传感器融合如何提升自主系统的可靠性、安全性与效率
传感器融合始终是现代技术的基石，特别是随着物联网扩展，自动驾驶汽车和高级驾驶辅助系统（ADAS）成为主流。尽管该概念可追溯至 1960 年代，但当今行业正在解锁新见解：该融合哪些传感器流、如何提取可操作情报。恰当的组合取决于具体应用，以及成本、风险与收益的平衡。
多少传感器融合才足够，取决于应用及成本/风险收益（图源：SAR Insight and Consulting）
在个体行为体和国家支持机构对自主系统构成日益增长威胁的时代，传感器融合比以往更关键。政治辩论常聚焦 5G 的信息安全风险，但能破坏或勒索自主系统运营商的恶意软件才是实实在在的危险。系统架构师必须识别这些威胁，避免曾困扰汽车和航空巨头的昂贵失误。例如，福特 1970 年代 Pinto 召回凸显了安全措施不足的人命代价，波音决定对 737 MAX 的关键传感器融合冗余额外收费，其影响至今仍在供应链中回荡。
除了安全，先进传感器融合在监测人类活动或驱动工业自动化方面的经济和健康优势已显现。
容错与韧性
每个传感器和预测模型都存在固有误差。通过聚合同一变量的多次测量，系统获得可靠性和韧性，缓解可能导致灾难性后果的故障。虽然冗余引入成本和复杂性，但福特和波音案例表明，短视的捷径可能导致灾难性结果。
抗攻击能力
恶意软件攻击者不断寻求破坏基于传感器系统的方法。稳健的数据融合策略，结合安全协议和 AI 驱动的异常检测，可保护运营免受入侵。典型攻击向量包括：
- LiDAR 和摄像头的信号欺骗；
- ABS 磁传感器或被破坏交通标志的信号抵消和干扰；
- 侧信道泄露，植入的恶意软件通过传感器收集敏感信息。
人类活动多传感器融合
结合可穿戴和环境传感器解读人类行为，可带来更优的健康结果和成本节约——这在人口老龄化背景下至关重要。用例涵盖养老护理、跌倒检测、安防监控、运动员监测、首批响应人员状态监测和视障导航辅助。
网络中的数据融合
历史上，融合和分析发生在中央服务器或云端。传感器的小型化和成本降低如今赋能边缘级 AI 和机器学习。未来混合架构将在三层分层数据融合：
- 智能设备或网关上的低层融合，聚合多路输入；
- 中心网关和边缘计算节点上的中层融合，跨更广设备集进行深度分析；
- 数据中心或云端的高层融合，提供最宽广的系统视角。
降低运营成本
传感器融合扩展自主设备（无人机、机器人等）的覆盖范围和效用，削减运营开支。收益包括巡检无人机自动避障、高度自主运输中的远程驾驶员干预，以及远程操作场景中的人力成本降低。
趋势
传感器、处理器和连接的小型化和降本持续进行，由工业和物联网生态系统的消费电子化驱动。CES 2020 展示了 MEMS 传感器突破，如更小的 LiDAR 反射镜，惠及汽车和智能交通系统。
卡尔曼滤波器仍是传感器融合的标准算法，通过连续测量和预测建模系统状态。在日益复杂的系统中，架构师也采用机器学习和神经网络对抗复杂的信号注入攻击。
通过深思熟虑地集成传感器融合，设计师和架构师可增强系统完整性、可靠性和鲁棒性——保护人员、财产和经济利益免受故障和恶意活动的侵害。
>> 本文最初发表于姊妹站点 EE Times Europe。
传感器