一种无人设备数据处理的方法及装置制造方法及图纸

本说明书公开了一种无人设备数据处理的方法及装置，获取各数据集，数据集包括无人设备采集的传感器数据以及状态数据。再将各数据集中的传感器数据以及状态数据输入到待调整的定位模型中，确定无人设备的估计轨迹。其次，确定估计轨迹与无人设备的轨迹真值之间在各预设数据维度下的数据偏差，以及确定定位模型在确定估计轨迹时的鲁棒数据。而后，根据数据偏差以及鲁棒数据，确定定位模型在各数据集对应的各项模型指标。最后，根据各项模型指标，确定针对定位模型的模型调整策略，并根据调整策略，对定位模型进行调整。本方法可以通过定位模型在多个维度的模型指标，来判断定位模型在实际应用时的好坏，以提高确定出的定位模型的好坏的准确性。好坏的准确性。好坏的准确性。

【技术实现步骤摘要】
一种无人设备数据处理的方法及装置


[0001]本说明书涉及计算机
，尤其涉及一种无人设备数据处理的方法及装置。

技术介绍

[0002]视觉惯性里程计(Visual Inertial Odometry，VIO)算法是一种融合相机和惯性测量单元(Inertial measurement unit，IMU)信息，计算设备在空间中位姿的算法，被广泛应用于自动驾驶、增强现实等领域。
[0003]在实际应用中，为了判断VIO算法在应用时的好坏，通常是将估计轨迹上的无人设备在每个时刻对应的位姿与真实轨迹上的无人设备在每个时刻对应的位姿之间的差值，作为判断VIO算法在实际应用时的好坏的依据。而仅根据估计轨迹与真实轨迹之间的位姿的偏差，可能导致确定出的VIO算法的好坏的准确性较低。
[0004]因此，如何能够提高确定出的VIO算法的好坏的准确性，则是一个亟待解决的问题。

技术实现思路

[0005]本说明书提供一种无人设备数据处理的方法及装置，以部分的解决现有技术存在的上述问题。
[0006]本说明书采用下述技术方案：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人设备数据处理的方法，其特征在于，所述方法应用于无人驾驶领域，包括：获取各数据集，所述数据集包括无人设备采集的传感器数据以及状态数据；将各数据集中的传感器数据以及状态数据输入到待调整的定位模型中，确定所述无人设备的估计轨迹；确定所述估计轨迹与所述无人设备的轨迹真值之间在各预设数据维度下的数据偏差，以及确定所述定位模型在确定所述估计轨迹时的鲁棒数据，所述鲁棒数据用于反映所述定位模型在确定所述无人设备的估计轨迹的过程中，不参考所述无人设备采集的传感器数据的情况；根据所述数据偏差以及所述鲁棒数据，确定所述定位模型在各数据集对应的各项模型指标；根据所述各项模型指标，确定针对所述定位模型的模型调整策略，并根据所述调整策略，对所述定位模型进行调整。2.如权利要求1所述的方法，其特征在于，确定所述估计轨迹与所述无人设备的轨迹真值之间在各预设数据维度下的数据偏差，具体包括：针对每个时刻，确定在所述估计轨迹中所述无人设备在该时刻对应的位姿信息，与在所述轨迹真值中所述无人设备在该时刻对应的位姿信息之间的位姿偏差，作为该时刻对应的位姿偏差；针对每个预设的时间段，确定在所述估计轨迹中所述无人设备在该时间段的位姿变化量，与在所述轨迹真值中所述无人设备在该时间段的位姿变化量之间的位姿变化量偏差，作为该时间段对应的位姿变化量偏差；根据每个时间对应的位姿偏差，以及每个时间段对应的位姿变化量偏差，确定所述估计轨迹与所述轨迹真值之间在位姿维度下的数据偏差。3.如权利要求1或2所述的方法，其特征在于，确定所述估计轨迹与所述轨迹真值之间在各预设数据维度下的数据偏差，具体包括：根据基于所述轨迹真值确定出的世界坐标系下所述无人设备的行驶速度以及位姿信息，确定以所述无人设备为坐标原点的设备坐标系下，所述无人设备的真实行驶速度；确定基于所述估计轨迹确定出的所述设备坐标系下所述无人设备的行驶速度，与所述真实行驶速度之间的速度偏差；根据所述速度偏差，确定所述估计轨迹与所述轨迹真值之间在速度维度下的数据偏差。4.如权利要求1所述的方法，其特征在于，确定所述定位模型在确定所述估计轨迹时的鲁棒数据，具体包括：确定所述定位模型在确定所述无人设备的估计轨迹的过程中，不参考所述无人设备采集的传感器数据的次数，作为数据跳过次数；根据所述数据跳过次数，确定所述定位模型在确定所述估计轨迹时的鲁棒数据，其中，若是所述数据跳过次数越大，所述定位模型在确定所述估计轨迹时所基于的传感器数据处理算法的鲁棒性越差。5.如权利要求1所述的方法，其特征在于，确定所述定位模型在确定所述估计轨迹时的鲁棒数据，具体包括：
确定所述定位模型在确定所述估计轨迹时，跳过符合预设条件的连续的传感器数据，并重新选择用于确定所述无人设备估计轨迹的传感器数据的次数，作为数据重置次数；根据所述数据重置次数，确定所述定位模型在确定所述估计轨迹时的鲁棒数据，其中，若是所述数据重置次数越大，所述定位模型在确定所述估计轨迹时所基于的传感器数据处理算法的鲁棒性越差。6.如权利要求1所述的方法，其特征在于，确定所述定位模型在确定所述估计轨迹时的鲁棒数据，具体包括：针对每个时刻，根据所述估计轨迹中该时刻对应的轨迹点，以及位于该时刻之前的其他时刻对应的轨迹点，确定所述定位模型在确定所述无人设备在该时刻对应的轨迹点的置信度，作为该时刻对应的置信度；根据各个时刻对应的置信度，确定所述定位模型在确定所述估计轨迹时的鲁棒数据。7.如权利要求1所述的方法，其特征在于，在确定所述定位模型在确定所述估计轨迹时的鲁棒数据之前，所述方法还包括：确定所述定位模型在确定所述无人设备的估计轨迹的过程中所涉及的各计算时长以及资源消耗量；根据所述各计算时长以及所述资源消耗量，确定所述定位模型在确定所述估计轨迹时的模型运算信息；根据所述数据偏差以及所述鲁棒数据，确定所述定位模型在各数据集对应的各项模型指标，具体包括：根据所述数据偏差、所述鲁棒数据以及所述模型运算信息，确定所述定位模型在各数据集对应的各项模型指标。8.如权利要求7所述的方法，其特征在于，根据所述各计算时长以及所述资源消耗量，确定所述定位模型确定所述估计轨迹时的模型运算信息，具体包括：将所述定位模型在确定所述无人设备的估计轨迹的过程中涉及的各计算时长，按照时长从小到大的顺序进行排列，得到时长排序结果；从所述时长排序结果中，确定出位于设定排位之后的计算时长；根据确定出的位于设定排位之后的计算时长，以及所述资源消耗量，确定所述模型运算信息。9.如权利要求1所述的方法...

【专利技术属性】
技术研发人员：胡君，郎小明，臧波，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：