CN109059906B - 车辆定位方法、装置、电子设备、存储介质 - Google Patents

车辆定位方法、装置、电子设备、存储介质 Download PDF

Info

Publication number
CN109059906B
CN109059906B CN201810676297.1A CN201810676297A CN109059906B CN 109059906 B CN109059906 B CN 109059906B CN 201810676297 A CN201810676297 A CN 201810676297A CN 109059906 B CN109059906 B CN 109059906B
Authority
CN
China
Prior art keywords
data
vehicle
positioning data
positioning
measurement unit
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.)
Active
Application number
CN201810676297.1A
Other languages
English (en)
Other versions
CN109059906A (zh
Inventor
夏辰
江旭辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Xijing Technology Co ltd
Original Assignee
Shanghai Westwell Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Westwell Information Technology Co Ltd filed Critical Shanghai Westwell Information Technology Co Ltd
Priority to CN201810676297.1A priority Critical patent/CN109059906B/zh
Publication of CN109059906A publication Critical patent/CN109059906A/zh
Application granted granted Critical
Publication of CN109059906B publication Critical patent/CN109059906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/87—Combinations of systems using electromagnetic waves other than radio waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)

Abstract

本发明提供一种车辆定位方法、装置、电子设备、存储介质。多传感器融合的车辆定位方法包括：通过全球导航卫星系统数据和惯性测量单元数据进行第一次数据融合，形成车辆的第一定位数据；将激光雷达传感器数据进行环境匹配，生成车辆的第二定位数据；将视频传感器数据进行环境匹配，生成车辆的第三定位数据；将所述第一定位数据、第二定位数据及所述第三定位数据进行第二次数据融合输出车辆的定位结果。本发明提供的方法及装置提高动态环境下车辆定位的精度。

Description

车辆定位方法、装置、电子设备、存储介质
技术领域
本发明涉及无人驾驶领域，尤其涉及一种车辆定位方法、装置、电子设备、存储介质。
背景技术
车辆定位是自动驾驶领域最基础的技术环节，准确的定位结果才能为车辆的自动控制提供可信赖的上层数据保障，特别是在对定位精度要求很高的应用场景，很小的定位偏差都有可能对车辆底层的自动控制决策带来灾难性后果。车辆定位依赖于两种主要方式：第一种是利用导航卫星直接产生的全球导航卫星系统(GNSS)定位信号，第二种是车载传感器，如激光雷达传感器(LiDAR)、摄像头捕捉到的周围环境与预先建立的环境特征集进行匹配而产生的定位结果。第一种GNSS定位在空旷的环境效果最佳，在有信号遮挡的环境很容易产生卫星信号弱或多路径效应导致定位结果不可信。第二种环境匹配定位则要求周围环境不能有较大变化，否则环境特征的消失或突然出现都将影响定位精度。本发明提出的定位方案旨在结合这两种定位方式的优点，有效解决多变的动态环境下GNSS信号不稳定时的无人驾驶车辆定位问题。
发明内容
本发明为了克服上述现有技术存在的缺陷，提供一种车辆定位方法、装置、电子设备、存储介质，以提高动态环境下车辆定位的精度。
根据本发明的一个方面，提供一种多传感器融合的车辆定位方法，包括：
通过全球导航卫星系统数据和惯性测量单元数据进行第一次数据融合，形成车辆的第一定位数据；
将激光雷达传感器数据进行环境匹配，生成车辆的第二定位数据；
将视频传感器数据进行环境匹配，生成车辆的第三定位数据；
将所述第一定位数据、第二定位数据及所述第三定位数据进行第二次数据融合输出车辆的定位结果，其中，包括：
生成状态方程，x＝[p v θ bf bw]T
其中，p为车辆位置，v为车辆速度，θ为车辆方向，bf为惯性测量单元的加速度计的偏置值，bw为惯性测量单元的陀螺仪的偏置值，T表示矩阵转置；
构建预测方程
Figure GDA0002591004520000021
其中，
Figure GDA0002591004520000022
为当前时刻的预测值，δx为
Figure GDA0002591004520000023
前一时刻的状态方程，u为系统噪声
Figure GDA0002591004520000024
Figure GDA0002591004520000025
Figure GDA0002591004520000026
为惯性测量单元输出的导航角速度在地球坐标系下的表达方式，
Figure GDA0002591004520000027
为惯性测量单元输出的导航角速度相对于地球坐标系在惯性坐标系下的表达方式，
Figure GDA0002591004520000028
为惯性测量单元输出的导航角速度在惯性坐标系下的表达方式，fb为惯性测量单元输出的加速度，
Figure GDA0002591004520000029
为从导航坐标系到车载坐标系的转换矩阵，I3*3为3行3列的单位矩阵，03*3、06*3分别为3行3列和6行3列的值为0的矩阵，F(x)中的单独的×表示向量的反对称矩阵；
分别根据所述第一定位数据、所述第二定位数据及所述第三定位数据计算第一观测矩阵、第二观测矩阵及第三观测矩阵；
按如下公式根据卡尔曼滤波计算当前时刻状态方程，
Figure GDA00025910045200000210
Figure GDA00025910045200000211
Figure GDA00025910045200000212
其中，K为卡尔曼增益，T表示矩阵转置，Pk为当前时刻的状态协方差，
Figure GDA0002591004520000031
为Pk前一时刻的状态协方差，R为观测噪声，
Figure GDA0002591004520000032
为根据所述预测方程计算而得的当前时刻的预测值，xk为所要计算的当前时刻状态方程，z为定位数据，其中，所述第一定位数据、第二定位数据、第三定位数据根据检测获得的时间依次作为定位数据，根据定位数据选择对应的观测矩阵作为H；
根据坐标系之间的坐标变换从当前时刻的状态方程中确定当前车辆位姿。
可选地，所述通过全球导航卫星系统数据和惯性测量单元数据进行第一次数据融合，形成第一定位数据包括：
根据惯性测量单元的九轴特性以及对应的噪声参数建立融合预测方程；
根据全球导航卫星系统数据建立融合观测方程；
依据所述融合预测方程及融合观测方程将依数据获取顺序作为扩展卡尔曼滤波的输入，并输出所述第一定位数据。
可选地，所述惯性测量单元包括一加速度计、一陀螺仪及一磁力计，所述加速度计用于测量惯性测量单元在三个垂直方向上的线性加速度，所述陀螺仪用于测量惯性测量单元在三个垂直方向上的角速度，磁力计用于测量惯性测量单元在三个垂直方向上的欧拉角，所述第一定位数据为当前惯性测量单元的经纬度、海拔高度以及测量惯性测量单元在三个垂直方向上的欧拉角。
可选地，所述将激光雷达传感器数据进行环境匹配，生成第二定位数据包括：
在预采集的点云地图中过滤噪声点云；
将过滤后的点云地图按预设的体素比例分割，求出所有体素中点云出现的第一高斯概率分布；
获取激光雷达传感器当前采集的激光雷达传感器数据，所述激光雷达传感器数据包括当前帧点云；
在当前帧点云中过滤噪声点云；
将过滤后的当前帧点云按同样的体素比例分割到每一个体素中，求出所有体素中点云出现的第二高斯概率分布。
将第一高斯概率分布和第二高斯概率分布进行匹配，得到当前帧点云在点云地图下的坐标变换矩阵，所述坐标变换矩阵为当前帧在导航坐标系下的位姿矩阵；
按照所述的坐标变换矩阵将所有当前帧点云的坐标转换至点云地图中的坐标并累加经转换的坐标，将累加的经转换的坐标乘以导航坐标系到车载体坐标系的固定变换矩阵，得到当前时刻的车辆位姿矩阵，作为车辆的第二定位数据。
可选地，所述将视频传感器数据进行环境匹配，生成第三定位数据包括：
获取视频传感器数据，所述视频传感器数据为视频传感器采集的当前帧图像；
提取当前帧图像里匹配预设条件的特征。
将提取出的当前帧图像的特征与前一帧图像进行匹配，以计算视频传感器当前所在位置；
根据坐标转换关系将视频传感器当前所在位置转换为导航坐标系下的车体坐标作为所述第三定位数据。
可选地，所述导航坐标系、惯性坐标系及车载坐标系皆为右手坐标系。
可选地，所述全球导航卫星系统数据为双天线全球导航卫星系统数据。
根据本发明的又一方面，还提供一种多传感器融合的车辆定位装置，其特征在于，包括：
第一定位数据模块，通过全球导航卫星系统数据和惯性测量单元数据进行第一次数据融合，形成车辆的第一定位数据；
第二定位数据模块，将激光雷达传感器数据进行环境匹配，生成车辆的第二定位数据；
第三定位数据模块，将视频传感器数据进行环境匹配，生成车辆的第三定位数据；
融合模块，将所述第一定位数据、第二定位数据及所述车辆的第三定位数据进行第二次数据融合输出车辆的定位结果，其中，包括：
生成状态方程，x＝[p v θ bf bw]T
其中，p为车辆位置，v为车辆速度，θ为车辆方向，bf为惯性测量单元的加速度计的偏置值，bw为惯性测量单元的陀螺仪的偏置值，T表示矩阵转置；
构建预测方程
Figure GDA0002591004520000041
其中，
Figure GDA0002591004520000042
为当前时刻的预测值，δx为
Figure GDA0002591004520000043
前一时刻的状态方程，u为系统噪声，
Figure GDA0002591004520000051
Figure GDA0002591004520000052
Figure GDA0002591004520000053
为惯性测量单元输出的导航角速度在地球坐标系下的表达方式，
Figure GDA0002591004520000054
为惯性测量单元输出的导航角速度相对于地球坐标系在惯性坐标系下的表达方式，
Figure GDA0002591004520000055
为惯性测量单元输出的导航角速度在惯性坐标系下的表达方式，fb为惯性测量单元输出的加速度，
Figure GDA0002591004520000056
为从导航坐标系到车载坐标系的转换矩阵，I3*3为3行3列的单位矩阵，03*3、06*3分别为3行3列和6行3列的值为0的矩阵，F(x)中的单独的×表示向量的反对称矩阵；
分别根据所述第一定位数据、所述第二定位数据及所述第三定位数据计算第一观测矩阵、第二观测矩阵及第三观测矩阵；
按如下公式根据卡尔曼滤波计算当前时刻状态方程，
Figure GDA0002591004520000057
Figure GDA0002591004520000058
Figure GDA0002591004520000059
其中，K为卡尔曼增益，T表示矩阵转置，Pk为当前时刻的状态协方差，
Figure GDA00025910045200000510
为Pk前一时刻的状态协方差，R为观测噪声，
Figure GDA00025910045200000511
为根据所述预测方程计算而得的当前时刻的预测值，xk为所要计算的当前时刻状态方程，z为定位数据，其中，所述第一定位数据、第二定位数据、第三定位数据根据检测获得的时间依次作为定位数据，根据定位数据选择对应的观测矩阵作为H；
根据坐标系之间的坐标变换从当前时刻的状态方程中确定当前车辆位姿。
根据本发明的又一方面，还提供一种电子设备，所述电子设备包括：处理器；存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如上所述的步骤。
根据本发明的又一方面，还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上所述的步骤。
相比现有技术，本发明的优势在于：
基于全球导航卫星系统(GNSS)、惯性测量单元(IMU)、激光雷达传感器(LiDAR)、视频传感器的多传感器融合定位方法。本发明通过GNSS天线和IMU数据结合基站进行第一次数据融合，给出更高精度的定位数据，LiDAR和摄像头分别进行各自的环境匹配定位，将上述三种定位数据输入卡尔曼滤波框架进行第二次深度耦合来输出最终定位结果。此方法充分结合GNSS定位和环境匹配定位的优点，通过两种定位方式的深度耦合来平衡各自定位的劣势，最终得到连续而平滑的高精度定位结果，在港口的堆场及岸桥下这种复杂且变化频换的环境中表现稳定，满足作业场景的基本需求。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
图1示出了根据本发明实施例的多传感器融合的车辆定位方法的流程图；
图2示出了根据本发明实施例的形成第一定位数据的流程图；
图3示出了根据本发明实施例的形成第二定位数据的流程图；
图4示出了根据本发明实施例的形成第三定位数据的流程图；
图5示出了根据本发明实施例的第二次数据融合的示意图；
图6示出了根据本发明实施例的多传感器融合的车辆定位方法的模块图；
图7示意性示出本公开示例性实施例中一种计算机可读存储介质示意图；
图8示意性示出本公开示例性实施例中一种电子设备示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
为了解决现有技术的缺陷，本发明提供一种目标物检测与识别方法，如图1所示。图1示出了根据本发明实施例的目标物检测与识别方法的流程图。图1共示出4个步骤：
步骤S110：通过全球导航卫星系统数据和惯性测量单元数据进行第一次数据融合，形成车辆的第一定位数据。
具体而言，在本发明所述全球导航卫星系统数据为由双天线GNSS定位定向接收机接收的数据。但本发明并非以此为限。全球导航卫星系统定位是利用一组卫星的伪距、星历、卫星发射时间等观测量来是的，同时还必须知道用户钟差。全球导航卫星系统是能在地球表面或近地空间的任何地点为用户提供全天候的3维坐标和速度以及时间信息的空基无线电导航定位系统。
步骤S120：将激光雷达传感器数据进行环境匹配，生成车辆的第二定位数据。
步骤S130：将视频传感器数据进行环境匹配，生成车辆的第三定位数据。
步骤S140：将所述第一定位数据、第二定位数据及所述第三定位数据进行第二次数据融合输出车辆的定位结果。
具体而言，步骤S140包括如下步骤：
生成状态方程，x＝[p v θ bf bw]T
其中，p为车辆位置，v为车辆速度，θ为车辆方向，bf为惯性测量单元的加速度计的偏置值，bw为惯性测量单元的陀螺仪的偏置值，T表示矩阵转置。
具体而言，车辆位置包括车辆xyz坐标(三个状态量)，车辆速度包括三个垂直方向(对应xyz轴)上的速度线速度、角速度、线加速度(共九个状态量)，车辆方向包括车辆在东北天坐标系下的三方向欧拉角(三个状态量)。进一步地，车辆位置在导航坐标系下的，车辆线速度和加速度在惯性坐标系下，车辆角速度则在车载坐标系下。
构建预测方程
Figure GDA0002591004520000081
其中，
Figure GDA0002591004520000082
为当前时刻的预测值，δx为
Figure GDA0002591004520000083
前一时刻的状态方程，u为系统噪声，
Figure GDA0002591004520000084
Figure GDA0002591004520000085
Figure GDA0002591004520000086
为惯性测量单元输出的导航角速度在地球坐标系下的表达方式，
Figure GDA0002591004520000087
为惯性测量单元输出的导航角速度相对于地球坐标系在惯性坐标系下的表达方式，
Figure GDA0002591004520000088
为惯性测量单元输出的导航角速度在惯性坐标系下的表达方式，fb为惯性测量单元输出的加速度，
Figure GDA0002591004520000089
为从导航坐标系到车载坐标系的转换矩阵，I3*3为3行3列的单位矩阵，03*3、06*3分别为3行3列和6行3列的值为0的矩阵，F(x)中的单独的×表示向量的反对称矩阵。本文中所述的导航坐标系、惯性坐标系及车载坐标系皆为右手坐标系。其中，ω的上标及下标的含义为：n为以东北天(ENU)为参考的导航坐标系，e为以地心地固(ECEF)为参考的地球坐标系，i为以北东地(NED)为参考的惯性坐标系，此坐标系与地球磁场指向有关，b为车载坐标系。上标：输出的观测坐标系x。下标：前一个字母表示参考坐标系y，后一个字母表示目标坐标系z。这里的所有ω可以理解为从x坐标系观察z坐标系在y坐标系里的旋转角速度。
分别根据所述第一定位数据、所述第二定位数据及所述第三定位数据计算第一观测矩阵、第二观测矩阵及第三观测矩阵；
按如下公式根据卡尔曼滤波计算当前时刻状态方程，
Figure GDA0002591004520000091
Figure GDA0002591004520000092
Figure GDA0002591004520000093
其中，K为卡尔曼增益，T表示矩阵转置，Pk为当前时刻的状态协方差，
Figure GDA0002591004520000094
为Pk前一时刻的状态协方差，R为观测噪声，
Figure GDA0002591004520000095
为根据所述预测方程计算而得的当前时刻的预测值，xk为所要计算的当前时刻状态方程，z为定位数据，其中，所述第一定位数据、第二定位数据、第三定位数据根据检测获得的时间依次作为定位数据，根据定位数据选择对应的观测矩阵作为H；
根据坐标系之间的坐标变换(具体而言，用于坐标转换的坐标转换关系为提前测量且是固定的矩阵，测量方法可以通过手工测量或者提前采集数据并程序计算两种方式，无论哪一种方式，只要可以获得此固定的变换关系即可，目的是为了把在 导航坐标系下的任意一点坐标转换在车辆载体坐标系下的坐标，即绝对物理空间中的同一点可以分别在不同的坐标系下表示)从当前时刻的状态方程中确定当前车辆位姿。
具体而言，本发明所述的第一定位数据、第二定位数据和第三定位数据最终都转换成导航坐标系。分别将第一定位数据、第二定位数据和第三定位数据在融合步骤中输出的数据转换为导航坐标系以获得在导航坐标系下更加精确的位姿。
上述步骤可以参见图5，图5示出了根据本发明实施例的第二次数据融合的示意图。所述第一定位数据510、第二定位数据520、第三定位数据530具有不同的生成频率，由于不同的频率其获取的时间也有所不同，本发明在融合的步骤中，根据检测获得的时间依次作为定位数据。如图5所示，不同频率的第一定位数据510、第二定位数据520、第三定位数据530经过融合框架可以生成频率更高的定位结果540，即此多传感器融合定位的输出结果的频率会大于任何一种定位方式的单独输出，保证了高精度的同时兼顾了高频率。本发明的卡尔曼融合框架可以结合error-state原理来实现。
进一步地，上述步骤S110所述通过全球导航卫星系统数据和惯性测量单元数据进行第一次数据融合，形成车辆的第一定位数据的实现可以参见图2，图2示出了根据本发明实施例的形成第一定位数据的流程图。图2共示出如下步骤：
步骤S210：根据惯性测量单元的九轴特性以及对应的噪声参数建立融合预测方程。
具体而言，所述惯性测量单元包括一加速度计、一陀螺仪及一磁力计，所述加速度计用于测量惯性测量单元在三个垂直方向上的线性加速度，所述陀螺仪用于测量惯性测量单元在三个垂直方向上的角速度，磁力计用于测量惯性测量单元在三个垂直方向上的欧拉角。
步骤S220：根据全球导航卫星系统数据建立融合观测方程。
步骤S230：依据所述融合预测方程及融合观测方程将依数据获取顺序作为扩展卡尔曼滤波的输入，并输出所述第一定位数据。
所述第一定位数据为当前惯性测量单元的经纬度、海拔高度以及测量惯性测量单元在三个垂直方向(对应xyz轴)上的欧拉角。
上述步骤S210至步骤S230中融合预测方程和融合观测方程的建立及扩展卡尔曼滤波的具体实现方式可以参见论文“P.G.Savage,“Strapdown inertial navigationintegration algorithm design part 2:Velocity and position algorithms,”Journalof Guidance Control and Dynamics,vol.21,no.2,pp.208–221,1998.”
进一步地，上述步骤S120所述将激光雷达传感器数据进行环境匹配，生成车辆的第二定位数据的实现可以参见图3，图3示出了根据本发明实施例的形成第二定位数据的流程图。图3共示出如下步骤：
步骤S310：在预采集的点云地图中过滤噪声点云。
具体而言，激光雷达传感器预采集车辆周边环境的三维数据(或者可以结合惯性测量单元等数据)生成三维点云地图。过滤噪声点云可以通过下采样等步骤来实现。
步骤S320：将过滤后的点云地图按预设的体素比例分割，求出所有体素中点云出现的第一高斯概率分布。具体而言，此概率分布是三维呈现的，因此每个体素是一个三维空间，可用三维空间的中心位置的xyz坐标表示，概率是表示在此体素中出现的所有点云的三维概率分布。
步骤S330：获取激光雷达传感器当前采集的激光雷达传感器数据，所述激光雷达传感器数据包括当前帧点云。
进一步地，当前帧点云为360度的数据。
步骤S340：在当前帧点云中过滤噪声点云。
具体而言，步骤S340也可以采样降采样的方式过滤噪声点云。
步骤S350：将过滤后的当前帧点云按同样的体素比例分割到每一个体素中，求出所有体素中点云出现的第二高斯概率分布。
步骤S360：将第一高斯概率分布和第二高斯概率分布进行匹配，得到当前帧点云在点云地图下的坐标转换矩阵。
具体而言，概率分布匹配是把第一高斯概率分布作为参考，搜索寻找第二高斯概率分布在第一高斯概率分布中最佳的匹配位置，可以利用最小二乘法来优化最佳匹配位置。得到最佳位置以获得坐标转换矩阵。
步骤S370：按照所述的坐标变换矩阵将所有当前帧点云的坐标转换至点云地图中的坐标并累加经转换的坐标，将累加的经转换的坐标乘以导航坐标系到车载体坐标系的固定变换矩阵，得到当前时刻的车辆位姿矩阵，作为车辆的第二定位数据。
在本发明的上述实施例中，可以按激光雷达传感器采集数据的频率重复上述步骤S330至步骤S370以获得该频率下的第二定位数据。
进一步地，车辆的第二定位数据适配任何全局坐标系，给出车辆的全局位置，即当有基于地球坐标系的绝对坐标后，本发明得到的第二定位数据也是基于地球坐标系的绝对位置。此外，上述实施例还可以记录过去匹配生成的车辆定位数据，利用g2o(图优化的通用框架)工具优化路径，提高下一步车辆定位数据计算的准确率。
进一步地，上述步骤S130：将视频传感器数据进行环境匹配，生成车辆的第三定位数据的实现可以参见图4，图4示出了根据本发明实施例的形成第三定位数据的流程图。图4共示出如下步骤：
步骤S410：获取视频传感器数据，所述视频传感器数据为视频传感器采集的当前帧图像；
步骤S420：提取当前帧图像里匹配预设条件的特征。
具体而言，可采用特征子作为预设条件，特征子为图像中的拐点，提取条件是根据相邻像素值的梯度变化符合自定义的阈值，即为符合条件的拐点特征。
在一些实施例中，可以采用尺度不变特征变换(Scale-invariant featuretransform，SIFT)特征提取算法。这种算法具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。SIFT算法具有如下一些特点：1)SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；2)独特性(Distinctiveness)好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配；3)多量性，即使少数的几个物体也可以产生大量的SIFT特征向量；4)高速性，经优化的SIFT匹配算法甚至可以达到实时的要求；5)可扩展性，可以很方便的与其他形式的特征向量进行联合。
SIFT特征检测主要包括以下4个基本步骤：1)尺度空间极值检测：搜索所有尺度上的图像位置。通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点；2)关键点定位：在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度；3)方向确定：基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性；4)关键点描述，在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化。
在另一些实施例中，还可以采用加速稳健特征(Speeded Up Robust Features,SURF)算法，SURF算法是一个稳健的图像识别和描述算法，作为尺度不变特征变换(SIFT)算法的加速版，SURF算法在适中的条件下完成两幅图像中物体的匹配基本实现了实时处理。本发明还可以实现更多的变化方式，在此不予赘述。
步骤S430：将提取出的当前帧图像的特征与前一帧图像进行匹配，以计算视频传感器当前所在位置。
具体而言，在步骤S430中相当于通过计算当前帧图像的特征与前一帧图像的相同的特征之间的距离，来计算视频传感器当前所在位置。
步骤S440：根据坐标转换关系将视频传感器当前所在位置转换为导航坐标系下的车体坐标作为所述第三定位数据。
具体而言，转换方式与第二定位数据类似，在步骤S430获得了相机的位姿矩阵后，乘以相机坐标系到车辆载体坐标系的固定变换矩阵，即可得到第三定位数据表征的位姿信息。
在本发明的上述实施例中，可以按视频采集传感器采集数据的频率重复上述步骤S410至步骤S440以获得该频率下的第三定位数据。
具体而言，与第二定位数据类似，本发明在第三定位数据的形成中融合了全局坐标，即当有基于地球坐标系的绝对坐标后，本发明得到的第三定位数据也是基于地球坐标系的绝对位置。
本发明还提供一种多传感器融合的车辆定位装置，图6示出了根据本发明实施例的多传感器融合的车辆定位装置的模块图。多传感器融合的车辆定位装置900包括第一定位数据模块910、第二定位数据模块920、第三定位数据模块930及融合模块940。
第一定位数据模块910通过全球导航卫星系统数据和惯性测量单元数据进行第一次数据融合，形成车辆的第一定位数据；
第二定位数据模块920将激光雷达传感器数据进行环境匹配，生成车辆的第二定位数据；
第三定位数据模块930将视频传感器数据进行环境匹配，生成车辆的第三定位数据；
融合模块940将所述第一定位数据、第二定位数据及所述车辆的第三定位数据进行第二次数据融合输出车辆的定位结果，其中，包括：
生成状态方程，x＝[p v θ bf bw]T
其中，p为车辆位置，v为车辆速度，θ为车辆方向，bf为惯性测量单元的加速度计的偏置值，bw为惯性测量单元的陀螺仪的偏置值，T表示矩阵转置；
构建预测方程
Figure GDA0002591004520000131
其中，
Figure GDA0002591004520000132
为当前时刻的预测值，δx为
Figure GDA0002591004520000133
前一时刻的状态方程，u为系统噪声，
Figure GDA0002591004520000134
Figure GDA0002591004520000141
Figure GDA0002591004520000142
为惯性测量单元输出的导航角速度在地球坐标系下的表达方式，
Figure GDA0002591004520000143
为惯性测量单元输出的导航角速度相对于地球坐标系在惯性坐标系下的表达方式，
Figure GDA0002591004520000144
为惯性测量单元输出的导航角速度在惯性坐标系下的表达方式，fb为惯性测量单元输出的加速度，
Figure GDA0002591004520000145
为从导航坐标系到车载坐标系的转换矩阵，I3*3为3行3列的单位矩阵，03*3、06*3分别为3行3列和6行3列的值为0的矩阵，F(x)中的单独的×表示向量的反对称矩阵；
分别根据所述第一定位数据、所述第二定位数据及所述第三定位数据计算第一观测矩阵、第二观测矩阵及第三观测矩阵；
按如下公式根据卡尔曼滤波计算当前时刻状态方程，
Figure GDA0002591004520000146
Figure GDA0002591004520000147
Figure GDA0002591004520000148
其中，K为卡尔曼增益，T表示矩阵转置，Pk为当前时刻的状态协方差，
Figure GDA0002591004520000149
为Pk前一时刻的状态协方差，R为观测噪声，
Figure GDA00025910045200001410
为根据所述预测方程计算而得的当前时刻的预测值，xk为所要计算的当前时刻状态方程，z为定位数据，其中，所述第一定位数据、第二定位数据、第三定位数据根据检测获得的时间依次作为定位数据，根据定位数据选择对应的观测矩阵作为H；
根据坐标系之间的坐标变换从当前时刻的状态方程中确定当前车辆位姿。
图6仅仅是示意性的示出本发明提供的目标物检测与识别装置的模块图，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述电子处方流转处理方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到租户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本公开的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述电子处方流转处理方法的步骤。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图8来描述根据本发明的这种实施方式的电子设备600。图8显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1至图4任一幅中所示的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得租户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述电子处方流转处理方法。
相比现有技术，本发明的优势在于：
基于全球导航卫星系统(GNSS)、惯性测量单元(IMU)、激光雷达传感器(LiDAR)、视频传感器的多传感器融合定位方法。本发明通过GNSS天线和IMU数据结合基站进行第一次数据融合，给出更高精度的定位数据，LiDAR和摄像头分别进行各自的环境匹配定位，将上述三种定位数据输入卡尔曼滤波框架进行第二次深度耦合来输出最终定位结果。此方法充分结合GNSS定位和环境匹配定位的优点，通过两种定位方式的深度耦合来平衡各自定位的劣势，最终得到连续而平滑的高精度定位结果，在港口的堆场及岸桥下这种复杂且变化频换的环境中表现稳定，满足作业场景的基本需求。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种多传感器融合的车辆定位方法，其特征在于，包括：
通过全球导航卫星系统数据和惯性测量单元数据进行第一次数据融合，形成车辆的第一定位数据；
将激光雷达传感器数据进行环境匹配，生成车辆的第二定位数据；
将视频传感器数据进行环境匹配，生成车辆的第三定位数据；
将所述第一定位数据、第二定位数据及所述第三定位数据进行第二次数据融合输出车辆的定位结果，其中，包括：
生成状态方程x＝[p v θ bf bw]T
其中，p为车辆位置，v为车辆速度，θ为车辆方向，bf为惯性测量单元的加速度计的偏置值，bw为惯性测量单元的陀螺仪的偏置值，T表示矩阵转置；
构建预测方程，
Figure FDA0002591004510000011
其中，
Figure FDA0002591004510000012
为当前时刻的预测值，δx为
Figure FDA0002591004510000019
前一时刻的状态方程，u为系统噪声，
Figure FDA0002591004510000013
Figure FDA0002591004510000014
Figure FDA0002591004510000015
为惯性测量单元输出的导航角速度在地球坐标系下的表达方式，
Figure FDA0002591004510000016
为惯性测量单元输出的导航角速度相对于地球坐标系在惯性坐标系下的表达方式，
Figure FDA0002591004510000017
为惯性测量单元输出的导航角速度在惯性坐标系下的表达方式，fb为惯性测量单元输出的加速度，
Figure FDA0002591004510000018
为从导航坐标系到车载坐标系的转换矩阵，I3*3为3行3列的单位矩阵，03*3、06*3分别为3行3列和6行3列的值为0的矩阵，F(x)中的单独的×表示向量的反对称矩阵；
分别根据所述第一定位数据、所述第二定位数据及所述第三定位数据计算第一观测矩阵、第二观测矩阵及第三观测矩阵；
按如下公式根据卡尔曼滤波计算当前时刻状态方程，
Figure FDA0002591004510000021
Figure FDA0002591004510000022
Figure FDA0002591004510000023
其中，K为卡尔曼增益，T表示矩阵转置，Pk为当前时刻的状态协方差，
Figure FDA0002591004510000024
为Pk前一时刻的状态协方差，R为观测噪声，
Figure FDA0002591004510000025
为根据所述预测方程计算而得的当前时刻的预测值，xk为所要计算的当前时刻状态方程，z为定位数据，其中，所述第一定位数据、第二定位数据、第三定位数据根据检测获得的时间依次作为定位数据，根据定位数据选择对应的观测矩阵作为H；
根据坐标系之间的坐标变换从当前时刻的状态方程中确定当前车辆位姿。
2.如权利要求1所述的多传感器融合的车辆定位方法，其特征在于，所述通过全球导航卫星系统数据和惯性测量单元数据进行第一次数据融合，形成车辆的第一定位数据包括：
根据惯性测量单元的九轴特性以及对应的噪声参数建立融合预测方程；
根据全球导航卫星系统数据建立融合观测方程；
依据所述融合预测方程及融合观测方程将依数据获取顺序作为扩展卡尔曼滤波的输入，并输出所述第一定位数据。
3.如权利要求2所述的多传感器融合的车辆定位方法，其特征在于，所述惯性测量单元包括一加速度计、一陀螺仪及一磁力计，所述加速度计用于测量惯性测量单元在三个垂直方向上的线性加速度，所述陀螺仪用于测量惯性测量单元在三个垂直方向上的角速度，磁力计用于测量惯性测量单元在三个垂直方向上的欧拉角，所述第一定位数据为当前惯性测量单元的经纬度、海拔高度以及测量惯性测量单元在三个垂直方向上的欧拉角。
4.如权利要求2所述的多传感器融合的车辆定位方法，其特征在于，所述将激光雷达传感器数据进行环境匹配，生成车辆的第二定位数据包括：
在预采集的点云地图中过滤噪声点云；
将过滤后的点云地图按预设的体素比例分割，求出所有体素中点云出现的第一高斯概率分布；
获取激光雷达传感器当前采集的激光雷达传感器数据，所述激光雷达传感器数据包括当前帧点云；
在当前帧点云中过滤噪声点云；
将过滤后的当前帧点云按同样的体素比例分割到每一个体素中，求出所有体素中点云出现的第二高斯概率分布；
将第一高斯概率分布和第二高斯概率分布进行匹配，得到当前帧点云在点云地图下的坐标变换矩阵，所述坐标变换矩阵为当前帧在导航坐标系下的位姿矩阵；
按照所述的坐标变换矩阵将所有当前帧点云的坐标转换至点云地图中的坐标并累加经转换的坐标，将累加的经转换的坐标乘以导航坐标系到车载体坐标系的固定变换矩阵，得到当前时刻的车辆位姿矩阵，作为车辆的第二定位数据。
5.如权利要求1所述的多传感器融合的车辆定位方法，其特征在于，所述将视频传感器数据进行环境匹配，生成车辆的第三定位数据包括：
获取视频传感器数据，所述视频传感器数据为视频传感器采集的当前帧图像；
提取当前帧图像里匹配预设条件的特征；
将提取出的当前帧图像的特征与前一帧图像进行匹配，以计算视频传感器当前所在位置；
根据坐标转换关系将视频传感器当前所在位置转换为导航坐标系下的车体坐标作为所述第三定位数据。
6.如权利要求1至5任一项所述的多传感器融合的车辆定位方法，其特征在于，所述导航坐标系、惯性坐标系及车载坐标系皆为右手坐标系。
7.如权利要求1至5任一项所述的多传感器融合的车辆定位方法，其特征在于，所述全球导航卫星系统数据为双天线全球导航卫星系统数据。
8.一种多传感器融合的车辆定位装置，其特征在于，包括：
第一定位数据模块，通过全球导航卫星系统数据和惯性测量单元数据进行第一次数据融合，形成车辆的第一定位数据；
第二定位数据模块，将激光雷达传感器数据进行环境匹配，生成车辆的第二定位数据；
第三定位数据模块，将视频传感器数据进行环境匹配，生成车辆的第三定位数据；
融合模块，将所述第一定位数据、第二定位数据及所述第三定位数据进行第二次数据融合输出车辆的定位结果，其中，包括：
生成状态方程，x＝[p v θ bf bw]T
其中，p为车辆位置，v为车辆速度，θ为车辆方向，bf为惯性测量单元的加速度计的偏置值，bw为惯性测量单元的陀螺仪的偏置值，T表示矩阵转置；
构建预测方程，
Figure FDA0002591004510000041
其中，
Figure FDA0002591004510000042
为当前时刻的预测值，δx为
Figure FDA0002591004510000049
前一时刻的状态方程，u为系统噪声，
Figure FDA0002591004510000043
Figure FDA0002591004510000044
Figure FDA0002591004510000045
为惯性测量单元输出的导航角速度在地球坐标系下的表达方式，
Figure FDA0002591004510000046
为惯性测量单元输出的导航角速度相对于地球坐标系在惯性坐标系下的表达方式，
Figure FDA0002591004510000047
为惯性测量单元输出的导航角速度在惯性坐标系下的表达方式，fb为惯性测量单元输出的加速度，
Figure FDA0002591004510000048
为从导航坐标系到车载坐标系的转换矩阵，I3*3为3行3列的单位矩阵，03*3、06*3分别为3行3列和6行3列的值为0的矩阵，F(x)中的单独的×表示向量的反对称矩阵；
分别根据所述第一定位数据、所述第二定位数据及所述第三定位数据计算第一观测矩阵、第二观测矩阵及第三观测矩阵；
按如下公式根据卡尔曼滤波计算当前时刻状态方程，
Figure FDA0002591004510000051
Figure FDA0002591004510000052
Figure FDA0002591004510000053
其中，K为卡尔曼增益，T表示矩阵转置，Pk为当前时刻的状态协方差，
Figure FDA0002591004510000054
为Pk前一时刻的状态协方差，R为观测噪声，
Figure FDA0002591004510000055
为根据所述预测方程计算而得的当前时刻的预测值，xk为所要计算的当前时刻状态方程，z为定位数据，其中，所述第一定位数据、第二定位数据、第三定位数据根据检测获得的时间依次作为定位数据，根据定位数据选择对应的观测矩阵作为H；
根据坐标系之间的坐标变换从当前时刻的状态方程中确定当前车辆位姿。
9.一种电子设备，其特征在于，所述电子设备包括：
处理器；
存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如权利要求1至7任一项所述的多传感器融合的车辆定位方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一项所述的多传感器融合的车辆定位方法。
CN201810676297.1A 2018-06-26 2018-06-26 车辆定位方法、装置、电子设备、存储介质 Active CN109059906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810676297.1A CN109059906B (zh) 2018-06-26 2018-06-26 车辆定位方法、装置、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810676297.1A CN109059906B (zh) 2018-06-26 2018-06-26 车辆定位方法、装置、电子设备、存储介质

Publications (2)

Publication Number Publication Date
CN109059906A CN109059906A (zh) 2018-12-21
CN109059906B true CN109059906B (zh) 2020-09-29

Family

ID=64821244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810676297.1A Active CN109059906B (zh) 2018-06-26 2018-06-26 车辆定位方法、装置、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN109059906B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109931939B (zh) * 2019-02-27 2020-11-03 杭州飞步科技有限公司 车辆的定位方法、装置、设备及计算机可读存储介质
CN113631883B (zh) * 2019-04-04 2024-04-30 三菱电机株式会社 车辆定位装置
CN112284399B (zh) * 2019-07-26 2022-12-13 北京魔门塔科技有限公司 一种基于视觉和imu的车辆定位方法及车载终端
WO2021046829A1 (zh) * 2019-09-12 2021-03-18 华为技术有限公司 定位方法、装置及系统
CN112904395B (zh) * 2019-12-03 2022-11-25 青岛慧拓智能机器有限公司 一种矿用车辆定位系统及方法
CN111263308A (zh) * 2020-01-15 2020-06-09 上海交通大学 定位数据采集方法及系统
US11852751B2 (en) * 2020-03-02 2023-12-26 Beijing Baidu Netcom Science And Technology Co., Ltd. Method, apparatus, computing device and computer-readable storage medium for positioning
US11210951B2 (en) * 2020-03-03 2021-12-28 Verizon Patent And Licensing Inc. System and method for location data fusion and filtering
WO2021207999A1 (zh) * 2020-04-16 2021-10-21 华为技术有限公司 车辆定位的方法和装置、定位图层生成的方法和装置
CN111812658B (zh) * 2020-07-09 2021-11-02 北京京东乾石科技有限公司 位置确定方法、装置、系统和计算机可读存储介质
CN114061570A (zh) * 2020-07-31 2022-02-18 长沙智能驾驶研究院有限公司 车辆定位方法、装置、计算机设备和存储介质
CN112146682B (zh) * 2020-09-22 2022-07-19 福建牧月科技有限公司 智能汽车的传感器标定方法、装置、电子设备及介质
CN112883134A (zh) * 2021-02-01 2021-06-01 上海三一重机股份有限公司 数据融合建图方法、装置、电子设备及存储介质
CN112833880A (zh) * 2021-02-02 2021-05-25 北京嘀嘀无限科技发展有限公司 车辆定位方法、定位装置、存储介质及计算机程序产品
CN113175925B (zh) * 2021-04-14 2023-03-14 武汉理工大学 定位与导航系统以及方法
CN113790732B (zh) * 2021-08-06 2023-09-01 荣耀终端有限公司 位置信息的生成方法及装置
CN114264301B (zh) * 2021-12-13 2024-06-21 青岛慧拓智能机器有限公司 车载多传感器融合定位方法、装置、芯片及终端
CN114234984B (zh) * 2022-02-28 2022-05-20 湖南工商大学 基于差分矩阵的室内定位轨迹平滑方法、系统及设备
CN115388886A (zh) * 2022-08-30 2022-11-25 北京四维万兴科技有限公司 一种车辆定位方法、装置及设备
CN115508875B (zh) * 2022-09-21 2024-08-13 中国第一汽车股份有限公司 目标车辆的定位方法、装置及车辆

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080195304A1 (en) * 2007-02-12 2008-08-14 Honeywell International Inc. Sensor fusion for navigation
CN101739840A (zh) * 2009-11-26 2010-06-16 西北工业大学 多gps/ins与交通图像融合定位方法
CN104635251B (zh) * 2013-11-08 2017-07-07 中国地质大学（北京） 一种ins/gps组合定位定姿新方法
CN106840179B (zh) * 2017-03-07 2019-12-10 中国科学院合肥物质科学研究院 一种基于多传感器信息融合的智能车定位方法
CN107478214A (zh) * 2017-07-24 2017-12-15 杨华军 一种基于多传感器融合的室内定位方法及系统

Also Published As

Publication number Publication date
CN109059906A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
CN109059906B (zh) 车辆定位方法、装置、电子设备、存储介质
CN110412635B (zh) 一种环境信标支持下的gnss/sins/视觉紧组合方法
CN112639502B (zh) 机器人位姿估计
CN109270545B (zh) 一种定位真值校验方法、装置、设备及存储介质
Adams et al. SLAM gets a PHD: New concepts in map estimation
CN113406682B (zh) 一种定位方法、装置、电子设备及存储介质
Cappelle et al. Virtual 3D city model for navigation in urban areas
US8723987B2 (en) Uncertainty estimation of planar features
Wang et al. Automated road sign inventory system based on stereo vision and tracking
Niu et al. Development and evaluation of GNSS/INS data processing software for position and orientation systems
JP6950832B2 (ja) 位置座標推定装置、位置座標推定方法およびプログラム
KR102130687B1 (ko) 다중 센서 플랫폼 간 정보 융합을 위한 시스템
Dumble et al. Airborne vision-aided navigation using road intersection features
CN108613675B (zh) 低成本无人飞行器移动测量方法及系统
Dawood et al. Harris, SIFT and SURF features comparison for vehicle localization based on virtual 3D model and camera
CN115900712B (zh) 一种信源可信度评价组合定位方法
JP2002532770A (ja) 映像に関連してカメラポーズを決定する方法及びシステム
Venable et al. Large scale image aided navigation
Volden et al. Development and experimental evaluation of visual-acoustic navigation for safe maneuvering of unmanned surface vehicles in harbor and waterway areas
Gupta et al. Terrain‐based vehicle orientation estimation combining vision and inertial measurements
KR102249381B1 (ko) 3차원 영상 정보를 이용한 모바일 디바이스의 공간 정보 생성 시스템 및 방법
Venable Improving real-world performance of vision aided navigation in a flight environment
CN114088103A (zh) 车辆定位信息的确定方法和装置
Xia et al. YOLO-Based Semantic Segmentation for Dynamic Removal in Visual-Inertial SLAM
Baheerathan et al. Image-aided inertial navigation for an Octocopter

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
CP01 Change in the name or title of a patent holder

Address after: Room 503-3, 398 Jiangsu Road, Changning District, Shanghai 200050

Patentee after: Shanghai Xijing Technology Co.,Ltd.

Address before: Room 503-3, 398 Jiangsu Road, Changning District, Shanghai 200050

Patentee before: SHANGHAI WESTWELL INFORMATION AND TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder