3.2.2.1 介绍

传感器融合的过程是使用多个传感器提供车辆的状态和它们的环境的估计。数据融合的主要困难是汇总数据通常有异步时间表，并提供部分的和嘈杂的传感器数据。如果数据融合算法在迭代一个周期之前同步所有数据，那么它可能引入大的延迟，牺牲了系统可控性或造成反应延迟。

3.2.2.2 传感器融合用于提高定位

定位问题是异构传感器数据融合的一个很好的案例。用于定位系统的传感器可以是绝对的或相对的。绝对位置传感器GNSS或人工路标等提供有界不确定，但对于汽车控制应用来说，通常没有足够的精度或刷新率。相对位置传感器，比如雷达、激光雷达、相机、递增计数器（测量车轮旋转、执行“里程表”测量）以及超声波收发器通常是准确的。(www.daowen.com)

即使初始位置确信是已知的，然而相对的专用传感器总是导致无界的不确定性。这就是所谓的“船位推算漂移问题。”

融合绝对和相对传感器是获得绝对和精确位置的一种手段。卡尔曼滤波器（KF）理论可以收到良好的效果，因为这估计量是最优的^[15]。对于每一个步骤，移动位置分布的一个先验的预测叫做信任度函数，根据过去的测量与信任度、执行器指令与内在自我表征（系统模型和传感器模型）来计算。当收集到一组新的传感器数据后，预测修正为下一个周期的信任度函数。这就解释了为什么卡尔曼滤波器（KF）通常归类为预估状态估计量滤波器。

在常用的现代导航应用中，当10m精度的GPS和里程计融合后，它们可以提供接近1m的估计精度，因此非常适合咨询导航系统。使用昂贵的传感器或修正服务（这意味着某种形式的通信）可以把精度提高到10cm，因此适用于车辆控制系统^[16]。