CN116415202A - 一种多源数据融合方法、系统、电子设备及存储介质 - Google Patents

Abstract

本发明涉及一种多源数据融合方法、系统、电子设备及存储介质，融合方法包括：将待融合的量测数据与已有的有效融合目标的时间戳对齐；根据量测数据与对齐的有效融合目标的位置的马氏距离和速度的欧式距离进行加权求和得到加权距离，基于加权距离计算量测数据与对齐的有效融合目标的关联门限范围和关联概率；根据关联门限范围和关联概率判断量测数据是否关联匹配到任一有效融合目标生成匹配对；对于各个匹配对中，利用量测数据对有效融合目标中的滤波算法进行更新；对融合目标与传感器量测间位置矢量的马氏距离和速度矢量的欧氏距离进行加权计算，基于加权距离计算融合目标和传感器量测联合关联概率，提高关联匹配正确率。

Description

一种多源数据融合方法、系统、电子设备及存储介质

技术领域

本发明涉及传感器感知融合领域，尤其涉及一种多源数据融合方法、系统、电子设备及存储介质。

背景技术

传感器感知融合，是智能辅助驾驶系统中最重要的环节之一，决定着智能驾驶系统地可靠性。绝大部分具有市场主导地位的汽车主机厂商都花费了巨大的精力和资源进行感知融合相关模块的研发，以确保最终感知结果的精确性和实时性。不仅如此，近些年学术界的众多科研团队也在不断研究和开发精度更高适用范围更广的感知融合算法模型。

目前主流的感知融合技术大致可以分为三个大类：数据级融合，特征级融合和决策级融合。其中，数据级融合利用传感器原始数据的数据特征作为输入源进行融合，其融合方式多依赖于深度学习算法。特征级融合利用传感器数据中所提取的具有代表性的特征作为输入源进行融合，这些特征信息包括边缘、方向、速度、形状等。决策级融合利用传感器数据经过特定算法所得到的结果作为输入源进行融合，以得到高于单传感器感知精度的结果。由于决策级融合技术所占用的算力资源较少，结果精度提升明显，其逐渐受到一些算力节约型和运行高效型车载平台的青睐。

在实际应用案例中，决策级融合算法的整体算法框架大致相近，即不同传感器数据经过目标解析后将所得到的测量目标通过滤波算法进行融合计算，得到融合目标。当传感器输出多个目标的时，可以利用数据关联算法对测量目标和融合目标进行匹配，更新已有融合目标或者建立新的融合目标，实现融合结果精度的优化。不难看出，决策级融合主要包括数据关联算法和滤波算法。

主流的数据关联算法主要有几下几种：匈牙利算法(又名KM算法，属于最近邻数据关联法)、联合概率数据关联法(又名JPDA算法)、多假设多目标跟踪数据关联法(又名MHT算法)、最大流算法(又名MaxFlow算法)。其中，匈牙利算法运行速度最快，但是对距离相近的目标的融合效果较差；MHT算法效果最好，但该算法需要对多连续帧中每一个关联的可能性进行判断，导致其算力要求跟着帧数的增多呈指数趋势增长；JPDA算法则能在考虑多种关联假设的同时满足算法的实时性，因此被应用在许多辅助驾驶系统上。考虑到实际计算的便利性，联合概率数据关联算法(即JPDA算法)通常利用简易联合概率数据关联算法(又名CJPDA算法)进行关联概率的计算。

在面向视觉与毫米波雷达的感知融合算法中，传感器感知算法所提供的测量目标数据中通常包含相对位置和相对速度信息。在应用联合概率数据关联算法时，算法通常会利用相对位置、相对速度所组成的运动状态矢量，结合跟踪目标中计算得出的协方差矩阵来计算相关的马氏距离(Mahalanobis)，并利用上述马氏距离来计算关联门限范围和关联概率。此类方法通常会导致一个问题：

即在传感器数据发送频率有限的情况下，出现自车急转弯时，本应与融合目标关联的量测会因速度矢量的突变，落入利用马氏距离所计算出来的关联门限范围之外，导致该量测与该融合目标无法关联匹配上。

举一个例子，当传感器发送检测目标信息的频率不大于10Hz，自车突然90度急转弯，此时传感器所发送的测量目标会出现一个数值较大的横向分速度，使得该量测与对应的融合目标所产生的马氏距离大于预先设定的阈值，导致量测与融合目标匹配不上。上述情况将触发融合目标ID连续跳变的情况，导致融合结果精度严重受限。

目前，工业界和学术界对上述问题的研究思路包括，针对某些数据关联算法对感知融合系统鲁棒性的整体提升效果，或针对其他特殊场景对已知数据关联算法进行改进优化。例如在专利CN112285700A公开的技术方案中，利用双波门IMM－JPDA的数据关联加滤波算法对基于激光雷达和毫米波雷达的感知融合系统的精度进行了提升；在专利CN106872955A和专利CN101783020B公开的技术方案中，根据雷达多目标跟踪和视频多目标跟踪的场景特性，对联合概率数据关联算法(JPDA算法)进行了改进，使得此关联算法能提升相应场景的准确度。

这些解决方案和学术研究中，专利CN112285700A主要是探索了联合概率数据关联算法(JPDA算法)和多交互模型(IMM算法)滤波算法的合并使用给激光雷达和毫米波雷达感知融合带来的收益性。专利CN106872955A优化了联合概率数据关联算法和卡尔曼滤波算法的流程以更精确的跟踪轨迹交叉的多个雷达目标。专利CN101783020B与专利CN106872955A类似，通过优化联合概率数据关联算法和卡尔曼滤波算法的流程来优化图像视频数据中的目标跟踪精度。可以看出，以上研究均为在传感器数据传输频率正常且自车没有出现突然变向的场景下，利用或者优化联合概率关联算法去实现感知融合系统或者多目标跟踪系统的精度。在传感器数据发送频率有限的情况下且出现自车急转弯时，这些算法将导致融合结果或者跟踪结果出现频繁的ID跳变而影响模型精度。

发明内容

本发明针对现有技术中存在的技术问题，提供一种多源数据融合方法，提高融合目标与传感器量测的关联匹配正确率。

根据本发明的第一方面，提供了一种多源数据融合方法，所述多源数据包括至少两种的来自不同传感器的量测数据，所述量测数据均包含位置信息和速度信息，所述融合方法包括：

步骤1，将待融合的所述量测数据与已有的有效融合目标的时间戳对齐；

步骤2，根据所述量测数据与对齐的所述有效融合目标的位置的马氏距离和速度的欧式距离进行加权求和得到加权距离，基于所述加权距离计算所述量测数据与对齐的所述有效融合目标的关联门限范围和关联概率；

步骤3，根据所述关联门限范围和关联概率判断所述量测数据是否关联匹配到任一所述有效融合目标生成匹配对；对于各个所述匹配对中，利用量测数据对所述有效融合目标中的滤波算法进行更新；对于未匹配的量测数据，利用未匹配的量测数据作为滤波算法的初始化条件新建融合目标。

在上述技术方案的基础上，本发明还可以作出如下改进。

可选的，所述步骤1包括：

获取t时刻的待融合的所述量测数据后，通过运动状态方程对各个所述有效融合目标的t时刻的位置和速度信息进行预测。

可选的，所述加权距离的计算公式为：

其中，α与β为可调整设置的权重值，

和/>

分别为t时刻第n个有效融合目标的位置矢量和速度矢量；/>

和/>

分别为t时刻第m个量测数据的位置矢量和速度矢量；

为t时刻第n个有效融合目标的位置协方差。

可选的，所述基于所述加权距离计算所述量测数据与对齐的所述有效融合目标的关联门限范围G为：

可选的，所述基于所述加权距离计算所述量测数据与对齐的所述有效融合目标的关联概率为：

其中，

表示在t时刻第m个量测数据与第n个有效融合目标的关联概率；

；

p_D表示传感器检测概率，M表示t时刻的量测数据的总个数，λ为泊松分布参量。

可选的，所述步骤3包括：

根据所述量测数据与所述有效融合目标的匹配结果将所述量测数据与所述有效融合目标分类为：量测数据与有效融合目标匹配对、未匹配量测数据和未匹配有效融合目标。

可选的，所述步骤3之后还包括：

对所有融合目标进行目标生命周期管理，筛选并输出所述有效融合目标。

根据本发明的第二方面，提供一种多源数据融合系统，所述多源数据包括至少两种的来自不同传感器的量测数据，所述量测数据均包含位置信息和速度信息，所述融合系统包括：解析模块、关联匹配模块和滤波更新模块；

所述解析模块，用于将待融合的所述量测数据与已有的有效融合目标的时间戳对齐；

所述关联匹配模块，用于根据所述量测数据与对齐的所述有效融合目标的位置的马氏距离和速度的欧式距离进行加权求和得到加权距离，基于所述加权距离计算所述量测数据与对齐的所述有效融合目标的关联门限范围和关联概率；

所述滤波更新模块，用于根据所述关联门限范围和关联概率判断所述量测数据是否关联匹配到任一所述有效融合目标生成匹配对；对于各个所述匹配对中，利用量测数据对所述有效融合目标中的滤波算法进行更新；对于未匹配的量测数据，利用未匹配的量测数据作为滤波算法的初始化条件新建融合目标。

根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现多源数据融合方法的步骤。

根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现多源数据融合方法的步骤。

本发明提供的一种多源数据融合方法、系统、电子设备及存储介质，在传感器数据发送频率有限的情况下，自车的突然转向导致传感器视野范围内所有感知目标出现数值较大的横向速度，导致以椭圆门限为计算基准的联合概率数据关联算法无法对正确的融合目标和量测比配对进行关联匹配。有效地解决了上局问题下传统联合概率关联算法所带来的连续ID跳变的问题，改进后的算法可以保证在普通场景关联精度不变的情况下稳定了自车速度突变时融合目标的输出。并且，由于加权距离的引入并没有增加算法整体计算量。因此，本技术方案所提出的算法依旧可以保持运行的效率和实时性。

附图说明

图1为本发明实施例提供的一种多源数据融合系统的结构图；

图2为本发明实施例提供的一种多源数据融合方法的流程图；

图3为本发明实施例提供的一种联合概率关联算法中关联事件定义方式示例图；

图4为本发明实施例提供的在两个相邻时刻的二维平面内有2个量测数据和2个有效融合目标的示意图；

图5为本发明实施例提供的采用传统联合概率数据关联算法和本发明提供的关联算法进行融合时的对比示意图；

图6为本发明提供的一种可能的电子设备的硬件结构示意图；

图7为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

本发明实施例提供的一种多源数据融合方法，多源数据包括至少两种的来自不同传感器的量测数据，量测数据均包含位置信息和速度信息，如图1所示为本发明实施例提供的一种多源数据融合系统的结构图，如图2所示为本发明实施例提供的一种多源数据融合方法的流程图，结合图1和图2可知，融合方法包括：

步骤1，将待融合的量测数据与已有的有效融合目标的时间戳对齐。

步骤2，根据量测数据与对齐的有效融合目标的位置的马氏距离和速度的欧式距离进行加权求和得到加权距离，基于加权距离计算量测数据与对齐的有效融合目标的关联门限范围和关联概率。

步骤3，根据关联门限范围和关联概率判断量测数据是否关联匹配到任一有效融合目标生成匹配对；对于各个匹配对中，利用量测数据对有效融合目标中的滤波算法进行更新；对于未匹配的量测数据，利用未匹配的量测数据作为滤波算法的初始化条件新建融合目标。

本发明提供的一种多源数据融合方法，对数据关联算法中的联合概率数据关联算法进行展开和创新，提出一种改进的多源数据融合算法，该算法对融合目标与传感器量测间位置矢量的马氏距离和速度矢量的欧氏距离进行加权计算，利用上述结果计算联合概率数据关联算法中关联门限，并使用此距离公式计算融合目标和传感器量测联合关联概率，提高关联匹配正确率。

实施例1

本发明提供的实施例1为本发明提供的一种多源数据融合方法的实施例，图1给出的实施例中，将摄像头和毫米波雷达所采集的数据分别传入对应传感器，经由相关感知算法来解析出包含位置信息和速度信息的视觉目标和雷达目标，然后通过传感器校准与时间同步对不同传感器数据间的时间与空间位置同步。为了便于描述，以下统一将视觉目标和雷达目标称为传感器量测(可简化成“量测数据”)。整个感知融合算法可以分为数据关联匹配、滤波新建与更新、融合目标管理这三大板块，具体的，结合图1和图2可知，该融合方法的实施例包括：

多源数据包括至少两种的来自不同传感器的量测数据，量测数据均包含位置信息和速度信息，融合方法包括：

步骤1，将待融合的量测数据与已有的有效融合目标的时间戳对齐。

在一种可能的实施例方式中，步骤1包括：

获取t时刻的待融合的量测数据后，通过运动状态方程对各个有效融合目标的t时刻的位置和速度信息进行预测。

在每一帧量测进入到感知融合算法模块后，首先将已有的有效融合目标与量测的时间戳对齐，即通过运动状态方程对有效融合目标的位置和速度信息进行预测，得到预测目标。

步骤2，根据量测数据与对齐的有效融合目标的位置的马氏距离和速度的欧式距离进行加权求和得到加权距离，基于加权距离计算量测数据与对齐的有效融合目标的关联门限范围和关联概率。

传统的联合概率数据关联算法，利用数据关联算法对量测与预测目标进行关联匹配，数据关联算法的输入为某时刻的量测和对应的有效融合目标。假设在t时刻有M个量测

和N个有效融合目标/>

其中/>

为第m个传感器检测目标所包含的所有运动状态信息，包括相对位置和相对速度，/>

为第n个融合目标所包含的运动状态信息，包括相对位置、相对速度。以2D传感器数据为例，以上信息可以简单地定义为：

其中，[M]₀表示量测的ID集合，0表示错误或未匹配的量测；[N]表示融合目标ID集合。以下将利用m,n来统一表示量测与融合目标ID。

假设第m个量测与第n个融合目标关联表示为

其中/>

是一个二进制数值来表示是否关联上。那么，在t时刻第m个量测与第n个融合目标被关联上的概率为

简化成/>

其中，p_D表示传感器检测概率；

表示高斯正态分布；/>

表示融合目标/>

根据时间t的预测状态向量；Σ_S表示融合目标中所包含的卡尔曼滤波算法的预测信息协方差。

联合概率数据关联算法对关联概率的计算是基于数据关联假设事件集合Θ。Θ集合中包含了所有可能的量测与融合目标关联组合的事件，每个事件满足两个条件：每个量测至多能匹配到一个融合目标；每个融合目标只能被关联匹配到一个量测。那么，在时刻t内，关联假设事件集合Θ_t可以定义为：

其中，

是一个二进制矩阵，用来表示每一个可能的数据关联事件。

在联合概率数据关联算法的定义中，每个关联事件中每个量测和每个融合目标是否关联取决于关联门限的范围，而关联门限的范围是基于马氏距离计算所得。即在时刻t，第m个量测与第n个融合目标关联门限为

其中，S_tn表示t时刻第n个融合目标的协方差；

为t时刻第m个量测与第n个融合目标的马氏距离；G为既定的门限范围。如果/>

则第m个量测与第n个融合目标有可能形成关联匹配对，即/>

有可能为1。

用一个例子来解释如何形成关联事件集合，假设在某时刻的二维平面内有2个量测

和2个融合目标/>

如图3。在进行时间同步后得到预测融合目标/>

根据预定门限范围G，可以以/>

为中心形成两个椭圆，这两个椭圆区域即为融合目标/>

的门限范围。因此图中的每个量测可能有3种匹配情况，即匹配到融合目标/>

或匹配到融合目标/>

或没有匹配到任何融合目标。因此，可以利用2×3的矩阵来表示关联事件，那么所有关联事件可以表示为：

Θ＝{θ₁,θ₂,θ₃,θ₄} (7)

其中，θ_i的第1行和第2行表示量测

第1列、第2列和第3列表示没有匹配、匹配到融合目标/>

匹配到融合目标/>

Θ＝{θ₁,θ₂,θ₃,θ₄}即为这个例子的关联事件集合。

在定义了关联事件集合之后，联合概率数据关联算法需要对所有关键事件进行考虑以确定在t时刻第m个量测与第n个融合目标的联合关联概率

假设/>

表示能包含m个量测与第n个融合目标关联匹配的所有事件的子集，那么联系关联概率/>

可以计算为：

此联合关联概率

会作为输入去更新融合目标中卡尔曼滤波的新息向量，即

其中，

表示t时刻第n个融合目标的新息向量；/>

表示t时刻第m个量测对第n个融合目标所产生的的新息向量。更新后的新息向量会被用作更新卡尔曼滤波以达到更新融合目标的目的。

可以看出，在联合概率数据关联算法中，关联概率的计算会利用公式(8)和公式(3)，并且计算相对复杂。因此在简易联合概率数据关联算法中，

的计算可以简化成：

其中，λ为泊松分布参量。

传统的联合概率数据关联算法由于依赖马氏距离计算关联门限和联合关联概率，而马氏距离在某些特定场景下会导致量测和融合目标难以正确匹配，比如在传感器数据发送频率有限且自车出现突然转向的场景。下面以一个具体示例来说明此类场景下，传统的联合概率数据关联算法所存在的问题。

如图3所示为本发明实施例提供的一种联合概率关联算法中关联事件定义方式示例图；如图4所示为本发明实施例提供的在两个相邻时刻的二维平面内有2个量测数据和2个有效融合目标的示意图；如图5所示为本发明实施例提供的采用传统联合概率数据关联算法和本发明提供的关联算法进行融合时的对比示意图。图4中坐标系为自车，长方形为目标车辆。在时刻t，目标车辆相对自车以速度v前进，此时给自车一个较大的逆时针角速度以模拟自车突然急转弯，那么在t+1时刻，目标车辆的位置会从右图中的虚线位置变到实线矩形框位置，并且会产生一个数值较大的横向速度分量。图5中，在位置和速度矢量上，以马氏距离计算得出的关联门限和以欧氏距离计算得出的关联门限对比。左图为距离关联门限，采用马氏距离；右图为速度关联门限，可以看出在横向速度突变的情况下，欧式距离比马氏距离提升了融合目标与对应传感器量测的关联匹配概率。

图5中的坐标系定义为自车，原点为自车的中心点，y为自车前进方向，x为自车右方。假设在时刻t检测到了一个目标车辆相对于自车以速度v前进，此时自车开始向左突然转向，因此需要给此时的坐标系加上一个参量较大的逆时针角速度。那么，在时刻t+1，目标车辆会从预测位姿(即右图中的虚线矩形框)变到右图中实线矩形框的位置，并产生一个参量较大的横向速度。

可以看出，从时刻t到时刻t+1，传感器目标的位置变化不大，但是目标会因为自车突然转向而增加一个参量较大的横向速度。假设在时刻t利用滤波算法对此传感器目标生成一个新的有效融合目标，则在时刻t+1，如果利用马氏距离对目标的位置和速度进行关联门限的计算，会导致有效目标与当传感器目标因为速度没法匹配而关联匹配不上，进而丢失融合目标或者导致融合目标的ID跳变。

根据此类情况，本发明实施例提出改进版联合概率数据关联算法。首先在计算关联门限时，本发明重新定义距离计算方式。根据公式(1)和(2)，有

和/>

将这些公式以位置和速度区分开，可以得到：

其中，

代表传感器量测的位置与速度；/>

代表融合目标的位置与速度。

根据公式(13)与(14)，本发明提出一种位置的马氏距离与速度的欧式距离的加权距离来计算联合概率数据关联算法中的关联门限，即

其中，G与公式(5)中的G一样，表示既定的门限范围；

为公式(5)中的S_tn的位置分量，即表示t时刻第n个融合目标的位置协方差；α与β为权重值，根据实验测试结果得出；/>

表示为t时刻第m个量测与第n个融合目标的加权距离。

以图4为例，图5显示出了利用马氏距离和加权距离来计算关联门限的区别。根据前述示例描述，从时刻t到时刻t+1，传感器量测的位置变化不大，依旧可以通过马氏距离的计算关联匹配，如图5左半部分；传感器量测的速度变化较大，有一个横向速度的激增，此时相较于椭圆门限的马氏距离(如图5右半部分中虚线椭圆所示)，欧式距离能有效增大横向速度方向上的关联门限范围(如图5右半部分中实现圆形所示)。本发明实施例额外增加了2个可调参数α与β，使得图5中目标位置的椭圆门限和目标速度的圆形门限范围可以进一步根据实际场景需求调整。

为了更为精确的计算联合关联概率，本发明实施例将简易联合概率数据关联算法中原有的公式(11)改进为：

其中α和β的值与公式(15)中的α和β相同。

在一种可能的实施例中，公式(12)可以对应修改为：

即本发明中联合关联概率的计算通过公式(10)(16)(17)组合而成，能更精确地定位融合目标与传感器量测的关联概率。

本发明是通过对传统融合算法的理论分析和感知融合实验(视觉数据与毫米波雷达数据)总结得出，但方法本身可推广至多种面向不同应用场景的决策级多传感器感知融合。

步骤3，根据关联门限范围和关联概率判断量测数据是否关联匹配到任一有效融合目标生成匹配对；对于各个匹配对中，利用量测数据对有效融合目标中的滤波算法进行更新；对于未匹配的量测数据，利用未匹配的量测数据作为滤波算法的初始化条件新建融合目标。

在一种可能的实施例方式中，步骤3包括：

根据量测数据与有效融合目标的匹配结果将量测数据与有效融合目标分类为：量测数据与有效融合目标匹配对、未匹配量测数据和未匹配有效融合目标。

具体实施中，对于为匹配融合目标，记录未匹配的总帧数。

在一种可能的实施例方式中，步骤3之后还包括：

对所有融合目标进行目标生命周期管理，筛选并输出有效融合目标。

即确定哪些融合目标为有效融合目标，哪些融合目标为无效融合目标等。最后，通过筛选，输出所有有效融合目标。

实施例2

本发明提供的实施例2为本发明提供的一种多源数据融合系统的实施例，该多源数据包括至少两种的来自不同传感器的量测数据，量测数据均包含位置信息和速度信息，结合图1和图2可知，融合系统包括：解析模块、关联匹配模块和滤波更新模块；

解析模块，用于将待融合的量测数据与已有的有效融合目标的时间戳对齐。

在一种可能的实施例方式中，解析模块的处理过程还包括：

获取t时刻的待融合的量测数据后，通过运动状态方程对各个有效融合目标的t时刻的位置和速度信息进行预测。

在每一帧量测进入到感知融合算法模块后，首先将已有的有效融合目标与量测的时间戳对齐，即通过运动状态方程对有效融合目标的位置和速度信息进行预测，得到预测目标。

关联匹配模块，用于根据量测数据与对齐的有效融合目标的位置的马氏距离和速度的欧式距离进行加权求和得到加权距离，基于加权距离计算量测数据与对齐的有效融合目标的关联门限范围和关联概率。

在一种可能的实施例方式中，加权距离的计算公式为：

其中，α与β为可调整设置的权重值，可以根据实验测试结果得出，

和/>

分别为t时刻第n个有效融合目标的位置矢量和速度矢量；/>

和/>

分别为t时刻第m个量测数据的位置矢量和速度矢量；/>

为t时刻第n个有效融合目标的位置协方差。

具体实施中，本发明将传统联合概率数据关联算法(JPDA算法)进行改进，核心创新点在于，对位置的马氏距离和速度的欧式距离进行加权求和，将上述结果作为基础来计算关联门限范围和关联概率来解决可能出现的速度矢量图片的问题。

t时刻第n个融合目标的位置矢量

和速度矢量/>

以及第m个量测的位置矢量

和速度矢量/>

如下：

在一种可能的实施例方式中，基于加权距离计算量测数据与对齐的有效融合目标的关联门限范围G为：

在一种可能的实施例方式中，基于加权距离计算量测数据与对齐的有效融合目标的关联概率为：

其中，

表示在t时刻第m个量测数据与第n个有效融合目标的关联概率。

。

p_D表示传感器检测概率，M表示t时刻的量测数据的总个数，λ为泊松分布参量。

滤波更新模块，用于根据关联门限范围和关联概率判断量测数据是否关联匹配到任一有效融合目标生成匹配对；对于各个匹配对中，利用量测数据对有效融合目标中的滤波算法进行更新；对于未匹配的量测数据，利用未匹配的量测数据作为滤波算法的初始化条件新建融合目标。

在一种可能的实施例方式中，滤波更新模块的处理过程还包括：

根据量测数据与有效融合目标的匹配结果将量测数据与有效融合目标分类为：量测数据与有效融合目标匹配对、未匹配量测数据和未匹配有效融合目标。

具体实施中，对于为匹配融合目标，记录未匹配的总帧数。

在一种可能的实施例方式中，该融合系统还包括：目标筛选管理模块；

目标筛选管理模块用于对所有融合目标进行目标生命周期管理，筛选并输出有效融合目标。

即确定哪些融合目标为有效融合目标，哪些融合目标为无效融合目标等。最后，通过筛选，输出所有有效融合目标。

可以理解的是，本发明提供的一种多源数据融合系统与前述各实施例提供的多源数据融合方法相对应，多源数据融合系统的相关技术特征可参考多源数据融合方法的相关技术特征，在此不再赘述。

请参阅图6，图6为本发明实施例提供的电子设备的实施例示意图。如图6所示，本发明实施例提了一种电子设备，包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311，处理器1320执行计算机程序1311时实现以下步骤：将待融合的量测数据与已有的有效融合目标的时间戳对齐；根据量测数据与对齐的有效融合目标的位置的马氏距离和速度的欧式距离进行加权求和得到加权距离，基于加权距离计算量测数据与对齐的有效融合目标的关联门限范围和关联概率；根据关联门限范围和关联概率判断量测数据是否关联匹配到任一有效融合目标生成匹配对；对于各个匹配对中，利用量测数据对有效融合目标中的滤波算法进行更新；对于未匹配的量测数据，利用未匹配的量测数据作为滤波算法的初始化条件新建融合目标。

请参阅图7，图7为本发明提供的一种计算机可读存储介质的实施例示意图。如图7所示，本实施例提供了一种计算机可读存储介质1400，其上存储有计算机程序1411，该计算机程序1411被处理器执行时实现如下步骤：将待融合的量测数据与已有的有效融合目标的时间戳对齐；根据量测数据与对齐的有效融合目标的位置的马氏距离和速度的欧式距离进行加权求和得到加权距离，基于加权距离计算量测数据与对齐的有效融合目标的关联门限范围和关联概率；根据关联门限范围和关联概率判断量测数据是否关联匹配到任一有效融合目标生成匹配对；对于各个匹配对中，利用量测数据对有效融合目标中的滤波算法进行更新；对于未匹配的量测数据，利用未匹配的量测数据作为滤波算法的初始化条件新建融合目标。

本发明实施例提供的一种多源数据融合方法、系统、电子设备及存储介质，在传感器数据发送频率有限的情况下，自车的突然转向导致传感器视野范围内所有感知目标出现数值较大的横向速度，导致以椭圆门限为计算基准的联合概率数据关联算法无法对正确的融合目标和量测比配对进行关联匹配。有效地解决了上局问题下传统联合概率关联算法所带来的连续ID跳变的问题，改进后的算法可以保证在普通场景关联精度不变的情况下稳定了自车速度突变时融合目标的输出。并且，由于加权距离的引入并没有增加算法整体计算量。因此，本技术方案所提出的算法依旧可以保持运行的效率和实时性。

利用“自车在行驶道路上连续突然变道”的仿真场景对传统简易联合概率数据关联算法和本技术方案中提出的改进算法进行了对比测试。实验证明，传统简易联合概率数据关联算法会在自车突然转向期间出现多次ID跳变，而本技术方案所提出的改进版简易联合概率数据关联算法则能有效地融合到目标并保持目标的持续更新。因此，本发明所提出的算法能有效地解决传感器数据发送频率且自车突然转向导致的融合目标ID跳变的问题。

需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种多源数据融合方法，其特征在于，所述多源数据包括至少两种的来自不同传感器的量测数据，所述量测数据均包含位置信息和速度信息，所述融合方法包括：

步骤1，将待融合的所述量测数据与已有的有效融合目标的时间戳对齐；

步骤2，根据所述量测数据与对齐的所述有效融合目标的位置的马氏距离和速度的欧式距离进行加权求和得到加权距离，基于所述加权距离计算所述量测数据与对齐的所述有效融合目标的关联门限范围和关联概率；

步骤3，根据所述关联门限范围和关联概率判断所述量测数据是否关联匹配到任一所述有效融合目标生成匹配对；对于各个所述匹配对中，利用量测数据对所述有效融合目标中的滤波算法进行更新；对于未匹配的量测数据，利用未匹配的量测数据作为滤波算法的初始化条件新建融合目标。

2.根据权利要求1所述的融合方法，其特征在于，所述步骤1包括：

获取t时刻的待融合的所述量测数据后，通过运动状态方程对各个所述有效融合目标的t时刻的位置和速度信息进行预测。

3.根据权利要求1所述的融合方法，其特征在于，所述加权距离的计算公式为：

其中，α与β为可调整设置的权重值，

和/>

分别为t时刻第n个有效融合目标的位置矢量和速度矢量；/>

和/>

分别为t时刻第m个量测数据的位置矢量和速度矢量；/>

为t时刻第n个有效融合目标的位置协方差。

4.根据权利要求3所述的融合方法，其特征在于，所述基于所述加权距离计算所述量测数据与对齐的所述有效融合目标的关联门限范围G为：

5.根据权利要求3所述的融合方法，其特征在于，所述基于所述加权距离计算所述量测数据与对齐的所述有效融合目标的关联概率为：

其中，

表示在t时刻第m个量测数据与第n个有效融合目标的关联概率；

；

p_D表示传感器检测概率，M表示t时刻的量测数据的总个数，λ为泊松分布参量。

6.根据权利要求1所述的融合方法，其特征在于，所述步骤3包括：

根据所述量测数据与所述有效融合目标的匹配结果将所述量测数据与所述有效融合目标分类为：量测数据与有效融合目标匹配对、未匹配量测数据和未匹配有效融合目标。

7.根据权利要求1所述的融合方法，其特征在于，所述步骤3之后还包括：

对所有融合目标进行目标生命周期管理，筛选并输出所述有效融合目标。

8.一种多源数据融合系统，其特征在于，所述多源数据包括至少两种的来自不同传感器的量测数据，所述量测数据均包含位置信息和速度信息，所述融合系统包括：解析模块、关联匹配模块和滤波更新模块；

所述解析模块，用于将待融合的所述量测数据与已有的有效融合目标的时间戳对齐；

所述关联匹配模块，用于根据所述量测数据与对齐的所述有效融合目标的位置的马氏距离和速度的欧式距离进行加权求和得到加权距离，基于所述加权距离计算所述量测数据与对齐的所述有效融合目标的关联门限范围和关联概率；

所述滤波更新模块，用于根据所述关联门限范围和关联概率判断所述量测数据是否关联匹配到任一所述有效融合目标生成匹配对；对于各个所述匹配对中，利用量测数据对所述有效融合目标中的滤波算法进行更新；对于未匹配的量测数据，利用未匹配的量测数据作为滤波算法的初始化条件新建融合目标。

9.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的多源数据融合方法的步骤。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的多源数据融合方法的步骤。

Images