CN116304994B - 多传感器目标数据融合方法、装置、设备及存储介质 - Google Patents
多传感器目标数据融合方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116304994B CN116304994B CN202310577353.7A CN202310577353A CN116304994B CN 116304994 B CN116304994 B CN 116304994B CN 202310577353 A CN202310577353 A CN 202310577353A CN 116304994 B CN116304994 B CN 116304994B
- Authority
- CN
- China
- Prior art keywords
- target
- fusion
- data
- result
- association
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了多传感器目标数据融合方法、装置、设备及存储介质。所述方法包括:获取路侧多传感器输出的感知目标结构化数据;获取智能网联汽车上报的BSM数据;将所述感知目标结构化数据以及BSM数据进行数据融合,以得到融合结果;对所述融合结果进行目标关联,以得到关联对;根据所述关联对对所述融合结果的目标轨迹进行跟踪,以得到目标轨迹信息;下发所述融合结果以及所述目标轨迹信息至路侧RSU设备。通过实施本发明实施例的方法可实现减少交通事故和二次伤害的发生,提高行车安全与通行效率,解决网联路口全息态势感知以及辅助决策等问题。
Description
技术领域
本发明涉及车联网技术领域,更具体地说是指多传感器目标数据融合方法、装置、设备及存储介质。
背景技术
随着车联网技术的发展,RSU(路侧设备,Roadside Unit)在道路的智慧化改造中也逐渐普及。依托RSU设备作为路侧信息传输终端的网联路口架构也不断完善。网联路口一般通过在路侧部署传感器实时感知路侧目标位置与状态,为平台端提供路口全息感知数据,以支撑全息路口可视化展示。但是路侧多传感器检测的目标结构化数据直接上平台进行处理的方式,由于随着道路智能化改造进程的不断推进,中心式数据存储与计算面临着越发难解的瓶颈与压力,同时路侧传感器检测数据辅助智能网联车辆的业务对带宽、时延和安全性也提出了更加苛刻的要求。
因此,有必要设计一种新的方法,实现减少交通事故和二次伤害的发生,提高行车安全与通行效率,解决网联路口全息态势感知以及辅助决策等问题。
发明内容
本发明的目的在于克服现有技术的缺陷,提供多传感器目标数据融合方法、装置、设备及存储介质。
为实现上述目的,本发明采用以下技术方案:多传感器目标数据融合方法,包括:
获取路侧多传感器输出的感知目标结构化数据;
获取智能网联汽车上报的BSM数据;
将所述感知目标结构化数据以及BSM数据进行数据融合,以得到融合结果;
对所述融合结果进行目标关联,以得到关联对;
根据所述关联对对所述融合结果的目标轨迹进行跟踪,以得到目标轨迹信息;
下发所述融合结果以及所述目标轨迹信息至路侧RSU设备。
其进一步技术方案为:所述感知目标结构化数据包括时间戳、目标类型、目标经纬度位置、目标速度以及目标航向角;所述BSM数据包括车辆的位置以及状态信息。
其进一步技术方案为:所述将所述感知目标结构化数据以及BSM数据进行数据融合,以得到融合结果,包括:
对所述感知目标结构化数据中的目标经纬度位置进行坐标转换,以得到转换结果;
在设定周期范围内,按照时间戳的先后顺序对所述BSM数据以及带所述转换结果的感知目标结构化数据进行逐步融合,以得到融合结果。
其进一步技术方案为:所述在设定周期范围内,按照时间戳的先后顺序对所述BSM数据以及带所述转换结果的感知目标结构化数据进行逐步融合,以得到融合结果,包括:
设定融合算法输出频率;
确定融合周期开始时间和融合周期结束时间;
读取其中一条感知目标结构化数据或BSM数据,并确定时间戳;
判断所述时间戳是否处于融合周期开始时间和融合周期结束时间之间;
若所述时间戳处于融合周期开始时间和融合周期结束时间之间,则对读取的感知目标结构化数据或BSM数据对应的目标进行重复目标的识别,以得到识别结果;
根据所述识别结果确定目标检测序列,以得到融合结果;
判断所述感知目标结构化数据以及所述BSM数据的目标是否都遍历完成;
若所述感知目标结构化数据以及所述BSM数据的目标都遍历完成,则执行对所述融合结果进行目标关联,以得到关联对;
若所述感知目标结构化数据以及所述BSM数据的目标未遍历完成,则执行所述读取其中一条感知目标结构化数据或BSM数据,并确定时间戳;
若所述时间戳不处于融合周期开始时间和融合周期结束时间之间,则执行所述对所述融合结果进行目标关联,以得到关联对。
其进一步技术方案为:所述对所述融合结果进行目标关联,以得到关联对,包括:
将前后不同时间戳的所述融合结果中的检测目标进行目标关联,以得到关联对。
其进一步技术方案为:所述将前后不同时间戳的所述融合结果中的检测目标进行目标关联,以得到关联对,包括:
基于当前时间戳的检测目标所对应的位置以及状态信息,对所述检测目标在下一时间戳内的位置和状态信息的预测,以得到预测结果;
将所述预测结果与下一时间戳内的所述融合结果的检测目标进行匹配,以得到匹配结果;
当所述匹配结果是存在多个目标时,采用相似性度量方法确定所述检测目标对应的关联对,当所述匹配结果是存在一个目标时,确定目标为所述检测目标对应的关联对。
其进一步技术方案为:所述根据所述关联对对所述融合结果的目标轨迹进行跟踪,以得到目标轨迹信息,包括:
确定所述关联对中的最初始时刻的目标点序列,分别创建轨迹,以得到目标轨迹信息。
本发明还提供了多传感器目标数据融合装置,包括:
第一获取单元,用于获取路侧多传感器输出的感知目标结构化数据;
第二获取单元,用于获取智能网联汽车上报的BSM数据;
融合单元,用于将所述感知目标结构化数据以及BSM数据进行数据融合,以得到融合结果;
关联单元,用于对所述融合结果进行目标关联,以得到关联对;
跟踪单元,用于根据所述关联对对所述融合结果的目标轨迹进行跟踪,以得到目标轨迹信息;
下发单元,用于下发所述融合结果以及所述目标轨迹信息至路侧RSU设备。
本发明还提供了一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质,所述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上述的方法。
本发明与现有技术相比的有益效果是:本发明通过获取路侧多传感器输出的感知目标结构化数据以及智能网联汽车上报的BSM数据,将这两种数据进行融合后,关联对应的目标,再进行目标轨迹跟踪,将融合结果以及轨迹信息下发至路侧RSU设备,实现减少交通事故和二次伤害的发生,提高行车安全与通行效率,解决网联路口全息态势感知以及辅助决策等问题。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例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为本发明实施例提供的多传感器目标数据融合方法的应用场景示意图;
图2为本发明实施例提供的多传感器目标数据融合方法的流程示意图;
图3为本发明实施例提供的目标匹配的示意图;
图4为本发明实施例提供的多传感器目标数据融合装置的示意性框图;
图5为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的多传感器目标数据融合方法的应用场景示意图。图2为本发明实施例提供的多传感器目标数据融合方法的示意性流程图。该多传感器目标数据融合方法应用于MEC(多接入边缘计算,Multi-Access Edge Computing)服务器中。该MEC服务器与路侧多传感器以及智能网联汽车进行数据交互,通过在网联路口部署本地MEC(Multi-Access Edge Computing)服务器的方式,在路端收集路侧多传感器输出的感知目标结构化数据以及智能网联汽车在网联路口上报的BSM(基本安全信息,BasicSafety Message)数据,并在本地进行数据融合与计算,再将本地计算得到的结果通过RSU设备发布以满足智能网联车辆利用路侧感知数据的低延时要求,辅助车辆做出正确的驾驶决策,减少交通事故和二次伤害的发生,提高行车安全与通行效率;同时也可将融合后的数据上传至云端服务器,以支持全息路口展示等应用。
具体地,基于部署在智能网联路口的路侧传感器如摄像头、激光雷达、毫米波雷达等输出的感知目标结构化数据以及智能网联车辆在网联路口范围内上报的车辆位置以及状态信息,构建一种分布式网联路口多传感器目标数据融合与轨迹跟踪方法。该方法利用分布式部署的MEC进行目标数据融合,输出融合后的智能网联路口全息目标感知结果,并在此结果基础上,对全息感知目标进行轨迹目标关联,输出智能网联路口目标轨迹信息。
图2是本发明实施例提供的多传感器目标数据融合方法的流程示意图。如图2所示,该方法包括以下步骤S110至S160。
S110、获取路侧多传感器输出的感知目标结构化数据。
在本实施例中,所述感知目标结构化数据包括时间戳、目标类型、目标经纬度位置、目标速度以及目标航向角。
网联路口布设有各式路侧传感器,路侧传感器输出其各自的感知目标检测的结构化数据,MEC部署在路侧机柜中,通过光纤与交换机与路侧多传感器进行通信,获取其目标结构化数据。
具体地,部署在网联路口的各式传感器必须具备感知检测范围内目标的能力,并将其感知结果输出为感知目标的结构化数据,通过光纤与交换机传输至MEC端。感知目标结构化数据要求:
内容:时间戳;字符:time_stamp;可选性:Mandatory。
内容:设备ID;字符:device_id;注释:数据源设备ID;可选性:Mandatory。
内容:目标数;字符:object_num;可选性:Mandatory。
目标数据:
内容:目标类型;字符:object_type;注释:1:非机动车、2:机动车、3:行人;可选性:Mandatory。
内容:目标经度;字符:longitude;可选性:Mandatory。
内容:目标纬度;字符:latitude;可选性:Mandatory。
内容:目标速度;字符:speed;注释:单位:m/s;可选性:Mandatory。
内容:目标航向角;字符:heading;注释:[0, 360)以北向为0度,顺时针递增;可选性:Mandatory。
内容:目标长度;字符:length;注释:单位:m;可选性:Optional。
内容:目标宽度;字符:width ;注释:单位:m;可选性:Optional。
内容:目标高度;字符:height;注释:单位:m;可选性:Optional。
S120、获取智能网联汽车上报的BSM数据。
在本实施例中,所述BSM数据包括车辆的位置以及状态信息。
具体地,智能网联车辆端安装有OBU(车载单元,On-board Unit)设备,该设备通过GNSS(全球导航卫星系统,Global Navigation Satellite System)模块获取车辆定位位置,在有RTCM(Radio Technical Commission for Maritime Services)服务器的情况下,可通过差分数据校正获取厘米级经纬度定位位置,通过CAN(ControllerArea Network)总线读取车速等车辆状态信息。OBU设备端将这些信息填入BSM消息集后通过C-V2X广播。RSU端接收到智能网联汽车在该网联路口上报BSM消息后,将其通过光纤与交换机传入MEC端。
智能网联汽车装备有OBU设备。该设备中含有GNSS模块,可实时获取车辆的经纬度位置,航向角等数据。在有RTCM差分服务器的情况下,可接收RTCM校正数据,获得厘米级经纬度位置;同时OBU设备通过与汽车CAN口相连,读取车辆状态信息。OBU设备将智能网联汽车在智能网联路口范围内实时获取的以上信息填入BSM消息集中,并通过C-V2X通信传输至路侧RSU设备中,而后通过光纤与交换机将BSM数据传入MEC端。智能网联汽车上报的BSM数据结构如下所示:
内容:时间戳;字符:time_stamp;可选性:Mandatory。
内容:设备ID;字符:device_id;注释:车载设备ID,用于识别车辆;可选性:Mandatory。
内容:车辆类型;字符:classification;可选性:Mandatory。
内容:车辆经度位置;字符:long;可选性:Mandatory。
内容:车辆纬度位置;字符:lat;可选性:Mandatory。
内容:车辆速度;字符:speed;注释:单位:m;可选性:Mandatory。
内容:车辆航向角;字符:heading;注释:[0, 360)以北向为0度,顺时针递增;可选性:Mandatory。
内容:车辆长度;字符:length;注释:单位:m;可选性:Optional 。
内容:车辆宽度;字符:width;注释:单位:m;可选性:Optional。
内容:车辆高度;字符:height;注释:单位:m;可选性:Optional。
S130、将所述感知目标结构化数据以及BSM数据进行数据融合,以得到融合结果。
在本实施例中,融合结果是指剔除了重复目标后的所有检测目标。
在一实施例中,上述的步骤S130可包括步骤S131~S132。
S131、对所述感知目标结构化数据中的目标经纬度位置进行坐标转换,以得到转换结果。
在本实施例中,转换结果是指目标经纬度位置转换为UTM(通用横墨卡托格网系统,Universal Transverse Mercartor Grid System)坐标系下的坐标。
S132、在设定周期范围内,按照时间戳的先后顺序对所述BSM数据以及带所述转换结果的感知目标结构化数据进行逐步融合,以得到融合结果。
在一实施例中,上述的步骤S132可包括步骤S1321~S1327。
S1321、设定融合算法输出频率;
S1322、确定融合周期开始时间和融合周期结束时间;
S1323、读取其中一条感知目标结构化数据或BSM数据,并确定时间戳;
S1324、判断所述时间戳是否处于融合周期开始时间和融合周期结束时间之间;
S1325、若所述时间戳处于融合周期开始时间和融合周期结束时间之间,则对读取的感知目标结构化数据或BSM数据对应的目标进行重复目标的识别,以得到识别结果;
S1326、根据所述识别结果确定目标检测序列,以得到融合结果;
S1327、判断所述感知目标结构化数据以及所述BSM数据的目标是否都遍历完成;
若所述感知目标结构化数据以及所述BSM数据的目标都遍历完成,则执行步骤S140;
若所述感知目标结构化数据以及所述BSM数据的目标未遍历完成,则执行所述步骤S1323;
若所述时间戳不处于融合周期开始时间和融合周期结束时间之间,则执行所述步骤S140。
在本实施例中,MEC端获取路侧多传感器输出的感知目标结构化数据以及智能网联汽车在网联路口范围内上报的BSM数据。由于不同传感器的感知范围有所重叠,因此需对路侧多传感器的感知目标结构化数据进行融合,找到传感器检测的重复目标并剔除,从而输出网联路口的全息目标感知结果。由于包含的数据内容相同,为下文表述方便,把智能网联汽车在网联路口范围内上报的BSM数据也认为是一种传感器输出的目标结构化数据。
令表示第i个传感器输出的第j个目标。其中各参数按次序分别表示第i个传感器输出的第j个目标输出的时间戳、目标类型、纬度位置、经度位置、速度以及航向角。
为计算方便,首先需对目标经纬度位置进行坐标转换,转换为UTM坐标系(Universal Transverse Mercartor Grid System)下的坐标,单位为m。则目标参数转换如下:;
路侧多传感器的感知目标结构化数据融合输出结果频率设为(可根据不同传感器实际数据输出频率进行调整)。设某一统计周期开始时间戳为/>,结束时间戳为/>,其关系满足/>;
由于不同传感器上报数据的时间并不完全一致,设收到不同传感器上报数据的时间戳为,对于满足/>的上报数据进行目标融合:
在该周期范围内,按照时间顺序对收到不同传感器的目标结构化数据进行逐步融合,即先对该周期内数据时间戳最早的两个传感器目标数据进行融合,在将其结果与时间戳晚于前两个传感器数据的第三个传感器数据进行融合,依次类推,直至将符合的传感器目标结构化数据完全融合。
本实施例以该周期内数据时间戳最早的两个传感器(设为传感器1与传感器2)数据目标进行融合为例,由于不同传感器检测的范围并不完全重合,也存在传感器漏检的情况,因此首先需要识别传感器检测的重合目标。
假设传感器1在某检测周期输出m个检测目标,传感器2在相同检测周期输出n个检测目标/>,以传感器1的目标检测数据为基础,检测传感器2的目标与传感器1的目标是否存在重合。但由于两个传感器输出检测目标数据的时间并不完全一致,因此需基于传感器1的输出时间/>以及输出目标的位置和状态,对传感器1目标处于传感器2输出时间点/>时刻的位置和状态进行预测,预测目标计算如下所示:
,其中,/>为传感器1的目标预测在/>时刻的时间戳;/>为传感器1的第j个目标在预测时刻/>的类型;/>为传感器1的第j个目标在预测时刻/>的x轴坐标;/>为传感器1的第j个目标在预测时刻/>的y轴坐标;/>为传感器1的第j个目标在预测时刻/>的速度;/>为传感器1的第j个目标在预测时刻/>的航向角。
由此,基于传感器1在时刻输出的m个检测目标/>可得其在/>时刻的m个检测目标预测/>。分别计算传感器1的m个检测目标预测以及传感器2 的n个检测目标/>的各项指标差值,并由阈值判断是否含有重复目标,重复目标判断条件为:/>;其中,/>为第1个传感器的第i个目标在/>时刻的预测位置与第2个传感器的第个j目标在/>时刻位置的距离;/>为判断两点是否为同一个目标的距离阈值;/>为通过第1个传感器的第i个目标在/>时刻的预测速度以及第2个传感器的第j个目标在/>时刻的速度计算得到的加速度;/>为判断两点是否为同一个目标的加速度阈值;/>为通过第1个传感器的第i个目标在/>时刻的预测航向角以及第2个传感器的第j个目标在/>时刻的航向角计算得到的角速度;/>为判断两点是否为同一个目标的角速度阈值。
若满足以上所有条件,则认为目标与目标/>为同一目标,若不为同一目标,则将/>添加到传感器2的目标检测序列中,得到新的目标检测序列/>,依此类推,直至遍历所有目标点。
对于时间戳晚于前两个传感器数据的第三个传感器数据,则重复上述步骤,对传感器3的目标处于传感器1、2融合输出时间点时的位置和状态进行预测,预测目标,计算方法同/>,然后通过重复判断条件判定是否存在重复检测目标,如,若存在重复检测目标则剔除传感器3中的对应目标点。
若存在更多传感器的目标数据输入,重复上述步骤,直至编历所有满足的传感器目标数据。
路侧多传感器的感知目标结构化数据融合的输出结果数据格式仍如上述感知目标结构化数据要求所示。其结果为寻找到多传感器目标重复检测数据后剔除相应重复检测目标数据。
S140、对所述融合结果进行目标关联,以得到关联对。
在本实施例中,关联对是指属于不同时间戳的同一检测目标形成的目标序列。
具体地,将前后不同时间戳的所述融合结果中的检测目标进行目标关联,以得到关联对。
在一实施例中,上述的步骤S140可包括步骤S141~S143。
S141、基于当前时间戳的检测目标所对应的位置以及状态信息,对所述检测目标在下一时间戳内的位置和状态信息的预测,以得到预测结果。
在本实施例中,预测结果是指当前时间戳的检测目标在下一时间戳内的位置和状态信息。
S142、将所述预测结果与下一时间戳内的所述融合结果的检测目标进行匹配,以得到匹配结果。
在本实施例中,匹配结果是指是否存在与预测结果相匹配的下一时间戳内的所述融合结果的检测目标。
S143、当所述匹配结果是存在多个目标时,采用相似性度量方法确定所述检测目标对应的关联对,当所述匹配结果是存在一个目标时,确定目标为所述检测目标对应的关联对。
具体地,针对按一定频率输出融合后的多传感器目标结构化数据,通过对融合数据进行前后时刻的检测目标进行关联,为后续目标轨迹跟踪做好准备。
对于融合后的目标结构化数据,对于某一时刻的m个目标/>,以及下一时刻/>的n个目标/>,要想得到检测目标的轨迹,需要先将前后不同时刻输出的检测目标进行目标关联,从而形成目标的跟踪序列。
首先需要基于时刻的m个目标/>的位置以及状态信息对其在/>时刻的位置以及状态进行预测。预测目标/>按照计算对应的内容。
由此得到在时刻的m个预测目标/>,将其与/>时刻的n个目标进行运算,以/>时刻的n个目标/>为中心建立关联门,并确定关联门限,过滤预测目标/>,获得经过初步匹配的目标关联对。关联门限如所示。
对于时刻的n个目标/>,若无预测目标与之匹配,则认为该目标点为新识别到的目标,为之建立新的轨迹序列,并作为轨迹起始点;若预测目标序列中存在目标点无目标与之匹配,则认为该点所在的轨迹消亡。
针对初步匹配的目标关联对,对于门限内仅存在一个目标预测点的情况,可直接判定该目标点与目标预测点所在轨迹匹配;对于一个目标预测点与多个目标的关联门产生配对,因此需要采取其他方法对其进行进一步的匹配,以识别目标点所属轨迹。
如图3所示,同时落在/>与/>的关联门内,/>落在/>的关联门内,为进一步确定目标点一对一的关联对,首先需确定目标点间的相似性度量方法,此处使用马氏距离度量目标点与预测目标点的相似程度。对于马氏距离的计算,使用目标点的x坐标,y坐标,速度以及航向角构成的向量/>进行计算,如/>所示。
由此则可建立关联矩阵,通过最近邻方法作为关联的判定准则,即可得到关联对/>以及/>。
在本实施例中,最近邻方法将落在关联门内并且与被跟踪目标的预测位置“最邻近”的观测点作为与航迹相关联的观测。如有三批目标和三个测量,所形成的关联矩阵为,/>表示关联矩阵每列,/>表示关联矩阵每行,计算全局最近邻的关联结果,即在所有配对的结果中选取其总数最小的那一个,最终可得关联对/>,,/>;
解全局最优的具体计算过程如下:
由于全局最优的目标是使关联矩阵中配对目标关联代价最小,即总距离最小,因此其目标函数如所示,其中,/>为二值变量,为0表示不关联,为1表示关联,/>表示目标i与目标j之间的距离。用矩阵表示时,矩阵的每行每列只能有1个元素为1,如/>所示。
S150、根据所述关联对对所述融合结果的目标轨迹进行跟踪,以得到目标轨迹信息。
在本实施例中,目标轨迹信息是指检测目标的跟踪轨迹。
具体地,确定所述关联对中的最初始时刻的目标点序列,分别创建轨迹,以得到目标轨迹信息。
基于前后输出的融合结构化数据目标的关联对进行融合结构化数据目标轨迹跟踪。
对于融合结构化数据目标轨迹跟踪,首先获取最初始时刻的目标点序列,分别为其创建轨迹,轨迹由一系列的连续目标点构成, 初始创建阶段,每条航机仅包含一个目标点。其中,轨迹由一系列的连续目标点构成,具体如下:
内容:轨迹ID;字符:track_id;注释:按轨迹生成顺序依次分配编号1,2,3,……,N;可选性:Mandatory。
内容:轨迹点数;字符:track_point_num;注释:构成轨迹的目标点个数;可选性:Mandatory。
轨迹信息:
内容:时间戳;字符:time_stamp;可选性:Mandatory。
内容:目标类型;字符:object_type;注释:1:非机动车、2:机动车、3:行人;可选性:Mandatory。
内容:目标经度;字符:longitude;可选性:Mandatory。
内容:目标纬度;字符:latitude;可选性:Mandatory。
内容:目标速度;字符:speed;注释:单位:m/s;可选性:Mandatory。
内容:目标航向角;字符:heading;注释:[0, 360)以北向为0度,顺时针递增;可选性:Mandatory。
内容:目标长度;字符:length;注释:单位:m;可选性:Optional。
内容:目标宽度;字符:width ;注释:单位:m;可选性:Optional。
内容:目标高度;字符:height;注释:单位:m;可选性:Optional。
每当更新最新的融合结构化目标数据,将其与当前轨迹信息表中每条轨迹的最近的轨迹点进行数据关联,对于关联到的新目标点,将其添加到关联轨迹点所在轨迹序列中;若轨迹无法匹配到新目标点,则将该轨迹从轨迹信息表中删除,并将该轨迹信息添加进历史轨迹信息表;若存在新目标点无匹配轨迹,则为该目标点创建新的轨迹,并将其添加到轨迹信息表中。
S160、下发所述融合结果以及所述目标轨迹信息至路侧RSU设备。
对于MEC端在计算得到的多传感器目标结构化数据融合结果以及融合结构化数据目标轨迹跟踪信息进行下发。首先MEC端通过光纤以及交换机将以上数据传输至路侧RSU设备,RSU设备接收到这些数据后将其填入SSM消息集。此后在通过C-V2X将SSM消息进行广播。进入RSU设备通讯范围的智能网联汽车通过OBU设备接收SSM数据进行解析,读取不在自身视野范围内的交通参与者或者道路异常状况以及目标轨迹信息,辅助自身做出正确的驾驶决策,减少交通事故和二次伤害的发生,提高行车安全与通行效率。
通过分布式系统架构,融合路侧多传感器输出的感知目标结构化数据以及智能网联汽车在网联路口范围内上报的BSM数据,计算得到网联路口目标感知全息结果,并基于此结果对目标进行跟踪,得到经过路口目标轨迹信息。通过将多传感器融合数据以及目标轨迹信息下发至车辆端,辅助自身做出正确的驾驶决策,减少交通事故和二次伤害的发生,提高行车安全与通行效率。
该分布式网联路口多传感器目标数据融合与轨迹跟踪方法针对中心式数据存储以及运算面临的瓶颈与压力,通过分布式的系统架构,聚焦实施短周期的路侧多传感器数据以及智能网联车数据进行融合,支持路口级车路协同业务,解决网联路口全息态势感知以及辅助决策等问题。
上述的多传感器目标数据融合方法,通过获取路侧多传感器输出的感知目标结构化数据以及智能网联汽车上报的BSM数据,将这两种数据进行融合后,关联对应的目标,再进行目标轨迹跟踪,将融合结果以及轨迹信息下发至路侧RSU设备,实现减少交通事故和二次伤害的发生,提高行车安全与通行效率,解决网联路口全息态势感知以及辅助决策等问题。
图4是本发明实施例提供的一种多传感器目标数据融合装置300的示意性框图。如图4所示,对应于以上多传感器目标数据融合方法,本发明还提供一种多传感器目标数据融合装置300。该多传感器目标数据融合装置300包括用于执行上述多传感器目标数据融合方法的单元,该装置可以被配置于服务器中。具体地,请参阅图4,该多传感器目标数据融合装置300包括第一获取单元301、第二获取单元302、融合单元303、关联单元304、跟踪单元305以及下发单元306。
第一获取单元301,用于获取路侧多传感器输出的感知目标结构化数据;第二获取单元302,用于获取智能网联汽车上报的BSM数据;融合单元303,用于将所述感知目标结构化数据以及BSM数据进行数据融合,以得到融合结果;关联单元304,用于对所述融合结果进行目标关联,以得到关联对;跟踪单元305,用于根据所述关联对对所述融合结果的目标轨迹进行跟踪,以得到目标轨迹信息;下发单元306,用于下发所述融合结果以及所述目标轨迹信息至路侧RSU设备。
在一实施例中,所述融合单元303包括转换子单元以及数据融合子单元。
转换子单元,用于对所述感知目标结构化数据中的目标经纬度位置进行坐标转换,以得到转换结果;数据融合子单元,用于在设定周期范围内,按照时间戳的先后顺序对所述BSM数据以及带所述转换结果的感知目标结构化数据进行逐步融合,以得到融合结果。
在一实施例中,所述转换子单元包括设定模块、时间确定模块、读取模块、第一判断模块、识别模块、序列确定模块以及第二判断模块。
设定模块,用于设定融合算法输出频率;时间确定模块,用于确定融合周期开始时间和融合周期结束时间;读取模块,用于读取其中一条感知目标结构化数据或BSM数据,并确定时间戳;第一判断模块,用于判断所述时间戳是否处于融合周期开始时间和融合周期结束时间之间;若所述时间戳不处于融合周期开始时间和融合周期结束时间之间,则执行所述对所述融合结果进行目标关联,以得到关联对。识别模块,用于若所述时间戳处于融合周期开始时间和融合周期结束时间之间,则对读取的感知目标结构化数据或BSM数据对应的目标进行重复目标的识别,以得到识别结果;序列确定模块,用于根据所述识别结果确定目标检测序列,以得到融合结果;第二判断模块,用于判断所述感知目标结构化数据以及所述BSM数据的目标是否都遍历完成;若所述感知目标结构化数据以及所述BSM数据的目标都遍历完成,则执行对所述融合结果进行目标关联,以得到关联对;若所述感知目标结构化数据以及所述BSM数据的目标未遍历完成,则执行所述读取其中一条感知目标结构化数据或BSM数据,并确定时间戳。
在一实施例中,所述关联单元304,用于将前后不同时间戳的所述融合结果中的检测目标进行目标关联,以得到关联对。
在一实施例中,所述关联单元304包括预测子单元、匹配子单元以及关联对确定子单元。
预测子单元,用于基于当前时间戳的检测目标所对应的位置以及状态信息,对所述检测目标在下一时间戳内的位置和状态信息的预测,以得到预测结果;
匹配子单元,用于将所述预测结果与下一时间戳内的所述融合结果的检测目标进行匹配,以得到匹配结果;
关联对确定子单元,用于当所述匹配结果是存在多个目标时,采用相似性度量方法确定所述检测目标对应的关联对,当所述匹配结果是存在一个目标时,确定目标为所述检测目标对应的关联对。
在一实施例中,所述跟踪单元305,用于确定所述关联对中的最初始时刻的目标点序列,分别创建轨迹,以得到目标轨迹信息。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述多传感器目标数据融合装置300和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述多传感器目标数据融合装置300可以实现为一种计算机程序的形式,该计算机程序可以在计算机设备上运行。
请参阅图5,图5是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器,其中,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图5,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种多传感器目标数据融合方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种多传感器目标数据融合方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
获取路侧多传感器输出的感知目标结构化数据;获取智能网联汽车上报的BSM数据;将所述感知目标结构化数据以及BSM数据进行数据融合,以得到融合结果;对所述融合结果进行目标关联,以得到关联对;根据所述关联对对所述融合结果的目标轨迹进行跟踪,以得到目标轨迹信息;下发所述融合结果以及所述目标轨迹信息至路侧RSU设备。
其中,所述感知目标结构化数据包括时间戳、目标类型、目标经纬度位置、目标速度以及目标航向角;所述BSM数据包括车辆的位置以及状态信息。
在一实施例中,处理器502在实现所述将所述感知目标结构化数据以及BSM数据进行数据融合,以得到融合结果步骤时,具体实现如下步骤:
对所述感知目标结构化数据中的目标经纬度位置进行坐标转换,以得到转换结果;在设定周期范围内,按照时间戳的先后顺序对所述BSM数据以及带所述转换结果的感知目标结构化数据进行逐步融合,以得到融合结果。
在一实施例中,处理器502在实现所述在设定周期范围内,按照时间戳的先后顺序对所述BSM数据以及带所述转换结果的感知目标结构化数据进行逐步融合,以得到融合结果步骤时,具体实现如下步骤:
设定融合算法输出频率;确定融合周期开始时间和融合周期结束时间;读取其中一条感知目标结构化数据或BSM数据,并确定时间戳;判断所述时间戳是否处于融合周期开始时间和融合周期结束时间之间;若所述时间戳处于融合周期开始时间和融合周期结束时间之间,则对读取的感知目标结构化数据或BSM数据对应的目标进行重复目标的识别,以得到识别结果;根据所述识别结果确定目标检测序列,以得到融合结果;判断所述感知目标结构化数据以及所述BSM数据的目标是否都遍历完成;若所述感知目标结构化数据以及所述BSM数据的目标都遍历完成,则执行对所述融合结果进行目标关联,以得到关联对;若所述感知目标结构化数据以及所述BSM数据的目标未遍历完成,则执行所述读取其中一条感知目标结构化数据或BSM数据,并确定时间戳;若所述时间戳不处于融合周期开始时间和融合周期结束时间之间,则执行所述对所述融合结果进行目标关联,以得到关联对。
在一实施例中,处理器502在实现所述对所述融合结果进行目标关联,以得到关联对步骤时,具体实现如下步骤:
将前后不同时间戳的所述融合结果中的检测目标进行目标关联,以得到关联对。
在一实施例中,处理器502在实现所述将前后不同时间戳的所述融合结果中的检测目标进行目标关联,以得到关联对步骤时,具体实现如下步骤:
基于当前时间戳的检测目标所对应的位置以及状态信息,对所述检测目标在下一时间戳内的位置和状态信息的预测,以得到预测结果;将所述预测结果与下一时间戳内的所述融合结果的检测目标进行匹配,以得到匹配结果;当所述匹配结果是存在多个目标时,采用相似性度量方法确定所述检测目标对应的关联对,当所述匹配结果是存在一个目标时,确定目标为所述检测目标对应的关联对。
在一实施例中,处理器502在实现所述根据所述关联对对所述融合结果的目标轨迹进行跟踪,以得到目标轨迹信息步骤时,具体实现如下步骤:
确定所述关联对中的最初始时刻的目标点序列,分别创建轨迹,以得到目标轨迹信息。
应当理解,在本申请实施例中,处理器502可以是中央处理单元 (CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (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。其中,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。
本领域普通技术人员可以理解的是实现上述实施例的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。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,其中该计算机程序被处理器执行时使处理器执行如下步骤:
获取路侧多传感器输出的感知目标结构化数据;获取智能网联汽车上报的BSM数据;将所述感知目标结构化数据以及BSM数据进行数据融合,以得到融合结果;对所述融合结果进行目标关联,以得到关联对;根据所述关联对对所述融合结果的目标轨迹进行跟踪,以得到目标轨迹信息;下发所述融合结果以及所述目标轨迹信息至路侧RSU设备。
其中,所述感知目标结构化数据包括时间戳、目标类型、目标经纬度位置、目标速度以及目标航向角;所述BSM数据包括车辆的位置以及状态信息。
在一实施例中,所述处理器在执行所述计算机程序而实现所述将所述感知目标结构化数据以及BSM数据进行数据融合,以得到融合结果步骤时,具体实现如下步骤:
对所述感知目标结构化数据中的目标经纬度位置进行坐标转换,以得到转换结果;在设定周期范围内,按照时间戳的先后顺序对所述BSM数据以及带所述转换结果的感知目标结构化数据进行逐步融合,以得到融合结果。
在一实施例中,所述处理器在执行所述计算机程序而实现所述在设定周期范围内,按照时间戳的先后顺序对所述BSM数据以及带所述转换结果的感知目标结构化数据进行逐步融合,以得到融合结果步骤时,具体实现如下步骤:
设定融合算法输出频率;确定融合周期开始时间和融合周期结束时间;读取其中一条感知目标结构化数据或BSM数据,并确定时间戳;判断所述时间戳是否处于融合周期开始时间和融合周期结束时间之间;若所述时间戳处于融合周期开始时间和融合周期结束时间之间,则对读取的感知目标结构化数据或BSM数据对应的目标进行重复目标的识别,以得到识别结果;根据所述识别结果确定目标检测序列,以得到融合结果;判断所述感知目标结构化数据以及所述BSM数据的目标是否都遍历完成;若所述感知目标结构化数据以及所述BSM数据的目标都遍历完成,则执行对所述融合结果进行目标关联,以得到关联对;若所述感知目标结构化数据以及所述BSM数据的目标未遍历完成,则执行所述读取其中一条感知目标结构化数据或BSM数据,并确定时间戳;若所述时间戳不处于融合周期开始时间和融合周期结束时间之间,则执行所述对所述融合结果进行目标关联,以得到关联对。
在一实施例中,所述处理器在执行所述计算机程序而实现所述对所述融合结果进行目标关联,以得到关联对步骤时,具体实现如下步骤:
将前后不同时间戳的所述融合结果中的检测目标进行目标关联,以得到关联对。
在一实施例中,所述处理器在执行所述计算机程序而实现所述将前后不同时间戳的所述融合结果中的检测目标进行目标关联,以得到关联对步骤时,具体实现如下步骤:
基于当前时间戳的检测目标所对应的位置以及状态信息,对所述检测目标在下一时间戳内的位置和状态信息的预测,以得到预测结果;将所述预测结果与下一时间戳内的所述融合结果的检测目标进行匹配,以得到匹配结果;当所述匹配结果是存在多个目标时,采用相似性度量方法确定所述检测目标对应的关联对,当所述匹配结果是存在一个目标时,确定目标为所述检测目标对应的关联对。
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据所述关联对对所述融合结果的目标轨迹进行跟踪,以得到目标轨迹信息步骤时,具体实现如下步骤:
确定所述关联对中的最初始时刻的目标点序列,分别创建轨迹,以得到目标轨迹信息。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,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发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.多传感器目标数据融合方法,其特征在于,包括:
获取路侧多传感器输出的感知目标结构化数据;
获取智能网联汽车上报的BSM数据;
将所述感知目标结构化数据以及BSM数据进行数据融合,以得到融合结果;
对所述融合结果进行目标关联,以得到关联对;
根据所述关联对对所述融合结果的目标轨迹进行跟踪,以得到目标轨迹信息;
下发所述融合结果以及所述目标轨迹信息至路侧RSU设备;
其中,所述关联对是指属于不同时间戳的同一检测目标形成的目标序列;
所述感知目标结构化数据包括时间戳、目标类型、目标经纬度位置、目标速度以及目标航向角;所述BSM数据包括车辆的位置以及状态信息;
所述将所述感知目标结构化数据以及BSM数据进行数据融合,以得到融合结果,包括:
对所述感知目标结构化数据中的目标经纬度位置进行坐标转换,以得到转换结果;
在设定周期范围内,按照时间戳的先后顺序对所述BSM数据以及带所述转换结果的感知目标结构化数据进行逐步融合,以得到融合结果;
所述在设定周期范围内,按照时间戳的先后顺序对所述BSM数据以及带所述转换结果的感知目标结构化数据进行逐步融合,以得到融合结果,包括:
设定融合算法输出频率;
确定融合周期开始时间和融合周期结束时间;
读取其中一条感知目标结构化数据或BSM数据,并确定时间戳;
判断所述时间戳是否处于融合周期开始时间和融合周期结束时间之间;
若所述时间戳处于融合周期开始时间和融合周期结束时间之间,则对读取的感知目标结构化数据或BSM数据对应的目标进行重复目标的识别,以得到识别结果;
根据所述识别结果确定目标检测序列,以得到融合结果;
判断所述感知目标结构化数据以及所述BSM数据的目标是否都遍历完成;
若所述感知目标结构化数据以及所述BSM数据的目标都遍历完成,则执行对所述融合结果进行目标关联,以得到关联对;
若所述感知目标结构化数据以及所述BSM数据的目标未遍历完成,则执行所述读取其中一条感知目标结构化数据或BSM数据,并确定时间戳;
若所述时间戳不处于融合周期开始时间和融合周期结束时间之间,则执行所述对所述融合结果进行目标关联,以得到关联对。
2.根据权利要求1所述的多传感器目标数据融合方法,其特征在于,所述对所述融合结果进行目标关联,以得到关联对,包括:
将前后不同时间戳的所述融合结果中的检测目标进行目标关联,以得到关联对。
3.根据权利要求2所述的多传感器目标数据融合方法,其特征在于,所述将前后不同时间戳的所述融合结果中的检测目标进行目标关联,以得到关联对,包括:
基于当前时间戳的检测目标所对应的位置以及状态信息,对所述检测目标在下一时间戳内的位置和状态信息的预测,以得到预测结果;
将所述预测结果与下一时间戳内的所述融合结果的检测目标进行匹配,以得到匹配结果;
当所述匹配结果是存在多个目标时,采用相似性度量方法确定所述检测目标对应的关联对,当所述匹配结果是存在一个目标时,确定目标为所述检测目标对应的关联对。
4.根据权利要求1所述的多传感器目标数据融合方法,其特征在于,所述根据所述关联对对所述融合结果的目标轨迹进行跟踪,以得到目标轨迹信息,包括:
确定所述关联对中的最初始时刻的目标点序列,分别创建轨迹,以得到目标轨迹信息。
5.多传感器目标数据融合装置,其特征在于,包括:
第一获取单元,用于获取路侧多传感器输出的感知目标结构化数据;
第二获取单元,用于获取智能网联汽车上报的BSM数据;
融合单元,用于将所述感知目标结构化数据以及BSM数据进行数据融合,以得到融合结果;
关联单元,用于对所述融合结果进行目标关联,以得到关联对;
跟踪单元,用于根据所述关联对对所述融合结果的目标轨迹进行跟踪,以得到目标轨迹信息;
下发单元,用于下发所述融合结果以及所述目标轨迹信息至路侧RSU设备;
其中,所述关联对是指属于不同时间戳的同一检测目标形成的目标序列;
所述感知目标结构化数据包括时间戳、目标类型、目标经纬度位置、目标速度以及目标航向角;所述BSM数据包括车辆的位置以及状态信息;
所述将所述感知目标结构化数据以及BSM数据进行数据融合,以得到融合结果,包括:
对所述感知目标结构化数据中的目标经纬度位置进行坐标转换,以得到转换结果;
在设定周期范围内,按照时间戳的先后顺序对所述BSM数据以及带所述转换结果的感知目标结构化数据进行逐步融合,以得到融合结果;
所述在设定周期范围内,按照时间戳的先后顺序对所述BSM数据以及带所述转换结果的感知目标结构化数据进行逐步融合,以得到融合结果,包括:
设定融合算法输出频率;
确定融合周期开始时间和融合周期结束时间;
读取其中一条感知目标结构化数据或BSM数据,并确定时间戳;
判断所述时间戳是否处于融合周期开始时间和融合周期结束时间之间;
若所述时间戳处于融合周期开始时间和融合周期结束时间之间,则对读取的感知目标结构化数据或BSM数据对应的目标进行重复目标的识别,以得到识别结果;
根据所述识别结果确定目标检测序列,以得到融合结果;
判断所述感知目标结构化数据以及所述BSM数据的目标是否都遍历完成;
若所述感知目标结构化数据以及所述BSM数据的目标都遍历完成,则执行对所述融合结果进行目标关联,以得到关联对;
若所述感知目标结构化数据以及所述BSM数据的目标未遍历完成,则执行所述读取其中一条感知目标结构化数据或BSM数据,并确定时间戳;
若所述时间戳不处于融合周期开始时间和融合周期结束时间之间,则执行所述对所述融合结果进行目标关联,以得到关联对。
6.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的方法。
7.一种存储介质,其特征在于,所述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4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310577353.7A CN116304994B (zh) | 2023-05-22 | 2023-05-22 | 多传感器目标数据融合方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310577353.7A CN116304994B (zh) | 2023-05-22 | 2023-05-22 | 多传感器目标数据融合方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116304994A CN116304994A (zh) | 2023-06-23 |
CN116304994B true CN116304994B (zh) | 2023-09-15 |
Family
ID=86798205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310577353.7A Active CN116304994B (zh) | 2023-05-22 | 2023-05-22 | 多传感器目标数据融合方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116304994B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109922439A (zh) * | 2019-03-29 | 2019-06-21 | 重庆长安汽车股份有限公司 | 多传感器数据的融合方法、基于v2x的目标检测方法及系统 |
CN112509333A (zh) * | 2020-10-20 | 2021-03-16 | 智慧互通科技股份有限公司 | 一种基于多传感器感知的路侧停车车辆轨迹识别方法及系统 |
CN113379805A (zh) * | 2021-08-12 | 2021-09-10 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通节点的多信息资源融合处理方法 |
CN114173307A (zh) * | 2021-12-17 | 2022-03-11 | 浙江海康智联科技有限公司 | 一种基于车路协同的路侧感知融合系统及优化方法 |
CN114488122A (zh) * | 2021-12-30 | 2022-05-13 | 中智行(上海)交通科技有限公司 | 一种基于车路系统的高精度车辆定位方法 |
CN114549886A (zh) * | 2022-03-04 | 2022-05-27 | 重庆邮电大学 | 一种基于k-means算法的V2X消息聚类方法及系统 |
CN114706068A (zh) * | 2022-02-24 | 2022-07-05 | 重庆邮电大学 | 一种路侧单元协同的目标跟踪系统、方法及存储介质 |
CN115618302A (zh) * | 2022-10-24 | 2023-01-17 | 重庆长安汽车股份有限公司 | 一种多传感器融合方法、系统、电子设备及存储介质 |
CN116129631A (zh) * | 2021-11-15 | 2023-05-16 | 中移(上海)信息通信科技有限公司 | 一种车路协同数据处理方法及相关设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245565A (zh) * | 2019-05-14 | 2019-09-17 | 东软集团股份有限公司 | 车辆跟踪方法、装置、计算机可读存储介质及电子设备 |
-
2023
- 2023-05-22 CN CN202310577353.7A patent/CN116304994B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109922439A (zh) * | 2019-03-29 | 2019-06-21 | 重庆长安汽车股份有限公司 | 多传感器数据的融合方法、基于v2x的目标检测方法及系统 |
CN112509333A (zh) * | 2020-10-20 | 2021-03-16 | 智慧互通科技股份有限公司 | 一种基于多传感器感知的路侧停车车辆轨迹识别方法及系统 |
CN113379805A (zh) * | 2021-08-12 | 2021-09-10 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通节点的多信息资源融合处理方法 |
CN116129631A (zh) * | 2021-11-15 | 2023-05-16 | 中移(上海)信息通信科技有限公司 | 一种车路协同数据处理方法及相关设备 |
CN114173307A (zh) * | 2021-12-17 | 2022-03-11 | 浙江海康智联科技有限公司 | 一种基于车路协同的路侧感知融合系统及优化方法 |
CN114488122A (zh) * | 2021-12-30 | 2022-05-13 | 中智行(上海)交通科技有限公司 | 一种基于车路系统的高精度车辆定位方法 |
CN114706068A (zh) * | 2022-02-24 | 2022-07-05 | 重庆邮电大学 | 一种路侧单元协同的目标跟踪系统、方法及存储介质 |
CN114549886A (zh) * | 2022-03-04 | 2022-05-27 | 重庆邮电大学 | 一种基于k-means算法的V2X消息聚类方法及系统 |
CN115618302A (zh) * | 2022-10-24 | 2023-01-17 | 重庆长安汽车股份有限公司 | 一种多传感器融合方法、系统、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
孙宁 ; 秦洪懋 ; 张利 ; 葛如海 ; .基于多传感器信息融合的车辆目标识别方法.汽车工程.2017,(第11期),全文. * |
王祎 ; 王翔 ; 郑建颖 ; 昝雨尧 ; 王喜.基于多传感器融合感知的车辆微观轨迹自动采集方法.《公路交通科技》.2023,第第40卷卷(第第4期期),全文. * |
胡永利 ; 朴星霖 ; 孙艳丰 ; 尹宝才 ; .多源异构感知数据融合方法及其在目标定位跟踪中的应用.中国科学:信息科学.2013,(第10期),全文. * |
董振江 ; 古永承 ; 梁健 ; 黄振江 ; 王杰 ; 李大成 ; .C-V2X车联网关键技术与方案概述.电信科学.2020,(第04期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116304994A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3547215A1 (en) | Systems and methods for automatically training neural networks | |
CN110796007B (zh) | 场景识别的方法与计算设备 | |
CN110632617B (zh) | 一种激光雷达点云数据处理的方法及装置 | |
US20180075745A1 (en) | Method for providing information about a vehicle's anticipated driving intention | |
US10534368B2 (en) | Crowdsource-based virtual sensor generation and virtual sensor application control | |
CN110356339B (zh) | 一种变道盲区监测方法、系统及车辆 | |
CN108573611B (zh) | 一种限速标识融合方法以及限速标识融合系统 | |
CN111222568A (zh) | 一种车辆网联数据融合方法及装置 | |
JP2021099793A (ja) | インテリジェント交通管制システム及びその制御方法 | |
US20120290198A1 (en) | Method and apparatus for the classification of data | |
Watta et al. | Vehicle position and context detection using V2V communication | |
CN113093178A (zh) | 一种障碍物目标检测方法、装置、域控制器及车辆 | |
US20190039612A1 (en) | Technologies To Facilitate Automated Driving Assistance Based On Objects Sensed And Reported By Remote Senders | |
CN114454878B (zh) | 车速控制模型训练样本的确定方法及装置 | |
CN110969178A (zh) | 自动驾驶车辆的数据融合系统、方法及自动驾驶系统 | |
CN115618932A (zh) | 基于网联自动驾驶的交通事件预测方法、装置及电子设备 | |
Tak et al. | Development of AI-based vehicle detection and tracking system for C-ITS application | |
CN115339453A (zh) | 车辆换道决策信息生成方法、装置、设备和计算机介质 | |
CN113850237B (zh) | 基于视频和轨迹数据的网联车目标检测评价方法及系统 | |
CN111325187A (zh) | 一种车道位置的识别方法及装置 | |
US11487293B2 (en) | Map-information obstacle-tracking system and method | |
US11919544B2 (en) | Method and device for operating an automated vehicle | |
CN114049767A (zh) | 一种边缘计算方法、装置及可读存储介质 | |
EP3896639A1 (en) | Methods and systems for managing an automated driving system of a vehicle | |
CN116304994B (zh) | 多传感器目标数据融合方法、装置、设备及存储介质 |
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 |