多传感器数据的融合方法、装置、计算机设备和存储介质与流程

1.本技术涉及计算机技术领域，特别是涉及一种多传感器数据的融合方法、装置、计算机设备和存储介质。


背景技术：

2.多传感器数据的融合，是指利用计算机技术将来自多传感器或多源的信息和数据，在一定的准则下加以自动分析和综合，以完成所需要的决策和估计而进行的数据处理过程。
3.传统技术中，多传感器数据的融合技术一般分为两类，一种是感知前融合，一种是感知后融合。感知前融合是指将激光雷达的点云或毫米波雷达的观测结果投影到相机的图像上实现多传感器观测的融合。感知后融合是指不同传感器的观测结果互不干扰直接进行感知处理，输出感知数据，最后通过卡尔曼滤波的方式实现不同传感器感知数据的融合并输出。
4.然而传统的感知后融合技术依赖于卡尔曼滤波技术的使用，传统卡尔曼滤波技术结果的优劣也依赖于不同传感器观测噪音的精确度，当传感器观测噪音不准确时，会导致多传感器数据融合结果的准确性较低。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提高多传感器数据融合结果准确性的多传感器数据的融合方法、装置、计算机设备和存储介质。
6.第一方面，本技术提供了一种多传感器数据的融合方法。该方法包括：
7.获取多种传感器发送的目标物体在预设时间段内的多种状态感知数据；每种传感器发送一种状态感知数据；
8.调用预设状态更新关系，根据每种状态感知数据，确定目标物体在预设时间段内每种状态感知数据对应的实际状态数据；
9.将每种状态感知数据对应的实际状态数据进行融合，得到多种状态感知数据的融合结果。
10.在其中一个实施例中，预设时间段包括多个观测时刻，每个观测时刻对应一种传感器的状态感知数据；调用预设状态更新关系，根据每种状态感知数据，确定目标物体在预设时间段内每种状态感知数据对应的实际状态数据包括：
11.针对每种状态感知数据，将预设时段内该种状态感知数据对应的首个观测时刻作为第一观测时刻，并将首个观测时刻的状态感知数据作为第一观测时刻的实际状态数据；
12.调用预设状态更新关系中的状态预测关系，根据第一观测时刻的实际状态数据，预测第二观测时刻的状态预测数据；第二观测时刻为第一观测时刻之后首次对应该种状态感知数据的时刻；
13.将第二观测时刻的状态预测数据与第二观测时刻对应的该种状态感知数据进行
匹配；
14.当匹配成功时，调用预设状态更新关系中的观测噪音矩阵更新关系，根据第二观测时刻对应的该种状态感知数据与第二观测时刻的状态预测数据，确定第二观测时刻的实际状态数据；
15.将第二观测时刻更新为第一观测时刻，返回至调用预设状态更新关系中的状态预测关系，根据第一观测时刻的实际状态数据，预测第二观测时刻的状态预测数据的步骤，直至得到目标物体在预设时间段内的实际状态数据。
16.在其中一个实施例中，调用预设状态更新关系中的观测噪音矩阵更新关系，根据第二观测时刻对应的状态感知数据与第二观测时刻的状态预测数据，确定第二观测时刻的实际状态数据包括：
17.调用预设状态更新关系中的观测噪音矩阵更新关系，对第一观测时刻的观测噪音矩阵进行更新，得到第二观测时刻的观测噪音矩阵；
18.调用预设状态更新关系中的状态校正关系，根据第二观测时刻对应的该种状态感知数据、第二观测时刻的状态预测数据和第二观测时刻的观测噪音矩阵，确定第二观测时刻的实际状态数据。
19.在其中一个实施例中，该方法还包括：
20.当第一观测时刻为首个观测时刻时，将预先设置的观测噪音矩阵作为第一观测时刻的观测噪音矩阵。
21.在其中一个实施例中，调用预设状态更新关系中的状态校正关系，根据第二观测时刻对应的该种状态感知数据、第二观测时刻的状态预测数据和第二观测时刻的观测噪音矩阵，确定第二观测时刻的实际状态数据包括：
22.调用预设状态更新关系中的状态校正关系，根据第二观测时刻的状态预测数据和第二观测时刻的观测噪音矩阵，对第二观测时刻对应的该种状态感知数据进行状态校正，得到第二观测时刻的实际状态数据。
23.在其中一个实施例中，调用预设状态更新关系中的观测噪音矩阵更新关系，根据第二观测时刻对应的该种状态感知数据与第二观测时刻的状态预测数据，确定第二观测时刻的实际状态数据，包括：
24.对所述第二观测时刻对应的状态感知数据和所述第二观测时刻之前已匹配成功的状态感知数据，进行时序管理，得到所述第二观测时刻的目标预测数据和所述第二观测时刻的目标感知数据；
25.将所述第二观测时刻的状态预测数据更新为所述第二观测时刻的目标预测数据；
26.调用所述预设状态更新关系中的观测噪音矩阵更新关系，根据所述第二观测时刻的目标感知数据与所述第二观测时刻的目标预测数据，确定第二观测时刻的实际状态数据。
27.在其中一个实施例中，调用预设状态更新关系，根据每种状态感知数据，确定目标物体在预设时间段内每种状态感知数据对应的实际状态数据包括：
28.对每种状态感知数据进行过滤处理，得到每种传感器对应的过滤后的每种状态感知数据；
29.调用预设状态更新关系，根据过滤后的每种状态感知数据，确定目标物体在预设
时间段内过滤后的每种状态感知数据的实际状态数据。
30.第二方面，本技术还提供了一种多传感器数据的融合装置。该装置包括：
31.状态获取模块，用于获取多种传感器发送的目标物体在预设时间段内的多种状态感知数据；每种传感器发送一种状态感知数据；
32.状态更新模块，用于调用预设状态更新关系，根据每种状态感知数据，确定目标物体在预设时间段内每种状态感知数据对应的实际状态数据；
33.状态融合模块，用于将每种状态感知数据对应的实际状态数据进行融合，得到多种状态感知数据的融合结果。
34.第三方面，本技术还提供了一种计算机设备。该计算机设备包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以下步骤：
35.获取多种传感器发送的目标物体在预设时间段内的多种状态感知数据；每种传感器发送一种状态感知数据；
36.调用预设状态更新关系，根据每种状态感知数据，确定目标物体在预设时间段内每种状态感知数据对应的实际状态数据；
37.将每种状态感知数据对应的实际状态数据进行融合，得到多种状态感知数据的融合结果。
38.第四方面，本技术还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
39.获取多种传感器发送的目标物体在预设时间段内的多种状态感知数据；每种传感器发送一种状态感知数据；
40.调用预设状态更新关系，根据每种状态感知数据，确定目标物体在预设时间段内每种状态感知数据对应的实际状态数据；
41.将每种状态感知数据对应的实际状态数据进行融合，得到多种状态感知数据的融合结果。
42.第五方面，本技术还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
43.获取多种传感器发送的目标物体在预设时间段内的多种状态感知数据；每种传感器发送一种状态感知数据；
44.调用预设状态更新关系，根据每种状态感知数据，确定目标物体在预设时间段内每种状态感知数据对应的实际状态数据；
45.将每种状态感知数据对应的实际状态数据进行融合，得到多种状态感知数据的融合结果。
46.上述多传感器数据的融合方法、装置、计算机设备和存储介质，通过引入预设状态更新关系，能够对每种传感器的状态感知数据进行状态更新，避免了噪音数据的影响，提高了融合结果的准确性。
附图说明
47.图1为一个实施例中多传感器数据的融合方法的流程示意图；
48.图2为一个实施例中确定目标物体在预设时间段内的实际状态数据步骤的流程示
意图；
49.图3为一个实施例中确定第二观测时刻的实际状态数据步骤的流程示意图；
50.图4为另一个实施例中多传感器数据的融合方法的流程示意图；
51.图5为一个实施例中多传感器数据的融合装置的结构框图；
52.图6为一个实施例中计算机设备的内部结构图。
具体实施方式
53.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
54.本技术实施例提供了一种多传感器数据的融合方法，可以应用于计算机设备中，例如，可以应用于具有感知功能的设备。
55.在一个实施例中，如图1所示，提供了一种多传感器数据的融合方法，该方法包括以下步骤：
56.步骤102，获取多种传感器发送的目标物体在预设时间段内的多种状态感知数据；每种传感器发送一种状态感知数据。
57.其中，目标物体是指传感器能够观测到的目标。状态感知数据是指对传感器采集的观测数据进行感知处理，得到的感知数据，感知处理是指对观测数据进行目标检测，以确定目标物体的位置、大小等。观测数据是指传感器采集的原始数据。
58.具体地，在室外环境中，通过多种传感器对目标物体进行扫描，得到每种传感器采集的观测数据。其中，多种传感器可以包括雷达传感器、毫米波雷达传感器和视觉传感器中的至少两种。目标物体可以是一个，也可以是多个。比如，在自动驾驶场景中，目标物体通常是指行人、障碍物、车辆等。在超市场景中，目标物体通常是指货架、行人、购物车、以及各种商品等。不同种类的传感器会采集得到不同的观测数据，比如雷达传感器和毫米波雷达传感器采集到的目标物体的观测数据为点云数据，视觉传感器采集到的目标物体的观测数据为图像数据。
59.每种传感器对各自采集的观测数据进行感知处理，得到每种传感器对应的状态感知数据。每种传感器对应一种状态感知数据。其中，状态感知数据可以包括目标物体的位置、大小、速度等。在达到数据融合周期时，可以将当前数据融合周期确定为预设时间段，通过每种传感器将目标物体在预设时间段内的状态感知数据发送至计算机设备，计算机设备获取到多种传感器发送的目标物体在预设时间段内的多种状态感知数据，从而根据多种状态感知数据进行后续的多传感器数据融合处理。
60.步骤104，调用预设状态更新关系，根据每种状态感知数据，确定目标物体在预设时间段内每种状态感知数据对应的实际状态数据。
61.其中，预设状态更新关系是指用于更新目标物体的多种状态感知数据的自适应卡尔曼滤波算法。实际状态数据是指经过状态更新后，确定的目标物体的最终状态数据。
62.计算机设备中预先配置有预设状态更新关系，由于不同种类传感器的状态感知数据的种类是不同的，因此在更新目标物体的状态感知数据的过程中，需要将不同种类传感器的状态感知数据进行分开处理，即单独针对每种状态感知数据，确定目标物体的实际状
态数据。针对每种传感器对应的状态感知数据，计算机设备可以根据预设状态更新关系，对每种状态感知数据进行更新处理，得到每种状态感知数据对应的实际状态数据，从而得到目标物体在预设时间段内的实际状态数据。可以理解的是，每种状态感知数据对应一种实际状态数据。
63.步骤106，将每种状态感知数据对应的实际状态数据进行融合，得到多种状态感知数据的融合结果。
64.实际状态数据包括预设时间段内，目标物体的多种实际状态数据。实际状态数据为独立的点数据，即目标物体在每个观测时刻的实际状态。计算机设备可以将多种实际状态数据进行融合，得到融合结果。其中，融合结果为目标物体在预设时间端内的轨迹数据。
65.上述多传感器数据的融合方法中，通过引入预设状态更新关系，能够对每种传感器的状态感知数据进行状态更新，避免了噪音数据的影响，提高了多种状态感知数据融合的准确性。
66.在一个实施例中，如图2所示，预设时间段包括多个观测时刻，每个观测时刻对应一种状态感知数据；调用预设状态更新关系，根据每种状态感知数据，确定目标物体在预设时间段内每种状态感知数据对应的实际状态数据包括：
67.步骤202，针对每种状态感知数据，将预设时段内该种状态感知数据对应的首个观测时刻作为第一观测时刻，并将首个观测时刻的状态感知数据作为第一观测时刻的实际状态数据。
68.步骤204，调用预设状态更新关系中的状态预测关系，根据第一观测时刻的实际状态数据，预测第二观测时刻的状态预测数据；第二观测时刻为第一观测时刻之后首次对应该种状态感知数据的时刻。
69.步骤206，将第二观测时刻的状态预测数据与第二观测时刻对应的该种状态感知数据进行匹配。
70.步骤208，当匹配成功时，调用预设状态更新关系中的观测噪音矩阵更新关系，根据第二观测时刻对应的该种状态感知数据与第二观测时刻的状态预测数据，确定第二观测时刻的实际状态数据。
71.步骤210，将第二观测时刻更新为第一观测时刻，返回至调用预设状态更新关系中的状态预测关系，根据第一观测时刻的实际状态数据，预测第二观测时刻的状态预测数据的步骤，直至得到目标物体在预设时间段内的实际状态数据。
72.其中，状态预测数据是指通过预设状态更新关系预测的目标物体的状态数据。观测噪音矩阵更新关系是指用于自校正观测噪音矩阵的计算公式。
73.多种状态感知数据中每个状态感知数据对应的观测时刻是不同的，因此每个观测时刻仅对应一种传感器的感知数据。多种状态感知数据对应的观测时刻共同构成该预设时间段。
74.针对每种状态感知数据，可以采取相同的状态更新过程，来确定实际状态数据。由于传感器发送的状态感知数据并非准确的数据，在状态更新过程中，可以根据上一观测时刻的实际状态数据来预测下一观测时刻的状态预测数据。具体地，针对每种状态感知数据，将预设时间段内该种状态感知数据的首个观测时刻作为第一观测时刻，并将首个观测时刻的状态感知数据作为第一观测时刻的实际状态数据。之后调用预设状态更新关系中的状态
预测关系，其中，状态预测关系是指状态预测公式。根据第一观测时刻的实际状态数据，预测第二观测时刻的状态预测数据。其中，第二观测时刻为第一观测时刻之后首次对应该种状态感知数据的时刻，第二观测时刻可以为需要进行状态预测的时刻。通过上述方式，能够预测得到每种状态感知数据对应的状态预测数据。
75.从而将第二观测时刻的状态预测数据与第二观测时刻对应的该种状态感知数据进行匹配。若第二观测时刻的状态预测数据与第二观测时刻对应的该种状态感知数据一致，则匹配成功，表明该状态感知数据是准确的。若第二观测时刻的状态预测数据与第二观测时刻对应的该种状态感知数据不一致，则匹配失败，表明该状态感知数据不准确。
76.当匹配成功时，可以调用预设状态更新关系中的观测噪音矩阵更新关系，根据匹配成功的第二观测时刻的状态预测数据，对第二观测时刻对应的该种状态感知数据进行状态校正，以确定第二观测时刻的实际状态数据。当匹配失败时，根据匹配失败的状态感知数据，生成目标物体的轨迹数据，该轨迹数据为目标物体的新轨迹。将生成的目标物体的轨迹数据与已匹配成功的实际状态数据进行融合，得到融合结果。
77.之后，将第二观测时刻更新为第一观测时刻，返回至步骤202，重复执行上述步骤202至208，直至多种状态感知数据对应的实际状态数据预测完毕，得到目标物体在预设时间段内的实际状态数据。
78.在本实施例中，由于预设状态更新关系中包含观测噪音矩阵更新关系，能够在状态更新过程中自校正观测噪音，进一步提高了融合结果的准确性。
79.在一个实施例中，预设状态更新关系中的状态预测关系为符合运动学的状态预测关系，根据第一观测时刻的实际状态数据以及符合运动学的状态预测关系，预测第二观测时刻的状态预测数据。其中，符合运动学的状态预测关系是指符合实际应用中，目标物体的运动状态的状态预测关系。状态预测关系可以为状态预测公式。将第一观测时刻的实际状态数据输入至符合运动学的状态预设公式中，计算得到第二观测时刻的状态预测数据。例如，符合运动学的状态预测关系可以如下所示：
[0080][0081]
[0082][0083][0084]
其中，x
k-1
表示k-1观测时刻的实际状态数据，x
k-1
表示k-1观测时刻的状态感知数据中目标物体的横坐标，y
k-1
表示k-1观测时刻的状态感知数据中目标物体的纵坐标，v
k-1
表示k-1观测时刻的状态感知数据中目标物体的线速度，θv表示k-1观测时刻的状态感知数据中目标物体的线速度角度，其改变量等于角速度乘以时间，α表示k-1观测时刻目标物体的状态量，该状态量为k-1观测时刻的角速度ω
k-1
/线速度v
k-1
，如果v
k-1
＝0，k-1观测时刻到k时刻的数据变化量δxk的第四项为0，表示线速度为0时，目标物体无法转弯，符合实际运动学，θh表示k-1观测时刻目标物体的朝向角，朝向角不参与运动过程，只是和偏航角区分开，更符合目标物体的实际情况，xk表示k观测时刻的状态预测数据。
[0085]
在本实施例中，α等于角速度/线速度，当线速度为0时，目标物体无法转弯，符合实际运动学，通过符合运动学的状态预测关系进行状态预测，加强了线速度与角速度的关联，使得目标物体的实际状态数据更真实，也更符合实际情况。
[0086]
在其中一个实施例中，如图3所示，调用预设状态更新关系中的观测噪音矩阵更新关系，根据第二观测时刻对应的该种状态感知数据与第二观测时刻的状态预测数据，确定第二观测时刻的实际状态数据包括：
[0087]
步骤302，调用预设状态更新关系中的观测噪音矩阵更新关系，对第一观测时刻的观测噪音矩阵进行更新，得到第二观测时刻的观测噪音矩阵。
[0088]
步骤304，调用预设状态更新关系中的状态校正关系，根据第二观测时刻对应的该种状态感知数据、第二观测时刻的状态预测数据和第二观测时刻的观测噪音矩阵，确定第二观测时刻的实际状态数据。
[0089]
其中，观测噪音矩阵是指传感器的观测噪音矩阵，不同种类传感器的观测噪音矩
阵可以是不同的。
[0090]
在对每种状态感知数据的状态更新过程中，会根据预设状态更新关系中的观测噪音矩阵更新关系对观测噪音矩阵进行更新，以便在下一观测时刻，根据更新后的观测噪音矩阵来确定下一观测时刻的实际状态数据。
[0091]
在第二观测时刻，若该时刻的状态预测数据与对应的状态感知数据匹配成功，则计算机设备可以获取第二观测时刻的观测噪音矩阵。第二观测时刻的观测噪音矩阵是在确定第一观测时刻的实际状态数据后，根据观测噪音矩阵更新关系，对第一观测时刻的观测噪音矩阵进行更新得到的。因此，每个观测时刻的观测噪音矩阵均是实时更新后的观测噪音矩阵。
[0092]
在其中一个实施例中，当第一观测时刻为每种状态感知数据对应的首个观测时刻，可以获取预先设置的观测噪音矩阵，并将预先设置的观测噪音矩阵作为第一观测时刻的观测噪音矩阵。其中，预先设置的观测噪音矩阵是指预先设置的传感器的观测噪音矩阵。
[0093]
之后，调用预设状态更新关系中的状态校正关系，根据第二观测时刻对应的该种状态感知数据、第二观测时刻的状态预测数据和第二观测时刻的观测噪音矩阵，确定第二观测时刻的实际状态数据。其中，状态校正关系是指状态更新的计算公式。
[0094]
在其中一个实施例中，调用预设状态更新关系中的状态校正关系，根据第二观测时刻对应的该种状态感知数据、第二观测时刻的状态预测数据和第二观测时刻的观测噪音矩阵，确定第二观测时刻的实际状态数据包括：调用预设状态更新关系中的状态校正关系，根据第二观测时刻的状态预测数据和第二观测时刻的观测噪音矩阵，对第二观测时刻对应的该种状态感知数据进行状态校正，得到第二观测时刻的实际状态数据。
[0095]
具体地，预设状态更新关系中还包括状态更新差值计算关系和卡尔曼增益计算关系。调用预设状态更新关系中的状态更新差值计算关系，根据第二观测时刻的状态预测数据和第二观测时刻对应的该种状态感知数据，计算第二观测时刻对应的该种状态感知数据的状态更新差值。调用预设状态更新关系中的卡尔曼增益计算关系，根据第二观测时刻的观测噪音矩阵，计算第二观测时刻的卡尔曼增益。调用预设状态更新关系中的状态校正关系，根据第二观测时刻的状态预测数据、第二观测时刻的卡尔曼增益和第二观测时刻对应的该种状态感知数据的状态更新差值，计算第二观测时刻的实际状态数据。
[0096]
本实施例中，由于第二观测时刻的观测噪音矩阵是根据观测噪音矩阵更新关系，对第一观测时刻的观测噪音矩阵进行更新得到的，实现实时更新观测噪音矩阵，能够更准确得到目标物体的实际状态数据。
[0097]
在一个实施例中，预设状态更新关系可以包括状态预测关系、先验协方差矩阵计算关系、状态更新差值计算关系、卡尔曼增益计算关系、状态校正关系、状态协方差矩阵的更新关系、残差值计算关系，以及观测噪音矩阵更新关系。在状态更新过程中，调用状态预测关系，根据k-1观测时刻目标物体的实际状态数据，预测k观测时刻目标物体的状态预测数据。调用先验协方差矩阵计算关系，根据k-1观测时刻状态预测方程的雅克比矩阵、k-1观测时刻的状态协方差矩阵、k-1观测时刻雅克比矩阵的转置矩阵和k-1观测时刻的系统噪音矩阵，计算k观测时刻的先验协方差矩阵。调用状态更新差值计算关系，根据k观测时刻目标物体的状态感知数据、k观测时刻的观测方程和k观测时刻目标物体的状态预测数据，计算k观测时刻的状态更新差值。调用卡尔曼增益计算关系，根据k观测时刻的先验协方差矩阵、k
观测时刻观测方程的雅克比矩阵、k观测时刻雅克比矩阵的转置矩阵和k观测时刻的观测噪音矩阵，计算k观测时刻的卡尔曼增益。调用状态校正关系，根据k观测时刻目标物体的状态预测数据、k观测时刻的卡尔曼增益和k观测时刻的状态更新差值，计算k观测时刻目标物体的实际状态数据。调用状态协方差矩阵的更新关系，根据单位矩阵、k观测时刻的卡尔曼增益、k观测时刻观测方程的雅克比矩阵和k观测时刻的先验协方差矩阵，计算k观测时刻的状态协方差矩阵。调用残差值计算关系，根据k观测时刻目标物体的状态感知数据、k观测时刻的观测方程和k观测时刻目标物体的状态预测数据，计算k观测时刻的残差值。调用观测噪音矩阵更新关系，根据k观测时刻的观测噪音矩阵与k观测时刻的观测噪音矩阵的权重系数、k观测时刻的残差值、k观测时刻观测方程的雅克比矩阵、k观测时刻的状态协方差矩阵，计算k+1观测时刻的观测噪音矩阵，k+1观测时刻的观测噪音矩阵用于对k+1观测时刻的状态感知数据进行状态更新。
[0098]
具体可以如下公式所示：
[0099]
1、状态预测关系：
[0100][0101]
其中，表示k观测时刻目标物体的状态预测数据，表示k-1观测时刻目标物体的实际状态数据。
[0102]
2、先验协方差矩阵计算关系：
[0103][0104]
其中，表示k观测时刻的先验协方差矩阵，表示k-1观测时刻，状态预测方程的雅克比矩阵，表示k-1观测时刻的状态协方差矩阵，表示的转置矩阵，q
k-1
表示k-1观测时刻的系统噪音矩阵。
[0105]
3、状态更新差值计算关系：
[0106][0107]
其中，dk表示k观测时刻的状态更新差值，zk表示k观测时刻，目标物体的状态感知数据，表示k观测时刻的观测方程，表示k观测时刻目标物体的状态预测数据。
[0108]
4、卡尔曼增益计算关系：
[0109][0110]
其中，表示k观测时刻的卡尔曼增益，表示k观测时刻的先验协方差矩阵，表示k观测时刻，观测方程的雅克比矩阵，表示的转置矩阵，rk表示k观测时刻的观测噪音矩阵。
[0111]
5、状态校正关系：
[0112][0113]
其中，表示k观测时刻，目标物体的实际状态数据，表示k观测时刻目标物体
的状态预测数据，表示k观测时刻的卡尔曼增益，dk表示k观测时刻的状态更新差值。
[0114]
6、状态协方差矩阵的更新关系：
[0115][0116]
其中，表示k观测时刻的状态协方差矩阵，i表示单位矩阵，表示k观测时刻的卡尔曼增益，表示k观测时刻，观测方程的雅克比矩阵，表示k观测时刻的先验协方差矩阵。
[0117]
7、残差值计算关系：
[0118][0119]
其中，εk表示k观测时刻的残差值，zk表示k观测时刻，目标物体的状态感知数据，表示k观测时刻的观测方程，表示k观测时刻目标物体的状态预测数据。
[0120]
8、观测噪音矩阵更新关系：
[0121][0122]
其中，r
k+1
表示k+1观测时刻的观测噪音矩阵，rk表示k观测时刻的观测噪音矩阵，β表示k观测时刻的观测噪音矩阵的权重系数，可以为0.9、0.99等，εk表示k观测时刻的残差值，表示εk的转置，表示k观测时刻，观测方程的雅克比矩阵，表示k观测时刻的状态协方差矩阵，表示的转置矩阵。
[0123]
可以依据上述公式(5)至(12)，带入数据进行计算，实现对目标物体的状态感知数据进行状态更新，得到每种状态感知数据对应的实际状态数据。
[0124]
可选地，预设状态更新关系还可以对目标物体的实际状态数据以及协方差矩阵进行初始化，将初始观测时刻的状态感知数据作为初始时刻的实际状态数据，可以用来表示，以及确定初始观测时刻的状态协方差矩阵初始观测时刻的系统噪音矩阵q0以及初始观测时刻的观测噪音矩阵r0。
[0125]
在本实施例中，调用预设状态更新关系，根据每种状态感知数据，确定目标物体在预设时间段内的实际状态数据，由于预设状态更新关系为自适应的卡尔曼滤波技术，能够在多传感器数据融合过程中，自校正观测噪音，从而提高融合结果的准确性。
[0126]
在一个实施例中，调用预设状态更新关系中的观测噪音矩阵更新关系，根据第二观测时刻对应的该种状态感知数据与第二观测时刻的状态预测数据，确定第二观测时刻的实际状态数据，包括：对第二观测时刻对应的状态感知数据和第二观测时刻之前已匹配成功的状态感知数据，进行时序管理，得到第二观测时刻的目标预测数据和第二观测时刻的目标感知数据；将第二观测时刻的状态预测数据更新为第二观测时刻的目标预测数据；调用预设状态更新关系中的观测噪音矩阵更新关系，根据第二观测时刻的目标感知数据与第二观测时刻的目标预测数据，确定第二观测时刻的实际状态数据。
[0127]
其中，时序管理是指将识别存在时间乱序的状态感知数据，并对存在时间乱序的状态感知数据以及之后的状态感知数据重新进行状态更新。目标感知数据是指时序处理后
的正确的状态感知数据。目标预测数据是指时序处理后的状态预测数据。
[0128]
由于不同传感器感知处理，比如从图像得到目标实际位置的时间不同，计算机设备获取到的多种状态感知数据的时间顺序不一定是实际观测产生的时间顺序，因此，需要进行时序管理。具体地，针对每种状态感知数据，将第二观测时刻的状态预测数据与对应的状态感知数据进行匹配。当匹配成功时，识别第二观测时刻以及之前已匹配成功的观测时刻的状态感知数据是否存在时间乱序的状态感知数据。当存在时间乱序的状态感知数据时，确定乱序时刻，对乱序时刻的状态感知数据进行纠正，得到乱序时刻的目标感知数据。
[0129]
调用预设状态更新关系，对匹配成功的乱序时刻到第二观测时刻，的该种状态感知数据，重新进行状态更新，得到时序管理结果。状态更新的过程与调用预设状态更新关系，根据每种状态感知数据，确定目标物体在预设时间段内每种状态感知数据对应的实际状态数据的过程是相同的。时序管理结果中可以包括匹配成功的乱序时刻到第二观测时刻之前的观测时刻(不包括第二观测时刻)，的目标实际状态，以及第二观测时刻的目标感知数据与目标预测数据。其中，目标实际状态是指时序处理后的实际状态数据，用于进行多模态数据的融合。
[0130]
具体地，将乱序时刻作为第二观测时刻，乱序时刻之前的观测时刻的状态感知数据是正确的，因此可以直接获取根据第一观测时刻的实际状态数据，预测到的第二观测时刻的状态预测数据，将第二观测时刻的状态预测数据与第二观测时刻对应的该种目标感知数据进行匹配；当匹配成功时，调用预设状态更新关系中的观测噪音矩阵更新关系，根据第二观测时刻对应的该种目标感知数据与第二观测时刻的状态预测数据，确定第二观测时刻的实际状态数据；将第二观测时刻更新为第一观测时刻，返回至调用预设状态更新关系中的状态预测关系，根据第一观测时刻的实际状态数据，预测第二观测时刻的状态预测数据的步骤，直至得到第二观测时刻的状态预测数据，即目标预测数据。将第二观测时刻的目标预测数据对时序管理之前，第二观测时刻的状态预测数据进行替换。进而调用预设状态更新关系中的观测噪音矩阵更新关系，根据第二观测时刻的目标感知数据与第二观测时刻的目标预测数据，对第二观测时刻对应的该种目标感知数据进行状态校正，确定第二观测时刻的实际状态数据。
[0131]
可选地，时序管理结果中还可以包括匹配成功的乱序时刻到第二观测时刻之前的观测时刻，的目标感知数据与目标预测数据。
[0132]
可选地，计算机设备在每个匹配成功的观测时刻，均会对该观测时刻的状态感知数据，以及该观测时刻之前匹配成功的状态感知数据，进行时序管理。
[0133]
在本实施例中，对第二观测时刻对应的该种状态感知数据，以及第二观测时刻之前匹配成功的状态感知数据，进行时序管理，能够确保目标物体的多种状态感知数据的时间顺序为实际观测产生的时间顺序，从而提高目标物体实际状态数据的准确性，从而进一步提高融合结果的准确性。
[0134]
在一个实施例中，调用预设状态更新关系，根据每种状态感知数据，确定目标物体在预设时间段内每种状态感知数据对应的实际状态数据包括：对每种状态感知数据进行过滤处理，得到每种传感器对应的过滤后的每种状态感知数据；调用预设状态更新关系，根据过滤后的每种状态感知数据，确定目标物体在预设时间段内过滤后的每种状态感知数据的实际状态数据。
[0135]
具体地，每种状态感知数据具有相应的过滤方式，多种状态感知数据的过滤方式可以是不同的。例如，针对视觉传感器的状态感知数据，计算机设备可以将预设观测范围以外的状态感知数据进行过滤。其中，预设观测范围是指目标物体的观测误差较大的距离范围，如，预设观测范围可以是50米。针对毫米波传感器的状态感知数据，由于毫米波传感器经常将一个目标识别成两个相近的目标，基于此，计算机设备可以遍历毫米波传感器的状态感知数据，查找距离小于第一距离阈值的目标物体。例如，第一距离阈值可以是5米。之后，将上述目标物体之间的距离投影至速度方向和与该速度方向垂直的方向，确定投影后速度方向的距离小于第二距离阈值，且与速度方向垂直的方向的距离小于第三距离阈值的两个目标物体，删除其中一个目标物体。例如，第二距离阈值可以是2米。第三距离阈值可以是1米。另外，激光雷达的状态感知数据的过滤方式可以与毫米波传感器的状态感知数据的过滤方式相同。
[0136]
从而调用预设状态更新关系，根据过滤后的每种状态感知数据，确定目标物体在预设时间段内，过滤后的每种状态感知数据的实际状态数据。
[0137]
在本实施例中，通过对每种状态感知数据进行过滤处理，得到每种传感器对应的过滤后的状态感知数据，能够过滤掉误差较大的状态感知数据，大大提高了状态感知数据的准确性，从而使得融合结果更稳定精准。
[0138]
在另一个实施例中，如图4所示，提供了一种多传感器数据的融合方法，该方法可以包括以下步骤：
[0139]
步骤402，获取多种传感器发送的多种状态感知数据。
[0140]
获取多种传感器发送的目标物体在预设时间段内的多种状态感知数据；每种传感器发送一种状态感知数据，预设时间段包括多个观测时刻，每个观测时刻对应一种状态感知数据。
[0141]
步骤404，对每种状态感知数据进行过滤处理。
[0142]
对每种状态感知数据进行过滤处理，得到每种传感器对应的过滤后的状态感知数据。
[0143]
步骤406，数据缓存。
[0144]
将过滤后的状态感知数据存储至数据缓存区。
[0145]
步骤408，数据预测。
[0146]
调用预设状态更新关系；预设状态更新关系包括符合运动学的状态预测关系和观测噪音矩阵更新关系。
[0147]
针对每种状态感知数据，调用预设状态更新关系中的状态预测关系，根据第一观测时刻的实际状态数据，预测第二观测时刻的状态预测数据；第二观测时刻为第一观测时刻之后首次对应该种状态感知数据的时刻。
[0148]
步骤410，将状态预测数据与对应的状态感知数据进行匹配。若匹配成功，则执行步骤412；若匹配失败，则执行步骤414。
[0149]
针对每种状态感知数据，将第二观测时刻的状态预测数据与第二观测时刻对应的该种状态感知数据进行匹配。
[0150]
步骤412，时序管理。
[0151]
对第二观测时刻对应的该种状态感知数据，以及第二观测时刻之前匹配成功的状
态感知数据，进行时序管理，得到第二观测时刻的目标预测数据和第二观测时刻的目标感知数据，将第二观测时刻的状态预测数据更新为第二观测时刻的目标预测数据。继续执行步骤416。
[0152]
步骤414，建立新轨迹。继续执行步骤418。
[0153]
根据匹配失败的状态感知数据以及预设状态更新关系，生成目标物体的轨迹数据，该轨迹数据为目标物体的新轨迹。
[0154]
步骤416，状态更新。
[0155]
获取第二观测时刻的观测噪音矩阵，其中，第二观测时刻的观测噪音矩阵是在确定第一观测时刻的目标预测数据后，根据观测噪音矩阵更新关系，对第一观测时刻的观测噪音矩阵进行更新得到的。
[0156]
调用预设状态更新关系中的状态校正关系，根据第二观测时刻对应的该种状态感知数据、第二观测时刻的状态预测数据和第二观测时刻的观测噪音矩阵，确定第二观测时刻的实际状态数据。
[0157]
针对每种状态感知数据，将第二观测时刻更新为第一观测时刻，返回至调用预设状态更新关系中的状态预测关系，根据第一观测时刻的实际状态数据，预测第二观测时刻的状态预测数据的步骤，直至得到目标物体在预设时间段内的实际状态数据。
[0158]
步骤418，输出融合结果。
[0159]
将实际状态数据进行融合，得到融合结果。
[0160]
实际状态数据可以包括状态感知数据匹配成功时的实际状态数据，以及状态感知数据匹配失败时生成的目标物体的轨迹数据。
[0161]
在本实施例中，由于预设状态更新关系中包含观测噪音矩阵更新关系，为自适应的卡尔曼滤波技术，能够在状态更新过程中自校正观测噪音，且无需进行复杂的统计，即可解决传统的感知后融合滤波技术观测噪音不精确，且无法实时调节的问题，提高了融合结果的准确性和效率，使得对目标物体的追踪更高效、准确，并能充分利用不同种类传感器的状态感知数据。
[0162]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0163]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的多传感器数据的融合方法的多传感器数据的融合装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个多传感器数据的融合装置实施例中的具体限定可以参见上文中对于多传感器数据的融合方法的限定，在此不再赘述。
[0164]
在一个实施例中，如图5所示，提供了一种多传感器数据的融合装置，包括：状态获取模块502、状态更新模块504和状态融合模块506，其中：
[0165]
状态获取模块502，用于获取多种传感器发送的目标物体在预设时间段内的多种
状态感知数据；每种传感器发送一种状态感知数据。
[0166]
状态更新模块504，用于调用预设状态更新关系，根据每种状态感知数据，确定目标物体在预设时间段内每种状态感知数据对应的实际状态数据。
[0167]
状态融合模块506，用于将每种状态感知数据对应的实际状态数据进行融合，得到多种状态感知数据的融合结果。
[0168]
在一个实施例中，预设时间段包括多个观测时刻，每个观测时刻对应一种状态感知数据；状态更新模块504还用于针对每种状态感知数据，将预设时段内该种状态感知数据对应的首个观测时刻作为第一观测时刻，并将首个观测时刻的状态感知数据作为第一观测时刻的实际状态数据；调用预设状态更新关系中的状态预测关系，根据第一观测时刻的实际状态数据，预测第二观测时刻的状态预测数据；第二观测时刻为第一观测时刻之后首次对应该种状态感知数据的时刻；将第二观测时刻的状态预测数据与第二观测时刻对应的该种状态感知数据进行匹配；当匹配成功时，调用预设状态更新关系中的观测噪音矩阵更新关系，根据第二观测时刻对应的该种状态感知数据与第二观测时刻的状态预测数据，确定第二观测时刻的实际状态数据；将第二观测时刻更新为第一观测时刻，返回至调用预设状态更新关系中的状态预测关系，根据第一观测时刻的实际状态数据，预测第二观测时刻的状态预测数据的步骤，直至得到目标物体在预设时间段内的实际状态数据。
[0169]
在一个实施例中，状态更新模块504还用于调用预设状态更新关系中的观测噪音矩阵更新关系，对第一观测时刻的观测噪音矩阵进行更新，得到第二观测时刻的观测噪音矩阵；调用预设状态更新关系中的状态校正关系，根据第二观测时刻对应的该种状态感知数据、第二观测时刻的状态预测数据和第二观测时刻的观测噪音矩阵，确定第二观测时刻的实际状态数据。
[0170]
在一个实施例中，状态更新模块504还用于当第一观测时刻为首个观测时刻时，将预先设置的观测噪音矩阵作为第一观测时刻的观测噪音矩阵。
[0171]
在一个实施例中，状态更新模块504还用于调用预设状态更新关系中的状态校正关系，根据第二观测时刻的状态预测数据和第二观测时刻的观测噪音矩阵，对第二观测时刻对应的该种状态感知数据进行状态校正，得到第二观测时刻的实际状态数据。
[0172]
在一个实施例中，状态更新模块504还包括：
[0173]
时序管理模块，用于对第二观测时刻对应的状态感知数据和第二观测时刻之前已匹配成功的状态感知数据，进行时序管理，得到第二观测时刻的目标预测数据和第二观测时刻的目标感知数据；将第二观测时刻的状态预测数据更新为第二观测时刻的目标预测数据；调用预设状态更新关系中的观测噪音矩阵更新关系，根据第二观测时刻的目标感知数据与第二观测时刻的目标预测数据，确定第二观测时刻的实际状态数据。在一个实施例中，状态更新模块504还用于对每种状态感知数据进行过滤处理，得到每种传感器对应的过滤后的每种状态感知数据；调用预设状态更新关系，根据过滤后的每种状态感知数据，确定目标物体在预设时间段内过滤后的每种状态感知数据的实际状态数据。
[0174]
上述多传感器数据的融合装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0175]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(input/output，简称i/o)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储多种状态感知数据、预设状态更新关系、实际状态数据以及融合结果。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种多传感器数据的融合方法。
[0176]
本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0177]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0178]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0179]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0180]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
[0181]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0182]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例
中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0183]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种多传感器数据的融合方法，其特征在于，所述方法包括：获取多种传感器发送的目标物体在预设时间段内的多种状态感知数据；每种传感器发送一种状态感知数据；调用预设状态更新关系，根据每种状态感知数据，确定所述目标物体在所述预设时间段内每种状态感知数据对应的实际状态数据；将每种状态感知数据对应的实际状态数据进行融合，得到多种状态感知数据的融合结果。2.根据权利要求1所述的方法，其特征在于，所述预设时间段包括多个观测时刻，每个观测时刻对应一种状态感知数据；所述调用预设状态更新关系，根据每种状态感知数据，确定所述目标物体在所述预设时间段内每种状态感知数据对应的实际状态数据包括：针对每种状态感知数据，将所述预设时段内该种状态感知数据对应的首个观测时刻作为第一观测时刻，并将所述首个观测时刻的状态感知数据作为所述第一观测时刻的实际状态数据；调用所述预设状态更新关系中的状态预测关系，根据所述第一观测时刻的实际状态数据，预测第二观测时刻的状态预测数据；所述第二观测时刻为所述第一观测时刻之后首次对应该种状态感知数据的时刻；将所述第二观测时刻的状态预测数据与所述第二观测时刻对应的该种状态感知数据进行匹配；当匹配成功时，调用所述预设状态更新关系中的观测噪音矩阵更新关系，根据所述第二观测时刻对应的该种状态感知数据与所述第二观测时刻的状态预测数据，确定所述第二观测时刻的实际状态数据；将所述第二观测时刻更新为所述第一观测时刻，返回至所述调用所述预设状态更新关系中的状态预测关系，根据所述第一观测时刻的实际状态数据，预测第二观测时刻的状态预测数据的步骤，直至得到所述目标物体在所述预设时间段内的实际状态数据。3.根据权利要求2所述的方法，其特征在于，所述调用所述预设状态更新关系中的观测噪音矩阵更新关系，根据所述第二观测时刻对应的该种状态感知数据与所述第二观测时刻的状态预测数据，确定所述第二观测时刻的实际状态数据包括：调用所述预设状态更新关系中的观测噪音矩阵更新关系，对所述第一观测时刻的观测噪音矩阵进行更新，得到第二观测时刻的观测噪音矩阵；调用所述预设状态更新关系中的状态校正关系，根据所述第二观测时刻对应的该种状态感知数据、所述第二观测时刻的状态预测数据和所述第二观测时刻的观测噪音矩阵，确定所述第二观测时刻的实际状态数据。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：当所述第一观测时刻为首个观测时刻时，将预先设置的观测噪音矩阵作为所述第一观测时刻的观测噪音矩阵。5.根据权利要求3所述的方法，其特征在于，所述调用所述预设状态更新关系中的状态校正关系，根据所述第二观测时刻对应的该种状态感知数据、所述第二观测时刻的状态预测数据和所述第二观测时刻的观测噪音矩阵，确定所述第二观测时刻的实际状态数据包括：
调用所述预设状态更新关系中的状态校正关系，根据第二观测时刻的状态预测数据和所述第二观测时刻的观测噪音矩阵，对所述第二观测时刻对应的该种状态感知数据进行状态校正，得到第二观测时刻的实际状态数据。6.根据权利要求2所述的方法，其特征在于，所述调用所述预设状态更新关系中的观测噪音矩阵更新关系，根据所述第二观测时刻对应的该种状态感知数据与所述第二观测时刻的状态预测数据，确定所述第二观测时刻的实际状态数据，包括：对所述第二观测时刻对应的状态感知数据和所述第二观测时刻之前已匹配成功的状态感知数据，进行时序管理，得到所述第二观测时刻的目标预测数据和所述第二观测时刻的目标感知数据；将所述第二观测时刻的状态预测数据更新为所述第二观测时刻的目标预测数据；调用所述预设状态更新关系中的观测噪音矩阵更新关系，根据所述第二观测时刻的目标感知数据与所述第二观测时刻的目标预测数据，确定第二观测时刻的实际状态数据。7.根据权利要求1所述的方法，其特征在于，所述调用预设状态更新关系，根据每种状态感知数据，确定所述目标物体在所述预设时间段内每种状态感知数据对应的实际状态数据包括：对每种状态感知数据进行过滤处理，得到每种所述传感器对应的过滤后的每种状态感知数据；调用预设状态更新关系，根据所述过滤后的每种状态感知数据，确定所述目标物体在所述预设时间段内所述过滤后的每种状态感知数据的实际状态数据。8.一种多传感器数据的融合装置，其特征在于，所述装置包括：状态获取模块，用于获取多种传感器发送的目标物体在预设时间段内的多种状态感知数据；每种传感器发送一种状态感知数据；状态更新模块，用于调用预设状态更新关系，根据每种状态感知数据，确定所述目标物体在所述预设时间段内每种状态感知数据对应的实际状态数据；状态融合模块，用于将每种状态感知数据对应的实际状态数据进行融合，得到多种状态感知数据的融合结果。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本申请涉及一种多传感器数据的融合方法、装置、计算机设备和存储介质。所述方法包括：获取多种传感器发送的目标物体在预设时间段内的多种状态感知数据；每种传感器发送一种状态感知数据；调用预设状态更新关系，根据每种状态感知数据，确定目标物体在预设时间段内每种状态感知数据对应的实际状态数据；将每种状态感知数据对应的实际状态数据进行融合，得到多种状态感知数据的融合结果。采用本方法能够提高多传感器数据融合的准确性。高多传感器数据融合的准确性。高多传感器数据融合的准确性。


技术研发人员：张子琛 陈胤子 张振林
受保护的技术使用者：中汽创智科技有限公司
技术研发日：2023.06.29
技术公布日：2023/9/20