CN110221328A - 一种组合导航方法和装置 - Google Patents
一种组合导航方法和装置 Download PDFInfo
- Publication number
- CN110221328A CN110221328A CN201910667665.0A CN201910667665A CN110221328A CN 110221328 A CN110221328 A CN 110221328A CN 201910667665 A CN201910667665 A CN 201910667665A CN 110221328 A CN110221328 A CN 110221328A
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- lane line
- course angle
- navigation
- 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.)
- Pending
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
-
- 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
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
Abstract
本发明实施例提供了一种组合导航方法和装置,应用于车载系统,所述方法包括:获取并根据车辆采集的卫星定位信息、角速度信息、加速度信息、视觉信息,确定车辆的第一位置信息和第一航向角信息;将第一位置信息和第一航向角信息与预置的车载地图进行匹配,确定车辆所处位置各车道线的拥堵信息;获取车辆的当前车道线;根据当前车道线和车辆所处位置各车道线的拥堵信息,确定引导车辆行驶的目标车道线;根据目标车道线生成导航提示信息,并输出导航提示信息。从而可以采用组合导航的方式定位当前车辆;并结合地图数据,提前预判各条车道的拥堵情况,从而引导驾驶人员避开拥堵车道,选择较为通畅的车道。
Description
技术领域
本发明涉及导航技术领域,特别是涉及一种组合导航方法和一种组合导航装置。
背景技术
目前主流地图导航产品采用的是单GPS(Global Positioning System,全球定位系统)作为引擎进行定位,通过接收卫星信号进行下变频、捕获以及跟踪等相关运算和解算,从而获取位置信息。然后,当车辆行驶至隧道、停车场、树荫、城市峡谷等场景时,GPS容易受到屏蔽、遮挡、多路径效应等影响,使得定位精度恶化乃至不能无法准确定位。此外,GPS高程精度误差大,不能有效辨识上下高架动作。
在现有技术中,为了缓解单GPS产品的劣势,部分导航产品已经开始使用GPS、IMU(Inertial measurement unit,惯性测量单元)、车速信号来进行组合导航的融合定位引擎,以此提供更为精确的位置服务。在GPS信号不好的时候,可以通过IMU和车速信号融合来进行定位。然后,在长时间无GPS信号时,IMU会有非常大的累积误差,会导致定位结果误差很大。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种组合导航方法和相应的一种组合导航装置。
为了解决上述问题,本发明实施例公开了一种组合导航方法,应用于车载系统,所述方法包括:
获取并根据卫星定位信息、角速度信息、加速度信息、视觉信息,确定车辆的第一位置信息和第一航向角信息;
将所述第一位置信息和所述第一航向角信息与预置的车载地图进行匹配,确定所述车辆所处位置各车道线的拥堵信息;
获取所述车辆的当前车道线;
根据所述当前车道线和所述车辆所处位置各车道线的拥堵信息,确定引导所述车辆行驶的目标车道线;
根据所述目标车道线生成导航提示信息,并输出所述导航提示信息。
可选地,所述视觉信息包括姿态角和第二位置信息,所述获取并根据车辆采集的卫星定位信息、角速度信息、加速度信息、视觉信息,确定车辆的第一位置信息和第一航向角信息;包括:
获取车辆的历史系统状态变量和历史误差协方差;
依据所述历史系统状态变量,生成预测系统状态变量;
依据所述历史误差协方差,生成预测误差协方差;
获取并依据所述卫星定位信息、所述角速度信息、所述加速度信息、所述姿态角和所述第二位置信息构建观测矩阵;
采用所述观测矩阵和所述预测误差协方差,对所述预测系统状态变量进行校正,得到车辆的当前系统状态变量;
从所述当前系统状态变量中,提取所述车辆的第一位置信息和第一航向角信息。
可选地,所述依据所述历史系统状态变量,生成预测系统状态变量;包括:
获取车辆的运动状态转移矩阵;
采用所述运动状态转移矩阵和所述历史系统状态变量进行计算,得到预测系统状态变量。
可选地,所述依据所述历史误差协方差,获取预测误差协方差,包括:
采用所述卫星定位信息生成系统噪声矩阵;
采用所述历史误差协方差和所述系统噪声矩阵进行计算,得到预测误差协方差。
可选地,所述采用所述观测矩阵和所述预测误差协方差,对所述预测系统状态变量进行校正,得到车辆的当前系统状态变量,包括:
采用所述预测误差协方差,计算卡尔曼增益;
采用所述卡尔曼增益、所述观测矩阵和所述预测系统状态变量进行计算,得到车辆的当前系统状态变量。
可选地,所述视觉信息还包括高架行驶方向信息,所述的方法,还包括:
当所述车辆行驶至高架区域时,根据所述高架行驶方向信息、所述第一位置信息和所述第一航向角确定目标道路线;所述目标道路线为主路或辅路;
所述获取所述车辆的当前车道线的步骤包括:
当所述目标道路线为主路时,获取在所述主路上确定的所述车辆的第一当前所处车道线;
当所述目标车道线为辅路时,获取在所述辅路上确定的所述车辆的第二当前所处车道线。
可选地,所述视觉信息还包括图像信息,所述获取并根据车辆采集的卫星定位信息、角速度信息、加速度信息、视觉信息,确定车辆的第一位置信息和第一航向角信息,包括:
获取并采用车辆采集的卫星定位信息、角速度信息、加速度信息和所述图像信息进行视觉惯性跟踪,确定车辆的第一位置信息和第一航向角信息。
本发明实施例还公开了一种组合导航装置,应用于车载系统,所述装置包括:
第一位置信息和第一航向角信息确定模块,用于获取并根据车辆采集的卫星定位信息、角速度信息、加速度信息、视觉信息,确定车辆的第一位置信息和第一航向角信息;
拥堵信息确定模块,用于将所述第一位置信息和所述第一航向角信息与预置的车载地图进行匹配,确定所述车辆所处位置各车道线的拥堵信息;
当前车道线获取模块,用于获取所述车辆的当前车道线;
目标车道线确定模块,用于根据所述当前车道线和所述车辆所处位置各车道线的拥堵信息,确定引导所述车辆行驶的目标车道线;
提示模块,用于根据所述目标车道线生成导航提示信息,并输出所述导航提示信息。
本发明还公开了一种车辆,其特征在于,包括:处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上任一项所述的组合导航方法的步骤。
本发明还公开了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计算机程序,所述计算机程序被处理器执行时实现如上任一项所述的组合导航方法的步骤。
本发明实施例包括以下优点:
本发明实施例通过获取并根据卫星定位信息、角速度信息、加速度信息、视觉信息,确定车辆的第一位置信息和第一航向角信息;将第一位置信息和第一航向角信息与预置的车载地图进行匹配,确定车辆所处位置各车道线的拥堵信息;获取车辆的当前车道线;根据当前车道线和车辆所处位置各车道线的拥堵信息,确定引导车辆行驶的目标车道线;根据目标车道线生成导航提示,并输出导航提示信息。通过本发明实施例,可以采用组合导航的方式定位当前车辆;并结合地图数据,提前预判各条车道的拥堵情况,从而引导驾驶人员避开拥堵车道,选择较为通畅的车道。
附图说明
图1是本发明的一种组合导航方法实施例的步骤流程图;
图2是本发明的另一种组合导航方法实施例的步骤流程图;
图3是本发明的一种组合导航方法实施例的流程框图;
图4是本发明的一种车辆行驶至高架区域时的道路判断实施例的示意图;
图5是本发明的一种全局图优化的流程框图;
图6是本发明的一种联合优化和重定位的流程框图;
图7是本发明的一种动态标定的标定板;
图8是本发明的一种组合导航装置实施例的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
在实际中,单一的传感器往往不能适用所有的场景,例如,在开阔地带,GNSS信号好的时候,定位稳定、定位速度和位置精度较高,然而当GNSS信号不好时,定位效果就会很差。或如,IMU在短时间内,其相对位移数据有很高的精度,但是在长时间使用的情况下,会有非常大的累积误差;又如,车辆视觉传感器在大多数纹理丰富的场景中效果很好,但是遇到玻璃,白墙等特征较少的场景,基本上无法工作。
针对这种情况,本发明实施例提出一种核心构思在于,选择将多个传感器融合起来进行定位。
参照图1,示出了本发明的一种组合导航方法实施例的步骤流程图,应用于车载系统,所述车载系统设置有全球卫星导航系统GNSS(Global Navigation Satellite System,全球卫星导航系统),惯性测量单元IMU,视觉里程计,其中,所述GNSS用于采集车辆的卫星定位信息,所述IMU用于获取车辆的角速度信息、加速度信息;所述方法具体可以包括如下步骤:
步骤101,获取并根据车辆采集的卫星定位信息、角速度信息、加速度信息、视觉信息,确定车辆的第一位置信息和第一航向角信息;
视觉里程计,用于根据拍摄的图像估计相机的运动。
GNSS,可以为基于全球卫星定位系统、俄罗斯的格洛纳斯导航系统、欧盟的伽利略导航系统、中国的北斗二代导航系统和星基增强系统的多模卫星定位模块。
IMU,是测量物体三轴姿态角(或角速率)以及加速度的装置。IMU的主要元件是陀螺仪及加速度计,其精度直接影响到惯性系统的精度。
在本发明实施例中,可以通过视觉里程计采集车辆的视觉信息;以及,可以通过GNSS接收卫星观测数据,并对卫星观测数据进行解算,以获取对车辆的卫星定位信息;还可以通过IMU获取车辆的角速度信息、加速度信息;其中,IMU可以包括陀螺仪和加速度计,本发明对此不作具体限制。
在本发明实施例中,当获取了车辆的卫星定位信息,车辆的加速度信息、角速度信息,以及车辆的视觉信息后,可以采用上述信息进行卡尔曼滤波计算,得到车辆的第一位置信息和第一航向角信息;具体地,可以采用车辆的卫星定位信息、加速度信息、角速度信息和视觉信息构建观测矩阵,以及通过车辆的历史系统状态变量和历史误差协方差计算得到车辆的预测系统状态变量和预测误差协方差;然后采用观测矩阵和预测误差协方差对预测系统状态变量进行校正,从而得到车辆的当前系统状态变量;从车辆的当前系统状态变量中即可提取出车辆的第一位置信息和第一航向角信息。其中第一位置信息用于确定车辆的位置,第一航向角用于确定车辆的行驶方向。
步骤102,将所述第一位置信息和所述第一航向角信息与预置的车载地图进行匹配,确定所述车辆所处位置各车道线的拥堵信息;
在本发明实施例中,车载系统预置有车载地图,通过地图可以确定不同车道线的拥堵信息。当确定了第一位置信息和第一航向角后,可以将第一位置信息和第一航向角与车辆配置的车载地图进行匹配,确定车辆所处位置各车道线的拥堵信息。
步骤103,获取所述车辆的当前车道线;
在本发明实施例中,视觉里程计的摄像头还可以确定车辆的当前所处的车道线。在一个示例中,可以通过识别摄像头采集的图像中的特征点来判断车辆处于哪一条车道线上。
步骤104,根据所述当前车道线和所述车辆所处位置各车道线的拥堵信息,确定引导所述车辆行驶的目标车道线。
在本发明实施例中,当确定了车辆的当前车道线和车辆所处位置各车道线的拥堵信息后,可以确定引导车辆行驶的目标车道线。
步骤105,根据所述目标车道线生成导航提示信息,并输出所述导航提示信息。
在确定了目标车道线后,可以根据目标车道线生成导航提示信息,从而引导驾驶员驶向目标车道线。
在一个示例中,可以在车载地图中显示目标车道线,从而为驾驶员提供行驶路线建议。
在一个示例中,还可以通过语音提示的方式引导驾驶人员驶向目标车道线。
例如,可以通过语音提示向驾驶人员发出提醒“前方左侧车道拥堵,建议将车辆驶入右侧车道线,以避开拥堵”。此外,还可以采用其他的引导方式,本发明对此不作具体限制。
本发明实施例通过获取并根据车辆采集的卫星定位信息、角速度信息、加速度信息、视觉信息,确定车辆的第一位置信息和第一航向角信息;将第一位置信息和第一航向角信息与预置的车载地图进行匹配,确定车辆所处位置各车道线的拥堵信息;获取车辆的当前车道线;根据当前车道线和车辆所处位置各车道线的拥堵信息,确定引导车辆行驶的目标车道线,根据目标车道线生成导航提示,并输出导航提示信息。通过本发明实施例,可以采用组合导航的方式定位当前车辆;并结合地图数据,提前预判各条车道的拥堵情况,从而引导驾驶人员避开拥堵车道,选择较为通畅的车道。
参照图2,示出了本发明的另一种组合导航方法实施例的步骤流程图,具体可以包括如下步骤:
步骤201,获取车辆采集的卫星定位信息、角速度信息、加速度信息、视觉信息;
步骤202,对卫星定位信息、角速度信息、加速度信息、视觉信息进行卡尔曼滤波计算,得到所述车辆的第一位置信息和第一航向角信息;
参照图3,在本发明实施例中,当获取了车辆的卫星定位信息、加速度信息、角速度信息、以及视觉信息后,可以采用上述信息进行卡尔曼滤波计算,得到车辆的第一位置信息和第一航向角信息;其中第一位置信息用于确定车辆的位置,第一航向角用于确定车辆的行驶方向。
在本发明实施例中,步骤202可以包括以下步骤:
子步骤S11,获取车辆的历史系统状态变量和历史误差协方差;
子步骤S12,依据所述历史系统状态变量,生成预测系统状态变量;
子步骤S13,依据所述历史误差协方差,生成预测误差协方差;
子步骤S14,获取并依据所述卫星定位信息、所述角速度信息、所述加速度信息、所述姿态角和所述第二位置信息构建观测矩阵;
子步骤S15,采用所述观测矩阵和所述预测误差协方差,对所述预测系统状态变量进行校正,得到车辆的当前系统状态变量;
子步骤S16,从所述当前系统状态变量中,提取所述车辆的第一位置信息和第一航向角信息。
其中,历史系统状态变量为当前时刻之前的历史时刻对应的系统状态变量,历史误差协方差为上述历史时刻对应的误差协方差。
在一个示例中,所述依据上述历史系统状态变量,生成预测系统状态变量可以包括以下步骤:
获取车辆的运动状态转移矩阵;
采用所述运动状态转移矩阵和所述历史系统状态变量进行计算,得到预测系统状态变量。
具体地,可以通过以下公式计算预测系统状态变量;
其中,为预测系统状态变量,Fk,k-1为车辆的运动状态转移矩阵,运动状态转移矩阵实际上是针对车辆运动状态转换所建立的一种数学模型,为历史系统状态标量,k-1为自然数。
在一个示例中,所述依据所述历史误差协方差,获取预测误差协方差,可以包括以下步骤:
采用所述卫星定位信息生成系统噪声矩阵;
采用所述历史误差协方差和所述系统噪声矩阵进行计算,得到预测误差协方差。
其中,卫星定位信息可以包括卫星号、卫星俯仰角、卫星方位角、卫星载噪比(CNo)等。
具体地,可以通过以下公式计算预测误差协方差;
其中,Pk,k-1为预测误差协方差,Fk,k-1为车辆的运动状态转移矩阵,Pk-1为历史误差协方差,为Fk,k-1的逆矩阵,用于引入环境的不确定度。
此外,本发明实施例中,卫星定位信息还包括第三位置信息、和第二航向角信息,第三位置信息包括经度信息和纬度信息。
在一个示例中,所述依据所述观测矩阵和所述预测误差协方差,对所述预测系统状态变量进行校正,得到车辆的当前系统状态变量,可以包括以下步骤:
采用所述预测误差协方差,计算卡尔曼增益;
采用所述卡尔曼增益、所述观测矩阵和所述预测系统状态变量进行计算,得到车辆的当前系统状态变量。
具体地,可以采用以下公式计算得到卡尔曼增益;
其中,Kk为卡尔曼增益,Pk,k-1为预测误差协方差,Hk为转换矩阵,用于表示将系统状态变量与观测变量连接起来的关系,为Hk的逆矩阵,Rk为量测噪声协方差阵。
本发明实施例在获取卡尔曼增益后,可以根据观测矩阵和卡尔曼增益,通过以下公式对预测系统状态变量进行校正,以获得当前系统状态变量;
其中,为当前系统状态变量,Zk为观测矩阵,为预测系统状态变量,Kk为卡尔曼增益,Hk为转换矩阵。
其中,当前系统状态变量为当前时刻对应的系统状态变量;系统状态变量为矩阵X,且其中,分别表示IMU在世界坐标系中的位置、速度、姿态。bw表示陀螺仪漂移,bw表示加速度计漂移。λ表示视觉尺度因子。表示更新阶段参考帧(相机参考帧)与世界参考帧之间的姿态变化。表示IMU与相机之间的姿态变化。表示IMU与相机之间的位置变化。
其中,观测矩阵Zk=[longGNSS latGNSS hGNSS ωB aB pvio qvio],longGNSS为经度信息,latGNSS为维度信息,hGNSS为第二航向角信息,ωB为角速度,aB为加速度,pvio为第二位置信息,qvio为视觉里程计采集的姿态角。
在本发明实施例中,获取的当前系统状态变量中包含了IMU在世界坐标系中的位置和姿态(姿态包括航向角、俯仰角和翻滚角)。其中,IMU在世界坐标系统的位置即为本发明实施例所需要的第一位置信息,IMU在世界坐标系中的航向角即为本发明实施例所需要的第一航向角。此外,还可以根据实际使用需求将IMU在世界坐标系中的位置和姿态转化为在其他坐标系中的位置和姿态,本发明对此不作具体限制。
可见,通过上述卡尔曼滤波算法,可以直接根据历史系统状态变量递归推算出预测系统状态变量。并且,结合观测变量(包括多个观测物理量,比如通过IMU获取车辆的角速度和加速度)对预测系统状态变量进行校正,来获得当前系统状态变量的方法。能够消除累积误差,进而提高了车辆定位的准确度。
在本发明实施例中,在获取了当前系统状态变量后,还可以通过以下公式对误差协方差进行更新,以作为下次估算预测误差协方差的历史误差协方差。
Pk=[I-Kk·Hk]Pk,k-1
其中,Pk为误差协方差,Kk为卡尔曼增益,Hk为转换矩阵,Pk,k-1为预测误差协方差,I为IMU坐标系中的位姿态。
如图3所示,在本发明实施例中,还可以结合车速信号来获取更为精确的车辆的位置信息。
具体地,通过CAN传输过来的车速信号通过GNSS的速度标定后,会得到一个位置信息,将所得到的位置信息结合上述经由卡尔曼滤波得到的第一航向角,进行卡尔曼滤波计算,并将计算结果与车载地图进行匹配,便可得到一个更为精确的位置信息。
步骤203,将所述第一位置信息和所述第一航向角信息与预置的车载地图进行匹配,确定所述车辆所处位置各车道线的拥堵信息;
参照图3,在本发明实施例中,车载系统预置有车载地图,通过地图可以确定不同车道线的拥堵信息。在本发明实施例中,当确定了第一位置信息和第一航向角后,可以将第一位置信息和第一航向角与车载地图进行匹配,以确定车辆所处位置各车道线的拥堵信息。
步骤204,获取所述车辆的当前车道线;
参照图3,在本发明实施例中,视觉里程计的摄像头还可以确定车辆当前所处的车道线。在一个示例中,可以通过识别摄像头采集的图像中的特征点来判断车辆处于哪一条车道线上。
步骤205,根据所述当前车道线和所述车辆所处位置各车道线的拥堵信息,确定引导所述车辆行驶的目标车道线。
在本发明实施例中,当确定了车辆的当前车道线和车辆所处位置各车道线的拥堵信息后,可以确定引导车辆行驶的目标车道线。
步骤206,根据所述目标车道线生成导航提示信息,并输出所述导航提示信息。
在确定了目标车道线后,可以根据目标车道线生成导航提示信息,从而引导驾驶员驶向目标车道线。
在一个示例中,可以在车载地图中显示目标车道线,从而为驾驶员提供行驶路线建议。
在一个示例中,还可以通过语音提示的方式引导驾驶人员驶向目标车道线。
例如,可以通过语音提示向驾驶人员发出提醒“前方左侧车道拥堵,建议将车辆驶入右侧车道线,以避开拥堵”。此外,还可以采用其他的引导方式,本发明对此不作具体限制。
在本发明实施例中,所述视觉信息还包括高架行驶方向信息,所述的方法,还包括:
当所述车辆行驶至高架区域时,根据所述高架行驶方向信息、所述第一位置信息、所述第一航向角信息和所述车载地图确定目标道路线;所述目标道路线为主路或辅路;所述获取所述车辆的当前车道线的步骤包括:
当所述目标道路线为主路时,获取在所述主路上确定的所述车辆的第一当前所处车道线;
当所述目标道路线为辅路时,获取在所述辅路上确定的所述车辆的第二当前所处车道线。
在本发明实施例中,当车辆行驶至高架区域时,由于部分高架桥具有主路和辅路,而通过视觉里程计摄像头只能确定车辆当前处于哪一条车道线上,但却无法区分车辆行驶在主路上还是辅路上。因此,为了精确定位,还需要区分车辆所行驶的道路是高架桥的主路还是辅路。
具体地,在车辆行驶至高架区域时,可以根据视觉里程计确定车辆的行驶方向,将行驶方向与车辆的第一位置信息和第一航向角信息在车载地图上进行匹配,从而确定车辆选择的行驶路线是主路还是辅路。
如图4所示,在实际生活中,车辆行驶至高架区域时,会面临主路跟辅路的选择,主路是车辆行驶上高架的道路,辅路为高架两侧的道路。从空间结构上看,主路跟辅路具有高低差,一般主路位于辅路上方。因此,主路跟辅路交界处的路面具有不同的倾角。因此,本申请可以通过获取车辆的倾角信息,并与所述第一位置信息、第一航向角信息以及车载地图进行匹配,从而判断车辆行驶于主路还是辅路上。
当确定了车辆所驶入的道路线是主路或者辅路后,便可根据视觉里程计来确定车辆当前所处的车道线。
例如,当车辆行驶在高架区域时,车辆的倾角为10度,此时,通过第一位置信息、第一航向角信息和车载地图确定此处驶入主路的路面的倾角为10度,则可以判断车辆的行驶路线是向主路行驶,同时,通过视觉里程计获取到车辆位于最左侧车道。此时便可以在车载地图上将车辆位置显示在主路上的最左侧车道处。
在本发明实施例中,所述视觉信息还可以图像信息,所述根据卫星定位信息、角速度信息、加速度信息、所述视觉信息,确定车辆的第一位置信息和第一航向角信息,包括:
采用所述卫星定位信息、所述角速度信息、所述加速度信息和所述图像信息进行视觉惯性跟踪,确定车辆的第一位置信息和第一航向角。
具体地,视觉惯性跟踪可以通过图像优化的方法来确定位置和姿态角。
在大多数情况下,基于优化的方法有两个阶段:构图和跟踪。
在构图环节时,需要对摄像机采集到的图像进行特征监测跟踪。
特征监测跟踪可以从所采集的图像信息中提取特征,并将摄像机坐标系中的3D点(XC)投影到像素坐标系中的2D点。
将获取到的2D点与通过GNSS获取的定位信息进行匹配,可以确定图像信息中包含的位置信息和姿态角。
如图5所示,跟踪环节可以以帧率速度跟踪传感器位姿、传感器速度和IMU零偏。本地地图中的地图点投影到帧j后,与帧j中的关键点进行匹配,通过最小化重投影误差的方式可以优化帧j的位姿态,并且估计IMU的零偏。
将优化后的帧j更新到地图中后再执行跟踪。通过最小化重投影误差的方式可以求得最优解θ。
其中,
其中,Eproj(k,j)为匹配的地图点(K)的重投影误差;
其中,xk表示图像中关键点的位置,为地图点在世界坐标系W中的位置,∑k为与关键点标度相关的信息矩阵。
其中,EIMU(i,j)为IMU的误差项;
eb=bj-bi;
其中,∑I为预积分信息矩阵;∑R为零偏随机游走;ρ为胡贝尔鲁棒成本函数。
在图5中,a优化的结果可以作为下一次优化的先验。a优化之后的估计结果和海森矩阵(Hessian矩阵)作为下一次优化的先验知识。其中,海森矩阵被应用于牛顿法解决的大规模优化问题。
在图5中,c无地图更新并使用先验对帧(j+1)进行优化时;
求解最优解的方法如下:
Eprior是一个先验项;
在本发明实施例中,图5的d中帧j被边缘化,在这种情况下,只要地图没有更新,e-f便一直重复c-d的过程,且e-f过程一直重复下去,一直重复到地图变化。
此外,如图6所示,本发明实施例还可以对关键帧进行联合优化和重定位。
联合优化和重定位用以优化最后的N个关键帧和这N关键帧可看到的所有地图点。其中,P为位姿,v为速度,b为偏差。
在本发明实施例中,在完成对位置和姿态角的跟踪后,还可以对位姿图
进行回环检测,通过将最近的关键帧与过去的关键帧进行匹配,来减少累积误差。
在本发明实施例中,还可以对视觉惯性模块进行初始化标定,具体地,
初始化标定包括出厂前标定、实时静态标定和动态标定。
其中,出厂前标定包括陀螺仪零偏标定、陀螺标度因数标定和安装误差标定;
在一个示例中,陀螺仪零偏标定可以采用如下方法进行:
将陀螺仪静置在带温箱的转台上,分别在不同温度内(如-10)℃,~60℃获取陀螺仪的输出值,并对温度零偏进行曲线拟合。从而完成陀螺仪的零偏标定。
在一个示例中,陀螺标度因数标定可以采用如下方法进行:
翻转工装或转台,使得陀螺敏感轴X、Y、Z依次平行于转台旋转轴,在每个位置上使转台以±10°/s,±30°/s,±60°/s,±80°/s,±90°/s的速率转动转台,稳定后记录转动相应敏感轴的角速度当量均值Ni±,本实验重复三次。
陀螺仪在转速Ωi下的标度因数为:
Ki=(Ni-Ni-)/2 i=1,2,3,4,5
标度因数平均值为:
在一个示例中,安装误差标定可采用如下方法进行:
测试程序与上相同。测试时记录三个敏感轴的输出角速度,选取正反旋转一周的数据进行平均值计算,得到Nxi±,Nyi±,Nzi±,对得到的Nxi±,Nyi±,Nzi±做进一步处理后可以得到Nji=(Nji+-Nji-)/2。
将上述过程得到的数据按如下形式排列成输入矩阵和输出矩阵:
输入矩阵:
输出矩阵:
此时,标度因数、安装误差系数与陀螺漂移组成的矩阵可按最小二乘法估计为:
在本发明实施例中,还可以对加速度计进行校准。
在进行加计校准前,可以先构建加计输入输出模型,具体模型如下:
其中,Ax1、Ay1和Az1为校准后的归一化输出,单位为g。Ax、Ay和Az为加计的原始输出数字量。A_SCx、A_SCy和A_SCz为加计的标度因数。3x3矩阵A_m是失准矩阵。A_OSx、A_OSy和A_OSz为加计的零偏。加计校准目标是要确定ACC10~ACC33共12个参数。
具体地,通常采用六位置法来确定这12个参数,为了提高精度,还可以增加四位置至十位置法。
其中,两位置为:[Ax1 Ay1 Az1]=[0 ±0.707g -0.707g],另外两位置为:[Ax1 Ay1Az1]=[±0.707g 0 -0.707g]。
当采用六位置法进行加计校准时,则静态位置与加速度计的原始输出数字量的关系如下表所示:
其中Zb表示运载体的坐标系。而此时的加计Z轴是朝上的。
将上面得校准模型改写为:
再简化一下,上式可以写成:
Y=w·X
其中,矩阵X表示待确定的12个校准参数。矩阵w表示加计在六位置情况下的原始输出数字量。矩阵Y为已知的归一化地球重力矢量。
当以在Zb轴向下的位置为第一位置时,[Ax1 Ay1 Az1]=[0 0 1],假设在此位置处,有n1组加速度计原始数据数字量被采集,那么:
Y1=[0 0 1]n1×3
w1=[AxP1 AyP1 AzP1 1]n1×4
当以在Zb轴向上的位置为第二位置时,[Ax1 Ay1 Az1]=[0 0 -1],假设在此位置处,有n2组加速度计原始数据数字量被采集,那么:
Y2=[0 0 -1]n2×3
w2=[AxP2 AyP2 AzP2 1]n2×4
当以在Yb轴向下的位置为第三位置时,[Ax1 Ay1 Az1]=[0 1 0],假设在此位置处,有n3组加速度计原始数据数字量被采集,那么:
Y3=[0 1 0]n3×3
w3=[AxP3 AyP3 AzP3 1]n3×4
当以在Yb轴向上的位置为第四位置时,[Ax1 Ay1 Az1]=[0 -1 0],假设在此位置处,有n4组加速度计原始数据数字量被采集,那么:
Y4=[0 -1 0]n4×3
w4=[AxP4 AyP4 AzP4 1]n4×4
当以在Xb轴向下的位置为第五位置时,[Ax1 Ay1 Az1]=[1 0 0],假设在此位置处,有n5组加速度计原始数据数字量被采集,那么:
Y5=[1 0 0]n5×3
w5=[AxP5 AyP5 AzP5 1]n5×4
当以在Xb轴向上的位置为第六位置时,[Ax1 Ay1 Az1]=[-1 0 0],假设在此位置处,有n5组加速度计原始数据数字量被采集,那么:
Y6=[-1 0 0]n6×3
w6=[AxP6 AyP6 AzP6 1]n6×4
现在将6个位置的所有公式结合起来,同时取n=n1+n2+n3+n4+n5+n6,那么原简化方程Y=w·X就变成了Yn×3=wn×4·X4×3。
在本发明实施例中,实时静态标定指的是陀螺仪和加速度计的零偏获得,以及温度零偏获得。
在本发明实施例中,动态标定是为了得到IMU和相机坐标系的相对位姿矩阵T。
动态标定需要4类文件参与:包含图形和IMU数据的bag文件、相机参数文件、IMU参数文件和标定板参数文件。
动态标定包括以下环节:采集数据,对摄像机进行对焦测试,以及采用图7所示的标定板进行标定。其中,网格的参数如下:
target_type | aprilgrid |
tagCols | 6 |
tagRows | 6 |
tagSize | 0.088 |
tagSpacing | 0.3 |
IMU中的陀螺仪加速度计参数如下:
Accel_noise_density | 1.86e-03 |
Accel_random_walk | 4.33e-04 |
Gyro_noise_density | 1.87e-04 |
Gyro_random_walk | 2.66e-05 |
Update_rate | 100Hz |
本发明实施例通过获取并根据车辆采集的卫星定位信息、角速度信息、加速度信息、视觉信息,确定车辆的第一位置信息和第一航向角信息;将第一位置信息和第一航向角信息与预置的车载地图进行匹配,确定车辆所处位置各车道线的拥堵信息;获取车辆的当前车道线;根据当前车道线和车辆所处位置各车道线的拥堵信息,确定引导车辆行驶的目标车道线,根据目标车道线生成导航提示信息,并输出导航提示信息。通过本发明实施例,可以采用组合导航的方式定位当前车辆;并结合地图数据,提前预判各条车道的拥堵情况,从而引导驾驶人员避开拥堵车道,选择较为通畅的车道。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图8,示出了本发明的一种组合导航装置实施例的结构框图,具体可以包括如下模块:
第一位置信息和第一航向角信息确定模块801,用于获取并根据卫星定位信息、角速度信息、加速度信息、视觉信息,确定车辆的第一位置信息和第一航向角信息;
拥堵信息确定模块802,用于将所述第一位置信息和所述第一航向角信息与预置的车载地图进行匹配,确定所述车辆所处位置各车道线的拥堵信息;
当前车道线获取模块803,用于获取所述车辆的当前车道线;
目标车道线确定模块804,用于根据所述当前车道线和所述车辆所处位置各车道线的拥堵信息,确定引导所述车辆行驶的目标车道线。
提示模块805,用于根据所述目标车道线生成导航提示信息,并输出导航提示信息。
可选地,所述视觉信息包括姿态角和第二位置信息,所述第一位置信息和第一航向角信息确定模块,包括:
历史系统状态变量和历史误差协方差获取子模块,用于获取车辆的历史系统状态变量和历史误差协方差;
预测系统状态变量生成子模块,用于依据所述历史系统状态变量,生成预测系统状态变量;
预测误差协方差生成子模块,用于依据所述历史误差协方差,生成预测误差协方差;
观测矩阵构建子模块,用于获取并依据卫星定位信息、角速度信息、加速度信息、姿态角和所述第二位置信息构建观测矩阵;
当前系统状态变量获取子模块,用于采用所述观测矩阵和所述预测误差协方差,对所述预测系统状态变量进行校正,得到车辆的当前系统状态变量;
提取子模块,用于从所述当前系统状态变量中,提取所述车辆的第一位置信息和第一航向角信息。
可选地,所述预测系统状态变量生成子模块,包括:
运动状态转移矩阵获取单元,用于获取车辆的运动状态转移矩阵;
预测系统状态变量生成单元,用于采用所述运动状态转移矩阵和所述历史系统状态变量进行计算,得到预测系统状态变量。
可选地,所述卫星定位信息包括卫星定位信息,所述预测误差协方差生成子模块,包括:
系统噪声矩阵生成单元,用于采用所述卫星定位信息生成系统噪声矩阵;
预测误差协方差生成单元,用于采用所述历史误差协方差和所述系统噪声矩阵进行计算,得到预测误差协方差。
可选地,所述当前系统状态变量获取子模块,包括:
卡尔曼增益计算单元,用于采用所述预测误差协方差,计算卡尔曼增益;
当前系统状态变量获取单元,用于采用所述卡尔曼增益、所述观测矩阵和所述预测系统状态变量进行计算,得到车辆的当前系统状态变量。
可选地,所述视觉信息还包括高架行驶方向信息,所述的装置,还包括:
目标道路线确定模块,用于当所述车辆行驶至高架区域时,根据所述高架行驶方向信息、所述第一位置信息和所述第一航向角确定目标道路线;所述目标道路线为主路或辅路;所述当前车道线获取模块,包括:
第一当前所处车道线获取子模块,用于当所述目标道路线为主路时,获取在所述主路上确定的所述车辆的第一当前所处车道线;
第二当前所处车道线获取子模块,用于当所述目标道路线为辅路时,获取在所述辅路上确定的所述车辆的第二当前所处车道线。
可选地,所述视觉信息还包括图像信息,所述第一位置信息和第一航向角信息确定模块,包括:
视觉惯性跟踪子模块,用于获取并采用车辆采集的卫星定位信息、角速度信息、加速度信息和图像信息进行视觉惯性跟踪,确定车辆的第一位置信息和第一航向角信息。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明实施例还提供了一种车辆,包括:
包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,该计算机程序被处理器执行时实现上述组合导航方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述组合导航方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第一等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种组合导航方法和一种组合导航装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种组合导航方法,其特征在于,应用于车载系统,所述方法包括:
获取并根据车辆采集的卫星定位信息、角速度信息、加速度信息、视觉信息,确定车辆的第一位置信息和第一航向角信息;
将所述第一位置信息和所述第一航向角信息与预置的车载地图进行匹配,确定所述车辆所处位置各车道线的拥堵信息;
获取所述车辆的当前车道线;
根据所述当前车道线和所述车辆所处位置各车道线的拥堵信息,确定引导所述车辆行驶的目标车道线;
根据所述目标车道线生成导航提示信息,并输出所述导航提示信息。
2.根据权利要求1所述的方法,其特征在于,所述视觉信息包括姿态角和第二位置信息,所述获取并根据车辆采集的卫星定位信息、角速度信息、加速度信息、视觉信息,确定车辆的第一位置信息和第一航向角信息,包括:
获取车辆的历史系统状态变量和历史误差协方差;
依据所述历史系统状态变量,生成预测系统状态变量;
依据所述历史误差协方差,生成预测误差协方差;
获取并依据卫星定位信息、角速度信息、加速度信息、姿态角和第二位置信息构建观测矩阵;
采用所述观测矩阵和所述预测误差协方差,对所述预测系统状态变量进行校正,得到车辆的当前系统状态变量;
从所述当前系统状态变量中,提取所述车辆的第一位置信息和第一航向角信息。
3.根据权利要求2所述的方法,其特征在于,所述依据所述历史系统状态变量,生成预测系统状态变量,包括:
获取车辆的运动状态转移矩阵;
采用所述运动状态转移矩阵和所述历史系统状态变量进行计算,得到预测系统状态变量。
4.根据权利要求2所述的方法,其特征在于,所述依据所述历史误差协方差,获取预测误差协方差,包括:
采用所述卫星定位信息生成系统噪声矩阵;
采用所述历史误差协方差和所述系统噪声矩阵进行计算,得到预测误差协方差。
5.根据权利要求2所述的方法,其特征在于,所述采用所述观测矩阵和所述预测误差协方差,对所述预测系统状态变量进行校正,得到车辆的当前系统状态变量,包括:
采用所述预测误差协方差,计算卡尔曼增益;
采用所述卡尔曼增益、所述观测矩阵和所述预测系统状态变量进行计算,得到车辆的当前系统状态变量。
6.根据权利要求1所述的方法,其特征在于,所述视觉信息还包括高架行驶方向信息,所述的方法,还包括:
当所述车辆行驶至高架区域时,根据所述高架行驶方向信息、所述第一位置信息、所述第一航向角信息和所述车载地图确定目标道路线;所述目标道路线为主路或辅路;
所述获取所述车辆的当前车道线的步骤包括:
当所述目标道路线为主路时,获取在所述主路上确定的所述车辆的第一当前所处车道线;
当所述目标道路线为辅路时,获取在所述辅路上确定的所述车辆的第二当前所处车道线。
7.根据权利要求1所述的方法,其特征在于,所述视觉信息还包括图像信息,所述获取并根据车辆采集的卫星定位信息、角速度信息、加速度信息、视觉信息,确定车辆的第一位置信息和第一航向角信息,包括:
获取并采用车辆采集的卫星定位信息、角速度信息、加速度信息和所述图像信息进行视觉惯性跟踪,确定车辆的第一位置信息和第一航向角信息。
8.一种组合导航装置,其特征在于,应用于车载系统,所述装置包括:
第一位置信息和第一航向角信息确定模块,用于获取并根据车辆采集的卫星定位信息、角速度信息、加速度信息、所述视觉信息,确定车辆的第一位置信息和第一航向角信息;
拥堵信息确定模块,用于将所述第一位置信息和所述第一航向角信息与预置的车载地图进行匹配,确定所述车辆所处位置各车道线的拥堵信息;
当前车道线获取模块,用于获取所述车辆的当前车道线;
目标车道线确定模块,用于根据所述当前车道线和所述车辆所处位置各车道线的拥堵信息,确定引导所述车辆行驶的目标车道线;
提示模块,用于根据所述目标车道线生成导航提示信息,并输出所述导航提示信息。
9.一种车辆,其特征在于,包括:处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述的组合导航方法的步骤。
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计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的组合导航方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910667665.0A CN110221328A (zh) | 2019-07-23 | 2019-07-23 | 一种组合导航方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910667665.0A CN110221328A (zh) | 2019-07-23 | 2019-07-23 | 一种组合导航方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110221328A true CN110221328A (zh) | 2019-09-10 |
Family
ID=67812614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910667665.0A Pending CN110221328A (zh) | 2019-07-23 | 2019-07-23 | 一种组合导航方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110221328A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110617826A (zh) * | 2019-09-29 | 2019-12-27 | 百度在线网络技术(北京)有限公司 | 车辆导航中高架桥区识别方法、装置、设备和存储介质 |
CN110794844A (zh) * | 2019-11-18 | 2020-02-14 | 北京百度网讯科技有限公司 | 自动驾驶方法、装置、电子设备及可读存储介质 |
CN111399512A (zh) * | 2020-03-27 | 2020-07-10 | 广州小鹏汽车科技有限公司 | 行车控制方法、行车控制装置和车辆 |
CN111596329A (zh) * | 2020-06-10 | 2020-08-28 | 中国第一汽车股份有限公司 | 车辆定位方法、装置、设备及车辆 |
CN111693723A (zh) * | 2020-05-29 | 2020-09-22 | 北京百度网讯科技有限公司 | 速度预测方法、装置和电子设备 |
CN111929718A (zh) * | 2020-06-12 | 2020-11-13 | 东莞市普灵思智能电子有限公司 | 一种自动驾驶对象探测和定位系统及方法 |
CN112017249A (zh) * | 2020-08-18 | 2020-12-01 | 东莞正扬电子机械有限公司 | 车载摄像头滚转角获取、安装角度校正方法及设备 |
CN112097767A (zh) * | 2020-10-15 | 2020-12-18 | 杭州知路科技有限公司 | 一种惯性导航的预积分辅助组件及数据处理方法 |
CN112326990A (zh) * | 2020-10-22 | 2021-02-05 | 北京农业智能装备技术研究中心 | 一种作业车辆测速方法及系统 |
CN112596089A (zh) * | 2021-03-02 | 2021-04-02 | 腾讯科技(深圳)有限公司 | 融合定位方法、装置、电子设备及存储介质 |
CN113335341A (zh) * | 2021-05-31 | 2021-09-03 | 卡斯柯信号有限公司 | 基于gnss和电子地图拓扑结构的列车定位系统及方法 |
US11181918B2 (en) * | 2017-07-01 | 2021-11-23 | International Business Machines Corporation | Moving traffic obstacle detection and avoidance |
WO2022218306A1 (zh) * | 2021-04-12 | 2022-10-20 | 北京三快在线科技有限公司 | 一种无人驾驶设备 |
CN116046014A (zh) * | 2023-03-31 | 2023-05-02 | 小米汽车科技有限公司 | 道线规划方法、装置、电子设备及可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101776438A (zh) * | 2010-01-26 | 2010-07-14 | 武汉理工大学 | 道路标线测量装置及其测量方法 |
CN101922929A (zh) * | 2009-06-09 | 2010-12-22 | 财团法人车辆研究测试中心 | 车辆倾斜感测方法及应用该方法的头灯自动水平系统 |
US9031782B1 (en) * | 2012-01-23 | 2015-05-12 | The United States Of America As Represented By The Secretary Of The Navy | System to use digital cameras and other sensors in navigation |
CN107449440A (zh) * | 2016-06-01 | 2017-12-08 | 北京三星通信技术研究有限公司 | 行车提示信息的显示方法及显示装置 |
CN108180919A (zh) * | 2017-12-12 | 2018-06-19 | 沈阳美行科技有限公司 | 一种规划路线的优化方法及装置 |
CN109903346A (zh) * | 2019-05-13 | 2019-06-18 | 长沙智能驾驶研究院有限公司 | 相机姿态检测方法、装置、设备及存储介质 |
CN109900254A (zh) * | 2019-03-28 | 2019-06-18 | 合肥工业大学 | 一种单目视觉的路面坡度计算方法及其计算装置 |
CN109917440A (zh) * | 2019-04-09 | 2019-06-21 | 广州小鹏汽车科技有限公司 | 一种组合导航方法、系统及车辆 |
CN109948552A (zh) * | 2019-03-20 | 2019-06-28 | 四川大学 | 一种复杂交通环境中的车道线检测的方法 |
-
2019
- 2019-07-23 CN CN201910667665.0A patent/CN110221328A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101922929A (zh) * | 2009-06-09 | 2010-12-22 | 财团法人车辆研究测试中心 | 车辆倾斜感测方法及应用该方法的头灯自动水平系统 |
CN101776438A (zh) * | 2010-01-26 | 2010-07-14 | 武汉理工大学 | 道路标线测量装置及其测量方法 |
US9031782B1 (en) * | 2012-01-23 | 2015-05-12 | The United States Of America As Represented By The Secretary Of The Navy | System to use digital cameras and other sensors in navigation |
CN107449440A (zh) * | 2016-06-01 | 2017-12-08 | 北京三星通信技术研究有限公司 | 行车提示信息的显示方法及显示装置 |
CN108180919A (zh) * | 2017-12-12 | 2018-06-19 | 沈阳美行科技有限公司 | 一种规划路线的优化方法及装置 |
CN109948552A (zh) * | 2019-03-20 | 2019-06-28 | 四川大学 | 一种复杂交通环境中的车道线检测的方法 |
CN109900254A (zh) * | 2019-03-28 | 2019-06-18 | 合肥工业大学 | 一种单目视觉的路面坡度计算方法及其计算装置 |
CN109917440A (zh) * | 2019-04-09 | 2019-06-21 | 广州小鹏汽车科技有限公司 | 一种组合导航方法、系统及车辆 |
CN109903346A (zh) * | 2019-05-13 | 2019-06-18 | 长沙智能驾驶研究院有限公司 | 相机姿态检测方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
RAÚL MUR-ARTAL 等: "Visual-Inertial monocular SLAM with map reuse", 《IEEE ROBOTICS AND AUTOMATION LETTERS》 * |
孙力帆: "《多传感器信息融合理论技术及应用》", 31 March 2019, 中国原子能出版社 * |
陈慧岩: "《智能车辆理论与应用》", 31 July 2018, 北京理工大学出版社 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11209825B2 (en) | 2017-07-01 | 2021-12-28 | International Business Machines Corporation | Moving traffic obstacle detection and avoidance |
US11181918B2 (en) * | 2017-07-01 | 2021-11-23 | International Business Machines Corporation | Moving traffic obstacle detection and avoidance |
CN110617826B (zh) * | 2019-09-29 | 2021-10-01 | 百度在线网络技术(北京)有限公司 | 车辆导航中高架桥区识别方法、装置、设备和存储介质 |
CN110617826A (zh) * | 2019-09-29 | 2019-12-27 | 百度在线网络技术(北京)有限公司 | 车辆导航中高架桥区识别方法、装置、设备和存储介质 |
CN110794844A (zh) * | 2019-11-18 | 2020-02-14 | 北京百度网讯科技有限公司 | 自动驾驶方法、装置、电子设备及可读存储介质 |
CN111399512A (zh) * | 2020-03-27 | 2020-07-10 | 广州小鹏汽车科技有限公司 | 行车控制方法、行车控制装置和车辆 |
CN111693723A (zh) * | 2020-05-29 | 2020-09-22 | 北京百度网讯科技有限公司 | 速度预测方法、装置和电子设备 |
CN111693723B (zh) * | 2020-05-29 | 2022-04-22 | 阿波罗智联(北京)科技有限公司 | 速度预测方法、装置和电子设备 |
CN111596329A (zh) * | 2020-06-10 | 2020-08-28 | 中国第一汽车股份有限公司 | 车辆定位方法、装置、设备及车辆 |
CN111929718A (zh) * | 2020-06-12 | 2020-11-13 | 东莞市普灵思智能电子有限公司 | 一种自动驾驶对象探测和定位系统及方法 |
CN112017249A (zh) * | 2020-08-18 | 2020-12-01 | 东莞正扬电子机械有限公司 | 车载摄像头滚转角获取、安装角度校正方法及设备 |
CN112097767A (zh) * | 2020-10-15 | 2020-12-18 | 杭州知路科技有限公司 | 一种惯性导航的预积分辅助组件及数据处理方法 |
CN112326990A (zh) * | 2020-10-22 | 2021-02-05 | 北京农业智能装备技术研究中心 | 一种作业车辆测速方法及系统 |
CN112596089A (zh) * | 2021-03-02 | 2021-04-02 | 腾讯科技(深圳)有限公司 | 融合定位方法、装置、电子设备及存储介质 |
CN112596089B (zh) * | 2021-03-02 | 2021-05-18 | 腾讯科技(深圳)有限公司 | 融合定位方法、装置、电子设备及存储介质 |
WO2022218306A1 (zh) * | 2021-04-12 | 2022-10-20 | 北京三快在线科技有限公司 | 一种无人驾驶设备 |
CN113335341A (zh) * | 2021-05-31 | 2021-09-03 | 卡斯柯信号有限公司 | 基于gnss和电子地图拓扑结构的列车定位系统及方法 |
CN116046014A (zh) * | 2023-03-31 | 2023-05-02 | 小米汽车科技有限公司 | 道线规划方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110221328A (zh) | 一种组合导航方法和装置 | |
EP2133662B1 (en) | Methods and system of navigation using terrain features | |
CN110160542A (zh) | 车道线的定位方法和装置、存储介质、电子装置 | |
CN109991636A (zh) | 基于gps、imu以及双目视觉的地图构建方法及系统 | |
CN108731670A (zh) | 基于量测模型优化的惯性/视觉里程计组合导航定位方法 | |
TWI457538B (zh) | 用於慣性量測單元(imu)的空間校準決定的方法、儲存媒體及設備 | |
CN107796391A (zh) | 一种捷联惯性导航系统/视觉里程计组合导航方法 | |
US9618344B2 (en) | Digital map tracking apparatus and methods | |
CN108873038A (zh) | 自主泊车定位方法及定位系统 | |
CN110146909A (zh) | 一种定位数据处理方法 | |
CN109669202A (zh) | 位置估计装置和方法 | |
CN107402012A (zh) | 一种车辆的组合导航方法 | |
CN106842271B (zh) | 导航定位方法及装置 | |
CN113670334B (zh) | 一种飞行汽车的初始对准方法和装置 | |
US20100092071A1 (en) | System and methods for navigation using corresponding line features | |
Zheng et al. | An optimization-based UWB-IMU fusion framework for UGV | |
US11846520B2 (en) | Method and device for determining a vehicle position | |
JP4986883B2 (ja) | 標定装置、標定方法および標定プログラム | |
US20140249750A1 (en) | Navigational and location determination system | |
CN115135963A (zh) | 用于在场景地图中生成3d参考点的方法 | |
Gupta et al. | Terrain‐based vehicle orientation estimation combining vision and inertial measurements | |
US10006770B2 (en) | Remote location determination system | |
KR102506411B1 (ko) | 차량의 위치 및 자세 추정 방법, 장치 및 이를 위한 기록매체 | |
US11812342B2 (en) | Cellular-based navigation method | |
Mounier et al. | High-Precision Positioning in GNSS-Challenged Environments: A LiDAR-Based Multi-Sensor Fusion Approach with 3D Digital Maps Registration |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190910 |
|
RJ01 | Rejection of invention patent application after publication |