用于车辆的传感器融合目标预测装置和方法、以及车辆与流程

本公开涉及用于车辆的传感器融合目标预测装置，并且更具体地涉及能够在不存在当前测量值的状态下估计预测值的用于车辆的传感器融合目标预测装置和方法，从而最小化确定传感器融合目标位置的误差以及包括该装置的车辆。

背景技术：

通常，车辆配备有用于保护驾驶员和乘客、辅助驾驶员以及改善乘坐舒适性的各种系统。通过利用各种传感器和信息通信技术改进和开发了这些系统。

其中，使用基于相机的图像传感器来识别车道并执行自动转向的技术已经投入实际使用。

车辆中设置的图像识别和处理装置可以检测关于车辆行驶的道路的车道的图像信息、关于后方车辆的图像信息，以及关于左右车道的图像信息，并且可以通过显示装置显示检测到的图像信息，以使驾驶员能够方便地识别车道并且向驾驶员通知车辆行驶的道路的情况和关于相邻车辆的行驶的信息。

技术实现要素：

因此，本公开涉及用于车辆的传感器融合目标预测装置和方法以及包括该装置的车辆，其基本上消除了由于现有技术的限制和缺点导致的一个或多个问题。

本公开的各方面提供了用于车辆的传感器融合目标预测装置和方法，其能够基于由学习单元学习的参数来计算当前传感器融合目标信息的预测值，由此，可以提高预测值的可靠性并使预测值的误差最小化，以及包括该装置的车辆。

设计用于解决问题的本公开的各方面及其优点不限于本文描述的那些，并且本领域技术人员基于以下对本公开的详细描述将清楚地理解其他方面和优点。

在本公开的一个方面，用于车辆的传感器融合目标预测装置包括：学习单元，用于接收和学习传感器融合目标信息；预测单元，用于在接收到当前传感器融合目标信息时，基于学习单元学习的参数计算当前传感器融合目标信息的预测值；目标跟踪单元，用于检查是否接收到传感器融合目标信息，并且当未接收到传感器融合目标信息时，使用由预测单元计算的预测值来跟踪目标。如本文所述，在一些实施方式中，“学习”特定信息可包括基于特定信息(或其一部分)确定、计算、生成、提取、更新或改进一个或多个参数或模型。替代地或另外地，在一些实施方式中，“学习”特定信息可以包括确定、计算、生成、提取、更新或改进特定信息(或其一部分)。

在本公开的另一方面，用于车辆的传感器融合目标预测方法包括：接收传感器融合目标信息；学习所接收的传感器融合目标信息；基于所学习的参数计算当前传感器融合目标信息的预测值；检查是否接收到传感器融合目标信息，以及在未接收到传感器融合目标信息时使用计算出的预测值跟踪目标。

在本公开的另一方面，包含用于执行传感器融合目标预测方法的程序的计算机可读记录介质执行包括在传感器融合目标预测方法中的处理。

在本公开的另一方面，车辆包括用于感测目标的行为的传感器融合装置和通过通信连接到传感器融合装置用于预测目标的行为的传感器融合目标预测装置，其中，传感器融合目标预测装置包括：学习单元，用于接收和学习传感器融合目标信息；预测单元，用于在接收到当前传感器融合目标信息时，基于学习单元学习的参数计算当前传感器融合目标信息的预测值；以及目标跟踪单元，用于检查是否接收到传感器融合目标信息，并且当未接收到传感器融合目标信息时，使用由预测单元计算的预测值来跟踪目标。

应理解，本公开的前述一般描述和以下详细描述都是示例性和说明性的，并且旨在提供对本公开中的实施方式的进一步说明。

附图说明

附图被包括以提供对本公开的进一步理解，并且被并入且构成本申请的一部分，附图示出本公开的实施方式，并且与说明书一起用于解释本公开中描述的技术。在图中：

图1是示出根据本公开的实施方式的用于车辆的传感器融合目标预测装置的框图；

图2是说明图1中的传感器融合目标预测过程的视图；

图3是示出图2中的学习过程的视图；

图4和5是示出图2中的预测过程的视图；以及

图6是示出根据本公开的实施方式的传感器融合目标预测方法的流程图。

具体实施方式

现在将详细参考本公开的优选实施方式，其示例在附图中示出。通过示例给出以下实施方式，以使得本领域技术人员能够完全理解本公开的构思。因此，本公开不限于以下实施方式，并且可以以各种其他形式实现。为了清楚地描述本公开中的实施方式，从附图中省略了与本公开的描述无关的部分。只要有可能，在整个说明书中将使用相同的附图标记来表示相同或相似的部分。

除非另有说明，否则本文使用的术语“包含”或“包括”应该被解释为不排除其他元件，而是进一步包括这样的其他元件。另外，这里使用的术语“单元”或“模块”表示处理至少一个功能或操作的一个单元，并且可以通过硬件、软件或其组合来实现。

近年来，已经开发了一种传感器融合系统，其能够分别融合通过图像传感器收集的图像信息和通过雷达收集的雷达信息，以便提取和使用必要的信息。

这种传感器融合系统用于提供自主行驶系统，该系统使用相机或车辆的智能巡航控制功能识别车道信息并控制车辆的自动转向。

然而，传感器融合系统可能在以下情况下产生危险情况：在跟踪传感器融合目标期间，由于传感器的故障或者由于被跟踪的传感器融合目标被另一个传感器融合目标隐藏而导致未感测到被跟踪的传感器融合目标。

因此，即使在由于传感器的故障或者由于被跟踪的传感器融合目标被另一传感器融合目标隐藏而导致未检测到被跟踪的传感器融合目标的情况下，传感器融合系统可能需要将传感器融合目标保持预定时间。然而，由于此时不存在由传感器测量的当前测量值，因此可以通过预测来更新传感器融合目标的信息。

传感器融合系统可以使用滤波器来预测传感器融合目标。例如，传感器融合系统可以使用均匀速度/加速度模型来预测传感器融合目标的后续行为。

然而，当不存在由传感器测量的测量值时，传感器融合系统可能包含目标位置的预测值的误差。

特别地，在道路弯曲的情况下，在不考虑道路弯曲的情况下可以计算预测值。结果，关于道路的弯曲区间的信息可以反映在预测位置中，由此可能增加实际道路上的预测值中的位置误差。

因此，需要开发一种用于车辆的传感器融合目标预测装置，其能够提高目标的预测值的可靠性并最小化预测值的误差。

在下文中，将参照图1至图6详细描述可应用于本公开的实施方式的用于车辆的传感器融合目标预测装置和方法以及包括该装置的车辆。

图1是示出根据本公开的实施方式的用于车辆的传感器融合目标预测装置的框图。

如图1所示，传感器融合目标预测装置可以包括学习单元100，预测单元200和目标跟踪单元300。

学习单元100可以接收和学习传感器融合目标信息。

在接收到传感器融合目标信息时，学习单元100可以接收目标的横向速度信息、纵向速度信息、横向位置信息、纵向位置信息、航向角信息、纵向加速度信息、主车辆的横摆率信息以及道路的弯曲信息中的至少一个。

学习单元100可以从主车辆的前置摄像头接收道路的弯曲信息。

在接收到传感器融合目标信息时，学习单元100可以将接收到的传感器融合目标信息分类为学习项，并且可以根据测量时间点连续地学习与每个学习项相对应的信息。

当将接收的传感器融合目标信息分类为学习项时，学习单元100可以将传感器融合目标信息分类为学习单元100可以将传感器融合目标信息分类为用于学习横向速度信息的第一学习项、用于学习纵向速度信息的第二学习项、用于学习横向位置信息的第三学习项、用于学习纵向位置信息的第四学习项、用于学习航向角信息的第五学习项、用于学习纵向加速度信息的第六学习项、用于学习主车辆的横摆率信息的第七学习项、以及用于学习道路的弯曲信息的第八学习项。

另外，当根据测量时间点连续学习对应于每个学习项的信息时，学习单元100可以在每个测量时间点累积与每个学习项相对应的信息，并且可以连续地学习该信息。

当在每个测量时间点累积对应于每个学习项的信息并且连续地学习该信息时，学习单元100可以累积从当前测量时间点t到过去的测量时间点t-1到t-n(n为自然数)测量的多条信息，并且可以学习这些信息。

例如，当在每个测量时间点累积对应于每个学习项的信息并且连续地学习该信息时，学习单元100可以累积从当前测量时间点t到过去的测量时间点t-1到t-9测量的10条信息，并且可以学习该信息。作为另一示例，学习单元100可以累积从当前测量时间点t到过去的测量时间点t-1到t-n1测量的任何其他数量的n1(例如，2、3、4，...)条信息，并可以学习这些信息。

当根据测量时间点连续地学习对应于每个学习项的信息时，学习单元100可以基于递归神经网络(rnn)学习方法执行学习。

在接收到当前传感器融合目标信息时，预测单元200可以基于学习单元100学习的参数来计算当前传感器融合目标信息的预测值。

在接收到当前传感器融合目标信息时，预测单元200可以将接收到的当前传感器融合目标信息分类为预测项，可以从学习单元接收与每个预测项对应的学习信息，并且可以基于所接收的学习信息计算当前测量时间点t之后的下一测量时间点t+1的第一预测值。

当将接收的当前传感器融合目标信息分类为预测项时，预测单元200可以将传感器融合目标信息分类为用于预测横向速度信息的第一预测项、用于预测纵向速度信息的第二预测项、用于预测横向位置信息的第三预测项、用于预测纵向位置信息的第四预测项、用于预测航向角信息的第五预测项、用于预测纵向加速度信息的第六预测项、用于预测主车辆的横摆率信息的第七预测项以及用于预测道路的弯曲信息的第八预测项。

当从学习单元100接收与每个预测项相对应的学习信息时，预测单元200可以接收通过累积和学习从当前测量时间点t到过去的测量时间点t-1到t-n(n是自然数)测量的多条信息而获得的学习信息。

例如，当从学习单元100接收与每个预测项相对应的学习信息时，预测单元200可以接收通过累积和学习从当前测量时间点t到过去的测量时间点t-1到t-9测量的10条信息而获得的学习信息。作为另一示例，预测单元200可以接收通过累积和学习从当前测量时间点t到过去的测量时间点t-1到t-n1测量的任何其他数量的n1(例如，2、3、4，...)条信息而获得的学习信息。

当计算第一预测值时，预测单元200可以计算与每个分类的预测项对应的第一预测值。

在计算当前测量时间点t之后的下一测量时间点t+1的第一预测值之后，预测单元200可以基于所计算的第一预测值和与第一预测值对应的学习信息来计算下一测量时间点t+2的第二预测值。

这里，与第一预测值对应的学习信息可以是包括从当前测量时间点t到过去的测量时间点t-1到t-n(n是自然数)测量的信息的学习信息。

例如，与第一预测值对应的学习信息可以是包括从当前测量时间点t到过去的测量时间点t-1到t-8测量的九条信息的学习信息。

当计算第二预测值时，预测单元200可以当(或基于)在计算第一预测值之后未接收到当前传感器融合目标信息时计算下一测量时间点t+2的第二预测值。

当计算第二预测值时，预测单元200可以在计算第一预测值之后，当(或基于)在当前测量时间点t之后的下一测量时间点t+1和下一测量时间点t+2处未连续地接收当前传感器融合目标信息时，来计算下一测量时间点t+2的第二预测值。

目标跟踪单元300可以检查是否接收到传感器融合目标信息，并且可以在(或基于)未接收到传感器融合目标信息时使用由预测单元200计算的预测值来跟踪目标。

当检查是否接收到传感器融合目标信息时，目标跟踪单元300可以在接收到传感器融合目标信息时基于传感器融合目标信息来跟踪目标。

在本公开中，如上所述，可以基于由学习单元学习的参数来计算当前传感器融合目标信息的预测值，由此可以提高预测值的可靠性并最小化预测值的误差。

例如，传统的预测值选择方法仅使用目标的先前速度/加速度。然而，在本公开中，通过递归神经网络(rnn)检查过去步骤的转变，并且预测下一步骤的值，因此，与仅使用前一步骤的情况不同，通过检查过去步骤的转变可以提高预测值的准确度。

在本公开中，如上所述，可以在不存在当前测量值时(或者基于不存在当前测量值)使用rnn估计预测值并且确定可靠性，由此可以最小化传感器融合目标的位置与其实际位置相比的确定中的误差。

图2是示出图1中的传感器融合目标预测处理的视图，图3是示出图2中的学习处理的视图，并且图4和图5是示出图2中的预测处理的视图。

如图2和图3所示，学习单元100可以接收和学习传感器融合目标信息。

例如，学习单元100可以使用递归神经网络(rnn)学习在过去的10步的传感器融合目标的横向/纵向位置、横向/纵向速度、纵向加速度和航向角、主车辆的横摆率、以及道路的弯曲信息(110)。

另外，学习单元100可以接收传感器融合目标信息，该传感器融合目标信息包括目标的横向速度信息、纵向速度信息、横向位置信息、纵向位置信息、航向角信息、纵向加速度信息、主车辆的横摆率信息、以及道路的弯曲信息中的至少一个。

此时，学习单元100可以从主车辆的前置摄像头接收道路的弯曲信息。

在接收到传感器融合目标信息时，学习单元100可以将接收到的传感器融合目标信息分类为学习项，并且可以根据测量时间点连续地学习与每个学习项相对应的信息(110)。

当将接收的传感器融合目标信息分类为学习项时，学习单元100可以将传感器融合目标信息分类为用于学习横向速度信息的第一学习项、用于学习纵向速度信息的第二学习项、用于学习横向位置信息的第三学习项、用于学习纵向位置信息的第四学习项、用于学习航向角度信息的第五学习项、用于学习纵向加速度信息的第六学习项、用于学习主车辆的横摆率信息的第七学习项、以及用于学习道路的弯曲信息的第八学习项。

此外，当根据测量时间点连续地学习与每个学习项相对应的信息时，学习单元100可以在每个测量时间点累积与每个学习项相对应的信息，并且可以连续地学习该信息。

当在每个测量时间点累积与每个学习项相对应的信息并且连续地学习该信息时，学习单元100可以累积从当前测量时间点t到过去的测量时间点t-1到t-n(n是自然数)测量的多条信息，并且可以学习这些信息。

例如，当在每个测量时间点累积与每个学习项相对应的信息并且连续地学习该信息时，学习单元100可以累积从当前测量时间点t到过去的测量时间点t-1到t-9测量的10条信息，并且可以学习这些信息。

当根据测量时间点连续地学习对应于每个学习项的信息时，学习单元100可以基于递归神经网络(rnn)学习方法执行学习。

如上所述，学习单元100可以使用rnn学习传感器融合目标的横向/纵向位置、横向/纵向速度、纵向加速度和航向角、主车辆的横摆率以及前置摄像头的传感器的弯曲信息，并且当已经进行了学习时，可以在rnn的内部参数中设置基于传感器融合目标的过去十步的数据所学习的参数。

如图2、图4和图5所示，在接收到当前传感器融合目标信息时，预测单元200可以基于学习单元100学习的参数来计算当前传感器融合目标信息的预测值。

例如，预测单元200可基于学习单元学习的参数通过输入当前传感器融合目标的横向/纵向速度、纵向加速度和航向角、主车辆的横摆率和/或前置摄像头的传感器的弯曲度来输出预测值。

预测单元200可以接收当前传感器融合目标信息，包括目标的横向/纵向位置、横向/纵向速度、纵向加速度和航向角、主车辆的横摆率、和/或道路的弯曲信息(210)。

在接收到当前传感器融合目标信息时，预测单元200可以将接收到的当前传感器融合目标信息分类为预测项，可以从学习单元接收与每个预测项对应的学习信息，并且可以基于所接收的学习信息计算当前测量时间点t之后的下一测量时间点t+1的第一预测值(220和230)。

例如，预测单元200可以将过去10步的测量值输入到预测器，以便获得下一步骤的预测值作为输出。

当将接收的当前传感器融合目标信息分类为预测项时，预测单元200可以将传感器融合目标信息分类为用于预测横向速度信息的第一预测项，用于预测纵向速度信息的第二预测项，用于预测横向位置信息的第三预测项，用于预测纵向位置信息的第四预测项，用于预测航向角信息的第五预测项，用于预测纵向加速度信息的第六预测项，用于预测主车辆的横摆率信息的第七预测项和用于预测道路的弯曲信息的第八预测项。

当从学习单元100接收与每个预测项相对应的学习信息时，预测单元200可以接收通过累积和学习从当前测量时间点t到过去的测量时间点t-1到t-n(n是自然数)测量的多条信息而获得的学习信息。

例如，当从学习单元100接收与每个预测项相对应的学习信息时，预测单元200可以接收通过累积和学习从当前测量时间点t到过去的测量时间点t-1到t-9测量的10条信息而获得的学习信息。

当计算第一预测值时，预测单元200可以计算与每个分类的预测项相对应的第一预测值。

在计算当前测量时间点t之后的下一测量时间点t+1的第一预测值时，预测单元200可以基于所计算的第一预测值和与第一预测值对应的学习信息来计算下一测量时间点t+2的第二预测值。

例如，在两步或更多步中不存在由传感器测量的测量值的情况下，预测单元200可以使用在先前测量时间点预测的预测值和前9步的数据作为输入来预测下一测量时间点(310)。

这里，与第一预测值对应的学习信息可以是包括从当前测量时间点t到过去的测量时间点t-1到t-n(n是自然数)测量的信息的学习信息。

例如，与第一预测值对应的学习信息可以是包括从当前测量时间点t到过去的测量时间点t-1到t-8测量的九条信息的学习信息。

当计算第二预测值时，预测单元200可在计算第一预测值之后当(或基于)未接收到当前传感器融合目标信息时计算下一测量时间点t+2的第二预测值。

当计算第二预测值时，预测单元200可以在计算第一预测值之后，当(或基于)在当前测量时间点t之后的下一测量时间点t+1和下一测量时间点t+2未连续地接收当前传感器融合目标信息时，来计算下一测量时间点t+2的第二预测值。

图6是示出根据本公开的实施方式的传感器融合目标预测方法的流程图。

如图6所示，可以接收传感器融合目标信息(s10)。

传感器融合目标信息包括可以接收的目标的横向速度信息、纵向速度信息、横向位置信息、纵向位置信息、航向角信息、纵向加速度信息、主车辆的横摆率信息以及道路的弯道信息中的至少一个。

随后，可以学习所接收的传感器融合目标信息(s20)。

学习所接收的传感器融合目标信息的步骤可包括：将接收的传感器融合目标信息分类为学习项，并根据测量时间点连续地学习与每个学习项相对应的学习信息。

在将接收的传感器融合目标信息分类为学习项的步骤中，可以将传感器融合目标信息分类为用于学习横向速度信息的第一学习项、用于学习纵向速度信息的第二学习项、用于学习横向位置信息的第三学习项、用于学习纵向位置信息的第四学习项，用于学习航向角度信息的第五学习项、用于学习纵向加速度信息的第六学习项、用于学习主车辆的横摆率信息的第七学习项、以及用于学习道路的弯曲信息的第八学习项。

另外，在根据测量时间点连续学习与每个学习项相对应的信息的步骤中，可以在每个测量时间点累积与每个学习项相对应的信息，然后可以连续地学习该信息。

例如，在根据测量时间点连续地学习与每个学习项相对应的信息的步骤中，可以累积和学习从当前测量时间点t到过去的测量时间点t-1到t-n(n是自然数)测量的多条信息。

例如，在根据测量时间点连续地学习与每个学习项对应的信息的步骤中，可以累积和学习从当前测量时间点t到过去的测量时间点t-1到t-9测量的十条信息。

例如，在根据测量时间点连续学习与每个学习项对应的信息的步骤中，可以基于递归神经网络(rnn)学习方法来执行学习。

随后，可以基于所学习的参数来计算当前传感器融合目标信息的预测值(s30)。

计算当前传感器融合目标信息的预测值的步骤可包括：接收当前传感器融合目标信息、将接收到的当前传感器融合目标信息分类为预测项、接收与每个预测项对应的学习信息、以及基于所接收的学习信息，计算当前测量时间点t之后的下一测量时间点t+1的第一预测值。

在将接收的当前传感器融合目标信息分类为预测项的步骤中，可以将传感器融合目标信息分类为用于预测横向速度信息的第一预测项、用于预测纵向速度信息的第二预测项、用于预测横向位置信息的第三预测项、用于预测纵向位置信息的第四预测项、用于预测航向角信息的第五预测项、用于预测纵向加速度信息的第六预测项、用于预测主车辆的横摆率信息的第七预测项和用于预测道路的弯曲信息的第八预测项。

在接收与每个预测项相对应的学习信息的步骤中，可以接收通过累积和学习从当前测量时间点t到过去的测量时间t-1到t-n(n是自然数)测量的多条信息而获得的学习信息。

例如，在接收与每个预测项相对应的学习信息的步骤中，可以接收通过累积和学习从当前测量时间点t到过去的测量时间t-1到t-9测量的十条信息而获得的学习信息。

在计算第一预测值的步骤中，可以计算与每个分类的预测项相对应的第一预测值。

此外，计算第一预测值的步骤还可以包括：在计算当前测量时间点t之后的下一测量时间点t+1的第一预测值时，基于计算出的第一预测值和与第一预测值对应的学习信息计算下一测量时间点t+2的第二预测值。

这里，与第一预测值对应的学习信息可以是包括从当前测量时间点t到过去的测量时间点t-1到t-n(n是自然数)测量的信息的学习信息。

例如，对应于第一预测值的学习信息可以是包括从当前测量时间点t到过去的测量时间点t-1到t-8测量的九条信息的学习信息。

在计算第二预测值的步骤中，可以当(或基于)在计算第一预测值之后未接收到当前传感器融合目标信息时计算下一测量时间点t+2的第二预测值。

例如，在计算第二预测值的步骤中，当(或基于)在计算第一预测值之后未在当前测量时间点t之后的下一测量时间点t+1和下一测量时间点t+2连续地接收当前传感器融合目标信息时，可以计算下一测量时间点t+2的第二预测值。

随后，可以检查是否接收到传感器融合目标信息(s40)。

当(或基于)未接收传感器融合目标信息时，可使用计算的预测值来跟踪目标(s50)。

另外，在检查是否接收到传感器融合目标信息的步骤中，可以在接收到传感器融合目标信息时基于传感器融合目标信息来跟踪目标(s60)。

另外，包含用于执行根据本公开的传感器融合目标预测方法的程序的计算机可读记录介质可以执行包括在传感器融合目标预测方法中的处理。

同时，根据本公开的实施方式的车辆可包括用于感测目标的行为的传感器融合装置和通过用于预测目标的行为的通信连接到传感器融合装置的传感器融合目标预测装置，其中，传感器融合目标预测装置可以包括用于接收和学习传感器融合目标信息的学习单元；预测单元，用于在接收到当前传感器融合目标信息时，基于学习单元学习的参数计算当前传感器融合目标信息的预测值，以及目标跟踪单元，用于检查是否接收到传感器融合目标信息，并且当(或基于)未接收到传感器融合目标信息时，使用由预测单元计算的预测值来跟踪目标。

在本公开中，如上所述，可以基于由学习单元学习的参数来计算当前传感器融合目标信息的预测值，由此可以提高预测值的可靠性并最小化预测值的误差。

例如，传统的预测值选择方法仅使用目标的先前速度/加速度。然而，在本公开中，通过递归神经网络(rnn)检查过去步骤的转变，并且预测下一步的值，因此，与仅使用前一步的情况不同，通过检查过去步骤的转变可以提高预测值的准确度。

在本公开中，如上所述，可以在不存在当前测量值时(或者基于不存在当前测量值)使用rnn估计预测值并且确定可靠性，由此可以最小化传感器融合目标的位置与其实际位置相比的确定中的误差。

上述根据本公开的传感器融合目标预测方法可以实现为存储在计算机可读记录介质中的计算机可读程序。计算机可读介质可以是任何类型的记录装置，其中数据以计算机可读方式存储。计算机可读介质可以包括例如硬盘驱动器(hdd)、固态盘(ssd)、硅盘驱动器(sdd)、只读存储器(rom)、随机存取存储器(ram)、光盘只读存储器(cd-rom)、磁带、软盘和光学数据存储装置，以及作为载波(例如，通过因特网传输)实现。

从以上描述显而易见的是，用于车辆的传感器融合目标预测装置和方法以及包括根据本公开的至少一个实施方式的装置的车辆能够基于由学习单元学习的参数来计算当前传感器融合目标信息的预测值，由此可以提高预测值的可靠性并最小化预测值的误差。

例如，传统的预测值选择方法仅使用目标的先前速度/加速度。然而，在本公开中，通过递归神经网络(rnn)检查过去步骤的转变，并且预测下一步骤的值，因此，与仅使用前一步骤的情况不同，通过检查过去步骤的转变可以提高预测值的准确度。

在本公开中，如上所述，可以在不存在当前测量值时(或者基于不存在当前测量值)使用rnn估计预测值并且确定可靠性，由此可以最小化传感器融合目标的位置与其实际位置相比的确定中的误差。

本领域技术人员将理解，通过本公开可实现的效果不限于上文已具体描述的效果，并且从以上详细描述将更清楚地理解本公开的其他效果。

以上详细描述不应被解释为在任何方面限制本公开，而是通过示例的方式考虑。本公开的范围应当通过对所附权利要求的合理解释来确定，并且在不脱离本公开的范围的情况下做出的所有等同修改应当被理解为包括在所附权利要求中。