传感器融合是不可分割的一部分,自治系统的设计;自动驾驶汽车,雷达跟踪站,所有依靠物联网传感器融合的另一个地方。所以我想回答的问题在这个视频是:“什么是传感器融合以及它如何帮助在自治系统的设计?”This will be a good first video if you’re new to the topic because we’re going to go over a broad definition of what it is and then show a few scenarios that illustrate the various ways sensor fusion is used. So I hope you stick around. I’m Brian, and welcome to a MATLAB Tech Talk.
高层定义传感器融合是结合两个或多个数据源的方式生成一个系统的了解。“更好”在这里指的是解决方案更一致的随着时间的推移,更准确、更可靠的比用单一数据源。在大多数情况下,我们可以认为是来自传感器的数据,和他们的测量提供了系统的理解;例如,速度加快,或一些物体的距离。但一个数据源也可以一个数学模型,因为作为设计师,我们有一些物理世界的知识,我们可以编码知识到融合算法来提高传感器的测量。
要理解为什么,让我们先从大局。自治系统需要与周围的世界,为了成功有一定的功能,系统需要。我们可以把这些分成四个主要领域:意义上,感知,计划,行动。
感觉是指直接与传感器测量环境。这是收集信息从系统和外部世界。无人驾驶汽车,传感器套件可能包括雷达、激光雷达、可见的相机,和许多更多。只是收集数据和传感器不够好,因为系统需要能够解释数据并将其转化为可以理解和行动上的自治系统。这是感知的角色步骤:理解,感觉到数据。例如,假设这是一个图像从车辆的摄像头传感器。汽车必须最终解释像素的blob道路车道线,在一边,有可能一个行人过马路或静止的邮箱。这种程度的理解是至关重要的为了让系统确定下一步做什么。这是规划的步骤,找出它想要做什么,发现一条路径。最后,系统计算出最好的行动,得到系统遵循这条道路。 This last step is what the controller and the control system is doing.
好吧,让我们回到感知步骤,因为我想去到更多的细节。这一步有两个不同但同样重要的是责任。它负责自我意识,称为本地化或positioning-you知道,回答这样的问题我在哪里,我在做什么,和我在哪个州?但它也负责态势感知、检测环境中的其他对象和跟踪他们。
那么,传感器融合进来吗?它横跨意识和感知,因为它有一个手在这两种功能。它是将多个传感器测量的过程中,结合,从数学模型和混合的额外信息的目标有更好的理解世界的系统可以用来计划和行动。
考虑到这一点,让我们走过四个不同的传感器融合的方式可以帮助我们做得更好在我们自己的系统定位和定位,以及其他对象检测和跟踪。
好吧,对于第一个场景,让我们来谈谈可能传感器融合的更常见的原因之一,这是提高数据的质量。我们总是想要处理数据,减少噪音,减少不确定性,和更少的偏离事实。总体不错,干净的数据。
作为一个简单的例子,让我们来一个加速度计,把它放在一个固定表,这样它只测量重力加速度。如果这是一个完美的传感器,输出会读一个常数9.81 m / s ^ 2。然而,实际的测量将吵,吵取决于传感器的质量。这是不可预测的噪音所以我们不能摆脱它通过校准,但我们可以减少整体的噪音信号,如果我们添加第二个加速度计,平均两个读数。只要噪声不相关的传感器,这样融合在一起可以减少噪声的因素相结合的传感器数量的平方根。所以四个相同的传感器融合在一起会有一个噪音的一半。在这种情况下,所有,这是一个平均函数非常简单的传感器融合算法。
我们还可以减少噪音的测量两个或两个以上不同类型的传感器,这可以帮助如果我们必须处理相关噪声来源。例如,假设我们要测量你的手机正面临相对于北的方向。我们可以使用电话磁强计测量磁北的角度,简单。然而,就像加速度计,这个传感器测量噪声。如果我们想要减少噪音,那么我们可能会添加第二个磁强计。然而,至少有一些噪声的贡献是来自移动磁场产生的电子在手机本身。这意味着每一个磁强计将受此影响相关噪声源,因此传感器的平均值不会删除它。
两个办法来解决这个问题是简单的移动传感器远离腐败磁fields-hard与电话或通过某种形式的过滤测量一个低通滤波器,这将增加延迟和减少测量响应。但另一个选择是融合一个角速率传感器的磁强计,一个陀螺。陀螺也会吵闹,但通过使用两个不同的传感器类型,我们减少噪音的可能性是相关的,所以他们可以用来校准。基本要点是,如果磁强计测量磁场的变化,可以用来证实如果陀螺旋转来自手机身体移动或如果它只是噪音。
有几种不同的传感器融合算法可以完成这个混合,但卡尔曼滤波器可能是最常用的方法之一。有趣的是卡尔曼滤波器的数学模型系统已经内置到过滤器。所以你要融合在一起的好处传感器测量和物理世界的知识。如果你想了解更多关于卡尔曼滤波器,看看MATLAB科技视频交谈,我与描述。
传感器融合的第二个好处是,它可以提高测量的可靠性。一个明显的例子是,如果我们有两个相同的传感器融合在一起,就像我们与平均加速度计,然后我们会有一个备份,以备一个失败。当然,这个场景中,我们失去了质量如果一个传感器失败了,但至少我们不要失去整个测量。我们也可以添加第三个传感器组合和融合算法可以投票的任何单一传感器的数据产生一个不同于其他两个的测量。
一个例子可以用三个空速管的可靠测量飞机的空气速度。如果一个减免或读取错误,那么空速仍使用另外两个。所以复制传感器是一个有效的方法来提高可靠性;然而,我们必须小心的单一失效模式影响所有的传感器在同一时间。一架飞机飞过冰雨可能发现所有三个空速管冻结起来,再多的投票或传感器融合将保存测量。
再一次,这是融合在一起的传感器,测量不同的数量可以帮助解决这个问题。飞机可以建立补充空速管的空气速度测量航速估计使用全球定位系统(GPS)和大气风模型。在这种情况下,仍然可以估计当主空气速度传感器套件是不可用。再一次,质量可能会下降,但速度仍然可以确定,这对飞机的安全是很重要的。
失去一个传感器并不总是意味着传感器失败了。它可能意味着他们测量数量暂时抵消。例如,以一个雷达系统跟踪一艘小船在海洋上的位置。雷达站是发送无线电信号反射回船,和往返行程时间,信号的多普勒频移,跟踪站的方位和仰角都结合估计船的位置和范围。然而,如果一个更大的货船雷达站和更小的船,然后测量将立即阻塞的位置和范围的对象。
所以在这种情况下,我们不需要另一个传感器类型或二次雷达跟踪站帮助测量时滴,因为我们可以使用一个物理世界的模型。一个算法可以开发的速度和航向模型被跟踪的对象。当对象的雷达视线,模型可以接管并作出预测。这当然只能当你跟踪的对象是相对可预测的,你不必依赖你的长期预测。这是非常缓慢的船只。
好的,传感器融合的第三个好处是,我们可以使用它来估计无节制的状态。现在,重要的是要认识到无边无际的并不意味着不可测的;它只是意味着系统没有一个传感器,可以直接测量我们感兴趣。
例如,一个可见的相机不能测量距离一个对象在其视野。大对象远可以占用相同数量的像素作为一个小但很接近对象。然而,我们可以添加一个光学传感器,通过传感器融合,提取三维信息。融合算法将比较两个不同角度的场景和衡量两幅图像中的对象之间的相对距离。所以在这种方式,这两种传感器无法测量距离单独但他们可以结合时。在下一节中,我们将扩展的概念使用传感器来估计无节制的州通过展示如何使用加速度计和陀螺估计位置。
现在,然而,我想搬到最后我要覆盖在这个视频中获益。传感器融合可以用来增加覆盖范围。让我们想象的短程超声波传感器在汽车用于停车协助。这些传感器是测量距离附近的物体,像其他停放的汽车和路边,让你知道当你接近的影响。每个传感器可能只有几英尺的范围和狭窄的视野。因此,如果汽车需要完全覆盖所有四个边,需要添加额外的传感器和测量融合在一起,产生更大的视野。现在,很可能,这些测量平均不会以任何方式或组合数学因为它通常有助于知道哪个传感器是注册的一个对象,这样你有一个想法,对象是相对于汽车。但是这些传感器的算法,把所有在一起成一个连贯的系统仍然是一个形式的传感器融合。
希望你可以看到,有很多不同的方式做传感器融合,虽然不一定有共同的方法算法甚至有相同的设计目标,总体思想背后无处不在:使用多个数据源来提高测量质量、可靠性、和覆盖率,以及能够估计指出,并不是直接测量。传感器融合的事实有广泛的吸引力完全不同类型的自治系统使得它是一个有趣的和有意义学习的话题。
在接下来的两个视频我们将详细介绍传感器融合定位和多目标跟踪。尤其是在下一节,我们将展示如何结合加速度计、磁强计和陀螺估计取向。
所以如果你不想错过,和未来的技术演讲视频,别忘了订阅这个通道。同样,如果你想看看我的通道,控制系统讲座,我控制覆盖更多的话题。下次再见。
