CN110865360B - 一种数据融合方法及装置 - Google Patents
一种数据融合方法及装置 Download PDFInfo
- Publication number
- CN110865360B CN110865360B CN201911101809.2A CN201911101809A CN110865360B CN 110865360 B CN110865360 B CN 110865360B CN 201911101809 A CN201911101809 A CN 201911101809A CN 110865360 B CN110865360 B CN 110865360B
- Authority
- CN
- China
- Prior art keywords
- target
- data
- vehicle
- target data
- filling
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/50—Systems of measurement based on relative movement of target
- G01S17/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种数据融合方法及装置,通过将毫米波雷达检测到的目标车辆周围障碍物的行驶数据和激光雷达检测到的目标车辆周围障碍物的行驶数据进行修正,再对修正结果进行融合处理,从而能够匹配出更加准确的障碍物检测结果。所述方法包括:首先,对毫米波雷达检测到的目标车辆周围障碍物的行驶数据进行修正,得到修正后的第一目标数据,以及对激光雷达检测到的目标车辆周围障碍物的行驶数据进行瞬时位移填补,得到填补后的第二目标数据,然后,再利于EKF对得到的修正后的第一目标数据和填补后的第二目标数据进行融合处理,以便根据融合结果,确定出目标车辆周围障碍物的检测结果。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种数据融合方法及装置。
背景技术
在自动驾驶领域,尤其是无人驾驶时,需要明确其他车辆与自身车辆的相对位移。目前,自身车辆一般通过毫米波雷达和激光雷达来检测周围其他车辆与自身车辆的相对位置。
但是,发明人经过研究发现,不论是利用毫米波雷达,还是利用激光雷达来检测周围其他车辆与自身车辆的相对位置时,均存在检测不准确的情况。具体来讲,由于毫米波雷达是利用目标物体对电磁波的反射来发现并测定周围物体的位置,而车辆在行驶过程中,充满杂波的外部环境会给毫米波雷达检测造成不良影响,降低物体检测的准确率。同时,在通过激光雷达进行点云识别获取数据时,需要一定的计算时间,而在点云识别算法计算过程中,自身车辆以及周围其他车辆依然继续移动,则点云识别算法获得的其他车辆与自身车辆的相对位移相较于实际相对位移存在一定的延时差异,即,点云识别算法获得的其他车辆与自身车辆的相对位移存在滞后不准确的问题,也会导致检测结果不准确。
发明内容
为解决上述问题,本申请提供了一种数据融合方法及装置,具体技术方案如下:
第一方面,本申请提供了一种数据融合方法,包括:
获取待融合的第一目标数据,所述第一目标数据为目标车辆车载毫米波雷达检测到的所述目标车辆周围障碍物的行驶数据;
利用所述目标车辆的行驶数据,对所述第一目标数据进行修正,得到修正后的第一目标数据;
获取待融合的第二目标数据,所述第二目标数据为目标车辆车载激光雷达检测到的所述目标车辆周围障碍物的行驶数据;
对所述第二目标数据进行瞬时位移填补,得到填补后的第二目标数据;
对所述修正后的第一目标数据和所述填补后的第二目标数据进行融合,得到融合结果。
可选的,所述目标车辆周围障碍物的行驶数据包括:
目标车辆周围障碍物的位置信息和速度信息。
可选的,所述利用所述目标车辆的行驶速度,对所述第一目标数据进行修正,得到修正后的第一目标数据,包括:
将所述第一目标数据映射到预先建立的本车笛卡尔坐标系中,得到每一目标车辆周围障碍物在所述本车笛卡尔坐标系中的坐标;
根据所述每一目标车辆周围障碍物在所述本车笛卡尔坐标系中的坐标;去除其中的干扰坐标,得到去除干扰后的坐标;
利用所述目标车辆的行驶数据,对所述去除干扰后的坐标进行修正,得到修正后的坐标数据,作为修正后的第一目标数据。
可选的,所述对所述第二目标数据进行瞬时位移填补,得到填补后的第二目标数据,包括:
获取所述第二目标数据中,在tn-2时刻利用点云算法识别到的目标障碍物的位置sn-2和速度vn-2;所述目标障碍物为所述目标车辆周围障碍物;
获取所述第二目标数据中,在tn-1时刻利用点云算法识别到的所述目标障碍物的位置sn-1和速度vn-1;
获取所述第二目标数据中,在t时刻利用点云算法识别到的所述目标障碍物的位置sn和速度vn;
根据所述sn-2、vn-2、sn-1和vn-1,计算填补位移Δs和填补速度Δv;
利用所述填补位移Δs,对所述目标障碍物在t时刻的位置sn进行填补,获得填补后的所述目标障碍物在t时刻的实际位置sn′。
利用所述填补速度Δv,对所述目标障碍物在t时刻的速度vn进行填补,获得填补后的所述目标障碍物在t时刻的实际速度vn′。
可选的,所述方法还包括:
根据所述sn-2、vn-2、sn-1和vn-1,利用预设加速度公式获得加速度a;
可选的,所述根据所述sn-2、vn-2、sn-1和vn-1,计算填补位移Δs,包括:
根据所述vn-1、所述加速度a和填补时间Δt,利用预设位移公式获得所述填补位移Δs;
可选的,所述根据所述sn-2、vn-2、sn-1和vn-1,计算填补速度Δv,包括:
根据所述vn-1、所述加速度a和所述填补时间Δt,利用预设速度公式获得所述填补速度Δv;
其中,所述预设速度公式为Δv=vn-1+aΔt。
第二方面,本申请提供一种数据融合装置,包括:
第一获取单元,用于获取待融合的第一目标数据,所述第一目标数据为目标车辆车载毫米波雷达检测到的所述目标车辆周围障碍物的行驶数据;
修正单元,用于利用所述目标车辆的行驶速度,对所述第一目标数据进行修正,得到修正后的第一目标数据;
第二获取单元,用于获取待融合的第二目标数据,所述第二目标数据为目标车辆车载激光雷达检测到的所述目标车辆周围障碍物的行驶数据;
填补单元,用于对所述第二目标数据进行瞬时位移填补,得到填补后的第二目标数据;
融合单元,对所述修正后的第一目标数据和所述填补后的第二目标数据进行融合,得到融合结果。
可选的,所述目标车辆周围障碍物的行驶数据包括:
目标车辆周围障碍物的位置信息和速度信息。
可选的,所述修正单元包括:
第一坐标获得子单元,用于将所述第一目标数据映射到预先建立的本车笛卡尔坐标系中,得到每一目标车辆周围障碍物在所述本车笛卡尔坐标系中的坐标;
第二坐标获得子单元,用于根据所述每一目标车辆周围障碍物在所述本车笛卡尔坐标系中的坐标;去除其中的干扰坐标,得到去除干扰后的坐标;
修正数据获得子单元,用于利用所述目标车辆的行驶数据,对所述去除干扰后的坐标进行修正,得到修正后的坐标数据,作为修正后的第一目标数据。
可选的,所述填补单元包括:
第一数据获取子单元,用于获取所述第二目标数据中,在tn-2时刻利用点云算法识别到的目标障碍物的位置sn-2和速度vn-2;所述目标障碍物为所述目标车辆周围障碍物;
第二数据获取子单元,用于获取所述第二目标数据中,在tn-1时刻利用点云算法识别到的所述目标障碍物的位置sn-1和速度vn-1;
第三数据获取子单元,用于获取所述第二目标数据中,在t时刻利用点云算法识别到的所述目标障碍物的位置sn和速度vn;
计算子单元,用于根据所述sn-2、vn-2、sn-1和vn-1,计算填补位移Δs和填补速度Δv;
第一填补子单元,用于利用所述填补位移Δs,对所述目标障碍物在t时刻的位置sn进行填补,获得填补后的所述目标障碍物在t时刻的实际位置sn′。
第二填补子单元,用于利用所述填补速度Δv,对所述目标障碍物在t时刻的速度vn进行填补,获得填补后的所述目标障碍物在t时刻的实际速度vn′。
可选的,所述填补单元还包括:
加速度获得子单元,用于根据所述sn-2、vn-2、sn-1和vn-1,利用预设加速度公式获得加速度a;
可选的,所述计算子单元具体用于:
根据所述vn-1、所述加速度a和填补时间Δt,利用预设位移公式获得所述填补位移Δs;
可选的,所述计算子单元具体用于:
根据所述vn-1、所述加速度a和所述填补时间Δt,利用预设速度公式获得所述填补速度Δv;
其中,所述预设速度公式为Δv=vn-1+aΔt。
本申请实施例还提供了一种数据融合设备,包括:处理器、存储器、***总线;
所述处理器以及所述存储器通过所述***总线相连;
所述存储器用于存储一个或多个程序,所述一个或多个程序包括指令,所述指令当被所述处理器执行时使所述处理器执行上述数据融合方法中的任意一种实现方式。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行上述数据融合方法中的任意一种实现方式。
本申请实施例提供的一种数据融合方法及装置,首先对毫米波雷达检测到的目标车辆周围障碍物的行驶数据进行修正,得到修正后的第一目标数据,以及对激光雷达检测到的目标车辆周围障碍物的行驶数据进行瞬时位移填补,得到填补后的第二目标数据,然后,再利于EKF对得到的修正后的第一目标数据和填补后的第二目标数据进行融合处理,以根据融合结果,确定出目标车辆周围障碍物的检测结果。可见,本申请通过将毫米波雷达检测到的目标车辆周围障碍物的行驶数据和激光雷达检测到的目标车辆周围障碍物的行驶数据进行修正,再对修正结果进行融合处理,能够匹配出更加准确的障碍物检测结果,有效克服了二者单独检测时存在的检测准确率低的问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请的一些实施例,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为本申请实施例提供的一种数据融合方法的流程示意图;
图2为本申请实施例提供的一种数据融合装置的组成示意图。
具体实施方式
众所周知,在自动驾驶领域中,能否及时、准确地获知车辆周围障碍物的位置,对于控制自动驾驶车辆的安全行驶来说,是至关重要的,目前,获取车辆周围障碍物位置的方法通常是通过车载毫米波雷达或者车载激光雷达来获取。但利用车载毫米波雷达检测车辆周围障碍物的位置时,仅能获取车辆前方45度左右的障碍物信息,并且由于毫米波雷达是利用目标物体对电磁波的反射来发现并测定周围物体的位置,而车辆在行驶过程中,充满杂波的外部环境会给毫米波雷达检测造成不良影响,降低障碍物检测结果的准确率。
而在利用车载激光雷达数据来获取车辆周围障碍物的位置时,虽然通过车载激光雷达能够获取车辆周围360度的障碍物信息,但是由于激光雷达进行点云识别获取数据时,需要一定的计算时间,而在此计算过程中,车辆以及周围其他车辆依然继续移动,则使得点云识别算法获得的其他车辆与自身车辆的相对位移相较于实际相对位移存在一定的延时差异,也会导致检测结果不准确。
为解决上述缺陷,本申请实施例提供了一种数据融合方法,在分别获取到目标车辆车载毫米波雷达和车载激光雷达检测到的目标车辆周围障碍物的行驶数据后,首先,对毫米波雷达检测到的目标车辆周围障碍物的行驶数据进行修正,得到修正后的第一目标数据,同时,对激光雷达检测到的目标车辆周围障碍物的行驶数据进行瞬时位移填补,得到填补后的第二目标数据,然后,再利于EKF对得到的修正后的第一目标数据和填补后的第二目标数据进行融合处理,以根据融合结果,确定出目标车辆周围障碍物的检测结果。
可见,本申请实施例通过将毫米波雷达检测到的目标车辆周围障碍物的行驶数据和激光雷达检测到的目标车辆周围障碍物的行驶数据进行修正,再对修正结果进行融合处理,能够匹配出更加准确的障碍物检测结果,相较于目前仅通过毫米波雷达或仅通过激光雷达来检测位置信息的单一检测方式来说,可以有效提高障碍物检测结果的准确率,即,有效克服二者单独检测时存在的检测准确率低的问题。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
第一实施例
参见图1,为本实施例提供的一种数据融合方法的流程示意图,该方法包括以下步骤:
S101:获取待融合的第一目标数据,其中,第一目标数据为目标车辆车载毫米波雷达检测到的目标车辆周围障碍物的行驶数据。
在本实施例中,将采用本实施例实现数据融合的任一车辆定义为目标车辆,为了实现对检测到目标车辆周围障碍物的行驶数据的融合,首先需要获取到待融合的第一目标数据。
其中,第一目标数据指的是利用目标车辆车载毫米波雷达检测到的目标车辆周围障碍物的行驶数据,一种可选的实现方式是,目标车辆周围障碍物的行驶数据可以包括目标车辆周围障碍物的位置信息和速度信息。并且,每一障碍物的位置信息和速度信息可以用该障碍物对应的每一行驶时刻的坐标来表示。
S102:利用目标车辆的行驶数据,对第一目标数据进行修正,得到修正后的第一目标数据。
在本实施例中,通过步骤S101获取到车载毫米波雷达检测到的待融合的第一目标数据后,为了消除车载毫米波雷达检测结果中的误差,可以在获取到目标车辆的自身的行驶数据后,利用这些行驶数据,对获取到的第一目标数据进行修正,以得到修正后的第一目标数据。
具体来讲,一种可选的实现方式是,本步骤S102的具体实现过程可以包括下述步骤A1-A3:
步骤A1:将第一目标数据映射到预先建立的本车笛卡尔坐标系中,得到每一目标车辆周围障碍物在本车笛卡尔坐标系中的坐标。
在本实现方式中,在获取到车载毫米波雷达检测到的待融合的第一目标数据后,为了消除车载毫米波检测结果中的误差,首先需要去除其中包含的干扰数据。具体的,由于利用车载毫米波雷达检测到的数据为极坐标形式的数据,包括了每一目标车辆周围障碍物的速度、角度以及距离目标车辆的距离。为了去除其中的干扰数据,可以先将第一目标数据映射到预先建立的本车笛卡尔坐标系中,其中,可以先将目标车辆正前方定义为Y轴方向,将指向驾驶员方向定义为X轴方向,然后将得到的第一目标数据,按照预先定义的X轴、Y轴方向进行分解,此处将分解后得到的目标车辆周围障碍物在Y轴方向上的距离坐标以及速度坐标分别为Sy、Vy,并将分解后得到的目标车辆周围障碍物在X轴方向上的距离坐标以及速度坐标分别为Sx、Vx。
步骤A2:根据每一目标车辆周围障碍物在本车笛卡尔坐标系中的坐标;去除其中的干扰坐标,得到去除干扰后的坐标。
在本实现方式中,通过步骤A1得到每一目标车辆周围障碍物在本车笛卡尔坐标系中的坐标Sy、Vy、Sx、Vx后,首先可以根据目标车辆车长以及Sx的取值,判断出Sx的取值是否大于预设距离阈值,进而确定出其中干扰数据对应的干扰坐标,以目标车辆自身车长为3~4米为例,此时,可以判断Sx的取值是否大于5米,则表明该障碍物距离目标车辆较远,其对应的数据即为干扰数据,在将其在目标车辆笛卡尔坐标系中的坐标去除后,即可得到去除干扰后的坐标。
需要说明的是,预设距离阈值可根据目标车辆的车长,利用经验来确定,具体取值可根据实际情况进行设定,本申请实施例对此不进行限制,比如,当目标车辆自身车长为3~4米时,可将该预设距离阈值取为5米。
步骤A3:利用目标车辆的行驶数据,对去除干扰后的坐标进行修正,得到修正后的坐标数据,作为修正后的第一目标数据。
在本实现方式中,通过步骤A2得到去除干扰后的坐标后,进一步可以利用预先测得的目标车辆自身的行驶数据(包括行驶距离和速度,此处将目标车辆行驶速度在X轴和Y轴方向上的坐标分别定义为V自车x、V自车y),对去除干扰后的坐标进行修正,以得到各个障碍物对应的真实速度,具体的,对于每一障碍物来说,在X轴方向上,计算得到各个障碍物的真实速度的公式如下:
V真实x=V自车x+Vx (1)
其中,V真实x表示每一障碍物在X轴方向上对应的真实速度(即修正后的第一目标数据);V自车x表示目标车辆行驶速度在X轴向上的坐标,Vx表示通过车载毫米波雷达测得每一障碍物在目标车辆笛卡尔坐标系中X轴方向上的坐标。
同理,可以得到在Y方向上,计算得到各个障碍物的真实速度的公式如下:
V真实y=V自车y+Vy (2)
其中,V真实y表示每一障碍物在Y轴方向上对应的真实速度(即修正后的第一目标数据);V自车y表示目标车辆行驶速度在Y轴向上的坐标,Vy表示通过车载毫米波雷达测得每一障碍物在目标车辆笛卡尔坐标系中Y轴方向上的坐标。
S103:获取待融合的第二目标数据,其中,第二目标数据为目标车辆车载激光雷达检测到的目标车辆周围障碍物的行驶数据。
在本实施例中,为了实现对检测到目标车辆周围障碍物的行驶数据的融合,海需要获取到待融合的第二目标数据。
其中,第二目标数据指的是利用目标车辆车载激光雷达检测到的目标车辆周围障碍物的行驶数据,一种可选的实现方式是,目标车辆周围障碍物的行驶数据可以包括目标车辆周围障碍物的位置信息和速度信息。并且,每一障碍物的位置信息和速度信息可以用该障碍物对应的每一行驶时刻的坐标来表示。
S104:对第二目标数据进行瞬时位移填补,得到填补后的第二目标数据。
在本实施例中,通过步骤S103获取到车载激光雷达检测到的待融合的第二目标数据后,为了消除车载激光雷达检测结果中的误差,需要对获取到第二目标数据进行瞬时位移填补,得到填补后的第二目标数据。
具体来讲,一种可选的实现方式是,本步骤S104的具体实现过程可以包括下述步骤B1-B6:
步骤B1:获取第二目标数据中,在tn-2时刻利用点云算法识别到的目标障碍物的位置sn-2和速度vn-2,其中,目标障碍物为目标车辆周围障碍物。
在本实现方式中,获取到的第二目标数据中,可以在tn-2时刻利用点云算法识别到目标障碍物相对于目标车辆的位置sn-2和速度vn-2。
步骤B2:获取第二目标数据中,在tn-1时刻利用点云算法识别到的目标障碍物的位置sn-1和速度vn-1。
在本实现方式中,获取到的第二目标数据中,可以在tn-1时刻利用点云算法识别到目标障碍物相对于目标车辆的位置sn-1和速度vn-1。
步骤B3:获取第二目标数据中,在t时刻利用点云算法识别到的目标障碍物的位置sn和速度vn。
在本实现方式中,获取到的第二目标数据中,可以在t时刻利用点云算法识别到目标障碍物相对于目标车辆的位置sn和速度vn。
步骤B4:根据sn-2、vn-2、sn-1和vn-1,计算填补位移Δs和填补速度Δv。
在本实现方式中,在获取到sn-2、vn-2、sn-1、vn-1后,进一步可以根据vn-1计算出填补位移Δs。
在本实施例的一种实现方式中,在计算填补位移Δs和填补速度Δv之前,还需要根据获取到的sn-2、vn-2、sn-1和vn-1,利用预设加速度公式获得加速度a,其中,预设加速度公式如下:
则相应的,可以根据vn-1、加速度a和填补时间Δt,利用预设位移公式计算出填补位移Δs,具体计算公式如下:
并且,可以根据vn-1、加速度a和所述填补时间Δt,利用预设速度公式获得填补速度Δv,用以表示可预先计算得到的对应速度vn-1的最合适的填补速度,具体计算公式如下:
Δv=vn-1+aΔt (5)
步骤B5:利用填补位移Δs,对目标障碍物在t时刻的位置sn进行填补,获得填补后的目标障碍物在t时刻的实际位置sn′。
具体的,可以利用预先运算获得填补位移Δs,对目标障碍物在t时刻的位置sn进行填补,以获得目标障碍物在t时刻的实际位置sn′,即获得目标障碍物在t时刻与目标车辆的实际相对位移sn′。
步骤B6:利用填补速度Δv,对目标障碍物在t时刻的速度vn进行填补,获得填补后的目标障碍物在t时刻的实际速度vn′。
具体的,可以利用预先运算获得填补速度Δv,对目标障碍物在t时刻的速度sn进行填补,以获得目标障碍物在t时刻的实际速度vn′。
S105:利用扩展卡尔曼滤波EKF,对修正后的第一目标数据和填补后的第二目标数据进行融合,得到融合结果。
在本申请实施例中,通过步骤S102和S104分别获得修正后的第一目标数据和填补后的第二目标数据后,为了获得更加准确的障碍物位置检测结果,可以利用现有或未来出现的数据融合算法,将二者进行融合,以得到更加准确的融合结果,用以确定出最终的障碍物检测结果。比如,可以利用扩展卡尔曼滤波(extended kalman filter,简称EKF),对得到的修正后的第一目标数据和填补后的第二目标数据进行融合,用以准确预测出下一时刻目标车辆周围障碍物的准确位置。具体的利用EKF进行数据融合的过程与现有计算过程一致,在此不再赘述。
综上,本实施例提供的一种数据融合方法,首先对毫米波雷达检测到的目标车辆周围障碍物的行驶数据进行修正,得到修正后的第一目标数据,以及对激光雷达检测到的目标车辆周围障碍物的行驶数据进行瞬时位移填补,得到填补后的第二目标数据,然后,再利于EKF对得到的修正后的第一目标数据和填补后的第二目标数据进行融合处理,以根据融合结果,确定出目标车辆周围障碍物的检测结果。可见,本申请实施例通过将毫米波雷达检测到的目标车辆周围障碍物的行驶数据和激光雷达检测到的目标车辆周围障碍物的行驶数据进行修正,再对修正结果进行融合处理,从而能够匹配出更加准确的障碍物检测结果,有效克服了二者单独检测时存在的检测准确率低的问题。
第二实施例
本实施例将对一种数据融合装置进行介绍,相关内容请参见上述方法实施例。
参见图2,为本实施例提供的一种数据融合装置的组成示意图,该装置包括:
第一获取单元201,用于获取待融合的第一目标数据,所述第一目标数据为目标车辆车载毫米波雷达检测到的所述目标车辆周围障碍物的行驶数据;
修正单元202,用于利用所述目标车辆的行驶速度,对所述第一目标数据进行修正,得到修正后的第一目标数据;
第二获取单元203,用于获取待融合的第二目标数据,所述第二目标数据为目标车辆车载激光雷达检测到的所述目标车辆周围障碍物的行驶数据;
填补单元204,用于对所述第二目标数据进行瞬时位移填补,得到填补后的第二目标数据;
融合单元205,对所述修正后的第一目标数据和所述填补后的第二目标数据进行融合,得到融合结果。
在本实施例的一种实现方式中,所述目标车辆周围障碍物的行驶数据包括:
目标车辆周围障碍物的位置信息和速度信息。
在本实施例的一种实现方式中,所述修正单元202包括:
第一坐标获得子单元,用于将所述第一目标数据映射到预先建立的本车笛卡尔坐标系中,得到每一目标车辆周围障碍物在所述本车笛卡尔坐标系中的坐标;
第二坐标获得子单元,用于根据所述每一目标车辆周围障碍物在所述本车笛卡尔坐标系中的坐标;去除其中的干扰坐标,得到去除干扰后的坐标;
修正数据获得子单元,用于利用所述目标车辆的行驶数据,对所述去除干扰后的坐标进行修正,得到修正后的坐标数据,作为修正后的第一目标数据。
在本实施例的一种实现方式中,所述填补单元204包括:
第一数据获取子单元,用于获取所述第二目标数据中,在tn-2时刻利用点云算法识别到的目标障碍物的位置sn-2和速度vn-2;所述目标障碍物为所述目标车辆周围障碍物;
第二数据获取子单元,用于获取所述第二目标数据中,在tn-1时刻利用点云算法识别到的所述目标障碍物的位置sn-1和速度vn-1;
第三数据获取子单元,用于获取所述第二目标数据中,在t时刻利用点云算法识别到的所述目标障碍物的位置sn和速度vn;
计算子单元,用于根据所述sn-2、vn-2、sn-1和vn-1,计算填补位移Δs和填补速度Δv;
第一填补子单元,用于利用所述填补位移Δs,对所述目标障碍物在t时刻的位置sn进行填补,获得填补后的所述目标障碍物在t时刻的实际位置sn′。
第二填补子单元,用于利用所述填补速度Δv,对所述目标障碍物在t时刻的速度vn进行填补,获得填补后的所述目标障碍物在t时刻的实际速度vn′。
在本实施例的一种实现方式中,所述填补单元204还包括:
加速度获得子单元,用于根据所述sn-2、vn-2、sn-1和vn-1,利用预设加速度公式获得加速度a;
在本实施例的一种实现方式中,所述计算子单元具体用于:
根据所述vn-1、所述加速度a和填补时间Δt,利用预设位移公式获得所述填补位移Δs;
在本实施例的一种实现方式中,所述计算子单元具体用于:
根据所述vn-1、所述加速度a和所述填补时间Δt,利用预设速度公式获得所述填补速度Δv;
其中,所述预设速度公式为Δv=vn-1+aΔt。
综上,本实施例提供的一种数据融合装置,首先对毫米波雷达检测到的目标车辆周围障碍物的行驶数据进行修正,得到修正后的第一目标数据,以及对激光雷达检测到的目标车辆周围障碍物的行驶数据进行瞬时位移填补,得到填补后的第二目标数据,然后,再利于EKF对得到的修正后的第一目标数据和填补后的第二目标数据进行融合处理,以根据融合结果,确定出目标车辆周围障碍物的检测结果。可见,本申请通过将毫米波雷达检测到的目标车辆周围障碍物的行驶数据和激光雷达检测到的目标车辆周围障碍物的行驶数据进行修正,再对修正结果进行融合处理,从而能够匹配出更加准确的障碍物检测结果,有效克服了二者单独检测时存在的检测准确率低的问题。
进一步地,本申请实施例还提供了一种数据融合设备,包括:处理器、存储器、***总线;
所述处理器以及所述存储器通过所述***总线相连;
所述存储器用于存储一个或多个程序,所述一个或多个程序包括指令,所述指令当被所述处理器执行时使所述处理器执行上述数据融合方法的任一种实现方法。
进一步地,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行上述数据融合方法的任一种实现方法。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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,服务器,或者诸如媒体网关等网络通信设备,等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种数据融合方法,其特征在于,包括:
获取待融合的第一目标数据,所述第一目标数据为目标车辆车载毫米波雷达检测到的所述目标车辆周围障碍物的行驶数据;
利用所述目标车辆的行驶数据,对所述第一目标数据进行修正,得到修正后的第一目标数据;
其中,所述目标车辆周围障碍物的行驶数据包括:目标车辆周围障碍物的位置信息和速度信息;
所述利用所述目标车辆的行驶速度,对所述第一目标数据进行修正,得到修正后的第一目标数据,包括:
将所述第一目标数据映射到预先建立的本车笛卡尔坐标系中,得到每一目标车辆周围障碍物在所述本车笛卡尔坐标系中的坐标;
根据所述每一目标车辆周围障碍物在所述本车笛卡尔坐标系中的坐标;去除其中的干扰坐标,得到去除干扰后的坐标;
利用所述目标车辆的行驶数据,对所述去除干扰后的坐标进行修正,得到修正后的坐标数据,作为修正后的第一目标数据;
获取待融合的第二目标数据,所述第二目标数据为目标车辆车载激光雷达检测到的所述目标车辆周围障碍物的行驶数据;
对所述第二目标数据进行瞬时位移填补,得到填补后的第二目标数据;
利用扩展卡尔曼滤波EKF,对所述修正后的第一目标数据和所述填补后的第二目标数据进行融合,得到融合结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述第二目标数据进行瞬时位移填补,得到填补后的第二目标数据,包括:
获取所述第二目标数据中,在tn-2时刻利用点云算法识别到的目标障碍物的位置sn-2和速度vn-2;所述目标障碍物为所述目标车辆周围障碍物;
获取所述第二目标数据中,在tn-1时刻利用点云算法识别到的所述目标障碍物的位置sn-1和速度vn-1;
获取所述第二目标数据中,在t时刻利用点云算法识别到的所述目标障碍物的位置sn和速度vn;
根据所述sn-2、vn-2、sn-1和vn-1,计算填补位移Δs和填补速度Δv;
利用所述填补位移Δs,对所述目标障碍物在t时刻的位置sn进行填补,获得填补后的所述目标障碍物在t时刻的实际位置sn′;
利用所述填补速度Δv,对所述目标障碍物在t时刻的速度vn进行填补,获得填补后的所述目标障碍物在t时刻的实际速度vn′。
5.根据权利要求3所述的方法,其特征在于,所述根据所述sn-2、vn-2、sn-1和vn-1,计算填补速度Δv,包括:
根据所述vn-1、所述加速度a和填补时间Δt,利用预设速度公式获得所述填补速度Δv;
其中,所述预设速度公式为Δv=vn-1+aΔt。
6.一种数据融合装置,其特征在于,包括:
第一获取单元,用于获取待融合的第一目标数据,所述第一目标数据为目标车辆车载毫米波雷达检测到的所述目标车辆周围障碍物的行驶数据;
修正单元,用于利用所述目标车辆的行驶速度,对所述第一目标数据进行修正,得到修正后的第一目标数据;
其中,所述目标车辆周围障碍物的行驶数据包括:目标车辆周围障碍物的位置信息和速度信息;
所述利用所述目标车辆的行驶速度,对所述第一目标数据进行修正,得到修正后的第一目标数据,包括:
将所述第一目标数据映射到预先建立的本车笛卡尔坐标系中,得到每一目标车辆周围障碍物在所述本车笛卡尔坐标系中的坐标;
根据所述每一目标车辆周围障碍物在所述本车笛卡尔坐标系中的坐标;去除其中的干扰坐标,得到去除干扰后的坐标;
利用所述目标车辆的行驶数据,对所述去除干扰后的坐标进行修正,得到修正后的坐标数据,作为修正后的第一目标数据;
第二获取单元,用于获取待融合的第二目标数据,所述第二目标数据为目标车辆车载激光雷达检测到的所述目标车辆周围障碍物的行驶数据;
填补单元,用于对所述第二目标数据进行瞬时位移填补,得到填补后的第二目标数据;
融合单元,利用扩展卡尔曼滤波EKF,对所述修正后的第一目标数据和所述填补后的第二目标数据进行融合,得到融合结果。
7.一种数据融合设备,其特征在于,包括:处理器、存储器、***总线;
所述处理器以及所述存储器通过所述***总线相连;
所述存储器用于存储一个或多个程序,所述一个或多个程序包括指令,所述指令当被所述处理器执行时使所述处理器执行权利要求1-5任一项所述的方法。
8.一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中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911101809.2A CN110865360B (zh) | 2019-11-12 | 2019-11-12 | 一种数据融合方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911101809.2A CN110865360B (zh) | 2019-11-12 | 2019-11-12 | 一种数据融合方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110865360A CN110865360A (zh) | 2020-03-06 |
CN110865360B true CN110865360B (zh) | 2022-04-15 |
Family
ID=69653938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911101809.2A Active CN110865360B (zh) | 2019-11-12 | 2019-11-12 | 一种数据融合方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110865360B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111231947A (zh) * | 2020-03-16 | 2020-06-05 | 东软睿驰汽车技术(沈阳)有限公司 | 一种商用车盲区障碍物检测方法及装置 |
CN111796285A (zh) * | 2020-06-15 | 2020-10-20 | 北京汽车研究总院有限公司 | 车辆的障碍物检测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007230285A (ja) * | 2006-02-28 | 2007-09-13 | Mazda Motor Corp | 障害物検知装置 |
CN106405555A (zh) * | 2016-09-23 | 2017-02-15 | 百度在线网络技术(北京)有限公司 | 用于车载雷达***的障碍物检测方法和装置 |
WO2017208786A1 (ja) * | 2016-05-31 | 2017-12-07 | 本田技研工業株式会社 | 車両制御システム、車両制御方法、および車両制御プログラム |
CN108519738A (zh) * | 2018-04-13 | 2018-09-11 | 中国科学院微电子研究所 | 一种车辆运动状态信息延时补偿方法和装置 |
CN109191487A (zh) * | 2018-08-30 | 2019-01-11 | 百度在线网络技术(北京)有限公司 | 基于无人车的碰撞检测方法、装置、设备以及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108037515A (zh) * | 2017-12-27 | 2018-05-15 | 清华大学苏州汽车研究院(吴江) | 一种激光雷达和超声波雷达信息融合***及方法 |
-
2019
- 2019-11-12 CN CN201911101809.2A patent/CN110865360B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007230285A (ja) * | 2006-02-28 | 2007-09-13 | Mazda Motor Corp | 障害物検知装置 |
WO2017208786A1 (ja) * | 2016-05-31 | 2017-12-07 | 本田技研工業株式会社 | 車両制御システム、車両制御方法、および車両制御プログラム |
CN106405555A (zh) * | 2016-09-23 | 2017-02-15 | 百度在线网络技术(北京)有限公司 | 用于车载雷达***的障碍物检测方法和装置 |
CN108519738A (zh) * | 2018-04-13 | 2018-09-11 | 中国科学院微电子研究所 | 一种车辆运动状态信息延时补偿方法和装置 |
CN109191487A (zh) * | 2018-08-30 | 2019-01-11 | 百度在线网络技术(北京)有限公司 | 基于无人车的碰撞检测方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110865360A (zh) | 2020-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105774805B (zh) | 用于估算车道的***及其方法 | |
CN110316193B (zh) | 预瞄距离的设置方法、装置、设备及计算机可读存储介质 | |
CN110234957B (zh) | 行驶记录的存储方法、行驶轨迹模型的生成方法、自身位置推定方法及行驶记录的存储装置 | |
US20190391268A1 (en) | Localization For Autonomous Vehicles Using Gaussian Mixture Models | |
CN110865360B (zh) | 一种数据融合方法及装置 | |
US20220176989A1 (en) | High precision position estimation method through road shape classification-based map matching and autonomous vehicle thereof | |
WO2018212292A1 (ja) | 情報処理装置、制御方法、プログラム及び記憶媒体 | |
WO2018062291A1 (ja) | 他車線監視装置 | |
WO2023273780A1 (zh) | 车辆定位方法、装置、电子设备和存储介质 | |
CN110637209B (zh) | 估计机动车的姿势的方法、设备和具有指令的计算机可读存储介质 | |
JP2022513511A (ja) | 完全性範囲を特定するための方法 | |
JP2022023388A (ja) | 車両位置決定装置 | |
CN110986966B (zh) | 一种用于长距离隧道的自动驾驶定位方法及*** | |
JP2000180545A (ja) | これに基づいて車両が運動する走行路曲線を検出可能な少なくとも1つのセンサの信号を修正する方法 | |
JP7474352B2 (ja) | 車両制御装置、および、車両制御方法 | |
JP2011232818A (ja) | 先行車検出装置 | |
CN111959515B (zh) | 一种基于视觉检测的前向目标选择方法、装置及*** | |
CN116699596A (zh) | 一种车辆的毫米波雷达的速度修正方法及装置 | |
CN114347994B (zh) | 车道线位置估计方法和装置、电子设备和存储介质 | |
CN114740448B (zh) | 用于车载雷达的目标状态估计方法、装置及存储介质 | |
CN116161048A (zh) | 路径生成方法、装置、设备及介质 | |
CN110874848A (zh) | 一种基于毫米波雷达的物体跟踪方法及装置 | |
CN112816975A (zh) | 一种航迹确定方法、装置及电子设备 | |
KR20150051745A (ko) | 차량의 동역학 정보를 이용한 스테레오 카메라 영상 보정 장치 및 그 방법 | |
CN116559899B (zh) | 自动驾驶车辆的融合定位方法、装置和电子设备 |
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 |