基于ds证据理论的目标融合方法、装置、车辆及介质
技术领域
1.本技术涉及车辆技术领域，特别涉及一种基于ds(dempster-shafer，证据理论)证据理论的目标融合方法、装置、车辆及介质。
背景技术：2.近年来，无人自动驾驶技术日新月异，取得了突飞猛进的发展，而传感器则是自动驾驶必不可少的一部分。如何从纷繁复杂的传感器数据中提取出有效的信息，并将多个不同传感器的信息进行融合，对目标进行有效的跟踪，成为一项紧迫而又具有挑战的任务。
3.相关技术中，目标融合算法主要有三种，分别为：(1)对于单传感器的情况，由于没有多余传感器进行融合，直接使用传感器观测值作为融合目标；(2)对于多传感器的情况，需要根据传感器特性进行人工调参，对于不同传感器分配不同的权重进行融合效率较低；(3)通过联合数据关联滤波器(jpdaf)进行目标融合。
4.然而，相关技术中的目标融合算法在不确定、模糊以及不完整的信息场景下，会导致融合结果与实际偏差较大、通过人工调参降低效率以及计算结果较差等问题，亟需进行改善。
技术实现要素：5.本技术提供一种基于ds证据理论的目标融合方法、装置、车辆及存储介质，以解决相关技术中的目标融合算法在不确定、模糊以及不完整的信息场景下，会导致融合结果与实际偏差较大、通过人工调参降低效率以及计算结果较差等问题。
6.本技术第一方面实施例提供一种基于ds证据理论的目标融合方法，包括以下步骤：获取基于融合目标得到的多个传感器的共同关联对象，计算所述共同关联对象的冲突系数；判断所述冲突系数是否大于预设阈值；以及若所述冲突系数小于或等于所述预设阈值，则利用预设ds证据理论计算所述多个传感器的权重，基于所述权重对所述多个传感器的视觉观测值进行加权融合，得到融合观测值，并将所述融合观测值作为融合结果。
7.根据上述技术手段，根据ds的合成规则在将多个传感器进行加权融合后，得到最终融合目标状态，减少了工作量，提升了计算的精准度及效率。
8.进一步地，在本技术的一个实施例中，上述的基于ds证据理论的目标融合方法，还包括：若所述冲突系数大于预设阈值，则将所述多个传感器的视觉观测值中的最小视觉观测值作为所述融合结果。
9.根据上述技术手段，提高了最后目标决策的精准度。
10.进一步地，在本技术的一个实施例中，所述获取基于融合目标得到的多个传感器的共同关联对象，包括：基于预设的多个维度，计算所述融合目标与所述多个传感器观测目标的多个马氏距离观测值；根据所述多个马氏距离观测值中的最小值确定所述多个传感器的共同关联对象。
11.根据上述技术手段，提高了最后目标决策的精准度。
12.进一步地，在本技术的一个实施例中，在获取基于所述融合目标得到的所述多个传感器的共同关联对象之前，还包括：根据车辆的视觉传感器数据对雷达传感器数据进行预处理；基于预设时间基准，同步所述视觉传感器数据和所述雷达传感器数据的时间戳。
13.根据上述技术手段，提高了距离测量的准确性。
14.进一步地，在本技术的一个实施例中，所述利用预设ds证据理论计算所述多个传感器的权重，包括：根据所述多个传感器的目标特性确定证据理论的证据体和焦元个数；根据所述多个传感器的目标特性分配所述证据体的概率；基于所述预设ds证据理论，根据所述证据体的概率和所述焦元个数计算组合基本概率，并将所述组合基本概率作为所述多个传感器的权重。
15.根据上述技术手段，减少了计算量，提高了工作效率。
16.进一步地，在本技术的一个实施例中，所述计算所述共同关联对象的冲突系数，包括：通过预设的冲突系数计算公式，计算所述共同关联对象的冲突系数，其中，所述预设的冲突系数计算公式为：
[0017][0018]
其中，m1(x)和m2(y)分别为目标x和目标y的基本概率分配函数。
[0019]
根据上述技术手段，通过计算冲突系数可以判断出关联对象中的是否存在冲突，保证其支持程度的统一性。
[0020]
本技术第二方面实施例提供一种基于ds证据理论的目标融合装置，包括：获取模块，用于获取基于融合目标得到的多个传感器的共同关联对象，计算所述共同关联对象的冲突系数；判断模块，用于判断所述冲突系数是否大于预设阈值；以及融合模块，用于若所述冲突系数小于或等于所述预设阈值，则利用预设ds证据理论计算所述多个传感器的权重，基于所述权重对所述多个传感器的视觉观测值进行加权融合，得到融合观测值，并将所述融合观测值作为融合结果。
[0021]
进一步地，在本技术的一个实施例中，上述的基于ds证据理论的目标融合装置，还包括：若所述冲突系数大于预设阈值，则将所述多个传感器的视觉观测值中的最小视觉观测值作为所述融合结果。
[0022]
进一步地，在本技术的一个实施例中，所述获取模块，包括：第一计算单元，用于基于预设的多个维度，计算所述融合目标与所述多个传感器观测目标的多个马氏距离观测值；确定单元，用于根据所述多个马氏距离观测值中的最小值确定所述多个传感器的共同关联对象。
[0023]
进一步地，在本技术的一个实施例中，在获取基于所述融合目标得到的所述多个传感器的共同关联对象之前，所述获取模块，还包括：预处理单元，用于根据车辆的视觉传感器数据对雷达传感器数据进行预处理；同步单元，用于基于预设时间基准，同步所述视觉传感器数据和所述雷达传感器数据的时间戳。
[0024]
进一步地，在本技术的一个实施例中，所述融合模块，包括：确定单元，用于根据所述多个传感器的目标特性确定证据理论的证据体和焦元个数；分配单元，用于根据所述多个传感器的目标特性分配所述证据体的概率；第二计算单元，用于基于所述预设ds证据理论，根据所述证据体的概率和所述焦元个数计算组合基本概率，并将所述组合基本概率作为所述多个传感器的权重。
[0025]
进一步地，在本技术的一个实施例中，所述获取模块，包括：计算单元，用于通过预设的冲突系数计算公式，计算所述共同关联对象的冲突系数，其中，所述预设的冲突系数计算公式为：
[0026][0027]
其中，m1(x)和m2(y)分别为目标x和目标y的基本概率分配函数。
[0028]
本技术第三方面实施例提供一种车辆，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的基于ds证据理论的目标融合方法。
[0029]
本技术第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的基于ds证据理论的目标融合方法。
[0030]
本技术实施例通过获取基于融合目标得到的多个传感器的共同关联对象，计算其冲突系数，并判断冲突系数是否大于预设阈值，若冲突系数小于或等于预设阈值，则利用预设ds证据理论计算多个传感器的权重，基于权重对多个传感器的视觉观测值进行加权融合，得到融合观测值并作为融合结果。由此，解决了相关技术中的目标融合算法在不确定、模糊以及不完整的信息场景下，会导致融合结果与实际偏差较大、通过人工调参降低效率以及计算结果较差的问题。
[0031]
本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
[0032]
本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0033]
图1为根据本技术实施例提供的一种基于ds证据理论的目标融合方法的流程图；
[0034]
图2为根据本技术一个实施例提供的基于ds证据理论的目标融合的逻辑流程图；
[0035]
图3为根据本技术实施例的基于ds证据理论的目标融合装置的示例图；
[0036]
图4为根据本技术实施例的车辆的结构示意图。
[0037]
附图标记：10-基于ds证据理论的目标融合装置；100-获取模块、200-判断模块、300-融合模块。
具体实施方式
[0038]
下面详细描述本技术的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
[0039]
下面参考附图描述本技术实施例的基于ds证据理论的目标融合方法、装置、车辆及介质。针对上述背景技术中提到的相关技术中的目标融合算法在不确定、模糊以及不完整的信息场景下，会导致融合结果与实际偏差较大、通过人工调参降低效率以及计算结果较差的问题，本技术提供了一种基于ds证据理论的目标融合方法，在该方法中，通过获取基于融合目标得到的多个传感器的共同关联对象，计算其冲突系数，并判断冲突系数是否大于预设阈值，若冲突系数小于或等于预设阈值，则利用预设ds证据理论计算多个传感器的
权重，基于权重对多个传感器的视觉观测值进行加权融合，得到融合观测值并作为融合结果，减少了工作量，提升了计算的精准度及效率。由此，解决了相关技术中的目标融合算法在不确定、模糊以及不完整的信息场景下，会导致融合结果与实际偏差较大、通过人工调参降低效率以及计算结果较差的问题。
[0040]
具体而言，图1为本技术实施例所提供的一种基于ds证据理论的目标融合方法的流程示意图。
[0041]
如图1所示，该基于ds证据理论的目标融合方法包括以下步骤：
[0042]
在步骤s101中，获取基于融合目标得到的多个传感器的共同关联对象，计算共同关联对象的冲突系数。
[0043]
进一步地，在本技术的一个实施例中，获取基于融合目标得到的多个传感器的共同关联对象，包括：基于预设的多个维度，计算融合目标与多个传感器观测目标的多个马氏距离观测值；根据多个马氏距离观测值中的最小值确定多个传感器的共同关联对象。
[0044]
进一步地，在本技术的一个实施例中，在获取基于融合目标得到的多个传感器的共同关联对象之前，还包括：根据车辆的视觉传感器数据对雷达传感器数据进行预处理；基于预设时间基准，同步视觉传感器数据和雷达传感器数据的时间戳。
[0045]
具体地，本技术实施例的基于ds证据理论的目标融合方法主要包括四个过程，分别为：数据预处理、目标关联、传感器权重计算以及目标融合。其中，数据预处理主要功能为去除错误数据以及不关心的数据；目标关联主要功能为将融合目标与当前所有传感器的观测关联起来；传感器权重计算主要功能为根据ds证据理论，计算不同传感器的融合权重；目标融合主要功能为根据融合权重更新目标状态。下面根据具体实施例进行详细论述。
[0046]
具体地，如图2所示，本技术实施例在获取基于融合目标得到的多个传感器的共同关联对象之前，首先，对数据进行预处理，即车辆的视觉传感器数据对雷达传感器数据进行预处理。
[0047]
进一步地，由于在传感器的观测过程中，雷达传感器会出现虚目标，而视觉传感器一般不会出现虚目标，所以首先利用视觉传感器的目标去除雷达传感器的虚目标，从而去除雷达传感器一些明显错误的数据；此外由于传感器收发数据的周期不同，会造成不同传感器收到的数据时间戳也不同，因此还需要对不同传感器的数据进行时间同步，基于预设时间基准，同步视觉传感器数据和雷达传感器数据的时间戳。其中，预设时间可以是用户自行设定的时间阈值，也可以为经计算机多次仿真得到的阈值，在此不做具体限定。
[0048]
其次，如图2所示，车辆的视觉传感器数据对雷达传感器数据进行预处理后，进一步对于融合目标和多个传感器观测目标的多个马氏距离观测值进行计算。其中，可以根据横向位置、纵向位置、横向速度、纵向速度、横向加速度、纵向加速度六个维度进行选择，从而计算融合目标与多个传感器观测目标的多个马氏距离，并选择多个马氏距离最小的观测值作为融合目标多个传感器的共同关联对象。
[0049]
再次，如图2所示，本技术实施例的第三个主要过程为利用ds证据理论计算传感器的权重，其中，ds证据理论可以对不确定或者不完整的信息进行处理，但在处理之前应当首先判断ds证据理论之间是否存在冲突，由于证据理论信息是独立的，因此证据体可能存在冲突。具体可以通过证据冲突理论的冲突系数k判断证据理论中是否存在冲突，k越大说明证据体对命题的支持程度越不统一，其中，冲突系数可以表示为：
[0050][0051]
其中，m1(x)和m2(y)分别为目标x和目标y的基本概率分配函数，基本概率分配函数满足a为命题，u为命题的全集，又称辨识框架。
[0052]
在步骤s102中，判断冲突系数是否大于预设阈值。
[0053]
进一步地，在本技术的一个实施例中，上述的基于ds证据理论的目标融合方法，还包括：若冲突系数大于预设阈值，则将多个传感器的视觉观测值中的最小视觉观测值作为融合结果。
[0054]
其中，预设阈值可以为用户自行设定的阈值，也可以为经计算机多次仿真后得到的阈值，在此不做具体限定。
[0055]
具体地，通过计算得出多个传感器的共同关联对象的冲突系数后，对其进一步进行判断冲突系数是否大于预设阈值，若冲突系数大于预设阈值，则认为ds证据理论之间存在冲突，因为视觉传感器的虚目标较少，所以可以选择视觉目标作为融合目标，即将上述计算得出的多个传感器的视觉观测值中的最小视觉观测值作为融合结果。
[0056]
在步骤s103中，若冲突系数小于或等于预设阈值，则利用预设ds证据理论计算多个传感器的权重，基于权重对多个传感器的视觉观测值进行加权融合，得到融合观测值，并将融合观测值作为融合结果。
[0057]
进一步地，在本技术的一个实施例中，利用预设ds证据理论计算多个传感器的权重，包括：根据多个传感器的目标特性确定证据理论的证据体和焦元个数；根据多个传感器的目标特性分配证据体的概率；基于预设ds证据理论，根据证据体的概率和焦元个数计算组合基本概率，并将组合基本概率作为多个传感器的权重。
[0058]
具体地，若冲突系数小于或等于预设阈值，则利用预设ds证据理论计算多个传感器的权重。也就是说，可以根据多个感兴趣的传感器特目标特性，例如，目标横向位置、目标纵向位置、目标横向速度、目标纵向速度等作为证据理论的证据体，将不同传感器看作不同命题即证据理论中的焦元，从而确定证据理论的证据体和焦元个数。
[0059]
进一步地，基于不同的证据理论的证据体，根据其对命题支持的程度分配相应概率，即根据多个传感器的目标特性分配证据体的概率。例如，证据体为纵向位置时，因为雷达传感器对纵向距离测量较准确，因此给雷达传感器分配0.8的概率，给视觉传感器分配0.2概率，其他证据体按照传感器特性依次分配概率，分配好概率之后，对这些证据体分配的概率利用ds合成规则，如公式(2)所示，根据证据体的概率和焦元个数计算组合基本概率，并将组合基本概率作为该传感器的融合权重。
[0060][0061]
其中，mi(x)和mj(y)分别表示第i个、第j个证据关于目标基本概率分配函数。
[0062]
最后，如图2所示，基于多个传感器计算得出的权重对多个传感器的视觉观测值进行加权融合，得到融合观测值，并将融合观测值作为融合结果，从而得到融合目标。
[0063]
综上，为了便于本领域技术人员更清晰的了解本技术实施例，栽面根据其具体逻辑流程图进行进一步说明，如图2所示，具体步骤如下：
[0064]
s201，开始。
[0065]
s202，数据预处理。
[0066]
s203，传感器时间同步。
[0067]
s204，计算融合目标与观测目标的马氏距离。
[0068]
s205，选择马氏距离的最小观测值为关联对象。
[0069]
s206，计算冲突系数k。
[0070]
s207，判断k是否大于阈值，若是，则执行s208，否则，跳转执行s209.
[0071]
s208，将视觉观测值作为融合结果，并跳转执行s213。
[0072]
s209，确定证据体与焦元个数。
[0073]
s210，分配基本概率。
[0074]
s211，根据ds合成规则计算组合基本概率作为该传感器权重。
[0075]
s212，不同传感器观测值进行加权融合得到融合后的融合目标。
[0076]
s213，结束。
[0077]
根据本技术实施例提出的基于ds证据理论的目标融合方法，通过获取基于融合目标得到的多个传感器的共同关联对象，计算其冲突系数，并判断冲突系数是否大于预设阈值，若冲突系数小于或等于预设阈值，则利用预设ds证据理论计算多个传感器的权重，基于权重对多个传感器的视觉观测值进行加权融合，得到融合观测值并作为融合结果，减少了工作量，提升了计算的精准度及效率。由此，解决了相关技术中的目标融合算法在不确定、模糊以及不完整的信息场景下，会导致融合结果与实际偏差较大、通过人工调参降低效率以及计算结果较差的问题。
[0078]
其次参照附图描述根据本技术实施例提出的基于ds证据理论的目标融合装置。
[0079]
图3是本技术实施例的基于ds证据理论的目标融合装置的方框示意图。
[0080]
如图3所示，该基于ds证据理论的目标融合装置10包括：获取模块100、判断模块200和融合模块300。
[0081]
其中，获取模块100，用于获取基于融合目标得到的多个传感器的共同关联对象，计算共同关联对象的冲突系数；
[0082]
判断模块200，用于判断冲突系数是否大于预设阈值；以及
[0083]
融合模块300，用于若冲突系数小于或等于预设阈值，则利用预设ds证据理论计算多个传感器的权重，基于权重对多个传感器的视觉观测值进行加权融合，得到融合观测值，并将融合观测值作为融合结果。
[0084]
进一步地，在本技术的一个实施例中，上述的基于ds证据理论的目标融合装置10，还包括：
[0085]
若冲突系数大于预设阈值，则将多个传感器的视觉观测值中的最小视觉观测值作为融合结果。
[0086]
进一步地，在本技术的一个实施例中，获取模块100，包括：第一计算单元和确定单元。
[0087]
其中，第一计算单元，用于基于预设的多个维度，计算融合目标与多个传感器观测目标的多个马氏距离观测值。
[0088]
确定单元，用于根据多个马氏距离观测值中的最小值确定多个传感器的共同关联对象。
[0089]
进一步地，在本技术的一个实施例中，在获取基于融合目标得到的多个传感器的共同关联对象之前，获取模块100，还包括：预处理单元和同步单元。
[0090]
其中，预处理单元，用于根据车辆的视觉传感器数据对雷达传感器数据进行预处理。
[0091]
同步单元，用于基于预设时间基准，同步视觉传感器数据和雷达传感器数据的时间戳。
[0092]
进一步地，在本技术的一个实施例中，融合模块300，包括：确定单元、分配单元和第二计算单元。
[0093]
其中，确定单元，用于根据多个传感器的目标特性确定证据理论的证据体和焦元个数。
[0094]
分配单元，用于根据多个传感器的目标特性分配证据体的概率。
[0095]
第二计算单元，用于基于预设ds证据理论，根据证据体的概率和焦元个数计算组合基本概率，并将组合基本概率作为多个传感器的权重。
[0096]
进一步地，在本技术的一个实施例中，获取模块100，包括：
[0097]
计算单元，用于通过预设的冲突系数计算公式，计算共同关联对象的冲突系数，其中，预设的冲突系数计算公式为：
[0098][0099]
其中，m1(x)和m2(y)分别为目标x和目标y的基本概率分配函数。
[0100]
根据本技术实施例提出的基于ds证据理论的目标融合装置，通过获取基于融合目标得到的多个传感器的共同关联对象，计算其冲突系数，并判断冲突系数是否大于预设阈值，若冲突系数小于或等于预设阈值，则利用预设ds证据理论计算多个传感器的权重，基于权重对多个传感器的视觉观测值进行加权融合，得到融合观测值并作为融合结果，减少了工作量，提升了计算的精准度及效率。由此，解决了相关技术中的目标融合算法在不确定、模糊以及不完整的信息场景下，会导致融合结果与实际偏差较大、通过人工调参降低效率以及计算结果较差的问题。
[0101]
图4为本技术实施例提供的车辆的结构示意图。该车辆可以包括：
[0102]
存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序。
[0103]
处理器402执行程序时实现上述实施例中提供的基于ds证据理论的目标融合方法。
[0104]
进一步地，车辆还包括：
[0105]
通信接口403，用于存储器401和处理器402之间的通信。
[0106]
存储器401，用于存放可在处理器402上运行的计算机程序。
[0107]
存储器401可能包含高速ram(random access memory，随机存取存储器)存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。
[0108]
如果存储器401、处理器402和通信接口403独立实现，则通信接口403、存储器401和处理器402可以通过总线相互连接并完成相互间的通信。总线可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component，外部设备互连)总线或eisa(extended industry standard architecture，扩展工业标准体系结构)
总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0109]
可选的，在具体实现上，如果存储器401、处理器402及通信接口403，集成在一块芯片上实现，则存储器401、处理器402及通信接口403可以通过内部接口完成相互间的通信。
[0110]
处理器402可能是一个cpu(central processing unit，中央处理器)，或者是asic(application specific integrated circuit，特定集成电路)，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。
[0111]
本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的基于ds证据理论的目标融合方法。
[0112]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或n个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0113]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“n个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0114]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更n个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0115]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，n个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列，现场可编程门阵列等。
[0116]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0117]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。
技术特征：1.一种基于ds证据理论的目标融合方法，其特征在于，包括以下步骤：获取基于融合目标得到的多个传感器的共同关联对象，计算所述共同关联对象的冲突系数；判断所述冲突系数是否大于预设阈值；以及若所述冲突系数小于或等于所述预设阈值，则利用预设ds证据理论计算所述多个传感器的权重，基于所述权重对所述多个传感器的视觉观测值进行加权融合，得到融合观测值，并将所述融合观测值作为融合结果。2.根据权利要求1所述的方法，其特征在于，还包括：若所述冲突系数大于预设阈值，则将所述多个传感器的视觉观测值中的最小视觉观测值作为所述融合结果。3.根据权利要求1所述的方法，其特征在于，所述获取基于融合目标得到的多个传感器的共同关联对象，包括：基于预设的多个维度，计算所述融合目标与所述多个传感器观测目标的多个马氏距离观测值；根据所述多个马氏距离观测值中的最小值确定所述多个传感器的共同关联对象。4.根据权利要求3所述的方法，其特征在于，在获取基于所述融合目标得到的所述多个传感器的共同关联对象之前，还包括：根据车辆的视觉传感器数据对雷达传感器数据进行预处理；基于预设时间基准，同步所述视觉传感器数据和所述雷达传感器数据的时间戳。5.根据权利要求1所述的方法，其特征在于，所述利用预设ds证据理论计算所述多个传感器的权重，包括：根据所述多个传感器的目标特性确定证据理论的证据体和焦元个数；根据所述多个传感器的目标特性分配所述证据体的概率；基于所述预设ds证据理论，根据所述证据体的概率和所述焦元个数计算组合基本概率，并将所述组合基本概率作为所述多个传感器的权重。6.根据权利要求1所述的方法，其特征在于，所述计算所述共同关联对象的冲突系数，包括：通过预设的冲突系数计算公式，计算所述共同关联对象的冲突系数，其中，所述预设的冲突系数计算公式为：其中，m1(x)和m2(y)分别为目标x和目标y的基本概率分配函数。7.一种基于ds证据理论的目标融合装置，其特征在于，包括获取模块，用于获取基于融合目标得到的多个传感器的共同关联对象，计算所述共同关联对象的冲突系数；判断模块，用于判断所述冲突系数是否大于预设阈值；以及融合模块，用于若所述冲突系数小于或等于所述预设阈值，则利用预设ds证据理论计算所述多个传感器的权重，基于所述权重对所述多个传感器的视觉观测值进行加权融合，得到融合观测值，并将所述融合观测值作为融合结果。8.根据权利要求7所述的装置，其特征在于，还包括：
若所述冲突系数大于预设阈值，则将所述多个传感器的视觉观测值中的最小视觉观测值作为所述融合结果。9.一种车辆，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-6任一项所述的基于ds证据理论的目标融合方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-6任一项所述的基于ds证据理论的目标融合方法。
技术总结本申请涉及一种基于DS证据理论的目标融合方法、装置、车辆及介质，其中，方法包括：获取基于融合目标得到的多个传感器的共同关联对象，计算共同关联对象的冲突系数；判断冲突系数是否大于预设阈值；若冲突系数小于或等于预设阈值，则利用预设DS证据理论计算多个传感器的权重，基于权重对多个传感器的视觉观测值进行加权融合，得到融合观测值，并将融合观测值作为融合结果。本申请实施例的基于DS证据理论的目标融合方法，根据DS的合成规则在将多个传感器进行加权融合后，得到最终融合目标状态，减少了工作量，提升了计算的精准度及效率。提升了计算的精准度及效率。提升了计算的精准度及效率。
技术研发人员：刘辉 任凡 陈剑斌 王皓
受保护的技术使用者：重庆长安汽车股份有限公司
技术研发日：2022.06.30
技术公布日：2022/11/1
