数据融合理方法、装置、电子设备、及计算机存储介质与流程

1.本技术实施例涉及智能驾驶技术领域，尤其涉及一种数据融合方法、装置、电子设备、及计算机存储介质。


背景技术：

2.在智能驾驶领域中，为了提高车辆驾驶的自主性和安全性，可以在车辆不同位置设置雷达(如毫米波雷达)，通过雷达的回波信号，感知车辆周边是否存在车辆行驶应关注的目标，对这些目标进行跟踪检测，以便进行驾驶决策或者驾驶辅助决策。在这一过程中，由于车辆所处环境是复杂多变，存在难以准确地确定来自目标的回波信号的问题，进而导致基于回波信号的目标位置感知和目标跟踪检测不准确。


技术实现要素：

3.有鉴于此，本技术实施例提供一种数据融合方案，以至少部分解决上述问题。
4.根据本技术实施例的第一方面，提供了一种数据融合方法，用于对雷达检测范围内的目标对象进行跟踪检测，具体包括：获取至少两个雷达采集的第k时刻的回波信号对应的量测数据；根据第k时刻的所述目标对象的预测位置区域，从所述量测数据中选定所述目标对象的关联量测数据；确定所述关联量测数据与所述目标对象的关联概率，其中，所述关联概率用于指示所述关联量测数据对应的回波信号来自所述目标对象的可能性；基于所述关联量测数据指示的所述目标对象的预测位置、所述关联量测数据对应的所述关联概率，和所述目标对象在第k-1时刻的估计位置进行融合计算，以确定所述目标对象在第k时刻的估计位置。
5.根据本技术实施例的第二方面，提供了一种数据融合装置，包括：第一获取模块，用于获取至少两个雷达采集的第k时刻的回波信号对应的量测数据；选定模块，用于根据第k时刻的所述目标对象的预测位置区域，从所述量测数据中选定所述目标对象的关联量测数据；第一确定模块，用于确定所述关联量测数据与所述目标对象的关联概率，其中，所述关联概率用于指示所述关联量测数据对应的回波信号来自所述目标对象的可能性；第二确定模块，用于基于所述关联量测数据指示的所述目标对象的预测位置、所述关联量测数据对应的所述关联概率，和所述目标对象在第k-1时刻的估计位置进行融合计算，以确定所述目标对象在第k时刻的估计位置。
6.根据本技术实施例的第三方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如第一方面所述的数据融合方法对应的操作。
7.根据本技术实施例的第四方面，提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的数据融合方法。
8.根据本技术实施例提供的数据融合方案，基于多个雷达的量测数据中与目标对象
对应的关联量测数据对目标对象进行检测和定位，这样筛除了一部分与目标对象不相关的量测数据，从而提升了定位的准确性，而且通过确定关联量测数据的关联概率，并对关联量测数据进行融合处理以确定目标对象在第k时刻的估计位置，进一步提升了可靠性，降低了误差的干扰，实现了对目标对象的准确定位。
附图说明
9.为了更清楚地说明本技术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技术实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
10.图1a为根据本技术实施例一的一种数据融合方法的步骤流程图；
11.图1b为图1a所示实施例中的一种场景示例的示意图；
12.图2为根据本技术实施例二的一种数据融合方法的步骤流程图；
13.图3a为根据本技术实施例三的一种数据融合方法的步骤流程图；
14.图3b为单雷达和多雷达的跟踪误差的示意图；
15.图3c为多雷达针对目标对象长生命周期跟踪的示意图；
16.图3d为多雷达针对目标对象长生命周期跟踪的误差变化示意图；
17.图3e为航迹中各个时刻的速度的滤波值和真实值之间的误差随时间变化的示意图；
18.图4为根据本技术实施例四的一种数据融合装置的结构框图；
19.图5为根据本技术实施例五的一种电子设备的结构示意图。
具体实施方式
20.为了使本领域的人员更好地理解本技术实施例中的技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术实施例一部分实施例，而不是全部的实施例。基于本技术实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本技术实施例保护的范围。
21.下面结合本技术实施例附图进一步说明本技术实施例具体实现。
22.实施例一
23.参照图1a，示出了本技术实施例一的数据融合方法的步骤流程图。
24.步骤s102：获取至少两个雷达采集的第k时刻的回波信号对应的量测数据。
25.在车辆的自动驾驶领域中，通过车载雷达对车辆周围一定范围内的目标对象(如行人、车辆、固定障碍物等)进行检测，以根据检测结果对车辆进行控制，从而实现自动驾驶。
26.例如，通过在车辆上安装多个雷达，且使这些雷达朝向不同的方向，实现对车辆周围的检测。理论上，通过雷达定期向外发射检测信号，在检测信号传播过程中若遇到障碍物(如人、车、墙体、树木等)，则这些障碍物会反射检测信号而形成回波信号，通过对回波信号进行处理就可以获得回波信号对应的量测数据，该量测数据中携带有形成该回波信号的障碍物的预测位置。
27.而实际上，因为车辆所处环境复杂多变，一方面雷达接收的回波信号在传播过程中可能受到干扰，而使得基于回波信号确定的量测数据中所携带的预测位置并不准确；另一方面，雷达接收的回波信号可能并非是真实障碍物对检测信号进行反射形成的，而是由其他干扰源产生的信号，由于该信号特征与回波信号的特征相似，导致被雷达接收，而雷达无法分辨接收的回波信号中是否存在这类虚警信号，因此，通过本技术的数据融合方法对雷达采集的回波信号对应的量测数据进行处理，从而实现对雷达检测范围内的目标对象进行跟踪和检测，从而准确地确定车辆周围存在的目标对象。
28.在进行数据融合时，在第k时刻，雷达接收到的回波信号并对回波信号进行采用处理，从而获得对应的量测数据。为了扩大检测范围，提升对目标对象的生命周期的跟踪，在车辆上配合有多个雷达，每个雷达均将量测数据发送到一个融合中心，融合中心可以是配置在车辆上的具有数据处理能力的数据处理设备，也可以是与雷达数据连接的设置在云端的数据处理设备。由融合中心对多个雷达的量测数据进行集中处理，从而综合多个雷达的量测数据，提升对目标对象检测的准确性。
29.步骤s104：根据第k时刻的所述目标对象的预测位置区域，从所述量测数据中选定所述目标对象的关联量测数据。
30.目标对象的预测位置区域用于表示第k时刻目标对象可能出现的区域。基于目标对象运动的连续性，根据目标对象在第k-1时刻的估计位置可以预测出目标对象在第k时刻可能运动到的位置，而由于运动方向的不确定性，目标对象在第k时刻可能运动到的位置形成一个区域，也就是预测位置区域。
31.若量测数据指示的预测位置不在目标对象对应的预测位置区域内，则表示该量测数据的回波信号不是目标对象反射的，也就不需要根据这些量测数据确定目标对象的估计位置，为此，融合中心从第k时刻获得的所有量测数据中筛选出与目标对象相关的关联量测数据。这些关联量测数据可以是落入预测位置区域内的量测数据。
32.通过这种方式可以筛除与目标对象无关的量测数据，从而避免这些无关的量测数据对目标对象的估计位置产生不利影响。
33.步骤s106：确定所述关联量测数据与所述目标对象的关联概率。其中，所述关联概率用于指示所述关联量测数据对应的回波信号来自于所述目标对象的可能性。
34.由于无法从关联量测数据中准确地确定哪些关联量测数据是由于目标对象反射检测信号产生的，哪些是由于误差导致的虚警，因此设定所有的关联量测数据均可能来自目标对象，但是这些关联量测数据来自目标对象的可能性不同，关联概率即表示对应的关联量测数据来自于目标对象的回波信号的可能性。
35.在一种可行方式中，可以基于所有的关联量测数据分别计算每个关联量测数据的条件概率，作为对应的关联概率。
36.步骤s108：基于所述关联量测数据指示的所述目标对象的预测位置，所述关联量测数据对应的所述关联概率，和所述目标对象在第k-1时刻的估计位置进行融合计算，以确定所述目标对象在第k时刻的估计位置。
37.例如，根据各关联量测数据的关联概率确定各关联量测数据的预测位置的权重值，基于权重值、关联量测数据对应的预测位置和目标对象在第k-1时刻的估计位置进行融合计算(如求和)，确定目标对象在第k时刻的估计位置。
38.在融合计算的过程中依据了每个关联量测数据的关联概率，因此使得可以融合多个雷达的关联量测数据对目标对象的位置进行准确地估计，通过一个融合中心对多个雷达的关联量测数据进行统一处理，使得估计精度较高，而且可以保证对雷达的关联量测数据进行及时、实时地处理，保证了在密集杂波的情况下对目标对象进行准确的检测和定位，且多个雷达覆盖的检测范围更加广泛，可以实现对目标对象的长生命周期的检测和定位。
39.下面结合图1b，以一个具体的使用场景对数据融合方法的实现过程进行说明如下：
40.在本使用场景中，安装雷达的车辆记作车辆a，6个雷达分别安装在车辆a的前侧、后侧、以及车辆a的4个顶角上。
41.当车辆a在行驶过程中，6个雷达周期性地向外发射检测信号。以第k时刻为例，如果雷达的检测范围内存在车辆、行人或者其他固定障碍物就会反射检测信号而形成回波信号，这些回波信号可以被雷达接收，当然，雷达也可能接收到环境中一些其他信号源发射的信号，由于雷达难以区分接收的信号是回波信号还是其他的干扰信号，因此在这里将所有雷达接收的信号均认为是回波信号。这些回波信号本身可能受到干扰而携带有噪声，回波信号中也可能存在干扰信号。
42.针对接收到的回波信号，雷达进行信号处理后形成量测数据，量测数据中携带有预测位置，也就是反射回波信号的对象的位置，该对象可能是真实物体，也可能是由于噪声、误差等导致的虚假对象。
43.为了能够综合多个雷达的量测数据进行目标对象检测和定位，多个雷达可以将量测数据发送至融合中心，融合中心可以是任何具有数据处理能力的设备，如芯片、服务器等等。
44.针对这些量测数据，依据目标对象的预测位置区域，从中选取出位于该位置预测区域内的量测数据作为目标对象的关联量测数据，这样就实现了对量测数据的一次过滤，可以将无关的量测数据筛除掉。
45.然后根据关联量测数据计算，关联量测数据来自于目标对象的关联概率，进而根据关联概率确定对应的关联量测数据的权重值，基于权重值、关联量测数据指示的目标对象的预测位置和目标对象在第k-1时刻的估计位置，确定目标对象在第k时刻的估计位置。
46.由于在计算权重值时是根据关联概率，而关联概率是基于所有关联量测数据计算出的条件概率，因此实现了对不同雷达的量测数据的融合处理，从而提升了定位精度。
47.通过本实施例，基于多个雷达的量测数据中与目标对象对应的关联量测数据对目标对象进行检测和定位，这样筛除了一部分与目标对象不相关的量测数据，从而提升了定位的准确性，而且通过确定关联量测数据的关联概率，并对关联量测数据进行融合处理以确定目标对象在第k时刻的估计位置，进一步提升了可靠性，降低了误差的干扰，实现了对目标对象的准确定位。
48.本实施例中的数据融合方法可以由任意适当的具有数据处理能力的电子设备执行，包括但不限于：服务器、移动终端(如平板电脑、手机等)和pc机等。
49.实施例二
50.参照图2，示出了本技术的实施例二的数据融合方法的步骤流程图。
51.在本实施例中，以数据融合方法在融合中心中执行为例对执行过程进行说明。融
合中心可以是车载的数据处理芯片，其与多个雷达数据连接，这种方式可以保证多个雷达的量测数据能够及时快速地传输到融合中心中，保证数据传输延迟低。或者融合中心也可以是设置在车辆外的数据处理芯片，其可以与雷达通过有线网络或无线网络连接，并接收雷达传输的量测数据。
52.在本实施例中，数据融合方法包括前述的步骤s102～步骤s108。其中，步骤s104包括以下子步骤：
53.子步骤s1041：获取帧间位移量，并根据所述帧间位移量和所述目标对象在第k-1时刻的估计位置，确定用于预测所述目标对象在第k时刻的预测位置区域的参照基准位置。
54.帧间位移量可以根据第k-1时刻的估计位置和第k-2时刻的估计位置确定。由于相邻两帧，也就是第k时刻和第k-1时刻之间的时间差十分短(可以为毫秒级)，而基于速度连续性，可以将相邻两帧之间的运动看作匀速运动，也就是说，第k-2时刻到第k-1时刻的估计位置变化可以看作是第k-1时刻到第k时刻的帧间位移量。
55.基于目标对象在第k-1时刻的估计位置与帧间位移量求和，以求和结果作为目标对象在第k时刻的参照基准位置。
56.步骤s1042：根据所述参照基准位置、所述目标对象在第k-1时刻的估计位置对应的协方差，按照高斯分布预测所述目标对象在第k时刻的预测位置区域。
57.协方差用于表示对应的目标对象的估计位置的准确度。针对目标对象在各个时刻均获得对应的估计位置以及对应的协方差。
58.在确定目标对象的预测位置区域时，以参照基准位置作为预测位置区域的中心，也就是高斯分布中的均值，以协方差作为高斯分布的方差，则可以确定一个分布区域，即预测位置区域。
59.步骤s1043：选定在所述预测位置区域内的量测数据作为所述目标对象的关联量测数据。
60.由于每个量测数据都指示目标对象的预测位置，若量测数据指示的预测位置在预测位置区域内，则表示该量测数据可能是目标对象对检测信号进行反射形成的，即为关联量测数据；反之，若量测数据不在预测位置区域内，表示该量测数据与目标对象无关，即不为关联量测数据。
61.通过这种方式能够从获得的多个雷达的量测数据中选定出与目标对象关联的关联量测数据，而过滤掉无关的量测数据，从而提升后续对目标对象的位置估计的准确性。
62.在一具体例子中，假设在车辆上的雷达数量为ns个，已知的目标对象共t个，第k时刻中第i个雷达对应的量测数据共zk个，则根据目标对象的预测位置区域，确定第i个雷达的量测数据中与目标对象t关联的关联量测数据，并将关联量测数据的数量记为mki个。在步骤s106中，针对关联量测数据确定关联概率可以实现为：依据所述目标对象对应的多个关联量测数据，分别计算多个所述关联量测数据对应的回波信号来自所述目标对象的条件概率，作为所述关联量测数据与所述目标对象的关联概率。
63.针对某个关联量测数据，计算关联概率时，可以基于目标对象的总的关联量测数据的数量确定该关联量测数据的条件概率作为其关联概率。
64.步骤s108可以由下述子步骤实现：
65.子步骤s1081：根据所述目标对象的关联量测数据所属的雷达，确定满足设定的规
则的关联量测数据组合。
66.设定的规则中目标对象和关联量测数据之间满足下述两个关系：
67.其一：每个关联量测数据最多来自于一个目标对象；
68.其二：每个目标对象最多有一个关联量测数据以其为源。在雷达有多个时，目标对象可以同时被多个雷达检测。这也就使得确定的关联量测数据组合中属于同一雷达的关联量测数据中包含至多一个为来自所述目标对象的关联量测数据。在满足上述两个条件的情况下，可以采用关联事件描述某个雷达的关联量测数据与目标对象的关联，所有雷达的关联事件的组合就构成了目标对象的关联量测数据组合。
69.若第i个雷达对应两个关联量测数据记作{mi1，mi2}，则雷达i与目标对象的关联关系记作ai分别为{1，0，0}、{0，1，0}、{0，0，1}、以及。其中，{1，0，0}，表示雷达i的所有关联量测数据均与目标对象无关，是由于虚警产生的量测数据。{0，1，0}表示第一个关联量测数据即mi1是来自目标对象的关联量测数据。{0，0，1}表示第二个关联量测数据即mi2是来自目标对象的关联量测数据。
70.在此基础上，雷达数量为ns个的情况下，可以获得目标对象对应的所有的关联量测数据组合(可以记作关联事件)。其中，一组关联量测数据对应的满足上述的设定的规则的关联量测数据组合可以表示为ams(t)
→
{{0，1，
…
，mk1}，{0，1，
…
，mk2}，
…
，{0，1，
…
，mkns}}。
71.若第k时刻的关联关系ai反映的关联量测数据与目标对象的对应关系正确，则可以表示为hai(k)；若第k时刻的关联事件ams反映的关联量测数据与目标对象的对应关系正确，则可以表示hams(k)。针对每个已知的目标对象，设事件l＝(l1，l2，
…
lns)，0≤li≤mki，0≤i≤ns，表示第k时刻目标对象t与事件l指示的关联是正确关联，此种情况中，ams＝l。类似地，表示第k时刻目标对象t与第i个雷达的关联量测数据正确关联，此种情况中，ai(t)＝li。
72.基于此，是互不相容事件hams(k)的并集，是互不相容事件hai(k)的并集。由此可以确定目标对象所有可能的关联量测数据组合。
73.子步骤s1082：根据所述关联量测数据组合中包含的关联量测数据对应的预测位置和关联概率、以及所述目标对象在第k-1时刻的估计位置进行卡尔曼滤波，确定各所述关联量测数据组合对应的估计位置。
74.由于各个雷达之间的误差是相互独立的，因此基于每个关联量测数据的关联概率，就可以得到各关联关系的概率，而多个雷达的关联量测数据组合的概率为多个雷达的关联关系的概率的乘积。
75.其原理如下：在已知多个雷达在第k时刻获得的关联量测数据集合zk的情况下，任一一个可行的关联量测数据组合l成立的条件概率可以表示为：
76.其中，表示在关联量测数据集合zk中，关联量测数据组合l发生的概率。
77.由于各雷达之间的测量误差是相互独立的，，因此，存在：
78.将以上公式带入得：
[0079][0080]
也就是说，多雷达的关联量测数据组合的概率是单个雷达的关联量测数据组合的乘积。
[0081]
基于关联量测数据组合的概率，确定目标对象的估计位置例如为：
[0082]
第k时刻为第一个时刻，也即第k-1时刻不存在，则设定第k-1时刻的估计位置和协方差均为0，并根据第k时刻的关联量测数据，确定估计位置。若第k时刻为非第一个时刻，则存在第k-1时刻的估计位置。
[0083]
在确定估计位置时依据下述公式：
[0084]
其中，为第k时刻的估计位置，为第k-1时刻的估计位置，ki(k)为卡尔曼滤波系数，根据关联量测数据的关联概率采用适当的方式确定，为可行的关联量测数据组合l中的第i个关联量测数据。hi(k)是转换矩阵，其是根据雷达的参数预置的。
[0085]
基于该公式就可以确定每个关联量测数据组合l成立时，目标对象在第k时刻的估计位置。
[0086]
子步骤s1083：对各关联量测数据组合对应的估计位置进行求和，并根据求和结果确定所述目标对象在第k时刻的估计位置。
[0087]
第k时刻的估计位置可以根据下述公式确定：第k时刻的估计位置可以根据下述公式确定：
[0088]
其中，为目标对象在第k时刻的估计位置。为目标对象第k-1时刻的估计位置。将多个关联量测数据组合对应的估计位置进行求和，然后将求和结果与第k-1时刻的估计位置求和，作为第k时刻的目标对象的估计位置。
[0089]
可选地，为了表征估计位置的准确性，本实施例中的方法还可以包括步骤s110和步骤s112。
[0090]
步骤s110：计算所述关联量测数据组合的协方差。
[0091]
在一可行方式中，关联量测数据组合l的协方差可以表示为其可以采用现有的方式确定，故不再赘述。
[0092]
步骤s112：根据所述关联量测数据组合的协方差，确定所述目标对象在第k时刻的估计位置对应的协方差。
[0093]
在一可行方式中，目标对象在第k时刻的协方差可以记作：
[0094][0095]
其中，为关联量测数据组合l对应的概率，为第k时刻的估计位置，为第k时刻的估计位置的转置。
[0096]
通过本实施例，能够对多个雷达的关联量测数据进行融合处理，并确定出目标对象在第k时刻的估计位置和协方差，从而实现对目标对象准确、及时地检测和定位。
[0097]
本实施例中的数据融合方法可以由任意适当的具有数据处理能力的电子设备执行，包括但不限于：服务器、移动终端(如平板电脑、手机等)和pc机等。
[0098]
实施例三
[0099]
参照图3a，示出了本技术实施例三的数据融合方法的步骤流程示意图。
[0100]
在本实施例中，数据融合方法包括前述的步骤s102～步骤s108。根据需要还可以包括步骤s110和步骤s112。其中，步骤s104到步骤s108可以采用前述任一适当的实现方式。
[0101]
基于目标对象的检测和定位，可以实现对目标对象的航迹追踪和管理。其中，目标对象的航迹用于指示目标对象在不同时刻的估计位置。由于在基于雷达的关联量测数据实现目标对象的检测和定位时，关联量测数据中包含有误差和虚警，因此不能仅依据一个时刻检测到的目标对象之间确定在检测范围内真实存在该目标对象，而是基于多个时刻的检测和定位结果确定目标对象是否真实存在，并确定其估计位置。
[0102]
为此，在基于雷达输出的量测数据确定一个新的目标对象时，可以为该目标对象创建一个对应的航迹，且为该航迹初始化一个存在概率，后续基于多个时刻的量测数据对航迹和航迹的存在概率进行更新，从而根据存在概率对航迹进行处理，如进行确认处理、删除处理和更新处理等。其中，确认处理即确定航迹对应的目标对象真实存在于检测范围内，可以将航迹中的估计位置输出给车辆决策单元。
[0103]
为了能够实现航迹的管理，该方法还包括：
[0104]
步骤s114：根据所述目标对象对应的关联量测数据的关联概率，确定所述目标对象在第k时刻的存在概率。
[0105]
在一种可行方式中，步骤s114包括以下子步骤：
[0106]
子步骤s1141：根据所述目标对象对应的关联量测数据的关联概率，结合所述关联量测数据所属的雷达、所述雷达的跟踪概率和检测概率、以及所述目标对象第k-1时刻的存在概率，确定所述目标对象在第k时刻的漏检概率。
[0107]
例如，漏检概率即为目标对象在检测区域内存在，但没有任何位置量测数据与其关联的概率，记作漏检概率可以根据下述公式确定：
[0108][0109]
其中，为目标对象在第k-1时刻的存在概率。若第k时刻为第一个时刻，也就是第k-1时刻并未有计算出的存在概率，则将第k-1时刻的存在概率确定为默认值，如0.05、0.07等小于0.1值。若第k时刻为非第一个时刻，则第k-1时刻的存在概率已经计算得出，可以直接获得。
[0110]
pd为雷达的检测概率，其是雷达的固有参数，由雷达本身的性能决定。
[0111]
pw为跟踪概率，其可以根据协方差通过查表确定。
[0112]
为虚警概率，其是指所有关联量测数据均来自于其他对象，也就是关联量测数据组合l0＝(0，0，
…
0)的概率，其可以根据目标对象对应的关联量测数据的关联概率确定，计算方法与前述的关联量测数据组合的概率的计算方法类似，故在此简述如下：以第k时刻的估计位置作为高斯分布的均值，以所述第k时刻的协方差作为高斯分布的标准差，确定各关联量测数据均非来自于目标对象的概率。
[0113]
通过这种方式可以方便、快速地计算出漏检概率，进而能够基于漏检概率快速地确定目标航迹的存在概率，使得航迹处理所需的周期数更少，实现快速处理。
[0114]
子步骤s1142：根据所述目标对象对应的关联量测数据对应的关联概率，确定所述目标对象的被检测概率。
[0115]
当目标对象与至少一个关联量测数据相关时，那么势必存在对应的可行的关联量测数据组合l，因此，被检测概率为除关联量测数据组合l0之外的其他可行的关联量测数据组合l的概率和，即可以表示为在前述过程中已经说明了如何计算关联量测数据组合l的概率，故在此不再赘述。
[0116]
子步骤s1143：对所述漏检概率和所述被检测概率求和，并以求和结果作为所述目标对象在第k时刻的存在概率。
[0117]
存在概率可以表示为存在概率是被检测概率和漏检概率的和，其可以表示为：
[0118]
步骤s116：根据所述存在概率和设定的航迹处理阈值，对所述目标对象对应的目标航迹进行处理。
[0119]
具体地，航迹处理包括航迹起始、航迹确认和航迹删除。
[0120]
其中，针对航迹表中未保存的目标对象均可以为其起始一个新的航迹，该过程即为航迹起始。例如，在雷达启动后的第一时刻，获取到雷达的第一时刻的量测数据，由于在第一时刻没有已知的目标对象，因此可以将每个量测数据均认为存在一个对应的目标对象，或者，将指示的位置之间的距离小于设定值(设定值可以根据需要确定)的量测数据聚
合成为一个目标对象，并为目标对象起始一个新的航迹。针对起始的新的航迹可以保存在航迹表中，并为新的航迹设定一个默认的存在概率，如为0.05等，且新的航迹的航迹状态为航迹起始状态。
[0121]
由于航迹起始时并不能确定新的航迹的目标对象是否真实存在，因此需要根据后续时刻的位置量测数据确定目标对象是否存在或者已经离开检测区域，为此，航迹处理阈值如前所述，航迹处理阈值包括但不限于用于确定航迹对应的目标对象为真实目标对象的确认阈值、以及用于指示航迹对应的目标对象已离开所述多个雷达的检测区域的删除阈值。
[0122]
在一种情况中，步骤s116可以实现为：若所述存在概率大于所述确认阈值，且所述目标航迹的航迹状态为航迹起始状态，则将所述目标航迹的航迹状态变更为航迹确认状态。
[0123]
确认阈值例如可以是0.9。当存在概率大于0.9时，表明目标对象存在，因此可以将对应的目标航迹的航迹状态更新为航迹确认状态，以表示目标对象在雷达的检测范围内。
[0124]
在目标航迹确认后，可以将目标航迹第k时刻的位置状态信息输出到车辆的决策单元，这样车辆的决策单元可以根据目标对象在第k时刻的位置状态信息进行决策，如控制车辆减速、或者变换方向，以避免和目标对象碰撞等。
[0125]
或者，在另一种可行方式中，步骤s116可以实现为：若所述存在概率小于所述删除阈值，且所述目标航迹中至少一个历史时刻的存在概率大于所述确认阈值，则将所述目标航迹的航迹状态变更为航迹删除状态。
[0126]
若存在概率升高后又快速减小到删除阈值以下，表示目标对应已经离开雷达的检测区域，因此可以直接将目标航迹的航迹状态更新为航迹删除状态。这样就可以不再向决策单元输出目标对象的位置状态信息，从而是决策单元能够获得较为准确的车辆周围的目标对象的信息，从而做出正确、合理的决策。
[0127]
使用多个雷达对目标对象进行检测并获得位置量测数据，在对目标航迹进行处理时依据的存在概率根据漏检概率、以及“量测-航迹”之间的关联概率确定，从而使得存在概率会根据关联概率快速地变化，使得航迹处理的误差减小、且使得目标航迹的收敛时间缩短，有效提升了检测的及时性。
[0128]
在本实施例中，通过集中式多车载毫米波雷达融合实现对目标对象的跟踪。可以对承载雷达的载具进行多目标跟踪。由于多个车载雷达的分布距离不远，能够及时地对多个雷达进行实时处理，因此采用集中式多传感器融合的方法，由一个融合中心对所有雷达的量测数据进行统一处理。基于量测数据通过扩展卡尔曼滤波对目标对象的位置状态信息进行滤波并加权求和，以获得目标对象的位置状态信息。此外在进行航迹处理时，考虑了航迹的存在概率，能够将航迹的确定、删除归入统一的处理，能够有效降低初始状态的估计误差，减小航迹的收敛时间。
[0129]
由于使用了多个雷达，不同的雷达的检测区域不一样，在某些区域存在多个雷达检测区域重叠的情况，当同一个目标对象被多个雷达检测的时候可以通过融合多个雷达的量测数据来更新目标对象的位置状态信息。单个目标对象在雷达的载具右前方前进时，单个雷达跟踪误差和两个相同精度的雷达融合跟踪的误差随处理周期的变化的情况，如图3b所示。可以看到不管是单个雷达跟踪还是多个雷达跟踪，跟踪的误差都随着时间变化不断
减小，多雷达融合相对于单雷达跟踪来说跟踪收敛的速度更快，且收敛后的跟踪误差更小，这是多个雷达带来了目标的更多的信息，提高了跟踪的精度。基于此，解决了单个雷达在时间和空间探测能力上的不足，在实现了目标长时间跟踪同时提高了目标的跟踪精度。
[0130]
为了比较多雷达融合带来的目标的长生命周期跟踪，一辆目标车辆从雷达载体的左后方运动到了雷达载体的左侧方再到雷达载体的左前方，在不同位置不同雷达的检测情况也不一样，由于多个雷达目标的探测范围也得到了极大的扩展。仿真结果如图3c所示，可以看到目标对象首先出现在后置雷达和后左方侧向雷达的测量范围内，随着目标运动前左方雷达、前置雷达也探测到目标，接着后置雷达、后左方侧向雷达不再探测到目标，跟踪的目标对象误差随着处理周期数不断减小，在50周期左右，由于具有高精度的前后置雷达不再能够探测到目标对象，只有较大误差的侧向雷达提供量测，所以跟踪的误差有所提升。
[0131]
在本实施例中，如图3d所示，通过融合前向雷达、候选向雷达和四个安装在车辆角上的侧向雷达的量测数据，实现了对多个运动的目标对象进行稳定的360度长生命周期的跟踪，并在自身车辆的一定探测范围内能够及时预测目标对象的运动状态，以提供足够的目标对象的位置状态信息，以此解决了单个雷达在时间和空间探测能力上的不足，在实现了目标长时间跟踪同时提高了目标的跟踪精度。
[0132]
此外，采用集中式多雷达融合，只有一个集中处理单元(即融合中心)，统一对多个雷达的量测数据进行处理，具有较高的估计精度，由于多个车载雷达的分布距离不远，因此，一个集中处理单元能够及时地对多个雷达的量测数据进行实时处理。
[0133]
基于多雷达的联合概率数据互联，并通过扩展卡尔曼滤波对目标对象的位置状态信息进行滤波并加权求和，以获得目标的航迹信息(图3e示出了卡尔曼滤波的速度估计值和真实值之间的差别)。由于考虑了航迹的存在概率，能够将航迹的确定、删除归入统一的处理，能够有效降低初始状态的估计误差，减小航迹的收敛时间。仿真和实测数据验证表明，所提出的数据处理能够实现在密集杂波环境下对多目标对象进行稳定跟踪，能够实现多目标的长生命周期的360度目标跟踪。
[0134]
实施例四
[0135]
参照图4，示出了本技术实施例四的数据融合装置的结构框图。
[0136]
在本实施例中，数据融合装置，包括：
[0137]
第一获取模块402，用于获取至少两个雷达采集的第k时刻的回波信号对应的量测数据；
[0138]
选定模块404，用于根据第k时刻的所述目标对象的预测位置区域，从所述量测数据中选定所述目标对象的关联量测数据；
[0139]
第一确定模块406，用于确定所述关联量测数据与所述目标对象的关联概率，其中，所述关联概率用于指示所述关联量测数据对应的回波信号来自所述目标对象的可能性；
[0140]
第二确定模块408，用于基于所述关联量测数据指示的所述目标对象的预测位置、所述关联量测数据对应的所述关联概率，和所述目标对象在第k-1时刻的估计位置进行融合计算，以确定所述目标对象在第k时刻的估计位置。
[0141]
可选地，所述选定模块404，包括：
[0142]
第二获取模块4041，用于获取帧间位移量，并根据所述帧间位移量和所述目标对
象在第k-1时刻的估计位置，确定用于预测所述目标对象在第k时刻的预测位置区域的参照基准位置；
[0143]
预测模块4042，用于根据所述参照基准位置、所述目标对象在第k-1时刻的估计位置对应的协方差，按照高斯分布预测所述目标对象在第k时刻的预测位置区域；
[0144]
第三确定模块4043，用于选定在所述预测位置区域内的量测数据作为所述目标对象的关联量测数据。
[0145]
可选地，所述第一确定模块406用于依据所述目标对象对应的多个关联量测数据，分别计算多个所述关联量测数据对应的回波信号来自所述目标对象的条件概率，作为所述关联量测数据与所述目标对象的关联概率。
[0146]
可选地，所述第二确定模块408用于根据所述目标对象的关联量测数据所属的雷达，确定满足设定的规则的关联量测数据组合，其中，在一个关联量测数据组合中属于同一雷达的关联量测数据中包含至多一个为来自所述目标对象的关联量测数据；根据所述关联量测数据组合中包含的关联量测数据对应的预测位置和关联概率、以及所述目标对象在第k-1时刻的估计位置进行卡尔曼滤波，确定各所述关联量测数据组合对应的估计位置；对各所述关联量测数据组合对应的估计位置进行求和，并根据求和结果确定所述目标对象在第k时刻的估计位置。
[0147]
可选地，所述装置还包括：
[0148]
计算模块410，用于计算所述关联量测数据组合的协方差；
[0149]
第四确定模块412，用于根据所述关联量测数据组合的协方差，确定所述目标对象在第k时刻的估计位置对应的协方差。
[0150]
可选地，所述装置还包括：
[0151]
第五确定模块414，用于根据所述目标对象对应的关联量测数据的关联概率，确定所述目标对象在第k时刻的存在概率；
[0152]
航迹处理模块416，用于根据所述存在概率和设定的航迹处理阈值，对所述目标对象对应的目标航迹进行处理。
[0153]
可选地，所述第五确定模块414用于根据所述目标对象对应的关联量测数据的关联概率，结合所述关联量测数据所属的雷达、所述雷达的跟踪概率和检测概率、以及所述目标对象第k-1时刻的存在概率，确定所述目标对象在第k时刻的漏检概率；根据所述目标对象对应的关联量测数据对应的关联概率，确定所述目标对象的被检测概率；对所述漏检概率和所述被检测概率求和，并以求和结果作为所述目标对象在第k时刻的存在概率。
[0154]
可选地，所述航迹处理阈值包括用于确定航迹对应的目标对象为真实目标对象的确认阈值，所述航迹处理模块416用于若所述存在概率大于所述确认阈值，且所述目标航迹的航迹状态为航迹起始状态，则将所述目标航迹的航迹状态变更为航迹确认状态。
[0155]
可选地，所述航迹处理阈值包括用于确定所述航迹对应的目标对象为真实目标对象的确认阈值和用于指示航迹对应的目标对象已离开所述多个雷达的检测区域的删除阈值，所述确认阈值大于所述删除阈值；所述航迹处理模块416用于若所述存在概率小于所述删除阈值，且所述目标航迹中至少一个历史时刻的存在概率大于所述确认阈值，则将所述目标航迹的航迹状态变更为航迹删除状态。
[0156]
本实施例的数据处理装置用于实现前述多个方法实施例中相应的数据处理方法，
并具有相应的方法实施例的有益效果，在此不再赘述。此外，本实施例的数据处理装置中的各个模块的功能实现均可参照前述方法实施例中的相应部分的描述，在此亦不再赘述。
[0157]
实施例五
[0158]
参照图5，示出了根据本技术实施例五的一种电子设备的结构示意图，本技术具体实施例并不对电子设备的具体实现做限定。
[0159]
如图5所示，该电子设备可以包括：处理器(processor)502、通信接口(communications interface)504、存储器(memory)506、以及通信总线508。
[0160]
其中：
[0161]
处理器502、通信接口504、以及存储器505通过通信总线508完成相互间的通信。
[0162]
通信接口504，用于与其它电子设备或服务器进行通信。
[0163]
处理器502，用于执行程序510，具体可以执行上述数据处理方法实施例中的相关步骤。
[0164]
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
[0165]
处理器502可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本技术实施例的一个或多个集成电路。智能设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0166]
存储器506，用于存放程序510。存储器506可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0167]
程序510具体可以用于使得处理器502执行前述的任一数据融合方法对应的操作。
[0168]
程序510中各步骤的具体实现可以参见上述数据融合方法实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
[0169]
需要指出，根据实施的需要，可将本技术实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本技术实施例的目的。
[0170]
上述根据本技术实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如cd rom、ram、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如asic或fpga)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，ram、rom、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的数据融合方法。此外，当通用计算机访问用于实现在此示出的数据融合方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的数据融合方法的专用计算机。
[0171]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟
以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术实施例的范围。
[0172]
以上实施方式仅用于说明本技术实施例，而并非对本技术实施例的限制，有关技术领域的普通技术人员，在不脱离本技术实施例的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本技术实施例的范畴，本技术实施例的专利保护范围应由权利要求限定。