CN111351491A - 目标数据融合方法及系统 - Google Patents

Abstract

本发明涉及自动驾驶技术领域，提供一种自动驾驶车辆的目标数据融合方法及系统。本发明所述的目标数据融合方法包括：根据车辆上的多个传感器的探测距离和覆盖范围，将传感器所探测的车辆周围环境区域分成若干个段落，获取各段落内每个目标的航迹信息，并基于所述航迹信息进行对应段落内的段内目标关联；根据各段落内相应传感器测量数据，对进行所述段内目标关联后的目标进行属性融合；进行当前段落与未来段落之间的段间目标关联；以及将经过所述段内目标关联和所述段间目标关联的目标进行信息整合。本发明实施例采用了分段属性融合和整体目标关联的思想，提升了数据融合的计算效率，实现了目标属性的最优化和目标完整轨迹的维护。

Description

目标数据融合方法及系统

技术领域

本发明涉及自动驾驶技术领域，特别涉及一种自动驾驶车辆的目标数据融合方法及系统。

背景技术

目前，自动驾驶车辆已开始逐步推向市场，极大地促进了智能交通的发展。自动驾驶车辆在行驶过程中需要利用安装在车身上的各类传感器来探测周围环境目标的数据，从而根据周围环境目标的数据实现对车辆的控制和路径的规划。在这一过程中，又需要对不同传感器所探测的目标数据进行数据融合，以提高目标数据的数据精度。

虽然目前的自动驾驶车辆的数据融合算法多种多样，但大多都是利用基于单个传感器输出的目标数据进行全局计算，但单个传感器输出目标数据一方面存在目标误检、漏检的问题，另一方面还存在输出的目标属性不全面、不均衡的问题(例如，某个传感器缺少分类信息，属性不全面)。另外，全局计算方式的计算周期较长，对数据之间的关联性分析通常是采用与时间没有关系的单点属性关联，鲁棒性差，且关联准确度也低。

发明内容

有鉴于此，本发明旨在提出一种自动驾驶车辆的目标数据融合方法及系统，以至少部分地解决上述技术问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种目标数据融合方法，包括：根据车辆上的多个传感器的探测距离和覆盖范围，将传感器所探测的车辆周围环境区域分成若干个段落，获取各段落内每个目标的航迹信息，并基于所述航迹信息进行对应段落内的段内目标关联；根据各段落内相应传感器测量数据，对进行所述段内目标关联后的目标进行属性融合；根据所述属性融合后的目标的位置信息和运动方向信息，进行当前段落与未来段落之间的段间目标关联；以及将经过所述段内目标关联和所述段间目标关联的目标进行信息整合。

进一步的，在所述将传感器所探测的车辆周围环境区域分成若干个段落之前，所述目标数据融合方法还包括：根据各个传感器所探测的目标之间的速度差与距离差，对所述各个传感器所探测的目标进行聚类。

进一步的，当所述传感器为毫米波雷达时，结合目标之间的距离相似度，将速度差小于设定阈值的两个目标聚类为同一目标；当所述传感器为激光雷达时，将速度差大于设定阈值但在设定时间后的距离差变化与速度差变化不一致的两个目标聚类为同一目标。

进一步的，所述基于所述航迹信息进行对应段落内的段内目标关联包括：根据预设的航迹关联计算公式对选定的段落内的目标的航迹信息进行处理，获得用于示出该段落内的各目标之间的关联度的目标航迹关联矩阵；以及根据所述目标航迹关联矩阵，确定关联度大于设定阈值的目标相关联。

进一步的，所述进行当前段落与未来段落之间的段间目标关联包括：根据所述距离信息和所述运动方向信息，确定与当前段落存在关联关系的未来段落，并预测所述未来段落的传感器测量数据；在所述当前段落与所述未来段落的相交部位使用所述当前段落的传感器测量数据和所述未来段落的传感器测量数据共同进行目标的属性融合，在所述相交部位之外，使用所述当前段落的传感器测量数据和所述未来段落的传感器测量数据各自对所述当前段落和所述未来段落进行目标的属性融合。

相对于现有技术，本发明所述的目标数据融合方法具有以下优势：采用了分段属性融合和整体目标关联的思想，通过区域分段、段内目标关联和属性融合、段间目标关联和属性融合，用更准确的段内传感器属性维护融合目标属性，同时根据维护的目标属性确定段与段之间的关联关系，提升了数据融合的计算效率，实现了目标属性的最优化和目标完整轨迹的维护。

本发明的另一目的在于提出一种目标数据融合系统，以至少部分地解决上述技术问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种目标数据融合系统，包括：段内关联单元，用于根据车辆上的多个传感器的探测距离和覆盖范围，将传感器所探测的车辆周围环境区域分成若干个段落，获取各段落内每个目标的航迹信息，并基于所述航迹信息进行对应段落内的段内目标关联；段内融合单元，用于根据各段落内相应传感器测量数据，对进行所述段内目标关联后的目标进行属性融合；段间关联单元，用于根据所述属性融合后的目标的位置信息和运动方向信息，进行当前段落与未来段落之间的段间目标关联；以及信息整合单元，用于将经过所述段内目标关联和所述段间目标关联的目标进行信息整合。

进一步的，所述目标数据融合系统还包括：传感聚类单元，用于在所述区域分段单元将传感器所探测的车辆周围环境区域分成若干个段落之前，根据各个传感器所探测的目标之间的速度差与距离差，对所述各个传感器所探测的目标进行聚类。

进一步的，当所述传感器为毫米波雷达时，结合目标之间的距离相似度，将速度差小于设定阈值的两个目标聚类为同一目标。

进一步的，当所述传感器为激光雷达时，将速度差大于设定阈值但在设定时间后的距离差变化与速度差变化不一致的两个目标聚类为同一目标。

进一步的，所述段内关联单元包括：区域分段模块，用于根据车辆上的多个传感器的探测距离和覆盖范围，将传感器所探测的车辆周围环境区域分成若干个段落；航迹计算模块，用于根据预设的航迹关联计算公式对选定的段落内的目标的航迹信息进行处理，获得用于示出该段落内的各目标之间的关联度的目标航迹关联矩阵；以及段内关联确定模块，用于根据所述目标航迹关联矩阵，确定关联度大于设定阈值的目标相关联。

进一步的，所述段间关联单元包括：段间关联确定模块，用于根据所述距离信息和所述运动方向信息，确定与当前段落存在关联关系的未来段落，并预测所述未来段落的传感器测量数据；段间属性融合模块，用于在所述当前段落与所述未来段落的相交部位使用所述当前段落的传感器测量数据和所述未来段落的传感器测量数据共同进行目标的属性融合，在所述相交部位之外，使用所述当前段落的传感器测量数据和所述未来段落的传感器测量数据各自对所述当前段落和所述未来段落进行目标的属性融合。

所述目标数据融合系统与上述目标数据融合方法相对于现有技术所具有的优势相同，在此不再赘述。

本发明的另一目的在于提出一种机器可读存储介质，以至少部分地解决上述技术问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种机器可读存储介质，所述机器可读存储介质上存储有指令，该指令用于使得机器能够执行上述的目标数据融合方法。

所述机器可读存储介质与上述目标数据融合方法相对于现有技术所具有的优势相同，在此不再赘述。

本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施方式及其说明用于解释本发明，并不构成对本发明的不当限定。

在附图中：

图1是本发明实施例的一种目标数据融合方法的流程示意图；

图2是本发明实施例的示例中的整体传感器布局及分段示意图；

图3是本发明实施例中属性融合示例的基本示意图；以及

图4是本发明实施例的一种目标数据融合系统的结构示意图。

附图标记说明：

100、段内关联单元 200、段内融合单元

300、段间关联单元 400、信息整合单元

500、传感聚类单元 110、区域分段模块

120、航迹计算模块 130、段内关联确定模块

310、段间关联确定模块 320、段间属性融合模块

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。

本发明实施例中提到的“传感器”可以指布置在车辆上用于探测目标的任意类型的装置，例如可以是摄像头、激光雷达、毫米波雷达等。本发明实施例中提到的“目标”可以指在车辆前方、后方或侧方的移动的或静止的任意物体，例如，车辆、人、建筑物等，“目标属性”可以指车辆、人、建筑物等目标的位置信息、运动信息、形状信息等特属于目标的信息。另外，本发明实施例中提到的“传感器测量数据”是指传感器所探测的目标属性，传感器的“航迹”是指探测目标的运动轨迹，且不但是距离维度的航迹，同时也是速度维度和加速度维度的航迹，“航迹信息”对应也包括目标的位置、速度、加速度等信息。

下面将参考附图并结合实施方式来详细说明本发明。

图1是本发明实施例的一种目标数据融合方法的流程示意图。如图1所示，所述目标数据融合方法可以包括以下步骤：

步骤S100，根据各个传感器所探测的目标之间的速度差与距离差，对所述各个传感器所探测的目标进行聚类。

在实际中，由于一些传感器的聚类性能不是很稳定，从而激光雷达、毫米波雷达等传感器在检测目标时，经常出现目标分裂的情况，即现实中是一个目标，而传感器会探测到两个分裂开的目标或更多目标，这样会扰乱目标数据融合的效果，甚至导致目标关联错误。因此，在执行步骤S200之前，本发明实施例优选为先执行上述步骤S100，以对传感器探测的目标先进行传感器内部聚类。

聚类方法是多种多样的，例如当所述传感器为毫米波雷达时，可结合目标之间的距离相似度，将速度差小于设定阈值的两个目标聚类为同一目标。再例如，当所述传感器为激光雷达时，将速度差大于设定阈值但在设定时间后的距离差变化与速度差变化不一致的两个目标聚类为同一目标。具体地，经过分析数据发现，毫米波雷达分裂之后的目标速度差距很小，所以可以根据速度的相似度(目标与目标之间的速度差小于设定阈值)来对毫米波雷达目标进行聚类(同时结合距离相似度)；同时分析激光雷达数据，发现激光雷达分裂的目标速度差距很大，但是随着时间的变化，分裂目标位置的相对位置没有变化，这一特性不符合实际情况(比如激光雷达分裂的两个目标速度分别是10km/h和100km/h，而经过2s之后，两个目标从理论上应该是距离差距很大，而在激光雷达内部，它们还是保持原来的距离，这种情况是不符合实际情况)，所以可根据这个不符合事实的速度差和距离差的不匹配特性来对目标进行聚类。

步骤S200，根据车辆上的多个传感器的探测距离和覆盖范围，将传感器所探测的车辆周围环境区域分成若干个段落，获取各段落内每个目标的航迹信息，并基于所述航迹信息进行对应段落内的段内目标关联。

图2是本发明实施例的示例中的整体传感器布局及分段示意图。参考图2，一台能够360°采集周边环境信息的车辆上前、后、左、右布置有多个传感器，根据传感器的探测距离和覆盖范围，将对目标进行大致划分，例如划分为段1至段6的6个段落。进一步地，将每段内每个传感器的目标数据进行一段时间的提取，并将相同传感器不同目标ID的目标属性(目标距离、目标速度、目标加速度等)进行归类，建立每个目标的航迹信息，其中航迹信息不但示出距离维度的航迹，还示出速度维度和加速度维度的航迹。

据此，可知由于不同传感器的视角和探测距离不一致，导致360°环境可被分成几个明显的段落，将不同的段落内的目标进行航迹关联，可以减少整个360°所有目标的航迹关联的计算量，并且可以并行运算处理，同时提升了数据融合的实时性，提高了系统的安全等级。

优选地，步骤S200中基于所述航迹信息进行对应段落内的段内目标关联包括：根据预设的航迹关联计算公式对选定的段落内的目标的航迹信息进行处理，获得目标航迹关联矩阵，该目标航迹关联矩阵用于示出该段落内的各目标之间的关联度；以及根据所述目标航迹关联矩阵，确定关联度大于设定阈值的目标相关联。具体地，航迹关联计算公式是计算航迹和航迹之间关联紧密度的一个公式，即可最终得到一个目标航迹关联矩阵，选取矩阵中最优数据，即可得到哪些目标之间存在关联，比如一个目标A与目标B之间的航迹关联度为7，而目标A与目标C之间的航迹关联度为15，设定关联度阈值为10，那么可认为目标A与目标C是相关联的。这样，能够保证在不同维度之间的航迹关联都是最好的，从而得到的关联结果才是最准确的。

步骤S300，根据各段落内相应传感器测量数据，对进行所述段内目标关联后的目标进行属性融合。

由于不同段落存在不同的传感器测量数据，而不同的传感器测量数据在不同的工况下属性存在差异，所以需要用相应的传感器测量数据对段内的航迹信息进行属性融合，得到段内传感器属性更加稳定和准确的数据。具体方法例如为根据卡尔曼滤波算法对航迹信息进行预测和更新，实现段内属性输出的最优化。可参考图3进行理解，图3是本发明实施例中属性融合示例的基本示意图，该示例中以传感器1、传感器2和传感器3为例，且图中的“传感器1-t3”表示传感器1以t3为时间戳所取得的传感器测量数据，其他传感器与之类似，可理解的是t1<t2<t3，且t1、t2和t3还可用于表示分步触发各个传感器的属性融合所对应的时间，T为固定融合周期。参考图3，本发明实施例中，对同一目标中由不同传感器所探测的目标属性进行属性融合包括：

1)在固定融合周期内将不同传感器的不同时间戳信息作为触发条件，分步进行目标属性的融合。

在此，固定融合周期的设置使得融合结果可以以固定周期的形式输出，而关于分步目标属性融合，参考图3，传感器2的上个周期属性融合数据首先在t1时间被触发与传感器2的原始目标属性数据进行属性融合，然后其融合属性预测至t2，并在t2处与传感器3的原始目标属性数据一起进行属性融合，再然后t2处输出的融合属性预测至t3，在t3处与传感器1的测量值一起进行属性融合，直到固定融合周期结束，输出融合目标数据。

由于目标融合整个过程的各个阶段是统一的时间基准，包括传感器时间戳和融合开始时刻的时间戳，那么融合结束时刻的时间戳根据融合周期也很容易计算，即融合结束时间戳＝融合开始时间戳+固定融合周期。

另外，在上述分步进行目标属性的融合的过程中，对t1、t2和t3，每一步均采用卡尔曼滤波算法，卡尔曼滤波算法有利于保证属性融合的实时性。但需要说明的是，本发明实施例并不局限于卡尔曼滤波算法，本领域技术人员还可根据需要选择扩展卡尔曼滤波算法、粒子滤波算法等。

2)在一个固定融合周期结束后，判断各个传感器测量数据是否存在更新，若存在，则基于更新后的传感器测量数据在下一个固定融合周期中继续目标属性的融合。

该过程对应为需要两个或两个以上固定融合周期的场景。在本发明实施例中，传感器测量数据在进入融合之前已经放在固定缓存中，融合程序开始运行，即从融合开始时刻开始读取缓存中的传感器测量数据，参考图3，t1处“属性融合”方框对应的数据是传感器2在上一固定融合周期中的属性融合数据与传感器2的原始目标属性数据进行属性融合的数据，t2、t3与此类似。因此，对于两个或两个以上固定融合周期的场景，一般在融合开始时刻是以之前的融合结果作为输入的，但在融合开始的第一个周期，由于没有之前的融合结果作为输入，那么需要根据缓存中时间戳最老的数据作为t1时刻的融合结果，然后再与其他传感器根据时间推进关系进行融合。

进一步地，判断存储的传感器测量数据是否存在更新，应在融合结束时刻进行判断，且主要涉及以下三种情况：

第一种情况：只有一个传感器的数据进行了更新，即在融合程序执行过程中，有一个传感器数据已经进入到了缓存区，替代了原来此传感器的数据，而其他传感器还是原来的传感器数据。

第二种情况：与第一种情况类似，只是发生更新的传感器的数量发生变化(例如，两个或三个传感器参与更新)。

第三种情况：以卡尔曼滤波器为例，没有传感器数据更新，那么只进行卡尔曼滤波器的预测部分，不执行卡尔曼滤波器的更新部分。前两种情况中，卡尔曼滤波器的预测和更新都执行。

步骤S400，根据所述属性融合后的目标的位置信息和运动方向信息，进行当前段落与未来段落之间的段间目标关联。

具体地，该步骤S400包括：根据所述距离信息和所述运动方向信息，确定与当前段落存在关联关系的未来段落，并预测所述未来段落的传感器测量数据；在所述当前段落与所述未来段落的相交部位使用所述当前段落的传感器测量数据和所述未来段落的传感器测量数据共同进行目标的属性融合，在所述相交部位之外，使用所述当前段落的传感器测量数据和所述未来段落的传感器测量数据各自对所述当前段落和所述未来段落进行目标的属性融合。需说明的是，这里的属性融合也可采用卡尔曼滤波器、扩展卡尔曼滤波器和粒子滤波器中的一者来进行。

举例而言，由于卡尔曼滤波可以得到稳定的目标属性，经过卡尔曼滤波处理后，可以得到更加精准的目标位置信息和运动方向信息，这样就可以确定当前段落与未来哪一段落存在关联，并锁定关联的未来段落的传感器探测数据。在当前段落与未来段落的相交部位使用当前段落的传感器探测数据和未来段落的传感器探测数据共同维护目标属性，在当前段落与未来段落相交部位之外分别使用各段落对应的传感器对目标属性进行维护。也就是说，在段落相交的地方维护同一个目标的属性，在段落相交前使用当前段落维护该目标的属性，而过了段落相交处，使用关联的未来段落的目标测量数据维护目标属性，这样就完成了针对性的段落关联，减少了盲目段落关联的问题，提高了数据融合的速度，从而能够保证使用最有效的数据和最简单的方式实现段落与段落之间的目标关联。

步骤S500，将经过所述段内目标关联和所述段间目标关联的目标进行信息整合。

举例而言，将所有经过基于航迹融合的段内目标关联和基于卡尔曼滤波的段间目标关联之后的目标(经过了前述的各种属性融合)进行信息整合，输出给自动驾驶车辆的决策系统等。

综上，本发明实施例的目标数据融合方法采用了分段属性融合和整体目标关联的思想，通过区域分段、段内目标关联和属性融合、段间目标关联和属性融合，用更准确的段内传感器属性维护融合目标属性，同时根据维护的目标属性确定段与段之间的关联关系，提升了数据融合的计算效率，实现了目标属性的最优化和目标完整轨迹的维护。更为具体地，本发明实施例的目标数据融合方法相对于现有技术，具有以下几个方面的优势：

1)实现了针对目标的360°融合方式，可以得到更加全面的目标三维信息，例如，激光雷达和摄像头可以得到三维信息，而侧方的毫米波雷达传感器无法获得，但根据360°融合方式可以在无法得到三维信息的传感器覆盖范围照样可以得到这个信息。据此，能够保证感知环境的整体性和连续性，尤其是自动驾驶的决策系统，很有必要知道目标的运动的完整过程和轨迹，这样才能做出正确的决策。

2)采用了航迹关联算法来提升目标关联的准确性，历史航迹信息的稳定性比单一时刻的稳定性好，避免了单一时刻的传感器测量数据跳动导致目标关联错误的情况。传统方案是与时间没有关系的单点属性关联，鲁棒性差，而本发明实施例根据时间维度的航迹信息对目标进行关联，关联准确度大大提升。

3)采用了分段融合的思想，这样可以显著提升融合算法的效率，同时可以进行并行运算，充分利用计算资源，提高数据融合的运算周期，进而提升了整个自动驾驶系统的安全等级，即早发现、早决策、早处理。

4)通过目标全过程的历史航迹维护，可更加明确的确定哪些目标是误检目标，提升数据融合算法的准确度，避免误检对自动驾驶车辆的影响。即，减少了对各传感器测量误差的依赖，传统方案是根据单点的传感器测量误差进行阈值制定和目标关联，而本发明实施例从历史信息的整体考虑，对传感器的误差依赖性大大降低。

5)解决了单个传感器输出属性不全面、不均衡的问题，比如某个传感器没有分类信息，通过数据融合，可以得到分类信息，比单个传感器的属性更加全面。同时，本发明实施例的目标数据融合提高了整个自动驾驶系统的安全性，例如，当一个传感器失效时，自动驾驶车辆照样能探测到周围目标。

图4是本发明实施例的一种目标数据融合系统的结构示意图，该目标数据融合系统与上述实施例的目标数据融合方法的发明思路相同。如图4所示，所述目标数据融合系统包括：段内关联单元100，用于根据车辆上的多个传感器的探测距离和覆盖范围，将传感器所探测的车辆周围环境区域分成若干个段落，获取各段落内每个目标的航迹信息，并基于所述航迹信息进行对应段落内的段内目标关联；段内融合单元200，用于根据各段落内相应传感器测量数据，对进行所述段内目标关联后的目标进行属性融合；段间关联单元300，用于根据所述属性融合后的目标的位置信息和运动方向信息，进行当前段落与未来段落之间的段间目标关联；以及信息整合单元400，用于将经过所述段内目标关联和所述段间目标关联的目标进行信息整合。

在优选的实施例中，所述目标数据融合系统还包括：传感聚类单元500，用于在所述区域分段单元将传感器所探测的车辆周围环境区域分成若干个段落之前，根据各个传感器所探测的目标之间的速度差与距离差，对所述各个传感器所探测的目标进行聚类。

优选地，当所述传感器为毫米波雷达时，结合目标之间的距离相似度，将速度差小于设定阈值的两个目标聚类为同一目标；当所述传感器为激光雷达时，将速度差大于设定阈值但在设定时间后的距离差变化与速度差变化不一致的两个目标聚类为同一目标。

优选地，所述段内关联单元100包括：区域分段模块110，用于根据车辆上的多个传感器的探测距离和覆盖范围，将传感器所探测的车辆周围环境区域分成若干个段落；航迹计算模块120，用于根据预设的航迹关联计算公式对选定的段落内的目标的航迹信息进行处理，获得用于示出该段落内的各目标之间的关联度的目标航迹关联矩阵；以及段内关联确定模块130，用于根据所述目标航迹关联矩阵，确定关联度大于设定阈值的目标相关联。

更为优选地，所述段间关联单元300包括：段间关联确定模块310，用于根据所述距离信息和所述运动方向信息，确定与当前段落存在关联关系的未来段落，并预测所述未来段落的传感器测量数据；段间属性融合模块320，用于在所述当前段落与所述未来段落的相交部位使用所述当前段落的传感器测量数据和所述未来段落的传感器测量数据共同进行目标的属性融合，在所述相交部位之外，使用所述当前段落的传感器测量数据和所述未来段落的传感器测量数据各自对所述当前段落和所述未来段落进行目标的属性融合。

本发明另一实施例还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的目标数据融合方法所述机器可读存储介质包括但不限于相变内存(相变随机存取存储器的简称，Phase Change Random Access Memory，PRAM，亦称为PCM/PCRAM)、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(Flash Memory)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等各种可以存储程序代码的介质。

需说明的是，本发明实施例的目标数据融合系统及机器可读存储介质的具体实施细节及效果可参考上述关于目标数据融合方法的实施例，在此不再进行赘述。

以上所述仅为本发明的较佳实施方式而已，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)

1.一种目标数据融合方法，其特征在于，所述目标数据融合方法包括：

根据车辆上的多个传感器的探测距离和覆盖范围，将传感器所探测的车辆周围环境区域分成若干个段落，获取各段落内每个目标的航迹信息，并基于所述航迹信息进行对应段落内的段内目标关联；

根据各段落内相应传感器测量数据，对进行所述段内目标关联后的目标进行属性融合；

根据所述属性融合后的目标的位置信息和运动方向信息，进行当前段落与未来段落之间的段间目标关联；以及

将经过所述段内目标关联和所述段间目标关联的目标进行信息整合。

2.根据权利要求1所述的目标数据融合方法，其特征在于，在所述将传感器所探测的车辆周围环境区域分成若干个段落之前，所述目标数据融合方法还包括：

根据各个传感器所探测的目标之间的速度差与距离差，对所述各个传感器所探测的目标进行聚类。

3.根据权利要求2所述的目标数据融合方法，其特征在于，当所述传感器为毫米波雷达时，结合目标之间的距离相似度，将速度差小于设定阈值的两个目标聚类为同一目标；当所述传感器为激光雷达时，将速度差大于设定阈值但在设定时间后的距离差变化与速度差变化不一致的两个目标聚类为同一目标。

4.根据权利要求1所述的目标数据融合方法，其特征在于，所述基于所述航迹信息进行对应段落内的段内目标关联包括：

根据预设的航迹关联计算公式对选定的段落内的目标的航迹信息进行处理，获得用于示出该段落内的各目标之间的关联度的目标航迹关联矩阵；以及

根据所述目标航迹关联矩阵，确定关联度大于设定阈值的目标相关联。

5.根据权利要求1所述的目标数据融合方法，其特征在于，所述进行当前段落与未来段落之间的段间目标关联包括：

根据所述距离信息和所述运动方向信息，确定与当前段落存在关联关系的未来段落，并预测所述未来段落的传感器测量数据；

在所述当前段落与所述未来段落的相交部位使用所述当前段落的传感器测量数据和所述未来段落的传感器测量数据共同进行目标的属性融合，在所述相交部位之外，使用所述当前段落的传感器测量数据和所述未来段落的传感器测量数据各自对所述当前段落和所述未来段落进行目标的属性融合。

6.一种目标数据融合系统，其特征在于，所述目标数据融合系统包括：

段内关联单元，用于根据车辆上的多个传感器的探测距离和覆盖范围，将传感器所探测的车辆周围环境区域分成若干个段落，获取各段落内每个目标的航迹信息，并基于所述航迹信息进行对应段落内的段内目标关联；

段内融合单元，用于根据各段落内相应传感器测量数据，对进行所述段内目标关联后的目标进行属性融合；

段间关联单元，用于根据所述属性融合后的目标的位置信息和运动方向信息，进行当前段落与未来段落之间的段间目标关联；以及

信息整合单元，用于将经过所述段内目标关联和所述段间目标关联的目标进行信息整合。

7.根据权利要求6所述的目标数据融合系统，其特征在于，所述目标数据融合系统还包括：

传感聚类单元，用于在所述区域分段单元将传感器所探测的车辆周围环境区域分成若干个段落之前，根据各个传感器所探测的目标之间的速度差与距离差，对所述各个传感器所探测的目标进行聚类；

优选地，当所述传感器为毫米波雷达时，结合目标之间的距离相似度，将速度差小于设定阈值的两个目标聚类为同一目标；

优选地，当所述传感器为激光雷达时，将速度差大于设定阈值但在设定时间后的距离差变化与速度差变化不一致的两个目标聚类为同一目标。

8.根据权利要求6所述的目标数据融合系统，其特征在于，所述段内关联单元包括：

区域分段模块，用于根据车辆上的多个传感器的探测距离和覆盖范围，将传感器所探测的车辆周围环境区域分成若干个段落；

航迹计算模块，用于根据预设的航迹关联计算公式对选定的段落内的目标的航迹信息进行处理，获得用于示出该段落内的各目标之间的关联度的目标航迹关联矩阵；以及

段内关联确定模块，用于根据所述目标航迹关联矩阵，确定关联度大于设定阈值的目标相关联。

9.根据权利要求6所述的目标数据融合系统，其特征在于，所述段间关联单元包括：

段间关联确定模块，用于根据所述距离信息和所述运动方向信息，确定与当前段落存在关联关系的未来段落，并预测所述未来段落的传感器测量数据；

段间属性融合模块，用于在所述当前段落与所述未来段落的相交部位使用所述当前段落的传感器测量数据和所述未来段落的传感器测量数据共同进行目标的属性融合，在所述相交部位之外，使用所述当前段落的传感器测量数据和所述未来段落的传感器测量数据各自对所述当前段落和所述未来段落进行目标的属性融合。

10.一种机器可读存储介质，其特征在于，所述机器可读存储介质上存储有指令，该指令用于使得机器能够执行根据权利要求1至5中任一项所述的目标数据融合方法。

Images