(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211255029.5 (22)申请日 2022.10.13 (65)同一申请的已公布的文献号 申请公布号 CN 115331447 A (43)申请公布日 2022.11.11 (73)专利权人 苏州挚途科技有限公司 地址 215100 江苏省苏州市相城区高铁新 城南天成路88号天成信息大厦501- E23号 (72)发明人 吴宏升　王潍　张旭　韩志华　 (74)专利代理 机构 北京康信知识产权代理有限 责任公司 1 1240 专利代理师 王晓玲 (51)Int.Cl. G08G 1/01(2006.01)G08G 1/04(2006.01) G08G 1/0967(2006.01) G01S 13/86(2006.01) G06Q 10/04(2012.01) G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 20/56(2022.01) 审查员 周瑜 (54)发明名称 基于传感器融合的数据关联 方法以及装置 (57)摘要 本申请提供了一种基于传感器融合的数据 关联方法以及装置， 该方法包括： 获取车辆的传 感器采集的点云数据以及图像数据， 并对点云数 据进行特征提取， 得到多个第一距离， 以及对 图 像数据进行特征提取， 得到多个目标特征， 目标 特征包括初始距离， 第一距离以及初始距离均为 车辆与待测目标之间的距离； 采用预定模型处理 多个目标特征， 得到多个第二距离， 预定模型为 对多个历史特征以及多个历史距离进行非线性 回归分析得到的模型， 历史特征为目标特征的历 史数据， 历史距离为历史特征对应的待测目标与 车辆之间的实际距离； 对多个第一距离以及多个 第二距离进行数据关联。 本申请解决了自动驾驶 车辆的相机在部分工况 下测距误差 较大的问题。 权利要求书5页 说明书28页 附图5页 CN 115331447 B 2022.12.30 CN 115331447 B 1.一种基于传感器融合的数据关联 方法， 其特 征在于， 包括： 获取车辆的传感器采集的点云数据以及图像数据， 并对所述点云数据进行特征提取， 得到多个第一距离， 以及 对所述图像数据进 行特征提取， 得到多个目标特征， 所述目标特征 包括初始距离， 所述第一距离以及所述初始距离分别为所述传感器测得的所述车辆与待测 目标之间的距离； 采用预定模型处理多个所述目标特征， 以对多个所述初始距离进行补偿， 得到多个第 二距离， 所述预定模型为对多个历史特征以及多个历史距离进行非线性回归分析得到的模 型， 所述历史特征为所述 目标特征 的历史数据， 所述历史距离为所述历史特征对应的所述 待测目标与所述车辆之间的实际距离； 对多个所述第一距离以及多个所述第二距离进行 数据关联， 在采用预定模型处 理多个所述目标 特征之前， 所述方法还 包括： 获取训练集 ， 其中， 为所述训练集， 为第i个所述历史特征， 为第i个所述历史距离， ， 所述训 练集中任意两个所述历史特 征不同； 建立最小二乘 支持向量机模型 ， 其中， ， 为预设 的所述最小二乘支持向量机模型的核函数 ， 是 矩阵 ， 中的元素 ， 为所述目标特征， 为所述第二 距离， I为单位矩阵， 为预设常量， ； 将所述训练集代入所述 最小二乘 支持向量机模型， 得到所述预定模型； 所述历史特征与对应的所述历史距离构 成一个样本数据， 在对多个所述第 一距离以及 多个所述第二距离进行 数据关联之后， 所述方法还 包括： 根据关联后的所述第一距离以及所述第二距离， 确定所述目标特征为新的历史特征， 关联后的所述第一距离为 新的历史距离； 确定所述训练集中， 是否存在与所述新的历史特征相同的所述历史特征， 以及是否存 在于新的历史距离相同的所述历史距离； 在不存在与 所述新的历史特征相同的所述历史特征， 且不存在与所述新的历史距离相 同的所述历史距离的情况下， 添加所述新的历史特征以及所述新的历史距离至所述训练 集， 并将预定样 本数据从所述训练集中剔除， 得到更新后的所述训练集， 所述预定样本数据 为最早添加至所述训练集中的所述样本数据； 在存在与所述 新的历史特 征相同的所述历史特 征的情况 下， 确定不更新所述训练集。 2.根据权利要求1所述的方法， 其特征在于， 所述初始距离为所述传感器测得的所述车 辆与所述待测目标在第一方向上 的距离分量， 所述第一方向为所述车辆的行驶方向， 对所 述图像数据进行 特征提取， 得到多个目标 特征， 包括：权　利　要　求　书 1/5 页 2 CN 115331447 B 2对所述图像数据进行特征提取， 得到各所述待测目标的类别、 各所述待测目标对应的 所述初始距离、 第三距离、 各所述待测目标沿所述第一方向的移动速度以及检测车道线长 度， 所述初始距离、 所述第三距离、 所述移动速度、 所述类别以及所述车道线长度构成所述 目标特征， 其中， 所述第三距离为所述传感器测得 的所述车辆与所述待测目标在第二方向 上的距离分量， 所述第一方向与所述第二方向垂直， 所述车道线长度为左车道线的长度与 右车道线的长度的较大值， 所述左车道线以及所述右车道线为所述车辆所在车道的车道 线。 3.根据权利要求1所述的方法， 其特 征在于， 所述核函数为径向基函数核。 4.根据权利要求1至3中任一项所述的方法， 其特征在于， 对多个所述第一距离以及多 个所述第二距离进行 数据关联， 包括： 获取关联阈值； 计算各所述第 二距离与所有的所述第 一距离之间的差值， 并确定小于或者等于所述关 联阈值的所述差值 为目标差值； 在所述第二距离对应的所述目标差值有多个的情况下， 确定多个所述目标差值中的最 小值对应的所述第一距离与所述第二距离匹配； 在所述第二距离对应的所述目标差值有一个的情况下， 确定所述目标差值对应的所述 第一距离与所述第二距离匹配。 5.一种基于传感器融合的数据关联 方法， 其特 征在于， 包括： 获取车辆的传感器采集的点云数据以及图像数据， 并对所述点云数据进行特征提取， 得到多个第一距离， 以及 对所述图像数据进 行特征提取， 得到多个目标特征， 所述目标特征 包括初始距离、 第三距离、 移动速度、 类别以及车道线长度， 所述第一距离以及所述初始距 离分别为所述传感器测得的所述车辆与待测目标在第一方向上的距离， 所述第三距离为所 述传感器测得的所述车辆与所述待测目标在第二方向上的距离， 所述第一方向与第二方向 垂直， 所述移动速度为所述待测目标沿所述第一方向的移动速度， 所述类别为所述待测目 标的类别， 所述车道线长度为左车道线的长度与右车道线的长度的较大值， 所述左车道线 以及所述右车道线为所述车辆所在车道的车道线； 采用预定模型处理多个所述目标特征， 以对多个所述初始距离进行补偿， 得到多个第 二距离， 所述预定模型为对多个历史特征以及多个历史距离进行非线性回归分析得到的模 型， 所述历史特征为所述 目标特征 的历史数据， 所述历史距离为所述历史特征对应的所述 待测目标与所述车辆之间的实际距离； 对多个所述第一距离以及多个所述第二距离进行 数据关联， 在采用预定模型处 理多个所述目标 特征之前， 所述方法还 包括： 获取训练集 ， 其中， 为所述训练集， 为第i个所述历史特征， 为第i个所述历史距离， ， 所述训练 集中任意两个所述历史特 征不同； 建立最小二乘 支持向量机模型 ，权　利　要　求　书 2/5 页 3 CN 115331447 B 3