传感器数据融合方法、装置、设备及存储介质与流程

本申请涉及自动驾驶技术领域，具体而言，涉及一种传感器数据融合方法、装置、设备及存储介质。

背景技术：

目前，自动驾驶技术能够实现在没有驾驶控制的情况下，通过计算机自动安全地操作车辆，进而实现车辆的自动驾驶。

通常为了实现车辆的自动驾驶，需要使用多类传感器实时获取车辆的驾驶数据，以使得基于驾驶数据生成对车辆的控制决策，在这一过程中，每类传感器的特性均可能不同，所感知的车辆数据也有差异，因此，如何根据每类传感器的特性将每类传感器感知的数据融合，以作出更加合理的控制决策是当前自动驾驶技术中的待解决问题之一。

技术实现要素：

本申请实施例的目的在于公开一种传感器数据融合方法、装置、设备及存储介质，用于将多类传感器的观察数据融合以得到更加精确的数据，进而基于该融合后数据，自动驾驶控制装置能够做出更加合理的控制决策，或更加精确地对目标车辆进行跟踪。

本申请第一方面公开一种传感器数据融合模型方法，该方法包括：

将至少两类传感器针对目标观测对象的第一时刻观测数据混合并得到每类传感器对应的第一时刻状态估计，其中，第一时刻为第二时刻的上一时刻；

根据每类传感器对应的第一时刻状态估计和每类传感器的第二时刻观察数据得到每类传感器对应的第二时刻状态估计；

将每类传感器对应的第二时刻状态估计合并，得到所有传感器对应的第二时刻总状态估计。

本申请通过将多个传感器针对同一目标观察对象的观察数据进行融合，从而能够抵消传感器特性及外部因素导致的测量误差，进而通过多个传感器特性之间的互补，获得目标观察对象的精确数据，从而基于目标观察对象的精确数据做出控制决策。

在本申请第一方面中，作为一种可选方式，在将每类传感器对应的第二时刻状态估计合并之前，该方法还包括：

获取所有传感器对应的第一时刻系统状态控制量；

根据第一时刻系统状态控制量得到所有传感器对应的第二时刻系统状态控制量。

在本可选方式中，系统状态控制量能够反映目标观测对象之外的其他对象与目标观测对象之间的关联关系，因此，本可选实施方式通过利用第一时刻系统状态控制量获取第二时刻系统状态控制量能够便于后续根据第二时刻系统状态控制量计算其他对象对得目标观测对象的影响程度，以进一步提高第二时刻总状态估计的准确度。与此同时，通过第一时刻系统状态控制量获得第二时刻系统状态控制量能够提高本申请的传感器数据融合方法的鲁棒性。

在本申请第一方面中，作为一种可选方式，将每类传感器对应的第二时刻状态估计合并，得到所有传感器对应的第二时刻总状态估计这一步骤，包括子步骤：

根据将每类传感器对应的第二时刻状态估计、所有传感器对应的第二时刻系统状态控制量，得到所有传感器对应的第二时刻总状态估计。

在本可选方式中，第二时刻系统状态控制量能够进一步提输出的第二时刻总状态估计的准确度。

在本申请第一方面中，作为一种可选方式，将至少两类传感器针对目标观测对象的第一时刻观测数据混合并得到每类传感器对应的第一时刻状态估计这一步骤，包括子步骤：

根据在马尔可夫过程中，每类传感器对应的转移概率矩阵及系统初始状态控制量计算得到每类传感器对应的第一时刻系统状态控制量；

根据每类传感器对应的第一时刻系统状态控制量和每类传感器的对应的第一时刻观测数据得到每类传感器对应的第一时刻状态估计。

在本可选的实施方式中，马尔可夫过程中的每类传感器对应的转移概率矩阵能够将每类传感器之间的关系作为技影响因素，进而提高第一时刻状态估计的准确度。

在本申请第一方面中，作为一种可选方式，将每类传感器对应的第二时刻状态估计合并，得到所有传感器对应的第二时刻总状态估计这一步骤，包括子步骤：

获取每类传感器对应的预设权重值；

根据每类传感器对应的预设权重值合并每类传感器对应的第二时刻状态估计，以得到所有传感器对应的第二时刻总状态估计。

本可选实施方式能够利用预设权重值模拟不同类传感器在特定场景下的影响权重，进而基于该预设权重值生成的第二时刻总状态估计能够适用于不同的场景中，进而进一步提高本申请的传感器数据融合方法的鲁棒性和第二时刻总状态估计的准确性。

本申请第二方面公开了另一种传感器数据融合方法，该方法包括：

将至少两类传感器在针对目标观测对象的第一时刻观测数据混合并得到所有传感器对应的第一时刻总状态估计，其中，第一时刻为第二时刻的上一时刻；

根据所有传感器对应的第一时刻总状态估计获得所有传感器对应的第二时刻总状态估计。

本申请第二方面公开的传感器数据融合方法，能够基于集中式数据融合结构对多类传感器数据进行融合，进而使得传感器集中在某个服务器节点中并进行融合，这样一来，就能够将优质运算资源集中在某个服务器节点上，进而降低设备部署成本。

本申请第三方面公开一种传感器数据融合装置，该装置包括：

第一混合模块，用于将至少两类传感器在针对目标观测对象的第一时刻观测数据混合并得到每类传感器对应的第一时刻状态估计，第一时刻为第二时刻的上一时刻；

第一计算模块，用于根据每类传感器对应的第一时刻状态估计和每类传感器的第二时刻观察数据得到每类传感器对应的第二时刻状态估计；

合并模块，用于将每类传感器对应的第二时刻状态估计合并，得到所有传感器对应的第二时刻总状态估计。

本申请的传感器数据融合装置通过执行传感器数据融合方法，能够通过将多个传感器针对同一目标观察对象的观察数据进行融合，从而能够抵消传感器特性及外部因素导致的测量误差，进而通过多个传感器特性之间的互补，获得目标观察对象的精确数据，从而基于目标观察对象的精确数据做出控制决策。

本申请第四方面公开一种传感器数据融合装置，该装置包括：

第二混合模块，用于将至少两类传感器在针对目标观测对象的第一时刻观测数据混合并得到所有传感器对应的第一时刻总状态估计，其中，第一时刻为第二时刻的上一时刻；

第二计算模块，用于根据所有传感器对应的第一时刻总状态估计获得所有传感器对应的第二时刻总状态估计。

本申请第四方面的传感器数据融合装置通过执行本申请第二方面的传感器数据融合方法，能够基于集中式数据融合结构对多类传感器数据进行融合，进而使得传感器集中在某个服务器节点中并进行融合，这样一来，就能够将优质运算资源集中在某个服务器节点上，进而降低设备部署成本。

本申请第五方面公开一种传感器数据融合设备，该设备包括：

处理器；以及

存储器，配置用于存储机器可读指令，指令在由处理器执行时，使得处理器执行本申请第一方面和本申请第一方面的传感器数据融合方法。

本申请第六方面公开了一种计算机存储介质，计算机存储介质存储有计算机程序，计算机程序被处理器执行本申请第一方面及本申请第二方面的传感器数据融合方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为多个传感器形成的感知区域示意图；

图2为雷达数据与摄像头数据的融合结果示意图；

图3为一种传感器数据融合框架示意图；

图4本申请实施例一公开的一种传感器数据融合模型方法的流程示意图；

图5为步骤101的子步骤流程示意图；

图6为步骤105的子步骤流程示意图；

图7为本申请实施例二公开的一种传感器数据融合方法的流程示意图；

图8为本申请实施例三公开的一种传感器数据融合装置的结构示意图；

图9为本申请实施例四公开的一种传感器数据融合装置的结构示意图；

图10为本申请实施例五公开的一种传感器数据融合设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在现有的自动驾驶领域中，为了获得自动驾驶车辆的实时数据，通常使用多个传感器捕获自动驾驶车辆的实时数据。可选地，这些传感器可以包括激光雷达、毫米波雷达、摄像头、定位传感器中的一种或者多种。

在一些场景中，毫米波雷达安装在自动驾驶车辆的四个方角上，用于捕获自动驾驶车辆的角度，同时，自动驾驶车辆上的前方护板位置也可以安装毫米波雷达和4线激光雷达(ibe04)，而自动驾驶车辆的车前方左右两侧位置安装有多线激光雷达，前挡风玻璃位置安装摄像头，后备箱里放置惯导及v2x设备，其中，惯导及v2x的天线安装在车辆天窗附近。这样一来，这些传感器就形成了如图1所示的感知区域。具体而言，可按照如如表1所示的传感器安装表安装传感器。

通过上述方式安装的传感器能够获取较多的观测数据，进而基于该观测数据，控制决策系统就生成决策信息，例如，自动跟踪信息。但是每个传感器对应的观测数据与目标的真实数据是有差异，且差异程度与传感器的自身特性相关。例如，雷达在目标纵向距离上的观测数据相对准确，但横向上的观测数据误差较大；而摄像头则恰好相反。

因此，为了生成高精度的观测数据，需要对各类传感器的观测数据进行融合，示例性地，可以根据雷达观测数据的概率分布函数与摄像头观测数据的概率分布函数得到融合结果，如图2所示，落入融合结果区域的观测数据能够兼容雷达和摄像头的特性，进而具有高准确度。

需要说明地是，本领域普通技术人员应该认识到，这些构成自动驾驶车辆的传感器没有一个可以完整地执行它们的预期功能(即所观测到数据与实现数据有偏差)，而是仅公开对于观测目标的估计，其中所述估计给出估计值和偏差标准。因而，本申请将传感器针对观测对象的观测数据成为估计。例如，雷达观测自动驾驶车辆的纵向距离对应的估计为“纵向15m,+/-0.25m”，其中，“15m”为估计值，“+/-0.25m”为偏差标准。

下面将结合上述内容，对传感器数据融合的具体方式进行详细描述。

实施例一

请参阅图4，图4是本申请实施例公开的一种传感器数据融合模型方法的流程示意图，该方法包括步骤：

101、将至少两类传感器针对目标观测对象的第一时刻观测数据混合并得到每类传感器对应的第一时刻状态估计，其中，第一时刻为第二时刻的上一时刻。

102、根据每类传感器对应的第一时刻状态估计和每类传感器的第二时刻观察数据得到每类传感器对应的第二时刻状态估计；

105、将每类传感器对应的第二时刻状态估计合并，得到所有传感器对应的第二时刻总状态估计。

示例性地，请参阅图3，在图3中，x⁽¹⁾(k-1|k-1)表示雷达在k-1时刻的观测数据，x⁽²⁾(k-1|k-1)表示摄像头在k-1时刻的观测数据，此时经过混合，并得到模式i和模式j,其中，模式i表示雷达对应的k-1时刻的状态估计，模式j对应的是摄像头在k-1时刻的状态估计。进一步地，根据雷达和摄像头在k时刻的观察数据得到雷达在k时刻的状态估和摄像头在k时刻的状态估计，进而合并得到所有传感器对应的k时刻总状态估计。

具体地，所有传感器对应的k时刻总状态估计可以根据以下公式计算得到：

其中，x(k|k)表示所有传感器对应的k时刻总状态估计，r表示r个类别传感器，j表示某个类别的传感器，xj(k|k)表示某个类别传感器在k时刻的z状态估计，μj(k)表示j类传感器对应的第二时刻系统状态控制量(关于第二时刻系统状态控制量的描述请参考下文所述)。

具体地，μj(k)能够通过以下公式计算得到：

其中，z^k表示k时刻所有传感器的观测数据的集合，mj(k)为一中间物理量，表示k时刻模式j的向量，lj(k)为r个卡尔曼滤波器的似然函数。

具体地，lj(k)可以通过以下公式计算得到：

lj(k)＝p[z(k)|mj(k)，x^0j(k-1|k-1)，p^0j(k-1|k-1)]；

其中，z(k)表示k时刻j类传感器的观测数据，x^0j(k-1|k-1)表示初始时刻0到k-1时刻，j类传感器对应的状态估计；另一方面，p^0j(k-1|k-1)表示初始时刻0到k-1时刻，所有传感器的状态估计协方差矩阵。

再具体地，p^0j(k-1|k-1)能够通过以下公式计算得到：

其中，μi|j(k-1|k-1)表示j类传感器对应的k-1状态控制量，x⁽ⁱ⁾(k-1|k-1)表示j类传感器中某个传感器的观测数据，x^0j(k-1|k-1)表示j类传感器在k-1时刻的状态估计。

再具体地，x^0j(k-1|k-1)通过以下公式计算得到：

其中，μi|j(k-1|k-1)表示j类传感器对应的第一时刻(k-1时刻)系统状态控制量，pij为马尔科夫过程中，每类所述传感器对应的转移概率矩阵；cj为正则化常数，k表示k时刻，μi(k-1)表示k-1时刻系统初始状态控制量。

在一些可选地实施方式中，通过以下公式可计得到所有传感器对应的k时刻总状态估计的方差，即：

本申请通过将多个传感器针对同一目标观察对象的观察数据进行融合，从而能够抵消传感器特性及外部因素导致的测量误差，进而通过多个传感器特性之间的互补，获得目标观察对象的精确数据，从而基于目标观察对象的精确数据做出控制决策。

请参阅图4，如图4所示，在步骤105，将每类传感器对应的第二时刻状态估计合并之前，该方法还包括步骤：

103、获取所有传感器对应的第一时刻系统状态控制量；

104、根据第一时刻系统状态控制量得到所有传感器对应的第二时刻系统状态控制量。

在本可选实施方式中，系统状态控制量能够反映目标观测对象之外的其他对象与目标观测对象之间的关联关系，因此，本可选实施方式通过利用第一时刻系统状态控制量获取第二时刻系统状态控制量能够便于后续根据第二时刻系统状态控制量计算其他对象对得目标观测对象的影响程度，以进一步提高第二时刻总状态估计的准确度。与此同时，通过第一时刻系统状态控制量获得第二时刻系统状态控制量能够提高本申请的传感器数据融合方法的鲁棒性。

在一些可选的实施方式中，步骤105，将每类传感器对应的第二时刻状态估计合并，得到所有传感器对应的第二时刻总状态估计的具体方式为：

根据将每类传感器对应的第二时刻状态估计、所有传感器对应的第二时刻系统状态控制量，得到所有传感器对应的第二时刻总状态估计。

在本可选实方式中，第二时刻系统状态控制量能够进一步提输出的第二时刻总状态估计的准确度。

请参阅图5，图5是步骤101的一种子步骤流程示意图。在一些可选的实施方式中，如图5所示，步骤101，将至少两类传感器针对目标观测对象的第一时刻观测数据混合并得到每类传感器对应的第一时刻状态估计，包括子步骤：

1011、根据在马尔可夫过程中，每类传感器对应的转移概率矩阵及系统初始状态控制量计算得到每类传感器对应的第一时刻系统状态控制量；

1012、根据每类传感器对应的第一时刻系统状态控制量和每类传感器的对应的第一时刻观测数据得到每类传感器对应的第一时刻状态估计。

在本可选实施方式中，马尔可夫过程中的每类传感器对应的转移概率矩阵能够将每类传感器之间的关系作为影响因素，进而提高第一时刻状态估计的准确度。

请参阅图6，图6是步骤105的另一种子步骤流程示意图。在一些可选的实施方式中，如图6所示，步骤105，将每类传感器对应的第二时刻状态估计合并，得到所有传感器对应的第二时刻总状态估计，包括子步骤：

1051、获取每类传感器对应的预设权重值；

1052、根据每类传感器对应的预设权重值合并每类传感器对应的第二时刻状态估计，以得到所有传感器对应的第二时刻总状态估计。

本可选实施方式能够利用预设权重值模拟不同类传感器在特定场景下的影响权重，进而基于该预设权重值生成的第二时刻总状态估计能够适用于不同的场景中，进而进一步提高本申请的传感器数据融合方法的鲁棒性和第二时刻总状态估计的准确性。

需要说明地，可以采用型号为xczu11eg或型号为xczu5ev芯片进行传感器融合及决策部分的计算，其中，xczu11eg或型号为xczu5ev芯片能够在传感器数据融合处理过程中，增强传感器数据融合的实时性，降低主控芯片的cpu占有率，从而提高整个系统的实时性及稳定性，进而提高整个自动驾驶系统的性能及安全性。

实施例二

请参阅图7，图7是本申请实施例公开的一种传感器数据融合方法的流程示意图。如图7所示，该方法包括步骤：

201、将至少两类传感器在针对目标观测对象的第一时刻观测数据混合并得到所有传感器对应的第一时刻总状态估计，其中，第一时刻为第二时刻的上一时刻；

202、根据所有传感器对应的第一时刻总状态估计获得所有传感器对应的第二时刻总状态估计。

本申请第二方面公开的传感器数据融合方法，能够基于集中式数据融合结构对多类传感器数据进行融合，进而使得传感器集中在某个服务器节点中并进行融合，这样一来，就能够将优质运算资源集中在某个服务器节点上，进而降低设备部署成本。

实施例三

请参阅图8，图8是本申请实施例公开的一种传感器数据融合装置的结构示意图。如图8所示，该装置包括：

第一混合模块301，用于将至少两类传感器在针对目标观测对象的第一时刻观测数据混合并得到每类传感器对应的第一时刻状态估计，第一时刻为第二时刻的上一时刻；

第一计算模块302，用于根据每类传感器对应的第一时刻状态估计和每类传感器的第二时刻观察数据得到每类传感器对应的第二时刻状态估计；

合并模块303，用于将每类传感器对应的第二时刻状态估计合并，得到所有传感器对应的第二时刻总状态估计。

示例性地，请参阅图3，在图3中，x⁽¹⁾(k-1|k-1)表示雷达在k-1时刻的观测数据，x⁽²⁾(k-1|k-1)表示摄像头在k-1时刻的观测数据，此时经过混合，并得到模式i和模式j,其中，模式i表示雷达对应的k-1时刻的状态估计，模式j对应的是摄像头在k-1时刻的状态估计。进一步地，根据雷达和摄像头在k时刻的观察数据得到雷达在时刻的状态估和摄像头在k时刻的状态估计，进而合并得到所有传感器对应的k时刻总状态估计。

具体地，所有传感器对应的k时刻总状态估计可以根据以下公式计算得到：

其中，x(k|k)表示所有传感器对应的k时刻总状态估计，r表示r个类别传感器，j表示某个类别的传感器，xj(k|k)某个类别传感器在k时刻的z状态估计，μj(k)表示j类传感器对应的第二时刻系统状态控制量(关于第二时刻系统状态控制量的描述请参考下文所述)。

具体地，μj(k)能够通过以下公式计算得到：

其中，z^k表示k时刻所有传感器的观测数据的集合，mj(k)为一中间物理量，表示k时刻模式j的向量，lj(k)为r个卡尔曼滤波器的似然函数。

具体地，lj(k)可以通过以下公司计算得到：

lj(k)＝p[z(k)|mj(k)，x^0j(k-1|k-1)，p^0j(k-1|k-1)]；

其中，z(k)表示k时刻j类传感器的观测数据，x^0j(k-1|k-1)表示初始时刻0到k-1时刻，j类传感器对应的状态估计；另一方面，p^0j(k-1|k-1)表示初始时刻0到k-1时刻，所有传感器的状态估计协方差矩阵。

再具体地，p^0j(k-1|k-1)能够通过以下公式计算得到：

其中，μi|j(k-1|k-1)表示j类传感器对应的k-状态控制量，x⁽ⁱ⁾(k-1|k-1)表示j类传感器中某个传感器的观测数据，x^0j(k-1|k-1)表示j类传感器在k-1时刻的状态估计。

再具体地，x^0j(k-1|k-1)通过以下公式计算得到：

其中，μi|j(k-1|k-1)表示j类传感器对应的第一时刻系统状态控制量，pij为马尔科夫过程中，每类所述传感器对应的转移概率矩阵；cj为正则化常数，k表示k时刻，μi(k-1)表示k-1时刻系统初始状态控制量。

在一些可选地实施方式中，通过以下公式可计得到所有传感器对应的k时刻总状态估计的方差，即：

本申请的传感器数据融合装置通过执行传感器数据融合方法，能够通过将多个传感器针对同一目标观察对象的观察数据进行融合，从而能够抵消传感器特性及外部因素导致的测量误差，进而通过多个传感器特性之间的互补，获得目标观察对象的精确数据，从而基于目标观察对象的精确数据做出控制决策。

在一些可选的实施方式中，传感器数据融合装置还包括：

获取模块304，用于获取所有所述传感器对应的第一时刻系统状态控制量；

处理模块305，用于根据所述第一时刻系统状态控制量得到所有所述传感器对应的第二时刻系统状态控制量。

在本可选方式中，系统状态控制量能够反映目标观测对象之外的其他对象与目标观测对象之间的关联关系，因此，本可选实施方式通过利用第一时刻系统状态控制量获取第二时刻系统状态控制量能够便于后续根据第二时刻系统状态控制量计算其他对象对得目标观测对象的影响程度，以进一步提高第二时刻总状态估计的准确度。与此同时，通过第一时刻系统状态控制量获得第二时刻系统状态控制量能够提高本申请的传感器数据融合方法的鲁棒性。

在一些可选的实施方式中，合并模块303执行将每类传感器对应的第二时刻状态估计合并，得到所有传感器对应的第二时刻总状态估计的具体方式为：

根据将每类传感器对应的第二时刻状态估计、所有传感器对应的第二时刻系统状态控制量，得到所有传感器对应的第二时刻总状态估计。

在本可选方式中，第二时刻系统状态控制量能够进一步提输出的第二时刻总状态估计的准确度。

在一些可选的实施方式中，第一混合模块301包括第一计算子模块3011和第二计算子模块，其中：

第一计算子模块3011，用于根据在马尔可夫过程中，每类传感器对应的转移概率矩阵及系统初始状态控制量计算得到每类传感器对应的第一时刻系统状态控制量；

第二计算子模块3012，用于根据每类传感器对应的第一时刻系统状态控制量和每类传感器的对应的第一时刻观测数据得到每类传感器对应的第一时刻状态估计。

在本可选的实施方式中，马尔可夫过程中的每类传感器对应的转移概率矩阵能够将每类传感器之间的关系作为技影响因素，进而提高第一时刻状态估计的准确度。

在一些可选的实施方式中，合并模块303包括获取子模块3031、第三计算子模块3032，其中：

获取子模块3031，用于获取每类传感器对应的预设权重值；

第三计算子模块3032，根据每类传感器对应的预设权重值合并每类传感器对应的第二时刻状态估计，以得到所有传感器对应的第二时刻总状态估计。

本可选实施方式能够利用预设权重值模拟不同类传感器在特定场景下的影响权重，进而基于该预设权重值生成的第二时刻总状态估计能够适用于不同的场景中，进而进一步提高本申请的传感器数据融合方法的鲁棒性和第二时刻总状态估计的准确性。

实施例四

请参阅图9，图9是本申请实施例公开的一种传感器数据融合装置的结构示意图。如图9所示，该装置包括：

第二混合模块401，用于将至少两类传感器在针对目标观测对象的第一时刻观测数据混合并得到所有传感器对应的第一时刻总状态估计，其中，第一时刻为第二时刻的上一时刻；

第二计算模块402，用于根据所有传感器对应的第一时刻总状态估计获得所有传感器对应的第二时刻总状态估计。

本申请实施例的传感器数据融合装置通过执行本申请第二方面的传感器数据融合方法，能够基于集中式数据融合结构对多类传感器数据进行融合，进而使得传感器集中在某个服务器节点中并进行融合，这样一来，就能够将优质运算资源集中在某个服务器节点上，进而降低设备部署成本。

实施例五

请参阅图10，图10是本申请实施例公开的一种传感器数据融合设备的结构示意图。如图10所示，该设备包括：

处理器502；以及

存储器501，配置用于存储机器可读指令，所述指令在由所述处理器502执行时，使得所述处理器502执行如本申请实施例一至实施例二中任一个实施例所述的传感器数据融合方法中的步骤。

本申请实施例的传感器数据融合设备通过执行传感器数据融合方法，能够将多个传感器针对同一目标观察对象的观察数据进行融合，从而能够抵消传感器特性及外部因素导致的测量误差，进而通过多个传感器特性之间的互补，获得目标观察对象的精确数据，从而基于目标观察对象的精确数据做出控制决策。

实施例六

本申请实施例公开一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序程序被处理器执行如本申请实施例一至实施例二中任一项实施例所述的传感器数据融合方法中的步骤。

本申请实施例的计算机可读存储介质通过执行传感器数据融合方法，能够将多个传感器针对同一目标观察对象的观察数据进行融合，从而能够抵消传感器特性及外部因素导致的测量误差，进而通过多个传感器特性之间的互补，获得目标观察对象的精确数据，从而基于目标观察对象的精确数据做出控制决策。

在本申请所公开的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。