基于车路协同的多数据源的数据融合处理方法和装置与流程

本申请涉及车联网技术领域，尤其涉及基于车路协同的多数据源的数据融合处理方法和装置。

背景技术：

云控基础平台由城市云、中心云组成，形成逻辑协同、物理分散的云计算中心。云控基础平台以自车采集、道路信息、路设采集、环境等实时动态数据为核心，结合支撑云控应用的已有交通相关系统与设施的数据，为智能车路云提供标准化共性基础服务。

在车路协同的场景下，云端服务器会收到多个数据源的车辆数据，例如，对于任一车辆a而言，云端服务器所接收到的关于该车辆a的数据包括：自车上报的车辆a的数据、它车通过adas系统（如摄像头、激光雷达等）采集的车辆a的数据、路侧设备（如路侧的多个摄像头）采集的车辆a的数据（若车辆a在多个摄像头均可视的范围内，则会有多个车辆a的数据）。这样一来，云端服务器会收到来自多个数据源的车辆信息，如何对多个数据源上报的同一辆车的车辆信息进行有效地融合，是本领域亟待解决的技术问题。

技术实现要素：

为克服相关技术中存在的问题，本申请提供一种基于车路协同的多数据源的数据融合处理方法和装置，该方案能够对多个数据源上报的同一辆车的车辆信息进行有效地融合。

本申请第一方面提供一种基于车路协同的多数据源的数据融合处理方法，该方法包括：

接收来自多数据源采集到的车辆数据；其中，每个数据源采集到的车辆数据中包含车辆的位置数据；

提取各车辆数据中的位置数据，并将提取到的多个位置数据划分为多个初始位置数据集合；

针对任一初始位置数据集合，获取与该初始位置数据集合中各位置数据对应的车辆特征信息；

比较所述车辆特征信息，并根据比较结果将相同车辆特征信息对应的位置数据进行融合，得到目标位置数据集合方法。

本申请第二方面提供一种基于车路协同的多数据源的数据融合处理装置，该装置包括：

接收模块，所述接收模块用于接收来自多数据源采集到的车辆数据；其中，每个数据源采集到的车辆数据中包含车辆的位置数据；

提取模块，所述提取模块用于提取各车辆数据中的位置数据；

分组模块，所述分组模块用于将提取到的多个位置数据划分为多个初始位置数据集合；

获取模块，针对任一初始位置数据集合，所述获取模块用于获取与该初始位置数据集合中各位置数据对应的车辆特征信息，并比较所述车辆特征信息；

融合模块，根据比较结果，所述融合模块用于将相同车辆特征信息对应的位置数据进行融合，得到目标位置数据集合。

本申请第三方面提供一种电子设备，包括：

处理器；以及

存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。

本申请第四方面提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。

本申请提供的技术方案可以包括以下有益效果：本申请的方案先将车辆位置数据按照一定方式划分为多个初始位置数据集合，进而在针对任一初始位置数据集合，通过识别车辆特征信息，作进一步筛选融合，得到目标位置数据集合。通过本方法可以有效解决多数据源对于同一车辆的定位存在相对偏差的问题，从而准确地识别出多个数据源上传的车辆位置数据是哪些是同一车辆的，进而可以将多数据源上传的同一车辆的数据融合到一起。实现对多个数据源上报的同一辆车的车辆信息进行有效融合的目的。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

通过结合附图对本申请示例性实施方式进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。

图1是本申请实施例示出的基于车路协同的多数据源的数据融合处理方法的流程示意图；

图2是本申请实施例示出的基于车路协同的多数据源的数据融合处理装置的结构示意图；

图3是本申请实施例示出的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本申请的优选实施方式。虽然附图中显示了本申请的优选实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

针对上述问题，本申请实施例提供一种基于车路协同的多数据源的数据融合处理方法，能够对多个数据源上报的同一辆车的车辆信息进行有效地融合。具体而言，如背景技术中提到的，在车路协同的场景下，云端服务器会收到多个数据源的车辆数据，包括自车上报的自车数据、它车通过adas（advanceddrivingassistancesystem，高级驾驶辅助系统）上传的adas数据、路侧设备上报的路设数据。其中，对于任一当前车辆，自车数据为当前车辆上传的车辆数据，adas数据为其它车辆上传的当前车辆的车辆数据，路设数据为路侧设备上传的当前车辆的车辆数据。例如，自车会上报车辆的gps/rtk（real-timekinematic，实时动态）的位置数据；路侧的监测设备预测得到的车辆的位置数据；它车通过adas得到的其他车辆的相对于位置，它车可以自己计算出其他车辆的位置信息上传到云端，也可以将得到的其他车辆的数据发送给云端，由云端计算车辆的位置数据。这样一来，云端就会接收到多个数据源上传的位置数据，因此，需要识别这些位置数据中，哪些位置信息代表同一辆车，从而实现对多个数据源上报的同一辆车的车辆信息进行有效融合的目的。

以下结合附图详细描述本申请实施例的技术方案。

图1是本申请实施例示出的基于车路协同的多数据源的数据融合处理方法的流程示意图。

参见图1，本申请提供的方法包括：

s110：接收来自多数据源采集到的车辆数据；其中，每个数据源采集到的车辆数据中包含车辆的位置数据。

在该步骤中，多数据源主要包括车辆采集的自车数据、车辆通过adas采集的adas数据、道路侧设备采集的路设数据。可以理解的是，在车路协同的场景下，云端可以接收针各个来源的车辆数据，作为示例，针对任一车路，若当前不存在路侧设备的情况下，云端可以只接收该车辆的自车数据和它车通过adas采集的该车辆的adas数据；若当前不存在它车，云端可以只接收该车辆的自车数据和路侧设备采集的该车辆的路设数据。若除了这三端来源的数据之外，还存在其他端的数据来源，则云端也可以接收其他端来源的数据，这些都不构成对本申请的限定。为了便于说明，本实施例中的多源数据以自车数据、adas数据和路设数据这三端来源的数据为例进行说明。

该步骤中，车辆数据包括但不限于车辆的操控数据（如车辆加速、制动、档位、方向盘转角、方向盘转速等等数据）、车辆使用数据（如行驶里程、行驶时间、行驶路段等数据）、车辆性能数据（如剩余油量/电量、油耗/电耗等数据）、当前车辆所在环境数据（如天气、道路类型、道路状况、拥堵情况、与其他车辆的相对位置、相对距离、相对速度等数据）。这些车辆数据中，车辆的位置数据可以表示为车辆的经纬度数据。

本领域技术人员可以理解的是，关于车辆数据的采集可以利用车辆安装的各类传感器，如超声波传感器、毫米波雷达、激光雷达、视觉传感器等，以及道路侧安装的各类传感器。本实施例不对多源数据的获取方式进行限定。

在一种具体的示例中，例如在云端接收到车机端（通过安装的各类传感器采集的自车的车辆数据以及它车的车辆数据）和路设端（用于通过安装在路侧的各类传感器采集车辆数据）上传的车辆数据时，通常会先进行延时校验操作，在车辆数据满足规定的实时上传要求（可以在上传车辆数据前做好三端上传规则定义，由云端规则服务定期同步规则推送到车机端和路设端，比如上传数据规定每200ms上传一次数据，云端收到数据延时不超过100ms）时，将当前车辆数据进行redisgeo算法存储操作，如：geoname为“经纬度mortoncode的14位前缀标识_type(车型)_时间”，再由以name为名设置车辆详情数据，如list<name，车辆详情列表>存储。

s120：提取各车辆数据中的位置数据，并将提取到的多个位置数据划分为多个初始位置数据集合。

在该步骤中，位置数据为车辆的经纬度数据。这样一来，对于提取到的多个位置数据，比较各经纬度数据之间的距离，并将距离小于设定距离的位置数据划分到同一个初始位置数据集合。在一种具体的实施方式中，如上述示例中，车辆数据存储的方式是以经纬度morton码的前14位存储，也即在接收到车辆数据之后，本申请的方法还包括将车辆数据中的经纬度数据转换为morton码。在将位置数据划分为多个初始位置数据集合时，可以提取车辆位置数据的morton码，将相差设定距离的morton码划分到同一个初始位置数据集合，以使每个初始位置数据集合中所包含的各morton码之间的距离小于设定距离。作为示例，该设定距离可以是1.5-1.7米，例如设为1.6米，这样一来，可以将各morton码的前14位进行比较，然后morton码的前14位相差1.6米的暂认定为是同一车辆的车辆位置数据，即可以将这些相差在1.6米范围内的morton码划分到一个初始位置数据集合中。

s130：针对任一初始位置数据集合，获取与该初始位置数据集合中各位置数据对应的车辆特征信息。。

为了进一步使得到的位置数据集合中的车辆位置数据更准确，即确保任一位置数据集合中的车辆位置数据代表同一车辆，可以在初始位置数据集合的基础上作进一步筛选。也就是说，利用morton码划分得到的初始位置数据集合中，虽然我们认为这些集合中的数据表示同一车辆，但是为了避免morton码划分存在的误差，比如因道路上的两个车辆相距较近，使得这两个车辆的morton码前14位相差在1.6米，这样就会将两个车辆的位置数据划分到同一集合中，因此，在得到初始位置数据集合后，可以再针对任一初始位置数据集合，获取与该集合中各位置数据对应的车辆特征信息，车辆特征信息包括车辆的车牌号码、车身颜色、车辆类型、车辆标志中的一种或多种。

s140：比较车辆特征信息，并根据比较结果将相同车辆特征信息对应的位置数据进行融合，得到目标位置数据集合。

在个步骤中，以车辆特征信息为车牌号码为例，在任一初始位置数据集合中，假如其中有5个数据源（如自车上传的一个数据源、两辆它车上传的两个数据源和两个路侧设备上传的两个数据源），分别获取这5个数据源的位置数据所对应的车牌号码（例如可以通过摄像头拍摄该位置数据的图像视频，进而基于该图像视频得到车牌号码），然后通过比对这5个数据源的车牌号码，若其中前4个车牌号码相一致，第5个车牌号码与这前4个车牌号码不同，则认为第5个车牌号码与前4个车牌号码不是同一车辆的位置数据，此时，将前4个车牌号码相一致的位置数据融合，即排除掉第5个车牌号码对应的位置数据。

上述实施例中，在获取车辆特征信息时，若存在车牌号无法识别的情况，则可以通过识别车身颜色、车辆类型、车辆标志等，也可以区分出不同的车辆，进而确保最终得到的目标位置数据集合中的车辆位置数据均表示同一车辆。通过本方法，可以有效解决多数据源对于同一车辆的定位存在相对偏差的问题，从而准确地识别出多个数据源上传的车辆位置数据是哪些是同一车辆的，进而可以将多数据源上传的同一车辆的数据融合到一起。

需要说明的是，将相同车辆特征信息对应的位置数据进行融合，可以理解为：由于初始位置数据集合是根据morton码之间的距离划分的，因此，对于初始位置数据集合中的各车辆特征信息来说，大部分（甚至全部）车辆特征信息应该是一致的，举例来说，假如该初始位置数据集合中存在7个数据源，那么这7个数据源的morton码之间的距离小于1.6米，所以很大概率是同一车辆，小概率存在一定的误差（即存在不是同一车辆的数据），那这小概率的数据源为少数，也就是说，这7个数据源中可能最多只有一两个数据源的车辆特征信息与其他的车辆特征信息不一致，此时可以判断这一两个数据源与其他数据源不是同一车辆，那么可以排除这一两个数据源，融合剩余的数据源。换言之，将相同车辆特征信息对应的位置数据进行融合时，也即将初始位置数据集合中车辆特征信息相一致的多个数据源进行融合，而将与多数车辆特征信息不一致的少数数据源丢弃。

作为一种具体的实施方式，在上述步骤s110-s140中，在接收来自多数据源采集到的车辆数据，会提取出车辆的位置数据，此时在进行数据存储时，可以设置两张数据表，即，将从各车辆数据中提取的位置数据存储在第一数据表中，将车辆数据存储在第二数据表中，并且，将第一数据表中的任一位置数据与第二数据表中相对应的车辆数据相关联。这样一来，只需要对第一数据表中的位置数据进行融合，得到目标位置数据集合，该目标位置数据集合中的位置数据表示同一车辆。也就是说，针对任一车辆的、来自多个数据源的位置数据被划分在同一个目标数据集合中，当需要向给车辆下发车辆数据时，只需要确定目标数据集合中的某一位置数据，即可通过该位置数据得到第二数据表中与该位置数据对应的车辆数据，进而将得到的车辆数据下发至该车辆即可。

接上述，针对任一车辆a，由于云端会收到来自不同数据源的车辆数据，也即云端会收到车辆a的多个车辆数据，那么将哪个车辆数据下发给该车辆a，本申请的设计方式如下：在接收到来自多数据源采集到的车辆数据后，使这些车辆数据的排序依次为：自车数据中利用高精设备采集的车辆数据、adas数据中利用高精设备采集的车辆数据、路设数据中利用高精设备采集的车辆数据、自车数据中利用普通设备采集的车辆数据、adas数据中利用普通设备采集的车辆数据、路设数据中利用普通设备采集的车辆数据。这样一来，在进行数据融合时，车辆数据以及从车辆数据中提取的位置数据均按照上述方式进行排序，在最终得到的目标位置数据集合中，位置数据也按照上述方式进行排序。此时，在需要给车辆下发车辆数据时，即可按照上述排序方式选择排序最前的位置数据，进而将该位置数据对应的车辆数据下发给车辆，从而使车辆可以获得最优的车辆信息。

与前述应用功能实现方法实施例相对应，本申请还提供了一种基于车路协同的多数据源的数据融合处理装置、电子设备及相应的实施例。

图2是本申请实施例示出的基于车路协同的多数据源的数据融合处理装置的结构示意图。

参见图2，本申请提供的装置包括：

接收模块201，接收模块201用于接收来自多数据源采集到的车辆数据；其中，每个数据源采集到的车辆数据中包含车辆的位置数据；

提取模块202，提取模块202用于提取各车辆数据中的位置数据；

分组模块203，分组模块203用于将提取到的多个位置数据划分为多个初始位置数据集合；

获取模块204，针对任一初始位置数据集合，获取模块204用于获取与该集合中各位置数据对应的车辆特征信息，并比较车辆特征信息；

融合模块205，根据比较结果，融合模块205用于将相同车辆特征信息对应的位置数据进行融合，得到目标位置数据集合。

进一步，位置数据为车辆的经纬度数据；分组模块具体用于：对于提取到的多个位置数据，比较各经纬度数据之间的距离，并将距离小于设定距离的位置数据划分到同一个初始位置数据集合。

进一步，该装置还包括转换模块206，转换模块206用于将多个经纬度数据分别转换为对应的morton码；以及，分组模块203具体用于：比较各morton码之间的距离，并将相差设定距离的morton码划分到同一个初始位置数据集合。

进一步，该装置还包括数据存在单元207，数据存储单元207包括第一数据表2071和第二数据表2072；从各车辆数据中提取的位置数据存储在第一数据表2071中，车辆数据存储在第二数据表2072中；其中，第一数据表2071中的任一位置数据与第二数据表2072中相对应的车辆数据相关联。

进一步，多数据源包括车辆采集的自车数据以及车辆通过adas采集的adas数据和/或道路侧设备采集的路设数据；车辆特征信息包括车辆的车牌号码、车身颜色、车辆类型、车辆标志中的一种或多种。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不再做详细阐述说明。

图3是本申请实施例示出的电子设备的结构示意图。

参见图3，电子设备1000包括存储器1010和处理器1020。

处理器1020可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器1010可以包括各种类型的存储单元，例如系统内存、只读存储器（rom），和永久存储装置。其中，rom可以存储处理器1020或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置（例如磁或光盘、闪存）作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备（例如软盘、光驱）。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器1010可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片（dram，sram，sdram，闪存，可编程只读存储器），磁盘和/或光盘也可以采用。在一些实施方式中，存储器1010可以包括可读和/或写的可移除的存储设备，例如激光唱片（cd）、只读数字多功能光盘（例如dvd-rom，双层dvd-rom）、只读蓝光光盘、超密度光盘、闪存卡（例如sd卡、minsd卡、micro-sd卡等等）、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。

存储器1010上存储有可执行代码，当可执行代码被处理器1020处理时，可以使处理器1020执行上文述及的方法中的部分或全部。

本实施例还提供了一种非暂时性机器可读存储介质，其上存储有可执行代码，当可执行代码被电子设备的处理器执行时，使处理器执行上述中的方法。

上文中已经参考附图详细描述了本申请的方案。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。本领域技术人员也应该知悉，说明书中所涉及的动作和模块并不一定是本申请所必须的。另外，可以理解，本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减，本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。

以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。