为了克服这些问题，利用信息融合技术提出了一些新的方法，诸如参考资料[5～6]所述的融合超声波传感器和图像传感器的信息、融合雷达与图像信息或激光与图像信息等。利用这些方法可以得到较单一传感器更为可靠的探测。

2.2 信息融合的基本原理[1]

　　所谓信息融合就是将来自多个传感器或多源的信息进行综合处理，从而得出更为准确、可靠的结论。多传感器信息融合是人类和其它生物系统中普遍存在的一种基本功能，人类本能地具有将身体上的各种功能器官(眼、耳、鼻、四肢)所探测的信息(景物、声音、气味和触觉)与先验知识进行综合的能力，以便对其周围的环境和正在发生的事件做出估计。由于人类的感官具有不同度量特征，因而可测出不同空间范围的各种物理现象，这一过程是复杂的，也是自适应的。它将各种信息(图像、声音、气味和物理形状或描述)转化成对环境的有价值的解释。

　　多传感器信息融合实际上是人对人脑综合处理复杂问题的一种功能模拟。在多传感器系统中，各种传感器提供的信息可能具有不同的特征:时变的或者非时变的，实时的或者非实时的，模糊的或者确定的，精确的或者不完整的，相互支持的或者互补的。多传感器信息融合就像人脑综合处理信息的过程一样，它充分利用多个传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来，产生对观测环境的一致性解释或描述。信息融合的目标是基于各种传感器分离观测信息，通过对信息的优化组合导出更多的有效信息。这是最佳协同作用的结果，它的最终目的是利用多个传感器共同或联合操作的优势来提高整个系统的有效性。

2.3 常用信息融合算法

　　信息融合技术涉及到多方面的理论和技术 ，如信号处理、估计理论、不确定性理论、模式识别、最优化技术、神经网络和人工智能等。由不同的应用要求形成的各种方法都是融合方法的一个子集。表2归纳了一些常用的信息融合方法。

2.4 智能驾驶系统中信息融合算法的基本结构

　　由于单一传感器的局限性，现在ITS系统中多使用一组传感器探测不同视点的信息，再对这些信息进行融合处理，以完成初始目标探测识别。在智能驾驶系统中识别障碍常用的算法结构如图2所示。

3 CLARK算法