CN109932721B - 应用于多感测器融合的误差及侦测机率分析方法 - Google Patents

Abstract

本发明提供一种应用于多感测器融合的误差及侦测机率分析方法，其障碍物感测步骤产生障碍物观测信息，障碍物预测步骤产生障碍物预测信息。误差模型离线建立步骤依据感测器建立事前平均误差分布函数。侦测信心度建立步骤依据感测器建立事前侦测机率信息。追踪融合步骤以追踪融合方法融合各信息而产生融合误差变化量。融合误差变化量累计修正步骤依据事前侦测机率信息修正融合误差变化量的累计数值。借此，透过预先处理的感测器误差分析结合侦测信心度模型，以融合多个感测器之间的侦测信息，能得到可信度较高的障碍物存在判断。

Description

应用于多感测器融合的误差及侦测机率分析方法

技术领域

本发明是关于一种误差及侦测机率分析方法，特别是关于一种应用于多感测器融合的误差及侦测机率分析方法。

背景技术

目前车用电脑的功能愈趋健全，为了提升驾驶安全性、朝向自动驾驶的未来，车前障碍物侦测及分类的可靠度便显得尤为重要，其是将侦测到的车前障碍物分类为汽车、行人、脚踏车、电线杆等各种不同物体，依据***设定决定分类项目，如此一来，***便可依据障碍物的分类决定是提示剎车、自动紧急剎车或执行其他动作。

一般设于车辆上用来侦测障碍物的感测器的种类甚多，常用的为视觉成像***与雷达***，其中视觉成像***用于车辆上是为了增强物体探测和其他视觉或定位***的应用，此种***利用摄像机来捕获图像并从图像辨识出物体(即障碍物)，此障碍物可以是在行驶道路内的其他车辆、行人或者甚至是物体；至于雷达***则是用以探测行驶道路内的物体，雷达***使用无线电波来确定物体的距离、方向或速度，雷达发射器会发射无线电波脉冲，在其路径内的任意物体会被无线电波脉冲打到而反弹，此外，从物体反射出的脉冲将无线电波能量的一小部分传送至接收器，此接收器通常与发射器处于相同位置。

虽然上述感测器均可侦测障碍物，但其可靠度往往不足，而且侦测结果的误差容易过大而导致障碍物位置追踪的错误经常发生。由此可知，目前市场上缺乏一种误差小且可信度高的应用于多感测器融合的误差及侦测机率分析方法，故相关业者均在寻求其解决之道。

发明内容

因此，本发明的目的在于提供一种应用于多感测器融合的误差及侦测机率分析方法，其透过预先处理的感测器误差分析结合侦测信心度模型，以融合多个感测器之间的事前侦测机率信息并加以修正融合误差变化量的累计数值，能得到一较为可信的障碍物存在判断；通过全球卫星定位即时动态测量装置预先建立出各种环境、障碍物及车辆状况条件下的事前平均误差分布函数，并以此事前平均误差分布函数动态修正追踪结果，可产生误差较小且可信度较高的融合后障碍物信息，再者，透过侦测信心度建立步骤的事前侦测机率信息来修正融合误差变化量的累计数值，作为障碍物存在与否的判断依据，可大幅增加判断结果的可靠度，达到即时运算的效果，并解决已知技术的感测误差过大及可靠度过低的问题。

依据本发明的一实施方式提供一种应用于多感测器融合的误差及侦测机率分析方法，其用以判断一车辆的行进方向上的一障碍物。此应用于多感测器融合的误差及侦测机率分析方法包含障碍物感测步骤、障碍物预测步骤、误差模型离线建立步骤、侦测信心度建立步骤、追踪融合步骤以及融合误差变化量累计判断步骤，其中障碍物感测步骤是提供多个感测器以感测障碍物而分别产生多个障碍物观测信息；障碍物预测步骤是提供处理器依据多个障碍物观测信息分别产生多个障碍物预测信息。再者，误差模型离线建立步骤是利用处理器依据多个感测器分别建立多个事前平均误差分布函数；侦测信心度建立步骤是利用处理器依据多个感测器分别建立多个事前侦测机率信息；追踪融合步骤是利用处理器以一追踪融合方法融合障碍物观测信息、障碍物预测信息及事前平均误差分布函数而产生多个融合误差变化量以及多个融合后障碍物信息；至于融合误差变化量累计判断步骤则是利用处理器比对一预设累计门槛值与融合误差变化量的累计数值的大小，并配合事前侦测机率信息一起综合判断障碍物是否存在。此外，障碍物感测步骤的各障碍物观测信息可包含一观测位置，且误差模型离线建立步骤可事前设置一即时动态定位模块于障碍物上并驱动即时动态定位模块以产生多个即时动态定位位置，然后处理器接收并运算即时动态定位位置与观测位置的相对误差而产生事前平均误差分布函数。各感测器具有一视野(Fieldof View；FOV)，即时动态定位位置与观测位置均位于视野内且对应障碍物的观测速度。事前平均误差分布函数用以动态修正障碍物观测信息与障碍物预测信息之间的误差。另外，在前述融合误差变化量累计判断步骤中，当累计数值小于等于预设累计门槛值时，障碍物视为存在；当累计数值大于预设累计门槛值，且依据事前侦测机率信息判断感测器均正常时，障碍物视为不存在。

借此，本发明的方法透过预先处理的感测器误差分析结合侦测信心度模型，以融合多个感测器之间的事前侦测机率信息并加以修正融合误差变化量的累计数值，能得到一较为可信的障碍物存在判断。此外，透过侦测信心度建立步骤的事前侦测机率信息来修正融合误差变化量的累计数值，作为障碍物存在与否的判断依据，可大幅增加判断结果的可靠度，达到即时运算效果，并解决已知技术的感测误差过大及可靠度过低的问题。

前述实施方式的其他实施例如下：在前述追踪融合步骤中，追踪融合方法可为一卡尔曼滤波演算法(Kalman Filter)，且各融合后障碍物信息包含一融合后障碍物位置、一融合后障碍物速度及一融合后障碍物种类。再者，前述一个感测器可为一雷达感测器(RADAR)，且另一个感测器为一摄影机。

附图说明

图1是绘示本发明一实施例的应用于多感测器融合的误差及侦测机率分析***的方块示意图；

图2是绘示本发明一实施例的应用于多感测器融合的误差及侦测机率分析方法的流程示意图；

图3是绘示本发明一实施例的障碍物搭载即时动态定位模块的量测环境示意图；

图4A是绘示图2中误差模型离线建立步骤的感测器为雷达感测器的动态追踪结果；

图4B是绘示图2中误差模型离线建立步骤的障碍物观测速度为20kph的误差分布状况；

图4C是绘示图2中误差模型离线建立步骤的障碍物观测速度为60kph的误差分布状况；

图5A～5C是绘示图2中误差模型离线建立步骤在不同时间内以多感测器间的侦测误差动态修正追踪结果；

图6是绘示本发明另一实施例的应用于多感测器融合的误差及侦测机率分析***的方块示意图；

图7是绘示本发明另一实施例的应用于多感测器融合的误差及侦测机率分析方法的流程示意图；

图8A是绘示图7中融合误差变化量累计修正步骤的融合误差变化量；

图8B是绘示图8A的融合误差变化量的累计数值。

具体实施方式

以下将参照附图说明本发明的多个实施例。为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明部分实施例中，这些实务上的细节是非必要的。此外，为简化附图起见，一些已知惯用的结构与元件在附图中将以简单示意的方式绘示；并且重复的元件将可能使用相同的编号表示。

请一并参阅图1与图3，图1是绘示本发明一实施例的应用于多感测器融合的误差及侦测机率分析***100的方块示意图，多感测器融合的误差及侦测机率分析***100包含多个感测器200以及处理器300。图3是绘示本发明一实施例的量测环境示意图，其中障碍物120搭载即时动态定位模块332，以及包含多个感测器200与处理器300的车辆110。此应用于多感测器融合的误差及侦测机率分析***100用以判断车辆110的行进方向上的障碍物120。

多个感测器200设于车辆110上，且多个感测器200可为不同形态。本实施例的多个感测器200数量为2，且其中一个感测器200可为雷达感测器(RADAR)，另一个感测器200可为摄影机。雷达感测器(RADAR)用以感测障碍物120的位置与速度，而摄影机用以感测障碍物120的位置及辨识障碍物120的种类，但不限于上述数量以及感测器200种类。

处理器300设于车辆110上并信号连接多个感测器200，且处理器300可为车用的电子控制单元(Electronic Control Unit；ECU)、微处理器或其他电子运算处理器等，处理器300包含障碍物感测模块310、障碍物预测模块320、误差模型离线建立模块330以及追踪融合模块340，其中障碍物感测模块310利用多个感测器200感测到的障碍物120信号来产生多个障碍物观测信息(x,y,v)，各障碍物观测信息(x,y,v)包含观测位置(x,y)与观测速度v，其中观测位置(x,y)代表障碍物120经感测所得到的位置，观测速度v则代表障碍物120经感测所得到的移动速度；而障碍物预测模块320依据多个感测器200分别产生多个障碍物预测信息(x',y',v')，其中预测位置(x',y')代表障碍物120经预测所得到的位置，预测速度v'则代表障碍物120经预测所得到的移动速度。此外，误差模型离线建立模块330依据多个感测器200分别建立在不同测试情境下的多个事前平均误差分布函数f(x,y,v)，事前平均误差分布函数f(x,y,v)是为障碍物观测信息(x,y,v)与实际障碍物120正确信息之间误差的平均函数，其用以动态修正障碍物观测信息(x,y,v)与障碍物预测信息(x',y',v')之间的误差，例如：图4B与图4C分别绘示两种不同测试情境的误差分布状况，其中图4B的障碍物观测速度为20kph，而图4B的障碍物观测速度则为60kph，此两种测试情境可得到两种不同的事前平均误差分布函数f(x,y,v)。至于追踪融合模块340则透过一个追踪融合方法融合障碍物观测信息(x,y,v)、障碍物预测信息(x',y',v')及事前平均误差分布函数f(x,y,v)而产生多个融合后障碍物信息(x”,y”,v”)，其中追踪融合方法为卡尔曼滤波演算法(KalmanFilter)，融合后障碍物位置(x”,y”)代表障碍物120经融合后的位置，融合后障碍物速度v”则代表障碍物120经融合后的移动速度。换句话说，追踪融合模块340信号连接障碍物感测模块310、障碍物预测模块320及误差模型离线建立模块330。由于本实施例为二个感测器200，即雷达感测器与摄影机，因此每一个感测器200都会有对应的障碍物观测信息(x,y,v)、障碍物预测信息(x',y',v')以及事前平均误差分布函数f(x,y,v)，借以产生误差较小且可信度较高的融合后障碍物信息(x”,y”,v”)。

请一并参阅图1～图4C，图2是绘示本发明一实施例的应用于多感测器融合的误差及侦测机率分析方法400的流程示意图。图4A是绘示图2中误差模型离线建立步骤S16的感测器200为雷达感测器的动态追踪结果。图4B是绘示图2中误差模型离线建立步骤S16的障碍物120观测速度v为20kph的误差分布状况。图4C是绘示图2中误差模型离线建立步骤S16的障碍物120观测速度v为60kph的误差分布状况。如图所示，此应用于多感测器融合的误差及侦测机率分析方法400用以判断车辆110的行进方向上的障碍物120；此应用于多感测器融合的误差及侦测机率分析方法400包含障碍物感测步骤S12、障碍物预测步骤S14、误差模型离线建立步骤S16以及追踪融合步骤S18。

障碍物感测步骤S12是提供多个感测器200以感测障碍物120而分别产生多个障碍物观测信息(x,y,v)，也就是说，障碍物感测步骤S12利用感测器200感测障碍物120之后，***会再透过障碍物感测模块310产生多个障碍物观测信息(x,y,v)。

障碍物预测步骤S14是提供处理器300依据多个感测器200分别产生多个障碍物预测信息(x',y',v')。详细地说，障碍物预测步骤S14利用感测器200感测障碍物120之后，***会透过障碍物预测模块320依据多个感测器200来产生多个障碍物预测信息(x',y',v')。

误差模型离线建立步骤S16是利用处理器300依据感测器200分别建立多个事前平均误差分布函数f(x,y,v)。详细地说，误差模型离线建立步骤S16是事前设置一个即时动态定位模块332于障碍物120上并驱动以产生多个即时动态定位位置(如图4A的符号“○”以及图4B、图4C的横轴所示)。然后，处理器300的误差模型离线建立模块330接收并运算即时动态定位位置与障碍物观测信息(x,y,v)的观测位置(x,y)的相对误差而产生事前平均误差分布函数f(x,y,v)，其中观测位置(x,y)如图4A的符号“×”所示。而图4B及图4C的黑点为前车障碍物120在不同测试情境下，雷达感测器的观测位置(x,y)与全球定位***RTK-GPS的即时动态定位位置的差值，这些差值用以建置事前平均误差分布函数f(x,y,v)，此事前平均误差分布函数f(x,y,v)会随前车障碍物120的不同车况状态而有所变化。而事前平均误差分布函数f(x,y,v)则如图4B、图4C的趋势线所示。另外，感测器200具有一视野(Field ofView；FOV)，即时动态定位位置与观测位置(x,y)均位于视野内且对应障碍物120的观测速度v。处理器300在视野内可形成多个网格130以判断障碍物120的位置。本实施例的即时动态定位模块332为全球卫星定位即时动态测量装置(RTK-GPS)，因此即时动态定位模块332是透过全球定位***(GPS)信号连接误差模型离线建立模块330，且即时动态定位模块332所量测到的即时动态定位位置视为实际障碍物120的正确信息。而雷达感测器200感测障碍物120所产生的多个观测位置(x,y)会跟即时动态定位位置相互比对，通过两者之间的差值可建立出事前平均误差分布函数f(x,y,v)的资料库，此事前平均误差分布函数f(x,y,v)可当作修正的参考。换句话说，未来在使用雷达感测器200时，可以透过预先建立的事前平均误差分布函数f(x,y,v)将观测位置(x,y)作适当地修正而得到较准确的融合后障碍物位置(x”,y”)，此融合后障碍物位置(x”,y”)如图4A的符号“△”所示。下面将说明此修正方式的细节，即追踪融合步骤S18。

追踪融合步骤S18是利用处理器300以一追踪融合方法融合障碍物观测信息(x,y,v)、障碍物预测信息(x',y',v')及事前平均误差分布函数f(x,y,v)而产生多个融合后障碍物信息(x”,y”,v”)。详细地说，追踪融合方法为卡尔曼滤波演算法，此卡尔曼滤波演算法透过追踪融合模块340执行，且各融合后障碍物信息(x”,y”,v”)包含融合后障碍物位置(x”,y”)及融合后障碍物速度v”。而在其他实施例中，融合后障碍物信息(x”,y”,v”)还可包含融合后障碍物种类，此融合后障碍物种类可为行人、车子或其他种类的障碍物120。借此，本发明的应用于多感测器融合的误差及侦测机率分析方法400利用预先处理的感测器200误差分析，并透过全球卫星定位即时动态测量装置预先建立出各种环境、障碍物120及车辆110状况条件下的事前平均误差分布函数f(x,y,v)，并以事前平均误差分布函数f(x,y,v)动态修正追踪结果，可产生误差较小且可信度较高的融合后障碍物信息(x”,y”,v”)。

请一并参阅图1、图2、图3及图5A～5C，图5A～5C是绘示图2中误差模型离线建立步骤S16在不同时间内以多感测器200之间的侦测误差动态修正追踪结果。如图所示，符号“×”代表摄影机感测得到的观测位置(x,y)，符号“△”代表摄影机的观测位置(x,y)的追踪位置(经观测、预测及误差模型修正)，符号“＊”代表雷达感测器感测得到的观测位置(x,y)，符号“○”代表雷达感测器的观测位置(x,y)的追踪位置(经观测、预测及误差模型修正)，至于符号“□”则是摄影机与雷达感测器同步融合后的动态修正追踪结果。图5A～5C中共有30个不同时间T1～T30的追踪结果，这些时间T1～T30彼此间隔相等且依序发生。一般而言，使用雷达感测器感测障碍物120的距离与位置相较于摄影机的感测信息较为准确，而本发明透过多个不同感测器200之间的侦测误差来即时动态修正并得到较为可信的追踪结果。

请一并参阅图1与图6，图6是绘示本发明另一实施例的应用于多感测器融合的误差及侦测机率分析***100a的方块示意图。如图所示，此应用于多感测器融合的误差及侦测机率分析***100a用以判断车辆110的行进方向上的障碍物120且包含多个感测器200与处理器300a。其中处理器300a包含障碍物感测模块310、障碍物预测模块320、误差模型离线建立模块330、追踪融合模块340a、侦测信心度建立模块350、融合误差变化量累计修正模块360以及碰撞时间计算模块370；上述的感测器200、障碍物感测模块310、障碍物预测模块320以及误差模型离线建立模块330跟图1的对应方块相同，不再赘述。特别的是，处理器300a还包含追踪融合模块340a、侦测信心度建立模块350、融合误差变化量累计修正模块360以及碰撞时间计算模块370。

追踪融合模块340a以追踪融合方法融合障碍物观测信息(x,y,v)、障碍物预测信息(x',y',v')及事前平均误差分布函数f(x,y,v)而产生多个融合误差变化量342及多个融合后障碍物信息(x”,y”,v”)，本实施例的追踪融合方法为卡尔曼滤波演算法且具有两种感测器200，这两种感测器200分别为雷达感测器与摄影机。

侦测信心度建立模块350信号连接感测器200与误差模型离线建立模块330，且侦测信心度建立模块350依据不同的感测器200分别建立多个事前侦测机率信息352，此事前侦测机率信息352代表感测器200所侦测到的信号为真(True)或假(False)的机率，亦可视为侦测的信心度。

融合误差变化量累计修正模块360信号连接追踪融合模块340a及侦测信心度建立模块350，且融合误差变化量累计修正模块360依据侦测信心度建立模块350的事前侦测机率信息352来修正追踪融合模块340a的融合误差变化量342的累计数值，以判断障碍物120是否存在。详细地说，融合误差变化量累计修正模块360储存一个预设累计门槛值，且融合误差变化量累计修正模块360比对预设累计门槛值与累计数值的大小而判断障碍物120是否存在；当累计数值小于等于预设累计门槛值时，障碍物120视为存在；反之，当累计数值大于预设累计门槛值时，障碍物120视为不存在。再者，融合误差变化量累计修正模块360会依据事前侦测机率信息352修正融合误差变化量342的累计数值，并输出障碍物120对应融合后障碍物信息(x”,y”,v”)的存在状况信息362。

碰撞时间计算模块370接收融合后障碍物信息(x”,y”,v”)以及存在状况信息362以计算车辆110与障碍物120的碰撞时间，此碰撞时间可作为自动驾驶的判断参数。借此，本发明的***透过预先处理的感测器200误差分析结合侦测信心度模型，以融合多个感测器200之间的事前侦测机率信息352并加以修正融合误差变化量342的累计数值，能得到一较为可信的障碍物120存在判断。此外，通过全球卫星定位即时动态测量装置预先建立出各种环境、障碍物120及车辆110状况条件下的事前平均误差分布函数f(x,y,v)，并以此事前平均误差分布函数f(x,y,v)动态修正追踪结果，可产生误差较小且可信度较高的融合后障碍物信息(x”,y”,v”)。再者，透过事前侦测机率信息352来修正融合误差变化量342的累计数值，作为障碍物120存在与否的判断依据，可大幅增加判断结果的可靠度，并解决已知技术的感测误差过大及可靠度过低的问题。

请一并参阅图5A～5C、图6、图7、图8A及图8B，图7是绘示本发明另一实施例的应用于多感测器融合的误差及侦测机率分析方法400a的流程示意图。图8A是绘示图7中融合误差变化量累计修正步骤S26的融合误差变化量342。图8B是绘示图8A的融合误差变化量342的累计数值。如图7所示，此应用于多感测器融合的误差及侦测机率分析方法400a包含障碍物感测步骤S21、障碍物预测步骤S22、误差模型离线建立步骤S23、追踪融合步骤S24、侦测信心度建立步骤S25、融合误差变化量累计修正步骤S26以及碰撞时间计算步骤S27。上述的障碍物感测步骤S21、障碍物预测步骤S22以及误差模型离线建立步骤S23跟图2的障碍物感测步骤S12、障碍物预测步骤S14以及误差模型离线建立步骤S16相同，不再赘述。特别的是，应用于多感测器融合的误差及侦测机率分析方法400a还包含追踪融合步骤S24、侦测信心度建立步骤S25、融合误差变化量累计修正步骤S26以及碰撞时间计算步骤S27。

追踪融合步骤S24是利用处理器300的误差模型离线建立模块330以一追踪融合方法融合障碍物观测信息(x,y,v)、障碍物预测信息(x',y',v')及事前平均误差分布函数f(x,y,v)而产生多个融合误差变化量342及多个融合后障碍物信息(x”,y”,v”)，本实施例的追踪融合方法为卡尔曼滤波演算法且具有两种感测器200，这两种感测器200分别为雷达感测器与摄影机。

侦测信心度建立步骤S25利用处理器300的侦测信心度建立模块350依据不同的感测器200分别建立多个事前侦测机率信息352。而且误差模型离线建立步骤S23与侦测信心度建立步骤S25有一定的关连性，若事前平均误差分布函数f(x,y,v)的变异越大(亦即感测器200感测越不精准)，则事前侦测机率信息352所代表的侦测信心度越低；换句话说，若事前平均误差分布函数f(x,y,v)的变异越小(亦即感测器200感测越精准)，则事前侦测机率信息352所代表的侦测信心度越高，亦即感测器200的可靠度越高。

融合误差变化量累计修正步骤S26是利用处理器300的融合误差变化量累计修正模块360依据侦测信心度建立步骤S25的事前侦测机率信息352修正追踪融合步骤S24的融合误差变化量342的累计数值，以判断障碍物120是否存在。详细地说，在融合误差变化量累计修正步骤S26中，处理器300的融合误差变化量累计修正模块360储存一个预设累计门槛值，且融合误差变化量累计修正模块360比对预设累计门槛值与累计数值的大小而判断障碍物120是否存在；当累计数值小于等于预设累计门槛值时，障碍物120视为存在；反之，当累计数值大于预设累计门槛值时，障碍物120视为不存在。再者，融合误差变化量累计修正模块360会依据事前侦测机率信息352修正融合误差变化量342的累计数值，并输出障碍物120对应融合后障碍物信息(x”,y”,v”)的存在状况信息362。举例来说，在图5、图8A及图8B中，时间T19至T24的二种感测器200均无法得到障碍物120的观测位置(x,y)，此时有两种可能的状况，第一种可能状况是二种感测器200同时发生故障，亦即雷达感测器与摄影机均失效，此时感测器200的事前侦测机率信息352较低(例如：事前侦测机率信息352为30％)；也就是说，感测器200的侦测信心度较低。第二种可能状况是二种感测器200均正常且障碍物120因杂讯干扰而改变了观测位置(x,y)，此时感测器200的事前侦测机率信息352较高(例如：事前侦测机率信息352为90％)；也就是说，感测器200的侦测信心度较高。再者，图8A的融合误差变化量342在时间T19至T24为正值，其代表误差持续存在。同时，图8B的融合误差变化量342的累计数值在时间T19至T24亦不断累加而造成累计数值越来越大。假设***将预设累计门槛值设定为2，故由图8B可知累计数值超过2时代表“感测器200无法感测到障碍物120(第一种可能状况)”或者“障碍物120不存在(第二种可能状况)”，而其实际状况究竟为何种可能状况则需配合感测器200的事前侦测机率信息352(即侦测信心度)一起综合判断。至于累计数值小于等于2时则代表障碍物120存在。

碰撞时间计算步骤S27利用处理器300的碰撞时间计算模块370接收融合后障碍物信息(x”,y”,v”)以及存在状况信息362以计算车辆110与障碍物120的碰撞时间，此碰撞时间可作为自动驾驶的判断参数。借此，本发明的应用于多感测器融合的误差及侦测机率分析方法400a利用事前侦测机率信息352来修正融合误差变化量342的累计数值，作为障碍物120存在与否的判断依据，不但可大幅增加判断结果的可靠度，还可有效地应用于自动紧急煞车***(Autonomous Emergency Braking System；AEB)以及自动驾驶***(AutonomousDriving System；ADS)上。

由上述实施方式可知，本发明具有下列优点：其一，透过预先处理的感测器误差分析结合侦测信心度模型，以融合多个感测器之间的事前侦测机率信息并加以修正融合误差变化量的累计数值，能得到一较为可信的障碍物存在判断，且可得到即时运算结果。其二，通过全球卫星定位即时动态测量装置预先建立出各种环境、障碍物及车辆状况条件下的事前平均误差分布函数，并以此事前平均误差分布函数动态修正追踪结果，可产生误差较小且可信度较高的融合后障碍物信息。其三，透过侦测信心度建立步骤的事前侦测机率信息来修正融合误差变化量的累计数值，作为障碍物存在与否的判断依据，可大幅增加判断结果的可靠度，并解决已知技术的感测误差过大及可靠度过低的问题。

虽然本发明已以实施方式揭露如上，然其并非用以限定本发明，任何熟悉此技艺者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰，因此本发明的保护范围当视所附的权利要求书所界定的范围为准。

Claims (3)

1.一种应用于多感测器融合的误差及侦测机率分析方法，用以判断一车辆的行进方向上的一障碍物，其特征在于，该应用于多感测器融合的误差及侦测机率分析方法包含以下步骤：

一障碍物感测步骤，是提供多个感测器以感测该障碍物而分别产生多个障碍物观测信息；

一障碍物预测步骤，是提供一处理器依据所述多个障碍物观测信息分别产生多个障碍物预测信息；

一误差模型离线建立步骤，是利用该处理器依据所述多个感测器分别建立多个平均误差分布函数；

一侦测信心度建立步骤，是利用该处理器依据所述多个感测器分别建立多个事前侦测机率信息；

一追踪融合步骤，是利用该处理器以一追踪融合方法融合所述多个障碍物观测信息、所述多个障碍物预测信息及所述多个平均误差分布函数而产生多个融合误差变化量及多个融合后障碍物信息；以及

一融合误差变化量累计判断步骤，是利用该处理器比对一预设累计门槛值与所述多个融合误差变化量的一累计数值的大小，并配合所述多个事前侦测机率信息一起综合判断该障碍物是否存在；

其中，该障碍物感测步骤的各该障碍物观测信息包含一观测位置与一观测速度；

其中，该误差模型离线建立步骤是事前设置一即时动态定位模块于该障碍物上并驱动该即时动态定位模块以产生多个即时动态定位位置，然后该处理器接收并运算所述多个即时动态定位位置与所述多个观测位置的相对误差而产生所述多个平均误差分布函数；

其中，各该感测器具有一视野，所述多个即时动态定位位置与所述多个观测位置均位于该视野内且对应该障碍物的该观测速度；

其中，所述多个平均误差分布函数用以动态修正所述多个障碍物观测信息与所述多个障碍物预测信息之间的误差；

其中，在该融合误差变化量累计判断步骤中，当该累计数值小于等于该预设累计门槛值时，该障碍物视为存在；当该累计数值大于该预设累计门槛值，且依据所述多个事前侦测机率信息判断所述多个感测器均正常时，该障碍物视为不存在。

2.根据权利要求1所述的应用于多感测器融合的误差及侦测机率分析方法，其特征在于，

在该追踪融合步骤中，该追踪融合方法为一卡尔曼滤波演算法，且各该融合后障碍物信息包含一融合后障碍物位置、一融合后障碍物速度及一融合后障碍物种类。

3.根据权利要求1所述的应用于多感测器融合的误差及侦测机率分析方法，其特征在于，一该感测器为一雷达感测器，且另一该感测器为一摄影机。