CN106918342A - 无人驾驶车辆行驶路径定位方法及定位系统 - Google Patents
无人驾驶车辆行驶路径定位方法及定位系统 Download PDFInfo
- Publication number
- CN106918342A CN106918342A CN201710140252.8A CN201710140252A CN106918342A CN 106918342 A CN106918342 A CN 106918342A CN 201710140252 A CN201710140252 A CN 201710140252A CN 106918342 A CN106918342 A CN 106918342A
- Authority
- CN
- China
- Prior art keywords
- center line
- vehicle
- track
- lane
- dimensional grid
- 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
- 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
- G01C21/32—Structuring or formatting of map data
Abstract
一种无人驾驶车辆行驶路径定位方法及应用该方法的定位系统,通过行车环境感知单元感知车辆周围的车道边线及车道中线的信息,通过该信息建立代表车辆边线、车辆中线及车辆三者实际位置的二维栅格点阵,根据二维栅格点阵内的各个参数找出在无人驾驶车辆行驶路径中的当前车道,使车辆路径定位精确到车道级;然后将地图数据中该车道内车道中线与二维栅格点阵中对应的车道中线进行对比匹配,即可得到基于车辆所在经纬度的当前车道的车道中线精确的经纬度地图数据,也即完成了无人驾驶车辆行驶路径的精确定位。
Description
技术领域
本发明涉及车辆导航定位领域,尤其是涉及一种无人驾驶车辆行驶路径定位方法及应用该无人驾驶车辆行驶路径定位方法的定位系统。
背景技术
随着社会和经济的快速发展,全球定位系统(Global Positioning System,GPS)已经越来越多地应用于车辆中,全球定位系统能够为无人驾驶车辆车辆的行驶路径提供粗略的定位。
现有技术中,无人驾驶车辆行驶路径的定位方法一般有两种,一种是直接使用行车环境感知单元所检测到的车道线进行定位,另一种是将地图数据就近偏移到当前位置然后对行驶路径进行定位。然而上述两种方法各有各的弊端和安全隐患,前者严重依赖于感知系统对车道线的识别,一旦感知系统因车头朝向或路面原因检测不出车道线就不能进行定位,而且感知系统能够有效检测到的车道线距离也较短,这在较高车速自动驾驶时也会具有较大的安全风险。后者受制于当前GPS的精度限制,只能使用道路级地图数据,无法确定车辆所处的车道,既不能做到更精确的车道级地图定位,又很难处理道路分叉结合段复杂路况及弯道内外车道的曲率差异,因此同样具有一定的风险。
发明内容
本发明的目的在于提供一种无人驾驶车辆行驶路径定位方法及应用该无人驾驶车辆行驶路径定位方法的定位系统,该定位系统能够得到较为精确的地图数据,且能够精确地对车辆行驶的路径进行定位。
本发明实施例提供了一种无人驾驶车辆行驶路径定位方法,该方法包括如下步骤:
采集地图数据信息;
采集车辆的经纬度;
采集车辆行驶路线上的各车道边线及车道中线的位置信息;
根据所述地图数据信息得出地图数据中车辆行驶路线上每条车道中线所处的经纬度;
根据所述车辆行驶路线上各车道边线及车道中线的位置信息建立二维栅格点阵模型,获得所述二维栅格点阵模型中的车辆所在的当前车道和当前车道的车道中线实际的经纬度;
根据所述二维栅格点阵模型中车辆所在的当前车道及当前车道的车道中线实际的经纬度,在所述地图数据中提取与所述二维栅格点阵模型中当前车道中线对应的当前车道的车道中线;
将提取出的所述地图数据中当前车道的车道中线与所述二维栅格点阵模型中当前车道的车道中线进行匹配,使所述地图数据中当前车道的车道中线与所述二维栅格点阵模型中当前车道的车道中线进行偏移与重合,得到以车辆实际的经纬度为基准的当前车道的车道中线的经纬度地图数据。
进一步地,在根据所述车辆行驶路线上各车道边线及车道中线的位置信息建立二维栅格点阵模型,获得所述二维栅格点阵模型中的车辆所在的当前车道和当前车道的车道中线实际的经纬度时,根据所述车辆行驶路线上各车道边线及车道中线的位置信息建立二维栅格点阵模型,并在所述二维栅格点阵模型中确定各车道的车道边线的位置、车道中线的位置与车辆自身的位置;
根据所述二维栅格点阵模型中各车道边线的位置、车道中线的位置及车辆自身的位置判断车辆所在的当前车道;
根据所述二维栅格点阵模型中车辆自身与当前车道的车道中线之间的相对位置,以及车辆所在的经纬度信息,得出所述二维栅格点阵模型中当前车道的车道中线实际的经纬度。
进一步地,在根据所述二维栅格点阵模型中车辆与当前车道的车道中线之间的相对位置,以及车辆所在的经纬度信息,得出所述二维栅格点阵模型中当前车道的车道中线实际的经纬度时,将所述二维栅格点阵模型中车辆与当前车道的车道中线位置的偏差换算成地球表面上球面的经纬度位置的偏差,然后再根据车辆的经纬度以及地球表面上球面的经纬度位置的偏差得出当前车道的车道中线的经纬度。
进一步地,在将提取出的所述地图数据中的当前的车道中线与所述二维栅格点阵模型中对应当前车道的车道中线进行匹配时,首先将所述二维栅格点阵模型中的当前车道线作为比对标准的第一车道中线,继而在与所述第一车道中线的位置相对应的所述地图数据的车道中线上,依次截取多条与所述第一车道中线等长的第二车道中线;然后再分别计算多条所述第二车道中线与作为比对标准的所述第一车道中线的曲线相似度及曲率差异,并在多个所述第二车道中线内选出与所述第一车道中线的曲线相似度最高及曲率差异最小的第三车道中线,最后将所述地图数据中的当前车道的车道中线偏移至所述二维栅格点阵模型的当前车道中线上,并使所述第三车道中线的起点与所述第一车道中线的起点重合。
进一步地,在车辆行驶过程中,所述无人驾驶车辆行驶路径定位系统持续对无人驾驶车辆行驶路径进行定位,当经过直线或正圆的路径时,直接选取在历史路径上已进行定位的所述地图数据中与所述第一车道中线的起始点距离最近的所述第二车道中线上的起点,使所述第二车道中线上的起点作为与所述第一车道中线的起始点相匹配的点,然后将地图数据中当前车道中线偏移至二维栅格点阵模型的当前车道中线上,并使所述第一车道中线的起始点与所述第二车道中线上相匹配的点相互重合。
本发明还提供了一种无人驾驶车辆行驶路径定位系统,包括地图信息采集单元、车辆位置采集单元、行车环境感知单元及数据分析单元;
所述地图信息采集单元采集地图数据信息;
所述车辆位置采集单元采集车辆的经纬度;
所述行车环境感知单元采集车辆行驶路线上各车道边线及车道中线的位置信息;
所述数据分析单元根据所述地图数据信息得出地图数据中车辆行驶路线上每条车道中线所处的经纬度;
根据所述车辆行驶路线上各车道边线及车道中线的位置信息建立二维栅格点阵模型,获得所述二维栅格点阵模型中的车辆所在的当前车道和当前车道的车道中线实际的经纬度;
根据所述二维栅格点阵模型中车辆所在的当前车道及当前车道的车道中线实际的经纬度,在所述地图数据中提取与所述二维栅格点阵模型中当前车道中线对应的当前车道的车道中线;
将提取出的所述地图数据中当前车道的车道中线与所述二维栅格点阵模型中当前车道的车道中线进行匹配,使所述地图数据中当前车道的车道中线与所述二维栅格点阵模型中当前车道的车道中线进行偏移与重合,得到以车辆实际经纬度为基准的当前车道的车道中线的经纬度地图数据。
进一步地,在根据所述车辆行驶路线上各车道边线及车道中线的位置信息建立二维栅格点阵模型,获得所述二维栅格点阵模型中的车辆所在的当前车道和当前车道的车道中线实际的经纬度时,所述数据分析单元根据所述车辆行驶路线上各车道边线及车道中线的位置信息建立二维栅格点阵模型,并在所述二维栅格点阵模型中确定各车道的车道边线的位置、车道中线的位置与车辆自身的位置;
根据所述二维栅格点阵模型中各车道边线的位置、车道中线的位置及车辆自身的位置判断车辆所在的当前车道;
根据所述二维栅格点阵模型中车辆自身与当前车道的车道中线之间的相对位置,以及车辆所在的经纬度信息,得出所述二维栅格点阵模型中当前车道的车道中线实际的经纬度。
进一步地,在根据所述二维栅格点阵模型中车辆与当前车道的车道中线之间的相对位置,以及车辆所在的经纬度信息,得出所述二维栅格点阵模型中当前车道的车道中线实际的经纬度时,所述数据分析单元需要将二维栅格点阵模型中车辆与当前车道的车道中线位置的偏差换算成地球表面上球面的经纬度位置的偏差,然后再根据车辆的经纬度以及地球表面上球面的经纬度位置的偏差得出当前车道的车道中线的经纬度。
进一步地,在将提取出的所述地图数据中当前车道的车道中线与所述二维栅格点阵模型中当前车道的车道中线进行匹配时,所述数据分析单元首先将所述二维栅格点阵模型中的当前车道中线作为比对标准的第一车道中线,继而在与所述第一车道中线的位置相对应的所述地图数据的车道中线上,依次截取多条与所述第一车道中线等长的第二车道中线;然后再分别计算多条所述第二车道中线与作为比对标准的所述第一车道中线的曲线相似度及曲率差异,并在多个所述第二车道中线内选出与所述第一车道中线的曲线相似度最高及曲率差异最小的第三车道中线,最后将所述地图数据中的当前车道的车道中线偏移至所述二维栅格点阵模型的当前车道中线上,并使所述第三车道中线的起点与所述第一车道中线的起点重合。
进一步地,在车辆行驶过程中,所述无人驾驶车辆行驶路径定位系统持续对无人驾驶车辆行驶路径进行定位,当经过直线或正圆的路径时,所述数据分析单元直接选取在历史路径上已进行定位的地图数据中与所述第一车道中线的起始点距离最近的所述第二车道中线上的起点,使所述第二车道中线上的起点作为与所述第一车道中线的起始点相匹配的点,然后将所述地图数据中当前车道中线偏移至所述二维栅格点阵模型的当前车道中线上,并使所述第一车道中线的起始点与所述第二车道中线中相匹配的点相互重合。
综上所述,在本发明中,通过行车环境感知单元感知车辆周围的车道边线及车道中线的信息,通过该信息建立代表车辆边线、车辆中线及车辆三者实际位置的二维栅格点阵,根据二维栅格点阵内的各个参数找出在无人驾驶车辆行驶路径中的当前车道,使车辆路径定位精确到车道级;然后将地图数据中该车道内车道中线与二维栅格点阵中对应的车道中线进行对比匹配,即可得到基于车辆所在经纬度的当前车道车道中线精确的经纬度地图数据,也即完成了无人驾驶车辆行驶路径的精确定位。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1为本发明实施例提供的无人驾驶车辆行驶路径定位系统的系统框图。
图2为地图数据中车道边线与车道中线位置的示意图。
图3为二维栅格点阵模型中车道中线位置与车辆位置的示意图。
图4为本发明实施例提供的无人驾驶车辆行驶路径定位系统的定位方法示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对本发明进行详细说明如下。
本发明的目的在于提供一种无人驾驶车辆行驶路径定位系统及基于该无人驾驶车辆行驶路径定位系统的定位方法,该定位系统能够得到较为精确的地图数据,并能够精确地对车辆行驶的路径进行定位。
图1为本发明实施例提供的无人驾驶车辆行驶路径定位系统的系统框图,图2为地图数据中车道中线位置与车辆位置的示意图,图3为二维栅格点阵模型中车道中线位置与车辆位置的示意图,如图1至图3所示,本发明实施例提供的无人驾驶车辆行驶路径定位系统包括地图信息采集单元11、行车环境感知单元12、车辆位置采集单元13及数据分析单元20,地图信息采集单元11采集地图数据信息;车辆位置采集单元13采集车辆所在的经纬度,即采集车辆实际的经纬度信息;行车环境感知单元12采集车辆行驶路线上的各车道边线及车道中线的位置信息;
数据分析单元20根据地图信息采集单元11采集到的地图数据得出地图数据中车辆行驶路线上每条车道中线(见图2中的虚线)所处的经纬度;
根据车辆行驶路线上各车道边线及车道中线的位置信息建立二维栅格点阵模型,并获得二维栅格点阵模型中的车辆所在的当前车道和当前车道的车道中线的实际经纬度;
根据二维栅格点阵模型中车道中线实际的经纬度及车辆所处的当前车道,提取与二维栅格点阵模型中当前车道中线对应的地图数据中当前车道的车道中线;
将提取出的地图数据中当前车道的车道中线与二维栅格点阵模型中当前车道的车道中线进行匹配,使地图数据中当前车道的车道中线与二维栅格点阵模型中当前车道的车道中线进行偏移与重合,得到以车辆实际经纬度为基准的当前车道的车道中线的经纬度地图数据,继而完成无人驾驶车辆行驶路径的定位。
具体地,在获得当前车道和当前车道的车道中线的实际经纬度的过程中,数据分析单元20首先根据行车环境感知单元12采集到的信息建立二维栅格点阵模型,并在二维栅格点阵模型中确定各车道的车道边线的位置(见图3中的实线)、车道中线的位置(见图3中的虚线)及车辆自身的位置(见图3中的圆);
然后根据二维栅格点阵模型中各车道边线的位置、车道中线的位置及车辆自身的位置判断车辆在道路中所处的车道,即判断车辆所处的当前车道;
最后根据二维栅格点阵模型中车辆自身与当前车道的车道中线之间的相对位置,以及车辆所在的经纬度信息,得出二维栅格点阵模型中当前车道的车道中线实际的经纬度。
在本发明中,通过行车环境感知单元12感知车辆周围的车道边线及车道中线的信息,通过该信息建立代表车辆边线、车辆中线及车辆三者实际位置的二维栅格点阵模型,根据二维栅格点阵模型内的各个参数找出在无人驾驶车辆行驶路径中的当前车道,使车辆路径定位精确到车道级;然后将地图数据中该车道内车道中线的线型与二维栅格点阵模型中对应的车道中线的线型进行对比匹配,并根据匹配结果进行偏移与重合即可得到基于车辆所在经纬度的当前车道的车道中线精确的经纬度地图数据,也即完成了无人驾驶车辆行驶路径的精确定位。
在本发明中,通过将地图信息中车道的数据、车辆实际的经纬度与行车环境感知单元12感知到的实测车道数据结合起来,同时不再是将车辆经纬度与车道中线经纬度进行简单的偏移,而是以车辆实际的经纬度为参照,并参考车辆与车道中线的实际距离,建立起以车辆经纬度为基准的当前车道的车道中线的经纬度,此时车辆经纬度及车道中线的经纬度能够具有相同或相近的误差,因此该系统能够准确地确定车辆所处的车道,以及车辆在所处车道内的具体位置,能够较为准确地对车辆进行定位。
进一步地,在本发明中,为了提高定位的精确度,优选地,地图采集单元所使用的数据应来自精确度在2m以内的高精度惯性导航系统。车辆位置采集单元13可以为全球定位系统辅助惯性制导(GPS/INS组合制导),行车环境感知单元12可以为车载摄像头。
进一步地,数据分析单元20根据地图信息采集单元11采集到的地图数据得到地图数据中车辆行驶路线上每条车道边线(见图2中的实线)所处的经纬度,以更加有利于车道中线经纬度的判断。
在根据二维栅格点阵模型中车辆与当前车道的车道中线之间的相对位置,以及车辆所在的经纬度信息,得出二维栅格点阵模型中当前车道的车道中线实际的经纬度时,数据分析单元20需要将二维栅格点阵模型中车辆与当前车道的车道中线位置的偏差换算成地球表面上球面的经纬度位置的偏差,然后再根据车辆的经纬度以及地球表面上球面的经纬度位置的偏差得出当前车道的车道中线实际的经纬度。
在将提取出的地图数据中的当前的车道中线与二维栅格点阵模型中对应当前车道的车道中线进行匹配时,数据分析单元20首先将二维栅格点阵模型中的车道中线作为比对标准的第一车道中线,继而在与第一车道中线的位置相对应的地图数据的车道中线上,依次截取多条与第一车道中线等长的第二车道中线;然后再分别计算多条第二车道中线与作为比对标准的第一车道中线的曲线相似度及曲率差异,并在多个第二车道中线内选出与第一车道中线的曲线相似度最高及曲率差异最小的第三车道中线,即该第三车道中线的线型与第一车道中线的线型相互匹配,最后将地图数据中的当前车道的车道中线偏移至二维栅格点阵模型的当前车道中线上,并使第三车道中线的起点与第一车道中线的起点重合,也就是说,通过匹配点重合的原则将地图数据中当前车道中线偏移至二维栅格点阵模型的当前车道中线上,即可得到以车辆实际的经纬度为基准的当前车道的车道中线的经纬度地图数据,完成无人驾驶车辆行驶路径的定位。
在本实施例中,曲线的相似度是通过计算两条曲线之间的弗雷歇距离(Fréchetdistance)来实现,曲线曲率差异是先计算两条曲线上各处的曲率,然后计算两条曲线的平均曲率差来实现。
进一步地,数据分析单元20还可以根据地图信息采集单元11采集到的地图信息以及设定的导航终点,自动规划出驾驶路径,在车辆行驶时,数据分析单元20持续地对车辆的行驶路径进行定位,对车辆所处车道以及当前车道内车道中线的经纬度进行修正。
若在车辆行驶过程中,经过直线或正圆等曲线特征及曲率差异不明显的路径,无法基于曲线相似度和曲率差异去进行定位,数据分析单元20直接选取在历史路径上已进行定位的地图数据中与第一车道中线的起始点距离最近的第二车道中线上的起点,使第二车道中线上的起点作为与第一车道中线的起始点相匹配的点,然后通过匹配点重合的原则将地图数据中当前车道中线偏移至二维栅格点阵模型的当前车道中线上,即可得到以车辆的经纬度为基准的当前车道的车道中线的经纬度地图数据,完成无人驾驶车辆行驶路径的定位。
图4为本发明实施例提供的无人驾驶车辆行驶路径定位系统的定位方法示意图,如图4所示,本发明还提供了一种无人驾驶车辆行驶路径方法,基于本发明提供的无人驾驶车辆行驶路径定位系统,该方法包括如下步骤:
S101::采集地图数据信息;
S102::采集车辆的经纬度;
S103::采集车辆行驶路线上的各车道边线及车道中线的位置信息;
S201::根据地图数据信息得出地图数据中车辆行驶路线上每条车道中线所处的经纬度;
S202:根据车辆行驶路线上各车道边线及车道中线的位置信息建立二维栅格点阵模型,并获得二维栅格点阵模型中的车辆所在的当前车道和当前车道的车道中线实际的经纬度;
具体地,在获得二维栅格点阵模型中车辆所在的当前车道和当前车道的车道中线实际的经纬度时,根据车辆周边以车辆自身的位置为基准的所有实际的车道边线及车道中线的位置,建立二维栅格点阵模型,并在二维栅格点阵模型中确定各车道的车道边线的位置、车道中线的位置及车辆自身的位置;
根据二维栅格点阵模型中各车道边线的位置、车道中线的位置及车辆自身的位置判断车辆所处的当前车道;
根据二维栅格点阵模型中车辆与车道中线之间的相对位置,以及车辆所在的经纬度信息,得出二维栅格点阵模型中车道中线实际的经纬度;
S203:根据与二维栅格点阵模型中车道中线实际的经纬度及车辆所处的当前车道,在地图数据中提取与二维栅格点阵模型中当前车道中线对应的当前车道的车道中线;
S301:将提取出的地图数据中当前车道的车道中线与二维栅格点阵模型中当前车道的车道中线进行匹配,使地图数据中当前车道的车道中线与二维栅格点阵模型中当前车道的车道中线进行偏移与重合,得到以车辆实际的经纬度为基准的当前车道的车道中线的经纬度地图数据,完成无人驾驶车辆行驶路径的定位。
进一步地,在根据二维栅格点阵模型中车辆与当前车道的车道中线之间的相对位置,以及车辆所在的经纬度信息,得出二维栅格点阵模型中车道中线实际的经纬度时,需要将二维栅格点阵模型中车辆与当前车道的车道中线位置的偏差换算成地球表面上球面的经纬度位置的偏差,然后再根据车辆的经纬度以及地球表面上球面的经纬度位置的偏差得出当前车道的车道中线的经纬度。
进一步地,在将提取出的地图数据中的当前的车道中线的线型与二维栅格点阵模型中对应当前车道的车道中线的线型进行匹配时,需要将二维栅格点阵模型中的当前车道中线作为比对标准的第一车道中线,继而在与第一车道中线的位置相对应的地图数据的车道中线的设定区域内,依次截取多条与第一车道中线等长的第二车道中线;然后再分别计算多条第二车道中线与作为比对标准的第一车道中线的曲线相似度及曲率差异,并在多个第二车道中线内选出与第一车道中线的曲线相似度最高及曲率差异最小的第三车道中线,即该第三车道中线与第一车道中线相互匹配,最后将地图数据中的当前车道的车道中线偏移至二维栅格点阵模型的当前车道中线上,并使第三车道中线的起点与第一车道中线的起点重合,也就是说,通过匹配点重合的原则将地图数据中当前车道中线偏移至二维栅格点阵模型的当前车道中线上,即可得到以车辆的经纬度为基准的当前车道的车道中线的经纬度地图数据,完成无人驾驶车辆行驶路径的定位。
进一步地,在车辆行驶过程中,所述无人驾驶车辆行驶路径定位系统持续对无人驾驶车辆行驶路径进行定位,当经过直线或正圆等曲线特征及曲率差异不明显的路径时,直接选取在历史路径上已经进行定位的地图数据中与第一车道中线的起始点距离最近的第二车道中线上的起点,使第二车道中线上的起点作为与第一车道中线的起始点相匹配的点,然后将地图数据中当前车道中线偏移至二维栅格点阵模型的当前车道中线上,并使第一车道中线的起始点与第二车道中线上相匹配的点相互重合,即可得到以车辆的经纬度为基准的当前车道的车道中线的经纬度地图数据,完成无人驾驶车辆行驶路径的定位。
综上所述,在本发明中,通过将地图信息中车道的数据与行车环境感知单元12感知到的实测车道数据结合起来,同时不再是将车辆经纬度与车道中线经纬度进行简单的偏移,而是以车辆的经纬度为参照,并参考车辆与车道中线的实际距离,建立起以车辆经纬度为基准的当前车道的车道中线的经纬度,此时车辆经纬度及车道中线的经纬度能够具有相同或相近的误差,因此该系统能够准确地确定车辆所处的车道,以及车辆在所处车道内的具体位置,能够较为准确地对车辆进行定位。
综上所述,在本发明中,通过行车环境感知单元感知车辆周围的车道边线及车道中线的信息,通过该信息建立代表车辆边线、车辆中线及车辆三者实际位置的二维栅格点阵模型,根据二维栅格点阵模型内的各个参数找出在无人驾驶车辆行驶路径中的当前车道,使车辆路径定位精确到车道级;然后将地图数据中该车道内车道中线与二维栅格点阵模型中对应的车道中线进行对比匹配,即可得到基于车辆所在经纬度的当前车道的车道中线精确的经纬度地图数据,也即完成了无人驾驶车辆行驶路径的精确定位。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (10)
1.一种无人驾驶车辆行驶路径定位方法,其特征在于:该方法包括如下步骤:
采集地图数据信息;
采集车辆的经纬度;
采集车辆行驶路线上的各车道边线及车道中线的位置信息;
根据所述地图数据信息得出地图数据中车辆行驶路线上每条车道中线所处的经纬度;
根据所述车辆行驶路线上各车道边线及车道中线的位置信息建立二维栅格点阵模型,获得所述二维栅格点阵模型中的车辆所在的当前车道和当前车道的车道中线实际的经纬度;
根据所述二维栅格点阵模型中车辆所在的当前车道及当前车道的车道中线实际的经纬度,在所述地图数据中提取与所述二维栅格点阵模型中当前车道中线对应的当前车道的车道中线;
将提取出的所述地图数据中当前车道的车道中线与所述二维栅格点阵模型中当前车道的车道中线进行匹配,使所述地图数据中当前车道的车道中线与所述二维栅格点阵模型中当前车道的车道中线进行偏移与重合,得到以车辆实际的经纬度为基准的当前车道的车道中线的经纬度地图数据。
2.根据权利要求1所述的无人驾驶车辆行驶路径定位方法,其特征在于:在根据所述车辆行驶路线上各车道边线及车道中线的位置信息建立二维栅格点阵模型,获得所述二维栅格点阵模型中的车辆所在的当前车道和当前车道的车道中线实际的经纬度时,根据所述车辆行驶路线上各车道边线及车道中线的位置信息建立二维栅格点阵模型,并在所述二维栅格点阵模型中确定各车道的车道边线的位置、车道中线的位置与车辆自身的位置;
根据所述二维栅格点阵模型中各车道边线的位置、车道中线的位置及车辆自身的位置判断车辆所在的当前车道;
根据所述二维栅格点阵模型中车辆自身与当前车道的车道中线之间的相对位置,以及车辆所在的经纬度信息,得出所述二维栅格点阵模型中当前车道的车道中线实际的经纬度。
3.根据权利要求1所述的无人驾驶车辆行驶路径定位方法,其特征在于:在根据所述二维栅格点阵模型中车辆与当前车道的车道中线之间的相对位置,以及车辆所在的经纬度信息,得出所述二维栅格点阵模型中当前车道的车道中线实际的经纬度时,将所述二维栅格点阵模型中车辆与当前车道的车道中线位置的偏差换算成地球表面上球面的经纬度位置的偏差,然后再根据车辆的经纬度以及地球表面上球面的经纬度位置的偏差得出当前车道的车道中线的经纬度。
4.根据权利要求1所述的无人驾驶车辆行驶路径定位方法,其特征在于:在将提取出的所述地图数据中的当前的车道中线与所述二维栅格点阵模型中对应当前车道的车道中线进行匹配时,首先将所述二维栅格点阵模型中的当前车道线作为比对标准的第一车道中线,继而在与所述第一车道中线的位置相对应的所述地图数据的车道中线上,依次截取多条与所述第一车道中线等长的第二车道中线;然后再分别计算多条所述第二车道中线与作为比对标准的所述第一车道中线的曲线相似度及曲率差异,并在多个所述第二车道中线内选出与所述第一车道中线的曲线相似度最高及曲率差异最小的第三车道中线,最后将所述地图数据中的当前车道的车道中线偏移至所述二维栅格点阵模型的当前车道中线上,并使所述第三车道中线的起点与所述第一车道中线的起点重合。
5.根据权利要求4所述的无人驾驶车辆行驶路径定位方法,其特征在于:在车辆行驶过程中,所述无人驾驶车辆行驶路径定位系统持续对无人驾驶车辆行驶路径进行定位,当经过直线或正圆的路径时,直接选取在历史路径上已进行定位的所述地图数据中与所述第一车道中线的起始点距离最近的所述第二车道中线上的起点,使所述第二车道中线上的起点作为与所述第一车道中线的起始点相匹配的点,然后将地图数据中当前车道中线偏移至二维栅格点阵模型的当前车道中线上,并使所述第一车道中线的起始点与所述第二车道中线上相匹配的点相互重合。
6.一种无人驾驶车辆行驶路径定位系统,其特征在于:包括地图信息采集单元、车辆位置采集单元、行车环境感知单元及数据分析单元;其中,
所述地图信息采集单元采集地图数据信息;
所述车辆位置采集单元采集车辆的经纬度;
所述行车环境感知单元采集车辆行驶路线上各车道边线及车道中线的位置信息;
所述数据分析单元根据所述地图数据信息得出地图数据中车辆行驶路线上每条车道中线所处的经纬度;
根据所述车辆行驶路线上各车道边线及车道中线的位置信息建立二维栅格点阵模型,获得所述二维栅格点阵模型中的车辆所在的当前车道和当前车道的车道中线实际的经纬度;
根据所述二维栅格点阵模型中车辆所在的当前车道及当前车道的车道中线实际的经纬度,在所述地图数据中提取与所述二维栅格点阵模型中当前车道中线对应的当前车道的车道中线;
将提取出的所述地图数据中当前车道的车道中线与所述二维栅格点阵模型中当前车道的车道中线进行匹配,使所述地图数据中当前车道的车道中线与所述二维栅格点阵模型中当前车道的车道中线进行偏移与重合,得到以车辆实际经纬度为基准的当前车道的车道中线的经纬度地图数据。
7.根据权利要求6所述的无人驾驶车辆行驶路径定位系统,其特征在于:所述数据分析单元在根据所述车辆行驶路线上各车道边线及车道中线的位置信息建立二维栅格点阵模型,获得所述二维栅格点阵模型中的车辆所在的当前车道和当前车道的车道中线实际的经纬度时,根据所述车辆行驶路线上各车道边线及车道中线的位置信息建立二维栅格点阵模型,并在所述二维栅格点阵模型中确定各车道的车道边线的位置、车道中线的位置与车辆自身的位置;
根据所述二维栅格点阵模型中各车道边线的位置、车道中线的位置及车辆自身的位置判断车辆所在的当前车道;
根据所述二维栅格点阵模型中车辆自身与当前车道的车道中线之间的相对位置,以及车辆所在的经纬度信息,得出所述二维栅格点阵模型中当前车道的车道中线实际的经纬度。
8.根据权利要求7所述的无人驾驶车辆行驶路径定位系统,其特征在于:所述数据分析单元在根据所述二维栅格点阵模型中车辆与当前车道的车道中线之间的相对位置,以及车辆所在的经纬度信息,得出所述二维栅格点阵模型中当前车道的车道中线实际的经纬度时,所述数据分析单元需要将二维栅格点阵模型中车辆与当前车道的车道中线位置的偏差换算成地球表面上球面的经纬度位置的偏差,然后再根据车辆的经纬度以及地球表面上球面的经纬度位置的偏差得出当前车道的车道中线的经纬度。
9.根据权利要求6所述的无人驾驶车辆行驶路径定位系统,其特征在于:所述数据分析单元在将提取出的所述地图数据中当前车道的车道中线与所述二维栅格点阵模型中当前车道的车道中线进行匹配时,所述数据分析单元首先将所述二维栅格点阵模型中的当前车道中线作为比对标准的第一车道中线,继而在与所述第一车道中线的位置相对应的所述地图数据的车道中线上,依次截取多条与所述第一车道中线等长的第二车道中线;然后再分别计算多条所述第二车道中线与作为比对标准的所述第一车道中线的曲线相似度及曲率差异,并在多个所述第二车道中线内选出与所述第一车道中线的曲线相似度最高及曲率差异最小的第三车道中线,最后将所述地图数据中的当前车道的车道中线偏移至所述二维栅格点阵模型的当前车道中线上,并使所述第三车道中线的起点与所述第一车道中线的起点重合。
10.根据权利要求9所述的无人驾驶车辆行驶路径定位系统,其特征在于:在车辆行驶过程中,所述无人驾驶车辆行驶路径定位系统持续对无人驾驶车辆行驶路径进行定位,当经过直线或正圆的路径时,所述数据分析单元直接选取在历史路径上已进行定位的地图数据中与所述第一车道中线的起始点距离最近的所述第二车道中线上的起点,使所述第二车道中线上的起点作为与所述第一车道中线的起始点相匹配的点,然后将所述地图数据中当前车道中线偏移至所述二维栅格点阵模型的当前车道中线上,并使所述第一车道中线的起始点与所述第二车道中线中相匹配的点相互重合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710140252.8A CN106918342B (zh) | 2017-03-10 | 2017-03-10 | 无人驾驶车辆行驶路径定位方法及定位系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710140252.8A CN106918342B (zh) | 2017-03-10 | 2017-03-10 | 无人驾驶车辆行驶路径定位方法及定位系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106918342A true CN106918342A (zh) | 2017-07-04 |
CN106918342B CN106918342B (zh) | 2020-01-03 |
Family
ID=59461006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710140252.8A Active CN106918342B (zh) | 2017-03-10 | 2017-03-10 | 无人驾驶车辆行驶路径定位方法及定位系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106918342B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107907894A (zh) * | 2017-11-09 | 2018-04-13 | 上汽通用五菱汽车股份有限公司 | 无人驾驶汽车定位方法、装置、存储介质及无人驾驶汽车 |
CN107992050A (zh) * | 2017-12-20 | 2018-05-04 | 广州汽车集团股份有限公司 | 无人驾驶汽车局部路径运动规划方法和装置 |
CN108955702A (zh) * | 2018-05-07 | 2018-12-07 | 西安交通大学 | 基于三维激光和gps惯性导航系统的车道级地图创建系统 |
CN109000678A (zh) * | 2018-08-23 | 2018-12-14 | 武汉中海庭数据技术有限公司 | 基于高精度地图的驾驶辅助装置及方法 |
CN109163730A (zh) * | 2018-08-02 | 2019-01-08 | 武汉中海庭数据技术有限公司 | 一种自动驾驶用高精度地图数据网格化的管理方法及装置 |
WO2019006722A1 (zh) * | 2017-07-06 | 2019-01-10 | 驭势(上海)汽车科技有限公司 | 道路表征方法、显示道路信息的方法与设备 |
WO2019052567A1 (zh) * | 2017-09-18 | 2019-03-21 | 中车株洲电力机车研究所有限公司 | 一种用于虚拟轨道车辆的虚拟道岔系统及方法 |
CN109785667A (zh) * | 2019-03-11 | 2019-05-21 | 百度在线网络技术(北京)有限公司 | 车道偏离识别方法、装置、设备和存储介质 |
CN110044371A (zh) * | 2018-01-16 | 2019-07-23 | 华为技术有限公司 | 一种车辆定位的方法以及车辆定位装置 |
CN110110029A (zh) * | 2019-05-17 | 2019-08-09 | 百度在线网络技术(北京)有限公司 | 用于匹配车道的方法和装置 |
CN110308470A (zh) * | 2018-03-27 | 2019-10-08 | 上海汽车集团股份有限公司 | 车辆定位方法及车辆定位系统 |
CN110736474A (zh) * | 2018-07-18 | 2020-01-31 | 郑州宇通客车股份有限公司 | 一种车辆的地图信息获取方法及装置 |
CN111830949A (zh) * | 2019-03-27 | 2020-10-27 | 广州汽车集团股份有限公司 | 自动驾驶车辆控制方法、装置、计算机设备和存储介质 |
CN113044062A (zh) * | 2021-03-29 | 2021-06-29 | 恒明星光智慧文化科技(深圳)有限公司 | 一种智慧路灯无人驾驶控制方法、装置、设备及存储介质 |
CN113155143A (zh) * | 2020-01-23 | 2021-07-23 | 宝马股份公司 | 用于评估自动驾驶用的地图的方法、设备和车辆 |
US11662477B2 (en) | 2018-11-16 | 2023-05-30 | Westinghouse Air Brake Technologies Corporation | System and method for determining vehicle position by triangulation |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100471024B1 (ko) * | 1996-12-27 | 2005-06-27 | 현대자동차주식회사 | 무인주행시험차량의궤도이탈방지장치 |
CN103954275A (zh) * | 2014-04-01 | 2014-07-30 | 西安交通大学 | 基于车道线检测和gis地图信息开发的视觉导航方法 |
CN105144269A (zh) * | 2013-04-22 | 2015-12-09 | 三菱电机株式会社 | 动态标签配置装置、显示装置、动态标签配置方法和显示方法 |
CN105588576A (zh) * | 2015-12-15 | 2016-05-18 | 重庆云途交通科技有限公司 | 一种车道级导航方法及系统 |
CN105739495A (zh) * | 2016-01-29 | 2016-07-06 | 大连楼兰科技股份有限公司 | 行车路径规划方法、装置和自动转向系统 |
-
2017
- 2017-03-10 CN CN201710140252.8A patent/CN106918342B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100471024B1 (ko) * | 1996-12-27 | 2005-06-27 | 현대자동차주식회사 | 무인주행시험차량의궤도이탈방지장치 |
CN105144269A (zh) * | 2013-04-22 | 2015-12-09 | 三菱电机株式会社 | 动态标签配置装置、显示装置、动态标签配置方法和显示方法 |
CN103954275A (zh) * | 2014-04-01 | 2014-07-30 | 西安交通大学 | 基于车道线检测和gis地图信息开发的视觉导航方法 |
CN105588576A (zh) * | 2015-12-15 | 2016-05-18 | 重庆云途交通科技有限公司 | 一种车道级导航方法及系统 |
CN105739495A (zh) * | 2016-01-29 | 2016-07-06 | 大连楼兰科技股份有限公司 | 行车路径规划方法、装置和自动转向系统 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019006722A1 (zh) * | 2017-07-06 | 2019-01-10 | 驭势(上海)汽车科技有限公司 | 道路表征方法、显示道路信息的方法与设备 |
US10962383B2 (en) | 2017-07-06 | 2021-03-30 | Uisee (Shanghai) Automotive Technologies Ltd. | Road characterization method, method for displaying road information and devices |
WO2019052567A1 (zh) * | 2017-09-18 | 2019-03-21 | 中车株洲电力机车研究所有限公司 | 一种用于虚拟轨道车辆的虚拟道岔系统及方法 |
CN107907894A (zh) * | 2017-11-09 | 2018-04-13 | 上汽通用五菱汽车股份有限公司 | 无人驾驶汽车定位方法、装置、存储介质及无人驾驶汽车 |
CN107992050B (zh) * | 2017-12-20 | 2021-05-11 | 广州汽车集团股份有限公司 | 无人驾驶汽车局部路径运动规划方法和装置 |
CN107992050A (zh) * | 2017-12-20 | 2018-05-04 | 广州汽车集团股份有限公司 | 无人驾驶汽车局部路径运动规划方法和装置 |
CN110044371A (zh) * | 2018-01-16 | 2019-07-23 | 华为技术有限公司 | 一种车辆定位的方法以及车辆定位装置 |
CN110308470A (zh) * | 2018-03-27 | 2019-10-08 | 上海汽车集团股份有限公司 | 车辆定位方法及车辆定位系统 |
CN108955702A (zh) * | 2018-05-07 | 2018-12-07 | 西安交通大学 | 基于三维激光和gps惯性导航系统的车道级地图创建系统 |
CN108955702B (zh) * | 2018-05-07 | 2021-09-07 | 西安交通大学 | 基于三维激光和gps惯性导航系统的车道级地图创建系统 |
CN110736474A (zh) * | 2018-07-18 | 2020-01-31 | 郑州宇通客车股份有限公司 | 一种车辆的地图信息获取方法及装置 |
CN110736474B (zh) * | 2018-07-18 | 2021-09-24 | 郑州宇通客车股份有限公司 | 一种车辆的地图信息获取方法及装置 |
CN109163730A (zh) * | 2018-08-02 | 2019-01-08 | 武汉中海庭数据技术有限公司 | 一种自动驾驶用高精度地图数据网格化的管理方法及装置 |
CN109163730B (zh) * | 2018-08-02 | 2020-10-27 | 武汉中海庭数据技术有限公司 | 一种自动驾驶用高精度地图数据网格化的管理方法及装置 |
CN109000678A (zh) * | 2018-08-23 | 2018-12-14 | 武汉中海庭数据技术有限公司 | 基于高精度地图的驾驶辅助装置及方法 |
US11662477B2 (en) | 2018-11-16 | 2023-05-30 | Westinghouse Air Brake Technologies Corporation | System and method for determining vehicle position by triangulation |
CN109785667A (zh) * | 2019-03-11 | 2019-05-21 | 百度在线网络技术(北京)有限公司 | 车道偏离识别方法、装置、设备和存储介质 |
CN111830949A (zh) * | 2019-03-27 | 2020-10-27 | 广州汽车集团股份有限公司 | 自动驾驶车辆控制方法、装置、计算机设备和存储介质 |
CN111830949B (zh) * | 2019-03-27 | 2024-01-16 | 广州汽车集团股份有限公司 | 自动驾驶车辆控制方法、装置、计算机设备和存储介质 |
CN110110029A (zh) * | 2019-05-17 | 2019-08-09 | 百度在线网络技术(北京)有限公司 | 用于匹配车道的方法和装置 |
CN113155143A (zh) * | 2020-01-23 | 2021-07-23 | 宝马股份公司 | 用于评估自动驾驶用的地图的方法、设备和车辆 |
CN113044062A (zh) * | 2021-03-29 | 2021-06-29 | 恒明星光智慧文化科技(深圳)有限公司 | 一种智慧路灯无人驾驶控制方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106918342B (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106918342A (zh) | 无人驾驶车辆行驶路径定位方法及定位系统 | |
US10197404B2 (en) | Path curve confidence factors | |
US10838426B2 (en) | Distributing a crowdsourced sparse map for autonomous vehicle navigation | |
US10248124B2 (en) | Localizing vehicle navigation using lane measurements | |
CN107121980B (zh) | 一种基于虚拟约束的自动驾驶车辆路径规划方法 | |
RU2737874C1 (ru) | Способ хранения информации транспортного средства, способ управления движением транспортного средства и устройство хранения информации транспортного средства | |
EP3109842B1 (en) | Map-centric map matching method and apparatus | |
EP3843001A1 (en) | Crowdsourcing and distributing a sparse map, and lane measurements for autonomous vehicle navigation | |
CN101819042B (zh) | 导航装置及导航方法 | |
CN109416256B (zh) | 行驶车道推定系统 | |
EP2224208B1 (en) | Navigation device and navigation method | |
Gruyer et al. | Map-aided localization with lateral perception | |
CN105488243A (zh) | 交叉口结构的联合概率建模及推断 | |
CN104120645B (zh) | 一种路面状况自动检测数据定位系统与定位方法 | |
CN102208013A (zh) | 风景匹配参考数据生成系统和位置测量系统 | |
EP3207335B1 (en) | Diverging and converging road geometry generation from sparse data | |
Luo et al. | Automatic geometry measurement for curved ramps using inertial measurement unit and 3D LiDAR system | |
WO2022147924A1 (zh) | 车辆定位方法和装置、存储介质及电子设备 | |
CN109923375A (zh) | 道路确定装置和车辆控制系统 | |
CN108351220A (zh) | 用于数字地图服务的车道信息的聚合方法 | |
US20230003531A1 (en) | Matching coordinate systems of multiple maps, based on trajectories | |
CN111832365A (zh) | 车道标记确定方法及装置 | |
Li et al. | Using high definition maps to estimate GNSS positioning uncertainty | |
Ihn-Sik et al. | Lane departure algorithm based on classification roadway type using DGPS/GIS....... | |
Joo et al. | A study about curve extraction and lane departure determination of linear curved road |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |