CN109709593A - 基于“云-端”紧耦合的智能网联汽车车载终端平台 - Google Patents

Abstract

本发明公开一种基于“云‑端”紧耦合的智能网联汽车车载终端平台，与云平台交互，高精度定位单元通过GNSS定位、网络定位或自主定位模式实现车辆的全天候高精度定位；地图匹配识别单元结合车辆的定位信息，调用云平台当前车辆区域高精度地图信息，在此基础上形成动态高精度地图；驾驶环境感知单元利用传感器和网联通信技术实现车辆本身和环境数据的感知；车路协同控制单元综合驾驶环境感知单元、地图匹配识别单元和高精度定位单元的数据，进行多源数据的融合，做出驾驶环境分析，并结合云控命令做出驾驶决策，上报至云平台。本发明通过采用“云‑端”紧耦合的方式实现了车辆与外部环境的深度融合交互。

Description

基于“云-端”紧耦合的智能网联汽车车载终端平台

技术领域

本发明涉及智能网联汽车技术领域，具体涉及一种基于“云-端”耦合的智能网联汽车车载终端平台及信息融合方法。

背景技术

智能网联汽车是国家制造2025发展规划中的核心重点突破领域。能够明显改善交通安全、实现节能减排、消除拥堵、提升社会效率，并拉动汽车、电子、通讯、服务、社会管理等协同发展，对促进我国产业转型升级具有重大战略意义——《中国制造2025重点领域技术路线图(2015年版)》。

智能网联汽车中网联化是指融合现代通信与网络技术，实现车内网、车外网、车际网的无缝链接，具备信息共享、复杂环境感知、智能化决策、自动化协同等控制功能，与智能公路和辅助设施共同组成未来社会智能出行系统。按照规划，至2020年远程通讯互联终端整车装备率将达50％，驾驶辅助(DA)、部分自动驾驶(PA)车辆市场占有率约30％。2025年，远程和短程通讯终端的整车装备率将增至80％，DA、PA车辆占有率保持稳定，高度自主驾驶(HA)车辆市场占有率约达10％-20％。

因此，车载通信终端作为智能网联汽车技术架构中的核心单元，是车路协同技术的关键技术。然而目前行业内只有实现基础联网的设备(主要为T-box)，仅仅将车辆与网络之间进行简单连接，没有实现车辆与网络、车辆与环境之间的深度融合交互，导致现有终端类产品均不能满足智能网联技术发展的需求，需要进一步设计能够深度耦合汽车和外部环境的智能化车载终端。

发明内容

为解决现有状况下存在的限制智能网联汽车与外界深度交互融合方面的一处或多处问题，本发明从自车研发，提供一种基于“云-端”紧耦合的智能网联汽车车载终端平台。“云”指云平台，“端”指车载终端。

本发明解决以上技术问题所采用的技术方案如下：一种基于“云-端”紧耦合的智能网联汽车车载终端平台，其特征在于，包括高精度定位单元、地图匹配识别单元、驾驶环境感知单元、车路协同控制单元，各单元均与云平台互联；

所述高精度定位单元通过GNSS定位、网络定位或自主定位模式，实现车辆的全天候高精度定位；

所述地图匹配识别单元结合车辆的定位信息，调用云平台提供的当前车辆所在区域内的高精度地图信息，实现车辆行驶区域内地图数据的分发同步，在此基础上形成动态高精度地图；

所述驾驶环境感知单元利用传感器和网联通信技术实现车辆本身和环境数据的感知，包含网联数据、车身数据、道路数据和驾驶员数据；

所述车路协同控制单元，综合所述驾驶环境感知单元、地图匹配识别单元和高精度定位单元的数据，进行多源数据的融合计算，做出驾驶环境分析，并结合云控命令做出驾驶决策，决策结果上传至云平台。

所述高精度定位单元在工作中逐次检测GNSS信号状态、移动网络状态、车辆状态，按1)GNSS信号良好、2)GNSS信号质量不好，网络信号良好、3)GNSS信号和网络信号均不好，对应决策采取GNSS定位模式、网络定位模式或自主定位模式。

当GNSS信号良好时，采取GNSS定位模式，流程如下：

1)系统接收GNSS信号，完成信号的捕获、跟踪；

2)GNSS信号捕获后系统进行导航电文解算生成初始的位置和速度数据，解算之后的数据同步作为INS系统的原始输入参数供INS进行解算使用；

3)初始定位完成后，系统查询参考站状态，如果参考站状态可用，则自动接收来自参考站的误差修订数据，执行RTK算法；如果参考站的状态不可用，则本地切换至GNSS与INS紧耦合定位模式，通过INS解算参数对GNSS定位进行修正；

4)系统连续输出定位数据。

当GNSS信号质量不好，但移动网络信号良好时，采用网络定位模式，流程如下：

1)系统启动后通过无线网络与移动基站进行连接，移动基站位置信息播发至车载终端；

2)车载终端将接收到的移动基站位置信息通过网络上传至A-GPS定位服务器；

3)A-GPS定位服务器接收位置信息后广播基站覆盖区域内的卫星星历，并将其再次回传给终端；

4)车载终端利用所接收到的星历信息进行解算，最终输出位置和速度定位数据；

当GNSS信号和网络信号均不好时，采用自主导航模式，流程如下：

1)INS系统利用人工智能算法在GNSS信号有效的时刻进行误差模型训练；

2)当网络信号丢失时从前期积累的数据库中调用误差模型，对INS系统的误差进行修订；

3)系统接收里程计提供的速度脉冲信息，以脉冲信号作为参考修订惯导的速度数据和里程信息；

4)用航位推算与地图匹配的算法对自主导航位置纠偏。

基于“云-端”耦合生成动态高精度地图的过程如下：

1)车辆启动后首先导入本地地图数据，并读取地图的时间信息和版本信息；

2)车辆将当前位置信息和时间信息通过网络上传至云平台；

3)云平台将车辆当前位置信息、时间信息作为索引信息和版本校对参数，传递给地图的分区识别管理单元；

对于静态地图而言，地图数据调用之后只进行一次版本校验，如果上报的版本与云端存储的版本数据一致，则给出校验通过信号，车载终端直接调用本地数据参与后续数据融合；

对于动态地图而言，地图数据调用之后分区识别管理单元一旦检测到动态数据发生变化，则第一时间与车载终端发起会话，将动态数据下发到终端；

4)终端接收到动态地图数据之后，结合本地地图数据进行数据的配准和融合，将动态数据信息以标注的形式映射到静态地图之中，形成动态高精度地图。

所述驾驶环境感知单元获取感知数据过程如下：

1)驾驶员数据通过摄像头和麦克采集，利用疲劳检测算法、手势识别算法和语音识别算法完成驾驶员的行为分析，并将分析的结果传输给本地环境识别处理单元；

2)道路数据通过摄像头和激光雷达采集，做图像处理运算之后再进行配准融合；

摄像头的图像处理主要为特征点提取和图像分类识别；

激光雷达的图像处理过程包含数据查找、数据分类、数据滤波、特征点提取、影像匹配和模型构建；

3)车身数据一方面通过车载传感器获取，另一方面通过车载网络总线获取。

4)网联数据利用定位信息采用V2X技术从云平台获取。

与现有技术相比，本发明显著的有益效果体现在：本系统能够通过采用“云-端”紧耦合的方式实现车辆与外部环境的深度融合交互。环境感知方面，通过多源化的数据采集，结合云端交互，能够真正意义上实现“超视距”感知，为行驶决策提供更为丰富的数据支持；车身控制方面，能够在本地进行驾驶条件分析之外，响应来自云端的命令，实现云端的协同调控；动态地图技术可以突破传统地图的限制，更加接近真实场景，紧耦合的方式能够保证地图实时的更新，确保数据的时效性。

另外，本发明能够有效支持车路协同技术，并实现车车之间的互联通信，能够极大的提高车辆的网联化、智能化程度。

本发明的其他特征和优点将在随后的说明书中阐述，并且部分的从说明书中变得显而易见，或者通过实施本发明而了解。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为“云-端”紧耦合型智能网联汽车车载终端平台架构；

图2为高精度定位单元功能架构；

图3为是高精度定位单元功能实现流程图；

图4为地图匹配识别单元功能架构；

图5为高精度动态地图生成流程图；

图6为驾驶环境感知单元功能架构；

图7为驾驶环境感知单元功能实现流程图；

图8为本地协同控制单元功能架构；

图9为本地协同控制单元功能实现流程图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明。但本领域的技术人员应该知道，以下实施例并不是对本发明技术方案作的唯一限定，凡是在本发明技术方案精神实质下所做的任何等同变换或改动，均应视为属于本发明的保护范围。

如图1所示，本发明中，将车载终端平台主要划分为高精度定位单元1、地图匹配识别单元2、驾驶环境感知单元3、车路协同控制单元4四部分，每一部分均通过网联的方式进行功能扩展，实现车端与云平台之间的深度融合。

高精度定位单元1，该部分主要用于实现车辆的全天候高精度定位，利用网络通信通过GNSS定位技术实现网络RTK功能(载波相位实时动态差分)，实现厘米级的定位；同时系统集成IMU惯性测量单元，结合GNSS定位实现组合导航功能，保证在失去卫星信号的条件下车辆能够在一定范围内实现定位。在GNSS+IMU这种传统组合导航方案基础上，系统进一步融合移动蜂窝网络、里程计和航位推算与地图纠偏算法，实现多源化融合的导航定位功能，使之具备车辆应用场景的特色，最终达到全天候场景下连续高精度定位导航。车辆的位置信息用于本车计算使用并通过网络上传至云平台，实现云端监管。高精度定位单元1将车辆的定位信息发送给地图匹配识别单元2，用于地图匹配识别单元2做出位置识别，与地图数据库匹配。高精度定位单元1也将车辆的定位信息发送给驾驶环境感知单元3，用于与感知单元采集的道路数据、驾驶数据、车身数据、网联数据等融合，形成环境数据。高精度定位单元1也将车辆的定位信息发送给车路协同控制单元4，用于车、路多源数据的融合分析。

地图匹配识别单元2，该部分结合车辆的定位信息，利用网联通信技术通过云-端(云平台与车载终端之间)互动的方式，分区域地调用云平台提供的当前车辆所在区域内的高精度地图信息，在此基础上形成动态高精度地图，实现车辆行驶区域内地图数据(包含动态交通信息)的分发同步，作为基础数据源供协同决策系统使用。

驾驶环境感知单元3，该部分利用传感器和网联通信技术实现车辆本身和环境数据的感知。数据源包含网联数据、车身数据、道路数据和驾驶员数据四类，结合车辆位置信息，将采集到的数据用于本地的车路协同状况驾驶分析，分析结果通过网络上传至云平台存储。同时，利用定位信息，可以将位置信息和采集的路况信息融合之后用于更新网联数据库，供其他车辆使用。

车路协同控制单元4，该部分主要用于进行多源数据的融合分析计算，综合了驾驶环境感知单元、地图匹配识别单元和高精度定位单元等方面的数据，通过数据分析技术进行驾驶环境分析和决策判定。分析结果在云平台和本地两侧同时进行存储，除本地分析决策之外，还上传至云平台，与云控中心进行协同管控，支持国家的监管。

车载终端在车外网联方面与云平台5相连，实现车载终端平台与云平台之间的交互融合，在车内网联方面与车身通信系统6相连获取车身数据信息。

具体的，各部分结构和功能实现如下：

1、高精度定位单元

如图2所示，高精度定位单元1将基于GNSS定位技术同时结合移动蜂窝网络、IMU惯性测量和里程计，采用PTK算法、组合导航算法、融合定位算法等，实现多源化融合的导航定位功能，主要输出车辆的位置、速度、加速度和角速度等姿态信息，实现高精度的定位和授时功能，具体如下：

系统启动后将会逐次检测GNSS信号状态，移动蜂窝网络状态，车辆状态等信息。根据工作环境状态的不同，系统将结合车辆的实际应用场景，遵循所设计的策略，自动选择采用合适的定位方式。设计中将实际应用场景分为三类：一、GNSS信号良好(正常的汽车行驶应用场景)；二、GNSS信号质量不好，网络信号良好(建筑物遮挡、多径效应等造成GNSS信号接收不理想的场景，如城市高架桥下)；三、GNSS信号和网络信号均不好(GNSS信号遮挡、蜂窝基站不能覆盖的场景下，如偏远山体内的隧道等)。对应三种工作场景分别设计了GNSS定位、网络定位和自主定位三种模式，具体内容如下，如图3所示：

(1)当GNSS信号良好时(正常的汽车行驶应用场景)，系统能够捕获足够的卫星，此时GNSS导航起主导作用，系统工作流程如下：

1)该模式下系统启动后开始接收GNSS信号，完成信号的捕获、跟踪；

2)GNSS信号捕获后系统进行导航电文解算并生成初始的位置和速度数据，完成位置信息初始化；解算之后的数据同步作为INS系统的原始输入参数供INS进行解算使用；

3)初始定位完成后，系统将查询参考站状态，如果参考站状态可用，则自动接收来自参考站的误差修订数据，执行RTK算法；如果参考站的状态不可用，则本地切换至GNSS与INS紧耦合定位模式下，通过INS解算参数对GNSS定位进行修正，实现高精度的要求；

4)GNSS信号良好的状态下，系统将连续输出定位数据。

(2)当GNSS信号质量不好，但移动网络信号良好时(建筑物遮挡、多径效应等造成GNSS信号接收不理想的场景，如城市高架桥下)，系统将自动采用A-GPS的方式辅助定位。该方式下，移动蜂窝网络基站代替卫星直接转发星历，用于进行定位解算。系统与移动基站之间进行数据的交互过程如下：

1)系统启动后通过无线网络与移动基站进行连接，移动基站位置信息播发至车载终端；

2)终端将接收到的移动基站位置信息通过网络上传至A-GPS定位服务器；

3)A-GPS定位服务器接收位置信息后广播基站覆盖区域内的卫星星历，并将其再次回传给终端；

4)终端利用所接收到的星历信息进行解算，最终输出位置和速度等定位数据。

(3)当GNSS信号和网络信号均不好时(GNSS信号遮挡、蜂窝基站不能覆盖的场景下，如偏远山体内的隧道等)，系统将自动采用本地自主导航的方式进行定位。该模式下车辆的前次定位数据作为初始数据提供给IMU单元，里程计输出速度信息用于IMU单元的速度校正，工作原理如下：

1)INS系统利用人工智能算法在GNSS信号有效的时刻进行误差模型训练；

2)当网络信号丢失时从前期积累的数据库中调用误差模型，对INS系统的误差进行修订；

3)系统接收里程计提供的速度脉冲信息，以脉冲信号作为参考用于修订惯导的速度数据和里程信息，降低系统误差，提高定位精度；

4)航位推算与地图匹配的算法用于车辆自主导航模式下的位置纠偏，在自主导航模式下，INS定位的工作原理决定了随着时间的积累系统势必会存在不可避免的误差，通过地图纠偏可以利用预置的地图数据，在一定的行驶范围之内完成行驶轨迹的纠正。

系统通过GNSS、INS、A-GPS、里程计、航位推算和地图匹配等多种定位技术的融合，实现适用于车载应用场景的支撑全天候的多源融合定位技术。GNSS系统能够提供24小时不间断的位置服务，适用于卫星信号有效的应用场景(实际应用中的大部分时刻能够保证GNSS信号有效)；此时结合RTK定位算法，可以实现系统连续性的高精度定位。当GNSS信号弱时，系统对应用场景进一步拆分为有网络环境和无网络环境两大类——有网络环境包含高架桥底、廊桥、高楼间卫星信号遮挡，但无线信号能够覆盖的区域；无网络环境为山体隧道等网络完全缺失的环境。在有网环境中，系统利用A-GPS技术进行定位，仍然能够提供基于网络的全天候不间断连续定位；在无网环境中，系统则只能采取自主导航模式，利用INS定位技术进行定位，并结合里程计、航位推算与地图匹配进行位置纠偏，尽可能降低系统的累积误差。自主定位与网络定位、GNSS定位是并存的关系，在GNSS定位和网络定位工作模式下，INS系统也在进行定位的解算，但所处的模式是训练模式——即通过人工智能算法不断训练系统自身的误差模型。当系统进入自主定位模式时，则调用训练后的误差模型，用于系统校正，提高定位精度。所以本发明实现了适应于各种车载应用场景的全天候的多源融合定位技术。解析后的位置和时间数据可以输出供地图匹配识别、驾驶环境感知、本地协同控制等单元使用。

高精度定位主要通过网络RTK算法实现。目前主流的RTK算法有单参考站模式、虚拟参考站模式(VRS)、区域改正参数法(FKP)、主辅助站技术(MAX)、综合误差内插法(CBI)等。参考站可以选择现有服务类基准站(如千寻位置)，也可以自建基准站。INS的人工智能算法主要有NN算法、ANFIS算法、SVM算法等。

2、地图匹配识别单元

如图4所示，地图匹配识别单元3根据车辆行驶轨迹，实时调用云平台里轨迹所在区域内的地图信息，利用移动网联通信技术通过云-端互动的方式，实现车辆行驶区域内地图数据(包含动态交通信息)的分发同步——包含基础道路数据信息、车流量信息、红绿灯状态信息等，在此基础上形成动态高精度地图，实现动态高精度地图的实时更新。“云-端”紧耦合的方式，能够保证最新的地图数据能够及时的传输给车辆；同时与传统地图相比，动态信息的引入可以为车辆提供更为可靠的驾驶决策参考。

动态高精度地图的生成和应用过程如下，如图5所示：

1)车辆启动后系统首先导入本地地图数据，并读取地图的时间信息和版本信息；

2)车辆将当前位置信息和时间信息通过网络传输技术上传至云平台；

3)云平台中对动态地图数据和静态地图数据各自分别进行处理。终端的当前位置、时间信息上报之后，将作为索引信息和版本校对参数分别传递给地图的分区识别管理单元，由分区识别管理单元负责地图数据的调用和版本的鉴定。对于静态地图而言，地图数据调用之后只进行一次版本校验。如果本地上报的版本与云端存储的版本数据一致，则给出校验通过信号，终端接收之后直接跳过数据更新，调用本地数据参与后面的数据融合。对于动态地图而言，对数据的实时性要求较高，因此需要云端动态循环的对地图数据进行检测更新。结合分区识别管理单元的数据调用策略，一旦检测到动态数据发生变化，云端将第一时间与终端发起会话，将动态数据下发到终端；

4)终端接收到动态地图数据之后将结合本地地图数据进行数据的配准和融合。数据配准的作用是将动态的数据信息以标注的形式映射到静态地图之中，标注时以高精度位置信息作为索引坐标；标注之后的数据将按照标准的地图数据格式进行转化，形成含动态信息的标准地图数据；

5)地图生成之后将作为关键参考数据之一供驾驶决策分析；同时地图数据可以参与定位，在无网络环境下供地图匹配算法调用。

在动态高精度地图里，数据是分层、独立存储的。其中静态数据指传统基础路网数据，指的是传统地图中的数据内容(包含建筑物、交通标识、道路边线、中心线等)；动态数据为红绿灯相位、车流量信息、道路施工状况、限行情况、事故信息等。目前实际使用中静态数据主要由图商提供(如百度、高徳、四维图新)；动态数据的获取则主要依靠车辆自身以及公路、交管部门提供的信息为准，利用最新的无线网络通信技术，可以实现信息的实时提供，从而是地图具备良好的时效性，实现动态的特性。未来发展中可以考虑云端建立统一的地图基础平台，将图商数据、政府机构的交通管理数据等接入平台，进行统一的管理，能够更好的提高效率。

3、驾驶环境感知单元

如图6所示，驾驶环境感知单元3主要的功能在于实现车辆行驶中对于车内、外以及周边环境的感知，形成的感知数据包含有道路数据、驾驶员数据、车身数据和云端网联数据四类，能够实现车-人-路-云的立体化数据采集监管。

数据感知处理的过程如图7所示：

1)驾驶员状态数据包含驾驶员疲劳检测、手势识别、语音识别三方面，主要用于识别驾驶员的命令、检测疲劳状态等。数据通过摄像头和麦克采集，利用专有的疲劳检测算法、手势识别算法和语音识别算法等完成驾驶员的行为分析，并将分析的结果传输给本地环境识别处理单元；

2)道路数据主要为道路检测、障碍物识别等，由摄像头和激光雷达采集，采集之后分别做图像处理运算之后再进行配准融合，最后用于本地环境的重构。激光雷达的数据处理过程包含数据查找(空间栅格法、八叉树划分法和KD划分法等)、数据分类(逐点分类、基于分割的分类、多实体点云分布等)、数据滤波、特征点提取、影像匹配(ICP算法、NDT算法等)和模型构建等部分；摄像头图像的处理主要为特征点提取(PCA算法、LDA算法)和图像分类识别，二者的数据预处理完成之后进一步做数据匹配融合，完成道路状况的分析；

3)车身数据包含车速、航向、加速度、位置、里程、油耗等信息，一方面通过车载传感器获取速度、加速度、角速度等，另一方面通过车载网络总线获取油耗、里程等，采集到的数据用于做本地的驾驶状况分析，分析结果通过4G网络上传至云平台存储。利用定位信息，可以将位置信息和路况信息融合之后用于更新V2X数据库，供其他车辆使用；

4)云端网联数据特指V2X数据，主要包含V2V、V2I、V2P和V2N信息，目前的V2X有LTE-V2X和DSRC两种标准，国内主推LTE-V2X标准。V2V指车车之间互联通信，主要用于车辆状态的行驶(如刹车、振动等)；V2I指车辆与基础设施之间的通信(如红绿灯相位时间、路侧距离等)；V2P是指车辆与行人之间的互联通信(如行人位置信息)；V2N指车辆与网络之间的通信。一方面，本单元感知V2X数据后将其作为环境数据的重要组成部分用作本地环境的识别分析；另一方面，车辆可以作为V2V网络中的一个节点，将自身状态进行上报，支持云端构建大的V2X数据库。

4、本地协同控制单元

如图8所示，本地协同控制单元4作为多源数据的融合点，融合驾驶环境感知单元、地图匹配识别单元和高精度定位单元等方面的数据，融合后做环境分析，结合优先级策略做驾驶决策辅助判定，结合云控命令的解析，最终完成本地驾驶场景的构建，将驾驶决策的分析结果存储和上报；决策信息将上报至云平台，支持国家的监管。

本单元的工作流程如图9所示：

1)车辆行驶后本地协同控制单元4接收来自于高精度定位单元1、地图匹配识别单元2、驾驶环境感知单元3的定位数据、地图数据、环境感知数据；

2)车辆通过疲劳监测系统分析驾驶员状态，如果驾驶员状态监测良好则持续进行监测，如果状态异常则给出警示，并将结果上报至云端。驾驶员状态的分析结果也将会作为参考数据用于实时环境构建；

3)车载激光雷达、摄像头采集到的数据经过驾驶环境感知单元3分析后提供给协同控制单元进行本地环境的识别，主要用于识别路上的行人、障碍物、交通信息等，用于判定驾驶状况；

4)云控中心接收来自于城市交管系统(城市交通控制信息、交通流诱导系统、道路气象监测系统等)的数据，并通过无线传输技术传递给车辆；

5)本地协同控制单元接收高精度地图数据、高精定位数据、V2X数据、本地驾驶环境分析的结果和云控环境的分析结果，对车辆周边的行驶环境进行实时建模、重构；

6)针对构建后的实时环境进行分析，给出驾驶决策参考；

7)决策结果反馈给云端进行存储。

与传统相比，本单元在实时环境构建过程中将V2X数据和来自云端的控制中心数据(信号灯相位、天气状况、协同控制命令等)与本地传感器采集到的数据一并进行处理，通过遥感领域中成熟的算法和技术即可完成场景的重构。因为数据中有实时动态的信息，因此构建成的环境模型也具备实时的特性。同时云端数据的采用也可以作为本地传感器的有限补充，拓展传感器采集的数据范围。

本发明车载终端平台几大模块都充分与云平台发生交互，体现了云端与车端的紧密耦合，通过紧耦合的方式真正意义上实现汽车网联功能。首先，利用网联技术在感知、地图、定位、决策等多个方面支持汽车与环境的深度融合交互，在感知范围、数据来源、分析决策等方面极大的拓展了单车在相关领域的局限性，能够提供更为丰富环境数据供车辆使用，提高智能驾驶可靠性；突破了当下车载终端仅仅支持“上网”的局限性，能够有效支持未来汽车智能化、网联化的发展。其次，车载多源融合定位策略的实现，创新性的对汽车的应用场景进行划分，并结合当下的主流定位技术，按应用场景进行适配，最后利用合理的调度策略将其进行融合，设计适用于车载应用的多源融合定位方案，实现了全天候多场景下的连续高精度定位功能。再次，在本地环境建模过程中引入动态数据构建实时动态环境模型，能够提供更好的动态特性，更加真实的反映路况信息，在实时性要求较高的应用场景下，能够及时反映路面信息的变化，较好的提高驾驶决策的可靠性。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于“云-端”紧耦合的智能网联汽车车载终端平台，其特征在于，包括高精度定位单元、地图匹配识别单元、驾驶环境感知单元、车路协同控制单元，各单元均与云平台互联；

所述高精度定位单元通过GNSS定位、网络定位或自主定位模式，实现车辆的全天候高精度定位；

所述地图匹配识别单元结合车辆的定位信息，调用云平台提供的当前车辆所在区域内的高精度地图信息，实现车辆行驶区域内地图数据的分发同步，在此基础上形成动态高精度地图；

所述驾驶环境感知单元利用传感器和网联通信技术实现车辆本身和环境数据的感知，包含网联数据、车身数据、道路数据和驾驶员数据；

所述车路协同控制单元，综合所述驾驶环境感知单元、地图匹配识别单元和高精度定位单元的数据，进行多源数据的融合计算，做出驾驶环境分析，并结合云控命令做出驾驶决策，决策结果上传至云平台。

2.根据权利要求1所述的基于“云-端”紧耦合的智能网联汽车车载终端平台，其特征在于，所述高精度定位单元在工作中逐次检测GNSS信号状态、移动网络状态、车辆状态，按1)GNSS信号良好、2)GNSS信号质量不好，网络信号良好、3)GNSS信号和网络信号均不好，对应决策采取GNSS定位模式、网络定位模式或自主定位模式。

3.根据权利要求1或2所述的基于“云-端”紧耦合的智能网联汽车车载终端平台，其特征在于，

当GNSS信号良好时，采取GNSS定位模式，流程如下：

1)系统接收GNSS信号，完成信号的捕获、跟踪；

2)GNSS信号捕获后系统进行导航电文解算生成初始的位置和速度数据，解算之后的数据同步作为INS系统的原始输入参数供INS进行解算使用；

3)初始定位完成后，系统查询参考站状态，如果参考站状态可用，则自动接收来自参考站的误差修订数据，执行RTK算法；如果参考站的状态不可用，则本地切换至GNSS与INS紧耦合定位模式，通过INS解算参数对GNSS定位进行修正；

4)系统连续输出定位数据。

4.根据权利要求1或2所述的基于“云-端”紧耦合的智能网联汽车车载终端平台，其特征在于，

当GNSS信号质量不好，但移动网络信号良好时，采用网络定位模式，流程如下：

1)系统启动后通过无线网络与移动基站进行连接，移动基站位置信息播发至车载终端；

2)车载终端将接收到的移动基站位置信息通过网络上传至A-GPS定位服务器；

3)A-GPS定位服务器接收位置信息后广播基站覆盖区域内的卫星星历，并将其再次回传给终端；

4)车载终端利用所接收到的星历信息进行解算，最终输出位置和速度定位数据。

5.根据权利要求1或2所述的基于“云-端”紧耦合的智能网联汽车车载终端平台，其特征在于，

当GNSS信号和网络信号均不好时，采用自主导航模式，流程如下：

1)INS系统利用人工智能算法在GNSS信号有效的时刻进行误差模型训练；

2)当网络信号丢失时从前期积累的数据库中调用误差模型，对INS系统的误差进行修订；

3)系统接收里程计提供的速度脉冲信息，以脉冲信号作为参考修订惯导的速度数据和里程信息；

4)用航位推算与地图匹配的算法对自主导航位置纠偏。

6.根据权利要求1所述的基于“云-端”紧耦合的智能网联汽车车载终端平台，其特征在于，基于“云-端”耦合生成动态高精度地图的过程如下：

1)车辆启动后首先导入本地地图数据，并读取地图的时间信息和版本信息；

2)车辆将当前位置信息和时间信息通过网络上传至云平台；

3)云平台将车辆当前位置信息、时间信息作为索引信息和版本校对参数，传递给地图的分区识别管理单元；

对于静态地图而言，地图数据调用之后只进行一次版本校验，如果上报的版本与云端存储的版本数据一致，则给出校验通过信号，车载终端直接调用本地数据参与后续数据融合；

对于动态地图而言，地图数据调用之后分区识别管理单元一旦检测到动态数据发生变化，则第一时间与车载终端发起会话，将动态数据下发到终端；

4)终端接收到动态地图数据之后，结合本地地图数据进行数据的配准和融合，将动态数据信息以标注的形式映射到静态地图之中，形成动态高精度地图。

7.根据权利要求1所述的基于“云-端”紧耦合的智能网联汽车车载终端平台，其特征在于，所述驾驶环境感知单元获取感知数据过程如下：

1)驾驶员数据通过摄像头和麦克采集，利用疲劳检测算法、手势识别算法和语音识别算法完成驾驶员的行为分析，并将分析的结果传输给本地环境识别处理单元；

2)道路数据通过摄像头和激光雷达采集，做图像处理运算之后再进行配准融合；

摄像头的图像处理主要为特征点提取和图像分类识别；

激光雷达的图像处理过程包含数据查找、数据分类、数据滤波、特征点提取、影像匹配和模型构建；

3)车身数据一方面通过车载传感器获取，另一方面通过车载网络总线获取。

4)网联数据利用定位信息采用V2X技术从云平台获取。