本公开涉及一种用于将由自我车辆内的感知传感器检测到的目标车辆的物理标识（physical identity）与经由自我车辆与目标车辆之间的无线通信接收到的目标车辆的虚拟标识（virtual identity）相关联的系统。
背景技术：
1、在当前系统中，使用无线车辆对车辆或车辆对基础设施通信信道的自我车辆接收从目标车辆发送的信息，该信息包括关于目标车辆的识别信息，以允许自我车辆识别目标车辆。该信息提供了目标车辆的虚拟标识。这允许自我车辆定位目标车辆相对于自我车辆的位置，因此自我车辆可采取诸如协作操纵和定位以及基础设施辅助协调之类的动作。
2、此外，自我车辆将使用位于自我车辆内的感知传感器，例如激光雷达、雷达和摄像机，来识别物体，例如靠近自我车辆的目标车辆。这提供了检测到的目标车辆的物理标识。通常，自我车辆的感知传感器可检测到多个目标车辆。当前系统通常信任接收到的虚拟标识信息，而不确认接收到的虚拟标识信息与正确的物理标识信息相关。换言之，当前系统不验证无线传输的信息对应于由自我车辆物理识别的多个目标车辆中正确的一个。因此，虽然当前系统实现了其预期目的，但需要新的和改进的系统和方法，用于将由自我车辆内的感知传感器检测到的目标车辆的物理标识与通过自我车辆与目标车辆之间的无线通信接收到的目标车辆的虚拟标识相关联。
技术实现思路
1、根据本公开的若干方面，一种关联目标车辆的物理标识和虚拟标识的方法包括：利用多个感知传感器收集与所述目标车辆的物理标识相关的数据，并通过通信总线将与所述目标车辆的所述物理标识相关的数据传送到数据处理器；利用所述数据处理器经由无线通信信道收集与所述目标车辆的虚拟标识相关的数据；以及利用所述数据处理器将所述目标车辆的所述物理标识与所述目标车辆的所述虚拟标识相关联。
2、根据另一方面，利用所述数据处理器将所述目标车辆的所述物理标识与所述目标车辆的所述虚拟标识相关联还包括：利用所述数据处理器利用贝叶斯推理模型（bayesianinterference model），并且利用所述数据处理器估计与所述物理标识相关的数据和与所述虚拟标识相关的数据用于相同目标车辆的概率。
3、根据另一方面，利用所述数据处理器将所述目标车辆的所述物理标识与所述目标车辆的所述虚拟标识相关联还包括：使用与所述目标车辆的所述物理标识相关的所述数据，以利用所述数据处理器确定所述目标车辆的相对位置，并利用所述数据处理器估计所述目标车辆的实时状态。
4、根据另一方面，与所述目标车辆的所述物理标识相关的所述数据包括全球卫星定位坐标、速度、加速度、横摆和前进方向，并且与所述目标车辆的所述虚拟标识相关的所述数据包括全球卫星定位坐标、速度、加速度、横摆和前进方向。
5、根据另一方面，为所有车辆的每个型号创建的计算机视觉特征被存储在基于云的车辆配置文件数据库（cloud-based vehicle profile database）中，并且与所述目标车辆的所述虚拟标识相关的所述数据包括由所述目标车辆发送的型号信息，所述方法包括使用从所述目标车辆接收的型号信息，并且利用所述数据处理器从所述基于云的车辆配置文件数据库接收对应的车辆配置文件数据（profile data）。
6、根据另一方面，由所述目标车辆发送的所述型号信息包括品牌、型号、年份和颜色。
7、根据另一方面，所述基于云的车辆配置文件数据库是深度神经网络。
8、根据另一方面，与所述目标车辆的所述虚拟标识相关的所述数据包括由所述目标车辆上的感知传感器收集的与所述目标车辆的周围环境相关的数据。
9、根据另一方面，与所述目标车辆的所述虚拟标识相关的所述数据包括观测到的车道线、周围车辆、易受伤害的道路使用者（vru）、路标、交通灯和结构。
10、根据另一方面，与所述目标车辆的所述虚拟标识相关的所述数据还包括存储在基于云的车辆配置文件数据库上的所述目标车辆的计算机视觉特征。
11、根据本公开的若干方面，一种用于关联目标车辆的物理标识和虚拟标识的系统包括：位于自我车辆内的数据处理器，所述数据处理器包括无线通信模块；以及多个感知传感器，其位于所述自我车辆内并且适于收集与所述目标车辆的物理标识相关的数据，并通过通信总线将与所述目标车辆的所述物理标识相关的所述数据传送到所述数据处理器；所述数据处理器适于通过无线通信信道接收与所述目标车辆的虚拟标识相关的数据，并将所述目标车辆的所述物理标识与所述目标车辆的所述虚拟标识相关联。
12、根据另一方面，当将所述目标车辆的所述物理标识与所述目标车辆的所述虚拟标识相关联时，所述数据处理器还适于利用贝叶斯推理模型，并估计与所述物理标识相关的所述数据和与所述虚拟标识相关的所述数据用于相同目标车辆的概率。
13、根据另一方面，当将所述目标车辆的所述物理标识与所述目标车辆的所述虚拟标识相关联时，所述数据处理器还适于使用与所述目标车辆的所述物理标识相关的所述数据来确定所述目标车辆的相对位置，并估计所述目标车辆的实时状态。
14、根据另一方面，与所述目标车辆的所述物理标识相关的所述数据包括全球卫星定位坐标、速度、加速度、横摆和前进方向，并且与所述目标车辆的所述虚拟标识相关的所述数据包括全球卫星定位坐标、速度、加速度、横摆和前进方向。
15、根据另一方面，所述系统还包括基于云的车辆配置文件数据库，所述车辆配置文件数据库包括为所有车辆的每个型号创建的计算机视觉特征，并且与所述目标车辆的所述虚拟标识相关的所述数据包括由所述目标车辆发送的型号信息，所述数据处理器还适用于使用从所述目标车辆接收到的型号信息，并从所述基于云的车辆配置文件数据库接收对应的车辆配置文件数据。
16、根据另一方面，由所述目标车辆发送的所述型号信息包括品牌、型号、年份和颜色。
17、根据另一方面，所述基于云的车辆配置文件数据库是深度神经网络。
18、根据另一方面，与所述目标车辆的所述虚拟标识相关的所述数据包括由所述目标车辆上的感知传感器收集的与所述目标车辆的周围环境相关的数据，包括观测到的车道线、周围车辆、易受伤害的道路使用者（vru）、路牌、交通灯和结构。
19、根据另一方面，所述系统还包括基于云的车辆配置文件数据库，所述基于云的车辆配置文件数据库包括为所有车辆的每个型号创建的计算机视觉特征，并且与所述目标车辆的所述虚拟标识相关的所述数据还包括所述目标车辆的计算机视觉特征。
20、本发明还包括以下技术方案。
21、方案1. 一种关联目标车辆的物理标识和虚拟标识的方法，包括：
22、利用多个感知传感器收集与所述目标车辆的物理标识相关的数据，并通过通信总线将与所述目标车辆的所述物理标识相关的数据传送到数据处理器；
23、利用所述数据处理器经由无线通信信道收集与所述目标车辆的虚拟标识相关的数据；以及
24、利用所述数据处理器将所述目标车辆的所述物理标识与所述目标车辆的所述虚拟标识相关联。
25、方案2. 根据方案1所述的方法，其中，利用所述数据处理器将所述目标车辆的所述物理标识与所述目标车辆的所述虚拟标识相关联还包括：利用所述数据处理器利用贝叶斯推理模型，并且利用所述数据处理器估计与所述物理标识相关的数据和与所述虚拟标识相关的数据用于相同目标车辆的概率。
26、方案3. 根据方案2所述的方法，其中，利用所述数据处理器将所述目标车辆的所述物理标识与所述目标车辆的所述虚拟标识相关联还包括：使用与所述目标车辆的所述物理标识相关的所述数据，以利用所述数据处理器确定所述目标车辆的相对位置，并利用所述数据处理器估计所述目标车辆的实时状态。
27、方案4. 根据方案3所述的方法，其中，与所述目标车辆的所述物理标识相关的所述数据包括全球卫星定位坐标、速度、加速度、横摆和前进方向，并且与所述目标车辆的所述虚拟标识相关的所述数据包括全球卫星定位坐标、速度、加速度、横摆和前进方向。
28、方案5. 根据方案2所述的方法，其中，为所有车辆的每个型号创建的计算机视觉特征被存储在基于云的车辆配置文件数据库中，并且与所述目标车辆的所述虚拟标识相关的所述数据包括由所述目标车辆发送的型号信息，所述方法包括使用从所述目标车辆接收的型号信息，并且利用所述数据处理器从所述基于云的车辆配置文件数据库接收对应的车辆配置文件数据。
29、方案6. 根据方案5所述的方法，其中，由所述目标车辆发送的所述型号信息包括品牌、型号、年份和颜色。
30、方案7. 根据方案6所述的方法，其中，所述基于云的车辆配置文件数据库是深度神经网络。
31、方案8. 根据方案2所述的方法，其中，与所述目标车辆的所述虚拟标识相关的所述数据包括由所述目标车辆上的感知传感器收集的与所述目标车辆的周围环境相关的数据。
32、方案9. 根据方案8所述的方法，其中，与所述目标车辆的所述虚拟标识相关的所述数据包括观测到的车道线、周围车辆、易受伤害的道路使用者（vru）、路标、交通灯和结构。
33、方案10. 根据方案9所述的方法，其中，与所述目标车辆的所述虚拟标识相关的所述数据还包括存储在基于云的车辆配置文件数据库上的所述目标车辆的计算机视觉特征。
34、方案11. 一种用于关联目标车辆的物理标识和虚拟标识的系统，包括：
35、位于自我车辆内的数据处理器，所述数据处理器包括无线通信模块；以及
36、多个感知传感器，其位于所述自我车辆内并且适于收集与所述目标车辆的物理标识相关的数据，并通过通信总线将与所述目标车辆的所述物理标识相关的所述数据传送到所述数据处理器；
37、所述数据处理器适于通过无线通信信道接收与所述目标车辆的虚拟标识相关的数据，并将所述目标车辆的所述物理标识与所述目标车辆的所述虚拟标识相关联。
38、方案12. 根据方案11所述的系统，其中，当将所述目标车辆的所述物理标识与所述目标车辆的所述虚拟标识相关联时，所述数据处理器还适于利用贝叶斯推理模型，并估计与所述物理标识相关的所述数据和与所述虚拟标识相关的所述数据用于相同目标车辆的概率。
39、方案13. 根据方案12所述的系统，其中，当将所述目标车辆的所述物理标识与所述目标车辆的所述虚拟标识相关联时，所述数据处理器还适于使用与所述目标车辆的所述物理标识相关的所述数据来确定所述目标车辆的相对位置，并估计所述目标车辆的实时状态。
40、方案14. 根据方案13所述的系统，其中，与所述目标车辆的所述物理标识相关的所述数据包括全球卫星定位坐标、速度、加速度、横摆和前进方向，并且与所述目标车辆的所述虚拟标识相关的所述数据包括全球卫星定位坐标、速度、加速度、横摆和前进方向。
41、方案15. 根据方案12所述的系统，还包括基于云的车辆配置文件数据库，所述车辆配置文件数据库包括为所有车辆的每个型号创建的计算机视觉特征，并且与所述目标车辆的所述虚拟标识相关的所述数据包括由所述目标车辆发送的型号信息，所述数据处理器还适用于使用从所述目标车辆接收到的型号信息，并从所述基于云的车辆配置文件数据库接收对应的车辆配置文件数据。
42、方案16. 根据方案15所述的系统，其中，由所述目标车辆发送的所述型号信息包括品牌、型号、年份和颜色。
43、方案17. 根据方案16所述的方法，其中，所述基于云的车辆配置文件数据库是深度神经网络。
44、方案18. 根据方案12所述的方法，其中，与所述目标车辆的所述虚拟标识相关的所述数据包括由所述目标车辆上的感知传感器收集的与所述目标车辆的周围环境相关的数据，包括观测到的车道线、周围车辆、易受伤害的道路使用者（vru）、路牌、交通灯和结构。
45、方案19. 根据方案18所述的系统，还包括基于云的车辆配置文件数据库，所述基于云的车辆配置文件数据库包括为所有车辆的每个型号创建的计算机视觉特征，并且与所述目标车辆的所述虚拟标识相关的所述数据还包括所述目标车辆的计算机视觉特征。
46、方案20. 一种关联目标车辆的物理标识和虚拟标识的方法，包括：
47、利用多个感知传感器收集与所述目标车辆的物理标识相关的数据，并通过通信总线将与所述目标车辆的所述物理标识相关的数据传送到数据处理器；
48、利用所述数据处理器经由无线通信信道收集与所述目标车辆的虚拟标识相关的数据；以及
49、利用所述数据处理器将所述目标车辆的所述物理标识与所述目标车辆的所述虚拟标识相关联，这是通过利用所述数据处理器利用贝叶斯推理模型，并且利用所述数据处理器估计与所述物理标识相关的数据和与所述虚拟标识相关的数据用于相同目标车辆的概率，以及以下各项中的一项：
50、使用与所述目标车辆的所述物理标识相关的所述数据，所述数据包括全球卫星定位坐标、速度、加速度、横摆和前进方向，以利用所述数据处理器确定所述目标车辆的相对位置，并且利用所述数据处理器估计所述目标车辆的实时状态，其中，与所述目标车辆的所述虚拟标识相关的所述数据包括全球卫星定位坐标、速度、加速度、横摆和前进方向；
51、使用从所述目标车辆接收到的型号信息，并利用所述数据处理器从基于云的车辆配置文件数据库接收对应的车辆配置文件数据，所述基于云的车辆配置文件数据库为深度神经网络并且包括为所有车辆的每个型号创建的计算机视觉特征，其中，与所述目标车辆的所述虚拟标识相关的所述数据包括由所述目标车辆发送的包括品牌、型号、年份和颜色的型号信息；以及
52、利用所述数据处理器将所述目标车辆的所述物理标识与所述目标车辆的所述虚拟标识相关联，其中，与所述目标车辆的所述虚拟标识相关的所述数据包括由所述目标车辆上的感知传感器收集的与所述目标车辆的周围环境相关的数据，包括观测到的车道线、周围车辆、易受伤害的道路使用者（vru）、路牌、交通灯和结构，以及存储在基于云的车辆配置文件数据库上的所述目标车辆的计算机视觉特征。
53、根据本文提供的描述，其他适用领域将变得显而易见。应当理解的是，描述和具体示例仅意在用于说明的目的，并不意在限制本公开的范围。