4. 感知融合方法
在AEB系统中，单一传感器很难同时满足“看得远、看得准、看得全、看得稳”的要求。毫米波雷达擅长测距测速，摄像头擅长分类与语义理解，激光雷达擅长三维几何，超声波适合近距补盲。感知融合的核心任务，是把这些异构传感器的观测统一到同一时空基准下，形成稳定、连续、可决策的环境描述，为碰撞风险评估提供输入。
4.1 多传感器数据融合的基本原理
融合的前提是时空对齐。时间上，各传感器采样周期不同，雷达约20ms、摄像头约33ms、激光雷达约100ms，必须通过时间戳插值或运动补偿对齐到同一时刻。空间上，需要标定外参，把各传感器坐标系转换到车辆坐标系，再投影到统一栅格或BEV空间。
常用融合方法包括：
- 卡尔曼滤波与扩展卡尔曼滤波：对目标状态进行递推估计，适合线性或弱非线性运动模型。
- 匈牙利算法与全局最近邻：解决多目标与多观测之间的关联问题。
- 贝叶斯推理与证据理论：处理传感器置信度差异与冲突信息。
- 深度学习融合：在BEV或特征层进行跨模态注意力融合，提升遮挡与远距目标识别能力。
融合输出通常包括目标ID、位置、速度、加速度、尺寸、类别、置信度以及协方差矩阵。协方差用于后续碰撞概率计算，不能只输出一个点估计。
4.2 目标检测与跟踪流程
目标检测负责“发现”，跟踪负责“延续”。典型流程为：传感器预处理 → 目标检测 → 数据关联 → 状态估计 → 航迹管理 → 输出稳定目标列表。
输入：雷达目标列表、摄像头检测框、激光雷达点云簇
步骤1：时间戳对齐与坐标变换
步骤2：马氏距离计算关联代价矩阵
步骤3：匈牙利算法求解最优匹配
步骤4：卡尔曼滤波更新目标状态
步骤5：未匹配目标启动新航迹，丢失目标进入删除计数
输出：带ID、位置、速度、类别、置信度的融合目标跟踪中的关键参数包括：关联门限、过程噪声Q、观测噪声R、航迹确认帧数M、航迹删除帧数N。门限过小会导致目标分裂，门限过大会导致目标合并。工程上常用马氏距离而非欧氏距离，因为它考虑了观测不确定性。
4.3 环境建模与统一空间表达
环境建模把融合后的目标与静态道路信息组织成可供规划决策使用的模型。常见形式包括：
- 占据栅格图：以0/1或概率表示空间是否被占用，适合低速近距场景。
- BEV特征图：将多传感器特征投影到俯视平面，适合深度学习融合。
- 目标级场景图：以自车为中心，记录车道线、路沿、动态目标及其关系。
- 可行驶区域：结合语义分割与雷达自由空间，输出安全行驶边界。
环境模型必须包含不确定性描述。例如，目标位置用高斯分布表示，可行驶区域用概率边界表示。AEB的碰撞判断应基于“碰撞概率”而非“几何相交”。
4.4 典型场景与参数对照
| 场景 | 主要传感器 | 融合重点 | 关键参数 | 风险 |
|---|---|---|---|---|
| 前车静止 | 雷达+摄像头 | 距离与类别确认 | TTC<2.0s | 摄像头误分类 |
| 前车急刹 | 雷达+摄像头 | 速度与加速度估计 | 减速度>4m/s² | 跟踪延迟 |
| 相邻车道切入 | 雷达+激光雷达 | 横向运动关联 | 横向速度>0.5m/s | 目标跳变 |
| 夜间行人横穿 | 摄像头+激光雷达 | 语义与几何融合 | 置信度>0.7 | 漏检 |
| 隧道口强逆光 | 雷达为主 | 雷达主导融合 | 雷达置信度提升 | 摄像头失效 |
4.5 误区与复盘
误区一：融合就是取平均。不同传感器精度差异大，简单平均会引入偏差。应按协方差加权，或使用卡尔曼滤波最优估计。
误区二：只关注检测，不关注跟踪。AEB需要连续稳定的目标轨迹，单帧检测再好，若ID频繁切换，TTC也会抖动。
误区三：忽略时间同步。雷达与摄像头时间戳偏差50ms，在100km/h下对应约1.4m位置误差，足以影响AEB触发时机。
误区四：环境模型没有不确定性。只输出确定边界，会导致决策过于激进。应保留概率信息，供碰撞概率计算使用。
综上，多传感器数据融合、目标检测与跟踪、环境建模三者构成AEB感知链路的闭环。融合提供统一时空基准，检测与跟踪提供稳定目标航迹，环境建模提供可决策的场景描述。只有三者协同，才能让AEB在复杂交通中既不过早制动，也不错过最后的安全窗口。