技术特征：
1.一种用于自动驾驶的目标航向角的信息融合方法，其特征在于，包括以下步骤，获取待测目标关联的视觉freespace观测数据、雷达点云观测数据、视觉目标观测数据以及视觉目标的横向速度及纵向速度；基于视觉freespace观测数据中所有freespace点，采用pca算法进行计算，将得出的主方向作为目标的航向角h1；基于雷达点云观测数据中所有雷达点云，基于pca算法直接计算，将得出的主方向作为目标的航向角h2；基于视觉目标观测数据，直接输出目标航向角h3；基于视觉目标的横向速度及纵向速度，视觉输出的目标的横纵向速度矢量与x轴的夹角即为目标的航向角h4；将航向角h1、h2、h3和h4进行加权求和，再进行低通滤波得到目标的最终航向角。2.根据权利要求1所述的用于自动驾驶的目标航向角的信息融合方法，其特征在于，所述视觉freespace观测数据中包含多个观测点，每个观测点的信息里包含横纵向位置信息(fsx
n
，fsy
n
)，基于所述(fsx
n
，fsy
n
)建立一个二维的pca，得到所有点的位置分布的主方向v1，v1的方向即是航向角h1。3.根据权利要求1所述的用于自动驾驶的目标航向角的信息融合方法，其特征在于，所述雷达点云观测数据中包含多个观测点，每个观测点的信息里包含横纵向位置信息(px
n
,py
n
)，基于所述(px
n
,py
n
)建立一个二维的pca，得到所有点的位置分布的主方向v2，v2的方向即是航向角h2。4.根据权利要求1所述的用于自动驾驶的目标航向角的信息融合方法，其特征在于，所述h4的计算方法为，h4＝arctan(fc_vy
÷
fc_vc)，其中，fc_vy，fc_vc分别为关联的视觉目标的横向速度及纵向速度。5.根据权利要求1所述的用于自动驾驶的目标航向角的信息融合方法，其特征在于，将航向角h1、h2、h3和h4进行加权求和，再进行低通滤波得到目标的最终航向角具体为，首先通过加权得到融合的结果：h＝h1*w1+h2*w2+h3*w3+h4*w4；再通过低通滤波得到目标的最终航向角h*，h
*
＝h*w
f
+h
p
*(1-w
f
)；其中w1、w2、w3、w4为信息权重，在工程中根据各来源数据在各场景下的准确性进行动态标定调整，以达到最好的效果；w
f
为滤波参数，其中，0.2<w
f
<0.4。6.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序被处理器运行时，执行如权利要求1～5中任一项所述的用于自动驾驶的目标航向角的信息融合方法的步骤。
技术总结
本发明公开一种用于自动驾驶的目标航向角的信息融合方法及存储介质。所述方法包括，获取待测目标关联的视觉freeSpace观测数据、雷达点云观测数据、视觉目标观测数据以及视觉目标的横纵向速度；基于视觉freeSpace观测数据中所有freeSpace点，采用PCA算法进行计算，将得出的主方向作为目标的航向角h1；基于雷达点云观测数据中所有雷达点云，基于PCA算法直接计算，将得出的主方向作为目标的航向角h2；基于视觉目标观测数据，直接输出目标航向角h3；基于视觉目标的横向速度及纵向速度，视觉输出的目标的横纵向速度比，即为目标的航向角h4；将航向角h1、h2、h3和h4进行加权求和，再进行低通滤波得到目标的最终航向角。本发明能够提高目标航向角检测的准确性和稳定性。高目标航向角检测的准确性和稳定性。高目标航向角检测的准确性和稳定性。
技术研发人员：陈剑斌 李涛 熊新立 王宽 任凡
受保护的技术使用者：重庆长安汽车股份有限公司
技术研发日：2022.04.29
技术公布日：2022/8/2