1. 课程导入与Bosch ADAS融合全景
欢迎进入《Bosch ADAS多传感器融合与目标级融合》课程。在正式进入算法与工程细节之前，本章先建立一张"全景地图"：多传感器融合在Bosch ADAS体系中处于什么位置，目标级融合与信号级、特征级融合的本质区别是什么，以及AEB、ACC、LKA这些典型量产功能究竟向融合模块提出了哪些输出需求。理解这三件事，后续所有关于关联、跟踪、航迹管理、坐标系与时间同步的内容才有落脚点。
1.1 为什么ADAS必须做多传感器融合
单一传感器在车载环境下都存在难以回避的物理局限。毫米波雷达测距测速精度高、对雨雾和夜间鲁棒，但角分辨率低，难以区分相邻车道目标，对静止金属物体（如井盖、护栏）易产生虚警；摄像头横向分辨率高、能识别车道线、交通标志和车辆类型，但受逆光、夜间、雨雪影响大，且单目测距精度依赖目标像素高度，误差随距离快速放大；激光雷达点云空间精度高，但成本高、对雨雪和脏污敏感。Bosch ADAS的量产方案正是利用这种"能力互补"：让雷达提供稳定的距离与速度，让摄像头提供横向位置与语义类别，再通过融合把两者的优势叠加，同时用交叉验证抑制各自的虚警。
需要强调的是，融合不是"把数据堆在一起"，而是要在正确的时间、正确的坐标系下，把来自不同物理原理的观测归入同一个目标描述。这决定了融合系统的核心任务：时间对齐、空间对齐、目标关联、状态估计与航迹管理。这五件事贯穿本课程始终。
1.2 融合层级：信号级、特征级与目标级
按信息抽象程度，多传感器融合通常分为三个层级，它们在Bosch ADAS中的定位差异很大。
- 信号级融合（Signal-level / Raw-level）：直接对原始采样或未经目标检测的中间信号做融合，例如将雷达中频信号与摄像头图像像素在统一网格上联合处理。信息损失最小，但对时间同步、标定精度、算力要求极高，量产中很少直接使用。
- 特征级融合（Feature-level）：各传感器先提取特征（如雷达点迹的距离-速度-角度、摄像头的检测框与类别置信度），再在特征空间做拼接或注意力融合。常见于深度学习感知网络内部，对算力要求较高，可解释性较弱。
- 目标级融合（Object-level / Track-level）：各传感器先独立完成检测与跟踪，输出目标列表（含位置、速度、类别、置信度、协方差等），融合模块再对这些"目标"做关联与状态融合。这是Bosch ADAS量产系统的主流方案，也是本课程的重点。
目标级融合的最大优势在于模块化与可验证性：每个传感器可以独立标定、独立测试、独立诊断，融合层只处理结构化目标，接口清晰，便于功能安全（ISO 26262）与预期功能安全（SOTIF）分析。代价是信息在传感器内部已被压缩，融合层无法恢复被丢弃的细节，因此对关联逻辑和航迹管理的要求更高。
1.3 目标级融合的输入与输出约定
为了让后续章节有统一的语言，这里先约定目标级融合的典型接口。输入侧，每个传感器以固定周期输出目标列表，每个目标至少包含：纵向距离 x、横向距离 y、相对纵向速度 vx、相对横向速度 vy、类别（轿车/卡车/行人/两轮车/未知）、存在置信度、位置协方差矩阵、测量时间戳、传感器ID与安装位姿。输出侧，融合模块输出全局唯一ID的融合目标，除位置速度外，还附带航迹状态（新建、确认、维持、删除）、存在概率、融合协方差以及质量标志（如"仅雷达支持""雷达+视觉一致"）。
这里有一个容易被忽视但极其关键的约定：所有位置与速度必须统一到车辆坐标系。Bosch ADAS通常采用ISO 8855车辆坐标系：原点位于后轴中心地面投影，x轴指向车辆前进方向，y轴指向车辆左侧，z轴向上。各传感器安装位置不同，必须通过外参标定把测量值变换到该坐标系。方向约定一旦确定，全文与所有图示必须保持一致，否则关联门限和卡尔曼滤波的符号会出错。
1.4 典型量产功能对融合输出的需求
不同功能对融合输出的"关注点"并不相同，理解这一点有助于判断融合参数该如何取舍。
| 功能 | 核心需求 | 关键融合输出 | 典型指标（示例） |
|---|---|---|---|
| AEB 自动紧急制动 | 低漏检、低误触发，要求最远探测与最快响应 | 本车道前方目标的距离、相对速度、TTC、类别 | 目标确认时间 ≤ 100 ms；TTC 误差 ≤ 0.1 s |
| ACC 自适应巡航 | 稳定跟车，要求距离与速度平滑、无抖动 | 本车道及相邻车道目标的纵向距离、相对速度、切入切出状态 | 距离误差 ≤ 2% 或 0.5 m；速度误差 ≤ 0.5 m/s |
| LKA 车道保持辅助 | 横向控制，要求车道线与目标横向位置一致 | 本车横向偏移、车道线曲率、相邻目标横向位置 | 横向位置误差 ≤ 0.1 m；曲率误差 ≤ 0.001 1/m |
可以看到，AEB更关心"不漏检、不误刹"，因此融合层需要保守的存在概率门限和快速的航迹确认逻辑；ACC更关心"跟得稳"，因此对速度估计的平滑性和航迹连续性要求高；LKA则依赖横向几何量，对坐标系变换和标定精度最敏感。同一套融合框架，通过调整关联门限、过程噪声、确认/删除逻辑，就能服务不同功能。
1.5 本课程的学习路径
基于以上全景，本课程将按"基础—核心—进阶—实战"展开：先讲清坐标系、时间同步与传感器特性；再深入目标级融合的关联、跟踪、航迹管理与状态估计；随后讨论雷达与视觉的互补策略、静止目标处理、遮挡与误关联等工程难点；最后通过AEB、ACC、LKA的融合需求案例，把算法参数与功能指标对应起来。学完本课程，你应当能够读懂一套目标级融合模块的接口与数据流，能够为给定功能选择合适的关联门限与滤波参数，并能够定位常见的融合异常（如目标分裂、航迹跳变、虚警残留）。