CN112560974B - 一种信息融合、车辆信息获取方法及装置 - Google Patents

一种信息融合、车辆信息获取方法及装置 Download PDF

Info

Publication number
CN112560974B
CN112560974B CN202011530669.3A CN202011530669A CN112560974B CN 112560974 B CN112560974 B CN 112560974B CN 202011530669 A CN202011530669 A CN 202011530669A CN 112560974 B CN112560974 B CN 112560974B
Authority
CN
China
Prior art keywords
information
detection information
piece
weight
detection
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
CN202011530669.3A
Other languages
English (en)
Other versions
CN112560974A (zh
Inventor
李克强
刘巧斌
高博麟
王建强
高铭
许庆
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202011530669.3A priority Critical patent/CN112560974B/zh
Publication of CN112560974A publication Critical patent/CN112560974A/zh
Application granted granted Critical
Publication of CN112560974B publication Critical patent/CN112560974B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

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)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种信息融合、车辆信息获取方法及装置，其中，该信息融合方法包括：获取目标对象的多个检测信息；根据多个检测信息计算多个检测信息的趋势项；根据趋势项及各检测信息计算各检测信息的残差；根据各检测信息的残差计算各检测信息的最优权重；根据各检测信息的最优权重对各检测信息进行加权融合，得到融合信息。由于基于趋势项计算得到的残差可以用于表征检测信息的误差，因此根据各检测信息的残差计算得到的各检测信息最优权重能更真实地反应各检测信息的准确程度，从而根据各检测信息的最优权重得到的融合信息更准确。

Description

一种信息融合、车辆信息获取方法及装置
技术领域
本发明涉及信息融合技术领域，具体涉及一种信息融合、车辆信息获取方法及装置。
背景技术
在现有技术中，为了实现针对多种不同来源的信息的综合分析，通常会结合所采集到的各种信息进行信息融合，而目前对于信息融合的普遍做法是，对于不同采集方式、不同来源的信息，通过设置相应权重的方式进行融合，而对于权重的选取，仍是基于经验人为设定，此种方式，由于依赖经验，主观性较强，其准确性以及与实际情况的符合程度都难以判定，并且，基于人为经验选取权重的方式，也存在操作过程较为复杂的问题。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中的难以准确获取到各方式的最优权重的缺陷，从而提供一种信息融合、车辆信息获取方法及装置。
本发明第一方面提供了一种信息融合方法，包括：获取目标对象的多个检测信息；根据所述多个检测信息计算所述多个检测信息的趋势项；
根据所述趋势项及各所述检测信息计算各检测信息的残差；根据各所述检测信息的残差计算各所述检测信息的最优权重；根据各所述检测信息的最优权重对各所述检测信息进行加权融合，得到融合信息。
在一可选实施例中，在本发明提供的信息融合方法中，根据各所述检测信息的残差计算各所述检测信息的最优权重的步骤，包括：根据各所述检测信息的残差计算各所述检测信息的初始权重；根据预设权重优化模型对所述初始权重进行优化，得到所述最优权重。
在一可选实施例中，在本发明提供的信息融合方法中，预设权重优化模型为：
Figure 672719DEST_PATH_IMAGE002
其中，
Figure 566725DEST_PATH_IMAGE004
表示各检测信息的最优权重，
Figure 602814DEST_PATH_IMAGE006
表示各检测信息的当前权重，
Figure 494547DEST_PATH_IMAGE008
为 方差函数，
Figure 475141DEST_PATH_IMAGE010
表示根据各检测信息的当前权重和检测信息计算得到的融合数据，
Figure 172839DEST_PATH_IMAGE012
表示 检测信息的数量，
Figure 100002_DEST_PATH_IMAGE013
表示第
Figure 329014DEST_PATH_IMAGE014
种检测信息的当前权重，
Figure 100002_DEST_PATH_IMAGE015
表示检测信息的残差的方差，
Figure 657227DEST_PATH_IMAGE016
表示根据各检测信息的最优权重和检测信息计算得到的融合数据的方差，
Figure 328380DEST_PATH_IMAGE018
的表达式 为：
Figure DEST_PATH_IMAGE020
。
在一可选实施例中，在本发明提供的信息融合方法中，各所述检测信息的初始权重为：
Figure DEST_PATH_IMAGE022
，
其中，
Figure 100002_DEST_PATH_IMAGE023
表示第i种检测信息的残差的方差，n表示检测信息的数量。
在一可选实施例中，在本发明提供的信息融合方法中，在获取目标对象的多个检测信息的步骤之后，计算各所述检测信息的趋势项的步骤之前，还包括：对各所述检测信息进行时间配准。
本发明第二方面提供了一种车辆信息获取方法，包括：通过多个检测装置获取目标车辆的多个感知信息；根据所述多个感知信息计算所述多个感知信息的趋势项；根据所述趋势项及各所述感知信息计算各感知信息的残差；根据各所述感知信息的残差计算各所述感知信息的最优权重；根据各所述感知信息的最优权重对各所述感知信息进行加权融合，得到所述目标车辆的融合信息。
本发明第三方面提供了一种信息融合装置，包括：检测数据获取模块，用于获取目标对象的多个检测信息；第一趋势项计算模块，用于根据所述多个检测信息计算所述多个检测信息的趋势项；第一残差计算模块，用于根据所述趋势项及各所述检测信息计算各检测信息的残差；第一最优权重计算模块，用于根据各所述检测信息的残差计算各所述检测信息的最优权重；第一融合信息计算模块，用于根据各所述检测信息的最优权重对各所述检测信息进行加权融合，得到融合信息。
本发明第四方面提供了一种车辆信息获取装置，包括：感知信息获取模块， 用于通过多个检测装置获取目标车辆的感知信息；第二趋势项计算模块，用于根据所述多个感知信息计算所述多个感知信息的趋势项；第二残差计算模块，用于根据所述趋势项及各所述感知信息计算各感知信息的残差；第二最优权重计算模块，用于根据各所述感知信息的残差计算各所述感知信息的最优权重；第二融合信息计算模块，用于根据各所述感知信息的最优权重对各所述感知信息进行加权融合，得到所述目标车辆的融合信息。
本发明第五方面提供了一种计算机设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，从而执行如本发明第一方面提供的信息融合方法，或，如本发明第二方面提供的车辆信息获取方法。
本发明第六方面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指令，所述计算机指令用于使所述计算机执行如本发明第一方面提供的信息融合方法，或，如本发明第二方面提供的车辆信息获取方法。
本发明技术方案，具有如下优点：
1.本发明提供的信息融合方法及装置，在获取目标对象的多个检测信息后，利用各检测信息相对于各检测信息的趋势项的残差计算各检测信息的最优权重，由于基于趋势项计算得到的残差可以用于表征检测信息的误差，因此根据各检测信息的残差计算得到的各检测信息最优权重能更真实地反应各检测信息的准确程度，从而根据各检测信息的最优权重得到的融合信息更准确。
2.本发明提供的车辆信息获取方法及装置，目标车辆信息是根据多个检测装置获取的感知信息加权融合计算得到的，弥补了单一检测装置所面临的感知范围有限和存在盲区等缺陷，并且，由于基于趋势项计算得到的残差可以用于表征感知信息的误差，因此根据各感知信息的残差计算得到的各感知信息最优权重能更真实地反应各检测感知的准确程度，基于上述理由，通过实施本发明得到的目标车辆的信息更准确。
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，对于本领域普通技术人员来讲，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为本发明实施例中信息融合方法的一个具体示例的流程图；
图2为本发明实施例中信息融合方法的另一具体示例的流程图；
图3为本法发明实施例中第一传感器的检测信息、第二传感器的检测信息、融合信息的对比图；
图4为本法发明实施例中第一传感器的检测信息的残差方差、第二传感器的检测信息的残差方差、融合信息的残差方差的对比图；
图5为本发明实施例中车辆信息获取方法的一个具体示例的流程图；
图6为本发明实施例中信息融合装置的一个具体示例的原理框图；
图7为本发明实施例中车辆信息获取装置的一个具体示例的原理框图；
图8为本发明实施例中计算机设备的一个具体示例的原理框图。
具体实施方式
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，本领域普通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。
在本发明的描述中，需要说明的是，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。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供了一种信息融合方法，如图1所示，包括：
步骤S11：获取目标对象的多个检测信息。
在一具体实施例中，目标对象的多个检测信息是通过多种方式分别获取的，对于不同的检测信息，需要通过不同的方式获取，例如可以是通过不同的传感器获取检测信息，也可以是利用不同的算法模型对数据进行分析得到检测信息等。并且，多个检测信息都是对目标对象的同一信息的采集，获取检测信息的具体方式或设备可以根据需要采集的目标对象的信息确定。该目标对象可以是多种不同应用场景下的人或物体，例如可以是行驶过程中的车辆，则其检测信息可以例如是车辆在不同时刻下的位姿、速度等；或者，该目标对象可以是行走或跑步过程中的人，则其检测信息可以例如是目标对象在不同时刻下的位置等。
在本发明实施例中，为了便于对多个检测信息进行融合，得到融合信息，获取的目标对象的多个检测信息的时间相同。
步骤S12：计算各所述检测信息的趋势项。
在本发明实施例中，各检测信息中包括多个采样点，并且各采样点是按照一定的时间序列采集的，通过各采样点的变化趋势可以计算出各检测信息的趋势项。在本发明实施例中，通过对各检测信息中的采样点进行拟合得到各检测信息的趋势项：
Figure 100002_DEST_PATH_IMAGE025
，
其中，
Figure 100002_DEST_PATH_IMAGE027
为拟合函数参数向量，
Figure 100002_DEST_PATH_IMAGE029
为各检测信息的时间序列，
Figure 100002_DEST_PATH_IMAGE031
为拟合函数，拟合函数
Figure 688823DEST_PATH_IMAGE031
可为多项式、三角函数、指数函数和样条函数等。
步骤S13：根据各所述检测信息及趋势项计算各检测信息的残差。
在一具体实施例中，各检测信息的残差是指检测信息中各采样点相对于趋势项的残差：
Figure 100002_DEST_PATH_IMAGE033
，其中，x表示检测信息中的采样点。
由于本发明实施例中各检测信息中的采样点是按照一定的时间序列采集的，因此将本发明实施例提供的信息融合方法应用于对动态目标对象进行检测并获取融合信息时，通过去除趋势项得到的残差可以用于表征检测信息的误差，因此，根据检测信息及趋势项计算得到的残差为进一步数值求解最优权重奠定了基础。
步骤S14：根据各所述检测信息的残差计算各所述检测信息的最优权重。
在具体实施例中，可以调用非线性最小二乘法或智能算法等相关技术，根据检测信息的残差计算各检测信息的最优权重。
步骤S15：根据各所述检测信息的最优权重对各所述检测信息进行加权融合，得到融合信息。
本发明实施例提供的信息融合方法，在获取目标对象的多个检测信息后，利用各检测信息相对于各检测信息的趋势项的残差计算各检测信息的最优权重，由于基于趋势项计算得到的残差可以用于表征检测信息的误差，因此根据各检测信息的残差计算得到的各检测信息最优权重能更真实地反应各检测信息的准确程度，从而根据各检测信息的最优权重得到的融合信息更准确。
在一可选实施例中，在本发明实施例提供的信息融合方法中，在执行上述步骤S11时，多个检测信息可以是通过多种方式获取的，由于不同的数据采集手段的采样频率不同，对频率不同的多组检测信息进行融合较为困难，因此，在本发明实施例中，在上述步骤S11之后，步骤S12之前，还包括：对各所述检测信息进行时间配准。
在具体实施例中，时间配准的方法可为线性插值和非线性插值等方法。通过插值重采样的方法能够实现各检测信息在单位时间内的采样点统一。
在一可选实施例中，如图2所示，在本发明实施例提供的信息融合方法中，上述步骤S14具体包括：
步骤S141：根据各所述检测信息的残差计算各所述检测信息的初始权重。
由于各检测信息中包括多个采样点，且每个采样点对应有一个残差值，因此本发明实施例中可以基于各检测信息中各采样点的残差的方差计算各检测信息的初始权重：
Figure 100002_DEST_PATH_IMAGE035
，
其中，
Figure 100002_DEST_PATH_IMAGE037
表示各检测信息的初始权重形成的初始权重向量，
Figure 761821DEST_PATH_IMAGE023
表示第i种检测信 息的残差的方差，n表示检测信息的数量。
步骤S142：根据预设权重优化模型对所述初始权重进行优化，得到所述最优权重。在本发明实施例中，先计算初始权重，然后基于初始权重寻找最优权重，可以提高获取最优权重的效率。
在一可选实施例中，在确定最优权重时的预设权重优化模型为：
Figure DEST_PATH_IMAGE038
，
其中，
Figure DEST_PATH_IMAGE040
表示各检测信息的最优权重，
Figure DEST_PATH_IMAGE042
表示各检测信息的当前权重，当前权 重为寻找最优权重过程中迭代生成的权重，
Figure DEST_PATH_IMAGE044
为方差函数，
Figure DEST_PATH_IMAGE046
表示根据各检测信息 的当前权重和检测信息计算得到的融合信息，
Figure 100002_DEST_PATH_IMAGE048
表示检测信息的数量，
Figure 119990DEST_PATH_IMAGE013
表示第
Figure 950543DEST_PATH_IMAGE014
种检测信 息的当前权重，
Figure 193305DEST_PATH_IMAGE015
表示检测信息的残差的方差，
Figure 58493DEST_PATH_IMAGE016
表示根据各检测信息的最优权重和检 测信息计算得到的融合信息的方差，
Figure 100002_DEST_PATH_IMAGE050
的表达式为：
Figure 100002_DEST_PATH_IMAGE052
。
在上述预设权重优化模型中，
Figure DEST_PATH_IMAGE053
为获取最优权重的目标函 数，该目标函数以最小化融合数据的方差为目的，可以有效解决最优权重选取以来经验，主 观性大和操作不易的问题，为最优权重的计算提供了理论依据。
在上述预设权重优化模型中，
Figure 100002_DEST_PATH_IMAGE054
为获取最优权重时的约束条件，即，根 据最优权重对检测信息进行融合计算得到的融合信息的方差应小于检测信息的残差的方 差，通过该约束条件充分保证了融合信息优于单一方式获取的检测信息。
在本发明实施例中，提供了可以直接用于计算最优权重的预设权重优化模型，不需假定各检测信息的先验分布，直接由去除趋势项后数据的残差建立与融合信息的波动方差之间的数值表达式，在此基础上，通过数值优化方法直接求解最优权重，因此通过实施本发明计算得到的最优权重从客观上保证了不受检测信息先验分布的影响，因此求得的最优权重更为合理。
通过实施本发明实施例，可以基于预设权重优化模型一次性求解出最优权重，并且基于最优权重可以使得融合信息的波动方差最小，在保证精度的前提下，有效提高了多个监测信息的融合效率。
为了证明本申请提供的信息融合方法获取的融合信息更准确， 提供了如下实施例：
通过两个传感器分别获取两个检测信息，第一传感器和第二传感器获取的检测信息分别为：
Figure 100002_DEST_PATH_IMAGE056
，
Figure 100002_DEST_PATH_IMAGE058
，
其中，5t为趋势项，
Figure 100002_DEST_PATH_IMAGE060
和
Figure 100002_DEST_PATH_IMAGE062
分别为第一传感器和第二传感器获取的检测信息的残差，且
Figure 130441DEST_PATH_IMAGE060
和
Figure 448289DEST_PATH_IMAGE062
分别服从方差为
Figure 100002_DEST_PATH_IMAGE064
和
Figure 100002_DEST_PATH_IMAGE066
，均值为0的正态分布，即，
Figure 100002_DEST_PATH_IMAGE068
，
Figure 100002_DEST_PATH_IMAGE070
。
采用本发明实施例提供的信息融合方法获得的最优权重为
Figure 100002_DEST_PATH_IMAGE072
，由最优权重融合获得的融合信息和两个传感器测量数据随时间变化的对比图如图3所示。图4所示是由最优权重融合后数据的波动方差与两个传感器波动方差的对比图。
由图4可知，融合后的方差
Figure 100002_DEST_PATH_IMAGE074
，说明本发明实施例提供的信息融合方法实现了融合后数据的波动方差小于单个传感器的最小波动方差，准确性更高，验证了本发明实施例的有效性。
本发明实施例还提供了一种车辆信息获取方法，如图5所示，包括：
步骤S21：通过多个检测装置获取目标车辆的多个感知信息。
在具体实施例中，目标车辆的多个感知信息虽然是通过多个检测装置获取的，但是多个检测装置在所获取的感知信息是针对目标车辆的同一信息进行的数据采集。感知信息可以为目标车辆在不同时间点的位置、朝向角、速度等。
感知信息是在检测装置获取到初始信息后，对初始信息进行分析计算得到的。对于不同的检测装置，获取的初始信息有所不同，相应的处理方式也有所不同，例如，检测装置可以为如激光雷达、摄像头和毫米波雷达等，采集到的初始信息可以为图像数据、点云数据和电磁波信号等，在此基础上进行滤波、剔除噪声信号，并经过目标检测、目标关联和目标跟踪等步骤，得到目标车辆在各时间点的位置、朝向角和速度等目标级数据。其中，目标检测的方法可采用基于物理模型的目标检测或基于深度学习的方法。目标关联可采用基于相似度的方法和聚类分析方法等。目标跟踪可为相关滤波和卷积神经网络等方法。
多个检测装置可以是多个种类不同的检测装置，例如，在不同检测地点分别设置传感器、激光雷达、摄像头和毫米波雷达中的一种；该检测装置也可以是相同种类的多个检测装置，例如，在不同检测地点分别设置传感器进行检测等，具体实施例中可以根据实际需求选择合适的检测装置。
步骤S22：根据所述多个感知信息计算所述多个感知信息的趋势项，详细内容见上述实施例中对计算趋势项的描述，在此不再赘述。
步骤S23：根据所述趋势项及各所述感知信息计算各感知信息的残差，详细内容见上述实施例中对计算残差的描述，在此不再赘述。
步骤S24：根据各所述感知信息的残差计算各所述感知信息的最优权重，详细内容见上述实施例中对计算最优权重的描述，在此不再赘述。
步骤S25：根据各所述感知信息的最优权重对各所述感知信息进行加权融合，得到所述目标车辆的融合信息，详细内容见上述实施例中对信息融合的描述，在此不再赘述。
本发明实施例提供的车辆信息获取方法，目标车辆信息是根据多个检测装置获取的感知信息加权融合计算得到的，弥补了单一检测装置所面临的感知范围有限和存在盲区等缺陷，并且，由于基于趋势项计算得到的残差可以用于表征感知信息的误差，因此根据各感知信息的残差计算得到的各感知信息最优权重能更真实地反应各检测感知的准确程度，基于上述理由，通过实施本发明得到的目标车辆的信息更准确。
本发明实施例还提供了一种信息融合装置，如图6所示，包括：
检测数据获取模块11，用于获取目标对象的多个检测信息，详细内容参见上述实施例中对步骤S11的描述，在此不再赘述。
第一趋势项计算模块12，用于根据所述多个检测信息计算所述多个检测信息的趋势项，详细内容参见上述实施例中对步骤S12的描述，在此不再赘述。
第一残差计算模块13，用于根据所述趋势项及各所述检测信息计算各检测信息的残差，详细内容参见上述实施例中对步骤S13的描述，在此不再赘述。
第一最优权重计算模块14，用于根据各所述检测信息的残差计算各所述检测信息的最优权重，详细内容参见上述实施例中对步骤S14的描述，在此不再赘述。
第一融合信息计算模块15，用于根据各所述检测信息的最优权重对各所述检测信息进行加权融合，得到融合信息，详细内容参见上述实施例中对步骤S15的描述，在此不再赘述。
本发明实施例提供的信息融合装置，在获取目标对象的多个检测信息后，利用各检测信息相对于各检测信息的趋势项的残差计算各检测信息的最优权重，由于基于趋势项计算得到的残差可以用于表征检测信息的误差，因此根据各检测信息的残差计算得到的各检测信息最优权重能更真实地反应各检测信息的准确程度，从而根据各检测信息的最优权重得到的融合信息更准确。
本发明实施例还提供了一种车辆信息获取装置，如图7所示，包括：
感知信息获取模块21， 用于通过多个检测装置获取目标车辆的多个感知信息，详细内容参见上述实施例中对步骤S21的描述，在此不再赘述。
第二趋势项计算模块22，用于根据所述多个感知信息计算所述多个感知信息的趋势项，详细内容参见上述实施例中对步骤S22的描述，在此不再赘述。
第二残差计算模块23，用于根据所述趋势项及各所述感知信息计算各感知信息的残差，详细内容参见上述实施例中对步骤S23的描述，在此不再赘述。
第二最优权重计算模块24，用于根据各所述感知信息的残差计算各所述感知信息的最优权重，详细内容参见上述实施例中对步骤S24的描述，在此不再赘述。
第二融合信息计算模块25，用于根据各所述感知信息的最优权重对各所述感知信息进行加权融合，得到所述目标车辆的融合信息，详细内容参见上述实施例中对步骤S25的描述，在此不再赘述。
本发明实施例提供的车辆信息获取装置，目标车辆信息是根据多个检测装置获取的感知信息加权融合计算得到的，弥补了单一检测装置所面临的感知范围有限和存在盲区等缺陷，并且，由于基于趋势项计算得到的残差可以用于表征感知信息的误差，因此根据各感知信息的残差计算得到的各感知信息最优权重能更真实地反应各检测感知的准确程度，基于上述理由，通过实施本发明得到的目标车辆的信息更准确。
本发明实施例提供了一种计算机设备，如图8所示，该计算机设备主要包括一个或多个处理器31以及存储器32，图8中以一个处理器31为例。
该计算机设备还可以包括：输入装置33和输出装置34。
处理器31、存储器32、输入装置33和输出装置34可以通过总线或者其他方式连接，图8中以通过总线连接为例。
处理器31可以为中央处理器（Central Processing Unit，CPU）。处理器31还可以为其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。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。存储器32可以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、至少一个功能所需要的应用程序；存储数据区可存储根据信息融合装置，或，车辆信息获取装置的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器32可选包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至信息融合装置，或，车辆信息获取装置。输入装置33可接收用户输入的计算请求（或其他数字或字符信息），以及产生与信息融合装置，或，车辆信息获取装置有关的键信号输入。输出装置34可包括显示屏等显示设备，用以输出计算结果。
本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储计算机指令，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的信息融合方法，或，车辆信息获取方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）、随机存储记忆体（Random AccessMemory，RAM）、快闪存储器（Flash Memory）、硬盘（Hard Disk Drive，缩写：HDD）或固态硬盘（Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (7)

1.一种信息融合方法，其特征在于，包括：
获取目标对象的多个检测信息；
根据所述多个检测信息计算所述多个检测信息的趋势项，通过对各检测信息中的采样点进行拟合得到各检测信息的趋势项：
Figure 476342DEST_PATH_IMAGE002
，其中，
Figure 736422DEST_PATH_IMAGE004
为拟合函数参数向量，
Figure 80816DEST_PATH_IMAGE006
为各检测信息的时间序列，
Figure 844372DEST_PATH_IMAGE008
为拟合函数，拟合函数
Figure 881598DEST_PATH_IMAGE008
为多项式，或，三角函数，或，指数函数，或，样条函数；
根据所述趋势项及各所述检测信息计算各检测信息的残差；
根据各所述检测信息的残差计算各所述检测信息的最优权重；
根据各所述检测信息的最优权重对各所述检测信息进行加权融合，得到融合信息；
根据各所述检测信息的残差计算各所述检测信息的最优权重的步骤，包括：
根据各所述检测信息的残差计算各所述检测信息的初始权重，各所述检测信息的初始权重为：
Figure 97816DEST_PATH_IMAGE010
，
其中，
Figure 245901DEST_PATH_IMAGE012
表示第i种检测信息的残差的方差，n表示检测信息的数量；
根据预设权重优化模型对所述初始权重进行优化，得到所述最优权重；
所述预设权重优化模型为：
Figure DEST_PATH_IMAGE013
，
其中，
Figure DEST_PATH_IMAGE015
表示各检测信息的最优权重，
Figure DEST_PATH_IMAGE017
表示各检测信息的当前权重，
Figure DEST_PATH_IMAGE019
为方差函数，
Figure DEST_PATH_IMAGE021
表示根据各检测信息的当前权重和检测信息计算得到的融合信息，
Figure DEST_PATH_IMAGE023
表示检测信息的数量，
Figure DEST_PATH_IMAGE025
表示第
Figure DEST_PATH_IMAGE027
种检测信息的当前权重，
Figure DEST_PATH_IMAGE029
表示检测信息的方差，
Figure DEST_PATH_IMAGE031
表示根据各检测信息的最优权重和检测信息计算得到的融合信息的方差，
Figure DEST_PATH_IMAGE033
的表达式为：
Figure DEST_PATH_IMAGE035
。
2.根据权利要求1所述的信息融合方法，其特征在于，在获取目标对象的多个检测信息的步骤之后，根据所述多个检测信息计算所述多个检测信息的趋势项的步骤之前，还包括：
对各所述检测信息进行时间配准。
3.一种车辆信息获取方法，其特征在于，包括：
通过多个检测装置获取目标车辆的多个感知信息；
根据所述多个感知信息计算所述多个感知信息的趋势项，通过对各检测信息中的采样点进行拟合得到各检测信息的趋势项：
Figure DEST_PATH_IMAGE037
，其中，
Figure DEST_PATH_IMAGE039
为拟合函数参数向量，
Figure DEST_PATH_IMAGE041
为各检测信息的时间序列，
Figure DEST_PATH_IMAGE043
为拟合函数，拟合函数
Figure 909969DEST_PATH_IMAGE043
为多项式，或，三角函数，或，指数函数，或，样条函数；
根据所述趋势项及各所述感知信息计算各感知信息的残差；
根据各所述感知信息的残差计算各所述感知信息的最优权重；
根据各所述感知信息的最优权重对各所述感知信息进行加权融合，得到所述目标车辆的融合信息；
根据各所述感知信息的残差计算各所述感知信息的最优权重的步骤，包括：
根据各所述感知信息的残差计算各所述感知信息的初始权重，各所述检测信息的初始权重为：
Figure DEST_PATH_IMAGE045
，
其中，
Figure DEST_PATH_IMAGE047
表示第i种检测信息的残差的方差，n表示检测信息的数量；
根据预设权重优化模型对所述初始权重进行优化，得到所述最优权重；
所述预设权重优化模型为：
Figure DEST_PATH_IMAGE048
，
其中，
Figure DEST_PATH_IMAGE050
表示各感知信息的最优权重，
Figure DEST_PATH_IMAGE052
表示各感知信息的当前权重，
Figure DEST_PATH_IMAGE054
为方差函数，
Figure DEST_PATH_IMAGE056
表示根据各感知信息的当前权重和感知信息计算得到的融合信息，
Figure DEST_PATH_IMAGE058
表示感知信息的数量，
Figure 508309DEST_PATH_IMAGE025
表示第
Figure 211823DEST_PATH_IMAGE027
种感知信息的当前权重，
Figure DEST_PATH_IMAGE060
表示感知信息的方差，
Figure DEST_PATH_IMAGE062
表示根据各感知信息的最优权重和感知信息计算得到的融合信息的方差，
Figure DEST_PATH_IMAGE064
的表达式为：
Figure DEST_PATH_IMAGE066
。
4.一种信息融合装置，其特征在于，包括：
检测数据获取模块，用于获取目标对象的多个检测信息；
第一趋势项计算模块，用于根据所述多个检测信息计算所述多个检测信息的趋势项，通过对各检测信息中的采样点进行拟合得到各检测信息的趋势项：
Figure DEST_PATH_IMAGE068
，其中，
Figure DEST_PATH_IMAGE070
为拟合函数参数向量，
Figure DEST_PATH_IMAGE072
为各检测信息的时间序列，
Figure DEST_PATH_IMAGE074
为拟合函数，拟合函数
Figure 819391DEST_PATH_IMAGE074
为多项式，或，三角函数，或，指数函数，或，样条函数；
第一残差计算模块，用于根据所述趋势项及各所述检测信息计算各检测信息的残差；
第一最优权重计算模块，用于根据各所述检测信息的残差计算各所述检测信息的最优权重；
第一融合信息计算模块，用于根据各所述检测信息的最优权重对各所述检测信息进行加权融合，得到融合信息；
根据各所述检测信息的残差计算各所述检测信息的最优权重，包括：
根据各所述检测信息的残差计算各所述检测信息的初始权重，各所述检测信息的初始权重为：
Figure DEST_PATH_IMAGE076
，
其中，
Figure DEST_PATH_IMAGE078
表示第i种检测信息的残差的方差，n表示检测信息的数量；
根据预设权重优化模型对所述初始权重进行优化，得到所述最优权重；
所述预设权重优化模型为：
Figure 88698DEST_PATH_IMAGE048
，
其中，
Figure DEST_PATH_IMAGE080
表示各检测信息的最优权重，
Figure DEST_PATH_IMAGE082
表示各检测信息的当前权重，
Figure DEST_PATH_IMAGE084
为方差函数，
Figure DEST_PATH_IMAGE086
表示根据各检测信息的当前权重和检测信息计算得到的融合信息，
Figure DEST_PATH_IMAGE088
表示检测信息的数量，
Figure DEST_PATH_IMAGE090
表示第
Figure DEST_PATH_IMAGE092
种检测信息的当前权重，
Figure DEST_PATH_IMAGE094
表示检测信息的方差，
Figure DEST_PATH_IMAGE096
表示根据各检测信息的最优权重和检测信息计算得到的融合信息的方差，
Figure DEST_PATH_IMAGE098
的表达式为：
Figure DEST_PATH_IMAGE100
。
5.一种车辆信息获取装置，其特征在于，包括：
感知信息获取模块， 用于通过多个检测装置获取目标车辆的多个感知信息；
第二趋势项计算模块，用于根据所述多个感知信息计算所述多个感知信息的趋势项，通过对各检测信息中的采样点进行拟合得到各检测信息的趋势项：
Figure DEST_PATH_IMAGE102
，其中，
Figure DEST_PATH_IMAGE104
为拟合函数参数向量，
Figure DEST_PATH_IMAGE106
为各检测信息的时间序列，
Figure DEST_PATH_IMAGE108
为拟合函数，拟合函数
Figure 716995DEST_PATH_IMAGE108
为多项式，或，三角函数，或，指数函数，或，样条函数；
第二残差计算模块，用于根据所述趋势项及各所述感知信息计算各感知信息的残差；
第二最优权重计算模块，用于根据各所述感知信息的残差计算各所述感知信息的最优权重；
第二融合信息计算模块，用于根据各所述感知信息的最优权重对各所述感知信息进行加权融合，得到所述目标车辆的融合信息；
根据各所述感知信息的残差计算各所述感知信息的最优权重，包括：
根据各所述感知信息的残差计算各所述感知信息的初始权重，各所述检测信息的初始权重为：
Figure DEST_PATH_IMAGE110
，
其中，
Figure DEST_PATH_IMAGE112
表示第i种检测信息的残差的方差，n表示检测信息的数量；
根据预设权重优化模型对所述初始权重进行优化，得到所述最优权重；
所述预设权重优化模型为：
Figure 438963DEST_PATH_IMAGE048
，
其中，
Figure DEST_PATH_IMAGE114
表示各感知信息的最优权重，
Figure DEST_PATH_IMAGE116
表示各感知信息的当前权重，
Figure DEST_PATH_IMAGE118
为方差函数，
Figure DEST_PATH_IMAGE120
表示根据各感知信息的当前权重和感知信息计算得到的融合信息，
Figure DEST_PATH_IMAGE122
表示感知信息的数量，
Figure 522326DEST_PATH_IMAGE090
表示第
Figure 849402DEST_PATH_IMAGE092
种感知信息的当前权重，
Figure DEST_PATH_IMAGE124
表示感知信息的方差，
Figure DEST_PATH_IMAGE126
表示根据各感知信息的最优权重和感知信息计算得到的融合信息的方差，
Figure DEST_PATH_IMAGE128
的表达式为：
Figure DEST_PATH_IMAGE130
。
6.一种计算机设备，其特征在于，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，从而执行如权利要求1或2所述的信息融合方法，或，如权利要求3所述的车辆信息获取方法。
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存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1或2所述的信息融合方法，或，如权利要求3所述的车辆信息获取方法。
CN202011530669.3A 2020-12-22 2020-12-22 一种信息融合、车辆信息获取方法及装置 Active CN112560974B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011530669.3A CN112560974B (zh) 2020-12-22 2020-12-22 一种信息融合、车辆信息获取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011530669.3A CN112560974B (zh) 2020-12-22 2020-12-22 一种信息融合、车辆信息获取方法及装置

Publications (2)

Publication Number Publication Date
CN112560974A CN112560974A (zh) 2021-03-26
CN112560974B true CN112560974B (zh) 2021-12-31

Family

ID=75031373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011530669.3A Active CN112560974B (zh) 2020-12-22 2020-12-22 一种信息融合、车辆信息获取方法及装置

Country Status (1)

Country Link
CN (1) CN112560974B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115659284B (zh) * 2022-12-27 2023-07-18 河北新龙科技集团股份有限公司 一种大数据融合平台
CN118014465A (zh) * 2024-04-09 2024-05-10 上海海勃物流软件有限公司 一种物料运输态势获取方法、系统及物料运输管理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110186820A (zh) * 2018-12-19 2019-08-30 河北中科遥感信息技术有限公司 多源数据融合与环境污染源及污染物分布分析方法
CN111366617A (zh) * 2020-03-13 2020-07-03 山东航向电子科技有限公司 半监督模糊识别模型及基于该模型的土壤湿度测量方法
CN111524367A (zh) * 2020-07-06 2020-08-11 江苏中科院智能科学技术应用研究院 测距融合方法及系统、复合型车流量监测装置及监测系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473408B (zh) * 2013-08-28 2016-07-06 河南大学 一种融合时空信息的气温缺失记录重建方法
CN103776654B (zh) * 2014-02-21 2016-08-31 黑龙江省科学院自动化研究所 多传感器信息融合的故障诊断方法
CN108592914A (zh) * 2018-04-08 2018-09-28 河南科技学院 无gps情况下的复杂区域巡视机器人定位、导航及授时方法
CN109829386B (zh) * 2019-01-04 2020-12-11 清华大学 基于多源信息融合的智能车辆可通行区域检测方法
CN111127888A (zh) * 2019-12-23 2020-05-08 广东工业大学 一种基于多源数据融合的城市交通流预测方法
CN111780755B (zh) * 2020-06-30 2023-05-05 南京理工大学 一种基于因子图和可观测度分析的多源融合导航方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110186820A (zh) * 2018-12-19 2019-08-30 河北中科遥感信息技术有限公司 多源数据融合与环境污染源及污染物分布分析方法
CN111366617A (zh) * 2020-03-13 2020-07-03 山东航向电子科技有限公司 半监督模糊识别模型及基于该模型的土壤湿度测量方法
CN111524367A (zh) * 2020-07-06 2020-08-11 江苏中科院智能科学技术应用研究院 测距融合方法及系统、复合型车流量监测装置及监测系统

Also Published As

Publication number Publication date
CN112560974A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
US10496515B2 (en) Abnormality detection apparatus, abnormality detection method, and non-transitory computer readable medium
CN112560974B (zh) 一种信息融合、车辆信息获取方法及装置
CN105593864B (zh) 用于维护设备的分析设备退化
JP6283112B2 (ja) データに基づく関数モデルを定めるための方法及び装置
US7787696B2 (en) Systems and methods for adaptive sampling and estimating a systematic relationship between a plurality of points
CN114444366A (zh) 基于有限元仿真的桥梁数字孪生模型更新方法及装置
US20190355112A1 (en) System and method of distributed processing for machine-vision analysis
US20140309754A1 (en) Method and device for creating a data-based function model
CN112128950B (zh) 一种基于多种模型对比的机房温湿度预测方法及系统
EP2778640B1 (en) Outside air temperature measurement device and method
JP6671568B1 (ja) センサ診断装置およびセンサ診断プログラム
CN116106869A (zh) 自动驾驶车辆的定位评价方法、装置及电子设备
CN113884188B (zh) 一种温度检测方法、装置及电子设备
Gaël et al. On the impact of correlations on the congruence test: a bootstrap approach: Case study: B-spline surface fitting from TLS observations
CN113552557B (zh) 飞行时间相机的测距校准方法、装置及设备
CN113592548A (zh) 一种土地价值评估方法及装置
CN114450696A (zh) 数据同化框架中的物理传感器的集成
WO2021031091A1 (en) Method and apparatus for detecting operating status of device, and computer readable medium
CN111176931A (zh) 一种运营监控方法、装置、服务器及存储介质
WO2021210107A1 (ja) モデル作成装置、モデル作成方法、及びモデル作成プログラム
JP2019008470A (ja) 管理装置、シミュレーションシステムおよびシミュレーション方法
KR20170090088A (ko) 피진단체 진단 장치 및 방법
KR101170811B1 (ko) 개선된 타이어 성능 평가 방법 및 시스템
CN118134511A (zh) 一种车辆产品的碳排放管理方法、装置及介质
CN114217539A (zh) 自动驾驶功能的仿真测试方法、装置、车辆及存储介质

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