CN109099920B - 基于多传感器关联的传感器目标精确定位方法 - Google Patents

Abstract

本发明公开了一种基于多传感器关联的传感器目标精确定位方法，包括以下步骤：步骤1、获取多个传感器所采集的数据；步骤2、对每个传感器均进行如下处理：空间配准和数据压缩；步骤3、单个传感器的数据关联：步骤4、单个传感器的数据滤波：步骤5、多传感器的时间同步：将各个传感器传感的观测的目标同步到一个时间点上；步骤6、多传感器多目标关联；将不同传感器观测的目标，为同一目标的进行标记；步骤7、融合：对不同传感器所观测的同一目标进行融合处理，输出该目标的融合定位结果；步骤8、滤波：用卡尔曼滤波对步骤7输出的结果进行滤波处理。本发明保证了目标输出的精确定位。

Description

基于多传感器关联的传感器目标精确定位方法

技术领域

本发明属于传感器数据处理技术领域，具体涉及一种基于多传感器关联的传感器目标精确定位方法。

背景技术

随着现代技术进步和科技发展，人们对车辆的要求越来越高，在满足传统行驶的基础上，还需要能够实现车辆的智能化控制，如无人驾驶汽车、自适应巡航、车辆主动安全、全自动泊车等功能。其中用于环境和情景感知的传感器模块（比如：激光雷达、毫米波雷达和摄像头等）是智能化控制中的重要组成部分，对单个传感器所采集数据的处理以及多个传感器所采集数据的融合都至关重要。

因此，有必要开发一种新的基于多传感器关联的传感器目标精确定位方法。

发明内容

本发明的目的是提供一种基于多传感器关联的传感器目标精确定位方法，能保证目标输出的精确定位。

本发明所述的基于多传感器关联的传感器目标精确定位方法，包括以下步骤：

包括以下步骤：

步骤1、获取多个传感器所采集的数据；

步骤2、对每个传感器均进行如下处理：

空间配准：将不同传感器的坐标系统一到同一个坐标系下；

数据压缩：对于单个传感器，向传感器数据添加时间戳，判断传感器当前观测的目标检测位置和上一时刻的目标预测位置之间的时间戳差是否小于预设值A，若小于，则根据上一时刻的目标预测位置、时间戳差和本车与目标之间的相对速度估算出在当前时刻下的目标预测位置，并进入步骤3，若大于，则将上一时刻的目标预测位置设为当前传感器的目标检测位置，并作为当前时刻下的目标预测位置；

步骤3、单个传感器的数据关联：

将传感器当前观测的目标检测位置和当前时刻的目标预测位置进行关联，若关联成功，则认为本次所观测的目标在上一帧中也存在，并输出传感器所观测目标的目标检测位置和目标预测位置，若关联未成功，则认为本次所观测的目标在上一帧中不存在，仅输出传感器所观测目标的目标检测位置；

步骤4、单个传感器的数据滤波：

将步骤3输出的目标检测位置和目标预测位置进行滤波，输出修正后的目标预测位置；

步骤5、多传感器的时间同步：

将各个传感器传感的观测的目标同步到一个时间点上；

步骤6、多传感器多目标关联；

将不同传感器观测的目标，为同一目标的进行标记；

步骤7、融合：

对不同传感器所观测的同一目标进行融合处理，输出该目标的融合定位结果；

步骤8、滤波：

对步骤7输出的结果进行滤波处理，获得融合后的目标的状态信息。

进一步，所述步骤2中，根据上一时刻的目标预测位置、时间戳差和本车与目标之间的相对速度估算出在当前时刻下的目标预测位置，具体为：

当前时刻下的目标预测位置=上一时刻的目标预测位置+时间戳差*本车与目标之间的相对速度。

进一步，所述步骤5中，采用速度内插外推算法进行时间同步。

进一步，所述步骤6中，利用优化的全局最近邻域算法进行数据关联。

进一步，所述步骤3中，建立第一滤波器并设置第一滤波器的第一阈值；计算每一目标检测位置与每一目标预测位置分别在x向和y向的距离，通过第一滤波器判断目标检测位置与目标预测位置在x向的距离和在y向的距离之和是否大于第一阈值，若是，则认为两者不相关，并将两者之间的关联距离设置为K并存入容器中，否则计算两者之间的直线距离D，并将其作为关联距离存入容器中；

建立第二滤波器，通过第二滤波器查找出容器中的最小D,记为Dmin，并认定Dmin对应的目标检测位置与目标预测位置为潜在关联对象；

建立第三滤波器，设置第三滤波器的第二阈值，通过第三滤波器判断关联距离Dmin是否小于第二阈值，若小于，则认为Dmin对应的目标检测位置与目标预测位置相互关联，否则认为两者不相关联。

进一步，所述步骤4具体为：

将步骤3输出的目标检测位置作为观测值，将步骤3输出的目标预测位置作为预测值，通过卡尔曼滤波后输出修正后的目标预测位置。

进一步，所述步骤8具体为：将步骤7输出的融合定位结果作为观测值，根据上一时刻输出的融合定位结果估算出当前帧的预测融合定位结果，并将该预测融合定位结果作为预测值，用卡尔曼滤波进行滤波后输出融合后的目标的状态信息。

进一步，根据上一时刻输出的融合定位结果估算出当前帧的预测融合定位结果，具体为：

判断当前融合定位结果和上一时刻的预测融合定位结果之间的时间戳差是否小于预设值A，若小于，则根据上一时刻的预测融合定位结果、时间戳差和本车与目标之间的相对速度估算出在当前时刻下的预测融合定位结果，若大于，则将上一时刻的预测融合定位结果设为当前融合定位结果，并作为当前时刻下的预测融合定位结果。

本发明具有以下优点：

（1）在单个传感器级别实现了第一级别的同一个传感器输出目标值的精确关联；

（2）在多个传感器级别实现了第二级别的输出目标值精确关联；

综上所述，通过两级关联保证了目标输出的精确定位。

附图说明

图1 为本发明的流程图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，本发明所述的基于多传感器关联的传感器目标精确定位方法，包括以下步骤：

步骤1、获取多个传感器所采集的数据；

步骤2、对每个传感器均进行如下处理：

空间配准：将不同传感器的坐标系统一到同一个坐标系下；

数据压缩：对于单个传感器，向传感器数据添加时间戳，判断传感器当前观测的目标检测位置和上一时刻的目标预测位置之间的时间戳差是否小于预设值A，若小于，则根据上一时刻的目标预测位置、时间戳差和本车与目标之间的相对速度估算出在当前时刻下的目标预测位置，并进入步骤3，若大于，则将上一时刻的目标预测位置设为当前传感器的目标检测位置，并作为当前时刻下的目标预测位置；这种处理方法能够减少数据量，提升运行速度，同时能够避免单个传感器出现短暂故障（比如：传感器通讯故障）对系统的影响，即能够确保系统的稳定性。

本实施例中，根据上一时刻的目标预测位置、时间戳差和本车与目标之间的相对速度估算出在当前时刻下的目标预测位置，具体为：

当前时刻下的目标预测位置=上一时刻的目标预测位置+时间戳差*本车与目标之间的相对速度。

步骤3、单个传感器的数据关联：

将传感器当前观测的目标检测位置和当前时刻的目标预测位置进行关联，若关联成功，则认为本次所观测的目标在上一帧中也存在，并输出传感器所观测目标的目标检测位置和目标预测位置，若关联未成功，则认为本次所观测的目标在上一帧中不存在，仅输出传感器所观测目标的目标检测位置。具体为：

建立第一滤波器并设置第一滤波器的第一阈值；计算每一目标检测位置与每一目标预测位置分别在x向和y向的距离，通过第一滤波器判断目标检测位置与目标预测位置在x向的距离和在y向的距离之和是否大于第一阈值，若是，则认为两者不相关，并将两者之间的关联距离设置为K并存入容器中，否则计算两者之间的直线距离D，并将其作为关联距离存入容器中；

建立第二滤波器，通过第二滤波器查找出容器中的最小D,记为Dmin，并认定Dmin对应的目标检测位置与目标预测位置为潜在关联对象；

建立第三滤波器，设置第三滤波器的第二阈值，通过第三滤波器判断关联距离Dmin是否小于第二阈值，若小于，则认为Dmin对应的目标检测位置与目标预测位置相互关联，否则认为两者不相关联。

这种关联方式存在以下优点：

（1）通过设置第一级滤波，在目标检测位置与目标预测位置建立关联矩阵前，对关联距离进行了设定阈值的预处理，提前对x向，y向距离进行提前计算，若超过所设定的阈值，则认定不值得再判断此两点的距离，故提高了目标关联矩阵建立前的关联判断效率；

（2）通过设置第二级滤波，找出目标关联矩阵中的最小值Dmin，并认定Dmin所对应的输入目标与预测目标为潜在关联对象，故保证了目标关联的唯一性；

（3）通过设置第三级滤波,判断关联距离Dmin是否小于设定的阈值，小于才认定为检测目标与预测目标相互关联，故提高了目标关联的准确度。

步骤4、单个传感器的数据滤波：

将步骤3输出的目标检测位置作为观测值，将步骤3输出的目标预测位置作为预测值，通过卡尔曼滤波后输出修正后的目标预测位置。

步骤5、多传感器的时间同步：

将各个传感器传感的观测的目标同步到一个时间点上；

比如：传感器1,有一组T时刻，sensor1_outputV1,sensor1_outputV2,…,sensor1_outputVx(x个输出);

传感器2，有一组T’时刻，sensor2_outputV1’,sensor2_outputV2’,…,sensor2_outputVn’（n个输出）;

传感器3，有一组T’’时刻，sensor3_outputV1’’,snsor3_outputV2’’,…,sensor3_outputVw’’（w个输出）;

根据“速度内插外推算法”做时间同步，将各个传感器传感数据同步到一个时间点上来。

步骤6、多传感器多目标关联；

将不同传感器观测的目标，为同一目标的进行标记；

比如：

传感器1,有一组T时刻，sensor1_outputV1,sensor1_outputV2,…,sensor1_outputVx（x个输出）；

传感器2，有一组T时刻，sensor2_outputV1’,sensor2_outputV2’,…,sensor2_outputVn’（n个输出）；

传感器3，有一组T时刻，sensor3_outputV1’’,snsor3_outputV2’’,…,sensor3_outputVw’’’（w个输出）；

以上数据，利用优化的全局最近临域算法进行数据关联。

步骤7、融合：

对不同传感器所观测的同一目标进行融合处理，输出该目标的融合定位结果；

步骤8、滤波：

将步骤7输出的融合定位结果作为观测值，根据上一时刻输出的融合定位结果估算出当前帧的预测融合定位结果，并将该预测融合定位结果作为预测值，用卡尔曼滤波进行滤波后获得融合后的目标的状态信息（包括目标位置坐标、类型、速度、加速度、尺寸等相关信息）。

本实施例中，根据上一时刻输出的融合定位结果估算出当前帧的预测融合定位结果，具体为：

判断当前融合定位结果和上一时刻的预测融合定位结果之间的时间戳差是否小于预设值A，若小于，则根据上一时刻的预测融合定位结果、时间戳差和本车与目标之间的相对速度估算出在当前时刻下的预测融合定位结果，若大于，则将上一时刻的预测融合定位结果设为当前融合定位结果，并作为当前时刻下的预测融合定位结果。

Claims (7)

1.一种基于多传感器关联的传感器目标精确定位方法，其特征在于，包括以下步骤：

步骤1、获取多个传感器所采集的数据；

步骤2、对每个传感器均进行如下处理：

空间配准：将不同传感器的坐标系统一到同一个坐标系下；

数据压缩：对于单个传感器，向传感器数据添加时间戳，判断传感器当前观测的目标检测位置和上一时刻的目标预测位置之间的时间戳差是否小于预设值A，若小于，则根据上一时刻的目标预测位置、时间戳差和本车与目标之间的相对速度估算出在当前时刻下的目标预测位置，并进入步骤3，若大于，则将上一时刻的目标预测位置设为当前传感器的目标检测位置，并作为当前时刻下的目标预测位置；

步骤3、单个传感器的数据关联：

将传感器当前观测的目标检测位置和当前时刻的目标预测位置进行关联，若关联成功，则认为本次所观测的目标在上一帧中也存在，并输出传感器所观测目标的目标检测位置和目标预测位置，若关联未成功，则认为本次所观测的目标在上一帧中不存在，仅输出传感器所观测目标的目标检测位置；具体为：

建立第一滤波器并设置第一滤波器的第一阈值；计算每一目标检测位置与每一目标预测位置分别在x向和y向的距离，通过第一滤波器判断目标检测位置与目标预测位置在x向的距离和在y向的距离之和是否大于第一阈值，若是，则认为两者不相关，并将两者之间的关联距离设置为K并存入容器中，否则计算两者之间的直线距离D，并将其作为关联距离存入容器中；

建立第二滤波器，通过第二滤波器查找出容器中的最小D,记为Dmin，并认定Dmin对应的目标检测位置与目标预测位置为潜在关联对象；

建立第三滤波器，设置第三滤波器的第二阈值，通过第三滤波器判断关联距离Dmin是否小于第二阈值，若小于，则认为Dmin对应的目标检测位置与目标预测位置相互关联，否则认为两者不相关联；

步骤4、单个传感器的数据滤波：

将步骤3输出的目标检测位置和目标预测位置进行滤波，输出修正后的目标预测位置；

步骤5、多传感器的时间同步：

将各个传感器传感的观测的目标同步到一个时间点上；

步骤6、多传感器多目标关联；

将不同传感器观测的目标，为同一目标的进行标记；

步骤7、融合：

对不同传感器所观测的同一目标进行融合处理，输出该目标的融合定位结果；

步骤8、滤波：

对步骤7输出的结果进行滤波处理，获得融合后的目标的状态信息。

2.根据权利要求1所述的基于多传感器关联的传感器目标精确定位方法，其特征在于：所述步骤2中，根据上一时刻的目标预测位置、时间戳差和本车与目标之间的相对速度估算出在当前时刻下的目标预测位置，具体为：

当前时刻下的目标预测位置=上一时刻的目标预测位置+时间戳差*本车与目标之间的相对速度。

3.根据权利要求1或2所述的基于多传感器关联的传感器目标精确定位方法，其特征在于：所述步骤5中，采用速度内插外推算法进行时间同步。

4.根据权利要求3所述的基于多传感器关联的传感器目标精确定位方法，其特征在于：所述步骤6中，利用优化的全局最近邻域算法进行数据关联。

5.根据权利要求1或2或4所述的基于多传感器关联的传感器目标精确定位方法，其特征在于：所述步骤4具体为：

将步骤3输出的目标检测位置作为观测值，将步骤3输出的目标预测位置作为预测值，通过卡尔曼滤波后输出修正后的目标预测位置。

6.根据权利要求5所述的基于多传感器关联的传感器目标精确定位方法，其特征在于：所述步骤8具体为：将步骤7输出的融合定位结果作为观测值，根据上一时刻输出的融合定位结果估算出当前帧的预测融合定位结果，并将该预测融合定位结果作为预测值，用卡尔曼滤波进行滤波后输出融合后的目标的状态信息。

7.根据权利要求6所述的基于多传感器关联的传感器目标精确定位方法，其特征在于：根据上一时刻输出的融合定位结果估算出当前帧的预测融合定位结果，具体为：

判断当前融合定位结果和上一时刻的预测融合定位结果之间的时间戳差是否小于预设值A，若小于，则根据上一时刻的预测融合定位结果、时间戳差和本车与目标之间的相对速度估算出在当前时刻下的预测融合定位结果，若大于，则将上一时刻的预测融合定位结果设为当前融合定位结果，并作为当前时刻下的预测融合定位结果。

Images