4. 多传感器融合动机

在无人机障碍物检测系统中，没有任何一种传感器能够在所有场景下都表现完美。摄像头在纹理丰富、光照良好的环境中能提供高分辨率的语义信息，但遇到逆光、黑夜或雾霾时几乎失效；超声波在近距离测距上成本低、响应快，却受温度、风速和反射角度影响明显；毫米波雷达穿透雨雾能力强、测速精度高，但对静止小目标的识别分辨率有限；激光雷达能提供精确的三维点云，却在雨雪、扬尘中衰减严重，且成本与重量较高。多传感器融合的根本动机，正是通过组合不同物理原理的传感器，弥补单一传感器的固有短板，构建更可靠、更完整的环境感知能力。

一、单一传感器的典型局限

理解融合动机，首先要看清单一传感器在无人机避障任务中的失效模式。下表从探测距离、环境适应性、信息维度、典型失效场景四个角度进行对比：

可以看到，每种传感器的失效场景几乎不重叠，这正是融合能够带来收益的物理基础。若所有传感器在同一场景下同时失效，融合也无法挽救；但现实中它们的短板往往互补。

二、互补优势与冗余容错

多传感器融合的收益可以归纳为两类：互补性与冗余性。互补性指不同传感器提供不同类型的信息，例如摄像头给出“这是什么”，雷达给出“它有多快”，激光雷达给出“它在哪里”，融合后形成更完整的障碍物描述。冗余性指多个传感器对同一属性进行重复测量，当某一个失效或被遮挡时，系统仍能依靠其余传感器维持基本功能。

在无人机避障中，冗余容错尤为重要。例如前向避障同时配置双目摄像头与毫米波雷达：白天双目提供稠密深度，雷达提供远距离速度；夜间双目失效，雷达仍可检测前方车辆与建筑物，触发减速或悬停。若只有单一传感器，夜间飞行就存在直接撞障风险。

三、融合层次分类

按照信息抽象程度，多传感器融合通常分为三个层次：数据级融合、特征级融合和决策级融合。数据级融合直接处理原始测量，信息损失最小，但对时间同步和标定精度要求极高；特征级融合先提取边缘、深度、速度等特征再关联，兼顾信息量与计算量；决策级融合各传感器独立完成检测后再投票或加权，鲁棒性最强但信息损失最大。

实际工程中，三种层次并非互斥。一个典型的无人机前向避障系统可能同时使用：双目图像与雷达点云做数据级对齐，提取障碍物候选框做特征级关联，最后由视觉、雷达、超声波各自给出“是否危险”的决策级投票。层次越靠前，信息保留越完整，但对时间同步、外参标定、算力平台的要求也越高。

四、典型场景与误区复盘

以城市物流无人机为例：在楼宇间飞行时，GPS 信号受遮挡，视觉与激光雷达提供相对定位与障碍物轮廓；接近地面时，超声波补足近距盲区；遇到雨雾天气，毫米波雷达成为主传感器。若只依赖视觉，雨雾中图像对比度骤降，避障距离可能从 20 m 缩短到 5 m 以内，安全裕度严重不足。

复盘时可用以下清单检查融合系统是否真正发挥了多传感器优势：

• 各传感器的时间戳是否统一到同一时钟源，同步误差是否小于 10 ms？
• 外参标定是否覆盖全部传感器对，标定残差是否在可接受范围？
• 是否存在至少一种传感器在关键场景下完全失效而无备份？
• 融合层次选择是否与算力平台匹配，是否出现数据级融合拖垮实时性？
• 是否建立了失效注入测试，验证冗余容错路径真实可用？

# 融合配置示例（YAML 片段）
fusion:
  level: feature          # data | feature | decision
  sync_tolerance_ms: 10
  sensors:
    - name: camera_front
      rate_hz: 30
      topic: /cam/front/image
    - name: radar_front
      rate_hz: 20
      topic: /radar/front/points
    - name: lidar_top
      rate_hz: 10
      topic: /lidar/top/points
  fallback:
    - if: camera_front.lost
      use: [radar_front, lidar_top]
    - if: lidar_top.degraded
      use: [camera_front, radar_front]

综上，多传感器融合的动机可以概括为：用互补性扩展感知维度，用冗余性保障系统可用，用合理的融合层次在精度、算力与鲁棒性之间取得平衡。理解这一点，才能在后续的标定、同步、关联与滤波算法设计中做出正确取舍。