CN106023210A - 无人车、无人车定位方法、装置和系统 - Google Patents

Abstract

本申请公开了一种无人车、无人车定位方法、装置和系统。所述方法的一具体实施方式包括：获取与无人车当前位置匹配的第一激光点云反射值数据，其中，第一激光点云反射值数据包括各激光点的第一坐标以及与第一激光点云反射值数据中的各激光点对应的激光反射强度值；将第一激光点云反射值数据转化为地平面内的激光点云投影数据；以预先确定的先验定位位置在激光点云反射值地图中的位置作为初始位置，确定激光点云投影数据在激光点云反射值地图的预定范围内的第一匹配概率；以及基于第一匹配概率确定无人车在激光点云反射值地图中的位置。该实施方式实现了对无人车当前位置的准确定位。

Description

无人车、无人车定位方法、装置和系统

技术领域

本申请涉及车辆工程技术领域，具体涉及无人驾驶车辆领域，尤其涉及无人车、无人车定位方法、装置和系统。

背景技术

无人驾驶车辆(以下简称无人车)是一种不需要人工控制即可对其周围环境进行感知，对场景进行决策判断，对其进行控制的现代车辆。

定位系统在无人车自动驾驶过程中起着举足轻重的作用。其它模块，例如感知、路径规划等模块都不同程度地基于定位系统产生的定位结果来进行相应的操作。定位的准确性更是直接影响无人车成败的关键之一。

现有技术中，主要通过GPS(Global Positioning System，全球定位系统)实时差分(RTK，Real-time kinematic)定位来确定无人车的位置。

然而，现有技术的实时差分定位方法在GPS卫星信号受遮挡或复杂环境多径效应强烈的时候，将会产生较大的定位误差，无法提供高精度高稳定性的定位结果。

发明内容

本申请的目的在于提出一种改进的无人车、无人车定位方法、装置和系统，来解决以上背景技术部分提到的技术问题。

第一方面，本申请提供了一种基于激光点云反射值匹配的无人车定位方法，包括：获取与无人车当前位置匹配的第一激光点云反射值数据，其中，第一激光点云反射值数据包括各激光点的第一坐标以及与第一激光点云反射值数据中的各激光点对应的激光反射强度值；将第一激光点云反射值数据转化为地平面内的激光点云投影数据；以预先确定的先验定位位置在激光点云反射值地图中的位置作为初始位置，确定激光点云投影数据在激光点云反射值地图的预定范围内的第一匹配概率；以及基于第一匹配概率确定无人车在激光点云反射值地图中的位置。

第二方面，本申请提供了一种基于激光点云反射值匹配的无人车定位装置，包括：获取模块，配置用于获取与无人车当前位置匹配的第一激光点云反射值数据，其中，第一激光点云反射值数据包括各激光点的第一坐标以及与第一激光点云反射值数据中的各激光点对应的激光反射强度值；转化模块，配置用于将第一激光点云反射值数据转化为地平面内的激光点云投影数据；匹配概率确定模块，配置用于以预先确定的先验定位位置在激光点云反射值地图中的位置作为初始位置，确定激光点云投影数据在激光点云反射值地图的预定范围内的第一匹配概率；以及位置确定模块，配置用于基于第一匹配概率确定无人车在激光点云反射值地图中的位置。

第三方面，本申请提供了一种无人车，包括：点云反射值数据采集装置，用于采集无人车当前位置的激光点云反射值数据，其中，激光点云反射值数据包括各激光点的坐标以及与各激光点对应的激光反射强度值；存储装置，用于存储激光点云反射值地图；处理器，用于将激光点云反射值数据向地平面投影，生成激光点云投影数据；以预先确定的先验定位位置在激光点云反射值地图中的位置作为初始位置，确定激光点云投影数据在激光点云反射值地图的预定范围内的第一匹配概率；以及基于第一匹配概率确定无人车在激光点云反射值地图中的位置。

第四方面，本申请提供了一种无人车定位系统，包括无人车和定位服务器；无人车包括点云反射值数据采集装置和第一通信装置；点云反射值数据采集装置用于采集无人车当前位置的激光点云反射值数据，其中，激光点云反射值数据包括各激光点的第一坐标以及与各激光点对应的激光反射强度值；第一通信装置用于向定位服务器发送激光点云反射值数据；定位服务器包括第二通信装置、存储器和处理器；第二通信装置用于接收第一通信装置发送的激光点云反射值数据；存储器用于存储激光点云反射值地图；处理器用于将激光点云反射值数据向地平面投影，生成激光点云投影数据，以预先确定的先验定位位置在激光点云反射值地图中的位置作为初始位置，确定激光点云投影数据在激光点云反射值地图的预定区域的第一匹配概率，并基于第一匹配概率确定无人车的定位结果，其中，定位结果包括无人车在激光点云反射值地图中的位置信息；第二通信装置还用于向第一通信装置发送定位结果。

本申请提供的无人车、无人车定位方法、装置和系统，通过将与无人车当前位置匹配的第一激光点云反射值数据转换为激光点云投影数据，并将激光点云投影数据与激光点云反射值地图的一预定范围的各区域进行匹配，基于匹配概率来确定无人车在激光点云反射值地图中的位置，实现了对无人车当前位置的准确定位，避免了现有的基于GPS的实时差分定位由于GPS卫星信号受遮挡或复杂环境多径效应强烈的定位误差大的缺陷。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是本申请的基于激光点云反射值匹配的无人车定位方法的一个实施例的流程图；

图3是本申请的基于激光点云反射值匹配的无人车定位方法中，生成激光点云反射值地图的示意性流程图；

图4是本申请的基于激光点云反射值匹配的无人车定位方法中，激光点云投影数据在激光点云反射值地图的预定范围移动时的示意图；

图5是本申请的基于激光点云反射值匹配的无人车定位装置的一个实施例的结构示意图；

图6是本申请的无人车的一个实施例的示意性结构图；

图7是本申请的无人车定位系统的一个实施例的示意性结构图；

图8是适于用来实现本申请实施例的无人车的处理器或定位服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的基于激光点云反射值匹配的无人车定位方法或基于激光点云反射值匹配的无人车定位装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括无人车101、网络102和服务器103。网络102用以在无人车101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

无人车101可通过网络102与服务器103交互，以接收或发送消息等。无人车101上可以安装有激光点云采集装置、通信装置、处理器等。

服务器103可以是提供各种服务的服务器，例如对无人车101采集到的激光点云反射值数据进行处理的服务器。服务器103可以对接收到的激光点云反射值数据进行分析等处理，并将处理结果(例如无人车的定位信息)反馈给无人车101。

需要说明的是，本申请实施例所提供的基于激光点云反射值匹配的无人车定位方法可以由无人车101执行，或者由服务器103执行，或者一部分步骤由无人车101执行且另一部分步骤由服务器103执行。相应地，基于激光点云反射值匹配的无人车定位装置可以设置于服务器103中，或者设置于无人车101中，或者一部分模块设置在服务器103中且另一部分设置在无人车101中。

应该理解，图1中的无人车101、网络102和服务器103的数目仅仅是示意性的。根据实现需要，可以具有任意数目的无人车101、网络102和服务器103。

继续参考图2，示出了根据本申请的基于激光点云反射值匹配的无人车定位方法的一个实施例的流程200。所述的基于激光点云反射值匹配的无人车定位方法，包括以下步骤：

步骤210，获取与无人车当前位置匹配的第一激光点云反射值数据。其中，第一激光点云反射值数据包括各激光点的第一坐标以及与第一激光点云反射值数据中的各激光点对应的激光反射强度值。

激光点云的反射值是激光点照射物体后的反射强度，其数值范围例如可以是0～255。

在一些可选的实现方式中，若本实施例的基于激光点云反射值匹配的无人车定位方法应用其上的装置为图1中的无人车，可以由设置于无人车上的激光点云反射值采集装置来采集无人车当前位置的第一激光点云反射值数据。

或者，在另一些可选的实现方式中，若本实施例的基于激光点云反射值匹配的无人车定位方法应用其上的装置为图1中的服务器，可以由无人车的激光点云反射值采集装置来采集无人车当前位置的第一激光点云反射值数据再通过有线或无线连接方式上传至服务器中，以实现对第一激光点云反射值数据的获取。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤220，将第一激光点云反射值数据转化为地平面内的激光点云投影数据。

通过将第一激光点云反射值数据向地平面投影，可以将在步骤210中获取到的三维空间内各个坐标位置的激光点云反射值转换为地平面内各个坐标位置的激光点云反射值。

步骤230，以预先确定的先验定位位置在激光点云反射值地图中的位置作为初始位置，确定激光点云投影数据在激光点云反射值地图的预定范围内的第一匹配概率。

在这里，先验定位位置可以是通过其它定位方法确定出的无人车的当前位置，或者，也可以是通过某种预测算法预测得到的无人车的当前位置。

通过在激光点云反射值地图中包含先验定位位置的一预定范围内确定激光点云投影数据与该预定范围的各个区域的第一匹配概率，可以对先验定位位置进行“校正”，从而使得最终确定出的无人车的定位结果误差更小。

步骤240，基于第一匹配概率确定无人车在激光点云反射值地图中的位置。

例如，若激光点云投影数据可能与激光点云反射值地图的预定范围中的某一区域的第一匹配概率高于与激光点云反射值地图的预定范围中的其它区域的第一匹配概率，在一些可选的实现方式中，可以将具有较高的第一匹配概率的该区域作为当前无人车在激光点云反射值地图中的位置。

或者，在另一些可选的实现方式中，可以通过对激光点云投影数据与激光点云反射值地图的预定范围中的各个区域的第一匹配概率进行一定的处理，从处理结果中进一步确定出当前无人车在激光点云反射值地图中的位置。

本实施例的基于激光点云反射值匹配的无人车定位方法，通过将与无人车当前位置匹配的第一激光点云反射值数据转换为激光点云投影数据，并将激光点云投影数据与激光点云反射值地图的一预定范围的各区域进行匹配，基于匹配概率来确定无人车在激光点云反射值地图中的位置，从而可以对先验定位位置进行校正，进而实现对无人车的精确定位。

在一些可选的实现方式中，本实施例的基于激光点云反射值匹配的无人车定位方法中的激光点云反射值地图可以通过如如图3所示的流程300来生成。

具体而言，步骤310，将地球表面在世界坐标系的地平面内划分为M×N个地图区域，其中，各地图区域例如可以具有相同的大小和形状。

在一些可选的实现方式中，世界坐标系例如可以采用UTM坐标系统(UniversalTransverse Mercator System)。

步骤320，将各地图区域进一步划分成m×n个地图网格，其中，各地图网格具有相同的大小和形状。

由于步骤310中划分出的地图区域可能覆盖较大的区域范围，在生成激光点云反射值地图的过程中，各地图区域中的激光点数量可能具有相当大的数量级，导致定位处理的计算量较大。此外，当地图区域可能覆盖较大的区域范围时，基于该地图得到的定位结果的精度较低。因此，可以在本步骤320中，对各地图区域进行进一步地细分，从而减小定位处理的计算量，并提高定位结果的定位精度。

步骤330，采集与各地图网格的定位位置对应的第二激光点云反射值数据，其中，第二激光点云反射值数据包括各激光点在世界坐标系下的第二坐标以及与第二激光点云反射值数据中的各激光点对应的激光反射强度值。

例如，假设某一地图网格的横坐标x∈[x_a,x_b],且该地图网格的纵坐标y∈[y_c,y_d]。则在本步骤中，可以采集世界坐标处于该范围内的各个激光点的激光反射强度值，并按照类似的方式采集处于地球表面各个地图网格的坐标范围内的激光点的激光反射强度值。

步骤340，在各地图网格中存储与之对应的地图数据。其中，地图数据包括与该地图网格对应的定位位置内的各激光点的激光反射强度值的均值、与该地图网格对应的定位位置内的各激光点的激光反射强度值的方差以及与该地图网格对应的定位位置内的各激光点的数量。

继续返回图2，在一些可选的实现方式中，图2中步骤210中，激光点的第一坐标可以是第一激光点云反射值数据中的各激光点在无人车的车辆坐标系下的坐标。

在这些可选的实现方式中，图2中步骤220的将第一激光点云反射值数据转化为地平面内的激光点云投影数据可以进一步包括：

步骤221，将第一激光点云反射值数据转化为转换为第三激光点云反射值数据。

在这里，第三激光点云反射值数据例如可以包括各激光点的第三坐标以及与第一激光点云反射值数据中的各激光点对应的激光反射强度值，其中第三坐标为第一激光点云反射值数据中的各激光点在世界坐标系下的坐标。第三坐标X’可以为：

X’＝(x’,y’,z’)^T＝RX+T (1)

其中，R为从无人车的车辆坐标系向世界坐标系转换的旋转矩阵，X＝(x,y,z)^T为第一激光点云反射值数据中的各激光点的第一坐标，T为从无人车的车辆坐标系向世界坐标系转换的平移矩阵。

步骤222，将第三激光点云反射值数据向地平面投影，生成激光点云投影数据。

激光点云投影数据可以包括第一激光点云反射值数据中的各激光点的投影坐标、各投影网格内的各激光点的激光反射强度值的均值、各投影网格内的各激光点的激光反射强度值的方差以及各投影网格内的各激光点的数量。

其中，第一激光点云反射值数据中的各激光点的投影坐标X”满足：

X”＝(x”,y”)^T＝SX’ (2)

其中，S为投影矩阵，且满足：

$S=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\end{array}\right].$

通过公式(1)和公式(2)，可以将基于无人车车辆坐标系采集的三维空间内的激光点云数据(即第一激光点云反射值数据)转换为基于世界坐标系的地平面内的激光点云数据(即激光点云投影数据)。

在这里，各投影网格可以与地图网格具有相同的大小和形状，例如，投影网格与地图网格可以为全等的矩形。

在一些可选的实现方式中，图2中的步骤230可以进一步通过如下的流程来实现。

步骤231，将激光点云投影数据的中心投影网格O(x,y)与激光点云反射值地图中与先验定位位置O’(x_o,y_o)对应的地图网格重合，其中，中心投影网格O(x,y)为激光点云投影数据中代表无人车车身的投影网格。

在一些应用场景中，安装在无人车上的激光点云反射值采集装置可以以一预定的半径采集无人车周围的激光点云反射值数据，激光点云反射值采集装置采集到的激光点云反射值数据位于以无人车为中心、以上述预定的半径为半径的球体中。在这些应用场景中，可以截取该球体中的一部分数据用于后续的匹配定位。例如，构造一该球体的长方体或立方体，并利用落入该长方体或立方体内的激光点的激光点云反射值作为用于定位使用的激光点云反射值数据(即第一激光点云反射值数据)。因而，在这些应用场景中，最终生成的激光点云投影数据中，代表无人车的中心投影网格O(x,y)恰好落入整个投影范围的几何中心。

步骤232，确定激光点云投影数据的投影范围和与之对应的地图范围的第一匹配概率。

假设激光点云投影数据形成的投影范围包括5×5的投影网格，那么，与该投影范围相对应的地图范围也包括5×5的地图网格。

在一些应用场景中，投影范围和与之对应的地图范围之间的第一匹配概率例如可以通过如下的公式(3)来确定：

$P(x,y)={\mathrm{\α}}^{-\frac{\underset{x_i=x_1}{\overset{x_m}{\Σ}}\underset{y_j=y_1}{\overset{y_n}{\Σ}}\frac{|{\mathrm{\μ}}_{x_i,y_j}^m-{\mathrm{\μ}}_{x_i,y_j}^r|({\mathrm{\σ}}_{x_i,y_j}^m+{\mathrm{\σ}}_{x_i,y_j}^r)N_{x_i,y_j}^r}{2{\mathrm{\σ}}_{x_i,y_j}^m{\mathrm{\σ}}_{x_i,y_j}^r}}{\underset{x_i=x_1}{\overset{x_m}{\Σ}}\underset{y_j=y_1}{\overset{y_n}{\Σ}}{N}_{x_i,y_j}^r}}---\left(3\right)$

其中，(x,y)为中心投影网格的世界坐标，(x_i,y_j)为激光点云投影数据的投影范围内各投影网格的世界坐标，α为一预设常数参数，为世界坐标为(x_i,y_j)的地图网格中的激光点的激光反射强度值的均值，为世界坐标为(x_i,y_j)的投影网格中的激光点的激光反射强度值的均值，为世界坐标为(x_i,y_j)的地图网格中的激光点的激光反射强度值的方差，为世界坐标为(x_i,y_j)的投影网格中的激光点的激光反射强度值的方差，为世界坐标为(x_i,y_j)的投影网格中的激光点的数量。x₁为地图范围中，具有最小横坐标的地图网格的横坐标值，而x_m为地图范围中，具有最大横坐标的地图网格的横坐标值；相应地，y₁为地图范围中，具有最小横坐标的地图网格的纵坐标值，而y_n为地图范围中，具有最大纵坐标的地图网格的纵坐标值。

也即是说，公式(3)中，P(x,y)为以α为底数，以为幂的幂函数。

步骤233，以预定的偏移量k移动中心投影网格O(x,y)，并分别确定与当前中心投影网格O(x,y)对应的激光点云投影数据的第一匹配概率。

在这里，k可以理解为从先验定位位置O’(x_o,y_o)对应的地图网格为初始位置，分别沿x轴的正方向和负方向依次平移1～k个地图网格和沿y轴的正方向和负方向依次平移1～k个地图网格形成的(2k+1)²个地图范围。如图4所示，虚线框420示出的区域即为当激光点云投影数据形成的投影范围410包括5×5的投影网格，且偏移量k＝2时，形成的地图中的预定范围。

当投影范围在预定范围内移动时，可以基于上述公式(3)分别确定与当前中心投影网格O(x,y)对应的激光点云投影数据的第一匹配概率。也即是说，分别确定投影范围和与之对应的地图范围之间的第一匹配概率。以图4示出的为例，当投影范围410在预定范围420中移动时，可以相应地得到(2k+1)²＝25个第一匹配概率。

在这些可选的实现方式中，图2中的步骤240可以进一步包括：

步骤241，基于各第一匹配概率的加权平均，确定无人车在激光点云反射值地图中的位置。

具体而言，例如可以通过如下的公式(4)来确定无人车在激光点云反射值地图中的位置

$\left\{\begin{array}{c}\stackrel{\‾}{x}=\frac{\underset{i=-k}{\overset{k}{\Σ}}\underset{j=-k}{\overset{k}{\Σ}}{P}^{\′}{(x_0+i,y_0+j)}^{\mathrm{\α}}\·(x_0+i)}{\underset{i=-k}{\overset{k}{\Σ}}\underset{j=-k}{\overset{k}{\Σ}}{P}^{\′}{(x_0+i,y_0+j)}^{\mathrm{\α}}}\\ \stackrel{\‾}{y}=\frac{\underset{i=-k}{\overset{k}{\Σ}}\underset{j=-k}{\overset{k}{\Σ}}{P}^{\′}{(x_0+i,y_0+j)}^{\mathrm{\α}}\·(y_0+j)}{\underset{i=-k}{\overset{k}{\Σ}}\underset{j=-k}{\overset{k}{\Σ}}{P}^{\′}{(x_0+i,y_0+j)}^{\mathrm{\α}}}\end{array}\right.---\left(4\right)$

其中，(x₀,y₀)为先验定位位置所在的地图网格的世界坐标，P(x₀+i,y₀+j)为中心投影网格处于地图中(x₀+i,y₀+j)坐标时，投影范围和对应的地图范围之间的第一匹配概率。

此外，在一些可选的实现方式中，通过公式(3)确定出激光点云投影数据在激光点云反射值地图的预定范围内的第一匹配概率P之后，还可以通过如下的公式(5)来对第一匹配概率P进行更新得到更新后的第一匹配概率P’：

$P^{,}(x,y)=\mathrm{\η}P(x,y)\stackrel{\‾}{P}(x,y)---\left(5\right)$

其中，为基于上一定位位置对无人车当前出现在世界坐标(x,y)的位置的预测概率，η为预设的归一化系数。

在这些可选的实现方式中，由于对第一匹配概率进行了更新，相应地，公式(4)可以变形为如下的公式(6)：

$\left\{\begin{array}{c}\stackrel{\‾}{x}=\frac{\underset{i=-k}{\overset{k}{\Σ}}\underset{j=-k}{\overset{k}{\Σ}}{P}^{\′}{(x_0+i,y_0+j)}^{\mathrm{\α}}\·(x_0+i)}{\underset{i=-k}{\overset{k}{\Σ}}\underset{j=-k}{\overset{k}{\Σ}}{P}^{\′}{(x_0+i,y_0+j)}^{\mathrm{\α}}}\\ \stackrel{\‾}{y}=\frac{\underset{i=-k}{\overset{k}{\Σ}}\underset{j=-k}{\overset{k}{\Σ}}{P}^{\′}{(x_0+i,y_0+j)}^{\mathrm{\α}}\·(y_0+j)}{\underset{i=-k}{\overset{k}{\Σ}}\underset{j=-k}{\overset{k}{\Σ}}{P}^{\′}{(x_0+i,y_0+j)}^{\mathrm{\α}}}\end{array}\right.---\left(6\right)$

其中，P’(x₀+i,y₀+j)为中心投影网格处于地图中(x₀+i,y₀+j)坐标时，投影范围和对应的地图范围之间的通过公式(5)更新后的第一匹配概率。

在一些可选的实现方式中，本实施例的基于激光点云反射值匹配的无人车定位方法中，步骤240的基于第一匹配概率确定无人车在激光点云反射值地图中的位置还可以通过如下的流程来实现：

步骤242，对预定范围内的地图网格进一步细分，以使各地图网格形成p×q个子网格。

步骤243，通过如下的公式(7)来确定无人车在激光点云反射值地图中的位置

$\left\{\begin{array}{c}\stackrel{\‾}{x}=\frac{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(x\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}\·x}{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(x\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}}\\ \stackrel{\‾}{y}=\frac{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(y\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}\·y}{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(y\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}}\end{array}\right.---\left(7\right)$

其中：

(x₀,y₀)为先验定位位置所在的地图网格的世界坐标，x在[x_o-k,x_o+k]范围内变化的步长为y在[y_o-k,y_o+k]范围内变化的步长为且有：

$\left\{\begin{array}{c}\mathrm{\η}\left(x\right)=\frac{1}{{(x-x_o)}^{\mathrm{\β}}}\\ \mathrm{\η}\left(y\right)=\frac{1}{{(y-y_o)}^{\mathrm{\β}}}\end{array}\right.;$

β为一预设常数参数，且P”(x,y)为通过对(x,y)所在地图网格作为中心投影网格时的第一匹配概率进行双线性插值得到的概率。在这里，第一匹配概率可以为通过公式(3)确定的第一匹配概率，或者，第一匹配概率也可以是通过公式(5)更新后的第一匹配概率。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种基于激光点云反射值匹配的无人车定位装置的一个实施例，该装置实施例与图2所示的方法实施例相对应。

如图5所示，本实施例的基于激光点云反射值匹配的无人车定位装置可以包括获取模块510、转化模块520、匹配概率确定模块530以及位置确定模块540。

其中，获取模块510可配置用于获取与无人车当前位置匹配的第一激光点云反射值数据，其中，第一激光点云反射值数据包括各激光点的第一坐标以及与第一激光点云反射值数据中的各激光点对应的激光反射强度值。

转化模块520可配置用于将第一激光点云反射值数据转化为地平面内的激光点云投影数据。

匹配概率确定模块530可配置用于以预先确定的先验定位位置在激光点云反射值地图中的位置作为初始位置，确定激光点云投影数据在激光点云反射值地图的预定范围内的第一匹配概率。

位置确定模块540可配置用于基于第一匹配概率确定无人车在激光点云反射值地图中的位置。

在一些可选的实现方式中，激光点云反射值地图例如可以包括将地球表面在世界坐标系的地平面内划分形成的M×N个地图区域，其中，各地图区域具有相同的大小和形状。各地图区域还可进一步包括m×n个地图网格，其中，各地图网格具有相同的大小和形状。激光点云反射值地图还可包括与各地图网格对应的定位位置对应的各激光点的激光反射强度值的均值、与该地图网格对应的定位位置内的各激光点的激光反射强度值的方差以及与该地图网格对应的定位位置内的各激光点的数量。

在一些可选的实现方式中，各激光点的第一坐标可以是第一激光点云反射值数据中的各激光点在无人车的车辆坐标系下的坐标。

转化模块520还可进一步配置用于将第一激光点云反射值数据转化为转换为第三激光点云反射值数据，并将第三激光点云反射值数据向地平面投影，生成激光点云投影数据。其中，第三激光点云反射值数据包括各激光点的第三坐标以及与第一激光点云反射值数据中的各激光点对应的激光反射强度值，其中第三坐标为第一激光点云反射值数据中的各激光点在世界坐标系下的坐标。

在一些可选的实现方式中，第三坐标X’为：X’＝(x’,y’,z’)^T＝RX+T。

其中，R为从无人车的车辆坐标系向世界坐标系转换的旋转矩阵，X＝(x,y,z)^T为第一激光点云反射值数据中的各激光点的第一坐标，T为从无人车的车辆坐标系向世界坐标系转换的平移矩阵。

在一些可选的实现方式中，激光点云投影数据包括第一激光点云反射值数据中的各激光点的投影坐标、各投影网格内的各激光点的激光反射强度值的均值、各投影网格内的各激光点的激光反射强度值的方差以及各投影网格内的各激光点的数量。

其中，第一激光点云反射值数据中的各激光点的投影坐标X”满足：X”＝(x”,y”)^T＝SX’。

S为投影矩阵，且满足：

$S=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\end{array}\right];$

各投影网格与地图网格具有相同的大小和形状。

在一些可选的实现方式中，匹配概率确定模块530还可进一步配置用于：将激光点云投影数据的中心投影网格O(x,y)与激光点云反射值地图中与先验定位位置O’(x_o,y_o)对应的地图网格重合，其中，中心投影网格O(x,y)为激光点云投影数据中代表无人车车身的投影网格；确定激光点云投影数据的投影范围和与之对应的地图范围的第一匹配概率；以预定的偏移量k移动中心投影网格O(x,y)，并分别确定与当前中心投影网格O(x,y)对应的激光点云投影数据的第一匹配概率。

位置确定模块540可进一步配置用于基于各第一匹配概率的加权平均，确定无人车在激光点云反射值地图中的位置。

在一些可选的实现方式中，对应于任意中心投影网格O(x,y)的第一匹配概率P(x,y)为：

$P(x,y)={\mathrm{\α}}^{-\frac{\underset{x_i=x_1}{\overset{x_m}{\Σ}}\underset{y_j=y_1}{\overset{y_n}{\Σ}}\frac{|{\mathrm{\μ}}_{x_i,y_j}^m-{\mathrm{\μ}}_{x_i,y_j}^r|({\mathrm{\σ}}_{x_i,y_j}^m+{\mathrm{\σ}}_{x_i,y_j}^r)N_{x_i,y_j}^r}{2{\mathrm{\σ}}_{x_i,y_j}^m{\mathrm{\σ}}_{x_i,y_j}^r}}{\underset{x_i=x_1}{\overset{x_m}{\Σ}}\underset{y_j=y_1}{\overset{y_n}{\Σ}}{N}_{x_i,y_j}^r}};$

其中，(x,y)为中心投影网格的世界坐标，(x_i,y_j)为激光点云投影数据的投影范围内各投影网格的世界坐标，α为一预设常数参数，为世界坐标为(x_i,y_j)的地图网格中的激光点的激光反射强度值的均值，为世界坐标为(x_i,y_j)的投影网格中的激光点的激光反射强度值的均值，为世界坐标为(x_i,y_j)的地图网格中的激光点的激光反射强度值的方差，为世界坐标为(x_i,y_j)的投影网格中的激光点的激光反射强度值的方差，为世界坐标为(x_i,y_j)的投影网格中的激光点的数量。

在一些可选的实现方式中，匹配概率确定模块530还可进一步配置用于：基于上一定位位置对第一匹配概率进行更新，更新后的第一匹配概率P’(x,y)为：

$P^{,}(x,y)=\mathrm{\η}P(x,y)\stackrel{\‾}{P}(x,y);$

其中，为基于上一定位位置对无人车当前出现在世界坐标(x,y)的位置的预测概率，η为预设的归一化系数。

在一些可选的实现方式中，位置确定模块540确定出的无人车在激光点云反射值地图中的位置可以为：

其中，(x₀,y₀)为先验定位位置所在的地图网格的世界坐标。

在另一些可选的实现方式中，位置确定模块540还可以进一步配置用于：

对预定范围内的地图网格进一步细分，以使各地图网格形成p×q个子网格；

无人车在激光点云反射值地图中的位置为

$\left\{\begin{array}{c}\stackrel{\‾}{x}=\frac{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(x\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}\·x}{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(x\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}}\\ \stackrel{\‾}{y}=\frac{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(y\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}\·y}{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(y\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}}\end{array}\right.;$

其中：

(x₀,y₀)为先验定位位置所在的地图网格的世界坐标，x在[x_o-k,x_o+k]范围内变化的步长为y在[y_o-k,y_o+k]范围内变化的步长为

$\left\{\begin{array}{c}\mathrm{\η}\left(x\right)=\frac{1}{{(x-x_o)}^{\mathrm{\β}}}\\ \mathrm{\η}\left(y\right)=\frac{1}{{(y-y_o)}^{\mathrm{\β}}}\end{array}\right.;$

β为一预设常数参数，且P”(x,y)为通过对(x,y)所在地图网格作为中心投影网格时的第一匹配概率进行双线性插值得到的概率。

本领域技术人员可以理解，上述基于激光点云反射值匹配的无人车定位装置500还包括一些其他公知结构，例如处理器、存储器等，为了不必要地模糊本公开的实施例，这些公知的结构在图5中未示出。

参见图6所示，为本申请的一种无人车的一个实施例的示意性结构图600。

如图6所示，无人车可包括点云反射值数据采集装置610、存储装置620以及处理器630。

其中，点云反射值数据采集装置610可用于采集无人车当前位置的激光点云反射值数据，其中，激光点云反射值数据包括各激光点的坐标以及与各激光点对应的激光反射强度值。

存储装置620可用于存储激光点云反射值地图。

处理器630可用于将激光点云反射值数据向地平面投影，生成激光点云投影数据；以预先确定的先验定位位置在激光点云反射值地图中的位置作为初始位置，确定激光点云投影数据在激光点云反射值地图的预定范围内的第一匹配概率；并基于第一匹配概率确定无人车在激光点云反射值地图中的位置。

在一些可选的实现方式中，激光点云反射值地图可以包括将地球表面在世界坐标系的地平面内划分形成的M×N个地图区域，其中，各地图区域具有相同的大小和形状。各地图区域还可以进一步包括m×n个地图网格，其中，各地图网格具有相同的大小和形状。激光点云反射值地图还可以包括与各地图网格的定位位置对应的各激光点的激光反射强度值的均值、与该地图网格的定位位置对应的各激光点的激光反射强度值的方差以及与该地图网格的定位位置对应的各激光点的数量。

在一些可选的实现方式中，各激光点的第一坐标可以是第一激光点云反射值数据中的各激光点在无人车的车辆坐标系下的坐标。

处理器630还可进一步用于将第一激光点云反射值数据转化为转换为第三激光点云反射值数据，并将第三激光点云反射值数据向地平面投影，生成激光点云投影数据。其中，第三激光点云反射值数据包括各激光点的第三坐标以及与第一激光点云反射值数据中的各激光点对应的激光反射强度值，其中第三坐标为第一激光点云反射值数据中的各激光点在世界坐标系下的坐标。

在一些可选的实现方式中，第三坐标X’为：X’＝(x’,y’,z’)^T＝RX+T。

其中，R为从无人车的车辆坐标系向世界坐标系转换的旋转矩阵，X＝(x,y,z)^T为第一激光点云反射值数据中的各激光点的第一坐标，T为从无人车的车辆坐标系向世界坐标系转换的平移矩阵。

在一些可选的实现方式中，激光点云投影数据包括第一激光点云反射值数据中的各激光点的投影坐标、各投影网格内的各激光点的激光反射强度值的均值、各投影网格内的各激光点的激光反射强度值的方差以及各投影网格内的各激光点的数量。

其中，第一激光点云反射值数据中的各激光点的投影坐标X”满足：X”＝(x”,y”)^T＝SX’。

S为投影矩阵，且满足：

$S=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\end{array}\right];$

各投影网格与地图网格具有相同的大小和形状。

在一些可选的实现方式中，处理器630还可进一步用于：将激光点云投影数据的中心投影网格O(x,y)与激光点云反射值地图中与先验定位位置O’(x_o,y_o)对应的地图网格重合，其中，中心投影网格O(x,y)为激光点云投影数据中代表无人车车身的投影网格；确定激光点云投影数据的投影范围和与之对应的地图范围的第一匹配概率；以预定的偏移量k移动中心投影网格O(x,y)，并分别确定与当前中心投影网格O(x,y)对应的激光点云投影数据的第一匹配概率。

处理器630还可以进一步用于基于各第一匹配概率的加权平均，确定无人车在激光点云反射值地图中的位置。

在一些可选的实现方式中，对应于任意中心投影网格O(x,y)的第一匹配概率P(x,y)为：

$P(x,y)={\mathrm{\α}}^{-\frac{\underset{x_i=x_1}{\overset{x_m}{\Σ}}\underset{y_j=y_1}{\overset{y_n}{\Σ}}\frac{|{\mathrm{\μ}}_{x_i,y_j}^m-{\mathrm{\μ}}_{x_i,y_j}^r|({\mathrm{\σ}}_{x_i,y_j}^m+{\mathrm{\σ}}_{x_i,y_j}^r)N_{x_i,y_j}^r}{2{\mathrm{\σ}}_{x_i,y_j}^m{\mathrm{\σ}}_{x_i,y_j}^r}}{\underset{x_i=x_1}{\overset{x_m}{\Σ}}\underset{y_j=y_1}{\overset{y_n}{\Σ}}{N}_{x_i,y_j}^r}};$

其中，(x,y)为中心投影网格的世界坐标，(x_i,y_j)为激光点云投影数据的投影范围内各投影网格的世界坐标，α为一预设常数参数，为世界坐标为(x_i,y_j)的地图网格中的激光点的激光反射强度值的均值，为世界坐标为(x_i,y_j)的投影网格中的激光点的激光反射强度值的均值，为世界坐标为(x_i,y_j)的地图网格中的激光点的激光反射强度值的方差，为世界坐标为(x_i,y_j)的投影网格中的激光点的激光反射强度值的方差，为世界坐标为(x_i,y_j)的投影网格中的激光点的数量。

在一些可选的实现方式中，处理器630还可进一步用于：基于上一定位位置对第一匹配概率进行更新，更新后的第一匹配概率P’(x,y)为：

$P^{,}(x,y)=\mathrm{\η}P(x,y)\stackrel{\‾}{P}(x,y);$

其中，为基于上一定位位置对无人车当前出现在世界坐标(x,y)的位置的预测概率，η为预设的归一化系数。

在一些可选的实现方式中，处理器630确定出的无人车在激光点云反射值地图中的位置可以为：

其中，(x₀,y₀)为先验定位位置所在的地图网格的世界坐标。

在另一些可选的实现方式中，处理器630还可以进一步用于：

对预定范围内的地图网格进一步细分，以使各地图网格形成p×q个子网格；

无人车在激光点云反射值地图中的位置为

$\left\{\begin{array}{c}\stackrel{\‾}{x}=\frac{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(x\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}\·x}{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(x\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}}\\ \stackrel{\‾}{y}=\frac{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(y\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}\·y}{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(y\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}}\end{array}\right.;$

其中：

(x₀,y₀)为先验定位位置所在的地图网格的世界坐标，x在[x_o-k,x_o+k]范围内变化的步长为 $\frac{1}{p},$ y在[y_o-k,y_o+k]范围内变化的步长为 $\frac{1}{q};$

$\left\{\begin{array}{c}\mathrm{\η}\left(x\right)=\frac{1}{{(x-x_o)}^{\mathrm{\β}}}\\ \mathrm{\η}\left(y\right)=\frac{1}{{(y-y_o)}^{\mathrm{\β}}}\end{array}\right.;$

β为一预设常数参数，且P”(x,y)为通过对(x,y)所在地图网格作为中心投影网格时的第一匹配概率进行双线性插值得到的概率。

参见图7所示，为本申请的无人车定位系统的一个实施例的示意性结构图700。

本实施例的无人车定位系统可包括无人车710和定位服务器720。

其中，无人车710可包括点云反射值数据采集装置711和第一通信装置712。

点云反射值数据采集装置711可用于采集无人车当前位置的激光点云反射值数据，其中，激光点云反射值数据包括各激光点的第一坐标以及与各激光点对应的激光反射强度值。第一通信装置712可用于向定位服务器发送激光点云反射值数据。

定位服务器720可包括第二通信装置721、存储器722和处理器723。

第二通信装置721可用于接收第一通信装置711发送的激光点云反射值数据。存储器722可用于存储激光点云反射值地图。

处理器723可用于将激光点云反射值数据向地平面投影，生成激光点云投影数据，以预先确定的先验定位位置在激光点云反射值地图中的位置作为初始位置，确定激光点云投影数据在激光点云反射值地图的预定区域的第一匹配概率，并基于第一匹配概率确定无人车的定位结果。其中，定位结果包括无人车在激光点云反射值地图中的位置信息。

此外，第二通信装置721还用于向第一通信装置711发送定位结果。

在一些可选的实现方式中，激光点云反射值地图可以包括将地球表面在世界坐标系的地平面内划分形成的M×N个地图区域，其中，各地图区域具有相同的大小和形状。各地图区域还可进一步包括m×n个地图网格，其中，各地图网格具有相同的大小和形状。激光点云反射值地图还包括与各地图网格的定位位置对应的各激光点的激光反射强度值的均值、与该地图网格的定位位置对应的各激光点的激光反射强度值的方差以及与该地图网格的定位位置对应的各激光点的数量。

在一些可选的实现方式中，各激光点的第一坐标可以是第一激光点云反射值数据中的各激光点在无人车的车辆坐标系下的坐标。

处理器723还可进一步用于将第一激光点云反射值数据转化为转换为第三激光点云反射值数据，并将第三激光点云反射值数据向地平面投影，生成激光点云投影数据。其中，第三激光点云反射值数据包括各激光点的第三坐标以及与第一激光点云反射值数据中的各激光点对应的激光反射强度值，其中第三坐标为第一激光点云反射值数据中的各激光点在世界坐标系下的坐标。

在一些可选的实现方式中，第三坐标X’为：X’＝(x’,y’,z’)^T＝RX+T。

其中，R为从无人车的车辆坐标系向世界坐标系转换的旋转矩阵，X＝(x,y,z)^T为第一激光点云反射值数据中的各激光点的第一坐标，T为从无人车的车辆坐标系向世界坐标系转换的平移矩阵。

在一些可选的实现方式中，激光点云投影数据包括第一激光点云反射值数据中的各激光点的投影坐标、各投影网格内的各激光点的激光反射强度值的均值、各投影网格内的各激光点的激光反射强度值的方差以及各投影网格内的各激光点的数量。

其中，第一激光点云反射值数据中的各激光点的投影坐标X”满足：X”＝(x”,y”)^T＝SX’。

S为投影矩阵，且满足：

$S=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\end{array}\right];$

各投影网格与地图网格具有相同的大小和形状。

在一些可选的实现方式中，处理器723还可进一步用于：将激光点云投影数据的中心投影网格O(x,y)与激光点云反射值地图中与先验定位位置O’(x_o,y_o)对应的地图网格重合，其中，中心投影网格O(x,y)为激光点云投影数据中代表无人车车身的投影网格；确定激光点云投影数据的投影范围和与之对应的地图范围的第一匹配概率；以预定的偏移量k移动中心投影网格O(x,y)，并分别确定与当前中心投影网格O(x,y)对应的激光点云投影数据的第一匹配概率。

处理器723还可以进一步用于基于各第一匹配概率的加权平均，确定无人车在激光点云反射值地图中的位置。

在一些可选的实现方式中，对应于任意中心投影网格O(x,y)的第一匹配概率P(x,y)为：

$P(x,y)={\mathrm{\α}}^{-\frac{\underset{x_i=x_1}{\overset{x_m}{\Σ}}\underset{y_j=y_1}{\overset{y_n}{\Σ}}\frac{|{\mathrm{\μ}}_{x_i,y_j}^m-{\mathrm{\μ}}_{x_i,y_j}^r|({\mathrm{\σ}}_{x_i,y_j}^m+{\mathrm{\σ}}_{x_i,y_j}^r)N_{x_i,y_j}^r}{2{\mathrm{\σ}}_{x_i,y_j}^m{\mathrm{\σ}}_{x_i,y_j}^r}}{\underset{x_i=x_1}{\overset{x_m}{\Σ}}\underset{y_j=y_1}{\overset{y_n}{\Σ}}{N}_{x_i,y_j}^r}};$

其中，(x,y)为中心投影网格的世界坐标，(x_i,y_j)为激光点云投影数据的投影范围内各投影网格的世界坐标，α为一预设常数参数，为世界坐标为(x_i,y_j)的地图网格中的激光点的激光反射强度值的均值，为世界坐标为(x_i,y_j)的投影网格中的激光点的激光反射强度值的均值，为世界坐标为(x_i,y_j)的地图网格中的激光点的激光反射强度值的方差，为世界坐标为(x_i,y_j)的投影网格中的激光点的激光反射强度值的方差，为世界坐标为(x_i,y_j)的投影网格中的激光点的数量。

在一些可选的实现方式中，处理器723还可进一步用于：基于上一定位位置对第一匹配概率进行更新，更新后的第一匹配概率P’(x,y)为：

$P^{,}(x,y)=\mathrm{\η}P(x,y)\stackrel{\‾}{P}(x,y);$

其中，为基于上一定位位置对无人车当前出现在世界坐标(x,y)的位置的预测概率，η为预设的归一化系数。

在一些可选的实现方式中，处理器723确定出的无人车在激光点云反射值地图中的位置可以为：

(x₀,y₀)为先验定位位置所在的地图网格的世界坐标。

在另一些可选的实现方式中，处理器723还可以进一步用于：

对预定范围内的地图网格进一步细分，以使各地图网格形成p×q个子网格；

无人车在激光点云反射值地图中的位置为

$\left\{\begin{array}{c}\stackrel{\‾}{x}=\frac{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(x\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}\·x}{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(x\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}}\\ \stackrel{\‾}{y}=\frac{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(y\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}\·y}{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(y\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}}\end{array}\right.;$

其中：

(x₀,y₀)为先验定位位置所在的地图网格的世界坐标，x在[x_o-k,x_o+k]范围内变化的步长为y在[y_o-k,y_o+k]范围内变化的步长为

$\left\{\begin{array}{c}\mathrm{\η}\left(x\right)=\frac{1}{{(x-x_o)}^{\mathrm{\β}}}\\ \mathrm{\η}\left(y\right)=\frac{1}{{(y-y_o)}^{\mathrm{\β}}}\end{array}\right.;$

β为一预设常数参数，且P”(x,y)为通过对(x,y)所在地图网格作为中心投影网格时的第一匹配概率进行双线性插值得到的概率。

下面参考图8，其示出了适于用来实现本申请实施例的无人车的处理器或定位服务器的计算机系统800的结构示意图。

如图8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有系统800操作所需的各种程序和数据。CPU 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。

以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、转化模块、匹配概率确定模块以及位置确定模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取与无人车当前位置匹配的第一激光点云反射值数据的模块”。

作为另一方面，本申请还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质；也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当所述一个或者多个程序被一个设备执行时，使得所述设备：获取与无人车当前位置匹配的第一激光点云反射值数据，其中，第一激光点云反射值数据包括各激光点的第一坐标以及与第一激光点云反射值数据中的各激光点对应的激光反射强度值；将第一激光点云反射值数据转化为地平面内的激光点云投影数据；以预先确定的先验定位位置在激光点云反射值地图中的位置作为初始位置，确定激光点云投影数据在激光点云反射值地图的预定范围内的第一匹配概率；以及基于第一匹配概率确定无人车在激光点云反射值地图中的位置。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种基于激光点云反射值匹配的无人车定位方法，其特征在于，包括：

获取与无人车当前位置匹配的第一激光点云反射值数据，其中，所述第一激光点云反射值数据包括各激光点的第一坐标以及与所述第一激光点云反射值数据中的各激光点对应的激光反射强度值；

将所述第一激光点云反射值数据转化为地平面内的激光点云投影数据；

以预先确定的先验定位位置在激光点云反射值地图中的位置作为初始位置，确定所述激光点云投影数据在所述激光点云反射值地图的预定范围内的第一匹配概率；以及

基于所述第一匹配概率确定所述无人车在所述激光点云反射值地图中的位置。

2.根据权利要求1所述的方法，其特征在于，所述激光点云反射值地图通过如下方式生成：

将地球表面在世界坐标系的地平面内划分为M×N个地图区域，其中，各所述地图区域具有相同的大小和形状；

将各所述地图区域进一步划分成m×n个地图网格，其中，各所述地图网格具有相同的大小和形状；

采集与各所述地图网格的定位位置对应的第二激光点云反射值数据，其中，所述第二激光点云反射值数据包括各激光点在世界坐标系下的第二坐标以及与第二激光点云反射值数据中的各激光点对应的激光反射强度值；

在各所述地图网格中存储与之对应的地图数据；

其中，所述地图数据包括与该地图网格对应的定位位置内的各激光点的激光反射强度值的均值、与该地图网格对应的定位位置内的各激光点的激光反射强度值的方差以及与该地图网格对应的定位位置内的各激光点的数量。

3.根据权利要求2所述的方法，其特征在于：各所述激光点的第一坐标为所述第一激光点云反射值数据中的各激光点在所述无人车的车辆坐标系下的坐标；

所述将所述第一激光点云反射值数据转化为地平面内的激光点云投影数据包括：

将所述第一激光点云反射值数据转化为转换为第三激光点云反射值数据，其中，所述第三激光点云反射值数据包括各激光点的第三坐标以及与所述第一激光点云反射值数据中的各激光点对应的激光反射强度值，其中所述第三坐标为所述第一激光点云反射值数据中的各激光点在世界坐标系下的坐标；

将所述第三激光点云反射值数据向地平面投影，生成所述激光点云投影数据。

4.根据权利要求3所述的方法，其特征在于，所述第三坐标X’为：

X’＝(x’,y’,z’)^T＝RX+T；

其中，R为从所述无人车的车辆坐标系向所述世界坐标系转换的旋转矩阵，X＝(x,y,z)^T为所述第一激光点云反射值数据中的各激光点的所述第一坐标，T为从所述无人车的车辆坐标系向所述世界坐标系转换的平移矩阵。

5.根据权利要求4所述的方法，其特征在于：

所述激光点云投影数据包括所述第一激光点云反射值数据中的各激光点的投影坐标、各投影网格内的各激光点的激光反射强度值的均值、各投影网格内的各激光点的激光反射强度值的方差以及各投影网格内的各激光点的数量；

其中，所述第一激光点云反射值数据中的各激光点的投影坐标X”满足：

X”＝(x”,y”)^T＝SX’；

S为投影矩阵，且满足：

$S=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\end{array}\right];$

各所述投影网格与所述地图网格具有相同的大小和形状。

6.根据权利要求5所述的方法，其特征在于：

所述以预先确定的先验定位位置在激光点云反射值地图中的位置作为初始位置，确定所述激光点云投影数据在所述激光点云反射值地图的预定范围内的第一匹配概率包括：

将所述激光点云投影数据的中心投影网格O(x,y)与所述激光点云反射值地图中与所述先验定位位置O’(x_o,y_o)对应的地图网格重合，其中，所述中心投影网格O(x,y)为所述激光点云投影数据中代表所述无人车车身的投影网格；

确定所述激光点云投影数据的投影范围和与之对应的地图范围的第一匹配概率；

以预定的偏移量k移动所述中心投影网格O(x,y)，并分别确定与当前中心投影网格O(x,y)对应的所述激光点云投影数据的第一匹配概率；

所述基于所述第一匹配概率确定所述无人车在所述激光点云反射值地图中的位置包括：

基于各所述第一匹配概率的加权平均，确定所述无人车在所述激光点云反射值地图中的位置。

7.根据权利要求6所述的方法，其特征在于：

对应于任意中心投影网格O(x,y)的所述第一匹配概率P(x,y)为：

$P(x,y)={\mathrm{\α}}^{-\frac{\underset{x_i=x_1}{\overset{x_m}{\Σ}}\underset{y_j=y_1}{\overset{y_n}{\Σ}}\frac{|{\mathrm{\μ}}_{x_i,y_j}^m-{\mathrm{\μ}}_{x_i,y_j}^r|({\mathrm{\σ}}_{x_i,y_j}^m+{\mathrm{\σ}}_{x_i,y_j}^r)N_{x_i,y_j}^r}{2{\mathrm{\σ}}_{x_i,y_j}^m{\mathrm{\σ}}_{x_i,y_j}^r}}{\underset{x_i=x_1}{\overset{x_m}{\Σ}}\underset{y_j=y_1}{\overset{y_n}{\Σ}}{N}_{x_i,y_j}^r}};$

其中，(x,y)为所述中心投影网格的世界坐标，(x_i,y_j)为所述激光点云投影数据的投影范围内各投影网格的世界坐标，α为一预设常数参数，为世界坐标为(x_i,y_j)的地图网格中的激光点的激光反射强度值的均值，为世界坐标为(x_i,y_j)的投影网格中的激光点的激光反射强度值的均值，为世界坐标为(x_i,y_j)的地图网格中的激光点的激光反射强度值的方差，为世界坐标为(x_i,y_j)的投影网格中的激光点的激光反射强度值的方差，为世界坐标为(x_i,y_j)的投影网格中的激光点的数量。

8.根据权利要求7所述的方法，其特征在于，所述以预先确定的先验定位位置在激光点云反射值地图中的位置作为初始位置，确定所述激光点云投影数据在所述激光点云反射值地图的预定范围内的第一匹配概率还包括：

基于上一定位位置对所述第一匹配概率进行更新，更新后的第一匹配概率P’(x,y)为：

$P^{,}(x,y)=\mathrm{\η}P(x,y)\stackrel{\‾}{P}(x,y);$

其中，为基于上一定位位置对所述无人车当前出现在世界坐标(x,y)的位置的预测概率，η为预设的归一化系数。

9.根据权利要求8所述的方法，其特征在于，所述无人车在所述激光点云反射值地图中的位置为：

$\left\{\begin{array}{c}\stackrel{\‾}{x}=\frac{\underset{i=-k}{\overset{k}{\Σ}}\underset{j=-k}{\overset{k}{\Σ}}{P}^{\′}{(x_0+i,y_0+j)}^{\mathrm{\α}}\·(x_0+i)}{\underset{i=-k}{\overset{k}{\Σ}}\underset{j=-k}{\overset{k}{\Σ}}{P}^{\′}{(x_0+i,y_0+j)}^{\mathrm{\α}}}\\ \stackrel{\‾}{y}=\frac{\underset{i=-k}{\overset{k}{\Σ}}\underset{j=-k}{\overset{k}{\Σ}}{P}^{\′}{(x_0+i,y_0+j)}^{\mathrm{\α}}\·(y_0+j)}{\underset{i=-k}{\overset{k}{\Σ}}\underset{j=-k}{\overset{k}{\Σ}}{P}^{\′}{(x_0+i,y_0+j)}^{\mathrm{\α}}}\end{array}\right.;$

其中，(x₀,y₀)为所述先验定位位置所在的地图网格的世界坐标。

10.根据权利要求8或9所述的方法，其特征在于，所述基于所述第一匹配概率确定所述无人车在所述激光点云反射值地图中的位置包括：

对所述预定范围内的地图网格进一步细分，以使各所述地图网格形成p×q个子网格；

无人车在所述激光点云反射值地图中的位置为

$\left\{\begin{array}{c}\stackrel{\‾}{x}=\frac{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(x\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}\·x}{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(x\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}}\\ \stackrel{\‾}{y}=\frac{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(y\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}\·y}{\underset{x=x_o-k}{\overset{x_o+k}{\Σ}}\underset{y=y_o-k}{\overset{y_o+k}{\Σ}}\mathrm{\η}\left(y\right)P^{\′\′}{(x,y)}^{\mathrm{\α}}}\end{array}\right.;$

其中：

(x₀,y₀)为所述先验定位位置所在的地图网格的世界坐标，x在[x_o-k,x_o+k]范围内变化的步长为y在[y_o-k,y_o+k]范围内变化的步长为

$\left\{\begin{array}{c}\mathrm{\η}\left(x\right)=\frac{1}{{(x-x_o)}^{\mathrm{\β}}}\\ \mathrm{\η}\left(y\right)=\frac{1}{{(y-y_o)}^{\mathrm{\β}}}\end{array}\right.;$

β为一预设常数参数，且P”(x,y)为通过对(x,y)所在地图网格作为所述中心投影网格时的所述第一匹配概率进行双线性插值得到的概率。

11.一种基于激光点云反射值匹配的无人车定位装置，其特征在于，包括：

获取模块，配置用于获取与无人车当前位置匹配的第一激光点云反射值数据，其中，所述第一激光点云反射值数据包括各激光点的第一坐标以及与所述第一激光点云反射值数据中的各激光点对应的激光反射强度值；

转化模块，配置用于将所述第一激光点云反射值数据转化为地平面内的激光点云投影数据；

匹配概率确定模块，配置用于以预先确定的先验定位位置在激光点云反射值地图中的位置作为初始位置，确定所述激光点云投影数据在所述激光点云反射值地图的预定范围内的第一匹配概率；以及

位置确定模块，配置用于基于所述第一匹配概率确定所述无人车在所述激光点云反射值地图中的位置。

12.根据权利要求11所述的装置，其特征在于：

所述激光点云反射值地图包括将地球表面在世界坐标系的地平面内划分形成M×N个地图区域，其中，各所述地图区域具有相同的大小和形状；

各所述地图区域进一步包括m×n个地图网格，其中，各所述地图网格具有相同的大小和形状；

所述激光点云反射值地图还包括与各所述地图网格对应的定位位置对应的各激光点的激光反射强度值的均值、与该地图网格对应的定位位置内的各激光点的激光反射强度值的方差以及与该地图网格对应的定位位置内的各激光点的数量。

13.一种无人车，其特征在于，包括：

点云反射值数据采集装置，用于采集所述无人车当前位置的激光点云反射值数据，其中，所述激光点云反射值数据包括各激光点的坐标以及与各所述激光点对应的激光反射强度值；

存储装置，用于存储激光点云反射值地图；

处理器，用于将所述激光点云反射值数据向地平面投影，生成激光点云投影数据；

以预先确定的先验定位位置在激光点云反射值地图中的位置作为初始位置，确定所述激光点云投影数据在所述激光点云反射值地图的预定范围内的第一匹配概率；以及

基于所述第一匹配概率确定所述无人车在所述激光点云反射值地图中的位置。

14.根据权利要求13所述的无人车，其特征在于：

所述激光点云反射值地图包括将地球表面在世界坐标系的地平面内划分形成的M×N个地图区域，其中，各所述地图区域具有相同的大小和形状；

各所述地图区域进一步包括m×n个地图网格，其中，各所述地图网格具有相同的大小和形状；

所述激光点云反射值地图还包括与各所述地图网格的定位位置对应的各激光点的激光反射强度值的均值、与该地图网格的定位位置对应的各激光点的激光反射强度值的方差以及与该地图网格的定位位置对应的各激光点的数量。

15.一种无人车定位系统，其特征在于，包括无人车和定位服务器；

所述无人车包括点云反射值数据采集装置和第一通信装置；

所述点云反射值数据采集装置用于采集所述无人车当前位置的激光点云反射值数据，其中，所述激光点云反射值数据包括各激光点的第一坐标以及与各所述激光点对应的激光反射强度值；

所述第一通信装置用于向所述定位服务器发送所述激光点云反射值数据；

所述定位服务器包括第二通信装置、存储器和处理器；

所述第二通信装置用于接收所述第一通信装置发送的所述激光点云反射值数据；

所述存储器用于存储激光点云反射值地图；

所述处理器用于将所述激光点云反射值数据向地平面投影，生成激光点云投影数据，以预先确定的先验定位位置在激光点云反射值地图中的位置作为初始位置，确定所述激光点云投影数据在所述激光点云反射值地图的预定区域的第一匹配概率，并基于所述第一匹配概率确定所述无人车的定位结果，其中，所述定位结果包括所述无人车在所述激光点云反射值地图中的位置信息；

所述第二通信装置还用于向所述第一通信装置发送所述定位结果。

16.根据权利要求15所述的无人车定位系统，其特征在于：

所述激光点云反射值地图包括将地球表面在世界坐标系的地平面内划分形成的M×N个地图区域，其中，各所述地图区域具有相同的大小和形状；

各所述地图区域进一步包括m×n个地图网格，其中，各所述地图网格具有相同的大小和形状；

所述激光点云反射值地图还包括与各所述地图网格的定位位置对应的各激光点的激光反射强度值的均值、与该地图网格的定位位置对应的各激光点的激光反射强度值的方差以及与该地图网格的定位位置对应的各激光点的数量。