CN114648052A - 一种基于ds证据理论的多传感器信息融合算法 - Google Patents
一种基于ds证据理论的多传感器信息融合算法 Download PDFInfo
- Publication number
- CN114648052A CN114648052A CN202011508025.4A CN202011508025A CN114648052A CN 114648052 A CN114648052 A CN 114648052A CN 202011508025 A CN202011508025 A CN 202011508025A CN 114648052 A CN114648052 A CN 114648052A
- Authority
- CN
- China
- Prior art keywords
- target
- evidence
- confidence
- information fusion
- evidence theory
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 32
- 239000008186 active pharmaceutical agent Substances 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 39
- 238000001514 detection method Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 11
- 230000008033 biological extinction Effects 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 238000003786 synthesis reaction Methods 0.000 claims description 9
- 230000036541 health Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 abstract description 4
- 239000000126 substance Substances 0.000 description 4
- 238000005034 decoration Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012545 processing 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
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于DS证据理论的多传感器信息融合算法,所述算法是对不同传感器在不同的状态下进行相应的权值分配,然后利用DS证据理论所提供的证据组合方法,实现多个传感器的信息融合。本发明提出了一种基于DS证据理论的多传感器融合算法。具体的,该算法是对不同传感器在不同的状态下进行相应的权值分配,然后利用DS证据理论所提供的证据组合方法,实现多个传感器的信息融合,进而提高目标感知效果。更具体的是针对生命周期置信度管理、目标类别分类管理这两个感知融合任务,进行具体的信息融合,达到感知性能的提升。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及本发明提出了一种基于DS证据理论的多传感器信息融合算法。
背景技术
近年来,自动驾驶车辆在智能交通出行、物流配送、清洁作业等多场景中,构建了智慧城市生活的应用示范。自动驾驶汽车依靠各种传感器来感知环境,每种类型的传感器都有自己的优点和缺点。激光雷达能够提供准确的距离信息,在夜间也能很好的工作,但是不能提供障碍物的颜色信息等。相机能够感知障碍物的颜色和纹理等信息,可以用来进行目标分类,但是探测范围有限且对光照条件敏感。毫米波雷达能够感知较远距离的障碍物并提供速度信息,但是不能进行障碍物的分类。因此,通过将多个传感器信息进行融合使用可以实现传感器之间的取长补短,提高感知性能。
目前自动驾驶感知系统对于目标的跟踪主要是利用不同传感器提供的信息进行融合处理。主要任务包括:目标的运动信息融合、目标的生命周期管理、目标的类别管理等。目标的运动信息是指目标的速度、位置和加速度等信息,该类信息主要是通过卡尔曼滤波器获取。目标的生命周期管理是指新目标的生成,跟踪目标的健康度评估,已跟踪目标的消亡。目标的类别管理是指对感知传感器所获得的目标类别属性进行分类管理,包括:车辆、行人、自行车等。
现有目标生命周期管理主要是基于传感器量测值的更新次数。对于不同类型的传感器量测值设置不同的置信度值,通过对跟踪目标置信度的数值增减,从而实现新目标的建立和目标的消亡。但这类机制缺少对不确定性情况的估计。例如:对于某一传感器量测值,在一定概率下可以直接用来生成新目标,而一定概率不确定是否能用来生成新目标。这种情况不能通过单一的数值累加来反应到目标的置信度上。
现有的目标类别管理主要依赖于对单个传感器检测结果的加权组合。但是对于不同的传感器,在不同的测量条件下,其目标类别检测结果精度不同。如果仅采用简单的规则加权判定目标的类别,会造成目标分类准确度降低,出现类别来回切换等问题。
发明内容
为了解决上述问题,本申请的目的在于提供一种基于DS证据理论的多传感器信息融合算法。
为实现本发明的目的,本发明提供了一种基于DS证据理论的多传感器信息融合算法,
所述算法是对不同传感器在不同的状态下进行相应的权值分配,然后利用DS证据理论所提供的证据组合方法,实现多个传感器的信息融合。
其中,
所述算法包括:(1)基本概率分配和(2)组合规则,
(1)基本概率分配:设Θ是一个识别框架,或称为假设空间,基本概率分配,简称BPA,在识别框架Θ上的BPA是一个2Θ->[0,1]的函数m,称为Mass函数,并满足:
∑m(A)=1
其中,使得m(A)>0的A称为焦元;
其中,K为归一化常数,
其中,
针对目标生命周期管理,
新目标生成规则是基于D-S证据理论的某一种Mass函数分配组合和新目标生成和虚拟目标消亡的指标。如果改变Mass函数的分配,或者新证据的评判指标,则相对应的新目标生成规则也将改变。
其中,
针对目标生命周期管理,
目标健康度评估的规则为对于已经建立好的目标进行健康度管理,利用跟踪目标滤波器的位置方差值,是否有量测值的更新进行置信度管理;
具体如下:
(1)若当前目标关联到了可靠的量测值,那么可以将该条件作为对目标置信度提升的一个证据,将该证据与该目标已有的置信度进行组合,得到新的置信度;
(2)若当前该目标的滤波器方差偏大,那么可以把该条件作为对目标置信度降低的一个证据,可以采用较弱一些的置信度降低标准,并将该证据与目标最新的置信度进行组合;
(3)若当前目标没有关联到量测值,那么相应可以采用较强的置信度降低标准对目标置信度进行组合,得到新的置信度;
当组合完所有的证据之后,对所得到的目标置信度进行判断,删除置信度低的目标,在当前的Mass函数分配下,如果将删除目标的指标设置为m(Delete)>0.9,则可以在相应的条件下删除满足条件的目标;
(4)与新目标生成的Mass函数分配原理类似,这里的分配的目标置信度提升和降低Mass函数分配也只是一种可能的组合,在实施过程中,需要根据目标消亡的规则进行Mass函数调整,或者添加更多的证据。
其中,
针对目标类别分类管理,
在融合多个传感器的目标类别检测信息的时候,需要对不同的传感器检测结果进行合理的置信度分配,k+1时刻的目标障碍物类别是由k时刻的目标类别,以及k+1时刻所有传感器的目标类别检测结果融合所得;
Mass函数分配则是需要根据传感器的实际性能进行配置,障碍物类别融合之后,根据相应的门限值设置,输出概率最高的类别为最终的障碍物目标类别。
与现有技术相比,本发明的有益效果为,本发明提出了一种基于DS证据理论的多传感融合算法。具体的,该算法是对不同传感器在不同的状态下进行相应的权值分配,然后利用DS证据理论所提供的证据组合方法,实现多个传感器的信息融合,进而提高目标感知效果。
更具体的是针对生命周期置信度管理、目标类别分类管理这两个感知融合任务,进行具体的信息融合,达到感知性能的提升。
附图说明
图1所示为本申请的感知障碍物目标类别管理流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提出的一种多传感器信息融合方法,具体的是指基于DS证据理论的目标生命周期管理,以及目标的类别管理这两个任务。
具体的,该算法是对不同传感器在不同的状态下进行相应的权值分配,然后利用DS证据理论所提供的证据组合方法,实现多个传感器的信息融合,进而提高目标感知效果。
基本工作原理
D-S证据理论作为一种重要的不确定性推理理论,为处理传感器信息的模糊性及不确定性提供了很好的解决方法。它不仅能够强调事物的客观性,还能强调人类对事物估计的主观性,其最大的特点就是就是对不确定性信息的描述采用“区间估计”,而非“点估计”,再区分不知道和不确定方面以及精确反映证据收集方面显示出很大的灵活性。
本专利针对生命周期置信度管理、目标类别分类管理这两个感知融合任务,进行具体的信息融合算法描述。
(1)基本概率分配
设Θ是一个识别框架,或称为假设空间。基本概率分配,简称BPA(BasicProbability Assignment)。在识别框架Θ上的BPA是一个2Θ->[0,1]的函数m,称为Mass函数,并满足:
∑m(A)=1
其中,使得m(A)>0的A称为焦元(Focal elements)。
(2)组合规则
其中,K为归一化常数。
一、对于目标生命周期管理
新目标生成
自动驾驶感知系统有三类常用的目标跟踪传感器:激光雷达(LiDAR),毫米波雷达(Radar),以及视觉传感器(Vision)。对于新目标的生成概率,三类传感器有如下表的Mass函数分配(简单示例)。此外,对于某一帧无观测量的情况也进行了Mass函数分配。其中N/A表示为空集,YES表示生成新目标的概率,NO表示不生成新目标的概率,UNKNOWN则表示不确定是否生成新目标。
表1:不同证据(传感器种类及有无)下的Mass函数分配
表1
基于上表的Mass函数分配,对多帧多量测值(最少观测量)组合下的新目标生成进行了统计,如下表2所示。可以看出,多类组合大致可以分为六个大类。每个大类中又包含几个小类的组合情况。
表2
在当前的Mass函数分配下,如果将新目标生成的指标设置为m(YES)>0.9,以及虚拟目标(fake track)的消亡指标设置为m(NO)>0.7,则如表3所示,在该六类组合中有四类可以生成新的目标,有两类不会生成新目标。
注:当感知融合模块获得目标的量测信息后,不会立即创建真实的目标,而是先创建为虚拟的目标(不会发送给下层的应用)。当虚拟目标的存在置信度达到一定数值(门限值)之后,才会将该虚拟的目标转为真实的目标(发送给下层的应用)。
表3
但需要注意的是,上图的新目标生成规则是基于D-S证据理论的某一种Mass函数分配组合和新目标生成和虚拟目标消亡的指标。如果改变Mass函数的分配,或者新证据的评判指标,则相对应的新目标生成规则也将改变。在实际使用中,往往需要根据已有经验调整Mass函数从而得到合适的新目标生成规则。
目标健康度评估
对于已经建立好的目标进行健康度管理,这里利用跟踪目标滤波器的位置方差值,是否有量测值的更新等证据进行置信度管理。其相应的Mass函数分配如下表4所示(简单示例)。其中N/A表示为空集,Maintain表示维持该目标的概率,Delete表示删除该目标的概率,UNKNOWN表示不确定进行何种操作。
表4
新建立的目标可以分配较低的置信度,采用Track Level B表示。
(1)若当前目标关联到了可靠的量测值(通过传感器量测值的置信度判断),那么可以将该条件作为对目标置信度提升的一个证据。将该证据Confidence Upgrade与该目标已有的置信度进行组合,得到新的置信度。
(2)若当前该目标的滤波器方差偏大(设定阈值),那么可以把该条件作为对目标置信度降低的一个证据。可以采用较弱一些的置信度降低标准Confidence Weaken,并将该证据与目标最新的置信度进行组合。
(3)若当前目标没有关联到量测值,那么相应可以采用较强的置信度降低标准Confidence Degrade对目标置信度进行组合,得到新的置信度。
当组合完所有的证据之后,对所得到的目标置信度进行判断,删除置信度低的目标。在当前的Mass函数分配下,如果将删除目标的指标设置为m(Delete)>0.9,则可以在相应的条件下删除满足条件的目标。
(4)与新目标生成的Mass函数分配原理类似,这里的分配的目标置信度提升和降低Mass函数分配也只是一种可能的组合。在实施过程中,需要根据目标消亡的规则进行Mass函数调整,或者添加更多的证据。灵活度很强,但是证据越多,组合之后的情况越复杂,越不利于系统规则的制定和分析。
二、目标类别分类管理
自动驾驶感知系统往往还需要提供目标障碍物的类别信息,例如:车辆、人、自行车和未知障碍物等。不同类别的传感器对于目标类别的检测精度不同。一般来说,对于目标类别检测,视觉传感器的检测精度优于激光雷达的检测精度,而毫米波雷达几乎没有目标类别检测的能力。因此,在融合多个传感器的目标类别检测信息的时候,需要对不同的传感器检测结果进行合理的置信度分配。图1为感知障碍物目标类别的管理流程图。k+1时刻的目标障碍物类别是由k时刻的目标类别,以及k+1时刻所有传感器的目标类别检测结果融合所得。
与生命周期置信度管理所采用的算法相似,目标类别分类管理算法是对不同的传感器进行了Mass函数分配,然后基于DS证据组合理论进行多信息源的融合。
在该示例中,将常用的三类传感器进行Mass函数分配。以障碍物目标为车辆的情况为例,如表5所示。
表5
在实际应用中,上述的Mass函数分配则是需要根据传感器的实际性能进行配置。障碍物类别融合之后,根据相应的门限值设置,输出概率最高的类别为最终的障碍物目标类别。具体的融合过程不在这里赘述。
本发明提出了一种基于DS证据理论的多传感融合算法。具体的,该算法是对不同传感器在不同的状态下进行相应的权值分配,然后利用DS证据理论所提供的证据组合方法,实现多个传感器的信息融合,进而提高目标感知效果。更具体的是针对生命周期置信度管理、目标类别分类管理这两个感知融合任务,进行具体的信息融合,达到感知性能的提升。
需要说明的是,本申请中未详述的技术方案,采用公知技术。
以上所述仅是本发明的优选实施方式,应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于DS证据理论的多传感器信息融合算法,其特征在于,
所述算法是对不同传感器在不同的状态下进行相应的权值分配,然后利用DS证据理论所提供的证据组合方法,实现多个传感器的信息融合。
3.根据权利要求2所述的一种基于DS证据理论的多传感器信息融合算法,其特征在于,
针对目标生命周期管理,
新目标生成规则是基于D-S证据理论的某一种Mass函数分配组合和新目标生成和虚拟目标消亡的指标。如果改变Mass函数的分配,或者新证据的评判指标,则相对应的新目标生成规则也将改变。
4.根据权利要求3所述的一种基于DS证据理论的多传感器信息融合算法,其特征在于,
针对目标生命周期管理,
目标健康度评估的规则为对于已经建立好的目标进行健康度管理,利用跟踪目标滤波器的位置方差值,是否有量测值的更新进行置信度管理;
具体如下:
(1)若当前目标关联到了可靠的量测值,那么可以将该条件作为对目标置信度提升的一个证据,将该证据与该目标已有的置信度进行组合,得到新的置信度;
(2)若当前该目标的滤波器方差偏大,那么可以把该条件作为对目标置信度降低的一个证据,可以采用较弱一些的置信度降低标准,并将该证据与目标最新的置信度进行组合;
(3)若当前目标没有关联到量测值,那么相应可以采用较强的置信度降低标准对目标置信度进行组合,得到新的置信度;
当组合完所有的证据之后,对所得到的目标置信度进行判断,删除置信度低的目标,在当前的Mass函数分配下,如果将删除目标的指标设置为m(Delete)>0.9,则可以在相应的条件下删除满足条件的目标;
(4)与新目标生成的Mass函数分配原理类似,这里的分配的目标置信度提升和降低Mass函数分配也只是一种可能的组合,在实施过程中,需要根据目标消亡的规则进行Mass函数调整,或者添加更多的证据。
5.根据权利要求2所述的一种基于DS证据理论的多传感器信息融合算法,其特征在于,
针对目标类别分类管理,
在融合多个传感器的目标类别检测信息的时候,需要对不同的传感器检测结果进行合理的置信度分配,k+1时刻的目标障碍物类别是由k时刻的目标类别,以及k+1时刻所有传感器的目标类别检测结果融合所得;
Mass函数分配则是需要根据传感器的实际性能进行配置,障碍物类别融合之后,根据相应的门限值设置,输出概率最高的类别为最终的障碍物目标类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011508025.4A CN114648052A (zh) | 2020-12-18 | 2020-12-18 | 一种基于ds证据理论的多传感器信息融合算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011508025.4A CN114648052A (zh) | 2020-12-18 | 2020-12-18 | 一种基于ds证据理论的多传感器信息融合算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114648052A true CN114648052A (zh) | 2022-06-21 |
Family
ID=81990840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011508025.4A Pending CN114648052A (zh) | 2020-12-18 | 2020-12-18 | 一种基于ds证据理论的多传感器信息融合算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114648052A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115270997A (zh) * | 2022-09-20 | 2022-11-01 | 中国人民解放军32035部队 | 基于迁移学习的火箭目标姿态稳定判别方法及相关装置 |
CN115457351A (zh) * | 2022-07-22 | 2022-12-09 | 中国人民解放军战略支援部队航天工程大学 | 一种多源信息融合不确定性判别方法 |
CN117056827A (zh) * | 2023-08-15 | 2023-11-14 | 合肥中科自动控制系统有限公司 | 一种基于时序ds理论的异步多模态目标级信息融合方法 |
CN117932548A (zh) * | 2024-03-25 | 2024-04-26 | 西北工业大学 | 基于置信度的多源异构传感器融合的飞行障碍识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080034347A1 (en) * | 2006-07-31 | 2008-02-07 | Subramanyam V | System and method for software lifecycle management |
CN103413141A (zh) * | 2013-07-29 | 2013-11-27 | 西北工业大学 | 环形光源及利用环形光源照明基于刀具形状纹理重量的融合识别方法 |
CN105956290A (zh) * | 2016-05-06 | 2016-09-21 | 国网江苏省电力公司检修分公司 | 一种基于多数据融合技术的高压断路器机械故障诊断方法 |
CN110796194A (zh) * | 2019-10-29 | 2020-02-14 | 中国人民解放军国防科技大学 | 一种用于多传感器信息的目标检测结果融合判定方法 |
-
2020
- 2020-12-18 CN CN202011508025.4A patent/CN114648052A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080034347A1 (en) * | 2006-07-31 | 2008-02-07 | Subramanyam V | System and method for software lifecycle management |
CN103413141A (zh) * | 2013-07-29 | 2013-11-27 | 西北工业大学 | 环形光源及利用环形光源照明基于刀具形状纹理重量的融合识别方法 |
CN105956290A (zh) * | 2016-05-06 | 2016-09-21 | 国网江苏省电力公司检修分公司 | 一种基于多数据融合技术的高压断路器机械故障诊断方法 |
CN110796194A (zh) * | 2019-10-29 | 2020-02-14 | 中国人民解放军国防科技大学 | 一种用于多传感器信息的目标检测结果融合判定方法 |
Non-Patent Citations (1)
Title |
---|
张师超等: "《不确定性推理技术》", 30 June 1996, pages: 38 - 43 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457351A (zh) * | 2022-07-22 | 2022-12-09 | 中国人民解放军战略支援部队航天工程大学 | 一种多源信息融合不确定性判别方法 |
CN115457351B (zh) * | 2022-07-22 | 2023-10-20 | 中国人民解放军战略支援部队航天工程大学 | 一种多源信息融合不确定性判别方法 |
CN115270997A (zh) * | 2022-09-20 | 2022-11-01 | 中国人民解放军32035部队 | 基于迁移学习的火箭目标姿态稳定判别方法及相关装置 |
CN115270997B (zh) * | 2022-09-20 | 2022-12-27 | 中国人民解放军32035部队 | 基于迁移学习的火箭目标姿态稳定判别方法及相关装置 |
CN117056827A (zh) * | 2023-08-15 | 2023-11-14 | 合肥中科自动控制系统有限公司 | 一种基于时序ds理论的异步多模态目标级信息融合方法 |
CN117932548A (zh) * | 2024-03-25 | 2024-04-26 | 西北工业大学 | 基于置信度的多源异构传感器融合的飞行障碍识别方法 |
CN117932548B (zh) * | 2024-03-25 | 2024-06-04 | 西北工业大学 | 基于置信度的多源异构传感器融合的飞行障碍识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114648052A (zh) | 一种基于ds证据理论的多传感器信息融合算法 | |
US11353553B2 (en) | Multisensor data fusion method and apparatus to obtain static and dynamic environment features | |
Llinas et al. | An introduction to multi-sensor data fusion | |
CN110361727A (zh) | 一种毫米波雷达多目标跟踪方法 | |
Meissner et al. | Intersection-based road user tracking using a classifying multiple-model PHD filter | |
KR102168288B1 (ko) | 다중 라이다를 이용한 다중 물체 추적 시스템 및 방법 | |
Muresan et al. | Multi-object tracking of 3D cuboids using aggregated features | |
CN108802741B (zh) | 基于DSmT理论的移动机器人声纳数据融合方法 | |
CN111582130B (zh) | 一种基于多源异构信息的交通行为感知融合系统及方法 | |
WO2012003039A1 (en) | Evidential reasoning to enhance feature-aided tracking | |
Luo et al. | Online multiple maneuvering vehicle tracking system based on multi-model smooth variable structure filter | |
US20220026557A1 (en) | Spatial sensor system with background scene subtraction | |
Diehl et al. | Radar-based dynamic occupancy grid mapping and object detection | |
WO2022086739A2 (en) | Systems and methods for camera-lidar fused object detection | |
Bouain et al. | Multi-sensor fusion for obstacle detection and recognition: A belief-based approach | |
US20220129685A1 (en) | System and Method for Determining Object Characteristics in Real-time | |
Cao et al. | Lane determination of vehicles based on a novel clustering algorithm for intelligent traffic monitoring | |
CN117130010B (zh) | 用于无人驾驶的障碍物感知方法、系统及无人驾驶汽车 | |
Guo et al. | Feature‐based detection and classification of moving objects using LiDAR sensor | |
CN117387647A (zh) | 融合车载传感器数据与道路传感器数据的道路规划方法 | |
Hong et al. | Hierarchical world model for an autonomous scout vehicle | |
Harun et al. | Sensor fusion technology for unmanned autonomous vehicles (UAV): A review of methods and applications | |
CN114415726B (zh) | 一种基于图像分析的无人机避障控制系统及方法 | |
CN114675295A (zh) | 一种障碍物判定的方法、装置、设备及存储介质 | |
CN116863325A (zh) | 一种用于多个目标检测的方法和相关产品 |
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 |