【技术实现步骤摘要】
一种基于多传感器融合和深度学习模型道路信息生成方法
[0001]本专利技术涉及
，更具体地，涉及一种基于多传感器融合和深度学习模型道路信息生成方法。
技术介绍
[0002]随着自动驾驶、深度学习等领域的发展，对于数据的处理能力不断提升，车辆也会集成越来越多种传感器，不同传感器具有不同的优点和缺点，因此多传感器数据融合并提供定位等信息可以最大程度的保证精确度，提高冗余性，使相关操作更安全。
[0003]在本专利技术技术之前，进行道路信息融合的方法，主要分为两种：一种为数据层面融合，使数据具有关联性，但提取的信息层次低；还有一些算法基于不同模型处理后使用多种卡尔曼滤波方法实现决策层融合，不能充分的利用各传感器的数据，存在数据关联性低的问题，且成熟的方法较少。而在特征层融合可以使数据更多交互，同时可以更好把握全局信息，也是我们关注的重点。
技术实现思路
[0004]鉴于上述问题，本专利技术提出了一种基于多传感器融合和深度学习模型道路信息生成方法，通过针对不同传感器的特点设置多传感器融合模型，在环境允许...
【技术保护点】
【技术特征摘要】
1.一种基于多传感器融合和深度学习模型道路信息生成方法，其特征在于，该方法包括：设置融合模式，判断是否启动融合算法生成为融合启动命令；当所述融合启动命令为启动时，进行光照强度判断，当大于预设强度指标时，发出第一融合命令，否则发出第二融合命令；在收到所述第一融合命令后，获取通过第一融合模型计算输出边界；在收到所述第二融合命令后，判断是否需要联合解算，需要联合解算时，则通过第二融合模型计算输出边界；不需要联合解算时，则生成第二数据处理模型计算输出边界；当所述融合启动命令为不启动时，进行自适应最优方法选择，并依次通过第一数据处理模型、第二数据处理模型和第三数据处理模型生成输出边界。2.如权利要求1所述的一种基于多传感器融合和深度学习模型道路信息生成方法，其特征在于，所述设置融合模式，判断是否启动融合算法生成为融合启动命令，具体包括：启动所有的传感器；判断当前的光照强度，并记录所述光照强度对应的光照强度计数值；判断所述光照强度计数值是否满足第一计算公式，若满足则表明光照过强，摄像头可能存在较多的误差，因此不允许工作，将所述融合启动命令设置为不启动，否则继续运行；判断所述光照强度计数值是否满足第二计算公式，若满足则摄像头可以正常工作，但强度仍较大，结构光无法正常工作，将所述融合启动命令设置为不启动，否则继续运行；判断所述光照强度计数值是否满足第三计算公式，若满足则所有传感设备都可以工作，将所述融合启动命令设置为启动，否则继续运行；判断所述光照强度计数值是否满足第四计算公式，若满足则此时光照较差，不利于摄像头工作，结构光更适合启用，将所述融合启动命令设置为不启动，否则继续运行；所述第一计算公式为：J>Y3其中，J为所述光照强度计数值，Y3为第三光照强度阈值；所述第二计算公式为：Y3≥J>Y2其中，Y2为第二光照强度阈值；所述第三计算公式为：Y2≥J>Y1其中，Y1为第一光照强度阈值；所述第四计算公式为：Y1≥J其中，所述第三光照强度阈值大于所述第二光照强度阈值，所述第二光照强度阈值大于所述第一光照强度阈值。3.如权利要求1所述的一种基于多传感器融合和深度学习模型道路信息生成方法，其特征在于，所述当所述融合启动命令为启动时，进行光照强度判断，当大于预设强度指标时，发出第一融合命令，否则发出第二融合命令，具体包括：
判断当前的光照强度计数值是否达到预设的融合裕度；当达到时，则发出所述第一融合命令，若未到达则发出所述第二融合命令。4.如权利要求1所述的一种基于多传感器融合和深度学习模型道路信息生成方法，其特征在于，所述在收到所述第一融合命令后，获取通过第一融合模型计算输出边界，具体包括：在收到所述第一融合命令后，启动激光雷达和摄像头算法；获取数据作为第一基础数据；对所述第一基础数据进行数据校正，获得第一校正数据；对所述第一校正数据输入预处理模型，生成预处理之后的第一源数据，其中所述预处理模型为对于不同数据使用深度学习网络进行特征提取；根据所述第一源数据根据融合模型生成第一类型输出边界数据的计算。5.如权利要求4所述的一种基于多传感器融合和深度学习模型道路信息生成方法，其特征在于，所述在收到所述第二融合命令后，判断是否需要联合解算...
【专利技术属性】
技术研发人员：陈辉，王亚东，
申请(专利权)人：北京中科东信科技有限公司，
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。