本發(fā)明涉及傳感數據融合，尤其涉及一種用于無人駕駛預控制器的多傳感器數據融合方法。

背景技術：

1、在無人駕駛預控制器中，預控制器的設計與實現對確保車輛的安全性和駕駛性能至關重要，預控制器需要實時處理來自不同傳感器的數據，以生成準確的控制指令。當前的研究方向包括開發(fā)更為先進的數據融合技術，以提高預控制器對多傳感器數據的處理能力，通過收集來自不同傳感器的原始數據，并對其進行預處理，以確保數據的質量和一致性，并采用先進的融合算法，如多層次融合網絡或自適應融合模型，對處理后的多傳感器數據進行綜合分析，以提取有價值的信息，并將融合結果輸入到預控制器中，以生成精確的控制指令，從而提升無人駕駛預控制器的響應速度和決策準確性。然而，在現有技術中，多傳感器數據融合方法通常側重于利用單一的融合策略來處理傳感器數據，這些方法雖然在某些應用場景下能夠提供有效的數據整合，但在面對動態(tài)環(huán)境、傳感器故障和數據不一致性的復雜情況下，性能往往受到限制。

技術實現思路

1、基于此，本發(fā)明有必要提供一種用于無人駕駛預控制器的多傳感器數據融合方法，以解決至少一個上述技術問題。

2、為實現上述目的，一種用于無人駕駛預控制器的多傳感器數據融合方法，包括以下步驟：

3、步驟s1：通過無人駕駛環(huán)境多傳感器獲取無人駕駛環(huán)境障礙物位置數據、無人駕駛環(huán)境物體距離數據以及無人駕駛環(huán)境物體運動狀態(tài)數據，并對無人駕駛環(huán)境障礙物位置數據、無人駕駛環(huán)境物體距離數據以及無人駕駛環(huán)境物體運動狀態(tài)數據進行時序同步及標準化處理，得到環(huán)境障礙物位置標準數據、環(huán)境物體距離標準數據以及環(huán)境物體運動狀態(tài)標準數據；

4、步驟s2：對環(huán)境障礙物位置標準數據、環(huán)境物體距離標準數據以及環(huán)境物體運動狀態(tài)標準數據進行特征空間向量轉換，以得到環(huán)境障礙物位置空間特征向量、環(huán)境物體距離空間特征向量以及環(huán)境物體運動狀態(tài)空間特征向量；對環(huán)境障礙物位置空間特征向量、環(huán)境物體距離空間特征向量以及環(huán)境物體運動狀態(tài)空間特征向量進行多傳感器粒子濾波融合分析，以得到環(huán)境多傳感器高維融合特征表示數據；

5、步驟s3：對環(huán)境障礙物位置空間特征向量、環(huán)境物體距離空間特征向量以及環(huán)境物體運動狀態(tài)空間特征向量進行多傳感器不確定性推斷調整分析，以得到環(huán)境多傳感器不確定性調整系數；根據環(huán)境多傳感器不確定性調整系數對環(huán)境多傳感器高維融合特征表示數據進行多傳感器不確定性融合優(yōu)化，得到環(huán)境多傳感器不確定優(yōu)化融合特征數據；

6、步驟s4：對環(huán)境多傳感器不確定優(yōu)化融合特征數據進行環(huán)境空間建模處理，以生成無人駕駛多傳感器環(huán)境數據空間模型；基于無人駕駛多傳感器環(huán)境數據空間模型利用模型預測控制方法對無人駕駛預控制器進行環(huán)境狀態(tài)駕駛控制預測分析，生成無人駕駛環(huán)境狀態(tài)變化駕駛控制策略，以執(zhí)行相應的無人駕駛環(huán)境變化預控制功能。

7、進一步的，步驟s1包括以下步驟：

8、步驟s11：通過無人駕駛環(huán)境多傳感器對無人駕駛環(huán)境空間區(qū)域進行多傳感器實時監(jiān)測，得到無人駕駛環(huán)境空間多傳感器監(jiān)測數據，其中無人駕駛環(huán)境空間多傳感器監(jiān)測數據包括由高分辨率攝像頭實時監(jiān)測的環(huán)境障礙物體檢測圖像數據、由激光雷達實時監(jiān)測的環(huán)境障礙物體空間分布數據以及由慣性測量單元實時監(jiān)測的環(huán)境障礙物體運動數據；

9、步驟s12：對環(huán)境障礙物體檢測圖像數據進行障礙圖像空間定位映射，得到無人駕駛環(huán)境空間障礙物初始位置數據；基于環(huán)境障礙物體空間分布數據對無人駕駛環(huán)境空間障礙物初始位置數據進行空間位置誤差修正，得到無人駕駛環(huán)境障礙物位置數據；

10、步驟s13：基于無人駕駛環(huán)境障礙物位置數據對無人駕駛環(huán)境空間區(qū)域內的障礙物與無人駕駛設備之間進行障礙物體距離測量，得到無人駕駛環(huán)境物體距離數據；

11、步驟s14：對環(huán)境障礙物體運動數據進行物體運動動態(tài)軌跡分析，得到環(huán)境障礙物體運動動態(tài)軌跡；基于環(huán)境障礙物體運動動態(tài)軌跡對無人駕駛環(huán)境空間區(qū)域內的障礙物進行障礙物運行狀態(tài)分析，得到無人駕駛環(huán)境物體運動狀態(tài)數據；

12、步驟s15：對無人駕駛環(huán)境障礙物位置數據、無人駕駛環(huán)境物體距離數據以及無人駕駛環(huán)境物體運動狀態(tài)數據進行時序同步處理，得到在同一時序維度下的環(huán)境障礙物位置數據、環(huán)境物體距離數據以及環(huán)境物體運動狀態(tài)數據；對在同一時序維度下的環(huán)境障礙物位置數據、環(huán)境物體距離數據以及環(huán)境物體運動狀態(tài)數據進行標準化處理，得到環(huán)境障礙物位置標準數據、環(huán)境物體距離標準數據以及環(huán)境物體運動狀態(tài)標準數據。

13、進一步的，步驟s12中所述基于環(huán)境障礙物體空間分布數據對無人駕駛環(huán)境空間障礙物初始位置數據進行空間位置誤差修正包括以下步驟：

14、對環(huán)境障礙物體空間分布數據以及無人駕駛環(huán)境空間障礙物初始位置數據進行同一空間坐標系映射轉換，以得到在同一空間坐標系下的環(huán)境障礙物體空間實際分布點位以及無人駕駛環(huán)境空間障礙物初始點位；

15、基于在同一空間坐標系下的環(huán)境障礙物體空間實際分布點位對相對應的無人駕駛環(huán)境空間障礙物初始點位進行空間偏差檢測，得到無人駕駛環(huán)境障礙物初始位置偏差點位；

16、基于在同一空間坐標系下的環(huán)境障礙物體空間實際分布點位對無人駕駛環(huán)境障礙物初始位置偏差點位進行匹配位置偏差補償核算，以得到每一個初始位置偏差點位的環(huán)境障礙物位置偏差補償值；

17、根據每一個初始位置偏差點位的環(huán)境障礙物位置偏差補償值對無人駕駛環(huán)境空間障礙物初始位置數據內相對應的無人駕駛環(huán)境障礙物初始位置偏差點位進行空間位置誤差修正，得到無人駕駛環(huán)境障礙物位置數據。

18、進一步的，步驟s2包括以下步驟：

19、步驟s21：對環(huán)境障礙物位置標準數據進行空間分布特征分析，得到環(huán)境障礙物位置空間分布特征數據；

20、步驟s22：對環(huán)境物體距離標準數據進行距離模式特征分析，得到環(huán)境物體距離模式特征數據；

21、步驟s23：對環(huán)境物體運動狀態(tài)標準數據進行運動動態(tài)行為特征分析，得到環(huán)境物體運動動態(tài)行為特征數據；

22、步驟s24：對環(huán)境障礙物位置空間分布特征數據、環(huán)境物體距離模式特征數據以及環(huán)境物體運動動態(tài)行為特征數據進行特征空間向量轉換，以得到環(huán)境障礙物位置空間特征向量、環(huán)境物體距離空間特征向量以及環(huán)境物體運動狀態(tài)空間特征向量；

23、步驟s25：對環(huán)境障礙物位置空間特征向量、環(huán)境物體距離空間特征向量以及環(huán)境物體運動狀態(tài)空間特征向量進行多傳感器粒子濾波融合分析，以得到環(huán)境多傳感器高維融合特征表示數據。

24、進一步的，步驟s25包括以下步驟：

25、步驟s251：對環(huán)境障礙物位置空間特征向量、環(huán)境物體距離空間特征向量以及環(huán)境物體運動狀態(tài)空間特征向量進行時序狀態(tài)劃分處理，以得到在初始狀態(tài)下的障礙物位置、物體距離和物體運動狀態(tài)空間特征向量以及在動態(tài)變化狀態(tài)下的障礙物位置、物體距離和物體運動狀態(tài)空間特征向量；

26、步驟s252：對在初始狀態(tài)下的障礙物位置、物體距離和物體運動狀態(tài)空間特征向量進行狀態(tài)表示粒子轉化，得到環(huán)境空間特征向量狀態(tài)表示粒子組；

27、步驟s253：對在動態(tài)變化狀態(tài)下的障礙物位置、物體距離和物體運動狀態(tài)空間特征向量進行未來狀態(tài)變化預測分析，得到障礙物位置、物體距離和物體運動狀態(tài)未來變化預測數據；

28、步驟s254：根據障礙物位置、物體距離和物體運動狀態(tài)未來變化預測數據對環(huán)境空間特征向量狀態(tài)表示粒子組內相對應的環(huán)境狀態(tài)表示粒子進行狀態(tài)更新加權計算，得到每一個環(huán)境狀態(tài)表示粒子在每一狀態(tài)更新時段下的狀態(tài)變化更新權重；基于每一個環(huán)境狀態(tài)表示粒子在每一狀態(tài)更新時段下的狀態(tài)變化更新權重對相對應在動態(tài)變化狀態(tài)下的障礙物位置、物體距離和物體運動狀態(tài)空間特征向量進行狀態(tài)更新重采樣，以得到每一個環(huán)境狀態(tài)表示粒子的障礙物位置狀態(tài)更新向量、物體距離狀態(tài)更新向量以及物體運動狀態(tài)更新向量；

29、步驟s255：對每一個環(huán)境狀態(tài)表示粒子的障礙物位置狀態(tài)更新向量、物體距離狀態(tài)更新向量以及物體運動狀態(tài)更新向量進行高維特征融合映射，以得到環(huán)境多傳感器高維融合特征表示數據。

30、進一步的，步驟s3包括以下步驟：

31、步驟s31：對環(huán)境障礙物位置空間特征向量進行貝葉斯先驗分布建模，生成障礙物位置特征貝葉斯先驗分布數學模型；

32、步驟s32：基于障礙物位置特征貝葉斯先驗分布數學模型對環(huán)境物體距離空間特征向量以及環(huán)境物體運動狀態(tài)空間特征向量進行后驗不確定性推斷分析，得到障礙物位置-距離貝葉斯后驗不確定性推斷數據以及障礙物位置-運動狀態(tài)貝葉斯后驗不確定性推斷數據；

33、步驟s33：根據障礙物位置-距離貝葉斯后驗不確定性推斷數據以及障礙物位置-運動狀態(tài)貝葉斯后驗不確定性推斷數據進行動態(tài)變異度量分析，得到障礙物位置-距離動態(tài)不確定性變異度量值以及障礙物位置-運動狀態(tài)動態(tài)不確定性變異度量值；

34、步驟s34：利用多傳感器不確定性調整計算公式對障礙物位置-距離動態(tài)不確定性變異度量值以及障礙物位置-運動狀態(tài)動態(tài)不確定性變異度量值進行不確定性調整計算，以得到環(huán)境多傳感器不確定性調整系數；

35、步驟s35：根據環(huán)境多傳感器不確定性調整系數對環(huán)境多傳感器高維融合特征表示數據進行多傳感器不確定性融合優(yōu)化，得到環(huán)境多傳感器不確定優(yōu)化融合特征數據。

36、進一步的，步驟s33包括以下步驟：

37、對障礙物位置-距離貝葉斯后驗不確定性推斷數據以及障礙物位置-運動狀態(tài)貝葉斯后驗不確定性推斷數據進行不確定性時序動態(tài)變化分析，得到障礙物位置-距離不確定性時序動態(tài)變化數據以及障礙物位置-運動狀態(tài)不確定性時序動態(tài)變化數據；

38、對障礙物位置-距離不確定性時序動態(tài)變化數據以及障礙物位置-運動狀態(tài)不確定性時序動態(tài)變化數據進行時序變化曲線圖繪制，以生成障礙物位置-距離不確定性時序變化曲線圖以及障礙物位置-運動狀態(tài)不確定性時序變化曲線圖；

39、對障礙物位置-距離不確定性時序變化曲線圖以及障礙物位置-運動狀態(tài)不確定性時序變化曲線圖進行變化曲線振幅統(tǒng)計分析，得到障礙物位置-距離不確定性時序變化波動振幅以及障礙物位置-運動狀態(tài)不確定性時序變化波動振幅；

40、基于障礙物位置-距離不確定性時序變化波動振幅以及障礙物位置-運動狀態(tài)不確定性時序變化波動振幅對障礙物位置-距離不確定性時序變化曲線圖以及障礙物位置-運動狀態(tài)不確定性時序變化曲線圖進行動態(tài)變異度量分析，得到障礙物位置-距離動態(tài)不確定性變異度量值以及障礙物位置-運動狀態(tài)動態(tài)不確定性變異度量值。

41、進一步的，所述基于障礙物位置-距離不確定性時序變化波動振幅以及障礙物位置-運動狀態(tài)不確定性時序變化波動振幅對障礙物位置-距離不確定性時序變化曲線圖以及障礙物位置-運動狀態(tài)不確定性時序變化曲線圖進行動態(tài)變異度量分析包括以下步驟：

42、基于障礙物位置-距離不確定性時序變化波動振幅對障礙物位置-距離不確定性時序變化曲線圖進行距離時序變化區(qū)間劃分，以得到障礙物位置-距離不確定性變化穩(wěn)定時序區(qū)間以及障礙物位置-距離不確定性變化波動時序區(qū)間；

43、根據障礙物位置-距離不確定性變化穩(wěn)定時序區(qū)間以及障礙物位置-距離不確定性變化波動時序區(qū)間對障礙物位置-距離不確定性時序變化曲線圖進行距離動態(tài)變異度量分析，得到障礙物位置-距離動態(tài)不確定性變異度量值；

44、基于障礙物位置-運動狀態(tài)不確定性時序變化波動振幅對障礙物位置-運動狀態(tài)不確定性時序變化曲線圖進行運動狀態(tài)時序變化區(qū)間劃分，以得到障礙物位置-運動狀態(tài)不確定性變化穩(wěn)定時序區(qū)間以及障礙物位置-運動狀態(tài)不確定性變化波動時序區(qū)間；

45、根據障礙物位置-運動狀態(tài)不確定性變化穩(wěn)定時序區(qū)間以及障礙物位置-運動狀態(tài)不確定性變化波動時序區(qū)間對障礙物位置-運動狀態(tài)不確定性時序變化曲線圖進行運動狀態(tài)動態(tài)變異度量分析，得到障礙物位置-運動狀態(tài)動態(tài)不確定性變異度量值。

46、進一步的，步驟s34中的多傳感器不確定性調整計算公式具體為：

47、

48、式中，ut為環(huán)境多傳感器不確定性調整系數，n為無人駕駛環(huán)境中傳感器的數量，i為傳感器的項次度量參數，t為觀察時間窗口總時長，t為積分時間變量參數，wi為第i個傳感器的不確定性權重系數，di(t)為第i個傳感器在時間t處的障礙物體距離測量值，αi為第i個傳感器的障礙物位置-距離動態(tài)不確定性變異度量值，mi(t)為第i個傳感器在時間t處的障礙物體運動狀態(tài)測量值，βi為第i個傳感器的障礙物位置-運動狀態(tài)動態(tài)不確定性變異度量值，η為環(huán)境多傳感器不確定性調整系數的修正參數。

49、進一步的，步驟s4包括以下步驟：

50、步驟s41：對環(huán)境多傳感器不確定優(yōu)化融合特征數據進行環(huán)境融合特征點云采樣，得到環(huán)境多傳感器融合特征點云集；

51、步驟s42：根據環(huán)境多傳感器融合特征點云集進行環(huán)境空間建模處理，以生成無人駕駛多傳感器環(huán)境數據空間模型；

52、步驟s43：基于無人駕駛多傳感器環(huán)境數據空間模型利用模型預測控制方法對無人駕駛預控制器進行環(huán)境狀態(tài)變化響應控制預測，以生成無人駕駛環(huán)境狀態(tài)預測變化響應控制指令；

53、步驟s44：通過將無人駕駛環(huán)境狀態(tài)預測變化響應控制指令響應于無人駕駛預控制器并進行環(huán)境狀態(tài)變化駕駛控制策略分析，生成無人駕駛環(huán)境狀態(tài)變化駕駛控制策略，以執(zhí)行相應的無人駕駛環(huán)境變化預控制功能。

54、本發(fā)明的有益效果：

55、本發(fā)明所提出的用于無人駕駛預控制器的多傳感器數據融合方法，與現有技術相比，本技術的有益效果在于通過使用相應的無人駕駛環(huán)境多傳感器(包括高分辨率攝像頭、激光雷達以及慣性測量單元)對無人駕駛環(huán)境空間區(qū)域進行多傳感器實時監(jiān)測，使得傳感器設備能夠全面獲取無人駕駛環(huán)境內的多源傳感數據，這樣通過獲取無人駕駛環(huán)境中障礙物的初始位置，不僅包括對圖像處理算法的應用，確保圖像中每一個障礙物的空間坐標都能被精確識別，同時還涉及對環(huán)境障礙物體空間分布數據的結合使用，通過對初始位置數據的空間位置誤差修正，可以更準確地確定障礙物的真實位置。通過基于無人駕駛環(huán)境障礙物位置數據對無人駕駛環(huán)境空間區(qū)域內的障礙物與無人駕駛設備之間進行障礙物體距離測量，能夠測量障礙物與無人駕駛設備之間的距離，從而提高整個無人駕駛預控制器的適應性與智能化程度。還通過對環(huán)境障礙物體運動數據進行物體運動動態(tài)軌跡分析，能夠提供了對障礙物行為的深入了解，通過分析這些數據，能夠識別障礙物的運動模式，比如速度、加速度及運動方向等動態(tài)特征，這種分析不僅有助于實時判斷障礙物的運動狀態(tài)，還能為無人駕駛預控制器預測障礙物的未來位置提供依據，并基于障礙物的運動動態(tài)軌跡，能夠有效進行障礙物的運行狀態(tài)分析，以評估其對無人駕駛設備的潛在威脅，從而為無人駕駛預控制器的智能決策提供了重要信息。同時，通過無人駕駛環(huán)境障礙物位置數據、無人駕駛環(huán)境物體距離數據以及無人駕駛環(huán)境物體運動狀態(tài)數據進行時序同步處理，確保它們在同一時序維度下進行分析和處理，這一過程可以通過時間戳和同步算法來實現，使得所有數據在同一時刻被整合，以便進行進一步的分析。此外，還通過對在同一時序維度下的環(huán)境障礙物位置數據、環(huán)境物體距離數據以及環(huán)境物體運動狀態(tài)數據進行標準化處理，不僅改善了不同數據源間的可比性，還減少了由于傳感器特性和測量誤差導致的數據偏差，增加了數據的可靠性與一致性，使其能更好地應對復雜、動態(tài)的環(huán)境。其次，通過對環(huán)境障礙物位置標準數據、環(huán)境物體距離標準數據以及環(huán)境物體運動狀態(tài)標準數據進行特征空間向量轉換，這種特征空間向量的轉換有助于將不同類型的數據整合成統(tǒng)一的表示形式，從而便于后續(xù)的分析和處理，特征空間向量化的過程使得數據在同一特征空間中進行比較和綜合，從而能夠更好地反映環(huán)境的整體特征和復雜性，這一過程不僅提升了數據處理的效率，也改善了數據分析的精確性，使得無人駕駛預控制器能夠在多維度數據的基礎上進行更為精細和準確的決策支持。還通過對環(huán)境障礙物位置空間特征向量、環(huán)境物體距離空間特征向量以及環(huán)境物體運動狀態(tài)空間特征向量進行多傳感器粒子濾波融合分析，粒子濾波是一種用于處理非線性和非高斯系統(tǒng)的高級數據融合方法，通過對多維特征向量進行融合，可以得到更加全面和準確的環(huán)境特征表示數據，粒子濾波融合能夠綜合各類傳感器數據的優(yōu)點，減小單個傳感器數據存在的誤差和噪聲，從而提高最終特征表示的可靠性和準確性，這種高維融合特征表示數據提供了對環(huán)境的全面視角，使無人駕駛預控制器能夠在復雜的動態(tài)環(huán)境中進行更精確的感知和決策，從而顯著提升了預控制器的整體性能和安全性。然后，通過對環(huán)境障礙物位置空間特征向量、環(huán)境物體距離空間特征向量以及環(huán)境物體運動狀態(tài)空間特征向量進行多傳感器不確定性推斷調整分析，能夠綜合考慮多個傳感器的數據不確定性，從而優(yōu)化不確定性融合的效果，這一調整過程可以消除單一傳感器存在的偏差和誤差，使得傳感器數據在融合過程中更加準確，確保了對環(huán)境信息的全面而準確的理解，這種調整機制不僅提高了數據融合的質量，還減少了由于傳感器誤差帶來的不確定性，從而增強了整體數據融合過程的穩(wěn)定性和魯棒性。并且，通過根據環(huán)境多傳感器不確定性調整系數對多傳感器高維融合特征進行優(yōu)化，能夠提升特征數據的質量和準確性，使得能夠更好地理解和分析環(huán)境中的復雜信息，優(yōu)化后的多傳感器融合數據不僅增強了對障礙物的檢測和識別能力，還提升了整體決策的可靠性，從而能夠有效整合了來自不同傳感器的環(huán)境數據，減少了數據冗余和不一致性，使得最終的融合特征數據更加準確，支持更高效的環(huán)境感知和處理。最后，通過對環(huán)境多傳感器不確定優(yōu)化融合特征數據進行環(huán)境空間建模處理，可以生成詳細且精確的環(huán)境數據空間模型，這種模型不僅包含了環(huán)境中的靜態(tài)物體(如道路、建筑物等)的三維信息，還能夠捕捉到動態(tài)變化的元素(如移動的行人、車輛等)，這種空間模型為無人駕駛預控制器提供了豐富的環(huán)境信息，使其能夠更準確地理解周圍的環(huán)境和障礙物的分布。通過空間建模，可以進行更為有效的路徑規(guī)劃、碰撞檢測和環(huán)境感知，進而提高無人駕駛預控制器的安全性和可靠性，從而優(yōu)化無人駕駛車輛的控制算法和決策策略。此外，還通過基于無人駕駛多傳感器環(huán)境數據空間模型利用模型預測控制方法對無人駕駛預控制器進行環(huán)境狀態(tài)變化駕駛控制策略分析，這一過程確保了無人駕駛車輛能夠根據環(huán)境變化做出及時和有效的反應，通過將控制指令應用到車輛的預控制系統(tǒng)中，可以對環(huán)境中的各種變化(如障礙物的出現、道路條件的變化等)作出實時響應。同時，環(huán)境狀態(tài)變化駕駛控制策略分析能夠幫助無人駕駛預控制器評估不同控制策略的效果，優(yōu)化控制策略，從而提升無人駕駛預控制器的響應速度和決策能力，這不僅增強了無人駕駛預控制器在復雜和動態(tài)環(huán)境中的適應能力，還能顯著提高車輛的行駛安全性和舒適性，從而在實際駕駛中實現更高水平的自動駕駛性能，通過這種方法，無人駕駛預控制器能夠有效地整合來自不同傳感器的數據，減少因數據不一致性和傳感器故障引起的誤差，從而提高無人駕駛預控制器的整體性能和安全性，這一技術的應用將顯著增強無人駕駛車輛在復雜環(huán)境中的運行能力，并能夠增強無人駕駛預控制器的避障控制性能。