CN110907946B - 一种位移填补建模的方法和相关装置 - Google Patents

Abstract

本申请公开了一种位移填补建模的方法和装置，该方法包括：基于多个其他车辆对应的历史时刻点云数据识别获得的多组其他车辆与目标车辆的相对位移s_c、相对速度v_c和对应的计算时间t_c，回归建模获得第一位移填补模型；基于第一位移填补模型的可决系数R²和预设可决系数值，确定目标位移填补模型。由此可见，基于多组其他车辆与目标车辆的相对位移s_c、相对速度v_c和对应的计算时间t_c，采用回归建模方式得到的目标位移填补模型用于实现位移填补，点云数据通过目标位移填补模型能够更加准确地预测其他车辆与目标车辆的相对位移，减少延时差异，避免滞后不准确的问题。

Description

一种位移填补建模的方法和相关装置

技术领域

本申请涉及车辆数据分析技术领域，尤其涉及一种位移填补建模的方法和相关装置。

背景技术

在驾驶车辆时，尤其是无人驾驶时，需要明确其他车辆与自身车辆的相对位移。目前，自身车辆一般通过激光雷达进行点云识别获得其他车辆与自身车辆的相对位移，具体地，将其他车辆对应的点云数据输入点云识别算法，输出获得其他车辆与自身车辆的相对位移。

但是，发明人经过研究发现，点云识别算法需要一定的计算时间，而在点云识别算法计算过程中，自身车辆以及其他车辆仍然继续移动，则点云识别算法获得的其他车辆与自身车辆的相对位移相较于实际相对位移存在一定的延时差异，即，点云识别算法获得的其他车辆与自身车辆的相对位移存在滞后不准确的问题。

发明内容

有鉴于此，本申请实施例提供一种位移填补建模的方法和装置，用于实现位移填补，点云数据通过构建的位移填补模型能够更加准确地预测其他车辆与自身车辆的相对位移，减少延时差异，避免滞后不准确的问题。

第一方面，本申请实施例提供了一种位移填补建模的方法，该方法包括：

基于多个其他车辆对应的历史时刻点云数据识别获得的多组所述其他车辆与目标车辆的相对位移s_c、相对速度v_c和对应的计算时间t_c，回归建模获得第一位移填补模型；

基于所述第一位移填补模型的可决系数R²和预设可决系数值，确定目标位移填补模型。

可选的，所述基于多个其他车辆对应的历史时刻点云数据识别获得的多组所述其他车辆与目标车辆的相对位移s_c、相对速度v_c和对应的计算时间t_c，回归建模获得第一位移填补模型，具体为：

以所述相对位移s_c为因变量、以所述相对速度v_c和对应的所述计算时间t_c为自变量，线性回归建模获得所述第一位移填补模型。

可选的，所述基于所述第一位移填补模型的可决系数R²和预设可决系数值，确定目标位移填补模型，包括：

若所述第一位移填补模型的可决系数R²大于等于所述预设可决系数值，将所述第一位移填补模型确定为目标位移填补模型；

若所述第一位移填补模型的可决系数R²小于所述预设可决系数值，变换所述相对速度v_c和所述计算时间t_c回归建模获得第二位移填补模型；

基于所述第二位移填补模型的可决系数R²和所述预设可决系数值，确定目标位移填补模型。

可选的，所述变换所述相对速度v_c和所述计算时间t_c回归建模获得第二位移填补模型，包括：

指数变换所述相对速度v_c和对应的所述计算时间t_c；获得变换相对速度

和对应的变换计算时间

以所述相对位移s_c为因变量、以所述变换相对速度

和对应的所述变换计算时间

为自变量，线性回归建模获得所述第二位移填补模型。

可选的，所述基于所述第二位移填补模型的可决系数R²和所述预设可决系数值，确定目标位移填补模型，包括：

若所述第二位移填补模型的可决系数R²大于等于所述预设可决系数值，将所述第二位移填补模型确定为所述目标位移填补模型；

若所述第二位移填补模型的可决系数R²小于所述预设可决系数值，提取多组相对位移s_c、相对速度v_c和对应的计算时间t_c的时域数据，回归建模获得所述目标位移填补模型。

可选的，所述时域数据包括以下数据的多种：

最大值、最小值、均值、方差、极差、四分位数、中位数、峰峰值、偏度系数、几何系数。

可选的，所述多组相对位移s、相对速度v和对应的计算时间t的组数大于等于预设组数。

可选的，还包括：

基于t_n时刻点云数据，利用所述目标位移填补模型预测t_n+1时刻所述其他车辆与目标车辆的预测相对位移s_n+1′。

可选的，还包括：

识别所述其他车辆对应的t_n+1时刻点云数据，获得所述其他车辆与所述目标车辆的相对位移s_n+1；

若所述预测相对位移s_n+1′大于所述相对位移s_n+1，将所述预测相对位移s_n+1′标记预测错误；

若预设时间段内预测错误次数与预测次数的占比值大于预设占比值，更新所述目标位移填补模型。

第二方面，本申请实施例提供了一种位移填补建模的装置，该装置包括：

第一获得单元，用于基于多个其他车辆对应的历史时刻点云数据识别获得的多组所述其他车辆与目标车辆的相对位移s_c、相对速度v_c和对应的计算时间t_c，回归建模获得第一位移填补模型；

确定单元，用于基于所述第一位移填补模型的可决系数R²和预设可决系数值，确定目标位移填补模型。

第三方面，本申请实施例提供了一种终端设备，该终端设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行上述第一方面任一项所述的位移填补建模的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面任一项所述的位移填补建模的方法。

与现有技术相比，本申请至少具有以下优点：

采用本申请实施例的技术方案，基于多个其他车辆对应的历史时刻点云数据识别获得的多组其他车辆与目标车辆的相对位移s_c、相对速度v_c和对应的计算时间t_c，回归建模获得第一位移填补模型；基于第一位移填补模型的可决系数R²和预设可决系数值，确定目标位移填补模型。由此可见，基于多组其他车辆与目标车辆的相对位移s_c、相对速度v_c和对应的计算时间t_c，采用回归建模方式得到的目标位移填补模型用于实现位移填补，点云数据通过目标位移填补模型能够更加准确地预测其他车辆与目标车辆的相对位移，减少延时差异，避免滞后不准确的问题。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例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申请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的前提下，还可以根据这些附图获得其它的附图。

图1为本申请实施例中一种应用场景所涉及的系统框架示意图；

图2为本申请实施例提供的一种位移填补建模的方法的流程示意图；

图3为本申请实施例提供的一种位移填补建模的装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

现阶段，在无人驾驶场景下，自身车辆通常通过激光雷达获得其他车辆对应的点云数据输入点云识别算法，输出获得其他车辆与自身车辆的相对位移。但是，发明人经过研究发现，点云识别算法需要一定的计算时间，而在点云识别算法计算过程中，自身车辆以及其他车辆仍然继续移动，则点云识别算法获得的其他车辆与自身车辆的相对位移相较于实际相对位移存在一定的延时差异，即，点云识别算法获得的其他车辆与自身车辆的相对位移存在滞后不准确的问题。

为了解决这一问题，在本申请实施例中，基于多个其他车辆对应的历史时刻点云数据识别获得的多组其他车辆与目标车辆的相对位移s_c、相对速度v_c和对应的计算时间t_c，回归建模获得第一位移填补模型；基于第一位移填补模型的可决系数R²和预设可决系数值，确定目标位移填补模型。由此可见，基于多组其他车辆与目标车辆的相对位移s_c、相对速度v_c和对应的计算时间t_c，采用回归建模方式得到的目标位移填补模型用于实现位移填补，点云数据通过目标位移填补模型能够更加准确地预测其他车辆与目标车辆的相对位移，减少延时差异，避免滞后不准确的问题。

举例来说，本申请实施例的场景之一，可以是应用到如图1所示的场景中。该场景包括目标车辆101、电子控制单元102和其他车辆集103，电子控制单元102属于第一车辆101，其他车辆集103包括多个其他车辆。电子控制单元102利用本申请实施例的实施方式获得目标位移填补模型。点云数据通过该目标位移填补模型预测的其他车辆与目标车辆101的相对位移，相较于现有技术获得的他车辆与目标车辆101的相对位移更准确，减少延时差异，避免滞后不准确的问题。

可以理解的是，在上述应用场景中，虽然将本申请实施方式的动作描述由电子控制单元102执行，但是，本申请在执行主体方面不受限制，只要执行了本申请实施方式所公开的动作即可。

可以理解的是，上述场景仅是本申请实施例提供的一个场景示例，本申请实施例并不限于此场景。

下面结合附图，通过实施例来详细说明本申请实施例中位移填补建模的方法和装置的具体实现方式。

示例性方法

参见图2，示出了本申请实施例中一种位移填补建模的方法的流程示意图。在本实施例中，所述方法例如可以包括以下步骤：

步骤201：基于多个其他车辆对应的历史时刻点云数据识别获得的多组所述其他车辆与目标车辆的相对位移s_c、相对速度v_c和对应的计算时间t_c，回归建模获得第一位移填补模型。

需要说明的是，由于自身车辆通常通过激光雷达获得其他车辆对应的点云数据输入点云识别算法，输出获得其他车辆与自身车辆的相对位移。上述方式中点云识别算法需要一定的计算时间，而在点云识别算法计算过程中，自身车辆以及其他车辆仍然继续移动，则点云识别算法获得的其他车辆与自身车辆的相对位移相较于实际相对位移存在一定的延时差异，即，点云识别算法获得的其他车辆与自身车辆的相对位移存在滞后不准确的问题。因此，在本申请实施例中，考虑通过激光雷达获得某个历史时刻多个其他车辆对应的点云数据，利用点云识别算法获得多组其他车辆与目标车辆的相对位移s_c和相对速度v_c，并统计点云识别算法的计算时间t_c；以上述数据为基础进行回归建模，即可得到用于实现位移填补的模型，记为第一位移填补模型。

一般而言，进行回归建模的数据量需要足够充分，即，需要较多组相对位移s、相对速度v和对应的计算时间t，在本申请实施例中，预先设置一个最低组数记为预设组数，例如，预设组数为1000，则需要获得不小于1000组的相对位移s、相对速度v和对应的计算时间t。因此，在本申请实施例一种可选的实施方式中，所述多组相对位移s、相对速度v和对应的计算时间t的组数大于等于预设组数。

需要说明的是，实际应用中，回归建模通常采用线性回归建模的方式，根据相对位移s_c、相对速度v_c和对应的计算时间t_c三者之间的关系，在进行线性回归建模时需要将相对位移s_c作为因变量，将相对速度v_c和对应的计算时间t_c作为自变量。因此，在本申请实施例一种可选的实施方式中，所述步骤201例如具体可以为：以所述相对位移s_c为因变量、以所述相对速度v_c和对应的所述计算时间t_c为自变量，线性回归建模获得所述第一位移填补模型。

步骤202：基于所述第一位移填补模型的可决系数R²和预设可决系数值，确定目标位移填补模型。

需要说明的是，对于步骤201回归建模获得的第一位移填补模型而言，其可决系数R²反应该模型中因变量变化可靠程度的一个统计指标。在本申请实施例中，预先设定一个最小可决系数值，记为预设可决系数值，用于与第一位移填补模型的可决系数R²比较大小，以衡量第一位移填补模型中因变量变化可靠程度，从而得到最终用于实现位移填补的目标位移填补模型。

实际应用中，第一位移填补模型的可决系数R²与预设可决系数值比较大小存在以下两种情况：第一位移填补模型的可决系数R²大于等于预设可决系数值，表示第一位移填补模型中因变量变化可靠程度较高，则可以直接将第一位移填补模型确定为目标位移填补模型；第一位移填补模型的可决系数R²小于预设可决系数值，表示第一位移填补模型中因变量变化可靠程度较低，此时需要对进行回归建模的数据中的相对速度v_c和计算时间t_c进行变换，再次进行回归建模获得用于实现位移填补的模型，记为第二位移填补模型；同理可得，第二位移填补模型的可决系数R²也需要与预设可决系数值比较大小，以衡量第二位移填补模型中因变量变化可靠程度，从而得到最终用于实现位移填补的目标位移填补模型。因此，在本申请实施例一种可选的实施方式中，所述步骤202例如可以包括以下步骤：

步骤A：若所述第一位移填补模型的可决系数R²大于等于预设可决系数值，将所述第一位移填补模型确定为目标位移填补模型。

步骤B：若所述第一位移填补模型的可决系数R²小于所述预设可决系数值，变换所述相对速度v_c和所述计算时间t_c回归建模获得第二位移填补模型。

其中，对相对速度v_c和计算时间t_c进行变换通常采用指数变换的方式，首先，获得变换后的相对速度v_c和计算时间t_c，记为变换相对速度

和变换计算时间

然后，仍然将相对位移s_c作为因变量、不同的是将变换相对速度

和变换计算时间

作为自变量，再次进行线性回归建模获得第二位移填补模型。因此，在本申请实施例一种可选的实施方式中，所述步骤B中变换所述相对速度v_c和所述计算时间t_c回归建模获得第二位移填补模型的步骤，例如可以包括以下步骤：

步骤B1：指数变换所述相对速度v_c和对应的所述计算时间t_c；获得变换相对速度

和对应的变换计算时间

步骤B2：以所述相对位移s_c为因变量、以所述变换相对速度

和对应的所述变换计算时间

为自变量，线性回归建模获得所述第二位移填补模型。

步骤C：基于所述第二位移填补模型的可决系数R²和所述预设可决系数值，确定目标位移填补模型。

其中，第二位移填补模型的可决系数R²与预设可决系数值比较大小存在以下两种情况：第二位移填补模型的可决系数R²大于等于预设可决系数值，表示第二位移填补模型中因变量变化可靠程度较高，则可以直接将第二位移填补模型确定为目标位移填补模型；第二位移填补模型的可决系数R²小于预设可决系数值，表示第二位移填补模型中因变量变化可靠程度较低，此时需要提取多组相对位移s_c、相对速度v_c和对应的计算时间t_c的时域数据，再次进行回归建模获得用于实现位移填补的模型，该模型直接作为目标位移填补模型。因此，在本申请实施例一种可选的实施方式中，所述步骤C例如可以包括以下步骤：

步骤C1：若所述第二位移填补模型的可决系数R²大于等于所述预设可决系数值，将所述第二位移填补模型确定为所述目标位移填补模型。

步骤C2：若所述第二位移填补模型的可决系数R²小于所述预设可决系数值，提取多组相对位移s_c、相对速度v_c和对应的计算时间t_c的时域数据，回归建模获得所述目标位移填补模型。

实际应用中，对于多组相对位移s_c、相对速度v_c和对应的计算时间t_c而言，提取其时域数据通常是指统计分析多组相对位移s_c、相对速度v_c和对应的计算时间t_c，得到相对位移s_c、相对速度v_c和计算时间t_c对应的最大值、最小值、均值、方差、极差、四分位数、中位数、峰峰值、偏度系数和几何系数中部分或全部数据。因此，在本申请实施例一种可选的实施方式中，所述步骤C2中的时域数据包括以下数据的多种：最大值、最小值、均值、方差、极差、四分位数、中位数、峰峰值、偏度系数、几何系数。

需要说明的是，上述步骤得到的目标位移填补模型，用于实现位移填补，即，点云数据通过目标位移填补模型能够更加准确地预测其他车辆与目标车辆的相对位移，则在本申请实施例中，将其他车辆对应的t_n时刻点云数据输入目标位移填补模型，即可预测获得该其他车辆与目标车辆的预测相对位移s_n+1′，相较于其他车辆对应的t_n+1时刻点云数据输入点云识别算法获得的其他车辆与目标车辆的相对位移s_n+1而言更加准确，填补了相对位移s_n+1存在的延时差异。因此，在本申请实施例一种可选的实施方式中，在得到目标位移填补模型之后，例如还可以包括步骤D：基于t_n时刻点云数据，利用所述目标位移填补模型预测t_n+1时刻所述其他车辆与目标车辆的预测相对位移s_n+1′。

还需要说明的是，除了上述步骤D获得预测相对位移s_n+1′之外，其他车辆对应的t_n+1时刻点云数据输入点云识别算法，可获得其他车辆与目标车辆的相对位移s_n+1，正常情况下，预测相对位移s_n+1′应该小于等于相对位移s_n+1，则预测相对位移s_n+1′大于相对位移s_n+1表示预测相对位移s_n+1′是错误的，预设时间段内预测错误次数较多时，表示目标位移填补模型存在问题需要更新，因此，需要预先设定一个占比值，记为预设占比值，将大于相对位移s_n+1的预测相对位移s_n+1′标记为预测错误，统计一段时间内预测错误次数与预测次数的占比值，当该段时间内预测错误次数与预测次数的占比值大于预设占比值，则需要基于最近时间的多组相对位移s_c、相对速度v_c和对应的计算时间t_c更新目标位移填补模型。因此，在本申请实施例一种可选的实施方式中，在步骤D之后，例如还可以包括以下步骤：

步骤E：识别所述其他车辆对应的t_n+1时刻点云数据，获得所述其他车辆与所述目标车辆的相对位移s_n+1；

步骤F：若所述预测相对位移s_n+1′大于所述相对位移s_n+1，将所述预测相对位移s_n+1′标记预测错误；

步骤G：若预设时间段内预测错误次数与预测次数的占比值大于预设占比值，更新所述目标位移填补模型。

通过本实施例提供的各种实施方式，基于多个其他车辆对应的历史时刻点云数据识别获得的多组其他车辆与目标车辆的相对位移s_c、相对速度v_c和对应的计算时间t_c，回归建模获得第一位移填补模型；基于第一位移填补模型的可决系数R²和预设可决系数值，确定目标位移填补模型。由此可见，基于多组其他车辆与目标车辆的相对位移s_c、相对速度v_c和对应的计算时间t_c，采用回归建模方式得到的目标位移填补模型用于实现位移填补，点云数据通过目标位移填补模型能够更加准确地预测其他车辆与目标车辆的相对位移，减少延时差异，避免滞后不准确的问题。

示例性装置

参见图3，示出了本申请实施例中一种位移填补建模的装置的结构示意图。在本实施例中，所述装置例如具体可以包括：

第一获得单元301，用于基于多个其他车辆对应的历史时刻点云数据识别获得的多组所述其他车辆与目标车辆的相对位移s_c、相对速度v_c和对应的计算时间t_c，回归建模获得第一位移填补模型；

确定单元302，用于基于所述第一位移填补模型的可决系数R²和预设可决系数值，确定目标位移填补模型。

在本申请实施例一种可选的实施方式中，所述确定单元302包括：

第一确定子单元，用于若所述第一位移填补模型的可决系数R²大于等于预设可决系数值，将所述第一位移填补模型确定为目标位移填补模型；

获得子单元，用于若所述第一位移填补模型的可决系数R²小于所述预设可决系数值，变换所述相对速度v_c和所述计算时间t_c回归建模获得第二位移填补模型；

第二确定子单元，用于基于所述第二位移填补模型的可决系数R²和所述预设可决系数值，确定目标位移填补模型。

在本申请实施例一种可选的实施方式中，所述第二确定子单元包括：

确定模块，用于若所述第二位移填补模型的可决系数R²大于等于所述预设可决系数值，将所述第二位移填补模型确定为所述目标位移填补模型；

第一获得模块，用于若所述第二位移填补模型的可决系数R²小于所述预设可决系数值，提取多组相对位移s_c、相对速度v_c和对应的计算时间t_c的时域数据，回归建模获得所述目标位移填补模型。

在本申请实施例一种可选的实施方式中，所述第一获得单元301具体用于：

以所述相对位移s_c为因变量、以所述相对速度v_c和对应的所述计算时间t_c为自变量，线性回归建模获得所述第一位移填补模型。

在本申请实施例一种可选的实施方式中，所述获得子单元包括：

第二获得模块，用于指数变换所述相对速度v_c和对应的所述计算时间t_c；获得变换相对速度

和对应的变换计算时间

第三获得模块，用于以所述相对位移s_c为因变量、以所述变换相对速度

和对应的所述变换计算时间

为自变量，线性回归建模获得所述第二位移填补模型。

在本申请实施例一种可选的实施方式中，所述时域数据包括以下数据的多种：

最大值、最小值、均值、方差、极差、四分位数、中位数、峰峰值、偏度系数、几何系数。

在本申请实施例一种可选的实施方式中，所述多组相对位移s、相对速度v和对应的计算时间t的组数大于等于预设组数。

在本申请实施例一种可选的实施方式中，所述装置还包括：

预测单元，用于基于t_n时刻点云数据，利用所述目标位移填补模型预测t_n+1时刻所述其他车辆与目标车辆的预测相对位移s_n+1′。

在本申请实施例一种可选的实施方式中，所述装置还包括：

第二获得单元，用于识别所述其他车辆对应的t_n+1时刻点云数据，获得所述其他车辆与所述目标车辆的相对位移s_n+1；

标记单元，用于若所述预测相对位移s_n+1′大于所述相对位移s_n+1，将所述预测相对位移s_n+1′标记预测错误；

更新单元，用于若预设时间段内预测错误次数与预测次数的占比值大于预设占比值，更新所述目标位移填补模型。

通过本实施例提供的各种实施方式，基于多个其他车辆对应的历史时刻点云数据识别获得的多组其他车辆与目标车辆的相对位移s_c、相对速度v_c和对应的计算时间t_c，回归建模获得第一位移填补模型；基于第一位移填补模型的可决系数R²和预设可决系数值，确定目标位移填补模型。由此可见，基于多组其他车辆与目标车辆的相对位移s_c、相对速度v_c和对应的计算时间t_c，采用回归建模方式得到的目标位移填补模型用于实现位移填补，点云数据通过目标位移填补模型能够更加准确地预测其他车辆与目标车辆的相对位移，减少延时差异，避免滞后不准确的问题。

此外，本申请实施例还提供了一种终端设备，其特征在于，所述终端设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行上述方法实施例所述的位移填补建模的方法。

本申请实施例还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述方法实施例所述的位移填补建模的方法。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。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、物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、物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、物品或者设备中还存在另外的相同要素。

以上所述，仅是本申请的较佳实施例而已，并非对本申请作任何形式上的限制。虽然本申请已以较佳实施例揭露如上，然而并非用以限定本申请。任何熟悉本领域的技术人员，在不脱离本申请技术方案范围情况下，都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本申请技术方案的内容，依据本申请的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本申请技术方案保护的范围内。

Claims (11)

1.一种位移填补建模的方法，其特征在于，包括：

基于多个其他车辆对应的历史时刻点云数据识别获得的多组所述其他车辆与目标车辆的相对位移s_c、相对速度v_c和对应的计算时间t_c，回归建模获得第一位移填补模型；

基于所述第一位移填补模型的可决系数R²和预设可决系数值，确定目标位移填补模型；

其中，所述基于所述第一位移填补模型的可决系数R²和预设可决系数值，确定目标位移填补模型，包括：

若所述第一位移填补模型的可决系数R²大于等于所述预设可决系数值，将所述第一位移填补模型确定为目标位移填补模型；

若所述第一位移填补模型的可决系数R²小于所述预设可决系数值，变换所述相对速度v_c和所述计算时间t_c回归建模获得第二位移填补模型；

基于所述第二位移填补模型的可决系数R²和所述预设可决系数值，确定目标位移填补模型。

2.根据权利要求1所述的方法，其特征在于，所述基于多个其他车辆对应的历史时刻点云数据识别获得的多组所述其他车辆与目标车辆的相对位移s_c、相对速度v_c和对应的计算时间t_c，回归建模获得第一位移填补模型，具体为：

以所述相对位移s_c为因变量、以所述相对速度v_c和对应的所述计算时间t_c为自变量，线性回归建模获得所述第一位移填补模型。

3.根据权利要求1所述的方法，其特征在于，所述变换所述相对速度v_c和所述计算时间t_c回归建模获得第二位移填补模型，包括：

指数变换所述相对速度v_c和对应的所述计算时间t_c；获得变换相对速度

和对应的变换计算时间

以所述相对位移s_c为因变量、以所述变换相对速度

和对应的所述变换计算时间

为自变量，线性回归建模获得所述第二位移填补模型。

4.根据权利要求1所述的方法，其特征在于，所述基于所述第二位移填补模型的可决系数R²和所述预设可决系数值，确定目标位移填补模型，包括：

若所述第二位移填补模型的可决系数R²大于等于所述预设可决系数值，将所述第二位移填补模型确定为所述目标位移填补模型；

若所述第二位移填补模型的可决系数R²小于所述预设可决系数值，提取多组相对位移s_c、相对速度v_c和对应的计算时间t_c的时域数据，回归建模获得所述目标位移填补模型。

5.根据权利要求4所述的方法，其特征在于，所述时域数据包括以下数据的多种：

最大值、最小值、均值、方差、极差、四分位数、中位数、峰峰值、偏度系数、几何系数。

6.根据权利要求1所述的方法，其特征在于，所述多组相对位移s、相对速度v和对应的计算时间t的组数大于等于预设组数。

7.根据权利要求1所述的方法，其特征在于，还包括：

基于t_n时刻点云数据，利用所述目标位移填补模型预测t_n+1时刻所述其他车辆与目标车辆的预测相对位移s_n+1′。

8.根据权利要求7所述的方法，其特征在于，还包括：

识别所述其他车辆对应的t_n+1时刻点云数据，获得所述其他车辆与所述目标车辆的相对位移s_n+1；

若所述预测相对位移s_n+1′大于所述相对位移s_n+1，将所述预测相对位移s_n+1′标记预测错误；

若预设时间段内预测错误次数与预测次数的占比值大于预设占比值，更新所述目标位移填补模型。

9.一种位移填补建模的装置，其特征在于，包括：

第一获得单元，用于基于多个其他车辆对应的历史时刻点云数据识别获得的多组所述其他车辆与目标车辆的相对位移s_c、相对速度v_c和对应的计算时间t_c，回归建模获得第一位移填补模型；

确定单元，用于基于所述第一位移填补模型的可决系数R²和预设可决系数值，确定目标位移填补模型；

所述确定单元，包括：

第一确定子单元，用于若所述第一位移填补模型的可决系数R²大于等于预设可决系数值，将所述第一位移填补模型确定为目标位移填补模型；

获得子单元，用于若所述第一位移填补模型的可决系数R²小于所述预设可决系数值，变换所述相对速度v_c和所述计算时间t_c回归建模获得第二位移填补模型；

第二确定子单元，用于基于所述第二位移填补模型的可决系数R²和所述预设可决系数值，确定目标位移填补模型。

10.一种终端设备，其特征在于，所述终端设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1-8任一项所述的位移填补建模的方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-8任一项所述的位移填补建模的方法。

Images