CN109523129A - 一种无人车多传感器信息实时融合的方法 - Google Patents

Abstract

本发明公开了一种无人车多传感器信息实时融合的方法，包括如下步骤：确定各个传感器的先验概率；确定初始mass函数；计算关联度；根据关联度，得到信任集合、模糊集合和风险集合；计算信任集合、模糊集合、风险集合的风险函数；计算后验概率；将每个传感器的后验概率与预设的风险阈值进行比较；分别对每个目标信息对应的各个传感器的初始mass函数按照下式进行修正；进行D‑S乘法融合，得到无人车传感器系统对每个目标信息识别后的融合概率。本发明引入衡量不确定度先验因子，利用数据关联分布进行风险评估，对不确定度的量化处理，能有效地避免失效传感器对融合结果的影响，可大幅提高多源目标识别的融合信息质量。

Description

一种无人车多传感器信息实时融合的方法

技术领域

本发明涉及信息处理技术领域，具体涉及一种无人车多传感器信息实时融合的方法。

背景技术

无人车在复杂的环境中，传感器的不确定性和波动性都会大幅提高，而现有的多传感器信息融合方法主要基于贝叶斯理论，并不适用于复杂多变的无人车系统。

发明内容

针对现有技术的不足，本发明旨在提供一种无人车多传感器信息实时融合的方法，引入衡量不确定度先验因子，利用数据关联分布进行风险评估，对不确定度的量化处理，能有效地避免失效传感器对融合结果的影响，可大幅提高多源目标识别的融合信息质量。

为了实现上述技术目的，本发明采用如下技术方案：

一种无人车多传感器信息实时融合的方法，包括如下步骤：

S1、确定各个传感器的先验概率P^Q：

S2、根据步骤S1确定的各个传感器的先验概率P^Q，确定每个目标信息对应的各个传感器的初始mass函数m_i(X_L)；目标信息识别框架Θ＝{X₁,X₂,X₃,X₄，…，X_L，…，X_|Θ|}，|Θ|表示目标信息的个数；i＝1,2,……，n，n表示传感器的个数；

S3、计算每个目标信息对应的各个传感器两两之间的关联度；

S4、根据每个目标信息对应的各个传感器的与其他传感器的关联度，判断对于每个目标信息对应的各个传感器而言，与其他传感器的关联度位于信任区间、模糊区间还是风险区间，从而得到每个目标信息对应的各个传感器的信任集合、模糊集合和风险集合；

S5、利用贝叶斯公式对集合风险决策评估，分别定义信任集合、模糊集合、风险集合的风险函数P_H、P_M、P_L计算方法如下：

需对每个目标信息所对应的各个传感器的信任集合、模糊集合和风险集合分别计算风险函数；

S6、单目标后验不确定度：

根据步骤S5中得到的每个目标信息对应的各个传感器的信任集合、模糊集合和风险集合的风险函数，按照下式分别计算每个目标信息对应的各个传感器的后验概率：

S7、多级失效预警：

将每个传感器的各个后验概率分别与预设的风险阈值进行比较，若某个传感器的后验概率低于所述风险阈值则对该传感器进行步骤S8的处理，否则发出该传感器异常的风险预警；

S8、样本修正:

对于各个传感器，若无异常的风险预警则默认系统正常工作，根据步骤S6中计算得到的后验概率，分别对每个目标信息对应的各个传感器的初始mass函数按照下式进行修正：

S9、对步骤S8计算得到的每个目标信息对应的各个传感器的修正后mass函数，按照下式进行D-S乘法融合，得到无人车传感器系统对每个目标信息识别后的融合概率：

其中，

依据得到的无人车传感器系统对每个目标信息识别后的融合概率，无人车传感器系统可迅速做出正确的决策。

进一步地，步骤S3中，按照如下方式计算每个目标信息对应的各个传感器两两之间的关联度：

当m_i(X_L)＝m_j(X_L)＝0时，则对于目标信息X_L，传感器i和传感器j的关联度否则对于目标信息X_L，传感器i和传感器j的关联度

进一步地，步骤S4的具体过程为：

通过设置上限值W(X)_max与下限值W(X)_min将置信区间划分为信任区间、模糊区间、风险区间，然后将每个目标信息对应的各个传感器的与其他传感器的关联度与所述上限值和下限值进行比较，判断对于每个目标信息对应的各个传感器而言，与其他传感器的关联度位于信任区间、模糊区间还是风险区间，从而得到每个目标信息对应的各个传感器对应的信任集合、模糊集合和风险集合；

其中，对于每个目标信息，两个传感器之间的关联度大于W(X)_max时则位于信任区间，此时两个传感器分别在对方的信任集合内，当关联度小于或等于W(X)_max且大于或等于W(X)_min时则位于模糊区间，此时两个传感器分别在对方的模糊集合内，当关联度小于W(X)_min时则位于风险区间，此时两个传感器分别在对方的风险集合内。

本发明的有益效果在于：本发明引入衡量不确定度先验因子，利用数据关联分布进行风险评估，对不确定度的量化处理，能有效地避免失效传感器对融合结果的影响，可大幅提高多源目标识别的融合信息质量。

具体实施方式

以下将对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。

本实施例提供一种无人车多传感器信息实时融合的方法，包括如下步骤：

S1、确定各个传感器的先验概率P^Q：

在本实施例中，所述先验概率为主观概率，根据对传感器进行主观的分析、推理、实验得到，一般通过频率法得到的P^Q＝m/n(n：试验次数，m符合期望次数)，该值决定了传感器系统初始的偏向，可通过后验数据分布进行调整。

先验概率会在后续的步骤中进行调整，初始值不必完全准确无误。上述分析是指由于不同的传感器在不同环境下具有不同的精度，需分类并计算出各种环境下的先验概率，以获得较强的环境适应性。推理是指传感器先验概率的预估可以根据传感器厂家的参数(如传感器本身测量精度的不同)，近似的得到该传感器的相对期望值，最终在不同的环境中进行实验。将实验次数记做n，传感器正确判断的次数记做m。当实验次数较多时，根据切比雪夫大数定理可知频率等于概率，即得先验概率P^Q＝m/n。

S2、样本分布：

无人车是一个实时性要求高的系统，既然难以确保传感器信息的完全可靠，那么可以将每一刻传感器所传输的数据既当作目标信息，也当作对传感器风险评估的一个样本，通过评估出的风险分布，便可对样本自身进行调整；

在本实施例中，将引入先验概率后的每个目标信息对应的各个传感器的初始mass函数列为分布样本表，如表1所示：

表1

其中m_i(X_L)是某一目标信息L的初始mass函数；目标识别框架Θ＝{X₁,X₂,X₃,X₄，…，X_L，…，X_|Θ|}，|Θ|表示目标信息的个数；i＝1,2,……，n，n表示传感器的个数。

在D-S理论中，对于某一传感器m_i，当有函数m：2^Θ→[0,1]满足如下条件：

则称为函数m是2^Θ上的概率分布函数，m(A)称为A的基本概率数，表示对A的信任程度，也称为mass函数。

S3、按照如下方式计算每个目标信息对应的各个传感器两两之间的关联度：

当m_i(X_L)＝m_j(X_L)＝0时，则对于目标信息X_L，传感器i和传感器j的关联度否则对于目标信息X_L，传感器i和传感器j的关联度

在本实施例中，将得到每个目标信息X_L所对应的各个传感器两两之间的关联度表示为冲突分布样本矩阵，如表2所示，得到的冲突分布样本矩阵共有|Θ|个。

表2

	M1	M2	M3	M4
					M1	β<sub>11</sub>	β<sub>12</sub>	β<sub>13</sub>	β<sub>14</sub>
M2	β<sub>21</sub>	β<sub>22</sub>	β<sub>23</sub>	β<sub>24</sub>
					M3	β<sub>31</sub>	β<sub>32</sub>	β<sub>33</sub>	β<sub>34</sub>
M4	β<sub>41</sub>	β<sub>42</sub>	β<sub>43</sub>	β<sub>44</sub>

S4、基于数据关联的区间分布：

每个目标信息对应的冲突分布样本矩阵都是群体决策事件，样本中两个传感器之间的关联度就是一个传感器对另一个传感器的置信度，其中数据关联度越高则置信度越高；通过设置上限值W(X)_max与下限值W(X)_min将置信区间划分为信任区间、模糊区间、风险区间，然后将每个目标信息对应的各个传感器的与其他传感器的关联度与所述上限值和下限值进行比较，判断对于每个目标信息对应的各个传感器而言，与其他传感器的关联度位于信任区间、模糊区间还是风险区间，从而得到每个目标信息对应的各个传感器的信任集合、模糊集合和风险集合；

其中，对于每个目标信息，两个传感器之间的关联度大于W(X)_max时则位于信任区间，此时两个传感器分别在对方的信任集合内，当关联度小于或等于W(X)_max且大于或等于W(X)_min时则位于模糊区间，此时两个传感器分别在对方的模糊集合内，当关联度小于W(X)_min时则位于风险区间，此时两个传感器分别在对方的风险集合内。

在本实施例中，将划分完成后结果列为单个目标信息X_L的分层样本分布表格，如表3所示；

表3

H(X)表示信任集合，M(X)表示模糊集合，L(X)表示风险集合。

S5、集合后验风险函数：

利用贝叶斯公式对集合风险决策评估，分别定义信任集合、模糊集合、风险集合的风险函数P_H、P_M、P_L计算方法如下：

需对每个目标信息所对应的各个传感器的信任集合、模糊集合和风险集合分别计算风险函数(在本实施例中，即为对|Θ|个上述所示分层样本分布表中每行的三个集合分别计算，从而计算得到3*n*|Θ|个集合的风险函数)。

S6、单目标后验不确定度：

根据步骤S5中得到的每个目标信息对应的各个传感器的信任集合、模糊集合和风险集合的风险函数，按照下式分别计算每个目标信息对应的各个传感器的后验概率：

在本实施例中，对计算得到的后验概率结果列为多源多目标后验概率分布表，如表4所示：

表4

S7、多级失效预警：

将每个传感器的|Θ|个后验概率与预设的风险阈值进行比较，若某个传感器的一个后验概率低于所述风险阈值则对该传感器进行步骤S8的处理，否则发出该传感器异常的风险预警。

在精度要求高的无人车系统中，若有传感器发出预警需立即停车并检查传感器，避免风险的发生。例如在四级失效预警中，若一个正常传感器的先验概率为0.95，那么其连续失效四次并发出预警的概率为(1-0.95)⁴，这是一个很小的概率。一般而言传感器的精度高于0.95，所以四级预警足以证明传感器已经损坏。

S8、样本修正:

对于各个传感器，若无异常的风险预警则默认系统正常工作，根据步骤S6中计算得到的后验概率，分别对每个目标信息对应的各个传感器的初始mass函数按照下式进行修正：

在本实施例中，将基于最新风险的修正目标mass函数分布样本列为列表，如表5所示：

表5

S9、对步骤S8计算得到的每个目标信息对应的各个传感器的修正后mass函数，按照下式进行D-S乘法融合，得到无人车传感器系统对每个目标信息识别后的融合概率：

其中，

在本实施例中将得到的无人车传感器系统对每个目标信息识别后的融合概率列为表格，如表6所示：

表6

	X<sub>1</sub>	X<sub>2</sub>	X<sub>3</sub>	X<sub>4</sub>
					融合后信息	P(X<sub>1</sub>)	P(X<sub>2</sub>)	P(X<sub>3</sub>)	P(X<sub>4</sub>)

D-S乘法融合后分别得到无人车传感器系统对每个目标信息识别后的融合概率，依此无人车系统可迅速做出正确的决策。

对于本领域的技术人员来说，可以根据以上的技术方案和构思，给出各种相应的改变和变形，而所有的这些改变和变形，都应该包括在本发明权利要求的保护范围之内。

Claims (3)

1.一种无人车多传感器信息实时融合的方法，其特征在于，包括如下步骤：

S1、确定各个传感器的先验概率P^Q：

S2、根据步骤S1确定的各个传感器的先验概率P^Q，确定每个目标信息对应的各个传感器的初始mass函数m_i(X_L)；目标信息识别框架Θ＝{X₁,X₂,X₃,X₄，…，X_L，…，X_|Θ|}，|Θ|表示目标信息的个数；i＝1,2,……，n，n表示传感器的个数；

S3、计算每个目标信息对应的各个传感器两两之间的关联度；

S4、根据每个目标信息对应的各个传感器的与其他传感器的关联度，判断对于每个目标信息对应的各个传感器而言，与其他传感器的关联度位于信任区间、模糊区间还是风险区间，从而得到每个目标信息对应的各个传感器的信任集合、模糊集合和风险集合；

S5、利用贝叶斯公式对集合风险决策评估，分别定义信任集合、模糊集合、风险集合的风险函数P_H、P_M、P_L计算方法如下：

需对每个目标信息所对应的各个传感器的信任集合、模糊集合和风险集合分别计算风险函数；

S6、单目标后验不确定度：

根据步骤S5中得到的每个目标信息对应的各个传感器的信任集合、模糊集合和风险集合的风险函数，按照下式分别计算每个目标信息对应的各个传感器的后验概率：

S7、多级失效预警：

将每个传感器的|Θ|个后验概率分别与预设的风险阈值进行比较，若某个传感器的后验概率低于所述风险阈值则对该传感器进行步骤S8的处理，否则发出该传感器异常的风险预警；

S8、样本修正:

对于各个传感器，若无异常的风险预警则默认系统正常工作，根据步骤S6中计算得到的后验概率，分别对每个目标信息对应的各个传感器的初始mass函数按照下式进行修正：

S9、对步骤S8计算得到的每个目标信息对应的各个传感器的修正后mass函数，按照下式进行D-S乘法融合，得到无人车传感器系统对每个目标信息识别后的融合概率：

其中，

依据得到的无人车传感器系统对每个目标信息识别后的融合概率，无人车传感器系统可迅速做出正确的决策。

2.根据权利要求1所述的无人车多传感器信息实时融合的方法，其特征在于，步骤S3中，按照如下方式计算每个目标信息对应的各个传感器两两之间的关联度：

当m_i(X_L)＝m_j(X_L)＝0时，则对于目标信息X_L，传感器i和传感器j的关联度否则对于目标信息X_L，传感器i和传感器j的关联度

3.根据权利要求1所述的无人车多传感器信息实时融合的方法，其特征在于，步骤S4的具体过程为：

通过设置上限值W(X)_max与下限值W(X)_min将置信区间划分为信任区间、模糊区间、风险区间，然后将每个目标信息对应的各个传感器的与其他传感器的关联度与所述上限值和下限值进行比较，判断对于每个目标信息对应的各个传感器而言，与其他传感器的关联度位于信任区间、模糊区间还是风险区间，从而得到每个目标信息对应的各个传感器对应的信任集合、模糊集合和风险集合；

其中，对于每个目标信息，两个传感器之间的关联度大于W(X)_max时则位于信任区间，此时两个传感器分别在对方的信任集合内，当关联度小于或等于W(X)_max且大于或等于W(X)_min时则位于模糊区间，此时两个传感器分别在对方的模糊集合内，当关联度小于W(X)_min时则位于风险区间，此时两个传感器分别在对方的风险集合内。