本发明专利技术提供了一种多传感器数据融合的参数优化方法及装置，涉及自动化的技术领域，该方法包括：获取包括多传感器数据的训练数据集，基于训练数据集生成测量矩阵；根据测量矩阵和预先设置的迭代次数对卡尔曼滤波参数进行迭代训练，得到目标卡尔曼滤波参数；基于目标卡尔曼滤波参数对多传感器的测量值进行融合计算。本发明专利技术提供的多传感器数据融合的参数优化方法及装置，能够得到较为合理的卡尔曼滤波参数，提高了对复杂场景的适用性，在对多传感器的测量值进行融合计算时，能够有效降低数据波动对融合结果的影响，提高传感器检测的准确性。确性。确性。
【技术实现步骤摘要】
多传感器数据融合的参数优化方法及装置
[0001]本专利技术涉及自动化
，尤其是涉及一种多传感器数据融合的参数优化方法及装置。
技术介绍
[0002]L4级自动驾驶通常指的是高度自动化的自动驾驶，通常，是指在限定的道路和环境中可由无人操作的自动驾驶系统完成所有驾驶操作，因此，在该场景下，自动驾驶系统对车辆感知性能提出了更为严苛的要求，单一传感器已无法满足城市道路场景下复杂的环境信息感知需求。因此，使用多传感器融合的技术方案成为各研究机构普遍的努力方向。
[0003]目前，车辆上常用的传感器包括激光雷达(LIDAR)、毫米波雷达(Radar)、视觉传感器(Camera)和超声波传感器(Ultrasonic)等，其中，激光雷达具有探测精度准、分辨率高、响应速度快、抗干扰力强等优点，能够准确得到障碍物外形尺寸，通过对障碍物进行跟踪后，能准确地得到障碍物速度朝向，可以作为障碍物外形轮廓、障碍物位置和速度朝向的依据。毫米波雷达分辨率高，抗干扰能力强，能准确测量障碍物径向速度，在多传感器融合方案中，可以作为障碍物测速的主要依据。视觉传感器，包括摄像机等，其所采集的信息量丰富，在视野范围内可同时实现道路检测、车辆检测、行人检测、交通标志检测、交通信号灯检测等，可以作为检测障碍物类型判断的主要依据。
[0004]对于上述多传感器系统，多采用卡尔曼滤波技术来进行障碍物跟踪，能够有效过滤系统噪声，但是，多传感器数据差异性大，因此，往往导致传感器检测不准确，影响行车安全。
技术实现思路
[0005]有鉴于此，本专利技术的目的在于提供一种多传感器数据融合的参数优化方法及装置，以缓解上述技术问题。
[0006]第一方面，本专利技术实施例提供了一种多传感器数据融合的参数优化方法，包括：获取包括多传感器数据的训练数据集，基于所述训练数据集生成测量矩阵；根据所述测量矩阵和预先设置的迭代次数对卡尔曼滤波参数进行迭代训练，得到目标卡尔曼滤波参数，其中，所述卡尔曼滤波参数包括系统协方差矩阵和测量协方差矩阵；基于所述目标卡尔曼滤波参数对所述多传感器的测量值进行融合计算。
[0007]优选地，在一种可能的实施方式中，上述基于所述训练数据集生成测量矩阵的步骤包括：从所述训练数据集中提取包含障碍物信息的单传感器数据；其中，所述单传感器数据至少包括以下传感器对障碍物的测量信息：激光雷达传感器、毫米波雷达传感器以及视觉传感器；按照时间顺序对提取到的每一帧所述单传感器数据进行排序，生成该帧对应的测量矩阵，多帧对应的所述测量矩阵组成测量矩阵集。
[0008]优选地，在一种可能的实施方式中，上述根据所述测量矩阵和预先设置的迭代次数对卡尔曼滤波参数进行迭代训练，得到目标卡尔曼滤波参数的步骤包括：根据当前帧对
应的所述测量矩阵计算所述系统协方差矩阵和所述测量协方差矩阵的似然性；判断当前帧的似然性与前一帧的似然性的差值是否小于预先设置的差值阈值；如果是，则确定迭代完成；如果否，更新当前帧的系统协方差矩阵和测量协方差矩阵，继续计算更新后的所述系统协方差矩阵和所述测量协方差矩阵的似然性，直至与前一帧的似然性的差值小于预先设置的差值阈值，或者，所述迭代次数达到预先设置的迭代阈值，则确定迭代完成；将迭代完成后对应的所述系统协方差矩阵和所述测量协方差矩阵确定为所述目标卡尔曼滤波参数。
[0009]优选地，在一种可能的实施方式中，上述按照下述公式计算所述系统协方差矩阵和所述测量协方差矩阵的似然性：
[0010][0011][0012]其中，like表示似然性，k为当前多传感器数据的索引，n为总共的多传感器数据的帧数，H为观测矩阵，P-为先验估计协方差矩阵，Pk为后验估计协方差矩阵，R为测量协方差矩阵，Q为系统协方差矩阵，Y为测量矩阵，X为状态矩阵，F为状态转移矩阵；以及，按照下述公式更新当前帧的系统协方差矩阵和测量协方差矩阵：
[0013][0014]其中，P
cs
是综合估计得到的系统协方差矩阵。
[0015]优选地，在一种可能的实施方式中，上述基于所述目标卡尔曼滤波参数对所述多传感器的测量值进行融合计算的步骤包括：获取所述多传感器的测量值中每个单传感器对目标障碍物的追踪信息；所述追踪信息包括所述目标障碍物的运动速率和运动方向；根据预设的适用条件，以及所述每个单传感器对目标障碍物的追踪信息计算每个所述单传感器的伪测量值；基于所述目标卡尔曼滤波参数对每个所述单传感器的伪测量值进行融合计算。
[0016]优选地，在一种可能的实施方式中，上述根据预设的适用条件，以及所述每个单传感器对目标障碍物的追踪信息计算每个所述单传感器的伪测量值的步骤包括：对于所述激光雷达传感器，如果所述目标障碍物的运动速率收敛之后，计算所述激光雷达传感器的测量值与前一帧时刻所述毫米波雷达传感器的测量值的差异；如果所述运动速率的差异和所述运动方向的差异都小于设定阈值，则将所述激光雷达传感器测量的所述目标障碍物的运动方向切换为所述毫米波雷达传感器测量的所述目标障碍物的运动方向。
[0017]优选地，在一种可能的实施方式中，上述根据预设的适用条件，以及所述每个单传感器对目标障碍物的追踪信息计算每个所述单传感器的伪测量值的步骤包括：对于所述毫米波雷达传感器，如果匹配的最近前三帧所述激光雷达传感器测量的目标障碍物的运动速
率收敛，且对所述目标障碍物的跟踪时长超过设定时间阈值，则计算所述激光雷达传感器的测量值与当前帧时刻所述毫米波雷达传感器的测量值的差异；如果所述运动速率的差异和所述运动方向的差异中任意一个大于设定阈值，则将所述毫米波雷达传感器测量的所述目标障碍物的运动速率切换为所述激光雷达传感器测量的所述目标障碍物的运动速率。
[0018]优选地，在一种可能的实施方式中，上述根据预设的适用条件，以及所述每个单传感器对目标障碍物的追踪信息计算每个所述单传感器的伪测量值的步骤包括：对于所述视觉传感器，获取前一帧时刻所述激光雷达传感器的测量值；如果所述目标障碍物的运动速率收敛，且对所述目标障碍物的跟踪时长超过设定时间阈值，则获取前一帧时刻所述毫米波雷达传感器的测量值；计算前一帧时刻所述激光雷达传感器与所述毫米波雷达传感器的测量值的差异；如果所述运动速率的差异和所述运动方向的差异都小于设定阈值，则将所述激光雷达传感器测量的所述目标障碍物的运动方向确定为所述目标障碍物的运动方向，以及，将所述毫米波雷达传感器测量的所述目标障碍物的运动速率确定为所述目标障碍物的运动速率。
[0019]优选地，在一种可能的实施方式中，上述根据预设的适用条件，以及所述每个单传感器对目标障碍物的追踪信息计算每个所述单传感器的伪测量值的步骤，还包括：如果前一帧时刻所述激光雷达传感器测量的所述目标障碍物的运动速率未收敛，则获取前一帧时刻所述毫米波雷达传感器的测量值；当所述毫米波雷达传感器对所述目标障碍物的跟踪时长超过设定时间阈值时，计算所述毫米波雷达传感器侧量的所述目标障碍物的运动方向与当前所述毫米波雷达传感器的载体的前进方向的方向差异；所述方向差异小于预设本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种多传感器数据融合的参数优化方法，其特征在于，包括：获取包括多传感器数据的训练数据集，基于所述训练数据集生成测量矩阵；根据所述测量矩阵和预先设置的迭代次数对卡尔曼滤波参数进行迭代训练，得到目标卡尔曼滤波参数，其中，所述卡尔曼滤波参数包括系统协方差矩阵和测量协方差矩阵；基于所述目标卡尔曼滤波参数对所述多传感器的测量值进行融合计算。2.根据权利要求1所述的方法，其特征在于，基于所述训练数据集生成测量矩阵的步骤包括：从所述训练数据集中提取包含障碍物信息的单传感器数据；其中，所述单传感器数据至少包括以下传感器对障碍物的测量信息：激光雷达传感器、毫米波雷达传感器以及视觉传感器；按照时间顺序对提取到的每一帧所述单传感器数据进行排序，生成该帧对应的测量矩阵，多帧对应的所述测量矩阵组成测量矩阵集。3.根据权利要求1所述的方法，其特征在于，根据所述测量矩阵和预先设置的迭代次数对卡尔曼滤波参数进行迭代训练，得到目标卡尔曼滤波参数的步骤包括：根据当前帧对应的所述测量矩阵计算所述系统协方差矩阵和所述测量协方差矩阵的似然性；判断当前帧的似然性与前一帧的似然性的差值是否小于预先设置的差值阈值；如果是，则确定迭代完成；如果否，更新当前帧的系统协方差矩阵和测量协方差矩阵，继续计算更新后的所述系统协方差矩阵和所述测量协方差矩阵的似然性，直至与前一帧的似然性的差值小于预先设置的差值阈值，或者，所述迭代次数达到预先设置的迭代阈值，则确定迭代完成；将迭代完成后对应的所述系统协方差矩阵和所述测量协方差矩阵确定为所述目标卡尔曼滤波参数。4.根据权利要求3所述的方法，其特征在于，按照下述公式计算所述系统协方差矩阵和所述测量协方差矩阵的似然性：所述测量协方差矩阵的似然性：其中，like表示似然性，k为当前多传感器数据的索引，n为总共的多传感器数据的帧数，H为观测矩阵，P-为先验估计协方差矩阵，Pk为后验估计协方差矩阵，R为测量协方差矩阵，Q为系统协方差矩阵，Y为测量矩阵，X为状态矩阵，F为状态转移矩阵；以及，按照下述公式更新当前帧的系统协方差矩阵和测量协方差矩阵：
其中，P
cs
是综合估计得到的系统协方差矩阵。5.根据权利要求2所述的方法，其特征在于，基于所述目标卡尔曼滤波参数对所述多传感器的测量值进行融合计算的步骤包括：获取所述多传感器的测量值中每个单传感器对目标障碍物的追踪信息；所述追踪信息包括所述目标障碍物的运动速率和运动方向；根据预设的适用条件，以及所述每个单传感器对目标障碍物的追踪信息计算每个所述单传感器的伪测量值；基于所述目标卡尔曼滤波参数对每个所述单传感器的伪测量值进行融合计算。6.根据权利要求5所述的方法，其特征在于，根据预设的适用条件，以及所述每个单传感器对目标障碍物的追踪信息计算每个所述单传感器的伪测量值的步骤包括：对于所述激光雷达传感器，如果所述目标障碍物的运动速...
【专利技术属性】
技术研发人员：杨福威，韩志华，史院平，张旭，王启亮，黄文欢，张宇，
申请(专利权)人：苏州挚途科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。