一种面向无人车多环境定位的多源数据选择性融合方法与流程

1.本发明属于传感器技术领域，特别涉及一种多源传感器的融合前数据处理方法。


背景技术：

2.无人车也称自动驾驶汽车，应用到具体的行驶环境中时，主要依靠传感器感知周围环境，而单一的传感器仅能提供形式单一的周围环境数据，因此在具体的无人车应用场景中，车辆往往设置多种类、多数量的传感器集群，以不同类型的传感器相互配合、协同工作，为无人车提供多源的环境数据，为无人车实时定位、位姿调整、场景预测等工作提供决策基础。
3.应用在具体的无人车上的传感器往往有激光雷达、视觉传感器、定位器和惯导传感器等，不同种类的多个传感器协同工作的设置方式具有良好的全能性和鲁棒性：首先，由于每一个传感器各自检测的目标物理量不同，不同传感器之间将配合工作，为车辆提供全面的、多维度的环境感知数据，不同传感器之间在检测对象、检测精度和检测范围等方面往往互为补充，借助多个传感器之间优势互补，可为车辆获取到更全面的环境感知数据。其次，由于不同传感器往往单独设置，不同传感器之间互不关联，不同传感器之间的失效条件和失效模式在某种程度上也互不相关，因此车辆行驶过程中，无论周围环境如何变化，总能保证至少存在一种传感器维持正常工作，这将帮助车辆显著提升其鲁棒性，很好地适应周围环境变化。
4.采用多源传感器帮助车辆获得周围环境的多源数据时，车辆需要对多个传感器采集到的多源数据作出数据融合处理，数据融合处理的本质为采用一定的技术手段将来自多个传感器的多源信息和数据，在一定的准则下加以自动分析和综合，对输入的多源传感器信息和数据实现滤波去噪、后端优化等的计算求解，并给与各个数据原信息的负反馈效果，对多源传感器检测得到的信息和数据完成误差修正，最终帮助车辆实现场景预测、无人车位置校正等。
5.无人车在环境中行驶，环境因素将不可避免地对不同传感器造成影响，因此在数据融合的过程中，必须重点关注因环境因素引起的传感器检测误差。现有技术中往往以多次计算筛选出误差数据，以预定的算法排除或替换误差数据以传递到下一环节，这就意味着计算量将成倍增加，这不仅要求更大规模、更高造价的计算资源，还将大程度降低车辆的计算效率，延长车辆的反应时间，不利于无人车技术进步。


技术实现要素：

6.为解决上述问题，本发明的目的在于提供一种由不同传感器数据组成的多源数据作为输入，经过信息控制过程后，实现在多种不同环境里对传感器数据的筛选过滤，剔除每一特定工作场景下可能存在较大误差的传感器数据，降低后续数据融合过程中的数据量和计算复杂度。
7.为实现上述目的，本发明的技术方案如下：
8.一种面向无人车多环境定位的多源数据选择性融合方法，该方法为：
9.s1：信息控制：对环境进行分类，为不同环境下的每一种传感器分配采信权重，对指定工作环境下的指定传感器，根据其采信权重选择性融合其输出数据；
10.s2：控制评估：对信息控制过程分进行分析评价，评估其可靠性、风险率和可用性；
11.s3：评估反馈：根据控制评估结果对信息控制的结果进行分析，及时调整控制策略，不断选择更可靠的传感器数据送入后续数据融合环节中进行分析融合；
12.s4：数据融合定位及定位评估：融合多源数据，对无人车进行同步定位，并对当前无人车定位进行分析评估。
13.进一步的，s1具体为：
14.s11：布置传感器：在车辆上布置n种传感器，其中n≥2且n为整数；记指定传感器为si，集合车辆上所有传感器，得到传感器总集为s：s＝{s1、s2…
sn}，有：
15.s12：规定基础场景：记仅传感器s1失效、其他传感器s2、s3…
sn均正常工作的情况为第一基础场景c1；记仅传感器s2失效、其他传感器s1、s3…
sn均正常工作的情况为第二基础场景c2；依此类推，记仅传感器si失效、其他传感器s1、s2、
…
、s
i-1
、s
i+1
、
…
、sn均正常工作的情况为第i基础场景ci；依此类推，记仅传感器sn失效、其他传感器s1、s2…sn-1
均正常工作的情况为第n基础场景cn；集合所有基础场景，得到基础场景总集c：c＝{c1、c2…cn
}，有基础场景规定了只存在一个传感器失效、其他传感器均正常工作的场景，则容易计算得到：当车辆上布置n种传感器时，应存在种基础场景，即c1～cn。
16.s13：定义采集度：定义采集度d用于表征对应传感器输出数据采集情况，且规定采集度d取值为0或1，取值为0时，不采集其对应传感器的输出数据，取值为1时，采集其对应传感器的输出数据；
17.s14：计算各基础场景中各传感器采集度：根据各个基础场景中的传感器失效情况，对该基础场景中失效的传感器，不采集其传感器数据，其采集度取值为0，对正常工作的传感器，采集其传感器数据，其采集度取值为1；
18.记第i基础场景ci下，传感器sj的采集度为集合每一基础场景下每一传感器的采集度，得到基础场景采集度总集dc：有因此可知，传感器总集为s、基础场景总集c以及基础场景采集度总集dc之间，其关系应如下表：
[0019][0020]
进一步的，s1还包括有：
[0021]
s15：划分工作环境：认定所有传感器均保持正常工作时，车辆处于普通工作环境下，记普通工作环境为e0；
[0022]
根据基础场景总集c将异常环境分为m种，异常环境e1、e2…em
应为上述第一基础场景c1、第二基础场景c2···
以及第n基础场景cn中一种或多种组合；其中且m为整数；
[0023]
记指定工作环境为e
x
；集合所有工作环境得到工作环境总集e：e＝{e0、e1、e2…em
}，有且e
x
≠e0；
[0024]
异常环境即为考虑车辆行驶环境对车辆上布置的传感器产生干扰造成对应传感器输出数据异常或整个传感器失效的情况，因此可知，考虑异常环境下外界因素对传感器的影响，可以从基础场景出发，以一种或多种基础场景的组合，描述不同异常环境下的传感器表现情况，当外界因素仅对单一传感器产生影响，可对应受影响的传感器，寻找与之匹配的基础场景，用以描述该异常环境；当外界因素对多个传感器同时产生影响，可对应受影响的多个传感器，分别寻找与之匹配的基础场景后，以多个基础场景中对应传感器的采集度分别相与后，得到该异常环境下每一种传感器的具体采集度。而也正是由于异常环境是由一个或多个基础场景的组合来描述的，则容易推知，异常环境的种数m，应至少为1而至多为其中的即是从至少保证两种传感器正常工作、保证后续数据处理系统能至少融合两种数据的方面作出的考量，当车辆行驶环境过于恶劣，对车辆上布置的传感器干扰巨大，造成只剩一种传感器有效或所有传感器均失效时，应认定此时外界环境不能胜任无人驾驶场景，不适合车辆行驶，应强行停下车辆待外界环境情况转好才能再次出行。
[0025]
s16：计算各工作环境中各传感器的采集度：根据各个基础场景中的传感器失效情况，对该基础场景中失效的传感器，不采集该传感器数据，其采集度取值为0，对正常工作的传感器，采集该传感器数据，其采集度取值为1；
[0026]
记工作环境e
x
下，传感器sy的采集度为集合所有工作环境下所有传感器的采集度集合de：有，
[0027]
因此可知，传感器总集为s、工作环境总集e以及传感器的采集度集合de的关系如下表：
[0028][0029]
进一步的，s1还包括有：
[0030]
s17：定义关注度：定义关注度a用于表征对应传感器输出数据的采信程度，且规定关注度a取值在[0，1]范围内，关注度a取值越大，授予对应传感器的输出数据越高的信赖程度；保持同一工作环境下的所有传感器的关注度取值的总和为1，为当前工作环境下失效的传感器分配最小的关注度取值；
[0031]
s18：分配关注度：记工作环境e
x
下，传感器sy的关注度为集合所有工作环境下每一种传感器的关注度得到关注度总集ae：有则有传感器总集为s、工作环境总集e以及传感器的关注度总集ae的关系如下表：
[0032][0033]
进一步的，s1还包括有：
[0034]
s19：设置融合判定阈值：设定融合判定阈值q
α
；
[0035]
s110：计算实际融合参数：定义融合参数为q，记工作环境e
x
下，传感器sy的融合参数为规定：集合每一种工作环境下每一种传感器的融合参数得到融合参数总集qe：
[0036]
对于不同环境中的不同传感器，不同的外界因素将在不同程度上影响对应的传感器，根据在该工作场景下保持正常工作的传感器，保持传感器采集度为1，则表达了在该工作场景下，外界因素并未对其产生影响，可以正常采集该传感器的输出数据，反之则表达了在该工作场景下，外界因素对对应传感器造成干扰，导致传感器输出数据存在较大误差，此时停止采集该传感器的输出数据，禁止误差较大的数据进入系统，避免后续数据处理时花费大量算力和时间对该存在较大误差的传感器数据再行校正。
[0037]
而在不同工作环境下，进一步为不同传感器分配关注度，则可为每一种工作环境中协同工作的多个传感器设置数据重要程度，为在该工作场景中更可信赖的传感器数据分配更高的关注度，为在工作场景中已经失效的传感器分配最低的关注度，以此区分不同传感器在具体的行驶环境中为车辆作出下一步自动驾驶决策的地位，可更充分地利用前端的传感器数据，为车辆自动驾驶提供更加可靠的检测数据。
[0038]
s111：融合判定：设置融合条件且对融合参数总集qe中每一个元素逐个验证；
[0039]
s112：选择性融合：如当前元素满足s111中设置的融合条件，则允许该元素代表的当前工作环境下的当前传感器向后级数据融合环节输出传感器数据；反之放弃该元素代表的当前工作环境下的当前传感器的输出数据。对于单个传感器sy，在工作环境e
x
下，由计算得到的融合参数为将同时表达该传感器所处的工作环境、其工作环境对该传感器的影响、该传感器的输出数据在该工作环境中的重要程度等信息，因此一项将为当前传感器sy就其自身数据的可信赖程序作出评估；而对于当前工作环境e
x
而言，将表达该种工作场景对车辆上设置的所有传感器的影响程度，即对于当前工作环境e
x
而言，如存在则表示在该工作环境下，可能存在部分传感器受外界因素失效，但剩余能正常工作的传感器能为车辆提供足够可信的实时检测数据，车辆能够在该工作环境e
x
行驶。因此可知，设置融合条件且对融合参数总集qe中每一个元素逐个验证；可从单一传感器以及整个工作场景中的层面对不同工作环境中的传感器数据进行全面评估，选择足够可信的数据进入后续的数据融合环节，保证通过该融合判定的传感器数据均为可靠的、少误差的，为后续的传感器数据融合过程节省算力、提升后续数据融合过程的融合效率。
[0040]
进一步的，s2具体为：
[0041]
s21：记整个信息控制过程存在k次中断；对整个信息控制过程作出可靠性评估，评
估整个信息控制过程的正常工作连续性；
[0042]
s22：对整个信息控制过程作出风险率评估，计算在信息控制过程中某次中断发生前车辆正常工作时长；
[0043]
s23：对整个信息控制过程作出可用性评估，计算整个信息控制过程中数据的有效可用性及有效数据的时间占比。对于上文所述的信息控制过程，从可靠性、风险率和可用性三个方面对其进行评估，可充分评估其信息控制过程的工作，其评估的结果传送给s3，由s3根据其评估结果不断调整。
[0044]
进一步的，s21具体为：
[0045]
定义信息控制过程在δt时间段内的可靠性为k(δt)：k(δt)＝e-λδt
，对整个信息控制过程，计算其全部时间的可靠性平均值k(δt)
avg
：和全部时间的可靠性方均根值k(δt)
rms
：
[0046]
进一步的，s22具体为：
[0047]
记第z次工作发生第σ次中断前的运行时间为则有：计算得到整个信息控制过程的风险率p
risk
为：
[0048]
进一步的，s23具体为：
[0049]
s231：在数据流中以固定时间间隔δt和随机时间间隔ran(t)两种方式进行多次采样，每一次采样记为一个数据点；
[0050]
s232：记某一数据点中信息数据量为ζ，信息数据种类为设定目标信息数据量ζ
set
、目标信息数据种数为
[0051]
s234：对数据点分类统计：f1表示不满足数据选择需求的数据点个数，其表现形式为：1≤ζ＜ζ
set
＜n；f2表示不满足完好性需求的数据点个数，其表现形式为：数据点中信息数据量f3表示数据连续性中断的数据点个数，其表现形式为：ζ＝0，f表示在全过程总时间内采样统计的总数据点数目；
[0052]
s235：计算整个信息控制过程中数据的有效可用性：s235：计算整个信息控制过程中数据的有效可用性：
[0053]
s236：记数据流中数据有效可用的时间t
有效
占整个信息控制时间t
全部
，当ζ＝ζ
set
、时，统计有效数据的时间t
有效
，计算有效数据的时间占比ω：可用性评估是对功能可用性的判断，是在信息控制满足方案目的，能正常实现功能并发挥作用，同时还基
于选择需求、完好性需求和连续性需求的情况下进行的。对原始的多源数据经过选择形成被筛选后的数据流，从信息控制过程中数据的有效可用性、以及有效数据的时间占比两个角度分析可用性，可为信息控制过程提供结果反馈，以便车辆及时调整控制策略。
[0054]
本发明的优势在于：相比于现有技术，在本发明当中，通过设计全新的数据融合前期算法，以信息控制和控制评估共同协作，实现对输入端多源数据的控制和调整，为无人车在多种不同环境定向筛选过滤可信度更高的传感器数据信息，降低数据融合过程中的计算复杂度和数据冗余程度，控制了计算成本。
附图说明
[0055]
图1是具体实施方式中提供的面向无人车多环境定位的多源数据选择性融合方法的工作流程图。
具体实施方式
[0056]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0057]
为实现上述目的，本发明的技术方案如下：
[0058]
请参阅图1。
[0059]
一种面向无人车多环境定位的多源数据选择性融合方法，该方法为：
[0060]
s1：信息控制：对环境进行分类，为不同环境下的每一种传感器分配采信权重，对指定工作环境下的指定传感器，根据其采信权重选择性融合其输出数据；
[0061]
s2：控制评估：对信息控制过程分进行分析评价，评估其可靠性、风险率和可用性；
[0062]
s3：评估反馈：根据控制评估结果对信息控制的结果进行分析，及时调整控制策略，不断选择更可靠的传感器数据送入后续数据融合环节中进行分析融合。
[0063]
进一步的，在本具体实施方式中，s1具体为：
[0064]
s11：布置传感器：在车辆上布置四种传感器，分别为惯导、gnss卫星定位器、相机以及激光雷达；即，在本具体实施方式中，n＝4。
[0065]
s12：规定基础场景：记仅惯导失效，其他传感器均正常工作的场景为第一基础场景c1，记仅gnss卫星定位器失效，其他传感器均正常工作的场景为第二基础场景c2，记仅相机失效、其他传感器均正常工作的情况为第三基础场景c3，仅激光雷达失效、其他传感器均正常工作的情况为第四基础场景c4。
[0066]
s13：定义采集度：定义采集度d用于表征对应传感器输出数据采集情况，且规定采集度d取值为0或1，取值为0时，不采集其对应传感器的输出数据，取值为1时，采集其对应传感器的输出数据；
[0067]
s14：计算各基础场景中各传感器采集度：根据各个基础场景中的传感器失效情况，对该基础场景中失效的传感器，不采集其传感器数据，其采集度取值为0，对正常工作的传感器，采集其传感器数据，其采集度取值为1；因此可知，传感器、基础场景以及基础场景的采集度之间，其关系应如下表：
[0068][0069]
进一步的，s1还包括有：
[0070]
s15：划分工作环境：认定所有传感器均保持正常工作时，车辆处于普通工作环境下，记普通工作环境为e0；
[0071]
根据基础场景总集c将异常环境分为gnss卫星定位器信号弱或信号丢失环境、弱纹理环境、弱视觉或夜间环境、恶劣天气环境以及模拟惯导失效环境；即在本具体实施方式中，取m＝5。集合所有工作环境得到工作环境总集e：e＝{e0、e1、e2、e3、e4、e5}。
[0072]
s16：计算各工作环境中各传感器的采集度：根据各个基础场景中的传感器失效情况，对该基础场景中失效的传感器，不采集该传感器数据，其采集度取值为0，对正常工作的传感器，采集该传感器数据，其采集度取值为1；容易推知，在普通工作环境下，惯导、gnss卫星定位器、相机以及激光雷达均正常工作，因此其各自的采集度均为1；而在gnss卫星定位器信号弱或信号丢失环境下，gnss卫星定位器信号受影响，即在该工作环境实质为第二基础场景c2，此时应设置gnss卫星定位器的采集度为0(但考虑到gnss卫星定位器在车辆定位中的重要作用，即使gnss卫星定位器信号弱，但只要其信号存在，也应采集gnss卫星定位器信号，因此对于具体的gnss卫星定位器，其在gnss卫星定位器信号弱或信号丢失环境下，采集度应为1/0)；在弱纹理环境下，相机信号可能存在偏差，但考虑到图像信号在车辆定位中的作用，应坚持采集相机信号，因此在弱纹理环境中，对所有传感器均设置采集度为1；在弱视觉或夜间环境下，相机受外界因素干扰严重，无法正常成像，即该工作环境实质上是第三基础场景c3，此时应设置相机采集度为0，其他传感器保持采集度取值为1；在恶劣天气环境下，相机与激光雷达均受外界环境影响较大，其输出数据将可能存在较大误差，即该工作环境实质上是第三基础场景c3和第四基础场景c4的叠加，因此在恶劣天气环境下，应设置相机与激光雷达的采集度取值为0，其他传感器保持取值为1；在模拟惯导失效环境下，惯导输出数据异常，即该工作环境实质上是第一基础场景c2，此时应设置惯导的采集度为0，其他传感器保持采集度取值为1。因此可知，传感器总集为s、工作环境总集e以及传感器的采集度集合de的关系如下表：
[0073][0074]
进一步的，s1还包括有：
[0075]
s17：定义关注度：定义关注度a用于表征对应传感器输出数据的采信程度，且规定关注度a取值在[0，1]范围内，关注度a取值越大，授予对应传感器的输出数据越高的信赖程度；保持同一工作环境下的所有传感器的关注度取值的总和为1，为当前工作环境下失效的传感器分配最小的关注度取值；
[0076]
s18：分配关注度：为所有工作环境下每一种传感分配关注度，在普通工作环境下，所有传感器正常工作，此时根据经验，应为gnss卫星定位器分配最大的关注度；而在gnss卫星定位器信号弱或信号丢失环境下，则以惯导为传感器重心，为其分配最大的关注度取值；在弱纹理环境下，相机信号受到一定程度的干扰，因此为最小的关注度取值；而在弱视觉或夜间环境下，相机受影响严重，几乎不能成像，此时为相机分配最小关注度，考虑在弱视觉或夜间环境，激光雷达也受到一定程度上的影响，因此在此工作环境下，需要为激光雷达分配取值较小的关注度；在恶劣天气环境下，受风霜雨雪影响，相机与激光雷达几乎完全失效，此时为相机和激光雷达分配最小关注度；而在模拟惯导失效环境中，惯导信号完全不存在，此时应将gnss卫星定位器作为传感器重心，为惯导分配最小关注度。
[0077]
因此有传感器总集为s、工作环境总集e以及传感器的关注度总集ae的关系如下表：
[0078][0079]
进一步的，s1还包括有：
[0080]
s19：设置融合判定阈值：设定融合判定阈值q
α
＝0.8；
[0081]
s110：计算实际融合参数：定义融合参数为q，记工作环境e
x
下，传感器sy的融合参数为规定：集合每一种工作环境下每一种传感器的融合参数得到融合参数总集qe：
[0082]
对于不同环境中的不同传感器，不同的外界因素将在不同程度上影响对应的传感器，根据在该工作场景下保持正常工作的传感器，保持传感器采集度为1，则表达了在该工作场景下，外界因素并未对其产生影响，可以正常采集该传感器的输出数据，反之则表达了在该工作场景下，外界因素对对应传感器造成干扰，导致传感器输出数据存在较大误差，此时停止采集该传感器的输出数据，禁止误差较大的数据进入系统，避免后续数据处理时花费大量算力和时间对该存在较大误差的传感器数据再行校正。
[0083]
而在不同工作环境下，进一步为不同传感器分配关注度，则可为每一种工作环境中协同工作的多个传感器设置数据重要程度，为在该工作场景中更可信赖的传感器数据分配更高的关注度，为在工作场景中已经失效的传感器分配最低的关注度，以此区分不同传感器在具体的行驶环境中为车辆作出下一步自动驾驶决策的地位，可更充分地利用前端的传感器数据，为车辆自动驾驶提供更加可靠的检测数据。
[0084]
s111：融合判定：设置融合条件且对融合参数总集qe中每一个元素逐个验证；
[0085]
s112：选择性融合：如当前元素满足s111中设置的融合条件，则允许该元素代表的当前工作环境下的当前传感器向后级数据融合环节输出传感器数据；反之放弃该元素代表
的当前工作环境下的当前传感器的输出数据。对于单个传感器，在某一工作环境下，由计算得到的融合参数为将同时表达该传感器所处的工作环境、其工作环境对该传感器的影响、该传感器的输出数据在该工作环境中的重要程度等信息，因此一项将为当前传感器就其自身数据的可信赖程序作出评估；而对于当前工作环境而言，将表达该种工作场景对车辆上设置的所有传感器的影响程度，即对于当前工作环境e
x
而言，如存在则表示在该工作环境下，可能存在部分传感器受外界因素失效，但剩余能正常工作的传感器能为车辆提供足够可信的实时检测数据，车辆能够在该工作环境e
x
行驶。因此可知，设置融合条件且对融合参数总集qe中每一个元素逐个验证；可从单一传感器以及整个工作场景中的层面对不同工作环境中的传感器数据进行全面评估，选择足够可信的数据进入后续的数据融合环节，保证通过该融合判定的传感器数据均为可靠的、少误差的，为后续的传感器数据融合过程算力、提升后续数据融合过程的融合效率。
[0086]
进一步的，s2具体为：
[0087]
s21：记整个信息控制过程存在k次中断；对整个信息控制过程作出可靠性评估，评估整个信息控制过程的正常工作连续性；
[0088]
s22：对整个信息控制过程作出风险率评估，计算在信息控制过程中某次中断发生前车辆正常工作时长；
[0089]
s23：对整个信息控制过程作出可用性评估，计算整个信息控制过程中数据的有效可用性及有效数据的时间占比。对于上文所述的信息控制过程，从可靠性、风险率和可用性三个方面对其进行评估，可充分评估其信息控制过程的工作，其评估的结果传送给s3，由s3根据其评估结果不断调整
[0090]
进一步的，s21具体为：
[0091]
定义信息控制过程在δt时间段内的可靠性为k(δt)：k(δt)＝e-λδt
，对整个信息控制过程，计算其全部时间的可靠性平均值k(δt)
avg
：和全部时间的可靠性方均根值k(δt)
rms
：
[0092]
进一步的，s22具体为：
[0093]
记第z次工作发生第σ次中断前的运行时间为则有：计算得到
整个信息控制过程的风险率p
risk
为：
[0094]
进一步的，s23具体为：
[0095]
s231：在数据流中以固定时间间隔δt和随机时间间隔ran(t)两种方式进行多次采样，每一次采样记为一个数据点；
[0096]
s232：记某一数据点中信息数据量为ζ，信息数据种类为设定目标信息数据量ζ
set
、目标信息数据种数为
[0097]
s234：对数据点分类统计：f1表示不满足数据选择需求的数据点个数，其表现形式为：1≤ζ＜ζ
set
＜n；f2表示不满足完好性需求的数据点个数，其表现形式为：数据点中信息数据量f3表示数据连续性中断的数据点个数，其表现形式为：ζ＝0，f表示在全过程总时间内采样统计的总数据点数目；
[0098]
s235：计算整个信息控制过程中数据的有效可用性：s235：计算整个信息控制过程中数据的有效可用性：
[0099]
需要注意的是，采样次数越多可用性评估越准确，但也要考虑到工作量的增加。所以在固定时间间隔采样过程中，本具体实施方式中规定：
[0100]
当数据流时间t＞1h，采样时间间隔δt≤1s；
[0101]
当数据流时间30min≤t≤1h，采样时间间隔δt≤0.5s；
[0102]
当数据流时间0＜t＜30min，采样时间间隔δt≤0.1s。
[0103]
s236：记数据流中数据有效可用的时间t
有效
占整个信息控制时间t
全部
，当ζ＝ζ
set
、时，统计有效数据的时间t
有效
，计算有效数据的时间占比ω：
[0104]
可用性评估是对功能可用性的判断，是在信息控制满足方案目的，能正常实现功能并发挥作用，同时还基于选择需求、完好性需求和连续性需求的情况下进行的。对原始的多源数据经过选择形成被筛选后的数据流，从信息控制过程中数据的有效可用性、以及有效数据的时间占比两个角度分析可用性，可为信息控制过程提供结果反馈，以便车辆及时调整控制策略。
[0105]
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种面向无人车多环境定位的多源数据选择性融合方法，其特征在于，该方法为：s1：信息控制：对环境进行分类，为不同环境下的每一种传感器分配采信权重，对指定工作环境下的指定传感器，根据其采信权重选择性融合其输出数据；s2：控制评估：对信息控制过程分进行分析评价，评估其可靠性、风险率和可用性；s3：评估反馈：根据控制评估结果对信息控制的结果进行分析融合。2.如权利要求1所述的面向无人车多环境定位的多源数据选择性融合方法，其特征在于，所述s1具体为：s11：布置传感器：在车辆上布置n种传感器，其中n≥2且n为整数；记指定传感器为s
i
，集合车辆上所有传感器，得到传感器总集为s：s＝{s1、s2…
s
n
}，有：s12：规定基础场景：记仅传感器s1失效、其他传感器s2、s3…
s
n
均正常工作的情况为第一基础场景c1；记仅传感器s2失效、其他传感器s1、s3…
s
n
均正常工作的情况为第二基础场景c2；依此类推，记仅传感器s
i
失效、其他传感器s1、s2、
…
、s
i-1
、s
i+1
、
…
、s
n
均正常工作的情况为第i基础场景c
i
；依此类推，记仅传感器s
n
失效、其他传感器s1、s2…
s
n-1
均正常工作的情况为第n基础场景c
n
；集合所有基础场景，得到基础场景总集c：c＝{c1、c2…
c
n
}，有s13：定义采集度：定义采集度d用于表征对应传感器输出数据采集情况，且规定采集度d取值为0或1，取值为0时，不采集其对应传感器的输出数据，取值为1时，采集其对应传感器的输出数据；s14：计算各基础场景中各传感器采集度：根据各个基础场景中的传感器失效情况，对该基础场景中失效的传感器，不采集其传感器数据，其采集度取值为0，对正常工作的传感器，采集其传感器数据，其采集度取值为1；记第i基础场景c
i
下，传感器s
j
的采集度为集合每一基础场景下每一传感器的采集度，得到基础场景采集度总集d
c
：有3.如权利要求2所述的面向无人车多环境定位的多源数据选择性融合方法，其特征在于，所述s1还包括有：s15：划分工作环境：认定所有传感器均保持正常工作时，车辆处于普通工作环境下，记普通工作环境为e0；根据基础场景总集c将异常环境分为m种，其中且m为整数；异常环境e1、e2…
e
m
应为上述第一基础场景c1、第二基础场景c2···
以及第n基础场景c
n
中一种或多种组合；记指定工作环境为e
x
；集合所有工作环境得到工作环境总集e：e＝{e0、e1、e2…
e
m
}，有且e
x
≠e0；s16：计算各工作环境中各传感器的采集度：根据各个基础场景中的传感器失效情况，对该基础场景中失效的传感器，不采集该传感器数据，其采集度取值为0，对正常工作的传感器，采集该传感器数据，其采集度取值为1；记工作环境e
x
下，传感器s
y
的采集度为集合所有工作环境下所有传感器的采集度
集合d
e
：有，4.如权利要求3所述的面向无人车多环境定位的多源数据选择性融合方法，其特征在于，所述s1还包括有：s17：定义关注度：定义关注度a用于表征对应传感器输出数据的采信程度，且规定关注度a取值在[0，1]范围内，关注度a取值越大，授予对应传感器的输出数据越高的信赖程度；保持同一工作环境下的所有传感器的关注度取值的总和为1，为当前工作环境下失效的传感器分配最小的关注度取值；s18：分配关注度：记工作环境e
x
下，传感器s
y
的关注度为集合所有工作环境下每一种传感器的关注度得到关注度总集a
e
：有5.如权利要求4所述的面向无人车多环境定位的多源数据选择性融合方法，其特征在于，所述s1还包括有：s19：设置融合判定阈值：设定融合判定阈值q
α
；s110：计算实际融合参数：定义融合参数为q，记工作环境e
x
下，传感器s
y
的融合参数为规定：集合每一种工作环境下每一种传感器的融合参数得到融合参数总集q
e
：s111：融合判定：设置融合条件且对融合参数总集q
e
中每一个元素逐个验证；s112：选择性融合：如当前元素满足s111中设置的融合条件，则允许该元素代表的当前工作环境下的当前传感器向后级数据融合环节输出传感器数据；反之放弃该元素代表的当前工作环境下的当前传感器的输出数据。6.如权利要求1所述的面向无人车多环境定位的多源数据选择性融合方法，其特征在于，所述s2具体为：s21：记整个信息控制过程存在k次中断；对整个信息控制过程作出可靠性评估，评估整个信息控制过程的正常工作连续性；s22：对整个信息控制过程作出风险率评估，计算在信息控制过程中某次中断发生前车辆正常工作时长；s23：对整个信息控制过程作出可用性评估，计算整个信息控制过程中数据的有效可用性及有效数据的时间占比。7.如权利要求6所述的面向无人车多环境定位的多源数据选择性融合方法，其特征在于，所述s21具体为：定义信息控制过程在δt时间段内的可靠性为k(δt)：k(δt)＝e-λδt
，对整个信息控制过程，计算其全部时间的可靠性平均值k(δt)
avg
：和全部时间的可靠性方均根值k(δt)
rms
：
8.如权利要求6所述的面向无人车多环境定位的多源数据选择性融合方法，其特征在于，所述s22具体为：记第z次工作发生第σ次中断前的运行时间为则有：计算得到整个信息控制过程的风险率p
risk
为：9.如权利要求6所述的面向无人车多环境定位的多源数据选择性融合方法，其特征在于，所述s23具体为：s231：在数据流中以固定时间间隔δt和随机时间间隔ran(t)两种方式进行多次采样，每一次采样记为一个数据点；s232：记某一数据点中信息数据量为ζ，信息数据种类为设定目标信息数据量ζ
set
、目标信息数据种数为s234：对数据点分类统计：f1表示不满足数据选择需求的数据点个数，其表现形式为：1≤ζ＜ζ
set
＜n；f2表示不满足完好性需求的数据点个数，其表现形式为：数据点中信息数据量f3表示数据连续性中断的数据点个数，其表现形式为：ζ＝0，f表示在全过程总时间内采样统计的总数据点数目；s235：计算整个信息控制过程中数据的有效可用性：s235：计算整个信息控制过程中数据的有效可用性：s236：记数据流中数据有效可用的时间t
有效
占整个信息控制时间t
全部
，当ζ＝ζ
set
、时，统计有效数据的时间t
有效
，计算有效数据的时间占比ω：

技术总结
本发明公开了一种面向无人车多环境定位的多源数据选择性融合方法，该方法具体为：S1：信息控制、S2：控制评估、S3：评估反馈等步骤相比于现有技术，该方法通过设计全新的数据融合前期算法，以信息控制和控制评估共同协作，实现对输入端多源数据的控制和调整，为无人车在多种不同环境定向筛选过滤可信度更高的传感器数据信息，降低数据融合过程中的计算复杂度和数据冗余程度，控制了计算成本。控制了计算成本。控制了计算成本。


技术研发人员：陈星筑 王龙翔 吴旭楠
受保护的技术使用者：信通院车联网创新中心（成都）有限公司
技术研发日：2021.11.24
技术公布日：2022/3/7