4. 多源融合架构

在多源状态估计系统中，融合架构决定了各传感器量测在何处汇聚、由谁完成关联与滤波、状态估计结果如何回传与共享。架构选择不仅影响通信带宽、计算负载和容错能力，更直接改变性能评测的指标含义：同一组传感器数据，采用集中式或分布式融合，其估计精度、时延、一致性和可扩展性可能呈现完全不同的结论。因此，评测多源状态估计性能之前，必须先明确融合架构这一“评测语境”。

一、三种融合结构的基本原理

集中式融合将所有传感器的原始量测或经过预处理的观测值直接传输到中心节点，由中心节点统一完成时间对齐、数据关联、航迹起始与状态更新。其本质是“量测级融合”，信息损失最小，理论上可达到最优估计性能。典型结构包括量测扩维的卡尔曼滤波和集中式粒子滤波。

分布式融合中各传感器或局部节点先独立运行局部滤波器，得到局部状态估计与协方差，再将估计结果发送到融合中心或邻居节点进行融合。常见方法有协方差交叉、信息滤波和共识滤波。分布式结构通信量小、节点自治性强，但局部估计之间的相关性处理成为影响一致性的关键。

混合式融合结合两者特点：部分节点上传原始量测，部分节点上传局部估计，或在分层结构中底层集中、上层分布式。它适合传感器类型差异大、通信链路异构、实时性要求分层的场景，例如车载多传感器平台与路侧单元协同。

二、融合架构对性能评测指标的影响

评测指标必须与融合架构匹配，否则会出现“指标好看但系统不可用”的误判。集中式融合下，估计精度通常最高，但通信时延和中心节点计算负载成为瓶颈；分布式融合下，单节点计算轻、可扩展性好，但局部估计之间的相关性若被忽略，融合结果可能过度自信，导致一致性指标恶化；混合式融合则需要在不同层级分别定义精度、时延和一致性，评测复杂度最高。

三、方法流程与评测实施要点

针对不同融合架构开展性能评测，建议遵循以下流程：

1. 明确融合层级：判定系统属于量测级、估计级还是混合级融合，确定评测的输入输出边界。
2. 建立真值基准：使用高精度参考系统或仿真真值，确保三种架构在同一数据集上可比。
3. 设计指标集：集中式重点测精度与中心负载；分布式重点测一致性、通信量和鲁棒性；混合式需分层设置指标。
4. 注入故障与扰动：模拟传感器失效、通信丢包、时延抖动，观察架构降级行为。
5. 统计显著性检验：对多次蒙特卡洛运行结果进行置信区间估计，避免单次实验误判。

四、典型场景与常见误区

以自动驾驶多传感器平台为例：激光雷达与相机数据量庞大，若全部上传中心节点做集中式融合，车载以太网带宽和域控制器算力将迅速饱和；采用分布式融合，各传感器先输出局部目标估计，再在域控制器做估计级融合，可显著降低带宽，但需处理局部估计相关性。混合式方案则让激光雷达原始点云在近端集中处理，毫米波雷达与视觉输出局部估计，再分层融合，兼顾精度与实时性。

常见误区包括：其一，用集中式融合的精度指标去评价分布式系统，得出“分布式精度差”的片面结论；其二，只测稳态精度，忽略通信时延和丢包对动态性能的影响；其三，在分布式评测中直接假设局部估计独立，导致一致性指标虚高；其四，混合式系统未区分层级指标，把底层高精度直接当作全局精度。复盘时应回到架构本身，检查评测指标是否覆盖了该架构最脆弱的环节。

# 分布式融合一致性评测参数示例
fusion_architecture: distributed
local_filters: [EKF_radar, EKF_camera, UKF_lidar]
fusion_rule: covariance_intersection
communication:
  rate_hz: 10
  latency_ms: 20~80
  packet_loss: 0.02
metrics:
  - rmse_position
  - anees
  - consistency_ratio
  - communication_load_kbps
monte_carlo_runs: 200

综上，集中式、分布式与混合式融合结构在信息层级、通信模式、计算分布和容错能力上存在本质差异，这些差异会直接改变性能评测的指标选择、实验设计和结论解释。只有将融合架构作为评测的第一变量，才能得到可信、可复现、可比较的多源状态估计性能结论。