担当自动驾驶的安全守卫，多传感器融合还有哪些新战场？

文章来源：SensorExpo

高阶自动驾驶对安全性的要求更上一个台阶，更高的安全性则需要更多的传感器，多传感器融合技术被视为自动驾驶中感知周围环境的唯一途径。当然，为满足移动设备新应用大爆发的需求，设备厂商也对传感器融合技术寄予厚望。今天，咱们就来聊下传感器融合。

传感器融合是自动驾驶的必经之路

在文章开始之前，首先明确下传感器融合的定义。传感器融合就是将多个传感器获取的数据、信息集中在一起综合分析以便更加准确可靠地描述外界环境，从而提高系统决策的正确性。

自动驾驶的发展带动了传感器融合技术。据IDC报告，2020年售出的汽车中，拥有自动驾驶功能的汽车数量(包含L1~5级)为2773.2万辆，根据市场智能化趋势以及前八年的增速为基础进行测算，到2025年，拥有自动驾驶功能的汽车数量(包含L1~5级)为6332万辆。

市场向好的背后，是技术不断的迭代，感知是实现自动驾驶极为重要的一环，对于保证自动驾驶汽车的安全性非常重要。

目前，自动驾驶感知层技术路线有两种，一种是以特斯拉为代表的视觉系，另一种是以Waymo为代表的激光雷达系。

• 视觉系解决方案主要以摄像头为主导，配合毫米波雷达、超声波雷达等元件完成感知任务，较为依赖硬件性能与软件算法；

• 激光雷达系解决方案以激光雷达为核心，配合摄像头、毫米波雷达、超声波传感器等元件达到感知目的，感知精度高、软硬件依赖程度低，是很多车企采用的方案。

两种路线的共同点是，均以摄像头、毫米波雷达、超声波雷达、激光雷达作为核心元件，且都采取了多传感器融合的方式。

注：资料来源于东吴证券

自动驾驶传感器功能示例图 

资料来源：密西根大学交通研究所《Sensor Fusion: A Comparison of Sensing Capabilities of Human Drivers and Highly Automated Vehicles（Brandon Schoettle）》，海通证券研究所

不同的传感器各有优缺点，无法单独完成一个功能，需要配合使用提高自动驾驶汽车安全系数。

摄像头对颜色、条纹的识别能力无可替代，可识别不同颜色、车道线、交通信号灯和交通标志标识。但摄像头比较容易受到环境影响，例如，恶劣天气（暴雨、暴风雪）、能见度（雾霾、黑夜）。

毫米波雷达的测速测距能力强，分辨率可达cm级，成本较低，为激光雷达的几十分之一，主要用于车辆防撞辅助、盲区监测以及自适应巡航方面。在雨雪雾霾沙尘暴等恶劣天气均能正常工作，是目前传感器中唯一具有全天候工作特性的探测设备。但是，毫米波雷达易受电磁波的干扰，不能用含金属的物体遮挡。行人的反射波弱，毫米波雷达难以识别。在大桥和隧道里检测效果较差，无法进行颜色信息识别。

毫米波雷达具有较高的技术壁垒，大部分市场份额被国外厂商占据，但也不乏一些本土优秀厂商，上海矽杰微就是其中一个代表，可以同时提供24GHz和77GHz毫米波雷达。细数矽杰微的产品，很多都取得了较好的市场反馈，例如，第一颗高度集成24GHz雷达SoC、第一款AIP全集成毫米波雷达芯片SRK1103M等。

摄像头和毫米波雷达配合，可以让车辆对周围环境的识别能力大大提高，但很难实现非标静态物体检测。如果在原有基础上添加激光雷达，系统对特殊物体的识别率将进一步提升。

激光雷达的测距可达300m以上，测距精度为厘米级，水平分辨率能够达到0.05°，垂直分辨率在线束集中区域可达0.2°。方向性好，抗干扰能力强，不受无线电波干扰。但是，激光雷达成本极高，在云雾、雪等恶劣天气有衰减，无法提供精确的环境图像，无法进行颜色等信息的识别。

激光雷达产业链逐渐完备，推动模组价格下降，有望实现大批量产业化。西安知微传感致力于为固态激光雷达的研发及生产提供快速解决方案，凭借其在MEMS领域多年的技术积累及经验开发了以MEMS微振镜为核心的扫描模组。模组的MEMS微振镜直径为3mm,工作在谐振状态下，谐振频率为1.15khz左右，最大可实现的扫描角度为60°。同时可实现闭环控制。

超声波传感器俗称倒车雷达，测距方法简单，具有防水、防尘的特点，即使有少量泥沙遮挡也不影响测量，且成本只有几十到几百元。但是，超声波雷达在高车速时无法实现可靠的测速功能，且容易受到气温影响。

奥迪威是国内领先的超声波传感器供应商，拥有密闭式超声波传感器、开放式超声波传感器、300K超声波传感器等多种类型超声波传感器，凭借性能优势为客户所认可。随着超声波产业链的逐渐成熟，越来越多的企业涌现出来。汇通西电以压电陶瓷材料和压电陶瓷器为业界熟知，利用该技术，公司推出了各种型号的车用超声波传感器产品。

加速度传感器与气压传感器融合，助力可穿戴卡路里测量更精准

智能手表的功能日益丰富，除了基础的支付、通话功能外，运动与健康监测已逐渐成为智能手表行业竞争的新方向。IDC发布的数据显示，2021年第二季度，全球可穿戴设备市场出货量达1.142亿台，全球可穿戴设备的出货量将从2020年的4.5亿台增长到2025年的近8亿台。未来，功能日益丰富，则需要更多的传感器支持，传感器融合将成为一大趋势。

我们以智能手表中的卡路里监测为例进行说明。智能手表会通过内置的三轴加速度传感器检测用户的动作，识别用户处于什么强度系数的运动当中，用于计算耗氧量：

耗氧量=N×MET×体重（千克）×运动时间（分钟）热量消耗=耗氧量（L）×4.92kcal/L，4.92kcal/L为统计值

但这样计算消耗的卡路里不是那么精确，比如，同样是步行，平路走1000米和上坡走1000米，消耗的能量是有很大差异的。这种情况下，就需要通过气压传感器获得步行过程中的高度变化，随后对消耗的卡路里进行修正。研究表明，气压传感器能帮助提升15%的卡路里测算精度。

加速度传感器和气压传感器的市场比较成熟，大厂也在不断迭代产品提高性能。例如，MEMS龙头企业博世旗下公司Bosch Sensortec推出了众多的高性能、低功耗、小体积的气压传感器BMP系列，特别适用于对体积和功耗要求高的智能手表。意法半导体的加速度计传感器具有先进的节电特性，是超低功耗应用的理想之选。

传感器融合助力机器人导航定位

定位与地图构建（SLAM）是实现移动机器人自主性的重要问题，是近年来机器人领域研究的热点之一。它指的是，机器人在未知环境中，通过识别周围环境创建地图，并利用地图进行定位的一种方法。目前业内针对移动机器人自主定位导航功能，主流的方案是激光雷达+SLAM。

然而激光雷达除了本身昂贵的价格外，同时伴随着移动机器人场景的复杂化和多样性，单一的激光SLAM不可能完全满足移动机器人的自主定位导航功能。因此多传感器融合方案成为了当前移动机器人环境感知能力突破点。将深度摄像头、超声波、雷达等传感器进行融合，才能更好的帮助机器人全面感官周围环境，进行自主定位与导航，从而实现规避障碍物及路线规划。

机器人环境识别与导航原理

注：图片来源于网络

例如欧姆龙公司的移动机器人，具有自主绘制地图，自主导航的功能，自主导航小车可帮助用户搬送物料。此外，还有工业机器人、协作机器人等。

编辑：鹿定辞