CN112256006B - 一种数据的处理方法、装置及电子设备 - Google Patents

一种数据的处理方法、装置及电子设备 Download PDF

Info

Publication number
CN112256006B
CN112256006B CN201910589525.6A CN201910589525A CN112256006B CN 112256006 B CN112256006 B CN 112256006B CN 201910589525 A CN201910589525 A CN 201910589525A CN 112256006 B CN112256006 B CN 112256006B
Authority
CN
China
Prior art keywords
information
running information
target
target error
error weight
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.)
Active
Application number
CN201910589525.6A
Other languages
English (en)
Other versions
CN112256006A (zh
Inventor
陶珮
李文华
赵耀
孙岚
谭明强
花玥
雷剑
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.)
China Mobile Communications Group Co Ltd
China Mobile Group Guizhou Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Guizhou 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 China Mobile Communications Group Co Ltd, China Mobile Group Guizhou Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201910589525.6A priority Critical patent/CN112256006B/zh
Publication of CN112256006A publication Critical patent/CN112256006A/zh
Application granted granted Critical
Publication of CN112256006B publication Critical patent/CN112256006B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • 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
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
    • G05D1/0261—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means using magnetic plots
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
    • G05D1/0263—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means using magnetic strips
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Navigation (AREA)

Abstract

本发明实施例公开了一种数据的处理方法、装置及电子设备，所述方法包括：获取当前时刻无人驾驶场景下的行驶信息，其中，所述行驶信息包括但不限于速度信息、方位信息；基于预设状态转移矩阵和所述行驶信息，对下一时刻的行驶信息进行预测，得到待修正的预测行驶信息；基于卡尔曼滤波器和非线性算法的融合算法，并根据传感器的感知数据得到所述待修正的预测行驶信息对应的目标误差修正矩阵；基于所述目标误差修正矩阵，对所述待修正的预测行驶信息进行修正，得到目标行驶信息。通过本方法，可以提高对传感器的感知数据处理的准确性，同时也可以减少由于传感器存在故障而对目标行驶信息的影响，保证目标行驶信息的可靠性，提高用户体验。

Description

一种数据的处理方法、装置及电子设备
技术领域
本发明涉及计算机技术领域，尤其涉及一种数据的处理方法、装置及电子设备。
背景技术
随着计算机技术的不断发展，无人驾驶技术得到了较快的发展，无人驾驶技术在汽车中的应用也逐渐成为人们关注的热点。
目前，无人驾驶技术在汽车中的应用，主要是基于卡尔曼滤波算法对汽车中配置的多源传感器采集到的数据进行计算，并根据得到的计算结果，控制汽车的转向和速度，从而实现无人驾驶在汽车中的应用。例如，通过车载传感器系统感知道路环境，将得到的感知数据进行数字信号的转换，然后通过卡尔曼滤波算法，得到下一刻的转向和速度。
但是，通过上述方法进行无人驾驶时，存在以下问题：首先，由于采集得到数据多为非线性数据，通过卡尔曼滤波算法对采集到的数据进行处理，无法保证数据处理的精确性；其次，由于汽车中配置的传感器较多，如果存在一个或多个传感器发生故障，则该传感器的故障数据会对算法最终的计算结果产生较大的影响，导致计算结果的可靠性较差。因此，由于存在上述问题，所以通过上述方法进行无人驾驶的过程中，会导致车辆行驶方向和速度等的准确性较差，用户体验不佳。
发明内容
本发明实施例的目的是提供一种数据的处理方法、装置及电子设备，以解决现有技术中进行无人驾驶的过程中，存在车辆行驶方向和速度等准确性较差，用户体验不佳的问题。
为解决上述技术问题，本发明实施例是这样实现的：
第一方面，本发明实施例提供的一种数据的处理方法，所述方法包括：
获取当前时刻无人驾驶场景下的行驶信息，其中，所述行驶信息包括但不限于速度信息、方位信息；
基于预设状态转移矩阵和所述行驶信息，对下一时刻的行驶信息进行预测，得到待修正的预测行驶信息；
基于卡尔曼滤波器和非线性算法的融合算法，并根据传感器的感知数据得到所述待修正的预测行驶信息对应的目标误差修正矩阵；
基于所述目标误差修正矩阵，对所述待修正的预测行驶信息进行修正，得到目标行驶信息。
第二方面，本发明实施例提供了一种数据的处理装置，所述装置包括：
信息获取模块，用于获取当前时刻无人驾驶场景下的行驶信息，其中，所述行驶信息包括但不限于速度信息、方位信息；
信息预测模块，用于基于预设状态转移矩阵和所述行驶信息，对下一时刻的行驶信息进行预测，得到待修正的预测行驶信息；
矩阵确定模块，用于基于卡尔曼滤波器和非线性算法的融合算法，并根据传感器的感知数据得到所述待修正的预测行驶信息对应的目标误差修正矩阵；
信息修正模块，用于基于所述目标误差修正矩阵，对所述待修正的预测行驶信息进行修正，得到目标行驶信息。
第三方面，本发明实施例提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述实施例提供的数据的处理方法的步骤。
第四方面，本发明实施例提供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上存储计算机程序，所述计算机程序被处理器执行时实现上述实施例提供的数据的处理方法的步骤。
由以上本发明实施例提供的技术方案可见，本发明实施例通过获取当前时刻无人驾驶场景下的行驶信息，其中，行驶信息包括但不限于速度信息、方位信息，基于预设状态转移矩阵和行驶信息，对下一时刻的行驶信息进行预测，得到待修正的预测行驶信息，然后基于卡尔曼滤波器和非线性算法的融合算法，并根据传感器的感知数据得到待修正的预测行驶信息对应的目标误差修正矩阵，最后基于目标误差修正矩阵，对待修正的预测行驶信息进行修正，得到目标行驶信息。这样，通过卡尔曼滤波器和非线性算法的融合算法，对传感器的感知数据进行处理，可以在提高对感知数据的处理准确性的同时，提高对感知数据的处理效率。并且，由于对感知数据的计算结果是用于修正预测行驶信息，所以，当感知数据中存在错误数据时，错误数据对目标行驶信息影响较小，可以保证目标行驶信息的可靠性，提高用户体验。
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为本发明一种数据的处理方法的流程示意图；
图2为本发明一种根据行驶路线确定预测行驶信息的示意图；
图3为本发明另一种数据的处理方法的流程示意图；
图4为本发明一种数据的处理装置的结构示意图；
图5为本发明一种电子设备的结构示意图。
具体实施方式
本发明实施例提供一种数据的处理方法、装置及电子设备。
为了使本技术领域的人员更好地理解本发明中的技术方案，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，都应当属于本发明保护的范围。
实施例一
如图1所示，本发明实施例提供一种数据的处理方法，该方法的执行主体可以为无人驾驶的车辆或该车辆的车载设备(如车辆的主控设备等)或服务器。该方法具体可以包括以下步骤：
在步骤S102中，获取当前时刻无人驾驶场景下的行驶信息。
其中，行驶信息可以包括但不限于速度信息、方位信息。
在实施中，随着计算机技术的不断发展，无人驾驶技术得到了较快的发展，无人驾驶技术在汽车中的应用也逐渐成为人们关注的热点。目前，无人驾驶技术在汽车中的应用，主要是通过对汽车中配置的多源传感器采集到的数据基于卡尔曼滤波算法进行融合计算，根据得到的计算结果，控制汽车的转向和速度，从而实现无人驾驶在汽车中的应用。例如，通过车载传感器系统感知道路环境，将得到的感知数据进行数字信号的转换，然后通过卡尔曼滤波算法，得到下一刻的转向和速度。
但是，通过上述方法进行无人驾驶时，存在以下问题：首先，由于采集得到数据多为非线性数据，通过卡尔曼滤波算法对采集到的数据进行处理，无法保证数据处理的精确性；其次，由于汽车中配置的传感器较多，如果存在一个或多个传感器发生故障，则该传感器的故障数据会对算法最终的计算结果产生较大的影响，导致计算结果的可靠性较差。因此，由于存在上述问题，所以通过上述方法进行无人驾驶的过程中，会导致车辆行驶方向和速度等的准确性较差，用户体验不佳。
此外，在对感知数据进行处理时，还有一种处理方式，即通过神经网络算法，基于传感器采集到的数据，建立数学模型，在根据模型的计算结果，得到下一刻的转向和速度，从而实现无人驾驶技术在汽车中的应用。
但是，由于神经网络算法的学习速度较慢，所以采用神经网络算法对采集到的数据进行建模的计算效率较低。且由于采集到的数据中存在大量的噪声，通过神经网络算法进行建模无法避免噪声对计算结果的影响，导致建模计算结果的准确性较低、可靠性较差，用户体验不佳。
为此，本发明实施例提供另一种实现方案，具体可以包括以下内容：
可以获取当前无人驾驶场景下的速度信息和方位信息等行驶信息，其中，速度信息可以包括当前场景下汽车的行驶速度和加速度等信息，方位信息可以包括当前场景下汽车的位置信息和行驶方向信息等。
在步骤S104中，基于预设状态转移矩阵和行驶信息，对下一时刻的行驶信息进行预测，得到待修正的预测行驶信息。
在实施中，用户在启动汽车前，可以输入目的地信息，此时可以获取从出发地到目的地之间的道路的路况信息，然后可以根据路况信息，进行路线的规划。在确定了行驶路线后，可以根据预设行驶速度和预设加速度，启动汽车，实现无人驾驶。
在行驶过程中，可以根据行驶路线，确定预设状态转移矩阵，并用于确定控制汽车的行驶速度和行驶方向，即确定待修正的预测行驶信息。例如，如图2所示，汽车的出发地为地点A，目的地为地点B，从地点A到地点B需要进行两次转向，则可以将汽车在从地点A到地点C，从地点C到地点D，以及从地点D到地点B的行驶速度设置为30km/h，即当用户处于地点A到地点C的路段时，可以保持匀速前进，此时的预设状态转移矩阵可以设置为单位矩阵，即保持速度和方向的一致。当获取到的行驶信息(即当前汽车所处的方位信息)表明汽车此时处于地点C，则可以根据对应的用于控制汽车转向预设的状态转移矩阵(如状态转移矩阵F1)，确定下一时刻用于控制汽车转向的行驶信息(如行驶速度和行驶方向)，即确定待修正的预测行驶信息。
在行驶过程中，还可以根据获取到的实时路况信息，确定对应的用于预测速度信息的预设状态转移矩阵，以对下一时刻的行驶速度进行预测。例如，可以将实时路况信息根据拥堵情况划分为道路通畅、较为拥堵和严重拥堵三个等级，根据等级不同，可以设定对应不同的预设状态转移矩阵。如图2所示，如果此时获取的行驶信息表明汽车处于地点A到地点C的路段中，可以获取当前的实时路况信息，如果当前地点A到地点C的实时路况信息为严重拥堵，则可以获取对应的预设状态转移矩阵(如严重拥堵的实时路况信息对应的预设状态转移矩阵为状态转移矩阵F2)，在根据当前的行驶信息，确定下一时刻的待修正的预测行驶信息。
在步骤S106中，基于卡尔曼滤波器和非线性算法的融合算法，并根据传感器的感知数据得到待修正的预测行驶信息对应的目标误差修正矩阵。
其中，非线性算法可以为贝叶斯算法、神经网络算法、决策树算法、梯度下降法等，传感器可以为激光雷达、毫米波雷达、摄像头、红外传感器等传感器中的一个或多个。
在实施中，汽车中可配置有一个或多个传感器，用于获取感知数据。以摄像头为例，汽车中可以配置有摄像头，通过摄像头获取的感知数据可以包括汽车与障碍物之间的距离、汽车与红绿灯之间的距离、红绿灯的信号数据等。
此外，当获取到感知数据后，可以对感知数据进行预处理操作，其中，预处理操作可以包括对感知数据的数字信号转换操作、去噪处理操作、特征提取操作等。通过对感知数据进行预处理操作，可以减少感知数据中包含的噪声的干扰，提高对感知数据的计算准确性，同时通过特征提取操作，也可以提高计算的效率。
在对获取到的感知数据进行预处理操作后，可以基于卡尔曼滤波器和非线性算法的融合算法，对预处理操作后的感知数据进行计算，以得到目标误差修正矩阵。其中，卡尔曼滤波器可以包括时间更新部分和测量更新部分，可以基于非线性算法和预处理后的感知数据，确定卡尔曼滤波器的时间更新部分，然后在确定卡尔曼滤波器的测量更新部分，最终得到目标误差修正矩阵。
具体的，以BP神经网络算法为例，获取到预处理操作后的感知数据后，可以将预处理操作后的感知数据作为BP神经网络算法的输入数据，在根据BP神经网络的输出数据计算卡尔曼滤波器的时间更新部分，最后根据时间更新部分的结果计算卡尔曼滤波器的测量更新部分，即计算卡尔曼滤波增益值，再由卡尔曼滤波增益值确定下一时刻的目标误差权值，最后在构成与待修正的预测行驶信息对应的目标误差修正矩阵。
其中，在计算卡尔曼滤波器的时间更新部分时，可以预先设定误差修正矩阵，在汽车启动后的下一时刻，可以根据预先设定的误差修正矩阵计算时间更新部分，当完成测量更新部分后，得到的目标误差修正矩阵，可以用于对再下一时刻的时间更新部分的计算，以此实现对目标误差修正矩阵的不断更新，以提高计算的精准度。
在步骤S108中，基于目标误差修正矩阵，对待修正的预测行驶信息进行修正，得到目标行驶信息。
在实施中，当确定了目标误差修正矩阵后，可以对待修正的预测行驶信息进行修正，修正后的行驶信息即为目标行驶信息。例如，当前时刻的行驶信息包括速度信息和方位信息(v1，p1)，基于预设状态转移矩阵F1进行计算后，可以得到待修正的预测行驶信息(v2，p2)，此时基于卡尔曼滤波器和非线性算法的融合算法，根据传感器的感知数据，可以确定目标误差修正矩阵H1，再基于H1对待修正的预测行驶信息(v2，p2)进行修正，可以得到目标行驶信息(v3，p3)，此时可以根据目标行驶信息控制汽车的行驶速度和行驶方向，以实现无人驾驶技术在汽车中的应用。
此外，待修正的预测行驶信息中可以包括有预设的误差行驶信息，可以通过目标误差修正矩阵对误差行驶信息进行修正，以得到目标行驶信息。例如，当前时刻的行驶信息包括速度信息和方位信息(v1，p1)，基于预设状态转移矩阵F1进行计算后，可以得到待修正的预测行驶信息(v2，p2)，此时基于卡尔曼滤波器和非线性算法的融合算法，根据传感器的感知数据，可以确定目标误差修正矩阵H1，可以基于H1对预设的误差行驶信息(v1’，p2’)进行修正，得到修正后的误差行驶信息(v1”，p2”)，再根据(v1”，p2”)和(v2，p2)确定目标行驶信息(v3，p3)。
其中，预设的误差行驶信息可以是根据规划路线的路况确定的，也可以是根据当前场景下的行驶信息确定的，例如，如图2所示，如果地点A到地点C为上坡路，地点D到地点B为下坡路，则可以对这两段路设置不同的预设误差行驶信息。同样的，如果在地点C有红绿灯，则此处地点对应的预设的误差行驶信息和从地点A到地点C的路段所对应的预设的误差行驶信息可以不同。误差行驶信息的确定方法可以有多种对应，本发明实施例提供的是一种可选地、可实现的确定方法，具体的误差行驶信息的确定方法可以根据实际应用场景的不同而有所不同，本发明实施例对此不作具体限定。
本发明实施例提供一种数据的处理方法，通过获取当前时刻无人驾驶场景下的行驶信息，其中，行驶信息包括但不限于速度信息、方位信息，基于预设状态转移矩阵和行驶信息，对下一时刻的行驶信息进行预测，得到待修正的预测行驶信息，然后基于卡尔曼滤波器和非线性算法的融合算法，并根据传感器的感知数据得到待修正的预测行驶信息对应的目标误差修正矩阵，最后基于目标误差修正矩阵，对待修正的预测行驶信息进行修正，得到目标行驶信息。这样，通过卡尔曼滤波器和非线性算法的融合算法，对传感器的感知数据进行处理，可以在提高对感知数据的处理准确性的同时，提高对感知数据的处理效率。并且，由于对感知数据的计算结果是用于修正预测行驶信息，所以，当感知数据中存在错误数据时，错误数据对目标行驶信息影响较小，可以保证目标行驶信息的可靠性，提高用户体验。
实施例二
如图3所示，本发明实施例提供一种数据的处理方法，该方法的执行主体可以为无人驾驶的车辆或该车辆的车载设备(如车辆的主控设备等)或服务器。该方法具体可以包括以下步骤：
在步骤S302中，获取当前时刻无人驾驶场景下的行驶信息。
在步骤S304中，基于预设状态转移矩阵和所述行驶信息，对下一时刻的行驶信息进行预测，得到待修正的预测行驶信息。
其中，待修正的预测行驶信息可以包括第一预测行驶信息和误差行驶信息。
上述步骤S302-S304的具体处理过程可以参见上述实施例一中的步骤S102-S104中的相关内容，在此不再赘述。
此外，预设状态转移矩阵可以包括用于确定第一预测行驶信息的第一状态转移矩阵和用于确定误差行驶信息的误差状态转移矩阵，当获取到当前场景下的行驶信息后，可以分别根据预设状态转移矩阵，确定第一预测行驶信息和误差行驶信息。
其中，在进行误差行驶信息的计算时，可以根据前一时刻确定的目标行驶信息与预测行驶信息中的第一预测行驶信息之间的差值，确定当前时刻的第一误差。在根据误差状态转移矩阵，确定下一时刻的误差行驶信息。例如，当前时间为12:03，前一时刻(即12:02)的目标行驶信息中的速度信息为30km/h，前一时刻的第一预测行驶信息为29km/h，则当前时刻的第一误差为1km/h，若用于确定误差行驶信息的预设误差状态转移矩阵可以为F2，则基于F2，可以确定与第一误差相对应的误差行驶信息(如误差行驶信息可以为1.5km/h)。
此外，可以预先设置汽车启动后的第一时刻对应的第一误差，以确定汽车启动后的第二时刻的预测行驶信息。
在步骤S306中，基于非线性算法，根据传感器的感知数据确定目标误差权值更新量。
在实施中，在确定目标误差权值更新量的同时，也可以确定学习率，以及基于非线性算法得到的算法误差值。
在实际应用中，上述步骤S306的处理方式可以多种多样，以下再提供一种可选的实现方式，具体可以参见下述步骤一和步骤二处理。
步骤一，基于非线性算法，计算传感器的感知数据对应的误差权值更新量和学习率。
步骤二，基于误差权值更新量，计算目标误差权值更新量。
在实施中，可以根据公式
Figure BDA0002115649240000081
计算目标误差权值更新量，其中，
Figure BDA0002115649240000082
为第k时刻的目标误差权值更新量，Ik-1为第k-1时刻到第k时刻的第一预设状态转移矩阵，Δwk-1为第k-2时刻对应的误差权值更新量与第k-1时刻对应的误差权值更新量的差值。
在步骤S308中，通过目标误差权值更新量，基于卡尔曼滤波器得到目标误差修正矩阵。
在实施中，可以根据预设的误差函数，对基于非线性算法得到的算法误差值进行检测，如果根据预设的误差函数得到的结果满足预设误差范围，则算法结束，确定目标误差修正矩阵，如果误差函数的结果不满足预设误差范围，则可以调整算法参数，基于非线性算法，重新计算目标误差权值更新量，在基于卡尔曼滤波器得到目标误差修正矩阵。
在实际应用中，上述步骤S308的处理方式可以多种多样，以下再提供一种可选的实现方式，具体可以参见下述步骤一和步骤二处理。
步骤一，基于目标误差权值更新量，计算滤波增益值。
在实施中，可以基于行驶信息，确定误差权值更新量的实际值，基于预设预测矩阵，确定误差权值更新量的预测值，同时也可以基于非线性算法，获取与误差权值更新量对应的学习率。
然后根据公式
Figure BDA0002115649240000091
计算滤波增益值。
其中，
Figure BDA0002115649240000092
为第k时刻的滤波增益值，w为预设误差权值更新量，dk为第k时刻的误差权值更新量的预测值，
Figure BDA0002115649240000093
为第k时刻的目标误差权值更新量，xk为第k时刻的误差权值更新量的实际值，
Figure BDA0002115649240000094
为第k时刻的更新后的预设误差调整矩阵。
步骤二，基于滤波增益值，确定目标误差权值，并由目标误差权值，构成目标误差修正矩阵。
在实施中，根据公式
Figure BDA0002115649240000095
计算目标误差权值。
其中，wk为第k时刻的目标误差权值，
Figure BDA0002115649240000096
为第k时刻的目标误差权值更新量，η为学习率，Kn为第n时刻的滤波增益值，dn为第n时刻的误差权值更新量的预测值，
Figure BDA0002115649240000097
为第n时刻的目标误差权值更新量，xn为第n时刻的误差权值更新量的实际值，
Figure BDA0002115649240000098
为第n时刻的目标误差修正矩阵。
在步骤S310中，基于目标误差修正矩阵，对误差行驶信息进行修正，得到目标误差行驶信息。
在步骤S312中，基于第一预测行驶信息和所述目标误差行驶信息，得到目标行驶信息。
本发明实施例提供一种数据的处理方法，通过获取当前时刻无人驾驶场景下的行驶信息，其中，行驶信息包括但不限于速度信息、方位信息，基于预设状态转移矩阵和行驶信息，对下一时刻的行驶信息进行预测，得到待修正的预测行驶信息，然后基于卡尔曼滤波器和非线性算法的融合算法，并根据传感器的感知数据得到待修正的预测行驶信息对应的目标误差修正矩阵，最后基于目标误差修正矩阵，对待修正的预测行驶信息进行修正，得到目标行驶信息。这样，通过卡尔曼滤波器和非线性算法的融合算法，对传感器的感知数据进行处理，可以在提高对感知数据的处理准确性的同时，提高对感知数据的处理效率。并且，由于对感知数据的计算结果是用于修正预测行驶信息，所以，当感知数据中存在错误数据时，错误数据对目标行驶信息影响较小，可以保证目标行驶信息的可靠性，提高用户体验。
实施例三
以上为本发明实施例提供的数据的处理方法，基于同样的思路，本发明实施例还提供一种数据的处理装置，如图4所示。
该数据的处理装置包括：信息获取模块401、信息预测模块402、矩阵确定模块403和信息修正模块404，其中：
信息获取模块401，用于获取当前时刻无人驾驶场景下的行驶信息，其中，所述行驶信息包括但不限于速度信息、方位信息；
信息预测模块402，用于基于预设状态转移矩阵和所述行驶信息，对下一时刻的行驶信息进行预测，得到待修正的预测行驶信息；
矩阵确定模块403，用于基于卡尔曼滤波器和非线性算法的融合算法，并根据传感器的感知数据得到所述待修正的预测行驶信息对应的目标误差修正矩阵；
信息修正模块404，用于基于所述目标误差修正矩阵，对所述待修正的预测行驶信息进行修正，得到目标行驶信息。
在本发明实施例中，所述矩阵确定模块403，包括：
第一计算单元，用于基于所述非线性算法，根据所述传感器的感知数据确定目标误差权值更新量；
第二计算单元，用于通过所述目标误差权值更新量，基于所述卡尔曼滤波器得到所述目标误差修正矩阵。
在本发明实施例中，所述待修正的预测行驶信息包括第一预测行驶信息和误差行驶信息，
所述信息修正模块404，包括：
第一修正单元，用于基于所述目标误差修正矩阵，对所述误差行驶信息进行修正，得到目标误差行驶信息；
第二修正单元，用于基于所述第一预测行驶信息和所述目标误差行驶信息，得到所述目标行驶信息。
在本发明实施例中，所述第一计算单元，用于：
基于所述非线性算法，计算所述传感器的感知数据对应的误差权值更新量；
基于所述误差权值更新量，计算所述目标误差权值更新量。
在本发明实施例中，所述基于所述误差权值更新量，计算所述目标误差权值更新量，用于：
根据公式
Figure BDA0002115649240000111
计算所述目标误差权值更新量；
其中，
Figure BDA0002115649240000112
为第k时刻的所述目标误差权值更新量，Ik-1为第k-1时刻到第k时刻的第一预设状态转移矩阵，Δwk-1为第k-2时刻对应的所述误差权值更新量与第k-1时刻对应的所述误差权值更新量的差值。
在本发明实施例中，所述通过所述误差权值更新量，基于所述卡尔曼滤波器得到目标误差修正矩阵，用于：
基于所述目标误差权值更新量，计算滤波增益值；
基于所述滤波增益值，确定目标误差权值，并由所述目标误差权值，构成所述目标误差修正矩阵。
在本发明实施例中，所述基于所述目标误差权值更新量，计算滤波增益值，用于：
基于所述行驶信息，确定误差权值更新量的实际值；
基于所述预设预测矩阵，确定误差权值更新量的预测值；
基于所述非线性算法，获取与所述误差权值更新量对应的学习率；
根据公式
Figure BDA0002115649240000113
计算所述滤波增益值；
其中，
Figure BDA0002115649240000114
为第k时刻的所述滤波增益值，w为预设误差权值更新量，dk为第k时刻的所述误差权值更新量的预测值，
Figure BDA0002115649240000115
为第k时刻的所述目标误差权值更新量，xk为第k时刻的所述误差权值更新量的实际值，
Figure BDA0002115649240000116
为第k时刻的所述更新后的预设误差调整矩阵；
所述基于所述滤波增益值，确定目标误差权值，用于：
根据公式
Figure BDA0002115649240000121
计算所述目标误差权值；
其中，wk为第k时刻的所述目标误差权值，
Figure BDA0002115649240000122
为第k时刻的所述目标误差权值更新量，η为所述学习率，Kn为第n时刻的所述滤波增益值，dn为第n时刻的所述误差权值更新量的预测值，
Figure BDA0002115649240000123
为第n时刻的所述目标误差权值更新量，xn为第n时刻的所述误差权值更新量的实际值，
Figure BDA0002115649240000124
为第n时刻的所述目标误差修正矩阵。
本发明实施例提供一种数据的处理装置，通过获取当前时刻无人驾驶场景下的行驶信息，其中，行驶信息包括但不限于速度信息、方位信息，基于预设状态转移矩阵和行驶信息，对下一时刻的行驶信息进行预测，得到待修正的预测行驶信息，然后基于卡尔曼滤波器和非线性算法的融合算法，并根据传感器的感知数据得到待修正的预测行驶信息对应的目标误差修正矩阵，最后基于目标误差修正矩阵，对待修正的预测行驶信息进行修正，得到目标行驶信息。这样，通过卡尔曼滤波器和非线性算法的融合算法，对传感器的感知数据进行处理，可以在提高对感知数据的处理准确性的同时，提高对感知数据的处理效率。并且，由于对感知数据的计算结果是用于修正预测行驶信息，所以，当感知数据中存在错误数据时，错误数据对目标行驶信息影响较小，可以保证目标行驶信息的可靠性，提高用户体验。
实施例四
图5为实现本发明各个实施例的一种电子设备的硬件结构示意图，
该电子设备500包括但不限于：射频单元501、网络模块502、音频输出单元503、输入单元504、传感器505、显示单元506、用户输入单元507、接口单元508、存储器509、处理器510、以及电源511等部件。本领域技术人员可以理解，图5中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。在本发明实施例中，电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
其中，处理器510，用于获取当前时刻无人驾驶场景下的行驶信息，其中，所述行驶信息包括但不限于速度信息、方位信息；
处理器510，还用于基于预设状态转移矩阵和所述行驶信息，对下一时刻的行驶信息进行预测，得到待修正的预测行驶信息；
处理器510，还用于基于卡尔曼滤波器和非线性算法的融合算法，并根据传感器的感知数据得到所述待修正的预测行驶信息对应的目标误差修正矩阵；
此外，处理器510，还用于基于所述目标误差修正矩阵，对所述待修正的预测行驶信息进行修正，得到目标行驶信息。
另外，所述处理器510，还用于基于所述非线性算法，根据所述传感器的感知数据确定目标误差权值更新量；
此外，所述处理器510，还用于通过所述目标误差权值更新量，基于所述卡尔曼滤波器得到所述目标误差修正矩阵。
另外，所述处理器510，还用于基于所述目标误差修正矩阵，对所述误差行驶信息进行修正，得到目标误差行驶信息；
此外，所述处理器510，还用于基于所述第一预测行驶信息和所述目标误差行驶信息，得到所述目标行驶信息。
另外，所述处理器510，还用于基于所述非线性算法，计算所述传感器的感知数据对应的误差权值更新量；
此外，所述处理器510，还用于基于所述误差权值更新量，计算所述目标误差权值更新量。
另外，所述处理器510，还用于根据公式
Figure BDA0002115649240000131
计算所述目标误差权值更新量；
其中，
Figure BDA0002115649240000132
为第k时刻的所述目标误差权值更新量，Ik-1为第k-1时刻到第k时刻的第一预设状态转移矩阵，Δwk-1为第k-2时刻对应的所述误差权值更新量与第k-1时刻对应的所述误差权值更新量的差值。
此外，所述处理器510，还用于基于所述目标误差权值更新量，计算滤波增益值；
另外，所述处理器510，还用于基于所述滤波增益值，确定目标误差权值，并由所述目标误差权值，构成所述目标误差修正矩阵。
此外，所述处理器510，还用于基于所述行驶信息，确定误差权值更新量的实际值；
另外，所述处理器510，还用于基于所述预设预测矩阵，确定误差权值更新量的预测值；
另外，所述处理器510，还用于基于所述非线性算法，获取与所述误差权值更新量对应的学习率；
此外，所述处理器510，还用于根据公式
Figure BDA0002115649240000141
计算所述滤波增益值；
其中，
Figure BDA0002115649240000142
为第k时刻的所述滤波增益值，w为预设误差权值更新量，dk为第k时刻的所述误差权值更新量的预测值，
Figure BDA0002115649240000143
为第k时刻的所述目标误差权值更新量，xk为第k时刻的所述误差权值更新量的实际值，
Figure BDA0002115649240000144
为第k时刻的所述更新后的预设误差调整矩阵；
此外，所述处理器510，还用于根据公式
Figure BDA0002115649240000145
Figure BDA0002115649240000146
计算所述目标误差权值；
其中，wk为第k时刻的所述目标误差权值，
Figure BDA0002115649240000147
为第k时刻的所述目标误差权值更新量，η为所述学习率，Kn为第n时刻的所述滤波增益值，dn为第n时刻的所述误差权值更新量的预测值，
Figure BDA0002115649240000148
为第n时刻的所述目标误差权值更新量，xn为第n时刻的所述误差权值更新量的实际值，
Figure BDA0002115649240000149
为第n时刻的所述目标误差修正矩阵。
本发明实施例提供一种电子设备，通过获取当前时刻无人驾驶场景下的行驶信息，其中，行驶信息包括但不限于速度信息、方位信息，基于预设状态转移矩阵和行驶信息，对下一时刻的行驶信息进行预测，得到待修正的预测行驶信息，然后基于卡尔曼滤波器和非线性算法的融合算法，并根据传感器的感知数据得到待修正的预测行驶信息对应的目标误差修正矩阵，最后基于目标误差修正矩阵，对待修正的预测行驶信息进行修正，得到目标行驶信息。这样，通过卡尔曼滤波器和非线性算法的融合算法，对传感器的感知数据进行处理，可以在提高对感知数据的处理准确性的同时，提高对感知数据的处理效率。并且，由于对感知数据的计算结果是用于修正预测行驶信息，所以，当感知数据中存在错误数据时，错误数据对目标行驶信息影响较小，可以保证目标行驶信息的可靠性，提高用户体验。
应理解的是，本发明实施例中，射频单元501可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器510处理；另外，将上行的数据发送给基站。通常，射频单元501包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元501还可以通过无线通信系统与网络和其他电子设备通信。
电子设备通过网络模块502为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元503可以将射频单元501或网络模块502接收的或者在存储器509中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元503还可以提供与电子设备500执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元503包括扬声器、蜂鸣器以及受话器等。
输入单元504用于接收音频或视频信号。输入单元504可以包括图形处理器(Graphics Processing Unit，GPU)5051和麦克风5042，图形处理器5051对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元506上。经图形处理器5051处理后的图像帧可以存储在存储器509(或其它存储介质)中或者经由射频单元501或网络模块502进行发送。麦克风5042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元501发送到移动通信基站的格式输出。
电子设备500还包括至少一种传感器505，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板5061的亮度，接近传感器可在电子设备500移动到耳边时，关闭显示面板5061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别电子设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器505还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。
显示单元506用于显示由用户输入的信息或提供给用户的信息。显示单元506可包括显示面板5061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板5061。
用户输入单元507可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元507包括触控面板5071以及其他输入设备5072。触控面板5071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板5071上或在触控面板5071附近的操作)。触控面板5071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器510，接收处理器510发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板5071。除了触控面板5071，用户输入单元507还可以包括其他输入设备5072。具体地，其他输入设备5072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
进一步的，触控面板5071可覆盖在显示面板5061上，当触控面板5071检测到在其上或附近的触摸操作后，传送给处理器510以确定触摸事件的类型，随后处理器510根据触摸事件的类型在显示面板5061上提供相应的视觉输出。虽然在图5中，触控面板5071与显示面板5061是作为两个独立的部件来实现电子设备的输入和输出功能，但是在某些实施例中，可以将触控面板5071与显示面板5061集成而实现电子设备的输入和输出功能，具体此处不做限定。
接口单元508为外部装置与电子设备500连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元508可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到电子设备500内的一个或多个元件或者可以用于在电子设备500和外部装置之间传输数据。
存储器509可用于存储软件程序以及各种数据。存储器509可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器509可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器510是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器509内的软件程序和/或模块，以及调用存储在存储器509内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。处理器510可包括一个或多个处理单元；优选的，处理器510可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器510中。
电子设备500还可以包括给各个部件供电的电源511(比如电池)，优选的，电源511可以通过电源管理系统与处理器510逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
优选的，本发明实施例还提供一种电子设备，包括处理器510，存储器509，存储在存储器509上并可在所述处理器510上运行的计算机程序，该计算机程序被处理器510执行时实现上述数据的处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
实施例五
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述数据的处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本发明实施例提供一种计算机可读存储介质，通过获取当前时刻无人驾驶场景下的行驶信息，其中，行驶信息包括但不限于速度信息、方位信息，基于预设状态转移矩阵和行驶信息，对下一时刻的行驶信息进行预测，得到待修正的预测行驶信息，然后基于卡尔曼滤波器和非线性算法的融合算法，并根据传感器的感知数据得到待修正的预测行驶信息对应的目标误差修正矩阵，最后基于目标误差修正矩阵，对待修正的预测行驶信息进行修正，得到目标行驶信息。这样，通过卡尔曼滤波器和非线性算法的融合算法，对传感器的感知数据进行处理，可以在提高对感知数据的处理准确性的同时，提高对感知数据的处理效率。并且，由于对感知数据的计算结果是用于修正预测行驶信息，所以，当感知数据中存在错误数据时，错误数据对目标行驶信息影响较小，可以保证目标行驶信息的可靠性，提高用户体验。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。按照本文中的定界，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。
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明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，本发明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。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (7)

1.一种数据的处理方法，其特征在于，所述方法包括：
获取当前时刻无人驾驶场景下的行驶信息，其中，所述行驶信息包括但不限于速度信息、方位信息；
基于预设状态转移矩阵和所述行驶信息，对下一时刻的行驶信息进行预测，得到待修正的预测行驶信息；
基于卡尔曼滤波器和非线性算法的融合算法，并根据传感器的感知数据得到所述待修正的预测行驶信息对应的目标误差修正矩阵；
基于所述目标误差修正矩阵，对所述待修正的预测行驶信息进行修正，得到目标行驶信息；
所述基于卡尔曼滤波器和非线性算法的融合算法，并根据传感器的感知数据得到所述待修正的预测行驶信息对应的目标误差修正矩阵，包括：
基于所述非线性算法，计算所述传感器的感知数据对应的误差权值更新量；
根据公式
Figure FDA0004072519720000011
计算目标误差权值更新量，其中，
Figure FDA0004072519720000012
为第k时刻的所述目标误差权值更新量，Ik-1为第k-1时刻到第k时刻的第一预设状态转移矩阵，wk-1为第k-1时刻对应的所述误差权值更新量，Δwk-1为第k-2时刻对应的所述误差权值更新量与第k-1时刻对应的所述误差权值更新量的差值；
通过所述目标误差权值更新量，基于所述卡尔曼滤波器得到所述目标误差修正矩阵。
2.根据权利要求1所述的方法，其特征在于，所述待修正的预测行驶信息包括第一预测行驶信息和误差行驶信息，
所述基于所述目标误差修正矩阵，对所述待修正的预测行驶信息进行修正，得到目标行驶信息，包括：
基于所述目标误差修正矩阵，对所述误差行驶信息进行修正，得到目标误差行驶信息；
基于所述第一预测行驶信息和所述目标误差行驶信息，得到所述目标行驶信息。
3.根据权利要求1所述的方法，其特征在于，所述通过所述目标误差权值更新量，基于所述卡尔曼滤波器得到所述目标误差修正矩阵，包括：
基于所述目标误差权值更新量，计算滤波增益值；
基于所述滤波增益值，确定目标误差权值，并由所述目标误差权值，构成所述目标误差修正矩阵。
4.根据权利要求3所述的方法，其特征在于，所述基于所述目标误差权值更新量，计算滤波增益值，包括：
基于所述行驶信息，确定误差权值更新量的实际值；
基于预设预测矩阵，确定误差权值更新量的预测值；
基于所述非线性算法，获取与所述误差权值更新量对应的学习率；
根据公式
Figure FDA0004072519720000021
计算所述滤波增益值；
其中，
Figure FDA0004072519720000022
为第k时刻的所述滤波增益值，w为预设误差权值更新量，dk为第k时刻的所述误差权值更新量的预测值，
Figure FDA0004072519720000023
为第k时刻的所述目标误差权值更新量，xk为第k时刻的所述误差权值更新量的实际值，
Figure FDA0004072519720000024
为第k-1时刻的所述目标误差修正矩阵；
所述基于所述滤波增益值，确定目标误差权值，包括：
根据公式
Figure FDA0004072519720000025
计算所述目标误差权值；
其中，wk为第k时刻的所述目标误差权值，
Figure FDA0004072519720000026
为第k时刻的所述目标误差权值更新量，η为所述学习率，Kn为第n时刻的所述滤波增益值，dn为第n时刻的所述误差权值更新量的预测值，
Figure FDA0004072519720000027
为第n时刻的所述目标误差权值更新量，xn为第n时刻的所述误差权值更新量的实际值，
Figure FDA0004072519720000031
为第n时刻的所述目标误差修正矩阵。
5.一种数据的处理装置，其特征在于，所述装置包括：
信息获取模块，用于获取当前时刻无人驾驶场景下的行驶信息，其中，所述行驶信息包括但不限于速度信息、方位信息；
信息预测模块，用于基于预设状态转移矩阵和所述行驶信息，对下一时刻的行驶信息进行预测，得到待修正的预测行驶信息；
矩阵确定模块，用于基于卡尔曼滤波器和非线性算法的融合算法，并根据传感器的感知数据得到所述待修正的预测行驶信息对应的目标误差修正矩阵；
信息修正模块，用于基于所述目标误差修正矩阵，对所述待修正的预测行驶信息进行修正，得到目标行驶信息；
所述矩阵确定模块，包括：
第一计算单元，用于基于所述非线性算法，计算所述传感器的感知数据对应的误差权值更新量；
根据公式
Figure FDA0004072519720000032
计算目标误差权值更新量，其中，
Figure FDA0004072519720000033
为第k时刻的所述目标误差权值更新量，Ik-1为第k-1时刻到第k时刻的第一预设状态转移矩阵，wk-1为第k-1时刻对应的所述误差权值更新量，Δwk-1为第k-2时刻对应的所述误差权值更新量与第k-1时刻对应的所述误差权值更新量的差值；
第二计算单元，用于通过所述目标误差权值更新量，基于所述卡尔曼滤波器得到所述目标误差修正矩阵。
6.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的数据的处理方法的步骤。
7.一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上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的数据的处理方法的步骤。
CN201910589525.6A 2019-07-02 2019-07-02 一种数据的处理方法、装置及电子设备 Active CN112256006B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910589525.6A CN112256006B (zh) 2019-07-02 2019-07-02 一种数据的处理方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910589525.6A CN112256006B (zh) 2019-07-02 2019-07-02 一种数据的处理方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112256006A CN112256006A (zh) 2021-01-22
CN112256006B true CN112256006B (zh) 2023-04-28

Family

ID=74223818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910589525.6A Active CN112256006B (zh) 2019-07-02 2019-07-02 一种数据的处理方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112256006B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115790615B (zh) * 2023-01-30 2023-05-05 安徽蔚来智驾科技有限公司 基于自动驾驶的多传感器融合方法、装置、介质及车辆
CN115817163B (zh) * 2023-02-17 2023-05-23 禾多科技（北京）有限公司 车辆轮速调整方法、装置、电子设备和计算机可读介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011220727A (ja) * 2010-04-06 2011-11-04 Mitsubishi Electric Corp 予測装置及び予測システム及びコンピュータプログラム及び予測方法
CN104851280A (zh) * 2014-02-13 2015-08-19 中国移动通信集团公司 一种车辆行驶控制方法、装置、系统及相关设备
CN106980133A (zh) * 2017-01-18 2017-07-25 中国南方电网有限责任公司超高压输电公司广州局 利用神经网络算法补偿和修正的gps ins组合导航方法及系统
US9799218B1 (en) * 2016-05-09 2017-10-24 Robert Gordon Prediction for lane guidance assist
CN108682023A (zh) * 2018-03-21 2018-10-19 南京理工大学 基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法
CN108981694A (zh) * 2018-07-18 2018-12-11 兰州交通大学 基于小波神经网络与ekf的姿态解算方法及系统
CN109118786A (zh) * 2018-08-20 2019-01-01 浙江工业大学 一种基于量化自适应卡尔曼滤波的车辆速度预测方法
WO2019080711A1 (zh) * 2017-10-25 2019-05-02 腾讯科技（深圳）有限公司 路段速度预测方法、装置、服务器、介质及程序产品
CN109781099A (zh) * 2019-03-08 2019-05-21 兰州交通大学 一种自适应ukf算法的导航方法及系统
CN109781118A (zh) * 2019-03-08 2019-05-21 兰州交通大学 一种无人车的位置跟踪方法
CN109947116A (zh) * 2019-04-18 2019-06-28 北京主线科技有限公司 无人驾驶汽车的定位方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011220727A (ja) * 2010-04-06 2011-11-04 Mitsubishi Electric Corp 予測装置及び予測システム及びコンピュータプログラム及び予測方法
CN104851280A (zh) * 2014-02-13 2015-08-19 中国移动通信集团公司 一种车辆行驶控制方法、装置、系统及相关设备
US9799218B1 (en) * 2016-05-09 2017-10-24 Robert Gordon Prediction for lane guidance assist
CN106980133A (zh) * 2017-01-18 2017-07-25 中国南方电网有限责任公司超高压输电公司广州局 利用神经网络算法补偿和修正的gps ins组合导航方法及系统
WO2019080711A1 (zh) * 2017-10-25 2019-05-02 腾讯科技（深圳）有限公司 路段速度预测方法、装置、服务器、介质及程序产品
CN108682023A (zh) * 2018-03-21 2018-10-19 南京理工大学 基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法
CN108981694A (zh) * 2018-07-18 2018-12-11 兰州交通大学 基于小波神经网络与ekf的姿态解算方法及系统
CN109118786A (zh) * 2018-08-20 2019-01-01 浙江工业大学 一种基于量化自适应卡尔曼滤波的车辆速度预测方法
CN109781099A (zh) * 2019-03-08 2019-05-21 兰州交通大学 一种自适应ukf算法的导航方法及系统
CN109781118A (zh) * 2019-03-08 2019-05-21 兰州交通大学 一种无人车的位置跟踪方法
CN109947116A (zh) * 2019-04-18 2019-06-28 北京主线科技有限公司 无人驾驶汽车的定位方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A Hybrid Prediction Method for Bridging GPS Outages in High-Precision POS Application;Linzhouting Chen等;《IEEE Transactions on Instrumentation and Measurement》;20140630;全文 *
一种基于协作和多普勒频移的车辆定位算法;邵震洪等;《东南大学学报(自然科学版)》;20131120(第06期);全文 *
基于Kalman滤波的灰色神经网络边坡预测;王万祥;《筑路机械与施工机械化》;20180210(第02期);全文 *
基于改进扩展卡尔曼滤波的姿态解算算法研究;冯少江等;《计算机科学》;20170915(第09期);全文 *
基于自适应SSUKF的组合导航信息融合方法;裴福俊等;《系统工程与电子技术》;20090515(第05期);全文 *

Also Published As

Publication number Publication date
CN112256006A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN110147705B (zh) 一种基于视觉感知的车辆定位方法及电子设备
CN108449489B (zh) 一种柔性屏控制方法、移动终端及服务器
CN109041148B (zh) 一种移动终端操作方法及移动终端
CN112307642B (zh) 数据处理方法、装置、系统、计算机设备及存储介质
CN110795523B (zh) 车辆定位方法、装置以及智能车辆
CN110674019A (zh) 一种预测系统故障的方法、装置及电子设备
CN108051010B (zh) 确定到达目的地的时间的方法及移动终端
CN107826109B (zh) 车道保持方法和装置
CN112977087B (zh) 一种电动汽车的扭矩确定方法、装置及设备
CN112256006B (zh) 一种数据的处理方法、装置及电子设备
CN109684825B (zh) 一种权限管理方法及终端设备
CN109819016B (zh) 基于区块链的信息发布方法、信息接收方法和移动终端
CN110933494A (zh) 一种画面共享方法及电子设备
CN108362303B (zh) 一种导航方法及移动终端
CN108447146B (zh) 拍摄方向偏移检测方法及装置
CN109711477B (zh) 一种自动驾驶模型的训练方法及装置
CN111261128B (zh) 屏幕亮度调整方法及电子设备
CN112612874A (zh) 一种数据处理方法、装置及电子设备
CN109246305B (zh) 导航设备的导航处理方法、导航设备及移动终端
CN108632466B (zh) 音量补偿方法及移动终端
CN111148180A (zh) 一种连接基站的方法和终端设备
CN115985309A (zh) 语音识别方法、装置、电子设备及存储介质
CN112464831B (zh) 视频分类方法、视频分类模型的训练方法及相关设备
CN108871356B (zh) 一种行车导航方法、移动终端
CN113630712B (zh) 一种定位方法、装置及设备

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