多传感器融合技术综述¶
难度：🟡 中级 | 领域：感知融合 | 关键词：Kalman, 互补滤波, IMU+GPS, 标定 | 阅读时间：约 16 分钟
日常类比¶
闭一只眼走路不稳，两只眼加内耳平衡就好很多——多传感器融合把各传感器的长处拼起来：GPS（Global Positioning System）长期不漂但短时跳，IMU（Inertial Measurement Unit）短时平滑但积分漂。融合像让“稳重的人”与“灵敏的人”互相纠偏[1][2]。
摘要¶
按数据/特征/决策层介绍融合，详解卡尔曼/扩展卡尔曼与互补滤波，并覆盖 IMU+GNSS、LiDAR+相机在边缘的延迟与标定约束。精度数字为场景相关量级，以标定质量与同步为准[3]。
1. 融合层次¶
| 层次 | 输入 | 优点 | 代价 |
|---|---|---|---|
| 数据层 | 原始量测 | 信息最多 | 同步/算力重 |
| 特征层 | 特征/检测框 | 折中 | 特征设计 |
| 决策层 | 各传感器结论 | 简单松耦合 | 易丢相关信息 |
带宽紧、异构大时偏特征/决策层；导航状态估计常用数据层滤波[1]。
2. 卡尔曼与互补滤波¶
卡尔曼滤波（Kalman Filter, KF）：在线性高斯假设下用预测+更新融合；扩展卡尔曼（EKF）处理非线性。调参本质是过程噪声 Q 与量测噪声 R 的相对信任。
互补滤波：频域上让陀螺走高频、加速度计/磁力计走低频——算力极低，适合姿态，不适合任意多传感器最优估计[4]。
| 方案 | CPU | 调参 | 典型用途 |
|---|---|---|---|
| 互补滤波 | 极低 | 少 | IMU 姿态 |
| KF/EKF | 中 | 多 | 导航、跟踪 |
| UKF/粒子 | 更高 | 多 | 强非线性 |
3. 经典组合与边缘¶
IMU+GNSS：松耦合易实现；紧耦合用原始伪距等，抗遮挡更好但复杂。LiDAR+相机：外参标定决定“叠得准不准”；边缘要算压缩、ROI 与时间戳同步（硬件 PPS/软件估计）[5][6]。
| 延迟来源 | 缓解 |
|---|---|
| 传感器曝光/扫描 | 时间戳模型 |
| 传输与驱动 | 缓冲策略 |
| 融合窗口 | 异步滤波/外推 |
4. 局限、挑战与可改进方向¶
1. 错误相关与共模故障¶
局限：同一干扰让多传感器同时偏，融合更自信地错。 改进：完整性监测、门限拒野值、异构原理传感器[2]。
2. 标定过时¶
局限：振动与温度使外参漂移。 改进：在线标定；可维护的工装与自检目标[6]。
3. 算力与延迟预算¶
局限：边缘上 EKF+点云关联超时。 改进：降维状态、特征层融合、传感器分频[5]。
4. 噪声模型不实¶
局限：Q/R 拍脑袋导致抖动或滞后。 改进：Allan 方差等标定噪声；用实车/实机日志闭环调参[3][4]。
总结¶
融合的本质是在不确定下加权信任。IoT/边缘先保证时间同步与标定，再选互补滤波或 EKF；没有同步的“平均一下”不是融合。
参考文献¶
[1] Bar-Shalom et al., Estimation with Applications to Tracking and Navigation. [2] Durrant-Whyte & Henderson, 多传感器融合手册章节. [3] Grewal & Andrews, Kalman Filtering. [4] Madgwick / Mahony 姿态滤波论文与开源. [5] ROS robot_localization 文档（EKF/UKF）. [6] LiDAR–Camera 外参标定综述与工具（Kalibr 等）. [7] GNSS/INS 松紧耦合教材章节. [8] Allan 方差与 IMU 噪声标定应用笔记. [9] 异步传感器融合论文精选. [10] 汽车多传感器融合功能安全公开材料. [11] 边缘侧融合延迟测量方法实践. [12] 野值检测与鲁棒卡尔曼变体综述.