CN112505644A - 传感器测量校正方法、装置、终端设备及存储介质 - Google Patents

Abstract

本申请实施例公开了一种传感器测量校正方法、装置、终端设备及存储介质。该传感器测量校正方法包括：获取待校正传感器的至少一个当前测量参数；基于校正模型对各所述当前测量参数进行校正，以得到所述待校正传感器的校正结果；以及根据所述校正结果对待校正传感器的参数输出进行校正；其中，所述校正模型为神经网络校正模型或最小二乘法校正模型。本申请实施例的技术方案，以实现提高校准精度，进而提高传感器的测量精度的效果。

Description

传感器测量校正方法、装置、终端设备及存储介质

本申请要求于2020年02月28日提交中国专利局、申请号为202010131026.5、发明名称为“毫米波雷达角度校正方法、装置、毫米波雷达及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。

技术领域

本申请实施例涉及传感器技术领域，尤其涉及一种传感器测量校正方法、装置、终端设备及存储介质。

背景技术

随着传感器在诸如自动驾驶、无人机、安防等领域的广泛应用，对传感器的测量精度提出了更高的需求，在传感器出厂测试时一般需要对测角、测距等传感器的测量性能进行校准，以确保传感器的测量性能能够满足各种应用场景的要求。

校准精度能够决定传感器获取被探测物体的距离、角度等位置信息的精度，而错误的校准或者校准误差偏大都将会导致灾难性的后果。

例如，针对车载雷达，若雷达的校准误差较大，就会导致探测的物体偏离车道，最终引起错误的判断造成事故。

但是，传统传感器测量校正方案的校准精度比较低，无法满足诸如自动驾驶、无人机、安防等领域对于校准精度的需求。

发明内容

本申请实施例提供一种传感器测量校正方法、装置、终端设备及存储介质，以实现提高传感器测量精度的效果。

本申请实施例提供了一种传感器测量校正方法，包括：

获取待校正传感器的至少一个当前测量参数；

基于校正模型对各所述当前测量参数进行校正，以得到所述待校正传感器的校正结果；以及

根据所述校正结果对待校正传感器的参数输出进行校正；

其中，所述校正模型为神经网络校正模型或最小二乘法校正模型。

本申请实施例中的传感器测量校正方法，基于校正模型对当前测量参数进行校正，以得到校正结果，然后根据校正结果对待校正传感器的参数输出(例如为角度、距离等参数)进行校正，相比于传统的校正方案，可以大幅度提高校准精度，进而提高传感器的测量精度。

在一个可选的实施例中，所述基于校正模型对各所述当前测量参数进行校正，以得到所述待校正传感器的校正结果，包括：

对所述校正模型进行采样生成查找表；以及

根据所述当前测量参数的值，在所述查找表中查找到所述校正结果；

其中，所述查找表包括多个当前测量参数的值域以及对应各值域对应的校正值。

通过校正模型确定各个测量参数以及与各个测量参数对应的校正值以生成一个查找表，后续可以利用查找表直接确定校正结果，降低运算量。

在一个可选的实施例中，所述传感器测量校正方法还包括：

采用目标的真实参数和所述传感器的测量参数作为训练样本得到所述校正模型。

在一个可选的实施例中，所述校正模型为神经网络校正模型时，所述传感器测量校正方法还包括：

采用单隐含层的前馈神经网络对传感器的测量参数曲线进行拟合逼近获取所述神经网络校正模型。

通过神经网络对传感器的测量参数曲线拟合逼近，提高校准精度，进而提高传感器的测量精度。

在一个可选的实施例中，所述传感器测量校正方法还包括：

采用误差反向传播的方式，将所述目标的真实参数作为神经网络的输入，以所述传感器的测量参数作为导师信号，获取所述神经网络校正模型。

通过采用误差反向传播的方式，使得训练的过程使得网络的输出与导师信号的误差最小，可以很好的逼近真实的测量，提高校准精度，进而提高传感器的测量精度。

在一个可选的实施例中，所述传感器为毫米波雷达。

在一个可选的实施例中，所述当前测量参数包括测量角度、测量距离和测量速度中的至少一个。

在一个可选的实施例中，所述当前测量参数包括测量角度时，所述测量角度包括测量方位角和/或测量俯仰角。

本申请实施例还提供了一种传感器测量校正装置，可包括：

获取模块，用于获取待校正传感器的至少一个当前测量参数；

校正结果确定模块，用于基于校正模型对各所述当前测量参数进行校正，以得到所述待校正传感器的校正结果；

校正模块，用于根据所述校正结果对待校正传感器的参数输出进行校正；

其中，所述校正模型为神经网络校正模型或最小二乘法校正模型。

本申请实施例中的传感器测量校正装置，校正结果确定模块基于校正模型对当前测量参数进行校正，以得到校正结果，然后校正模块根据校正结果对待校正传感器的参数输出(例如为角度、距离等参数)进行校正，相比于传统的校正方案，可以大幅度提高校准精度，进而提高传感器的测量精度。

在一个可选的实施例中，所述校正结果确定模块包括：

生成单元，用于对所述校正模型进行采样生成查找表；其中，所述查找表包括多个当前测量参数的值域以及对应各值域对应的校正值；

校正单元，用于根据所述当前测量参数的值，在所述查找表中查找到所述校正结果。

在一个可选的实施例中，还包括：校正模型确定模块，用于采用目标的真实参数和所述传感器的测量参数作为训练样本得到所述校正模型。

在一个可选的实施例中，所述校正模型为神经网络校正模型时，所述传感器测量校正装置还包括：

第一神经网络校正模型确定模块，用于采用单隐含层的前馈神经网络对传感器的测量参数曲线进行拟合逼近获取所述神经网络校正模型。

在一个可选的实施例中，所述传感器测量校正装置还包括：

第二神经网络校正模型确定模块，用于采用误差反向传播的方式，将所述目标的真实参数作为神经网络的输入，以所述传感器的测量参数作为导师信号，获取所述神经网络校正模型。

本申请实施例还提供了一种终端设备，所述终端设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任意一项所述的传感器测量校正方法。

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述的传感器测量校正方法。

本申请实施例提供的技术方案，通过将待校正传感器的当前测量角度组输入至基于神经网络得到的校正模型，基于校正模型得到待校正传感器的校正结果，根据此校正结果对传感器的参数输出进行校正，校正后的测量角度误差小，解决传统传感器测量校正方案的校准精度比较低的问题，实现提高传感器测量精度的效果。

附图说明

图1是本申请实施例提供的一种传感器的校准设备的结构示意图；

图2是本申请实施例提供的一种传感器角度测量原理示意图；

图3是本申请实施例提供的一种传感器测量校正方法的流程图；

图4是本申请实施例提供的一种校正结果的示意图；

图5是本申请实施例提供的一种单隐含层的前馈神经网络的示意图；

图6是本申请实施例提供的一种测量误差的示意图；

图7是本申请实施例提供的又一种校正结果的示意图；

图8是本申请实施例提供的又一种测量误差的示意图；

图9是本申请实施例提供的又一种校正结果的示意图；

图10是本申请实施例提供的又一种测量误差的示意图；

图11是本申请实施例提供的一种传感器测量校正装置的结构框图；

图12是本申请实施例提供的一种终端设备的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。

由背景技术可知，在传感器出厂测试时一般需要对测角、测距等传感器的测量性能进行校准，以确保传感器的测量性能能够满足各种应用场景的要求。

示例性的，图1是本申请实施例提供的一种传感器的校准设备的结构示意图，图1以传感器为雷达为例，如图1所示，雷达的校准设备由微波暗室20、转台30、角反射器40、控制平台(图中未示出)等组成。待校准雷达10的角度测量原理如图2所示，参见图1和图2，测试时驱动转台30由-90°到90°旋转，同时同步记录转台在i(i＝1,2,…,N)时刻的角度θ_T(i)，当转台30转动时，带动待校准雷达10转动，同时同步记录雷达10测量输出的角度θ_R(i)。然而由于待校准雷达10发射天线TX1发射雷达信号，碰到目标后目标反射雷达信号，雷达接收天线RX1与RX2的间距为d，接收到的信号在不同的接收天线上反应为不同的接收相位。假设目标的角度为θ，雷达接收天线RX2与RX1的相位差：

式(1)中λ为雷达发射信号的波长，由式(1)可知，雷达测量目标的角度余弦κ(θ)：

由式(2)可知雷达的角度余弦与天线间相位差是一组线性关系，在雷达天线相位差

的测量误差一定的情况下，雷达角度余弦κ(θ)的误差也是确定的。但实际上由于天线板的加工误差以及雷达天线射频系统的误差，雷达天线的真实间距d’并不等于理论间距d，雷达天线相位差

会存在额外的非线性畸变分量，这样导致使用式(2)计算时将会给雷达的角度测量带来额外的误差，所以需要对雷达的测角精度进行校准。

基于此本申请实施例提供了一种传感器测量校正方法。图3是本申请实施例提供的一种传感器测量校正方法的流程图，本实施例可适用于对传感器的参数输出进行校正情况，该方法可以由本申请实施例提供的传感器测量校正装置来执行，该装置可以由软件和/或硬件的方式实现。

参见图3，本申请实施例的方法具体包括如下步骤：

S110、获取待校正传感器的至少一个当前测量参数。其中，待校正传感器可以是出厂前需要进行校正的传感器。该传感器例如可以包括毫米波雷达，本领域技术人员可以理解的是，传感器包括但不限于毫米波雷达。当前测量参数包括测量角度、测量距离和测量速度等中的至少一个。

示例性的，传感器为毫米波雷达，测量参数为测量角度，待校正毫米波雷达发射天线发射雷达信号，碰到目标后目标反射雷达信号，根据反射的雷达信号确定目标角度，根据雷达信号得到的目标的角度为测量角度。例如可以获取多个当前测量角度，多个当前测量角度可以是将目标放置于不同角度时对应得到测量角度，例如，待校正毫米波雷达角度测量范围为-40°～40°，目标放置的真实角度为从-40°开始间隔1°一直到40°，根据放置于不同角度的目标，得到多个当前测量角度。

S120、基于校正模型对各当前测量参数进行校正，以得到待校正传感器的校正结果，其中，校正模型为神经网络校正模型或最小二乘法校正模型。

其中，校正模型可用于对待校正传感器的参数输出进行校准，提高传感器的输出参数的精准度。校正模型例如可以为神经网络校正模型或最小二乘法校正模型。

可选的，可通过采用目标的真实参数和传感器的测量参数作为训练样本得到校正模型。

示例性的，可通过采用目标的真实参数和传感器的测量参数作为训练样本得到最小二乘法校正模型，然后基于最小二乘法校正模型实现对待校正传感器参数输出的精度校准，下面将具体介绍最小二乘法校正模型的确定过程以及校正结果的确定过程：其中，以传感器为雷达，测量参数为测量角度为例，校准过程中首先将目标放置于真实角度为θ_i，i＝1，2，…，N，例如雷达的角度测量范围为-40°～40°，则可设θ_i＝[-40°:1°:40°]，即从-40°开始间隔1°一直到40°，对应得到经过式(2)计算的雷达测量角度为

这样得到一组训练样本的组合

i＝1,2,…,N，如图4所示，横坐标为目标的真实角度余弦，纵坐标为雷达测量角度的余弦。最小二乘方法校正为寻找一条直线使得该直线最为逼近图4中的测量曲线，即：

其中a为直线的斜率，代表对雷达接收天线RX1与RX2间距d的修正，b为直线的偏置，代表对雷达角度零偏的修正。即得到最小二乘法校正模型。

在后续雷达的使用中将上述得到的参数对雷达的测量角度进行修正，假设目标的真实角度为α，雷达经过式(2)计算得到的测量角度为β，则最小二乘雷达的校准输出为：

γ^Ls＝asin[a*sin(β)+b] (式4)

此时得到的即为校正结果。

示例性的，可通过采用目标的真实参数和传感器的测量参数作为训练样本得到神经网络校正模型，然后基于神经网络校正模型实现对待校正传感器测量参数的精度校准。

可选的，校正模型为神经网络校正模型时，传感器测量方法还包括：采用单隐含层的前馈神经网络对传感器的测量参数曲线进行拟合逼近获取神经网络校正模型。

示例性的，传感器为毫米波雷达，测量参数为测量角度。图5是本申请实施例提供的一种单隐含层的前馈神经网络的示意图，如图5所示，神经网络的输入层为采用式(2)计算得到的雷达测量角度，隐含层激活函数可以采用sigmoid函数：

其中，x代表隐含层神经元的输入；S(x)代表隐含层神经元的输出。通常情况下隐含层神经元个数M为16或者32，输出层为待校正毫米波雷达测量角度的校准结果，其激活函数为求和函数，输入层到隐含层的权值为ω_j,j＝1，2，…，K，隐含层到输出层的权值均为1。则该神经网络的功能函数：

其中，z为神经网络的输入；f_NN(z)为神经网络的输出；M为隐含层神经元个数，例如可以为16或者32；ω_j，j＝1，2，…，K，为输入层到隐含层的权值。在此基础上，可选的，该方法还包括：采用误差反向传播的方式，将目标的真实参数作为神经网络的输入，以传感器的测量参数作为导师信号，获取神经网络校正模型。其中，神经网络的训练可以采用BP(BackPropagation，误差反向传播)算法，将目标放置于真实角度为θ_i，i＝1，2，…，N，例如雷达的角度测量范围为-40°～40°，则可设θ_i＝[-40°:1°:40°]，即从-40°开始间隔1°一直到40°，对应得到经过式(2)计算的雷达测量角度为

这样得到一组训练样本的组合

i＝1,2,…,N，如此得到一组训练样本的组合

i＝1，2，…，N，神经网络的输入为雷达的样本测量角度

导师信号采用样本目标真实角度θ_i。训练的过程使得网络的输出与导师信号的误差最小，即：

其中，ω_j为训练后的神经网络权值；

为神经网络功能函数；进而得到神经网络校正模型。然后基于得到的神经网络校正模型对当前测量参数进行校正，以得到待校正毫米波雷达的校正结果。

需要说明的是，本实施例仅以神经网络的训练采用误差反向传播(BP，BackPropagation)的方式获取神经网络校正模型，但不构成对本申请的限定。在其他可选实施例中，还可以采用径向基函数(RBF，Radial Basis Function)等的方式获取神经网络校正模型。

可选的，基于校正模型对各当前测量参数进行校正，以得到待校正传感器的校正结果，包括：对校正模型进行采样生成查找表；以及根据当前测量参数的值，在查找表中查找到所述校正结果；其中，查找表包括多个当前测量参数的值域以及对应各值域对应的校正值。

其中，当校正模型确定之后，即当神经网络校正模型或最小二乘法校正模型确定之后，将雷达的角度测量范围内的所有角度代入此校正模型，得到一个查找表，其中，此查找表中的各角度与校正结果一一对应。然后将获取的当前测量参数在此查找表进行查找，直至找出与此当前测量参数对应的校正结果，然后，根据此校正结果对待校正雷达的参数输出进行校正即可。通过校正模型进行采样生成查找表，将获取的当前测量参数在查找表中进行查找，以得到待校正传感器的校正结果，如此，避免了校准雷达测量输出的角度会面临运行消耗时间过长的问题。

考虑到如果当前测量参数在查找表中未找到，因此，在上述方案的基础上，可选的，判断查找表是否包括当前测量参数中对应的校正结果，若是，则利用查找表得到所述待校正毫米波雷达的校正结果。若否，则可将这些当前测量参数利用校正模型得到与当前测量参数对应的校正结果；或者，在查找表中确定与当前测量参数相邻的两个测量参数以及与这两个测量参数对应的两个校正结果，通过两个校正结果的平均值确定当前测量参数的校正结果。

S130、根据校正结果对待校正传感器的参数输出进行校正。

当校正模型为最小二乘法校正模型时，经过最小二乘修正后的雷达的角度测量误差定义为修正值与真实值之间的差异：

∈^LS＝γ^LS-α (式8)

通过最小二乘方法修正后的雷达测量误差如图6所示，可见经过修正后雷达的测量误差在-4°～+1°之间。

当校正模型为神经网络校正模型时，采用查找表的方式确定校正结果。具体的首先对神经网络进行采样，假设Γ_k，k＝1，2，…，K为神经网络的采样点，对应的采样数据D_k为：

其中，Γ_k为神经网络的采样点；D_k为采样输出数据；f_NN(Γ_k)为神经网络功能函数。对神经网络采样完成后生成表格O＝{Γ_k|D_k}，然后采样查表法对雷达的角度输出进行校准。基于神经网络的雷达校准后，雷达角度测量误差定义为修正值与真实值之间的差异：

∈^NN＝γ^NN-α (式10)

其中，∈^NN为神经网络和查表法校准后的误差；γ^NN为神经网络和查表法校准后的输出值，α为目标真实的角度。神经网络的训练拟合结果见图7，基于神经网络的雷达校准后的测量误差见图8，可见基于神经网络拟合结果可以很好的逼近真实的测量，其测量误差在-0.5°～+0.5°之间，即本实施例利用神经网络模型对传感器的输出参数进行校正，不仅可以对雷达测角的线性部分进行校准，同时还可以对雷达天线射频误差带来的天线相位差

的非线性畸变，例如由于天线板的加工误差和板材特性的差异会导致雷达天线相位的严重非线性畸变，可进一步提升传感器的测量精度的效果，提升传感器的测量性能。

其中，上述示例是以采用误差反向传播的方式，将目标的真实参数作为神经网络的输入，以所述传感器的测量参数作为导师信号，获取的神经网络校正模型确定的校正结果。当采用径向基函数(RBF，Radial Basis Function)的方式获取神经网络校正模型时，基于此神经网络校正模型对测角曲线的拟合见图9所示，经过RBF网络校准后的测角误差见图10所示。

本申请实施例提供的技术方案，通过将待校正传感器的当前测量角度组输入至基于神经网络得到的校正模型，基于校正模型得到待校正传感器的校正结果，根据此校正结果对传感器的参数输出进行校正，校正后的测量角度误差小，解决传统传感器测量校正方案的校准精度比较低的问题，实现提高传感器测量精度的效果。

基于同样的发明构思，本申请实施例还提供了一种传感器测量校正装置，图11是本申请实施例提供的一种传感器测量校正装置的结构示意图，该装置用于执行上述任意实施例所提供的传感器测量校正方法。该装置与上述各实施例的传感器测量校正方法属于同一个发明构思，在传感器测量校正装置的实施例中未详尽描述的细节内容，可以参考上述传感器测量校正方法的实施例。参见图11，该传感器测量校正装置具体可包括：获取模块210、校正结果确定模块220和校正模块230。

获取模块210，用于获取待校正传感器的至少一个当前测量参数；

校正结果确定模块220，用于基于校正模型对各所述当前测量参数进行校正，以得到所述待校正传感器的校正结果；

校正模块230，用于根据所述校正结果对待校正传感器的参数输出进行校正；

其中，所述校正模型为神经网络校正模型或最小二乘法校正模型。

可选的，所述校正结果确定模块，例如可以包括：

生成单元，用于对所述校正模型进行采样生成查找表；其中，所述查找表包括多个当前测量参数的值域以及对应各值域对应的校正值；

校正单元，用于根据所述当前测量参数的值，在所述查找表中查找到所述校正结果。

可选的，传感器测量校正装置还包括：校正模型确定模块，用于采用目标的真实参数和所述传感器的测量参数作为训练样本得到所述校正模型。

可选的，所述校正模型为神经网络校正模型时，所述传感器测量校正装置还包括：

第一神经网络校正模型确定模块，用于采用单隐含层的前馈神经网络对传感器的测量参数曲线进行拟合逼近获取所述神经网络校正模型。

可选的，所述传感器测量校正装置还包括：

第二神经网络校正模型确定模块，用于采用误差反向传播的方式，将所述目标的真实参数作为神经网络的输入，以所述传感器的测量参数作为导师信号，获取所述神经网络校正模型。

本申请实施例提供的传感器测量校正装置，通过获取模块获取待校正传感器的至少一个当前测量参数，通过校正结果确定模块基于校正模型对当前测量参数进行校正，以得到校正结果，然后校正模块根据校正结果对待校正传感器的参数输出(例如为角度、距离等参数)进行校正，相比于传统的校正方案，可以大幅度提高校准精度，进而提高传感器的测量精度。

本申请实施例所提供的传感器测量校正装置可执行本申请任意实施例所提供的传感器测量校正方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述传感器测量校正装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。

图12是本申请实施例提供的一种终端设备的结构示意图，如图12所示，本申请实施例还提供的一种终端设备，该终端设备包括存储器310、处理器320、输入装置330和输出装置340。终端设备中的处理器320的数量可以是一个或多个，图12中以一个处理器320为例；终端设备中的存储器310、处理器320、输入装置330和输出装置340可以通过总线或其它方式连接，图12中以通过总线350连接为例。

存储器310作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例中的传感器测量校正方法对应的程序指令/模块(例如，传感器测量校正装置中的获取模块210、校正结果确定模块220和校正模块230)。处理器320通过运行存储在存储器310中的软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述的传感器测量校正方法。

存储器310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；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器310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、或其他非易失性固态存储器件。在一些实例中，存储器310可进一步包括相对于处理器320远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置330可用于接收输入的数字或字符信息，以及产生与装置的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。

基于同样的发明构思，本申请实施例四提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种传感器测量校正方法，该传感器测量校正方法包括：

获取待校正传感器的至少一个当前测量参数；

基于校正模型对各所述当前测量参数进行校正，以得到所述待校正传感器的校正结果；以及

根据所述校正结果对待校正传感器的参数输出进行校正；

其中，所述校正模型为神经网络校正模型或最小二乘法校正模型。

当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本申请任意实施例所提供的传感器测量校正方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本申请可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。依据这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，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)执行本申请各个实施例所述的方法。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (15)

1.一种传感器测量校正方法，其特征在于，包括：

获取待校正传感器的至少一个当前测量参数；

基于校正模型对各所述当前测量参数进行校正，以得到所述待校正传感器的校正结果；以及

根据所述校正结果对待校正传感器的参数输出进行校正；

其中，所述校正模型为神经网络校正模型或最小二乘法校正模型。

2.根据权利要求1所述的传感器测量校正方法，其特征在于，所述基于校正模型对各所述当前测量参数进行校正，以得到所述待校正传感器的校正结果，包括：

对所述校正模型进行采样生成查找表；以及

根据所述当前测量参数的值，在所述查找表中查找到所述校正结果；

其中，所述查找表包括多个当前测量参数的值域以及对应各值域对应的校正值。

3.根据权利要求1所述的传感器测量校正方法，其特征在于，所述传感器测量校正方法还包括：

采用目标的真实参数和所述传感器的测量参数作为训练样本得到所述校正模型。

4.根据权利要求3所述的传感器测量校正方法，其特征在于，所述校正模型为神经网络校正模型时，所述传感器测量校正方法还包括：

采用单隐含层的前馈神经网络对传感器的测量参数曲线进行拟合逼近获取所述神经网络校正模型。

5.根据权利要求4所述的传感器测量校正方法，其特征在于，所述传感器测量校正方法还包括：

采用误差反向传播的方式，将所述目标的真实参数作为神经网络的输入，以所述传感器的测量参数作为导师信号，获取所述神经网络校正模型。

6.根据权利要求1-5中任意一项所述的传感器测量校正方法，其特征在于，所述传感器为毫米波雷达。

7.根据权利要求1-5中任意一项所述的传感器测量校正方法，其特征在于，所述当前测量参数包括测量角度、测量距离和测量速度中的至少一个。

8.根据权利要求7所述的传感器测量校正方法，其特征在于，所述当前测量参数包括测量角度时，所述测量角度包括测量方位角和/或测量俯仰角。

9.一种传感器测量校正装置，其特征在于，包括：

获取模块，用于获取待校正传感器的至少一个当前测量参数；

校正结果确定模块，用于基于校正模型对各所述当前测量参数进行校正，以得到所述待校正传感器的校正结果；

校正模块，用于根据所述校正结果对待校正传感器的参数输出进行校正；

其中，所述校正模型为神经网络校正模型或最小二乘法校正模型。

10.根据权利要求9所述的传感器测量校正装置，其特征在于，所述校正结果确定模块包括：

生成单元，用于对所述校正模型进行采样生成查找表；其中，所述查找表包括多个当前测量参数的值域以及对应各值域对应的校正值；

校正单元，用于根据所述当前测量参数的值，在所述查找表中查找到所述校正结果。

11.根据权利要求9所述的传感器测量校正装置，其特征在于，还包括：校正模型确定模块，用于采用目标的真实参数和所述传感器的测量参数作为训练样本得到所述校正模型。

12.根据权利要求11所述的传感器测量校正装置，其特征在于，所述校正模型为神经网络校正模型时，所述传感器测量校正装置还包括：

第一神经网络校正模型确定模块，用于采用单隐含层的前馈神经网络对传感器的测量参数曲线进行拟合逼近获取所述神经网络校正模型。

13.根据权利要求12所述的传感器测量校正装置，其特征在于，所述传感器测量校正装置还包括：

第二神经网络校正模型确定模块，用于采用误差反向传播的方式，将所述目标的真实参数作为神经网络的输入，以所述传感器的测量参数作为导师信号，获取所述神经网络校正模型。

14.一种终端设备，其特征在于，所述终端设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的传感器测量校正方法。

15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一所述的传感器测量校正方法。

Images