一种实时校准方法及装置与流程

本发明涉及智能驾驶领域，特别涉及一种实时校准方法，还涉及一种实时校准装置。

背景技术：

毫米波雷达、摄像头、激光雷达和超声波雷达等传感器是自动驾驶技术重要的硬件组成部分，多传感器的数据融合在解决探测问题、跟踪和识别方面不仅具有能够数倍地扩大捕捉和跟踪空间和时间覆盖范围的优势，还可以降低信息模糊度、提高可信度和改进探测性能等。但是，受汽车复杂的驾驶环境影响，传感器可能因在颠簸、雨雪泥和路面随机发生的情况下出现振动、位移、偏转等现象而带来检测误差。

现有传感器产品的自校准功能依赖于固定场景的下线标定，不具备实时性，且带来额外的标定成本。部分传感器已开发的自标定功能局限于本传感器内多帧数据间的对比校验，导致自检时间过长，故障反馈延迟时间超过功能安全的要求，延迟期内可能造成自动驾驶功能的错误判断，从而带来严重的行车安全问题。

技术实现要素：

为解决上述技术问题，本发明公开了一种实时校准方法，所述实时校准方法包括：

获取待校准目标；

获取用于进行校准的数据模型，所述数据模型以探测参考数据为输入；

选择用于进行校准的参考目标；

获取所述待校准目标探测到的所述参考目标对应的第一目标信息；以及获取所述数据模型探测到的所述参考目标对应的第二目标信息；

比较所述第一目标信息和所述第二目标信息，并根据比较结果对所述待校准目标进行校准。

进一步的，所述待校准目标包括毫米波雷达、摄像头、激光雷达或超声波雷达。

进一步的，所述数据模型是指将毫米波雷达、摄像头、激光雷达和超声波雷达中任意两个或两个以上的探测数据进行融合的数据模型。

进一步的，所述数据模型是将所述毫米波雷达、所述摄像头和所述激光雷达的每帧探测数据进行点云和目标层级融合的数据模型。

进一步的，所述数据模型是指由所述摄像头和所述激光雷达探测数据融合而成的数据模型。

进一步的，所述数据模型为高精地图。

进一步的，所述数据模型是指由所述摄像头和所述激光雷达探测数据融合而成的数据模型中的数据模型的构建包括：

获取所述参考目标在所述激光雷达中的第一探测信息，以及获取所述参考目标在所述摄像头中的第二探测信息；

比较所述第一探测信息和所述第二探测信息，并根据比较结果判断是否构建数据模型；

若是，则根据所述第一探测信息和所述第二探测信息构建所述数据模型。

进一步的，所述选择用于进行校准的参考目标包括：

获取所述环境模型中每一帧带输出的目标；

比较各个所述目标的置信度，并选取置信度最高的n个目标作为参考目标。

进一步的，所述选择用于进行校准的参考目标包括：

确定车辆在高精地图中的当前精确位置；

根据所述当前精确位置从所述高精地图中提取所述车辆在该位置处的第一环境信息，以及获取所述待校准目标探测的第二环境信息；

将所述第一环境信息和所述第二环境信息进行特征配对确定参考目标。

进一步的，所述参考目标为车辆所在位置周围环境中的任意目标。

进一步的，所述根据比较结果对所述待校准目标进行校准包括：

根据所述比较结果判断所述待校准目标的误差状态；

根据所述误差状态进行相应的校准。

进一步的，所述根据所述误差状态进行相应的校准包括：

若所述第一目标信息的方位角和所述第二目标信息的方位角的差值大于等于第一阈值且小于等于第二阈值，则判断所述待校准目标误差需要调整，并根据方位角的差值设置误差补偿参数。

进一步的，所述根据所述误差状态进行相应的校准包括：

将所述第一目标信息转换成整车坐标系的x轴、y轴和z轴上位置信息，以及将所述第二目标信息转换成整车坐标系的x轴、y轴和z轴上位置信息；

若任意一个轴向上的差值大于第三阈值、任意两个轴向上的综合误差值大于第四阈值或三个轴向上的综合误差值大于第五阈值，则根据在各轴向上的差值情况，在相应的轴向方向上进行补偿。

进一步的，所述根据比较结果对所述待校准目标进行校准包括：

分别计算所述第一目标信息和所述第二目标信息的水平位置差值、垂直位置差值和角度差值；

若所述水平位置差值、所述垂直位置差值和所述角度差值中任一不满足相应的阈值要求，则判断所述毫米波雷达出现误差，并进行在线校准。

相应的，本发明还提供了一种实时校准装置，所述实时校准装置包括：

第一获取模块，用于获取待校准目标；

第二获取模块，用于获取用于进行校准的数据模型，所述数据模型以探测参考数据为输入；

选择模块，用于选择用于进行校准的参考目标；

第三获取模块，用于获取所述待校准目标探测到的所述参考目标对应的第一目标信息；以及获取所述数据模型探测到的所述参考目标对应的第二目标信息；

处理模块，用于比较所述第一目标信息和所述第二目标信息，并根据比较结果对所述待校准目标进行校准。

相应的，本发明还提供了一种计算机存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行如上述的实时校准方法。

相应的，本发明还提供了一种终端，包括：处理器以及存储器；其中，

所述处理器用于调用并执行所述存储器中存储的程序；

所述存储器用于存储程序，所述程序用于：获取待校准目标；获取用于进行校准的数据模型，所述数据模型以探测参考数据为输入；选择用于进行校准的参考目标；获取所述待校准目标探测到的所述参考目标对应的第一目标信息；以及获取所述数据模型探测到的所述参考目标对应的第二目标信息；比较所述第一目标信息和所述第二目标信息，并根据比较结果对所述待校准目标进行校准。

本发明通过以高准确度的探测参考数据为输入的数据模型对毫米波雷达、摄像头或激光雷达进行在线实时校准；采用本发明所述的技术方案，具有如下有益效果：车辆一旦出现偏差，通过内部逻辑即可实时校准，无需开启特定功能或特殊设定，具有实时性；通过多传感器融合后的数据进行当前雷达角度偏差的分析，保证校准的准确性；通过高精度传感器及相对低精度融合后的雷达角度偏差的分析，提高偏差判定的鲁棒性及可靠性；仅通过传感器内部设定逻辑，无需额外增加硬件，且省去售后校准的大量费用及由于客户抱怨导致的售后赔偿，降低成本。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所述实时校准方法的一种流程图；

图2为本发明所述参考目标选择的一种流程图；

图3为本发明所述参考目标选择的另一种流程图；

图4为本发明所述步骤s150的一种流程图；

图5为本发明所述数据模型构建的一种流程图；

图6为本发明所述步骤s1323的一种流程图；

图7为本发明所述数据模型构建的另一种流程图；

图8为本发明所述实时校准装置的一种组成示意图。

以下对附图作补充说明：1-实时校准装置；101-第一获取模块；102-第二获取模块；103-选择模块；104-第三获取模块；105-处理模块。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本发明的描述中，需要理解的是，术语“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含的包括一个或者更多个该特征。而且，术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

实施例：

如图1所示，本实施例提供了一种实时校准方法，所述实时校准方法包括步骤：

s110：获取待校准目标。

具体的，所述待校准目标包括毫米波雷达、摄像头、激光雷达或超声波雷达。

s120：获取用于进行校准的数据模型，所述数据模型以探测参考数据为输入。

在一个可行的实施方式中，所述数据模型是指将毫米波雷达、摄像头、激光雷达和超声波雷达中任意两个或两个以上的探测数据进行融合的数据模型。

可选的，所述数据模型可以是指将所述毫米波雷达、所述摄像头和所述激光雷达中的每帧探测数据进行点云和目标层级融合的数据模型。

可选的，所述数据模型可以是指由所述摄像头和所述激光雷达探测数据融合而成的数据模型。

在另一个可行的实施方式中，所述数据模型可以为高精地图。

s130：选择用于进行校准的参考目标。

在一个可行的实施方式中，如图2所示，所述步骤s130可以包括：

s1311：获取所述环境模型中每一帧带输出的目标；

s1312：比较各个所述目标的置信度，并选取置信度最高的n个目标作为参考目标。

其中，置信度是指探测目标为真实的可能性，用于判断所输出的目标信息的可靠性。

在另一个可行的实施方式中，如图3所示，所述步骤s130可以包括：

s1321：确定车辆在高精地图中的当前精确位置；

s1322：根据所述当前精确位置从所述高精地图中提取所述车辆在该位置处的第一环境信息；

s1323：获取所述待校准目标探测的第二环境信息；

s1324：将所述第一环境信息和所述第二环境信息进行特征配对确定参考目标。

在另一个可行的实施方式中，所述步骤s130中参考目标可以为车辆所在位置周围环境中的任意目标。

s140：获取所述待校准目标探测到的所述参考目标对应的第一目标信息；以及获取所述数据模型探测到的所述参考目标对应的第二目标信息。

s150：比较所述第一目标信息和所述第二目标信息，并根据比较结果对所述待校准目标进行校准。

在一个可行的实施方式中，如图4所示，所述步骤s150可以包括：

s151：比较所述第一目标信息和所述第二目标信息；

s152：根据所述比较结果判断所述待校准目标的误差状态；

s153：根据所述误差状态进行相应的校准。

在一个可行的实施方式中，所述步骤s153可以包括：

若所述第一目标信息的方位角和所述第二目标信息的方位角的差值大于等于第一阈值且小于等于第二阈值，则判断所述待校准目标误差需要调整，并根据方位角的差值设置误差补偿参数。

在另一个可行的实施方式中，所述步骤s153可以包括：

将所述第一目标信息转换成整车坐标系的x轴、y轴和z轴上位置信息，以及将所述第二目标信息转换成整车坐标系的x轴、y轴和z轴上位置信息；

若任意一个轴向上的差值大于第三阈值、任意两个轴向上的综合误差值大于第四阈值或三个轴向上的综合误差值大于第五阈值，则根据在各轴向上的差值情况，在相应的轴向方向上进行补偿。

在另一个可行的实施方式中，所述步骤s153可以包括：

分别计算所述第一目标信息和所述第二目标信息的水平位置差值、垂直位置差值和角度差值；

若所述水平位置差值、所述垂直位置差值和所述角度差值中任一不满足相应的阈值要求，则判断所述毫米波雷达出现误差，并进行在线校准。

以所述待校准目标为毫米波雷达为例，若所述数据模型为将所述毫米波雷达、所述摄像头和所述激光雷达中的每帧探测数据进行点云和目标层级融合的数据模型。

以对毫米波雷达、摄像头和激光雷达的融合为例，如图5所示，所述步骤s120中的数据模型的构建包括以下步骤：

s1211：获取车辆的运行信息；

s1212：将所述车辆的运行信息分别发送给毫米波雷达、摄像头和激光雷达；

s1213：将所述毫米波雷达的输出信息、所述摄像头的输出信息和所述激光雷达的输出信息进行数据融合并生成数据模型；

s1214：将所述数据模型的输出信息分别反馈给所述毫米波雷达、所述摄像头、所述激光雷达和自动驾驶系统。

进一步的，所述步骤s120中的数据模型的构建还包括：将所述数据模型的输出信息反馈给数据融合的过程中，以进行迭代计算。

可以理解的是，将所述数据模型的输出信息反馈给所述毫米波雷达、所述摄像头和所述激光雷达，以得到更加准确的融合输入信息；将所述数据模型的输出信息反馈至所述自动驾驶系统中，能够作为其决策的输入，提高可靠性。

进一步的，所述s1211中的运行信息包括来自底盘的实时运动信息、整车状态信息和来自自动驾驶系统的控制信息等有关车辆行驶的信息。

进一步的，如图2所示，所述步骤s130包括上述步骤s1311～步骤s1312。

具体的，选取置信度最高的三个目标作为参考目标，所述参考目标包括第一参考目标、第二参考目标和第三参考目标。

则，所述步骤s140中，获取所述毫米波雷达探测到的所述第一参考目标对应的第一目标信息i，获取所述毫米波雷达探测到的所述第二参考目标对应的第一目标信息ii，以及获取所述毫米波雷达探测到的所述第三参考目标对应的第一目标信息iii。

具体的，所述第一目标信息i为第一参考目标在所述毫米波雷达的最近一帧数据中的方位角θ1；相应的，所述第一目标信息ii和第一目标信息iii分别为第二参考目标和第三参考目标在毫米波雷达中最近一帧数据中的方位角θ2和方位角θ3。

所述步骤s140中，获取所述毫米波雷达探测到的所述第一参考目标对应的第二目标信息i，获取所述毫米波雷达探测到的所述第二参考目标对应的第二目标信息ii，以及获取所述毫米波雷达探测到的所述第三参考目标对应的第二目标信息iii。

具体的，所述第二目标信息i为第一参考目标在所述数据模型中的方位角θ4；相应的，所述第二目标信息ii和第二目标信息iii分别为第二参考目标和第三参考目标在所述数据模型中的方位角θ5和方位角θ6。

进一步的，如图4所示，所述步骤s150包括上述步骤s151～步骤s153。

进一步的，所述步骤s151具体包括：比较所述方位角θ1和所述方位角θ4，比较所述方位角θ2和所述方位角θ5，以及比较所述方位角θ3和所述方位角θ6；分别得到所述第一参考目标、所述第二参考目标和所述第三参考目标在毫米波雷达和数据模型中探测结果的差值δθ14、δθ25和δθ36。

进一步的，所述步骤s152包括：根据所述δθ14、δθ25和δθ36判断所述毫米波雷达的误差状态。其中，所述误差状态包括状态正常、误差过大和误差可调：

若所述δθ14、δθ25和δθ36的绝对值都小于第一阈值，则判断所述毫米波雷达状态正常；

若所述δθ14、δθ25和δθ36中任意一个绝对值大于第二阈值，则判断所述毫米波雷达误差过大；

若所述δθ14、δθ25和δθ36的绝对值都大于等于第一阈值且小于等于第二阈值，则判断所述毫米波雷达误差可调。

进一步的，所述步骤s153包括：

若所述毫米波雷达状态正常，则无需进行校准；

若所述毫米波雷达误差过大，则进行功能降级或者由驾驶员接管操作；

若所述毫米波雷达误差可调，则进入毫米波雷达的在线校准，即根据差值δθ14、δθ25和δθ36设置误差补偿参数。

进一步的，所述步骤s153还包括：所述毫米波雷达在线校准完成后，再提取所述参考目标在所述毫米波雷达中的探测信息和在所述数据模型中最新一帧的探测信息，并进行误差比对和误差状态判断；若误差值都小于第一阈值，则校准完成，否则重复上述校准过程。

上述方案对毫米波雷达、摄像头和激光雷达进行数据融合得到数据模型进行在线实时校准；具有如下有益效果：车辆一旦出现偏差，通过内部逻辑即可实时校准，无需开启特定功能或特殊设定，具有实时性；通过多传感器融合后的数据进行当前毫米波雷达角度偏差的分析，保证校准的准确性及可靠性；仅通过内部设定逻辑，无需额外增加硬件，且省去售后校准的大量费用及由于客户抱怨导致的售后赔偿，降低成本。

以所述待校准目标为毫米波雷达为例，若所述数据模型为高精地图。

进一步的，所述高精地图可以从主干通讯网络中解析或从云端服务器获取。

进一步的，如图3所示，所述步骤s130包括上述步骤s1321～步骤s1324。

可以理解的是，所述第一环境信息可以是路沿、行道树、减速带和道路标志等信息。

进一步的，如图6所示，所述步骤s1323包括：

s13231：获取所述毫米波雷达在所述当前精确位置处探测到的环境信息；

s13232：对所述环境信息中的目标进行分类；

s13233：根据所述第一环境信息从所述环境信息中提取相应类别的目标，所述相应类别的目标构成所述第二环境信息。

进一步的，所述步骤s1324中，所述特征包括目标的外形尺寸和类别信息；所述特征配对指将所述第一环境信息内的目标和所述第二环境信息内的目标进行外形尺寸和类别信息进行匹配得到相同的障碍物作为参考目标。

进一步的，所述第一目标信息包括所述参考目标在毫米波雷达中的位置信息；所述第二目标信息包括所述参考目标在高精地图中的位置信息。

进一步的，如图4所示，所述步骤s150包括上述步骤s151～步骤s153。

进一步的，所述步骤s151包括：

s1511：将所述第一目标信息转换成整车坐标系的x轴、y轴和z轴上位置信息，分别为x1、y1和z1；

s1512：将所述第二目标信息转换成整车坐标系的x轴、y轴和z轴上位置信息，分别为x2、y2和z2；

s1513：分别计算所述第一目标信息和所述第二目标信息在x轴、y轴和z轴上的差值，分别为δx、δy和δz。

其中，所述x轴为车辆行驶时的前进方向，z轴为车辆的高度方向，y轴与所述x轴和所述z轴垂直。

进一步的，所述步骤s152包括：根据所述δx、δy和δz判断所述毫米波雷达的误差状态。其中，所述误差状态包括状态正常、误差过大和误差可调：

若所述δx、δy和δz中任意一个的绝对值小于等于第三阈值、以及任意两个的综合误差值小于等于第四阈值、以及三个的综合误差值小于等于第五阈值，则判断所述毫米波雷达状态正常；

若所述δx、δy和δz中任意一个的绝对值大于等于第六阈值、以及任意两个的综合误差值大于等于第七阈值、以及三个的综合误差值大于等于第八阈值，则判断所述毫米波雷达误差过大；

若所述δx、δy和δz中任意一个的绝对值大于第三阈值且小于第六阈值、或任意两个的综合误差值大于第四阈值且小于第七阈值、或三个的综合误差值大于第五阈值且小于第八阈值，则判断所述毫米波雷达误差可调。

其中，第三阈值>第四阈值>第五阈值，第六阈值>第七阈值>第八阈值且第六阈值>第三阈值，第七阈值>第四阈值，第八阈值>第三阈值。

其中，所述综合误差值可以为加权值。

进一步的，所述步骤s153包括：

当所述毫米波雷达处于状态正常时，则继续进行监控及校准；

当所述毫米波雷达处于误差过大时，则输出该传感器异常信息，无法校准；

当处于误差可调时，根据高精地图数据进行在线校准，即在各轴向上的差值δx、δy和δz情况，在相应的轴向方向上进行补偿。

可以理解的是，若所述δx、δy和δz在某一坐标上误差偏大，则在该坐标值上进行适量补偿；若在某两个坐标或三个坐标上误差偏大，则在方位角和距离探测值上做适当补偿。

进一步的，所述步骤s153还包括：在上述校准完成后，再进行新一轮的校验检测，若误差在允许范围内，则在线校准完成，若误差仍然超出允许范围，则进行下一轮的在线校准。

需要说明的是，若毫米波雷达的探测维度只有二维，则可以进行相应的降维处理。

上述方案通过高精地图对毫米波雷达、摄像头或激光雷达进行在线实时校准；采用上述的技术方案，具有如下有益效果：车辆一旦出现偏差，通过高精地图即可实时校准，具有实时性，也能保证校准的准确性；仅通过高精地图设定逻辑，无需额外增加硬件，且省去售后校准的大量费用及由于客户抱怨导致的售后赔偿，降低成本。

基于相同的原理，还可以通过高精地图对超声波雷达或摄像头或激光雷达进行实时校准。

以所述待校准目标为毫米波雷达为例，若所述数据模型为由所述摄像头和所述激光雷达探测数据融合而成的数据模型。

进一步的，如图7所示，所述步骤s120中的数据模型的构建包括以下步骤：

s1221：获取所述参考目标在所述激光雷达中的第一探测信息，以及获取所述参考目标在所述摄像头中的第二探测信息；

s1222：比较所述第一探测信息和所述第二探测信息，并根据比较结果判断是否构建数据模型；

s1223：若是，则根据所述第一探测信息和所述第二探测信息构建所述数据模型。

可以理解的是，所述第一探测信息可以是由所述激光雷达探测到的有关参考目标的方位信息、距离信息和轮廓信息；所述第二探测信息可以是由所述摄像头探测到的有关所述参考目标的方位信息、距离信息和轮廓信息。在比较所述第一探测信息和所述第二探测信息时，可以选取其中任意信息进行比较，比如，选择激光雷达的方位信息和摄像头的轮廓信息进行比较。

进一步的，所述步骤s120还包括：

s1224：若否，则退出毫米波雷达校准程序；并提示驾驶员自动校准功能无法使用，检查车辆部分传感器安装是否存在误差。

进一步的，所述步骤s1222包括：

分别计算所述第一探测信息和所述第二探测信息的水平位置偏差、垂直位置偏差和角度偏差；

若所述水平位置偏差小于第九阈值、所述垂直位置偏差小于第十阈值且所述角度偏差小于第十一阈值，则将所述第一探测信息和所述第二探测信息构建融合为数据模型；

若所述水平位置偏差大于第九阈值、或所述垂直位置偏差大于第十阈值或所述角度偏差大于第十一阈值，则进入步骤s1224。

进一步的，所述参考目标可以为车辆所在位置周围环境中的任意目标。

进一步的，所述第一目标信息包括所述参考目标在毫米波雷达中的水平位置a1、垂直位置b1和角度c1；所述第二目标信息包括所述参考目标在融合后的数据模型中的水平位置a2、垂直位置b2和角度c2。

进一步的，如图4所示，所述步骤s150包括上述步骤s151～s153。

进一步的，所述步骤s151具体包括：比较所述平位置a1和a2、垂直位置b1和b2以及角度c1和c2；分别得到所述参考目标在毫米波雷达和数据模型中探测结果的差值δa、δb和δc。

进一步的，所述步骤s152包括：根据所述δa、δb和δc判断所述毫米波雷达的误差状态。其中，所述误差状态包括状态正常、误差过大和误差可调：

若所述δa的绝对值小于第十二阈值、δb的绝对值小于第十三阈值且δc的绝对值小于第十四阈值，则判断所述毫米波雷达状态正常；

若所述δa的绝对值大于第十五阈值、δb的绝对值大于第十六阈值或δc的绝对值大于第十七阈值，则判断所述毫米波雷达误差过大；

否则，判断所述毫米波雷达误差可调。

进一步的，所述步骤s153包括：

若所述毫米波雷达状态正常，则无需进行校准，重新进入循环；

若所述毫米波雷达误差过大，则进行功能降级或者由驾驶员接管操作；

若所述毫米波雷达误差可调，则进入毫米波雷达的在线校准。

进一步的，所述步骤s153还包括：所述毫米波雷达在线校准完成后，再重新进入循环。

上述方案对摄像头和激光雷达进行数据融合对毫米波雷达进行在线实时校准；采用上述的技术方案，具有如下有益效果：车辆一旦出现偏差，通过内部逻辑即可实时校准，无需开启特定功能或特殊设定，具有实时性；通过多传感器融合后的数据进行当前雷达角度偏差的分析，保证校准的准确性；通过高精度传感器及相对低精度融合后的雷达角度偏差的分析，提高偏差判定的鲁棒性及可靠性；仅通过传感器内部设定逻辑，无需额外增加硬件，且省去售后校准的大量费用及由于客户抱怨导致的售后赔偿，降低成本。

相应的，如图8所示，本发明还提供了一种实时校准装置1，所述实时校准装置包括：

第一获取模块101，用于获取待校准目标；

第二获取模块102，用于获取用于进行校准的数据模型，所述数据模型以探测参考数据为输入；

选择模块103，用于选择用于进行校准的参考目标；

第三获取模块104，用于获取所述待校准目标探测到的所述参考目标对应的第一目标信息；以及获取所述数据模型探测到的所述参考目标对应的第二目标信息；

处理模块105，用于比较所述第一目标信息和所述第二目标信息，并根据比较结果对所述待校准目标进行校准。

以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。