CN108573270A - 使多传感器目标信息融合与多传感器感测同步的方法及装置、计算机设备和记录介质 - Google Patents
使多传感器目标信息融合与多传感器感测同步的方法及装置、计算机设备和记录介质 Download PDFInfo
- Publication number
- CN108573270A CN108573270A CN201711346193.6A CN201711346193A CN108573270A CN 108573270 A CN108573270 A CN 108573270A CN 201711346193 A CN201711346193 A CN 201711346193A CN 108573270 A CN108573270 A CN 108573270A
- Authority
- CN
- China
- Prior art keywords
- moment
- result
- measurement result
- suit
- multisensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 108
- 230000004927 fusion Effects 0.000 claims abstract description 87
- 238000012512 characterization method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 47
- 230000007704 transition Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 14
- 235000013399 edible fruits Nutrition 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000009897 systematic effect Effects 0.000 description 8
- 238000006073 displacement reaction Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- YBMRDBCBODYGJE-UHFFFAOYSA-N germanium dioxide Chemical compound O=[Ge]=O YBMRDBCBODYGJE-UHFFFAOYSA-N 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及用于使多传感器目标信息融合与多传感器感测同步的方法及装置、计算机设备、记录介质。所述用于使多传感器目标信息融合与多传感器感测同步的方法包括以下步骤：获得各个传感器关于目标状态的实际测量结果同时对获得每一套实际测量结果的时刻分别进行记录，以便针对每一套实际测量结果记录有一个第一时间戳；将开始执行目标信息融合处理的时刻记录为第二时间戳；分别计算各个第一时间戳表征的各个第一时刻与所述第二时间戳表征的第二时刻之间的时间差；基于计算出的每一个时间差来更新其对应的在所述第一时刻获得的实际测量结果，以获得对应的在所述第二时刻的预估测量结果；获得在所述第二时刻的关于目标状态的所有传感器的融合预测结果；以及针对每一套预估测量结果，基于所述融合预测结果和该套预估测量结果来获得在所述第二时刻的相应传感器关于目标状态的最优估计结果。
Description
技术领域
本发明涉及车辆领域，更具体地涉及用于使多传感器目标信息融合与 多传感器感测同步的方法及装置、计算机设备、记录介质。
背景技术
在汽车领域，全球都在朝着“智能驾驶”的发展方向而努力。“智能 驾驶”按照不同的功能可以划分为辅助驾驶、有条件的无人自动驾驶和全 自动驾驶，但无论是辅助驾驶还是自动驾驶，在其算法中都有环境感知和 再构建模块，需要对目标感知传感器的结果进行融合，以用于减少重叠目 标和弥补不同传感器结果的缺点。
然而，在实际处理时，由于各传感器供应商在算法方面的差异、传感 器硬件性能的强弱等，传感器关于目标的更新速度均会受到不同程度的影 响，再加上不同传感器的更新速度不尽相同，目标信息融合时的处理也会 受到影响。
对此，业界普遍处理方式是，当触发目标信息融合任务时，通常会取 上一次的传感器感知结果作为最新的输入来进行目标信息融合。
但是，当传感器关于目标的识别结果的更新较慢或者没有更新时，将 导致融合结果的最优估计不够准确的问题。
发明内容
本发明是为了克服上述缺点的一个或多个、或其它缺点而完成的，所 采用的技术方案如下。
按照本发明的一个方面，提供一种用于使多传感器目标信息融合与多 传感器感测同步的方法，包括：步骤S1：获得各个传感器关于目标状态 的实际测量结果同时对获得每一套实际测量结果的时刻分别进行记录，以 便针对每一套实际测量结果记录有一个第一时间戳；步骤S2：将开始执 行目标信息融合处理的时刻记录为第二时间戳；步骤S3：分别计算各个 第一时间戳表征的各个第一时刻与所述第二时间戳表征的第二时刻之间 的时间差；步骤S4：基于计算出的每一个时间差来更新其对应的在所述 第一时刻获得的实际测量结果，以获得对应的在所述第二时刻的预估测量 结果；步骤S5：获得在所述第二时刻的关于目标状态的所有传感器的融 合预测结果；以及步骤S6：针对每一套预估测量结果，基于所述融合预 测结果和该套预估测量结果来获得在所述第二时刻的相应传感器关于目标状态的最优估计结果。
进一步地，在根据本发明的一个方面中，所述步骤S6包括：步骤S61： 针对所述每一套预估测量结果，基于所述融合预测结果和该套预估测量结 果来计算对应的转换矩阵；步骤S62：计算所述每一套预估测量结果对应 的协方差；步骤S63：针对所述每一套预估测量结果，基于所述对应的转 换矩阵和所述对应的协方差来计算对应的卡尔曼增益；以及步骤S64：针 对所述每一套预估测量结果，基于所述融合预测结果、所述对应的卡尔曼 增益、该套预估测量结果以及所述对应的转换矩阵，来计算对应的在所述 第二时刻的相应传感器关于目标状态的最优估计结果。
进一步地，在根据本发明的一个方面中，还包括：步骤S7：对所有 传感器的所述最优估计结果进行融合以确定每个所述最优估计结果对应 的权重、进而获得在所述第二时刻的关于目标状态的最优融合估计结果。
进一步地，在根据本发明的一个方面中，还包括：步骤S8：根据在 步骤S61中得到的转换矩阵和在步骤S63中得到的卡尔曼增益来校正在步 骤S62中得到的协方差，以获得经校正的协方差。
进一步地，在根据本发明的一个方面中，在所述步骤S62中，在所述 第二时刻的所述每一套预估测量结果对应的协方差是利用在所述第一时 刻的经校正的协方差来获得的。
进一步地，在根据本发明的一个方面中，在所述步骤S1中，在所述 第二时刻的所述融合预测结果是利用所述第一时刻的关于目标状态的最 优融合估计结果来获得的。
按照本发明的另一方面，提供一种用于使多传感器目标信息融合与多 传感器感测同步的装置，包括：第1单元：获得各个传感器关于目标状态 的实际测量结果同时对获得每一套实际测量结果的时刻分别进行记录，以 便针对每一套实际测量结果记录有一个第一时间戳；第2单元：将开始执 行目标信息融合处理的时刻记录为第二时间戳；第3单元：分别计算各个 第一时间戳表征的各个第一时刻与所述第二时间戳表征的第二时刻之间 的时间差；第4单元：基于计算出的每一个时间差来更新其对应的在所述 第一时刻获得的实际测量结果，以获得对应的在所述第二时刻的预估测量 结果；第5单元：获得在所述第二时刻的关于目标状态的所有传感器的融 合预测结果；以及第6单元：针对每一套预估测量结果，基于所述融合预 测结果和该套预估测量结果来获得在所述第二时刻的相应传感器关于目 标状态的最优估计结果。
进一步地，在根据本发明的另一方面中，所述第6单元包括：第6A 单元：针对所述每一套预估测量结果，基于所述融合预测结果和该套预估 测量结果来计算对应的转换矩阵；第6B单元：计算所述每一套预估测量 结果对应的协方差；第6C单元：针对所述每一套预估测量结果，基于所 述对应的转换矩阵和所述对应的协方差来计算对应的卡尔曼增益；以及第 6D单元：针对所述每一套预估测量结果，基于所述融合预测结果、所述 对应的卡尔曼增益、该套预估测量结果以及所述对应的转换矩阵，来计算 对应的在所述第二时刻的相应传感器关于目标状态的最优估计结果。
进一步地，在根据本发明的另一方面中，还包括：第7单元：对所有 传感器的所述最优估计结果进行融合以确定每个所述最优估计结果对应 的权重、进而获得在所述第二时刻的关于目标状态的最优融合估计结果。
进一步地，在根据本发明的另一方面中，还包括：第8单元：根据在 第6A单元中得到的转换矩阵和在第6C单元中得到的卡尔曼增益来校正 在第6B单元中得到的协方差，以获得经校正的协方差。
进一步地，在根据本发明的另一方面中，在所述第6B单元中，在所 述第二时刻的所述每一套预估测量结果对应的协方差是利用在所述第一 时刻的经校正的协方差来获得的。
进一步地，在根据本发明的另一方面中，在所述第1单元中，在所述 第二时刻的所述融合预测结果是利用所述第一时刻的关于目标状态的最 优融合估计结果来获得的。
按照本发明的又一方面，提供一种计算机设备，包括存储器、处理器 及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所 述程序时实现根据本发明的一个方面的方法的步骤。
按照本发明的再一方面，提供一种记录介质，其上存储有计算机程序， 该程序被计算机执行以实现根据本发明的一个方面的方法的步骤。
按照本发明的再又一个方面，提供一种辅助驾驶方法，包括根据本发 明的一个方面的用于使多传感器目标信息融合与多传感器感测同步的方 法。
按照本发明的再另一个方面，提供一种辅助驾驶系统，包括根据本发 明的另一个方面的用于使多传感器目标信息融合与多传感器感测同步的 装置。
相对于现有技术，本发明可以获得如下有益效果的一个或多个：
1)根据本发明，即使在传感器感测结果没有更新或者更新周期较慢 的情况下，也能够确保获得足够准确的融合结果；
2)根据本发明，除了传感器感测结果没有更新或者更新周期较慢的 场景以外，在各传感器更新其感测结果的周期不一致的场景下也能够确保 获得足够准确的融合结果。
附图说明
图1是根据本发明的一个实施方式的用于使多传感器目标信息融合 与多传感器感测同步的方法的示例流程图。
图2是根据本发明的一个实施例的图1中的步骤S6的示例子流程图。
图3是根据本发明的一个实施方式的用于使多传感器目标信息融合 与多传感器感测同步的装置的示例框图。
图4是根据本发明的一个实施方式的用于执行根据本发明的一个实 施方式的用于使多传感器目标信息融合与多传感器感测同步的方法的计 算机设备的示例框图。
具体实施方式
以下将结合附图对本发明涉及的用于使多传感器目标信息融合与多 传感器感测同步的方法及装置、计算机设备和记录介质作进一步的详细描 述。需要注意的是，以下的具体实施方式是示例性而非限制的，其旨在提 供对本发明的基本了解，并不旨在确认本发明的关键或决定性的要素或限 定所要保护的范围。
下文参考本发明实施例的方法和装置的框图说明、框图和/或流程图 来描述本发明。将理解这些流程图说明和/或框图的每个框、以及流程图 说明和/或框图的组合可以由计算机程序指令来实现。可以将这些计算机 程序指令提供给通用计算机、专用计算机或其它可编程数据处理设备的处 理器以构成机器，以便由计算机或其它可编程数据处理设备的处理器执行 的这些指令创建用于实施这些流程图和/或框和/或一个或多个流程框图中指定的功能/操作的部件。
可以将这些计算机程序指令存储在计算机可读存储器中，这些指令可 以指示计算机或其它可编程处理器以特定方式实现功能，以便存储在计算 机可读存储器中的这些指令构成包含实施流程图和/或框图的一个或多个 框中指定的功能/操作的指令部件的制作产品。
可以将这些计算机程序指令加载到计算机或其它可编程数据处理器 上以使一系列的操作步骤在计算机或其它可编程处理器上执行，以便构成 计算机实现的进程，以使计算机或其它可编程数据处理器上执行的这些指 令提供用于实施此流程图和/或框图的一个或多个框中指定的功能或操作 的步骤。还应该注意在一些备选实现中，框中所示的功能/操作可以不按 流程图所示的次序来发生。例如，依次示出的两个框实际可以基本同时地 执行或这些框有时可以按逆序执行，具体取决于所涉及的功能/操作。
本发明所涉及的用于使多传感器目标信息融合与多传感器感测同步 的方法及装置例如可以应用在对车辆周围的目标进行感测的场景中、尤其 是传感器的感测周期慢于目标信息融合周期的场景中。在这样的场景下， 例如，可以用纵向相对本车位置、纵向速度、纵向加速度、横向相对本车 位置、横向速度、横向加速度来表征车辆周围的任何一个目标的运动状态， 而车辆上的多个传感器中的每一个所感测得到的每一套实际测量结果均包含纵向相对本车位置、纵向速度、纵向加速度、横向相对本车位置、横 向速度、横向加速度这六个方面的感测值或者能根据其感测值计算出上述 六个数值。由于传感器对目标的运动状态进行感测的周期慢于目标信息融 合的处理周期，因此，必然存在当前感测结果没有更新的情况，但是，通 过以下详细说明的本发明所涉及的用于使多传感器目标信息融合与多传 感器感测同步的方法及装置，则依然可以获得足够准确的目标信息融合的 最优估计结果。
图1是根据本发明的一个实施方式的用于使多传感器目标信息融合 与多传感器感测同步的方法的示例流程图。如图1所示，该方法S100包 括以下步骤：获得各个传感器关于目标状态的实际测量结果同时对获得每 一套实际测量结果的时刻分别进行记录，以便针对每一套实际测量结果记 录有一个第一时间戳(步骤S1)。
在一个示例中，当一套实际测量结果接收完毕后，记录对应的一个接 收时间戳。例如，对于第1个传感器的第一套实际测量结果，将其接收时 间戳标记为t111，对于第1个传感器的第二套实际测量结果，将其接收时 间戳标记为t112，……，对于第i个传感器的第k套实际测量结果，将其 接收时间戳标记为t1ik，在本文中将这些时间戳统称为第一时间戳(即， 接收时间戳)。
在一个实施例中，如图1所示，所述方法S100还可以包括如下步骤： 将开始执行目标信息融合处理的时刻记录为第二时间戳(步骤S2)。
在一个示例中，将对所有传感器的所有套实际测量结果进行融合处理 的时刻记录为第二时间戳(即，融合时间戳)。
在一个实施例中，如图1所示，所述方法S100还可以包括如下步骤： 分别计算各个第一时间戳表征的各个第一时刻与所述第二时间戳表征的 第二时刻之间的时间差(步骤S3)。
在一个示例中，可以利用以下数式(1)来计算所述时间差：
Δtik＝t2-t1ik…(1)，
其中，Δtik是与第i个传感器的第k套实际测量结果对应的时间差，t1ik是 与第i个传感器的第k套实际测量结果对应的第一时间戳表征的第一时 刻，t2是第二时间戳表征的第二时刻。
在一个实施例中，如图1所示，所述方法S100还可以包括如下步骤： 基于计算出的每一个时间差来更新其对应的在所述第一时刻获得的实际 测量结果，以获得对应的在所述第二时刻的预估测量结果(步骤S4)。
在一个示例中，假设在Δtik的时间内车辆的位移发生了变化，则可以 利用以下数式(2)至(4)来更新在t1ik获得的实际测量结果：
其中，是车辆纵向速度，是车辆横向速度，ΔXvcs_ik是与第i个传感 器的第k套实际测量结果对应的车辆在Δt内在纵向产生的位移，ΔYvcs_ik是 与第i个传感器的第k套实际测量结果对应的车辆在Δt内在横向产生的位 移，是与第i个传感器的第k套实际测量结果对应的在第二时刻 t2的预估测量结果，ω是与第i个传感器的第k套实际测量结果对应的车 辆在Δt内产生的偏转角度，Zik_x(t1ik)是在第一时刻获得的第i个传感器的 第k套实际测量结果的纵向分量，Zik_y(t1ik)是在第一时刻获得的第i个传感 器的第k套实际测量结果的横向分量。
在一个实施例中，如图1所示，所述方法S100还可以包括如下步骤： 获得在所述第二时刻的关于目标状态的所有传感器的融合预测结果(步骤 S5)。
在一个示例中，对于第二时刻t2，可以利用以下数式(5)来确定关 于某个目标的目标状态的融合预测结果：
其中，是在第二时刻t2的关于目标状态的所有传感器的融合预测结 果，F是系统状态转移矩阵，X(t1)是在第一时刻t1的关于目标状态的最优 融合估计结果(后述)，W(t2)是系统噪声。
在一个实施例中，如图1所示，所述方法S100还可以包括如下步骤： 针对每一套预估测量结果，基于所述融合预测结果和该套预估测量结果来 获得在所述第二时刻的相应传感器关于目标状态的最优估计结果(步骤 S6)。
关于步骤S6的细节，将结合图2来详细说明。
具体地，在一个实施例中，如图2所示，所述步骤S6包括以下步骤： 针对所述每一套预估测量结果，基于所述融合预测结果和该套预估测量结 果来计算对应的转换矩阵(步骤S61)。
在一个示例中，针对各套预估测量结果，可以利用以下数式(6)来 确定对应的转换矩阵：
其中，是与第i个传感器的第k套实际测量结果对应的在第二时 刻t2的预估测量结果，Hik是与第i个传感器的第k套实际测量结果对应 的转换矩阵，是在第二时刻t2的关于目标状态的所有传感器的融合 预测结果，V(t2)是测量噪声，f(Δtik)是根据Δt计算测量噪声权重的函数， Δtik越大，测量噪声越大。
在一个实施例中，如图2所示，所述步骤S6还可以包括如下步骤： 计算所述每一套预估测量结果对应的协方差(步骤S62)。
在一个示例中，对于各套预估测量结果，可以利用以下数式(7)来 确定对应的协方差：
其中，是在第二时刻t2的第i个传感器关于目标状态的第k套预估测 量结果对应的协方差，F是系统状态转移矩阵，FT是系统状态转移矩阵的 转置矩阵，Pik(t1ik)是在第一时刻t1的针对第i个传感器的第k套预估测量 结果的最优估计结果对应的协方差(后述)，Q是系统过程噪声的协方差。
在一个实施例中，如图2所示，所述步骤S6还可以包括如下步骤： 针对所述每一套预估测量结果，基于所述对应的转换矩阵和所述对应的协 方差来计算对应的卡尔曼增益(步骤S63)。
在一个示例中，对于各套预估测量结果，可以利用以下数式(8)来 计算对应的卡尔曼增益：
其中，kgik(t2)是在第二时刻t2的第i个传感器关于目标状态的第k套预估 测量结果对应的卡尔曼增益，是在第二时刻t2的第i个传感器关于目 标状态的第k套预估测量结果对应的协方差，Hik是与第i个传感器的第k 套实际测量结果对应的转换矩阵，Hik T是与第i个传感器的第k套实际测 量结果对应的转换矩阵的转置矩阵，R是测量过程噪声的协方差。
在一个实施例中，如图2所示，所述步骤S6还可以包括如下步骤： 针对所述每一套预估测量结果，基于所述融合预测结果、所述对应的卡尔 曼增益、该套预估测量结果以及所述对应的转换矩阵，来计算对应的在所 述第二时刻的相应传感器关于目标状态的最优估计结果(步骤S64)。
在一个示例中，对于各套预估测量结果，可以利用以下数式(9)来 计算对应的最优估计结果：
其中，Xik(t2)是在第二时刻t2的与第i个传感器的第k套预估测量结果对应 的最优估计结果，是在第二时刻t2的关于目标状态的所有传感器的 融合预测结果，kgik(t2)是在第二时刻t2的第i个传感器关于目标状态的第k 套预估测量结果对应的卡尔曼增益，是与第i个传感器的第k套 实际测量结果对应的在第二时刻t2的预估测量结果，Hik是与第i个传感 器的第k套实际测量结果对应的转换矩阵。
通过上述步骤，可以针对每一套实际测量结果获得准确的关于目标状 态的最优估计结果。
可选地，在一个实施例中，在计算出与每一个传感器的每一套实际测 量结果对应的最优估计结果之后，所述方法S100还可以包括如下步骤： 对所有传感器的所述最优估计结果进行融合以确定每个所述最优估计结 果对应的权重、进而获得在所述第二时刻的关于目标状态的最优融合估计 结果(步骤S7，未示出)。
在一个示例中，可以利用以下数式(10)来获得在第二时刻t2的关于 目标状态的最优融合估计结果：
其中，X(t2)是在第二时刻t2的关于目标状态的所有传感器的最优融合估计 结果，f是融合函数，Xik(t2)是在第二时刻t2的与第i个传感器的第k套预 估测量结果对应的最优估计结果，是在第二时刻t2的第i个传感器关 于目标状态的第k套预估测量结果对应的协方差。此外，如上述数式(5) 所示，在当前时刻(例如，第一时刻t1)的最优融合估计结果X(t1)还可以 用于计算在下一时刻(例如，第二时刻t2)的融合预测结果
可选地，在一个实施例中，所述方法S100还可以包括如下步骤：根 据在步骤S61中得到的转换矩阵和在步骤S63中得到的卡尔曼增益来校正 在步骤S62中得到的协方差，以获得经校正的协方差(步骤S8，未示出)， 所述经校正的协方差可以用于计算在当前时刻(例如，第二时刻t2)的下 一时刻(例如，第三时刻t3)的预估测量结果对应的协方差(请参见上述 数式(7))。
在一个示例中，利用以下数式(11)来获得在当前时刻(例如，第二 时刻t2)的经校正的协方差：
其中，Pik(t2)是在第二时刻t2的针对第i个传感器的第k套预估测量结果的 经校正的协方差，I是单位矩阵，kgik(t2)是在上述步骤S63中得到的在第 二时刻t2的第i个传感器关于目标状态的第k套预估测量结果对应的卡尔 曼增益，Hik是在步骤S61中得到的与第i个传感器的第k套实际测量结 果对应的转换矩阵，是在步骤S62中得到的在第二时刻t2的第i个传 感器关于目标状态的第k套预估测量结果对应的协方差，此外，在当前时 刻(例如，第二时刻t2)的Pik(t2)还可以用于计算在下一时刻(例如，第 三时刻t3)的
此外，需要说明的是，虽然在图1、图2中示出了步骤之间的顺序， 但是本领域技术人员应当理解，图1、图2仅仅是示例，上述步骤之间的 先后关系并不限定于图1、图2中所示出的情况，例如，图1中的步骤S5 可以在步骤S4之前执行，也可以同时执行，又例如，图2中的步骤S61 可以在步骤S62之后执行，也可以同时执行，等等。
接下来，参照图3来说明用于使多传感器目标信息融合与多传感器感 测同步的装置。
如图3所示，该装置100包括第1单元101，其被配置成，获得各个 传感器关于目标状态的实际测量结果同时对获得每一套实际测量结果的 时刻分别进行记录，以便针对每一套实际测量结果记录有一个第一时间 戳。
在一个示例中，当一套实际测量结果接收完毕后，记录对应的一个接 收时间戳。例如，对于第1个传感器的第一套实际测量结果，将其接收时 间戳标记为t111，对于第1个传感器的第二套实际测量结果，将其接收时 间戳标记为t112，……，对于第i个传感器的第k套实际测量结果，将其 接收时间戳标记为t1ik，在本文中将这些时间戳统称为第一时间戳(即， 接收时间戳)。
在一个实施例中，如图3所示，该装置100还可以包括第2单元，其 被配置成，将开始执行目标信息融合处理的时刻记录为第二时间戳。
在一个示例中，将对所有传感器的所有套实际测量结果进行融合处理 的时刻记录为第二时间戳(即，融合时间戳)。
在一个实施例中，如图3所示，该装置100还可以包括第3单元，其 被配置成，分别计算各个第一时间戳表征的各个第一时刻与所述第二时间 戳表征的第二时刻之间的时间差。
在一个示例中，可以利用以下数式(12)来计算所述时间差：
Δtik＝t2-t1ik…(12)，
其中，Δtik是与第i个传感器的第k套实际测量结果对应的时间差，t1ik是 与第i个传感器的第k套实际测量结果对应的第一时间戳表征的第一时 刻，t2是第二时间戳表征的第二时刻。
在一个实施例中，如图3所示，该装置100还可以包括第4单元，其 被配置成，基于计算出的每一个时间差来更新其对应的在所述第一时刻获 得的实际测量结果，以获得对应的在所述第二时刻的预估测量结果。
在一个示例中，假设在Δtik的时间内车辆的位移发生了变化，则可以 利用以下数式(13)至(15)来更新在t1ik获得的实际测量结果：
其中，是车辆纵向速度，是车辆横向速度，ΔXvcs_ik是与第i个传感 器的第k套实际测量结果对应的车辆在Δt内在纵向产生的位移，ΔYvcs_ik是 与第i个传感器的第k套实际测量结果对应的车辆在Δt内在横向产生的位 移，是与第i个传感器的第k套实际测量结果对应的在第二时刻 t2的预估测量结果，ω是与第i个传感器的第k套实际测量结果对应的车 辆在Δt内产生的偏转角度，Zik_x(t1ik)是在第一时刻获得的第i个传感器的 第k套实际测量结果的纵向分量，Zik_y(t1ik)是在第一时刻获得的第i个传感 器的第k套实际测量结果的横向分量。
在一个实施例中，如图3所示，该装置100还可以包括第5单元，其 被配置成，获得在所述第二时刻的关于目标状态的所有传感器的融合预测 结果。
在一个示例中，对于第二时刻t2，可以利用以下数式(16)来确定关 于某个目标的目标状态的融合预测结果：
其中，是在第二时刻t2的关于目标状态的所有传感器的融合预测结 果，F是系统状态转移矩阵，X(t1)是在第一时刻t1的关于目标状态的最优 融合估计结果(后述)，W(t2)是系统噪声。
在一个实施例中，如图3所示，该装置100还可以包括第6单元，其 被配置成，针对每一套预估测量结果，基于所述融合预测结果和该套预估 测量结果来获得在所述第二时刻的相应传感器关于目标状态的最优估计 结果。
关于第6单元的细节，将在下面详细说明。
具体地，在一个实施例中，所述第6单元包括第6A单元(未示出)， 其被配置成，针对所述每一套预估测量结果，基于所述融合预测结果和该 套预估测量结果来计算对应的转换矩阵。
在一个示例中，针对各套预估测量结果，可以利用以下数式(17)来 确定对应的转换矩阵：
其中，是与第i个传感器的第k套实际测量结果对应的在第二时 刻t2的预估测量结果，Hik是与第i个传感器的第k套实际测量结果对应 的转换矩阵，是在第二时刻t2的关于目标状态的所有传感器的融合 预测结果，V(t2)是测量噪声，f(Δtik)是根据Δt计算测量噪声权重的函数， Δtik越大，测量噪声越大。
在一个实施例中，所述第6单元还可以包括第6B单元(未示出)， 其被配置成，计算所述每一套预估测量结果对应的协方差。
在一个示例中，对于各套预估测量结果，可以利用以下数式(18)来 确定对应的协方差：
其中，是在第二时刻t2的第i个传感器关于目标状态的第k套预估测 量结果对应的协方差，F是系统状态转移矩阵，FT是系统状态转移矩阵的 转置矩阵，Pik(t1ik)是在第一时刻t1的针对第i个传感器的第k套预估测量 结果的最优估计结果对应的协方差(后述)，Q是系统过程噪声的协方差。
在一个实施例中，所述第6单元还可以包括第6C单元(未示出)， 其被配置成，针对所述每一套预估测量结果，基于所述对应的转换矩阵和 所述对应的协方差来计算对应的卡尔曼增益。
在一个示例中，对于各套预估测量结果，可以利用以下数式(19)来 计算对应的卡尔曼增益：
其中，kgik(t2)是在第二时刻t2的第i个传感器关于目标状态的第k套预估 测量结果对应的卡尔曼增益，是在第二时刻t2的第i个传感器关于目 标状态的第k套预估测量结果对应的协方差，Hik是与第i个传感器的第k 套实际测量结果对应的转换矩阵，Hik T是与第i个传感器的第k套实际测 量结果对应的转换矩阵的转置矩阵，R是测量过程噪声的协方差。
在一个实施例中，所述第6单元还可以包括第6D单元，其被配置成， 针对所述每一套预估测量结果，基于所述融合预测结果、所述对应的卡尔 曼增益、该套预估测量结果以及所述对应的转换矩阵，来计算对应的在所 述第二时刻的相应传感器关于目标状态的最优估计结果。
在一个示例中，对于各套预估测量结果，可以利用以下数式(20)来 计算对应的最优估计结果：
其中，Xik(t2)是在第二时刻t2的与第i个传感器的第k套预估测量结果对应 的最优估计结果，是在第二时刻t2的关于目标状态的所有传感器的 融合预测结果，kgik(t2)是在第二时刻t2的第i个传感器关于目标状态的第k 套预估测量结果对应的卡尔曼增益，是与第i个传感器的第k套 实际测量结果对应的在第二时刻t2的预估测量结果，Hik是与第i个传感 器的第k套实际测量结果对应的转换矩阵。
通过上述单元，可以针对每一套实际测量结果获得准确的关于目标状 态的最优估计结果。
可选地，在一个实施例中，该装置100还可以包括第7单元(未示出)， 其被配置成，对所有传感器的所述最优估计结果进行融合以确定每个所述 最优估计结果对应的权重、进而获得在所述第二时刻的关于目标状态的最 优融合估计结果。
在一个示例中，可以利用以下数式(21)来获得在第二时刻t2的关于 目标状态的最优融合估计结果：
其中，X(t2)是在第二时刻t2的关于目标状态的所有传感器的最优融合估计 结果，f是融合函数，Xik(t2)是在第二时刻t2的与第i个传感器的第k套预 估测量结果对应的最优估计结果，是在第二时刻t2的第i个传感器关 于目标状态的第k套预估测量结果对应的协方差。此外，如上述数式(16) 所示，在当前时刻(例如，第一时刻t1)的最优融合估计结果X(t1)还可以 用于计算在下一时刻(例如，第二时刻t2)的融合预测结果
可选地，在一个实施例中，该装置100还可以包括第8单元(未示出)， 其被配置成，根据在第6A单元中得到的转换矩阵和在第6C单元中得到 的卡尔曼增益来校正在第6B单元中得到的协方差，以获得经校正的协方 差，所述经校正的协方差可以用于计算在当前时刻(例如，第二时刻t2) 的下一时刻(例如，第三时刻t3)的预估测量结果对应的协方差(请参见上述数式(18))。
在一个示例中，利用以下数式(22)来获得在当前时刻(例如，第二 时刻t2)的经校正的协方差：
其中，Pik(t2)是在第二时刻t2的针对第i个传感器的第k套预估测量结果的 经校正的协方差，I是单位矩阵，kgik(t2)是在上述步骤S63中得到的在第 二时刻t2的第i个传感器关于目标状态的第k套预估测量结果对应的卡尔 曼增益，Hik是在步骤S61中得到的与第i个传感器的第k套实际测量结 果对应的转换矩阵，是在步骤S62中得到的在第二时刻t2的第i个传 感器关于目标状态的第k套预估测量结果对应的协方差，此外，在当前时 刻(例如，第二时刻t2)的Pik(t2)还可以用于计算在下一时刻(例如，第 三时刻t3)的
根据本发明的一个实施方式的上述用于使多传感器目标信息融合与 多传感器感测同步的方法及装置在应用于辅助驾驶时能够使得辅助驾驶 系统采用更为优化的数据，从而有助于其决策与控制，例如使自适应巡航、 紧急制动等辅助驾驶功能或场景能基于优化的数据做出更好的决策，这样 的功能或场景还可以包括车身稳定控制等。
虽然在此之前以用于使多传感器目标信息融合与多传感器感测同步 的方法及装置的实施方式为中心进行了说明，但是本发明不限定于这些实 施方式，也可以将本发明实施为以下方式：包含上述方法的辅助驾驶方法
的方式或者包含上述装置的辅助驾驶系统的方式或者用于执行上述方法 的计算机设备或者用于执行上述方法的计算机程序的方式或者用于实现 上述装置的功能的计算机程序的方式或者记录有该计算机程序的计算机 可读取的记录介质的方式。
在图4中示出了根据本发明的一个实施方式的用于执行根据本发明 的一个实施方式的用于使多传感器目标信息融合与多传感器感测同步的 方法的计算机设备。如图4所示，计算机设备200包括存储器201和处理 器202。虽然未图示，但是计算机设备200还包括存储在存储器201上并 可在处理器202上运行的计算机程序。所述处理器执行所述程序时实现 例如如图1、图2所示的根据本发明的一个实施方式的用于使多传感器目 标信息融合与多传感器感测同步的方法的各个步骤。
另外，如上所述，本发明也可以被实施为一种记录介质，在其中存储 有用于使计算机执行根据本发明的一个实施方式的用于使多传感器目标 信息融合与多传感器感测同步的方法的程序。
在此，作为记录介质，能采用盘类(例如，磁盘、光盘等)、卡类(例 如，存储卡、光卡等)、半导体存储器类(例如，ROM、非易失性存储 器等)、带类(例如，磁带、盒式磁带等)等各种方式的记录介质。
通过在这些记录介质中记录使计算机执行上述实施方式中的用于使 多传感器目标信息融合与多传感器感测同步的方法的计算机程序或使计 算机实现上述实施方式中的用于使多传感器目标信息融合与多传感器感 测同步的装置的功能的计算机程序并使其流通，从而能使成本的低廉化以 及可携带性、通用性提高。
而且，在计算机上装载上述记录介质，由计算机读出在记录介质中记 录的计算机程序并储存在存储器中，计算机所具备的处理器(CPU：Central Processing Unit(中央处理单元)、MPU：Micro Processing Unit(微处理 单元))从存储器读出该计算机程序并执行，由此，能执行上述实施方式 中的用于使多传感器目标信息融合与多传感器感测同步的方法并能实现 上述实施方式中的用于使多传感器目标信息融合与多传感器感测同步的装置的功能。
本领域普通技术人员应当了解，本发明不限定于上述的实施方式，本 发明可以在不偏离其主旨与范围内以许多其它的形式实施。因此，所展示 的示例与实施方式被视为示意性的而非限制性的，在不脱离如所附各权利 要求所定义的本发明精神及范围的情况下，本发明可能涵盖各种的修改与 替换。
Claims (16)
1.一种用于使多传感器目标信息融合与多传感器感测同步的方法，其特征在于，包括：
步骤S1：获得各个传感器关于目标状态的实际测量结果同时对获得每一套实际测量结果的时刻分别进行记录，以便针对每一套实际测量结果记录有一个第一时间戳；
步骤S2：将开始执行目标信息融合处理的时刻记录为第二时间戳；
步骤S3：分别计算各个第一时间戳表征的各个第一时刻与所述第二时间戳表征的第二时刻之间的时间差；
步骤S4：基于计算出的每一个时间差来更新其对应的在所述第一时刻获得的实际测量结果，以获得对应的在所述第二时刻的预估测量结果；
步骤S5：获得在所述第二时刻的关于目标状态的所有传感器的融合预测结果；以及
步骤S6：针对每一套预估测量结果，基于所述融合预测结果和该套预估测量结果来获得在所述第二时刻的相应传感器关于目标状态的最优估计结果。
2.根据权利要求1所述的方法，其特征在于，所述步骤S6包括：
步骤S61：针对所述每一套预估测量结果，基于所述融合预测结果和该套预估测量结果来计算对应的转换矩阵；
步骤S62：计算所述每一套预估测量结果对应的协方差；
步骤S63：针对所述每一套预估测量结果，基于所述对应的转换矩阵和所述对应的协方差来计算对应的卡尔曼增益；以及
步骤S64：针对所述每一套预估测量结果，基于所述融合预测结果、所述对应的卡尔曼增益、该套预估测量结果以及所述对应的转换矩阵，来计算对应的在所述第二时刻的相应传感器关于目标状态的最优估计结果。
3.根据权利要求2所述的方法，其特征在于，还包括：
步骤S7：对所有传感器的所述最优估计结果进行融合以确定每个所述最优估计结果对应的权重、进而获得在所述第二时刻的关于目标状态的最优融合估计结果。
4.根据权利要求2所述的方法，其特征在于，还包括：
步骤S8：根据在步骤S61中得到的转换矩阵和在步骤S63中得到的卡尔曼增益来校正在步骤S62中得到的协方差，以获得经校正的协方差。
5.根据权利要求4所述的方法，其特征在于，在所述步骤S62中，在所述第二时刻的所述每一套预估测量结果对应的协方差是利用在所述第一时刻的经校正的协方差来获得的。
6.根据权利要求3所述的方法，其特征在于，在所述步骤S1中，在所述第二时刻的所述融合预测结果是利用所述第一时刻的关于目标状态的最优融合估计结果来获得的。
7.一种用于使多传感器目标信息融合与多传感器感测同步的装置，其特征在于，包括：
第1单元：获得各个传感器关于目标状态的实际测量结果同时对获得每一套实际测量结果的时刻分别进行记录，以便针对每一套实际测量结果记录有一个第一时间戳；
第2单元：将开始执行目标信息融合处理的时刻记录为第二时间戳；
第3单元：分别计算各个第一时间戳表征的各个第一时刻与所述第二时间戳表征的第二时刻之间的时间差；
第4单元：基于计算出的每一个时间差来更新其对应的在所述第一时刻获得的实际测量结果，以获得对应的在所述第二时刻的预估测量结果；
第5单元：获得在所述第二时刻的关于目标状态的所有传感器的融合预测结果；以及
第6单元：针对每一套预估测量结果，基于所述融合预测结果和该套预估测量结果来获得在所述第二时刻的相应传感器关于目标状态的最优估计结果。
8.根据权利要求7所述的装置，其特征在于，所述第6单元包括：
第6A单元：针对所述每一套预估测量结果，基于所述融合预测结果和该套预估测量结果来计算对应的转换矩阵；
第6B单元：计算所述每一套预估测量结果对应的协方差；
第6C单元：针对所述每一套预估测量结果，基于所述对应的转换矩阵和所述对应的协方差来计算对应的卡尔曼增益；以及
第6D单元：针对所述每一套预估测量结果，基于所述融合预测结果、所述对应的卡尔曼增益、该套预估测量结果以及所述对应的转换矩阵，来计算对应的在所述第二时刻的相应传感器关于目标状态的最优估计结果。
9.根据权利要求8所述的装置，其特征在于，还包括：
第7单元：对所有传感器的所述最优估计结果进行融合以确定每个所述最优估计结果对应的权重、进而获得在所述第二时刻的关于目标状态的最优融合估计结果。
10.根据权利要求8所述的装置，其特征在于，还包括：
第8单元：根据在第6A单元中得到的转换矩阵和在第6C单元中得到的卡尔曼增益来校正在第6B单元中得到的协方差，以获得经校正的协方差。
11.根据权利要求10所述的方法，其特征在于，在所述第6B单元中，在所述第二时刻的所述每一套预估测量结果对应的协方差是利用在所述第一时刻的经校正的协方差来获得的。
12.根据权利要求9所述的方法，其特征在于，在所述第1单元中，在所述第二时刻的所述融合预测结果是利用所述第一时刻的关于目标状态的最优融合估计结果来获得的。
13.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现根据权利要求1至6中的任一项所述的方法的步骤。
14.一种记录介质，其上存储有计算机程序，其特征在于，该程序被计算机执行以实现根据权利要求1至6中的任一项所述的方法的步骤。
15.一种辅助驾驶方法，其特征在于，包括根据权利要求1至6中的任一项所述的用于使多传感器目标信息融合与多传感器感测同步的方法。
16.一种辅助驾驶系统，其特征在于，包括根据权利要求7至12中的任一项所述的用于使多传感器目标信息融合与多传感器感测同步的装置。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711346193.6A CN108573270B (zh) | 2017-12-15 | 2017-12-15 | 使多传感器目标信息融合与多传感器感测同步的方法及装置、计算机设备和记录介质 |
| EP18889848.0A EP3726429A4 (en) | 2017-12-15 | 2018-12-14 | MULTIPLE SENSOR TARGET INFORMATION FUSION |
| PCT/CN2018/121008 WO2019114807A1 (zh) | 2017-12-15 | 2018-12-14 | 多传感器目标信息融合 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711346193.6A CN108573270B (zh) | 2017-12-15 | 2017-12-15 | 使多传感器目标信息融合与多传感器感测同步的方法及装置、计算机设备和记录介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108573270A true CN108573270A (zh) | 2018-09-25 |
| CN108573270B CN108573270B (zh) | 2020-04-28 |
Family
ID=63575918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711346193.6A Active CN108573270B (zh) | 2017-12-15 | 2017-12-15 | 使多传感器目标信息融合与多传感器感测同步的方法及装置、计算机设备和记录介质 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP3726429A4 (zh) |
| CN (1) | CN108573270B (zh) |
| WO (1) | WO2019114807A1 (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019114807A1 (zh) * | 2017-12-15 | 2019-06-20 | 蔚来汽车有限公司 | 多传感器目标信息融合 |
| CN110720096A (zh) * | 2019-07-03 | 2020-01-21 | 深圳市速腾聚创科技有限公司 | 一种多传感器状态估计方法、装置及终端设备 |
| CN110879598A (zh) * | 2019-12-11 | 2020-03-13 | 北京踏歌智行科技有限公司 | 车辆用多传感器的信息融合方法和装置 |
| WO2020063818A1 (zh) * | 2018-09-30 | 2020-04-02 | 长城汽车股份有限公司 | 目标跟踪方法及装置 |
| CN111191734A (zh) * | 2020-01-03 | 2020-05-22 | 北京汽车集团有限公司 | 传感器数据融合方法、装置、设备及存储介质 |
| CN111348046A (zh) * | 2018-12-24 | 2020-06-30 | 长城汽车股份有限公司 | 目标数据融合方法、系统及机器可读存储介质 |
| CN112069867A (zh) * | 2019-06-11 | 2020-12-11 | 通用汽车环球科技运作有限责任公司 | 多目标跟踪与多感官数据和缺失模态的学习关联 |
| CN112208529A (zh) * | 2019-07-09 | 2021-01-12 | 长城汽车股份有限公司 | 用于目标检测的感知系统、驾驶辅助方法和无人驾驶设备 |
| CN112712549A (zh) * | 2020-12-31 | 2021-04-27 | 上海商汤临港智能科技有限公司 | 数据处理方法、装置、电子设备以及存储介质 |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102592830B1 (ko) * | 2018-12-05 | 2023-10-23 | 현대자동차주식회사 | 차량용 센서퓨전 타겟 예측 장치 및 그의 센서 퓨전 타겟 예측 방법과 그를 포함하는 차량 |
| CN110798848A (zh) * | 2019-09-27 | 2020-02-14 | 国家电网有限公司 | 无线传感器数据融合方法及装置、可读存储介质和终端 |
| CN111881955B (zh) * | 2020-07-15 | 2023-07-04 | 北京经纬恒润科技股份有限公司 | 多源传感器信息融合方法及装置 |
| CN112003891B (zh) * | 2020-07-16 | 2022-09-06 | 山东派蒙机电技术有限公司 | 用于智能网联车辆控制器的多传感数据融合方法 |
| CN113219347A (zh) * | 2021-04-27 | 2021-08-06 | 东软睿驰汽车技术（沈阳）有限公司 | 一种电池参数测量方法及装置 |
| CN114065876B (zh) * | 2022-01-11 | 2022-04-12 | 华砺智行(武汉)科技有限公司 | 基于路侧多传感器的数据融合方法、装置、系统及介质 |
| CN114608589B (zh) * | 2022-03-04 | 2024-06-25 | 西安邮电大学 | 一种多传感器信息融合方法及系统 |
| CN114964270B (zh) * | 2022-05-17 | 2024-04-26 | 驭势科技（北京）有限公司 | 融合定位方法、装置、车辆及存储介质 |
| CN115792796B (zh) * | 2023-02-13 | 2023-06-06 | 鹏城实验室 | 基于相对观测等效模型的协同定位方法、装置及终端 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160103214A1 (en) * | 2014-10-08 | 2016-04-14 | Src, Inc. | Use of Range-Rate Measurements in a Fusion Tracking System via Projections |
| CN106291533A (zh) * | 2016-07-27 | 2017-01-04 | 电子科技大学 | 一种基于amd的分布式多传感器融合算法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105352535A (zh) * | 2015-09-29 | 2016-02-24 | 河海大学 | 一种基于多传感器数据融合的测量方法 |
| CN108573271B (zh) * | 2017-12-15 | 2022-06-28 | 上海蔚来汽车有限公司 | 多传感器目标信息融合的优化方法及装置、计算机设备和记录介质 |
| CN108573270B (zh) * | 2017-12-15 | 2020-04-28 | 上海蔚来汽车有限公司 | 使多传感器目标信息融合与多传感器感测同步的方法及装置、计算机设备和记录介质 |
-
2017
- 2017-12-15 CN CN201711346193.6A patent/CN108573270B/zh active Active
-
2018
- 2018-12-14 WO PCT/CN2018/121008 patent/WO2019114807A1/zh unknown
- 2018-12-14 EP EP18889848.0A patent/EP3726429A4/en active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160103214A1 (en) * | 2014-10-08 | 2016-04-14 | Src, Inc. | Use of Range-Rate Measurements in a Fusion Tracking System via Projections |
| CN106291533A (zh) * | 2016-07-27 | 2017-01-04 | 电子科技大学 | 一种基于amd的分布式多传感器融合算法 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019114807A1 (zh) * | 2017-12-15 | 2019-06-20 | 蔚来汽车有限公司 | 多传感器目标信息融合 |
| WO2020063818A1 (zh) * | 2018-09-30 | 2020-04-02 | 长城汽车股份有限公司 | 目标跟踪方法及装置 |
| CN111348046A (zh) * | 2018-12-24 | 2020-06-30 | 长城汽车股份有限公司 | 目标数据融合方法、系统及机器可读存储介质 |
| CN111348046B (zh) * | 2018-12-24 | 2021-06-15 | 毫末智行科技有限公司 | 目标数据融合方法、系统及机器可读存储介质 |
| CN112069867A (zh) * | 2019-06-11 | 2020-12-11 | 通用汽车环球科技运作有限责任公司 | 多目标跟踪与多感官数据和缺失模态的学习关联 |
| CN112069867B (zh) * | 2019-06-11 | 2024-02-20 | 通用汽车环球科技运作有限责任公司 | 多目标跟踪与多感官数据和缺失模态的学习关联 |
| WO2021000278A1 (zh) * | 2019-07-03 | 2021-01-07 | 深圳市速腾聚创科技有限公司 | 一种多传感器状态估计方法、装置及终端设备 |
| CN110720096A (zh) * | 2019-07-03 | 2020-01-21 | 深圳市速腾聚创科技有限公司 | 一种多传感器状态估计方法、装置及终端设备 |
| CN110720096B (zh) * | 2019-07-03 | 2022-07-08 | 深圳市速腾聚创科技有限公司 | 一种多传感器状态估计方法、装置及终端设备 |
| CN112208529A (zh) * | 2019-07-09 | 2021-01-12 | 长城汽车股份有限公司 | 用于目标检测的感知系统、驾驶辅助方法和无人驾驶设备 |
| CN110879598A (zh) * | 2019-12-11 | 2020-03-13 | 北京踏歌智行科技有限公司 | 车辆用多传感器的信息融合方法和装置 |
| CN111191734A (zh) * | 2020-01-03 | 2020-05-22 | 北京汽车集团有限公司 | 传感器数据融合方法、装置、设备及存储介质 |
| CN111191734B (zh) * | 2020-01-03 | 2024-05-28 | 北京汽车集团有限公司 | 传感器数据融合方法、装置、设备及存储介质 |
| CN112712549A (zh) * | 2020-12-31 | 2021-04-27 | 上海商汤临港智能科技有限公司 | 数据处理方法、装置、电子设备以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3726429A1 (en) | 2020-10-21 |
| EP3726429A4 (en) | 2021-08-18 |
| CN108573270B (zh) | 2020-04-28 |
| WO2019114807A1 (zh) | 2019-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108573270A (zh) | 使多传感器目标信息融合与多传感器感测同步的方法及装置、计算机设备和记录介质 | |
| CN108573271A (zh) | 多传感器目标信息融合的优化方法及装置、计算机设备和记录介质 | |
| CN105931275A (zh) | 基于移动端单目和imu融合的稳定运动跟踪方法和装置 | |
| CN106104656B (zh) | 地图信息生成系统、方法及程序 | |
| CN110160542A (zh) | 车道线的定位方法和装置、存储介质、电子装置 | |
| CN109196432A (zh) | 用于自动驾驶车辆的速度控制参数估计方法 | |
| CN108582069A (zh) | 机器人拖动示教系统和方法、存储介质、操作系统 | |
| CN109634100A (zh) | 仿人机器人行走加速度补偿方法、装置及仿人机器人 | |
| CN110355751A (zh) | 控制装置和机器学习装置 | |
| CN109074085A (zh) | 一种自主定位和地图建立方法、装置和机器人 | |
| CN110956665B (zh) | 车辆拐弯轨迹双向计算方法、系统、装置 | |
| CN106584489A (zh) | 具备计算传感器的位置和方向的功能的机器人系统 | |
| CN108357498A (zh) | 一种车辆状态参数确定方法、装置及汽车 | |
| JP6705179B2 (ja) | 交通流量算出方法、装置、及びプログラム | |
| CN110861082B (zh) | 辅助建图方法、装置、建图机器人及存储介质 | |
| CN109443392A (zh) | 导航误差确定方法及装置、导航控制方法、装置及设备 | |
| CN109141411B (zh) | 定位方法、定位装置、移动机器人及存储介质 | |
| CN110345936A (zh) | 运动装置的轨迹数据处理方法及其处理系统 | |
| CN109478335A (zh) | 驾驶辅助方法、驾驶辅助系统和车辆 | |
| CN111145251A (zh) | 一种机器人及其同步定位与建图方法和计算机存储设备 | |
| CN112729294B (zh) | 适用于机器人的视觉和惯性融合的位姿估计方法及系统 | |
| CN109360225A (zh) | 一种运动模型的优化系统及方法 | |
| JPH03269317A (ja) | 位置検出方式 | |
| EP4083920A1 (en) | Method and apparatus for accelerating simultaneous localization and mapping | |
| CN107121128A (zh) | 一种足式机器人地形参数的测量方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190307 Address after: Room 115, No. 569, Anting Town, Anting Town, Jiading District Applicant after: Shanghai Wei Lai Automobile Co., Ltd. Address before: Room 502, Minsheng Bank Building, 12 Cecil Harcourt Road, central, Hongkong, China Applicant before: WEILAI AUTOMOBILE CO., LTD. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210218 Address after: 230601 Susong Road West, Shenzhen Road North, Hefei Economic and Technological Development Zone, Anhui Province Patentee after: Weilai Holdings Ltd. Address before: 201804 room 115, 569 Anchi Road, Anting Town, Jiading District, Shanghai Patentee before: NIO Co.,Ltd. |