4. 功能融合基础
在ADAS与自动驾驶域控制器中，单一传感器无法同时满足全天候、全场景、高冗余的感知需求。摄像头擅长纹理与语义识别，毫米波雷达擅长测距测速且不受光照影响，激光雷达提供高精度三维几何，超声波覆盖近距盲区，IMU与轮速计提供自车运动信息。多传感器数据融合的本质，是把这些异构、异步、不同置信度的观测，在时空对齐后组合成比任一单源更完整、更一致的环境描述，为后续规划控制提供稳定输入。
一、为什么必须融合：意义与工程价值
融合带来的收益可以归纳为四个维度。第一是冗余与安全：当摄像头逆光失效时，雷达仍能提供目标距离与速度，系统可降级运行而非直接退出。第二是互补与完整：雷达给出精确距离但角度分辨率低，摄像头给出类别与横向位置但深度弱，二者融合后目标的位置与属性同时可信。第三是置信度提升：多源独立观测同一目标，可显著降低虚警与漏检，融合后的存在概率高于任一单源。第四是时空覆盖扩展：不同传感器视场角、探测距离、更新率不同，融合后形成更连续、更宽域的感知覆盖。
二、融合层级：数据级、特征级、决策级
按信息抽象程度，融合通常分为三个层级，层级越低信息保留越完整，但对时空对齐与算力要求越高。
- 数据级融合（前融合）：在原始测量或点云层面直接合并。例如将激光雷达点云与摄像头像素做外参投影，生成带颜色的点云，再统一做检测。优点是信息损失最小，理论上限最高；缺点是对时间同步、外参标定、数据关联极其敏感，算力开销大。
- 特征级融合（中融合）：各传感器先提取特征（如BEV特征图、目标框、雷达点迹），再在特征空间拼接或注意力交互。这是当前域控制器主流方案，兼顾精度与工程可行性，典型如BEV+Transformer将多相机与雷达特征在统一鸟瞰空间融合。
- 决策级融合（后融合）：各传感器独立完成检测并输出目标列表，融合层只做关联、滤波与仲裁。优点是模块解耦、易调试、对时间同步要求低；缺点是各源已丢失原始信息，融合上限受限，且关联错误会直接导致目标分裂或合并。
三层并非互斥，实际系统常采用混合架构：近距用数据级保证精度，中距用特征级保证鲁棒，远距用决策级保证解耦与可解释性。
三、融合算法分类与选型逻辑
融合算法可按数学工具分为四类，选型取决于融合层级、目标类型与算力预算。
| 算法类别 | 代表方法 | 适用层级 | 优势 | 局限 |
|---|---|---|---|---|
| 滤波类 | 卡尔曼、EKF、UKF、IMM | 决策级/跟踪 | 实时性好，状态估计成熟 | 依赖线性高斯假设，难处理类别语义 |
| 概率类 | 贝叶斯推理、D-S证据理论 | 决策级/仲裁 | 显式表达不确定性与冲突 | 证据组合计算量随源数增长 |
| 深度学习类 | BEV+Transformer、多模态注意力 | 特征级/数据级 | 端到端学习，精度高 | 需大量标注，可解释性弱 |
| 优化与关联类 | 匈牙利匹配、图优化、ICP | 数据级/决策级 | 解决对应关系与位姿求解 | 易受初值与异常值影响 |
四、典型场景：AEB中的融合链路
以自动紧急制动（AEB）为例，融合链路如下：毫米波雷达输出目标距离与相对速度，摄像头输出目标类别与横向位置，激光雷达输出精确轮廓。决策级融合先做时空对齐，再用匈牙利算法关联同一目标，随后用卡尔曼滤波估计目标运动状态，最后依据TTC（碰撞时间）阈值判断是否触发制动。若摄像头因逆光丢失目标，雷达仍可维持跟踪，系统降级为雷达单源模式并限制最高车速，保证安全冗余。
融合伪代码（决策级）：
for each radar_target in radar_list:
matched = hungarian_match(radar_target, camera_list, lidar_list)
if matched:
fused = kalman_update(radar_target, matched.camera, matched.lidar)
fused.confidence = weighted_sum(radar_q, camera_q, lidar_q)
else:
fused = radar_target # 单源降级
if fused.ttc < TTC_BRAKE_THRESHOLD:
trigger_aeb(fused)
五、常见误区与复盘要点
综上，多传感器融合的意义在于用异构互补换取安全冗余与感知完整；融合层级决定信息保留程度与工程复杂度；算法分类决定选型边界。工程实践中，应优先保证时空对齐与关联正确，再追求融合精度，最后通过降级策略守住安全底线。