CN101952688A - 用于与传感器检测到的对象进行地图匹配的方法 - Google Patents

Abstract

由交通工具传感器检测在交通工具附近的至少一个对象，以及估计关于所述对象的特性，所述传感器由例如GPS校准到所述交通工具的位置，根据所述交通工具的位置和定向估计以及所述传感器的测量结果估计所述感测到的对象的位置；按交通工具位置或所估计的感测到的对象位置来查询地图或图像数据库，所述数据库允许针对所述对象检索信息，针对所述位置提取所述数据库的所述对象，使用比较逻辑将所述感测到的对象与所述提取的对象进行比较，且如果此比较成功，那么实行对所述交通工具的所述GPS位置的调整，针对所述数据库的所述提取的对象的对所述位置信息的调整，或将所述提取的数据库描绘的对象作为图形图像显示在导航单元的显示器上。

Description

用于与传感器检测到的对象进行地图匹配的方法

版权通知

本专利文档的揭示内容的一部分含有受版权保护的材料。版权所有者不反对任何人对专利文档或专利揭示内容如其在专利商标局专利文件或记录中出现的那样进行影印复制，但无论如何均另外保留所有版权。

技术领域

本发明一般来说涉及数字地图、地理定位系统和交通工具导航，且确切地说，涉及用于与传感器检测到的对象进行地图匹配的系统和方法。

背景技术

在过去数年内，已日益使用导航系统、电子地图(在本文中也被称作数字地图)和地理定位装置来提供各种导航功能。这些导航功能的实例包括确定交通工具的总体位置和定向；找到目的地和地址；计算最优路线；以及提供实时驾驶导引，包括访问商务列表或黄页。

一般来说，导航系统将街道、河流、建筑物以及其它地理和人造特征的网络描绘为一系列线段，包括(在驾驶导航系统的情况下)大致沿着每一街道的中心伸展的中心线。接着可靠近那条中心线或关于那条中心线在地图上定位移动的交通工具。

一些较早先的导航系统(例如，在第4,796,191号美国专利中描述的导航系统)已主要地依赖于相对位置确定传感器连同“航位推算法”特征来估计交通工具的当前位置和航向。然而，此技术倾向于累积少量的位置误差。可部分地借助于“地图匹配”算法来校正误差，其中地图匹配算法将由交通工具的计算机计算的航位推算位置与街道的数字地图进行比较，以在地图的街道网络上找到最适当的点(如果实际上可找到此点)。系统接着更新交通工具的航位推算位置以匹配地图上推测起来较准确的“更新位置”。

其它形式的导航系统已使用信标(举例来说，无线电信标，有时也被称作电子路标)来提供位置更新和减少位置误差。因为若干原因(包括高的安装费用)，电子路标常按非常低的密度间隔开。这意味着在可能遇到另一个信标或电子路标且将其用于位置确认前误差将经常累积至不可接受的水平。因此，即使借助使用信标，例如地图匹配的技术仍然需要消除或至少显著地减少累积的误差。

地图匹配技术也已证明在将关于他的/她的当前位置、定向、邻近地区、目的地、路线的有意义的“真实世界”信息或关于沿着特定旅程将遇到的目的地的信息提供给驾驶员的过程中有用。可将第4,796,191号美国专利中揭示的地图匹配的形式考虑为“推论性的”，也就是，揭示的算法设法使交通工具的航位推算的(或另外估计的)轨迹与在地图中编码的道路网络匹配。交通工具不具有道路网络的直接测量结果；而是，导航系统仅估计交通工具的位置和航向，且接着设法将那些估计与已知道路段的位置和航向进行比较。一般来说，这些地图匹配技术是多维的，且考虑到了众多参数，最重要的是道路与估计的位置之间的距离，和道路与估计的交通工具航向之间的航向差。地图也可包括附加到每一道路段的绝对坐标。典型的航位推算系统可能借助于使驾驶员识别交通工具在地图上的位置来起始过程。这使得能够按绝对坐标提供航位推算位置。随后的航位推算确定(也就是，增加的距离和航向测量)可接着用以计算一组新的绝对坐标，且将新的或当前航位推算位置与在地图中识别为位于计算出的航位推算位置附近的道路段进行比较。当交通工具移动时，可接着重复过程。可与位置自身一起计算当前航位推算位置的位置误差的估计。此误差估计又界定交通工具有可能在某一概率内处于的空间区域。如果交通工具的确定位置处于道路段的计算出的距离阈值内，且估计的航向处于根据道路段信息计算出的航向的计算出的航向差阈值内，那么可按某一概率推断出交通工具一定处于所述道路区段上。这允许导航系统进行任何必要的校正以消除任何累积的误差。

随着价格合理的地理定位系统(GPS)卫星接收器硬件的引入，也可将GPS接收器添加至导航系统以接收卫星信号和使用所述信号直接计算交通工具的绝对位置。然而，即使有GPS的益处，地图匹配也通常用以消除接收的GPS信号内和地图内的误差，以及较准确地对驾驶员展示他/她在所述地图上的何处。虽然在全局或宏观尺度上卫星技术极其准确；但在局部或微观尺度上小的位置误差仍然确实存在。这主要地是因为GPS接收器可能经历间歇的或不良的信号接收或信号失真；以及因为街道的中心线表示和来自GPS接收器的测量的位置可能皆仅在若干米内是准确的。较高的执行系统使用航位推算与GPS的组合来减少位置确定误差，但即使有此组合，误差仍可能在若干米或更大的程度上出现。

在一些例子中，可添加惯性传感器以提供在适度距离上的益处，但在较大的距离上，即使包括惯性传感器的那些系统也将累积误差。

然而，虽然交通工具导航装置随时间过去已逐渐改善，变得更准确、富有特征、更价廉且流行；但其仍落后于汽车工业的不断增加的需求；且尤其是，预期未来应用将需要较高的位置准确度和甚至更加详细、准确和富有特征的地图。这是设计本发明的实施例来解决的领域。

发明内容

本发明的实施例通过提供直接传感器和对象匹配技术来解决上述问题。可使用直接传感器和对象匹配技术来对驾驶员经过的对象进行歧义消除，且使检索的信息正所指的对象中的一者精确地清晰。所述技术也使导航系统无需用户注意的情况下精细化其位置估计(也就是，改善其位置估计的准确度)成为可能。

根据使用场景匹配的实施例，提供一种系统，其(a)从传感器搜集的或原始数据提取一个或一个以上场景；(b)根据原始数据的地图提供的或存储的版本建立对应的场景；以及(c)比较两个场景以帮助提供交通工具位置的更准确的估计。

根据使用交通工具-对象位置匹配的实施例，提供一种系统，其(a)从传感器搜集的或原始数据提取原始对象数据；(b)将提取的数据与来自原始数据的地图提供的或存储的版本的保留在地图中的对应的原始对象数据比较；以及(c)比较对象数据的两个测量以帮助提供交通工具位置的更准确的估计。

根据使用对象特性化的实施例，提供一种系统，其(a)从传感器搜集的或原始数据提取原始对象数据；(b)从那些原始对象提取特性；以及(c)将那些特性与存储于地图中的特性进行比较以帮助提供交通工具位置的更准确的估计。

在一些实施例中，可使用汽车中的相机或传感器来动态实时地产生交通工具附近的图像。使用直接传感器/对象匹配技术，地图和对象信息可接着从地图数据库检索，且在那些图像上叠加以用于由驾驶员查看，包括准确地界定定向或平台，使得地图数据与图像数据的对准是准确的。一旦实现对准，可进一步用关于任何图像中对象的从数据库检索的信息来增强图像。系统减少了对其它费用更高的解决方案(例如，使用高准确度系统直接测量定向)的需求。在一些实施例中，一旦使导航系统传感器匹配于附近的对象，那么可准确地将这些对象显示在地图显示上作为当驾驶员导航道路时帮助他/她的图标。举例来说，从驾驶员的实际看法或观点看来，可按准确位置和定向将停车标记、路灯柱或邮箱的图像(或图标表示)放在驾驶员的显示器上。使用这些提示-对象来对驾驶员提示他的/她的确切位置和定向。在一些实施例中，为了系统对驾驶员给出清晰且实际的方向的目的，提示-对象可甚至被用作标识(举例来说，“在停车标记处，右转进入加利福尼亚大街(California Street)；您的目的地就在过邮箱四米处”)。

在一些实施例中，一旦使导航系统传感器匹配于其附近的对象，那么可显示额外细节，例如，在地图数据库中收集的标牌信息。这些信息可用以改善驾驶员阅读标记和了解他的/她的环境的能力，且当标记仍对于驾驶员来说过于遥远而不能阅读时或当归因于天气或其它交通而标记受阻时，具有特定用途。

在一些实施例中，可使用平视显示器(HUD)将位置和导引信息投影至驾驶员的前窗或挡风玻璃上。这允许将由系统提供的精确位置和定向信息用以使投影的显示与待行进的道路准确对准。

附图说明

图1展示根据实施例的交通工具导航坐标系统连同真实世界对象的选择的说明。

图2展示交通工具导航系统的一个实施例的说明。

图3展示根据实施例的使用场景匹配的传感器检测到的对象特性化和地图匹配的说明。

图4展示根据实施例的使用场景匹配的传感器检测到的对象特性化和地图匹配的方法的流程图。

图5展示根据另一实施例的使用交通工具-对象位置匹配的传感器检测到的对象特性化和地图匹配的说明。

图6展示根据实施例的使用交通工具-对象位置匹配的传感器检测到的对象特性化和地图匹配的方法的流程图。

图7展示根据另一实施例的使用对象特性化的传感器检测到的对象特性化和地图匹配的说明。

图8展示根据实施例的使用对象特性化的传感器检测到的对象特性化和地图匹配的方法的流程图。

图9展示根据另一实施例的使用传感器增强的传感器检测到的对象特性化和地图匹配的说明。

图10展示根据实施例的使用传感器增强的传感器检测到的对象特性化和地图匹配的方法的流程图。

具体实施方式

本文中所描述为一种用于与传感器检测到的对象进行地图匹配的系统和方法。可使用直接传感器和对象匹配技术来对驾驶员经过的对象进行歧义消除。所述技术也使导航系统精细化其位置估计(也就是，改进其位置估计的准确度)成为可能。

对于未来与导航有关的应用，预料与道路的中心的地图匹配可能并不足够，即使当与GPS或惯性传感器组合时也是如此。在每一方向上具有两个行进车道和沿着每一侧的停车车道的典型车行道可为大约20米宽。道路中心线为道路的理想化的简化，基本上具有零宽度。基于推断的地图匹配一般说来不能够帮助定位交通工具位于道路的哪一特定车道，或甚至在高的准确度(比方说，5米)内定位交通工具沿着道路位于何处。今天的消费者级别GPS技术可能具有不同的误差源，但关于总体位置准确度，其粗略地产生与非GPS技术相同的结果。

已提议在存储于地图数据库中的信息和经俘获且用于交通工具的实时位置确定的信息两者内需要高得多的级别的绝对准确度的一些系统。举例来说，就每一典型的道路车道为约3米宽而论，如果数字地图或地图数据库经构造具有小于一米的绝对准确度级别，且如果对车道信息进行编码且又按小于一米的准确度级别提供了实时交通工具位置系统，那么装置或交通工具可在合理的确定性内确定其当前占据哪一车道。此方法已导致差分信号的引入和例如WAAS的技术。不幸地，按一米的绝对准确度产生地图极其昂贵且耗时，且对于所述地图中的所有特征的位置也具有非常高的(比方说，95％)可靠率。生产可按类似级别的绝对准确度、稳健性和置信度搜集信息的稳健的基于实时汽车的位置确定系统也极其昂贵。

其它系统提议基于路段匹配检索对象信息。然而，这些系统仅基于其与特定道路或街区段的关系从其存储器检索对象。在该点，来自与所述段相关的所有对象的信息可经检索且使得可由驾驶员利用。然而，驾驶员仍然要在来自各种对象的信息之间区分。

再其它系统提议基于探测数据采集对象位置和使用地图内的这些对象位置改善位置估计。然而，这些系统不提供关于如何实际上使此系统在真实世界中工作的任何实际解决方案。

随着导航系统的普及已得到动力，且就较大的性能和降低的费用来说，基础的技术已改善，基础的地图数据库中的投资已使可利用的内容(在交通工具上和在交通工具外)变丰富了，且已开始出现更苛求的最终用户应用。举例来说，公司和政府机构正在研究将导航装置用于改善高速公路安全性和交通工具控制功能(例如，在自动化驾驶或避免碰撞中使用)的方式。为了实施这些先进概念中的许多者，将需要甚至更高级别的系统性能。

根据实施例，本发明者预料，交通工具中的下一代导航能力将包含电子和其它传感器，用于检测和测量交通工具附近的对象。这些传感器的实例包括相机(包括视频和静止图片相机)、在各种各样的波长下操作且具有广泛分类的设计参数的雷达、激光扫描器以及各种各样的用于与例如附近的射频识别(RFID)的技术和靠近的或无线通信装置一起使用的其它接收器和传感器。

对于应用程序来说知道比传感器可直接测量或另外感测多的关于对象的内容也将日益有益。举例来说，应用程序可能需要知道在特定街道标记上写的内容或所述街道标记相对于其它附近对象的所在之处。为了支持此情况，将存在将关于这些对象的更多信息存储在基础的数据库中且接着以更智能的方式使用所述信息的需要。

一个方法为存储对象信息作为电子地图、数字地图或数字地图数据库的部分或链接至此数据库，因为对象将常常需要通过空间坐标或以与也存储于这些地图数据库中的其它对象(例如，道路和道路属性)的关系来提及。可使用这个添加的对象信息来增强驾驶员的经历的所述类型的应用的实例描述于第6,047,234、6,671,615和6,836,724号美国专利中。

然而，上述技术中的许多者存储对象数据作为与街道段相关的一般属性。此特定方法的缺点包括：缺乏对象在地图数据库中的高准确度放置；缺乏相对于数据库中的其它对象的对象的位置的高准确度位置信息；缺乏利用交通工具中或交通工具上传感器数据来有效地定位这些对象的任何方法。这些技术可仅将交通工具经过的对象与处于交通工具的位置确定功能已识别的道路段附近或沿着这个道路段的在地图数据库中的那些对象不精确地匹配，且不借助于对象检测传感器。除了将感测到的对象与数据库中的对应的对象准确且唯一地匹配之外，传统消费者导航技术缺乏利用传感器位置测量结果的任何方法。

在一些系统中，可能借助来自航位推算和惯性导航传感器以及基于推断的地图匹配的帮助，以GPS完成对多数部分的位置确定。由于交通工具的位置确定的绝对位置与如存储在地图中的对象的位置受到显著的误差(在许多情况下，超过10m)，且由于对象密度(比方说，在典型的主要道路段或十字路口上)在相对靠近的接近度内可能包括10个或10个以上对象，因此当前系统将具有决定驾驶员或应用程序精确地关注哪一对象的困难。一般来说，尚未借助于哪一对象可能对在交通工具上的传感器可见、或如何将所述检测到的对象与对象的数据库进行匹配以获得更精确的位置或定向信息、或获得关于对象和附近的更多信息的概念来设计系统。

以引用的方式并入本文中的题为“(用于包含绝对和相对坐标的交通工具导航和导频的系统和方法)SYSTEM AND METHOD FOR VEHICLE NAVIGATION AND PILOTING INCLUDING ABSOLUTE AND RELATIVE COORDINATES”的共同待决的第60/891,019号美国专利申请案描述用于在地图数据库中存储具有绝对位置和相对位置(相对于也表示在这个地图中的其它附近的对象)两者属性的对象的技术。其中描述的系统和方法支持交通工具中传感器的未来使用，且允许在地图数据库中存储将辅助感测到的对象与地图对象的唯一匹配的属性(或基于按需要动态接收局部化的对象信息)。第60/891,019号美国专利申请案识别对稳健的对象匹配算法的需求，且描述用于匹配传感器检测到且测量的对象与其在地图中的表示的技术。本发明的实施例进一步解决界定用于执行此直接感测的对象地图匹配的增强的方法的问题。

图1展示根据实施例的交通工具导航坐标系统连同真实世界对象的选择的说明。如图1中展示，交通工具100在车行道102上行进，车行道102包括一个或一个以上路缘、道路记号、对象和街道附属设施，在此实例中包括：路缘104、车道和或道路记号105(其可包括例如分道线或道路中心线、桥和立交桥等特征)、道路护栏108、邮箱101、出口标记103、道路标记(例如，停车标记)106和其它道路对象110或结构。所有这些道路记号和对象或道路记号和对象的选择可由系统一起考虑为场景107，用于可能的解释。将显然，场景与道路记号和对象(如在图1中展示)一起是借助于实例来提供的，且许多其它场景和不同类型的道路记号和对象是可预见到的且可与本发明的实施例一起使用。

可按坐标系统118来考虑道路网络、交通工具和对象，包括在x 120、y 122和z 124方向或轴中的放置、定向和移动。根据实施例，除了传统道路网络和道路属性之外，交通工具中的地图数据库也用以存储这些对象。例如停车标记、路旁标记、路灯柱、交通信号灯、桥、建筑物或甚至车道记号或道路路缘的对象为可易于由眼睛看到且识别的物理对象。根据本发明的实施例，这些对象中的一些或全部也可由装设于交通工具上或中的传感器(例如，雷达、激光、扫描激光、相机、RFID接收器或类似者)感测128。这些装置可感测对象，且在许多情况下，可测量相对于交通工具的位置和定向的对象的相对距离和方向。根据一些实施例，传感器可提取关于对象的其它信息，例如，其大小或尺寸、密度、色彩、反射率或其它特性。

在一些实施中，系统和/或传感器可嵌有或连接至交通工具中的软件和微处理器以允许当交通工具移动时交通工具实时识别传感器输出中的对象。图2展示交通工具导航系统的一个实施例的说明。如图2中所示，系统包含导航系统140，其可放置于交通工具(例如，汽车、卡车、公共汽车或任一其它移动的交通工具)中。可类似地设计替代实施例用于在船运、航空、手提式导航装置以及其它活动和用途中使用。导航系统包含数字地图或地图数据库142，其又包括多个对象信息。或者，可将此地图数据库中的一些或全部在交通工具外存储，且可按需要将选定部分传送至装置。根据实施例，对象记录中的一些或全部包括关于对象的绝对和/或相对位置(或来自对象的原始传感器样品)的信息。导航系统进一步包含定位传感器子系统162。根据实施例，定位传感器子系统包括对象特性化逻辑168、场景匹配逻辑170以及一个或一个以上绝对定位逻辑166和/或相对定位逻辑174的组合。根据实施例，绝对定位逻辑从绝对定位传感器164(包括(例如)GPS或Galileo接收器)获得分据。此数据可用以获得关于交通工具的绝对位置的初始估计。根据实施例，相对定位逻辑从相对定位传感器(包括(例如)雷达、激光、光学(可见)、RFID或无线电传感器)获得分据。此数据可用以获得关于与对象相比的交通工具的相对位置或方位的估计。对象可为系统已知(在该情况下，数字地图将包括对所述对象的记录)或未知(在该情况下，数字地图将不包括记录)。视特定实施而定，定位传感器子系统可包括绝对定位逻辑或相对定位逻辑中的任一者，或可包括两个形式的定位逻辑。

导航系统进一步包含导航逻辑148。根据实施例，导航逻辑包括许多额外组件，例如，图2中展示的组件。将显然，组件中的一些为任选的，且可按需要添加其它组件。在导航逻辑的中心处为交通工具位置确定逻辑150和/或基于对象的地图匹配逻辑154。根据实施例，交通工具位置确定逻辑接收来自传感器中的一者和其它组件的输入以计算交通工具相对于数字地图的坐标系统、其它交通工具和其它对象的准确位置(和方位(如果需要))。交通工具反馈接口156接收关于交通工具的位置的信息。此信息可由驾驶员或自动由交通工具使用。根据实施例，信息可用于驾驶员反馈(在该情况下，也可将其馈入至驾驶员的导航显示器146)。此信息可包括位置和定向反馈以及详细的路线导引。

根据一些实施例，在交通工具附近的对象经实际上处理、分析和特性化用于由系统和/或驾驶员使用。根据替代实施例，不需要从传感器数据提取或完全“理解”关于对象特性的信息；而是，在这些实施例中，仅从传感器返回的原始数据用于对象或场景匹配。以下描述使用这些技术中的一者或一者以上的若干不同实施例。

场景匹配

根据使用场景匹配的实施例，提供一种系统，其(a)从传感器搜集的或原始数据提取一个或一个以上场景；(b)从原始数据的地图提供的或存储的版本建立对应的场景；以及(c)比较两个场景以帮助提供交通工具位置的更准确的估计。

此实施例的优势包括实施方案相对易于实施且在性质上为客观的。将更多对象种类添加至地图数据库不影响或改变基础的场景匹配过程。当使新的地图内容可利用时，此允许地图消费者立即受益。其不必改变其应用程序平台的行为。一般来说，此实施例也可能需要较大的存储容量和处理能力来实施。

图3展示根据实施例的使用场景匹配的传感器检测到的对象特性化和地图匹配的说明。根据此实施例，交通工具中的导航系统不需要处理传感器数据来提取任一具体对象。而是，传感器建立其当前正感测的空间的二维(2D)或三维(3D)场景。接着将感测的场景与如从地图数据库检索的对应的地图指定的2D或3D场景或一连串场景进行比较。接着使用场景匹配在交通工具与对象之间进行适当的匹配，且将此信息用于位置确定和导航。

根据实施例，且如在共同待决的第60/891,019号美国专利申请案中进一步所描述，交通工具的在交通工具上的导航系统可在某一初始时间仅具有位置的绝对测量。或者，在应用第60/891,019号美国专利申请案中描述的技术的时段后，交通工具可能已匹配若干或许多对象，对象已用以也改善交通工具位置和定向估计以及界定适当的相对坐标空间中的交通工具位置和定向，以及可能改善其基于绝对坐标的估计。在此情况下，交通工具可具有至少在局部相对坐标中的更准确的位置和定向估计。在任一情况下，可得出本文中被称作等概率廓线(CEP)的定位位置准确度的估计。

在任一情况下，导航系统可将其当前估计的位置放在地图上(使用绝对或相对坐标)。在未精细化的绝对位置的情况下，CEP可适度地大(可能10米)。在相对位置或增强的绝对位置的情况下，CEP将成比例地较小(可能1米)。导航系统也可估计当前航向，且因此界定由传感器逐步建立的场景的位置和航向。

根据一些实施例，可接着产生由导航系统查看的场景作为雷达的三维回波矩阵，或作为雷达数据(在一些实施例中在本文中被称作交通工具空间对象数据(VSOD))的二维投影。根据其它实施例，场景可包含从相机获取的图像或由激光扫描器建立的反射矩阵。场景也可为由借助可见光相机收集的图像着色的雷达或激光扫描矩阵的组合。

在一些实施例中，正解释的场景可限于经界定为有可能发现匹配对象的区或界限的关注区(ROI)。举例来说，使用激光扫描器作为传感器，场景可限于距交通工具上的传感器的某些距离，或限于表示某些高度的某些角度。在其它实施例中，ROI可限于在比方说距扫描器1米与10米之间的距离和在比方说分别对应于地平面和在ROI的附近的边界处5米高度的相对于水平面的-30度与正30度之间的角度。此ROI边界可经界定和调谐以俘获(例如)沿着人行道或沿着道路的侧的所有对象。当交通工具移动时，ROI允许导航系统聚焦于最关注的区，其降低了其必须分析的场景的复杂性，且类似地减少了匹配所述场景的计算需求。

如进一步在图3中展示，根据一些实施例，激光扫描器反射群集可叠加于如从地图数据库中的对象构造的3D场景上。在图3中展示的实例中，当交通工具100在车行道上行进且使用传感器172评估关注区180时，其可察觉到场景107，包括作为数据群集的感测到的对象182。如图3中展示，群集可被查看且表示为对应于激光扫描器的分辨率的多个框，根据一个实施例，分辨率为约1度，且在大致5米的距离处，导致9平方厘米分辨率或框。产生激光扫描群集的对象(在此例子中，道路标记)在图3中展示在群集分辨率单元后。对于交通工具导航系统，对象与ROI中的任何其它对象一起可由系统考虑为用于潜在匹配的场景107。

根据实施例，也可将多个对象中的每一者存储在地图数据库142中，作为原始传感器数据(或其压缩版本)。场景中的对象184的信息可由导航系统从地图数据库检索。图3中展示的实例将存储的原始传感器数据和对象的描绘展示为另一道路标记184或多个框，在此例子中，在传感器数据“后”。同样，图3表示对象场景194的地图版本以及也有与在普通3-D坐标系统中所计算相同的对象场景192的实时传感器版本。如图3中展示，对象场景192的实时传感器版本可有时包括来自场景内的其它对象的外来信号或噪声，包括来自附近对象的信号；来自在地图数据库195中尚未知的对象(可能为最近安装至实际场景内且尚未被更新至地图的对象)的信号；和偶然的随机噪声197。根据实施例，可执行某一初始清除以减少这些额外信号和噪声。接着两个场景可由导航系统匹配170。所得信息可接着被传递回至定位传感器子系统162。

根据实施例，地图数据库含有在2-D和/或3-D空间中界定的对象。例如道路标记的对象可归因于描述(例如)标记的类型和其在绝对和/或相对坐标中的3-D坐标。地图数据也可含有例如标记的色彩、标记柱的类型、标记上的用语或其定向的特性。此外，所述对象的地图数据也可包含来自(例如)激光扫描器和/或雷达的原始传感器输出的集合。对象数据也可包含2-D表示，例如，对象的图像。也可含有如在场景中看到的个别对象的精确位置，作为关于其在场景内的位置的在地图数据库中的属性。这些属性在原始的绘图/数据收集操作期间收集和处理，且可基于人工或自动对象辨识技术。可在此步骤期间使用的一些额外技术揭示于共同待决的PCT专利申请案PCT_6011206和PCT_6011865中，所述申请案中的每一者以引用的方式并入本文中。

如果系统知道交通工具中的传感器的类型、传感器在交通工具上的位置(例如，其在地面以上的高度和其相对于交通工具的中心前部和水平面的定向)以及交通工具的位置和定向估计，那么其可计算在地图中含有的对象的场景(其用以复制由交通工具中的传感器俘获的场景)。为了比较或匹配目的，可将来自两个来源的场景(包括对象)放在同一坐标参照系统中。举例来说，在利用VSOD的那些实施例中，除了传感器位置/定向相对于交通工具的已知关系之外，也可使用交通工具的位置和定向的估计将由交通工具的传感器俘获的数据放在地图数据的坐标中。此为交通工具场景。同时，可从地图中的对象和来自交通工具的位置和定向估计构造地图空间对象数据(MSOD)。此为地图场景。两个数据源基于由(a)地图数据库和(a)交通工具和其传感器含有的信息产生按其所能做到的最好来定位两个对象的场景。如果不存在额外误差，那么这两个场景应完美匹配(如果将其叠加)。

视交通工具使用哪一(哪些)传感器而定，可产生场景作为雷达回波的矩阵或激光反射或色彩像素。根据实施例，包括使从两个源接收的数据尽可能相当的特征。可包括缩放或变换来执行此情况。根据实施例，导航系统可使两个场景中的原始数据数学相关。举例来说，如果将场景构造为2D“图像”(且这里，宽松地使用术语图像以也包括例如雷达群集和射频信号等原始数据)，那么可按二维使两个场景版本(交通工具和地图)相关。如果将场景构造为3D“图像”，那么可按三维使两个场景版本相关。再次就图3中展示的实例而论，将看到，其中展示的两个场景并不确切一致，也就是，感测到的位置与地图指定的位置并不确切地相配。此可能是因为交通工具的位置和定向估计或地图中的数据中的误差。在此实例中，地图对象仍良好地处在以由交通工具感测到的对象为中心的CEP内。可对场景的三个x、y和z坐标执行相关，以找到最佳配合和实际上配合等级(也就是，场景之间的类似性的等级)。

通常，在系统的实施期间，设计工程师将选择最佳范围和增量以在相关函数中使用。举例来说，在z或垂直方向上的相关的范围应具有涵盖一般来说应该小的在所述维度中的CEP的距离的范围，因为在地面上的交通工具的估计值将相当大地改变是不大可能的。在y维度(平行于道路/交通工具航向)中的相关的范围应具有涵盖CEP的y分量的距离的范围。类似地，在x维度(与道路的方向的方向正交)中的相关的范围应具有涵盖CEP的x分量的距离的范围。对于不同实施，可确定合适的确切范围。用于相关的增量距离一般来说与(a)传感器的分辨率和(b)在地图数据库中维持的数据的分辨率有关。

根据实施例，场景可为原始传感器分辨率点的简单描绘，例如，将值1放在具有传感器回波的每一分辨率单元中和将值0放在其它处的二进制数据集。在此例子中，相关变为简单的二进制相关：例如，对于3D空间中的任何滞后，对在两个场景中为1且由在两个场景中的单元的平均数目正规化的单元的数目进行计数。进行搜索以找到相关函数的峰值，且对照阈值测试峰值以确定两个场景是否充分地类似以将其考虑为匹配。相关函数的最大值处的x、y、z滞后接着表示坐标空间中的两个位置估计之间的差。根据实施例，差可由分别在2D、3D和6自由度中的向量表示为相关的输出。此差异可由导航系统用以确定交通工具位置的误差和按需要对其进行校正。

应注意，地图与传感器之间的不匹配可为定向误差而非位置误差的结果。虽然并不期望此为重要的误差源，但根据一些实施例，可产生地图场景以将可能的定向误差归为同类。类似地，系统可经设计以调整可能已从确定位置过程中的误差产生的比例尺误差。

如上所述，场景相关的实例使用0和1来表示在具体x、y、z位置处的传感器回波的存在或不存在。可进一步延伸本发明的实施例以使用其它值，例如，来自传感器的回波强度值，或色彩值(可能如通过借助于用交通工具上安装的相机所收集且对交通工具和因此扫描器加以位置参照的色彩图像数据来对扫描激光数据着色而形成)。可在相关函数外应用其它测试方式以进一步测试任一相关的可靠性，例如，大小、平均雷达横截面、反射率、平均色彩和检测到的属性。

根据实施例，可处理从传感器接收的图像，且可应用局部最佳化或最小化技术。局部最小化搜索技术的实例描述于胡滕洛赫尔(Huttenlocher)的基于豪斯多夫(Hausdorff)的图像比较(http://www.cs.cornell.edu/vision/hausdorff/hausmatch.html)(其以引用的方式并入本文中)中。在此方法中，借助于边缘检测方法来处理原始传感器点以产生线或多边形，或对于3D数据集，可使用表面检测方法来检测对象面。此检测可提供在装置自身内(例如，借助使用激光扫描器和/或界定表面上的点的雷达输出表面几何数据)。可将同一过程应用至感测到的数据和地图数据。根据一些实施例，为了减少计算时间，可已按此方式存储了地图数据。计算Hausdorff距离，且执行局部最小搜索。接着将结果与阈值进行比较或使其相关以确定是否已获得足够高的匹配级别。此过程在计算上有效率，且展现关于尺度和定向中的误差的良好稳健度。过程也可容许某一场景误差量。

图4展示根据实施例的使用场景匹配的传感器检测到的对象特性化和地图匹配的方法的流程图。如图4中所示，在步骤200中，系统使用GPS、推断、地图匹配、INS或类似的定位传感器或其组合来找到(初始)位置和航向信息。在步骤202中，可使用交通工具上的交通工具传感器扫描或产生周围场景(包括对象、道路记号和其中的其它特征)的图像。在步骤204中，系统将周围场景的扫描的图像与场景的存储的特征进行比较。这些可由数字地图数据库或其它方法提供。根据一些实施例，系统使一群集的传感器数据“原始”输出相关，且使用阈值来测试相关函数是否充分达到峰值以辨识匹配。在步骤206中，使用扫描-特征相关性与数字地图中的已知位置相比确定交通工具的位置和航向，包括在一些实施例中，基于确定相关函数的最大值的滞后(在2维或3维中)的计算。在步骤208中，可接着将更新的位置信息报告回交通工具、系统和/或驾驶员。

交通工具-对象位置匹配

根据使用交通工具-对象位置匹配的实施例，提供一种系统，其(a)从传感器搜集的或原始数据提取原始对象数据；(b)将提取的数据与来自原始数据的地图提供的或存储的版本的保留在地图中的对应的原始对象数据进行比较；以及(c)比较对象数据的两个测量以帮助提供交通工具位置的更准确的估计。

此实施例的优势包括实施方案为客观性的，且可又易于并入其它对象比较技术。此实施例又可能需要比以上描述的场景匹配低的处理能力。然而，提取是视存储在地图中的种类而定。如果引入了新的种类，那么地图消费者必须相应地更新其应用平台。一般来说，地图消费者与地图供应者应对将使用的存储的种类事先达成一致。此实施例也可能需要更大的存储容量。

图5展示根据另一实施例的使用交通工具-对象位置匹配的传感器检测到的对象特性化和地图匹配的说明。根据实施例，以上描述的场景匹配和相关函数可由对象提取和接着图像处理算法(例如，Hausdorff距离计算，接着对其搜索以得到最小值来确定匹配对象)替换。此实施例将必须首先从原始传感器数据提取对象。这些计算在图像处理的技术中是已知的，且可用于在复杂场景中且按较少计算来产生对象或场景匹配。同样，这些计算技术具有在实时导航系统中的用途。

如由图5中展示的实例说明，根据一些实施例，可将从传感器数据提取的对象(例如，激光扫描器和或相机)叠加于如从地图数据库中的对象构造的3D对象场景上。当交通工具100在车行道上行进且使用传感器172评估关注区(ROI)180时，其可察觉到场景107，包括作为数据群集的感测到的对象182。也如上关于图3所描述，群集可经查看且表示为对应于激光扫描器或其它感测装置的分辨率的多个框。产生激光扫描群集的对象(在此例子中，道路标记)再次在图5中展示在群集分辨率单元后。根据实施例，对象可经检测或提取作为多边形或简单的3D实心对象。也将多个对象中的每一者存储在地图数据库142中作为原始传感器数据(或其压缩版本)，或作为包括对象184的信息的多边形。可处理210从传感器接收的图像，且可应用局部最佳化或最小化技术212。局部最小化搜索技术的实例为以上描述的Hausdorff技术。如上所述，在此方法中，借助于边缘检测方法来处理原始传感器点以产生线或多边形，或对于3D数据集，可使用表面检测方法来检测对象面。此检测可提供在装置自身内(例如，借助使用激光扫描器和/或界定表面上的点的雷达输出表面几何数据)。可将同一过程应用至感测到的数据216和地图数据214两者。根据一些实施例，为了减少计算时间，可已按此方式存储地图数据。计算Hausdorff距离，且执行局部最小搜索。接着将结果与阈值进行比较或使其相关220以确定是否已获得足够高的匹配级别。此过程在计算上有效率，且展现关于尺度和定向中的误差的良好稳健度。过程也可容许某一场景噪声量。接着可将所得信息传递回定位传感器子系统162，或至交通工具反馈接口146，用于由交通工具和/或驾驶员进一步使用。

根据一些实施例，可使用Hausdorff技术确定对象点的哪一部分位于数据库点的阈值距离内且对照阈值测试。这些实施例也可用以计算在x和z中的坐标移位和涉及在y方向上的移位(误差)的尺度因数。

应注意，Hausdorff距离技术仅为熟习图像和对象匹配的技术的人员已知的许多算法中的一个。根据其它实施例，不同算法可合适地适用于讨论中的匹配问题。

以上实例描述简单的情况，其中仅存在单一对象，或在地图和由交通工具的传感器所感测中仅考虑单一对象。在真实世界中，对象的密度可使得在相对靠近处(比方说，分开1至3米)存在多个对象。在这些情形下，例如Hausdorff技术等最佳化和最小化技术具有特定用途。在这些情形下，详细的相关函数和/或Hausdorff距离计算将具有足够的敏感度以匹配对象的所有特征(如由传感器接收)。因此，将不正确地匹配一组对象是不大可能的。举例来说，即使多个对象的间距大约相同，详细相关也将清晰地辨别相关的峰值，且不错误地使(例如)邮箱与路灯柱或使路灯柱与停车标记相关。

以上描述的方法受到某些误差。一般来说，位置或定向中的任一误差将比仅在场景的交通工具与地图版本之间的x、y、z坐标中的移位复杂。定向误差可引入视角差，且位置误差可能产生缩放(大小)误差，两者将导致相关函数中的总峰值的降低。对于交通工具具有良好(小的)CEP和定向的合理估计的情况(其将通常为当交通工具进行一个或一个以上先前对象匹配时的情况)，这些误差应不显著地影响匹配性能。此外，根据一些实施例，可构造一组场景以将这些误差归为同类，且对每一或选定匹配算法执行的相关可合理地容许这些不匹配。视任一特定实施的需求而定，设计工程师可基于各种性能指标确定添加的计算成本对较好的相关/匹配性能之间的折衷。在以上描述中的任一者中，如果相关/匹配的结果不超过最小阈值，那么对于此传感器场景，地图匹配失败。这可发生，因为位置/定向具有过大的误差和/或因为不正确地过小地计算了CEP。如果在交通工具场景中在地图获取期间不存在的过多的临时对象是可见的，那么其也可发生。例如行走的人们、停的汽车、建筑设备等项目可动态地更改场景。又，收集的对象的数目和分布对组成真实场景且由传感器检测到的对象的数目和分布将影响相关性能。收集过多对象是不必要的，且将增加花费和处理器负担。相反，收集过少的存在的对象将使系统具有过多的相关噪声而无法允许其进行可靠的匹配。待存储在地图中的对象的密度和类型为视所要的传感器和性能级别而定的工程技术参数。匹配功能应考虑以下事实：并非所有交通工具感测到的对象均可处于地图中。

根据实施例，用以确保地图存储足够数目的对象但不变为过大或过不实用的数据集的方法中的一者是进行俘获的对象的真实性的自相关模拟，同时用已被收集以实现针对感兴趣的应用的足够相关的那些对象的充分子集来填充地图。可对每一可能的交通工具位置和对象和/或噪声模拟进行这些模拟。

如果超过了相关/图像处理阈值，那么可根据对所构造的各种地图场景执行的各种相关/图像处理计算最大值。借助于相关/图像处理，使地图的已知对象与交通工具场景中的具体场景对象匹配。如果交通工具传感器为可测量与其传感器(例如，雷达或激光扫描器)的相对位置的传感器，那么可以数据库中的对象的准确度(相对和绝对)和与传感器相关的误差来确定交通工具的全部六个自由度。通过测试与交通工具场景中的个别传感器群集回波或提取的对象多边形匹配的个别对象原始数据群集或提取的对象多边形，系统可进行许多有效性检查以检验场景相关处理已导致了准确的匹配。结果因此实现未来应用需要的更高准确度。根据另一实施例，场景匹配和六个自由度的估计使得能够按高的准确度将道路地图叠加于实时图像(例如，在PCT专利申请案6132522中描述的实时图像)上，或调整既定与即将到来的道路对准的路径的在HUD显示器中的描绘。在这些实施例的情况下，结果将对定向分量特别敏感，通常使用基于推断的地图匹配形式不可利用所述定向分量。

根据一些实施例，可在一系列阶段中执行对象匹配。例如车道记号或路缘等线性对象可被检测到且与数据库中的类似对象进行比较。这些线性特征具有能够帮助在一个方向(即，与车道记号正交，也就是，与行进方向正交)上定位交通工具的特性。此对象匹配可用以准确地确定相对于以上图1中展示的y方向(也就是，相对于与车道记号正交或与道路的方向正交的方向，其粗略地与交通工具的航向相同)的交通工具位置。此匹配用以减少在y方向上的CEP，其又减少了与不良的y测量有关的其它场景误差，包括尺度误差。这也减少了y轴相关计算。视特定实施例而定，这些步骤可由单一传感器或由分开的传感器或分开的ROI实现。

图6展示根据实施例的使用交通工具-对象位置匹配的传感器检测到的对象特性化和地图匹配的方法的流程图。如图6中所示，在步骤230中，系统使用GPS、推断、地图匹配、INS或类似的定位传感器来找到(初始)位置和航向信息。在步骤232中，系统使用其交通工具上的交通工具传感器扫描或创建周围场景的图像。在步骤234中，系统使用图像处理技术降低场景的复杂性，例如，使用边缘检测、面检测、多边形选择和其它技术来提取对象。在步骤236中，系统使用图像处理用于对象选择和匹配场景内的对象。在步骤238中，系统使用匹配来计算更新的交通工具位置信息且将其报告至交通工具和/或驾驶员。

对象特性化

根据使用对象特性化的实施例，提供一种系统，其(a)从传感器搜集的或原始数据提取原始对象数据；(b)从所述原始对象提取特性；以及(c)将所述特性与存储于地图中的特性进行比较以帮助提供交通工具位置的更准确的估计。

此实施例的优势包括实施例需要较少的处理能力和存储需求。随时间过去而引入新的特性将需要地图供应者较频繁地重新交付其地图数据。成功的提取视存储在地图中的种类而定。如果引入了新的种类，那么地图消费者也将必须改变其应用平台的性质。一般来说，地图消费者与地图供应者应对将使用的存储的种类事先达成一致。

图7展示根据另一实施例的使用对象特性化的传感器检测到的对象特性化和地图匹配的说明。如图7中展示，根据此实施例，交通工具处理原始传感器数据，提取对象246，且使用对象特性化匹配逻辑168至少按位置和可能的其它属性(例如，大小、具体尺寸、色彩、反射率、雷达横截面和类似者)将提取的对象与已知对象244匹配。如所属领域技术人员将知道，可使用许多不同对象识别/提取算法。高性能对象提取在计算上昂贵，但随着新的算法和专用处理器正被开发出来，此问题正变得不太成为问题。

如同以上描述的实施例，交通工具可在某一初始时间仅具有位置的不准确的绝对测量。或在应用了共同待决的本发明或其它形式的传感器改善的位置确定的时间后，可能已使其匹配若干(如果不是许多)已用以也界定在适当的相对坐标空间中的交通工具的位置/定向的对象或对象的场景。此可已可能地也改善交通工具的绝对坐标估计。在此情况下，匹配的结果可为至少在相对坐标和可能绝对坐标中较准确的位置和定向估计。

在任一情况下，导航系统可将其当前估计的位置放在地图的坐标空间中(使用绝对或相对坐标)，以及可导出定位位置准确度的估计且体现在其CEP中。在未精细化的绝对位置的情况下，CEP可适度地大(比方说，10米)，且在相对位置的情况下，CEP将成比例地较小(比方说，1米)。在任一情况下，可关于地图坐标计算CEP，且可使用多边形内点或简单的距离算法确定哪些地图对象处于所述CEP中以及因此为与传感器检测到的一或多个对象的潜在匹配。这可在2D或3D空间中执行。

举例来说，如果交通工具正接近适度繁忙的十字路口，且传感器在当与位置估计组合时在将检测到的对象的CEP放在人行道角落处的范围和方位处检测到对象，那么如果在CEP内仅存在一个对象，那么可能已完成匹配。为了检验目的，可执行对象特性化匹配。

根据各种实施例，每一传感器可具有唯一的对象特性化能力。举例来说，激光扫描器可能能够按某一分辨率测量对象的形状、其大小、其平坦程度和其反射率。相机可俘获与形状、大小和色彩有关的信息。相机可仅提供至对象的距离的相对不准确的估计，但借助于从多个角度看到同一对象或借助于具有多个相机，其也可俘获足够的信息来计算至对象的准确的距离估计。雷达可能测量密度或至少提供雷达大小或横截面，且视其分辨率而定，可能能够识别形状。

根据实施例，也可使对象与雷达反射增强器(包括“角形反射器”或类似者)配合。这些小的不昂贵的装置可安装于对象上，以便增加其可检测性或可检测到其的范围。这些装置也可用以借助于在感测到的对象的较大的特征内创建强的点状对象来精确地定位空间延伸的对象。因此，视传感器而定，可能存在可用以检验对象匹配的对象的若干特性化特征。

所属领域技术人员可构造使用以上提到的特性使传感器数据与地图数据匹配的额外方式。根据特定实施例，通过发射来自旋转激光器的相干光和接收从其遇到的第一对象返回的所述光，测量激光扫描器信息(距离和θ——相对于平台水平线的垂直角度)，激光扫描器信息可用以根据以下算法匹配数据库中的对象：

·接收来自对象的传感器回波{距离、θ、值}。

·对于比传感器的基本分辨率单元大的对象，按任一合适的技术合计一组回波。对于激光扫描器数据的合计的实例包括输出网格产生和进一步的面(多边形)产生，例如，通过使用例如随机样品一致性(RANSAC)算法等算法，其实例描述于以引用的方式并入本文中的PCT专利申请案6011865中。对于图像的合计的实例包括向量化，其中输出为含有具有同一色彩的像素的多边形。

·根据合计的传感器测量结果，计算对象的中心(使用质心计算或其它估计技术)。

·使用至传感器测量的对象的中心的计算出的距离和角度加上传感器相对于交通工具平台的位置和定向信息加上交通工具的估计的位置(在绝对或相对坐标中)和交通工具的位置的组合的估计的准确度和传感器位置准确度(CEP)来定位计算对象处于由地图数据库使用的空间坐标系统内何处。CEP为表示对象的位置的不确定性的面积(2-D)或体积(3-D)。或者，并不使用对象中心，可使用对象的估计的位置(当其接触地面时)。

·检索在以估计的地图坐标为中心的地图内和在由CEP界定的面积或体积内的所有对象。面积或体积随着设计是针对3D匹配还是2D匹配而变。

·对于每一检索到的地图对象，(i)计算从感测到的对象的估计的位置到所述检索到的对象的中心的测量的距离Di，且将每一距离与对象ID一起存储。

·如果可利用，对于每一检索的对象，将感测到的对象的测量的形状(高度、宽度、深度等的某一组合)与每一检索的对象的存储的形状进行比较。计算形状特性因数C1。并非复杂的形状；可分开地计算高度、宽度和深度。可根据各种各样的可利用的方法中的任一者来测量这些形状特性，例如，物理动量计算、布莱尔布利斯(Blair Bliss)系数、丹尼尔森(Danielson)系数、哈拉利克(Haralick)系数或任一其它合适的特性。

·如果可利用，对于每一检索的对象，将测量的平直度与存储的平直度的测量或对象的类型的分类(例如，类别＝标记对象)进行比较。如果可利用，计算平直度特性因数C2。如果可测量平坦对象的定向平面，那么其也可为特性。

·如果可利用，对于每一检索的对象，将测量的反射率与对象的存储的反射率的测量进行比较。计算反射率特性因数C3。

·如果可利用，对于每一检索的对象，将与传感器检测的对象相关的色彩与和地图含有的对象相关的色彩进行比较。计算色彩特性因数C4。一个此比较方法可再次为Hausdorff距离，其中距离并非欧几里德(Euclidian)距离，而是色彩暗淡距离。

·如果可利用，对于每一检索的对象，将任一其它测量的特性与对于地图数据库中的对象存储的所述特性的类似测量结果进行比较。计算特性因数，Ci。根据实施例，所有因数经正规化至0与1之间的正数。

·根据已相对于稳健匹配确定每一特性的敏感程度的优选加权Wi，加权每一可利用的特性的计算的因数Ci。

·对经加权的得分求和且正规化且选择通过接受阈值的所有经加权的得分。就是说：

正规化的加权的得分＝(Wi*Ci)的和/(Wi)的和<>阈值

·如果不存在通过的对象，那么拒绝对于当前一组测量结果的对象地图匹配。

·如果存在一个，那么接受此作为传感器匹配的对象。将其坐标、特性和属性一起传递至请求此信息的应用程序，(例如)以更新/精细化交通工具的位置和定向。

·如果存在一个以上，那么根据其经加权的得分对其进行分级。如果最大的经加权的得分在匹配距离上比第二最大的将加权的得分靠近(大于阈值)，那么选择最靠近者作为传感器匹配的对象，否则，拒绝对于当前一组测量结果的对象地图匹配。

所属领域的技术人员应认识到，存在利用这些特性化信息影响匹配算法的许多这些方式。

上述算法将提供应使匹配误差稀少的严格测试。根据实施例，可将对象按使得可拒绝许多匹配测试且匹配频度将仍足以保持相对坐标空间中的准确位置和定向的密度来存储在地图数据库中。

在感测到一个以上对象且一个以上对象处于CEP中的那些情况下，那么可使用以上算法的更复杂的版本。如所讨论，可比较每一感测到的对象。此外，成对的感测到的对象表示其间的测量的关系(例如，在4度的相对方位差下，一对可分开2m)。可将此添加的关系用作在以上描述的加权算法中的比较的特性来对所述情形进行歧义消除。一旦匹配对象或一组对象，那么可将其特性和属性传递回至请求功能。

在感测到一个以上对象但未分辨对象的那些情况下，则感测到但未分辨的对象可被考虑为单一复杂对象。地图数据库中的收集的对象也可特性化为每个不同传感器或具有不同参数的不同传感器的可能分辨或未分辨的对象。

一般来说，考虑为支持交通工具中的应用的传感器应具有使得许多传感器分辨率单元将包含来自对象的响应的分辨率。在以上描述的实施例中，从此大量分辨率单元提取对象的具体特性。举例来说，对象的位置由延伸的对象的平均或质心测量或其在其接触地面的那些情况下其接触地面的位置界定。

图8展示根据实施例的使用对象特性化的传感器检测到的对象特性化和地图匹配的方法的流程图。如图8中所示，在步骤250中，系统使用GPS、推断、地图匹配、INS或类似的定位传感器来找到(初始)位置和航向信息。在步骤252中，使用交通工具上的交通工具传感器扫描周围场景的图像。在步骤254中，系统从场景(或从关注区ROI)提取对象。在步骤256中，使用传感器数据特性化对象。在步骤258中，系统将感测到的对象的位置与来自地图数据库的对象的位置进行比较。系统可接着比较对象特性化。在步骤260中，如果系统确定位置匹配和比较满足某些阈值，那么其确定所述对象的匹配。在步骤262中，更新位置信息，和/或提供驾驶员反馈。

对象ID传感器增强

图9展示根据另一实施例的使用传感器增强的传感器检测到的对象特性化和地图匹配的说明。在先前描述的实施例中，对象通常经检测且由导航系统基于未受辅助的传感器测量结果来评价。根据实施例，传感器测量结果受到增强装置的辅助或增强。增强可包括(例如)使用雷达或激光反射器。在此例子中，增强装置可为人工地使来自对象上的特定位置的回波变亮的激光反射器。这些亮点的存在可被俘获且存储在地图数据库中，且稍后用以辅助匹配过程以及变为局部化且良好界定的点以借助于其测量位置和定向。这些角形反射器和类似者在雷达和激光技术中为众所周知的。

根据另一实施例，系统可使用ID标签270，例如，RFID标签。这些装置发射可易于由合适的接收器检测且经解码以产生其识别符或ID的识别码。ID可在地图数据库内或与地图数据库或其它空间表示相关的ID 272的表中查找或与ID 272的表进行比较。ID可与具体对象或与对象274的类型或类别(例如，停车标记、邮箱或街道拐角)相关。一般来说，例如停车标记的标记的间距和交通工具的位置估计的准确度足以避免关于哪一感测到的对象与哪一RFID标签相关的不确定性或模糊性。以此方式，对象识别符276或匹配算法可包括清楚地使感测到的对象与地图适当地图对象匹配的快速且特定方法。

根据另一实施例，系统可使用RFID技术与比方说反射器的组合。如果RFID与反射器位于同一地点，那么此可充当肯定的识别特性。此外，RFID可经控制以仅当反射器(或其它传感器)由交通工具中的传感器(比方说，扫描激光)照明时广播唯一的识别码或额外旗标。此允许装置充当应答器，且在信号的接收与RFID标签的接收之间创建高精确时间相关性。此肯定的ID匹配改善以上描述的空间匹配技术中的若干者(且可甚至致使其不必要)，因为肯定的ID匹配改善任一此匹配的可靠性和位置准确度。在密集对象或RFID标签的密集字段的情形下，此技术特别有用。

根据另一实施例，可将条形码、二维条码(二维条形码的形式)或类似的码和识别装置按待由光学和其它感测装置读取的足够大小放在对象上。例如相机或视频图像的传感器回波可经处理以检测且读取这些码且将其与存储的地图数据进行比较。也可按此方式执行精确且稳健的匹配。

图10展示根据实施例的使用传感器增强的传感器检测到的对象特性化和地图匹配的方法的流程图。如图10中所示，在步骤280中，系统使用GPS、推断、地图匹配、INS或类似的定位传感器来找到(初始)位置和航向信息。在步骤282中，系统使用交通工具上的交通工具传感器扫描周围场景的图像。在步骤284中，系统从场景选择一个或一个以上对象用于进一步的识别。在步骤286中，系统确定所述对象的对象ID，且使用此信息与存储的对象ID(例如，来自地图数据库)进行比较，且提供准确的对象识别。在步骤288中，系统可使用识别的对象用于更新的位置信息，且提供驾驶员反馈。

额外特征

将显然，在以上图中展示的场景表示可创建的许多可能场景中仅少数几个。设计x-z相关以找到那两个维度中的最佳匹配。然而，如果导航系统的位置和定向估计的其它坐标中的任何者有误差，那么场景将不能尽可能好地相关。根据各种实施例，可使用额外特征和数据来减少此误差且改善相关。

举例来说，考虑交通工具的航向。汽车将名义上平行于道路前进，但可能在改变车道，且因此，航向并不确切地为道路的航向。交通工具的导航系统基于道路和其内部传感器(如GPS和INS传感器)估计航向。但在交通工具的真实瞬间航向对交通工具的估计的航向中仍可存在若干度的误差。由于将传感器固定安装至交通工具，因此应存在非常少的当从交通工具的航向旋转至传感器的航向(指向方向)时引入的误差。仍然，存在航向误差的组合的估计。在对象的某些配置下，来自地图数据的场景的计算对航向误差敏感。对于当前实施例，可在将估计的航向归为同类的不同航向下根据地图对象计算其它场景。这些不同航向场景可每一者与交通工具场景相关(如上所进行)以找到最大相关性。再次地，最好将航向场景的挑选或范围和航向场景的增量(例如，每一度的航向对应于一个场景)留给待实施的系统的设计工程师。

考虑交通工具的倾斜度。对于大部分来说，交通工具的倾斜度将平行于道路的表面——也就是说，其将处于道路处于的相同斜度上。对象的地图数据库可存储相对于道路的倾斜度的对象或可直接存储倾斜度(斜度)。可存在与交通工具的斜度的倾斜度偏差。举例来说，加速度和减速度可改变汽车的倾斜度，因为可能上下颠簸。再次，可测量所有这些倾斜度改变，但应假定倾斜度误差可为几度。在对象的某些配置下，根据地图数据的场景的计算对倾斜度误差敏感。对于当前实施例，可在将估计的倾斜度归为同类的不同倾斜度下根据地图对象计算其它场景。这些不同倾斜度场景可每一者与交通工具场景相关以找到最大相关性。再次地，最好将倾斜度场景的挑选或范围和倾斜度场景的增量(例如，每一度的倾斜度对应于一个场景)留给待实施的系统的设计工程师。最大相关性将提供反馈以校正交通工具的倾斜度的估计。

考虑交通工具的起伏。对于多数部分来说，交通工具的起伏将平行于道路的表面——也就是说，交通工具将不朝向驾驶员侧或朝向乘客侧倾斜，而正直且水平地行进。然而，在一些道路上，存在明显的隆起。因此，道路不平坦和水平，且如果汽车正驾驶离开隆起的顶部(比方说，在外车道中的一者上)，那么其将经历自水平面的若干度的起伏。地图可含有关于道路的起伏信息作为属性。此外，在交通工具的实际起伏中，可存在偏差，因为可由凸起和凹坑和类似者造成。再次，可测量所有这些起伏改变，但应假定起伏可为几度的误差。在对象的某些配置下，根据地图数据的场景的计算对起伏误差敏感。对于当前实施例，可在将估计的起伏归为同类的不同起伏下根据地图对象计算其它场景。这些不同起伏场景可每一者与交通工具场景相关以找到最大相关性。再次地，最好将起伏场景的挑选或范围和起伏场景的增量(例如，每一度的起伏对应于一个场景)留给待实施的系统的设计工程师。最大相关性可提供反馈以校正交通工具的起伏的估计。

考虑交通工具的y位置，也就是说，与行进方向正交的交通工具的位置。此主要地为交通工具处于何车道的量度或交通工具从道路的中心线的位移的量度。其也是确定交通工具处于何车道的基本测量。传统的推理地图匹配不具有进行此估计的方法。如果判断交通工具匹配道路，那么其放在道路的中心线上，或距其某一计算的距离，且可不进行更细的估计。此完全不足以用于需要知道汽车处于何车道的应用。

交通工具的y位置将视交通工具处于何车道而变化。交通工具的位置确定将估计绝对位置，但在此敏感的维度中，可具有显著的误差。应假定，y维度中的误差由CEP估计且可达到若干米。y位置中的误差通常导致场景的尺度改变。因此举例来说，如果y位置较靠近人行道，那么人行道上的对象应显得较大且分开较远，且相反地，如果y位置较靠近道路的中心线，那么人行道上的对象应显得较小且较靠在一起。如所描述，如果在相对坐标中产生场景(例如，如在当前实施例中)，那么根据地图数据的场景的计算对交通工具的y位置敏感。(如果在绝对坐标中产生场景，那么大小应与尺度无关。)对于当前实施例，可在将估计的y位置归为同类的不同y处根据地图对象计算其它场景。再次地，最好将y位置场景的范围的挑选和y位置场景的增量(例如，每一米的y位置对应于一个场景)留给待实施的系统的设计工程师。最大相关性可提供反馈以校正交通工具的其y位置的估计，此又可改善其处于哪一车道的估计。

如上提到，这些不同场景可每一者与交通工具场景相关以找到最大相关性。简化此过程的一个方式为，根据传感器测量结果计算平均建筑物距离的测量。如果对于场景此大致恒定且在地图数据库中俘获到建筑物，那么可根据所述测量导出y位置的良好估计。

给定对象可由点群集或一组感测到的点单元Cl(x，y，z)特性化。对于每一测量的传感器，可将这些原始点单元存储在地图数据库中。举例来说，从对象反射的每一激光扫描器点由dl和θl特性化。借助于交通工具位置和平台参数，可将这些转变为在相对坐标(x，y，z)中或在绝对坐标(纬度、经度、高度)或其它此方便的坐标系统中的一组点。视涉及的传感器而定，对于每一xyz单元，可存储其它数据，例如，色彩或强度。对于同一对象，数据库可存储不同传感器的不同群集信息。

当交通工具经过对象且交通工具传感器扫描对象时，其也将得到具有相同参数的一组点(可能处于不同的分辨率)。

再次，进行质心计算，且在地图内找到CEP的位置。再次，检索属于CEP内的所有对象，但在此情况下，检索额外信息，例如，原始传感器数据(原始点群集)，至少对于已知为在所述时间在交通工具上在工作中的传感器来说。

正规化两组原始群集数据达普通的分辨率大小(在所属技术中普通)。使用来自感测到的对象和每一检索的对象的三维群集点，应用相关函数。开始的相关点为原始传感器的质心匹配候选对象的质心处。相关性结果可经加权且作为因数计入算法内作为另一个特性。

可使用根据本发明的教导编程的常规通用或专用数字计算机或微处理器来方便地实施本发明，如将对所属领域技术人员显而易见。适当的软件编码可易于由熟练的程序设计员基于本发明的教导来准备，如将对所属领域技术人员显而易见。用于与导航系统一起使用的合适的传感器的选择和编程也可易于由所属领域技术人员准备。也可借助于专用集成电路、传感器和电子设备的准备或借助于互连常规组件电路的适当网络来实施本发明，如将易于对所属领域技术人员显而易见。

在一些实施例中，本发明包括作为具有存储于其上/中的指令的一或多个存储媒介的计算机程序产品，所述指令可用以对计算机编程以执行本发明的过程中的任何者。存储媒介可包括(但不限于)任一类型的盘片，包括软盘、光盘、DVD、CD ROM、微驱动器和磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、快闪存储器装置、磁性或光学卡、纳米系统(包括，分子存储器IC)或适合于存储指令和/或数据的任一类型的媒介或装置。存储于一或多个计算机可读媒介中的任一者上，本发明包括用于控制通用/专用计算机或微处理器的硬件和用于使计算机或微处理器能够与人类用户或利用本发明的结果的其它机制互动的软件。此软件可包括(但不限于)装置驱动器、操作系统和用户应用程序。最终，这些计算机可读媒介进一步包括用于执行本发明的软件(如上所述)。包括在通用/专用计算机或微处理器的编程(软件)中的为软件模块。

已为了说明和描述的目的提供本发明的前述描述。并不希望其为无遗漏的或将本发明限制于揭示的精确形式。许多修改和变化将对所属领域技术从业者显而易见。尤其，虽然已主要在位置确定增强的情况下描述了本发明，但此仅为此组合的地图匹配的许多应用中的一个。举例来说，可将道路十字路口和其人行横道的位置准确地确定为距识别的标记的距离，因此可给出较准确的转弯指示或可给出人行横道警告。对于另一实例，可准确地确定与道路横向(相对于车道)的交通工具的位置以给出处于哪一车道的指引，可能为了即将到来的操纵或由于交通等。借助于额外实例，可使用匹配来准确地注册在交通工具中收集的实时图像上的地图特征。在再一实例中，本发明的实施例可用以提供图标或其它视觉/听觉增强以使驾驶员能够知道标记的确切位置和其情境。也将显然，虽然许多实施例描述使用相对坐标，但系统的实施例也可用于利用绝对坐标的环境中。实施例经挑选和描述以便最好地解释本发明的原理和其实际应用，借此使所属领域技术人员能够理解本发明的各种实施例和适合于预期特定用途的各种修改。希望本发明的范畴由以下权利要求书和其等效内容界定。

Claims (16)

1.一种方法，其包含以下步骤：

借助于交通工具的传感器检测在所述交通工具附近的多个对象中的至少一者，且估计关于所述对象的特性，所述传感器借助于GPS或其它位置和/或定向确定技术而被校准到所述交通工具的位置和定向，

根据所述交通工具的位置和定向估计以及所述传感器的测量结果中的至少一些来估计所述感测到的对象的位置；

按交通工具位置或所估计的感测到的对象位置来查询地图或图像数据库，所述数据库允许针对多个对象中的一者或一者以上检索信息，提取针对所述位置在所述数据库中描绘的至少一个对象，

使用比较逻辑将所述感测到的对象与所述提取的对象进行比较，且如果此比较在预定程度上是成功的，那么实行以下各项中的一者或一者以上：

所述交通工具的所述GPS或以其它方式确定的位置或定向的调整，

当出现在所述数据库中时所述提取的对象的所述位置信息的调整，或

所述提取的数据库描绘的对象作为图标或其它图形图像在导航单元的图形显示器上在关于正同时显示于其上的地图数据表示当前交通工具位置的附近的适当位置中的图形显示。

2.根据权利要求1所述的方法，其进一步包含：

估计所述交通工具的位置和定向连同所述位置估计的准确度的估计；以及

从所述地图数据库检索属于以所述估计的对象位置为中心的所述准确度估计内的任何对象的对象数据。

3.根据任一前述权利要求所述的方法，其中所述比较逻辑涉及所述对象的大小、形状、高度、可见色彩、平坦表面的程度和反射率中的一者或一者以上。

4.根据任一前述权利要求所述的方法，其中如果提取的一组对象仅为一个对象，那么如果所述对象的比较函数通过阈值测试，则所述对象得以匹配。

5.根据权利要求1所述的方法，其中如果无对象处于CEP内，那么不进行匹配。

6.根据任一前述权利要求所述的方法，其中如果检索的所述组对象多于一个，那么如果所述对象的得分最好，且通过所述阈值，且其得分比下一个最好得分的第二阈值好，那么所述对象得以匹配。

7.根据任一前述权利要求所述的方法，其中对于每一对象存储在所述地图数据库中的所述特性包括来自一个以上传感器类型的特性。

8.根据权利要求2所述的方法，其中所述估计的准确度为所述交通工具的当前位置准确度与所述基本传感器准确度的组合。

9.根据权利要求2或8所述的方法，其中准确度估计被界定于2D空间或3D空间中的一者中。

10.根据任一前述权利要求所述的方法，其中所述对象的特性为其点群集，且其中所述可能的比较中的一者为在感测到的对象点群集与提取的对象点群集之间的相关函数。

11.根据权利要求10所述的方法，其中地图数据库含有不同传感器的点群集。

12.根据权利要求10所述的方法，其中所述相关以感测到的且提取的对象的质心为中心。

13.根据任一前述权利要求所述的方法，其中对象的感测到的特性中的一者为链接至对象的RFID的接收。

14.根据任一前述权利要求所述的方法，其中所述对象具备链接至应答器的角形反射器，使得当所述反射器由所述传感器照明时广播RFID。

15.根据任一前述权利要求所述的方法，其被用作交通工具中收集的图像与道路网络之间的校准的方法，使得可将所述道路网络与所述地图的其它元素叠加于在汽车中收集且对驾驶员展示的实时相机图像上。

16.根据任一前述权利要求所述的方法，其中所述比较逻辑涉及图像匹配技术，优选使用Hausdotff距离的计算。

Images