卡尔曼滤波-KF

         无人驾驶多传感器感知融合常用的算法是卡尔曼滤波，卡尔曼滤波器一种最优化的递归数字处理算法，利用线性方程，通过观测系统输入输出，对系统状态进行估计的一种算法，为什么我们不直接选择系统真实观测值，是因为真实系统存在噪声，无法直接利用观测值，除此以外，如果出现异常等导致没有观测值输出，对于实时性要求较高的场景，会造成严重的问题。那为什么不利用状态估计值输出那？这个比较好理解，状态估计的结果是计算出来的，那就需要构建计算模型，事实上很难构建出一个完美的模型去表达输入输出的关系，卡尔曼滤波就是解决这些问题的，将状态估计值和观测值结合起来，去逼近真实值，接下来详细讲述。

     

公式推导完毕，从上述公式我们明白，能用卡尔曼滤波解决问题的前提条件：

1.系统可以用线性方程进行建模。

2.噪声是服从正态分布的。

        已经了解了卡尔曼滤波的工作原理，那怎样将它应用在多传感器感知融合上那？

        首先，必须明白为什么进行多传感器感知融合，因为每种传感器都有各自的优缺点，利用一种传感器的感知结果供下游PNC以及全局调度的置信度非常低，所以要结合不同传感器的优缺点进行融合。

        激光雷达输出的感知结果包含：激光雷达AI检测结果、激光雷达传统点云聚类后的结果、毫米波雷达感知结果、图像AI识别结果、通信结果。每种感知结果都会在不同程度上存在误检、漏检的问题，应用卡尔曼滤波可以降低不同感知结果的噪声，将降噪后的结果，在根据实际的场景进行匹配融合，那每种感知结果怎么样进行卡尔曼滤波，不同的结果怎样进行匹配融合，接下来的博客将一一进行分析。