[发明专利]用于输出信息的方法和装置

说明书

本公开的实施例公开了用于输出信息的方法和装置，可用于自动驾驶领域。该方法的一具体实施方式包括：响应于接收到传感器观测的障碍物的当前速度信息，为当前速度信息的质量打分，得到当前质量分数；获取缓存队列中保存的过去预定时间内来自不同的传感器的所述障碍物的速度信息和质量分数；若缓存队列中存在满足预定条件且质量分数高于当前质量分数的速度信息，则使用该速度信息替换掉当前速度信息；根据当前速度信息进行滤波，得到障碍物的融合速度信息并输出。该实施方式能够实现单传感器的时序校验和不同传感器之间的交叉验证，做到对噪声鲁棒和传感器之间的优势互补。

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于输出信息的方法和装置。

背景技术

在自动驾驶的感知模块中，多传感器融合往往作为感知的最后一个模块，接收来自各路传感器的结果并对这些结果进行融合输出，起到了不同传感器之间优势互补的作用。而障碍物的速度属性则直接影响着下游的决策，是障碍物重要的属性之一。充分利用不同传感器在不同场景下的速度估计优势，才能为下游输出准确稳定的速度属性估计。

现有的多传感器速度融合通常是在单一滤波框架下进行，通过对噪声方差进行建模实现不同来源的传感器的速度融合；或者在类似GMM(Gaussian mixture model，混合高斯模型)的算法框架下，以多高斯模型对不同传感器的速度进行建模，以混合模型的方式实现速度融合输出。

在滤波框架下，由于多传感器融合的输入源来自不同的传感器，异源时序输入意味着马尔可夫假设并不成立，即状态和上一帧的状态之间并不存在依赖关系，运动模型难以准确刻画时序关系。同时，异源观测也为观测模型的建模带来困难，不同传感器给出的观测噪声量纲并不一致，并且不同传感器在不同场景下的运动表达能力并不相同，通过观测噪声变化来表达场景的差异显得不够自然，难以数值化地显式建模。此外，在数据关联质量不稳定的情况下，滤波框架很容易引入噪声，使用滤波框架难以捕获由于数据关联质量不稳定带来的异常观测。

在传感器能力互补方面，虽然混合模型框架能够对不同传感器的运动输出进行建模，但是这样的建模没有充分利用不同传感器之间的优势互补能力，依然是割裂地看待每个传感器的输出，而不是将多传感器的观测视为同一个物体在不同角度下的运动表达。

综上所述，当前的技术难以对各传感器的运动表达能力进行场景化精细建模，对噪声的容忍性存在不足，难以充分利用不同传感器的能力进行优势互补。

发明内容

本公开的实施例提出了用于输出信息的方法和装置。

第一方面，本公开的实施例提供了一种用于输出信息的方法，包括：响应于接收到传感器观测的障碍物的当前速度信息，为当前速度信息的质量打分，得到当前质量分数；获取缓存队列中保存的过去预定时间内来自不同的传感器的所述障碍物的速度信息和质量分数；若缓存队列中存在满足预定条件且质量分数高于当前质量分数的速度信息，则使用该速度信息替换掉当前速度信息；根据当前速度信息进行滤波，得到所述障碍物的融合速度信息并输出。

在一些实施例中，根据当前速度信息进行滤波，得到障碍物的融合速度信息，包括：根据当前速度信息计算最终质量分数；根据当前速度信息和最终质量分数进行滤波和噪声方差建模，得到障碍物的融合速度信息。

在一些实施例中，该方法还包括：将所述当前速度信息和当前速度信息的状态存入所述缓存队列，其中，状态包括：收敛、不收敛、异常；或者将所述当前速度信息和当前质量分数存入所述缓存队列。

在一些实施例中，当前速度信息包括：动静状态、速度大小、速度方向；以及为当前速度信息的质量打分，得到当前质量分数，包括：获取传感器观测的场景信息；确定当前速度信息的状态；根据场景信息和状态获取传感器的质量分数模板；根据质量分数模板查出动静状态、速度大小、速度方向分别对应的质量分数。