今天,,我們的生活高度依賴傳感器。傳感器作為人類“五感”的延伸,,去感知這個世界,,甚至可以觀察到人體感知不到的細節(jié),這種能力也是未來智能化社會所必須的,。
不過,,單個傳感器的性能再卓越,在很多場景中還是無法滿足人們要求,。比如汽車中昂貴的激光雷達可以根據(jù)生成的點云,,判斷出前方有障礙物,但想準確得知這個障礙物是什么,,還需要車載攝像頭幫忙“看”一眼,;如果想感測這個物體的運動狀態(tài),可能還需要毫米波雷達來助陣,。
這個過程就好比我們熟悉的“盲人摸象”,,每個傳感器基于自己的特性和專長,只能看到被測對象的某一個方面的特征,,而只有將所有特征信息都綜合起來,,才能夠形成更為完整而準確的洞察。這種將多個傳感器整合在一起來使用的方法,,就是所謂的“傳感器融合”,。
對于傳感器融合,一個比較嚴謹?shù)亩x是:利用計算機技術(shù)將來自多傳感器或多源的信息和數(shù)據(jù),在一定的準則下加以自動分析和綜合,,以完成所需要的決策和估計而進行的信息處理過程,。這些作為數(shù)據(jù)源的傳感器可以是相同的(同構(gòu)),也可以是不同的(異構(gòu)),,但它們并不是簡單地堆砌在一起,,而是要從數(shù)據(jù)層面進行深度地融合。
實際上,,傳感器融合的例子在我們生活中已經(jīng)屢見不鮮。歸納起來,,使用傳感器融合技術(shù)的目的主要有三類:
·獲得全局性的認知,。單獨一個傳感器功能單一或性能不足,加在一起才能完成一個更高階的工作,。比如我們熟悉的9軸MEMS運動傳感器單元,,實際上就是3軸加速傳感器、3軸陀螺儀和3軸電子羅盤(地磁傳感器)三者的合體,,通過這樣的傳感器融合,,才能獲得準確的運動感測數(shù)據(jù),進而在高端VR或其他應(yīng)用中為用戶提供逼真的沉浸式體驗,。
·細化探測顆粒度,。比如在地理位置的感知上,GPS等衛(wèi)星定位技術(shù),,探測精度在十米左右且在室內(nèi)無法使用,,如果我們能夠?qū)i-Fi、藍牙,、UWB等局域定位技術(shù)結(jié)合進來,,或者增加MEMS慣性單元,那么對于室內(nèi)物體的定位和運動監(jiān)測精度就能實現(xiàn)數(shù)量級的提升,。
·實現(xiàn)安全冗余,。這方面,自動駕駛是最典型的例子,,各個車載傳感器獲取的信息之間必須互為備份,、相互印證,才能做到真正的安全無虞,。比如當自動駕駛級別提升到L3以上時,,就會在車載攝像頭的基礎(chǔ)上引入毫米波雷達,而到了L4和L5,,激光雷達基本上就是標配了,,甚至還會考慮將通過V2X車聯(lián)網(wǎng)收集的數(shù)據(jù)融合進來。
總之,傳感器融合技術(shù)恰似一個“教練”,,能夠?qū)⑿阅芨鳟惖膫鞲衅髂蠛铣梢粋€團隊,,合而為一又相互取長補短,共同去贏得一場比賽,。
選定了需要融合的傳感器,,怎么融合則是下一步要考慮的問題。傳感器融合的體系結(jié)構(gòu),,按照融合的方式分為三種:
·集中式:集中式傳感器融合就是將各個傳感器獲得的原始數(shù)據(jù),,直接送至中央處理器進行融合處理,這樣做的好處是精度高,、算法靈活,,但是由于需要處理的數(shù)據(jù)量大,對中央處理器的算力要求更高,,還需要考慮到數(shù)據(jù)傳輸?shù)难舆t,,實現(xiàn)難度大。
·分布式:所謂分布式,,就是在更靠近傳感器端的地方,,先對各個傳感器獲得的原始數(shù)據(jù)進行初步處理,然后再將結(jié)果送入中央處理器進行信息融合計算,,得到最終的結(jié)果,。這種方式對通信帶寬的需求低、計算速度快,、可靠性好,,但由于會對原始數(shù)據(jù)進行過濾和處理,會造成部分信息的丟失,,因此原理上最終的精度沒有集中式高,。
·混合式:顧名思義,就是將以上兩種方法相結(jié)合,,部分傳感器采用集中式融合方式,,其他的傳感器采用分布式融合方式。由于兼顧了集中式融合和分布式的優(yōu)點,,混合式融合框架適應(yīng)能力較強,,穩(wěn)定性高,但是整體的系統(tǒng)結(jié)構(gòu)會更復(fù)雜,,在數(shù)據(jù)通信和計算處理上會產(chǎn)生額外的成本,。
對于傳感器融合方案,還有一種按照數(shù)據(jù)信息處理階段進行分類的思路,。一般來說,,數(shù)據(jù)的處理要經(jīng)過獲取數(shù)據(jù)、特征提取、識別決策三個層級,,在不同的層級進行信息融合,,策略不同,應(yīng)用場景不同,,產(chǎn)生的結(jié)果也不同,。
按照這種思路,可以將傳感器融合分為數(shù)據(jù)級融合,、特征級融合和決策級融合,。
·數(shù)據(jù)級融合:就是在多個傳感器采集數(shù)據(jù)完成后,就對這些數(shù)據(jù)進行融合,。但是數(shù)據(jù)級融合處理的數(shù)據(jù)必須是由同一類傳感器采集的,,不能處理不同傳感器采集的異構(gòu)數(shù)據(jù)。
·特征級融合:從傳感器所采集的數(shù)據(jù)中提取出能夠體現(xiàn)監(jiān)測對象屬性的特征向量,,在這個層級上對于監(jiān)測對象特征做信息融合,就是特征級融合,。這種方式之所以可行,,是由于部分關(guān)鍵的特征信息,可以來代替全部數(shù)據(jù)信息,。
·決策級融合:在特征提取的基礎(chǔ)上,,進行一定的判別、分類,,以及簡單的邏輯運算,,做出識別判斷,在此基礎(chǔ)上根據(jù)應(yīng)用需求完成信息融合,,進行較高級的決策,,就是所謂的決策級融合。決策級融合一般都是應(yīng)用導(dǎo)向的,。
如何選擇傳感器融合的策略和架構(gòu),,沒有一定之規(guī),需要根據(jù)具體的實際應(yīng)用而定,,當然也需要綜合算力,、通信、安全,、成本等方面的要素,,做出正確的決策。
不論是采用哪種傳感器融合架構(gòu),,你可能都會發(fā)現(xiàn),,傳感器融合很大程度上是一個軟件工作,主要的重點和難點都在算法上。因此,,根據(jù)實際應(yīng)用開發(fā)出高效的算法,,也就成了傳感器融合開發(fā)工作的重中之重。
在優(yōu)化算法上,,人工智能的引入是傳感器融合的一個明顯發(fā)展趨勢,。通過人工神經(jīng)網(wǎng)絡(luò),可以模仿人腦的判斷決策過程,,并具有持續(xù)學(xué)習(xí)進化的可擴展能力,,這無疑為傳感器融合的發(fā)展提供了加速度。
雖然軟件很關(guān)鍵,,但是在傳感器融合過程中,,也并非沒有硬件施展拳腳的機會。比如,,如果將所有的傳感器融合算法處理都放在主處理器上做,,處理器的負荷會非常大,因此近年來一種比較流行的做法是引入傳感器中樞(Sensor Hub),,它可以在主處理器之外獨立地處理傳感器的數(shù)據(jù),,而無需主處理器參與。這樣做,,一方面可以減輕主處理器的負荷,,另一方面也可以通過減少主處理器工作的時間降低系統(tǒng)功耗,這在可穿戴和物聯(lián)網(wǎng)等功耗敏感型應(yīng)用中,,十分必要,。
有市場研究數(shù)據(jù)顯示,對傳感器融合系統(tǒng)的需求將從2017年的26.2億美元增長到2023年的75.8億美元,,復(fù)合年增長率約為19.4%,。可以預(yù)判,,未來傳感器融合技術(shù)和應(yīng)用的發(fā)展將呈現(xiàn)出兩個明顯的趨勢:
·自動駕駛的驅(qū)動下,,汽車市場將是傳感器融合技術(shù)最重要的賽道,并將由此催生出更多的新技術(shù)和新方案,。
·此外,,應(yīng)用多元化的趨勢也將加速,除了以往那些對于性能,、安全要求較高的應(yīng)用,,在消費電子領(lǐng)域傳感器融合技術(shù)將迎來巨大的發(fā)展空間。
總之,,傳感器融合為我們洞察這個世界提供了更有效的方法,,讓我們遠離“盲人摸象”般的尷尬,,進而在這個洞察力的基礎(chǔ)上,塑造更智能的未來,。