用于自动驾驶的多传感器后融合方法、电子设备及车辆技术

本说明书一个或多个实施例提供一种用于自动驾驶的多传感器后融合方法、电子设备及车辆。所述方法包括：获取车辆上不同类型的多个传感器采集的感知数据，并输入预先训练的融合模型；感知数据包括：目标物体位置、目标物体速度及目标物体尺寸；融合模型包括：输入层、卷积层、全连接层和输出层；在输入层，根据感知数据，生成感知数据的向量表示；在卷积层，对感知数据的向量表示进行卷积处理，生成第一特征数据；在全连接层，对第一特征数据进行特征提取，生成第二特征数据；在输出层，根据第二特征数据，生成融合感知数据，融合感知数据用于车辆的自动驾驶。本公开的方案能够实现实用性强，且准确、高效的多传感器后融合，提高自动驾驶的安全性。的安全性。的安全性。

【技术实现步骤摘要】
用于自动驾驶的多传感器后融合方法、电子设备及车辆


[0001]本说明书一个或多个实施例涉及自动驾驶
，尤其涉及一种用于自动驾驶的多传感器后融合方法、电子设备及车辆。

技术介绍

[0002]车辆在自动驾驶场景下，其对车辆的控制动作依赖于车载的传感器来对周围环境进行感知。自动驾驶环境复杂多变，极端情况下单传感器感知容易出现误检、漏检的情况，误检可能只造成误制动，影响乘车体验，而漏检则容易导致自动驾驶车辆识别不到目标，造成交通事故。为了减少误检、漏检的发生，应当增强车辆的感知能力，当前多传感器融合感知方案成为不二之选。
[0003]多传感器融合方案通过将不同传感器的优势进行互补，可以有效的提升自动驾驶车辆的感知能力。当单个传感器失效的情况下，其他传感器可以作为感知冗余，保持一定的感知能力，给安全员争取接管时间。总的来说，多传感器融合方案很好的提高了自动驾驶车辆的稳定性与安全性。所以，如何提供一种更准确、高效的多传感器融合方案，是目前亟待解决的问题。

技术实现思路

[0004]有鉴于此，本说明书一个或多个实施例的目的在于提出一种用于自动驾驶的多传感器后融合方法、电子设备及车辆。
[0005]基于上述目的，本说明书一个或多个实施例提供了一种用于自动驾驶的多传感器后融合方法，包括：
[0006]获取车辆上不同类型的多个传感器采集的感知数据，并输入预先训练的融合模型；其中，所述感知数据包括：多个所述传感器分别采集的目标物体位置、目标物体速度以及目标物体尺寸；所述融合模型包括：输入层、卷积层、全连接层和输出层；
[0007]在所述输入层，根据所述感知数据，生成所述感知数据的向量表示；
[0008]在所述卷积层，对所述感知数据的向量表示进行卷积处理，生成第一特征数据；
[0009]在所述全连接层，对所述第一特征数据进行特征提取，生成第二特征数据；
[0010]在所述输出层，根据所述第二特征数据，生成所述感知数据对应的融合感知数据，所述融合感知数据用于车辆的自动驾驶。
[0011]基于同一专利技术构思，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上任意一项所述的方法。
[0012]基于同一专利技术构思，本说明书一个或多个实施例还提供了一种车辆，包括：处理器和不同类型的多个传感器；
[0013]所述不同类型的多个传感器，被配置为采集得到感知数据；
[0014]所述处理器，被配置为执行如上任意一项所述的方法。
[0015]从上面所述可以看出，本说明书一个或多个实施例提供的用于自动驾驶的多传感器后融合方法、电子设备及车辆，通过基于卷积神经网络训练得到的融合模型，对车辆上不同类型的多个传感器采集的感知数据，进行后融合处理，融合得到的融合感知数据能够用于车辆的自动驾驶，实现了实用性强，且准确、高效的多传感器后融合，提高自动驾驶的安全性。
附图说明
[0016]为了更清楚地说明本说明书一个或多个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，下面描述中的附图仅仅是本说明书一个或多个实施例，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。
[0017]图1为本说明书一个或多个实施例的用于自动驾驶的多传感器后融合方法流程图；
[0018]图2为本说明书一个或多个实施例的融合模型结构示意图；
[0019]图3为本说明书一个或多个实施例的融合模型数据处理示意图；
[0020]图4为本说明书一个或多个实施例的融合模型训练方法流程图；
[0021]图5为本说明书一个或多个实施例的电子设备结构示意图。
具体实施方式
[0022]为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
[0023]需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
[0024]如
技术介绍
部分所述，车辆在自动驾驶场景下，应用多传感器融合方案是目前本领域内主流的发展方向。在现有技术中，多传感器融合方案分为两种，前融合和后融合。前融合，是指针对传感器原始数据做融合处理，其数据密集且维度高，时间空间统一难度大，深度特征提取难度大，开发周期长。而后融合，则是针对目标级数据做融合处理，数据维度低且稀疏，处理方法简单且灵活，开发周期短。然而，后融合方案虽然具有上述的诸多优点，但如何实现一种能够实际应用，且准确、高效的多传感器后融合方案，仍是本领域内面临的一项难题。
[0025]针对于上述现有技术存在的问题，本说明书一个或多个实施例提供了一种用于自动驾驶的多传感器后融合方法、电子设备及车辆，通过基于卷积神经网络训练得到的融合模型，对车辆上不同类型的多个传感器采集的感知数据，进行后融合处理，融合得到的融合
感知数据能够用于车辆的自动驾驶，实现了实用性强，且准确、高效的多传感器后融合，提高自动驾驶的安全性。
[0026]以下，通过具体的实施例进一步详细说明本公开的技术方案。
[0027]首先，本说明书一个或多个实施例提供了一种用于自动驾驶的多传感器后融合方法。参考图1，所述的用于自动驾驶的多传感器后融合方法，包括以下步骤：
[0028]步骤S101、获取车辆上不同类型的多个传感器采集的感知数据，并输入预先训练的融合模型；其中，所述感知数据包括：多个所述传感器分别采集的目标物体位置、目标物体速度以及目标物体尺寸；所述融合模型包括：输入层、卷积层、全连接层和输出层；
[0029]步骤S102、在所述输入层，根据所述感知数据，生成所述感知数据的向量表示；
[0030]步骤S103、在所述卷积层，对所述感知数据的向量表示进行卷积处理，生成第一特征数据；
[0031]步骤S104、在所述全连接层，对所述第一特征数据进行特征提取，生成第二特征数据；
[0032]步骤S105、在所述输出层，根据所述第二特征数据，生成所述感知数据对应的融合感知数据，所述融合感知数据用于车辆的自动驾驶。
[0033]本实施例中，车辆上不同类型的多个传感器，可以根据车辆在自动驾本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于自动驾驶的多传感器后融合方法，其特征在于，包括：获取车辆上不同类型的多个传感器采集的感知数据，并输入预先训练的融合模型；其中，所述感知数据包括：多个所述传感器分别采集的目标物体位置、目标物体速度以及目标物体尺寸；所述融合模型包括：输入层、卷积层、全连接层和输出层；在所述输入层，根据所述感知数据，生成所述感知数据的向量表示；在所述卷积层，对所述感知数据的向量表示进行卷积处理，生成第一特征数据；在所述全连接层，对所述第一特征数据进行特征提取，生成第二特征数据；在所述输出层，根据所述第二特征数据，生成所述感知数据对应的融合感知数据，所述融合感知数据用于车辆的自动驾驶。2.根据权利要求1所述的方法，其特征在于，还包括：获取训练用感知数据和初始的神经网络模型；对所述训练用感知数据进行数据增强，得到训练样本集；使用所述训练样本集对所述初始的神经网络模型进行训练，以得到所述融合模型。3.根据权利要求2所述的方法，其特征在于，所述使用所述训练集对所述初始的神经网络模型进行训练，以得到所述融合模型，具体包括：根据预先获取的先验知识构建损失函数，并以所述损失函数全局最低为训练目标训练所述初始的神经网络模型，以在训练结束时得到所述融合模型；其中，所述损失函数表示为：Loss＝λ
p
*abs(DiffPosition)+λ
v
*abs(DiffSpeed)+λ
s
*abs(DiffSize)上式中，Loss为所述损失函数，DiffPosition为目标物体位置差，DiffSpeed为目标物体速度差，DiffSize为目标物体尺寸差，abs()为取绝对值运算，λ
p
、λ<...

【专利技术属性】
技术研发人员：朱泽敏，谢勇波，王文明，朱田，彭之川，易慧斌，刘光伟，张智腾，刘修扬，张勇，李政颖，吴炳瑶，
申请(专利权)人：长沙中车智驭新能源科技有限公司，
类型：发明
国别省市：