CN110929796A - 基于多源传感器决策层数据融合方法、系统及存储介质 - Google Patents

基于多源传感器决策层数据融合方法、系统及存储介质 Download PDF

Info

Publication number
CN110929796A
CN110929796A CN201911194551.5A CN201911194551A CN110929796A CN 110929796 A CN110929796 A CN 110929796A CN 201911194551 A CN201911194551 A CN 201911194551A CN 110929796 A CN110929796 A CN 110929796A
Authority
CN
China
Prior art keywords
target
sensor
data
track
decision layer
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
Application number
CN201911194551.5A
Other languages
English (en)
Other versions
CN110929796B (zh
Inventor
李梦洁
王宽
熊周兵
丁可
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Changan Automobile Co Ltd
Original Assignee
Chongqing Changan Automobile Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Changan Automobile Co Ltd filed Critical Chongqing Changan Automobile Co Ltd
Priority to CN201911194551.5A priority Critical patent/CN110929796B/zh
Publication of CN110929796A publication Critical patent/CN110929796A/zh
Application granted granted Critical
Publication of CN110929796B publication Critical patent/CN110929796B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于多源传感器决策层数据融合方法，包括以下步骤：各传感器输出均为目标级数据，在使用之前首先分别对各感器性能测试分析，得到各传感器输出信号的一些先验信息和失效场景；之后针对单传感器输出的目标进行数据预处理，初步过滤误检目标，平滑异常跳变的数据；最后，根据前期测试得到的先验知识，对经过预处理之后的各传感器目标级数据进行融合，从而得到稳定可靠的输出。本发明减少了因单传感器误检引入的ghost对系统的干扰，互补的目标信息能够使得系统在特定复杂工况下的漏检率降低。

Description

基于多源传感器决策层数据融合方法、系统及存储介质
技术领域
本发明属于传感器融合技术领域，具体涉及一种基于多源传感器决策层数据融合方法、系统及存储介质。
背景技术
智能辅助驾驶面临的环境比较复杂，无论单一传感器性能如何优越，其都始终无法突破自身测量原理带来的局限性，在稍微复杂场景下就不能满足实际应用的需求。多传感系统相比于单一传感器获取的目标信息更加丰富，有效观测区域更加广阔，鲁棒性和可靠性更强，必将成为未来智能驾驶发展的主流趋势。在多传感系统中多源传感信息融合技术非常关键，一直以来备受研究者的关注。
根据图像数据融合处理过程中的抽象层次，可将数据融合划分为像素层融合、特征层融合和决策层融合。随着融合层级的提高，其信息损失量增加，但对各传感器之间的配准要求降低。
因此，有必要开发一种新的基于多源传感器决策层数据融合方法、系统及存储介质。
发明内容
本发明的目的是提供一种基于多源传感器决策层数据融合方法、系统及存储介质，以减少因单传感器误检引入的ghost对系统的干扰，互补的目标信息能使得系统在特定复杂工况下的漏检率降低。
本发明所述的一种基于多源传感器决策层数据融合方法，包括以下步骤：
步骤1：获取单传感器输出的目标级数据，并对单传感器数据进行预处理，所述预处理包括过滤误检目标和处理某信号量的异常突变；
步骤2：对经过预处理之后的各传感器数据进行融合，具体融合过程为：
(2a)利用目标匀速模型对经过预处理后的各目标级数据进行时间同步；
(2b)利用动态距离阈值和目标速度信息对经过时间同步后的各目标数据进行关联；
(2c)对目标的每个属性均建立一个优先级，利用预设的优先级策略将关联得到的数据对融合成一个目标；
(2d)以步骤(2c)得到的融合结果和步骤(2b)中剩余的未关联数据一起作为当前时刻的量测值，若此时确认航迹不为空，且量测值与跟踪值时间差小于第一阈值，则再利用目标匀速模型和卡尔曼滤波更新确认航迹，并进入步骤(2e)；否则，将量测值转为临时航迹并清空确认航迹；
(2e)对步骤(2d)中未被关联的量测值与临时航迹进行关联，对于关联上的数据目标的预测次数preTime＝0，否则preTime++；
(2f)若临时航迹满足目标预测次数preTime小于第二阈值，且目标年龄age大于第三阈值，则将临时航迹转为确定航迹；对于未被转为确认航迹的临时航迹，若临时航迹满足目标年龄age小于第三阈值，则保留，否则，删除临时航迹；
(2g)对于确认航迹，若目标的预测次数preTime大于第四阈值，则删除该确认航迹，否则将该确认航迹作为融合跟踪后的结果，输出确定轨迹。
进一步，所述步骤(2a)中：所述目标匀速模型为：
Figure BDA0002294376360000021
其中：(xk,yk)为tk时刻目标的状态，(xk+1,yk+1)为tk+1时刻目标的状态；
Figure BDA0002294376360000022
为tk时刻目标的速度；μx为X方向的噪声扰动量；μy为Y方向的噪声扰动量，T为采样间隔，T＝tk+1-tk。
进一步，所述步骤1中，对单传感器数据进行预处理，具体为：
利用目标的历史信息和先验知识，过滤误检目标，处理某信号量的异常突变；
其中：历史信息包括目标历史位置、速度和目标的跟踪ID；
所述先验知识的获取方法：接收并解析各不同传感器输出的can帧信息，分析各单传感器输出的目标级数据，找出单个传感器的缺陷和优势。
本发明所述的一种基于多源传感器决策层数据融合系统，用于采集目标信息并输出目标级数据的多个传感器，以及与各传感器连接的控制器，控制器接收各传感器输出的数据；所述控制器被编程以便实现本发明所述的基于多源传感器决策层数据融合方法的步骤。
本发明所述的一种存储介质，其内存储有计算机程序，所述计算机程序被控制器调用执行如本发明所述的基于多源传感器决策层数据融合方法的步骤。
本发明具有以下优点：由于本发明的融合结果并不是完全依赖某个传感器的输出，当其中某个传感器不能正常工作时，系统依然能够依靠另外传感器正常工作，与此同时，系统还能够感知到是那个传感器出现异常，发出警示信息，用于调整控制策略。此外，该方法融合输出的结果更加稳定、可靠，通过各传感器互补的信息，弥补了单传感器的缺陷，减少了因单传感器误检引入的ghost对系统的干扰，互补的目标信息使得系统在特定复杂工况下的漏检率降低。另外，本方法简单可行，算法的时间复杂度和空间复杂度较低。
附图说明
图1为本发明的逻辑流程图；
图2为本发明中决策层数据融合算法的流程图。
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，一种基于多源传感器决策层数据融合方法，包括以下步骤：
步骤1：获取单传感器输出的目标级数据，并对单传感器数据进行预处理，利用目标的历史信息和先验知识，过滤误检目标，处理某信号量的异常突变(比如：以ARS410雷达为例，ARS410雷达输出的目标的绝对速度会突然变到零的情况)。
本实施例中，所述历史信息包括目标历史位置、速度和目标的跟踪ID。
所述先验知识的获取方法：接收并解析各不同传感器输出的can帧信息，分析各单传感器输出的目标级数据，找出单个传感器的缺陷和优势。若以Mobileye公司的摄像头EyeQ4和大陆四代长距ARS410雷达为例(两传感器经联合标定之后，其坐标原点均为车辆前保险杆中心)，整车系统环境不稳定、安装标定误差及传感器本身缺陷导致摄像头EQ4对于新出现的目标的速度不准，ARS410雷达的误检目标较多，但其测速准确。EQ4雷达能够输出目标车的车宽、车长、航向角等更多信息，误检率和漏检率低，结合两互补传感器的优势，经前期路测掌握容易出错的场景(比如，超车场景、拥堵场景等)和信号跳变的规律(比如，目标车为大车的时候，位置的跳动))作为已知的先验信息。
如图2所示，步骤2：对经过预处理之后的各传感器数据进行融合，具体融合过程为：
(2a)利用目标匀速模型对经过预处理后的各目标级数据进行时间同步。
其中：目标匀速模型的公式：
假设目标做匀速直线运动，在tk时刻目标的状态为(xk,yk)，在tk+1时刻的递推公式可表示为：
Figure BDA0002294376360000031
其中：(xk+1,yk+1)为tk+1时刻目标的状态；T为采样间隔，T＝tk+1-tk。
由于目标不可能做绝对的匀速直线云运动，总会受到外界的干扰，造成速度出现波动，故引入噪声建模，引入噪声后上式变为：
Figure BDA0002294376360000041
其中：
Figure BDA0002294376360000042
为tk时刻目标的速度；μx为X方向的噪声扰动量；μy为Y方向的噪声扰动量。
在目标匀速模型中，系统的状态向量可表示为
Figure BDA0002294376360000043
上式用矩阵可表示为：
Figure BDA0002294376360000044
其中：x(k+1)为tk+1时刻X方向的位置；x(k)分别为tk时刻X方向的位置；y(k+1)为tk+1时刻Y方向的位置；y(k)为tk时刻Y方向的位置；
Figure BDA0002294376360000045
为tk+1时刻X方向的速度，
Figure BDA0002294376360000046
为tk时刻X方向的速度；
Figure BDA0002294376360000047
为tk+1时刻Y方向的速度；
Figure BDA0002294376360000048
分别为tk时刻Y方向的速度。
(2b)利用动态距离阈值和目标速度信息对经过时间同步后的各目标数据进行关联；
以Mobileye公司的摄像头EyeQ4和大陆四代长距ARS410雷达为例，对经过时间同步后的摄像头EyeQ4和ARS410雷达目标数据进行关联。首先把是来自不同传感器的同一个目标的量测值，关联在一起形成数据对，常用的关联算法有：最近邻算法，概率数据关联(PDAF)算法。比如：EyeQ4输出的目标为A、B、C，ARS410输出的目标为A、B、D,关联结果：A-A对，B-B对，C,D
(2c)对目标的每个属性均建立一个优先级，利用预设的优先级策略将关联得到的数据对融合成一个目标。
以Mobileye公司的摄像头EyeQ4和大陆四代长距ARS410雷达为例，比如，摄像头EyeQ4测得的位置信息优先级高于ARS410雷达，但速度信息优先级低于雷达，对于关联上的一对数据，选取摄像头EyeQ4的位置信息和雷达的速度信息做组合，也就是根据信号量优先级组合的，将关联得到的数据对融合成一个目标。
(2d)以步骤(2c)得到的融合结果和步骤(2b)中剩余的未关联数据一起作为当前时刻的量测值，若此时确认航迹不为空，且量测值与跟踪值时间差小于第一阈值(比如：100ms)，则再利用目标匀速模型和卡尔曼滤波更新确认航迹，并进入步骤(2e)；否则，将量测值转为临时航迹并清空确认航迹。
(2e)对步骤(2d)中未被关联的量测值与临时航迹进行关联，对于关联上的数据目标的预测次数preTime＝0，否则preTime++。
(2f)若临时航迹满足目标预测次数preTime小于第二阈值(比如：2次)且目标年龄age大于第三阈值(比如：4次)，则将临时航迹转为确定航迹；对于未被转为确认航迹的临时航迹，若临时航迹满足目标年龄age小于第三阈值，则保留，否则，删除临时航迹。
(2g)对于确认航迹，若目标的预测次数preTime大于第四阈值(比如：4次)，则删除该确认航迹，否则将该确认航迹作为融合跟踪后的结果，输出确定轨迹。
本实施例中，各传感器输出均为目标级数据，在使用之前首先分别对各感器性能测试分析，得到各传感器输出信号的一些先验信息和失效场景；之后针对单传感器输出的目标进行数据预处理，初步过滤误检目标，平滑异常跳变的数据；最后，根据前期测试得到的先验知识，对经过预处理之后的各传感器目标级数据进行融合，从而得到稳定可靠的输出。
以Mobileye公司的摄像头EyeQ4和大陆四代长距ARS410雷达为例，利用本实施例中所述的融合方法后，有效解决了摄像头EyeQ4输出鬼影干扰问题和ARS410雷达在隧道中性能下降的难题。
本实施例中，确认航迹：也就是可靠的航迹，具有稳定输出或航迹质量数超过一定值的航迹。通俗讲就是，已经确定了它就是一个真正的目标的航迹。临时航迹：由杂波点迹组成的航迹，它有可能是真的，也有可能是假的，我们还不能确定它是否是一个真正的目标，所以多保留几帧数据观察。
本实施例中，一种基于多源传感器决策层数据融合系统，用于采集目标信息并输出目标级数据的多个传感器，以及与各传感器连接的控制器，控制器接收各传感器输出的数据；所述控制器被编程以便实现本实施例中所述的基于多源传感器决策层数据融合方法的步骤。
本实施例中，重点关注决策层数据融合，在该层次上各个传感器独立完成目标检测任务，最终的决策结果由融合准则和独立判决结果的置信度共同决定，这种融合方法对单个传感器性能要求不高，融合系统具有一定的容错能力和冗余，避免了智能驾驶在一些特定工况下，因某个传感器失效，而导致整个系统瘫痪的问题。
本实施例中，一种存储介质，其内存储有计算机程序，所述计算机程序被控制器调用执行如本实施例中所述的基于多源传感器决策层数据融合方法的步骤。

Claims (5)

1.一种基于多源传感器决策层数据融合方法，其特征在于，包括以下步骤：
步骤1：获取单传感器输出的目标级数据，并对单传感器数据进行预处理，所述预处理包括过滤误检目标和处理某信号量的异常突变；
步骤2：对经过预处理之后的各传感器数据进行融合，具体融合过程为：
(2a)利用目标匀速模型对经过预处理后的各目标级数据进行时间同步；
(2b)利用动态距离阈值和目标速度信息对经过时间同步后的各目标数据进行关联；
(2c)对目标的每个属性均建立一个优先级，利用预设的优先级策略将关联得到的数据对融合成一个目标；
(2d)以步骤(2c)得到的融合结果和步骤(2b)中剩余的未关联数据一起作为当前时刻的量测值，若此时确认航迹不为空，且量测值与跟踪值时间差小于第一阈值，则再利用目标匀速模型和卡尔曼滤波更新确认航迹，并进入步骤(2e)；否则，将量测值转为临时航迹并清空确认航迹；
(2e)对步骤(2d)中未被关联的量测值与临时航迹进行关联，对于关联上的数据目标的预测次数preTime＝0，否则preTime++；
(2f)若临时航迹满足目标预测次数preTime小于第二阈值，且目标年龄age大于第三阈值，则将临时航迹转为确定航迹；对于未被转为确认航迹的临时航迹，若临时航迹满足目标年龄age小于第三阈值，则保留，否则，删除临时航迹；
(2g)对于确认航迹，若目标的预测次数preTime大于第四阈值，则删除该确认航迹，否则将该确认航迹作为融合跟踪后的结果，输出确定轨迹。
2.根据权利要求1所述的基于多源传感器决策层数据融合方法，其特征在于：所述步骤(a)中：所述目标匀速模型为：
Figure FDA0002294376350000011
其中：(xk,yk)为tk时刻目标的状态，(xk+1,yk+1)为tk+1时刻目标的状态；
Figure FDA0002294376350000012
为tk时刻目标的速度；μx为X方向的噪声扰动量；μy为Y方向的噪声扰动量，T为采样间隔，T＝tk+1-tk。
3.根据权利要求1或2所述的基于多源传感器决策层数据融合方法，其特征在于：所述步骤1中，对单传感器数据进行预处理，具体为：
利用目标的历史信息和先验知识，过滤误检目标，处理某信号量的异常突变；
其中：历史信息包括目标历史位置、速度和目标的跟踪ID；
所述先验知识的获取方法：接收并解析各不同传感器输出的can帧信息，分析各单传感器输出的目标级数据，找出单个传感器的缺陷和优势。
4.一种基于多源传感器决策层数据融合系统，用于采集目标信息并输出目标级数据的多个传感器，以及与各传感器连接的控制器，控制器接收各传感器输出的数据；其特征在于：所述控制器被编程以便实现如权利要求1至3任一所述的基于多源传感器决策层数据融合方法的步骤。
5.一种存储介质，其内存储有计算机程序，其特征在于：所述计算机程序被控制器调用执行如权利要求1至3任一所述的基于多源传感器决策层数据融合方法的步骤。
CN201911194551.5A 2019-11-28 2019-11-28 基于多源传感器决策层数据融合方法、系统及存储介质 Active CN110929796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911194551.5A CN110929796B (zh) 2019-11-28 2019-11-28 基于多源传感器决策层数据融合方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911194551.5A CN110929796B (zh) 2019-11-28 2019-11-28 基于多源传感器决策层数据融合方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN110929796A true CN110929796A (zh) 2020-03-27
CN110929796B CN110929796B (zh) 2023-04-07

Family

ID=69847746

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911194551.5A Active CN110929796B (zh) 2019-11-28 2019-11-28 基于多源传感器决策层数据融合方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN110929796B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200240A (zh) * 2020-09-30 2021-01-08 重庆长安汽车股份有限公司 一种多传感器目标数据融合方法、系统及计算机可读存储介质
CN113467429A (zh) * 2021-07-23 2021-10-01 重庆长安汽车股份有限公司 一种基于pcan-usb及adas控制器的实车场景回注系统及方法
WO2021248332A1 (zh) * 2020-06-09 2021-12-16 深圳先进技术研究院 一种智能化系统的防御方法及相关装置
CN113821873A (zh) * 2021-08-31 2021-12-21 重庆长安汽车股份有限公司 用于自动驾驶的目标关联的校验方法及存储介质
CN114706805A (zh) * 2022-03-31 2022-07-05 重庆长安汽车股份有限公司 一种根据目标序号对传感融合信息进行排序的方法、电子设备及计算机可读存储介质
CN115374094A (zh) * 2022-08-05 2022-11-22 广州中长康达信息技术有限公司 多源数据融合方法、智能终端以及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070067559A1 (en) * 2005-09-22 2007-03-22 Akira Fujibayashi Storage control apparatus, data management system and data management method
CN107064928A (zh) * 2017-04-20 2017-08-18 北京海兰信数据科技股份有限公司 一种雷达与ais目标融合方法及装置
US20170311013A1 (en) * 2012-01-11 2017-10-26 Videonetics Technology Private Limited Integrated intelligent server based system for unified multiple sensory data mapped imagery analysis
CN107609522A (zh) * 2017-09-19 2018-01-19 东华大学 一种基于激光雷达和机器视觉的信息融合车辆检测系统
CN107832575A (zh) * 2017-10-10 2018-03-23 中国航空无线电电子研究所 基于伪测量的带反馈机动目标异步航迹融合算法
CN109099920A (zh) * 2018-07-20 2018-12-28 重庆长安汽车股份有限公司 基于多传感器关联的传感器目标精确定位方法
CN109696172A (zh) * 2019-01-17 2019-04-30 福瑞泰克智能系统有限公司 一种多传感器航迹融合方法、装置及车辆
CN109885056A (zh) * 2019-03-07 2019-06-14 格陆博科技有限公司 一种基于单目摄像头和毫米波雷达融合的多场景挑选方法
CN109922439A (zh) * 2019-03-29 2019-06-21 重庆长安汽车股份有限公司 多传感器数据的融合方法、基于v2x的目标检测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070067559A1 (en) * 2005-09-22 2007-03-22 Akira Fujibayashi Storage control apparatus, data management system and data management method
US20170311013A1 (en) * 2012-01-11 2017-10-26 Videonetics Technology Private Limited Integrated intelligent server based system for unified multiple sensory data mapped imagery analysis
CN107064928A (zh) * 2017-04-20 2017-08-18 北京海兰信数据科技股份有限公司 一种雷达与ais目标融合方法及装置
CN107609522A (zh) * 2017-09-19 2018-01-19 东华大学 一种基于激光雷达和机器视觉的信息融合车辆检测系统
CN107832575A (zh) * 2017-10-10 2018-03-23 中国航空无线电电子研究所 基于伪测量的带反馈机动目标异步航迹融合算法
CN109099920A (zh) * 2018-07-20 2018-12-28 重庆长安汽车股份有限公司 基于多传感器关联的传感器目标精确定位方法
CN109696172A (zh) * 2019-01-17 2019-04-30 福瑞泰克智能系统有限公司 一种多传感器航迹融合方法、装置及车辆
CN109885056A (zh) * 2019-03-07 2019-06-14 格陆博科技有限公司 一种基于单目摄像头和毫米波雷达融合的多场景挑选方法
CN109922439A (zh) * 2019-03-29 2019-06-21 重庆长安汽车股份有限公司 多传感器数据的融合方法、基于v2x的目标检测方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WENCHAO XU等: "Internet of Vehicles in Big Data Era" *
杨鑫 等: "面向高级辅助驾驶雷达和视觉传感器信息融合算法的研究" *
陈媛媛 等: "一种基于多传感器轨迹融合的伪实时场景监控系统" *
陈志鸿 等: "基于卡尔曼滤波和多种信息融合的在线多目标跟踪算法" *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021248332A1 (zh) * 2020-06-09 2021-12-16 深圳先进技术研究院 一种智能化系统的防御方法及相关装置
CN112200240A (zh) * 2020-09-30 2021-01-08 重庆长安汽车股份有限公司 一种多传感器目标数据融合方法、系统及计算机可读存储介质
CN112200240B (zh) * 2020-09-30 2024-05-31 重庆长安汽车股份有限公司 一种多传感器目标数据融合方法、系统及计算机可读存储介质
CN113467429A (zh) * 2021-07-23 2021-10-01 重庆长安汽车股份有限公司 一种基于pcan-usb及adas控制器的实车场景回注系统及方法
CN113467429B (zh) * 2021-07-23 2023-03-28 重庆长安汽车股份有限公司 一种基于pcan-usb及adas控制器的实车场景回注系统及方法
CN113821873A (zh) * 2021-08-31 2021-12-21 重庆长安汽车股份有限公司 用于自动驾驶的目标关联的校验方法及存储介质
CN114706805A (zh) * 2022-03-31 2022-07-05 重庆长安汽车股份有限公司 一种根据目标序号对传感融合信息进行排序的方法、电子设备及计算机可读存储介质
CN114706805B (zh) * 2022-03-31 2024-03-15 重庆长安汽车股份有限公司 一种根据目标序号对传感融合信息进行排序的方法、电子设备及计算机可读存储介质
CN115374094A (zh) * 2022-08-05 2022-11-22 广州中长康达信息技术有限公司 多源数据融合方法、智能终端以及存储介质

Also Published As

Publication number Publication date
CN110929796B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110929796B (zh) 基于多源传感器决策层数据融合方法、系统及存储介质
CN109212521B (zh) 一种基于前视相机与毫米波雷达融合的目标跟踪方法
CN109829351B (zh) 车道信息的检测方法、装置及计算机可读存储介质
CN109086788B (zh) 用于从异构装置感测的多种不同格式的数据的多模式融合处理的设备、方法和系统
US20230079730A1 (en) Control device, scanning system, control method, and program
Aeberhard et al. High-level sensor data fusion architecture for vehicle surround environment perception
CN110781949B (zh) 基于异步式串行多传感器的航迹数据融合方法及存储介质
CN111505623B (zh) 无人驾驶车辆行驶过程中的障碍物检测方法、系统、车辆
US11958480B2 (en) Electronic control device and operation method
CN108645412B (zh) 一种多传感器自适应航迹起始方法
CN112285714A (zh) 一种基于多传感器的障碍物速度融合方法和装置
CN112154455A (zh) 数据处理方法、设备和可移动平台
CN114758504B (zh) 一种基于滤波校正的网联车超速预警方法及系统
CN113256689B (zh) 高空抛物检测方法及装置
WO2020215254A1 (zh) 车道线地图的维护方法、电子设备与存储介质
CN113269811A (zh) 数据融合方法、装置及电子设备
EP3467545A1 (en) Object classification
CN112907975B (zh) 一种基于毫米波雷达与视频进行异常停车的检测方法
CN114296095A (zh) 自动驾驶车辆的有效目标提取方法、装置、车辆及介质
CN113741388A (zh) 一种基于自动驾驶感知失效的安全诊断系统及方法
US11993289B2 (en) Vehicle control system and vehicle control method
CN111257826B (zh) 一种多源异构传感器复合跟踪方法
CN116863382A (zh) 一种基于雷视融合的高速公路多目标追踪方法
CN115220002B (zh) 一种固定单站的多目标数据关联跟踪方法和相关装置
CN114973195A (zh) 基于多信息融合的车辆追踪方法、装置及系统

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