【技术实现步骤摘要】
本专利技术涉及汽车自动驾驶，特别是涉及一种多传感器目标融合方法、系统、存储介质及车辆。
技术介绍
1、目标检测识别是自动驾驶技术中非常重要的一环，而单一传感器由于自身的应用特点并不能在全天候、全天时的各类场景中一直表现出良好的检测结果，比如摄像头受外界条件(光照、阴影)的影响较大，在光线不好的场景中识别效果不好；激光雷达对环境的敏感度比较大，比如雨水产生的噪点；而毫米波雷达穿透雾、烟、灰尘的能力强，但是对目标的识别能力较弱。在这种情况下，基于多传感器信息融合技术的目标识别则可以综合利用各类传感器的优势，有利于增强目标检测识别的稳定性和准确性。
2、然而，在实际应用过程中，由于传感器会受到自身物理特性、自身故障、外界干扰等的影响，不同传感器对目标的检测识别结果会存在不同的置信度，甚至可能存在不同程度的冲突，因此一种稳定可靠的目标融合方法对于最终目标检测识别的准确性显得尤为重要。
技术实现思路
1、本专利技术所要解决的技术问题在于，提供一种多传感器目标融合方法、系统、存储介质及车辆，能有效地融合存在冲突的证据，提高了进行目标检测识别的准确性。
2、为解决上述技术问题，作为本专利技术的一方面，提供一种多传感器目标融合方法，应用于智能驾驶系统中，其至少包括如下步骤：
3、实时获得智能驾驶系统中多种传感器的当前目标识别结果，每一传感器的当前目标识别结果至少包括：各目标对应的标识号、位置、位置协方差、类别、类别置信度、速度信息；
4、对所述多种传
5、根据每一位置的融合目标对应的各传感器识别出的类别及类别置信度，建立辨识框架，采用证据理论方法获得每一融合目标对应的各类别的融合后基本概率分配函数值；
6、根据每一融合目标对应的融合后的各类别基本概率分配函数值，并结合所述融合目标的速度信息，确定出各融合目标的最终输出类别。
7、其中，所述实时获得智能驾驶系统中多种传感器的当前目标识别结果的步骤包括：
8、在行驶过程中，智能驾驶系统中多种传感器分别采集实时数据，所述多种传感器为摄像头、毫米波雷达以及激光雷达；
9、采用各传感器预先设置的对应的检测识别跟踪算法，对每一传感器所采集的实时数据进行识别，获得每一传感器对应的目标识别结果。
10、其中，所述对所述多种传感器中识别到的目标进行位置融合处理，获得融合后的目标信息的步骤进一步包括：
11、将各传感器采集到的数据统一转换到本车坐标系下；
12、获得各传感器的目标检测跟踪结果之后，选择其中一个传感器作为主传感器，当第一次收到主传感器的跟踪结果时，以主传感器的结果建立一个融合序列作为第一帧融合结果，后续收到其他传感器的目标跟踪结果后，采用匈牙利匹配算法对前一帧融合结果进行目标匹配，并基于卡尔曼滤波算法对前一帧融合结果进行预测，并用匹配的传感器跟踪结果对预测结果进行更新；
13、将每一匹配目标与各传感器识别的数据进行关联，获得融合结果，所述融合结果中包含每一个融合目标对应的融合目标的标识号、位置、速度信息，以及对应的各传感器所识别出的类别及类别置信度。
14、其中，所述根据每一位置的融合目标对应的各传感器识别出的类别及类别置信度，建立辨识框架，采用证据理论方法获得每一融合目标对应的各类别的融合后基本概率分配函数值的步骤进一步包括：
15、根据每一匹配目标预定义的分类属性建立一识别框架θ＝{行人，自行车，机动车}；根据各传感器识别出的类别置信度对识别框架中各传感器对应的不同目标类别进行基本概率分配mi(aj)，mi(aj)为第i个传感器对匹配目标的第j类分类的基本概率分配；
16、获得历史数据中不同传感器对不同目标类别的识别准确率αij；
17、采用下述公式利用不同传感器对不同类别的识别准确率对所述识别框架中的基本概率分配函数值进行修正处理：
18、m′i(aj)＝αij·mi(aj)
19、对修正后的基本概率分配函数值进行归一化处理，获得处理后的目标类别概率数据：
20、
21、对处理后的目标类别概率数据采用dempster合成规则进行融合计算，获得每一融合目标对应的各类别的融合后基本概率分配函数值。
22、其中，获得历史数据中不同传感器对不同目标类别的识别准确率αij的步骤进一步包括：
23、根据各传感器的数据标注集，采用下述公式计算获得不同传感器对不同目标类别的识别准确率αij：
24、
25、其中，αij为第i个传感器对第j类目标的识别准确率，tpij为第i个传感器对第j类目标正确识别的数量，tnij为将负类识别为负类的数量，fpij为将负类识别为正类的数量，fnij为将正类识别为负类的数量；在计算第j类目标的识别准确率时，将其他所有类别视为负类。
26、其中，根据所述目标对应的融合后的各类别基本概率分配函数值，并结合所述目标的速度信息，确定出各目标的最终输出类别的步骤进一步包括：
27、对每一目标的各类别的基本概率分配函数值进行排序，将排列在前两位的基本概率分配函数值进行比较；
28、如果两者的差值大于或等于一预设定的比较阈值，则将最大基本概率分配函数值所对应的类别作为所述目标的分类；
29、如果两者的差值小于所述预设定的比较阈值，则将所述目标的速度与两者进行匹配，将与速度相匹配的类别作为所述目标的分类。
30、相应地，作为本专利技术的另一方面，还提供一种多传感器目标融合系统，应用于智能驾驶系统中，其至少包括：
31、目标识别结果获取单元，用于实时获得智能驾驶系统中多种传感器的当前目标识别结果，每一传感器的当前目标识别结果至少包括：各目标对应的标识号、位置、位置协方差、类别、类别置信度、速度信息；
32、位置融合处理单元，用于对所述多种传感器中识别到的目标进行位置融合处理，获得融合后的目标信息，所述融合后目标信息至少包括：融合目标的标识号、位置、速度信息，以及对应的各传感器所识别出的类别及类别置信度；
33、证据融合处理单元，用于根据每一位置的融合目标对应的各传感器识别出的类别及类别置信度，建立辨识框架，采用证据理论方法获得每一融合目标对应的各类别的融合后基本概率分配函数值；
34、输出类别决策单元，用于根据每一融合目标对应的融合后的各类别基本概率分配函数值，并结合所述融合目标的速度信息，确定出各融合目标的最终输出类别。
35、其中，所述目标识别结果获取单元进一步包括：
36、采集单元，用于在行驶过程中，智能驾驶系统中多种传感器分别采集实时数据，所述多种传感器为摄像头、毫米波雷达以及激光雷达；
【技术保护点】
1.一种多传感器目标融合方法，应用于智能驾驶系统中，其特征在于，至少包括如下步骤：
2.如权利要求1所述的方法，其特征在于，所述实时获得智能驾驶系统中多种传感器的当前目标识别结果的步骤包括：
3.如权利要求2所述的方法，其特征在于，所述对多种传感器中识别到的目标进行位置融合处理，获得融合后的目标信息的步骤进一步包括：
4.如权利要求1至3任一项所述的方法，其特征在于，所述根据每一位置的融合目标对应的各传感器识别出的类别及类别置信度，建立辨识框架，采用证据理论方法获得每一融合目标对应的各类别的融合后基本概率分配函数值的步骤进一步包括：
5.如权利要求4所述的方法，其特征在于，所述获得历史数据中不同传感器对不同目标类别的识别准确率αij的步骤进一步包括：
6.如权利要求5所述的方法，其特征在于，所述根据所述目标对应的融合后的各类别基本概率分配函数值，并结合所述目标的速度信息，确定出各目标的最终输出类别的步骤进一步包括：
7.一种多传感器目标融合系统，应用于智能驾驶系统中，其特征在于，至少包括：
8.如
9.如权利要求8所述的系统，其特征在于，所述位置融合处理单元进一步包括：
10.如权利要求7至9任一项所述的系统，其特征在于，所述证据融合处理单元进一步包括：
11.如权利要求10所述的系统，其特征在于，所述识别准确率获取单元进一步包括：
12.如权利要求11所述的系统，其特征在于，所述输出类别决策单元进一步包括：
13.一种计算机可读介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的传感器目标融合方法的步骤。
14.一种车辆，其上设置有智能驾驶系统，其特征在于，所述智能驾驶系统具有多种类型的传感器，且集成有如权利要求7至12任一项所述的多传感器目标融合系统。
...【技术特征摘要】
1.一种多传感器目标融合方法，应用于智能驾驶系统中，其特征在于，至少包括如下步骤：
2.如权利要求1所述的方法，其特征在于，所述实时获得智能驾驶系统中多种传感器的当前目标识别结果的步骤包括：
3.如权利要求2所述的方法，其特征在于，所述对多种传感器中识别到的目标进行位置融合处理，获得融合后的目标信息的步骤进一步包括：
4.如权利要求1至3任一项所述的方法，其特征在于，所述根据每一位置的融合目标对应的各传感器识别出的类别及类别置信度，建立辨识框架，采用证据理论方法获得每一融合目标对应的各类别的融合后基本概率分配函数值的步骤进一步包括：
5.如权利要求4所述的方法，其特征在于，所述获得历史数据中不同传感器对不同目标类别的识别准确率αij的步骤进一步包括：
6.如权利要求5所述的方法，其特征在于，所述根据所述目标对应的融合后的各类别基本概率分配函数值，并结合所述目标的速度信息，确定出各目标的最终输出类别的步骤进一...
【专利技术属性】
技术研发人员：祁玉晓，何俏君，蔡璐珑，祖国强，刘真，王薏，
申请(专利权)人：广州汽车集团股份有限公司，
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。