2023年，l3等級的自動駕駛汽車陸續出現在市場上。奧迪的第一款l3自動駕駛汽車奧迪a8旗艦轎車，也是全球首款達到l3級別的自動駕駛量產車。以自動駕駛功能在高速公路上行駛，時速為60km/h或者更低。駕駛員無需時刻監控駕駛環境。
在當時，奧迪a8為何這麼牛？它是如何達到l3水平的呢？豐富的感測器功不可沒。
a8的自動駕駛感測器配置是所有量產車型中最豐富的，搭載了7種型別的感測器，共計24個。不僅有完備的長短距離的公釐波雷達和前置攝像頭，以及複雜路況自動駕駛不可或缺的雷射雷達，還有自動泊車神器——超聲波雷達和4路高畫質環視攝像頭。使用多個感測器監控相同方向，這對於防止誤報警來說也是必不可少的。
一方面，零部件**商認為：「在下高速匝道之前，沒有雷射雷達也可以。」，而汽車廠商認為：「認為高速路上變道的時候公釐波雷達解析度不夠，仍然需要雷射雷達。「甚至有車廠預計實現l4需要5個雷射雷達。關於感測器，行業內意見分歧很大，無論是安裝的個數還是位置，都沒有辦法明確。
為了進一步推進自動駕駛的發展，我們似乎需要繼續探索。
自動泊車、公路巡航控制和自動緊急制動等自動駕駛汽車功能在很大程度上是依靠感測器來實現的。重要的不僅僅是感測器的數量或種類，它們的使用方式也同樣重要。目前，大多數路面上行駛車輛內的adas都是獨立工作的，這意味著它們彼此之間幾乎不交換資訊。只有把多個感測器資訊融合起來，才是實現自動駕駛的關鍵。
試想一下，如果乙個感測器所得到的資訊要求汽車立即剎車，而另一感測器顯示可以繼續安全行駛，或者乙個感測器要求汽車左轉，而另乙個感測器要求汽車右轉，在這種情況下，如果不對感測器資訊進行融合，汽車就會「感到迷茫而不知所措」，最終可能導致意外的發生。因此在使用多種（個）感測器的情況下，要想保證安全性，就必須對感測器進行資訊融合。
多感測器融合可顯著提高系統的冗餘度和容錯性，從而保證決策的快速性和正確性，是無人駕駛的必然趨勢。各種感測器效能各有優劣，在不同的應用場景裡都可以發揮獨特的優勢，僅依靠單一或少數感測器難以完成無人駕駛的使命。
未來要實現無人駕駛，多感測器融合是必然趨勢。
多感測器融合要求：
1 ）硬體層面：數量要足夠，也就是不同種類的感測器都要配備，才能夠保證資訊獲取充分且有冗餘；
2 ）軟體層面：演算法要足夠優化，資料處理速度要夠快，且容錯性要好，才能保證最終決策的快速性和正確性。
演算法是多感測器融合的核心
多感測器資料融合技術的基本原理就像人腦綜合處理資訊一樣，充分利用多個感測器資源，通過對多感測器及其觀測資訊的合理支配和使用，把多感測器在空間或時間上冗餘或互補資訊依據某種準則來進行組合，以獲得被測物件的一致性解釋或描述。
簡單地說，感測器融合就是將多個感測器獲取的資料、資訊集中在一起綜合分析以便更加準確可靠地描述外界環境，從而提高系統決策的正確性。
融合演算法要足夠優化，因為多感測器的使用會使需要處理的資訊量大增，這其中甚至有相互矛盾的資訊，如何保證系統快速地處理資料，過濾無用、錯誤資訊，從而保證系統最終做出及時正確的決策十分關鍵。目前多感測器融合的理論方法有貝葉斯準則法、卡爾曼濾波法、d-s 證據理論法、模糊集理論法、人工神經網路法等。
多感測器融合的體系結構
多感測器融合的體系結構：分布式、集中式和混合式。
1）分布式：先對各個獨立感測器所獲得的原始資料進行區域性處理，然後再將結果送入資訊融合中心進行智慧型優化組合來獲得最終的結果。分布式對通訊頻寬的需求低、計算速度快、可靠性和延續性好，但跟蹤的精度卻遠沒有集中式高。
2 ）集中式：集中式將各感測器獲得的原始資料直接送至**處理器進行融合處理，可以實現實時融合。其資料處理的精度高，演算法靈活，缺點是對處理器的要求高，可靠性較低，資料量大，故難於實現。
3）混合式：混合式多感測器資訊融合框架中，部分感測器採用集中式融合方式，剩餘的感測器採用分布式融合方式。混合式融合框架具有較強的適應能力，兼顧了集中式融合和分布式的優點，穩定性強。混合式融合方式的結構比前兩種融合方式的結構複雜，這樣就加大了通訊和計算上的代價。
多感測器資訊融合的分類
多感測器資訊融合的分類：資料級融合、特徵級融合和決策級融合
1）資料級融合：針對感測器採集的資料，依賴於感測器型別，進行同類資料的融合。資料級的融合要處理的資料都是在相同類別的感測器下採集，所以資料融合不能處理異構資料。
2）特徵級融合：提取所採集資料報含的特徵向量，用來體現所監測物理量的屬性，這是面向監測物件特徵的融合。如在影象資料的融合中，可以採用邊沿的特徵資訊，來代替全部資料資訊。
3）決策級融合：根據特徵級融合所得到的資料特徵，進行一定的判別、分類，以及簡單的邏輯運算，根據應用需求進行較高階的決策，是高階的融合。決策級融合是面向應用的融合。
多感測器融合在硬體層面並不難實現，重點和難點都在演算法上。多感測器融合軟硬體難以分離，但演算法是重點和難點，擁有很高的技術壁壘，因此演算法將佔據價值鏈的主要部分。
多感測器資料融合
隨機類 加權平均 卡爾曼濾波 多貝葉斯估計 ds證據理論 產生式規則 人工智慧類 模糊邏輯理論 神經網路 粗集理論 專家系統 隨機類方法 加權平均 卡爾曼濾波 貝葉斯估計 基於貝葉斯估計的資料融合方法及應用 貝葉斯估計為資料融合提供了一種手段，是融合靜環境中多感測器高層資訊的常用方法。它使感測器資訊...
多感測器資料融合原理
多感測器資料融合原理 多感測器資料融合技術的基本原理就像人腦綜合處理資訊一樣，充分利用多個感測器資源，通過對多感測器及其觀測資訊的合理支配和使用，把多感測器在空間或時間上冗餘或互補資訊依據某種準則來進行組合，以獲得被測物件的一致性解釋或描述。具體地說，多感測器資料融合原理如下 1 n個不同型別的感測...
多感測器融合研究（二）
牛津大學對牛津的一部分城市道路進行了多次測量，相較於其餘同類自動駕駛資料集補全了公釐波雷達自動駕駛資料集 目前已有影象 雷達 gps imu等資料集，且分別對應於到多目標跟蹤任務，多目標跟蹤與分割任務，深度任務，多目標檢測任務，道路劃分任務，語義分割任務 圖1 fft資料 該圖為原始的fft後的結果...