刘志强，张光林，邱惠敏

（1.江苏大学 汽车与交通工程学院，江苏 镇江 212013；2.公安部交通管理科学研究所，江苏 无锡 214106）

对于先进驾驶员辅助系统（ADAS）和自主驾驶来说，单一传感器越来越不能满足人们对日益复杂的交通环境的安全要求［1］，因此，基于多传感器融合的车辆避撞方法研究受到越来越多的关注。常见的环境感知传感器包括毫米波雷达、摄像头和激光雷达。摄像头价格低，可用于对目标进行分类，但很容易受到环境条件的影响，并且摄像头的测距精度很差。毫米波雷达具有较高的测距精度，受环境条件影响不大，但其角度分辨率较差，容易出现虚警。激光雷达的测量精度很高，利用它可以精确地获得目标的三维信息，然而较高的成本限制了其商业应用。

由于车辆的运动状态是一个非线性系统［2］，传统的融合算法如“卡尔曼滤波［3-4］”“信息矩阵算法［5］”和“加权法［6］”只能处理线性系统，在非线性系统中就不再适用。为了处理非线性系统的状态估计，国内外专家提出了一些估计算法，如“扩展信息滤波（EIF）［7］”“无迹信息滤波（UIF）［8-9］”“联合概率数据关联算法（JPDA）［10-11］”等。EIF和UIF均忽略了泰勒级数展开的高级项，使截断误差对目标的局部估计产生较大影响，JPDA的联合事件数随着检测密度的增加而迅速增加，导致计算载荷出现组合爆炸现象［12］。

基于此，采用无人驾驶数据感知环境的典型配置［13］——毫米波雷达与摄像头组合方式对目标进行数据采集，并提出了基于GNN-DS的数据融合算法。利用全局最近邻算法（GNN）对目标量测信息进行数据关联，减少关联杂波对跟踪目标的影响，利用D-S证据理论对雷达和摄像头的量测数据进行组合优化，得到更精确的目标状态信息，保证系统对车辆目标的检测精度。……