本申请属于自动驾驶，尤其涉及一种多传感器感知的数据融合方法、装置、设备及存储介质。
背景技术：
1、多模态感知与融合处理是实现自动驾驶的关键技术之一，通过对不同传感器的数据进行分析和融合，实现对周围环境的全面感知和理解。现有的研究成果表明，多模态感知与融合处理技术在自动驾驶汽车的应用中取得了显著的进展，如在车辆检测、道路标识识别、交通信号灯识别等方面都表现出了较高的性能。
2、然而，由于自动驾驶汽车技术的复杂性和多样性，仍存在一些挑战和问题需要解决，如传感器之间的数据融合、对复杂环境的适应性、安全性等问题；但基于多传感器感知的数据融合结果仍然存在精确度不高、数据融合结果表现不佳的问题，导致检测结果不准确和目标偏差较大，影响车辆行驶的安全与可靠性。
技术实现思路
1、有鉴于此，本申请旨在提出一种多传感器感知的数据融合方法、装置、设备及存储介质，以解决上述存在的不足之处。
2、为达到上述目的，本申请的技术方案是这样实现的：
3、第一方面，本申请提供了一种多传感器感知的数据融合方法，所述方法包括：
4、获取基于多传感器采集到的环境感知数据，并对所述环境感知数据进行数据预处理，其中，所述多传感器至少包括激光雷达和摄像头；
5、通过预先构建好的深度学习模型对预处理后的所述环境感知数据进行特征提取；
6、将所述深度学习模型提取到的特征与所述环境感知数据的特征进行特征融合，得到融合结果；
7、通过卡尔曼滤波器对所述融合结果进行状态估计；
8、根据状态估计结果将所述融合结果与所述环境感知数据进行数据融合，得到最终的目标环境感知数据。
9、第二方面，基于同一发明构思，本申请还提供了一种多传感器感知的数据融合装置，包括：
10、数据获取模块，被配置为获取基于多传感器采集到的环境感知数据，并对所述环境感知数据进行数据预处理，其中，所述多传感器至少包括激光雷达和摄像头；
11、特征提取模块，被配置为通过预先构建好的深度学习模型对预处理后的所述环境感知数据进行特征提取；
12、特征融合模块，被配置为将所述深度学习模型提取到的特征与所述环境感知数据的特征进行特征融合，得到融合结果；
13、状态估计模块，别配置为通过卡尔曼滤波器对所述融合结果进行状态估计；
14、目标输出模块，被配置为根据状态估计结果将所述融合结果与所述环境感知数据进行数据融合，得到最终的目标环境感知数据。
15、第三方面，基于同一发明构思，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的多传感器感知的数据融合方法。
16、第四方面，基于同一发明构思，本申请还提供了一种非暂态计算机可读存储介质，其中，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如第一方面所述的多传感器感知的数据融合方法。
17、相对于现有技术，本申请所述的多传感器感知的数据融合方法、装置、设备及存储介质具有以下有益效果：
18、本申请所述的多传感器感知的数据融合方法、装置、设备及存储介质，所述方法采用了多传感器数据融合和深度学习模型，可以适应不同的环境和应用需求；同时，通过卡尔曼滤波器对融合结果进行状态估计，根据不同的应用需求和环境动态调整权重系数，以实现最佳的性能和效果，可有效减少硬件和软件的算力，有效提升自动驾驶目标检测的准确性和安全性。
1.一种多传感器感知的数据融合方法，其特征在于，所述方法包括：
2.根据权利要求1所述的多传感器感知的数据融合方法，其特征在于：
3.根据权利要求1所述的多传感器感知的数据融合方法，其特征在于，所述通过预先构建好的深度学习模型对预处理后的所述环境感知数据进行特征提取，包括：
4.根据权利要求3所述的多传感器感知的数据融合方法，其特征在于：
5.根据权利要求1所述的多传感器感知的数据融合方法，其特征在于，所述将所述深度学习模型提取到的特征与所述环境感知数据的特征进行特征融合，得到融合结果，包括：
6.根据权利要求1所述的多传感器感知的数据融合方法，其特征在于，所述通过卡尔曼滤波器对所述融合结果进行状态估计，包括：
7.一种多传感器感知的数据融合装置，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-6任一项所述的多传感器感知的数据融合方法。
9.一种非暂态计算机可读存储介质，其特征在于，其中，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行权利要求1-6任一项所述的多传感器感知的数据融合方法。
