在AGV（Automated Guided Vehicle，自动导引车）系统中，常用的传感器融合算法可以分为以下几类：
1. 按抽象级别分类
低级别融合（数据级融合）：融合来自多个传感器的原始数据，例如融合激光雷达的点云数据和摄像头的像素级数据。这种融合方式考虑了所有数据，但由于所需处理量较大，早期融合在几年前还很难做到。
中级别融合（特征级融合）：将传感器独立检测到的物体进行融合，例如将摄像头检测到的障碍物和雷达检测到的障碍物结果融合在一起，形成对障碍物的位置、类别和速度的最佳估计。常用的方法是卡尔曼滤波器（贝叶斯算法）。
高级别融合（决策级融合）：融合对象及其轨迹，不仅依赖于检测，还依赖于预测和跟踪。这种融合方式的优点是简单，但一个主要问题是可能会丢失太多信息。
2. 按中心化级别分类
中心化融合：一个中央单元处理融合（低级别）。例如，在经典的自动驾驶汽车架构中，每个传感器都有自己的计算机，所有这些计算机都连接到一个中央计算单元。
去中心化融合：每个传感器融合数据并将其转发到下一个。
分布式融合：每个传感器在本地处理数据并将其发送到下一个单元（后期融合）。
3. 按竞争级别分类
竞争融合：传感器用于相同目的，例如同时使用雷达和激光雷达来检测行人，这种数据融合过程称为冗余。
互补融合：使用不同的传感器观察不同的场景来获取使用其他方式无法获得的信息，例如使用多个摄像头构建全景图。
协同融合：使用两个或更多传感器来产生一个新场景，但是关于同一个对象的，例如使用2D传感器进行3D扫描或3D重建。
在实际应用中，传感器融合算法的选择取决于具体的应用场景和需求，例如需要考虑传感器的类型、数量、数据处理能力、系统的实时性要求等因素。
