CN110276972A - 一种基于车联网的目标物感知方法及系统 - Google Patents

Abstract

本发明公开了一种基于车联网的目标物感知方法及系统，属于车联网领域。该方法包括：获取第一感知数据和第二感知数据，作为信息源，其中，所述信息源包括一个或多个目标物；将所述信息源在云端进行融合，获得融合结果，其中，所述融合结果是所述信息源所包括的一个或多个目标物的融合结果；从所述融合结果中筛选影响目标车辆的目标物感知结果，将所述影响目标车辆的目标物感知结果发送给所述目标车辆。本说明书实施例提供的基于车联网的目标物感知方法及系统，能够避免车路协同中的感知盲区，实现全路段感知，提高识别准确性和/或识别精度。

Description

一种基于车联网的目标物感知方法及系统

技术领域

本申请涉及车联网领域，尤其涉及一种基于车联网的目标物感知方法及系统。

背景技术

车路协同是利用通信技术将车与车、车与路连接起来，实现它们之间信息的高效传输，并对信息进行融合处理来保证道路交通安全和提高道路利用率，达到人、车、路三者之间的高度协同，最终形成的一个安全、高效、环保的交通系统。车路协同技术是未来智能交通的发展方向，有利于将“聪明的车”和“智慧的路”的各自优势进行充分互补，对降低交通事故的发生率、解决城市交通拥堵、推动交通系统的发展具有十分重要的意义，在辅助驾驶和自动驾驶行业具有重要的应用价值。

基于车载端传感器的单车智能识别方法，仅靠单车智能识别往往存在感知盲区：识别能力参差不齐，识别视野会受到遮挡、光线等环境因素影响，感知范围具有局限性，可能存在干扰，因此不能实现全方位、超视距感知。另一方面，车载端传感器的成本相对较高，为了实现车辆对外界环境的感知，需要安装多个车载传感器，如摄像头、毫米波雷达、激光雷达等，不仅增加成本，而且系统过于复杂。

而基于路侧设备的路侧智能识别方法，可以实现准确、高精度识别，但是若完全进行道路覆盖，成本较高，因此往往采用在重点路段采用路侧智能识别，该方法无法实现全路段感知。

发明内容

鉴于上述现有技术中的不足之处，本说明书实施例提供一种基于车联网的目标物感知方法及系统，用于解决以下技术问题：车路协同中存在感知盲区，无法实现全路段感知，识别准确性和/或识别精度差。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供的一种基于车联网的目标物感知方法，包括：

获取第一感知数据和第二感知数据，作为信息源，其中，所述信息源包括一个或多个目标物；

将所述信息源在云端进行融合，获得融合结果，其中，所述融合结果是所述信息源所包括的一个或多个目标物的融合结果；

从所述融合结果中筛选影响目标车辆的目标物感知结果，将所述影响目标车辆的目标物感知结果发送给所述目标车辆。

进一步地，所述获取第一感知数据和第二感知数据，具体包括：

基于车载端传感器获取第一感知数据；

基于路侧设备获取第二感知数据；

其中，所述第一感知数据与所述第二感知数据具有相同的数据结构。

进一步地，所述将所述信息源在云端进行融合，获得融合结果，具体包括：

确定所述信息源所包括的各因子的置信度；

基于所述置信度及所述信息源，将所述信息源中的同一目标物进行融合定位。

进一步地，所述确定信息源的置信度，具体包括：

基于所述信息源，采用置信规则库推理方法，确定所述信息源所包括的各因子的置信度。

进一步地，所述基于所述置信度及所述信息源，将所述信息源中的同一目标物进行融合，具体包括：

基于所述置信度，对所述信息源中所包括的各因子进行筛选，保留所述信息源中同一因子中置信度最高的因子，作为新的信息源；

基于所述新的信息源，进行聚类分析，建立时空模型，确定属于同一目标物的初步识别结果，作为第一识别结果；

基于所述信息源的综合置信度，与所述第一识别结果进行叠加，获得第二识别结果，其中，所述信息源的综合置信度是基于所述信息源所包括的各因子的置信度加权得到的；

将所述第二识别结果作为目标物的目标位置及三维模型。

进一步地，所述从所述融合结果中筛选目标物感知结果，具体包括：

以目标车辆的当前位置作为圆心，以目标车辆的当前速度为半径，对所述融合结果进行初步筛选，获得第一筛选结果；

根据所述目标车辆的位置，基于云端地图数据和/或地图引擎，对所述第一筛选结果进行筛选，获得第二筛选结果；

基于所述目标车辆与目标物的相对位置和/或相对速度，对所述第二筛选结果进行筛选，获得影响所述目标车辆的目标物数据。

进一步地，所述目标车辆与目标物的相对位置和/或相对速度，具体包括：

基于所述目标车辆的行驶方向和/或车速及目标物的运动方向和/或速度，获取所述目标车辆与所述目标物的相对位置和/或相对速度。

进一步地，所述将所述影响目标车辆的感知结果发送给所述目标车辆，具体包括：

将所述影响目标车辆的感知结果以预设的数据格式发送给所述目标车辆。

本说明书实施例提供的一种基于车联网的目标物感知系统，包括：

获取模块，获取第一感知数据和第二感知数据，作为信息源，其中，所述信息源包括一个或多个目标物；

融合模块，将所述信息源在云端进行融合，获得融合结果，其中，所述融合结果是所述信息源所包括的一个或多个目标物的融合结果；

信息发布模块，从所述融合结果中筛选影响目标车辆的目标物感知结果，将所述影响目标车辆的目标物感知结果发送给所述目标车辆。

进一步地，所述获取第一感知数据和第二感知数据，具体包括：

基于车载端传感器获取第一感知数据；

基于路侧设备获取第二感知数据；

其中，所述第一感知数据与所述第二感知数据具有相同的数据结构。

进一步地，所述将所述信息源在云端进行融合，获得融合结果，具体包括：

确定所述信息源所包括的各因子的置信度；

基于所述置信度及所述信息源，将所述信息源中的同一目标物进行融合定位。

进一步地，所述确定信息源的置信度，具体包括：

基于所述信息源，采用置信规则库推理方法，确定所述信息源所包括的各因子的置信度。

进一步地，所述基于所述置信度及所述信息源，将所述信息源中的同一目标物进行融合，具体包括：

基于所述置信度，对所述信息源中所包括的各因子进行筛选，保留所述信息源中同一因子中置信度最高的因子，作为新的信息源；

基于所述新的信息源，进行聚类分析，建立时空模型，确定属于同一目标物的初步识别结果，作为第一识别结果；

基于所述信息源的综合置信度，与所述第一识别结果进行叠加，获得第二识别结果，其中，所述信息源的综合置信度是基于所述信息源所包括的各因子的置信度加权得到的；

将所述第二识别结果作为目标物的目标位置及三维模型。

进一步地，所述从所述融合结果中筛选目标物感知结果，具体包括：

以目标车辆的当前位置作为圆心，以目标车辆的当前速度为半径，对所述融合结果进行初步筛选，获得第一筛选结果；

根据所述目标车辆的位置，基于云端地图数据和/或地图引擎，对所述第一筛选结果进行筛选，获得第二筛选结果；

基于所述目标车辆与目标物的相对位置和/或相对速度，对所述第二筛选结果进行筛选，获得影响所述目标车辆的目标物数据。

进一步地，所述目标车辆与目标物的相对位置和/或相对速度，具体包括：

基于所述目标车辆的行驶方向和/或车速及目标物的运动方向和/或速度，获取所述目标车辆与所述目标物的相对位置和/或相对速度。

进一步地，所述将所述影响目标车辆的感知结果发送给所述目标车辆，具体包括：

将所述影响目标车辆的感知结果以预设的数据格式发送给所述目标车辆。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通过获取第一感知数据和第二感知数据，作为信息源，其中，所述信息源包括一个或多个目标物；将所述信息源在云端进行融合，获得融合结果，其中，所述融合结果是所述信息源所包括的一个或多个目标物的融合结果；从所述融合结果中筛选影响目标车辆的目标物感知结果，将所述影响目标车辆的目标物感知结果发送给所述目标车辆，能够避免车路协同中的感知盲区，实现全路段感知，提高识别准确性和/或识别精度。

附图说明

为了更清楚地说明本说明书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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书实施例提供的一种基于车联网的目标物感知方法的流程示意图；

图2为本申请实施例提供的一种确定信息源所包括的各因子的置信度方法的流程图；

图3为本申请实施例提供的一种将信息源中的同一目标物进行融合的流程图；

图4为本申请实施例提供的一种从融合结果中筛选影响目标车辆的目标物感知结果的流程图；

图5为本说明书实施例提供的一种基于车联网的目标物感知系统的示意图。

具体实施方式

智能网联汽车作为汽车行业新一轮的科技革命与产业革命，已经成为我国和其它汽车强国发展的战略方向和必然趋势。智能网联汽车是有智能化、网联化的内涵。智能化是指单车智能，如不同级别的智能驾驶汽车；网联化是指通过V2X技术，让所有道路参与者实现路况实施共享，实现真正的“人-车-路-云”协同智能。

车路协同作为智能网络汽车的一个重要应用，能够达到人、车、路三者之间的高度协调，形成高效、安全、环保的交通系统。

现有技术中，基于车载端传感器的单车智能识别方法存在感知盲区，单车有效探测距离不超过80米，且由于遮挡物等的存在，车载端传感器也存在视角、高度上的局限。在自动驾驶并未完全普及的情况下，依靠车载端传感器的车载智能识别无法实现无死角识别。而基于路侧设备的路侧智能识别方法，路侧有效单侧距离为200米，但由于成本较高，往往在重点路段采用路侧智能识别方法，无法实现全路段识别。

基于此，本发明提出一种基于车联网的目标物感知方法及系统，以改进现有技术中的目标物感知方法。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

图1为本说明书实施例提供的一种基于车联网的目标物感知方法的流程示意图，该方法包括：

步骤S101：获取第一感知数据和第二感知数据，作为信息源，其中，所述信息源包括一个或多个目标物。

在车联网中，云端本身不具备感知能力，因此，云端需要借助外部设备获取数据。在本申请的一个实施例中，采用车载端传感器和路侧设备提供感知数据。具体地，基于车载端传感器获取第一感知数据，基于路侧设备获取第二感知数据，将第一感知数据与第二感知数据共同作为信息源，传输至云端。需要特别说明的是，第一感知数据与第二感知数据具有相同的数据结构。

在本申请中，第一感知数据与第二感知数据的数据结构包括但不限于：车辆当前定位信息、车辆当前速度、车辆当前运动方向、目标物类型、目标物尺寸、目标物颜色、目标物坐标、目标物距离、目标物水平夹角、目标物垂直夹角、感知单元、感知单元附加属性、目标物运动方向、目标物速度、时间戳。表1为第一感知数据与第二感知数据的数据结构的详细说明，以便于理解第一感知数据与第二感知数据的数据结构。

表1

需要说明的是，高程指的是某点沿铅垂线方向到绝对基面的距离，称绝对高程，简称高程。车辆航向角通常指地面坐标系x₀，y₀下，车辆质心速度v与横轴x₀的夹角θ。

由于在车路协同中需要考虑人、车、路三者之间的协同，因此，需要感知的数据至少应包括如下目标物中的一种或多种：机动车、非机动车、行人、障碍物及未知物体。

步骤S103：将所述信息源在云端进行融合，获得融合结果，其中，所述融合结果是所有信息源所包括的一个或多个目标物的融合结果。

在本申请的一个实施例中，将信息源在云端进行融合，获得融合结果，具体包括：

确定所述信息源所包括的各因子的置信度；

基于所述置信度及所述信息源，将所述信息源中的同一目标物进行融合定位。

如前述步骤S101，获取的信息源包括第一感知数据和第二感知数据，由于同一个目标物的感知数据包括第一感知数据和第二感知数据，第一感知数据和第二感知数据包含多个因子，因此，为了进一步获取目标物的三维模型及定位，需要将获取的信息源进行融合。

对于信息源所包括的各因子，差异由于天气等干扰因素的存在、感知单元等的差异，信息源所包括的各因子中可能存在可信度低的因子，因此，在进行融合前，需要对信息源所包括的各因子进行初步筛选，将属于同一因子的数据，剔除置信度低的数据，保留置信度高的数据。

在本申请的一个实施例中，信息源所包括的各因子的置信度基于多维度综合考虑，综合建立置信度。在具体实施过程中，可以基于以下内容综合考虑，具体包括：

a、当前定位信息精度越高，置信度越高；

b、天气、热辐射等强干扰情况下，激光雷达感知单元获取的数据的置信度降低；

c、远距离识别情况下，毫米波雷达感知单元获取的数据置信度降低；

d、单目摄像头识别时，目标物尺寸、目标物距离及目标物速度的置信度降低；

e、对于目标物距离、目标物速度，采用雷达感知单元获取的数据比摄像头感知单元获取的数据的置信度高；

f、对于目标物类型、目标物颜色，采用雷达感知单元获取的数据比摄像头感知单元获取的数据的置信度低。

基于上述置信度的建立需要综合考虑的内容，图2为本申请实施例提供的一种确定信息源所包括的各因子的置信度方法的流程图。图2所示的方法，具体包括：

步骤S201：建立置信规则库。

置信规则库由是所有规则的集合，在每一条规则中，均包含着用IF-THEN形式相连接的前提属性和结果属性，例如，IF X IS A,THEN B，其中，前提属性为推理时需要用到的各种信息，结果属性为模型可能推理得到的不同结论。在所有规则中，加入前提属性权重及规则权重，同时将IF-THEN规则的结果中给予一个表征事件发生的可能性大小的概率值，即置信度，就可以得到置信规则。将描述同一模型的多条此类规则组合起来，就可以得到置信规则库。置信规则库模型是一种输入信息更加多元、知识表达更加接近实际工程、模型建立更加方便的专家系统。

在具体实施过程中，由于规则较为负责，需要构建层次化的推理框架(如推理树)。推理树需要根据运作机制和推理因果关系而定框架结构。为了进行置信规则推理的需要，每条置信规则都要转化为只含有“与”关系规则前项的置信规则。

在本申请中，基于前述置信规则库的建立方法，根据应用场景，基于表1中的数据建立置信度规则库。

步骤S203：将置信规则库进行初始化，获得初始化的置信规则库。

对置信规则库初始化是利用置信规则推理方法进行决策推理的必要前提。初始化后的置信规则库可以直接实施前向推理得到输出决策量，也可以进行调节和训练后进行前向推理决策。在本申请中，置信规则库的初始化，包括但不限于：根据专家或决策者可以利用定性和定量的领域经验知识、现有的和以前的规则库或知识库初始化，如模糊逻辑规则、贝叶斯网络等。

步骤S205：调整初始化的置信规则库。

置信规则库的结构和参数都可以由专家或决策者根据经验知识或其它原始规则库事前决定。对于比较复杂的大规模的置信规则库，仅仅利用专家知识来确定置信规则库的结构和参数是非常困难和不可靠的，因此需要提出相应的结构和参数识别算法。为了提高置信规则库的可信度和置信规则决策的准确度，可以对置信规则库的结构和参数进行调节和更新。置信规则库透明的形式可以允许决策者利用领域经验知识直接干预调节，但在专家领域知识不可信和缺失的情况下，可以利用历史运作过程数据调节和训练置信规则库。

在具体实施过程中，因为实际系统的复杂性或不可获知性等原因，其机理模型无法得到，而只能观测到输入输出数据对形式的历史或运作过程数据。采用置信规则库的目的是将其拟合或逼近实际情况。为了提高置信规则库对实际系统的逼近度，需要利用观测到的历史输入输出数据对训练置信规则库，训练的驱动力是观测输出和推理输出之间的差值，从而调整置信规则库。基于数据偏差，通过算法训练及偏差识别，最后得到可满足实际应用场景的置信规则库模型。在本申请的一个实施例中，将信息源输入得到的置信度规则库模型中，会输出信息源所包括的各因子的置信度。

采用图2所示的方法，基于所述信息源，采用置信规则库推理方法，确定所述信息源所包括的各因子的置信度。

基于前述图2所述的方法，能够实现信息源所包括的各因子的筛选，保留信息源中同一因子中置信度最高的因子，从而作为新的信息源，用于后续目标融合。

图3为本申请实施例提供的一种将信息源中的同一目标物进行融合的流程图。图3是基于前述信息源所包括的各因子的置信度及信息源，将信息源中的同一目标物进行融合，具体包括：

步骤S301：基于所述置信度，对所述信息源中所包括的各因子进行筛选，保留所述信息源中同一因子中置信度最高的因子，作为新的信息源。

在本申请的一个实施例中，如信息源中有两个目标物颜色的数据，其中，一个目标物颜色显示为绿色，是由雷达感知单元获取的数据；一个目标物颜色显示为浅绿色，是由摄像头感知单元获取的数据，基于前述建立信息源所包括的各因子的置信度，信息源中应保留目标物颜色显示为浅绿色。在本申请的另外一个实施例中，信息源中有两个目标物速度的数据，其中一个目标物的速度25.4km/h，是由雷达感知单元获取的数据；一个目标物的速度为24.1km/h基于摄像头感知单元获取的数据，基于前述建立信息源所包括的各因子的置信度，信息源中应保留目标物的速度为25.4km/h。基于同样的思路，对信息源所包括的各因子进行筛选，保留所述信息源中同一因子中置信度最高的因子，作为新的信息源。

步骤S303：基于所述新的信息源，进行聚类分析，建立时空模型，确定属于同一目标物的初步识别结果，作为第一识别结果。

在本申请中，采用聚类分析的方法，建立时空模型，以确定属于同一目标物的初步识别结果。聚类分析是指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。聚类分析的目标是在相似的基础上收集数据进行分类，采用该方法可以实现从大量数据中，将不同的目标物进行分类。

在本申请的一个实施例中，用于聚类分析的数据来源于新信息源。但是并不是所有属于新信息源的数据均可用于聚类分析，在本申请中，与目标物类型、尺寸、颜色及定位相关的数据可用于聚类分析，具体包括：车辆当前定位信息、车辆当前速度、车辆当前运动方向、目标物坐标、目标物距离、目标物水平夹角、目标物垂直夹角、目标物运动方向，目标物速度、时间戳、目标物类型、目标物尺寸及目标物颜色。

采用步骤S303能够实现信息源所包括的一个或多个目标物的初步识别，确定属于同一目标物的识别结果。

步骤S305：基于所述信息源的综合置信度，与所述第一识别结果进行叠加，获得第二识别结果，其中，所述信息源的综合置信度是基于所述信息源所包括的各因子的置信度加权得到的。

由于前述步骤S303所获得的第一识别结果为初步识别结果，可能存在识别错误的情况，为了保证识别结果的准确性，因此，需要将所述第一识别结果进行进一步识别。在具体实施过程中，可以基于信息源的综合置信度，与第一识别结果进行叠加，所得到的新的识别结果，作为第二识别结果。需要特别说明的是，信息源的综合置信度是基于所述信息源所包括的各因子的置信度加权得到的。

步骤S307：将所述第二识别结果作为目标物的目标位置及三维模型。

为了便于后续对目标物的感知结果的可信度进行判断，进一步地，基于目标物的目标位置及三维模型的结果，确定相应的置信度。

步骤S105：从所述融合结果中筛选影响目标车辆的目标物感知结果，将所述影响目标车辆的目标物感知结果发送给所述目标车辆。

前述步骤获得的融合结果，对于不同的目标车辆，需要进一步从云端筛选信息，剔除无用的信息，将与目标车辆有关的目标物数据发送给目标车辆。

图4为本申请实施例提供的一种从融合结果中筛选影响目标车辆的目标物感知结果的流程图，具体包括：

步骤S401：以目标车辆的当前位置作为圆心，以目标车辆的当前速度为半径，对所述融合结果进行初步筛选，获得第一筛选结果。

对于不同的目标车辆，需要从云端筛选不同的融合结果，以获得影响目标车辆的目标物感知结果。在本申请中，采用基于目标车辆当前位置及当前速度的方法进行初步筛选，具体地，以目标车辆的当前位置作为圆心，以目标车辆的当前速度为半径，以此确定的圆形区域范围作为数据筛选范围，对所述融合结果进行筛选，获得第一筛选结果。采用该方法，能够筛选得到圆形区域范围内的融合结果。

步骤S403：根据所述目标车辆的位置，基于云端地图数据和/或地图引擎，对所述第一筛选结果进行筛选，获得第二筛选结果。

前述步骤S401获得的第一筛选结果，可能会存在影响目标车辆的干扰目标物，因此，需要再次进行筛选。在本申请中，根据所述目标车辆的位置，基于云端地图数据和/或地图引擎，对所述第一筛选结果进行筛选，获得第二筛选结果。需要特别说明的是，第二筛选结果包括但不限于：同向道路相关目标物未来可行驶道路相关目标物，其中，未来可行驶道路是指的以目标车辆当前速度为半径、沿目标车辆行驶方向所对应的未来可行驶道路。

步骤S405：基于所述目标车辆与目标物的相对位置和/或相对速度，对所述第二筛选结果进行筛选，获得影响目标车辆的目标物数据。

在本申请中，影响目标车辆的目标物感知结果以预设的数据格式发送给目标车辆，表2为本申请实施例提供的一种目标感感知结果的预设数据格式示意。

表2

名称	描述
		目标物类型	机动车、非机动车、行人、障碍物、未知
目标物尺寸	长、宽、高
		目标物颜色
目标物坐标	至少包括经度、纬度、高程、可信度
		目标物运动方向	目标物航向角
目标物速度
		时间戳
置信度

采用本说明书实施例提供的方法，对目标物进行感知，能够能够避免车路协同中的感知盲区，实现全路段感知，提高识别准确性和/或识别精度。

上述内容详细说明了一种基于车联网的目标物感知方法，与之对应的，本申请还提供了一种基于车联网的目标物感知系统，如图5所示。图5为本说明书实施例提供的一种基于车联网的目标物感知系统的示意图，具体包括：

获取模块501，获取第一感知数据和第二感知数据，作为信息源，其中，所述信息源包括一个或多个目标物；

融合模块503，将所述信息源在云端进行融合，获得融合结果，其中，所述融合结果是所述信息源所包括的一个或多个目标物的融合结果；

信息发布模块505，从所述融合结果中筛选影响目标车辆的目标物感知结果，将所述影响目标车辆的目标物感知结果发送给所述目标车辆。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (16)

1.一种基于车联网的目标物感知方法，其特征在于，所述方法包括：

获取第一感知数据和第二感知数据，作为信息源，其中，所述信息源包括一个或多个目标物；

将所述信息源在云端进行融合，获得融合结果，其中，所述融合结果是所述信息源所包括的一个或多个目标物的融合结果；

从所述融合结果中筛选影响目标车辆的目标物感知结果，将所述影响目标车辆的目标物感知结果发送给所述目标车辆。

2.如权利要求1所述的方法，其特征在于，所述获取第一感知数据和第二感知数据，具体包括：

基于车载端传感器获取第一感知数据；

基于路侧设备获取第二感知数据；

其中，所述第一感知数据与所述第二感知数据具有相同的数据结构。

3.如权利要求1所述的方法，其特征在于，所述将所述信息源在云端进行融合，获得融合结果，具体包括：

确定所述信息源所包括的各因子的置信度；

基于所述置信度及所述信息源，将所述信息源中的同一目标物进行融合定位。

4.如权利要求3所述的方法，其特征在于，所述确定信息源的置信度，具体包括：

基于所述信息源，采用置信规则库推理方法，确定所述信息源所包括的各因子的置信度。

5.如权利要求3或4所述的方法，其特征在于，所述基于所述置信度及所述信息源，将所述信息源中的同一目标物进行融合，具体包括：

基于所述置信度，对所述信息源中所包括的各因子进行筛选，保留所述信息源中同一因子中置信度最高的因子，作为新的信息源；

基于所述新的信息源，进行聚类分析，建立时空模型，确定属于同一目标物的初步识别结果，作为第一识别结果；

基于所述信息源的综合置信度，与所述第一识别结果进行叠加，获得第二识别结果，其中，所述信息源的综合置信度是基于所述信息源所包括的各因子的置信度加权得到的；

将所述第二识别结果作为目标物的目标位置及三维模型。

6.如权利要求1所述的方法，其特征在于，所述从所述融合结果中筛选目标物感知结果，具体包括：

以目标车辆的当前位置作为圆心，以目标车辆的当前速度为半径，对所述融合结果进行初步筛选，获得第一筛选结果；

根据所述目标车辆的位置，基于云端地图数据和/或地图引擎，对所述第一筛选结果进行筛选，获得第二筛选结果；

基于所述目标车辆与目标物的相对位置和/或相对速度，对所述第二筛选结果进行筛选，获得影响所述目标车辆的目标物数据。

7.如权利要求6所述的方法，其特征在于，所述目标车辆与目标物的相对位置和/或相对速度，具体包括：

基于所述目标车辆的行驶方向和/或车速及目标物的运动方向和/或速度，获取所述目标车辆与所述目标物的相对位置和/或相对速度。

8.如权利要求1所述的方法，其特征在于，所述将所述影响目标车辆的感知结果发送给所述目标车辆，具体包括：

将所述影响目标车辆的感知结果以预设的数据格式发送给所述目标车辆。

9.一种基于车联网的目标物感知系统，其特征在于，所述系统包括：

获取模块，获取第一感知数据和第二感知数据，作为信息源，其中，所述信息源包括一个或多个目标物；

融合模块，将所述信息源在云端进行融合，获得融合结果，其中，所述融合结果是所述信息源所包括的一个或多个目标物的融合结果；

信息发布模块，从所述融合结果中筛选影响目标车辆的目标物感知结果，将所述影响目标车辆的目标物感知结果发送给所述目标车辆。

10.如权利要求9所述的系统，其特征在于，所述获取第一感知数据和第二感知数据，具体包括：

基于车载端传感器获取第一感知数据；

基于路侧设备获取第二感知数据；

其中，所述第一感知数据与所述第二感知数据具有相同的数据结构。

11.如权利要求9所述的系统，其特征在于，所述将所述信息源在云端进行融合，获得融合结果，具体包括：

确定所述信息源所包括的各因子的置信度；

基于所述置信度及所述信息源，将所述信息源中的同一目标物进行融合定位。

12.如权利要求11所述的系统，其特征在于，所述确定信息源的置信度，具体包括：

基于所述信息源，采用置信规则库推理方法，确定所述信息源所包括的各因子的置信度。

13.如权利要求11或12所述的系统，其特征在于，所述基于所述置信度及所述信息源，将所述信息源中的同一目标物进行融合，具体包括：

基于所述置信度，对所述信息源中所包括的各因子进行筛选，保留所述信息源中同一因子中置信度最高的因子，作为新的信息源；

基于所述新的信息源，进行聚类分析，建立时空模型，确定属于同一目标物的初步识别结果，作为第一识别结果；

基于所述信息源的综合置信度，与所述第一识别结果进行叠加，获得第二识别结果，其中，所述信息源的综合置信度是基于所述信息源所包括的各因子的置信度加权得到的；

将所述第二识别结果作为目标物的目标位置及三维模型。

14.如权利要求9所述的系统，其特征在于，所述从所述融合结果中筛选目标物感知结果，具体包括：

以目标车辆的当前位置作为圆心，以目标车辆的当前速度为半径，对所述融合结果进行初步筛选，获得第一筛选结果；

根据所述目标车辆的位置，基于云端地图数据和/或地图引擎，对所述第一筛选结果进行筛选，获得第二筛选结果；

基于所述目标车辆与目标物的相对位置和/或相对速度，对所述第二筛选结果进行筛选，获得影响所述目标车辆的目标物数据。

15.如权利要求14所述的系统，其特征在于，所述目标车辆与目标物的相对位置和/或相对速度，具体包括：

基于所述目标车辆的行驶方向和/或车速及目标物的运动方向和/或速度，获取所述目标车辆与所述目标物的相对位置和/或相对速度。

16.如权利要求9所述的系统，其特征在于，所述将所述影响目标车辆的感知结果发送给所述目标车辆，具体包括：

将所述影响目标车辆的感知结果以预设的数据格式发送给所述目标车辆。