Synthesize：
第四种方法Synthesize是将感知数据融合在一起，你可能会遇到这样的情况，传感器X和传感器Z都没有在各自的视场内探测到物体。在这种情况下，没有传感器知道这个物体的存在，但是可以通过一些其他的感观数据，比如声音，间接地弄清楚在视场之外的物体情况。自动驾驶汽车是时刻运动的，所以要求这种预判是瞬间发生的，像上文提到的一样，是实时的。
基于以上四种方法的解释，当各种不同传感器收集回来的数据结合在一起时，使用什么方法来处理这些数据呢？
绝对排序法：在这种方法中，需要事先决定一个传感器的排序。比如，摄像投的级别高于雷达，或者雷达的级别高于摄像头等等。在传感器融合过程中，子系统使用预先确定的排序。比如，在Reconcile情况中，在交叉的视场FOV中，X检测到了物体，但是Z没有检测到，而摄像头传感器X的级别高于雷达传感器Z，那么Z的检测结果不纳入考虑范围内也是允许的。这个方法简单、快速、易实现，但是综合考虑，这种方法并不严谨。
情况排序法：这种方法与绝对排名法相似，但不同之处在于，根据所处的环境，排名是可变的。例如，我们可能已经设置好，如果有下雨的天气，摄像头容易受到雨水干扰，进而摄像头优先级降低，雷达拥有最高优先级。这种方法相对简单、快速、易于实现。然而，从全局角度看，它依然有所不足。
平等投票（协商一致）法：在这种方法中，允许每个传感器进行投票且投票能力都是平等的。然后使用一个计数算法，该算法与投票结果相匹配。如果传感器的某个阈值都同意某个物体，而某些阈值不同意，那么就允许这个阈值决定人工智能系统做出判断。同样，这种方法综合看起来依然有所不足。
加权投票法：有点类似于平等投票的方法，这种方法增加了一个权重，并选择假设一些传感器比另一些传感器更重要。比如，系统可能倾向于认为摄像头比雷达更可靠，所以给摄像头一个更高的加权系数等。
概率投票法：还可以引入概率概念。传感器有自己的控制子系统，可以确定传感器是否得到了真实的数据，然后将概率使用到多个传感器的投票方法中。
争论方法：还有一种新的方法是让每个传感器“辩论”为什么他们的报告是合适的。这是一个比较有趣的概念。相关研究和实验正在进行中。
优先到达法：即优先报告结果的传感器获胜。出于计时的目的，系统不会等待其他传感器报告，从而加快传感器的融合工作。但是从另一个角度讲，无法预测下一秒钟其他传感器是否会报告相反的判断，这存在一定的安全隐患。
最可靠法：在这种方法中，需要跟踪自动驾驶汽车上无数传感器的可靠性。当存在各个传感器之间的数据争议时，最可靠的传感器将“获胜”。
在设计自动驾驶汽车时，可以在传感器融合子系统中使用以上的几种方法。当子系统确定一种方法可能优于另一种方法时，它们就可以各自发挥作用。当然，MSDF也可以通过很多其它的本文未提及的方法进行。
多个传感器之间的差异非常重要
人类的听觉和视觉是不一样的。当人类听到警报声时，使用耳朵这种感官。耳朵不像眼睛，眼睛不能听声音。这个例子可以生动地说明，在自动驾驶领域，一定有许多不同类型的传感器，多传感器融合MSDF的首要任务是，要利用不同种传感器的优势，同时最小化或弱化每种传感器的弱点。
上图中，每一种传感器的一个重要特征都是它能够探测到目标的距离。传感器能够探测到的距离越远，人工智能驾驶任务的提前时间和优势就越大。但是，一些研究结果标明，较远端的数据可能缺乏特征或者缺乏可信度。随着技术的日新月异，需要根据所涉及的距离确定传感器融合的优缺点。以下是一些常用传感器的探测数据（随着技术的进步，以下数据可能随时更新）：
Main Forward Camera： 150 m （about 492 feet） typically， condition dependent
Wide Forward Camera： 60 m （about 197 feet） typically， condition dependent
Narrow Forward Camera： 250 m （about 820 feet） typically， conditions dependent
Forward Looking Side Camera： 80 m （about 262 feet） typically， condition dependent
Rear View Camera： 50 m （about 164 feet） typically， condition dependent
Rearward Looking Side Camera： 100 m （about 328 feet） typically， condition dependent
Radar： 160 m （about 524 feet） typically， conditions dependent
Ultrasonic： 8 m （about 26 feet） typically， condition dependent
LIDAR： 200 m （about 656 feet） typically， condition dependent
有专家称，在比较各种类型的传感器时，业内有许多图表试图描述这些传感器的优点和缺点。专家建议不要盲目相信的这些对比图表。因为用于比较传感器的标准非常多，但是一些常见图表仅仅提取几个典型特征进行对比，缺乏可信度。如下图（仅供参考）：
笔者观点：在自动驾驶领域，传感器是一个非常博眼球的字眼。但是，一旦涉及具体技术和鲁棒性，目前并没有太多的企业或技术型公司给出一份值得信服的答卷。业内普遍认为，自动驾驶汽车的未来是保障人的安全，而保障人的安全都依赖于多传感器融合MSDF。人类每时每刻都在做着“多传感器融合”的工作，想要将自动驾驶汽车的多传感器融合做到像人类一样尽善尽美，还有很多复杂的工作要做。
