CN114528941A - 传感器数据融合方法、装置、电子设备及存储介质 - Google Patents

传感器数据融合方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114528941A
CN114528941A CN202210156864.7A CN202210156864A CN114528941A CN 114528941 A CN114528941 A CN 114528941A CN 202210156864 A CN202210156864 A CN 202210156864A CN 114528941 A CN114528941 A CN 114528941A
Authority
CN
China
Prior art keywords
data
target
determining
boundary
point cloud
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202210156864.7A
Other languages
English (en)
Inventor
张志明
陈文洋
湛波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210156864.7A priority Critical patent/CN114528941A/zh
Publication of CN114528941A publication Critical patent/CN114528941A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了一种传感器数据融合方法、装置、电子设备及存储介质，涉及自动驾驶和目标检测技术领域。该方法包括：通过传感器获取车辆周围环境中的多个目标对应的图像数据和点云数据，将图像数据和点云数据进行融合，得到各目标的特征数据；获取车辆的可行驶区域的边界数据，对边界数据进行聚类，得到各目标的位置数据；基于特征数据和位置数据，确定各目标的属性信息。本公开技术方案，基于融合得到的数据和聚类得到的数据，可以确定各目标各自对应的属性信息，从而提高智能车辆的环境感知精度和场景泛化能力。

Description

传感器数据融合方法、装置、电子设备及存储介质
技术领域
本公开涉及自动驾驶技术领域，尤其涉及一种传感器数据融合方法、装置、电子设备及存储介质。
背景技术
在自动驾驶、移动机器人领域，对环境的感知至关重要，利用视觉或者激光雷达进行周边环境的可行驶区域(freespace)边界检测是一种实现方式。但是，可行驶区域边界检测的检测结果一般只能以点坐标的形式描述可行驶区域的边界，无法区别这些边界点是检测到的运动的交通参与者，还是建筑等静物体，而且，无法确定各点是属于哪个目标的目标级信息，从而导致智能汽车的环境感知精度差，场景泛化能力受限。
发明内容
本公开提供了一种传感器数据融合方法、装置、电子设备及存储介质。
根据本公开的一方面，提供了一种传感器数据融合方法，包括：
通过传感器获取车辆周围环境中的多个目标对应的图像数据和点云数据，将图像数据和点云数据进行融合，得到各目标的特征数据；
获取车辆的可行驶区域的边界数据，对边界数据进行聚类，得到各目标的位置数据；
基于特征数据和位置数据，确定各目标的属性信息。
根据本公开的另一方面，提供了一种传感器数据融合装置，包括：
融合模块，用于通过传感器获取车辆周围环境中的多个目标对应的图像数据和点云数据，将图像数据和点云数据进行融合，得到各目标的特征数据；
聚类模块，用于获取车辆的可行驶区域的边界数据，对边界数据进行聚类，得到各目标的位置数据；
确定模块，用于基于特征数据和位置数据，确定各目标的属性信息。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
本公开提供了一种传感器数据融合方法、装置、电子设备及存储介质，通过对传感器获取到的多个目标的数据进行融合，以及对可行驶区域的边界数据进行聚类，基于融合得到的数据和聚类得到的数据，可以确定各目标各自对应的属性信息，从而提高智能车辆的环境感知精度和场景泛化能力。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1为本公开一实施例中传感器数据融合方法的流程图；
图2为本公开一实施例中目标的位置数据和目标的位置特征数据进行融合的示意图；
图3为本公开一实施例的计算边界点的标准差的示意图；
图4为本公开一实施例的栅格地图的示意图；
图5为本公开一实施例中传感器数据融合方法的示意图；
图6为本公开一实施例中传感器数据融合方法的流程图；
图7为本公开一实施例中传感器数据融合装置的示意图；
图8是用来实现本公开实施例的传感器数据融合方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本公开实施例提供了一种传感器数据融合方法，图1是本公开一实施例的传感器数据融合方法的流程图，该方法可以应用于传感器数据融合装置，例如，该装置在部署于服务器、终端设备或其它处理设备执行的情况下，可以执行传感器数据融合等。在一些可能的实现方式中，该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，包括：
步骤S101，通过传感器获取车辆周围环境中的多个目标对应的图像数据和点云数据，将图像数据和点云数据进行融合，得到各目标的特征数据；
本公开实施例的执行主体可以为车载终端。智能汽车在行驶过程中通过车辆安装的各种传感器，例如，摄像头、激光雷达、毫米波雷达、超声波探测器等，获取车辆周围环境中的各目标的图像数据和点云数据，其中，目标包括静态目标和动态目标。
其中，图像数据可以是目标的二维或三维图像。通过摄像头获取到周围环境的图像之后，将图像输入目标检测模型，得到目标检测模型输出的目标的类别、在图像中的位置等。通过激光雷达、毫米波雷达、超声波探测器等，可以得到各目标的点云数据，根据点云数据可以得到各目标各自对应的尺寸、速度、加速度、姿态等。将各目标与对应的图像数据和点云数据进行关联，计算得到每个目标对应的类别、尺寸、速度、加速度、姿态、位置等数据，作为该目标对应的特征数据。
步骤S102，获取车辆的可行驶区域的边界数据，对边界数据进行聚类，得到各目标的位置数据；
通过对多种传感器获取到的图像数据和点云数据进行可行驶区域的边界检测，可以得到可行驶区域的边界数据。例如，通过freespace算法，得到可行驶区域的边界点。通过对可行驶区域的各边界点进行聚类，可以得到每个目标对应的边界点，作为该目标对应的位置数据。
步骤S103，基于特征数据和位置数据，确定各目标的属性信息。
将每个目标对应的特征数据和位置数据进行融合，得到各目标的属性信息，属性信息可以包括各目标的类别、尺寸、速度、加速度、姿态、位置等属性。
相关技术中，将传感器获取到的图像数据和点云数据进行融合，作为最终的目标数据，精度不高，无法满足泊车域等需要精细化环境边界的场景的需求。而仅仅将可行驶区域的边界数据进行融合，无法得知哪些边界点属于哪个目标，即无法得到周围环境的目标级信息，也无法得知目标的种类、朝向、尺寸等具体的信息，感知精度差。
本公开实施例提供的传感器数据融合方法，通过对传感器获取到的多个目标的数据进行融合，以及对可行驶区域的边界数据进行聚类，基于融合得到的数据和聚类得到的数据，可以确定各目标各自对应的属性信息，从而提高智能车辆的环境感知精度和场景泛化能力。
在一种可能的实现方式中，基于特征数据和位置数据，确定各目标的属性信息，包括：
对于每一目标，若特征数据包括位置特征数据，将目标的位置数据和目标的位置特征数据进行融合，将融合后的数据作为目标的属性信息中的位置属性。
在实际应用中，根据图像数据和点云数据融合得到的特征数据，其中包括位置特征数据，将通过可行驶区域边界检测得到的位置数据校正位置特征数据，将校正后的位置作为目标的属性信息中的位置属性。
本公开实施例中，通过将多个传感器数据融合得到的目标的位置数据，和通过聚类得到的目标的位置特征数据进行融合，得到的目标的位置更加准确。
在一种可能的实现方式中，将目标的位置数据和目标的位置特征数据进行融合，包括：
确定目标的位置数据中的各边界点到对应的位置特征数据中的位置点的残差；
基于各边界点到对应位置点的残差，确定目标的残差；
基于目标的残差和目标的残差的方差，进行滤波处理，得到融合后的数据。
在实际应用中，确定了各目标的位置数据，即得到了目标的各边界点，对于每个边界点，计算该边界点与距离最近的位置点的残差，根据各边界点对应的残差，确定目标的残差。可选的，计算各边界点对应的残差的均值，得到平均残差，将平均残差作为目标的残差。计算目标的残差的方差，将目标的残差和残差的方差进行滤波处理，将滤波器输出的数据作为融合后的数据。其中，滤波处理可以通过卡尔曼滤波器及其衍生的变体来实现。滤波器输出的数据为目标的校正后的位置。
本公开实施例中，基于目标的残差和目标的残差的方差，进行滤波处理，可以得到目标校正后的位置，这样得到的目标的位置更加准确，可以使智能车辆感知目标位置的精度更高。
图2为本公开一实施例中目标的位置数据和目标的位置特征数据进行融合的示意图，如图2所示，Ego表示安装有多个传感器的当前车辆，Car1、Car2为当前车辆周围环境中的目标，每个目标对应有多个通过freespace算法得到的边界点，以及通过图像数据和点云数据融合得到的位置框的每个位置点，计算各边界点与距离最近的位置点的残差，计算Car1的各边界点对应的残差的均值，得到平均残差，将平均残差作为Car1的残差。计算残差的方差，将Car1的残差和残差的方差通过卡尔曼滤波器进行滤波处理，得到Car1的校正后的位置，同理，也可以得到Car2的校正后的位置。
在一种可能的实现方式中，在基于目标的残差和所述目标的残差的方差，进行滤波处理之前，还包括：
确定位置数据中各边界点的方差；
基于各边界点的方差，确定目标的残差的方差。
在实际应用中，各边界点的方差，可以是传感器的设备参数，即传感器在采集目标的数据时的误差值，或者，对于精度直接受距离影响的传感器，例如，摄像头等，可以通过计算得到边界点的方差。可选的，对于一个目标，可以计算各个边界点的方差的平均值，作为目标的残差的方差。
本公开实施例中，基于各边界点的方差，确定目标的残差的方差，计算方法简单，结果准确。
其中，对于通过计算得到边界点的方差的具体实现方式，见如下实施例：
在一种可能的实现方式中，确定位置数据中各边界点的方差，包括：
获取边界点的观测高度、观测角度和观测角度的标准差；
基于边界点的观测高度、观测角度和观测角度的标准差，确定边界点的方差。
在实际应用中，边界点的观测高度可以是传感器距离地面的高度，观测角度可以是传感器的观测范围对应的角度，观测角度的标准差可以是预先配置的经验值，基于边界点的观测高度、观测角度和观测角度的标准差，可以得到边界点的方差。
本公开实施例中，对于精度直接受距离影响的传感器，无法直接得到边界点的方差的情况，可以根据传感器的观测参数确定边界点的方差。
图3为本公开一实施例的计算边界点的标准差的示意图。如图3所示，计算摄像头获取到的边界点的标准差。其中，H为观测高度，L为边界点到摄像头的水平距离，θ为观测角度，可以得到如下公式：
L＝H·tanθ (1)
根据公式(1)得到如下公式：
Lsqm＝H·sec2θ·θsqm (2)
其中，Lsqm表示边界点的标准差，θsqm表示角度θ的标准差。则边界点的方差为Lsqm的平方。
计算出边界点的方差之后，对于与传感器水平距离不同的边界点，若多个边界点与传感器水平距离的差值小于预设阈值，则配置相同的方差，建立方差查询表，方差查询表中包括边界点与传感器的水平距离，以及边界点的方差。可以预先配置方差查询表，通过方差查询表可以查询到边界点的方差。对于与传感器水平距离不同的边界点配置相同的方差，可以提高方差的计算效率。
在一种可能的实现方式中，将图像数据和点云数据进行融合，得到各目标的特征数据，包括：
确定当前图像数据和点云数据与历史图像数据和点云数据的第一相似度；
根据第一相似度将当前图像数据和点云数据，与历史图像数据和点云数据进行关联，得到各目标的特征数据。
在实际应用中，车辆在行驶过程中，传感器持续获取图像数据和点云数据，将每次获取到的当前图像数据和点云数据，与之前获取到的历史图像数据和点云数据进行第一相似度计算，具体可以是计算尺寸、位置、速度等相关特性的相似度，通过全局相似或者相似度最优的方式，确定与当前图像数据和点云数据匹配的历史图像数据和点云数据，将当前图像数据和点云数据，与匹配的历史图像数据和点云数据进行关联，实现了每个目标对应的特征数据的更新。
本公开实施例中，通相似度计算和数据关联，实现了对目标的特征数据的更新。
在一种可能的实现方式中，还包括：
在第一相似度小于预设阈值的情况下，根据当前图像数据和点云数据，确定新的目标的特征数据。
在实际应用中，若当前图像数据和点云数据与所有历史图像数据和点云数据的相似度均小于预设阈值，则当前图像数据和点云数据与所有历史图像数据和点云数据均不匹配，可能当前图像数据和点云数据并不是历史观测到的目标的特征数据，则将当前图像数据和点云数据确定为新的目标的特征数据。
本公开实施例中，通过相似度计算，可以确定出每次获取到的图像数据和点云数据是否为历史目标的特征数据，以实现特征数据和对应的目标的匹配。
在一种可能的实现方式中，对边界数据进行聚类，得到各目标的位置数据，包括：
针对边界数据创建栅格地图，确定栅格地图中的各栅格存在目标的概率；
基于各栅格存在目标的概率，确定各目标的运动属性；
基于各目标的运动属性，对边界数据进行聚类，得到各目标的位置数据，运动属性包括运动或静止。
在实际应用中，针对边界数据创建栅格地图，栅格的分辨率可以根据具体场景进行设置。
图4为本公开一实施例的栅格地图的示意图。如图4所示，栅格地图中的栅格包括三种状态，占据(occupancy)、空(free)、未知(Unknown)。
对于传感器观测范围内(Filed Of View)的栅格进行概率估计更新，不可见的区域栅格则为上一次的概率，栅格初始值均为未知状态对应的概率。在完成初始化的栅格地图上，当有新的数据进入，则基于二值贝叶斯滤波器进行滤波更新概率。根据更新后的概率判断当前栅格占据或空的状态，并利用滑动窗口技术统计对应栅格状态及概率变化情况。进行栅格对应的目标的运动属性判断，运动属性包括运动或静止，具体的判断方法可以基于D-S(Dempster-Shafer)证据理论或者其他方案。对于运动属性为运动的目标的边界数据进行聚类，聚类方法包括基于密度的聚类(Density-Based Spatial Clustering ofApplications with Noise，DBSCAN)、K-means等。
本公开实施例中，通过建立栅格地图的方式处理边界数据，并对边界数据进行聚类，可以得到每个目标对应的位置数据，实现了目标级别位置数据的确定。
在一种可能的实现方式中，基于各目标的运动属性，对边界数据进行聚类，得到各目标的位置数据，包括：
将每个目标分别作为当前目标，若根据特征数据确定当前目标为静止目标，且特征数据包括位置特征数据，则将当前目标的位置特征数据映射到栅格地图，得到栅格地图中的感兴趣区域；
将感兴趣区域对应的边界数据进行聚类，得到当前目标的位置数据。
在实际应用中，将每个目标分别作为当前目标，对于运动属性为静止的目标，将位置特征数据映射到栅格地图上，得到栅格地图中的感兴趣区域，即完成了感兴趣区域的初选，在感兴趣区域内进行边界点的聚类，得到该目标的位置数据。
本公开实施例中，提供了运动属性为静止的目标的边界数据的聚类方式，从而得到各静止目标的位置数据。
在一种可能的实现方式中，基于特征数据和位置数据，确定各目标的属性信息，包括：
将特征数据和位置数据按照对应的目标进行关联，得到各目标的关联数据；
根据各目标的关联数据，确定各目标的属性信息。
在实际应用中，对于每个目标，将图像数据和点云数据融合得到特征数据，与通过边界数据聚类得到的位置数据进行关联，可以得到每个目标对应的特征数据和位置数据，作为关联数据，对于关联数据进行分类处理，可以得到每个目标对应的类别、尺寸、位置、速度、姿态等属性信息。
本公开实施例中，通过对特征数据和位置数据的关联融合，可以得到每个目标的目标级信息，可以提高车辆对于周围环境的感知精度。
其中，将特征数据和位置数据进行关联的具体实现方式见如下实施例：
在一种可能的实现方式中，将特征数据和位置数据按照对应的目标进行关联，得到各目标的关联数据，包括：
若特征数据包括位置特征数据，则确定位置特征数据与各位置数据的第二相似度；
基于各第二相似度，将目标的特征数据与位置数据进行关联，得到目标的关联数据。
在实际应用中，对于每个目标，将位置特征数据映射到栅格地图上，计算位置特征数据和位置数据之间的位置相似度，即第二相似度，将位置相似度大于预设阈值的位置特征数据对应的特征数据与位置数据进行关联，得到每个目标的关联数据。
本公开实施例中，通过计算位置相似度进行目标的特征数据和位置数据的关联，计算简单，结果准确度高。
在一种可能的实现方式中，将图像数据和点云数据进行融合，得到各目标的特征数据，包括：
在传感器的数量为多个的情况下，将通过多个传感器获取到的图像数据和点云数据分别进行时间同步和空间同步，得到时空同步后的图像数据和点云数据；
将时空同步后的图像数据和点云数据进行融合，得到各目标的特征数据。
在实际应用中，车辆可以安装多个传感器，以及多种类型的传感器，在进行计算时，需要将多个传感器获取到的数据按照时间戳进行时间同步，并转换到同一坐标系下，实现空间同步，将时空同步后的数据进行融合，根据融合后的数据，确定哪些数据属于哪个目标，从而得到各目标的特征数据。
本公开实施例中，将多个传感器获取的数据进行时空同步，作为之后数据融合计算的基础，可以保证数据的时空一致性，提高计算结果的准确性。
可选的，本公开实施例中还可以包括数据有效性检测，根据传感器的观测范围、量程等属性，确定传感器获取到的数据是否有效，去掉无效数据，节省计算资源，同时，也可以提高计算结果的准确性。
图5为本公开一实施例中传感器数据融合方法的示意图。首先介绍传感器获取到的各目标的图像数据和点云数据的融合更新。具体的，通过传感器获取多个目标的图像数据和点云数据，如图5所示，通过摄像头获取图像数据，如图中所示的CameraBbox；通过雷达(Radar)和超声波探测器(Sonar)获取点云数据。将各目标的图像数据和点云数据进行预处理，具体包括：按照时间戳进行时间同步，转换到同一坐标系下实现空间同步，将时空同步后的数据进行数据有效性检测，剔除无效数据，得到各目标对应特征数据。将当前图像数据和点云数据与历史图像数据和点云数据进行相似度计算，将当前获取到的数据关联到匹配的历史数据中，得到更新后的目标的特征数据(如图中所示的“更新存在的航迹状态”)。如果当前获取到的数据与所有历史获取到的数据均不匹配，则将当前数据确定为新的目标的特征数据(如图中所示的“创建新航迹”)，从而实现目标特征数据的更新(如图中所示的“传感器观测与航迹融合”)。其中，航迹可以包括目标的位置、速度、加速度、朝向、姿态等，可以根据目标的历史数据预测目标未来的航迹。上述过程实现了各目标的图像数据和点云数据的融合更新。
其次介绍车辆的可行驶区域的边界数据的聚类过程。具体的，对于雷达、摄像头等传感器获取到的数据，通过freespace算法进行处理，得到可行驶区域的边界数据，创建栅格地图，基于栅格地图进行多帧数据融合更新，确定各栅格中存在目标的概率，确定各栅格对应的目标的运动属性(如图中所示的“栅格点动静态属性分类”)，根据运动属性对目标的边界数据进行聚类(如图中所示“基于动静属性级几何分布聚类”)，对于运动属性为运动的目标的边界数据进行聚类，聚类方法包括基于密度的聚类DBSCAN、K-means等。对于运动属性为静止的目标，将位置特征数据映射到栅格地图上，得到栅格地图中的感兴趣区域，在感兴趣区域内进行边界点的聚类，得到该目标的位置数据。对于每个目标，将图像数据和点云数据融合得到特征数据，与通过边界数据聚类得到的位置数据进行关联，可以得到每个目标对应的特征数据和位置数据，作为关联数据，从而实现了特征数据和位置数据的关联以及融合，输出各目标的种类、尺寸、位置、速度属性信息。另外，还包括对每个目标的关联数据进行管理(如图中所示的“航迹管理”)，将特征数据和位置数据进行时空同步，以及生命周期维护，确定新的目标的特征数据，删除观测范围内不再出现的目标的特征数据。
图6为本公开一实施例中传感器数据融合方法的流程图。如图6所示，该方法包括：
步骤S601，通过传感器获取车辆周围环境中的多个目标对应的图像数据和点云数据，将图像数据和点云数据进行融合，得到各目标的特征数据；
步骤S602，获取车辆的可行驶区域的边界数据，针对边界数据创建栅格地图，确定栅格地图中的各栅格存在目标的概率；
步骤S603，基于各栅格存在目标的概率，确定各目标的运动属性；
步骤S604，基于各目标的运动属性，对边界数据进行聚类，得到各目标的位置数据；
步骤S605，对于每一目标，若特征数据包括位置特征数据，则确定目标的位置数据中的各边界点到对应的位置特征数据中的位置点的残差；
步骤S606，基于各边界点到对应位置点的残差，确定目标的残差；
步骤S607，基于目标的残差和目标的残差的方差，进行滤波处理，得到融合后的数据，将融合后的数据作为目标的属性信息中的位置属性。
本公开提供了的传感器数据融合方法，通过对传感器获取到的多个目标的数据进行融合，以及对可行驶区域的边界数据进行聚类，基于融合得到的数据和聚类得到的数据，可以确定各目标各自对应的属性信息，从而提高智能车辆的环境感知精度和场景泛化能力。
图7为本公开一实施例中传感器数据融合装置的示意图。如图7所示，传感器数据融合装置可以包括：
融合模块701，用于通过传感器获取车辆周围环境中的多个目标对应的图像数据和点云数据，将图像数据和点云数据进行融合，得到各目标的特征数据；
聚类模块702，用于获取车辆的可行驶区域的边界数据，对边界数据进行聚类，得到各目标的位置数据；
确定模块703，用于基于特征数据和位置数据，确定各目标的属性信息。
本公开实施例提供的传感器数据融合装置，通过对传感器获取到的多个目标的数据进行融合，以及对可行驶区域的边界数据进行聚类，基于融合得到的数据和聚类得到的数据，可以确定各目标各自对应的属性信息，从而提高智能车辆的环境感知精度和场景泛化能力。
在一种可能的实现方式中，确定模块703，用于：
对于每一目标，若特征数据包括位置特征数据，将目标的位置数据和目标的位置特征数据进行融合，将融合后的数据作为目标的属性信息中的位置属性。
在一种可能的实现方式中，确定模块703包括第一确定单元、第二确定单元和处理单元；
第一确定单元，用于确定目标的位置数据中的各边界点到对应的位置特征数据中的位置点的残差；
第二确定单元，用于基于各边界点到对应位置点的残差，确定目标的残差；
处理单元，用于基于目标的残差和目标的残差的方差，进行滤波处理，得到融合后的数据。
在一种可能的实现方式中，第二确定单元还用于：
确定位置数据中各边界点的方差；
基于各边界点的方差，确定目标的残差的方差。
在一种可能的实现方式中，第二确定单元在确定位置数据中各边界点的方差时，用于：
获取边界点的观测高度、观测角度和观测角度的标准差；
基于边界点的观测高度、观测角度和观测角度的标准差，确定边界点的方差。
在一种可能的实现方式中，融合模块701，用于：
确定当前图像数据和点云数据与历史图像数据和点云数据的第一相似度；
根据第一相似度将当前图像数据和点云数据，与历史图像数据和点云数据进行关联，得到各目标的特征数据。
在一种可能的实现方式中，融合模块701还用于：
在第一相似度小于预设阈值的情况下，根据当前图像数据和点云数据，确定新的目标的特征数据。
在一种可能的实现方式中，聚类模块702，用于：
针对边界数据创建栅格地图，确定栅格地图中的各栅格存在目标的概率；
基于各栅格存在目标的概率，确定各目标的运动属性；
基于各目标的运动属性，对边界数据进行聚类，得到各目标的位置数据，运动属性包括运动或静止。
在一种可能的实现方式中，聚类模块702具体用于：
将每个目标分别作为当前目标，若根据特征数据确定当前目标为静止目标，且特征数据包括位置特征数据，则将当前目标的位置特征数据映射到栅格地图，得到栅格地图中的感兴趣区域；
将感兴趣区域对应的边界数据进行聚类，得到当前目标的位置数据。
在一种可能的实现方式中，确定模块703，用于：
将特征数据和位置数据按照对应的目标进行关联，得到各目标的关联数据；
根据各目标的关联数据，确定各目标的属性信息。
在一种可能的实现方式中，确定模块703具体用于：
若特征数据包括位置特征数据，则确定位置特征数据与各位置数据的第二相似度；
基于各第二相似度，将目标的特征数据与位置数据进行关联，得到目标的关联数据。
在一种可能的实现方式中，融合模块701具体用于：
在传感器的数量为多个的情况下，将通过多个传感器获取到的图像数据和点云数据分别进行时间同步和空间同步，得到时空同步后的图像数据和点云数据；
将时空同步后的图像数据和点云数据进行融合，得到各目标的特征数据。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和信息。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/信息。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如传感器数据融合方法。例如，在一些实施例中，传感器数据融合方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的传感器数据融合方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行传感器数据融合方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收信息和指令，并且将信息和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程信息处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为信息服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字信息通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (27)

1.一种传感器数据融合方法，所述方法包括：
通过传感器获取车辆周围环境中的多个目标对应的图像数据和点云数据，将所述图像数据和点云数据进行融合，得到各目标的特征数据；
获取所述车辆的可行驶区域的边界数据，对所述边界数据进行聚类，得到所述各目标的位置数据；
基于所述特征数据和所述位置数据，确定所述各目标的属性信息。
2.根据权利要求1所述的方法，其中，所述基于所述特征数据和所述位置数据，确定所述各目标的属性信息，包括：
对于每一目标，若所述特征数据包括位置特征数据，将所述目标的位置数据和所述目标的位置特征数据进行融合，将融合后的数据作为所述目标的属性信息中的位置属性。
3.根据权利要求2所述的方法，其中，所述将所述目标的位置数据和所述目标的位置特征数据进行融合，包括：
确定所述目标的位置数据中的各边界点到对应的位置特征数据中的位置点的残差；
基于所述各边界点到对应位置点的残差，确定所述目标的残差；
基于所述目标的残差和所述目标的残差的方差，进行滤波处理，得到融合后的数据。
4.根据权利要求3所述的方法，其中，在基于所述目标的残差和所述目标的残差的方差，进行滤波处理之前，还包括：
确定所述位置数据中各边界点的方差；
基于所述各边界点的方差，确定所述目标的残差的方差。
5.根据权利要求4所述的方法，其中，所述确定所述位置数据中各边界点的方差，包括：
获取所述边界点的观测高度、观测角度和观测角度的标准差；
基于所述边界点的观测高度、观测角度和观测角度的标准差，确定所述边界点的方差。
6.根据权利要求1所述的方法，其中，所述将所述图像数据和点云数据进行融合，得到各目标的特征数据，包括：
确定当前图像数据和点云数据与历史图像数据和点云数据的第一相似度；
根据所述第一相似度将所述当前图像数据和点云数据，与所述历史图像数据和点云数据进行关联，得到各目标的特征数据。
7.根据权利要求6所述的方法，还包括：
在所述第一相似度小于预设阈值的情况下，根据所述当前图像数据和点云数据，确定新的目标的特征数据。
8.根据权利要求1所述的方法，其中，所述对所述边界数据进行聚类，得到所述各目标的位置数据，包括：
针对所述边界数据创建栅格地图，确定所述栅格地图中的各栅格存在目标的概率；
基于所述各栅格存在目标的概率，确定所述各目标的运动属性；
基于所述各目标的运动属性，对所述边界数据进行聚类，得到所述各目标的位置数据，所述运动属性包括运动或静止。
9.根据权利要求8所述的方法，其中，所述基于所述各目标的运动属性，对所述边界数据进行聚类，得到所述各目标的位置数据，包括：
将每个目标分别作为当前目标，若根据所述特征数据确定所述当前目标为静止目标，且所述特征数据包括位置特征数据，则将所述当前目标的位置特征数据映射到所述栅格地图，得到所述栅格地图中的感兴趣区域；
将所述感兴趣区域对应的边界数据进行聚类，得到所述当前目标的位置数据。
10.根据权利要求1所述的方法，其中，所述基于所述特征数据和所述位置数据，确定所述各目标的属性信息，包括：
将所述特征数据和所述位置数据按照对应的目标进行关联，得到各目标的关联数据；
根据所述各目标的关联数据，确定所述各目标的属性信息。
11.根据权利要求10所述的方法，其中，所述将所述特征数据和所述位置数据按照对应的目标进行关联，得到各目标的关联数据，包括：
若所述特征数据包括位置特征数据，则确定所述位置特征数据与各位置数据的第二相似度；
基于各第二相似度，将所述目标的特征数据与位置数据进行关联，得到所述目标的关联数据。
12.根据权利要求1所述的方法，其中，所述将所述图像数据和点云数据进行融合，得到各目标的特征数据，包括：
在所述传感器的数量为多个的情况下，将通过多个传感器获取到的图像数据和点云数据分别进行时间同步和空间同步，得到时空同步后的图像数据和点云数据；
将所述时空同步后的图像数据和点云数据进行融合，得到各目标的特征数据。
13.一种传感器数据融合装置，所述装置包括：
融合模块，用于通过传感器获取车辆周围环境中的多个目标对应的图像数据和点云数据，将所述图像数据和点云数据进行融合，得到各目标的特征数据；
聚类模块，用于获取所述车辆的可行驶区域的边界数据，对所述边界数据进行聚类，得到所述各目标的位置数据；
确定模块，用于基于所述特征数据和所述位置数据，确定所述各目标的属性信息。
14.根据权利要求13所述的装置，其中，所述确定模块，用于：
对于每一目标，若所述特征数据包括位置特征数据，将所述目标的位置数据和所述目标的位置特征数据进行融合，将融合后的数据作为所述目标的属性信息中的位置属性。
15.根据权利要求14所述的装置，其中，所述确定模块包括第一确定单元、第二确定单元和处理单元；
所述第一确定单元，用于确定所述目标的位置数据中的各边界点到对应的位置特征数据中的位置点的残差；
所述第二确定单元，用于基于所述各边界点到对应位置点的残差，确定所述目标的残差；
所述处理单元，用于基于所述目标的残差和所述目标的残差的方差，进行滤波处理，得到融合后的数据。
16.根据权利要求15所述的装置，其中，所述第二确定单元还用于：
确定所述位置数据中各边界点的方差；
基于所述各边界点的方差，确定所述目标的残差的方差。
17.根据权利要求16所述的装置，其中，所述第二确定单元在确定所述位置数据中各边界点的方差时，用于：
获取所述边界点的观测高度、观测角度和观测角度的标准差；
基于所述边界点的观测高度、观测角度和观测角度的标准差，确定所述边界点的方差。
18.根据权利要求13所述的装置，其中，所述融合模块，用于：
确定当前图像数据和点云数据与历史图像数据和点云数据的第一相似度；
根据所述第一相似度将所述当前图像数据和点云数据，与所述历史图像数据和点云数据进行关联，得到各目标的特征数据。
19.根据权利要求18所述的装置，所述融合模块还用于：
在所述第一相似度小于预设阈值的情况下，根据所述当前图像数据和点云数据，确定新的目标的特征数据。
20.根据权利要求13所述的装置，其中，所述聚类模块，用于：
针对所述边界数据创建栅格地图，确定所述栅格地图中的各栅格存在目标的概率；
基于所述各栅格存在目标的概率，确定所述各目标的运动属性；
基于所述各目标的运动属性，对所述边界数据进行聚类，得到所述各目标的位置数据，所述运动属性包括运动或静止。
21.根据权利要求20所述的装置，其中，所述聚类模块具体用于：
将每个目标分别作为当前目标，若根据所述特征数据确定所述当前目标为静止目标，且所述特征数据包括位置特征数据，则将所述当前目标的位置特征数据映射到所述栅格地图，得到所述栅格地图中的感兴趣区域；
将所述感兴趣区域对应的边界数据进行聚类，得到所述当前目标的位置数据。
22.根据权利要求13所述的装置，其中，所述确定模块，用于：
将所述特征数据和所述位置数据按照对应的目标进行关联，得到各目标的关联数据；
根据所述各目标的关联数据，确定所述各目标的属性信息。
23.根据权利要求22所述的装置，其中，所述确定模块具体用于：
若所述特征数据包括位置特征数据，则确定所述位置特征数据与各位置数据的第二相似度；
基于各第二相似度，将所述目标的特征数据与位置数据进行关联，得到所述目标的关联数据。
24.根据权利要求13所述的装置，其中，所述融合模块具体用于：
在所述传感器的数量为多个的情况下，将通过多个传感器获取到的图像数据和点云数据分别进行时间同步和空间同步，得到时空同步后的图像数据和点云数据；
将所述时空同步后的图像数据和点云数据进行融合，得到各目标的特征数据。
25.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行权利要求1-12中任一项所述的方法。
27.一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据权利要求1-12中任一项所述的方法。
CN202210156864.7A 2022-02-21 2022-02-21 传感器数据融合方法、装置、电子设备及存储介质 Withdrawn CN114528941A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210156864.7A CN114528941A (zh) 2022-02-21 2022-02-21 传感器数据融合方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210156864.7A CN114528941A (zh) 2022-02-21 2022-02-21 传感器数据融合方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114528941A true CN114528941A (zh) 2022-05-24

Family

ID=81624139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210156864.7A Withdrawn CN114528941A (zh) 2022-02-21 2022-02-21 传感器数据融合方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114528941A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661798A (zh) * 2022-12-23 2023-01-31 小米汽车科技有限公司 确定目标区域的方法、装置、车辆及存储介质
CN116125411A (zh) * 2023-03-20 2023-05-16 上海几何伙伴智能驾驶有限公司 基于freespace路端4D毫米波雷达实现水平安装角度检测补偿的方法
CN116844134A (zh) * 2023-06-30 2023-10-03 北京百度网讯科技有限公司 目标检测方法、装置、电子设备、存储介质及车辆
CN120351923A (zh) * 2025-06-24 2025-07-22 重庆长安汽车股份有限公司 一种多源传感器数据融合建图方法及车辆
CN120655905A (zh) * 2025-08-19 2025-09-16 中国铁建电气化局集团有限公司 铁路通信设备的感兴趣区域确定方法、装置、设备及介质
CN120351923B (zh) * 2025-06-24 2026-05-05 重庆长安汽车股份有限公司 一种多源传感器数据融合建图方法及车辆

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661798A (zh) * 2022-12-23 2023-01-31 小米汽车科技有限公司 确定目标区域的方法、装置、车辆及存储介质
CN115661798B (zh) * 2022-12-23 2023-03-21 小米汽车科技有限公司 确定目标区域的方法、装置、车辆及存储介质
CN116125411A (zh) * 2023-03-20 2023-05-16 上海几何伙伴智能驾驶有限公司 基于freespace路端4D毫米波雷达实现水平安装角度检测补偿的方法
CN116844134A (zh) * 2023-06-30 2023-10-03 北京百度网讯科技有限公司 目标检测方法、装置、电子设备、存储介质及车辆
CN120351923A (zh) * 2025-06-24 2025-07-22 重庆长安汽车股份有限公司 一种多源传感器数据融合建图方法及车辆
CN120351923B (zh) * 2025-06-24 2026-05-05 重庆长安汽车股份有限公司 一种多源传感器数据融合建图方法及车辆
CN120655905A (zh) * 2025-08-19 2025-09-16 中国铁建电气化局集团有限公司 铁路通信设备的感兴趣区域确定方法、装置、设备及介质
CN120655905B (zh) * 2025-08-19 2025-10-21 中国铁建电气化局集团有限公司 铁路通信设备的感兴趣区域确定方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN110488234B (zh) 车载毫米波雷达的外参标定方法、装置、设备及介质
CN111324115B (zh) 障碍物位置检测融合方法、装置、电子设备和存储介质
US8199977B2 (en) System and method for extraction of features from a 3-D point cloud
CN114528941A (zh) 传感器数据融合方法、装置、电子设备及存储介质
CN114140759B (zh) 高精地图车道线位置确定方法、装置及自动驾驶车辆
CN108872991A (zh) 目标物检测与识别方法、装置、电子设备、存储介质
CN111563450B (zh) 数据处理方法、装置、设备及存储介质
CN113887400B (zh) 障碍物检测方法、模型训练方法、装置及自动驾驶车辆
CN111540027B (zh) 一种检测方法、装置、电子设备及存储介质
KR20230006628A (ko) 이미지 처리 방법과 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램
WO2021102676A1 (zh) 物体状态获取方法、可移动平台及存储介质
CN114677655A (zh) 多传感器目标检测方法、装置、电子设备以及存储介质
CN119941550B (zh) 动态障碍物点云滤除方法及装置
CN115457152A (zh) 外参标定方法、装置、电子设备及存储介质
CN114926549B (zh) 三维点云处理方法、装置、设备以及存储介质
CN113177980B (zh) 用于自动驾驶的目标对象速度确定方法、装置及电子设备
CN114018269A (zh) 定位方法、装置、电子设备、存储介质以及自动驾驶车辆
CN118658293A (zh) 基于Occ和SLAM的端云协同的城市路况更新方法
CN114299242A (zh) 高精地图中图像处理方法、装置、设备以及存储介质
CN117629182A (zh) 一种定位方法、装置、设备及存储介质
CN113984072B (zh) 车辆定位方法、装置、设备、存储介质及自动驾驶车辆
CN111538918B (zh) 一种推荐方法、装置、电子设备及存储介质
CN115200601A (zh) 一种导航方法、装置、轮式机器人及存储介质
CN120802953A (zh) 机器人移动的路径规划方法、装置、电子设备以及存储介质
CN116883460B (zh) 一种视觉感知定位方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220524