做自動駕駛感知融合這幾年有個體會越來越深單傳感器的感知能力再強也扛不住“看不到”“看不清”“看錯”三個字。攝像頭在逆光下把白色廂式貨車當背景毫米波雷達把靜止的鐵護欄當成目標激光雷達在雨霧天點云稀疏到沒法聚類。真正到了工程落地沒人指望某一個傳感器永遠是對的大家心里都清楚要靠融合把信息捏在一起?？扇诤献龅侥囊患売檬裁蠢碚摽蚣懿煌龇ㄖg的差距相當大。這篇內容我圍繞“信息矩陣融合算法 Dempster-Shafer證據理論 目標級融合”這個技術組合展開結合一套Matlab仿真代碼談談整體設計、核心原理、實現細節(jié)和調試過程中踩過的坑適合正在做多傳感器融合、算法預研或者畢業(yè)設計的開發(fā)者參考。先交代一下這套方案解決的核心問題在自動駕駛中攝像頭、毫米波雷達、激光雷達各自輸出目標列表位置、速度、類型、置信度但這些輸出來自異構傳感器坐標系不同、精度不同、語義信息也不同。目標級融合要做的就是把這些“已經形成的目標假設”合并成一份完整、一致、可信的環(huán)境目標列表給后續(xù)的決策規(guī)劃模塊用。這里的狀態(tài)估計層面我用信息矩陣做加權融合屬性識別層面用DS證據理論處理不確定性。1. 目標級融合的整體思路為什么把“決策”放在融合之后1.1 從數據級、特征級到目標級的演進邏輯多傳感器融合按照數據處理層次通常分成數據級、特征級和目標級三類。數據級融合直接對原始信號做處理像激光雷達點云直接疊加、多攝像頭圖像像素級拼接這種方法信息損失最小但對通信帶寬、時間同步和計算資源的要求極高而且不同傳感器如果分辨率差太多原始數據根本對不上。特征級融合是從原始數據里提取特征后再融合比如分別提取邊緣、角點、深度特征再在特征空間里做匹配靈活性比數據級高一些但特征對齊本身就是一個難題。目標級融合是層級最高、也是最貼合自動駕駛工程實踐的方案。它的輸入是各傳感器已經完成目標檢測和跟蹤后的輸出通常是結構化目標列表包括目標ID、三維位置、速度、尺寸、類型概率等屬性。融合模塊不關心這些目標是怎么檢測出來的只關心怎么確認兩個傳感器報告的是同一個物理目標、怎么把多份有冗余且可能沖突的信息合并成更可信的結果。這種方案的工程優(yōu)勢很明顯傳感器之間松耦合任意一路傳感器壞了或暫時掉線系統(tǒng)整體還能運行通信量小適合分布式部署模塊邊界清晰檢測、跟蹤、融合、決策可以分開開發(fā)和測試。1.2 雙通道融合設計狀態(tài)通道用信息矩陣屬性通道用DS證據拿到目標級數據之后要融合的信息其實是兩類東西。一類是連續(xù)量比如目標的橫縱向位置、速度、加速度這些量有明確的物理單位適合用估計理論處理另一類是離散量比如目標是車輛、行人還是自行車每個傳感器會給出類型置信度還有可能是“未知”這些量是語義層面的判斷存在重疊、模糊和沖突不適合用傳統(tǒng)的最小二乘去“平均”。所以我把融合拆成雙通道。狀態(tài)通道走信息矩陣融合每個傳感器上報目標時附帶狀態(tài)估計和協(xié)方差矩陣把協(xié)方差求逆得到信息矩陣按互不相關的原則相加再還原成融合后的狀態(tài)估計和協(xié)方差。這個通道的理論基礎是信息濾波本質上是把“不確定性越低貢獻越大”這件事變成了數學上的加權。屬性通道走Dempster-Shafer證據融合構造辨識框架把各傳感器的類型置信度映射成基本概率分配再用Dempster組合規(guī)則合并多路證據輸出各候選類型的信任度和似然度。為什么要這樣拆分因為這兩類信息在數學結構上完全不同。位置和速度可以用高斯分布近似表達誤差傳播和更新有一套成熟的體系類型判斷本質上是分類問題分類器輸出的概率并不總是滿足可加性和完備性直接做貝葉斯融合在“傳感器可能互相矛盾”的場景下會給出偏激的結果。DS理論允許把概率質量賦予集合而不是單個元素天然支持“不確定”和“不知道”的表達這一點和自動駕駛中“目標類型確實不確定”的現實非常契合。2. Dempster-Shafer理論的核心細節(jié)與BPA構造2.1 辨識框架、BPA、信任與似然的關系DS證據理論最關鍵的概念是辨識框架也就是所有可能結論組成的完備集合記作Θ。在自動駕駛目標類型融合里可以設Θ {車輛, 行人, 自行車}這就是一個三元素辨識框架共有2的3次方等于8個子集。基本概率分配函數BPA給每個子集分配一個質量值滿足空集的質量為0所有子集質量之和為1。和概率分布的區(qū)別在于概率必須把質量分給單元素而BPA允許把質量分給多元素集合比如m({車輛, 行人}) 0.3這條表示“我認為是車或行人但區(qū)分不了”。我對這個特性特別看重它在傳感器被遮擋、目標輪廓模糊時非常實用。信任函數Bel和似然函數Pl是從BPA推導出來的兩個區(qū)間端點。Bel(A)是所有A子集的質量之和表示“對A的完全信任下限”Pl(A)是所有與A有交集的質量之和表示“對A的潛在信任上限”。區(qū)間[Bel(A), Pl(A)]就是A的不確定區(qū)間區(qū)間越大說明證據越拿不準。在目標類型判定時不能只用Bel大小排序還要看Pl和Bel的差距如果差距太大說明當前證據不足以支撐一個果斷的決策不如輸出“未知”。2.2 從分類器輸出到BPA的三種映射方案在Matlab代碼里把傳感器輸出的類型概率轉換成BPA是整套算法里最容易出錯的一步。我實際用過三種方案各有適用場景。第一種是直接映射適用于神經網絡分類器輸出層帶softmax并且訓練數據分布比較均衡的情況。如果模型輸出車輛0.6、行人0.3、自行車0.1直接把這三個置信度作為單元素焦元的BPAm({車輛}) 0.6m({行人}) 0.3m({自行車}) 0.1不分配多元素質量。這種做法的缺陷是模型如果看到未知目標比如一輛三輪車softmax還是會強行給出一個分布哪一類都不高但硬要選一個直接映射會把這種錯誤固化進融合結果。第二種是基于先驗概率打折的方案也是我在項目里最常用的。每種傳感器都有一個混淆矩陣表示它把真實目標判斷成各類別的概率。假設通過經驗標定知道某攝像頭的目標類型識別可靠性只有70%我就從總質量1里取出0.3作為全局不確定質量分配給全集Θ剩下0.7按模型輸出比例分配給單元素。這樣即使模型輸出帶偏差融合公式里也會保留“我不知道”的空間。第三種是基于似然比或證據距離的構造用于處理傳感器輸出不是概率而是邊界框置信度加類型的場景通過歸一化把檢測置信度轉成BPA。具體到代碼實現我會用一個結構體數組存儲BPA每個元素包含焦元列表focal_elements和對應的質量值mass_values。建議不要把BPA寫成一個固定長度的數組因為不同傳感器在不同時刻的有效焦元集合是變的。比如傳感器A輸出車輛0.8、全集0.2傳感器B輸出車輛0.7、行人0.2、全集0.1焦元集合不同組合時要動態(tài)求交集。Matlab用cellfun和unique配合可以比較優(yōu)雅地完成這個操作。2.3 Dempster組合規(guī)則的實現與沖突困境Dempster組合規(guī)則是DS融合的核心計算公式是組合后的質量正比于所有交疊為空集的兩兩組合質量乘積。規(guī)則本身不復雜但實現時要注意歸一化系數K的處理。K是所有空集交疊質量乘積之和它反映了兩路證據的沖突程度。如果K趨近1說明兩路證據幾乎完全矛盾比如傳感器A強烈認為是車輛傳感器B強烈認為是行人此時組合結果對K極其敏感微小數值誤差都會被放大。我建議代碼里做一個沖突系數閾值判斷K高于某個上限比如0.8時丟棄融合結果改用單路高置信證據或者輸出未知類型而不是強行組合出一個沒有依據的結論。實現Dempster組合規(guī)則時有幾個數值細節(jié)值得注意。第一浮點數累加時K會存在誤差質量極小的焦元可以設置一個截斷閾值比如1e-6低于閾值的質量直接清零再重新歸一化避免淹沒在后續(xù)計算里。第二如果有多路證據不要一次性把所有BPA塞進組合規(guī)則里而是兩兩遞歸組合。組合順序對結果有影響但不是理論缺陷實際工程項目里一般按傳感器可信度從高到低組合這樣低可信傳感器引入的噪聲影響更小。第三組合后檢查是否出現了不正常的全零質量這通常意味著某路BPA構造錯誤尤其是出現了m(空集)不為0的情況一定要在BPA構造函數入口做斷言檢查。3. 信息矩陣融合與目標關聯的實現要點3.1 信息矩陣與協(xié)方差的關系為什么要用信息矩陣狀態(tài)融合這一路我選擇用信息矩陣而不是直接加權平均原因是信息矩陣在“融合多路具備不同不確定性的估計”時數學形式非常自然。對一個高斯分布估計信息矩陣定義為協(xié)方差矩陣的逆矩陣信息向量定義為信息矩陣乘以狀態(tài)向量。兩路相互獨立的估計做融合時融合后的信息矩陣等于各路信息矩陣之和融合后的信息向量等于各路信息向量之和這個加法操作不需要額外計算權重信息量大的估計自動占據主導地位這是卡爾曼濾波和信息濾波的等價性推導出來的結果。我在Matlab里寫這段代碼時會用狀態(tài)向量x [px, py, vx, vy]協(xié)方差矩陣P。每個傳感器上報目標時會附帶對應的P里面包含位置方差、速度方差以及px和vx等狀態(tài)量之間的協(xié)方差項。融合前先判斷兩路輸入是否確實是同一個目標然后做信息矩陣融合。舉個例子攝像頭測位置精度高協(xié)方差較小雷達測速度精度高協(xié)方差在速度維度上更小。融合后位置維度攝像頭貢獻大速度維度雷達貢獻大得到的協(xié)方差矩陣每個維度都比單路估計小。這個效果在加權平均方案里很難自然體現因為固定權重不會隨場景變化。有一點我在實際代碼里踩過坑直接用協(xié)方差求逆計算信息矩陣時如果協(xié)方差矩陣病態(tài)比如某個維度方差極小接近1e-8量級求逆結果會爆炸導致融合結果震蕩。解決方案是加正則項或者做特征值截斷。特征值截斷的邏輯是小于最大特征值1e-6倍的特征值強制設為該閾值再重構對稱正定矩陣。Matlab里用eig分解之后修正再組合代碼量不大但對數值穩(wěn)定性提升非常明顯。3.2 時間同步與空間對準目標級融合有一件繞不開的臟活時間同步和空間對準。時間不同步直接融合出來的位置全是指向不同時刻的毫無意義。我用的方案是選擇融合主時間基準一般是精度高、更新率穩(wěn)定的那路傳感器的時間戳其他傳感器通過線性插值或者恒定速度外推把目標位置和速度對齊到主時間戳上。數據更新率差異大的情況下比如激光雷達10赫茲、毫米波雷達20赫茲我會選擇緩存最近兩幀目標狀態(tài)在融合瞬時做線性外推代碼實現不復雜但很有效?？臻g對準是坐標系轉換問題。每路傳感器都有自己的安裝位置和朝向角目標位置要從傳感器坐標系轉換到統(tǒng)一的車輛坐標系。這個轉換包含平移和旋轉安裝參數可以通過標定得到。我在代碼里建議把坐標系轉換封裝成一個獨立函數sensor_to_vehicle(x_sensor, y_sensor, sensor_pose)其中sensor_pose包含安裝位置的x,y偏置和航向角。注意航向角的正方向定義要統(tǒng)一別一個傳感器用度、另一個用弧度這種低級錯誤排查起來非常折磨人。統(tǒng)一轉換后再檢查目標是否在合理范圍內比如目標在車輛后方30米卻在雷達上報里顯示為前方目標這種大概率是坐標轉換或傳感器安裝參數出了問題。3.3 目標關聯馬氏距離與屬性聯合門限關聯是目標級融合承上啟下的關鍵步驟關聯錯了后面一切融合都白費。我先用空間位置做初步關聯兩張目標觀測的差值除以聯合協(xié)方差得到馬氏距離公式是d (z1-z2)^T (P1P2)^-1 (z1-z2)。這里用聯合協(xié)方差而不是某個固定閾值是為了適應不同傳感器精度差異。攝像頭位置精度高同樣5米的歐式距離在馬氏距離里會被放大雷達相反這就要求關聯門限必須同時考慮位置差和協(xié)方差否則容易把不同目標誤關聯或把同一目標漏關聯。光靠空間關聯還不夠。兩個距離很近的目標比如一個行人貼著車站雷達和攝像頭分別檢測如果空間位置相近馬氏距離可能過門但屬性一個是行人攝像頭一個是車輛雷達這種關聯值得懷疑。所以在空間關聯的基礎上我加了屬性一致性檢查把兩路目標類型轉化成BPA形式計算它們的證據距離超過閾值就拒絕這段關聯。用證據距離而不是簡單地比較概率最高的類別是因為BPA中“未知”質量的存在會讓“車輛vs車輛”和“車輛vs行人的全集”在語義上有微妙差異證據距離能更合理地量化這種差異。關聯正確性直接影響后續(xù)融合效果我在代碼里維護一個關聯矩陣每行代表融合目標ID每列代表傳感器來源矩陣值標識某路傳感器是否關聯到對應目標這樣后續(xù)實現時邏輯清楚調試也方便。關聯算法建議從最簡單的最近鄰法開始確認整體流程正確后再考慮復雜算法貪心最近鄰在目標稀疏、傳感器質量好的場景下表現并不差貿然上多目標指派算法反而增加了調試難度。4. Matlab代碼實現的完整流程與關鍵節(jié)點4.1 仿真場景與傳感器模型設計Matlab仿真的第一步是定義場景我設計了一個四車加一個行人的路口場景。在車體坐標系下目標1是正前方25米以60km/h行駛的轎車目標2是左側車道15米處以50km/h行駛的SUV目標3是前方8米處靜止站在人行道旁的行人目標4是右側30米處對向行駛的自行車。每路傳感器都有各自特性攝像頭位置精度高但速度精度一般類型識別對行人和車輛較好但晚上容易把自行車誤判成行人毫米波雷達速度精度高但位置橫向精度差對靜止目標的檢測能力弱激光雷達位置和尺寸精度高但遠距離點云稀疏時類型判別不敢下結論。這些差異都體現在傳感器協(xié)方差矩陣和BPA構造參數里讓仿真結果貼近真實。仿真循環(huán)以0.1秒為步長共20秒對應200幀。每幀中按一定檢測概率決定傳感器是否檢測到目標比如激光雷達對行人的檢測概率設為0.85毫米波雷達對行人的檢測概率只有0.6以此模擬漏檢。生成傳感器觀測時在真值上加協(xié)方差對應的隨機擾動再把目標類型置信度輸入到混淆矩陣模型里得到分類輸出。這樣一套流程跑下來得到了三路帶噪、帶漏檢、偶爾分類錯誤的目標列表作為融合算法的輸入。4.2 核心函數拆分與關鍵代碼邏輯代碼拆分遵循“一個函數只做一件事”的原則main_simulation.m負責場景循環(huán)和數據流控制特殊處理的部分封裝成獨立函數。BPA構造函數make_bpa_from_classifier接收分類輸出向量和混淆矩陣按2.2中的打折方案生成BPA。比如攝像頭分類器輸出車輛0.8、行人0.1、自行車0.1混淆矩陣主對角線表示各類型正確識別率其他位置表示誤判率函數內部會動態(tài)計算質量分配。可以看下這個函數的核心邏輯function bpa make_bpa_from_classifier(type_prob, confusion, unknown_mass) % 輸入type_prob是分類器輸出的類型概率向量 % confusion是混淆矩陣unknown_mass是分配給全集的不確定質量 % 輸出bpa結構體包含焦元集合和質量 n_type length(type_prob); bpa.focal {}; bpa.m []; % 保留部分質量給全集表達不確定性 bpa.focal{1} 1:n_type; bpa.m(1) unknown_mass; % 剩余質量按分類概率分配到單元素焦元 remaining 1 - unknown_mass; for t 1:n_type bpa.focal{end1} t; bpa.m(end1) remaining * type_prob(t); end % 用混淆矩陣進一步打折可靠度 reliability mean(diag(confusion)); bpa.m(1) 1 - reliability * (1 - bpa.m(1)); for t 1:n_type bpa.m(t1) reliability * bpa.m(t1); end % 歸一化保證和為1 bpa.m bpa.m / sum(bpa.m); endDS組合函數ds_combine是實現Dempster規(guī)則的模塊輸入是兩個bpa結構體輸出組合后的bpa。核心是雙層循環(huán)遍歷所有焦元組合計算交集和沖突累加。組合后用沖突系數K做一致性判定K超過閾值時返回一個明確的沖突標記由上層決定處理策略。這個函數我建議固化后做單元測試用幾個經典手算案例驗證輸出比如車輛0.9和質量1.0的證據組合結果應該還是車輛0.9這種守恒性質能幫你很快排除bug。信息矩陣融合函數info_matrix_fusion的輸入是兩個目標狀態(tài)x1、x2及協(xié)方差P1、P2先對P做特征值截斷修正再求逆得到信息矩陣按信息形式加權得到融合狀態(tài)。代碼實現時要特別注意矩陣維度一致性Matlab里四維狀態(tài)對應的協(xié)方差是4x4矩陣索引錯一位很容易出現維度不匹配的報錯。4.3 融合決策輸出與可視化評估融合完成后需要輸出決策結果并評估質量。屬性通道對每個目標計算融合BPA后依據信任函數和似然函數判定類型若最大信任度超過0.7且對應不確定區(qū)間寬度小于0.3才輸出具體類型否則輸出“未知”。這個保守策略對下游的規(guī)劃模塊非常重要亂猜一個類型導致的后果比承認不知道嚴重得多。狀態(tài)通道輸出融合后的目標位置、速度和協(xié)方差橢圓。可視化方面我用Matlab的figure和plot函數繪制車體坐標系下的目標分布圖。用不同顏色標記不同傳感器上報的目標用橢圓畫置信區(qū)間融合后目標用另一個顏色加粗繪制。我還疊加一個Confusion/Acceptance面板顯示200幀內每個目標的類型判定結果和關聯關系錯誤關聯和類型誤判在這種圖上一眼可見。這個可視化面板幫我找到了不少代碼問題強烈建議在實際項目里也做類似的可視化。另外寫一個metrics函數統(tǒng)計平均位置誤差相對單傳感器誤差、類型判定正確率、漏關聯率和誤關聯率。我跑仿真時發(fā)現融合后的平均位置誤差一定要明顯優(yōu)于任何單傳感器否則融合就沒有工程意義。一般來說融合誤差比最優(yōu)單傳感器提升20%到30%是合理的預期如果提升不明顯大概率是協(xié)方差估計偏大或者融合權重不合理。5. 常見問題與排查技巧實錄5.1 高沖突場景下組合結果反直覺調試中最常見的問題就是K值很大時Dempster規(guī)則給出違反直覺的結果。我舉一個真實場景攝像頭識別目標A為車輛置信度0.9雷達識別同一目標為行人置信度0.8。經典Dempster組合后算法結果可能傾向于支持一個兩者都不是的結論或者輸出不穩(wěn)定的低置信度結果。這本質是因為組合規(guī)則把沖突證據當作“待歸一化的噪聲”而沖突大時這個噪聲會主導結果。我采用的處理方法分三步。第一步是關聯階段先做屬性一致性校驗證據距離過大的關聯對直接拒絕不進入融合第二步是給每路傳感器的BPA引入基于歷史可靠性的折扣系數歷史性能差的傳感器貢獻自動削弱第三步是設置沖突閾值K超過0.8時不對兩路證據做Dempster組合而是執(zhí)行“選擇信任度更高者”或“輸出未知”策略。這樣處理之后仿真中即使出現傳感器互相臺杠的情況融合輸出也不會出現離譜的錯誤。5.2 同一目標被重復融合導致過置信這個問題隱蔽但后果嚴重。同一個物理目標可能在一幀內被同一傳感器輸出兩個跟蹤軌跡比如攝像頭在目標被短暫遮擋時生成了兩個ID融合模塊如果沒識別出兩個關聯假設描述的是同一個目標會把兩路“實際上是同一個來源”的證據當獨立證據做組合DS組合規(guī)則會把置信度推到接近1的虛高水平。更復雜的情況是歷史幀已經融合過一次當前幀又用同樣的傳感器測量做融合累積置信度看上去越來越強實際上是在重復計算同一個來源。解決辦法是融合模塊里維護一個目標生命周期表記錄每個融合目標在最近N幀關聯到的傳感器ID列表。融合前檢查當前證據的來源是否已經存在于目標歷史證據源中如果存在不重復組合BPA只更新狀態(tài)估計或者對重復證據做信息矩陣層面的一致性處理。這個機制在狀態(tài)通道同樣重要信息矩陣融合假設各來源獨立如果違反獨立性信息會膨脹協(xié)方差被低估Matlab里表現為橢圓越畫越小但實際上位置還在漂移。5.3 信息矩陣奇異與數值不穩(wěn)定最開始跑代碼時遇到過信息矩陣求逆報錯的情況。協(xié)方差矩陣在某些場景下會變得接近奇異比如速度方差極小或位置方差極小對應信息矩陣元素巨大融合時狀態(tài)更新劇烈震蕩。這不是算法原理有問題是數值層面沒有做保護。我后來在求逆前統(tǒng)一做一次對稱正定修正先用eig分解得到特征值向量d和特征向量矩陣V再把小于最大特征值0.000001倍的特征值替換為該值然后重構矩陣最后再求逆。這個操作在高維狀態(tài)空間下也能穩(wěn)定工作。還有一個容易忽視的細節(jié)是信息矩陣相加時如果直接對原協(xié)方差矩陣求逆再加和計算量雖小但浮點誤差會被放大。折中方案是先對協(xié)方差做Cholesky分解再用分解后的下三角矩陣操作精度更好Matlab里chol函數的數值穩(wěn)定性比inv好很多。如果仿真中目標數量大增導致組合爆炸提前把循環(huán)改成矩陣運算可以在保證仿真實時性的同時減少數值誤差。5.4 漏檢與遮擋情況下的一次實戰(zhàn)處理我印象比較深的一次調試是仿真中設置了行人被前方車輛短暫遮擋的場景。遮擋期間攝像頭漏檢雷達返回一個“未知”類型且位置擾動較大的觀測。按照最初的代碼邏輯漏檢傳感器不參與融合融合結果退化為單傳感器類型置信度掉得很快決策模塊在幾幀內不斷變換對目標類型的判斷導致了后續(xù)規(guī)劃動作的猶豫。這個現象在真實系統(tǒng)里同樣存在解決的關鍵是“記憶與預測”。我在融合模塊中增加了一個泄漏積分機制如果當前幀某傳感器漏檢不立即清零它的貢獻而是把上一幀該傳感器對該目標的BPA做時間折扣后保留如果連續(xù)多幀漏檢折扣因子逐漸衰減最終自動退出。這樣在短暫遮擋期間融合類型置信度不會劇烈跳動位置估計也可以依靠預測模型維持。這套機制的實際效果是目標類型判定在遮擋期間保持了穩(wěn)定明顯減少了下游模塊的誤決策。再分享一個排查方法和協(xié)作建議。如果你跑代碼時發(fā)現融合結果比單傳感器還差先別急著調算法參數先可視化傳感器各自的輸出以及融合輸出逐幀點查關聯是否錯誤。大部分問題出現在關聯而不是融合本身建議寫一個關聯結果回放的腳本模塊逐幀慢放盯住跳變和錯配的馬氏距離。如果發(fā)現DS融合的置信度始終過于樂觀檢查BPA構造里是不是“未知”質量分配得太少給全集的質量調大一些往往能顯著改善序貫融合的穩(wěn)定性。按我的經驗這套“狀態(tài)通道信息矩陣 屬性通道DS證據”的組合框架適合在中等規(guī)模的工程原型里落地代碼可控、性能穩(wěn)定、邏輯清晰也不會引入過重的計算負擔。如果后續(xù)需要擴展到相機與激光雷達原始數據的深度融合可以在這個框架里繼續(xù)增加特征層分支但注意保持目標層信號處理與決策模塊解耦避免以后替換底部模型時讓上層不兼容。仿真參數建議用隨機種子固定之后再逐步調不同隨機數下結果差異往往比參數差異還大對著充滿隨機性的輸出調參數容易調到“正好適配某個隨機種子”的假象白白浪費時間。這個內容其實還能繼續(xù)延伸比如把分類器輸出的軟概率用溫度系數標定后再進BPA或者用證據距離做自適應的傳感器權重調節(jié)都能明顯提升融合質量。我從這套仿真代碼里收獲的最大經驗其實不是某個公式而是意識到“知道不知道”才是融合算法最難也是最有價值的部分——能夠合理表達不確定性比一味追求高置信度的說服力強得多。