[Python]从合并区间到传感器融合区：合并区间在传感器区域融合的实际落地

一、写在前面

两个月前我还在全力备战华为OD机考，刷遍了螺旋矩阵、括号匹配、打家劫舍这些经典题。考场上三道题全部零分，原因是新系统换了题型，而我连核心代码模式都没练熟。

考试失利后我决定换个方向：不再为考试而学，而是为解决实际问题而学。我选择了ADAS（高级驾驶辅助系统）作为落脚点。

今天这篇文章，就从我最熟悉的「合并区间」算法开始，看看它在ADAS中是怎么用的。

二、从一个问题开始

假设一辆车上有三个传感器：

前置摄像头：视野范围 $-30°, 30°$
左前角雷达：视野范围 $10°, 90°$
右前角雷达：视野范围 $-90°, -10°$

问：哪些角度范围被至少两个传感器同时覆盖？

这个区域叫做「重叠区」。在重叠区内，多个传感器都能看到同一个目标，可以进行传感器融合，提高检测的置信度。

三、两种不同的需求

拿到这个问题，我第一反应是「合并区间」------把有重叠的区间合并成一个更大的区间。但仔细一想，不对。

合并区间：求所有传感器覆盖的总范围（并集）。

求重叠区：求被至少两个传感器同时覆盖的范围（交集）。

两者完全不同。

用上面的数据举例：

合并区间结果： $-90°, 90°$ （三个传感器合起来覆盖了整个前方半圆）
重叠区结果： $-30°, -10°$ 和 $10°, 30°$ （只有这两个区域被两个传感器同时看到）

四、算法实现：扫描线法

求重叠区最常用的方法是扫描线法，也叫差分计数。

核心思想：用一个计数器记录当前位置被多少个传感器覆盖。从左到右扫描所有区间的起点和终点，计数器增减，当计数 ≥ 2 时记录重叠区间。

复制代码

from dataclasses import dataclass

@dataclass
class SensorFOV:
    """传感器视野定义"""
    name: str
    start_deg: int
    end_deg: int

    def __post_init__(self):
        if self.start_deg >= self.end_deg:
            raise ValueError(f"{self.name}: 起点必须小于终点")
        if not (-180 <= self.start_deg <= 180 and -180 <= self.end_deg <= 180):
            raise ValueError(f"{self.name}: 角度超出范围")


def calc_overlap_zones(sensors: list[SensorFOV]) -> list[tuple[float, float]]:
    """计算被至少两个传感器覆盖的重叠区"""
    events: list[tuple[int, int]] = []
    for sensor in sensors:
        events.append((sensor.start_deg, 1))   # 进入视野
        events.append((sensor.end_deg, -1))    # 离开视野
    events.sort(key=lambda x: x[0])

    count: int = 0
    overlap_start: int | None = None
    result: list[tuple[float, float]] = []

    for pos, delta in events:
        if count >= 2 and overlap_start is not None:
            # 退出重叠区
            result.append((float(overlap_start), float(pos)))
            overlap_start = None
        count += delta
        if count >= 2 and overlap_start is None:
            # 进入重叠区
            overlap_start = pos

    return result

五、调试过程：打印日志理解算法

刚开始看这段代码时，我对 overlap_start 的赋值时机总是搞不清楚。后来我在循环里加了打印语句，一步一步追踪 count 和 overlap_start 的变化，才真正理解了它的工作原理。

复制代码

count_before:0  overlap_start:None  pos:-90  →  count_after:1  （未进入重叠区）
count_before:1  overlap_start:-30   pos:-30  →  count_after:2  （进入重叠区，记录起点）
count_before:2  overlap_start:None  pos:-10  →  count_after:1  （离开重叠区，输出区间）
count_before:1  overlap_start:10    pos:10   →  count_after:2  （再次进入重叠区）
count_before:2  overlap_start:None  pos:30   →  count_after:1  （离开重叠区，输出区间）
count_before:1  overlap_start:None  pos:90   →  count_after:0  （结束）

最终输出：[(-30.0, -10.0), (10.0, 30.0)]

这个过程就像发动机的起动机：计数从1变成2时「点火」，记录起点；计数从2变回1时「熄火」，输出一个完整的重叠区间。

六、工程化改进

在实际项目中，传感器参数通常不会硬编码在代码里，而是来自配置文件。我把它改成了JSON读取方式：

复制代码

[
    {"name": "front_camera", "start_deg": -30, "end_deg": 30},
    {"name": "left_radar", "start_deg": 10, "end_deg": 90},
    {"name": "right_radar", "start_deg": -90, "end_deg": -10}
]

加载代码：

复制代码

import json

def load_sensors_from_json(filepath: str) -> list[SensorFOV]:
    with open(filepath, 'r', encoding='utf-8') as f:
        data: list[dict] = json.load(f)
    sensors: list[SensorFOV] = []
    for item in data:
        sensors.append(SensorFOV(
            name=item["name"],
            start_deg=item["start_deg"],
            end_deg=item["end_deg"]
        ))
    return sensors

这样做的好处是：传感器布局调整时只需要改JSON文件，不需要改代码。

七、小结

从OD考试的「合并区间」到ADAS的「传感器重叠区计算」，算法本身并不复杂，关键是找到它在实际问题中的映射。

这次经历让我明白两件事：

算法是工具，不是目的。掌握一个算法最好的方式是在真实场景中使用它。
调试是最好的学习方式。一行打印日志，胜过十行注释。