多传感器数据中障碍物关联方法、装置及电子设备制造方法及图纸

本发明专利技术涉及多传感器数据融合领域，具体涉及一种多传感器数据中障碍物关联方法、装置及电子设备。包括：获取当前时刻传感器数据，并获取历史融合跟踪障碍物；预测各个历史融合跟踪障碍物的预测位置；确定历史融合跟踪障碍物中与观测障碍物中障碍物标识信息相同的第一障碍物，将第一障碍物进行关联；根据各个历史融合跟踪障碍物的预测位置，计算俯视视角下各个观测障碍物中和各个历史融合跟踪障碍物之间的欧式距离代价矩阵，使用匈牙利匹配算法进行关联，更新关联结果；再根据各个历史融合跟踪障碍物的预测位置，在透视投影视角下将雷达障碍物与摄像头障碍物进行关联，更新关联结果。保证了关联结果的准确性，进而保证了驾驶的安全性。全性。全性。

【技术实现步骤摘要】
多传感器数据中障碍物关联方法、装置及电子设备


[0001]本专利技术涉及多传感器数据融合领域，具体涉及一种多传感器数据中障碍物关联方法、装置及电子设备。

技术介绍

[0002]当前自动驾驶中常采用多传感器融合技术来弥补单一传感器的性能缺陷，该技术主要包含了多传感器数据关联模块和状态更新模块。其中数据关联模块的作用是建立不同传感器跟踪结果间的联系，为后续状态更新模块提供数据来源。
[0003]目前常采用的数据关联方案是计算3D俯视视角中进行欧式或马氏距离代价矩阵，再利用匈牙利匹配算法对目标进行关联。也有将3D障碍物投影到像素坐标系后，在2D图像上设置代价矩阵，进行关联匹配。
[0004]然而，上述方法计算得到的代价矩阵均不太全面，且存在代价矩阵计算错误的情况，导致存在障碍物关联不上，或者误关联的情况，从而导致存在驾驶隐患。

技术实现思路

[0005]有鉴于此，本专利技术实施例提供了一种多传感器数据中障碍物关联方法，旨在解决现有技术中，多传感器数据中障碍物关联不准确，导致存在驾驶隐患的问题。
[0006]根据第一方面，本专利技术实施例提供了一种多传感器数据中障碍物关联方法，包括：
[0007]获取当前时刻传感器数据，并获取历史融合跟踪障碍物；历史融合跟踪障碍物用于表征对上一时刻历史传感器数据中的障碍物进行关联后的障碍物；
[0008]利用预设预测方法预测各个历史融合跟踪障碍物在预设时间段内的预测位置；
[0009]当当前时刻传感器数据为当前时刻雷达传感器数据时，将当前时刻雷达传感器数据中的观测障碍物与历史融合跟踪障碍物进行对比，确定历史融合跟踪障碍物中与观测障碍物中障碍物标识信息相同的第一障碍物，并将第一障碍物进行关联；
[0010]当观测障碍物中的未关联障碍物的数量大于零，且历史融合跟踪障碍物中的未关联障碍物的数量也大于零时，根据各个历史融合跟踪障碍物中的未关联障碍物在预设时间段内的预测位置，计算俯视视角下各个观测障碍物中的未关联障碍物和各个历史融合跟踪障碍物中的未关联障碍物之间的欧式距离代价矩阵，基于欧式距离代价矩阵，使用匈牙利匹配算法进行关联，更新关联结果；
[0011]当观测障碍物中的未关联障碍物的数量大于零，且历史融合跟踪障碍物中未关联障碍物的数量也大于零时，根据各个历史融合跟踪障碍物中的未关联障碍物在预设时间段内的预测位置，在透视投影视角下将观测障碍物中的未关联障碍物和历史融合跟踪障碍物中未关联障碍物中的雷达障碍物与观测障碍物中的未关联障碍物和历史融合跟踪障碍物中未关联障碍物中的摄像头障碍物进行关联，更新关联结果。
[0012]本专利技术实施例提供的多传感器数据中障碍物关联方法，获取当前时刻传感器数据，并获取历史融合跟踪障碍物；利用预设预测方法预测各个历史融合跟踪障碍物在预设
时间段内的预测位置，保证了预测得到的各个历史融合跟踪障碍物在预设时间段内的预测位置的准确性。当当前时刻传感器数据为当前时刻雷达传感器数据时，将当前时刻雷达传感器数据中的观测障碍物与历史融合跟踪障碍物进行对比，确定历史融合跟踪障碍物中与观测障碍物中障碍物标识信息相同的第一障碍物，并将第一障碍物进行关联，从而实现了快速且准确地将第一障碍物进行关联。当观测障碍物中的未关联障碍物的数量大于零，且历史融合跟踪障碍物中的未关联障碍物的数量也大于零时，根据各个历史融合跟踪障碍物中的未关联障碍物在预设时间段内的预测位置，计算俯视视角下各个观测障碍物中的未关联障碍物和各个历史融合跟踪障碍物中的未关联障碍物之间的欧式距离代价矩阵，基于欧式距离代价矩阵，使用匈牙利匹配算法进行关联，更新关联结果，实现了在俯视视角下将各个观测障碍物中的未关联障碍物和各个历史融合跟踪障碍物中的未关联障碍物进行了关联。当观测障碍物中的未关联障碍物的数量大于零，且历史融合跟踪障碍物中未关联障碍物的数量也大于零时，根据各个历史融合跟踪障碍物中的未关联障碍物在预设时间段内的预测位置，在透视投影视角下将观测障碍物中的未关联障碍物和历史融合跟踪障碍物中未关联障碍物中的雷达障碍物与观测障碍物中的未关联障碍物和历史融合跟踪障碍物中未关联障碍物中的摄像头障碍物进行关联，更新关联结果。实现了透视投影视角下将件雷达障碍物与摄像头障碍物进行关联，保证了关联的准确性。上述方法，使用多层关联机制，充分利用障碍物多维信息，提升关联精度，减少误关联和漏关联。此外，使用多层关联机制，尽可能让更多的摄像头障碍物和雷达障碍物相关联，以便为融合状态更新时提供更准确的位置和速度信息。保证了关联结果的准确性，进而保证了驾驶的安全性。
[0013]结合第一方面，在第一方面第一实施方式中，获取当前时刻传感器数据，并获取历史融合跟踪障碍物之后，方法还包括：
[0014]获取当前时刻传感器数据中包括各个候选障碍物对应的位置信息；
[0015]根据各个候选障碍物的位置信息，删除在目标范围之外的候选障碍物，得到当前时刻传感器数据中包括的观测障碍物。
[0016]本专利技术实施例提供的多传感器数据中障碍物关联方法，获取当前时刻传感器数据中包括各个候选障碍物对应的位置信息；根据各个候选障碍物的位置信息，删除在目标范围之外的候选障碍物，得到当前时刻传感器数据中包括的观测障碍物，保证了得到的观测障碍物的准确性。上述方法，采用基于目标范围对候选障碍物过滤，减少了对障碍物进行关联的耗时和误关联。
[0017]结合第一方面，在第一方面第二实施方式中，方法还包括：
[0018]当当前时刻传感器数据不为当前时刻雷达传感器数据，当观测障碍物中的未关联障碍物的数量大于零，且历史融合跟踪障碍物中未关联障碍物的数量也大于零时，根据各个历史融合跟踪障碍物中的未关联障碍物在预设时间段内的预测位置，计算俯视视角下各个观测障碍物中的未关联障碍物和各个历史融合跟踪障碍物中的未关联障碍物之间的欧式距离代价矩阵，基于欧式距离代价矩阵，使用匈牙利匹配算法进行关联，更新关联结果；
[0019]当观测障碍物中的未关联障碍物的数量大于零，且历史融合跟踪障碍物中未关联障碍物的数量也大于零时，根据各个历史融合跟踪障碍物中的未关联障碍物在预设时间段内的预测位置，在透视投影视角下将观测障碍物中的未关联障碍物和历史融合跟踪障碍物中未关联障碍物中的雷达障碍物与观测障碍物中的未关联障碍物和历史融合跟踪障碍物
中未关联障碍物中的摄像头障碍物进行关联，更新关联结果；
[0020]当当前时刻传感器数据为当前时刻摄像头传感器数据时，将历史融合跟踪障碍物中未关联的摄像头障碍物的标识信息与观测障碍物中的障碍物的标识信息进行对比，将标识信息相同的第二障碍物进行关联。
[0021]本专利技术实施例提供的多传感器数据中障碍物关联方法，当当前时刻传感器数据不为当前时刻雷达传感器数据，当观测障碍物中的未关联障碍物的数量大于零，且历史融合跟踪障碍物中未关联障碍物的数量也大于零时，根据各个历史融合跟踪障碍物中的未关联障碍物在预设时间段内的预测位置，计算俯视视角下各个观测障碍物中的未关联障碍物和各个历史融本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多传感器数据中障碍物关联方法，其特征在于，包括：获取当前时刻传感器数据，并获取历史融合跟踪障碍物；所述历史融合跟踪障碍物用于表征对上一时刻历史传感器数据中的障碍物进行关联后的障碍物；利用预设预测方法预测各个所述历史融合跟踪障碍物在预设时间段内的预测位置；当所述当前时刻传感器数据为当前时刻雷达传感器数据时，将所述当前时刻雷达传感器数据中的观测障碍物与所述历史融合跟踪障碍物进行对比，确定所述历史融合跟踪障碍物中与所述观测障碍物中障碍物标识信息相同的第一障碍物，并将所述第一障碍物进行关联；当所述观测障碍物中的未关联障碍物的数量大于零，且所述历史融合跟踪障碍物中的未关联障碍物的数量也大于零时，根据各个所述历史融合跟踪障碍物中的未关联障碍物在预设时间段内的预测位置，计算俯视视角下各个所述观测障碍物中的未关联障碍物和各个所述历史融合跟踪障碍物中的未关联障碍物之间的欧式距离代价矩阵，基于所述欧式距离代价矩阵，使用匈牙利匹配算法进行关联，更新关联结果；当所述观测障碍物中的未关联障碍物的数量大于零，且所述历史融合跟踪障碍物中未关联障碍物的数量也大于零时，根据各个所述历史融合跟踪障碍物中的未关联障碍物在预设时间段内的预测位置，在透视投影视角下将所述观测障碍物中的未关联障碍物和所述历史融合跟踪障碍物中未关联障碍物中的雷达障碍物与所述观测障碍物中的未关联障碍物和所述历史融合跟踪障碍物中未关联障碍物中的摄像头障碍物进行关联，更新关联结果。2.根据权利要求1所述的方法，其特征在于，所述获取当前时刻传感器数据，并获取历史融合跟踪障碍物之后，所述方法还包括：获取所述当前时刻传感器数据中包括各个候选障碍物对应的位置信息；根据各个所述候选障碍物的位置信息，删除在目标范围之外的所述候选障碍物，得到所述当前时刻传感器数据中包括的观测障碍物。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：当所述当前时刻传感器数据不为当前时刻雷达传感器数据，当所述观测障碍物中的未关联障碍物的数量大于零，且所述历史融合跟踪障碍物中未关联障碍物的数量也大于零时，根据各个所述历史融合跟踪障碍物中的未关联障碍物在预设时间段内的预测位置，计算俯视视角下各个所述观测障碍物中的未关联障碍物和各个所述历史融合跟踪障碍物中的未关联障碍物之间的欧式距离代价矩阵，基于所述欧式距离代价矩阵，使用匈牙利匹配算法进行关联，更新关联结果；当所述观测障碍物中的未关联障碍物的数量大于零，且所述历史融合跟踪障碍物中未关联障碍物的数量也大于零时，根据各个所述历史融合跟踪障碍物中的未关联障碍物在预设时间段内的预测位置，在透视投影视角下将所述观测障碍物中的未关联障碍物和所述历史融合跟踪障碍物中未关联障碍物中的雷达障碍物与所述观测障碍物中的未关联障碍物和所述历史融合跟踪障碍物中未关联障碍物中的摄像头障碍物进行关联，更新关联结果；当所述当前时刻传感器数据为当前时刻摄像头传感器数据时，将所述历史融合跟踪障碍物中未关联的摄像头障碍物的标识信息与所述观测障碍物中的障碍物的标识信息进行对比，将标识信息相同的第二障碍物进行关联。4.根据权利要求1或3任一项所述的方法，其特征在于，根据各个所述历史融合跟踪障
碍物中的未关联障碍物在预设时间段内的预测位置，计算俯视视角下各个所述观测障碍物中的未关联障碍物和各个所述历史融合跟踪障碍物中的未关联障碍物之间的欧式距离代价矩阵，包括：根据各个所述历史融合跟踪障碍物中的未关联障碍物在预设时间段内的预测位置，获取各个所述历史融合跟踪障碍物中的未关联障碍物对应的激光雷达预测数据、毫米波雷达障预测数据、摄像头预测数据以及V2X预测数据；分别从所述激光雷达预测数据、所述毫米波雷达障预测数据、所述摄像头预测数据以及所述V2X预测数据中，确定最近时刻各个所述历史融合跟踪障碍物中的未关联障碍物在所述激光雷达预测数据中的对应的激光雷达预测位置、在所述毫米波雷达障预测数据中的对应的毫米波雷达预测位置、在所述摄像头预测数据中的对应的摄像头预测位置以及在所述V2X预测数据中的对应的V2X预测位置；计算各个所述观测障碍物中的未关联障碍物对应的当前位置与各个所述历史融合跟踪障碍物中的未关联障碍物对应的所述激光雷达预测位置、所述毫米波雷达预测位置、所述摄像头预测位置以及所述V2X预测位置之间的候选距离代价；根据各个所述候选距离代价，计算俯视视角下各个所述观测障碍物中的未关联障碍物和各个所述历史融合跟踪障碍物中的未关联障碍物之间的欧式距离代价矩阵。5.根据权利要求4所述的方法，其特征在于，所述根据各个所述候选距离代价，计算俯视视角下各个所述观测障碍物中的未关联障碍物和各个所述历史融合跟踪障碍物中的未关联障碍物之间的欧式距离代价矩阵，包括：针对各个所述观测障碍物中的未关联障碍物以及各个所述历史融合跟踪障碍物中的未关联障碍物，获取所述观测障碍物中的未关联障碍物对应的当前位置与所述历史融合跟踪障碍物中的未关联障碍物对应的所述激光雷达预测位置、所述毫米波雷达预测位置、所述摄像头预测位置以及所述V2X预测位置之间的候选距离代价；从所述候选距离代价中选择最小距离，确定为所述观测障碍物中的未关联障碍物与所述历史融合跟踪障碍物中的未关联障碍物之间的目标距离代价；根据各个所述观测障碍物中的未关联障碍物与各个所述历史融合跟踪障碍物中的未关联障碍物之间的目标距离代价，确定俯视视角下各个所述观测障碍物中的未关联障碍物和各个所述历史融合跟踪障碍物中的未关联障碍物之间的欧式距离代价矩阵。6.根据权利要求1或3任一项所述的方法，其特征在于，所述根据各个所述历史融合跟踪障碍物中的未关联障碍物在预设时间段内的预测位置，在透视投影视角下将所述观测障碍物中的未关联障碍物和所述历史融合跟踪障碍物中未关联障碍物中的雷达障碍物与所述观测障碍物中的未关联障碍物和所述历史融合跟踪障碍物中未关联障碍物中的摄像头障碍物进行关联，包括：根据各个所述历史融合跟踪障碍物中的未关联障碍物在预设时间段内的预测位置，遍历所述观测障碍物中的未关联障碍物以及所述历史融合跟...

【专利技术属性】
技术研发人员：蓟仲勋，熊伟，刘西亚，
申请(专利权)人：深圳海星智驾科技有限公司，
类型：发明
国别省市：