CN112003891B - 用于智能网联车辆控制器的多传感数据融合方法 - Google Patents

用于智能网联车辆控制器的多传感数据融合方法 Download PDF

Info

Publication number
CN112003891B
CN112003891B CN202010683438.XA CN202010683438A CN112003891B CN 112003891 B CN112003891 B CN 112003891B CN 202010683438 A CN202010683438 A CN 202010683438A CN 112003891 B CN112003891 B CN 112003891B
Authority
CN
China
Prior art keywords
data
sensor
sensors
weight
fusion
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
Application number
CN202010683438.XA
Other languages
English (en)
Other versions
CN112003891A (zh
Inventor
罗映
李丙洋
罗全巧
沈学会
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Promote Electromechanical Technology Co ltd
Original Assignee
Shandong Netlink Intelligent Vehicle Industry Technology Research Institute Co ltd
Shandong Promote Electromechanical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Netlink Intelligent Vehicle Industry Technology Research Institute Co ltd, Shandong Promote Electromechanical Technology Co ltd filed Critical Shandong Netlink Intelligent Vehicle Industry Technology Research Institute Co ltd
Priority to CN202010683438.XA priority Critical patent/CN112003891B/zh
Publication of CN112003891A publication Critical patent/CN112003891A/zh
Application granted granted Critical
Publication of CN112003891B publication Critical patent/CN112003891B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
  • Small-Scale Networks (AREA)
  • Traffic Control Systems (AREA)

Abstract

用于智能网联车辆控制器的多传感数据融合方法，本方法先预设传感器的基础权重并对所有传感器采集到的传感器数据进行滤波修正；通过确定传感器的有效数据融合集对数据进行筛选，进一步通过相似性测度获得动态权重值，最后根据基础权重和动态权重计算综合权重，根据综合权重对不同的传感器数据进行加权融合计算，得到多个传感器的融合数据。本发明方法通过对获取的数据进行滤波修正，保证输入数据的准确性，进而通过有效数据的筛选减少了后期的计算量；本发明中采用的数据融合方法，通过设置动态权重，能够在不同的感知场景下，及时的调整不同传感器的数据融合权重，获得更加准确的感知数据。

Description

用于智能网联车辆控制器的多传感数据融合方法
技术领域
本发明涉及无人驾驶车辆控制领域，特别涉及一种用于智能网联车辆控制器的多传感数据融合方法。
背景技术
智能网联车辆是通过多种传感器进行环境信息采集，在接收到传感器数据后通过车辆控制器进行融合处理，最终形成环境感知数据，为保证车辆安全行驶提供决策依据。由于智能网联车辆在环境感知的过程中需要通过多种传感器的协同工作，不同传感器之间的数据融合一直是网联车辆的研究热点，现有的数据融合过程中，大多是根据传感器的等级确定该传感器采集的数据在融合过程中的使用权重，而传感器等级的划分是根据感器的类别进行提前预设的，因此，对应的传感器等级自始至终是固定不变的，导致传感器数据的使用权重在各种场景下都不会发生变化，在某些场景下，容易出现数据融合不准确，导致环境感知出现偏差的现象，最终影响控制器决策的正确性。
发明内容
为解决上述技术问题，本发明提出一种能够根据环境调节数据权重、确定最优融合数据集的用于智能网联车辆控制器的多传感数据融合方法。
本发明是通过以下方法实现的：用于智能网联车辆控制器的多传感数据融合方法，包括以下步骤：
S1：预设传感器的基础权重；
根据AHP分析法将每个传感器与其他传感器分别比较，判断传感器等级，在传感器等级判定过程中，比较因素主要包括：传感器精度、探测范围等，根据某一传感器所获取的数据相对其他传感器数据的重要性等级，对其进行赋值。
按照等级赋权对比，将第k个传感器与k+1、k+2等其他传感器一一对比得到获得多个赋权组成的权值矩阵U1。
通过计算权值矩阵U1的最大特征根，得到对应的特征向量，该特征向量即为该传感器的基础权重e1。
S2：对所有传感器采集到的传感器数据进行滤波修正；
滤波修正的具体步骤包括：
S201：数据集合采集；
假设能够监测到同一目标的车辆传感器数量为n,每个传感器测量次数为m，其中1≤k≤n，1≤i≤m，则第k个传感器第i次的测量数据记为f(k,i)，利用数据集ak表示第k个传感器获取的所有数据,ak＝{f(k,1),f(k,2),f(k,3)……f(k,i)……f(k,m)}。
S202：计算数据集合ak中每个数据f(k,i)出现的概率Pki；
根据概率密度函数，原始数据f(k,i)与第k个传感器第i次及i次之前的s个测量数据的均值
Figure GDA0003576138820000022
存在如下关系：
Figure GDA0003576138820000021
上式中，γ表示测量噪声标准差，不同传感器的测量噪声是不相同的，其确定需要根据已知目标的各种实际参数与传感器获得的参数进行比对和数据统计分析得出。初次确定可根据经验进行估值，后期随所采集的比对数据的增加逐步进行修正。初次估值可根据如下公式：
Figure GDA0003576138820000031
进一步计算第k个传感器第i次及i次之前的s个测量数据在数据集ak中出现的概率。
Figure GDA0003576138820000032
S203：根据原始测量数据f(k,i)及其在ak中出现的概率Pki对数据进行修正，得到修正后的数据f0(k,i)。
当采集到多个数据时，对上述数据进行修正，得到修正数据：
Figure GDA0003576138820000033
S3：确定传感器的有效数据融合集；
通过对传感器修正后的数据有效性进行判断，选取有效数据集合。
具体地，将同一传感器k获得的含有同一目标物体的测量数据进行修正后得到a0k，其中a0k包含多个测量数据，a0k＝{f0(k,1),f0(k,2),f0(k,3)……f0(k,i)}，
计算传感器k中的获取数据a0k中每个测量数据与a0k中其他测量数据的差值的绝对值Δlki，并进一步计算Δlki的均值EkΔlki，将EkΔlki称为传感器k的修正数据误差均值。
计算不同传感器的修正数据误差均值，得到多个传感器的修正数据误差均值后进一步求平均值得到数据融合基数λ，
数据融合基数λ是确定有效数据融合的标准常数。基数λ计算方法如下：
Figure GDA0003576138820000041
根据以上，修正数据误差均值EkΔlki<或＝λ时，该传感器的数据确定为可融合的有效数据。
S4：通过相似性测度获得动态权重值；
S401：计算传感器的杰卡德相似系数；
在本步骤中，通过杰卡德距离计算杰卡德相似系数，得到可变权重值。
获取第k个传感器相对第k+1个传感器的杰卡德相似系数R1。
Figure GDA0003576138820000042
上式中，G1、G2、G3表示元素的数量，其中元素的数量确认是按照如下方法：
将矩阵U2中的元素与比对矩阵U3相对应的元素数值进行比较，G1表示对应元素都是1的元素数量，G2表示矩阵U2中元素是1而矩阵U3中对应的元素是0的元素数量，G3表示矩阵U2中元素是0而矩阵U3中对应的元素是1的元素数量。
同样的，按照上述方法，得到第k个传感器相对第k+2个传感器的杰卡德相似系数R2。
S402：通过杰卡德相似系数获得传感器动态权重；
获取第k个传感器的n-1个相对杰卡德相似系数并计算平均值，得到第k个传感器的动态权重e2。由于在前述步骤中已经确定传感器的有效数据融合集，对于超出有效数据融合的标准常数的数据集合进行了筛选排除，因此在本步骤中的数据离散性较弱，标准差较小，可以采用杰卡德相似系数的平均值作为动态权重e2。
S5：计算传感器数据融合综合权重e，根据综合权重进行多传感器数据的加权融合，得到最终的融合数据；
计算综合权重e：
e＝c*e1+(1-c)e2
其中，c表示基础权重调整系数，根据传感器的特殊性和重要程度决定，一般情况下取值0.5，传感器数据类型越重要，其取值越大，e1表示基础权重，e2表示可变权重。
有益效果：本发明方法通过对获取的数据进行滤波修正，保证输入数据的准确性，进而通过有效数据的筛选减少了后期的计算量；本发明中采用的数据融合方法，数据权重包括基础权重和动态权重两部分，在不同的感知场景下，及时的调整不同传感器的数据融合权重，获得更加准确的感知数据，克服了现有技术中采用固定融合权重的数据融合弊端，本方法在不同环境下，能够充分发挥不同传感器的作用，在同种环境下，能够强化同质传感器的优势，使车辆具备更好的环境感知能力。
附图说明
图1为本发明的流程示意图。
具体实施方式
以下将结合实施例对发明方法进行清楚、完整地描述，显然，基于本发明中的方法，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有变化，都属于本发明保护的范围。
用于智能网联车辆控制器的多传感数据融合方法，包括以下步骤：
S1：预设传感器的基础权重；
具体地，包括以下步骤：
S101：根据AHP分析法将每个传感器与其他传感器分别比较，判断传感器等级，在传感器等级判定过程中，比较因素主要包括：传感器精度、探测范围等，根据某一传感器所获取的数据相对其他传感器数据的重要性等级，对其进行赋值。
假设将第k个传感器与第k+1个传感器进行对比，其重要性等级的划分及赋权如下：
Figure GDA0003576138820000061
Figure GDA0003576138820000071
在上述赋值表中，1<b1<b2<b3<b4<b5，0<b9<b8<b7<b6<1
按照上述等级赋权对比，将第k个传感器与k+1、k+2等其他传感器一一对比得到获得多个赋权组成的权值矩阵U1。
S102：计算基础权重；
通过计算权值矩阵U1的最大特征根，得到对应的特征向量，该特征向量即为该传感器的基础权重e1。
S2：对所有传感器采集到的传感器数据进行滤波修正；
滤波修正的具体步骤包括：
S201：数据集合采集；
假设能够监测到同一目标的车辆传感器数量为n,每个传感器测量次数为m，其中1≤k≤n，1≤i≤m，则第k个传感器第i次的测量数据记为f(k,i)，利用数据集ak表示第k个传感器获取的所有数据,ak＝{f(k,1),f(k,2),f(k,3)……f(k,i)……f(k,m)}。需要说明的是，在ak中会出现若干相同的测量数据，如：f(k,1)＝f(k,2)。
S202：计算数据集合ak中每个数据f(k,i)出现的概率Pki；
根据概率密度函数，原始数据f(k,i)与第k个传感器第i次及i次之前的s个测量数据的均值
Figure GDA0003576138820000073
存在如下关系：
Figure GDA0003576138820000072
上式中，γ表示测量噪声标准差，不同传感器的测量噪声是不相同的，其确定需要根据已知目标的各种实际参数与传感器获得的参数进行比对和数据统计分析得出。初次确定可根据经验进行估值，后期随所采集的比对数据的增加逐步进行修正。初次估值可根据如下公式：
Figure GDA0003576138820000081
在上式中，
Figure GDA0003576138820000082
表示根据极大似然估计算法计算的第k个传感器第i次及i次之前的s个测量数据的均值，其计算方法为：
Figure GDA0003576138820000083
进一步计算第k个传感器第i次及i次之前的s个测量数据在数据集ak中出现的概率。
Figure GDA0003576138820000084
S203：根据原始测量数据f(k,i)及其在ak中出现的概率Pki对数据进行修正，得到修正后的数据f0(k,i)；
当采集到多个数据时，对上述数据进行修正，得到修正数据：
Figure GDA0003576138820000085
S3：确定传感器的有效数据融合集；
通过对传感器修正后的数据有效性进行判断，选取有效数据集合。
具体地，将同一传感器k获得的含有同一目标物体的测量数据进行修正后得到a0k，其中a0k包含多个测量数据，a0k＝{f0(k,1),f0(k,2),f0(k,3)……f0(k,i)}，
计算传感器k中的获取数据a0k中每个测量数据与a0k中其他测量数据的差值的绝对值Δlki，并进一步计算Δlki的均值EkΔlki，将EkΔlki称为传感器k的修正数据误差均值。
计算不同传感器的修正数据误差均值，得到多个传感器的修正数据误差均值后进一步求平均值得到数据融合基数λ，
数据融合基数λ是确定有效数据融合的标准常数。基数λ计算方法如下：
Figure GDA0003576138820000091
当第k个传感器测量数据的修正数据误差均值EkΔlki大于λ时，该传感器数据超出有效数据融合的标准常数，因此不属于可融合的数据。
根据以上，修正数据误差均值EkΔlki<或＝λ时，该传感器的数据确定为可融合的有效数据。
S4：通过相似性测度获得动态权重值；
S401：计算传感器的杰卡德相似系数；
在本步骤中，通过杰卡德距离计算杰卡德相似系数，得到可变权重值。
杰卡德距离用两个集合中不同元素占所有元素的比例来衡量两个集合的区分度。具体地,将每个传感器每次采集的数据(指有效数据融合的标准常数以内的数据)与其他传感器在该次采集到的数据(指有效数据融合的标准常数以内的数据)进行对比，比对结果分别以1和0表示，其中以1代表相同，0代表不同，例如以第k个传感器和第k+1个传感器、第k+2个传感器进行对比说明，假设每个传感器总计进行3次测量，获得3个测量数据并根据前述步骤进行修正，第k个传感器获得的测量数据集合经修正后为ai＝{a1,a2,a3},第k+1个传感器获得的测量数据集合修正后为bi＝{b1,b2,b3},第k+2个传感器获得的测量数据集合修正后为di＝{d1,d2,d3},依次地，将第k个传感器第一次获得的数据(修正后)a1分别与b1、d1进行比较，第k个传感器第二次获得的数据(修正后)a2分别与b2、d2进行比较，将a3分别与b3、d3进行比较，并通过数字1或0输出比较结果，得到第k个传感器的比对矩阵U2，该比对矩阵包括了第k个传感器与其他所有传感器所有测量数据的比对结果，同样的，可以得到第k+1个传感器的比对矩阵U3、第k+2个传感器的比对矩阵U4。
获取第k个传感器相对第k+1个传感器的杰卡德相似系数R1。
Figure GDA0003576138820000101
上式中，G1、G2、G3表示元素的数量，其中元素的数量确认是按照如下方法：
将矩阵U2中的元素与比对矩阵U3相对应的元素数值进行比较，G1表示对应元素都是1的元素数量，G2表示矩阵U2中元素是1而矩阵U3中对应的元素是0的元素数量，G3表示矩阵U2中元素是0而矩阵U3中对应的元素是1的元素数量。
同样的，按照上述方法，得到第k个传感器相对第k+2个传感器的杰卡德相似系数R2。
进一步地，在本步骤的对比方法中，对于在步骤S3中出现的部分数据即超出有效数据融合的标准常数的数据，在进行对比的过程中，其对比结果均以0表示。
S402：通过杰卡德相似系数获得传感器动态权重；
获取第k个传感器的n-1个相对杰卡德相似系数并计算平均值，得到第k个传感器的动态权重e2。由于在前述步骤中已经确定传感器的有效数据融合集，对于超出有效数据融合的标准常数的数据集合进行了筛选排除，因此在本步骤中的数据离散性较弱，标准差较小，可以采用杰卡德相似系数的平均值作为动态权重e2，
进一步地，如有必要，可先将传感器的杰卡德相似系数进行归一化处理，再通过均值计算获取动态权重。
S5：计算传感器融合综合权重e，根据综合权重，对不同的传感器数据进行加权融合计算，得到多个传感器的融合数据；
计算综合权重e：
e＝c*e1+(1-c)e2
其中，c表示基础权重调整系数，根据传感器的特殊性和重要程度决定，一般情况下取值0.5，传感器数据类型越重要，其取值越大，e1表示基础权重，e2表示可变权重。根据每个传感器的综合权重，对不同的传感器数据进行加权融合计算，最终得到融合数据。
本发明方法通过对获取的数据进行滤波修正，保证输入数据的准确性，进而通过有效数据的筛选减少了后期的计算量；本发明中采用的数据融合方法，数据权重包括基础权重和动态权重两部分，在不同的感知场景下，及时的调整不同传感器的数据融合权重，获得更加准确的感知数据。

Claims (1)

1.用于智能网联车辆控制器的多传感数据融合方法，其特征是，包括以下步骤：
S1：预设传感器的基础权重；所述的S1中预设传感器的基础权重，包括：
S101：根据AHP分析法将每个传感器与其他传感器分别比较，判断传感器等级，根据某一传感器所获取的数据相对其他传感器数据的重要性等级，对其进行赋值得到权值矩阵U1；
S102：通过计算权值矩阵U1的最大特征根，得到对应的特征向量，该特征向量即为该传感器的基础权重e1；
S2：对所有传感器采集到的传感器数据进行滤波修正；
S3：确定传感器的有效数据融合集；
S4：通过相似性测度获得动态权重值；具体包括：
S401：计算传感器的杰卡德相似系数；
所述的S401包括：将每个传感器每次采集的数据与其他传感器在该次采集到的数据进行对比，得到多个比对矩阵，将比对矩阵中的对应元素进行比对，得到杰卡德相似系数,
S402：通过杰卡德相似系数获得传感器动态权重；
所述的S402包括：获取第k个传感器的n-1个相对杰卡德相似系数并计算平均值，得到第k个传感器的动态权重e2，其中n为传感器总数量；
S5：计算综合权重e，根据综合权重对不同的传感器数据进行加权融合计算，得到多个传感器的融合数据；所述的S5中综合权重e的计算方法为：
e＝c*e1+(1-c)e2
其中，c表示基础权重调整系数，根据传感器的特殊性和重要程度决定，e1表示基础权重，e2表示动态权重。
CN202010683438.XA 2020-07-16 2020-07-16 用于智能网联车辆控制器的多传感数据融合方法 Active CN112003891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010683438.XA CN112003891B (zh) 2020-07-16 2020-07-16 用于智能网联车辆控制器的多传感数据融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010683438.XA CN112003891B (zh) 2020-07-16 2020-07-16 用于智能网联车辆控制器的多传感数据融合方法

Publications (2)

Publication Number Publication Date
CN112003891A CN112003891A (zh) 2020-11-27
CN112003891B true CN112003891B (zh) 2022-09-06

Family

ID=73467344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010683438.XA Active CN112003891B (zh) 2020-07-16 2020-07-16 用于智能网联车辆控制器的多传感数据融合方法

Country Status (1)

Country Link
CN (1) CN112003891B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022115993A1 (en) * 2020-12-01 2022-06-09 Robert Bosch Gmbh Method and apparatus for tuning sensor fusion weights
CN113447671B (zh) * 2021-07-15 2022-09-23 中煤科工集团重庆研究院有限公司 基于高低频超声波的巷道断面风速检测方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3013834B1 (fr) * 2013-11-28 2015-12-25 Airbus Operations Sas Methode de fusion de donnees de capteurs utilisant un critere de coherence
CN103926564B (zh) * 2014-03-21 2016-08-24 成都民航空管科技发展有限公司 一种多源监视数据的融合方法及装置
CN105136264B (zh) * 2015-09-29 2017-09-22 北京万集科技股份有限公司 一种基于多站点联合称重的重量获取方法及装置、称重***
CN106408983B (zh) * 2016-10-10 2019-01-04 上海宏英智能科技有限公司 一种车辆自动驾驶***
US11429111B2 (en) * 2017-02-08 2022-08-30 Marquette University Robotic tracking navigation with data fusion
CN110020394B (zh) * 2017-08-01 2023-07-18 广州极飞科技股份有限公司 数据处理的方法及装置
CN108573270B (zh) * 2017-12-15 2020-04-28 上海蔚来汽车有限公司 使多传感器目标信息融合与多传感器感测同步的方法及装置、计算机设备和记录介质
CN108960334B (zh) * 2018-07-12 2021-09-14 中国人民解放军陆军炮兵防空兵学院郑州校区 一种多传感器数据加权融合方法
CN109784664A (zh) * 2018-12-20 2019-05-21 广东广业开元科技有限公司 一种基于动态权重的对外依存度计算方法、***及装置
CN109766958B (zh) * 2019-04-12 2019-07-05 江苏量动信息科技有限公司 一种用于数据融合的数据预处理方法及装置
CN110135952B (zh) * 2019-05-16 2022-07-19 深圳市梦网视讯有限公司 一种基于品类相似度的商品推荐方法和***
CN110389971A (zh) * 2019-06-28 2019-10-29 长春工程学院 一种基于云计算的多传感器数据融合方法
CN110324336B (zh) * 2019-07-02 2021-07-30 成都信息工程大学 一种基于网络安全的车联网数据态势感知方法和装置

Also Published As

Publication number Publication date
CN112003891A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN112003891B (zh) 用于智能网联车辆控制器的多传感数据融合方法
CN102393881B (zh) 一种实时多传感温度数据融合的高精度检测方法
CN117278643B (zh) 基于云边协同的车载云标定数据传输***
CN111951430B (zh) 一种车辆驾驶性评价方法及其***
CN117196353B (zh) 基于大数据的环境污染评估与监测方法及***
CN107111800B (zh) 基于对加权统计指标的分析的零件制造方法
CN116600104B (zh) 一种用于ipc网络摄像头的采相质量分析方法及***
CN110287537B (zh) 用于频标输出跳变检测的抗野值自适应卡尔曼滤波方法
CN112734858B (zh) 一种双目标定精度在线检测方法及装置
CN111967717A (zh) 一种基于信息熵值的数据质量评价方法
CN113935535A (zh) 一种面向中长期预测模型的主成分分析方法
CN109669849B (zh) 一种基于未确知深度理论的复杂***健康状态评估方法
CN117313020B (zh) 一种承载式张力传感器数据处理方法
CN116208152B (zh) 一种高精度模拟量采集装置及方法
CN107437112B (zh) 一种基于改进多尺度核函数的混合rvm模型预测方法
US20230214660A1 (en) Hybrid training method for self-learining algorithms
CN106018325B (zh) 一种评价汽油性质建模预测结果可信程度的方法
CN115526276A (zh) 一种具有鲁棒性的风洞天平校准载荷预测方法
CN113712245B (zh) 卷烟圆周精准控制方法
CN116184298A (zh) 一种电压互感器运行性能预测方法、***、设备和介质
CN112747773B (zh) 基于Allan方差和随机多项式提高陀螺仪精度的方法
CN114897772A (zh) 一种基于机器视觉的橡胶正硫化调控的方法
JP3035089B2 (ja) プロセスの特性推定方法およびその装置ならびにその推定方法を用いたプロセスの監視方法およびプロセスの制御方法
CN111415715A (zh) 一种基于多元光谱数据的智能校正方法、***及装置
CN117889945B (zh) 一种公路桥梁施工振动测试方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220705

Address after: 1406-1, floor 14, building a7-5, Hanyu Golden Valley, No. 7000, Jingshi Road, Jinan area, China (Shandong) pilot Free Trade Zone, Jinan, Shandong Province, 250101

Applicant after: SHANDONG PROMOTE ELECTROMECHANICAL TECHNOLOGY CO.,LTD.

Applicant after: Shandong netlink Intelligent Vehicle Industry Technology Research Institute Co.,Ltd.

Address before: 250100 No. 1406, 14th floor, Xinlian science and technology building, building a7-5, Hanyu Golden Valley, No. 7000, Jingshi Road, Jinan area, China (Shandong) pilot Free Trade Zone, Jinan, Shandong Province

Applicant before: Shandong netlink Intelligent Vehicle Industry Technology Research Institute Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A multi-sensor data fusion method for intelligent networked vehicle controllers

Effective date of registration: 20231019

Granted publication date: 20220906

Pledgee: Jinan Branch of Qingdao Bank Co.,Ltd.

Pledgor: SHANDONG PROMOTE ELECTROMECHANICAL TECHNOLOGY CO.,LTD.

Registration number: Y2023370000116