目录
概要
信息融合的基本原理
估计方法(加权平均法、最小二乘法、卡尔曼滤波及其变种) ) ) ) ) )。
加权平均法：
最小二乘法
卡尔曼滤波及其变种
分类方法(聚类分析() ) ) ) )。
推理方法(贝叶斯方法，D-S方法) )。
贝叶斯方法
D-S方法
深度学习融合方法
基于深度学习特征提取的数据融合方法
传统数据融合方法与深度学习数据融合方法的比较
在统一坐标系下设计并合成同向不同传感器检测目标的一定融合算法，生成更精确的cdwdm目标属性信息。 该系统可以消除不同传感器之间的目标冗余和矛盾问题，提高传感器之间的数据互补性，提高传感器数据的使用效率，保证自动驾驶感知系统的实时性和可靠性。
多传感器融合的特点
a. 冗余性：多个传感器数据对目标的记载相同(例如，由激光雷达检测出的目标信息与照相机目标信息大致一致，允许一定的属性误差)；
b. 互补性：
g>由于每个传感器的探测范围和探测属性不同，传感器之间的目标属性可以相互补充（如前方障碍物的颜色信息，激光雷达识别不出来）；c. 合作性：不同传感器在处理信息时会对其他信息有所依赖（如相机在建立位姿关系时 ，需要依赖IMU的数据）；
d. 信息分层：可以根据数据融合所呈现的位置，进行分层，包括原始数据层（简称像元 层）、特征层、决策层（也叫目标层），这种信息分层有助于根据需求设计不同的算 法，同时进行并行处理机制，保证系统的实时性；
步骤
多个不同类型传感器收集观测目标的数据； 对传感器的输出数据进行特征处理，或数据关联；利用融合算法对特征或关联数据进行分析和处理，最终得到目标一致性判断。
多传感器融合系统的体系结构可以分为三种：
集中式，分布式和混合式(混合式又分为有反馈结构和无反馈结构)。
信息融合基本原理 估计方法 （加权平均法、最小二乘法、卡尔曼滤波及其变种） 加权平均法：加权平均是最简单直接、也是最实用的方法，就是将来自各个传感器的目标结果进行匹配处理后，按照每个传感器所占的权值进行加权平均，加权平均后的结果作为融合的结果。这种方法比较适用于动态环境中，但需要对传感器结果和性能进行详细的分析，以获得准确的权值。
最小二乘法最小二乘法就是将不同传感器的目标观测值进行近似拟合，使得拟合函数针对不同传感器的目标观测值的误差的平方和最小。
一般不单一使用最小二乘法，而是将其与其他融合方法一起使用，或者来校验其他融合方法的好坏。
原因如下： 假设下图中的红点为多个传感器观测得到的物理量，这些物理量之间看似存在某种函数关系，用最小二乘法来拟合这些点，并比较各函数针对各点的误差平方和最小，从而得到最终的系数。那么得到的曲线就是融合后的轨迹点。如果将上图中的红点看作是某个融合函数融合后得到的结果，那么与蓝线之间的误差平方和最小，也可以用来评价原融合方法的好坏。
卡尔曼滤波及其变种卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。如果系统具有线性动力学模型，且系统与传感器的误差符合高斯白噪声模型， 则卡尔曼滤波将为融合数据提供唯一统计意义下的最优估计。
卡尔曼滤波的递推特性使系统处理无需大量的数据存储和计算。但是采用单一的卡尔曼滤波器对多传感器组合系统进行数据统计时，存在很多严重问题，例如：
① 在组合信息大量冗余情况下，计算量将以滤波器维数的三次方剧增 ，计算实时性难以满足。
② 传感器子系统的增加使故障概率增加，在某一系统出现故障而没有来得及被检测出时，故障会污染整个系统，使可靠性降低。
分类方法（聚类分析）聚类分析
一致度：讨论一致度的目的是为聚类提供基础。通过聚类分析，可以把一致性高的数据进行融合，对于“不一致”的个别数据可能认为是在恶劣环境下偶然造成的“奇异点”。如果在聚类分析中发现出现了多个距离分布较远的类，则说明整体数据具有高度的不一致性，这些数据反映了不同的系统特性，不能进行简单的融合。一致度是一种势函数K(X, Y)， 它需要满足几个条件:
1) 函数的输出为0~1之间，当两点X,Y距离很近时输出值大，当两点距离很远时输出值小；
2) 函数的主体趋势时逐步下降的；
3) 当X,Y两点重合时(距离为0),输出最大为1，当两点距离无穷大时，输出最大为0；
4) K(X, Y)= K(Y, X),为连续函数。
聚类分析：在得到各个传感器数据的一致度后，很容易根据一致度来进行数据点的聚类，即把相
似的点构成一个个集合。从一致度的公式可知，距离小于阈值的点一致度大，距离大的点其一致度 小。
贝叶斯方法就是将每一个传感器作为一个贝叶斯估计，把各单独物体的关联概率分布合成一个联合的后验概率分布函数，通过使联合分布函数的似然函数为最小，提供多传感器信息的最终融合值，融合信息与环境的一个先验模型以提供整个环境的一个特征描述。
D-S方法该方法是贝叶斯推理的扩充，包含3个基本要点：基本概率赋值函数、信任函数和似然函数。D-S方法的推理结构是自上而下的，分为三级：
第一级为目标合成，首先对来自多个传感器的数据信息进行预处理，计算各个证据的基本概率分布函数，可信度，释然度；
第二级为推断，根据DS合成规则，计算所有联合作用下的基本概率分配函数、可信度、释然度；
第三级为更新，各传感器一般都存在随机误差，因此在时间上充分独立地来自同一传感器的一组连续报告(报告就是处理后的概率分布函数，可信度，释然度等)比任何单一报告更加可靠。所以在推理和多传感器合成之前，要先组合（更新）传感器的观测数据。
深度学习融合方法 基于深度学习特征提取的数据融合方法
传统数据融合方法和深度学习数据融合方法比较
传统的数据融合方法在对数据进行特征提取时，通常采用人工标注等方式进行，因此适合处理小规模数据集。人工提取特征会导致提取的特征不全面，无法进一步挖掘多源数据间存在的关系，使得决策精度降低。
在实时性方面，传统数据融合方法复杂度相对较低，具有更好的实时性。
基于深度学习的数据融合方法具有自学习能力和非线性特点，能够自动挖掘数据的相关特征，因此在对海量数据进行融合时具有优势。但是基于深度学习的数据融合方法的复杂度较高，训练模型较为费时并且 对计算设备的计算能力要求较高。
点个赞吧！
The end!