传感器融合已经迅速发展成为一种热门趋势，从发源的智能手机和便携式设备，现在开始拓展到广泛的物联网传感器、新一代自动驾驶汽车以及无人机的环境感知应用。

 

 

这种爆炸式增长带来了机遇，当然也提出了许多挑战，不仅是纯粹的技术挑战，还涉及隐私、安全以及对未来基础设施发展的更广泛影响。

 

传感器融合的定义相对简单，本质上是一种智能整合一系列传感器数据的软件，然后利用整合结果来提高性能，可以是使用相同或类似类型的传感器阵列来实现极高精度的测量，也可以通过整合不同类型的传感器输入来实现更复杂的功能。

 

 

消费电子领域需求最大

 

传感器融合的潜在应用非常广泛，产业分析师非常看好。据麦姆斯咨询报道，传感器融合系统需求预计将在未来5年内以约19.4%的复合年增长率（CAGR）增长，市场规模预计将从2017年的26.2亿美元增长到2023年的75.8亿美元。2016年，北美地区是传感器融合市场最大的生产基地，市场份额接近32.84%，而欧洲地区的市场份额也超过了31.51%。

 

虽然传感器融合的传统用例更倾向于工业应用，但近年客户群发生了重大转变。2016年， 54.86%的传感器融合系统市场需求源自消费电子行业。

 

 

赋能行业变革 传感器融合的挑战和机遇

 

 

传感器融合实现情境感知

 

传感器中枢（一种包含MCU的软硬件结合解决方案）日益增长的实用性，推动了消费电子产业的巨大需求。与纯软件的“传感器融合”相反，传感器中枢为特定的一组传感器实现了特定的传感器融合算法，涉及广泛的传感器类型及算法。基于硬件的传感器中枢减轻了系统CPU的沉重负担，这对于从智能手机到可穿戴设备的现代设备非常有用。实际上，降低CPU负载可以延长电池寿命并减少热量，这两者都是可穿戴设备和智能手机设计师面临的关键挑战。

 

 

例如，谷歌（Google）推出了安卓（Android）传感器中枢，旨在直接连接生物识别传感器、加速度计和陀螺仪等智能手机传感器。其运行谷歌自定义算法的微型处理器，可以独立解读手势和活动，无需消耗主CPU的资源。

 

目前为止，这种传感器中枢已经集成在无数的安卓和苹果iPhone手机中，作为高通（Qualcomm）Snapdragon芯片组的一部分，也已经进入了大量的可穿戴设备和智能家居设备，在这些用例中，电池寿命都是至关重要的。

 

 

自动驾驶应用

 

赋能行业变革 传感器融合的挑战和机遇

 

恩智浦（NXP）汽车传感器融合系统

传感器融合的另一个主要市场是汽车产业，例如汽车防碰撞系统，其中可以使用各种不同的传感器，包括压力传感器、加速度计、陀螺仪和超声波传感器等。如果传感器组合达到了阈值，则可以自动执行相应的响应（例如启动相关的安全气囊）。大多数目前的Level 3级自动驾驶车辆，依靠传感器融合将激光雷达与可见光摄像头、红外相机、超声波传感器和雷达阵列等传感器集成在一起。这些传感器每秒能够产生高达数千万个点，出于明显的安全原因，这些点需要实时处理。

 

自动驾驶产业的目标是逐步向人类驾驶员互动更少的Level 4级和Level 5级（在Level 5级时根本不需要）发展，对传感器、传感器融合硬件/软件以及处理器的可靠性要求不断提高，这要求比智能手机和可穿戴设备更高的水平。很显然，智能手表遇到故障自己重新启动，跟高速公路上Level 5级自动驾驶汽车的防碰撞系统截然不同。整个系统的可靠性是一项很复杂的挑战，因为传感器融合在提供更快、更有效的环境变量监测时，也意味着来自单个传感器的非正常输入可能会触发安全系统，这就需要汽车设计人员在系统的所有部分都确保有效输入和冗余。

 

或许，传感器融合对未来自动驾驶最重要的优势是所提供的冗余环境感知，利用各种不同的传感技术解读它们所处的环境。例如自动驾驶垂直应用中的激光雷达和雷达系统，以及无人机系统中的压力传感器，在GPS信号不可靠的情况下是飞行控制和定位的重要工具。

 

智慧城市应用

 

这种传感器融合的衍生环境在物联网和智能家居/智慧城市的发展中尤为重要。这些联网的无数“沉默”传感器一旦成功融合，就可以构建到城市规模的响应系统中。如果家庭数据以可识别的方式使用，那么当然会存在隐私和安全问题，以及城市范围系统存在的更广泛的公共安全问题。不过，设计用于城市空气污染（例如苯和颗粒物）监测的早期测试网络，通过车载系统、建筑集成和专用监测站构建，能够自动发出警报、疏导交通流量，已经显示出巨大的应用前景。

 

例如，2018年7月发起的一项监测伦敦污染水平的计划，整合了污染最严重地区的100个固定传感器和两辆经过特殊改装的谷歌街景汽车，一起追踪伦敦街头的污染水平。这两辆谷歌街景汽车每隔30米就会收集一次空气质量读数，以通过一年内的累积数据来标记伦敦污染的“热点区域”。

 

人工智能助力传感器融合

 

当然，除了在各种实施方案中从各种传感器中提取有用数据的挑战，还有许多其它挑战，尤其是可靠地响应环境变化的挑战，其中任何一个都可能增加数据收集过程中的设备误差、噪声以及缺陷。

 

数年前，平滑地处理这些误差几乎是不可能完成的任务，但随着相对经济的机器学习和人工智能（AI）工具的兴起，传感器融合所带来的真正潜力呈现了指数级增长。当然，人工智能技术应用的前景更加喜人，为传感器供应商和设计师创造了新的用例，从而打造了新的市场。短期内，人工智能和传感器融合可以通过增强的本地数据处理来使安全风险最小化，从而显著降低安全传输、处理和存储异地个体数据的要求。这可能成为一个至关重要的价值体现，降低商业风险和间接成本，并为最终用户提供更清晰的利益。

 

很显然，未来我们会看到越来越多的互联传感器嵌入我们的车辆、家庭和城市。为这些迅速膨胀的数据流添加情境，实现真正传感器融合的必要性将会变得更加紧迫。一旦实现融合，这些数据将赋能现有应用并开启全新的服务，从面向消费者的健康和休闲娱乐，到提高供应链管理效率，以及更快、更方便、污染更少的运输网络。

 

传感器数据融合的定义可以概括为把分布在不同位置的多个同类或不同类传感器所提供的局部数据资源加以综合，采用计算机技术对其进行分析，消除多传感器信息之间可能存在的冗余和矛盾，加以互补，降低其不确实性，获得被测对象的一致性解释与描述，从而提高系统决策、规划、反应的快速性和正确性，使系统获得更充分的信息。其信息融合在不同信息层次上出现，包括数据层融合、特征层融合、决策层融合。

 

（1）数据级融合。针对传感器采集的数据，依赖于传感器类型，进行同类数据的融合。 数据级的融合要处理的数据都是在相同类别的传感器下采集，所以数据融合不能处理异构 数据。

 

（2）特征级融合。特征级融合，指的是提取所采集数据包含的特征向量，用来体现所 监测物理量的属性，这是面向监测对象特征的融合。如在图像数据的融合中，可以采用边 沿的特征信息，来代替全部数据信息。

 

（3）决策级融合。决策级融合，指的是根据特征级融合所得到的数据特征，进行 一定的判别、分类，以及简单的逻辑运算，根据应用需求进行较高级的决策，是高级的融合。决策级融合是面向应用的融合。比如在森林火灾的监测监控系统中，通过对于温度、湿度和风力等数据特征的融合，可以断定森林的干燥程度及发生火灾的可能性等。这样，需要发送的数据就不是温湿度的值以及风力的大小，而只是发送发生火灾的可能性及危害程度等。在传感网络的具体数据融合实现中，可以根据应用的特点来选择融合方式。

 

 

推荐阅读：