CN109696172A - 一种多传感器航迹融合方法、装置及车辆 - Google Patents
一种多传感器航迹融合方法、装置及车辆 Download PDFInfo
- Publication number
- CN109696172A CN109696172A CN201910051133.4A CN201910051133A CN109696172A CN 109696172 A CN109696172 A CN 109696172A CN 201910051133 A CN201910051133 A CN 201910051133A CN 109696172 A CN109696172 A CN 109696172A
- Authority
- CN
- China
- Prior art keywords
- information
- track
- fusion
- sensor
- data
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
Abstract
本发明涉及智能驾驶领域,提出了一种多传感器航迹融合方法、装置及车辆,所述方法根据传感器采集到的目标点数据,存储预设数量的目标点数据生成传感器航迹信息,判断传感器航迹信息与航迹融合信息是否关联,在进行关联性判断时,通过多点关联估计,判断传感器航迹信息与航迹融合信息是否涉及到同一目标,当判断传感器航迹信息与航迹融合信息关联时,进行数据融合,并更新航迹融合信息。所述方法对数据处理和通信容量要求低,通用性和可扩展性好,且采用多点关联的方法便于算法运行过程中的关联关系变更时的迅速收敛和剔除野值对数据的影响。
Description
技术领域
本发明涉及智能驾驶领域,尤其涉及一种多传感器航迹融合方法、装置及车辆。
背景技术
在自动驾驶领域,从高级辅助驾驶系统ADAS到L5级的完全自动驾驶,根据需求场景不同,需配置不同的传感器如毫米波雷达、激光雷达和摄像头,乃至超声波传感器、红外传感器。各种车载传感器均具有其优势和缺点,如毫米波雷达受天气影响小、测距精确,但测角误差大,分辨率低;激光雷达可检测目标三维尺寸信息和精确的位置信息,但探测距离有限;摄像头可检测目标的外形、颜色,测角精度高但测距精度较差,而且容易受天气和光照条件影响。数据处理中心需充分发挥各传感器的优势、避免各传感器的劣势,融合产生高可信度的综合环境态势,而航迹关联和估计是环境感知融合的重要组成部分。
在获得融合航迹时,通常采用“前融合”的方法或者传感器航迹与传感器航迹关联并估计融合航迹的方法,来进行融合航迹的估计。“前融合”的方法通常采用神经网络算法,对数据处理中心算力和通信传输容量要求均较高。传感器航迹之间关联并估计融合航迹的方法通常采用匈牙利算法进行传感器航迹二分图匹配,对于ADAS系统中两个传感器的情况比较有效,但会随着传感器数量增多,算法复杂度指数增长、计算量大,且在关联参数调整时涉及两个传感器的同一因子,调试比较困难。
在航迹关联过程中,通常采用最新数据进行关联对比的方法。此方法中,通过计算最新航迹点间的关联关系,得出航迹间关联关系,并且本周期关联关系考虑上周期关联结果。计算过程中考虑历史因素时类似滤波算法,特别是在关联关系变更过程中,需要最新航迹点信息重新计算,关联关系的收敛需要一定时间。
发明内容
本发明要解决的技术问题是的问题。为了解决上述问题,本发明提出了一种多传感器航迹融合方法、装置及车辆,本发明具体是以如下技术方案实现的:
本发明的第一个方面提出了一种多传感器航迹融合方法,所述方法包括:
获得传感器航迹信息,所述传感器航迹信息包括预设数量的目标点数据,所述目标点数据通过传感器采集得到;
判断是否已经存在航迹融合信息;
若存在,则判断传感器航迹信息是否在上一周期已经与航迹融合信息关联;
若不关联,则计算传感器航迹信息与航迹融合信息之间的关联概率,判断关联概率是否达到预设的阈值;
若关联概率达到预设的阈值,则对传感器航迹信息和航迹融合信息进行数据融合。
进一步地,所述判断是否已经存在航迹融合信息之后,还包括:
若不存在,则存储传感器航迹信息,并根据传感器航迹信息,创建航迹融合信息。
进一步地,所述判断传感器航迹信息是否在上一周期已经与航迹融合信息关联之后,还包括:
若关联,则判断传感器航迹信息在本周期是否与航迹融合信息继续关联;
若继续关联,则对传感器航迹信息和航迹融合信息进行数据融合;
若不关联,则传感器航迹信息与航迹融合信息解除关联关系。
进一步地,所述计算传感器航迹信息与航迹融合信息之间的关联概率包括:
对传感器航迹信息进行采样获得第一采样点集合;
对航迹融合信息进行采样获得第二采样点集合;
对第一采样点集合和第二采样点集合进行对比关联计算,计算得到关联概率。
进一步地,计算传感器航迹信息与航迹融合信息之间的关联概率,判断关联概率是否达到预设的阈值还包括:
对传感器航迹信息进行采样取点,对航迹融合信息进行采样取点;
根据传感器航迹信息的采样点和航迹融合信息的采样点,进行多点对比关联计算,计算得到关联概率。
进一步地,所述对传感器航迹信息进行采样以得到第一采样点集合,对航迹融合信息进行采样以得到第二采样点集合还包括:
对传感器航迹信息采用第一采样点间隔进行采样,对航迹融合信息采用第二采样点间隔进行采样,使得第一采样点集合中的采样点与第二采样点集合中的采样点取在相近时刻。
具体地,在进行采样取点时,所采样的航迹点的时间尽量取在相近时刻。所述航迹融合信息的航迹累积数量门限计为P。传感器航迹信息采样间隔点数为M/P并取整,航迹融合信息采样间隔点数为P/M并取整。
在进行关联概率计算时,对获取的航迹点进行相关判断,判断考虑目标距离、方位角、笛卡尔坐标系位置、笛卡尔坐标系速度、合速度等因素,对于不同传感器,选用不同的判断因素、设置不同的门限和加权计算因子。如雷达航迹相关计算时对距离和速度因子高加权、摄像头航迹相关计算时对角度因子高加权、激光雷达航迹相关计算时对位置因子高加权。对采样获取的航迹点发相关计算结果为相关或不相关。
本发明的第二个方面提出了一种多传感器航迹融合装置,所述装置包括:目标点数据获得模块、传感器航迹信息获得模块和航迹信息融合模块;
所述目标点数据获得模块用于获得目标点数据;
所述传感器航迹信息获得模块用于获得传感器航迹信息,所述传感器航迹信息包括预设数量的目标点数据;
所述航迹信息融合模块用于判断传感器航迹信息与航迹融合信息是否关联,并对关联的传感器航迹信息与航迹融合信息进行数据融合。
进一步地,所述目标点数据获得模块包括多种传感器,所述传感器用于进行信息采集,每种传感器至少有一个。
进一步地,所述目标点数据获得模块包括时间同步单元,所述时间同步单元用于同步各个传感器的时间戳。
进一步地,所述航迹信息融合模块包括融合信息存储单元、关联性判断单元和融合信息更新单元;
所述融合信息存储单元用于存储航迹融合信息;
所述关联性判断单元用于计算传感器航迹信息与已经存储的航迹融合信息的关联概率,并判断所述关联概率是否到达预设的阈值;
所述融合信息更新单元用于当传感器航迹信息与已经存储的航迹融合信息的关联概率大于或等于预设的阈值时,对传感器航迹信息和航迹融合信息进行数据融合,更新航迹融合信息。
具体地,在进行采样取点时,所采样的航迹点的时间尽量取在相近时刻。所述航迹融合信息的航迹累积数量门限计为P。传感器航迹信息采样间隔点数为M/P并取整,航迹融合信息采样间隔点数为P/M并取整。
在进行关联概率计算时,对获取的航迹点进行相关判断,判断考虑目标距离、方位角、笛卡尔坐标系位置、笛卡尔坐标系速度、合速度等因素,对于不同传感器,选用不同的判断因素、设置不同的门限和加权计算因子。如雷达航迹相关计算时对距离和速度因子高加权、摄像头航迹相关计算时对角度因子高加权、激光雷达航迹相关计算时对位置因子高加权。对采样获取的航迹点发相关计算结果为相关或不相关。
本发明的第三个方面提出了一种车辆,所述车辆包括上述所述的一种传感器航迹融合装置。
采用上述技术方案,本发明所述的一种多传感器航迹融合方法、装置及车辆,具有如下有益效果:
1)本发明提出的一种多传感器航迹融合方法采用了目标特征融合的方法,各传感器将估计出的目标状态数据送往数据处理中心,数据处理中心在特征层面对目标进行融合,对数据处理和通信容量要求低,容易进行数据融合处理;
2)本发明提出的一种多传感器航迹融合方法采用了传感器航迹与融合航迹融合的方法,认为系统中精度最高的为融合航迹,各传感器航迹在与融合航迹进行关联判断时便于参数调整,且便于传感器数量增加时的算法扩展,所述方法的通用性和可扩展性好;
3)本发明提出的一种多传感器航迹融合方法在进行传感器航迹信息和航迹融合信息的关联性计算时,采用了多点关联的方法,便于算法运行过程中的关联关系变更时的迅速收敛,也利于数据的“野值”剔除。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种多传感器航迹融合方法的流程示意图;
图2为本发明实施例提供的对目标航迹和目标融合航迹进行采样取点的示意图;
图3为本发明实施例提供的摄像头、毫米波雷达和激光雷达为传感器时的融合航迹示意图;
图4为本发明实施例提供的一种多传感器航迹融合装置的结构示意图;
图5为本发明实施例提供的一种多传感器航迹融合装置的航迹信息融合模块的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本申请所提供的几个实施例中,所描述的系统实施例仅仅是示意性的,例如所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,模块或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
实施例1:
本发明实施例中提供了一种多传感器航迹融合方法,如图1所示,所述方法包括:
S1.获得传感器航迹信息,所述传感器航迹信息包括预设长度的传感器采集的目标点数据。
S2.判断是否已经存在航迹融合信息。
S3.若不存在,则存储传感器航迹信息,根据传感器航迹信息创建航迹融合信息。
如图1所示,所述判断是否已经存在航迹融合信息之后还包括:
S4.若存在,则判断传感器航迹信息是否在上一周期已经与航迹融合信息关联。
S5.若不关联,通过多点对比关联计算的方法计算传感器航迹信息与航迹融合信息之间的关联概率,判断关联概率是否达到预设的阈值,当关联概率达到预设的阈值时,存储传感器航迹信息,对传感器航迹信息和航迹融合信息进行数据融合。
进一步地,判断传感器航迹信息是否在上一周期已经与航迹融合信息关联还包括:
S6.若关联,则判断传感器航迹信息在本周期是否与航迹融合信息关联。
S7.若在本周期内不关联,则解除传感器航迹信息与目标融合航迹之间的关联关系。若在本周期内关联,则存储传感器航迹信息到融合信息存储单元,对传感器航迹信息和航迹融合信息进行数据融合。
进一步地,获得传感器航迹信息时,数据累积数量门限与其数据更新频率相关,数据累积周期数量为所有传感器中最大更新周期的N倍,所述数据累积数量门限计为M,传感器航迹信息累积数量超过数据累积数量M后,去除最初累积数据,更新传感器航迹信息,即累积最新的M个目标点数据。
进一步地,所述传感器可以为多种或多个传感器,所述传感器可以是摄像头、激光雷达和毫米波雷达等。各个传感器需要连接同一个时间同步设备,以保证各传感器时间戳的时间同步。
进一步地,所述传感器采集并通过数据处理得到的目标点数据包括时间戳、位置、速度和目标类型。
具体地,所述传感器航迹信息为一个或多个目标移动时的数据。所述当传感器航迹信息与航迹融合信息关联时,对传感器航迹信息和航迹融合信息进行关联性计算,通过关联性计算结果,判断传感器航迹信息包含的目标点数据和航迹融合信息包含的目标点数据是否一致时。根据传感器航迹信息和航迹融合信息更新频率进行采样取点,获得传感器航迹信息和航迹融合信息中时间差较小的航迹点,进行多点对比关联计算,得出关联概率,所述关联概率超过预设阈值时,则判断传感器航迹信息和航迹融合信息关联。所述多点关联的方式便于算法运行过程中的关联关系变更时的迅速收敛,也有利于剔除数据的野值,避免传感器航迹信息受到野值影响而产生偏差。
所述航迹融合信息的航迹累积数量门限计为P。传感器航迹信息采样间隔点数为M/P并取整,航迹融合信息采样间隔点数为P/M并取整,如图2所示,以此保证进行关联的航迹点其时间尽量取在相近时刻。
对获取的航迹点进行相关判断,判断考虑目标距离、方位角、笛卡尔坐标系位置、笛卡尔坐标系速度、合速度等因素,对于不同传感器,选用不同的判断因素、设置不同的门限和加权计算因子。如雷达航迹相关计算时对距离和速度因子高加权、摄像头航迹相关计算时对角度因子高加权、激光雷达航迹相关计算时对位置因子高加权。对采样获取的航迹点发相关计算结果为相关或不相关。
所有采样获取的航迹点对应相关计算后得到:
其中,P为相关概率,n为相关航迹点总数,N为相关计算点总数。
对相关概率超过阈值的传感器航迹信息,绑定传感器航迹信息与航迹融合信息的关联关系,将其更新的航迹点保存入航迹融合信息的待更新数据区。
周期性对航迹融合信息进行更新,更新时将待更新数据区中的所有传感器点均用作更新计算,计算过程可采用不同的滤波算法,如卡尔曼滤波算法进行状态估计,并分别对不同传感器设置不同的滤波参数,以侧重考虑不同传感器的数据检测优势。
所有待更新数据区的数据用作更新融合传感器航迹信息结束后,累积融合传感器航迹信息,累积数量门限与传感器数据更新频率相关,数据累积周期数量为所有传感器中最大更新周期的N倍。
在本实施例的一个具体的应用场景下,所述车辆上的传感器为毫米波雷达、前视摄像头和激光雷达。毫米波雷达、摄像头和激光雷达输出障碍物传感器航迹信息。数据处理中心接收到目标点数据后,在特征层面进行传感器航迹信息融合并估计出融合目标状态。所述在特征层面融合指的是提取所采集的传感器航迹信息包含的特征向量,用来体现传感器航迹信息的属性,这是面向传感器航迹信息特征的融合。
如图3所示,毫米波雷达、摄像头和激光雷达对同一目标的检测进行了关联计算,并且融合后的目标航迹具备各个传感器的优点,如雷达的距离和纵向速度信息,摄像头的角度和横向速度信息以及激光雷达的位置信息。
本实施例提出了一种多传感器航迹融合方法,所述方法采用了目标特征融合和多点关联进行关联性计算的方法,对各个传感器获得的传感器航迹信息进行处理,将传感器航迹与融合航迹融合,并认为系统中精度最高的为融合航迹,各传感器航迹在与融合航迹进行关联判断时便于参数调整,且便于传感器数量增加时的算法扩展。所述方法对数据处理和通信容量要求低,通用性和可扩展性好,且采用多点关联的方法便于算法运行过程中的关联关系变更时的迅速收敛和剔除野值对数据的影响。
实施例2:
本发明一个可行的实施例中提供了一种多传感器航迹融合装置。具体地,如图4所示,所述多传感器航迹融合装置包括:目标点数据获得模块201、传感器航迹信息获得模块202和航迹信息融合模块203。
所述目标点数据获得模块201用于获得目标点数据,所述目标点数据包括目标的时间戳、位置、速度和目标类型。所述目标点数据获得模块201包括多种传感器,每种传感器的数量可以为多个,所述传感器包括摄像头、毫米波雷达和激光雷达,各个传感器连接同一个时间同步设备,以保证各传感器时间戳的时间同步。所述目标点数据获得模块201还包括时间同步单元,所述时间同步单元用于同步各个传感器采集目标时的时间戳。
所述传感器航迹信息获得模块202用于存储预设数量的目标点数据为传感器航迹信息,所述传感器航迹信息获得模块202具有更新功能,始终存储最新的预设数量的目标点数据为传感器航迹信息。
所述航迹信息融合模块203包括融合信息存储单元2001、关联性判断单元2002和融合信息更新单元2003,所述融合信息存储单元用于存储航迹融合信息,所述关联性判断单元用于计算传感器航迹信息与已经存储的航迹融合信息的关联概率,并判断所述关联概率是否到达预设的阈值。所述融合信息更新单元用于当传感器航迹信息与已经存储的航迹融合信息的关联概率大于或等于预设的阈值时,根据所述传感器航迹信息更新航迹融合信息。
具体地,所述传感器航迹信息包括了多个传感器对同一目标的状态估计,所述传感器航迹信息为航迹数据,所述航迹数据为一个或多个目标移动时的数据,因此所述传感器航迹信息包括了多个时间点下的数据。所述当传感器航迹信息与航迹融合信息关联时,对传感器航迹信息和航迹融合信息进行关联性计算,通过关联性计算结果,判断传感器航迹信息包含的目标点数据和航迹融合信息包含的目标点数据是否一致时。根据传感器航迹信息和航迹融合信息更新频率进行采样取点,获得传感器航迹信息和航迹融合信息中时间差较小的航迹点,进行多点对比关联计算,得出关联概率,所述关联概率超过预设阈值时,则判断传感器航迹信息和航迹融合信息关联。所述多点关联的方式便于算法运行过程中的关联关系变更时的迅速收敛,也有利于剔除数据的野值,避免传感器航迹信息受到野值影响而产生偏差。
所述航迹融合信息的航迹累积数量门限计为P。传感器航迹信息采样间隔点数为M/P并取整,航迹融合信息采样间隔点数为P/M并取整,如图2所示,以此保证进行关联的航迹点其时间尽量取在相近时刻。
对获取的航迹点进行相关判断,判断考虑目标距离、方位角、笛卡尔坐标系位置、笛卡尔坐标系速度、合速度等因素,对于不同传感器,选用不同的判断因素、设置不同的门限和加权计算因子。如雷达航迹相关计算时对距离和速度因子高加权、摄像头航迹相关计算时对角度因子高加权、激光雷达航迹相关计算时对位置因子高加权。对采样获取的航迹点发相关计算结果为相关或不相关。
所有采样获取的航迹点对应相关计算后得到:
其中,P为相关概率,n为相关航迹点总数,N为相关计算点总数。
对相关概率超过阈值的传感器航迹信息,绑定传感器航迹信息与航迹融合信息的关联关系,将其更新的航迹点保存入航迹融合信息的待更新数据区。
周期性对航迹融合信息进行更新,更新时将待更新数据区中的所有传感器点均用作更新计算,计算过程可采用不同的滤波算法,如卡尔曼滤波算法进行状态估计,并分别对不同传感器设置不同的滤波参数,以侧重考虑不同传感器的数据检测优势。
所有待更新数据区的数据用作更新融合传感器航迹信息结束后,累积融合传感器航迹信息,累积数量门限与传感器数据更新频率相关,数据累积周期数量为所有传感器中最大更新周期的N倍。
在本实施例的一个具体的应用场景下,所述车辆上的传感器为毫米波雷达、前视摄像头和激光雷达。毫米波雷达、摄像头和激光雷达输出障碍物传感器航迹信息。数据处理中心接收到目标点数据后,在特征层面进行传感器航迹信息融合并估计出融合目标状态。所述在特征层面融合指的是提取所采集的传感器航迹信息包含的特征向量,用来体现传感器航迹信息的属性,这是面向传感器航迹信息特征的融合。
如图3所示,毫米波雷达、摄像头和激光雷达对同一目标的检测进行了关联计算,并且融合后的目标航迹具备各个传感器的优点,如雷达的距离和纵向速度信息,摄像头的角度和横向速度信息以及激光雷达的位置信息。
本实施例提出了一种多传感器航迹融合装置,所述装置在进行数据处理时对采集到的目标航迹数据进行目标特征融合和多点关联进行关联性计算,对各个传感器获得的传感器航迹信息进行处理,将传感器航迹与融合航迹融合,并认为系统中精度最高的为融合航迹,各传感器航迹在与融合航迹进行关联判断时便于参数调整,且便于传感器数量增加时的算法扩展。所述方法对数据处理和通信容量要求低,通用性和可扩展性好,且采用多点关联的方法便于算法运行过程中的关联关系变更时的迅速收敛和剔除野值对数据的影响。
实施例3:
本发明实施例提出了一种车辆,所述车辆具有上述所述的一种多传感器航迹融合装置。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种多传感器航迹融合方法,其特征在于,所述方法包括:
获得传感器航迹信息,所述传感器航迹信息包括预设数量的目标点数据,所述目标点数据通过传感器采集得到;
判断是否已经存在航迹融合信息;
若存在,则判断传感器航迹信息是否在上一周期已经与航迹融合信息关联;
若不关联,则计算传感器航迹信息与航迹融合信息之间的关联概率,判断关联概率是否达到预设的阈值,若关联概率达到预设的阈值,则对传感器航迹信息和航迹融合信息进行数据融合。
2.根据权利要求1所述的一种多传感器航迹融合方法,其特征在于,所述判断是否已经存在航迹融合信息之后,还包括:
若不存在,则存储传感器航迹信息,并根据传感器航迹信息,创建航迹融合信息。
3.根据权利要求1所述的一种多传感器航迹融合方法,其特征在于,所述判断传感器航迹信息是否在上一周期已经与航迹融合信息关联之后,还包括:
若关联,则判断传感器航迹信息在本周期是否与航迹融合信息继续关联;
若继续关联,则对传感器航迹信息和航迹融合信息进行数据融合;
若不关联,则传感器航迹信息与航迹融合信息解除关联关系。
4.根据权利要求1所述的一种多传感器航迹融合方法,其特征在于,所述计算传感器航迹信息与航迹融合信息之间的关联概率包括:
对传感器航迹信息进行采样以得到第一采样点集合;
对航迹融合信息进行采样以得到第二采样点集合;
对第一采样点集合和第二采样点集合进行对比关联计算,计算得到关联概率。
5.根据权利要求4所述的一种多传感器航迹融合方法,其特征在于,所述对传感器航迹信息进行采样以得到第一采样点集合,对航迹融合信息进行采样以得到第二采样点集合还包括:
对传感器航迹信息采用第一采样点间隔进行采样,对航迹融合信息采用第二采样点间隔进行采样,使得第一采样点集合中的采样点与第二采样点集合中的采样点取在相近时刻。
6.一种多传感器航迹融合装置,其特征在于,所述装置包括:目标点数据获得模块、传感器航迹信息获得模块和航迹信息融合模块;
所述目标点数据获得模块用于采集目标点数据;
所述传感器航迹信息获得模块用于获得传感器航迹信息,所述传感器航迹信息包括预设数量的目标点数据;
所述航迹信息融合模块用于判断传感器航迹信息与航迹融合信息是否关联,并对关联的传感器航迹信息与航迹融合信息进行数据融合。
7.根据权利要求6所述的一种多传感器航迹融合装置,其特征在于,所述目标点数据获得模块包括多种传感器,每种传感器至少有一个,所述传感器用于进行信息采集。
8.根据权利要求7所述的一种多传感器航迹融合装置,其特征在于,所述目标点数据获得模块包括时间同步单元,所述时间同步单元用于同步各个传感器的时间戳。
9.根据权利要求6所述的一种多传感器航迹融合装置,其特征在于,所述航迹信息融合模块包括融合信息存储单元、关联性判断单元和融合信息更新单元;
所述融合信息存储单元用于存储航迹融合信息;
所述关联性判断单元用于计算传感器航迹信息与已经存储的航迹融合信息的关联概率,并判断所述关联概率是否到达预设的阈值;
所述融合信息更新单元用于当传感器航迹信息与已经存储的航迹融合信息的关联概率大于或等于预设的阈值时,对传感器航迹信息和航迹融合信息进行数据融合,更新航迹融合信息。
10.一种车辆,其特征在于,所述车辆包括权利要求6到9所述的一种传感器航迹融合装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910051133.4A CN109696172B (zh) | 2019-01-17 | 2019-01-17 | 一种多传感器航迹融合方法、装置及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910051133.4A CN109696172B (zh) | 2019-01-17 | 2019-01-17 | 一种多传感器航迹融合方法、装置及车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109696172A true CN109696172A (zh) | 2019-04-30 |
CN109696172B CN109696172B (zh) | 2022-11-01 |
Family
ID=66234104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910051133.4A Active CN109696172B (zh) | 2019-01-17 | 2019-01-17 | 一种多传感器航迹融合方法、装置及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109696172B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110132290A (zh) * | 2019-05-20 | 2019-08-16 | 北京百度网讯科技有限公司 | 感知信息融合处理方法、装置、设备和存储介质 |
CN110163270A (zh) * | 2019-05-10 | 2019-08-23 | 北京易控智驾科技有限公司 | 多传感器数据融合方法及系统 |
CN110221307A (zh) * | 2019-05-28 | 2019-09-10 | 哈尔滨工程大学 | 一种多被动声纳非合作多目标线谱信息融合方法 |
CN110275167A (zh) * | 2019-06-03 | 2019-09-24 | 浙江吉利控股集团有限公司 | 一种雷达探测的控制方法、控制器及终端 |
CN110929796A (zh) * | 2019-11-28 | 2020-03-27 | 重庆长安汽车股份有限公司 | 基于多源传感器决策层数据融合方法、系统及存储介质 |
CN111551938A (zh) * | 2020-04-26 | 2020-08-18 | 北京踏歌智行科技有限公司 | 一种基于矿区环境的无人驾驶技术感知融合方法 |
CN111551186A (zh) * | 2019-11-29 | 2020-08-18 | 福瑞泰克智能系统有限公司 | 一种车辆实时定位方法、系统及车辆 |
CN112036422A (zh) * | 2019-06-04 | 2020-12-04 | 广州汽车集团股份有限公司 | 一种基于多传感器信息融合的航迹管理方法、系统及计算机可读介质 |
CN112033429A (zh) * | 2020-09-14 | 2020-12-04 | 吉林大学 | 一种智能汽车的目标级多传感器融合方法 |
CN112285686A (zh) * | 2020-10-19 | 2021-01-29 | 西安邮电大学 | 多基地雷达异步数据的实时在线融合方法 |
CN112526997A (zh) * | 2020-12-07 | 2021-03-19 | 中国第一汽车股份有限公司 | 一种自动驾驶感知系统、方法和车辆 |
CN113342057A (zh) * | 2021-08-05 | 2021-09-03 | 上海特金信息科技有限公司 | 轨迹的融合方法、装置、无人机探测系统、设备和介质 |
CN113611112A (zh) * | 2021-07-29 | 2021-11-05 | 中国第一汽车股份有限公司 | 一种目标关联方法、装置、设备及存储介质 |
CN113673787A (zh) * | 2021-09-10 | 2021-11-19 | 中国舰船研究设计中心 | 一种无人集群多域探测数据航迹关联与预测方法 |
CN114783211A (zh) * | 2022-03-22 | 2022-07-22 | 南京莱斯信息技术股份有限公司 | 一种基于视频数据融合的场面目标监视增强系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116688A (zh) * | 2012-12-13 | 2013-05-22 | 中国航空无线电电子研究所 | 用于机载航电系统的多源异类传感器目标航迹关联方法 |
CN104808197A (zh) * | 2015-05-06 | 2015-07-29 | 四川九洲空管科技有限责任公司 | 一种多监视源飞行目标并行跟踪处理方法 |
CN106017475A (zh) * | 2016-07-04 | 2016-10-12 | 四川九洲电器集团有限责任公司 | 一种航迹更新方法及装置 |
CN107063259A (zh) * | 2017-03-08 | 2017-08-18 | 四川九洲电器集团有限责任公司 | 一种航迹关联方法及电子设备 |
-
2019
- 2019-01-17 CN CN201910051133.4A patent/CN109696172B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116688A (zh) * | 2012-12-13 | 2013-05-22 | 中国航空无线电电子研究所 | 用于机载航电系统的多源异类传感器目标航迹关联方法 |
CN104808197A (zh) * | 2015-05-06 | 2015-07-29 | 四川九洲空管科技有限责任公司 | 一种多监视源飞行目标并行跟踪处理方法 |
CN106017475A (zh) * | 2016-07-04 | 2016-10-12 | 四川九洲电器集团有限责任公司 | 一种航迹更新方法及装置 |
CN107063259A (zh) * | 2017-03-08 | 2017-08-18 | 四川九洲电器集团有限责任公司 | 一种航迹关联方法及电子设备 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163270A (zh) * | 2019-05-10 | 2019-08-23 | 北京易控智驾科技有限公司 | 多传感器数据融合方法及系统 |
CN110132290B (zh) * | 2019-05-20 | 2021-12-14 | 北京百度网讯科技有限公司 | 智能驾驶路侧设备感知信息融合处理方法、装置、设备 |
CN110132290A (zh) * | 2019-05-20 | 2019-08-16 | 北京百度网讯科技有限公司 | 感知信息融合处理方法、装置、设备和存储介质 |
CN110221307A (zh) * | 2019-05-28 | 2019-09-10 | 哈尔滨工程大学 | 一种多被动声纳非合作多目标线谱信息融合方法 |
CN110275167A (zh) * | 2019-06-03 | 2019-09-24 | 浙江吉利控股集团有限公司 | 一种雷达探测的控制方法、控制器及终端 |
CN112036422A (zh) * | 2019-06-04 | 2020-12-04 | 广州汽车集团股份有限公司 | 一种基于多传感器信息融合的航迹管理方法、系统及计算机可读介质 |
CN112036422B (zh) * | 2019-06-04 | 2024-03-05 | 广州汽车集团股份有限公司 | 一种基于多传感器信息融合的航迹管理方法、系统及计算机可读介质 |
CN110929796A (zh) * | 2019-11-28 | 2020-03-27 | 重庆长安汽车股份有限公司 | 基于多源传感器决策层数据融合方法、系统及存储介质 |
CN111551186A (zh) * | 2019-11-29 | 2020-08-18 | 福瑞泰克智能系统有限公司 | 一种车辆实时定位方法、系统及车辆 |
CN111551938A (zh) * | 2020-04-26 | 2020-08-18 | 北京踏歌智行科技有限公司 | 一种基于矿区环境的无人驾驶技术感知融合方法 |
CN111551938B (zh) * | 2020-04-26 | 2022-08-30 | 北京踏歌智行科技有限公司 | 一种基于矿区环境的无人驾驶技术感知融合方法 |
CN112033429B (zh) * | 2020-09-14 | 2022-07-19 | 吉林大学 | 一种智能汽车的目标级多传感器融合方法 |
CN112033429A (zh) * | 2020-09-14 | 2020-12-04 | 吉林大学 | 一种智能汽车的目标级多传感器融合方法 |
CN112285686A (zh) * | 2020-10-19 | 2021-01-29 | 西安邮电大学 | 多基地雷达异步数据的实时在线融合方法 |
CN112285686B (zh) * | 2020-10-19 | 2023-07-18 | 西安邮电大学 | 多基地雷达异步数据的实时在线融合方法 |
CN112526997A (zh) * | 2020-12-07 | 2021-03-19 | 中国第一汽车股份有限公司 | 一种自动驾驶感知系统、方法和车辆 |
CN113611112A (zh) * | 2021-07-29 | 2021-11-05 | 中国第一汽车股份有限公司 | 一种目标关联方法、装置、设备及存储介质 |
CN113342057A (zh) * | 2021-08-05 | 2021-09-03 | 上海特金信息科技有限公司 | 轨迹的融合方法、装置、无人机探测系统、设备和介质 |
CN113673787A (zh) * | 2021-09-10 | 2021-11-19 | 中国舰船研究设计中心 | 一种无人集群多域探测数据航迹关联与预测方法 |
CN113673787B (zh) * | 2021-09-10 | 2023-09-26 | 中国舰船研究设计中心 | 一种无人集群多域探测数据航迹关联与预测方法 |
CN114783211A (zh) * | 2022-03-22 | 2022-07-22 | 南京莱斯信息技术股份有限公司 | 一种基于视频数据融合的场面目标监视增强系统及方法 |
CN114783211B (zh) * | 2022-03-22 | 2023-09-15 | 南京莱斯信息技术股份有限公司 | 一种基于视频数据融合的场面目标监视增强系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109696172B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109696172A (zh) | 一种多传感器航迹融合方法、装置及车辆 | |
CN106295594B (zh) | 一种基于动态路径树的跨摄像头目标跟踪方法及装置 | |
CN106680806A (zh) | 一种多雷达点迹融合方法 | |
CN104809326B (zh) | 一种异步传感器空间配准算法 | |
CN104236548B (zh) | 一种微型无人机室内自主导航方法 | |
CN108333569A (zh) | 一种基于phd滤波的异步多传感器融合多目标跟踪方法 | |
Dietl et al. | Cooperative sensing in dynamic environments | |
CN109916410A (zh) | 一种基于改进平方根无迹卡尔曼滤波的室内定位方法 | |
CN106595653A (zh) | 一种穿戴式行人自主导航系统及其导航方法 | |
CN109116349A (zh) | 多传感器协同跟踪联合优化决策方法 | |
CN108680942B (zh) | 一种惯性/多天线gnss组合导航方法及装置 | |
CN109901621A (zh) | 一种预设轨迹的批量无人机密集编队系统及编队方法 | |
CN106646412B (zh) | 一种用于隧道内的多雷达时间同步处理方法 | |
CN104656058B (zh) | 分布式多移动节点协作定位系统 | |
CN105411490A (zh) | 移动机器人的实时定位方法及移动机器人 | |
CN109282808A (zh) | 用于桥梁三维巡航检测的无人机与多传感器融合定位方法 | |
CN108896047A (zh) | 分布式传感器网络协同融合与传感器位置修正方法 | |
CN109115223A (zh) | 一种面向智能农机的全地形全源组合导航系统 | |
CN108255791A (zh) | 基于分布式传感器一致性的机动目标跟踪方法 | |
CN109855621A (zh) | 一种基于uwb与sins的组合室内行人导航系统及方法 | |
CN106874856A (zh) | 一种目标跟踪状态模型训练方法及装置 | |
CN113724123B (zh) | 一种基于多智能体的协同运输方法及其系统 | |
CN106875428A (zh) | 一种多目标跟踪方法及装置 | |
Kwon et al. | A robust mobile target localization method for cooperative unmanned aerial vehicles using sensor fusion quality | |
CN110334863A (zh) | 一种地面移动单元路网区域巡逻问题建模与轨迹生成方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |