CN109815300B - 一种车辆定位方法 - Google Patents

Abstract

本发明公开了一种车辆定位方法，该方法包括：采集多个训练样本作为训练集N，将车辆摄像头拍摄的带有训练区域行驶环境标志物的图片，以及拍摄该图片时车辆所在训练区域的高精度地图作为训练集中的一个样本n，n∈N；采用深度学习的方法，使用所述训练集训练模型，得到训练后的模型；当车辆进入预测区域时，对预测区域中的行驶环境标志物进行拍摄得到预测区域拍摄图片，将所述预测区域拍摄图片、以及处理后的预先缓存的包括所述预测区域的高精度地图，输入训练后的模型，确定当前车辆所在预测区域的高精度地图；进而确定当前车辆位置坐标。采用本发明能够实现定位过程不完全依赖于卫星信号，在接收不到信号的环境中的车辆定位。

Description

一种车辆定位方法

技术领域

本发明涉及定位技术领域，特别涉及一种车辆定位方法。

背景技术

车辆定位技术是智能自动驾驶领域中一项重要的技术，实现高精度、高可靠性的车辆定位的需求日益增长。目前使用规模最广泛、技术最成熟的定位技术是全球卫星定位系统(GPS,Global Positioning System)，该系统具有性价比高、部署简单、能够实现全球覆盖等特点。在此基础上有诸多改进的增强技术，如实时动态差分定位、视觉里程计、惯性导航定位、航迹推算定位等，在一定程度上改进了卫星定位系统的定位精度和定位更新频率。现今的GPS系统能够提供非常准确的位置信息和精确到毫米级别的相对距离信息。

近年来，高精度地图概念的提出又给车辆定位技术带来了新的研究方向。高精度地图基于实际的地图，是一种能够提供高精度的道路特征和实时环境信息的高精度智能。因此很多基于地图的定位技术也相继被提出，较为主流的方法之一是利用图像进行车辆定位，即通过车辆的前置或侧面摄像头采集图像，通过一定的特征匹配技术将采集到的图像与高精度地图进行对比，从而实现车辆定位。

目前基于GPS的定位技术虽然已经十分成熟，但仍存在一些不足。由于该技术中车辆的定位依赖于卫星信号的接收，所以面对动态的环境时可能会出现无法定位的问题。即如果周围环境对卫星信号有过多的遮挡甚至车辆完全接收不到卫星信号，GPS系统就会定位失效，不能保证较高的定位可靠性。改进的卫星增强系统虽然在定位精准度和定位更新频率上有一定改善，但仍然会产生一定的累积误差，具有自身的局限性。如何在这些情况下进行精准的定位，是目前研究中较为欠缺的部分。

此外，基于地图的车辆定位技术中也存在一个较为普遍的限制因素。在车辆行驶过程中，由于摄像头抖动、光照不足等因素，采集到的图像会有一定程度的模糊，对特征匹配过程产生一些影响，进而影响定位精度。如何克服模糊图像对定位精度的影响，是目前技术领域中亟待解决的问题。

发明内容

有鉴于此，本发明的发明目的是：能够实现定位过程不完全依赖于卫星信号，在接收不到信号的环境中的车辆定位。

为达到上述目的，本发明的技术方案具体是这样实现的：

本发明提供了一种车辆定位方法，该方法包括：

采集多个训练样本作为训练集N，将车辆摄像头拍摄的带有训练区域行驶环境标志物的图片，以及拍摄该图片时车辆所在训练区域的高精度地图作为训练集中的一个样本n，n∈N；

采用深度学习的方法，使用所述训练集训练模型，得到训练后的模型；

当车辆进入预测区域时，对预测区域中的行驶环境标志物进行拍摄得到预测区域拍摄图片，将所述预测区域拍摄图片、以及处理后的预先缓存的包括所述预测区域的高精度地图，输入训练后的模型，确定当前车辆所在预测区域的高精度地图；

将所述预测区域拍摄图片输入第一检测网络得到预测区域拍摄图片中标志物类别，以及当前车辆与该标志物的相对位置信息；将当前车辆所在预测区域的高精度地图和标志物类别输入第二检测网络，得到该标志物的位置坐标；根据该标志物的位置坐标，以及当前车辆与该标志物的相对位置信息得到当前车辆位置坐标。

由上述的技术方案可见，本发明提出了一种在GPS信号强度不足的场景中的车辆定位方案。在GPS信号良好的路段，车辆通过GPS信号得到地理位置坐标，将地理位置坐标映射至高精度地图中的某一区域，然后使用该区域的高精度地图和拍摄到的图像训练一个卷积神经网络。在GPS信号接收状况不佳的路段，首先车辆通过得到的卷积神经网络将每一区域的高精度地图和拍摄到的图像进行匹配，根据相似度确定所在正方形区域。然后选取拍摄图像中的标志物作为参照物，确定车辆与参照物的位置关系。最后在高精度地图中确定参照物的位置坐标，并根据参照物与车辆的位置关系完成车辆的定位。

本发明使用的卷积神经网络具有自组织、自学习、自适应特性，能够提高定位的可靠性和定位精度；地图的高精度能进一步的提高定位精度；网络训练完成后只需要摄像头拍摄的图像和缓存的高精度地图即可完成定位，因此方案也具有极高的适应性。

附图说明

图1为本发明车辆定位方法的流程示意图。

图2为本发明神经网络训练过程示意图。

图3为本发明当前车辆所在正方形区域预测过程示意图。

具体实施方式

为使本发明的目的、技术方案、及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。

本发明提出了基于机器学习，根据摄像头采集的图像和高精度地图预测位置信息的车辆定位方案，定位过程不完全依赖于卫星信号，能够实现在接收不到信号的环境中的车辆定位。利用神经网络具有的自学习、自组织、自适应的特性，同时解决模糊图像影响定位精度、定位过程产生累积误差的问题。方案分为两个阶段：第一阶段中，车辆从临近路侧单元(RSU)下载附近区域的高精度地图，并通过GPS定位和其它定位方式得到自己的地理位置坐标，然后以摄像头拍摄的图像、高精度地图和车辆的位置坐标作为样本，训练一个卷积神经网络(CNN,Convolutional Neural Network)。第二阶段，当车辆进入周围环境对卫星信号有较多遮挡的地区时，则将摄像头拍摄的图像和该地区的高精度地图输入训练好的网络，得到车辆所在正方形区域，然后通过检测拍摄图像和区域地图中的参照物，通过参照物的位置坐标和参照物与车辆的位置关系得到车辆的地理位置坐标，从而实现在GPS定位失效时的精准定位。

机器学习是从数据中学习规律，从现象中发现规律的一门科学。通过学习数据中的各种规律尤其是分类规律，找到输入信息和输出信息的内在关联。深度学习是机器学习中的一个应用十分广泛的分支，其常用的结构是一个多层神经网络。“深度”则是指网络对特征的多次变换，即通过多层网络之间输入与输出的非线性变换，使网络学习到更深层次、更抽象的特征。本发明中使用到的卷积神经网络是深度学习的一个分支，最常用于图像的分析。将图像的像素点作为数值构成一个向量，作为网络的输入。网络中还会包含卷积层、降采样层、全连接层等。卷积层可看作一个边缘检测器，作用是对图像的特征进行提取；降采样层是对特征进行检测；全连接层则是对特征进行整合和判断。最后，网络的结果将由输出层输出网络。神经网络的使用过程通常分两个阶段：训练网络和使用网络进行预测。第一个阶段训练网络是用已知的数据作为网络的输入和输出，使用大量这样的样本来训练网络中的参数，使网络获得有用的特征。第二阶段则是将数据输入训练好的网络，得到网络预测的输出结果。

车辆在行驶过程中，经常会遇到以下情况：进入某一路段时，周围有较多的高楼、树荫等遮挡物，接收到的GPS定位信号强度弱、时断时续；进入隧道或地下通道时，无法接收到GPS信号，定位完全失效。因此，本发明针对以上描述的情况及其他类似场景，提出一种极端环境下的车辆定位方法，流程示意图如图1所示，包括以下步骤：

步骤11、采集多个训练样本作为训练集N，将车辆摄像头拍摄的带有训练区域行驶环境标志物的图片，以及拍摄该图片时车辆所在训练区域的高精度地图作为训练集中的一个样本n，n∈N；

步骤12、采用深度学习的方法，使用所述训练集训练模型，得到训练后的模型；

其中，步骤11和步骤12，是在GPS信号较好的训练区域进行，每个训练样本可以在不同的路段采集。

本发明实施例中深度学习训练模型包括第一卷积神经网络和第二卷积神经网络。深度学习是以一定量的数据作为训练集，在训练集上按照一定的方法自动训练模型，使得机器可以自主的学习图像的特征而不用人工干预。训练好的模型，就可以运用于实际的应用环境中。

步骤12中采用深度学习的方法，使用所述训练集训练模型，得到训练后的模型具体包括：

S121、将车辆摄像头拍摄的带有训练区域行驶环境标志物的图片，输入第一卷积神经网络(CNN网络1)，得到特征向量x_n；

S122、根据训练区域的高精度地图，以及车辆在训练区域的位置坐标，提取到车辆所在训练区域的高精度地图G_n，将G_n输入第二卷积神经网络(CNN网络2)，得到特征向量y_n；其中，x_n和y_n维数相同。

本步骤中，所述根据训练区域的高精度地图，以及车辆在训练区域的位置坐标，提取到车辆所在训练区域的高精度地图G_n包括：

SS1221、将车辆下载的训练区域的高精度地图划分为多个边长为l的正方形区域，l²覆盖车辆摄像头所能拍摄的最大面积；

本步骤中对高精度地图进行划分的目的是让后续匹配快速实现。所取得的l也是摄像头所能拍摄的最远距离，这里，l的取值应足够大，例如，l＝10米。

SS1222、根据全球卫星定位系统(GPS)定位技术得到车辆在训练区域的位置坐标；

车辆行驶在GPS信号接收情况良好的路段，所以GPS定位功能良好，车辆能够通过卫星信号得到准确的在训练区域的位置坐标。同时，车辆能够从附近的RSU或基站下载附近地区的高精度地图，得到车辆下载的训练区域的高精度地图。

SS1223、在训练区域的高精度地图上进行查找，确定车辆位置坐标所在的正方形区域，将该正方形区域作为车辆所在训练区域的高精度地图G_n。

S123、根据x_n和y_n，对所构造的误差函数

取最小值进行优化，更新网络参数，得到训练后的模型。

图2为本发明神经网络训练过程示意图。

步骤13、当车辆进入预测区域时，对预测区域中的行驶环境标志物进行拍摄得到预测区域拍摄图片，将所述预测区域拍摄图片、以及处理后的预先缓存的包括所述预测区域的高精度地图，输入训练后的模型，确定当前车辆所在预测区域的高精度地图；

其中，将所述预测区域拍摄图片、以及处理后的预先缓存的包括所述预测区域的高精度地图，输入训练后的模型，确定当前车辆所在预测区域的高精度地图具体包括：

S131、将预测区域拍摄图片输入训练后的第一卷积神经网络，得到特征向量x^*；

S132、将车辆预先缓存的包括预测区域的高精度地图划分为多个边长为l的正方形区域，将第m个正方形区域的高精度地图记作G_m，m∈M，M为包括预测区域的高精度地图上正方形区域的集合；分别将G₁,G₂…G_M输入训练后的第二卷积神经网络，得到特征向量

这里，预先缓存的包括预测区域的高精度地图，不需要包含训练区域，可以在任意GPS信号良好的时候缓存该包括预测区域的高精度地图。正方形区域l的划分与步骤SS1221中的划分方式相同。在此不再赘述。

S133、根据

确定最小L(m)对应的m值，将该m值对应的G_m作为当前车辆所在预测区域的高精度地图。

图3为本发明当前车辆所在正方形区域预测过程示意图。

步骤14、将所述预测区域拍摄图片输入第一检测网络得到预测区域拍摄图片中标志物类别，以及当前车辆与该标志物的相对位置信息；将当前车辆所在预测区域的高精度地图和标志物类别输入第二检测网络，得到该标志物的位置坐标；根据该标志物的位置坐标，以及当前车辆与该标志物的相对位置信息得到当前车辆位置坐标。

步骤13和步骤14，是在GPS信号较弱的预测区域进行，

本发明中采用第一检测网络和第二检测网络。将输入图片和需要检测的项目输入检测网络，可以得到输入图片中是否含有该项目，以及该项目在输入图片中的位置信息。这项技术已经比较成熟，可以预先配置在车辆的相应模块中，以备使用。在第一检测网络中，保存有标志物的数据库，标志物可以是车辆行驶环境中经常出现且具有标志性的物体，例如标志牌、树木等，构成标志物的集合，由于后续要计算标志物与车辆的相对位置信息，这里标志物也称为参照物。因此，将所述预测区域拍摄图片输入第一检测网络，就可以得到预测区域拍摄图片中标志物类别。需要注意的是，输入第一检测网络的预测区域拍摄图片是经过图像处理技术处理的，就是使用图像处理技术将图像逐渐缓慢拉伸，找到最适合的拉伸角度，将摄像头拍摄的照片拉伸为与地图相适应的平面照片，然后再输入到第一检测网络。

至此，完成了本发明的车辆定位方法。下面对本发明所涉及的几个概念进行说明。本发明的高精度地图指的是，用于为无人驾驶服务的，能够提供道路级别和车道级别的导航信息的更高精度、更精细化的地图。能够提供交通场景中的各种交通要素，包括传统地图的道路网数据、车道网络数据、车道线以和交通标志等数据。训练区域，指的是训练网络时高精度地图所覆盖的整个区域。车辆所在训练区域的高精度地图，指的是训练网络时车辆所在的正方形小区域，是训练区域划分后的某一小块，在本发明实施例中将整个训练区域的高精度地图划分为多个正方形小区域，在实际应用中，也可以将整个训练区域的高精度地图划分为其他形状的小区域，例如划分为长方形的小区域，目的都是让后续匹配快速实现。预测区域，指的是车辆在使用网络预测坐标时，缓存的高精度地图所覆盖的整个区域。车辆所在预测区域的高精度地图，指的是车辆在使用网络预测坐标时，车辆所在的正方形小区域，是预测区域划分后的某一小块，在本发明实施例中将整个预先缓存的预测区域的高精度地图划分为多个正方形小区域，在实际应用中，也可以将整个预先缓存的预测区域的高精度地图划分为其他形状的小区域，例如划分为长方形的小区域。

综上，目前大规模使用的车辆定位技术中，车辆完全依赖GPS信号的接收进行定位，因此定位可靠性不高，易受周围环境的影响。改进的基于地图的定位方式也存在拍摄图像模糊、累积误差等因素影响定位精度的问题。本发明提出的基于机器学习和高精度地图的定位方案，能够克服上述现有定位方案中存在的问题，提高定位精度和可靠性。

本发明的有益效果在于：

一、本方案根据摄像头采集图像和高精度地图进行定位，不依赖于GPS卫星信号的强弱，因此能够适用于各种接收不到信号的极端情况，对动态的环境变化有高度的适应性；

二、神经网络具有高度的自适应性和自学习性，训练过程中能够不断的学习和纠正误差，因此本定位方案能够克服模糊图像对定位过程的影响、解决累积误差的问题，定位结果有极高的可靠性；

三、本方案基于神经网络和高精度地图，因而定位精度相比于传统GPS定位可以有很大程度上的提高。

总体来说，机器学习和高精度地图的结合使用，使本方案能够兼具两项技术的优势，分别在可靠性方面和定位精度方面使车辆的定位效果大幅度提升。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种车辆定位方法，其特征在于，该方法包括：

采集多个训练样本作为训练集N，将车辆摄像头拍摄的带有训练区域行驶环境标志物的图片，以及拍摄该图片时根据全球卫星定位系统GPS定位技术得到车辆在训练区域的位置坐标而提取的车辆所在训练区域的高精度地图作为训练集中的一个样本n，n∈N；

采用深度学习的方法，使用所述训练集训练模型，得到训练后的模型；

当车辆进入预测区域时，对预测区域中的行驶环境标志物进行拍摄得到预测区域拍摄图片，将所述预测区域拍摄图片、以及处理后的预先缓存的包括所述预测区域的高精度地图，输入训练后的模型，确定当前车辆所在预测区域的高精度地图；

将所述预测区域拍摄图片输入第一检测网络得到预测区域拍摄图片中标志物类别，以及当前车辆与该标志物的相对位置信息；将当前车辆所在预测区域的高精度地图和标志物类别输入第二检测网络，得到该标志物的位置坐标；根据该标志物的位置坐标，以及当前车辆与该标志物的相对位置信息得到当前车辆位置坐标；

其中，深度学习训练模型包括第一卷积神经网络和第二卷积神经网络；

采用深度学习的方法，使用所述训练集训练模型，得到训练后的模型具体包括：

将车辆摄像头拍摄的带有训练区域行驶环境标志物的图片，输入第一卷积神经网络，得到特征向量x_n；

根据训练区域的高精度地图，以及车辆在训练区域的位置坐标，提取到车辆所在训练区域的高精度地图G_n，将G_n输入第二卷积神经网络，得到特征向量y_n；

根据x_n和y_n，对所构造的误差函数

取最小值进行优化，更新网络参数，得到训练后的模型。

2.如权利要求1所述的方法，其特征在于，所述根据训练区域的高精度地图，以及车辆在训练区域的位置坐标，提取到车辆所在训练区域的高精度地图G_n包括：

将车辆下载的训练区域的高精度地图划分为多个边长为l的正方形区域，l²覆盖车辆摄像头所能拍摄的最大面积；

根据全球卫星定位系统GPS定位技术得到车辆在训练区域的位置坐标；

在训练区域的高精度地图上进行查找，确定车辆位置坐标所在的正方形区域，将该正方形区域作为车辆所在训练区域的高精度地图G_n。

3.如权利要求1所述的方法，其特征在于，所述将所述预测区域拍摄图片、以及处理后的预先缓存的包括所述预测区域的高精度地图，输入训练后的模型，确定当前车辆所在预测区域的高精度地图具体包括：

将预测区域拍摄图片输入训练后的第一卷积神经网络，得到特征向量x^*；

将车辆预先缓存的包括预测区域的高精度地图划分为多个边长为l的正方形区域，将第m个正方形区域的高精度地图记作G_m，m∈M，M为包括预测区域的高精度地图上正方形区域的集合；分别将G₁,G₂…G_|M|输入训练后的第二卷积神经网络，得到特征向量

根据

确定最小L(m)对应的m值，将该m值对应的G_m作为当前车辆所在预测区域的高精度地图。

4.如权利要求1所述的方法，其特征在于，输入第一检测网络的预测区域拍摄图片经过图像处理技术处理。

Images