多傳感器數據同步的案例
技術探秘 | 自動駕駛汽車傳感器融合系統，及多傳感器數據融合算法淺析
通常情況下，由于無需處理或做決策，傳感器模塊具有較低的功能安全要求。
處理ECU——中央處理ECU可以獲取全部數據，這是因為數據不會因為傳感器模塊內的預處理或壓縮而丟失。由于傳感器成本較低，并且外形尺寸較小，因此可以部署更多的傳感器。
缺點：
傳感器模塊——實時處理傳感器數據需要提供寬帶通信（高達數Gb/s），因此可能出現較高電磁干擾（EMI）。
處理ECU——中央ECU需要有高處理能力和速度來處理所有輸入數據。對于很多高帶寬I/O和高端應用處理器來說，這意味著更高的電能需求和更大的散熱量。傳感器數量增加將大幅增加對中央ECU性能的需要。通過使用FPD-link III等接口，在一根同軸電纜上傳送傳感器及功耗、控制和配置等多種數據（雙向反向通道），有些缺點可以被克服。這樣便可極大降低系統的接線要求。
? 全分布式系統
另一種截然不同的極端情況是全分布式系統。這種情況是由本地傳感器模塊進行高級數據處理，并在一定程度上進行決策制定的。全分布式系統只將對象數據或元數據（描述對象特征和/或識別對象的數據）發回到中央融合ECU。ECU將數據組合在一起，并最終決定如何執行或做出反應——請見圖4。
圖4：傳感器數據由傳感器模塊處理、決策由中央ECU制定的分布式系統。
全分布式系統既有優點又有缺點。
優點：
傳感器模塊——傳感器模塊與中央ECU之間可以使用更低帶寬、更加簡單且更加便宜的接口。在很多情況下，小于1Mb/s的CAN總線就足夠用了。
處理ECU——中央ECU只將對象數據融合在一起，因此其所需處理能力更低。對于某些系統來說，用一個高級的安全微控制器就足夠了。模塊更小，所需功耗也就更低。由于很多處理都是在傳感器內部完成的，傳感器數量增加不會大幅增加對中央ECU的性能需求。
展開 高校科研多傳感器時間同步方案
旨在通過相機陣列和激光雷達的數據，在空間上重建統一的車周環境，為下游檢測、分割提供高精度“語義地圖”。然而，一旦相機間的時間同步存在<strong>幾十毫秒及以上的誤差</strong>，BEV 投影的理想模型便可能<strong>失效</strong>，引發一系列典型的問題：</p><p>1、多相機拼接的鳥瞰圖在特征層面出現<strong>撕裂</strong>，導致Transformer或者卷積融合網絡在訓練階段<strong>難以收斂</strong>，損失曲線持續振蕩。</p><p>2、采集到的數據因固有延遲而與真實世界的<strong>時序錯位</strong>，當反投影到激光雷達或 IMU 坐標系時，產生明顯<strong>重影現象</strong>，外參標定<strong>不可重復</strong>。</p><p>3、時延隨實驗次序號<strong>隨機漂移</strong>，致使在離線評估中構建的數據時序關系，無法反映實車運行的真實時序狀態，最終導致科研結論<strong>缺乏可重復性</strong>。</p><p>這些消耗巨量算力與人力的痛點，其根源往往不在于算法本身，而在于數據基石存在缺陷 —— 即傳感器間<strong>缺乏統一可信的時間基準</strong>，導致時序準確性無法保障。</p><p>由此可知，對高校自動駕駛實驗室來說，<strong>穩定的時序精度</strong>是BEV感知科研的關鍵，團隊亟需適配多源異構傳感器的高精度時間同步方案，解決數據撕裂、實驗不可復現等痛點。</p><p>本文將拆解<strong>時間同步核心難題</strong>，介紹<strong>多傳感器時間同步方案</strong>概況與<strong>應用價值</strong>，旨在幫助高校團隊實現高質量、可復現、省算力的多傳感器時間同步落地方案。
展開 自動駕駛多傳感器數據融合方法
一、摘要
近年來，深度學習技術在涉及高維非結構化數據領域展現出了最先進的性能，如計算機視覺、語音、自然語言處理等方面，并且開始涉及更大、更復雜的多模態信息問題。
不同傳感器在進行同一實驗任務時，針對產生的同一現象進行觀測，采集的數據構成被測對象的多模態信息。多模態信息可以實現不同傳感器之間數據互補，并在相同學習任務獲取更豐富的特征，從而實現比單一模態更好的性能。
在自動駕駛領域，多模態數據通常包括安裝在車輛上的多個傳感器，包括雷達、立體可見光攝像頭、紅外攝像頭、GPS等，為執行自動巡航，從傳感器收集的異構數據用于學習許多相互關聯但復雜的任務，如定位和測繪、場景識別、路徑規劃和駕駛員狀態識別等。
大多數先進的融合方法集中于如何融合來自多模態空間的信息或特征。根據多模態信息的融合策略主要可以分為早期融合、中期融合和晚期融合。
二、多傳感器數據融合處理方法
1、早期融合
早期融合在輸入端進行簡單鏈接多模態數據組合，然后輸入到特定的模型進行處理。LaserNet采用了這種融合策略，將三維的點云映射到二維圖像上，采用全卷積網絡進行概率預測，實現端到端的三維物體檢測。
早期融合的方式能夠保留最多原始數據的特征，但對于來自不同傳感器的模態信息來說，這種融合方式計算量大，對設備運行要求較高。
2、中期融合
中期融合又稱作是特征融合，需要對來自不同模態的數據進行特征提取，并對特征圖進行融合操作后輸入到目標任務中進行處理。通過ROI池化的方式將二維圖像和點云鳥瞰圖、前視圖特征整合到同一特征尺度進行融合，并構建兩個子網絡進行多視圖區域特征融合，并在不同路徑中間層中交互特征，實現了自動駕駛場景下高精度的三維物體檢測。
展開 賦能商用車 ADAS 研發：多傳感器數據采集方案
在傳感器配置上，該方案構建了分層感知的傳感器配置體系，圍繞商用車遠近場、全視角感知需求，構建必選 + 強化 + 可選的傳感器配置體系。通過采用aiSim軟件對傳感器位姿和采集范圍進行仿真，對傳感器配置布局可以快速有效驗證合理性，降低調試成本。
（1）必選配置：含環視多相機、主 LiDAR、360° 毫米波雷達及雙天線 GNSS + 底盤 IMU，滿足基礎感知與定位；
（2）強化配置：增設盲區近場 LiDAR、4D 毫米波雷達，提升融合能力與抗干擾性；
（3）可選配置：在駕駛室增設第二 IMU，實現艙上傳感器運動補償與標定保持。角模塊化設計將同側相機、LiDAR、雷達集成，減少設備相對運動，保障標定與時間同步精度。
在硬件架構層面，該方案打造商用車級定制化硬件架構，以高同步、高帶寬、高可靠、高拓展為核心打造專屬硬件架構，適配復雜工況。基于 PTP 協議搭建高精度時間同步系統，采用高帶寬存儲工控機搭載高性能 CPU，和專用采集與同步板卡，實現相機、LiDAR、雷達的精準采集與時間打標；
在數據交互與導出環節，硬件端配備萬兆以太網、USB3.0等高速接口，支持多塊大容量移動硬盤備份插接，實現采集數據的快速導出與存儲。
2、多傳感器標定與采集
高精度標定是多傳感器數據有效融合的核心前提，更是為BEV模型空間對齊、跨模態融合提供精準位姿基準的關鍵。針對商用車多傳感器配置特點，我們打造了全鏈路標定流程，全面覆蓋相機內參標定、多傳感器外參標定、多相機環視聯合標定、LiDAR/雷達與相機聯合標定等各類核心標定場景，可實現所有傳感器空間位姿的精準對齊，同時配套標準化標定工具包，提升標定效率與規范性。
展開 
康謀技術 | 多傳感器數據融合技術與策略解析
面對復雜的感知任務，單一傳感器的局限性逐漸顯現，比如相機對目標的顏色和紋理比較敏感，但易受光照、天氣條件的影響。LiDAR以獲得目標精確的3D信息，但無法獲得目標紋理，易產生噪點等情況。多傳感器數據融合技術應時而生，通過整合不同傳感器的優勢，為車輛提供了一個全面、立體的感知維度。
一、多傳感器融合的先決條件
當多種傳感器裝在同一輛車上時，使用同一個系統來采集并處理數據。為了確保這些傳感器采集的數據能有效精準識別同一個物體，需要對這些傳感器進行統一時鐘和坐標系，即最終實現：同一個目標在同一個時刻出現在不同類別的傳感器的同一個世界坐標處。
圖1：傳感器融合先決條件
1、統一時鐘
確保所有傳感器數據在時間上的一致性，為后續處理提供同步基準。關于時間同步的詳細內容可見往期內容：
《自動駕駛：揭秘高精度時間同步技術（一）》
https://www.yqgqt.org.cn/post/1942685
《自動駕駛：揭秘高精度時間同步技術（二）》
https://www.yqgqt.org.cn/post/1943634
2、統一坐標系
統一坐標系包含兩步，一是運動補償，二是傳感器標定。
① 運動補償：確保數據時效性
運動補償是針對周期性采集數據的傳感器，如激光雷達（LiDAR），其數據采集周期可能長達100毫秒。由于車輛在運動，采集周期的開始和結束時刻，車輛的位置已經發生了變化。這就需要對采集的數據進行運動補償，以確保數據反映的是車輛在某一固定時刻的環境狀態。
展開 康謀應用 | 基于多傳感器融合的海洋數據采集系統
該布局可以更有效的應對海面復雜環境下的數據采集。
三、數據采集
在面向無人艇數據采集時，需要使傳感器套件（四類傳感器）能夠同時采集數據，并具備時間同步，實時可視化、存儲和回放等能力。整體軟件架構采用ROS+傳感器集成方式，支持即插即用，使用便捷。
比如在iDS相機采集鏈路上，涉及到多相機同步采集的實現難度大、圖像數據的實時傳輸和存儲需求高和動態參數調整的靈活性不足等問題。通過定制化開發，采用ROS+PEAK SDK方案進行深度集成，實現了多相機同步采集、實時可視化、動態參數調整等功能，靈活適應海面復雜的采集環境，提高了系統的通用性。
四、總結
在海洋監測和無人艇控制領域，數據采集的準確性和可靠性至關重要。基于多傳感器融合的海洋數據采集系統方案，利用高性能的BRICKplus+ETH6000模塊作為中央處理單元，連接多個傳感器，能夠實現高速數據傳輸和同步。
該系統采用ROS框架與傳感器SDK進行定制開發，實現了多線程數據采集、處理和發布。同時支持配置文件動態加載傳感器參數，支持實時調整和優化，進而顯著提高了數據采集的同步性、實時性和可靠性，為無人艇的自主航行和控制算法訓練提供了高質量的數據支持。
展開 康謀分享 | 基于多傳感器數據的自動駕駛仿真確定性驗證
03 確定性的驗證——以aiSim為例
為了驗證一個仿真平臺的確定性，最直接的方式便是確保各項參數不變的情況下進行重復仿真，對輸出的仿真數據進行最直接的比較，判斷是否存在差異。
例如，世界上首個獲得ISO 26262 ASIL-D認證的AD/ADAS仿真測試軟件aiSim，它構建了獨特的仿真內核，摒棄了游戲引擎中那些為“體驗”而犧牲“精確”的設計。為了驗證aiSim的確定性，我們進行了一系列重復性實驗。
1、傳感器選型與配置
圖2 aiSim傳感器配置GUI
通過在GUI中拖放仿真傳感器，我們在仿真車輛中添加了1個帶有目標檢測功能的1920×1080的前置針孔Camera、1個帶有目標檢測功能的前置Radar、1個帶有目標檢測功能的128線頂置LiDAR、1個內置IMU、1個內置GPS以及1個可以反饋自車狀態的Vehicle sensor。
圖3 仿真傳感器數據示例
2、場景與方法
圖4 仿真場景示例
aiSim本身包含了數十種城市、郊區的室內、室外場景。本文以真實世界常見的“行泊一體”為例，在一個包含14輛他車的室外停車場環境（Parking_US-CA_SanJoseAlamitos）中，對主車執行了“跟車 -> 切入變道 -> 尋找車位 -> 泊車”的全套連貫動作。
我們在完全固定的軟硬件環境下，針對三種典型天氣進行了5輪完全獨立的重復測試，每一輪測試都記錄了長達1000幀的數據，以確保完整與統一。我們將每一輪測試的數據與首次測試的基準數據進行精確比對：
晴天 (Sunny)：在Sunny.json配置下，模擬了日光充足的理想泊車環境。
雨天 (Rainy)：切換至Rainy.json配置，引入了雨水對傳感器性能的干擾。
展開 汽車多總線數據采集：挑戰、架構與同步策略全解析
因此，我們可以看到在智能輔助駕駛從“功能驗證”到“場景攻堅”的關鍵階段，真實、高質量的數據是算法性能提高的基石。尤其在極端天氣、顛簸路面和電磁干擾等惡劣工況下，如何實現多源傳感器數據的高可靠采集、高精度同步與高效率處理，是行業中常遇到的難題。
下文將結合行業實踐，系統拆解多總線（CAN/LIN/100BASE-T1等）數據采集方案的核心痛點、架構設計、同步策略與系統搭建，為從事智能汽車數據閉環開發的工程師提供一套可落地的技術參考。
二、關鍵技術挑戰
多總線數據采集常被簡化為硬件連接問題，但在工程化落地時，需系統應對四重挑戰，這直接決定了數據能否真正用于算法迭代。
協議與接口復雜：常用一套硬件同步采集車載以太網、CAN/CAN FD、FlexRay、LIN及多路視頻，并支持靈活擴展以適應不同測試場景。
時間同步要求極高：多傳感器數據融合依賴納秒級時間對齊，且須在系統啟動異常（如時間復位）等邊緣場景下保持同步不中斷。
車規級可靠性嚴苛：系統在-40℃~85℃、持續振動及強電磁干擾環境中穩定運行，并通過冗余設計杜絕數據丟失。
數據需直接賦能算法：采集系統應支持基于工程數據庫的信號級解碼，并輸出與平臺無縫銜接的格式，提升數據可用性。
三、硬件架構設計
為應對上述挑戰，硬件系統需采用模塊化、車規化、高密度的設計思路。以下是一個經過驗證的架構實例：
（1）核心記錄單元：采用強固型工控機，采用寬溫操作與豐富擴展槽，為后續擴展提供地基。
（2）總線采集網絡（關鍵）：
a. 以太網部分：通過 CM 100 HIGH 模塊接入多達12路100BASE-T1車載以太網，這是智駕數據主干。
b.
展開 電磁式傳感器有哪些特點，電磁式傳感器提供的數據穩定性
電磁式傳感器還具備優異的穩定性和可靠性，無論是在惡劣的工業環境中，還是在復雜的電子系統中，電磁式傳感器都能夠穩定地工作，提供準確、可靠的數據。這種穩定性和可靠性是電磁式傳感器得以廣泛應用的重要保障。
電磁式傳感器是利用電磁效應來檢測物理量的裝置。它們可以根據不同的應用場景和需求，分為多種類型，如電流傳感器、位置傳感器、角度傳感器等。每一種傳感器都有其獨特的“感知”能力，能夠準確捕捉并轉換各種物理信號，提供寶貴的數據和信息。
電磁式傳感器主要包括電感傳感器、霍爾傳感器和電容傳感器等，電磁式傳感器的特點包括：
（1）高靈敏度：對外界信號的響應速度快，檢測精度高。
（2）非接觸式檢測：可以實現對目標物的非接觸式檢測，適用于對物體進行遠距離、高速度的檢測。
（3）耐高溫、耐腐蝕：通常能夠耐受高溫和腐蝕的環境，具有較好的耐用性。
（4）節能省電：工作時消耗電能較少，能夠節省能源。
（5）工作穩定：工作穩定可靠，性能持久。
展開 基于PTP，如何做好多傳感器微秒級時間同步？
01 引言
自動駕駛車輛行駛過程中，多傳感器（相機、激光雷達等）采集的帶有精準同步時間戳的數據，是車輛實現高精度感知、定位、決策與規劃的核心前提。正因如此，在自動駕駛數據采集系統中，傳感器與主控單元之間通常會采用(g) PTP 協議，以保障多傳感器的硬件時間同步。
然而和客戶對接過程中，客戶普遍反饋在實際開發過程中，要實現單個或多個傳感器與主控平臺的精準時間同步，往往會面臨時間同步精度不足、多傳感器時間戳不統一、系統部署流程復雜、數據質量難以管控等一系列問題。
康謀長期致力于多傳感器數據采集方案開發，在解決客戶問題的實踐中，積累了應對上述時間同步問題的豐富經驗。本文針對 PTP 時間同步協議在傳感器與主控平臺間的應用，分享相關的實踐案例與技術經驗，和大家一起討論學習。
02 相機與工控機時間同步
PTP時間同步體系
以相機和工控機實現PTP時間同步部署為例，相機采集端口采集用以太網接口(支持PTP)，工控機對應采用以太網接口(支持PTP)，以此搭建基礎的同步硬件鏈路。此外，激光雷達通常采用車載以太網（支持 (g) PTP 協議）完成時間同步，其實現思路與部署邏輯和本案例中的相機方案同理。
PTP時間同步可以簡單劃分為四層結構：
①硬件層：依托網卡 PHC（Precision Hardware Clock）硬件時鐘，在數據包收發的物理層 / 數據鏈路層邊界直接打上時間戳。可規避軟件協議棧的延遲干擾，為整個同步體系提供納秒級的硬件時間基準。
②協議層：基于 IEEE 1588 PTP 協議，通過 Sync/Follow-Up 和 Delay_Req/Delay_Resp 兩組核心消息對實現主從同步。
展開 康謀方案 | BEV感知技術：多相機數據采集與高精度時間同步方案
在BEV Camera數據采集方案中，進一步支持相機進行硬件時間同步。通過XTSS軟件可以有效管理數采平臺的時間同步功能，能夠快速輕便配備各個傳感器的時間同步配置。
圖6：XTSS 時間同步管理
通過GPS模塊提供高精度的時間基準，并利用支持硬件時間戳的以太網接口直接捕獲數據包的時間戳。其時間同步精度可以達到納秒級別，具備高穩定性，不受軟件和網絡延遲影響。
圖7：多相機硬件時間同步
五、總結
在自動駕駛技術的快速發展中，BEV Camera數據采集系統的構建至關重要。通過采用BRICKplus平臺，結合PCIe Slot ETH6000模塊和iDS相機，我們實現了多相機的高效數據采集和存儲。通過ROS+PEAK SDK的深度集成，實現了多相機的參數配置、數據采集與傳輸。利用GPS接收模塊和XTSS時間同步服務，確保了多相機的高精度時間同步。
康謀的BEV Camera數據采集方案有效解決了多相機同步采集和高精度時間同步的難題，還提供了靈活的相機參數配置和高效的數據傳輸，能夠滿足自動駕駛和高精度測量等場景的需求。
展開 
數據分析與AI丨從傳感器到智能決策：數據驅動企業發展與 ESG 創新的全鏈路實踐
許多車企工程師在設計初期需要使用 Altair 的 HyperWorks 或 Feko進行仿真，仿真環節必不可少，如對電磁仿真，評估雷達照射后的場強幅值，以確保不會干擾傳感器系統，隨著新能源車的發展，車身傳感器增加規模可觀，一旦發生干擾導致傳感器時效性，會造成車輛安全問題。</p><p class="ql-align-justify">以 Feko 為例，其仿真通常依賴網格計算，場強計算需要時間約在一周左右。但由于傳感器位置往往不落在網格節點上，工程師不得不反復重新標定 XYZ 坐標并提交新的仿真任務。由于高性能算力資源有限，每個點的計算可能需要 20 分鐘，非常耗時。</p><p><img src="https://mmbiz.qpic.cn/sz_mmbiz_png/EBaibcQicPxgySddksiavBkxiaFrLicZibxnnDMzt3iavKbuyicia5mV9dBd6GTEkGUE1SpT0qib7XlyuSCpia4eh95219XKQ/640?wx_fmt=png&from=appmsg"></p><p class="ql-align-justify">為了解決這一問題，我們與該客戶合作，利用 Altair 的自動化機器學習工具 AI Studio，構建了無代碼建模流程。客戶已有大量仿真數據，例如單輛車產生的 140 萬個 XYZ 點及其對應的實部、虛部數據。我們基于這些數據訓練模型，整個流程僅需約 10 分鐘。
展開 傳感器融合-數據篇（自動駕駛）
作者 | 黃浴
來源 | 知乎@黃浴(https://zhuanlan.zhihu.com/p/109895639)
自動駕駛感知模塊中傳感器融合已經成為了標配，只是這里融合的層次有不同，可以是硬件層（如禾賽，Innovusion的產品），也可以是數據層（這里的討論范圍），還可以是任務層像障礙物檢測（obstacle detection），車道線檢測（lane detection），分割（segmentation）和跟蹤（tracking）以及車輛自身定位（localization）等。
有些傳感器之間很難在底層融合，比如攝像頭或者激光雷達和毫米波雷達之間，因為毫米波雷達的目標分辨率很低（無法確定目標大小和輪廓），但可以在高層上探索融合，比如目標速度估計，跟蹤的軌跡等等。
這里主要介紹一下激光雷達和攝像頭的數據融合，實際是激光雷達點云投影在攝像頭圖像平面形成的深度和圖像估計的深度進行結合，理論上可以將圖像估計的深度反投到3-D空間形成點云和激光雷達的點云融合，但很少人用。原因是，深度圖的誤差在3-D空間會放大，另外是3-D空間的點云分析手段不如圖像的深度圖成熟，畢竟2.5-D還是研究的歷史長，比如以前的RGB-D傳感器，Kinect或者RealSense。
這種融合的思路非常明確：一邊兒圖像傳感器成本低，分辨率高（可以輕松達到2K-4K）；另一邊兒激光雷達成本高，分辨率低，深度探測距離短。可是，激光雷達點云測距精確度非常高，測距遠遠大于那些Infrared/TOF depth sensor，對室外環境的抗干擾能力也強，同時圖像作為被動視覺系統的主要傳感器，深度估計精度差，更麻煩的是穩定性和魯棒性差。所以，能不能把激光雷達的稀疏深度數據和致密的圖像深度數據結合，形成互補？
展開 如何有效減少自動駕駛中傳感器數據的存儲量
<h1><strong>一、導讀</strong></h1><p>對于數據的存儲落盤來說，占據絕大部分存儲空間的數據來自于相機傳感器，特別是當前的數采需求可能需要6-8個800M像素的相機采集，進行RAW數據落盤。舉個例子，在以非RAW格式，比如YUV422 8bits，在3840×2160（800M）分辨率下以30fps進行拍攝：3840 × 2160 × 16 / 8 ×30 / 1024^2 = 475MB/s，近500MB/s的帶寬需求，在搭載多個800M相機以及其他傳感器的情況下，一輛數采車可以輕易達到5TB/小時的落盤需求。</p><p><strong>因此能夠有效降低數采的存儲成本，減少數據挖掘的花費至關重要。</strong></p><h1><strong>二、應對方法</strong></h1><h2>1、時間同步策略</h2><p>通過良好時間同步策略，可以避免產生大量無效數據。當然這里的無效也是相對而言的，原因之一是通過后期的手動調整進行不同模態的數據的時間對齊是一種非常耗時的工作。在數據采集的過程中，通過觸發式的機械連接和軟件時間同步，讓不同模態的傳感器數據打上高精度的時間戳，一方面便于數據管理，減少無效數據落盤，另一方面充分有利于算法訓練。</p><h2>2、數據壓縮</h2><p>從數據壓縮的角度來看，在采集過程中可以采用H.264或者H.265進行視頻壓縮，比如在H.265壓縮的情況下，取決于采集數據的復雜性、分辨率、幀率和編碼器的設置，可以實現50%左右的壓縮比率，1GB壓縮成500MB，當然這個比率會受到很多參數影響，因此因實際情況而有所不同。
展開 多傳感器融合定位是否足夠安全？
我們沒有選擇使用優化器，因為BA-MSF實現以二進制形式發布，因此我們無法直接獲得其分析公式。對于我們分析中的給定傳感器數據跡線，存在多個可能的攻擊窗口，即前一個GPS數據和后一個GPS數據的間隙。對于每個攻擊窗口，我們迭代搜索可以使最大程度偏離
的
，這也是以前有關單源KF安全性的研究工作中使用的一種方法。根據我們的威脅模型，我們將對GPS欺騙數據的測量不確定性設置為BA-MSF中傳感器數據跡線的中值。
我們對兩種類型的傳感器數據跡線進行上述分析：（1）真實數據，以及（2）擬合的無噪聲數據。前者是通過在真實世界中駕駛AV時直接記錄MSF的輸入而獲得的，此類跡線的分析結果具有最高的真實性。但是我們可以執行的操作是有限的，由于不同傳感器數據之間存在相關性，我們無法輕易地修改傳感器數據；并且由于傳感器存在噪聲，分析可能不準確。因此，我們利用后者進行補充，其按照給定的駕駛軌跡合成MSF輸入，所有LiDAR定位和真實GPS信號定位都設置為真實位置，其測量不確定度設置為實際數據的中值，并根據駕駛軌跡擬合出IMU測量值。
實驗環境
我們使用官方Apollo AD系統中的BA-MSF實現代碼。
展開 