CN114429186A - 基于多传感器的数据融合方法、装置、设备及介质 - Google Patents
基于多传感器的数据融合方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114429186A CN114429186A CN202210092108.2A CN202210092108A CN114429186A CN 114429186 A CN114429186 A CN 114429186A CN 202210092108 A CN202210092108 A CN 202210092108A CN 114429186 A CN114429186 A CN 114429186A
- Authority
- CN
- China
- Prior art keywords
- sensor
- data
- determining
- fusion
- sequence
- 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
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
Abstract
本发明公开了一种基于多传感器的数据融合方法、装置、设备及介质,该方法包括:获取至少两种传感器分别采集的原传感器数据;针对每一种传感器,根据每一种传感器采集的原传感器数据进行预测,得到预测传感器数据;根据所述原传感器数据和所述预测传感器数据,确定所述传感器的数据差值序列;确定所述传感器的数据差值序列是否满足异常检测条件,若是,则根据所述传感器的数据差值序列确定所述传感器的融合权重;根据至少两种传感器的融合权重,对至少两种传感器分别采集的原传感器数据进行融合。通过本实施例的技术方案,可以避免现有技术中各传感器的融合权重固定导致的环境感知偏差问题,根据实时数据调节融合权重,提高融合结果的准确性。
Description
技术领域
本发明实施例涉及智能汽车技术领域,尤其涉及一种基于多传感器的数据融合方法、装置、设备及介质。
背景技术
近年来,智能汽车己经成为世界车辆工程领域研究的热点和汽车工业增长的新动力。摄像头、毫米波雷达、激光雷达、超声波雷达等传感器是智能汽车的重要感知设备。这些传感器提供的信息对智能汽车感知外部世界以及决定规划和控制方案起着至关重要的作用。
由于智能网联车辆在环境感知的过程中需要通过多种传感器的协同工作,不同传感器之间的数据融合一直是网联车辆的研究热点,现有的数据融合过程中,大多是根据传感器的等级确定该传感器采集的数据在融合过程中的使用权重,而传感器等级的划分是根据传感器的类别进行提前预设的,因此,对应的传感器等级是固定不变的,导致传感器数据的使用权重在各种场景下都不会发生变化,在某些场景下,容易出现数据融合不准确,导致环境感知出现偏差的现象,最终影响控制器决策的正确性,亟需改进。
发明内容
本发明提供一种基于多传感器的数据融合方法、装置、设备及介质,以根据实时数据调节融合权重,提高融合结果的准确性。
第一方面,本发明实施例提供了一种基于多传感器的数据融合方法,所述方法包括:
获取至少两种传感器分别采集的原传感器数据;
针对每一种传感器,根据每一种传感器采集的原传感器数据进行预测,得到预测传感器数据;
根据所述原传感器数据和所述预测传感器数据,确定所述传感器的数据差值序列;
确定所述传感器的数据差值序列是否满足异常检测条件,若是,则根据所述传感器的数据差值序列确定所述传感器的融合权重;
根据至少两种传感器的融合权重,对至少两种传感器分别采集的原传感器数据进行融合。
第二方面,本发明实施例还提供了一种基于多传感器的数据融合装置,所述装置包括:
数据获取模块,用于获取至少两种传感器分别采集的原传感器数据;
数据预测模块,用于针对每一种传感器,根据每一传感器采集的原传感器数据进行预测,得到预测传感器数据;
差值确定模块,用于根据所述原传感器数据和所述预测传感器数据,确定所述传感器的数据差值序列;
权重确定模块,用于确定所述传感器的数据差值序列是否满足异常检测条件,若是,则根据所述传感器的数据差值序列确定所述传感器的融合权重;
数据融合模块,用于根据至少两种传感器的融合权重,对至少两种传感器分别采集的原传感器数据进行融合。
第三方面,本发明实施例还提供了一种电子设备,该电子设备包括:
一个或多个处理器;
存储装置,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本发明任意实施例所述的基于多传感器的数据融合方法。
第四方面,本发明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,该程序被处理器执行时实现如本发明任意实施例所述的基于多传感器的数据融合方法。
本发明实施例提供的一种基于多传感器的数据融合方法、装置、设备及介质,通过获取至少两种传感器分别采集的原传感器数据;针对每一种传感器,根据每一种传感器采集的原传感器数据进行预测,得到预测传感器数据;根据所述原传感器数据和所述预测传感器数据,确定所述传感器的数据差值序列;确定所述传感器的数据差值序列是否满足异常检测条件,若是,则根据所述传感器的数据差值序列确定所述传感器的融合权重;根据至少两种传感器的融合权重,对至少两种传感器分别采集的原传感器数据进行融合。通过本实施例的技术方案,可以避免现有技术中各传感器的融合权重固定导致的环境感知偏差问题,根据实时数据调节融合权重,提高融合结果的准确性,进而有利于提高控制器决策的正确性,为多传感器的数据融合提供了一种新思路。
附图说明
图1是本发明实施例一提供的一种基于多传感器的数据融合方法的流程图;
图2是本发明实施例二提供的一种基于多传感器的数据融合方法的流程图;
图3是本发明实施例三提供的一种基于多传感器的数据融合方法的流程图;
图4是本发明实施例四提供的一种基于多传感器的数据融合装置结构框图;
图5是本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种基于多传感器的数据融合方法的流程图,本实施例可适用于对多传感器的数据进行融合的情况,尤其适用于智能驾驶系统中采用多传感器感知确保感知的全面性。该方法可以由本发明实施例提供的基于多传感器的数据融合装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成在电子设备上。
具体的,如图1所示,本发明实施例提供的基于多传感器的数据融合方法,可以包括如下步骤:
S110、获取至少两种传感器分别采集的原传感器数据。
其中,传感器主要用于感知周围环境,设置在车端,可以包括:毫米波雷达、激光雷达、单\双目摄像头以及卫星导航等。原传感器数据,可以理解为,传感器采集的原始数据。
在车辆行驶过程中,可以通过安装在车上的各式各样的传感器来感应周围的环境,收集数据,生成原传感器数据,以便后续根据原传感器数据进行静态、动态物体的辨识、侦测与追踪,进行系统的运算与分析,从而预先让驾驶者察觉到可能发生的危险,有效增加汽车驾驶的舒适性和安全性。
进一步的,可以根据至少两种传感器分别采集的原传感器数据,确定至少两个传感器的原传感器采集数据中是否存在关联目标,若存在关联目标,则将关联的原传感器数据按融合权重进行数据融合。具体的,可以设置一个融合关联门限,若两个传感器中的目标在融合关联门限的数值范围内,则确定两者关联。
由于多传感器的检测精度会受到车辆行驶环境的影响,而车辆行驶环境又是动态变化的,因此,在进行多传感器数据融合时,如果采用固定不变的各传感器的融合优先级或融合权重来进行数据融合,将无法保证待检测目标的定位精度。
另外,需要说明的是,传感器的运行状态标志位为正常、性能受限和故障三种状态,在三种不同状态下,传感器采集的原传感器数据的准确性存在差异。考虑到传感器运行状态对数据融合的影响,可以在传感器性能波动时对传感器的融合权重进行调整,以增强数据融合效果。
S120、针对每一种传感器,根据每一种传感器采集的原传感器数据进行预测,得到预测传感器数据。
本实施例中,每一种传感器的融合权重受该传感器的运行状态影响,与其他传感器没有直接关联。因此,每一种传感器依靠该传感器自身采集的原传感器数据和运行状态,确定自身的融合权重。
在一个可选的实施方式中,根据每一种传感器采集的原传感器数据进行预测,可以是根据传感器在t-1时刻采集的传感器数据,预测其在t时刻的传感器数据。在另一个可选的实施方式中,根据每一种传感器采集的原传感器数据进行预测,还可以是根据传感器在t-1、t-2、…、t-k时刻的采集的传感器数据,预测其在t时刻的传感器数据,得到预测传感器数据。
优选的,预测传感器数据可以由原传感器数据通过卡尔曼滤波确定。
S130、根据原传感器数据和预测传感器数据,确定传感器的数据差值序列。
其中,数据差值序列是传感器在同一时刻的预测传感器数据和原传感器数据的差值。具体的,若t时刻的原传感器数据为At,t时刻的预测传感器数据为Bt,则差值为At-Bt。
将每一种传感器的原传感器数据和预测传感器数据作差,即可确定该传感器的数据差值序列。
S140、确定传感器的数据差值序列是否满足异常检测条件,若是,则根据传感器的数据差值序列确定传感器的融合权重。
其中,满足异常检测条件是对传感器的融合权重进行调整的前提。如果传感器的差值序列满足异常检测条件,则根据传感器的数据差值序列确定传感器的融合权重,否则,以该传感器的基础权重作为融合权重。
进一步的,异常检测条件,可以为传感器的数据差值序列中存在大于异常检测阈值的数据。确定传感器的数据差值序列是否满足异常检测条件,包括:确定传感器的数据差值序列中是否存在大于异常检测阈值的数据。其中,异常检测阈值,可以由传感器运行状态正常时从原传感器数据中筛选的能够较长时间稳定跟踪目标的数据段确定。
具体的,可以从原传感器数据中筛选出每一种传感器标志位正常且状态稳定时的数据,作为该传感器的目标传感器数据;根据目标传感器数据,确定目标预测数据;根据目标预测数据和目标传感器数据,确定目标差值序列;对目标差值序列进行分段,计算每段数据的标准差,形成目标标准差序列;根据目标标准差序列,确定传感器的所述异常检测阈值。
S150、根据至少两种传感器的融合权重,对至少两种传感器分别采集的原传感器数据进行融合。
其中,传感器的融合权重可以是该传感器的基础权重,也可以是根据传感器的数据差值序列确定权重。基础权重值,由传感器的类型和融合属性确定。
可选的,根据至少两种传感器的融合权重,对至少两种传感器分别采集的原传感器数据进行融合,可以是如果传感器的差值序列满足异常检测条件,则根据传感器的数据差值序列确定传感器的融合权重,否则,以该传感器的基础权重作为融合权重,进行数据融合。
本实施例的技术方案,通过获取至少两种传感器分别采集的原传感器数据;针对每一种传感器,根据每一种传感器采集的原传感器数据进行预测,得到预测传感器数据;根据原传感器数据和预测传感器数据,确定传感器的数据差值序列;确定传感器的数据差值序列是否满足异常检测条件,若是,则根据传感器的数据差值序列确定传感器的融合权重;根据至少两种传感器的融合权重,对至少两种传感器分别采集的原传感器数据进行融合。通过本实施例的技术方案,可以避免现有技术中各传感器的融合权重固定导致的环境感知偏差问题,根据实时数据调节融合权重,提高融合结果的准确性,进而有利于提高控制器决策的正确性,为多传感器的数据融合提供了一种新思路。
实施例二
图2为本发明实施例二提供的一种基于多传感器的数据融合方法的流程图,该方法在上述实施例的基础上进一步的优化,给出了确定异常检测阈值的具体情况介绍。
具体的,如图2所示,该方法包括:
S210、获取至少两种传感器分别采集的原传感器数据。
S220、从原传感器数据中筛选出每一种传感器标志位正常且状态稳定时的数据,作为该传感器的目标传感器数据。
其中,传感器标志位可以根据传感器的运行状态简单分为三类:正常、性能受限和故障。可以理解的是,为了保证确定的异常检测阈值的有效性和准确性,从原传感器数据中筛选出每一种传感器标志位正常的数据。
另外,考虑到并非每一帧原传感器数据都有利于后续目标跟踪识别,可以从原传感器数据中筛选出能较长时间稳定跟踪的原传感器数据,即状态稳定时的数据。
优选的,同时考虑上述问题,可以从原传感器数据中筛选出每一种传感器标志位正常且状态稳定时的数据,作为该传感器的目标传感器数据。
S230、根据目标传感器数据,确定目标预测数据。
需要说明的是,根据目标传感器数据确定目标预测数据的方法,与上述实施例中根据每一种传感器采集的原传感器数据进行预测,得到预测传感器数据的方法一致。
若根据每一种传感器采集的原传感器数据进行预测,得到预测传感器数据时,根据传感器在t-1时刻采集的传感器数据,预测其在t时刻的传感器数据。则根据目标传感器数据,确定目标预测数据,具体是,根据t-1时刻的目标传感器数据,确定t时刻的目标预测数据。
若根据每一种传感器采集的原传感器数据进行预测,得到预测传感器数据时,根据传感器在t-1、t-2、…、t-k时刻的采集的传感器数据,预测其在t时刻的传感器数据,得到预测传感器数据。则根据目标传感器数据,确定目标预测数据,具体是,根据t-1、t-2、…、t-k时刻的目标传感器数据,确定t时刻的目标预测数据。
优选的,目标预测数据可以由目标传感器数据通过卡尔曼滤波确定。
S240、根据目标预测数据和目标传感器数据,确定目标差值序列。
将每一种传感器的目标传感器数据和目标预测数据作差,即可确定该传感器的目标差值序列。
S250、对目标差值序列进行分段,计算每段数据的标准差,形成目标标准差序列。
由于每一帧目标传感器数据对应的目标差值序列的数据量较大,可以将目标差值序列以相同目标数分为T段。计算每段目标差值序列的标准差θi,并形成长度为T的目标标准差序列α=[θ1,θ2,…,θT]。
S260、根据目标标准差序列,确定传感器的异常检测阈值。
其中,异常检测阈值用于判断是否需要对传感器的融合权重进行调整。如果传感器的数据差值序列中存在大于异常检测阈值的数据,则根据传感器的数据差值序列确定传感器的融合权重,否则,以该传感器的基础权重作为融合权重。
确定目标标准差序列α后,可以分析目标标准差序列α的分布情况。结合目标标准差序列α的分布情况,按照预设的发生概率确定该传感器对应的异常检测阈值。
优选的,根据目标标准差序列,确定传感器的异常检测阈值,可以包括:根据目标标准差序列,确定目标标准差序列的均值和标准差;基于目标标准差序列的均值和标准差,以发生概率小于50%的原则,确定传感器的异常检测阈值。
本实施例的技术方案,给出了确定异常检测阈值的具体情况介绍,通过从原传感器数据中筛选出每一种传感器标志位正常且状态稳定时的数据,作为该传感器的目标传感器数据;根据目标传感器数据,确定目标预测数据;根据目标预测数据和目标传感器数据,确定目标差值序列;对目标差值序列进行分段,计算每段数据的标准差,形成目标标准差序列;根据目标标准差序列,确定传感器的异常检测阈值。通过从原传感器数据中筛选传感器标志位正常且状态稳定的数据,并据此确定异常检测阈值,避免了现有技术中各传感器的融合权重固定导致的环境感知偏差问题,通过异常检测阈值确定各传感器的运行状态是否异常,并结合实时数据调节融合权重,提高融合结果的准确性。
实施例三
图3为本发明实施例三提供的一种基于多传感器的数据融合方法的流程图,该方法在上述实施例的基础上进一步的优化,给出了确定传感器的融合权重的具体情况介绍。
具体的,如图3所示,该方法包括:
S310、获取至少两种传感器分别采集的原传感器数据。
S320、针对每一种传感器,根据每一种传感器采集的原传感器数据进行预测,得到预测传感器数据。
S330、根据原传感器数据和预测传感器数据,确定传感器的数据差值序列。
S340、确定传感器的数据差值序列是否满足异常检测条件,若是,则执行S350;否则,执行S370。
S350、对传感器的数据差值序列和目标差值序列进行一致性检测,确定一致性检测值。
其中,一致性检测值,可以表现传感器的数据差值序列和目标差值序列的分布相似程度。
对传感器的数据差值序列和目标差值序列进行一致性检测,可以理解为,对传感器的数据差值序列和目标差值序列的分布进行分析比较。示例性的,可以对传感器的数据差值序列和目标差值序列进行KS一致性检测,得到一致性检测值p。
S360、根据一致性检测值,确定传感器的融合权重。
优选的,根据一致性检测值,确定传感器的融合权重,可以包括:若一致性检测值大于一致性检测阈值,则根据传感器的基础权重值和一致性检测值确定传感器的融合权重;否则,根据传感器的基础权重值确定传感器的融合权重。
示例性的,若p<0.05,则融合权重=0.5*基础权重值;否则,融合权重=p*基础权重值。其中,基础权重值由该传感器的类型和融合属性决定。需要说明的是,实际每个传感器性能不一样,p值与融合权重的对应关系也是不一样的,需要根据实际情况进行调整。
S370、根据至少两种传感器的融合权重,对至少两种传感器分别采集的原传感器数据进行融合。
本实施例的技术方案,给出了确定传感器的融合权重的具体情况介绍,通过在确定传感器的数据差值序列是否满足异常检测条件的情况下,对传感器的数据差值序列和目标差值序列进行一致性检测,确定一致性检测值,根据一致性检测值,确定传感器的融合权重,可以根据传感器的运行状态实时调节融合权重,提高融合结果的准确性,进而有利于提高控制器决策的正确性。
实施例四
图4是本发明实施例四所提供的一种基于多传感器的数据融合装置的结构示意图,该装置适用于执行本发明实施例提供的基于多传感器的数据融合方法,可以根据实时数据调节融合权重,提高融合结果的准确性。如图4所示,该装置包括数据获取模块410、数据预测模块420、差值确定模块430、权重确定模块440和数据融合模块450。
其中,数据获取模块410,用于获取至少两种传感器分别采集的原传感器数据;
数据预测模块420,用于针对每一种传感器,根据每一传感器采集的原传感器数据进行预测,得到预测传感器数据;
差值确定模块430,用于根据原传感器数据和预测传感器数据,确定传感器的数据差值序列;
权重确定模块440,用于确定传感器的数据差值序列是否满足异常检测条件,若是,则根据传感器的数据差值序列确定传感器的融合权重;
数据融合模块450,用于根据至少两种传感器的融合权重,对至少两种传感器分别采集的原传感器数据进行融合。
本实施例的技术方案,通过获取至少两种传感器分别采集的原传感器数据;针对每一种传感器,根据每一种传感器采集的原传感器数据进行预测,得到预测传感器数据;根据原传感器数据和预测传感器数据,确定传感器的数据差值序列;确定传感器的数据差值序列是否满足异常检测条件,若是,则根据传感器的数据差值序列确定传感器的融合权重;根据至少两种传感器的融合权重,对至少两种传感器分别采集的原传感器数据进行融合,可以避免现有技术中各传感器的融合权重固定导致的环境感知偏差问题,根据实时数据调节融合权重,提高融合结果的准确性,进而有利于提高控制器决策的正确性,为多传感器的数据融合提供了一种新思路。
优选的,权重确定模块440,具体用于确定传感器的数据差值序列中是否存在大于异常检测阈值的数据。
优选的,装置还包括:
数据筛选模块,用于从原传感器数据中筛选出每一种传感器标志位正常且状态稳定时的数据,作为该传感器的目标传感器数据;
目标预测模块,用于根据目标传感器数据,确定目标预测数据;
目标差值确定模块,用于根据目标预测数据和目标传感器数据,确定目标差值序列;
序列分段模块,用于对目标差值序列进行分段,计算每段数据的标准差,形成目标标准差序列;
阈值确定模块,用于根据目标标准差序列,确定传感器的异常检测阈值。
优选的,上述阈值确定模块具体包括:分布确定单元和阈值确定单元。
其中,分布确定单元,用于根据目标标准差序列,确定目标标准差序列的均值和标准差;
阈值确定单元,用于基于目标标准差序列的均值和标准差,以发生概率小于50%的原则,确定传感器的异常检测阈值。
优选的,上述权重确定模块440具体包括:一致性检测单元和权重确定单元。
其中,一致性检测单元,用于对传感器的数据差值序列和目标差值序列进行一致性检测,确定一致性检测值;
权重确定单元,用于根据一致性检测值,确定传感器的融合权重。
优选的,上述权重确定单元,具体用于若一致性检测值大于一致性检测阈值,则根据传感器的基础权重值和一致性检测值确定传感器的融合权重;否则,根据传感器的基础权重值确定传感器的融合权重;
优选的,装置还包括:基础权重确定模块,用于根据传感器的类型和融合属性,确定传感器的基础权重值。
本发明实施例所提供的基于多传感器的数据融合装置可执行本发明任意实施例所提供的基于多传感器的数据融合方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图5显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MCA)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图5中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的基于多传感器的数据融合方法。
实施例六
本发明实施例六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,该程序被处理器执行时实现如本申请任意发明实施例提供的基于多传感器的数据融合方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明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发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于多传感器的数据融合方法,其特征在于,所述方法包括:
获取至少两种传感器分别采集的原传感器数据;
针对每一种传感器,根据每一种传感器采集的原传感器数据进行预测,得到预测传感器数据;
根据所述原传感器数据和所述预测传感器数据,确定所述传感器的数据差值序列;
确定所述传感器的数据差值序列是否满足异常检测条件,若是,则根据所述传感器的数据差值序列确定所述传感器的融合权重;
根据至少两种传感器的融合权重,对至少两种传感器分别采集的原传感器数据进行融合。
2.根据权利要求1所述的方法,其特征在于,所述确定所述传感器的数据差值序列是否满足异常检测条件,包括:
确定所述传感器的数据差值序列中是否存在大于异常检测阈值的数据。
3.根据权利要求2所述的方法,其特征在于,获取至少两种传感器分别采集的原传感器数据之后,还包括:
从所述原传感器数据中筛选出每一种传感器标志位正常且状态稳定时的数据,作为该传感器的目标传感器数据;
根据所述目标传感器数据,确定目标预测数据;
根据所述目标预测数据和所述目标传感器数据,确定目标差值序列;
对所述目标差值序列进行分段,计算每段数据的标准差,形成目标标准差序列;
根据所述目标标准差序列,确定所述传感器的所述异常检测阈值。
4.根据权利要求3所述的方法,其特征在于,根据所述目标标准差序列,确定所述传感器的所述异常检测阈值,包括:
根据所述目标标准差序列,确定所述目标标准差序列的均值和标准差;
基于所述目标标准差序列的均值和标准差,以发生概率小于50%的原则,确定所述传感器的所述异常检测阈值。
5.根据权利要求1所述的方法,其特征在于,根据所述传感器的数据差值序列确定所述传感器的融合权重,包括:
对所述传感器的数据差值序列和目标差值序列进行一致性检测,确定一致性检测值;
根据所述一致性检测值,确定所述传感器的融合权重。
6.根据权利要求5所述的方法,其特征在于,根据所述一致性检测值,确定所述传感器的融合权重,包括:
若所述一致性检测值大于一致性检测阈值,则根据所述传感器的基础权重值和所述一致性检测值确定所述传感器的融合权重;
否则,根据所述传感器的基础权重值确定所述传感器的融合权重。
7.根据权利要求1所述的方法,其特征在于,还包括:
根据所述传感器的类型和融合属性,确定所述传感器的基础权重值。
8.一种基于多传感器的数据融合装置,其特征在于,所述装置包括:
数据获取模块,用于获取至少两种传感器分别采集的原传感器数据;
数据预测模块,用于针对每一种传感器,根据每一传感器采集的原传感器数据进行预测,得到预测传感器数据;
差值确定模块,用于根据所述原传感器数据和所述预测传感器数据,确定所述传感器的数据差值序列;
权重确定模块,用于确定所述传感器的数据差值序列是否满足异常检测条件,若是,则根据所述传感器的数据差值序列确定所述传感器的融合权重;
数据融合模块,用于根据至少两种传感器的融合权重,对至少两种传感器分别采集的原传感器数据进行融合。
9.一种电子设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,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1-7中任一所述的基于多传感器的数据融合方法。
10.一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,该程序被处理器执行时实现如权利要求1-7中任一所述的基于多传感器的数据融合方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210092108.2A CN114429186A (zh) | 2022-01-26 | 2022-01-26 | 基于多传感器的数据融合方法、装置、设备及介质 |
PCT/CN2022/141360 WO2023142813A1 (zh) | 2022-01-26 | 2022-12-23 | 基于多传感器的数据融合方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210092108.2A CN114429186A (zh) | 2022-01-26 | 2022-01-26 | 基于多传感器的数据融合方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114429186A true CN114429186A (zh) | 2022-05-03 |
Family
ID=81312789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210092108.2A Pending CN114429186A (zh) | 2022-01-26 | 2022-01-26 | 基于多传感器的数据融合方法、装置、设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114429186A (zh) |
WO (1) | WO2023142813A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023142813A1 (zh) * | 2022-01-26 | 2023-08-03 | 中国第一汽车股份有限公司 | 基于多传感器的数据融合方法、装置、设备及介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131530B (zh) * | 2023-10-20 | 2024-01-30 | 合肥亚明汽车部件有限公司 | 一种智慧工厂敏感数据加密防护方法 |
CN117235650B (zh) * | 2023-11-13 | 2024-02-13 | 国网浙江省电力有限公司温州供电公司 | 一种高空作业状态检测方法、装置、设备及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10254806B4 (de) * | 2002-11-22 | 2008-07-24 | Robert Bosch Gmbh | Verfahren zur Informationsverarbeitung |
US20140032167A1 (en) * | 2011-04-01 | 2014-01-30 | Physical Sciences, Inc. | Multisensor Management and Data Fusion via Parallelized Multivariate Filters |
CN108573271B (zh) * | 2017-12-15 | 2022-06-28 | 上海蔚来汽车有限公司 | 多传感器目标信息融合的优化方法及装置、计算机设备和记录介质 |
CN113283511B (zh) * | 2021-05-28 | 2023-12-05 | 广东中科新微安全科技有限公司 | 一种基于权重预分配的多源信息融合方法 |
CN114429186A (zh) * | 2022-01-26 | 2022-05-03 | 中国第一汽车股份有限公司 | 基于多传感器的数据融合方法、装置、设备及介质 |
-
2022
- 2022-01-26 CN CN202210092108.2A patent/CN114429186A/zh active Pending
- 2022-12-23 WO PCT/CN2022/141360 patent/WO2023142813A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023142813A1 (zh) * | 2022-01-26 | 2023-08-03 | 中国第一汽车股份有限公司 | 基于多传感器的数据融合方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023142813A1 (zh) | 2023-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109188438B (zh) | 偏航角确定方法、装置、设备和介质 | |
CN114429186A (zh) | 基于多传感器的数据融合方法、装置、设备及介质 | |
CN109284348B (zh) | 一种电子地图的更新方法、装置、设备和存储介质 | |
CN109444932B (zh) | 一种车辆定位方法、装置、电子设备及存储介质 | |
CN108983213B (zh) | 障碍物静止状态的确定方法、装置、设备及存储介质 | |
CN109255341B (zh) | 障碍物感知错误数据的提取方法、装置、设备及介质 | |
CN109558854B (zh) | 障碍物感知方法、装置、电子设备及存储介质 | |
CN109345829B (zh) | 无人车的监控方法、装置、设备及存储介质 | |
CN110263713B (zh) | 车道线检测方法、装置、电子设备及存储介质 | |
CN112572424B (zh) | 基于障碍物识别的车辆控制方法、装置、设备和介质 | |
US10495480B1 (en) | Automated travel lane recommendation | |
CN113335276A (zh) | 障碍物的轨迹预测方法、装置、电子设备及存储介质 | |
CN112015178B (zh) | 一种控制方法、装置、设备及存储介质 | |
CN112540365B (zh) | 一种评估方法、装置、设备及存储介质 | |
CN113537362A (zh) | 一种基于车路协同的感知融合方法、装置、设备及介质 | |
CN114475656A (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
CN114419601A (zh) | 障碍物信息确定方法、装置、电子设备以及存储介质 | |
JP6866443B2 (ja) | 障害物速度の検出方法、障害物速度の検出装置、コンピュータ機器、記憶媒体及び車両 | |
CN113096441A (zh) | 一种车辆预警方法、装置、车辆及存储介质 | |
CN109270566B (zh) | 导航方法、导航效果测试方法、装置、设备和介质 | |
CN112100565A (zh) | 一种道路曲率确定方法、装置、设备及存储介质 | |
CN108776333B (zh) | 一种数据二次级联融合方法、系统、车载设备及存储介质 | |
CN113895449A (zh) | 一种前向目标的确定方法、装置及电子设备 | |
CN110133624B (zh) | 无人驾驶异常检测方法、装置、设备和介质 | |
CN114895274A (zh) | 一种护栏识别方法 |
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 |