现在大部分自动驾驶汽车都是依靠传感器融合，即将毫米波雷达，激光雷达，摄像头的多传感器数据按照一定的标准进行分析合成，收集环境信息正如自动驾驶汽车行业的巨头所证明的那样，多传感器融合提高了自动驾驶汽车系统的性能，使车辆行驶更加安全

但并不是所有的传感器融合都会有同样的效果虽然许多自动驾驶汽车制造商依靠quot级别quot传感器融合，但只有集中式的前置传感器融合才能为自动驾驶系统提供最佳驾驶决策所需的信息接下来，我们将进一步解释目标级融合和集中式传感器预融合的区别，并解释为什么集中式预融合是不可或缺的

集中式传感器前融合保留了原始传感器数据，可以做出更准确的决策。

自动驾驶系统通常依赖一组特殊的传感器来收集关于其环境的底层原始数据。每种类型的传感器都有优缺点，如图所示:

毫米波雷达，激光雷达和相机多传感器的集成可以最大限度地提高收集数据的质量和数量，从而生成完整的环境图像。

多传感器融合，相对于单独传感器处理的优势，已经被自动驾驶汽车厂商普遍接受，但这种融合通常发生在目标级的后处理阶段在这种模式下，对象数据的收集，处理，融合和分类都发生在传感器级别但是，在对数据进行综合处理之前，自动驾驶决策所需的背景信息几乎都是通过预先过滤单个传感器的信息来消除的，这使得目标级融合很难满足未来自动驾驶算法的需求

集中式传感器前融合可以避免这样的风险毫米波雷达，激光雷达和摄像头传感器将底层原始数据发送到车辆中央域控制器进行处理这种方法最大化了自动驾驶系统获取的信息量，使算法能够获取所有有价值的信息，从而实现比目标级融合更好的决策

增强型AI毫米波雷达通过集中处理，大大提高了自动驾驶系统的性能。

现在的自动驾驶系统都有摄像头数据的集中处理但是对于毫米波雷达数据，集中处理还是不现实的高性能毫米波雷达通常需要数百个天线通道，这大大增加了产生的数据量因此，本地处理成为更具成本效益的选择

可是，安巴的AI增强毫米波雷达感知算法可以在不增加物理天线的情况下提高雷达的角度分辨率和性能通过使用标准汽车以太网等接口，可以以较低的成本将较少通道的原始雷达数据传输到CPU当自动驾驶系统将原始的AI增强雷达数据与原始的摄像头数据进行融合时，它们可以充分利用这两种互补的传感方式来构建完整的环境图像，使融合的结果更加全面，并超越任何单一传感器获得的信息

毫米波雷达的更新迭代有助于降低成本，大幅提升自动驾驶系统的性能当传统的低成本雷达量产后，每部毫米波雷达的价格可以低于50美元，比激光雷达的目标成本低一个数量级结合无处不在的低成本相机传感器，AI雷达提供了可接受的精度，这对大规模商用自动驾驶汽车的量产至关重要可是，激光雷达传感器与运行AI算法的相机/毫米波雷达感知融合系统重叠如果激光雷达成本逐渐降低，将作为L4/L5自动驾驶系统中摄像头+毫米波雷达的安全冗余

基于算法的中央处理架构深化了传感器融合，优化了自动驾驶系统的性能。

目前的目标传感器融合有一定的局限性这是因为前端传感器都有本地处理器，限制了每个智能传感器的尺寸，功耗和资源分配，进一步限制了整个自动驾驶系统的性能另外，大量的数据处理会很快耗尽车辆的电量，缩短行驶里程

相反，算法优先的中央处理架构实现了我们所说的深度集中式前置传感器融合这项技术使用最先进的半导体技术节点来优化自动驾驶系统的性能，这主要是因为它在所有传感器上的动态分布式处理能力，以及根据驾驶场景提高不同传感器和数据趋势的性能通过获得高质量的底层原始数据，CPU可以做出更智能，更准确的驾驶决策

自动驾驶汽车制造商可以使用低功耗毫米波雷达和相机传感器，并结合尖端算法优先的专用处理器，如安巴最近宣布的5纳米工艺CV3 AI大计算力域控制芯片，它具有最佳的感知和路径规划性能和最高的能效比，在降低电池消耗的同时，显著增加每辆自动驾驶汽车的里程。

不要放弃传感器——投资于它们的集成

自动驾驶系统需要多样化的数据来做出正确的驾驶决策，只有深度和集中式的传感器融合才能提供最佳自动驾驶系统的性能和安全性所需的广泛数据。在我们的理想模型中…

1.低功耗，人工智能增强的毫米波雷达和摄像头传感器本地连接到自动驾驶汽车外围的嵌入式处理器。

2.嵌入式处理器将原始检测级对象数据发送到中央域SoC。

3.使用AI和CPU来分析组合的数据，以识别对象并做出驾驶决策。

集中式前置传感器融合可以改善现有的高层融合架构，使使用传感器融合的自动驾驶汽车强大可靠为了获得这些好处，自动驾驶汽车制造商必须投资具有算法优先级的CPU，以及支持AI的毫米波雷达和摄像头传感器通过许多努力，AI制造商可以在自动驾驶汽车的开发中迎来下一阶段的技术变革