智能驾驶可视化调试方法、装置、设备及存储介质

技术领域

本发明涉及自动驾驶技术领域，尤其涉及一种智能驾驶可视化调试方法、装置、设备及存储介质。

背景技术

智能驾驶技术涉及信息工程、控制科学与工程、计算机科学、机械工程、数理科学、生命科学等诸多学科，是衡量一个国家科研实力和工业水平的重要标志；智能驾驶的出现，从根本上改变了传统的车辆驾驶方式，将驾驶员从“车-路-人”闭环系统中解放出来，利用先进的电子与信息技术控制车辆行驶，让驾驶活动中常规的、持久且疲劳的操作自动完成，人仅仅做高级的目的性操作，能够极大地提高交通系统的效率和安全性，具有广泛的社会应用价值；同时，智能驾驶技术的研究将极大地增强我国在汽车主动安全系统方面的核心竞力，对提升我国汽车电子产品和汽车产业自主创新能力具有重大的战略意义。

在研发过程中，智能车辆驶出实验室、驶入真实道路环境是必将的发展之路；然而，真实道路环境路况复杂多变，驾驶安全风险大；特别是在前方出现大型车辆、驾驶员视线受到遮挡等情况下，即使人工驾驶仍是事故多发；因此，如何提高智能车的智慧水平、确保车辆在真实道路环境中的行车安全，目前尚没有完善的技术方案。

现有的解决方案是通过Rviz可视化工具对真实道路环境进行分析，识别道路环境中的障碍物，避免交通事故发生，但是利用Rviz可视化工具，存在以下问题：无法暂停回放数据，智能连续播放，缺少逐帧分析功能，难以进行问题复现，并且代码更新流程复杂，代码开发效率较低，只能回放ROS系统下录入的ROSbag数据包，不能回放CAN端直接输出的blf文件。

发明内容

本发明的主要目的在于提供一种智能驾驶可视化调试方法、装置、设备及存储介质，旨在解决现有技术中利用Rviz可视化工具识别道路障碍物缺少逐帧分析功能，难以进行问题复现，数据回放困难，代码开发效率较低，代码更新流程复杂的技术问题。

第一方面，本发明提供一种智能驾驶可视化调试方法，所述智能驾驶可视化调试方法包括以下步骤：

通过Matlab读取各传感器的blf数据文件，获得当前自动驾驶环境的监控数据，根据所述监控数据确定当前障碍物信息；

根据所述当前障碍物信息进行目标物信息匹配，确定目标物的位置信息；

将所述位置信息和下一帧预测数据进行融合，将融合结果输出至可视化界面进行回放速度可调的动态呈现。

可选地，所述通过Matlab读取各传感器的blf数据文件，获得当前自动驾驶环境的监控数据，根据所述监控数据确定当前障碍物信息，包括：

通过Matlab读取视觉传感器的blf数据文件，获得对当前自动驾驶环境监测的视觉监控数据，通过Matlab读取雷达传感器的blf数据文件，获得对当前自动驾驶环境监测的雷达监控数据；

根据所述视觉监控数据确定视觉障碍物信息，根据所述雷达监控数据确定雷达障碍物信息，将所述视觉障碍物信息和所述雷达障碍物信息作为当前障碍物信息。

可选地，所述通过Matlab读取视觉传感器的blf数据文件，获得对当前自动驾驶环境监测的视觉监控数据，通过Matlab读取雷达传感器的blf数据文件，获得对当前自动驾驶环境监测的雷达监控数据，包括：

通过Matlab的语言编写代码读取前视一体机和侧向环视摄像头的blf数据文件，获得对当前自动驾驶环境监测获得的视觉监控数据；

通过所述Matlab的语言编写代码读取前向毫米波雷达、侧向毫米波雷达和激光雷达的blf数据文件，获得对所述对当前自动驾驶环境监测获得的雷达监控数据。

可选地，所述根据所述视觉监控数据确定视觉障碍物信息，根据所述雷达监控数据确定雷达障碍物信息，将所述视觉障碍物信息和所述雷达障碍物信息作为当前障碍物信息，包括：

对所述视觉监控数据的CAN报文进行解析，获得视觉障碍物信息，并对所述雷达监控数据的CAN报文进行解析，获得雷达障碍物信息；

将所述视觉障碍物信息和所述雷达障碍物信息中的障碍物横纵向距离、障碍物横纵向速度和障碍物包围框信息作为当前障碍物信息。

可选地，所述根据所述当前障碍物信息进行目标物信息匹配，确定目标物的位置信息，包括：

根据预设匹配算法对所述当前障碍物信息中当前自动驾驶车辆对应各目标物的纵向距离、横向距离、纵向速度和横向速度进行匹配，获得匹配结果；

从所述当前障碍物信息中获得有包围的障碍物的包围框尺寸，根据所述包围框尺寸结合所述匹配结果确定各目标物的位置信息。

可选地，所述根据预设匹配算法对所述当前障碍物信息中当前自动驾驶车辆对应各目标物的纵向距离、横向距离、纵向速度和横向速度进行匹配，获得匹配结果，包括：

根据预设匹配算法对所述当前障碍物信息中当前自动驾驶车辆对应各目标物的纵向距离、横向距离、纵向速度和横向速度进行数据矩阵化，获得各元素对应的数据矩阵；

计算各数据矩阵的相关匹配系数，根据所述相关匹配系数对各目标物进行关联，生成匹配结果。

可选地，所述将所述位置信息和下一帧预测数据进行融合，将融合结果输出至可视化界面进行回放速度可调的动态呈现，包括：

对所述位置信息和下一帧预测数据进行无损变换，获得无损变换结果；

对所述无损变换结果进行加权计算，并对计算结果进行融合，获得融合结果；

利用Matlab自带的GUI绘制功能对所述融合结果进行编程绘制，将绘制结果输出值可视化界面进行回放速度可调的动态呈现。

第二方面，为实现上述目的，本发明还提出一种智能驾驶可视化调试装置，所述智能驾驶可视化调试装置包括：

数据读取模块，用于通过Matlab读取各传感器的blf数据文件，获得当前自动驾驶环境的监控数据，根据所述监控数据确定当前障碍物信息；

信息匹配模块，用于根据所述当前障碍物信息进行目标物信息匹配，确定目标物的位置信息；

融合展示模块，用于将所述位置信息和下一帧预测数据进行融合，将融合结果输出至可视化界面进行回放速度可调的动态呈现。

第三方面，为实现上述目的，本发明还提出一种智能驾驶可视化调试设备，所述智能驾驶可视化调试设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的智能驾驶可视化调试程序，所述智能驾驶可视化调试程序配置为实现如上文所述的智能驾驶可视化调试方法的步骤。

第四方面，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有智能驾驶可视化调试程序，所述智能驾驶可视化调试程序被处理器执行时实现如上文所述的智能驾驶可视化调试方法的步骤。

本发明提出的智能驾驶可视化调试方法，通过Matlab读取各传感器的blf数据文件，获得当前自动驾驶环境的监控数据，根据所述监控数据确定当前障碍物信息；根据所述当前障碍物信息进行目标物信息匹配，确定目标物的位置信息；将所述位置信息和下一帧预测数据进行融合，将融合结果输出至可视化界面进行回放速度可调的动态呈现，能够进行可视化分析，能够更加灵活的进行驾驶可视化调试，能够进行逐帧分析功能，简化了代码更新流程，解决了融合模块开发过程中出现的部分帧融合目标丢失和跳变的问题，可以进行问题复现，实现监控数据快速回放，提高了障碍物识别精度，提升了智能驾驶可视化调试的速度和效率。

附图说明

图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图；

图2为本发明智能驾驶可视化调试方法第一实施例的流程示意图；

图3为本发明智能驾驶可视化调试方法第二实施例的流程示意图；

图4为本发明智能驾驶可视化调试方法第三实施例的流程示意图；

图5为本发明智能驾驶可视化调试方法第四实施例的流程示意图；

图6为本发明智能驾驶可视化调试方法第五实施例的流程示意图；

图7为本发明智能驾驶可视化调试方法第六实施例的流程示意图；

图8为本发明智能驾驶可视化调试装置第一实施例的功能模块图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例的解决方案主要是：通过Matlab读取各传感器的blf数据文件，获得当前自动驾驶环境的监控数据，根据所述监控数据确定当前障碍物信息；根据所述当前障碍物信息进行目标物信息匹配，确定目标物的位置信息；将所述位置信息和下一帧预测数据进行融合，将融合结果输出至可视化界面进行回放速度可调的动态呈现，能够进行可视化分析，能够更加灵活的进行驾驶可视化调试，能够进行逐帧分析功能，简化了代码更新流程，解决了融合模块开发过程中出现的部分帧融合目标丢失和跳变的问题，可以进行问题复现，实现监控数据快速回放，提高了障碍物识别精度，提升了智能驾驶可视化调试的速度和效率，解决了现有技术中利用Rviz可视化工具识别道路障碍物缺少逐帧分析功能，难以进行问题复现，数据回放困难，代码开发效率较低，代码更新流程复杂的技术问题。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。

如图1所示，该设备可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如Wi-Fi接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(Non-Volatile Memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的设备结构并不构成对该设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作装置、网络通信模块、用户接口模块以及智能驾驶可视化调试程序。

本发明设备通过处理器1001调用存储器1005中存储的智能驾驶可视化调试程序，并执行以下操作：

通过Matlab读取各传感器的blf数据文件，获得当前自动驾驶环境的监控数据，根据所述监控数据确定当前障碍物信息；

根据所述当前障碍物信息进行目标物信息匹配，确定目标物的位置信息；

将所述位置信息和下一帧预测数据进行融合，将融合结果输出至可视化界面进行回放速度可调的动态呈现。

本发明设备通过处理器1001调用存储器1005中存储的智能驾驶可视化调试程序，还执行以下操作：

通过Matlab读取视觉传感器的blf数据文件，获得对当前自动驾驶环境监测的视觉监控数据，通过Matlab读取雷达传感器的blf数据文件，获得对当前自动驾驶环境监测的雷达监控数据；

根据所述视觉监控数据确定视觉障碍物信息，根据所述雷达监控数据确定雷达障碍物信息，将所述视觉障碍物信息和所述雷达障碍物信息作为当前障碍物信息。

本发明设备通过处理器1001调用存储器1005中存储的智能驾驶可视化调试程序，还执行以下操作：

通过Matlab的语言编写代码读取前视一体机和侧向环视摄像头的blf数据文件，获得对当前自动驾驶环境监测获得的视觉监控数据；

通过所述Matlab的语言编写代码读取前向毫米波雷达、侧向毫米波雷达和激光雷达的blf数据文件，获得对所述对当前自动驾驶环境监测获得的雷达监控数据。

本发明设备通过处理器1001调用存储器1005中存储的智能驾驶可视化调试程序，还执行以下操作：

对所述视觉监控数据的CAN报文进行解析，获得视觉障碍物信息，并对所述雷达监控数据的CAN报文进行解析，获得雷达障碍物信息；

将所述视觉障碍物信息和所述雷达障碍物信息中的障碍物横纵向距离、障碍物横纵向速度和障碍物包围框信息作为当前障碍物信息。

本发明设备通过处理器1001调用存储器1005中存储的智能驾驶可视化调试程序，还执行以下操作：

根据预设匹配算法对所述当前障碍物信息中当前自动驾驶车辆对应各目标物的纵向距离、横向距离、纵向速度和横向速度进行匹配，获得匹配结果；

从所述当前障碍物信息中获得有包围的障碍物的包围框尺寸，根据所述包围框尺寸结合所述匹配结果确定各目标物的位置信息。

本发明设备通过处理器1001调用存储器1005中存储的智能驾驶可视化调试程序，还执行以下操作：

根据预设匹配算法对所述当前障碍物信息中当前自动驾驶车辆对应各目标物的纵向距离、横向距离、纵向速度和横向速度进行数据矩阵化，获得各元素对应的数据矩阵；

计算各数据矩阵的相关匹配系数，根据所述相关匹配系数对各目标物进行关联，生成匹配结果。

本发明设备通过处理器1001调用存储器1005中存储的智能驾驶可视化调试程序，还执行以下操作：

对所述位置信息和下一帧预测数据进行无损变换，获得无损变换结果；

对所述无损变换结果进行加权计算，并对计算结果进行融合，获得融合结果；

利用Matlab自带的GUI绘制功能对所述融合结果进行编程绘制，将绘制结果输出值可视化界面进行回放速度可调的动态呈现。

本实施例通过上述方案，通过Matlab读取各传感器的blf数据文件，获得当前自动驾驶环境的监控数据，根据所述监控数据确定当前障碍物信息；根据所述当前障碍物信息进行目标物信息匹配，确定目标物的位置信息；将所述位置信息和下一帧预测数据进行融合，将融合结果输出至可视化界面进行回放速度可调的动态呈现，能够进行可视化分析，能够更加灵活的进行驾驶可视化调试，能够进行逐帧分析功能，简化了代码更新流程，解决了融合模块开发过程中出现的部分帧融合目标丢失和跳变的问题，可以进行问题复现，实现监控数据快速回放，提高了障碍物识别精度，提升了智能驾驶可视化调试的速度和效率。

基于上述硬件结构，提出本发明智能驾驶可视化调试方法实施例。

参照图2，图2为本发明智能驾驶可视化调试方法第一实施例的流程示意图。

在第一实施例中，所述智能驾驶可视化调试方法包括以下步骤：

步骤S10、通过Matlab读取各传感器的blf数据文件，获得当前自动驾驶环境的监控数据，根据所述监控数据确定当前障碍物信息。

需要说明的是，通过Matlab端可以读取各传感器的blf数据文件，从而可以通过各传感器对当前自动驾驶环境进行监控后获得的监控数据，进而根据所述监控数据确定当前障碍物信息。

步骤S20、根据所述当前障碍物信息进行目标物信息匹配，确定目标物的位置信息。

可以理解的是，通过所述当前障碍物信息可以进行各目标物对应的障碍物信息匹配，从而可以确定各目标物的位置信息。

步骤S30、将所述位置信息和下一帧预测数据进行融合，将融合结果输出至可视化界面进行回放速度可调的动态呈现。

应当理解的是，将所述位置信息和下一帧预测数据进行融合，获得对应的融合结果，通过融合结果输出至可视化界面进行回放速度可调的动态呈现。

在具体实现中，可以对当前帧传感器信息进行kalman滤波更新，结合预测下一帧状态的预测数据进行当前帧数据发布。

本实施例通过上述方案，通过Matlab读取各传感器的blf数据文件，获得当前自动驾驶环境的监控数据，根据所述监控数据确定当前障碍物信息；根据所述当前障碍物信息进行目标物信息匹配，确定目标物的位置信息；将所述位置信息和下一帧预测数据进行融合，将融合结果输出至可视化界面进行回放速度可调的动态呈现，能够进行可视化分析，能够更加灵活的进行驾驶可视化调试，能够进行逐帧分析功能，简化了代码更新流程，解决了融合模块开发过程中出现的部分帧融合目标丢失和跳变的问题，可以进行问题复现，实现监控数据快速回放，提高了障碍物识别精度，提升了智能驾驶可视化调试的速度和效率。

进一步地，图3为本发明智能驾驶可视化调试方法第二实施例的流程示意图，如图3所示，基于第一实施例提出本发明智能驾驶可视化调试方法第二实施例，在本实施例中，所述步骤S10具体包括以下步骤：

步骤S11、通过Matlab读取视觉传感器的blf数据文件，获得对当前自动驾驶环境监测的视觉监控数据，通过Matlab读取雷达传感器的blf数据文件，获得对当前自动驾驶环境监测的雷达监控数据。

需要说明的是，矩阵实验室Matlab(Matrix Laboratory)是一款著名的科学计算软件，也指这个软件中使用的编程语言，通过Matlab可以读取视觉传感器的blf数据文件，可以获得对当前自动驾驶环境监测的视觉监控数据，通过Matlab读取雷达传感器的blf数据文件，获得对当前自动驾驶环境监测的雷达监控数据。

在具体实现中，可以从Matlab端运行本工具脚本，脚本打开可视化操作界面，进而从界面的CAN的数据库文件(Database Can，DBC)选取栏中选择相应的DBC文件；从操作界面中选取实现录制下来的该传感器blf数据文件。

步骤S12、根据所述视觉监控数据确定视觉障碍物信息，根据所述雷达监控数据确定雷达障碍物信息，将所述视觉障碍物信息和所述雷达障碍物信息作为当前障碍物信息。

可以理解的是，通过所述视觉监控数据确定视觉障碍物信息，并且可以根据所述雷达监控数据确定雷达障碍物信息，进而将所述视觉障碍物信息和所述雷达障碍物信息作为当前障碍物信息。

本实施例通过上述方案，通过Matlab读取视觉传感器的blf数据文件，获得对当前自动驾驶环境监测的视觉监控数据，通过Matlab读取雷达传感器的blf数据文件，获得对当前自动驾驶环境监测的雷达监控数据；根据所述视觉监控数据确定视觉障碍物信息，根据所述雷达监控数据确定雷达障碍物信息，将所述视觉障碍物信息和所述雷达障碍物信息作为当前障碍物信息，能够准确获得当前障碍物信息，提高了障碍物识别精度，提升了智能驾驶可视化调试的速度和效率。

进一步地，图4为本发明智能驾驶可视化调试方法第三实施例的流程示意图，如图4所示，基于第二实施例提出本发明智能驾驶可视化调试方法第三实施例，在本实施例中，所述步骤S11具体包括以下步骤：

步骤S111、通过Matlab的语言编写代码读取前视一体机和侧向环视摄像头的blf数据文件，获得对当前自动驾驶环境监测获得的视觉监控数据。

需要说明的是，通过Matlab的语言编写代码可以读取前视一体机和侧向环视摄像头的blf数据文件，从而获得对当前自动驾驶环境监测获得的视觉监控数据。

步骤S112、通过所述Matlab的语言编写代码读取前向毫米波雷达、侧向毫米波雷达和激光雷达的blf数据文件，获得对所述对当前自动驾驶环境监测获得的雷达监控数据。

在具体实现中，可以通过传感器解析获得相应监控数据，传感器解析模块目前主要针对干线物流项目中所涉及的，前视一体机、前向毫米波雷达、侧向毫米波雷达、侧向环视摄像头及激光雷达，共5个传感器子模块进行开发。

本实施例通过上述方案，通过Matlab的语言编写代码读取前视一体机和侧向环视摄像头的blf数据文件，获得对当前自动驾驶环境监测获得的视觉监控数据；通过所述Matlab的语言编写代码读取前向毫米波雷达、侧向毫米波雷达和激光雷达的blf数据文件，获得对所述对当前自动驾驶环境监测获得的雷达监控数据，能够准确获得监控数据，提高了障碍物识别精度，提升了智能驾驶可视化调试的速度和效率。

进一步地，图5为本发明智能驾驶可视化调试方法第四实施例的流程示意图，如图5所示，基于第二实施例提出本发明智能驾驶可视化调试方法第四实施例，在本实施例中，所述步骤S12具体包括以下步骤：

步骤S121、对所述视觉监控数据的CAN报文进行解析，获得视觉障碍物信息，并对所述雷达监控数据的CAN报文进行解析，获得雷达障碍物信息。

可以理解的是，通过Matlab语言编写代码读取各个传感器的DBC文件内容，通过读取DBC文件获取Can报文解析字段，由此解析各传感器Can报文(BLF文件格式)，解析后可以获得各个传感器输出的障碍物信息。

步骤S122、将所述视觉障碍物信息和所述雷达障碍物信息中的障碍物横纵向距离、障碍物横纵向速度和障碍物包围框信息作为当前障碍物信息。

可以理解的是，将所述视觉障碍物信息和所述雷达障碍物信息中的障碍物横纵向距离、障碍物横纵向速度和障碍物包围框信息作为当前障碍物信息，即障碍物信息主要包括：障碍物横纵向距离x，y，障碍物横纵向速度Vx，Vy，障碍物包围框信息，可以通过传感器解析模块将障碍物信息输送给下一个模块匹配模块进行信息匹配。

本实施例通过上述方案，通过对所述视觉监控数据的CAN报文进行解析，获得视觉障碍物信息，并对所述雷达监控数据的CAN报文进行解析，获得雷达障碍物信息；将所述视觉障碍物信息和所述雷达障碍物信息中的障碍物横纵向距离、障碍物横纵向速度和障碍物包围框信息作为当前障碍物信息，能够准确获得当前障碍物信息，提高了障碍物识别精度，提升了智能驾驶可视化调试的速度和效率。

进一步地，图6为本发明智能驾驶可视化调试方法第五实施例的流程示意图，如图6所示，基于第一实施例提出本发明智能驾驶可视化调试方法第五实施例，在本实施例中，所述步骤S20具体包括以下步骤：

步骤S21、根据预设匹配算法对所述当前障碍物信息中当前自动驾驶车辆对应各目标物的纵向距离、横向距离、纵向速度和横向速度进行匹配，获得匹配结果。

需要说明的是，通过预先设置的匹配算法可以对所述当前障碍物信息中当前自动驾驶车辆对应各目标物的纵向距离、横向距离、纵向速度和横向速度进行匹配，可以获得相应匹配结果。

进一步的，所述步骤S21具体包括以下步骤：

根据预设匹配算法对所述当前障碍物信息中当前自动驾驶车辆对应各目标物的纵向距离、横向距离、纵向速度和横向速度进行数据矩阵化，获得各元素对应的数据矩阵。

计算各数据矩阵的相关匹配系数，根据所述相关匹配系数对各目标物进行关联，生成匹配结果。

需要说明的是，通过预先设置的匹配算法可以对所述当前障碍物信息中当前自动驾驶车辆对应各目标物的纵向距离、横向距离、纵向速度和横向速度进行数据矩阵化，获得各元素对应的数据矩阵。

在具体实现中，预设匹配算法可以为归一化互相关(Normalized cross-correlation，NCC)匹配算法，当然还可以为其他匹配算法，例如匈牙利匹配等也可与本工具兼容，只需要单独实现算法代码脚本并在图形用户界面(Graphical User Interface，GUI)模块中修改相关的Switch代码即可实现，NCC归一化互相关匹配算法以数据间的相关性为匹配准则，当两组数据的互相关性系数最大时，即判定为匹配对，此算法可扩展实现多目标物关联匹配。

可以理解的是，构建匹配矩阵T

匹配目标n，待匹配目标m，其中mm＝ns，nm＝nt；

匹配结果矩阵M行数和列数分别对应匹配矩阵和待匹配矩阵的目标物数目，矩阵中的数值即为对应匹配目标与待匹配目标的数据相关性。

可以理解的是，计算各数据矩阵的相关匹配系数，从而可以根据所述相关匹配系数对各目标物进行关联，生成对应的匹配结果。

在具体实现中，相关匹配系数M的计算公式如下：

其中，M(i,j)为中每个元素对应两个矩阵匹配的相关系数，S为待匹配数据矩阵，T为匹配数据矩阵。

根据相关性原则，两组数据相关性数值在0到1间，相关性越大，数值越接近于数字1，相关性越强，经验阈值为th＝1-mt/2000，匹配结果大于阈值即可视为目标物关联匹配，但在实际实验中，为排除传感器带来的数据噪声，可设定多个阈值、逻辑判断来约束数据，阈值约束和相关性大小比较以及逻辑判断之后我们获得最终的匹配矩阵，再通过匹配结果在矩阵M中的位置，确定目标物在匹配列表和待匹配列表中的位置。

步骤S22、从所述当前障碍物信息中获得有包围的障碍物的包围框尺寸，根据所述包围框尺寸结合所述匹配结果确定各目标物的位置信息。

可以理解的是，从所述当前障碍物信息中可以获得有包围的障碍物的包围框尺寸，通过所述包围框尺寸结合所述匹配结果可以确定各目标我的位置信息。

本实施例通过上述方案，通过根据预设匹配算法对所述当前障碍物信息中当前自动驾驶车辆对应各目标物的纵向距离、横向距离、纵向速度和横向速度进行匹配，获得匹配结果；从所述当前障碍物信息中获得有包围的障碍物的包围框尺寸，根据所述包围框尺寸结合所述匹配结果确定各目标物的位置信息，能够准确获得位置信息，提高了障碍物识别精度，提升了智能驾驶可视化调试的速度和效率。

进一步地，图7为本发明智能驾驶可视化调试方法第六实施例的流程示意图，如图7所示，基于第一实施例提出本发明智能驾驶可视化调试方法第六实施例，在本实施例中，所述步骤S30具体包括以下步骤：

步骤S31、对所述位置信息和下一帧预测数据进行无损变换，获得无损变换结果。

需要说明的是，对所述位置信息和下一帧预测数据进行无损变换，从而获得对应的无损变换结果。

步骤S32、对所述无损变换结果进行加权计算，并对计算结果进行融合，获得融合结果。

应当理解的是，对所述无损变换结果进行加权计算，可以对计算结果进行融合，获得相应的融合结果。

步骤S33、利用Matlab自带的GUI绘制功能对所述融合结果进行编程绘制，将绘制结果输出值可视化界面进行回放速度可调的动态呈现。

可以理解的是，通过Matlab自带的GUI绘制功能进行编程绘制，将传感器解析后数据、匹配结果、融合结果输出给可视化GUI界面，并通过网格和圆圈(具体形式、形状、颜色尺寸等可根据需求编程更改)的形式进行动态可视化呈现。

本实施例通过上述方案，通过对所述位置信息和下一帧预测数据进行无损变换，获得无损变换结果；对所述无损变换结果进行加权计算，并对计算结果进行融合，获得融合结果；利用Matlab自带的GUI绘制功能对所述融合结果进行编程绘制，将绘制结果输出值可视化界面进行回放速度可调的动态呈现；能够进行可视化分析，能够更加灵活的进行驾驶可视化调试，能够进行逐帧分析功能，简化了代码更新流程，解决了融合模块开发过程中出现的部分帧融合目标丢失和跳变的问题，可以进行问题复现，实现监控数据快速回放，提高了障碍物识别精度，提升了智能驾驶可视化调试的速度和效率。

相应地，本发明进一步提供一种智能驾驶可视化调试装置。

参照图8，图8为本发明智能驾驶可视化调试装置第一实施例的功能模块图。

本发明智能驾驶可视化调试装置第一实施例中，该智能驾驶可视化调试装置包括：

数据读取模块10，用于通过Matlab读取各传感器的blf数据文件，获得当前自动驾驶环境的监控数据，根据所述监控数据确定当前障碍物信息。

信息匹配模块20，用于根据所述当前障碍物信息进行目标物信息匹配，确定目标物的位置信息。

融合展示模块30，用于将所述位置信息和下一帧预测数据进行融合，将融合结果输出至可视化界面进行回放速度可调的动态呈现。

所述数据读取模块10，还用于通过Matlab读取视觉传感器的blf数据文件，获得对当前自动驾驶环境监测的视觉监控数据，通过Matlab读取雷达传感器的blf数据文件，获得对当前自动驾驶环境监测的雷达监控数据；根据所述视觉监控数据确定视觉障碍物信息，根据所述雷达监控数据确定雷达障碍物信息，将所述视觉障碍物信息和所述雷达障碍物信息作为当前障碍物信息。

所述数据读取模块10，还用于通过Matlab的语言编写代码读取前视一体机和侧向环视摄像头的blf数据文件，获得对当前自动驾驶环境监测获得的视觉监控数据；通过所述Matlab的语言编写代码读取前向毫米波雷达、侧向毫米波雷达和激光雷达的blf数据文件，获得对所述对当前自动驾驶环境监测获得的雷达监控数据。

所述数据读取模块10，还用于对所述视觉监控数据的CAN报文进行解析，获得视觉障碍物信息，并对所述雷达监控数据的CAN报文进行解析，获得雷达障碍物信息；将所述视觉障碍物信息和所述雷达障碍物信息中的障碍物横纵向距离、障碍物横纵向速度和障碍物包围框信息作为当前障碍物信息。

所述信息匹配模块20，还用于根据预设匹配算法对所述当前障碍物信息中当前自动驾驶车辆对应各目标物的纵向距离、横向距离、纵向速度和横向速度进行匹配，获得匹配结果；从所述当前障碍物信息中获得有包围的障碍物的包围框尺寸，根据所述包围框尺寸结合所述匹配结果确定各目标物的位置信息。

所述信息匹配模块20，还用于根据预设匹配算法对所述当前障碍物信息中当前自动驾驶车辆对应各目标物的纵向距离、横向距离、纵向速度和横向速度进行数据矩阵化，获得各元素对应的数据矩阵；计算各数据矩阵的相关匹配系数，根据所述相关匹配系数对各目标物进行关联，生成匹配结果。

所述融合展示模块30，还用于对所述位置信息和下一帧预测数据进行无损变换，获得无损变换结果；对所述无损变换结果进行加权计算，并对计算结果进行融合，获得融合结果；利用Matlab自带的GUI绘制功能对所述融合结果进行编程绘制，将绘制结果输出值可视化界面进行回放速度可调的动态呈现。

其中，智能驾驶可视化调试装置的各个功能模块实现的步骤可参照本发明智能驾驶可视化调试方法的各个实施例，此处不再赘述。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有智能驾驶可视化调试程序，所述智能驾驶可视化调试程序被处理器执行时实现如下操作：

通过Matlab读取各传感器的blf数据文件，获得当前自动驾驶环境的监控数据，根据所述监控数据确定当前障碍物信息；

根据所述当前障碍物信息进行目标物信息匹配，确定目标物的位置信息；

将所述位置信息和下一帧预测数据进行融合，将融合结果输出至可视化界面进行回放速度可调的动态呈现。

进一步地，所述智能驾驶可视化调试程序被处理器执行时还实现如下操作：

通过Matlab读取视觉传感器的blf数据文件，获得对当前自动驾驶环境监测的视觉监控数据，通过Matlab读取雷达传感器的blf数据文件，获得对当前自动驾驶环境监测的雷达监控数据；

根据所述视觉监控数据确定视觉障碍物信息，根据所述雷达监控数据确定雷达障碍物信息，将所述视觉障碍物信息和所述雷达障碍物信息作为当前障碍物信息。

进一步地，所述智能驾驶可视化调试程序被处理器执行时还实现如下操作：

通过Matlab的语言编写代码读取前视一体机和侧向环视摄像头的blf数据文件，获得对当前自动驾驶环境监测获得的视觉监控数据；

通过所述Matlab的语言编写代码读取前向毫米波雷达、侧向毫米波雷达和激光雷达的blf数据文件，获得对所述对当前自动驾驶环境监测获得的雷达监控数据。

进一步地，所述智能驾驶可视化调试程序被处理器执行时还实现如下操作：

对所述视觉监控数据的CAN报文进行解析，获得视觉障碍物信息，并对所述雷达监控数据的CAN报文进行解析，获得雷达障碍物信息；

将所述视觉障碍物信息和所述雷达障碍物信息中的障碍物横纵向距离、障碍物横纵向速度和障碍物包围框信息作为当前障碍物信息。

进一步地，所述智能驾驶可视化调试程序被处理器执行时还实现如下操作：

根据预设匹配算法对所述当前障碍物信息中当前自动驾驶车辆对应各目标物的纵向距离、横向距离、纵向速度和横向速度进行匹配，获得匹配结果；

从所述当前障碍物信息中获得有包围的障碍物的包围框尺寸，根据所述包围框尺寸结合所述匹配结果确定各目标物的位置信息。

进一步地，所述智能驾驶可视化调试程序被处理器执行时还实现如下操作：

根据预设匹配算法对所述当前障碍物信息中当前自动驾驶车辆对应各目标物的纵向距离、横向距离、纵向速度和横向速度进行数据矩阵化，获得各元素对应的数据矩阵；

计算各数据矩阵的相关匹配系数，根据所述相关匹配系数对各目标物进行关联，生成匹配结果。

进一步地，所述智能驾驶可视化调试程序被处理器执行时还实现如下操作：

对所述位置信息和下一帧预测数据进行无损变换，获得无损变换结果；

对所述无损变换结果进行加权计算，并对计算结果进行融合，获得融合结果；

利用Matlab自带的GUI绘制功能对所述融合结果进行编程绘制，将绘制结果输出值可视化界面进行回放速度可调的动态呈现。

本实施例通过上述方案，通过Matlab读取各传感器的blf数据文件，获得当前自动驾驶环境的监控数据，根据所述监控数据确定当前障碍物信息；根据所述当前障碍物信息进行目标物信息匹配，确定目标物的位置信息；将所述位置信息和下一帧预测数据进行融合，将融合结果输出至可视化界面进行回放速度可调的动态呈现，能够进行可视化分析，能够更加灵活的进行驾驶可视化调试，能够进行逐帧分析功能，简化了代码更新流程，解决了融合模块开发过程中出现的部分帧融合目标丢失和跳变的问题，可以进行问题复现，实现监控数据快速回放，提高了障碍物识别精度，提升了智能驾驶可视化调试的速度和效率。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。