CN113511194A

CN113511194A - 一种纵向避撞预警方法及相关装置

Info

Publication number: CN113511194A
Application number: CN202110474284.8A
Authority: CN
Inventors: 章军辉; 郭晓满; 付宗杰; 王静贤; 陈大鹏
Original assignee: Wuxi Internet Of Things Innovation Center Co ltd; Jiangsu IoT Research and Development Center
Current assignee: Wuxi Internet Of Things Innovation Center Co ltd; Jiangsu IoT Research and Development Center
Priority date: 2021-04-29
Filing date: 2021-04-29
Publication date: 2021-10-19

Abstract

本申请公开了一种纵向避撞预警方法及相关装置，包括：对各异构传感器的量测数据进行时间配准与空间融合；从完成时间配准与空间融合后的量测数据中筛选出有效量测数据，并将有效量测数据与目标车辆的运动轨迹进行关联；其中，将有效量测数据与目标车辆的运动轨迹进行关联时去除关联概率小于预设参考阈值的事件；根据多源异构传感器多目标观测模型以及有效量测数据，采用MSJPDA算法对相应的目标车辆的运动状态进行滤波估计得到目标车辆的状态估计；根据目标车辆的状态估计与预设的威胁估计模型进行避撞预警。该方法能够实现多源异构传感器量测数据的有效关联，增强融合感知的鲁棒能力，可靠的进行纵向避撞预警。

Description

一种纵向避撞预警方法及相关装置

技术领域

本申请涉及智能车辆技术领域，特别涉及一种纵向避撞预警方法；还涉及一种纵向避撞预警装置、设备以及计算机可读存储介质。

背景技术

随着汽车保有量持续增加以及城市交通规模快速增长，拥堵、安全、污染等已成为全球性交通困扰，从而大力发展汽车主动安全技术，实现车辆智能化网联化显得愈发重要。作为智能车辆与道路环境交互的关键—感知层，通过多源传感器融合技术精准辨识车辆周围环境，将为决策规划层提供更可靠的决策依据，多源传感器协同融合感知成为近年来目标跟踪领域的研究热点。目标跟踪问题包括单目标跟踪与多目标跟踪。无论是单目标跟踪还是多目标跟踪，有效可靠的进行避撞预警是目标跟踪过程中的一个关键，如何将多源传感器量测数据有效关联，可靠的进行纵向避撞预警已成为本领域技术人员亟待解决的技术问题。

发明内容

本申请的目的是提供一种纵向避撞预警方法，能够将多源传感器量测数据有效关联，可靠的进行纵向避撞预警。本申请的另一个目的是提供一种纵向避撞的预警装置、设备以及计算机可读存储介质，均具有上述技术效果。

为解决上述技术问题，本申请提供了一种纵向避撞预警方法，包括：

对各异构传感器的量测数据进行时间配准与空间融合；

从完成时间配准与空间融合后的所述量测数据中筛选出有效量测数据，并将所述有效量测数据与目标车辆的运动轨迹进行关联；其中，将所述有效量测数据与所述目标车辆的运动轨迹进行关联时去除关联概率小于预设参考阈值的事件；

根据多源异构传感器多目标观测模型以及所述有效量测数据，采用MSJPDA算法对相应的所述目标车辆的运动状态进行滤波估计得到所述目标车辆的状态估计；

根据所述目标车辆的状态估计与预设的威胁估计模型进行避撞预警。

可选的，所述异构传感器包括雷达传感器与视觉传感器。

可选的，对个异构传感器的量测数据进行时间配准包括：

通过内插外推的方式对雷达传感器与视觉传感器的量测数据进行时间配准。

可选的，对各异构传感器的量测数据进行空间融合包括：

在雷达坐标系与世界坐标系的二维水平面平行的条件下，建立相机像素坐标系与所述世界坐标系的映射关系；

根据所述相机像素坐标系与所述世界坐标系的映射关系对所述雷达传感器与所述视觉传感器的量测数据进行空间融合。

可选的，所述从完成时间配准与空间融合后的量测数据中筛选出有效量测数据包括：

计算所述量测数据与相应的预测值的马氏距离；

判断所述马氏距离是否小于或等于预设门限；

若所述马氏距离小于或等于所述预设门限，则所述量测数据为有效量测数据。

可选的，所述多源异构传感器多目标观测模型为

其中，x_i(k)表示状态向量，且x_i(k)＝[d_i,y(k),v_i,y(k),d_i,x(k),v_i,x(k)]^T，

表示模型预测输出，且

d_i,y(k)表示第i个目标车辆的纵向距离，v_i,y(k)表示第i个目标车辆纵向速度，d_i,x(k)表示第i个目标车辆的横向距离，v_i,x(k)表示第i个目标车辆横向速度，i表示第i个目标车辆，ξ表示第ξ个传感器，x_i(k+1|k)表示对k+1时刻第i个目标的状态预测，

表示第ξ个传感器对第i个目标的量测预测，F_i表示目标车辆i的状态转移矩阵，C_i表示状态校正项，H^ξ表示第ξ个传感器的量测矩阵，w_i(k)是过程噪声，v^ξ(k)是第ξ个传感器的量测噪声。

可选的，所述威胁估计模型为d_safe＝d_lim+D₀+Δv·T_resp；其中，d_safe表示安全车距，d_lim表示临界安全车距，D₀表示零速度车距，Δv表示自车相对前车的速度差，T_resp表示驾驶人反应时间。

为解决上述技术问题，本申请还提供了一种纵向避撞预警装置，包括：

配准与融合模块，用于对各异构传感器的量测数据进行时间配准与空间融合；

筛选与关联模块，用于从完成时间配准与空间融合后的所述量测数据中筛选出有效量测数据，并将所述有效量测数据与目标车辆的运动轨迹进行关联；其中，将所述有效量测数据与所述目标车辆的运动轨迹进行关联时去除关联概率小于预设参考阈值的事件；

状态估计模块，用于根据多源异构传感器多目标观测模型以及所述有效量测数据，采用MSJPDA算法对相应的所述目标车辆的运动状态进行滤波估计得到所述目标车辆的状态估计；

避撞预警模块，用于根据所述目标车辆的状态估计与预设的威胁估计模型进行避撞预警。

为解决上述技术问题，本申请还提供了一种纵向避撞预警设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上任一项所述的纵向避撞预警方法的步骤。

为解决上述技术问题，本申请还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任一项所述的纵向避撞预警方法的步骤。

本申请所提供的纵向避撞预警方法，包括：对各异构传感器的量测数据进行时间配准与空间融合；从完成时间配准与空间融合后的所述量测数据中筛选出有效量测数据，并将所述有效量测数据与目标车辆的运动轨迹进行关联；其中，将所述有效量测数据与所述目标车辆的运动轨迹进行关联时去除关联概率小于预设参考阈值的事件；根据多源异构传感器多目标观测模型以及所述有效量测数据，采用MSJPDA算法对相应的所述目标车辆的运动状态进行滤波估计得到所述得到目标车辆的状态估计；根据所述目标车辆的状态估计与预设的威胁估计模型进行避撞预警。

可见，本申请所提供的纵向避撞预警方法，对多源异构传感器量测数据进行时间配准与空间融合，以此解决多源传感器的观测序列的采样周期、采样起始时刻、通信时延差异而引起的时间异步，以及空间上存在不同维度不同坐标系的问题。在将有效量测数据与目标车辆的运动轨迹进行关联的过程中，本申请引入参考阈值，通过参考阈值来忽略关联概率接近于零的事件，实现对观测确认矩阵的稀疏化处理，减少可行联合事件的拆分次数。另外，本申请采用MSJPDA算法对目标车辆的运动状态进行滤波估计，可以有效提升量测数据关联的可靠程度，充分发挥出单一传感器各自的性能优势，增强了融合感知的鲁棒性，能够可靠的进行纵向避撞预警。

本申请所提供的纵向避撞预警装置、设备以及计算机可读存储介质均具有上述技术效果。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对现有技术和实施例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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例所提供的一种纵向避撞预警方法的流程示意图；

图2为本申请实施例所提供的一种多目标跟踪下坐标系的示意图；

图3为本申请实施例所提供的一种采样序列的示意图；

图4为本申请实施例所提供的一种坐标系映射关系的示意图；

图5为本申请实施例所提供的一种关联流程示意图；

图6为本申请实施例所提供的一种MSJPDA算法流程示意图。

具体实施方式

本申请的核心是提供一种纵向避撞预警方法，能够将多源传感器量测数据有效关联，可靠的进行纵向避撞预警。本申请的另一个核心是提供一种纵向避撞的预警装置、设备以及计算机可读存储介质，均具有上述技术效果。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

请参考图1，图1为本申请实施例所提供的一种纵向避撞预警方法的流程示意图，参考图1所示，该方法包括：

S101：对个异构传感器的量测数据进行时间配准与空间融合；

本申请采用多源异构传感器量测数据相融合的方案对目标车辆的运动状态进行在线滚动估计，并在此基础上进行纵向避撞预警。其中，异构传感器可以包括雷达传感器与视觉传感器。

具体而言，多车道车辆跟踪过程中的OOI(object of interest，感兴趣目标)是位于本车道与邻车道且离本车最近的前方的目标车辆，其相对本车来说，危险系数较高，引发车辆追尾的隐患相对较大。

参考图2所示，针对多车道多目标跟踪问题，本申请建立多源异构传感器多目标观测模型的离散状态空间方程的方式为：假设雷达坐标系与世界坐标系的二维水平面平行，忽略目标车辆的法向运动。令第i个目标车辆的纵向距离为d_i,y(k)，纵向速度为v_i,y(k)，横向距离为d_i,x(k)，横向速度为v_i,x(k)，以x_i(k)＝[d_i,y(k),v_i,y(k),d_i,x(k),v_i,x(k)]^T作为状态向量，

作为模型预测输出，建立多源异构传感器多目标观测模型的离散状态空间方程：

上式中，下标i表示第i个目标车辆，上标ξ表示第ξ个传感器，x_i(k+1|k)表示对k+1时刻第i个目标车辆的状态预测，

是第ξ个传感器对第i个目标车辆的量测预测，F_i是目标车辆i的状态转移矩阵，C_i是状态校正项，H^ξ是第ξ个传感器的量测矩阵，w_i(k)是过程噪声，v^ξ(k)是第ξ个传感器的量测噪声。

其中，下标i∈[1,3]，即最多3个目标车辆，下标ξ∈[1,2]，可令ξ＝1代表雷达传感器，ξ＝2代表视觉传感器。

另外，为兼顾目标车辆的机动特性与本地实时计算的需求，本申请定义目标运动模型为CV(Constant Velocity，匀速运动)模型，并通过雷达传感器的量测数据来动态校正CV模型中机动目标的速度。假设过程噪声w_i(k)服从N(0,Q)分布，量测噪声v^ξ(k)服从N(0,R^ξ)分布，多目标观测模型中各系数矩阵满足：

其中，T_s表示采样周期，Δv_i,y、Δv_i,x分别表示通过雷达传感器量测得到的纵向与横向相对速度，忽略Δv_i,x变化，并通过Δv_i,y定期校正CV模型。

多类传感器所提供的多源信息往往是不同时空、不同维度、不同数据结构的，因此，为了提高源自各传感器的量测数据关联的可靠程度，实现多源传感器量测数据的有效关联与多目标的快速跟踪，本申请在获取到雷达传感器与视觉传感器的量测数据的基础上，首先对对雷达传感器与视觉传感器的量测数据进行时间配准与空间融合。

在一种具体的实施方式中，对各异构传感器的量测数据进行时间配准的方式为：

具体而言，为了保障时间配准的精度以及实时性，本实施例采用内插外推的方式进行时间配准。以X轴为例：将相机即视觉传感器的采样序列配准到雷达传感器的采样时刻上，对应的时间配准公式为：

上式中，

表示相机的采样序列的X轴分量，

表示将相机的第m个采样点

配准至雷达的第n个采样时刻上，T₁表示雷达传感器的采样周期，T₂表示相机的采样周期，

表示雷达传感器的采样时刻，

表示相机的采样时刻。以雷达传感器的采样周期为60ms，相机的采样周期为33ms为例，二者的采样序列如图3所示。

可以明白的是，依照上述针对X轴分量的配准方式，可以类比的得到Y轴分量的配准方式，将上式中X替换成为Y即可，本申请在此不做赘述。

在一种具体的实施方式中，对各异构传感器的量测数据进行空间融合包括：在雷达坐标系与世界坐标系的二维水平面平行的条件下，建立相机像素坐标系与世界坐标系的映射关系；根据相机像素坐标系与世界坐标系的映射关系对雷达传感器与视觉传感器的量测数据进行空间融合。

具体而言，在建立多源异构传感器目标观测模型的离散状态空间方程时，假设雷达坐标系与世界坐标系的二维水平面是平行的，因此仅需建立相机像素坐标系与世界坐标系的映射关系。

参考图4所示，三维世界点P与其在像平面上投影点p的映射关系满足：

λp＝ψ[R_3×3|t_3×1]P；

上式中，λ为比例系数，p＝[u,v,1]^T是二维图像中投影点的齐次坐标，P＝[X_w,Y_w,Z_w,1]^T是三维世界中某点的齐次坐标，

是相机的内参矩阵，[R_3×3|t_3×1]是相机的外参矩阵，R_3×3是旋转矩阵，t_3×1是平移向量，(u₀,v₀)是投影中心点，f是焦距。

S102：从完成时间配准与空间融合后的量测数据中筛选出有效量测数据，并将有效量测数据与目标车辆的运动轨迹进行关联；其中，将有效量测数据与目标车辆的运动轨迹进行关联时去除关联概率小于预设参考阈值的事件；

本步骤旨在进行数据关联，包括有效量测数据的筛选与有效量测数据与目标车辆的运动轨迹进行关联两步。

从量测数据中筛选出有效量测数据的方式可以为：计算量测数据与相应的预测值的马氏距离；判断马氏距离是否小于或等于预设门限；若马氏距离小于或等于预设门限，则量测数据为有效量测数据。

具体而言，马氏距离是一种用于计算两个未知样本集相似度的度量方法。为了弱化不同特征数据之间量纲的影响，定义模型预测与实际量测之间的马氏距离为

式中，z^ξ表示本周期内第ξ个传感器的实际量测，y^ξ表示基于第ξ个传感器的观测模型的预测，Σ^ξ表示协方差矩阵，d_M表示马氏距离。如果计算所得马氏距离小于或等于预设门限，则表明相应的量测数据为有效量测数据。即若量测数据落入有效观测集所描述的区域，则表明量测数据为有效量测数据。有效观测集表示如下：

上式中，

表示第ξ个传感器的有效观测集，ε表示门限。

另外，将有效量测数据与目标车辆的运动轨迹进行关联的方式可以为：根据有效量测数据生成观测确认矩阵，将观测确认矩阵拆分为多个可行矩阵，进而计算有效量测数据与目标车辆的运动轨迹的目标关联概率，根据计算所得目标关联概率将有效量测数据与目标车辆的运动轨迹关联。

具体而言，在某个采样周期内，将m_k个有效量测数据与n_k个目标车辆之间的一种匹配可能的事件定义为联合事件，并用矩阵形式来描述联合事件，

式中，ω_i,j表示在联合事件中量测j与目标i的布尔关系，即当量测j落入目标i的跟踪门内时，ω_i,j＝1，反之，ω_i,j＝0。Ω为观测确认矩阵，该观测确认矩阵的第一列表示量测j源于杂波或虚警，其中，目标i∈[0,1,…,n_k]，量测j∈[1,2,…,m_k]。

对于量测落入跟踪门相交区域的情形，即某些量测可能源自于多个目标，定义目标关联概率，用以表示不确定性量测与其可能的源目标的关联程度。假设：每个量测只能源自于一个目标或杂波；每个目标最多只能产生一个回波。由此上式所表示的联合事件将被拆分成多个不相关的可行关联事件的组合。

目标关联概率为：

其中，式中，β_i,j(k)表示量测j与目标i关联的概率，属于后验概率，θ_i,j(k)表示量测j源自于目标i的事件，

表示第

个可行关联事件，

Z^k表示前k次的量测集，属于先验知识。

其中，在数据关联过程中，对观测确认矩阵Ω进行拆分，应遵循：逐行扫描，每行仅选出一个1作为可行矩阵在该行的非0元素；除第一列外，每列只能有一个1。当目标密集或回波较多时，尤其是在强杂波环境下，拆分复杂度将会剧增，计算实时性不太理想，并且由于关联概率较大的可行关联事件将会在跟踪过程中起着主导作用，因此本实施例设置了一个参考阈值，用来忽略关联概率接近于0的事件，以实现对确认矩阵的稀疏化处理，进而减少可行联合事件的拆分次数。对式(6)观测确认矩阵进行重构，即Ω′＝[ω′_i，j]。

式中，

其中ρ是设计参数，当ρ越小时，拆分次数越多，计算负荷越大，反之，实时性变好，跟踪效果变差，优选的ρ选取10^-2数量级，β_i′_,j为Cheap JPDA算法中聚概率矩阵的元素。

数据关联流程可参考图5所示，其中，

表示雷达传感器或视觉传感器的有效观测集，x₁(k)代表左车道感兴趣目标车辆，x₂(k)代表本车道感兴趣目标车辆，x₃(k)代表右车道感兴趣目标车辆。

当有新的机动目标进入观测视野时，根据最临近原则，距离本车最近的目标所构成的威胁较为明显，从而更新感兴趣目标序列，否则维持当前感兴趣目标序列。当机动目标超出雷达的观测范围或连续数个周期内皆无有效量测，则舍弃该目标。

S103：根据多源异构传感器多目标观测模型以及有效量测数据，采用MSJPDA算法对相应的目标车辆的运动状态进行滤波估计得到目标车辆的状态估计；

具体的，考虑到传感器数量以及应用场景，本申请采用MSJPDA(multi-sensorjoint probability data association，多源传感器联合概率数据融合)算法对目标车辆的运动状态进行序贯更新。参考图6所示，该算法是将单一传感器JPDA(joint probabilitydata association，联合概率数据关联)算法结构串联起来，在当前时刻依次处理各传感器的量测数据，对目标车辆的运动状态进行序贯更新，最后一级的输出将作为融合中心的最终状态估计。

针对单一传感器JPDA算法的解释如下：JPDA是一种通过对各有效量测值按关联概率加权平均进而对目标轨迹进行滤波估计的算法。先通过计算当前时刻有效观测集内每一个量测与其可能的源目标相关联的后验概率，即对组合量测求加权平均时的权值，再基于标准卡尔曼滤波框架，利用组合量测对相应目标的运动状态进行联合预测，在下一采样时刻重复该过程，从而实现各目标运动状态的在线滚动估计。

对于单一传感器，忽略掉标识符ξ，一步迭代算式如下：

时间更新过程为：

式中，x_i(k|k-1)表示基于k-1时刻目标i的状态对k时刻的状态进行预测，P_i(k|k-1)是对目标i状态预测的协方差，Q是过程噪声的协方差。

关联概率更新过程为：

根据式(5)所示的跟踪门规则生成观测确认矩阵，接着将其拆分成L_k个可行矩阵，再根据式(7)对关联概率进行更新。

量测更新过程为：

式中，S_i(k)表示量测协方差，G_i(k)表示卡尔曼增益，δ_i,j(k)表示量测新息，δ_i(k)表示组合新息，β_i,j(k)表示量测j源于目标i的概率，

表示k时刻没有量测与目标i关联，x_i,j(k)表示利用第j个量测对目标i的卡尔曼滤波估计，x_i(k)、P_i(k)是k时刻的最优估计，被用作下一步迭代的输入。

S104：根据目标车辆的状态估计与预设的威胁估计模型进行避撞预警。

本步骤旨在根据目标车辆的状态估计以及威胁估计模型判断是否存在碰撞风险，并当存在碰撞风险时进行避撞预警。

其中，威胁估计模型为d_safe＝d_lim+D₀+Δv·T_resp；其中，d_safe表示安全车距，d_lim表示临界安全车距，D₀表示零速度车距，且D₀与路面附着系数有关，Δv表示自车相对前车的速度差，T_resp表示驾驶人反应时间。

在进行避撞预警时，可以对追尾危险的发展态势进行评估与分级，进而采取各级对应的预警措施，以更加符合人体工程学方法论，并在一定程度上改善驾乘体验。

进一步，有鉴于传感器本身的局限性，为了避免有效目标短暂丢失、噪声量测等扰动因素的影响，在关联过程中还可增加有效目标的存续性判定策略，即对于某个跟踪目标i，

当l∈[0,L]时，有β_i,j(k+l)≤σ恒成立，则该目标不再有效，反之，则认为该目标的生命周期是存续的，该目标有效。其中σ、L皆是设计参数。

综上所述，本申请所提供的纵向避撞预警方法，对多源异构传感器量测数据进行时间配准与空间融合，以此解决多源传感器的观测序列的采样周期、采样起始时刻、通信时延差异而引起的时间异步，以及空间上存在不同维度不同坐标系的问题。在将有效量测数据与目标车辆的运动轨迹进行关联的过程中，本申请引入参考阈值，通过参考阈值来忽略关联概率接近于零的事件，实现对观测确认矩阵的稀疏化处理，减少可行联合事件的拆分次数。另外，本申请采用MSJPDA算法对目标车辆的运动状态进行状态估计，可以有效提升量测数据关联的可靠程度，充分发挥出单一传感器各自的性能优势，增强了融合感知的鲁棒性，能够可靠的进行纵向避撞预警。

本申请还提供了一种纵向避撞预警装置，下文描述的该装置可以与上文描述的方法相互对应参照。该装置主要包括：

本申请还提供了一种纵向避撞预警设备，该设备包括存储器和处理器。

存储器，用于存储计算机程序；

处理器，用于执行计算机程序实现如下的步骤：

对各异构传感器的量测数据进行时间配准与空间融合；从完成时间配准与空间融合后的所述量测数据中筛选出有效量测数据，并将所述有效量测数据与目标车辆的运动轨迹进行关联；其中，将所述有效量测数据与所述目标车辆的运动轨迹进行关联时去除关联概率小于预设参考阈值的事件；根据多源异构传感器多目标观测模型以及所述有效量测数据，采用MSJPDA算法对相应的所述目标车辆的运动状态进行滤波估计得到所述目标车辆的状态估计；根据所述目标车辆的状态估计与预设的威胁估计模型进行避撞预警。

对于本申请所提供的设备的介绍请参照上述方法实施例，本申请在此不做赘述。

本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如下的步骤：

该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

对于本申请所提供的计算机可读存储介质的介绍请参照上述方法实施例，本申请在此不做赘述。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备以及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本申请所提供的纵向避撞预警方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围。