CN112465193A - 多传感器数据融合的参数优化方法及装置 - Google Patents
多传感器数据融合的参数优化方法及装置 Download PDFInfo
- Publication number
- CN112465193A CN112465193A CN202011236840.XA CN202011236840A CN112465193A CN 112465193 A CN112465193 A CN 112465193A CN 202011236840 A CN202011236840 A CN 202011236840A CN 112465193 A CN112465193 A CN 112465193A
- Authority
- CN
- China
- Prior art keywords
- measurement
- sensor
- radar sensor
- covariance matrix
- target obstacle
- 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.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 143
- 238000005259 measurement Methods 0.000 claims abstract description 136
- 238000001914 filtration Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 12
- 230000004888 barrier function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种多传感器数据融合的参数优化方法及装置,涉及自动化的技术领域,该方法包括:获取包括多传感器数据的训练数据集,基于训练数据集生成测量矩阵;根据测量矩阵和预先设置的迭代次数对卡尔曼滤波参数进行迭代训练,得到目标卡尔曼滤波参数;基于目标卡尔曼滤波参数对多传感器的测量值进行融合计算。本发明提供的多传感器数据融合的参数优化方法及装置,能够得到较为合理的卡尔曼滤波参数,提高了对复杂场景的适用性,在对多传感器的测量值进行融合计算时,能够有效降低数据波动对融合结果的影响,提高传感器检测的准确性。
Description
技术领域
本发明涉及自动化技术领域,尤其是涉及一种多传感器数据融合的参数优化方法及装置。
背景技术
L4级自动驾驶通常指的是高度自动化的自动驾驶,通常,是指在限定的道路和环境中可由无人操作的自动驾驶系统完成所有驾驶操作,因此,在该场景下,自动驾驶系统对车辆感知性能提出了更为严苛的要求,单一传感器已无法满足城市道路场景下复杂的环境信息感知需求。因此,使用多传感器融合的技术方案成为各研究机构普遍的努力方向。
目前,车辆上常用的传感器包括激光雷达(LIDAR)、毫米波雷达(Radar)、视觉传感器(Camera)和超声波传感器(Ultrasonic)等,其中,激光雷达具有探测精度准、分辨率高、响应速度快、抗干扰力强等优点,能够准确得到障碍物外形尺寸,通过对障碍物进行跟踪后,能准确地得到障碍物速度朝向,可以作为障碍物外形轮廓、障碍物位置和速度朝向的依据。毫米波雷达分辨率高,抗干扰能力强,能准确测量障碍物径向速度,在多传感器融合方案中,可以作为障碍物测速的主要依据。视觉传感器,包括摄像机等,其所采集的信息量丰富,在视野范围内可同时实现道路检测、车辆检测、行人检测、交通标志检测、交通信号灯检测等,可以作为检测障碍物类型判断的主要依据。
对于上述多传感器系统,多采用卡尔曼滤波技术来进行障碍物跟踪,能够有效过滤系统噪声,但是,多传感器数据差异性大,因此,往往导致传感器检测不准确,影响行车安全。
发明内容
有鉴于此,本发明的目的在于提供一种多传感器数据融合的参数优化方法及装置,以缓解上述技术问题。
第一方面,本发明实施例提供了一种多传感器数据融合的参数优化方法,包括:获取包括多传感器数据的训练数据集,基于所述训练数据集生成测量矩阵;根据所述测量矩阵和预先设置的迭代次数对卡尔曼滤波参数进行迭代训练,得到目标卡尔曼滤波参数,其中,所述卡尔曼滤波参数包括系统协方差矩阵和测量协方差矩阵;基于所述目标卡尔曼滤波参数对所述多传感器的测量值进行融合计算。
优选地,在一种可能的实施方式中,上述基于所述训练数据集生成测量矩阵的步骤包括:从所述训练数据集中提取包含障碍物信息的单传感器数据;其中,所述单传感器数据至少包括以下传感器对障碍物的测量信息:激光雷达传感器、毫米波雷达传感器以及视觉传感器;按照时间顺序对提取到的每一帧所述单传感器数据进行排序,生成该帧对应的测量矩阵,多帧对应的所述测量矩阵组成测量矩阵集。
优选地,在一种可能的实施方式中,上述根据所述测量矩阵和预先设置的迭代次数对卡尔曼滤波参数进行迭代训练,得到目标卡尔曼滤波参数的步骤包括:根据当前帧对应的所述测量矩阵计算所述系统协方差矩阵和所述测量协方差矩阵的似然性;判断当前帧的似然性与前一帧的似然性的差值是否小于预先设置的差值阈值;如果是,则确定迭代完成;如果否,更新当前帧的系统协方差矩阵和测量协方差矩阵,继续计算更新后的所述系统协方差矩阵和所述测量协方差矩阵的似然性,直至与前一帧的似然性的差值小于预先设置的差值阈值,或者,所述迭代次数达到预先设置的迭代阈值,则确定迭代完成;将迭代完成后对应的所述系统协方差矩阵和所述测量协方差矩阵确定为所述目标卡尔曼滤波参数。
优选地,在一种可能的实施方式中,上述按照下述公式计算所述系统协方差矩阵和所述测量协方差矩阵的似然性:
其中,like表示似然性,k为当前多传感器数据的索引,n为总共的多传感器数据的帧数,H为观测矩阵,P-为先验估计协方差矩阵,Pk为后验估计协方差矩阵,R为测量协方差矩阵,Q为系统协方差矩阵,Y为测量矩阵,X为状态矩阵,F为状态转移矩阵;以及,按照下述公式更新当前帧的系统协方差矩阵和测量协方差矩阵:
其中,Pcs是综合估计得到的系统协方差矩阵。
优选地,在一种可能的实施方式中,上述基于所述目标卡尔曼滤波参数对所述多传感器的测量值进行融合计算的步骤包括:获取所述多传感器的测量值中每个单传感器对目标障碍物的追踪信息;所述追踪信息包括所述目标障碍物的运动速率和运动方向;根据预设的适用条件,以及所述每个单传感器对目标障碍物的追踪信息计算每个所述单传感器的伪测量值;基于所述目标卡尔曼滤波参数对每个所述单传感器的伪测量值进行融合计算。
优选地,在一种可能的实施方式中,上述根据预设的适用条件,以及所述每个单传感器对目标障碍物的追踪信息计算每个所述单传感器的伪测量值的步骤包括:对于所述激光雷达传感器,如果所述目标障碍物的运动速率收敛之后,计算所述激光雷达传感器的测量值与前一帧时刻所述毫米波雷达传感器的测量值的差异;如果所述运动速率的差异和所述运动方向的差异都小于设定阈值,则将所述激光雷达传感器测量的所述目标障碍物的运动方向切换为所述毫米波雷达传感器测量的所述目标障碍物的运动方向。
优选地,在一种可能的实施方式中,上述根据预设的适用条件,以及所述每个单传感器对目标障碍物的追踪信息计算每个所述单传感器的伪测量值的步骤包括:对于所述毫米波雷达传感器,如果匹配的最近前三帧所述激光雷达传感器测量的目标障碍物的运动速率收敛,且对所述目标障碍物的跟踪时长超过设定时间阈值,则计算所述激光雷达传感器的测量值与当前帧时刻所述毫米波雷达传感器的测量值的差异;如果所述运动速率的差异和所述运动方向的差异中任意一个大于设定阈值,则将所述毫米波雷达传感器测量的所述目标障碍物的运动速率切换为所述激光雷达传感器测量的所述目标障碍物的运动速率。
优选地,在一种可能的实施方式中,上述根据预设的适用条件,以及所述每个单传感器对目标障碍物的追踪信息计算每个所述单传感器的伪测量值的步骤包括:对于所述视觉传感器,获取前一帧时刻所述激光雷达传感器的测量值;如果所述目标障碍物的运动速率收敛,且对所述目标障碍物的跟踪时长超过设定时间阈值,则获取前一帧时刻所述毫米波雷达传感器的测量值;计算前一帧时刻所述激光雷达传感器与所述毫米波雷达传感器的测量值的差异;如果所述运动速率的差异和所述运动方向的差异都小于设定阈值,则将所述激光雷达传感器测量的所述目标障碍物的运动方向确定为所述目标障碍物的运动方向,以及,将所述毫米波雷达传感器测量的所述目标障碍物的运动速率确定为所述目标障碍物的运动速率。
优选地,在一种可能的实施方式中,上述根据预设的适用条件,以及所述每个单传感器对目标障碍物的追踪信息计算每个所述单传感器的伪测量值的步骤,还包括:如果前一帧时刻所述激光雷达传感器测量的所述目标障碍物的运动速率未收敛,则获取前一帧时刻所述毫米波雷达传感器的测量值;当所述毫米波雷达传感器对所述目标障碍物的跟踪时长超过设定时间阈值时,计算所述毫米波雷达传感器侧量的所述目标障碍物的运动方向与当前所述毫米波雷达传感器的载体的前进方向的方向差异;所述方向差异小于预设的差异阈值,则将所述视觉传感器测量的所述目标障碍物的运动速率切换为所述毫米波雷达传感器测量的所述目标障碍物的运动速率。
第二方面,本发明实施例还提供一种多传感器数据融合的参数优化装置,包括:获取模块,用于获取包括多传感器数据的训练数据集,基于所述训练数据集生成测量矩阵;迭代模块,用于根据所述测量矩阵和预先设置的迭代次数对卡尔曼滤波参数进行迭代训练,得到目标卡尔曼滤波参数,其中,所述卡尔曼滤波参数包括系统协方差矩阵和测量协方差矩阵;计算模块,用于基于所述目标卡尔曼滤波参数对所述多传感器的测量值进行融合计算。
第三方面,本发明实施例还提供一种电子设备,该电子设备包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现第一方面所述的方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现第一方面所述的方法。
本发明实施例带来了以下有益效果:
本发明实施例提供的多传感器数据融合的参数优化方法及装置,能够获取多传感器数据的训练数据集,并基于该训练数据集生成测量矩阵,然后根据测量矩阵和预先设置的迭代次数对卡尔曼滤波参数进行迭代训练,得到目标卡尔曼滤波参数,以便于基于目标卡尔曼滤波参数对多传感器的测量值进行融合计算,而上述通过迭代训练过程,由于是基于包括多传感器数据的训练数据集进行的,因此,能够得到较为合理的卡尔曼滤波参数,提高了对复杂场景的适用性,在对多传感器的测量值进行融合计算时,能够有效降低数据波动对融合结果的影响,提高传感器检测的准确性。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域技术人员来讲,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他的附图。
图1为本发明实施例提供的一种多传感器数据融合的参数优化方法的流程图;
图2为本发明实施例提供的另一种多传感器数据融合的参数优化方法的流程图;
图3为本发明实施例提供的一种多传感器数据融合的参数优化装置的结构示意图;
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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,都属于本发明保护的范围。
目前,对于多传感器系统,多采用卡尔曼滤波技术来进行障碍物跟踪,因此,需要设置合理的卡尔曼滤波参数,在保证能有效过滤多种传感器测量噪声的同时,也能保证滤波结果的准确性。但是,在L4级别自动驾驶场景下,换道和避障功能要求感知能准确给出障碍物外形轮廓位置和速度朝向。而毫米波雷达和视觉传感器对转弯和横穿障碍物的位置和速度检测不准,且自车在转弯时,静止的障碍物往往会检测出速度,这样会导致影响行车安全。虽然卡尔曼滤波技术能够有效过滤系统噪声,但是多传感器数据差异性大,因此,设置合理的卡尔曼滤波参数就显得尤为重要。
基于此,本发明实施例提供的一种多传感器数据融合的参数优化方法及装置,以保证在有效过滤多种传感器测量噪声的同时,也能保证滤波结果的准确性。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种多传感器数据融合的参数优化方法进行详细介绍。
在一种可能的实施方式中,本发明实施例提供了一种多传感器数据融合的参数优化方法,具体地,如图1所示的一种多传感器数据融合的参数优化方法的流程图,该方法包括以下步骤:
步骤S102,获取包括多传感器数据的训练数据集,基于该训练数据集生成测量矩阵;
具体地,该训练数据集通常是从多传感器融合结果中提取出的数据集,且,该数据集通常包括障碍物信息,如,障碍物的位置、速度、障碍物id,以及数据采集的时间戳等等。对每一帧数据,可以按照时间前后进行排序,即,将数据按照时间顺序进行排序,从而得到一个训练数据集。
而上述生成的测量矩阵,则通常包括多传感器中的每个单传感器采集的数据。
具体地,在生成测量矩阵时,可以从训练数据集中提取包含障碍物信息的单传感器数据;其中,单传感器数据至少包括以下传感器对障碍物的测量信息:激光雷达传感器、毫米波雷达传感器以及视觉传感器;然后按照时间顺序对提取到的每一帧单传感器数据进行排序,生成该帧对应的测量矩阵,多帧对应的测量矩阵组成测量矩阵集。
步骤S104,根据测量矩阵和预先设置的迭代次数对卡尔曼滤波参数进行迭代训练,得到目标卡尔曼滤波参数;
其中,卡尔曼滤波参数包括系统协方差矩阵和测量协方差矩阵;
通常,系统协方差矩阵用Q表示,测量协方差矩阵用R表示,在训练前,需定初始的Q、R和状态协方差矩阵P0,三个矩阵都必须初始化为对称正定矩阵。并且,初始的系统协方差矩阵Q和测量协方差矩阵R可以选取经验值,P0初始化为单位矩阵。
步骤S106,基于目标卡尔曼滤波参数对多传感器的测量值进行融合计算。
通常,在进行多传感器的融合计算时,实际是综合多传感器对某一障碍物的测量结果,输出最终的加权结果,使多传感器对同一个障碍物的检测结果更加准确。
本发明实施例提供的多传感器数据融合的参数优化方法,能够获取多传感器数据的训练数据集,并基于该训练数据集生成测量矩阵,然后根据测量矩阵和预先设置的迭代次数对卡尔曼滤波参数进行迭代训练,得到目标卡尔曼滤波参数,以便于基于目标卡尔曼滤波参数对多传感器的测量值进行融合计算,而上述通过迭代训练过程,由于是基于包括多传感器数据的训练数据集进行的,因此,能够得到较为合理的卡尔曼滤波参数,提高了对复杂场景的适用性,在对多传感器的测量值进行融合计算时,能够有效降低数据波动对融合结果的影响,提高传感器检测的准确性。
在实际使用时,上述步骤S104中的迭代训练的过程,是基于每一帧测量矩阵进行的,在迭代训练完成之前,需对每一次迭代结果后得到的系统协方差矩阵和测量协方差矩阵进行更新,直至满足预设的迭代需求,或者迭代次数达到预设的迭代次数,因此,在上述图1的基础上,图2示出了另一种多传感器数据融合的参数优化方法的流程图,对迭代训练的过程进行进一步说明,具体地,如图2所示,包括以下步骤:
步骤S202,获取包括多传感器数据的训练数据集,从训练数据集中提取包含障碍物信息的单传感器数据;
其中,单传感器数据至少包括以下传感器对障碍物的测量信息:激光雷达传感器、毫米波雷达传感器以及视觉传感器;
步骤S204,按照时间顺序对提取到的每一帧单传感器数据进行排序,生成该帧对应的测量矩阵,多帧对应的测量矩阵组成测量矩阵集;
步骤S206,根据当前帧对应的测量矩阵计算系统协方差矩阵和测量协方差矩阵的似然性;
具体地,按照下述公式计算系统协方差矩阵和测量协方差矩阵的似然性:
其中,like表示似然性,k为当前多传感器数据的索引,n为总共的多传感器数据的帧数,H为观测矩阵,P-为先验估计协方差矩阵,Pk为后验估计协方差矩阵,R为测量协方差矩阵,Q为系统协方差矩阵,Y为测量矩阵,X为状态矩阵,F为状态转移矩阵;
具体地,上述似然性也可以称为卡尔曼滤波器的似然性,当计算得到上述似然性之后,可以继续执行步骤S208。
步骤S208,判断当前帧的似然性与前一帧的似然性的差值是否小于预先设置的差值阈值;如果是,则执行步骤S212,确定迭代完成;如果否,则继续执行步骤S210;
步骤S210,更新当前帧的系统协方差矩阵和测量协方差矩阵,继续计算更新后的系统协方差矩阵和所述测量协方差矩阵的似然性,直至与前一帧的似然性的差值小于预先设置的差值阈值,或者,迭代次数达到预先设置的迭代阈值;
步骤S212,确定迭代完成;
在实际使用时,如果上述步骤S208的判断结果为是,则说明此时的卡尔曼滤波参数已达最优,即,训练结果收敛,则可以停止训练确定训练完成,如果判断结果为否,则需更新系统协方差矩阵Q和测量协方差矩阵R,继续执行迭代过程,其中,在实际使用时,可以按照下述公式更新当前帧的系统协方差矩阵和测量协方差矩阵:
其中,Pcs是综合估计得到的系统协方差矩阵,k为当前多传感器数据的索引,n为总共的多传感器数据的帧数,P-为先验估计协方差矩阵,Pk为后验估计协方差矩阵,X为状态矩阵。
步骤S214,将迭代完成后对应的系统协方差矩阵和测量协方差矩阵确定为目标卡尔曼滤波参数;
步骤S216,基于目标卡尔曼滤波参数对多传感器的测量值进行融合计算。
进一步,本发明实施例中,在完成上述迭代训练之后,还可以进一步对系统协方差矩阵Q和测量协方差矩阵R进行调整,直到能最大限度的平滑结果并能准确跟踪测量结果。
具体地,考虑到多传感器包括激光雷达传感器、毫米波雷达传感器以及视觉传感器,因此,对于每一种传感器,可以设置两种不同的测量协方差矩阵PR和MR,在实际使用时,可以根据测量数据选择不同的测量协方差矩阵,表征对测量数据的信任度,其中PR表征更相信系统模型预测的结果,通常采用转弯和掉头等场景以及障碍物离本车横向较远的多传感器数据进行训练;MR则表征更相信传感器测量的结果,通常采用直行场景以及障碍物离本车横向较近的多传感器数据进行训练。
在实际使用时,上述迭代训练完成之后,对系统协方差矩阵Q和测量协方差矩阵R进行调整时,通常是先调整系统协方差矩阵Q,后调整测量协方差矩阵R。具体地,可以根据训练结果调整系统协方差矩阵Q的值,并将滤波结果与各传感器输入值进行比较,直到滤波结果达到了最佳平滑效果且能适应观测值的变化趋势,不会产生超调和滞后,此时,固定系统协方差矩阵Q的值。而对于每一种传感器,认为测量误差基本是固定不变的,所以每一种传感器都设置一个固定的测量协方差矩阵R,并在训练结果的基础上对R矩阵进行调整,直到滤波结果达到了最佳平滑效果且能适应观测值的变化趋势,不会产生超调和滞后,最终得到的测量协方差矩阵记为MR;此外,当测量值与前一帧的滤波结果相差较大时,说明此时可能发生数据关联错误,也可能是传感器测量噪声,为了尽可能使滤波结果稳定,可以在上述得到的MR矩阵的基础上进行调整,让滤波结果更偏向于按模型进行预测,最终得到的测量协方差矩阵记为PR,具体的测量协方差矩阵R的调整,以及测量协方差矩阵R训练时更相信系统模型预测的结果,还是更相信传感器测量的结果可以根据实际使用情况进行设置,本发明实施例对此不进行限制。
进一步,当得到上述系统协方差矩阵Q和测量协方差矩阵R之后,可以继续执行步骤S216,对多传感器的测量值进行融合计算。
具体地,进行融合计算时,可以获取多传感器的测量值中每个单传感器对目标障碍物的追踪信息;该追踪信息包括目标障碍物的运动速率和运动方向;根据预设的适用条件,以及每个单传感器对目标障碍物的追踪信息计算每个单传感器的伪测量值;基于目标卡尔曼滤波参数对每个单传感器的伪测量值进行融合计算。
具体地,在计算每个单传感器的伪测量值时,可以根据单传感器的特性来计算单传感器的为测量值,例如,在障碍物或本车在大幅度转弯时,毫米波雷达传感器和视觉传感器对障碍物的位置和速度检测效果很差,而激光雷达传感器则能够准确检测障碍物位置,通过对位置差分得到的速度方向;而毫米波雷达传感器的测速精度是优于激光雷达的,且激光雷达通过位置差分计算速度需要一定的时间才能收敛。
因此,在计算伪测量值时,对于激光雷达传感器,如果目标障碍物的运动速率收敛之后,计算激光雷达传感器的测量值与前一帧时刻毫米波雷达传感器的测量值的差异;如果运动速率的差异和运动方向的差异都小于设定阈值,则将激光雷达传感器测量的目标障碍物的运动方向切换为毫米波雷达传感器测量的目标障碍物的运动方向。
例如,对于激光雷达传感器,可以在判断出速度收敛之后,获取最接近一帧的毫米波雷达传感器的测量值,在激光雷达传感器的测量值与最接近一帧的毫米波雷达传感器的测量值中,如果运动方向差异小于10°,运动速率大小差异小于3米每秒,则确定运动速率的差异和运动方向的差异都小于设定阈值,即满足上述预设的适用条件,此时,可以将激光雷达传感器测量的目标障碍物的运动方向切换为毫米波雷达传感器测量的目标障碍物的运动方向。
进一步,对于所述毫米波雷达传感器,如果匹配的最近前三帧激光雷达传感器测量的目标障碍物的运动速率收敛,且对目标障碍物的跟踪时长超过设定时间阈值,则计算激光雷达传感器的测量值与当前帧时刻毫米波雷达传感器的测量值的差异;如果运动速率的差异和运动方向的差异中任意一个大于设定阈值,则将毫米波雷达传感器测量的目标障碍物的运动速率切换为激光雷达传感器测量的所述目标障碍物的运动速率。
例如,假设激光雷达传感器对目标障碍物的跟踪时长超过0.2s,则认为匹配到的激光雷达传感器的目标可以作为参考,此时,对比毫米波雷达传感器测量的障碍物速度与激光雷达传感器测量的障碍物速度方向的差异,如果运动速率大小差异超过3米每秒,或者运动方向差异超过10°,则使用激光雷达传感器的速率,即,将运动速率切换为激光雷达传感器测量的所述目标障碍物的运动速率,否则,继续使用毫米波雷达传感器。
此外,对于视觉传感器,可以获取前一帧时刻激光雷达传感器的测量值;如果目标障碍物的运动速率收敛,且对目标障碍物的跟踪时长超过设定时间阈值,则获取前一帧时刻毫米波雷达传感器的测量值;计算前一帧时刻激光雷达传感器与毫米波雷达传感器的测量值的差异;如果运动速率的差异和运动方向的差异都小于设定阈值,则将激光雷达传感器测量的目标障碍物的运动方向确定为目标障碍物的运动方向,以及,将毫米波雷达传感器测量的目标障碍物的运动速率确定为目标障碍物的运动速率。
例如,在激光雷达传感器的速度收敛时,如果激光雷达传感器对目标障碍物的跟踪时长超过设定时间阈值,则可以认为匹配到的激光雷达传感器的目标可以作为参考,如果此时毫米波雷达传感器测量的障碍物速度与激光雷达传感器测量的障碍物速度方向的差异小于10°,且,运动速率大小差异小于3米每秒,则可以将激光雷达传感器测量的目标障碍物的运动方向确定为目标障碍物的运动方向,以及,将毫米波雷达传感器测量的目标障碍物的运动速率确定为目标障碍物的运动速率,否则,直接使用毫米波雷达传感器进行测速,即运动速率和运动方向均以毫米波雷达传感器为准。
进一步,如果前一帧时刻激光雷达传感器测量的所述目标障碍物的运动速率未收敛,则获取前一帧时刻毫米波雷达传感器的测量值;当毫米波雷达传感器对目标障碍物的跟踪时长超过设定时间阈值时,则认为毫米波雷达传感器测得的障碍物的速度可以参考,此时,可以计算毫米波雷达传感器侧量的目标障碍物的运动方向与当前毫米波雷达传感器的载体的前进方向的方向差异;方向差异小于预设的差异阈值,则将视觉传感器测量的目标障碍物的运动速率切换为毫米波雷达传感器测量的目标障碍物的运动速率。
在实际使用时,本发明实施例提供的多传感器数据融合的参数优化方法可以在多传感器数据融合设备实现,具体地,该设备可以设置在车辆的自动驾驶系统中,实现高度自动化的自动驾驶。通常,上述多传感器数据融合设备可以基于多传感器进行障碍物的信息识别,例如,当多传感器包括激光雷达传感器、毫米波雷达传感器以及视觉传感器时,可以获取激光雷达传感器的激光雷达点云数据,通过深度学习方法,以及卡尔曼滤波等技术得到障碍物速度;还可以获取视觉传感器的原始图像,通过深度学习等技术进行目标识别,并通过目标跟踪得到障碍物的位置和速度,此外,还可以通过毫米波雷达传感器通过目标跟踪得到障碍物的位置和速度等等。
进一步,上述多传感器数据融合设备还可以进行数据关联和目标跟踪,在进行数据关联时,可以将多传感器的信息进行匹配,得到不同传感器对某一障碍物的检测结果,目标跟踪则是综合传感器的测量值,输出最终加权的结果。其中,目标跟踪通常是通过卡尔曼滤波进行实现的,该卡尔曼滤波使用的参数,则是通过本发明实施例提供的多传感器数据融合的参数优化方法实现的。当通过本发明实施例的方法得到目标卡尔曼滤波参数之后,可以进一步计算卡尔曼滤波的伪测量值,针对激光雷达传感器、毫米波雷达传感器和视觉传感器测量值,计算相应伪测量值,可以实现在激光雷达传感器和毫米波雷达传感器障碍物可信的情况下,以激光雷达传感器的速度方向(即,运动方向)为准,以及,以毫米波雷达传感器的速度大小(即,运动速率)为准。
因此,本发明实施例提供的多传感器数据融合的参数优化方法,可以有效缓解在左转、右转以及掉头等复杂情况下障碍物位置和速度跟踪不准的问题。
进一步,在上述实施例的基础上,本发明实施例还提供了一种多传感器数据融合的参数优化装置,具体地,如图3所示的一种多传感器数据融合的参数优化装置的结构示意图,包括以下结构:
获取模块30,用于获取包括多传感器数据的训练数据集,基于所述训练数据集生成测量矩阵;
迭代模块32,用于根据所述测量矩阵和预先设置的迭代次数对卡尔曼滤波参数进行迭代训练,得到目标卡尔曼滤波参数,其中,所述卡尔曼滤波参数包括系统协方差矩阵和测量协方差矩阵;
计算模块34,用于基于所述目标卡尔曼滤波参数对所述多传感器的测量值进行融合计算。
本发明实施例提供的多传感器数据融合的参数优化装置,与上述实施例提供的多传感器数据融合的参数优化方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
进一步,本发明实施例提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现图1或图2所示的方法。
进一步,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现图1或图2所示的方法。
进一步,本发明实施例还提供了一种电子设备的结构示意图,如图4所示,为该电子设备的结构示意图,其中,该电子设备包括处理器41和存储器40,该存储器40存储有能够被该处理器41执行的计算机可执行指令,该处理器41执行该计算机可执行指令以实现上述多传感器数据融合的参数优化方法。
在图4示出的实施方式中,该电子设备还包括总线42和通信接口43,其中,处理器41、通信接口43和存储器40通过总线42连接。
其中,存储器40可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线42可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线42可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器41可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器41中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器41可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器41读取存储器中的信息,结合其硬件完成前述实施例的多传感器数据融合的参数优化方法。
本发明实施例所提供的多传感器数据融合的参数优化方法及装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种多传感器数据融合的参数优化方法,其特征在于,包括:
获取包括多传感器数据的训练数据集,基于所述训练数据集生成测量矩阵;
根据所述测量矩阵和预先设置的迭代次数对卡尔曼滤波参数进行迭代训练,得到目标卡尔曼滤波参数,其中,所述卡尔曼滤波参数包括系统协方差矩阵和测量协方差矩阵;
基于所述目标卡尔曼滤波参数对所述多传感器的测量值进行融合计算。
2.根据权利要求1所述的方法,其特征在于,基于所述训练数据集生成测量矩阵的步骤包括:
从所述训练数据集中提取包含障碍物信息的单传感器数据;其中,所述单传感器数据至少包括以下传感器对障碍物的测量信息:激光雷达传感器、毫米波雷达传感器以及视觉传感器;
按照时间顺序对提取到的每一帧所述单传感器数据进行排序,生成该帧对应的测量矩阵,多帧对应的所述测量矩阵组成测量矩阵集。
3.根据权利要求1所述的方法,其特征在于,根据所述测量矩阵和预先设置的迭代次数对卡尔曼滤波参数进行迭代训练,得到目标卡尔曼滤波参数的步骤包括:
根据当前帧对应的所述测量矩阵计算所述系统协方差矩阵和所述测量协方差矩阵的似然性;
判断当前帧的似然性与前一帧的似然性的差值是否小于预先设置的差值阈值;
如果是,则确定迭代完成;
如果否,更新当前帧的系统协方差矩阵和测量协方差矩阵,继续计算更新后的所述系统协方差矩阵和所述测量协方差矩阵的似然性,直至与前一帧的似然性的差值小于预先设置的差值阈值,或者,所述迭代次数达到预先设置的迭代阈值,则确定迭代完成;
将迭代完成后对应的所述系统协方差矩阵和所述测量协方差矩阵确定为所述目标卡尔曼滤波参数。
5.根据权利要求2所述的方法,其特征在于,基于所述目标卡尔曼滤波参数对所述多传感器的测量值进行融合计算的步骤包括:
获取所述多传感器的测量值中每个单传感器对目标障碍物的追踪信息;所述追踪信息包括所述目标障碍物的运动速率和运动方向;
根据预设的适用条件,以及所述每个单传感器对目标障碍物的追踪信息计算每个所述单传感器的伪测量值;
基于所述目标卡尔曼滤波参数对每个所述单传感器的伪测量值进行融合计算。
6.根据权利要求5所述的方法,其特征在于,根据预设的适用条件,以及所述每个单传感器对目标障碍物的追踪信息计算每个所述单传感器的伪测量值的步骤包括:
对于所述激光雷达传感器,如果所述目标障碍物的运动速率收敛之后,计算所述激光雷达传感器的测量值与前一帧时刻所述毫米波雷达传感器的测量值的差异;
如果所述运动速率的差异和所述运动方向的差异都小于设定阈值,则将所述激光雷达传感器测量的所述目标障碍物的运动方向切换为所述毫米波雷达传感器测量的所述目标障碍物的运动方向。
7.根据权利要求6所述的方法,其特征在于,根据预设的适用条件,以及所述每个单传感器对目标障碍物的追踪信息计算每个所述单传感器的伪测量值的步骤包括:
对于所述毫米波雷达传感器,如果匹配的最近前三帧所述激光雷达传感器测量的目标障碍物的运动速率收敛,且对所述目标障碍物的跟踪时长超过设定时间阈值,则计算所述激光雷达传感器的测量值与当前帧时刻所述毫米波雷达传感器的测量值的差异;
如果所述运动速率的差异和所述运动方向的差异中任意一个大于设定阈值,则将所述毫米波雷达传感器测量的所述目标障碍物的运动速率切换为所述激光雷达传感器测量的所述目标障碍物的运动速率。
8.根据权利要求7所述的方法,其特征在于,根据预设的适用条件,以及所述每个单传感器对目标障碍物的追踪信息计算每个所述单传感器的伪测量值的步骤包括:
对于所述视觉传感器,获取前一帧时刻所述激光雷达传感器的测量值;
如果所述目标障碍物的运动速率收敛,且对所述目标障碍物的跟踪时长超过设定时间阈值,则获取前一帧时刻所述毫米波雷达传感器的测量值;
计算前一帧时刻所述激光雷达传感器与所述毫米波雷达传感器的测量值的差异;
如果所述运动速率的差异和所述运动方向的差异都小于设定阈值,则将所述激光雷达传感器测量的所述目标障碍物的运动方向确定为所述目标障碍物的运动方向,以及,将所述毫米波雷达传感器测量的所述目标障碍物的运动速率确定为所述目标障碍物的运动速率。
9.根据权利要求8所述的方法,其特征在于,根据预设的适用条件,以及所述每个单传感器对目标障碍物的追踪信息计算每个所述单传感器的伪测量值的步骤,还包括:
如果前一帧时刻所述激光雷达传感器测量的所述目标障碍物的运动速率未收敛,则获取前一帧时刻所述毫米波雷达传感器的测量值;
当所述毫米波雷达传感器对所述目标障碍物的跟踪时长超过设定时间阈值时,计算所述毫米波雷达传感器侧量的所述目标障碍物的运动方向与当前所述毫米波雷达传感器的载体的前进方向的方向差异;
所述方向差异小于预设的差异阈值,则将所述视觉传感器测量的所述目标障碍物的运动速率切换为所述毫米波雷达传感器测量的所述目标障碍物的运动速率。
10.一种多传感器数据融合的参数优化装置,其特征在于,包括:
获取模块,用于获取包括多传感器数据的训练数据集,基于所述训练数据集生成测量矩阵;
迭代模块,用于根据所述测量矩阵和预先设置的迭代次数对卡尔曼滤波参数进行迭代训练,得到目标卡尔曼滤波参数,其中,所述卡尔曼滤波参数包括系统协方差矩阵和测量协方差矩阵;
计算模块,用于基于所述目标卡尔曼滤波参数对所述多传感器的测量值进行融合计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011236840.XA CN112465193A (zh) | 2020-11-09 | 2020-11-09 | 多传感器数据融合的参数优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011236840.XA CN112465193A (zh) | 2020-11-09 | 2020-11-09 | 多传感器数据融合的参数优化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112465193A true CN112465193A (zh) | 2021-03-09 |
Family
ID=74825443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011236840.XA Pending CN112465193A (zh) | 2020-11-09 | 2020-11-09 | 多传感器数据融合的参数优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465193A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114047787A (zh) * | 2021-12-23 | 2022-02-15 | 普宙科技(深圳)有限公司 | 无人机避障系统、方法、设备及存储介质 |
CN114622617A (zh) * | 2022-04-01 | 2022-06-14 | 上海三一重机股份有限公司 | 作业机械回转参数判定方法、装置及作业机械 |
CN114858200A (zh) * | 2022-04-19 | 2022-08-05 | 合众新能源汽车有限公司 | 车辆传感器检测到的对象的质量评价方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140032167A1 (en) * | 2011-04-01 | 2014-01-30 | Physical Sciences, Inc. | Multisensor Management and Data Fusion via Parallelized Multivariate Filters |
KR101907589B1 (ko) * | 2018-01-22 | 2018-10-12 | 연세대학교 산학협력단 | 확장 칼만 필터와 유전자 알고리즘을 이용한 건축 구조물 시스템 식별 장치 및 그 방법 |
CN111626359A (zh) * | 2020-05-27 | 2020-09-04 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 数据融合方法、装置、控制终端和船舶 |
CN111812649A (zh) * | 2020-07-15 | 2020-10-23 | 西北工业大学 | 基于单目相机与毫米波雷达融合的障碍物识别与定位方法 |
CN111862165A (zh) * | 2020-06-17 | 2020-10-30 | 南京理工大学 | 一种基于深度强化学习更新卡尔曼滤波器的目标追踪方法 |
CN111881955A (zh) * | 2020-07-15 | 2020-11-03 | 北京经纬恒润科技有限公司 | 多源传感器信息融合方法及装置 |
-
2020
- 2020-11-09 CN CN202011236840.XA patent/CN112465193A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140032167A1 (en) * | 2011-04-01 | 2014-01-30 | Physical Sciences, Inc. | Multisensor Management and Data Fusion via Parallelized Multivariate Filters |
KR101907589B1 (ko) * | 2018-01-22 | 2018-10-12 | 연세대학교 산학협력단 | 확장 칼만 필터와 유전자 알고리즘을 이용한 건축 구조물 시스템 식별 장치 및 그 방법 |
CN111626359A (zh) * | 2020-05-27 | 2020-09-04 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 数据融合方法、装置、控制终端和船舶 |
CN111862165A (zh) * | 2020-06-17 | 2020-10-30 | 南京理工大学 | 一种基于深度强化学习更新卡尔曼滤波器的目标追踪方法 |
CN111812649A (zh) * | 2020-07-15 | 2020-10-23 | 西北工业大学 | 基于单目相机与毫米波雷达融合的障碍物识别与定位方法 |
CN111881955A (zh) * | 2020-07-15 | 2020-11-03 | 北京经纬恒润科技有限公司 | 多源传感器信息融合方法及装置 |
Non-Patent Citations (1)
Title |
---|
韦黔;陈迪;林树靖;仇三铭;张同兴;: "基于迭代卡尔曼滤波的传感器数据融合仿真", 计算机技术与发展, no. 09, 5 July 2017 (2017-07-05), pages 62 - 64 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114047787A (zh) * | 2021-12-23 | 2022-02-15 | 普宙科技(深圳)有限公司 | 无人机避障系统、方法、设备及存储介质 |
CN114047787B (zh) * | 2021-12-23 | 2024-04-05 | 普宙科技有限公司 | 无人机避障系统、方法、设备及存储介质 |
CN114622617A (zh) * | 2022-04-01 | 2022-06-14 | 上海三一重机股份有限公司 | 作业机械回转参数判定方法、装置及作业机械 |
CN114858200A (zh) * | 2022-04-19 | 2022-08-05 | 合众新能源汽车有限公司 | 车辆传感器检测到的对象的质量评价方法及装置 |
CN114858200B (zh) * | 2022-04-19 | 2023-06-27 | 合众新能源汽车股份有限公司 | 车辆传感器检测到的对象的质量评价方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112465193A (zh) | 多传感器数据融合的参数优化方法及装置 | |
CN114705121B (zh) | 车辆位姿测量方法、装置及电子设备、存储介质 | |
CN113240756B (zh) | 车载bsd摄像头的位姿变动检测方法、设备和存储介质 | |
CN113139607A (zh) | 障碍物检测方法和装置 | |
CN110751040B (zh) | 一种三维物体的检测方法和装置、电子设备、存储介质 | |
CN115097419A (zh) | 一种激光雷达到imu的外参标定方法及装置 | |
CN115546705A (zh) | 目标识别方法、终端设备及存储介质 | |
CN111986512A (zh) | 一种目标距离确定方法及装置 | |
CN113238209B (zh) | 基于毫米波雷达的道路感知方法、系统、设备及存储介质 | |
CN114296095A (zh) | 自动驾驶车辆的有效目标提取方法、装置、车辆及介质 | |
CN107862873B (zh) | 一种基于相关匹配和状态机的车辆计数方法及装置 | |
CN116534059B (zh) | 自适应感知路径决策方法、装置、计算机设备及存储介质 | |
CN112902911B (zh) | 基于单目相机的测距方法、装置、设备及存储介质 | |
CN115151836A (zh) | 用于探测车辆周围环境中的移动对象的方法和机动车辆 | |
CN115792945B (zh) | 一种浮空障碍物检测方法、装置和电子设备、存储介质 | |
CN111160266B (zh) | 物体跟踪方法和装置 | |
CN113203424B (zh) | 多传感器的数据融合方法、装置及相关设备 | |
CN112477868B (zh) | 碰撞时间计算方法、装置、可读存储介质和计算机设备 | |
CN113744518B (zh) | 一种车辆可行驶区域的检测方法及装置 | |
CN114397671A (zh) | 目标的航向角平滑方法、装置及计算机可读存储介质 | |
CN115236672A (zh) | 障碍物信息生成方法、装置、设备及计算机可读存储介质 | |
CN108416305B (zh) | 连续型道路分割物的位姿估计方法、装置及终端 | |
CN112598314A (zh) | 智能驾驶汽车的感知置信度确定方法、装置、设备及介质 | |
CN116381698B (zh) | 道路遗撒物的检测方法、装置及电子设备 | |
CN117152197B (zh) | 一种跟踪对象的确定方法、系统及跟踪方法、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 |