基于路侧多传感器的数据融合方法、装置、系统及介质转让专利
申请号 : CN202210023930.3
文献号 : CN114065876B
文献日 : 2022-04-12
发明人 : 杨唐涛 , 张龙洋 , 何书贤 , 陈琳 , 任学锋 , 邱志军
申请人 : 华砺智行(武汉)科技有限公司
摘要 :
权利要求 :
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,σi表示第i条目标检测序列对应传感器的位置检测精度;σi+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;σi,v表示第i条目标检测序列对应传感器的速度检测精度;σi+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;σi,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;σi+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;ti表示第i条目标检测序列对应传感器的时间戳;ti+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(ts,te)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 ,ts表示当前融合周期的起始时刻;te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≤fmin,fmin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。
说明书 :
基于路侧多传感器的数据融合方法、装置、系统及介质
技术领域
背景技术
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。
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
理,以融合得到第i+1条目标融合序列;
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。
对象的类型为机动车、非机动车或人。
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。
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:
度阈值;
速度阈值;
速度误差的和;
i条目标检测序列对应传感器的速度检测精度;σi+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;σi,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;σi+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;ti表示第i条目标检测序列对应传感器
的时间戳;ti+1表示第i+1条目标检测序列对应传感器的时间戳。
列按照时间戳从小到大进行排序;
输出频率。
并进行去重处理,以融合得到第i+1条目标融合序列;
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。
数据融合方法的步骤。
侧多传感器的数据融合方法的步骤;
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
具体实施方式
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。
重处理,以融合得到第i+1条目标融合序列;
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。
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。
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。
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。
的第j(j=1,2,...,Mk)个目标对象的类型记为ckj;第k个传感器输出的第j个目标对象的纬
度位置记为latkj;第k个传感器输出的第j个目标对象的经度位置记为lonkj;第k个传感器
输出的第j个目标对象的速度记为vkj;第k个传感器输出的第j个目标对象的航向角记为
hkj。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xkj,ykj,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。
列按照时间戳从小到大进行排序;其中 ,ts表示当前融合周期的起始
时刻;te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≤fmin,fmin表示
多个传感器中的最低输出频率。
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fk(k=1,2,...,N),则融合算法输出频率f应满足:
ts即可,新融合周期的结束时间te仍依式(2)计算。
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tk
应满足式(3):
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。
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。
据进行时间同步,即预测ti时刻第i条目标检测序列中的各目标对象在ti+1时刻的状态,即
为 ,需要说明的是,ti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,ti+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。
预测速度、预测航向角;此外, 。
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。
检测相似阈值,包括下述步骤:
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。
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;ai(i+1)
为通过第i条目标检测序列的第o个目标对象在ti+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ti+1时刻的实际速度而计算得到的相对加速度;Ta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ti+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ti+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。
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。
2
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/s ;Taerr为实时
加速度误差;T1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。
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σi+1,x与σi+1,y,速度检测精度为σi+1,v,航向角检测精度为σi+1,h。在本实施例中,以取95%
置信度为例,计算置信区间如下:
分别记为σi以及σi+1,如下所示:
i条目标检测序列对应传感器的速度检测精度;σi+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;σi,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;σi+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;ti表示第i条目标检测序列对应传感器
的时间戳;ti+1表示第i+1条目标检测序列对应传感器的时间戳。
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。
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。
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。
定。
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:
象并进行去重处理,以融合得到第i+1条目标融合序列;
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。
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。
的步骤;
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。
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。
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(Secure
Digital, 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。
如执行基于路侧多传感器的数据融合方法等。
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。
理,以融合得到第i+1条目标融合序列;
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。
理,以融合得到第i+1条目标融合序列;
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。
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。
都应涵盖在本申请的保护范围之内。