数据融合方法、电子设备及存储介质技术

本公开实施例公开了一种数据融合方法方法、电子设备及存储介质。其中数据融合方法，包括：建立数据融合滤波模型，所述数据融合滤波模型包括主滤波器和多个局部滤波器；获取每个所述局部滤波器的权重系数；将所述权重系数与预设置的阈值进行比较，当所述权重系数小于阈值时，则将该权重系数对应的局部滤波器剔除数据融合滤波模型，所述主滤波器不对该局部滤波器进行反馈纠正，当所述权重系数大于阈值时，所述主滤波器对该权重系数对应的局部滤波器进行反馈纠正。实现在不同的传感器组合在不同环境下能够稳定可靠的输出感知结果，实现环境感知的自适应，增强系统的鲁棒性。

【技术实现步骤摘要】
数据融合方法、电子设备及存储介质
本公开属于自动驾驶
，更具体地，涉及一种数据融合方法方法、电子设备及存储介质。
技术介绍
自动驾驶的三大工作内容分别是环境感知、规划决策和执行控制。环境感知主要包括三个方面，路面、静态物体和动态物体。环境感知作为第一环节，处于智能驾驶车辆与外界环境信息交互的关键位置，其关键在于使智能驾驶车辆更好地模拟人类驾驶员的感知能力，从而理解自身和周边的驾驶态势。相机、雷达、定位导航系统等为智能驾驶车辆提供了海量的周边环境及自身状态数据，这些以图像、点云等形式呈现的数据包含了大量与驾驶活动无关的信息。选择性作为人类自然感知的重要特征，可以帮助智能驾驶车辆聚焦当前驾驶行为，确保智能驾驶的安全性和实时性。环境感知需要遵照近目标优先、大尺度优先、动目标优先、差异性优先等原则，采用相关感知技术对环境信息进行选择性处理。由于道路环境、天气环境的多样性、复杂性以及智能驾驶车辆本身的运动特性，没有完美的感知设备，设备不理想是常态，也不存在完美无缺的设备组合方案。然而对于不同的驾驶任务而言，需要不同的感知设备种类和类型，并非要配置最全、最多、最贵的感知设备才能完成驾驶任务，而是要以任务需求为导向，有针对性地选取合适的感知设备，组合实现优化配置。现有技术自动驾驶中的传感器单独工作，车辆在不同环境条件下使用时，因不同的传感器数据单独感知，从而存在不同环境下输出感知结果不够稳定可靠，且环境感知的自适应差，系统的鲁棒性差的问题。
技术实现思路
有鉴于此，本公开实施例提供了一种数据融合方法方法、电子设备及存储介质，至少解决不同环境下输出感知结果不够稳定可靠，且环境感知的自适应差，系统的鲁棒性差的问题。第一方面，本公开实施例提供了一种数据融合方法，包括：建立数据融合滤波模型，所述数据融合滤波模型包括主滤波器和多个局部滤波器；获取每个所述局部滤波器的权重系数；将所述权重系数与预设置的阈值进行比较，当所述权重系数小于阈值时，则将该权重系数对应的局部滤波器剔除数据融合滤波模型，所述主滤波器不对该局部滤波器进行反馈纠正，当所述权重系数大于阈值时，所述主滤波器对该权重系数对应的局部滤波器进行反馈纠正。可选的，所述获取每个所述局部滤波器的权重系数，包括：获取数据融合滤波模型各个输入子系统的预估可信度；基于所述预估可信度生成权重系数A；获取数据融合滤波模型运行时，输入子系统对应的自适应的权重系数B；将所述权重系数A和所述权重系数B进行加权平均，行的得到权重系数C。可选的，所述获取数据融合滤波模型各个输入子系统的预估可信度，包括：根据输入子系统的所处环境获取所述输入子系统不同状态下的可信度；基于不同状态下的可信性建立可信度列表。可选的，根据输入子系统的所处环境获取所述输入子系统不同状态下的可信度，还包括：将最好的状态和最差的状态之间做百分比。可选的，所述基于所述预估可信度生成权重系数A，包括：基于可信度列表获取多组权重系数；将多组权重系数按照加权统计进行计算，生成权重系数A。可选的，所述数据融合滤波模型为：联邦卡尔曼滤波模型。可选的，所述数据融合滤波模型的参考系统为IMU。第二方面，本公开实施例还提供了一种用于智能网联汽车的数据融合方法，包括：使用第一方面任一所述的数据融合方法对车载环境感知传感器获取的数据进行数据融合，得到第一数据融合结果；使用第一方面任一所述的数据融合方法车载V2X设备获取的数据进行数据融合，得到第二数据融合结果；使用第一方面任一所述的数据融合方法对第一数据融合结果和第二数据融合结果进行数据融合得到目标融合数据。第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：存储器，存储有可执行指令；处理器，所述处理器运行所述存储器中的所述可执行指令，以实现第一方面任一的数据融合方法。第四方面，本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现以实现第一方面任一的数据融合方法。本公开通过获取每个所述局部滤波器的权重系数，并将权重系数与设定的阈值相比较，对于权重系数小于阈值的局部滤波器，主滤波器不进行反馈纠正，权重系数大于阈值的局部滤波器，主滤波器才进行反馈纠正。从而融合多种传感器的数据，实现在不同的传感器组合在不同环境下能够稳定可靠的输出感知结果，实现环境感知的自适应，增强系统的鲁棒性。本公开的其它特征和优点将在随后具体实施方式部分予以详细说明。附图说明通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。图1示出了根据本公开的一个实施例的多传感器融合的流程图；图2示出了根据本公开的一个实施例的融合系统的结构框图；图3示出了根据本公开的一个实施例的数据融合方法的流程图；图4示出了根据本公开的一个实施例的联邦卡尔曼滤波模型的原理框图；图5示出了根据本公开的一个实施例的无反馈联邦卡尔曼滤波模型的原理框图；图6示出了根据本公开的一个实施例的传感器数据融合的原理框图；图7示出了根据本公开的一个实施例的传感器数据融合中权重系数分配的原理框图；图8示出了根据本公开的一个实施例的V2X数据融合的原理框图；图9示出了根据本公开的一个实施例的V2X数据融合中权重系数分配的原理框图；图10示出了根据本公开的一个实施例的目标数据融合的原理框图；图11示出了根据本公开的一个实施例的目标数据融合中权重系数分配的原理框图。具体实施方式下面将更详细地描述本公开的优选实施方式。虽然以下描述了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。传感器感知领域存在着以下几大挑战：1、在恶劣天气条件下(如雪，大雨和雾)的感知：在极端恶劣天气条件下的感知是如今自动驾驶感知领域所面临的一个重要挑战。因为即使对于人类驾驶员来说，这些情景也是十分具有挑战性的。在白雪皑皑的条件下，无论是基于视觉的系统还是基于LiDAR的系统都存在感知困难。雪的“沉重感”或密度会影响激光雷达光束的反射效果，产生“幻影障碍(Phantomobstacles)”。这些“幻影障碍”可以抑制自动驾驶车辆正确判断环境的能力，并可能导致车辆误停。在多雨或多雾的条件下，会出现类似的不同情况。飞溅的雨水会影响激光雷达的反射效果，雾可能会遮挡摄像机的视线，从而抑制了可靠地感知车辆周围环境的能力。雷达通常在恶劣天气条件下表现良好。但是，由于雷达无法执行稳健的分类和检测道路标记，自动驾驶不能完全依赖雷达来感知。视觉算法的改进是一条潜在的解决方案。因为人类可以只用眼睛进行本文档来自技高网...

【技术保护点】
1.一种数据融合方法，其特征在于，包括：/n建立数据融合滤波模型，所述数据融合滤波模型包括主滤波器和多个局部滤波器；/n获取每个所述局部滤波器的权重系数；/n将所述权重系数与预设置的阈值进行比较，当所述权重系数小于阈值时，则将该权重系数对应的局部滤波器剔除数据融合滤波模型，所述主滤波器不对该局部滤波器进行反馈纠正，/n当所述权重系数大于阈值时，所述主滤波器对该权重系数对应的局部滤波器进行反馈纠正。/n

【技术特征摘要】
1.一种数据融合方法，其特征在于，包括：
建立数据融合滤波模型，所述数据融合滤波模型包括主滤波器和多个局部滤波器；
获取每个所述局部滤波器的权重系数；
将所述权重系数与预设置的阈值进行比较，当所述权重系数小于阈值时，则将该权重系数对应的局部滤波器剔除数据融合滤波模型，所述主滤波器不对该局部滤波器进行反馈纠正，
当所述权重系数大于阈值时，所述主滤波器对该权重系数对应的局部滤波器进行反馈纠正。


2.根据权利要求1所述的数据融合方法，其特征在于，所述获取每个所述局部滤波器的权重系数，包括：
获取数据融合滤波模型各个输入子系统的预估可信度；
基于所述预估可信度生成权重系数A；
获取数据融合滤波模型运行时，输入子系统对应的自适应的权重系数B；
将所述权重系数A和所述权重系数B进行加权平均，行的得到权重系数C。


3.根据权利要求2所述的数据融合方法，其特征在于，所述获取数据融合滤波模型各个输入子系统的预估可信度，包括：
根据输入子系统的所处环境获取所述输入子系统不同状态下的可信度；
基于不同状态下的可信性建立可信度列表。


4.根据权利要求3所述的数据融合方法，其特征在于，根据输入子系统的所处环境获取所述输入子系统不同状态下的可信度，还包括：
将最好的状态和最差的状态之间做百分比。

【专利技术属性】
技术研发人员：宋聚宝，原诚寅，
申请(专利权)人：北京新能源汽车技术创新中心有限公司，
类型：发明
国别省市：北京;11