针对单一传感器在复杂环境下感知能力有限的问题，本研究设计并实现了一套基于多源信息融合的智能感知系统原型。系统硬件层集成了视觉摄像头、毫米波雷达及激光雷达，通过嵌入式处理单元进行数据同步采集。软件架构采用分层设计，数据层通过时间戳对齐与空间坐标标定完成预处理；特征层提取各源数据的轮廓、速度、点云特征；决策层应用改进的D-S证据理论算法进行目标识别与状态估计融合。优化方面，引入了自适应加权因子以动态调整不同传感器在融合中的置信度，并利用卡尔曼滤波对融合后的目标轨迹进行平滑与预测。实验表明，在雨雾、夜间及遮挡测试场景下，优化后的系统比单一视觉或雷达方案的目标检测率平均提升约23.7%，轨迹跟踪稳定性提高31.5%，验证了多源融合设计在提升系统鲁棒性与感知精度方面的有效性。
关键词： 多源信息融合；智能感知；传感器；D-S证据理论；轨迹跟踪
第一章 绪论
当前，自动驾驶、智能监控等领域对环境感知的实时性与准确性要求日益提高。单一传感器如摄像头易受光照天气影响，毫米波雷达角度分辨率不足，激光雷达在恶劣天气下性能会下降。融合多种传感器的互补信息成为关键技术路径。本研究旨在设计一个实用的硬件平台与融合算法框架，解决异构数据同步、关联与决策融合的工程问题，并对融合策略进行针对性优化，以期提升系统在复杂场景下的整体感知性能。
第二章 系统总体设计
系统设计遵循模块化原则。硬件平台以NVIDIA Jetson AGX Xavier为核心处理器，同步触发LVDS接口的工业相机、77GHz毫米波雷达及16线激光雷达进行数据采集。机械结构上设计了可调节的安装支架，确保传感器空间位置固定且外参可标定。软件系统基于ROS（Robot Operating System）搭建，节点包括数据采集、预处理、融合处理与结果发布。通信采用千兆以太网与CAN总线混合方式，保证数据流的低延迟与高可靠传输。
第三章 多源数据预处理与特征提取
原始数据需进行标准化处理。时间同步上，采用硬件PPS脉冲信号结合软件插值法，将时间误差控制在毫秒级。空间同步上，通过棋盘格与特定靶标联合标定，获取雷达、激光雷达与相机之间的坐标变换矩阵。特征提取环节，视觉图像经YOLOv5网络提取目标边界框与类别概率；毫米波雷达数据经CFAR检测与聚类，输出目标距离、径向速度、RCS值；激光雷达点云经欧式聚类与特征计算，得到目标三维尺寸与质心位置。所有特征输出为统一格式的结构化数据帧。
第四章 融合算法设计与优化
融合算法是本研究的核心。为每个传感器建立基本概率分配函数（BPA），视觉依据分类置信度、雷达依据RCS强度与速度连续性、激光雷达依据点云密度来构造。针对传统D-S理论在高冲突证据下可能失效的问题，引入了一种基于证据距离与相似度的自适应加权方法，在冲突发生时动态下调该传感器的权重。随后，使用修正后的合成规则进行决策融合，输出最终的目标身份（如车辆、行人）及存在概率。将融合结果送入多目标卡尔曼滤波器，实现轨迹的关联、平滑与短时预测，有效解决了目标短暂遮挡后的重新关联问题。
第五章 实验与结果分析
搭建了实车测试平台，在校园、城区及快速路收集了超过50小时的数据集。测试场景涵盖晴天、夜间、小雨及前方车辆遮挡等多种条件。评价指标包括目标检测率、误报率、轨迹跟踪丢失率及位置估计误差。对照实验设置了单一视觉、单一雷达及未优化的固定权重融合方案。量化结果显示，在夜间小雨场景下，优化后系统的行人检测率达到96.2%，较单一视觉（71.5%）和单一雷达（68.3%）有显著提升。轨迹跟踪方面，在遮挡实验中的平均连续跟踪帧数提升了31.5%，位置误差平均降低了约22%。结果表明，所设计的融合框架与优化方法有效整合了多源信息优势，显著增强了系统的环境适应能力。
第六章 系统实现与测试
基于上述设计，开发了完整的系统原型。软件代码采用C++与Python混合编程，核心融合模块用C++实现以保证实时性。系统平均处理周期为120毫秒，满足实时性要求。进行了长时间的压力测试与可靠性测试，系统未出现崩溃或数据阻塞。人机交互界面可实时显示各传感器数据流、融合结果及系统状态。测试中也发现，在极端暴雨或传感器严重污损情况下，系统性能仍有下降，这指出了未来进一步研究的方向。