CN104677361A - 一种综合定位的方法 - Google Patents
一种综合定位的方法 Download PDFInfo
- Publication number
- CN104677361A CN104677361A CN201510040520.XA CN201510040520A CN104677361A CN 104677361 A CN104677361 A CN 104677361A CN 201510040520 A CN201510040520 A CN 201510040520A CN 104677361 A CN104677361 A CN 104677361A
- Authority
- CN
- China
- Prior art keywords
- information
- motor vehicle
- electronic chart
- local map
- road
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种综合定位的方法,包括如下步骤:获取车载传感器采集的信息;根据车载传感器采集的信息确定机动车在本地地图中的位置;获取精确定位系统采集的信息;根据精确定位系统采集的信息确定机动车在电子地图中的位置;根据机动车在本地地图中的位置纠正机动车在电子地图中的位置。本方案利用实时传感器所获取的本地地图以及机动车的位置与存储的电子地图和精确定位系统(如GPS、北斗)获取的机动车的位置进行综合定位,实现了机动车在电子地图中的准确定位,为机动车后期的路线规划、道路信息预判提供准确的定位参考。
Description
技术领域
本发明涉及定位技术领域,尤其涉及一种综合定位的方法。
背景技术
现在机动车在自动驾驶过程中,需要依靠电子地图,从而提前获取当前机动车所处的周边的环境。同时机动车也需要传感器实时获取当前的环境信息,并根据此环境信息生成当前机动车所处的环境的本地地图。而后机动车需要将本地地图与电子地图的信息进行融合,形成了一个抽象的虚拟世界。这个抽象的虚拟世界除了传感器所能采集到的机动车的实时环境信息的范围内(即本地地图范围内),其他范围则全部为电子地图信息。
其中,传感器在进行实时数据采集的时候,基准坐标点是机动车中心。此时,机动车本身也在作运动,导致基准坐标点跟随着机动车在虚拟世界的三维空间内上下,左右,前后地变化。
传感器采集的数据需要进行时间积分,这就要求基准坐标点的变化:
1.精确度较高,使得累积坐标误差在一定的时间内不会导致积分后数据出现明显变形。
2.不能出现跳跃,基准坐标点跳跃直接导致数据的错位。基准点的移动越平滑越好。
基准坐标点的坐标由精确定位系统(如GPS系统、北斗系统)提供。虽然精确定位系统能提供很高的精确度,但在实际运作过程中给出的坐标估计值经常会因为卫星定位系统的测量而发生跳跃。这是因为精确定位系统提供的是当前最可能的位置。例如,卫星定位系统的信号有时会丢失,在一段时间后重新接收到信号后就可能出现坐标跳跃。因此机动车在运动过程中,每一次获取的精确定位系统坐标,都要过滤掉坐标跳跃性错误。
为了导航的需要,也为了能准确地利用电子地图提供的丰富信息,机动车需要精确地找到自己在电子地图中的相应位置。不过,机动车在行驶过程中的位置信息主要参照精确定位系统的坐标。虽然电子地图和当前机动车所使用的精确定位系统都是采用基于卫星定位系统的坐标,但现实中同一个位置很可能在两个坐标系统中的坐标值不一样。这是因为:
·两个系统原始坐标数据的采集不是在同一时刻,由同一组设备完成。
·卫星定位系统的误差在不同的时间是不一样的。
因此,无法简单地用全球定位系统的坐标值融合电子地图和基于本地地图坐标的本地传感器本地地图对机动车进行定位。
发明内容
为此,需要提供一种综合定位的方案,解决在本地地图和电子地图定位不一致情况下机动车定位的问题,通过本地地图信息和电子地图信息达到综合定位的目的。
为实现上述目的,发明人提供了一种综合定位的方法,包括如下步骤:
获取车载传感器采集的信息;
根据车载传感器采集的信息确定机动车在本地地图中的位置;
获取精确定位系统采集的信息;
根据精确定位系统采集的信息确定机动车在电子地图中的位置;
根据机动车在本地地图中的位置纠正机动车在电子地图中的位置。
进一步地,所述“根据车载传感器采集的信息确定机动车在本地地图中的位置”具体包括:
根据车载传感器采集的信息提取道路特征;
根据道路特征确定机动车在本地地图中的位置。
进一步地,所述“根据车载传感器采集的信息提取道路特征”还包括步骤:提取道路平面。
进一步地,所述道路特征包括道路边缘特征或者机动车行车线特征。
进一步地,所述机动车行车线特征提取步骤包括如下:
获取机动车传感器采集的路面亮度信息;
确定路面亮度信息中绝对亮度高并且附近存在其它高亮度数据点的第一数据点;
提取第一数据点为机动车行车线。
进一步地,所述道路边缘特征的提取步骤包括如下:
获取机动车传感器采集的路面高度信息;
确定路面高度信息中高度的变化率大于高度预设值的第二数据点;
提取第二数据点为道路边缘。
进一步地,所述“根据精确定位系统采集的信息确定机动车在电子地图中的位置”还包括如下步骤:
判断精确定位系统采集的信息是否发生跳跃;
如果是,则根据车载传感器采集的数据计算出的机动车的位移矢量,并根据该位移矢量更新机动车在电子地图中的位置;
否则根据精确定位系统采集的信息确定机动车在电子地图中的位置。
进一步地,所述“判断精确定位系统采集的信息是否发生跳跃”具体包括如下步骤:
计算精确定位系统采集的信息的变化量|Δx|,如果变化量|Δx|满足下列公式:
则精确定位系统采集的信息发生跳跃;
否则精确定位系统采集的信息没有发生跳跃;
其中:Δt为两次获取的精确定位信息之间的时间差,μ为速度允许误差,τ为方向允许误差,ε为位置跳动允许误差,θ为车辆行驶方向。
进一步地,所述“根据机动车在本地地图中的位置纠正机动车在电子地图中的位置”包括如下步骤:
调整机动车在电子地图中的位置使得本地地图中相对于机动车的路面信息与电子地图中相对于机动车的路面信息吻合。
进一步地,路面信息吻合包括道路边缘信息吻合或者机动车行车线信息吻合。
区别于现有技术,上述技术方案利用实时传感器所获取的本地地图以及机动车的位置与存储的电子地图和精确定位系统(如GPS、北斗)获取的机动车的位置进行综合定位,实现了机动车在电子地图中的准确定位,为机动车后期的路线规划、道路信息预判提供准确的定位参考。
附图说明
图1为背景技术所述本地地图和电子地图定位不一致时的示意图;
图2为采用本方法后定位的示意图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
请参阅图1和图2所示,本实施例提供一种综合定位的方法,可用于机动车控制系统中,机动车控制系统包含有控制器、车载传感器等,车载传感器可以包含有用于获取路面高度的激光扫描雷达获取用于获取路面图像的摄像头等,机动车控制系统还包括有精确定位系统以及电子地图。机动车可以通过车载传感器实现在本地地图中的定位(确定位置)和通过精确定位系统实现在电子地图中的定位,但是这两者的定位信息一般会出现一定的偏差,如图1所示,中间虚线以上部分为机动车A在本地地图中的定位,此时机动车A位置为道路中间,而虚线以下部分为机动车A在电子地图中的位置,处于车道靠右位置,此时就需要对机动车进行综合定位。
在进行综合定位时,本方法包括如下步骤:
获取车载传感器采集的信息;
根据车载传感器采集的信息确定机动车在本地地图中的位置;
获取精确定位系统采集的信息;
根据精确定位系统采集的信息确定机动车在电子地图中的位置;
根据机动车在本地地图中的位置纠正机动车在电子地图中的位置。如图2所示,根据机动车A在本地地图中的道路中间位置,纠正机动车在电子地图中的位置,使得本地地图和电子地图是重合、一致的。通过本地地图的准确位置纠正电子地图中的位置,使得电子地图中机动车处于准确的位置上,为路线规划提供准确依据。
具体的位置确定可以通过一些道路参考物来确定,如道路上的一根柱子,车载传感器采集到机动车与该柱子的相对位置关系,即确定了机动车在本地地图中的位置,而后可以根据柱子在电子地图中的位置,反过来确定机动车在电子地图中的位置。在某些实施例中,可以通过道路特征进行机动车位置在本地地图中的确定。
由于车载传感器数据包含了路面(道路平面)信号和非路面信号(其它车辆,静止障碍物等)。由于电子地图上的道路信息只包括了路面,所以为了将即时扫描的道路信息和电子地图的道路信息进行匹配,必须要过滤掉车载传感器数据中路面信号以外的所有信号,提取出道路平面。在某些实施例中,具体步骤为:
1.根据当前路面的物理特征,选择一个适合当前路段的路面模型。一种可能的路面模型为,假定路面由高度相似,且高度变化率小的点组成。
2.将测量的路面参数(比如车轮子下的道路的高度,两个轮子间路面的高度差等)输入路面模型。
3.计算每一个数据点和路面模型的吻合程度,过滤掉不吻合的数据点,提取道路平面。
上述中,道路特征可以包含有多种特征,具体地包括有道路边缘特征或者机动车行车线特征。行车线即画在路面上用于规范机动车行驶的线,如图1或图2中的中间行车线B。
其中,对于机动车行车线特征的提取步骤包括如下:获取机动车传感器采集的路面亮度信息;确定路面亮度信息中绝对亮度高并且附近存在其它高亮度数据点的第一数据点;提取第一数据点为机动车行车线。数据点即车载传感器采集到的路面的信息点,路面由密密麻麻的数据点构成,行车线的数据点特征为:该数据点绝对亮度高并且该数据点附近存在其它高亮度数据点。多个第一数据点构成了行车线。
其中,判断某个数据点为道路边缘的一部分的条件为:该点的高度的变化率明显高于周围的平均值。则道路边缘特征的提取步骤包括如下:获取机动车传感器采集的路面高度信息;确定路面高度信息中高度的变化率大于高度预设值的第二数据点;提取第二数据点为道路边缘。高度预设值可以通过实验得到。
上述的道路边缘特征和行车线特征统称为道路边界特征,可以用矩阵g(x),x=[x,y]T这样一个二维的矩阵代表路面。其中每一个单元格对应路面上的一块矩形区域。每个数据点通过相同的三维坐标中水平坐标x,y的值找到对应单元格。每个单元格x存储的是一个随机变量,代表该单元格是道路边缘点或者行车线点的概率。
在用特征数据点更新g(x)矩阵中的信息之前,要进行标准化处理,使得每个数据点的亮度值li和高度值hi分布在[0,1]的区间内。标准化后的亮度和高度值分别为和
每个单元格x的概率是一种后验概率,反应了根据观察到的特征信息,该单元格为特征点的可能性。具体的计算公式为:
根据公式(1),每个单元格的后验概率呈变量遵循正态分布。道路边缘特征和行车线特征对于道路边界特征的贡献的比重是一样的。
道路边界特征矩阵g(x)虽然包括了经过高度提炼的特征信息,但这些信息:
1.是离散的,还没有明确定义哪些单元格组成了一条行车线或者道路边缘,
2.很可能存在噪声。
本方案用一种线段模型抽象行车线和道路边缘,为近一步分析提供明确的特征界定。为了在特征矩阵g(x)中寻找代表行车线和道路边缘的线段,本方案通过拉东变换将特征矩阵投影到拉东平面上。
假定在g(x)的二位坐标系内,这些线段由两个参数决定,1)线段和原点的距离r;2)线段的法线和x轴的夹角由此定制的拉东变换为:
其中
拉东平面提供了对数据完全不同的一种诠释。在拉东平面上可以看到一些顶点。每一个顶点都代表了一个参数为的具体线段。决定顶点的高度的是特征矩阵g(x)上映射到这条线段上的单元格的信号总强度。
拉东变换是个作用于整个道路边界特征矩阵的算法(在两个维度上积分g(x)),因此对局部的杂讯具有很强的过滤能力,对信号的缺失(如行车线被其他障碍物遮挡)也有很强的免疫力。
本模块最终提取的道路边缘和行车线线段,就是在拉东平面内:
1.寻找局部最大值,
2.如果最大值高于一定的阀值,则该顶点代表一个行车线或道路边界线段。
上述实施例中,精确定位系统所获取的定位信息可能发生跳跃,如果精确定位系统所获取的定位信息发生跳跃,则该定位信息可能会存在较大的错误而导致定位的失误。为了保证准确定位,要对此进行判断。则本方法还包括如下步骤:
判断精确定位系统采集的信息是否发生跳跃;
如果是,则根据车载传感器采集的数据计算出的机动车的位移矢量,并根据该位移矢量更新机动车在电子地图中的位置;
否则根据精确定位系统采集的信息确定机动车在电子地图中的位置。
在某些实施例中,假设连续两次获取的精确定位信息之间的时间差为Δt,坐标变化为矢量Δx,要判断在Δt时间Δx是否在一个合理的范畴内,可以参照位移计在同一时间内测量的数据。根据位移计测量的轮子速度v(轮子里程计)和行驶方向θ(车辆角度仪),可以得出另一个位移的估算。因为安装于机动车上的位移计不会出现跳跃,所以如果Δx超过了位移计的估算,加上一定错误允许范围,那么很可能发生了跳跃。具体的跳跃满足公式如下:
其中,μ为速度允许误差,τ为方向允许误差,ε为位置跳动允许误差,θ为车辆行驶方向。μ,τ,ε的具体值取决于机动车行驶的地区内卫星定位系统服务的质量,以及精确定位系统的准确度。在卫星定位系统精度到达米级,并且精确定位系统的精度达到0.1米级别的情况下,取μ=0.04,τ=cos20°,ε=0.025,可以在充分保证坐标变化的平滑性的同时,不至于过于依赖位移计的数据(位移计对于累积错误不具备的纠正能力)。
在一开始(时间点为零)的时候,本地地图坐标等于精确定位系统的坐标。而后,在每次获取新的精确定位系统的坐标时,运行公式(2):
·如果判断为是,则采用位移计的数据推算出的位移量来更新机动车在本地地图的位置。并且将位移计的位移矢量和Δx的差累积到一个精确定位总错误量E中。
·如果判断为否,则采用Δx-E更新本地地图坐标。
虽然通过跳跃过滤获得的本地地图坐标能有效地保证传感器数据不会出现矛盾或者变形。
进一步地,所述“根据机动车在本地地图中的位置纠正机动车在电子地图中的位置”包括如下步骤:
调整机动车在电子地图中的位置使得本地地图中相对于机动车的路面信息与电子地图中相对于机动车的路面信息吻合。
基于精确定位系统坐标的电子地图和基于传感器采集的本地地图的偏差的估算可以利用两个信息:1.侧向行车线距离dL;2.侧向道路边缘距离dC。路面信息可以包括上述的两个信息。
dL和dC的计算都是用本地地图坐标,具体为:
1.dL为机动车中心点到侧面行车线的最短距离,即中心点到其在行车线上投影点的长度。侧面行车线即4.2生成的行车线线段。
2.dL为机动车中心点到侧面道路边缘的最短距离,即中心点到其在道路边缘上投影点的长度。侧面道路边缘即4.2生成的道路边缘线段。
根据以上两个实际观测/测量的距离信息,可以估算在电子地图坐标系中,机动车中心点到行车线或者道路边缘的最短距离d(以下称做虚拟侧向距离)。
在这里,d被设置成一个随机变量。d的范围是[0,车道最大宽度]。
本算法利用一个贝叶斯的框架,得出在获得某一特定的观察(dL和dC,以下简称观察数据)的前提下d的概率分布,即已知观察数据后d的条件概率:
Prob(d|观察数据)
(Prob(X)代表一个随机变量X的概率分布)
贝叶斯定理认为,
Prob(d|观察数据)=c·Prob(观察数据|d)·Prob(d)
其中c为一个比例常数。
Prob(d)可以看作是对于虚拟侧向距离的可能分布的先前估计,或者说先验的知识。在这里,我们假定所有的虚拟侧向距离的概率相等。
Prob(观察数据|d)的计算需要建立一个基于正态分布的概率模型。在这个模型中,
1.在电子地图中,根据已知的观察数据dL和dC、机动车中心点坐标和d的某一特定值,画一条虚拟行车线和虚拟道路边缘。
2.如果这一特定的d值使得虚拟行车线和电子地图中的行车线/道路边缘越接近,则概率越高。
3.反之,如果这一特定的d值使得虚拟行车线和电子地图中的行车线/道路边缘越远离,则概率越低。
在得出Prob(观察数据|d)后,还需要将不同d的取值下的Prob(观察数据|d)·Prob(d)按比例放大,使得它们的总和为1,满足Prob(d|观察数据)为随机变量的条件。
然后概率最高的距离d即为d过滤。
上面这种算法比起直接令d过滤=dL的好处为:
1.提取的道路边界特征和电子地图上的信息(行车线位置/道路宽度)可能存在偏差。
2.用后验概率法得出最可能的d过滤,其实就是令两个图像(包含道路边界特征基于本地地图坐标的本地地图的和电子地图)相关度最高的距离,或者说使得两个图像最匹配地重叠在一起的距离。
在得到d过滤后,便可计算本地地图和电子地图之间的偏差。
首先,令d未过滤为本地地图坐标中机动车中心点坐标到电子地图坐标系中行车线/道路边缘的最短距离。注意这里利用了两个不同坐标系的坐标计算。
接下来,计算eL=d过滤-d未过滤,eL代表了在时间间隔Δt内,本地地图坐标和电子地图坐标系之间在行车线法向上的累积偏差值。由eL,可以得出纠正矢量为:eL·方向为行车线法向的单位向量。
本地地图坐标当前未经过滤的坐标,减去纠正矢量,得出本地地图坐标当前经过滤的坐标。这个新的坐标消除了本地地图坐标和电子地图坐标系之间的可能误差。
除了当前坐标,本地地图坐标之前所有时刻的坐标都要递归地减去这个纠正矢量,以保证本地地图坐标在时间上的一致性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者终端设备不仅包括那些要素,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、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括……”或“包含……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外,在本文中,“大于”、“小于”、“超过”等理解为不包括本数;“以上”、“以下”、“以内”等理解为包括本数。
本领域内的技术人员应明白,上述各实施例可提供为方法、装置、或计算机程序产品。这些实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。上述各实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机设备可读取的存储介质中,用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备,包括但不限于:个人计算机、服务器、通用计算机、专用计算机、网络设备、嵌入式设备、可编程设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等;所述的存储介质,包括但不限于:RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。
上述各实施例是参照根据实施例所述的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到计算机设备的处理器以产生一个机器,使得通过计算机设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机设备以特定方式工作的计算机设备可读存储器中,使得存储在该计算机设备可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机设备上,使得在计算机设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已经对上述各实施例进行了描述,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改,所以以上所述仅为本发明的实施例,并非因此限制本发明的专利保护范围,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之内。
Claims (10)
1.一种综合定位的方法,其特征在于,包括如下步骤:
获取车载传感器采集的信息;
根据车载传感器采集的信息确定机动车在本地地图中的位置;
获取精确定位系统采集的信息;
根据精确定位系统采集的信息确定机动车在电子地图中的位置;
根据机动车在本地地图中的位置纠正机动车在电子地图中的位置。
2.根据权利要求1所述的综合定位的方法,其特征在于:
所述“根据车载传感器采集的信息确定机动车在本地地图中的位置”具体包括:
根据车载传感器采集的信息提取道路特征;
根据道路特征确定机动车在本地地图中的位置。
3.根据权利要求2所述的综合定位的方法,其特征在于:
所述“根据车载传感器采集的信息提取道路特征”还包括步骤:提取道路平面。
4.根据权利要求2所述的综合定位的方法,其特征在于:
所述道路特征包括道路边缘特征或者机动车行车线特征。
5.根据权利要求4所述的综合定位的方法,其特征在于:
所述机动车行车线特征提取步骤包括如下:
获取机动车传感器采集的路面亮度信息;
确定路面亮度信息中绝对亮度高并且附近存在其它高亮度数据点的第一数据点;
提取第一数据点为机动车行车线。
6.根据权利要求4所述的综合定位的方法,其特征在于:
所述道路边缘特征的提取步骤包括如下:
获取机动车传感器采集的路面高度信息;
确定路面高度信息中高度的变化率大于高度预设值的第二数据点;
提取第二数据点为道路边缘。
7.根据权利要求1所述的综合定位的方法,其特征在于:
所述“根据精确定位系统采集的信息确定机动车在电子地图中的位置”还包括如下步骤:
判断精确定位系统采集的信息是否发生跳跃;
如果是,则根据车载传感器采集的数据计算出的机动车的位移矢量,并根据该位移矢量更新机动车在电子地图中的位置;
否则根据精确定位系统采集的信息确定机动车在电子地图中的位置。
8.根据权利要求7所述的综合定位的方法,其特征在于:
所述“判断精确定位系统采集的信息是否发生跳跃”具体包括如下步骤:
计算精确定位系统采集的信息的变化量|Δx|,如果变化量|Δx|满足下列公式:
|Δx|>v(1+μ)Δt+ε或者{|Δx|>ε并且 }
则精确定位系统采集的信息发生跳跃;
否则精确定位系统采集的信息没有发生跳跃;
其中:Δt为两次获取的精确定位信息之间的时间差,μ为速度允许误差,τ为方向允许误差,ε为位置跳动允许误差,θ为车辆行驶方向。
9.根据权利要求1所述的综合定位的方法,其特征在于:
所述“根据机动车在本地地图中的位置纠正机动车在电子地图中的位置”包括如下步骤:
调整机动车在电子地图中的位置使得本地地图中相对于机动车的路面信息与电子地图中相对于机动车的路面信息吻合。
10.根据权利要求9所述的综合定位的方法,其特征在于:路面信息吻合包括道路边缘信息吻合或者机动车行车线信息吻合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510040520.XA CN104677361B (zh) | 2015-01-27 | 2015-01-27 | 一种综合定位的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510040520.XA CN104677361B (zh) | 2015-01-27 | 2015-01-27 | 一种综合定位的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104677361A true CN104677361A (zh) | 2015-06-03 |
CN104677361B CN104677361B (zh) | 2015-10-07 |
Family
ID=53312730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510040520.XA Active CN104677361B (zh) | 2015-01-27 | 2015-01-27 | 一种综合定位的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104677361B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105180955A (zh) * | 2015-10-21 | 2015-12-23 | 福州华鹰重工机械有限公司 | 机动车实时精准定位方法及装置 |
CN106341885A (zh) * | 2016-10-18 | 2017-01-18 | 江西博瑞彤芸科技有限公司 | 定位信息的获取方法 |
CN106767853A (zh) * | 2016-12-30 | 2017-05-31 | 中国科学院合肥物质科学研究院 | 一种基于多信息融合的无人驾驶车辆高精度定位方法 |
CN107339996A (zh) * | 2017-06-30 | 2017-11-10 | 百度在线网络技术(北京)有限公司 | 车辆自定位方法、装置、设备及存储介质 |
CN107924625A (zh) * | 2015-08-19 | 2018-04-17 | 三菱电机株式会社 | 车道识别装置以及车道识别方法 |
CN108226924A (zh) * | 2018-01-11 | 2018-06-29 | 李烜 | 基于毫米波雷达的汽车行驶环境探测方法、装置及其应用 |
CN108413971A (zh) * | 2017-12-29 | 2018-08-17 | 驭势科技(北京)有限公司 | 基于车道线的车辆定位技术及应用 |
CN112629546A (zh) * | 2019-10-08 | 2021-04-09 | 宁波吉利汽车研究开发有限公司 | 一种位置调节参数确定方法、装置、电子设备及存储介质 |
CN113900133A (zh) * | 2021-11-17 | 2022-01-07 | 智道网联科技(北京)有限公司 | 目标轨迹的平滑方法和装置、电子设备和存储介质 |
CN114158119A (zh) * | 2021-12-09 | 2022-03-08 | 北京百度网讯科技有限公司 | 行驶方向的识别方法、装置、电子设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1841023A (zh) * | 2005-01-28 | 2006-10-04 | 爱信艾达株式会社 | 车辆位置识别装置及车辆位置识别方法 |
CN101916373A (zh) * | 2010-08-11 | 2010-12-15 | 西安电子科技大学 | 基于小波检测和脊线跟踪的道路半自动提取方法 |
CN102208012A (zh) * | 2010-03-31 | 2011-10-05 | 爱信艾达株式会社 | 风景匹配参考数据生成系统及位置测量系统 |
CN103140738A (zh) * | 2010-10-29 | 2013-06-05 | 丰田自动车株式会社 | 车辆用信息处理装置 |
CN103207634A (zh) * | 2013-03-20 | 2013-07-17 | 北京工业大学 | 一种智能车辆中差分gps与惯性导航数据融合的系统和方法 |
-
2015
- 2015-01-27 CN CN201510040520.XA patent/CN104677361B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1841023A (zh) * | 2005-01-28 | 2006-10-04 | 爱信艾达株式会社 | 车辆位置识别装置及车辆位置识别方法 |
CN102208012A (zh) * | 2010-03-31 | 2011-10-05 | 爱信艾达株式会社 | 风景匹配参考数据生成系统及位置测量系统 |
CN101916373A (zh) * | 2010-08-11 | 2010-12-15 | 西安电子科技大学 | 基于小波检测和脊线跟踪的道路半自动提取方法 |
CN103140738A (zh) * | 2010-10-29 | 2013-06-05 | 丰田自动车株式会社 | 车辆用信息处理装置 |
CN103207634A (zh) * | 2013-03-20 | 2013-07-17 | 北京工业大学 | 一种智能车辆中差分gps与惯性导航数据融合的系统和方法 |
Non-Patent Citations (1)
Title |
---|
唐祥燕: "基于信息融合的道路和障碍物检测方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107924625A (zh) * | 2015-08-19 | 2018-04-17 | 三菱电机株式会社 | 车道识别装置以及车道识别方法 |
CN105180955A (zh) * | 2015-10-21 | 2015-12-23 | 福州华鹰重工机械有限公司 | 机动车实时精准定位方法及装置 |
CN106341885A (zh) * | 2016-10-18 | 2017-01-18 | 江西博瑞彤芸科技有限公司 | 定位信息的获取方法 |
CN106767853A (zh) * | 2016-12-30 | 2017-05-31 | 中国科学院合肥物质科学研究院 | 一种基于多信息融合的无人驾驶车辆高精度定位方法 |
CN106767853B (zh) * | 2016-12-30 | 2020-01-21 | 中国科学院合肥物质科学研究院 | 一种基于多信息融合的无人驾驶车辆高精度定位方法 |
CN107339996A (zh) * | 2017-06-30 | 2017-11-10 | 百度在线网络技术(北京)有限公司 | 车辆自定位方法、装置、设备及存储介质 |
CN108413971A (zh) * | 2017-12-29 | 2018-08-17 | 驭势科技(北京)有限公司 | 基于车道线的车辆定位技术及应用 |
CN108413971B (zh) * | 2017-12-29 | 2021-12-14 | 驭势科技(北京)有限公司 | 基于车道线的车辆定位技术及应用 |
CN108226924A (zh) * | 2018-01-11 | 2018-06-29 | 李烜 | 基于毫米波雷达的汽车行驶环境探测方法、装置及其应用 |
CN108226924B (zh) * | 2018-01-11 | 2020-11-10 | 南京楚航科技有限公司 | 基于毫米波雷达的汽车行驶环境探测方法、装置及其应用 |
CN112629546A (zh) * | 2019-10-08 | 2021-04-09 | 宁波吉利汽车研究开发有限公司 | 一种位置调节参数确定方法、装置、电子设备及存储介质 |
CN112629546B (zh) * | 2019-10-08 | 2023-09-19 | 宁波吉利汽车研究开发有限公司 | 一种位置调节参数确定方法、装置、电子设备及存储介质 |
CN113900133A (zh) * | 2021-11-17 | 2022-01-07 | 智道网联科技(北京)有限公司 | 目标轨迹的平滑方法和装置、电子设备和存储介质 |
CN114158119A (zh) * | 2021-12-09 | 2022-03-08 | 北京百度网讯科技有限公司 | 行驶方向的识别方法、装置、电子设备和介质 |
CN114158119B (zh) * | 2021-12-09 | 2024-03-01 | 北京百度网讯科技有限公司 | 行驶方向的识别方法、装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104677361B (zh) | 2015-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104677361B (zh) | 一种综合定位的方法 | |
CN111551958B (zh) | 一种面向矿区无人驾驶的高精地图制作方法 | |
CN106352867B (zh) | 用于确定车辆自身位置的方法和设备 | |
CN110146909B (zh) | 一种定位数据处理方法 | |
CN110909711B (zh) | 检测车道线位置变化的方法、装置、电子设备和存储介质 | |
Tao et al. | Lane marking aided vehicle localization | |
JP2022113746A (ja) | 判定装置 | |
JP2016180980A (ja) | 情報処理装置、プログラム、及び地図データ更新システム | |
JP5404861B2 (ja) | 静止物地図生成装置 | |
EP2955546B1 (en) | Toll object detection in a gnss system using particle filter | |
JP5388082B2 (ja) | 静止物地図生成装置 | |
CN110608746B (zh) | 用于确定机动车的位置的方法和装置 | |
US20220197301A1 (en) | Vehicle Localization Based on Radar Detections | |
CN105158762A (zh) | 识别和跟踪对流天气单体 | |
Gikas et al. | A novel geodetic engineering method for accurate and automated road/railway centerline geometry extraction based on the bearing diagram and fractal behavior | |
Jiang et al. | Carloc: Precise positioning of automobiles | |
JP2016217084A (ja) | 路面状況計測システム、路面状況計測方法並びに路面状況計測プログラム | |
CN112805766A (zh) | 用于更新详细地图的装置和方法 | |
CN107764273B (zh) | 一种车辆导航定位方法及系统 | |
CN116399324A (zh) | 建图方法、装置及控制器、无人驾驶车辆 | |
Gustafsson et al. | Navigation and tracking of road-bound vehicles | |
Meis et al. | A new method for robust far-distance road course estimation in advanced driver assistance systems | |
CN108981729B (zh) | 车辆定位方法和装置 | |
CN115129796A (zh) | 定位数据分析方法、装置、设备和介质 | |
EP4016129A1 (en) | Radar reference map generation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |