一种观测噪声的处理方法和装置与流程

1.本发明涉及数据处理技术领域，特别涉及一种观测噪声的处理方法和装置。


背景技术：

2.车辆自动驾驶系统或无人驾驶系统中的感知模块在车辆行驶过程中会对周围环境的目标运动状态进行持续跟踪，感知模块处理目标运动状态跟踪的实现过程简单来说如下所示：接收车载相机对自车周围交通环境进行拍摄产生的图像，并基于预置的目标检测模型对图像进行目标检测从而得到目标在自车坐标系下的当前观测位置，再使用卡尔曼滤波器基于该目标的当前观测位置和上一时刻的运动状态预测量对该目标在当前时刻的运动状态进行预测。通过上述说明不难看出，感知模块使用的目标检测模型的位置检测准确度会直接对感知模块的目标运动状态预测准确度造成影响。原理上来说，若要保证感知模块目标运动状态预测的稳定性和鲁棒性，就需要将其使用的所有目标检测模型的输出稳定性和鲁棒性进行统一规划，但这在现实的实施过程中是很难办到的。


技术实现要素：

3.本发明的目的，就是针对现有技术的缺陷，提供一种观测噪声的处理方法、装置、电子设备及计算机可读存储介质，按相机径向、切向方向对目标检测模型输出的目标坐标的径向、切向样本方差进行统计，并基于得到的径向、切向样本方差构建卡尔曼滤波器的观测噪声协方差矩阵。通过本发明，既不用对任何目标检测模型进行改造，也不用改造卡尔曼滤波器去适配每个目标检测模型，只需将得到的观测噪声协方差矩阵送入卡尔曼滤波器作为当前观测量的观测噪声就可对不同目标检测模型的不同输出误差进行适应性纠正，从而达到提高感知模块目标运动状态预测稳定性和鲁棒性的目的。
4.为实现上述目的，本发明实施例第一方面提供了一种观测噪声的处理方法，所述方法包括：
5.获取车载相机在时刻t拍摄的二维图像作为第一图像；
6.使用目标检测模型对所述第一图像进行目标检测得到第一目标；所述第一目标对应一个第一目标坐标(x
t
,y
t
)；所述第一目标坐标(x
t
,y
t
)的坐标系为自车坐标系；
7.根据所述第一目标坐标(x
t
,y
t
)对自车与所述第一目标在自车坐标系下的径向距离和横向x轴夹角进行确定得到对应的径向距离d
t
和夹角α
t
；
8.根据所述径向距离d
t
和所述夹角α
t
确定所述第一目标在时刻t的径向样本方差和切向样本方差
9.根据所述径向样本方差所述切向样本方差和所述夹角α
t
构建所述第一目标在时刻t的观测噪声协方差矩阵r
t
。
10.优选的，所述根据所述第一目标坐标(x
t
,y
t
)对自车与所述第一目标在自车坐标系下的径向距离和横向x轴夹角进行确定得到对应的径向距离d
t
和夹角α
t
，具体包括：
11.在自车坐标系为右-前-天坐标系时以自车行驶方向为y轴正向、以自车右侧与y轴垂直的方向为x轴正向，并根据所述第一目标坐标(x
t
,y
t
)计算所述径向距离d
t
和所述夹角α
t
，
[0012][0013]
优选的，所述根据所述径向距离d
t
和所述夹角α
t
确定所述第一目标在时刻t的径向样本方差和切向样本方差具体包括：
[0014]
获取时刻t-(n-1)到时刻t的n个所述第一目标的径向距离组成对应的径向距离序列；并获取时刻t-(n-1)到时刻t的n个所述第一目标的横向x轴夹角组成对应的夹角序列；所述径向距离序列包括多个径向距离di；所述夹角序列包括多个夹角αi；t-(n-1)≤i≤t，n为正整数；
[0015]
根据所述径向距离序列和所述夹角序列确定所述第一目标在时刻t的平均径向距离d
av
和平均夹角α
av
；
[0016]
根据所述径向距离d
t
和所述平均径向距离d
av
确定所述第一目标在时刻t的所述径向样本方差
[0017]
根据所述径向距离d
t
、所述夹角α
t
和所述平均夹角α
av
确定所述第一目标在时刻t的所述切向样本方差
[0018]
优选的，所述根据所述径向样本方差所述切向样本方差和所述夹角α
t
构建所述第一目标在时刻t的观测噪声协方差矩阵r
t
，具体包括：
[0019]
根据所述径向样本方差所述切向样本方差和所述夹角α
t
，构建所述第一目标在时刻t于自车坐标系下的观测噪声协方差矩阵r
t
，
[0020][0021]
优选的，所述方法还包括根据所述第一目标坐标(x
t
,y
t
)和所述观测噪声协方差矩阵r
t
确定所述第一目标在时刻t的预测状态量，具体为：
[0022]
使用卡尔曼滤波器对所述第一目标进行状态预测；
[0023]
将所述观测噪声协方差矩阵r
t
代入所述卡尔曼滤波器的卡尔曼滤波增益方程式k
t
＝p
t,t-1ht
(hp
t,t-1ht
+r
t
)，计算得到时刻t的卡尔曼滤波增益k
t
；其中，h为状态-观测转换矩阵，p
t,t-1
为从时刻t-1到时刻t的状态噪声协方差矩阵，且h、p
t,t-1
为已知量；
[0024]
将所述第一目标坐标(x
t
,y
t
)作为所述卡尔曼滤波器在时刻t的观测量b
t
，b
t
＝[x
t y
t
]
t
；
[0025]
将所述状态-观测转换矩阵h、所述卡尔曼滤波增益k
t
和所述观测量b
t
代入所述卡尔曼滤波器的卡尔曼滤波状态预测方程式a
t
＝fa
t-1
+k
t
[b
t-h(fa
t-1
)]，计算得到所述第一目标在时刻t的预测状态量a
t
；其中，f为状态转移矩阵，a
t-1
为时刻t-1的预测状态量，且f、a
t-1
为已知量。
[0026]
本发明实施例第二方面提供了一种用于实现上述第一方面所述的观测噪声的处理方法的装置,所述装置包括：获取模块、目标检测处理模块和观测噪声处理模块；
[0027]
所述获取模块用于获取车载相机在时刻t拍摄的二维图像作为第一图像；
[0028]
所述目标检测处理模块用于使用目标检测模型对所述第一图像进行目标检测得到第一目标；所述第一目标对应一个第一目标坐标(x
t
,y
t
)；所述第一目标坐标(x
t
,y
t
)的坐标系为自车坐标系；
[0029]
所述观测噪声处理模块用于根据所述第一目标坐标(x
t
,y
t
)对自车与所述第一目标在自车坐标系下的径向距离和横向x轴夹角进行确定得到对应的径向距离d
t
和夹角α
t
；并根据所述径向距离d
t
和所述夹角α
t
确定所述第一目标在时刻t的径向样本方差和切向样本方差并根据所述径向样本方差所述切向样本方差和所述夹角α
t
构建所述第一目标在时刻t的观测噪声协方差矩阵r
t
。
[0030]
本发明实施例第三方面提供了一种电子设备，包括：存储器、处理器和收发器；
[0031]
所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面所述的方法步骤；
[0032]
所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
[0033]
本发明实施例第四方面提供了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指令，当所述计算机指令被计算机执行时，使得所述计算机执行上述第一方面所述的方法的指令。
[0034]
本发明实施例提供了一种观测噪声的处理方法、装置、电子设备及计算机可读存储介质，按相机径向、切向方向对目标检测模型输出的目标坐标的径向、切向样本方差进行统计，并基于得到的径向、切向样本方差构建卡尔曼滤波器的观测噪声协方差矩阵。通过本发明，既不用对任何目标检测模型进行改造，也不用改造卡尔曼滤波器去适配每个目标检测模型，只需将得到的观测噪声协方差矩阵送入卡尔曼滤波器作为当前观测量的观测噪声就可对不同目标检测模型的不同输出误差进行适应性纠正。如此一来，不但提高了感知模块对不同目标检测模型的兼容性，还提高了感知模块目标运动状态预测的稳定性和鲁棒性。
附图说明
[0035]
图1为本发明实施例一提供的一种观测噪声的处理方法示意图；
[0036]
图2为本发明实施例一提供的右-前-天坐标系下径向距离d
t
和夹角α
t
示意图；
[0037]
图3为本发明实施例二提供的一种观测噪声的处理装置的模块结构图；
[0038]
图4为本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
[0039]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，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做出创造性劳动前提下所获得的
所有其它实施例，都属于本发明保护的范围。
[0040]
在对本发明实施例进行阐述之前，首先对卡尔曼滤波器进行简单介绍。卡尔曼滤波器的方程组常规由运动状态预测方程和观测-状态转换方程组成：
[0041]
运动状态预测方程为a
t
＝fa
t-1
+w
t-1
，
[0042]
观测-状态转换方程为b
t
＝ha
t
+v
t
；
[0043]
其中，a
t
为时刻t的预测状态量、a
t-1
为时刻t-1的预测状态量、f为状态转移矩阵、w
t-1
为目标在时刻t-1的系统噪声、b
t
为时刻t的观测量、h为状态-观测转换矩阵、v
t
为时刻t的观测噪声，进一步的，状态转移矩阵f和状态-观测转换矩阵h都由预先设定的目标运动模型决定(例如匀速运动模型、匀加速运动模型等等)，具体可以参考公开的针对不同运动模型的卡尔曼滤波器方程组的设定实现，在此不做一一赘述。
[0044]
在已知预测状态量a
t-1
、观测量b
t
、系统噪声w
t-1
、状态转移矩阵f和状态-观测转换矩阵h的情况下，求解上述卡尔曼滤波器方程组得到时刻t的预测状态量a
t
的实现方式有多种，其中常见一种就是基于线性关系进行求解，详细推导过程可参考公开的线性/离线卡尔曼滤波的计算实现，在此不做一一赘述；该方式的推导结果就是引入卡尔曼滤波增益k并结合观测-状态转换方程，将运动状态预测方程转换为：
[0045]at
＝fa
t-1
+k
t
[b
t-h(fa
t-1
)]，
[0046]kt
＝p
t,t-1ht
(hp
t,t-1ht
+r
t
)；
[0047]
其中，k
t
为时刻t的卡尔曼滤波增益、p
t,t-1
为从时刻t-1到时刻t的状态噪声协方差矩阵、r
t
为时刻t的观测噪声协方差矩阵，在系统噪声w
t-1
已知的情况下状态噪声协方差矩阵p
t,t-1
也是已知的。
[0048]
由转换后的运动状态预测方程不难看出，在已知预测状态量a
t-1
、观测量b
t
、系统噪声w
t-1
、状态转移矩阵f、状态-观测转换矩阵h、状态噪声协方差矩阵p
t,t-1
的前提下，只需确认观测噪声协方差矩阵r
t
就可以得到卡尔曼滤波增益k
t
，从而就能得到预测状态量a
t
。
[0049]
参考上述原理，本发明实施例一提供一种观测噪声的处理方法，按相机径向、切向方向对目标检测模型输出的目标坐标的径向、切向样本方差进行统计，并基于得到的径向、切向样本方差构建卡尔曼滤波器的观测噪声协方差矩阵；继而再将由得到的观测噪声协方差矩阵代入上述转换后的运动状态预测方程就可得到预测状态量a
t
；如此一来，既不用对任何目标检测模型进行改造，也不用改造卡尔曼滤波器去适配每个目标检测模型，只需将得到的观测噪声协方差矩阵送入卡尔曼滤波器作为当前观测量的观测噪声就可对不同目标检测模型的不同输出误差进行适应性纠正，从而不但提高了感知模块对不同目标检测模型的兼容性，还提高了感知模块目标运动状态预测的稳定性和鲁棒性。
[0050]
图1为本发明实施例一提供的一种观测噪声的处理方法示意图，如图1所示，本方法主要包括如下步骤：
[0051]
步骤1，获取车载相机在时刻t拍摄的二维图像作为第一图像。
[0052]
这里，车辆自动驾驶系统或无人驾驶系统中感知模块从车载相机处获得其在时刻t对自车周围交通环境进行图像拍摄产生的二维图像，并将其作为待检测的第一图像。
[0053]
步骤2，使用目标检测模型对第一图像进行目标检测得到第一目标；
[0054]
其中，第一目标对应一个第一目标坐标(x
t
,y
t
)；第一目标坐标(x
t
,y
t
)的坐标系为自车坐标系。
[0055]
这里，感知模块使用本地预置的支持目标深度估计和像素坐标系到自车坐标系转换的目标检测模型对第一图像行目标检测，该检测模型可以识别出一个或多个实体目标(诸如车辆、交通标志物、障碍物、行人、动物、植物、建筑物等)，并可为每个识别出的实体目标进行深度估计和像素坐标定位，进而还可基于公知的像素坐标系-图像坐标系-摄像头坐标系-世界坐标系-自车坐标系的转换方式根据每个实体目标的深度估计信息和像素坐标信息对每个实体目标在自车坐标系下的位置坐标进行定位从而输出对应的自车坐标系坐标即第一目标坐标(x
t
,y
t
)。本法实施例的目标检测模型可采用多种模型结构予以实现，其中常用的为3d单目(mono3d)目标检测模型，关于mono3d目标检测模型的具体实现可参考相关实现文献，在此不做进一步赘述。由公知的自车坐标系结构可知，自车坐标系包括两种：右-前-天自车坐标系和前-左-天自车坐标系；右-前-天自车坐标系中，x轴为面向车辆前方的右手方向，y轴为车辆行驶方向，z轴为与地面垂直并指向车顶的方向；前-左-天自车坐标系中，x轴为车辆行驶方向，y轴为面向车辆前方的左手方向，z轴为与地面垂直并指向车顶的方向；本发明实施例默认采用右-前-天自车坐标系。
[0056]
步骤3，根据第一目标坐标(x
t
,y
t
)对自车与第一目标在自车坐标系下的径向距离和横向x轴夹角进行确定得到对应的径向距离d
t
和夹角α
t
；
[0057]
具体包括：在自车坐标系为右-前-天坐标系时以自车行驶方向为y轴正向、以自车右侧与y轴垂直的方向为x轴正向，并根据第一目标坐标(x
t
,y
t
)计算径向距离d
t
和夹角α
t
，
[0058][0059]
这里，图2为本发明实施例一提供的右-前-天坐标系下径向距离d
t
和夹角α
t
示意图，从图2中可看出右-前-天自车坐标系下第一目标坐标(x
t
,y
t
)到原点o的径向距离d
t
和夹角α
t
的定义方式，即径向距离d
t
就是沿相机径向方向从原点到第一目标坐标(x
t
,y
t
)的直线距离，夹角α
t
即第一目标坐标(x
t
,y
t
)到原点的径向直线与横向x轴的夹角，夹角α
t
实际也是第一目标坐标(x
t
,y
t
)处的切向直线与y轴的夹角；基于径向距离d
t
与夹角α
t
的定义，利用勾股定理和三角函数根据第一目标坐标(x
t
,y
t
)即可算出对应的径向距离d
t
与夹角α
t
的取值。需要说明的是，当前步骤是基于右-前-天自车坐标系的对径向距离d
t
和夹角α
t
的计算方法，若当前自车坐标系选用的是前-左-天自车坐标系则横轴变为y轴，径向距离d
t
仍为但α
t
变为原点到第一目标坐标(x
t
,y
t
)的径向直线与横向y轴的夹角，即
[0060]
步骤4，根据径向距离d
t
和夹角α
t
确定第一目标在时刻t的径向样本方差和切向样本方差
[0061]
具体包括：步骤41，获取时刻t-(n-1)到时刻t的n个第一目标的径向距离组成对应的径向距离序列；并获取时刻t-(n-1)到时刻t的n个第一目标的横向x轴夹角组成对应的夹角序列；
[0062]
其中，径向距离序列包括多个径向距离di；夹角序列包括多个夹角αi；t-(n-1)≤i≤t，n为正整数；
[0063]
这里，因为每个时刻感知模块都会计算径向距离d
t
和夹角α
t
，所以任意时刻t上都能获得其之前各历史时刻的径向距离和夹角；
[0064]
步骤42，根据径向距离序列和夹角序列确定第一目标在时刻t的平均径向距离d
av
和平均夹角α
av
；
[0065]
其中，
[0066]
步骤43，根据径向距离d
t
和平均径向距离d
av
确定第一目标在时刻t的径向样本方差
[0067]
其中，
[0068]
步骤44，根据径向距离d
t
、夹角α
t
和平均夹角α
av
确定第一目标在时刻t的切向样本方差
[0069]
其中，
[0070]
例如，n＝100，则径向距离序列由100个径向距离di组成，夹角序列由100个夹角αi组成；那么，在时刻t的平均径向距离d
av
和平均夹角α
av
为：为：第一目标在时刻t的径向样本方差为为切向样本方差为为
[0071]
步骤5，根据径向样本方差切向样本方差和夹角α
t
构建第一目标在时刻t的观测噪声协方差矩阵r
t
；
[0072]
具体包括：根据径向样本方差切向样本方差和夹角α
t
，构建第一目标在时刻t于自车坐标系下的观测噪声协方差矩阵r
t
，
[0073][0074]
这里，实际就会对由径向样本方差和切向样本方差构成的切向-径向协方差矩阵按径向-切向与具体为右-前-天坐标系的自车坐标系的x-y轴对应关系做了一次旋转。
[0075]
本发明实施例方法通过上述步骤1-5得到的观测噪声协方差矩阵r
t
实际就是与当前目标检测模型对应的观测噪声。
[0076]
本发明实施例方法在得到观测噪声协方差矩阵r
t
之后，根据第一目标坐标(x
t
,y
t
)和观测噪声协方差矩阵r
t
确定第一目标在时刻t的预测状态量，具体包括：
[0077]
步骤a1，使用卡尔曼滤波器对第一目标进行状态预测；
[0078]
步骤a2，将观测噪声协方差矩阵r
t
代入卡尔曼滤波器的卡尔曼滤波增益方程式k
t
＝p
t,t-1ht
(hp
t,t-1ht
+r
t
)，计算得到时刻t的卡尔曼滤波增益k
t
；
[0079]
其中，h为状态-观测转换矩阵，p
t,t-1
为从时刻t-1到时刻t的状态噪声协方差矩阵，且h、p
t,t-1
为已知量；
[0080]
步骤a3，将第一目标坐标(x
t
,y
t
)作为卡尔曼滤波器在时刻t的观测量b
t
，b
t
＝[x
t y
t
]
t
；
[0081]
步骤a4，将状态-观测转换矩阵h、卡尔曼滤波增益k
t
和观测量b
t
代入卡尔曼滤波器的卡尔曼滤波状态预测方程式a
t
＝fa
t-1
+k
t
[b
t-h(fa
t-1
)]，计算得到第一目标在时刻t的预测状态量a
t
；
[0082]
其中，f为状态转移矩阵，a
t-1
为时刻t-1的预测状态量，且f、a
t-1
为已知量。
[0083]
这里，感知模块以第一目标坐标(x
t
,y
t
)为观测量b
t
，b
t
＝[x
t y
t
]
t
；并连同观测噪声协方差矩阵r
t
送入前述转换后的运动状态预测方程计算出时刻t的预测状态量a
t
。在具体计算时，感知模块首先将观测噪声协方差矩阵r
t
代入k
t
＝p
t,t-1ht
(hp
t,t-1ht
+r
t
)计算出卡尔曼滤波增益k
t
；这里，由前文可知p
t,t-1
为从时刻t-1到时刻t的状态噪声协方差矩阵，在系统噪声w
t-1
已知的情况下状态噪声协方差矩阵p
t,t-1
是已知可查的；h为状态-观测转换矩阵，在目标运动模型设定之后状态-观测转换矩阵h是固定已知的。得到卡尔曼滤波增益k
t
之后，感知模块再将观测量b
t
、卡尔曼滤波增益k
t
代入a
t
＝fa
t-1
+k
t
[b
t-h(fa
t-1
)]计算出预测状态量a
t
；这里，由前文可知a
t-1
为时刻t-1的预测状态量是已知可查的；f为状态转移矩阵，在目标运动模型设定之后状态转移矩阵f是固定已知的。
[0084]
图3为本发明实施例二提供的一种观测噪声的处理装置的模块结构图，该装置为实现前述方法实施例的终端设备或者服务器，也可以为能够使得前述终端设备或者服务器实现前述方法实施例的装置，例如该装置可以是前述终端设备或者服务器的装置或芯片系统。如图3所示，该装置包括：获取模块201、目标检测处理模块202和观测噪声处理模块203。
[0085]
获取模块201用于获取车载相机在时刻t拍摄的二维图像作为第一图像。
[0086]
目标检测处理模块202用于使用目标检测模型对第一图像进行目标检测得到第一目标；第一目标对应一个第一目标坐标(x
t
,y
t
)；第一目标坐标(x
t
,y
t
)的坐标系为自车坐标系。
[0087]
观测噪声处理模块203用于根据第一目标坐标(x
t
,y
t
)对自车与第一目标在自车坐标系下的径向距离和横向x轴夹角进行确定得到对应的径向距离d
t
和夹角α
t
；并根据径向距离d
t
和夹角α
t
确定第一目标在时刻t的径向样本方差和切向样本方差并根据径向样本方差切向样本方差和夹角α
t
构建第一目标在时刻t的观测噪声协方差矩阵r
t
。
[0088]
本发明实施例提供的一种观测噪声的处理装置，可以执行上述方法实施例中的方法步骤，其实现原理和技术效果类似，在此不再赘述。
[0089]
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，获取模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过
程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
[0090]
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，asic)，或，一个或多个数字信号处理器(digital signal processor，dsp)，或，一个或者多个现场可编程门阵列(field programmable gate array，fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(central processing unit，cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，soc)的形式实现。
[0091]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照前述方法实施例所描述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线路((digital subscriber line，dsl))或无线(例如红外、无线、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
[0092]
图4为本发明实施例三提供的一种电子设备的结构示意图。该电子设备可以为前述的终端设备或者服务器，也可以为与前述终端设备或者服务器连接的实现本发明实施例方法的终端设备或服务器。如图4所示，该电子设备可以包括：处理器301(例如cpu)、存储器302、收发器303；收发器303耦合至处理器301，处理器301控制收发器303的收发动作。存储器302中可以存储各种指令，以用于完成各种处理功能以及实现前述方法实施例描述的处理步骤。优选的，本发明实施例涉及的电子设备还包括：电源304、系统总线305以及通信端口306。系统总线305用于实现元件之间的通信连接。上述通信端口306用于电子设备与其他外设之间进行连接通信。
[0093]
在图4中提到的系统总线305可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(random access memory，ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0094]
上述的处理器可以是通用处理器，包括中央处理器cpu、网络处理器(network processor，np)、图形处理器(graphics processing unit，gpu)等；还可以是数字信号处理器dsp、专用集成电路asic、现场可编程门阵列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。
[0095]
需要说明的是，本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中提供的方法和处理过程。
[0096]
本发明实施例还提供一种运行指令的芯片，该芯片用于执行前述方法实施例描述的处理步骤。
[0097]
本发明实施例提供了一种观测噪声的处理方法、装置、电子设备及计算机可读存储介质，按相机径向、切向方向对目标检测模型输出的目标坐标的径向、切向样本方差进行统计，并基于得到的径向、切向样本方差构建卡尔曼滤波器的观测噪声协方差矩阵。通过本发明，既不用对任何目标检测模型进行改造，也不用改造卡尔曼滤波器去适配每个目标检测模型，只需将得到的观测噪声协方差矩阵送入卡尔曼滤波器作为当前观测量的观测噪声就可对不同目标检测模型的不同输出误差进行适应性纠正。如此一来，不但提高了感知模块对不同目标检测模型的兼容性，还提高了感知模块目标运动状态预测的稳定性和鲁棒性。
[0098]
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0099]
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0100]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。