CN114065876B - 基于路侧多传感器的数据融合方法、装置、系统及介质 - Google Patents
基于路侧多传感器的数据融合方法、装置、系统及介质 Download PDFInfo
- Publication number
- CN114065876B CN114065876B CN202210023930.3A CN202210023930A CN114065876B CN 114065876 B CN114065876 B CN 114065876B CN 202210023930 A CN202210023930 A CN 202210023930A CN 114065876 B CN114065876 B CN 114065876B
- Authority
- CN
- China
- Prior art keywords
- target
- sequence
- detection
- time
- real
- 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
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 279
- 230000004927 fusion Effects 0.000 claims abstract description 128
- 238000011897 real-time detection Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000008447 perception Effects 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000007499 fusion processing Methods 0.000 claims abstract description 12
- 230000001133 acceleration Effects 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 9
- 230000003252 repetitive effect Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000012163 sequencing technique Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
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
本申请涉及一种基于路侧多传感器的数据融合方法、装置、系统及介质，其方法包括获取多个传感器在当前融合周期内感知的多条目标检测序列；基于时间顺序的多条目标检测序列，对第i条目标检测序列中多个目标对象的目标状态数据进行预测，得到第i+1条目标预测序列；基于第i+1条目标检测序列、第i+1条目标预测序列和预设的实时检测相似度阈值，筛选出第i+1条目标检测序列和第i+1条目标预测序列中的重复目标对象并进行去重处理，以融合得到第i+1条目标融合序列；将第i+1条目标融合序列和第i+2条目标检测序列进行去重并融合处理，直至完成第K条目标检测序列的融合，得到当前融合周期的路侧实时目标感知数据。本申请能够有效提高网联路侧交通数据融合的精度。
Description
技术领域
本申请涉及智能网联技术领域，尤其是涉及一种基于路侧多传感器的数据融合方法、装置、系统及介质。
背景技术
随着智能驾驶技术的快速发展，网联路口的部署进度也逐渐加快。网联路口通过在路侧部署路侧通讯设备向处于网联路口范围内的智能网联车辆广播相位和倒计时信息、地图信息以及传感器共享信息等消息集。就广播传感器共享信息而言，需要在网联路口路侧部署检测目标数据的传感器。但是路侧部署的多传感器由于其检测范围各有不同，且存在检测重叠区域，因此需要对多传感器输出的目标结构化数据进行融合，以供在网联路口范围内的智能网联车辆获取超视距的感知信息，提升通过该网联路口的安全与效率。
路侧信息融合感知方面，目前主要有两种技术路线：传感器级别的融合主要是在多传感器采集的原始数据上进行融合，比如激光雷达的原始激光点云数据与摄像头图像数据进行拼接融合，而后统一输出路口的全息感知结果，但这种方法由于需要对多传感器的原始数据进行处理，对路侧的计算单元的算力与存储能力提出了很高的要求，需要额外的硬件成本；目标级别的融合主要是通过路侧多传感器分别输出的目标结构化数据，识别重复检测的目标数据并剔除，从而实现目标级别的融合，这种融合方法是一种融合的方式。虽然目标级别的融合方法各有不同，但由于多个传感器的影响因素，目前基于目标级别的融合方式，其数据融合精度受到一定影响。
发明内容
有鉴于此，本申请提供一种基于路侧多传感器的数据融合方法、装置、系统及介质，用以解决现有路侧多传感器的数据融合技术精度较低的技术问题。
为了解决上述问题，第一方面，本申请提供一种基于路侧多传感器的数据融合方法，所述方法包括：
获取多个传感器在当前融合周期内感知的多条目标检测序列，每个所述目标检测序列包括多个目标对象的目标状态数据；
基于时间顺序的多条目标检测序列，对第i条目标检测序列中所述多个目标对象的目标状态数据进行预测，得到第i+1条目标预测序列；
基于第i+1条目标检测序列、第i+1条目标预测序列和预设的实时检测相似度阈值，筛选出第i+1条目标检测序列和第i+1条目标预测序列中的重复目标对象并进行去重处理，以融合得到第i+1条目标融合序列；
将第i+1条目标融合序列和第i+2条目标检测序列进行去重并融合处理，直至完成第K条目标检测序列的融合，得到当前融合周期的路侧实时目标感知数据；其中i表示基于时间序列的多条目标检测序列排列序号，i={1,2,...,K}，K为正整数，且K≥2。
可选的，任一条所述目标检测序列中每个目标对象的目标状态数据至少包括对应目标对象的时间戳、实际位置、实际航向角、实际速度以及目标对象的类型；其中所述目标对象的类型为机动车、非机动车或人。
可选的，所述对第i条目标检测序列中多个目标对象的目标状态数据进行预测，得到第i+1条目标预测序列，包括：
采用航位推算算法，对第i条目标检测序列中每个目标对象的目标状态数据进行预测，以得到第i+1条目标预测序列。
可选的，所述目标检测序列还包括当前对应传感器的检测精度数据；则筛选出第i+1条目标检测序列和第i+1条目标预测序列中的重复目标对象之前，所述方法还包括：
基于时间序列的第i条目标检测序列和第i+1条目标检测序列中各自对应传感器的检测精度数据，确定实时检测相似阈值；
所述筛选出第i+1条目标检测序列和第i+1条目标预测序列中的重复目标对象，包括：
根据第i+1条目标预测序列中当前目标对象的预测状态数据和第i+1条目标检测序列中每个目标对象的实际状态数据，确定所述当前目标对象与第i+1条目标检测序列中每个目标对象之间的状态相似值，并判断所述当前目标对象的每个状态相似值是否小于所述实时检测相似阈值，若是，则确定当前目标对象为重复目标对象。
可选的，所述状态相似值包括相对距离、相对加速度以及相对角速度；所述实时检测相似阈值包括距离阈值、加速度阈值以及角速度阈值；则确定所述当前目标对象与第i+1条目标检测序列中每个目标对象之间的状态相似值，并判断所述当前目标对象的每个状态相似值是否小于所述实时检测相似阈值，包括：
确定所述当前目标对象的预测位置与第i+1条目标检测序列中每个目标对象的实际位置之间的相对距离；
确定所述当前目标对象的预测航向角与第i+1条目标检测序列中每个目标对象的实际航向角之间的相对角速度；
确定所述当前目标对象的预测速度与第i+1条目标检测序列中每个目标对象的实际速度之间的相对加速度；
判断所述当前目标对象相对于第i+1条目标检测序列中每个目标对象的距离值、相对角速度、相对加速度是否都小于对应的实时距离阈值、实时加速度阈值以及实时角速度阈值；
若是，则确定当前目标对象的每个状态相似值小于所述实时检测相似阈值。
可选的，任一所述传感器的检测精度数据包括位置检测精度、航向角检测精度以及速度检测精度；所述实时检测相似阈值包括实时距离阈值、实时加速度阈值以及实时角速度阈值；
所述实时距离阈值为预设距离常数和实时距离误差的和；所述实时加速度阈值为预设加速度常数和实时加速度误差的和；所述实时角速度阈值为预设角速度常数和实时角速度误差的和；
其中所述实时距离误差、实时加速度误差以及实时角速度误差通过置信区间法确定。
可选的，所述实时距离误差、实时加速度误差以及实时角速度误差，计算公式如下：
其中，X表示通过给定置信度确定的常数值，σ i 表示第i条目标检测序列对应传感器的位置检测精度；σ i+1表示第i+1条目标检测序列对应传感器的位置检测精度；σ i,v 表示第i条目标检测序列对应传感器的速度检测精度；σ i+1,v 表示第i+1条目标检测序列对应传感器的速度检测精度；σ i,h 表示第i条目标检测序列对应传感器的航向角检测精度；σ i+1,h 表示第i+1条目标检测序列对应传感器的航向角检测精度；t i 表示第i条目标检测序列对应传感器的时间戳；t i+1表示第i+1条目标检测序列对应传感器的时间戳。
可选的，获取所述多个传感器在当前融合周期内感知的多条目标检测序列之前，所述方法还包括：
获取多条原始检测序列；
判断所述原始检测序列的时间戳是否在当前融合周期(t s ,t e )内，若是，则将筛选出所有满足当前融合周期的原始检测序列并作为目标检测序列，并将筛选出的目标检测序列按照时间戳从小到大进行排序；
其中
，t s 表示当前融合周期的起始时刻；t e 表示当前融合周期的结束时刻；f表示数据融合算法的输出频率，f≤f min ，f min 表示所述多个传感器中的最低输出频率。
第二方面，本申请提供一种基于路侧多传感器的数据融合装置，所述装置包括：
获取数据模块，用于获取多个传感器在当前融合周期内感知的多条目标检测序列，每个所述目标检测序列包括多个目标对象的目标状态数据；
预测模块，用于基于时间顺序的多条目标检测序列，对第i条目标检测序列中所述多个目标对象的目标状态数据进行预测，得到第i+1条目标预测序列；
去重模块，用于基于第i+1条目标检测序列、第i+1条目标预测序列和预设的实时检测相似度阈值，筛选出第i+1条目标检测序列和第i+1条目标预测序列中的重复目标对象并进行去重处理，以融合得到第i+1条目标融合序列；
数据融合模块，用于将第i+1条目标融合序列和第i+2条目标检测序列进行去重并融合处理，直至完成第K条目标检测序列的融合，得到当前融合周期的路侧实时目标感知数据；其中i表示基于时间序列的多条目标检测序列排列序号，i={1,2,...,K}，K为正整数，且K≥2。
第三方面，本申请提供的一种计算机设备，采用如下的技术方案：
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于路侧多传感器的数据融合方法的步骤。
第四方面，本申请提供的一种计算机可读存储介质，采用如下的技术方案：
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程序，所述计算机程序被处理器执行时实现所述基于路侧多传感器的数据融合方法的步骤。
第五方面，本申请提供一种基于路侧多传感器的数据融合系统，所述系统包括：
路侧传感器、计算机设备以及路侧通讯设备；所述路侧传感器包括多个传感器；
路侧传感器，用于检测目标对象的运动状态信息，以生成原始检测序列，并传输至所述计算机设备；
计算机设备，所述计算机设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述基于路侧多传感器的数据融合方法的步骤；
路侧通讯设备，用于将实时输出计算机设备计算出的当前融合周期的路侧实时目标感知数据，并向目标对象进行广播。
采用上述实施例的有益效果是：本实施例通过获取多个传感器在当前融合周期内感知的多条目标检测序列，基于时间顺序的多条目标检测序列，对第i条目标检测序列中所述多个目标对象的目标状态数据进行预测，得到第i+1条目标预测序列，从而便于后续进行数据去重处理；基于第i+1条目标检测序列、第i+1条目标预测序列和预设的实时检测相似度阈值，筛选出第i+1条目标检测序列和第i+1条目标预测序列中的重复目标对象并进行去重处理，以融合得到第i+1条目标融合序列，从而提高数据融合的准确性；通过将第i+1条目标融合序列和第i+2条目标检测序列进行去重并融合处理，直至完成第K条目标检测序列的融合，从而得到当前融合周期的路侧实时目标感知数据，提高网联路侧交通数据融合的精度，以提高智能网联车辆在网联路段的通行安全以及效率。
附图说明
图１为本申请提供的基于路侧多传感器的数据融合方法一实施例的方法流程图；
图2为本申请提供的基于路侧多传感器的数据融合方法步骤S101一实施例的方法流程图；
图3为本申请提供的基于路侧多传感器的数据融合方法步骤S103一实施例的方法流程图；
图4为本申请提供的基于路侧多传感器的数据融合装置一实施例的原理框图；
图5为本申请提供的基于路侧多传感器的数据融合系统一实施例的原理框图；
图6为本申请提供的计算机设备一实施例的原理框图。
具体实施方式
下面结合附图来具体描述本申请的优选实施例，其中，附图构成本申请一部分，并与本申请的实施例一起用于阐释本申请的原理，并非用于限定本申请的范围。
在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
参照图1，本实施例提供的基于路侧多传感器的数据融合方法包括下述步骤：
S101、获取多个传感器在当前融合周期内感知的多条目标检测序列，每条目标检测序列包括多个目标对象的目标状态数据；
S102、基于时间顺序的多条目标检测序列，对第i条目标检测序列中多个目标对象的目标状态数据进行预测，得到第i+1条目标预测序列；
S103、基于第i+1条目标检测序列、第i+1条目标预测序列和预设的实时检测相似度阈值，筛选出第i+1条目标检测序列和第i+1条目标预测序列中的重复目标对象并进行去重处理，以融合得到第i+1条目标融合序列；
S104、将第i+1条目标融合序列和第i+2条目标检测序列进行去重并融合处理，直至完成第K条目标检测序列的融合，得到当前融合周期的路侧实时目标感知数据，其中i表示基于时间序列的多条目标检测序列排列序号，i={1,2,...,K}，K为正整数，且K≥2。
在本实施例中，在目标场景路侧布设多个传感器，该目标场景路侧可以是马路路口路侧或特殊路段路侧等，传感器可以是摄像头、激光雷达和/或毫米波雷达等。任一条目标检测序列中每个目标对象的目标状态数据包括对应目标对象的时间戳、实际位置、实际航向角、实际速度以及目标对象的类型，还包括对应传感器的检测精度数据；其中目标对象的类型为机动车、非机动车或人。
本实施例通过获取多个传感器在当前融合周期内感知的多条目标检测序列，基于时间顺序的多条目标检测序列，对第i条目标检测序列中多个目标对象的目标状态数据进行预测，得到第i+1条目标预测序列，从而便于后续进行数据去重处理；基于第i+1条目标检测序列、第i+1条目标预测序列和预设的实时检测相似度阈值，筛选出第i+1条目标检测序列和第i+1条目标预测序列中的重复目标对象并进行去重处理，以融合得到第i+1条目标融合序列，从而提高数据融合的准确性；通过将第i+1条目标融合序列和第i+2条目标检测序列进行去重并融合处理，直至完成第K条目标检测序列的融合，从而得到当前融合周期的路侧实时目标感知数据，提高网联路侧交通数据融合的准确性，以提高智能网联车辆在网联路段的通行安全以及效率。
本实施例中，在步骤S101即获取多个传感器在当前融合周期内感知的多条目标检测序列之前，本实施例的基于路侧多传感器的数据融合方法还包括：获取各个传感器的检测精度数据。
具体地，各个传感器的检测精度数据可通过传感器的产品手册标明的检测精度获取或者通过对不同的传感器开展精度测试实验获取。在本实施例中，获取的检测精度数据包括对应传感器对目标对象的位置检测精度、航向角检测精度以及速度检测精度。在获取到目标场景路侧多个传感器的检测精度数据后，将其存储于相关计算机设备的数据库中。
在一实施例中，参照图2，步骤S101即获取多个传感器在当前融合周期内感知的多条目标检测序列之前，本实施例的基于路侧多传感器的数据融合方法还包括下述步骤：
S201、获取多条原始检测序列。
具体地，实时读取目标路侧场景每个传感器输出的检测结构化数据，检测结构化数据如表1所示。
表1
需要说明的是，本实施例中，假设路侧第k(k=1,2,...,N)个传感器的原始检测序列检测到的目标对象总数为M k ，则第k个传感器输出数据的时间戳记为t k ；第k个传感器输出的第j(j=1,2,...,M k )个目标对象的类型记为c kj ；第k个传感器输出的第j个目标对象的纬度位置记为lat kj ；第k个传感器输出的第j个目标对象的经度位置记为lon kj ；第k个传感器输出的第j个目标对象的速度记为v kj ；第k个传感器输出的第j个目标对象的航向角记为h kj 。进一步地，从数据库中获取各个传感器的检测精度数据，则可用
表示第k个传感器输出的第j个目标对象的目标状态数据。为方便后续步骤计算，需将经纬度数据转换到UTM平面坐标系上，得到x kj ，y kj ，则第k个传感器输出的第j个目标对象的目标状态数据可表示为
，从而进一步可以得到第k个传感器输出的所有目标对象的目标状态数据，组合成第k条原始检测序列。因此，针对路侧多传感器，可以获取到多条原始检测序列。
S202、判断原始检测序列的时间戳是否在当前融合周期(t s ,t e )内，若是，则将筛选出所有满足当前融合周期的原始检测序列并作为目标检测序列，并将筛选出的目标检测序列按照时间戳从小到大进行排序；其中
，t s 表示当前融合周期的起始时刻；t e 表示当前融合周期的结束时刻；f表示数据融合算法的输出频率，f≤f min ，f min 表示多个传感器中的最低输出频率。
具体地，考虑到本实施例需要融合不同传感器的检测序列；目标结构化数据。由于不同传感器的数据输出频率以及输出时间各不相同，因此本实施例基于路侧多传感器的数据融合方法（算法）的数据输出频率需小于等于路侧多传感器中最低输出频率。假设第k个传感器的输出频率为f k (k=1,2,...,N)，则融合算法输出频率f应满足：
f≤f k (k=1,2,...,N)（1）
假设本实实施例执行一次关于目标路侧场景数据融合算法的起始时间为t s ，则该通过下式得到当前融合周期的结束时间t e ：
由此可确定执行一次关于目标路侧场景数据融合算法的时间周期与起止时间，对于下一周期，融合算法输出频率f保持不变，令上一周期的结束时间t e 为新周期的起始时间t s 即可，新融合周期的结束时间t e 仍依式（2）计算。
进一步地，确定执行目标路侧场景数据融合算法的时间周期与起止时间后，需要对路侧多传感器的原始检测序列进行筛选，选定在当前融合周期的起止时间(t s ,t e )内的数据进行融合。因此，路侧多传感器在该周期内上传至相关计算机设备的原始检测序列应当被筛选后存储，等待数据融合算法调用。路侧第k个传感器上传的原始检测序列的时间戳t k 应满足式（3）：
t s ＜t k ＜t e （3）
将筛选出的原始检测序列根据其数据生成的时间戳从小到大进行排序，得到时间序列的多条目标检测序列，并存储于相关计算机设备的数据库中，等待后续步骤调用。
在一实施例中，步骤S102即基于时间顺序的多条目标检测序列，对第i条目标检测序列中多个目标对象的目标状态数据进行预测，得到第i+1条目标预测序列，包括：采用航位推算算法，对第i条目标检测序列中每个目标对象的目标状态数据进行预测，以得到第i+1条目标预测序列。
在一个具体的实施例中，第i条目标检测序列中第j个目标对象的目标状态数据可表示为
；第i+1条目标检测序列中第j个目标对象的目标状态数据可表示为
。本实施例中，针对第i条目标检测序列中与第i+1条目标检测序列中融合，需要识别重复目标对象并进行去重处理。需要说明的是，第i条目标检测序列由第i个传感器检测，第i条目标检测序列由第i+1个传感器检测。
需要说明的是，由于第i个传感器和第i+1个传感器输出检测数据的时间戳并不完全一致，因此在判定两个传感器输出的目标状态数据是否为同一个目标对象时，需先对数据进行时间同步，即预测t i 时刻第i条目标检测序列中的各目标对象在t i+1时刻的状态，即为
，需要说明的是，t i 表示第i条目标检测序列对应第i个传感器输出数据的时间戳，t i+1表示第i+1条目标检测序列对应第i+1个传感器输出数据的时间戳。
本实施例中，采用航位推算算法，基于t i 时刻第j个目标对象的
实际位置、实际速度以及实际航向角，计算t i+1时刻第j个目标对象的预测位置、预测速度以及预测航向角，具体计算公式如下：
其中表示第i条目标预测序列在t i+1时刻时第j个目标对象在平面坐标系下的预测横坐标、预测纵坐标；
表示第i条目标预测序列在t i+1时刻时第j个目标对象的预测速度、预测航向角；此外，
。
在一实施例中，步骤S103即筛选出第i+1条目标检测序列和第i+1条目标预测序列中的重复目标对象，包括：根据第i+1条目标预测序列中当前目标对象的预测状态数据和第i+1条目标检测序列中每个目标对象的实际状态数据，确定当前目标对象与第i+1条目标检测序列中每个目标对象之间的状态相似值，并判断当前目标对象的每个状态相似值是否小于实时检测相似阈值，若是，则确定当前目标对象为重复目标对象。
需要说明的是，状态相似值包括相对距离、相对加速度以及相对角速度；实时检测相似阈值包括距离阈值、加速度阈值以及角速度阈值。
在一实施例中，参照图3，步骤S103中确定当前目标对象与第i+1条目标检测序列中每个目标对象之间的状态相似值，并判断当前目标对象的每个状态相似值是否小于实时检测相似阈值，包括下述步骤：
S301、确定当前目标对象的预测位置与第i+1条目标检测序列中每个目标对象的实际位置之间的相对距离；
S302、确定当前目标对象的预测航向角与第i+1条目标检测序列中每个目标对象的实际航向角之间的相对角速度；
S303、确定当前目标对象的预测速度与第i+1条目标检测序列中每个目标对象的实际速度之间的相对加速度；
S304、判断当前目标对象相对于第i+1条目标检测序列中每个目标对象的距离值、相对角速度、相对加速度是否都小于对应的实时距离阈值、实时加速度阈值以及实时角速度阈值，若是，则确定当前目标对象的每个状态相似值小于实时检测相似阈值。
在一个具体的实施例中，假设第i条目标检测序列检测到M i 个目标对象，第i+1条目标检测序列检测到M i+1个目标对象，重复目标对象的判定条件如下所示：
式中，d i(i+1)为第i条目标检测序列的第o(o=1,2,...,M i )个目标对象在t i+1时刻的预测位置与第i+1条目标检测序列的第p(p=1,2,...,M i+1)个目标对象在t i+1时刻实际位置之间的相对距离；D为判断两个待比较对象是否为同一个目标对象的实时距离阈值；a i(i+1)为通过第i条目标检测序列的第o个目标对象在t i+1时刻的预测速度以及第i+1条目标检测序列的第p个目标在t i+1时刻的实际速度而计算得到的相对加速度；T a 为判断两个待比较对象是否为同一个目标对象的实加速度阈值；
为通过第i条目标检测序列的第o个目标对象在t i+1时刻的预测航向角以及第i+1条目标检测序列的第p个目标在t i+1时刻的航向角计算得到的角速度；
为判断两个待比较对象是否为同一个目标对象的实时角速度阈值。
在一实施例中，步骤S103中筛选出第i+1条目标检测序列和第i+1条目标预测序列中的重复目标对象之前，本实施例的基于路侧多传感器的数据融合方法还包括：基于时间序列的第i条目标检测序列和第i+1条目标检测序列中各自对应传感器的检测精度数据，确定实时检测相似阈值，其中，任一传感器的检测精度数据包括位置检测精度、航向角检测精度以及速度检测精度；实时检测相似阈值包括实时距离阈值、实时加速度阈值以及实时角速度阈值。实时距离阈值为预设距离常数和实时距离误差的和；实时加速度阈值为预设加速度常数和实时加速度误差的和；实时角速度阈值为预设角速度常数和实时角速度误差的和。
具体地，考虑到各个传感器定位、航向角以及速度检测的误差以及置信度，实时距离阈值、实时加速度阈值以及实时角速度阈值的确定方法如下所示：
其中，D 0为判断两个待比较对象是否为同一个目标对象的可接受距离阈值即为预设距离常数，一般可取1.8m（车宽）；D err 为实时距离误差；T 0为判断两个待比较对象是否为同一个目标对象的可接受加/减速度阈值即为预设加速度常数，一般可取3m/s2；T aerr 为实时加速度误差；T 1为判断两个待比较对象是否为同一个目标对象的可接受角速度阈值即为预设角速度常数，一般可取
；
为实时角速度误差。
通过给定置信度计算置信区间获得。
在本实施例中，已知生成第i条目标检测序列对应的传感器的位置检测精度在坐标平面上的两个分量分别为为σ i,x 与σ i,y ，速度检测精度为σ i,v ，航向角检测精度为σ i,h ；生成第i+1条传感器目标检测序列对应的传感器的位置检测精度在坐标平面上的两个分量分别为为σ i+1,x 与σ i+1,y ，速度检测精度为σ i+1,v ，航向角检测精度为σ i+1,h 。在本实施例中，以取95%置信度为例，计算置信区间如下：
对于实时距离误差D err ，首先需分别计算第i个传感器以及第i+1个传感器的2DRMS值（2DRMS值表示对应传感器检测出的实际位置有95%的概率落在半径为2DRMS值的圆内），分别记为σ i 以及σ i+1，如下所示：
在取95%置信度的条件下，通过下式计算置信区间：
查标准正态分布表可得95%置信度对应的X=1.96，置信区间求解如下：
，D err 计算如下所示：
对于实时加速度误差T aerr 以及实时角速度误差
，其计算过程与计算实时距离误差D err 类似，在此不在赘述。T aerr 与
的计算如下所示：
其中，X表示通过给定置信度确定的常数值，σ i 表示第i条目标检测序列对应传感器的位置检测精度；σ i+1表示第i+1条目标检测序列对应传感器的位置检测精度；σ i,v 表示第i条目标检测序列对应传感器的速度检测精度；σ i+1,v 表示第i+1条目标检测序列对应传感器的速度检测精度；σ i,h 表示第i条目标检测序列对应传感器的航向角检测精度；σ i+1,h 表示第i+1条目标检测序列对应传感器的航向角检测精度；t i 表示第i条目标检测序列对应传感器的时间戳；t i+1表示第i+1条目标检测序列对应传感器的时间戳。
由此，若满足式（8）-（11）所有条件，则认为两个待比较对象为同一目标对象，并将其中一个通过预测得到的待比较对象的预测状态数据
添加到第i+1条目标检测序列中，得到
，依此类推，直至遍历完第i+1条目标预测序列和第i+1条目标检测序列中的所有目标对象。
由此完成第i条目标检测序列与第i+1条目标检测序列的数据融合，得到的第i+1条目标融合序列依照上述同样方式，将第i+1条目标融合序列进行预测得到第i+2条目标预测序列，将第i+2条目标预测序列与第i+2条目标检测序列进行融合，直至完成第K条目标检测序列的融合，输出路侧实时目标感知数据。
本实施例通过获取多个传感器在当前融合周期内感知的多条目标检测序列，基于时间顺序的多条目标检测序列，对第i条目标检测序列中多个目标对象的目标状态数据进行预测，得到第i+1条目标预测序列，从而便于后续进行数据去重处理；基于第i+1条目标检测序列、第i+1条目标预测序列和预设的实时检测相似度阈值，筛选出第i+1条目标检测序列和第i+1条目标预测序列中的重复目标对象并进行去重处理，以融合得到第i+1条目标融合序列，从而提高数据融合的准确性；通过将第i+1条目标融合序列和第i+2条目标检测序列进行去重并融合处理，直至完成第K条目标检测序列的融合，从而得到当前融合周期的路侧实时目标感知数据，提高网联路侧交通数据融合的准确性，以提高智能网联车辆在网联路段的通行安全以及效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本实施例还提供一种基于路侧多传感器的数据融合装置，该基于路侧多传感器的数据融合装置与上述实施例中基于路侧多传感器的数据融合方法一一对应。如图4所示，该基于路侧多传感器的数据融合装置包括获取数据模块401、预测模块402、去重模块403以及数据融合模块404。各功能模块详细说明如下：
获取数据模块401，用于获取多个传感器在当前融合周期内感知的多条目标检测序列，每条目标检测序列包括多个目标对象的目标状态数据；
预测模块402，用于基于时间顺序的多条目标检测序列，对第i条目标检测序列中多个目标对象的目标状态数据进行预测，得到第i+1条目标预测序列；
去重模块403，用于基于第i+1条目标检测序列、第i+1条目标预测序列和预设的实时检测相似度阈值，筛选出第i+1条目标检测序列和第i+1条目标预测序列中的重复目标对象并进行去重处理，以融合得到第i+1条目标融合序列；
数据融合模块404，用于将第i+1条目标融合序列和第i+2条目标检测序列进行去重并融合处理，直至完成第K条目标检测序列的融合，得到当前融合周期的路侧实时目标感知数据；其中i表示基于时间序列的多条目标检测序列排列序号，i={1,2,...,K}，K为正整数，且K≥2。
关于基于路侧多传感器的数据融合装置各个模块的具体限定可以参见上文中对于基于路侧多传感器的数据融合方法的限定，在此不再赘述。上述基于路侧多传感器的数据融合装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本实施例还提供了一种基于路侧多传感器的数据融合系统，包括：路侧传感器、计算机设备以及路侧通讯设备；路侧传感器包括多个传感器；
路侧传感器，用于检测目标对象的运动状态信息，以生成原始检测序列，并传输至计算机设备；
计算机设备，计算机设备包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如基于路侧多传感器的数据融合方法的步骤；
路侧通讯设备，用于将实时输出计算机设备计算出的当前融合周期的路侧实时目标感知数据，并向目标对象进行广播。
参照图5，在一个具体的实施例中，目标场景路侧安装有摄像头、激光雷达、毫米波雷达等传感器；计算机设备可以采用多介入边缘计算设备（MEC），并安装于路侧机柜中，通过汇聚交换机将多传感器输出的检测数据接入，并通过基于路侧多传感器的数据融合方法对多传感器的检测数据进行融合；路侧设备（RSU）安装于路侧，连接交通信号控制机（TSC）获取信号相位以及倒计时信息的同时，也通过汇聚交换机与MEC设备相连，接收经过融合算法融合后的网联路侧全息感知数据，将其填入感知共享消息集（Sensor Sharing Message,SSM）中并通过C-V2X通讯方式进行广播。目标对象可以为智能网联车辆，其安装有车载设备（On-board Unit, OBU）,当其行驶至RSU设备通讯范围内，可接收到RSU设备广播的路侧实时目标感知数据。利用该数据可为智能网联车辆解决车载传感器在诸如超视距、自身传感器盲区等场景下的感知探测能力，提升智能网联车辆通过交叉口或特殊路段的安全与效率。
参照图6，本实施例还提供了一种计算机设备，该计算机设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该计算机设备包括处理器10、存储器20及显示器30。图6仅示出了计算机设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器20在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器20在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）等。进一步地，存储器20还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器20用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有计算机程序40。
处理器10在一些实施例中可以是一中央处理器（Central Processing Unit,CPU），微处理器或其他数据处理芯片，用于运行存储器20中存储的程序代码或处理数据，例如执行基于路侧多传感器的数据融合方法等。
显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。显示器30用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件10-30通过系统总线相互通信。
在一实施例中，当处理器10执行存储器20中计算机程序40时实现以下步骤：
获取多个传感器在当前融合周期内感知的多条目标检测序列，每条目标检测序列包括多个目标对象的目标状态数据；
基于时间顺序的多条目标检测序列，对第i条目标检测序列中多个目标对象的目标状态数据进行预测，得到第i+1条目标预测序列；
基于第i+1条目标检测序列、第i+1条目标预测序列和预设的实时检测相似度阈值，筛选出第i+1条目标检测序列和第i+1条目标预测序列中的重复目标对象并进行去重处理，以融合得到第i+1条目标融合序列；
将第i+1条目标融合序列和第i+2条目标检测序列进行去重并融合处理，直至完成第K条目标检测序列的融合，得到当前融合周期的路侧实时目标感知数据，其中i表示基于时间序列的多条目标检测序列排列序号，i={1,2,...,K}，K为正整数，且K≥2。
本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，计算机程序被处理器执行时实现以下步骤：
获取多个传感器在当前融合周期内感知的多条目标检测序列，每条目标检测序列包括多个目标对象的目标状态数据；
基于时间顺序的多条目标检测序列，对第i条目标检测序列中多个目标对象的目标状态数据进行预测，得到第i+1条目标预测序列；
基于第i+1条目标检测序列、第i+1条目标预测序列和预设的实时检测相似度阈值，筛选出第i+1条目标检测序列和第i+1条目标预测序列中的重复目标对象并进行去重处理，以融合得到第i+1条目标融合序列；
将第i+1条目标融合序列和第i+2条目标检测序列进行去重并融合处理，直至完成第K条目标检测序列的融合，得到当前融合周期的路侧实时目标感知数据，其中i表示基于时间序列的多条目标检测序列排列序号，i={1,2,...,K}，K为正整数，且K≥2。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。
本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。
Claims (12)
1.一种基于路侧多传感器的数据融合方法，其特征在于，所述方法包括：
获取数据输出频率不同的多个传感器在当前融合周期内感知的多条目标检测序列，每个所述目标检测序列包括多个目标对象的目标状态数据；
基于时间顺序的多条目标检测序列，对第i条目标检测序列中所述多个目标对象的目标状态数据进行预测，得到第i+1条目标预测序列；
基于第i+1条目标检测序列、第i+1条目标预测序列和预设的实时检测相似度阈值，筛选出第i+1条目标检测序列和第i+1条目标预测序列中的重复目标对象并进行去重处理，以融合得到第i+1条目标融合序列；
将第i+1条目标融合序列和第i+2条目标检测序列进行去重并融合处理，直至完成第K条目标检测序列的融合，得到当前融合周期的路侧实时目标感知数据；其中i表示基于时间序列的多条目标检测序列排列序号，i={1,2,...,K}，K为正整数，且K≥2。
2.根据权利要求1所述的基于路侧多传感器的数据融合方法，其特征在于，任一条所述目标检测序列中每个目标对象的目标状态数据至少包括对应目标对象的时间戳、实际位置、实际航向角、实际速度以及目标对象的类型；其中所述目标对象的类型为机动车、非机动车或人。
3.根据权利要求1所述的基于路侧多传感器的数据融合方法，其特征在于，所述对第i条目标检测序列中多个目标对象的目标状态数据进行预测，得到第i+1条目标预测序列，包括：
采用航位推算算法，对第i条目标检测序列中每个目标对象的目标状态数据进行预测，以得到第i+1条目标预测序列。
4.根据权利要求2所述的基于路侧多传感器的数据融合方法，其特征在于，所述目标检测序列还包括当前对应传感器的检测精度数据；则筛选出第i+1条目标检测序列和第i+1条目标预测序列中的重复目标对象之前，所述方法还包括：
基于时间序列的第i条目标检测序列和第i+1条目标检测序列中各自对应传感器的检测精度数据，确定实时检测相似阈值；
所述筛选出第i+1条目标检测序列和第i+1条目标预测序列中的重复目标对象，包括：
根据第i+1条目标预测序列中当前目标对象的预测状态数据和第i+1条目标检测序列中每个目标对象的实际状态数据，确定所述当前目标对象与第i+1条目标检测序列中每个目标对象之间的状态相似差值，并判断所述当前目标对象的每个状态相似差值是否小于所述实时检测相似阈值，若是，则确定当前目标对象为重复目标对象。
5.根据权利要求4所述的基于路侧多传感器的数据融合方法，其特征在于，所述状态相似差值包括相对距离、相对加速度以及相对角速度；所述实时检测相似阈值包括距离阈值、加速度阈值以及角速度阈值；则确定所述当前目标对象与第i+1条目标检测序列中每个目标对象之间的状态相似差值，并判断所述当前目标对象的每个状态相似差值是否小于所述实时检测相似阈值，包括：
确定所述当前目标对象的预测位置与第i+1条目标检测序列中每个目标对象的实际位置之间的相对距离；
确定所述当前目标对象的预测航向角与第i+1条目标检测序列中每个目标对象的实际航向角之间的相对角速度；
确定所述当前目标对象的预测速度与第i+1条目标检测序列中每个目标对象的实际速度之间的相对加速度；
判断所述当前目标对象相对于第i+1条目标检测序列中每个目标对象的距离值、相对角速度、相对加速度是否都小于对应的实时距离阈值、实时加速度阈值以及实时角速度阈值；
若是，则确定当前目标对象的每个状态相似差值小于所述实时检测相似阈值。
6.根据权利要求4所述的基于路侧多传感器的数据融合方法，其特征在于，任一所述传感器的检测精度数据包括位置检测精度、航向角检测精度以及速度检测精度；所述实时检测相似阈值包括实时距离阈值、实时加速度阈值以及实时角速度阈值；
所述实时距离阈值为预设距离常数和实时距离误差的和；所述实时加速度阈值为预设加速度常数和实时加速度误差的和；所述实时角速度阈值为预设角速度常数和实时角速度误差的和；
其中所述实时距离误差、实时加速度误差以及实时角速度误差通过置信区间法确定。
7.根据权利要求6所述的基于路侧多传感器的数据融合方法，其特征在于，所述实时距离误差、实时加速度误差以及实时角速度误差，计算公式如下：
其中，X表示通过给定置信度确定的常数值，σ i 表示第i条目标检测序列对应传感器的位置检测精度；σ i+1表示第i+1条目标检测序列对应传感器的位置检测精度；σ i,v 表示第i条目标检测序列对应传感器的速度检测精度；σ i+1,v 表示第i+1条目标检测序列对应传感器的速度检测精度；σ i,h 表示第i条目标检测序列对应传感器的航向角检测精度；σ i+1,h 表示第i+1条目标检测序列对应传感器的航向角检测精度；t i 表示第i条目标检测序列对应传感器的时间戳；t i+1表示第i+1条目标检测序列对应传感器的时间戳。
8.根据权利要求1所述的基于路侧多传感器的数据融合方法，其特征在于，获取所述数据输出频率不同的多个传感器在当前融合周期内感知的多条目标检测序列之前，所述方法还包括：
获取多条原始检测序列；
判断所述原始检测序列的时间戳是否在当前融合周期(t s ,t e )内，若是，则将筛选出所有满足当前融合周期的原始检测序列作为目标检测序列，并将筛选出的目标检测序列按照时间戳从小到大进行排序；
其中
，t s 表示当前融合周期的起始时刻；t e 表示当前融合周期的结束时刻；f表示数据融合算法的输出频率，f≤f min ，f min 表示所述多个传感器中的最低输出频率。
9.一种基于路侧多传感器的数据融合装置，其特征在于，所述装置包括：
获取数据模块，用于获取数据输出频率不同的多个传感器在当前融合周期内感知的多条目标检测序列，每个所述目标检测序列包括多个目标对象的目标状态数据；
预测模块，用于基于时间顺序的多条目标检测序列，对第i条目标检测序列中所述多个目标对象的目标状态数据进行预测，得到第i+1条目标预测序列；
去重模块，用于基于第i+1条目标检测序列、第i+1条目标预测序列和预设的实时检测相似度阈值，筛选出第i+1条目标检测序列和第i+1条目标预测序列中的重复目标对象并进行去重处理，以融合得到第i+1条目标融合序列；
数据融合模块，用于将第i+1条目标融合序列和第i+2条目标检测序列进行去重并融合处理，直至完成第K条目标检测序列的融合，得到当前融合周期的路侧实时目标感知数据；其中i表示基于时间序列的多条目标检测序列排列序号，i={1,2,...,K}，K为正整数，且K≥2。
10.一种计算机设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述基于路侧多传感器的数据融合方法的步骤。
11.一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8任一项所述基于路侧多传感器的数据融合方法的步骤。
12.一种基于路侧多传感器的数据融合系统，其特征在于，所述系统包括：路侧传感器、计算机设备以及路侧通讯设备；所述路侧传感器包括多个传感器；
路侧传感器，用于检测目标对象的运动状态信息，以生成原始检测序列，并传输至所述计算机设备；
计算机设备，所述计算机设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述基于路侧多传感器的数据融合方法的步骤；
路侧通讯设备，用于将实时输出计算机设备计算出的当前融合周期的路侧实时目标感知数据，并向目标对象进行广播。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210023930.3A CN114065876B (zh) | 2022-01-11 | 2022-01-11 | 基于路侧多传感器的数据融合方法、装置、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210023930.3A CN114065876B (zh) | 2022-01-11 | 2022-01-11 | 基于路侧多传感器的数据融合方法、装置、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114065876A CN114065876A (zh) | 2022-02-18 |
| CN114065876B true CN114065876B (zh) | 2022-04-12 |
Family
ID=80230700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210023930.3A Active CN114065876B (zh) | 2022-01-11 | 2022-01-11 | 基于路侧多传感器的数据融合方法、装置、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114065876B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115063969A (zh) * | 2022-04-26 | 2022-09-16 | 阿里云计算有限公司 | 数据处理方法、设备、介质及路侧协同设备、系统 |
| CN115824282A (zh) * | 2022-08-25 | 2023-03-21 | 廊坊市大华夏神农信息技术有限公司 | 一种适用于多种传感器分辨力检测的计算方法和设备 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108573270B (zh) * | 2017-12-15 | 2020-04-28 | 上海蔚来汽车有限公司 | 使多传感器目标信息融合与多传感器感测同步的方法及装置、计算机设备和记录介质 |
| US11482011B2 (en) * | 2019-03-28 | 2022-10-25 | Intel Corporation | Acceleration of data processing for object detection |
| CN110532896B (zh) * | 2019-08-06 | 2022-04-08 | 北京航空航天大学 | 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法 |
| CN112712717B (zh) * | 2019-10-26 | 2022-09-23 | 华为技术有限公司 | 一种信息融合的方法、装置和设备 |
| CN110839156A (zh) * | 2019-11-08 | 2020-02-25 | 北京邮电大学 | 一种基于视频图像的未来帧预测方法及模型 |
| CN111860589B (zh) * | 2020-06-12 | 2023-07-18 | 中山大学 | 一种多传感器多目标协同探测信息融合方法、系统 |
| CN113312992A (zh) * | 2021-05-18 | 2021-08-27 | 中山方显科技有限公司 | 一种基于多源传感器信息融合的动态物体感知及预测方法 |
| CN113259900B (zh) * | 2021-05-27 | 2021-10-15 | 华砺智行(武汉)科技有限公司 | 一种分布式多源异构交通数据融合方法及装置 |
| CN113581211B (zh) * | 2021-08-30 | 2022-11-29 | 深圳清航智行科技有限公司 | 一种车辆行驶控制方法、系统、装置及可读存储介质 |
| CN113763738B (zh) * | 2021-09-14 | 2022-11-11 | 上海智能网联汽车技术中心有限公司 | 车路协同系统路侧感知与车端感知实时匹配的方法及系统 |
| CN113779174B (zh) * | 2021-11-05 | 2022-04-01 | 华砺智行(武汉)科技有限公司 | 提高路侧传感器感知精度的方法、系统、设备及介质 |
-
2022
- 2022-01-11 CN CN202210023930.3A patent/CN114065876B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114065876A (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114065876B (zh) | 基于路侧多传感器的数据融合方法、装置、系统及介质 | |
| CN112712717B (zh) | 一种信息融合的方法、装置和设备 | |
| CN112069643B (zh) | 一种自动驾驶仿真场景生成方法及装置 | |
| JP6553930B2 (ja) | 車両情報処理装置、及び車両情報処理プログラム | |
| US20220013008A1 (en) | System and method for using v2x and sensor data | |
| CN109872530B (zh) | 一种路况信息的生成方法、车载终端及服务器 | |
| CN112203216B (zh) | 定位信息获取方法、辅助驾驶方法以及车端传感器检测方法 | |
| CN109389622B (zh) | 车辆追踪方法、装置、识别设备及存储介质 | |
| Wang et al. | Realtime wide-area vehicle trajectory tracking using millimeter-wave radar sensors and the open TJRD TS dataset | |
| CN114670852A (zh) | 异常行驶行为的识别方法、装置、设备及介质 | |
| EP3703025A1 (en) | Information generation device | |
| CN111753639A (zh) | 感知地图生成方法、装置、计算机设备和存储介质 | |
| CN111091215B (zh) | 车辆识别方法、装置、计算机设备和存储介质 | |
| CN114998886B (zh) | 基于雷视融合的车辆追踪方法以及装置 | |
| CN114038239B (zh) | 一种车辆碰撞预警方法及装置 | |
| CN111325054A (zh) | 一种确定克隆车辆的方法、装置及计算设备 | |
| CN111661054B (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
| CN111383471B (zh) | 交通灯倒计时的获取方法、装置、计算机设备和存储介质 | |
| JP2021124633A (ja) | 地図生成システム及び地図生成プログラム | |
| Jomrich et al. | Lane Accurate Detection of Map Changes based on Low Cost Smartphone Data. | |
| CN117392871A (zh) | 一种自动泊车控制方法和装置 | |
| CN112229417B (zh) | 车辆定位方法、装置、计算机设备和存储介质 | |
| WO2023274308A1 (zh) | 一种信息处理方法及设备 | |
| US20240135252A1 (en) | Lane-assignment for traffic objects on a road | |
| CN116935370A (zh) | 云端车牌识别方法、装置及电子设备、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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Data fusion method, device, system, and medium based on roadside multi-sensor Effective date of registration: 20231010 Granted publication date: 20220412 Pledgee: Bank of China Limited Wuhan Economic and Technological Development Zone sub branch Pledgor: ISMARTWAYS (WUHAN) TECHNOLOGY Co.,Ltd. Registration number: Y2023980060478 |