众所周知，在感知问题上，单一的传感器总是有一定的不足，就像我们人一样，需要用耳、鼻、眼、四肢等多“传感器”协作（融合）来探索和感知世界，这就是最通俗的“多元融合”解释。而在路侧或者车载感知中，需要多种传感器来共同感知路面环境，而多源信息融合的目的，就是将各单一信号源的感知结果进行组合优化，从而输出更有效的道路安全信息。
本文是多源数据融合的第一篇，科普多源数据融合的基本概念。
一、常见的信号源
常见的信号源主要有：毫米波雷达、超声波、摄像头、激光、GPS、里程计、惯导等等……这些传感器可以感知车身周围的安全信息、行驶道路的环境信息，也可以进行定位。
二、多源数据融合等级
首先，根据输出结果的不同，可以将多源数据融合分为不同的等级，我这里分别列出3级和5级模型，
3级模型：
5级模型：
在美国JDL/DFS分级模型的基础上，信息融合系统分类模型为5级：
三、多源数据融合面临的问题及挑战
其中，
1、最根本的问题是：数据自身的缺陷。
目前已有的数学理论可以有效地描述有缺陷的数据，比如：
a.概率论–比如Bayes，EKF,Monte Carlo，MCMC（是目前最强大和流行的近似概率方法）……
b.模糊集理论
c.可能性理论
d.粗糙集理论–能够处理数据粒度。
f.D-S理论–它允许每个数据源在不同程度的细节上提供信息。
……
2、处理虚假数据的研究主要集中在融合过程中识别或者预测和后续清除异常值。
3、处理混乱数据的方法是：忽略、再处理或用向前/向后预测；用增大状态框架去具体化延迟估计。
4、处理冲突数据的方法是：众多替代的融合规则；使用Demspter规则时，硬用修正后的策略。
四、传感器管理结构
1、集中式管理结构
适合简单的单传感器和单平台多传感器系统
2、分布式管理结构
适用于复杂的多平台多传感器系统。
3、混合式管理结构
适合传感器较多的情况。