算法代写范例：计算机算法代写-传感器融合算法方案

计算机算法代写 第4章 传感器融合算法方案

计算机算法代写 在自动驾驶技术实现过程中，由于单一传感器获取的信息有限，具有一定的不确定性，而且还要受到自身品质特性的影响。而多传感器的融合可以解决一些上述问题，但由于传感器的结构的复杂性与异构性，导致多传感器信息融合的结果与预期的结果存在偏差。

在自动驾驶技术实现过程中，由于单一传感器获取的信息有限，具有一定的不确定性，而且还要受到自身品质特性的影响。而多传感器的融合可以解决一些上述问题，但由于传感器的结构的复杂性与异构性，导致多传感器信息融合的结果与预期的结果存在偏差。因此，本文将异构多传感器感知的信息抽象在同一种模型上，并运用Ｄ－Ｓ理论来实现自动驾驶中多传感器信息的融合。

4.1系统模型

4.1.1异构传感器感知信息融合模型

自动驾驶车辆的车载传感器不仅有同构的也有异构的传感器，所以就需要将各种传感器获取到的信息进行抽象处理。

可以看出，例如视频传感器、激光雷达、超声波雷达这些车载传感器得到感知数据的方式是不同的。而且不同的传感器感知到的数据在表现形式上也有很大不同，给传感器融合造成了难度。因此首先我们将所有感知数据假设成一个表现形式统一的模型。

首先将障碍物距离我们的距离定义成五种表现形式分别是A₁（0-20m，有障碍物）、A₂（20-50m，有障碍物）、A₃（50-100m，有障碍物）、A₄（100-200m，有障碍物）、A₅（0-200m无障碍物）由于各传感器精度的限制，就先只选用200ｍ以内的感知数据。障碍物不确定有可能是人也有可能是车辆。

接下来，我们将感知信息进行抽象转换，每隔t时刻进行一次抽象转换得到第i个数据，在N_i时刻内对感知数据进行n次采样，ｊ表示五种表现形式之一，同时定义识别概率，公式如下：

(4.1)

其中是每次采样结果对应表达区间的个数，是t时间内采样总次数。是每个传感器面对其识别目标的识别概率

因此每个传感器的感知数据可以用向量_,表示

     (4.2)

单个传感器识别的数据并不全面，因此我们需要融合多个传感器的感知数据向量的识别结果，进而得到一个全面的识别结果然后，融合后得到的识别数据，为对应的自动驾驶决策。具体的对应关系如下表中。

表4.1 融合数据对应表

决策	换道	减速	匀速	加速	加速
目标	（0-20）有障碍物	（20-50）有障碍物	（50-100）有障碍物	（100-200)有障碍物	(0-200)无障碍物
	m1	m2	m3	m4	m5

 

在上述模型中，每个车载传感器对所有识别目标的识别概率总和为１，识别目标间互不相容，可以看作是一个基本命题。它们构成一个幂集，这个集合中只有一个是正确的。因此，上述模型是一个典型的D-S证据理论模型。

4.1.2 D-S证据推论模型

传统Ｄ－Ｓ证据理论是一种不确定推理方法，主要用于解决不确定信息问题。如图4.1所示，一个传感器对周围情况的感知结果是一个包含多种可能结果集，随着传感器数量的增多，结果集的范围会越来越小，感知结果的不确定性会降低，融合的结果的准确率会越来越高，进而能够准确地描述周围的环境信息。

图4.1 D-S证据理论框架图

 

（1）识别框架

识别框架是Ｄ－Ｓ证据理论的基础，它表示待识别问题的所有可能假设的离散集合。识别框架D表示如下：

         (4.3)

其中是框架D中的第j个基本元素，n是框架中的元素个数。框架D中所有子集的集合称为识别框架的幂集，用表示，记为：

(4.4)

其中Φ为空集。当识别框架中有n个基本元素时，其幂集有元素。故它有2ⁿ个子集。

（2）基本概率分配函数

假设D是一个集合的标识框架，A是D的子集，如果映射,满足以下条件:

        (4.5)

其中，ｍ称为D上的基本概率分布函数，它表示了A证据的支持程度。表示空集中的支持度为０。表示每个子集的支持度之和为1。

（3）信任函数 计算机算法代写

假设D是一个集合的识别框架，A是D的子集，m是D上的一个基本概率分布函数,如果

满足：

                         (4.6)

那么是D上的信任函数，对于任何,bel(A)表示A为真时的支持程度。

（4）似然函数

假设D是一个集合的标识框架，A是D的子集，如果映射满足以下条件：

          (4.7)

是D上的上限函数（似然函数），也就是说，对于任何AD，被表示为不否认A的信任度，并且可以解释为是不支持的子集的和。

（5）信任区间

在证据理论中，对于D的每个假设A，信任函数），假设的似然性函数和1之间形成支持区间，不确定区间和否定区间。

（6）证据组合规则

假设D是一个集合的标识框架，是n个独立的基本概率分布函数,，则D-S证据理论组合规则定义如下：

  (4.8)

 

(4.8)

 

其中，

              (4.9)

k是冲突系数，表示之间的冲突程度。而不同的代表各个不同的感知信息，即k的数值越大，感知信息之间的冲突就越大,误差就越大。根据D-S证据理论得出一个信任区间，也就是对事件A为真的信任程度，对事件A为非假的信任度，形成对事件A信任程度的上限与下限。比较每个事件基本概率函数，判断出障碍物的距离，做出决策。

4.2Ｄ－Ｓ证据理论的不足

D-S证据理论是一种用于不确定数据融合的不精确推理方法，可以降低多传感器信息融合的不确定性和不精确性。在自动驾驶车辆的行驶过程中，在一些恶劣的环境中，某些车载传感器的功能可能会出现异常，导致多传感器获取的某些传感信息可能不准确，甚至是完全错误的。在这种情况下，传感数据之间的冲突系数K如果过大。此时，D-S证据理论的融合结果可能会有较大的偏差。

如果冲突系数K过大，整个传感系统的鲁棒性会变差。D-S证据理论所得到的融合结果可能会随着传感数据的微小变化而发生显著变化。因此，如果识别出的目标发生剧烈变化，可能会与障碍物信息变化引起的识别目标的正常变化相混淆。此外，随着传感器节点数量的增加，融合过程中的计算量呈指数增长，计算量也是一个需要考虑的问题。

4.3仿真