CN110556012B - 车道定位方法及车辆定位系统 - Google Patents

车道定位方法及车辆定位系统 Download PDF

Info

Publication number
CN110556012B
CN110556012B CN201910869909.3A CN201910869909A CN110556012B CN 110556012 B CN110556012 B CN 110556012B CN 201910869909 A CN201910869909 A CN 201910869909A CN 110556012 B CN110556012 B CN 110556012B
Authority
CN
China
Prior art keywords
vehicle
lane
positioning
information
initial value
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
CN201910869909.3A
Other languages
English (en)
Other versions
CN110556012A (zh
Inventor
王俊
方立
杨鹏斌
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201910869909.3A priority Critical patent/CN110556012B/zh
Publication of CN110556012A publication Critical patent/CN110556012A/zh
Application granted granted Critical
Publication of CN110556012B publication Critical patent/CN110556012B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams

Abstract

本申请公开了一种车道定位方法及车辆定位系统，涉及自动驾驶技术领域，可应用于自主泊车领域。具体实现方案为：通过获取车辆的历史状态信息；根据所述历史状态信息，获取车辆位置初值数据；获取车辆视觉感知信息；获取与所述车辆位置初值数据对应的局部地图信息；对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行车道定位处理，得到所述车辆的车道定位结果，由此以车辆位置初值数据结合车辆视觉感知信息以及局部地图信息，作为车道定位的数据依据，提高了车道定位的定位精度和鲁棒性。

Description

车道定位方法及车辆定位系统
技术领域
本申请涉及数据处理领域，具体涉及自动驾驶技术。
背景技术
对车辆的车道定位是确定车辆在高精地图中车道序号的技术。在自动驾驶过程中，车道内定位模块需要接收车道定位模块输出的车道序号，然后实现车道内的精细化车道内定位。
相关技术中通过粒子滤波进行车道定位，用多个粒子模拟车辆运动状态，算法的泛化性与粒子数目成正相关，但是粒子数量过多会导致计算量急剧增大。而粒子多样性匮乏，经过长时间若干次迭代之后，所有粒子都趋向同一个粒子，导致粒子的多样性丧失，即跟踪多模态的能力减弱，对车道错检即时纠正的能力降低。可见，现有的车道定位技术可靠性不够高。
发明内容
本申请的目的是提供一种车道定位方法及车辆定位系统。
根据本申请的第一方面，提供了一种车道定位方法，包括：
获取车辆的历史状态信息；
根据所述历史状态信息，获取车辆位置初值数据；
获取车辆视觉感知信息；
获取与所述车辆位置初值数据对应的局部地图信息；
对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行车道定位处理，得到所述车辆的车道定位结果。
本申请实施例根据车辆位置初值数据结合车辆视觉感知信息以及局部地图信息，作为车道定位的数据依据，提高了车道定位的定位精度和鲁棒性。
在一些实施例中，所述获取车辆视觉感知信息，包括：
获取在多个历史定位时段中拍摄的行车记录图像；
对所述行车记录图像进行特征提取，获取各历史定位时段中的车辆视觉感知信息，其中，所述车辆视觉感知信息包括视觉车道线类型特征、视觉车道线颜色特征、视觉车道线质量特征和/或视觉车道线形状特征。
本申请实施例以多个历史定位时段中拍摄行车记录图像中提取的车道相关特征作为车辆视觉感知信息。综合利用历史数据，提高对车道定位的稳定性和准确性。
在一些实施例中，所述获取与所述车辆位置初值数据对应的局部地图信息，包括：
在预设的地图数据中，获取包含有所述车辆位置初值数据对应位置的局部车道地图；
对所述局部车道地图进行特征提取，获取局部地图信息，其中，所述局部地图信息包括地图车道线类型特征、地图车道类型特征、地图车道线颜色特征、地图车道线质量特征和/或地图车道线形状特征。
本申请实施例以车辆位置初值数据，获取到大致范围的局部地图，提取局部地图中车道相关特征，提高对车道定位的精确度。
在一些实施例中，所述获取车辆的历史状态信息，包括：
获取车辆在前一个历史定位时段中采集的历史状态信息，其中，所述历史状态信息包括全球定位系统GPS信息、车辆控制信息、车辆视觉感知信息以及惯性测量单元IMU信息。
本申请实施例综合多种历史状态信息，为车辆位置初值数据的计算提供了准确而丰富的数据基础。
在一些实施例中，所述车辆位置初值数据包括：当前定位时段的融合里程计横向位置、当前定位时段的置信度以及里程计相对运动状态信息；
所述根据所述历史状态信息，获取车辆位置初值数据，包括：
以预设扩展卡尔曼滤波模型，对前一个历史定位时段中采集的所述全球定位系统GPS信息、车辆控制信息、车辆视觉感知信息以及惯性测量单元IMU信息进行融合处理，获取当前定位时段的融合里程计位置和置信度；
在预设的地图数据中，确定与所述融合里程计位置对应的局部车道地图中的基准车道线；
将所述融合里程计位置相对于所述基准车道线的距离，作为融合里程计横向位置；
根据所述当前定位时段的融合里程计位置与前一个历史定位时段中得到的历史融合里程计位置，获取里程计相对运动状态信息，其中，所述里程计相对运动状态信息包括相对横向运动距离、相对纵向运动距离以及相对航向运动角度。
本申请实施例利用扩展卡尔曼滤波对车辆位置初值数据进行推算，为车道定位提供更加准确的初值，提高车道定位准确性。
在一些实施例中，所述对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行车道定位处理，得到所述车辆的车道定位结果，包括：
以预设的长短期记忆神经网络模型对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行处理，得到所述车辆的车道定位结果。
本申请实施例结合长短期记忆神经网络模型进行车道定位，算法时间复杂度与空间复杂度较低，定位稳定性较好。
在一些实施例中，在所述以预设的长短期记忆神经网络模型对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行处理，得到所述车辆的车道定位结果之前，还包括：
以历史车辆位置初值数据、历史车辆视觉感知信息以及历史局部地图信息为训练样本，并以基于惯性定位系统CPT和/或基于粒子滤波模型得到的车道号作为训练样本的真值标签，对所述长短期记忆神经网络模型进行模型训练。
本申请实施例的长短期记忆神经网络模型的训练数据，通过结合了CPT和粒子滤波模型获取真值标签，提高了样本真值的准确性，进而提高了模型的定位精度。
在一些实施例中，在所述以预设的长短期记忆神经网络模型对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行处理，得到所述车辆的车道定位结果之后，还包括：
根据多个历史定位时段中得到的车道定位结果，对当前定位时段中得到的所述车道定位结果进行评价，得到评价结果；
若所述评价结果大于训练集评价阈值，则将所述当前定位时段中得到的所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息作为新增训练样本，并将当前定位时段中得到的所述车道定位结果作为所述新增训练样本的真值标签。
本申请实施例随着训练数据集自我更新与路测的推进，长短期记忆神经网络模型能处理的场景越来越多，学习到的特征越来越丰富，提高了长短期记忆神经网络模型的适应性。
根据本申请的第二方面，提供了一种车道定位装置，包括：
第一采集模块，用于获取车辆的历史状态信息；
初值获取模块，用于根据所述历史状态信息，获取车辆位置初值数据；
第二采集模块，用于获取车辆视觉感知信息；
第三采集模块，用于获取与所述车辆位置初值数据对应的局部地图信息；
处理模块，用于对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行车道定位处理，得到所述车辆的车道定位结果。
根据本申请的第三方面，提供了一种车辆定位系统，包括车道定位模块和车道内定位模块；
其中，所述车道定位模块，用于执行本申请第一方面及第一方面各种可能的实施例中任一项所述的车道定位方法；
所述车道内定位模块，用于从所述车道定位模块获取到车道定位结果，并在所述车道定位结果指示的车道内进行车辆定位。
根据本申请的第四方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请第一方面及第一方面各种可能的实施例中任一项所述的车道定位方法。
根据本申请的第五方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请第一方面及第一方面各种可能的实施例中任一项所述的车道定位方法。
上述申请中的一个实施例具有如下优点或有益效果：综合利用了各种历史数据提高车道定位的可靠性和稳定性，通过车辆位置初值数据结合车辆视觉感知信息以及局部地图信息，作为车道定位的数据依据，提高了车道定位的定位精度和鲁棒性，所以克服了现有技术中车道定位可靠性不够高的技术问题。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例的一种应用场景示例；
图2是本申请实施例提供的一种车道定位方法流程示意图；
图3是本申请实施例提供的一种车辆定位系统实现原理示意图；
图4是本申请提供的一种车道定位装置结构示意图；
图5是根据本申请实施例的一种车道定位方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在一些人工智能场景中，配置有人工智能系统的车辆在实现无人驾驶或者是智能辅助驾驶时，都需要对自身进行精准定位。参见图1，是本申请实施例的一种应用场景示例。在图1所示的场景中，行驶中的车辆11在行驶过程中将采集的例如车辆控制信息、视觉感知信息等信息周期性上传至服务器12存储，在接收到终端13发来的指令时，首先需要对车辆11自身进行定位，并依据定位完成指令对应的任务，例如对驾驶行为判断、提供导航信息或进行信息推送等。而在车辆定位实现的过程中，通常需要对车辆所处车道进行车道级定位，并在得到车道定位结果后，再进行车道内的精细化车道内定位。相对于车道内定位而言，车道定位并不需要精确地确定车辆的位置，而是需要确定车辆在地图中的哪个车道中。
在一些现有的车道定位方法中，基于粒子滤波的方法用多个粒子模拟车辆运动状态，该方法基于多模态跟踪，但计算量大，效果与计算效率难以达到平衡，存在可靠性不高的问题。
为了解决现有技术中存在的可靠性不高的问题，本申请提供了一种车道定位方法，综合利用车辆位置初值数据、车辆视觉感知信息以及局部地图信息，能定位出稳定、准确的车道定位结果。
参见图2，是本申请实施例提供的一种车道定位方法流程示意图。本申请实施例的执行主体为车道定位装置，该车道定位装置可以是具有车道定位功能的软件和/或硬件。例如可以是车载定位系统的软件，也可以是装有车载定位系统的车辆控制系统或车辆本身。车道定位装置又例如是应用于车辆的终端设备。该终端设备例如可以是手机、个人数字助理(PersonalDigitalAssistant，简称：PDA)、平板电脑、便携设备(例如，便携式计算机、袖珍式计算机或手持式计算机)等具有车道定位功能的移动设备。图2所示方法包括步骤S101至步骤S105，下面以车道定位装置为执行主体，结合附图和具体实施例对本申请进行举例说明。
S101，获取车辆的历史状态信息。
车辆的历史状态信息可以是车辆之前采集到并存储在本地存储设备中的。例如，可以理解为，车辆周期性地进行车辆数据的采集和存储，每个周期作为一个定位时段，据此在每个定位时段对车辆进行车道定位。而历史状态信息包括车辆的历史定位信息、车辆控制信息。车辆控制信息例如包括方向盘动作信息等对车道可能产生影响的控制信息。车辆控制信息还可以包括油门控制信息、刹车控制信息等控制信息。
历史定位信息可以包括全球定位系统(Global Positioning System，简称：GPS)信息、车辆视觉感知信息以及惯性测量单元(Inertial measurement unit，简称：IMU)信息。例如，车道定位装置从GPS模块获取到车辆的GPS信息，从车载图像采集模块(例如行车记录仪的摄像头)获取到车辆视觉感知信息，从IMU模块或者是结合加速度计模块和罗盘仪模块，得到IMU信息。
在一些实施例中，历史状态信息是用于根据一个定位时段的位置，对下一个定位时段的位置做推算。那么，为了确定车辆在当前定位时段的位置，可以获取车辆在前一个历史定位时段中采集的历史状态信息，其中，所述历史状态信息包括全球定位系统GPS信息、车辆控制信息、车辆视觉感知信息以及惯性测量单元IMU信息。本实施例通过综合多种历史状态，为车辆位置初值数据的计算提供了准确而丰富的数据基础。
S102，根据所述历史状态信息，获取车辆位置初值数据。
历史状态信息可以是前一个历史定位时段中采集的状态信息，也可以是之前多个历史定位时段中采集的状态信息。通过这些历史状态信息，可以对车辆位置进行初步定位，得到车辆位置初值数据。
在一些实施例中，所述车辆位置初值数据包括：当前定位时段的融合里程计横向位置、当前定位时段的置信度以及里程计相对运动状态信息。其中，融合里程计横向位置，可以理解为，是融合里程计信息指示位置相对于地图的横向位置。里程计相对运动状态信息，可以理解为，相邻的前后两个定位时段中里程计信息指示位置的相对运动信息，例如横向运动距离、相对纵向运动距离以及相对航向运动角度。这里的里程计信息，是利用从各种移动传感器(例如IMU模块、GPS模块和车载图像采集模块)获得的感测数据，来对随时间变化的车辆位置进行估算得到的位置信息。
在一些实施例中，步骤102(根据所述历史状态信息，获取车辆位置初值数据)可以是利用扩展卡尔曼滤波得到车辆位置初值数据。具体地，例如是以预设扩展卡尔曼滤波模型，对前一个历史定位时段中采集的所述全球定位系统GPS信息、车辆控制信息、车辆视觉感知信息以及惯性测量单元IMU信息进行融合处理，获取当前定位时段的融合里程计位置和置信度。其中，当前定位时段的置信度是扩展卡尔曼滤波在当前定位时段更新后的协方差的倒数。
上述扩展卡尔曼滤波模型，是基于运动学预测和量测最新定位时刻下的状态量的处理模型.其状态量一共有十六维，四元数(四维)，导航系下三维速度(三维)，导航系下三维位置(三维)，机体坐标系下三轴角速度偏差(三维)，机体坐标系下三轴加速度的偏差(三维)。利用惯性导航方程，根据IMU信息，计算新时刻下的状态量，同时更新协方差。利用机体系到导航系下的转换矩阵，将GPS信息、车辆控制信息、车辆视觉感知信息，融合到该新时刻下的状态向量中，同时更新协方差矩阵。其中，状态量中包含了当前定位时段的融合里程计位置，协方差则反应了定位的精度或置信度。
在以扩展卡尔曼滤波获取到当前定位时段的融合里程计位置之后，可以进一步对融合里程计横向位置以及里程计相对运动状态信息进行确定。
对融合里程计横向位置而言，首先还需要在预设的地图数据中，确定与所述融合里程计位置对应的局部车道地图中的基准车道线。可以理解为，融合里程计位置指示了车辆的推测位置，通过该融合里程计位置可以从预设的地图数据中提取出局部高精地图，并在局部高精地图中确定出车辆所在道路的基准车道线位置。这里的基准车道线是为了下面确定融合里程计横向位置而定的基准，基准车道线可以是预设为局部高精地图中道路最左侧的车道线，也可以是最右侧的车道线，或者是其他预设的基准线。基准车道线可以理解为是局部高精地图提供的地图特征信息。然后，将所述融合里程计位置相对于所述基准车道线的距离，作为融合里程计横向位置。融合里程计位置实际上可以是一表示车辆位置的坐标点，将该坐标点对基准车道线做垂线，就能得到融合里程计位置相对于所述基准车道线的距离，由此可以确定融合里程计横向位置。例如，融合里程计位置相对于所述基准车道线的距离为3米，那么融合里程计横向位置为3米。车辆在不同车道上的融合里程计横向位置存在差异，由此可以为车道定位提供依据。
对里程计相对运动状态信息而言，可以根据所述当前定位时段的融合里程计位置与前一个历史定位时段中得到的历史融合里程计位置，获取里程计相对运动状态信息，其中，所述里程计相对运动状态信息包括相对横向运动距离、相对纵向运动距离以及相对航向运动角度。由扩展卡尔曼滤波确定的融合里程计位置的相对位置具有较高的可靠性，因此，将里程计相对运动状态信息作为车道定位依据之一，能够进一步提高车道定位的准确性。
本实施例中利用扩展卡尔曼滤波对车辆位置初值数据进行推算，为车道定位提供更加准确的初值，提高车道定位准确性。
S103，获取车辆视觉感知信息。
S104，获取与所述车辆位置初值数据对应的局部地图信息。
车辆视觉感知信息可以理解为是车辆实际拍摄到的车道图像信息，而局部地图信息则是高精度的车道信息，通过将这两者引入车道定位，结合车辆位置初值数据能提高车道定位的准确性。
在一些实施例中，所述获取车辆视觉感知信息的实现方式，例如可以是获取在多个历史定位时段中拍摄的行车记录图像，然后对所述行车记录图像进行特征提取，获取各历史定位时段中的车辆视觉感知信息。其中，所述车辆视觉感知信息包括视觉车道线类型特征、视觉车道线颜色特征、视觉车道线质量特征和/或视觉车道线形状特征。具体地，视觉车道线类型特征，例如分为实线、虚线、双线、障碍物、路沿、无效。视觉车道线颜色特征，例如分为白色、红色、黄色。视觉车道线质量特征，例如分为最低、低、高、最高四个等级特征。视觉车道线形状特征可以是由车道线方程来确定，而车道线方程由三次曲线方程表示为：y＝ax^3+bx^2+cx+d，其中，d为截距，c为一次项，将反应了车道主要信息的d与c作为视觉车道线形状特征。本实施例以至多个历史定位时段中拍摄行车记录图像中提取的车道相关特征作为车辆视觉感知信息。综合利用历史数据，提高对车道定位的稳定性和准确性。
在一些实施例中，对于获取与所述车辆位置初值数据对应的局部地图信息的实现方式，例如可以在预设的地图数据中，获取包含有所述车辆位置初值数据对应位置的局部车道地图。车辆位置初值数据对应位置可以是上述实施例中提到的融合里程计位置，而与融合里程计位置对应的局部车道地图，可以理解为车辆所在位置大致范围内的局部高精地图。由于本申请是对车道的定位，本申请所指的局部地图、局部车道地图，都是指体现道路地图信息的地图。得到的局部车道地图中，包含有车辆所在车道的各种准确信息。然后，可以对所述局部车道地图进行特征提取，获取局部地图信息，其中，所述局部地图信息包括地图车道线类型特征、地图车道类型特征、地图车道线颜色特征、地图车道线质量特征和/或地图车道线形状特征。地图车道线类型特征，例如分为实线、虚线、双线、障碍物、路沿、无效。地图车道类型特征，例如分为匝道、连接车道JCT、紧急行车道、行车道。其中，JCT是指2个或2个以上车道之间的连接区域。地图车道线颜色特征，例如分为白色、红色、黄色。地图车道线质量特征均为最高。地图车道线形状特征同样来源于车道线方程，与车辆视觉感知信息中的车道线方程一致。本实施例以车辆位置初值数据，获取到大致范围的局部地图，提取局部地图中车道相关特征，提高对车道定位的精确度。
S105，对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行车道定位处理，得到所述车辆的车道定位结果。
可以理解为，预先训练好了一车道定位模型，然后以所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息输入该车道定位模型中，以进行模型处理，得到的模型输出即为车辆的车道定位结果。其中，模型输出实际上可以是车道号的值。由于长短期记忆神经网络模型对于历史信息具有记忆能力，稳定性和可靠性均较好，下面以长短期记忆神经网络模型，对车道定位模型进行举例。
在一些实施例中，可以预先对初始的长短期记忆神经网络模型进行训练。训练数据包括训练样本和对训练样本的真值标签。例如，可以是以历史车辆位置初值数据、历史车辆视觉感知信息以及历史局部地图信息为训练样本，并以基于惯性定位系统CPT和/或基于粒子滤波模型得到的车道号作为训练样本的真值标签，对所述长短期记忆神经网络模型进行模型训练。
其中，历史车辆位置初值数据、历史车辆视觉感知信息以及历史局部地图信息，可以是在路测阶段，用上述各种实施例中提到的对车辆位置初值数据、车辆视觉感知信息以及局部地图信息同样的采集方式获取得到，在此不做赘述。
基于CPT的真值标签，可以理解为是采用SPAN-CPT对训练样本对应定位时刻中，车辆测定的定位数据。SPAN-CPT是一款集成GPS与IMU的紧耦合的高精惯导定位系统，绝对定位由内部封装的NovAtel高端OEMV GNSS系列板卡提供。系统定位精度可以根据不同的应用场景与定位模型进行选择。其中，IMU中的光纤陀螺和微机械系统稳定度较高。因为训练数据的数据采集与数据处理分离，并不需要实时性能，可以选择后解算模式得到定位信息，作为对训练样本的真值标签。真值标签指示了车身所在的车道编号。再利用高精度时间同步协议(Precision Time Protocol，简称：PTP)，将基于CPT定位的真值标签，与历史车辆位置初值数据、历史车辆视觉感知信息以及历史局部地图信息等训练样本关联起来，实现对训练样本的标签关联。
基于粒子滤波模型的真值标签，可以理解为在训练样本的数据集上运行粒子滤波模型的算法，得到定位结果作为真值标签。基于粒子滤波模型获取车道定位真值标签的方案可以分为以下五个步骤：
(1)初始化状态：用多个粒子模拟车辆运动状态，使粒子在车道内均匀分布，可以纵向使用融合里程计的纵向定位结果。
(2)预测阶段：根据状态转移方程，输入每个粒子上一时刻状态，得到新时刻下预测粒子状态。
(3)校正阶段：根据观测值(如感知观测，融合里程计观测，高精观测等)，对预测粒子状态进行评价(体现在权重指标)，越接近于真实状态的粒子，其权重越大。
(4)重采样：根据预测粒子的权重对预测粒子进行筛选，筛选过程中，既要大量保留权重大的预测粒子，又要有一小部分权重小的预测粒子。有多种方式输出当前时刻最大似然粒子，如K-均值分类，质心法等。
(5)滤波：将重采样后的粒子返回到步骤(2)代入预设的状态转移方程得到新的预测粒子。根据当前预测粒子的状态得到车道定位结果，作为真值标签。
在一些环境中，CPT覆盖范围有限，可以将CPT与粒子滤波模型结合使用，提高对训练样本设置真值标签的可靠性。另外，粒子滤波模型对于非变道状态下的测定准确性较高，还可以根据不同训练样本，选择性地以CPT或基于粒子滤波模型得到的车道号作为训练样本的真值标签。
本实施例中获取长短期记忆神经网络模型的训练数据时，通过结合CPT和粒子滤波模型获取训练样本的真值标签，提高了真值标签的准确性，进而提高了模型的定位精度。
将上述实施例中训练好的长短期记忆神经网络模型，作为预设的长短期记忆神经网络模型。相应地，所述对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行车道定位处理，得到所述车辆的车道定位结果，具体可以是以预设的长短期记忆神经网络模型对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行处理，得到所述车辆的车道定位结果。本实施例通过结合长短期记忆神经网络模型进行车道定位，算法时间复杂度与空间复杂度较低，定位稳定性较好。
本申请实施例提供的车道定位方法，通过获取车辆的历史状态信息；根据所述历史状态信息，获取车辆位置初值数据；获取车辆视觉感知信息；获取与所述车辆位置初值数据对应的局部地图信息；对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行车道定位处理，得到所述车辆的车道定位结果，由此以车辆位置初值数据结合车辆视觉感知信息以及局部地图信息，作为车道定位的数据依据，提高了车道定位的定位精度和鲁棒性。
在上述实施例的基础上，长短期记忆神经网络模型还可以具有较强的算法进化能力。其训练数据可以在模型使用过程中不断自我更新，以适应更多的应用场景。例如，在所述以预设的长短期记忆神经网络模型对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行处理，得到所述车辆的车道定位结果之后，还可以根据多个历史定位时段中得到的车道定位结果，对当前定位时段中得到的所述车道定位结果进行评价，得到评价结果。这里的评价方式，可以是获取到车道定位结果的置信度。而获取置信度的方式，可以是根据在当前定位时段之前的多个历史定位时段中，取得到车道定位结果进行评价。例如，之前的多个车道定位结果都是车道号2，但当前定位时段得到的车道定位结果为车道号3，则其置信度较低。又例如，统计车道定位结果是否符合变道的特征、与车道内定位结果相互校验、并且连续输出无二义性，由此综合对车道定位结果的置信度进行评价。
若所述评价结果大于训练集评价阈值，则将所述当前定位时段中得到的所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息作为新增训练样本，并将当前定位时段中得到的所述车道定位结果作为所述新增训练样本的真值标签。可以理解为，选取车道置信度高的在线数据，作为训练数据，不断扩充数据集，丰富各类场景。本实施例对训练数据集进行自我更新，而随着训练数据集自我更新与路测的推进，长短期记忆神经网络模型能处理的场景越来越多，学习到的特征越来越丰富，提高了长短期记忆神经网络模型对应用场景的适应性。
参见图3，是本申请实施例提供的一种车辆定位系统实现原理示意图。图3所述的车辆定位系统30包括车道定位模块31和车道内定位模块32。
其中，所述车道定位模块31，用于执行图2所示实施例中任一实现方式所述的车道定位方法。所述车道内定位模块32，用于从所述车道定位模块获取到车道定位结果，并在所述车道定位结果指示的车道内进行车辆定位。
在一些实施例中，车道定位模块31中可以包括：用于提供GPS信息的全球定位系统模块、用于提供车辆控制信息的车辆控制模块、用于提供车辆视觉感知信息的视觉感知模块、以及用于提供IMU信息的加速度计模块和罗盘仪模块。通过对GPS信息、车辆控制信息、车辆视觉感知信息以及IMU信息进行扩展卡尔曼滤波处理，得到车辆位置初值数据。从高精地图模块，获取局部地图信息，与车辆位置初值数据和车辆视觉感知信息一起输入预设的长短期记忆神经网络模型进行车道定位，到的车道定位结果，由此完成车道定位模块31的处理过程。车道定位模块31将车道定位结果传输给车道内定位模块32，由车道内定位模块32结合历史状态信息进行非线性优化，进而进行六自由度定位输出，实现对车道内的定位。
本实施例中的车辆定位系统，在车道定位阶段综合利用了各种历史数据提高车道定位的可靠性和稳定性，通过车辆位置初值数据结合车辆视觉感知信息以及局部地图信息，作为车道定位的数据依据，提高了车道定位的定位精度和鲁棒性，克服了现有技术中车道定位可靠性不够高的技术问题。
参见图4，是本申请提供的一种车道定位装置结构示意图。图4所示的车道定位装置40包括：
第一采集模块41，用于获取车辆的历史状态信息。
初值获取模块42，用于根据所述历史状态信息，获取车辆位置初值数据。
第二采集模块43，用于获取车辆视觉感知信息；
第三采集模块44，用于获取与所述车辆位置初值数据对应的局部地图信息。
处理模块45，用于对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行车道定位处理，得到所述车辆的车道定位结果。
图4所示实施例的车道定位装置对应地可用于执行图2所示方法实施例中车道定位装置执行的步骤，其实现原理和技术效果类似，此处不再赘述。
在一些实施例中，第二采集模块43，用于获取在多个历史定位时段中拍摄的行车记录图像；对所述行车记录图像进行特征提取，获取各历史定位时段中的车辆视觉感知信息，其中，所述车辆视觉感知信息包括视觉车道线类型特征、视觉车道线颜色特征、视觉车道线质量特征和/或视觉车道线形状特征。
在一些实施例中，第二采集模块43，用于在预设的地图数据中，获取包含有所述车辆位置初值数据对应位置的局部车道地图；
对所述局部车道地图进行特征提取，获取局部地图信息，其中，所述局部地图信息包括地图车道线类型特征、地图车道类型特征、地图车道线颜色特征、地图车道线质量特征和/或地图车道线形状特征。
在一些实施例中，第一采集模块41，用于获取车辆在前一个历史定位时段中采集的历史状态信息，其中，所述历史状态信息包括全球定位系统GPS信息、车辆控制信息、车辆视觉感知信息以及惯性测量单元IMU信息。
在一些实施例中，所述车辆位置初值数据包括：当前定位时段的融合里程计横向位置、当前定位时段的置信度以及里程计相对运动状态信息。
相应地，初值获取模块42，用于以预设扩展卡尔曼滤波模型，对前一个历史定位时段中采集的所述全球定位系统GPS信息、车辆控制信息、车辆视觉感知信息以及惯性测量单元IMU信息进行融合处理，获取当前定位时段的融合里程计位置和置信度；在预设的地图数据中，确定与所述融合里程计位置对应的局部车道地图中的基准车道线；将所述融合里程计位置相对于所述基准车道线的距离，作为融合里程计横向位置；根据所述当前定位时段的融合里程计位置与前一个历史定位时段中得到的历史融合里程计位置，获取里程计相对运动状态信息，其中，所述里程计相对运动状态信息包括相对横向运动距离、相对纵向运动距离以及相对航向运动角度。
在一些实施例中，处理模块45，用于以预设的长短期记忆神经网络模型对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行处理，得到所述车辆的车道定位结果。
在一些实施例中，处理模块45，在所述以预设的长短期记忆神经网络模型对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行处理，得到所述车辆的车道定位结果之前，还用于以历史车辆位置初值数据、历史车辆视觉感知信息以及历史局部地图信息为训练样本，并以基于惯性定位系统CPT和/或基于粒子滤波模型得到的车道号作为训练样本的真值标签，对所述长短期记忆神经网络模型进行模型训练。
在一些实施例中，处理模块45，在所述以预设的长短期记忆神经网络模型对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行处理，得到所述车辆的车道定位结果之后，还用于根据多个历史定位时段中得到的车道定位结果，对当前定位时段中得到的所述车道定位结果进行评价，得到评价结果；若所述评价结果大于训练集评价阈值，则将所述当前定位时段中得到的所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息作为新增训练样本，并将当前定位时段中得到的所述车道定位结果作为所述新增训练样本的真值标签。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
参见图5，是根据本申请实施例的一种车道定位方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的车道定位的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的车道定位的方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的车道定位的方法对应的程序指令/模块(例如，附图4所示的第一采集模块41、初值获取模块42、第二采集模块43、第三采集模块44和处理模块45)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的车道定位的方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据车道定位的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至车道定位的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
车道定位的方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与车道定位的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，综合利用了各种历史数据提高车道定位的可靠性和稳定性，通过车辆位置初值数据结合车辆视觉感知信息以及局部地图信息，作为车道定位的数据依据，提高了车道定位的定位精度和鲁棒性，所以克服了现有技术中车道定位可靠性不够高的技术问题。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种车道定位方法，其特征在于，包括：
获取车辆的历史状态信息，其中，所述历史状态信息是当前定位时段前的至少一个历史定位时段中采集的车辆状态信息；
根据所述历史状态信息，推算获取当前的车辆位置初值数据；所述车辆位置初值数据包括：当前定位时段的融合里程计横向位置；其中，所述融合里程计横向位置是融合里程计位置相对于预设的基准车道线的距离，所述融合里程计位置是用于表示所述车辆的位置的坐标点；
获取车辆视觉感知信息；所述车辆视觉感知信息包括如下至少一项：视觉车道线类型特征、视觉车道线颜色特征、视觉车道线质量特征、或视觉车道线形状特征；
获取与所述车辆位置初值数据对应的局部地图信息；所述局部地图信息包括如下至少一项：地图车道线类型特征、地图车道类型特征、地图车道线颜色特征、地图车道线质量特征、地图车道线形状特征；
对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行车道定位处理，得到所述车辆的车道定位结果，所述车道定位结果包括所述车道的车道标识。
2.根据权利要求1所述的方法，其特征在于，所述获取车辆视觉感知信息，包括：
获取在多个历史定位时段中拍摄的行车记录图像；
对所述行车记录图像进行特征提取，获取各历史定位时段中的车辆视觉感知信息。
3.根据权利要求1所述的方法，其特征在于，所述获取与所述车辆位置初值数据对应的局部地图信息，包括：
在预设的地图数据中，获取包含有所述车辆位置初值数据对应位置的局部车道地图；
对所述局部车道地图进行特征提取，获取局部地图信息。
4.根据权利要求1所述的方法，其特征在于，所述获取车辆的历史状态信息，包括：
获取车辆在前一个历史定位时段中采集的历史状态信息，其中，所述历史状态信息包括全球定位系统GPS信息、车辆控制信息、车辆视觉感知信息以及惯性测量单元IMU信息。
5.根据权利要求4所述的方法，其特征在于，所述车辆位置初值数据还包括：当前定位时段的置信度以及里程计相对运动状态信息；
所述根据所述历史状态信息，获取车辆位置初值数据，包括：
以预设扩展卡尔曼滤波模型，对前一个历史定位时段中采集的所述全球定位系统GPS信息、车辆控制信息、车辆视觉感知信息以及惯性测量单元IMU信息进行融合处理，获取当前定位时段的融合里程计位置和置信度；
在预设的地图数据中，确定与所述融合里程计位置对应的局部车道地图中的基准车道线；
将所述融合里程计位置相对于所述基准车道线的距离，作为融合里程计横向位置；
根据所述当前定位时段的融合里程计位置与前一个历史定位时段中得到的历史融合里程计位置，获取里程计相对运动状态信息，其中，所述里程计相对运动状态信息包括相对横向运动距离、相对纵向运动距离以及相对航向运动角度。
6.根据权利要求1至5任一所述的方法，其特征在于，所述对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行车道定位处理，得到所述车辆的车道定位结果，包括：
以预设的长短期记忆神经网络模型对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行处理，得到所述车辆的车道定位结果。
7.根据权利要求6所述的方法，其特征在于，在所述以预设的长短期记忆神经网络模型对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行处理，得到所述车辆的车道定位结果之前，还包括：
以历史车辆位置初值数据、历史车辆视觉感知信息以及历史局部地图信息为训练样本，并以基于惯性定位系统CPT和/或基于粒子滤波模型得到的车道号作为训练样本的真值标签，对所述长短期记忆神经网络模型进行模型训练。
8.根据权利要求7所述的方法，其特征在于，在所述以预设的长短期记忆神经网络模型对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行处理，得到所述车辆的车道定位结果之后，还包括：
根据多个历史定位时段中得到的车道定位结果，对当前定位时段中得到的所述车道定位结果进行评价，得到评价结果；
若所述评价结果大于训练集评价阈值，则将所述当前定位时段中得到的所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息作为新增训练样本，并将当前定位时段中得到的所述车道定位结果作为所述新增训练样本的真值标签。
9.一种车道定位装置，其特征在于，包括：
第一采集模块，用于获取车辆的历史状态信息，其中，所述历史状态信息是当前定位时段前的至少一个历史定位时段中采集的车辆状态信息；
初值获取模块，用于根据所述历史状态信息，推算获取当前的车辆位置初值数据；所述车辆位置初值数据包括：当前定位时段的融合里程计横向位置；其中，所述融合里程计横向位置是融合里程计位置相对于基准车道线的距离，所述融合里程计位置是用于表示所述车辆的位置的坐标点；
第二采集模块，用于获取车辆视觉感知信息；所述车辆视觉感知信息包括如下至少一项：视觉车道线类型特征、视觉车道线颜色特征、视觉车道线质量特征、或视觉车道线形状特征；
第三采集模块，用于获取所述车辆位置初值数据对应的局部地图信息；所述局部地图信息包括如下至少一项：地图车道线类型特征、地图车道类型特征、地图车道线颜色特征、地图车道线质量特征、地图车道线形状特征；
处理模块，用于对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行车道定位处理，得到所述车辆的车道定位结果，所述车道定位结果包括所述车道的车道标识。
10.一种车辆定位系统，其特征在于，包括车道定位模块和车道内定位模块；
其中，所述车道定位模块，用于执行权利要求1-8中任一项所述的车道定位方法；
所述车道内定位模块，用于从所述车道定位模块获取到车道定位结果，并在所述车道定位结果指示的车道内进行车辆定位。
11.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的车道定位方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的车道定位方法。
CN201910869909.3A 2019-09-16 2019-09-16 车道定位方法及车辆定位系统 Active CN110556012B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910869909.3A CN110556012B (zh) 2019-09-16 2019-09-16 车道定位方法及车辆定位系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910869909.3A CN110556012B (zh) 2019-09-16 2019-09-16 车道定位方法及车辆定位系统

Publications (2)

Publication Number Publication Date
CN110556012A CN110556012A (zh) 2019-12-10
CN110556012B true CN110556012B (zh) 2022-03-08

Family

ID=68740435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910869909.3A Active CN110556012B (zh) 2019-09-16 2019-09-16 车道定位方法及车辆定位系统

Country Status (1)

Country Link
CN (1) CN110556012B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291681B (zh) * 2020-02-07 2023-10-20 北京百度网讯科技有限公司 车道线变化信息的检测方法、装置及设备
CN111311936B (zh) * 2020-03-05 2021-01-08 星觅(上海)科技有限公司 车辆可通行状态确定方法、装置、设备及存储介质
CN111523471B (zh) * 2020-04-23 2023-08-04 阿波罗智联(北京)科技有限公司 车辆所在车道的确定方法、装置、设备以及存储介质
CN111680596B (zh) * 2020-05-29 2023-10-13 北京百度网讯科技有限公司 基于深度学习的定位真值校验方法、装置、设备及介质
CN111814114B (zh) * 2020-06-30 2023-12-08 阿波罗智能技术(北京)有限公司 车道定位校验的方法、设备、电子设备、车辆及存储介质
CN114067458A (zh) * 2020-08-05 2022-02-18 蘑菇车联信息科技有限公司 Gps信息优化方法、装置、行车记录仪以及存储介质
CN112668428A (zh) * 2020-12-21 2021-04-16 北京百度网讯科技有限公司 车辆变道的检测方法、路侧设备、云控平台和程序产品
CN112328731B (zh) * 2021-01-06 2021-07-09 禾多科技（北京）有限公司 车辆车道级定位方法、装置、电子设备和计算机可读介质
CN113009539A (zh) * 2021-02-19 2021-06-22 恒大新能源汽车投资控股集团有限公司 一种车辆自动变道处理方法、车辆及设备
CN113280822B (zh) * 2021-04-30 2023-08-22 北京觉非科技有限公司 一种车辆定位方法及定位装置
CN113790761B (zh) * 2021-09-22 2023-08-04 腾讯科技（深圳）有限公司 驾驶端定位方法、装置、计算机设备和存储介质
CN113804214B (zh) * 2021-11-19 2022-05-03 智道网联科技(北京)有限公司 车辆定位方法、装置及电子设备、计算机可读存储介质
CN114323050A (zh) * 2022-01-07 2022-04-12 苏州挚途科技有限公司 车辆定位方法、装置和电子设备
CN114910081B (zh) * 2022-05-26 2023-03-10 阿波罗智联(北京)科技有限公司 车辆定位方法、装置及电子设备
CN115326079B (zh) * 2022-10-11 2023-01-13 禾多科技（北京）有限公司 车辆车道级定位方法、装置、设备和计算机可读介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102402225A (zh) * 2011-11-23 2012-04-04 中国科学院自动化研究所 一种实现移动机器人同时定位与地图构建的方法
CN107229063A (zh) * 2017-06-26 2017-10-03 奇瑞汽车股份有限公司 一种基于gnss和视觉里程计融合的无人驾驶汽车导航定位精度矫正方法
CN107330356A (zh) * 2017-05-15 2017-11-07 开易（北京）科技有限公司 一种基于学习的在线车道变线预测方法及系统
CN107728175A (zh) * 2017-09-26 2018-02-23 南京航空航天大学 基于gnss和vo融合的无人驾驶车辆导航定位精度矫正方法
CN108007460A (zh) * 2016-11-01 2018-05-08 博世汽车部件(苏州)有限公司 在预知环境中确定移动对象位置的方法及系统
CN108303721A (zh) * 2018-02-12 2018-07-20 北京经纬恒润科技有限公司 一种车辆定位方法及系统
CN109061703A (zh) * 2018-06-11 2018-12-21 百度在线网络技术（北京）有限公司 用于定位的方法、装置、设备和计算机可读存储介质
CN109186625A (zh) * 2018-10-24 2019-01-11 北京奥特贝睿科技有限公司 智能车辆利用混合采样滤波进行精确定位的方法及系统
WO2019021421A1 (ja) * 2017-07-27 2019-01-31 日産自動車株式会社 運転支援車両の自己位置補正方法及び自己位置補正装置
CN109405824A (zh) * 2018-09-05 2019-03-01 武汉契友科技股份有限公司 一种适用于智能网联汽车的多源感知定位系统
CN109425343A (zh) * 2017-09-05 2019-03-05 丰田自动车株式会社 本车位置推断装置
EP3480560A1 (en) * 2017-11-06 2019-05-08 Toyota Jidosha Kabushiki Kaisha Vehicle localization device
CN109791050A (zh) * 2016-09-20 2019-05-21 天宝公司 通过航位推算和gnss辅助地图匹配的车辆导航
WO2019161134A1 (en) * 2018-02-14 2019-08-22 TuSimple Lane marking localization

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102402225A (zh) * 2011-11-23 2012-04-04 中国科学院自动化研究所 一种实现移动机器人同时定位与地图构建的方法
CN109791050A (zh) * 2016-09-20 2019-05-21 天宝公司 通过航位推算和gnss辅助地图匹配的车辆导航
CN108007460A (zh) * 2016-11-01 2018-05-08 博世汽车部件(苏州)有限公司 在预知环境中确定移动对象位置的方法及系统
CN107330356A (zh) * 2017-05-15 2017-11-07 开易（北京）科技有限公司 一种基于学习的在线车道变线预测方法及系统
CN107229063A (zh) * 2017-06-26 2017-10-03 奇瑞汽车股份有限公司 一种基于gnss和视觉里程计融合的无人驾驶汽车导航定位精度矫正方法
WO2019021421A1 (ja) * 2017-07-27 2019-01-31 日産自動車株式会社 運転支援車両の自己位置補正方法及び自己位置補正装置
CN109425343A (zh) * 2017-09-05 2019-03-05 丰田自动车株式会社 本车位置推断装置
CN107728175A (zh) * 2017-09-26 2018-02-23 南京航空航天大学 基于gnss和vo融合的无人驾驶车辆导航定位精度矫正方法
EP3480560A1 (en) * 2017-11-06 2019-05-08 Toyota Jidosha Kabushiki Kaisha Vehicle localization device
CN108303721A (zh) * 2018-02-12 2018-07-20 北京经纬恒润科技有限公司 一种车辆定位方法及系统
WO2019161134A1 (en) * 2018-02-14 2019-08-22 TuSimple Lane marking localization
CN109061703A (zh) * 2018-06-11 2018-12-21 百度在线网络技术（北京）有限公司 用于定位的方法、装置、设备和计算机可读存储介质
CN109405824A (zh) * 2018-09-05 2019-03-01 武汉契友科技股份有限公司 一种适用于智能网联汽车的多源感知定位系统
CN109186625A (zh) * 2018-10-24 2019-01-11 北京奥特贝睿科技有限公司 智能车辆利用混合采样滤波进行精确定位的方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LSTM网络提高MEMS惯导定位精度的分析及验证;陈怀宇 等;《中国惯性技术学报》;20181031;第26卷(第5期);第610-615页 *

Also Published As

Publication number Publication date
CN110556012A (zh) 2019-12-10

Similar Documents

Publication Publication Date Title
CN110556012B (zh) 车道定位方法及车辆定位系统
CN111679302B (zh) 车辆定位方法、装置、电子设备和计算机存储介质
CN110160542B (zh) 车道线的定位方法和装置、存储介质、电子装置
CN110377025A (zh) 用于自动驾驶车辆的传感器聚合框架
CN111959495B (zh) 车辆的控制方法、装置及车辆
CN111220154A (zh) 车辆定位方法、装置、设备和介质
CN109931945B (zh) Ar导航方法、装置、设备和存储介质
CN109341706A (zh) 一种面向无人驾驶汽车的多特征融合地图的制作方法
CN108318043A (zh) 用于更新电子地图的方法、装置和计算机可读存储介质
CN109084732A (zh) 定位与导航方法、装置及处理设备
CN111220164A (zh) 定位方法、装置、设备及存储介质
CN111638528B (zh) 定位方法、装置、电子设备和存储介质
CN111649739A (zh) 定位方法和装置、自动驾驶车辆、电子设备和存储介质
CN110823237B (zh) 起点绑路及预测模型获取方法、装置及存储介质
CN108981687A (zh) 一种视觉与惯性融合的室内定位方法
CN113034594A (zh) 位姿优化方法、装置、电子设备及存储介质
CN112147632A (zh) 车载激光雷达感知算法的测试方法、装置、设备和介质
CN110794844A (zh) 自动驾驶方法、装置、电子设备及可读存储介质
CN112099508A (zh) 自动驾驶车辆的数据管理方法和装置
CN113819910A (zh) 车辆导航中高架桥区识别方法及其装置
CN111784837A (zh) 高精地图生成方法和装置
CN115164936A (zh) 高精地图制作中用于点云拼接的全局位姿修正方法及设备
CN111783611B (zh) 无人车的定位方法、装置、无人车及存储介质
CN111442775B (zh) 道路的识别方法、装置、电子设备及可读存储介质
CN111597986A (zh) 用于生成信息的方法、装置、设备和存储介质

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