状态估计加速方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及人工智能技术领域，公开了一种状态估计加速方法、装置、设备及存储介质，用于提高求解无人驾驶场景下目标状态更新计算效率，并降低计算机资源占用率。所述状态估计加速方法包括：根据无人驾驶场景下的预设状态变量观测数据集、预设特征点坐标数据集和预设残差模型生成变换残差模型，并从所述变换残差模型中提取观测矩阵；按照所述观测矩阵对所述变换残差模型进行空间重投影，得到目标残差模型；基于所述目标残差模型和预设状态估计算法求解目标状态估计值，所述目标状态估计值用于指示对所述无人驾驶场景下的预设目标进行状态更新与协方差更新。态更新与协方差更新。态更新与协方差更新。

【技术实现步骤摘要】
状态估计加速方法、装置、设备及存储介质


[0001]本专利技术涉及人工智能
，尤其涉及一种状态估计加速方法、装置、设备及存储介质。

技术介绍

[0002]随着人工智能技术的发展，机器人、无人机、无人车、增强现实和虚拟现实等新兴科技迅猛发展，状态估计算法在这些
的定位、建图以及物体跟踪方面发挥了重要作用。
[0003]但在现有技术中，无人驾驶场景下一般采用相机或激光雷达的状态估计定位算法，当系统观测数据维度过高的情况下，状态更新方程规模大，并且对计算机资源占用高，导致状态更新计算效率低的问题。

技术实现思路

[0004]本专利技术提供了一种状态估计加速方法、装置、设备及存储介质，用于提高求解无人驾驶场景下目标状态更新计算效率，并降低计算机资源占用率。
[0005]为实现上述目的，本专利技术第一方面提供了一种状态估计加速方法，包括：根据无人驾驶场景下的预设状态变量观测数据集、预设特征点坐标数据集和预设残差模型生成变换残差模型，并从所述变换残差模型中提取观测矩阵；按照所述观测矩阵对所述变换残差模型进行空间重投影，得到目标残差模型；基于所述目标残差模型和预设状态估计算法求解目标状态估计值，所述目标状态估计值用于指示对所述无人驾驶场景下的预设目标进行状态更新与协方差更新。
[0006]一种可行的实施方式中，所述根据无人驾驶场景下的预设状态变量观测数据集、预设特征点坐标数据集和预设残差模型生成变换残差模型，包括：从预设信息配置表中读取无人驾驶场景下的预设状态变量观测数据集和预设特征点坐标数据集；按照预设残差模型对所述预设状态变量观测数据集和所述预设特征点坐标数据集构建各预设特征点的观测残差模型；对各预设特征点的观测残差模型进行堆叠处理，得到变换残差模型，所述变换残差模型为其中，r为所有预设特征点的残差值，H为观测矩阵，为所述预设状态变量观测数据集对应的最优估计值，n为噪声。
[0007]一种可行的实施方式中，所述按照所述观测矩阵对所述变换残差模型进行空间重投影，得到目标残差模型，包括：按照所述观测矩阵的高度和所述观测矩阵的宽度确定高宽比值；判断所述高宽比值是否大于或等于预设阈值；若所述高宽比值大于或等于预设阈值，则将所述变换残差模型投影至所述观测矩阵对应的观测转置矩阵空间中，得到目标残差模型，所述目标残差模型为其中，r
ξ
为所有预设特征点在观测转置矩阵空间中的残差，且r
ξ
＝H
T
r，H
ξ
为在观测转置矩阵空间中的观测矩阵，且H
ξ
＝H
T
H，n
ξ
为在观测转置矩阵空间中的噪声，且n
ξ
＝H
T
nH，H
T
为所述观测矩阵对应的观测转置矩阵。
[0008]一种可行的实施方式中，所述按照所述观测矩阵对所述变换残差模型进行空间重
投影，得到目标残差模型，包括：判断所述观测矩阵是否属于稀疏矩阵；若所述观测矩阵属于稀疏矩阵，则将所述变换残差模型投影至所述观测矩阵对应的稀疏块转置矩阵空间中，得到目标残差模型，所述目标残差模型为其中，r
τ
为所有预设特征点在稀疏块转置矩阵空间中的残差值，且r
τ
＝H
T
r，H
τ
为在稀疏块转置矩阵空间中的观测矩阵，且H
τ
＝H
T
H，n
τ
为在稀疏块转置矩阵空间中的噪声，且n
τ
＝H
T
nH，H
T
为所述观测矩阵对应的稀疏块转置矩阵。
[0009]一种可行的实施方式中，所述若所述观测矩阵属于稀疏矩阵，则将所述变换残差模型投影至所述观测矩阵对应的稀疏块转置矩阵空间中，得到目标残差模型，包括：若所述观测矩阵属于稀疏矩阵，则从所述观测矩阵中删除零矩阵，得到目标稀疏块；对所述目标稀疏块进行转置计算，得到所述观测矩阵对应的稀疏块转置矩阵；按照所述稀疏块转置矩阵将所述变换残差模型转换到稀疏块转置矩阵空间中，得到目标残差模型。
[0010]一种可行的实施方式中，所述基于所述目标残差模型和预设状态估计算法求解目标状态估计值，包括：获取预设状态误差协方差矩阵，并按照预设状态估计算法对所述预设状态误差协方差矩阵、所述目标残差模型中的观测矩阵和噪声进行计算，得到卡尔曼增益；按照所述卡尔曼增益和所述目标残差模型中的残差值更新所述预设状态变量观测数据集，得到更新后的状态变量观测数据集；根据所述卡尔曼增益、所述预设状态误差协方差矩阵、所述目标残差模型中的观测矩阵和噪声计算更新后的状态误差协方差矩阵；将所述更新后的状态变量观测数据集和所述更新后的状态误差协方差矩阵合并为目标状态估计值。
[0011]一种可行的实施方式中，在所述根据无人驾驶场景下的预设状态变量观测数据集、预设特征点坐标数据集和预设残差模型生成变换残差模型，并从所述变换残差模型中提取观测矩阵之前，所述状态估计加速方法还包括：通过预设定时任务获取无人驾驶场景下的多帧相机位姿图像数据和惯性观测数据；对所述多帧相机位姿图像数据进行特征提取和特征跟踪处理，得到多个观测特征点位姿数据；将所述惯性观测数据和所述多个观测特征点位姿数据增扩为预设状态变量观测数据集，并将所述预设状态变量观测数据集存储至预设信息配置表中。
[0012]本专利技术第二方面提供了一种状态估计加速装置，包括：生成模块，用于根据无人驾驶场景下的预设状态变量观测数据集、预设特征点坐标数据集和预设残差模型生成变换残差模型，并从所述变换残差模型中提取观测矩阵；投影模块，用于按照所述观测矩阵对所述变换残差模型进行空间重投影，得到目标残差模型；求解模块，用于基于所述目标残差模型和预设状态估计算法求解目标状态估计值，所述目标状态估计值用于指示对所述无人驾驶场景下的预设目标进行状态更新与协方差更新。
[0013]一种可行的实施方式中，所述生成模块具体用于：从预设信息配置表中读取无人驾驶场景下的预设状态变量观测数据集和预设特征点坐标数据集；按照预设残差模型对所述预设状态变量观测数据集和所述预设特征点坐标数据集构建各预设特征点的观测残差模型；对各预设特征点的观测残差模型进行堆叠处理，得到变换残差模型，所述变换残差模型为其中，r为所有预设特征点的残差值，H为观测矩阵，为所述预设状态变量观测数据集对应的最优估计值，n为噪声。
[0014]一种可行的实施方式中，所述投影模块还包括：确定单元，用于按照所述观测矩阵
的高度和所述观测矩阵的宽度确定高宽比值；第一判断单元，用于判断所述高宽比值是否大于或等于预设阈值；第一投影单元，用于若所述高宽比值大于或等于预设阈值，则将所述变换残差模型投影至所述观测矩阵对应的观测转置矩阵空间中，得到目标残差模型，所述目标残差模型为其中，r
ξ
为所有预设特征点在观测转置矩阵空间中的残差，且r
ξ
＝H
T
r，H
ξ
...

【技术保护点】

【技术特征摘要】
1.一种状态估计加速方法，其特征在于，所述状态估计加速方法包括：根据无人驾驶场景下的预设状态变量观测数据集、预设特征点坐标数据集和预设残差模型生成变换残差模型，并从所述变换残差模型中提取观测矩阵；按照所述观测矩阵对所述变换残差模型进行空间重投影，得到目标残差模型；基于所述目标残差模型和预设状态估计算法求解目标状态估计值，所述目标状态估计值用于指示对所述无人驾驶场景下的预设目标进行状态更新与协方差更新。2.根据权利要求1所述的状态估计加速方法，其特征在于，所述根据无人驾驶场景下的预设状态变量观测数据集、预设特征点坐标数据集和预设残差模型生成变换残差模型，包括：从预设信息配置表中读取无人驾驶场景下的预设状态变量观测数据集和预设特征点坐标数据集；按照预设残差模型对所述预设状态变量观测数据集和所述预设特征点坐标数据集构建各预设特征点的观测残差模型；对各预设特征点的观测残差模型进行堆叠处理，得到变换残差模型，所述变换残差模型为其中，r为所有预设特征点的残差值，H为观测矩阵，为所述预设状态变量观测数据集对应的最优估计值，n为噪声。3.根据权利要求2所述的状态估计加速方法，其特征在于，所述按照所述观测矩阵对所述变换残差模型进行空间重投影，得到目标残差模型，包括：按照所述观测矩阵的高度和所述观测矩阵的宽度确定高宽比值；判断所述高宽比值是否大于或等于预设阈值；若所述高宽比值大于或等于预设阈值，则将所述变换残差模型投影至所述观测矩阵对应的观测转置矩阵空间中，得到目标残差模型，所述目标残差模型为其中，r
ξ
为所有预设特征点在观测转置矩阵空间中的残差，且r
ξ
＝H
T
r，H
ξ
为在观测转置矩阵空间中的观测矩阵，且H
ξ
＝H
T
H，n
ξ
为在观测转置矩阵空间中的噪声，且n
ξ
＝H
T
nH，H
T
为所述观测矩阵对应的观测转置矩阵。4.根据权利要求2所述的状态估计加速方法，其特征在于，所述按照所述观测矩阵对所述变换残差模型进行空间重投影，得到目标残差模型，包括：判断所述观测矩阵是否属于稀疏矩阵；若所述观测矩阵属于稀疏矩阵，则将所述变换残差模型投影至所述观测矩阵对应的稀疏块转置矩阵空间中，得到目标残差模型，所述目标残差模型为其中，r
τ
为所有预设特征点在稀疏块转置矩阵空间中的残差值，且r
τ
＝H
T
r，H
τ
为在稀疏块转置矩阵空间中的观测矩阵，且H
τ
＝H
T
H，n
τ
为在稀疏块转置矩阵空间中的噪声，且n
τ
＝H
T
nH，...

【专利技术属性】
技术研发人员：范云飞，韩旭，
申请(专利权)人：广州景骐科技有限公司，
类型：发明
国别省市：