(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210897270.1 (22)申请日 2022.07.28 (71)申请人 苏州轻棹科技有限公司 地址 215100 江苏省苏州市相城区高铁新 城青龙港路66号领寓商务广场1幢21 层2101-2108室 (72)发明人 李经纬　赵政　柯岩　张雨　 (74)专利代理 机构 北京慧诚智道知识产权代理 事务所 (特殊普通合伙) 11539 专利代理师 殷炳蕾 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/80(2022.01) G06V 10/30(2022.01) (54)发明名称 一种基于多传感器观测数据的欧氏距离处 理方法 (57)摘要 本发明实施例涉及一种基于多传感器观测 数据的欧氏距离处理方法， 所述方法包括： 在任 意时刻t获取第一观测数据； 并获取前一时刻 t‑1 各个已知目标的第一历史运动轨迹和第一历史 观测队列； 根据第一观测数据对 各个第一历史观 测队列进行历史观测数据选择生成第一历史观 测数据； 基于各个第一历史观测数据和对应的第 一历史运动轨迹与卡尔曼滤波器对各个已知目 标在当前时刻t的观测数据进行估计得到第一估 计观测数据； 对第一观测数据与各个第一估计观 测数据的欧氏距离进行计算生 成第一欧式距离； 由得到的所有第一欧式距离组成当前时刻t的欧 氏距离集合。 通过本发明， 可以保证在任何时刻 都不会发生欧式距离集 合丢失的问题。 权利要求书5页 说明书14页 附图1页 CN 115205826 A 2022.10.18 CN 115205826 A 1.一种基于多传感器观测数据的欧氏距离处 理方法， 其特 征在于， 所述方法包括： 在任意时刻t获取传感器观测数据记为对应的第一观测数据Mt,c1； 并获取前一时刻t ‑1 各个已知目标的第一历史运动轨迹和 第一历史观测队列； 所述第一历史运动轨迹包括多个 第一运动状态Si,j； 所述第一历 史观测队列包括多个第一历 史观测数据Mi,j,c2； 所述第一运 动状态Si,j与所述第一历史观测数据Mi,j,c2一一对应； i为目标标识， 1≤i； j为时刻标识， 0≤ j≤t‑1； c1、 c2均为传感器类型标识， 所述传感器类型标识包括激光雷达类型标识、 摄像头 类型标识和毫米波雷达类型 标识； 根据所述第一观测数据Mt,c1对各个所述第一历史观测队列进行历史观测数据选 择处理 生成对应的第一历史观测数据Mi,k,c2； k为时刻标识， 0 ≤k≤t‑1； 基于各个所述第一历史观测数据Mi,k,c2和对应的所述第一历史运动 轨迹与卡尔曼滤波 器， 对各个已知目标在当前时刻t的观测数据进行估计从而得到对应的第一估计观测数据 M’i,t,c2； 对所述第一观测数据Mt,c1与各个所述第一估计观测数据M ’i,t,c2的欧氏距 离进行计算生 成对应的第一欧式距离di,t； 由得到的所有所述第一欧式距离di,t组成当前时刻t的欧氏距离集 合。 2.根据权利要求1所述的基于多传感器观测数据的欧氏距离处理方法， 其特征在于， 所 述根据所述第一观测数据Mt,c1对各个所述第一历史观测队列进行历史观测数据选择处理 生成对应的第一历史观测数据Mi,k,c2， 具体包括： 步骤21， 对所述第一观测数据Mt,c1的传感器类 型标识c1进行识别； 若所述传感器类型标 识c1为激光雷达类型标识， 则设置对应的第一、 第二和第三顺序标识分别为激光雷达类型 标识、 摄像头类型标识和毫米波雷达类型标识； 若所述传感器类型标识c1为摄像头类型标 识， 则设置对应的所述第一、 第二和 第三顺序标识分别为摄像头类型标识、 激光雷达类型标 识和毫米波雷达类型标识； 若所述传感器类型标识c1为毫米波雷达类型标识， 则设置对应 的所述第一、 第二和第三顺序标识分别为毫米波雷达类型标识、 激光雷达类型标识和摄像 头类型标识； 步骤22， 将各个所述第一历史观测队列中传感器类型标识c2与所述第 一顺序标识匹配 的时间距离 当前时刻t最近的所述第一历史观测数据Mi,j,c2作为对应的当前匹配数据； 若 所 述当前匹配数据为空， 则将当前所述第一历史观测队列中所述传感器类型标识c2与所述第 二顺序标识匹配的时间距离当前时刻t最近的所述第一历史观测数据Mi,j,c2作为新的所述 当前匹配数据； 若新的所述当前匹配数据还为空， 则将当前所述第一历史观测队列中所述 传感器类型标识c2与所述第三顺序标识匹配的时间距离 当前时刻t 最近的所述第一历史观 测数据Mi,j,c2作为新的所述当前匹配数据； 步骤23， 将得到的所述当前匹配数据作为对应的所述第一历史观测数据Mi,k,c2； 所述第 一历史观测数据Mi,k,c2的目标标识i、 时刻标识k和传感器类型标识c2与所述当前匹配数据 对应的所述第一历史观测数据Mi,j,c2的目标标识i、 时刻标识j和传感器类型标识c2保持一 致。 3.根据权利要求1所述的基于多传感器观测数据的欧氏距离处 理方法， 其特 征在于， 当传感器类型标识c1或c2为激光雷达类型标识时， 对应的观测数据包括一个多边形凸 包和一个目标检测框， 对应的卡尔曼 滤波器为预设的第一 卡尔曼滤波器；权　利　要　求　书 1/5 页 2 CN 115205826 A 2当传感器类型标识c1或c2为摄像头类型标识时， 对应的观测数据包括一个目标检测 框， 对应的卡尔曼 滤波器为预设的第二 卡尔曼滤波器； 当传感器类型标识c1或c2为毫米波雷达类型标识时， 对应的观测数据包括一个观测 点， 对应的卡尔曼 滤波器为预设的第三 卡尔曼滤波器。 4.根据权利要求3所述的基于多传感器观测数据的欧氏距离处 理方法， 其特 征在于， 所述第一 卡尔曼滤波器的运动方程和观测方程 为： X1,t＝A1X1,t‑1+B1,t‑1, Z1,t＝H1X1,t+K1,t， 其中， X1,t‑1、 X1,t为时刻t‑1、 t的状态量， Z1,t为时刻t的观测量， A1为X1,t‑1到X1,t的一步预 测转换量， H1为X1,t与Z1,t之间的状态观测转 换量； 状态量 X1为目标运动轨迹的运动状态S， 观 测量Z1由对应的多边形凸包和目标检测框构成； B1,t‑1为状态噪声， k1,t为观测噪声； 所述第二 卡尔曼滤波器的运动方程和观测方程 为： X2,t＝A2X2,t‑1+B2,t‑1, Z2,t＝H2X2,t+K2,t， 其中， X2,t‑2、 X2,t为时刻t‑1、 t的状态量， Z2,t为时刻t的观测量， A2为X2,t‑1到X2,t的一步预 测转换量， H2为X2,t与Z2,t之间的状态观测转 换量； 状态量 X2为目标运动轨迹的运动状态S， 观 测量Z2为对应的目标检测框； B2,t‑1为状态噪声， k2,t为观测噪声； 所述第三 卡尔曼滤波器的运动方程和观测方程 为： X3,t＝A3X3,t‑1+B3,t‑1, Z3,t＝H3X3,t+K3,t， 其中， X3,t‑1、 X3,t为时刻t‑1、 t的状态量， Z3,t为时刻t的观测量， A3为X3,t‑1到X3,t的一步预 测转换量， H3为X3,t与Z3,t之间的状态观测转 换量； 状态量 X3为目标运动轨迹的运动状态S， 观 测量Z3为对应的观测点； B3,t‑1为状态噪声， k3,t为观测噪声。 5.根据权利要求3所述的基于多传感器观测数据的欧氏距离处理方法， 其特征在于， 所 述基于各个所述第一历史观测数据Mi,k,c2和对应的所述第一历史运动轨迹与卡尔曼滤波 器， 对各个已知目标在当前时刻t的观测数据进行估计从而得到对应的第一估计观测数据 M’i,t,c2， 具体包括： 将所述第一历史观测数据Mi,k,c2的传感器类型标识c2记为对应的当前传感器类型标 识； 并将所述第一历史观测数据Mi,k,c2对应的已知目标的所述第一历史运动轨迹中， 时间标 识j≥k‑1的所有所述第一运动状态Si,j提取出来组成对应的第二历史运动轨迹， 所述第二 历史运动轨 迹为{Si,j＝k‑1,Si,j＝k…Si,j＝t‑1}； 当所述当前传感器类型标识为激光雷达类型标识时， 将所述第 二历史运动轨迹的第 一 运动状态Si,j＝t‑1代入所述第一卡尔曼滤波器的运动方程进行一步预测得到对应的第一运 动状态Si,j＝t； 并将所述第一运动 状态Si,j＝t与所述第二历史运动轨迹合并生成对应的第三 历史运动轨迹为{Si,j＝k‑1,Si,j＝k…Si,j＝t‑1,Si,j＝t}； 并将所述第三历史运动轨迹和所述第一 历史观测数据Mi,k,c2代入所述第一卡尔曼滤波器中， 以所述第三历史运动轨迹中的各个所 述第一运动状态Si,j作为从时刻k ‑1到时刻t的已知状态 量， 以所述第一历史观测数据Mi,k,c2 作为时刻k的已知观测量， 对从时刻k +1到当前时刻t的观测量进 行逐步推导； 并将最后时刻 t对应的推导观测量作为对应的所述第一估计观测数据M ’i,t,c2；权　利　要　求　书 2/5 页 3 CN 115205826 A 3