CN110567480A - 车辆定位的优化方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了车辆定位的优化方法、装置、设备及存储介质，涉及自动驾驶领域，也可用于自主泊车领域。具体实现方案为：该方法应用于电子设备，车辆搭载有融合定位系统和感知定位系统，用于确定融合车辆位姿和感知车道线，该方法包括：获取与优化后的定位信息相关联的目标定位信息，目标定位信息是通过电子设备和车辆搭载的至少一个定位系统确定的；按照预设的定位接近策略构建关于优化后的定位信息及目标定位信息的优化模型；将目标定位信息输入到优化模型中，对优化模型中的优化后的定位信息进行求解，以输出优化后的定位信息；若优化后的定位信息通过验证,则将优化后的定位信息发送给车辆，以控制车辆根据优化后的定位信息进行行驶。

Description

车辆定位的优化方法、装置、设备及存储介质

技术领域

本申请涉及到数据处理技术领域，尤其涉及自动驾驶技术。

背景技术

随着人工智能技术的成熟，自动驾驶技术也得到了快速发展。在自动驾驶技术中包括定位系统，定位系统负责对自动驾驶车辆的位姿进行定位，还可以对车道线位姿进行定位。

现有技术中的定位系统主要包括：GPS定位系统，感知定位系统等。其中，GPS定位系统定位精度较低，定位精度大约为二至十米，该定位无法满足车道级的定位要求。而感知定位系统虽然能够进行车道级的定位，但存在较大误差，定位精度不准确。

所以现有技术中定位系统定位精度均较低，进而无法满足自动驾驶车辆的定位需求，并且根据定位精度较低的定位信息不能准确控制车辆沿着规划路径进行行驶。

发明内容

本申请实施例提供一种车辆定位的优化方法、装置、设备及存储介质，解决了现有技术中定位系统定位精度均较低，进而无法满足自动驾驶车辆的定位需求，并且根据定位精度较低的定位信息不能准确控制车辆沿着规划路径进行行驶的技术问题。

本申请实施例第一方面提供一种车辆定位的优化方法，方法应用于电子设备，所述电子设备与车辆通信连接，所述车辆搭载有融合定位系统和感知定位系统，所述融合定位系统用于确定融合车辆位姿，所述感知定位系统用于确定感知车道线，所述方法包括：

获取与优化后的定位信息相关联的目标定位信息，所述目标定位信息是通过所述电子设备和车辆搭载的至少一个定位系统确定的；按照预设的定位接近策略构建关于所述优化后的定位信息及所述目标定位信息的优化模型；将所述目标定位信息输入到所述优化模型中，对所述优化模型中的所述优化后的定位信息进行求解，以输出所述优化后的定位信息；若所述优化后的定位信息通过验证,则将优化后的定位信息发送给车辆，以控制车辆根据所述优化后的定位信息进行行驶。

本申请实施例中，由于在构建优化模型时，以优化后的定位信息与每种相关联的目标定位信息都很接近的策略构建的，所以求解出的优化后的定位信息能够减小每种相关联的目标定位信息的定位误差，使优化后的定位信息更能准确反映真实定位情况，提高了定位的精度，能够满足自动驾驶车辆的定位需求。并且根据优化后的定位信息对路径进行规划并控制车辆行驶，能够准确控制车辆沿着规划路径进行行驶。

进一步地，如上所述的方法，所述按照预设的定位接近策略构建关于所述优化后的定位信息及所述目标定位信息的优化模型，包括：

构建所述优化后的定位信息与每个目标定位信息的关联关系模型；根据所述关联关系模型确定对应的概率密度模型；根据各所述概率密度模型确定联合概率密度模型；将所述联合概率密度模型进行转化以生成所述优化模型。

本申请实施例中，由于概率密度模型能够准确衡量优化后的定位信息与每种相关联的目标定位信息的接近程度，所以根据各所述概率密度模型确定联合概率密度模型，为了对联合概率密度模型进行简化，将所述联合概率密度模型进行转化以生成所述优化模型，该优化模型能够准确反映优化后的定位信息与每种相关联的目标定位信息的接近程度，进而采用该优化模型求解优化后的定位信息后，该优化后的定位信息能够与每种相关联的目标定位信息都尽可能的接近。

进一步地，如上所述的方法，将所述联合概率密度模型进行转化以生成所述优化模型，包括：

提取所述联合概率密度模型中的各指数因子；将各所述指数因子进行求和，以生成单调递增模型；将所述单调递增模型转换为单调递减模型；将最小化所述单调递减模型确定为所述优化模型。

本申请实施例中，在生成优化模型时，通过对联合概率密度模型进行转化，能够使优化模型更加简单，进而使对优化后的定位信息进行求解更加快速。

进一步地，如上所述的方法，目标定位信息包括：融合车辆位姿，历史优化后的车辆位姿，感知车道线，高精地图车道线；所述优化后的定位信息包括：优化后的车辆位姿和优化后的车道线。

本申请实施例中，能够通过融合车辆位姿，历史优化后的车辆位姿确定优化后的车辆位姿。通过感知车道线，高精地图车道线确定优化后的车道线。所以能够实现车道级的准确定位。

进一步地，如上所述的方法，构建所述优化后的定位信息与每个目标定位信息的关联关系模型，包括：

确定每个目标定位信息与对应的优化后的定位信息之间的变换函数；根据所述变换函数和对应的正太分布数据确定对应的关联关系模型。

本申请实施例中，将关联关系模型表示为优化后的定位信息与对应的目标定位信息间进行变换后只相差一个对应的正太分布数据，使建立的关联关系模型满足预设定位接近的策略。

进一步地，如上所述的方法，所述构建所述优化后的定位信息与每个目标定位信息的关联关系模型，包括：

构建优化后的车辆位姿与对应的融合车辆位姿间的关联关系模型，以形成第一关联关系模型；构建优化后的车辆位姿与对应的历史优化后的车辆位姿间的关联关系模型，以形成第二关联关系模型；构建优化后的车道线中的采样点与对应的高精地图车道线中的线段间的关联关系模型，以形成第三关联关系模型；构建优化后的车道线中的线段与对应的感知车道线采样点间的关联关系模型，以形成第四关联关系模型。

本申请实施例中，将每个关联关系模型都表示为优化后的定位信息与对应的目标定位信息间进行变换后只相差一个对应的正太分布数据，使建立的每个关联关系模型均满足预设定位接近的策略，为后续建立优化模型做准备。

进一步地，如上所述的方法，所述构建所述优化后的定位信息与每个目标定位信息的关联关系模型之前，还包括：

确定所述感知车道线采样点与高精地图车道线中的线段间的映射关系，以确定与优化后的车道线相关联的感知车道线采样点和高精地图车道线中的线段。

本申请实施例中，在获取到优化后的车道线相关联的感知车道线和高精地图车道线后，需要确定感知车道线采样点与高精地图车道线中的线段间的映射关系，以确定与优化后的车道线的采样点相关联的高精地图车道线为哪段线段时，对应优化后的车道线的线段相关联的感知车道线采样点具体为哪些采样点。

进一步地，如上所述的方法，所述确定所述感知车道线采样点与高精地图车道线中的线段间的映射关系，包括：

将所述高精地图车道线划分为至少一个高精线段；计算感知车道线中的采样点与每个高精线段间的位置关系值；根据所述位置关系值的范围确定与所述感知车道线中的采样点具有映射关系的高精线段。

其中，所述位置关系值为第一向量与第二向量间的向量位置关系值，所述第一向量为所述感知车道线中的采样点与所述高精线段的起点形成的向量，所述第二向量为所述感知车道线中的采样点与所述高精线段的终点形成的向量。

本申请实施例中，将高精地图车道线划分为至少一个高精线段；计算感知车道线中的采样点与每个高精线段间的位置关系值；根据位置关系值的范围确定与感知车道线中的采样点具有映射关系的高精线段，能够准确确定出感知车道线采样点与高精地图车道线中的线段间的映射关系。

进一步地，如上所述的方法，构建所述优化后的定位信息与每个目标定位信息的关联关系模型之前，还包括：

确定感知车道线中每个采样点的权重；根据所述权重，确定所述第四关联关系模型中的正太分布数据的方差。

本申请实施例中，在确定感知车道线中每个采样点的权重后，由于需要构建优化后的车道线中的线段与对应的感知车道线采样点间的第四关联关系模型，在第四关联关系模型中包括对应的正太分布数据，正太分布数据具有均值和方差，所以根据权重，确定第四关联关系模型中的正太分布数据的方差，以在对优化后的车道线进行求解时，将感知车道线采样点的权重考虑进去，使求解出的优化后的车道线消除由于感知车道线每个采样点代表不同的精度所产生的误差。

进一步地，如上所述的方法，所述确定感知车道线中每个采样点的权重，包括：

根据所述感知车道线采样点所在车道线与主车道线间隔的车道线条数确定第一权重；根据所述感知车道线采样点在所述感知车道线的位置确定第二权重；将第一权重和第二权重的乘积确定为所述感知车道线采样点的权重。

本申请实施例中，在确定感知车道线采样点的权重时，综合考虑由于采样点所在车道线所产生的权重，以及由于采样点在感知车道线上的位置所产生的权重，使确定出的感知车道线的采样点的权重更加准确。

进一步地，如上所述的方法，若优化后的定位信息为优化后的车道线，则所述获取与优化后的定位信息相关联的目标定位信息，包括：

获取所述感知定位系统确定的感知环境；根据所述感知环境确定对应的匹配策略，所述对应的匹配策略为：车道中心线匹配策略或左右车道线匹配策略；根据所述匹配策略获取与优化后的车道线相关联的感知车道线和高精地图车道线。

若所述匹配策略为左右车道线匹配策略，则所述感知车道线为感知左右车道线，所述高精地图车道线为高精地图左右车道线，所述优化后的车道线为优化后的左右车道线；若匹配策略为车道中心线匹配策略，则所述感知车道线为感知车道中心线，所述高精地图车道线为高精地图车道中心线，所述优化后的车道线为优化后的车道中心线。

本申请实施例中，若匹配策略为左右车道线匹配策略，则获取与优化后的左右车道线相关联的感知左右车道线，高精地图左右车道线，通过对感知左右车道线进行修复处理，使获取到的感知车道线满足质量要求，进而使优化后的左右车道线更加准确。若匹配策略为车道中心线匹配策略，则获取与优化后的车道中心线相关联的感知车道中心线，高精地图车道中心线，能够使获取的感知车道中心线消除由于相机外参标定产生的感知车道线定位误差，进而使获取到的感知车道线不仅满足质量要求而且更加准确，最终提高优化后的左右车道线的准确性。

进一步地，如上所述的方法，获取与优化后的定位信息相关联的目标定位信息之后，还包括：

获取所述感知定位系统确定的感知车道线的至少一个置信特征信息；根据所述置信特征信息对所述感知车道线进行校验；若所述感知车道线未通过校验，则对所述感知车道线进行修复或删除。

本申请实施例中，在获取感知定位系统确定的感知车道线的至少一个置信特征信息，根据置信特征信息对感知车道线进行校验，若感知车道线未通过校验，则对感知车道线进行修复或删除，能够使目标定位信息中的感知车道线为满足质量要求的感知车道线。

进一步地，如上所述的方法，所述根据所述置信特征信息对所述感知车道线进行校验，包括：

对所述置信特征信息进行归一化处理；将所述归一化处理后的置信特征信息进行加权求和；将所述加权求和结果与预设校验阈值进行对比，根据对比结果对所述感知车道线进行校验。

本申请实施例中，根据置信特征信息对感知车道线进行校验时，根据每种置信特征信息的重要程度对每种置信特征信息设置对应的权重值，对多种置信特征信息采用加权求和的方式确定感知车道线的置信总分值，再与预设校验阈值进行对比的方式确定校验结果，由于考虑了多种影响置信度的因素及每种置信因素的重要程度，所以使得校验的结果更加准确。

进一步地，如上所述的方法，所述获取与优化后的定位信息相关联的目标定位信息之前，还包括：

获取高精地图车道线离散点；将所述高精地图车道线离散点转换到局部坐标系下；采用三次曲线拟合算法对所述高精地图车道线离散点进行曲线拟合，以获得局部坐标系下的高精地图车道线；对所述局部坐标系下的高精地图车道线进行均匀采样；将均匀采样后的局部坐标系下的高精地图车道线转换到全局坐标系下，以获得所述高精地图车道线。

本申请实施例中，由于将高精车道线离散点通过转换到局部坐标系下进行曲线拟合，均匀采样再转换到全局坐标系下后，能够相较于全局坐标系下的曲线拟合，减少曲线拟合的变量个数，使曲线拟合效率更高，求解更快。

本申请实施例第二方面提供一种车辆定位的优化装置，装置位于电子设备，所述电子设备搭载在车辆上，所述车辆还搭载有融合定位系统和感知定位系统，所述融合定位系统用于确定融合车辆位姿，所述感知定位系统用于确定感知车道线，所述装置包括：

目标定位信息获取模块，用于获取与优化后的定位信息相关联的目标定位信息。优化模型构建模块，用于按照预设的定位接近策略构建关于所述优化后的定位信息及所述目标定位信息的优化模型。优化定位信息确定模块，用于将所述目标定位信息输入到所述优化模型中，对所述优化模型中的所述优化后的定位信息进行求解，以输出所述优化后的定位信息。优化定位信息发送模块，用于若所述优化后的定位信息通过验证,则将优化后的定位信息发送给车辆，以控制车辆根据所述优化后的定位信息进行行驶。

进一步地，如上所述的装置，优化模型构建模块，具体用于构建优化后的定位信息与每个目标定位信息的关联关系模型；根据关联关系模型确定对应的概率密度模型；根据各概率密度模型确定联合概率密度模型；将联合概率密度模型进行转化以生成优化模型。

进一步地，如上所述的装置，目标定位信息包括：融合车辆位姿，历史优化后的车辆位姿，感知车道线，高精地图车道线；优化后的定位信息包括：优化后的车辆位姿和优化后的车道线。

进一步地，如上所述的装置，优化模型构建模块，在构建优化后的定位信息与每个目标定位信息的关联关系模型时，具体用于确定每个目标定位信息与对应的优化后的定位信息之间的变换函数；根据变换函数和对应的正太分布数据确定对应的关联关系模型。

进一步地，如上所述的装置，优化模型构建模块，在构建优化后的定位信息与每个目标定位信息的关联关系模型时，还用于构建优化后的车辆位姿分别与对应的融合车辆位姿，对应的历史优化后的车辆位姿间的关联关系模型，以分别形成第一关联关系模型和第二关联关系模型；构建优化后的车道线中的采样点与对应的高精地图车道线中的线段间的关联关系模型，以形成第三关联关系模型；构建优化后的车道线中的线段与对应的感知车道线采样点间的关联关系模型，以形成第四关联关系模型。

进一步地，如上所述的装置，还包括映射关系确定模块，用于确定感知车道线采样点与高精地图车道线中的线段间的映射关系，以确定与优化后的车道线相关联的感知车道线采样点和高精地图车道线中的线段。

进一步地，如上所述的装置，映射关系确定模块，具体用于将高精地图车道线划分为至少一个高精线段；计算感知车道线中的采样点与每个高精线段间的位置关系值；根据位置关系值的范围确定与感知车道线中的采样点具有映射关系的高精线段。

进一步地，如上所述的装置，位置关系值为第一向量与第二向量间的向量位置关系值，第一向量为感知车道线中的采样点与高精线段的起点形成的向量，第二向量为感知车道线中的采样点与高精线段的终点形成的向量。

进一步地，如上所述的装置，还包括：采样点权重确定模块，用于确定感知车道线中每个采样点的权重；将第四关联关系模型中的正太分布数据的方差设置为权重。

进一步地，如上所述的装置，采样点权重确定模块，在确定感知车道线中每个采样点的权重时，具体用于根据感知车道线采样点所在车道线与主车道线间隔的车道线条数确定第一权重；根据感知车道线采样点在感知车道线的位置确定第二权重；将第一权重和第二权重的乘积确定为感知车道线采样点的权重。

进一步地，如上所述的装置，优化模型构建模块，在将联合概率密度模型进行转化以生成优化模型时，具体用于提取联合概率密度模型中的各指数因子；将各指数因子进行求和，以生成单调递增模型；将单调递增模型转换为单调递减模型；将最小化单调递减模型确定为优化模型。

进一步地，如上所述的装置，若优化后的定位信息为优化后的车道线，则目标定位信息获取模块，还用于获取感知定位系统确定的感知环境；根据感知环境确定对应的匹配策略，对应的匹配策略为：车道中心线匹配策略或左右车道线匹配策略；根据匹配策略获取与优化后的车道线相关联的感知车道线和高精地图车道线。

进一步地，如上所述的装置，若匹配策略为左右车道线匹配策略，则感知车道线为感知左右车道线，高精地图车道线为高精地图左右车道线，优化后的车道线为优化后的左右车道线；若匹配策略为车道中心线匹配策略，则感知车道线为感知车道中心线，高精地图车道线为高精地图车道中心线，优化后的车道线为优化后的车道中心线。

进一步地，如上所述的装置，还包括：感知车道线校验模块，用于获取感知定位系统确定的感知车道线的至少一个置信特征信息；根据置信特征信息对感知车道线进行校验；若感知车道线未通过校验，则对感知车道线进行修复或删除。

进一步地，如上所述的装置，感知车道线校验模块，在根据置信特征信息对感知车道线进行校验时，具体用于对置信特征信息进行归一化处理；将归一化处理后的置信特征信息进行加权求和；将加权求和结果与预设校验阈值进行对比，根据对比结果对感知车道线进行校验。

进一步地，如上所述的装置，还包括：高精车道线处理模块，用于获取高精地图车道线离散点；将高精地图车道线离散点转换到局部坐标系下；采用三次曲线拟合算法对高精地图车道线离散点进行曲线拟合，以获得局部坐标系下的高精地图车道线；对局部坐标系下的高精地图车道线进行均匀采样；将均匀采样后的局部坐标系下的高精地图车道线转换到全局坐标系下，以获得高精地图车道线。

本申请实施例第三方面提供一种电子设备,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第一方面中任一项所述的方法。

本申请实施例第四方面提供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第一方面任一项所述的方法。

本申请实施例第五方面提供一种车辆定位的优化方法，包括：

获取与优化后的定位信息相关联的至少一个目标定位信息；根据所述目标定位信息和优化模型确定优化后的定位信息；若所述优化后的定位信息通过验证,则根据优化后的定位信息控制车辆行驶。

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是可以实现本申请实施例的车辆定位的优化方法的场景图；

图2是根据本申请第一实施例提供的车辆定位的优化方法的流程示意图；

图3是根据本申请第二实施例提供的车辆定位的优化方法的流程示意图；

图4是根据本申请第二实施例提供的车辆定位的优化方法的优化结果示意图；

图5是根据本申请第二实施例提供的车辆定位的优化方法中步骤203的流程示意图；

图6为根据本申请第二实施例提供的车辆定位的优化方法中步骤204的流程示意图；

图7为根据本申请第二实施例提供的车辆定位的优化方法中步骤206的流程示意图；

图8为根据本申请第二实施例提供的车辆定位的优化方法中步骤209的流程示意图；

图9为根据本申请第三实施例提供的车辆定位的优化方法的信令流程示意图；

图10为根据本申请第四实施例提供的车辆定位的优化装置的结构示意图；

图11为根据本申请第五实施例提供的车辆定位的优化装置的结构示意图；

图12是用来实现本申请实施例的车辆定位的优化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。

为了清楚理解本申请的技术方案，首先对本申请实施例提供的车辆定位的优化方法的应用场景进行介绍。如图1所示，本申请实施例提供的车辆定位的优化方法对应的应用场景中包括：电子设备和车辆。在车辆上搭载有融合定位系统和感知定位系统。电子设备通过与融合定位系统进行通信，获取融合定位系统确定的车辆位姿，这里定义为融合车辆位姿，通过与感知定位系统通信，获取感知定位系统确定的车道线，这里定义为感知车道线。电子设备获取高精地图，并获取与融合车辆位姿对应的高精地图中的高精地图车道线。若需要对当前定位信息进行优化，优化后的定位信息包括：优化后的车辆位姿和优化后的车道线，则电子设备获取的是当前融合车辆位姿，当前感知车道线和当前高精地图车道线。并且电子设备还存储有在当前优化后的定位信息之前的与其间隔预设帧数的优化后的定位信息，该定位信息为历史优化后的车辆位姿。将间隔的预设帧数取值为几帧，则当前优化后的定位信息中的优化后的车辆位姿与历史优化后的车辆位姿相差很小。将相匹配的融合车辆位姿，感知车道线和高精地图车道线和历史优化后的车辆位姿都可作为目标定位信息，则相匹配的融合车辆位姿与历史优化后的车辆位姿可作为与优化后的车辆位姿相关联的目标定位信息。感知车道线和高精地图车道线可作为与优化后的车道线相关联的目标定位位姿。由于每种目标定位信息都有各自的定位误差，但若对目标定位信息进行优化后，优化后的定位信息与每种相关联的目标定位信息都很接近，说明该优化后的定位信息能减小每种相关联的目标定位信息的误差，使优化后的定位信息更能准确反映真实定位情况。所以本申请实施例中以预设的定位接近策略，即优化后的定位信息与每种相关联的目标定位信息都很接近的策略构建关于优化后的定位信息及目标定位信息的优化模型。在优化模型中可包括关于目标定位信息与优化定位信息之间关联关系的参数。通过将目标定位信息输入到优化模型中，根据目标定位信息及关联关系参数对优化模型中的优化后的定位信息进行求解，输出优化后的定位信息。对优化后的定位信息进行验证，若优化后的定位信息通过验证，则表明该优化后的定位信息更能准确反映真实定位情况，提高了定位精度，能够满足自动驾驶车辆的定位需求。并则将该优化后的定位信息发送给车辆，车俩的规划控制系统接收到该优化后的定位信息后，根据优化后的定位信息对路径进行规划并控制车辆行驶，能够准确控制车辆沿着规划路径进行行驶。

可以理解的是，该电子设备可以为集成在车辆上的车载终端，以能够与车辆进行通信。还可以为与车辆进行远距离或近距离通信的电子设备，通信方式可以为全球移动通讯(Global System of Mobile communication，简称GSM)、码分多址(Code DivisionMultiple Access，简称CDMA)、宽带码分多址(Wideband Code Division MultipleAccess，简称WCDMA)、时分同步码分多址(Time Division-Synchronous Code DivisionMultiple Access，简称TD-SCDMA)、长期演进(Long Term Evolution，简称LTE)系统及5G等。可以理解的是，车辆与电子设备的通信方式还可以为无线通信方式，无线通信方式可以为紫蜂zigbee通信、蓝牙BLE通信或行动热点wifi通信等。

以下将参照附图来具体描述本申请的实施例。

实施例一

图2是根据本申请第一实施例提供的车辆定位的优化方法的流程示意图，如图2所示，本申请实施例的执行主体为车辆定位的优化装置，该车辆定位的优化装置可以集成在电子设备中。则本实施例提供的车辆定位的优化方法包括以下几个步骤。

步骤101，获取与优化后的定位信息相关联的目标定位信息，目标定位信息是通过电子设备或车辆搭载的至少一个定位系统确定的。

本实施例中，目标定位信息为对其优化的定位信息。若优化后的定位信息为优化后的车辆位姿，则目标定位信息可以包括：融合车辆位姿及历史优化后的车辆位姿。若优化后的定位信息为优化后的车道线，则目标定位信息可以包括：感知车道线，高精地图车道线。若优化后的定位信息既包括优化后的车辆位姿又包括优化后的车道线，则目标定位信息可以包括：融合车辆位姿，历史优化后的车辆位姿，感知车道线及高精地图车道线。

其中，融合车辆位姿是通过车辆搭载的融合定位系统确定的。感知车道线是通过车辆搭载的感知定位系统确定的。电子设备通过与融合定位系统通信，获取融合车辆位姿。电子设备通过与感知定位系统通信，获取感知车道线。

本实施例中，对融合定位系统确定融合车辆位姿的具体融合算法不做限定。

其中，电子设备可存储高精地图，在获取到融合车辆位姿后，以融合车辆位姿为参考，获取高精地图中相匹配的高精地图车道线。

其中，历史优化后的车辆位姿是在当前优化后的车辆位姿之前与其间隔预设帧数的优化后的定位信息，预设帧数为几帧，如可以为1帧，3帧，5帧等。该历史优化后的车辆位姿可存储在电子设备中，从电子设备中获取历史优化后的车辆位姿。

本实施例中，在获取与优化后的定位信息相关联的目标定位信息时，可首先确定优化后的定位信息相关联的目标定位信息的类型。然后根据优化后的定位信息的时间戳获取相关联的每种类型的目标定位信息。

比如获取当前优化后的车辆位姿相关联的目标定位信息时，首先确定与优化后的车辆位姿相关联的目标定位信息为融合车辆位姿和历史优化后的车辆位姿，然后根据当前优化后的车辆位姿的时间戳获取相匹配的融合车辆位姿和历史优化后的车辆位姿。具体地，根据当前优化后的车辆位姿的时间戳获取同一时间戳下的融合车辆位姿。根据当前优化后的车辆位姿的时间戳获取在当前优化后的车辆位姿的时间戳之前间隔预设帧数的历史优化后的车辆位姿。

又比如获取当前优化后的车道线相关联的目标定位信息时，首先确定与优化后的车道线相关联的目标定位信息为感知车道线，高精地图车道线，然后根据当前优化后的车道线的时间戳获取相匹配的感知车道线和高精地图车道线。可选地，根据当前优化后的车道线的时间戳获取同一时间戳下感知车道线和高精地图车道线。

可以理解的是，若优化后的定位信息包括优化后的车辆位姿和优化后的车道线，则该优化后的车辆位姿和优化后的车道线为同一时间戳。则获取与优化后的定位信息相关联的目标定位信息时，可直接根据时间戳信息获取相匹配的融合车辆位姿，历史优化后的车辆位姿，感知车道线，高精地图车道线。

步骤102，按照预设的定位接近策略构建关于优化后的定位信息及目标定位信息的优化模型。

本实施例中，预设的定位接近策略是优化后的定位信息与每种相关联的目标定位信息都很接近的策略。所以以优化后的定位信息与每种相关联的目标定位信息都很接近的策略构建关于优化后的定位信息及目标定位信息的优化模型。

其中，优化后的定位信息与每种相关联的目标定位信息是否都很接近可通过优化后的定位信息与每种相关联的目标定位信息的差值是否都在预设范围内进行衡量，或者通过优化后的定位信息与每种相关联的目标定位信息的概率密度函数来衡量。优化后的定位信息与每种相关联的目标定位信息的概率密度函数表明了优化后的定位信息与每种相关联的目标定位信息的接近程度。或者通过其他方式进行衡量，本实施例中对此不做限定。

可以理解的是，优化后的定位信息与每种相关联的目标定位信息都很接近的衡量的方法不同，构建出的优化模型的形式也不同。所以本实施例中对优化模型的构建方法不做限定。但在优化模型中可包括关于目标定位信息与优化定位信息之间关联关系的参数。

若优化后的定位信息为优化后的车辆位姿，则构建关于优化后的车辆位姿与融合车辆位姿和历史优化后的车辆位姿的优化模型。若优化后的定位信息为优化后的车道线，则构建关于优化后的车道线与感知车道线和高精地图车道线的优化模型。若优化后的定位信息为优化后的车辆位姿和优化后的车道线，则构建关于优化后的车辆位姿和优化后的车道线与融合车辆位姿，历史优化后的车辆位姿，感知车道线和高精地图车道线的优化模型。

步骤103，将目标定位信息输入到优化模型中，对优化模型中的优化后的定位信息进行求解，以输出优化后的定位信息。

具体地，本实施例中，由于该优化模型是以优化后的定位信息与每种相关联的目标定位信息都很接近的策略构建的，所以在将目标定位信息输入到优化模型中后，通过目标定位信息，目标定位信息与优化后的定位信息之间关联关系的参数可对优化后的定位信息进行求解。求解出的优化后的定位信息能够与每种相关联的目标定位信息都很接近。

步骤104，若优化后的定位信息通过验证,则将优化后的定位信息发送给车辆，以控制车辆根据优化后的定位信息进行行驶。

本实施例中，在获得优化后的定位信息后，可对优化后的定位信息按照预设验证标准进行验证。若优化后的定位信息通过验证，则说明该优化后的定位信息能减小每种相关联的目标定位信息的定位误差，更能准确反映真实定位情况的定位信息，则将该优化后的定位信息发送给车辆，具体可发送给车辆的规划控制系统，由规划控制系统根据优化后的定位信息对路径进行规划并控制车辆行驶。

本实施例提供的车辆定位的优化方法，获取与优化后的定位信息相关联的目标定位信息，目标定位信息是通过电子设备和车辆搭载的至少一个定位系统确定的；构建关于优化后的定位信息及目标定位信息的优化模型；将目标定位信息输入到优化模型中，对优化模型中的优化后的定位信息进行求解，以输出优化后的定位信息；若优化后的定位信息通过验证,则将优化后的定位信息发送给车辆，以控制车辆根据优化后的定位信息进行行驶。由于在构建优化模型时，以优化后的定位信息与每种相关联的目标定位信息都很接近的策略构建的，所以求解出的优化后的定位信息能够减小每种相关联的目标定位信息的定位误差，使优化后的定位信息更能准确反映真实定位情况，提高了定位的精度，能够满足自动驾驶车辆的定位需求。并且根据优化后的定位信息对路径进行规划并控制车辆行驶，能够准确控制车辆沿着规划路径进行行驶。

实施例二

图3是根据本申请第二实施例提供的车辆定位的优化方法的流程示意图，如图3所示，本实施例提供的车辆定位的优化方法，是在本申请实施例一提供的车辆定位的优化方法的基础上，对步骤101-步骤104的进一步细化。并且还包括了对感知车道线进行校验的步骤以及对高精地图车道线进行处理的步骤，则本实施例提供的车辆定位的优化方法包括以下步骤。

步骤201，获取感知定位系统确定的感知车道线的至少一个置信特征信息，根据置信特征信息对感知车道线进行校验，若感知车道线未通过校验，则对感知车道线进行修复或删除。

进一步地，本实施例中，由于感知定位系统深受感知环境的影响，所以从感知定位系统中获取的感知车道线的质量参差不齐。所以需要对从感知定位系统获取的感知车道线进行校验。值得说明的是，可获取到感知定位系统确定的每帧感知车道线，对每帧感知车道线分别进行校验。

在对感知车道线进行校验时，首先获取感知车道线的至少一个置信特征信息。其中，感知车道线的置信特征信息可以包括：车道线类型对比结果值，车道宽度对比结果值，第一车道线截距对比结果值，感知车道线长度值，感知车道线起始点相关高度差值，初始感知车道线置信度，第二车道线截距对比结果值。

下面分别对每个感知车道线的置信特征信息进行说明。

其中，车道线类型对比结果值是通过将感知车道线的类型与相匹配的高精地图车道线类型对比后确定的。由于高精地图车道线的类型有长虚线，双实线，单实线，右实左虚，左实右虚，双虚线，路沿，护栏等。而感知车道线类型有实线，虚线，双线，障碍物，路沿等。所以高精地图车道线的类型与感知车道线类型并不能一一对应。因而可首先设置一个感知车道线类型与每种高精地图车道线类型相对应的对比结果分值。比如对于感知车道线为实线，与高精地图车道线中的双实线和单实线相对应的对比结果分值为0.9，与右实左虚，左实右虚的对比结果分值为0.6，与双虚线，路沿，护栏的对比结果分值为0.1。

然后将感知车道线输入到机器学习算法中，采用机器学习算法识别感知车道线类型。并获取高精地图中相匹配的高精地图车道线的类型。通过感知车道线类型与相匹配的高精地图车道线类型确定对应的对比结果分值。

可以理解的是，感知车道线类型与某种高精地图车道线类型相对应的对比结果分值越高，则说明定位出的感知车道线的类型越接近于对应的高精地图车道线类型，该定位出的感知车道线置信度越高，反之置信度越低。

其中，车道宽度对比结果值是将感知车道线宽度与相匹配的高精地图车道线宽度的对比结果值。在将感知车道线宽度与相匹配的高精地图车道线宽度进行对比时，需要在同一等级上进行对比。该车道宽度对比结果值能够体现出由于相机外参标定误差所带来的定位出的感知车道线置信度的不同。

其中，第一车道线截距对比结果值是感知车道线截距与相匹配的高精地图车道线截距的对比结果值。可首先计算感知车道线的截距和相匹配的高精地图车道线的截距，然后计算两个截距间的差值或商值作为第一车道线截距对比结果值。若感知车道线截距与相匹配的高精地图车道线截距越一致，则说明定位出的感知车道线偏离中心线距离与高精地图车道线偏离车道线距离越一致，该定位出的感知车道线置信度越高，反之置信度越低。

其中，感知车道线长度值为定位出的感知车道线的实际长度。若感知车道线的长度值越小，则表明感知车道线的视野遮挡越大，置信度越低。相反，感知车道线的长度值越大，则定位出的感知车道线的置信度越高。

其中，感知车道线起始点相关高度差值为感知车道线起始点的高度与预设正常高度值间的距离值。若该距离值越大，则说明感知车道线是在越拥堵的场景下定位到的，置信度越低。反之置信度越高。

其中，初始感知车道线置信度是通过深度学习算法计算出来的置信度。将感知车道线转换到车身坐标系下后输入到已训练至收敛的深度学习算法中，由该已训练至收敛的深度学习算法对该感知车道线的置信度进行预测，输出的感知车道线置信度为初始感知车道线置信度。

其中，第二车道线截距对比结果值为真实的当前帧感知车道线截距与预测出的当前帧车道线截距的差值。预测出的当前帧车道线截距为以上一帧的融合车辆位姿为参考预测出的当前帧高精地图车道线的截距。若真实的当前帧感知车道线截距与预测出的当前帧车道线截距越一致，则说明定位出的感知车道线置信度越高，反之，定位出的感知车道线置信度越低。

在获取到感知定位系统确定的感知车道线的至少一个置信特征信息后，再根据置信特征信息对感知车道线进行校验，具体地，根据置信特征信息对感知车道线进行校验包括以下步骤。

步骤2011，置信特征信息进行归一化处理。

本实施例中，在对置特征信息进行归一化处理时，可将每个置信特征信息归一化为0-1间的数值，每种置信特征信息越接近于0，表明置信度越低，越接近于1，表明置信度越高。

步骤2012，将归一化处理后的置信特征信息进行加权求和。

在本实施例中，可根据每种置信特征信息的重要程度对每种置信特征信息设置对应的权重值，并对归一化处理后的置信特征信息进行加权求和，得到加权求和的结果。

步骤2013，将加权求和结果与预设校验阈值进行对比，根据对比结果对感知车道线进行校验。

进一步地，本实施例中，预先设置一个校验阈值，将加权求和结果与预设校验阈值进行对比，若加权求和结果大于预设校验阈值，则说明定位出的感知车道线的置信度为高置信度，该定位出的感知车道线通过校验，若加权求和结果小于或等于预设校验阈值，则说明定位出的感知车道线的置信度为低置信度，该定位出的感知车道线未通过校验。

可以理解的是，若感知车道线未通过校验，则获取感知车道线，对感知左车道线和感知右车道线的质量进行判断，若感知左车道线和感知右车道线均不符合质量要求，则对该帧感知车道线进行删除，若感知左车道线和感知右车道线有一条不符合质量要求，则对感知车道线进行修复。在对感知车道线进行修复时，可采用相匹配的高精地图车道线替换到不符合质量要求的感知车道线。

本实施例中，在获取感知定位系统确定的感知车道线的至少一个置信特征信息，根据置信特征信息对感知车道线进行校验，若感知车道线未通过校验，则对感知车道线进行修复或删除，能够使目标定位信息中的感知车道线为满足质量要求的感知车道线。并且在根据置信特征信息对感知车道线进行校验时，根据每种置信特征信息的重要程度对每种置信特征信息设置对应的权重值，对多种置信特征信息采用加权求和的方式确定感知车道线的置信总分值，再与预设校验阈值进行对比的方式确定校验结果，由于考虑了多种影响置信度的因素及每种置信因素的重要程度，所以使得校验的结果更加准确。

步骤202，获取高精地图车道线离散点，将高精地图车道线离散点转换到局部坐标系下，采用三次曲线拟合算法对高精地图车道线离散点进行曲线拟合，以获得局部坐标系下的高精地图车道线，对局部坐标系下的高精地图车道线进行均匀采样，将均匀采样后的局部坐标系下的高精地图车道线转换到全局坐标系下，以获得高精地图车道线。

进一步地，本实施例中，由于电子设备获取到的初始的高精地图车道线离散点是由车道线上的原始点进行抽稀操作后得到的。抽稀操作并非均匀的抽稀操作，所以两个相邻点的距离代表的实际距离并不会完全相等，所以本实施例中要对获取到的初始的高精地图车道线进行处理。

具体地，获取到高精地图车道线离散点后，首先将全局坐标系下的高精地图车道线离散点转换到局部坐标系下，采用三次曲线拟合算法对高精地图车道线离散点进行曲线拟合，曲线拟合的方程可表示为式(1)所示：

y＝ax³+bx²+cx+d (1)

其中，y表示拟合后的高精地图车道线，x表示高精地图车道线离散点的坐标，a为x³的系数，b为x²的系数，c为x的系数，d为常量系数。

在曲线拟合后得到局部坐标系下的高精地图车道线，在局部坐标系下对高精地图车道线进行均匀采样，并将均匀采样后的局部坐标系下的高精地图车道线转换到全局坐标系下，以获得高精地图车道线。

本实施例中，将高精车道线离散点通过转换到局部坐标系下进行曲线拟合，均匀采样再转换到全局坐标系下后，能够相较于全局坐标系下的曲线拟合，减少曲线拟合的变量个数，使曲线拟合效率更高，求解更快。

进一步地，获取的初始的高精地图车道线离散点形成的高精地图车道线具有锯齿现象，所以为了消除锯齿现象，获取融合车辆位姿参考下前后各预设长度的高精地图车道线离散点进行曲线拟合。如预设长度可以为100米，而非获取融合车辆位姿参考下的对应高精地图车道线离散点，从对应的高精地图车道线离散点的初始位置开始向前拟合。所以可有效消除锯齿现象。

可以理解的是，步骤201是对从融合定位系统获取到的初始的感知车道线进行校验的过程，在经过校验后获取到满足质量要求的感知车道线。步骤202是以融合车辆位姿为参考获取到初始的高精地图车道线后，对初始的高精地图车道线进行的处理过程，使经过处理后的高精地图车道线更加准确。

步骤203，获取与优化后的定位信息相关联的目标定位信息。

进一步地，本实施例中，优化后的定位信息包括：优化后的车辆位姿和优化后的车道线。所以目标定位信息包括：融合车辆位姿，历史优化后的车辆位姿，感知车道线，高精地图车道线。

进一步地，在获取与优化后的车道线相关联的感知车道线和高精地图车道线时，由于感知定位系统进行感知车道线定位时，相机外参标定精度影响感知车道线定位的准确性，即使步骤201中对感知车道线进行了质量校验，但也不能消除由于相机外参标定精度低所导致的感知车道线的定位精度低的问题。所以为了确定是否能够获取到更加准确的感知车道线，需要根据感知环境确定对应的匹配策略，根据匹配策略获取与优化后的车道线相关联的感知车道线和高精地图车道线。

其中，感知定位系统进行感知车道线定位时，相机外参标定精度影响感知车道线定位的准确性的原因具体为：利用相机的标定参数，使用IPM投影，将模型点投影到车身坐标系下，拟合为感知车道线的过程中，相机的俯仰角的估计误差与相机－车身外参的标定误差都会影响车道线的准确性。相机的俯仰角的估计误差会导致感知车道线出现内八或外八的情况，相机－车身外参的标定误差会导致感知车道线间宽度变宽或者变窄。

针对上述原因，若获取的感知车道线为感知车道中心线，则能够有效解决相机外参标定精度影响感知车道线定位的准确性问题。

所以为了获取到更加准确的感知车道线，如图5所示，步骤203中若优化后的定位信息为优化后的车道线，则获取与优化后的定位信息相关联的目标定位信息，包括以下步骤：

步骤2031，获取感知定位系统确定的感知环境。

其中，感知定位系统可通过预设时间段相机采集的图像确定感知环境。若大部分采集的图像中包括左感知车道线和右感知车道线，则说明感知环境比较好，可根据左车道线和右车道线能够确定车道中心线。若大部分采集的图像中不能完全确定左感知车道线和右感知车道线，则说明感知环境比较差，不能根据左感知车道线和右感知车道线能够确定感知车道中心线。

步骤2032，根据感知环境确定对应的匹配策略，对应的匹配策略为：车道中心线匹配策略或左右车道线匹配策略。

进一步地，本实施例中，若感知环境比较好，可根据左感知车道线和右感知车道线能够确定感知车道中心线，则确定对应的匹配策略为车道中心线匹配策略。若感知环境比较差，如采集的图像中由于左侧遮挡未获取到左感知车道线，或由于右侧遮挡未获取到右感知车道线，或由于双边均有遮挡，未获取到完整的左感知车道线和右感知车道线，则不能根据左感知车道线和右感知车道线确定感知车道中心线，则确定对应的匹配策略为左右车道线匹配策略。

步骤2033，根据匹配策略获取与优化后的车道线相关联的感知车道线和高精地图车道线。

进一步地，若匹配策略为左右车道线匹配策略，则感知车道线为感知左右车道线，高精地图车道线为高精地图左右车道线，优化后的车道线为优化后的车道中心线。

若匹配策略为车道中心线匹配策略，则感知车道线为感知车道中心线，高精地图车道线为高精地图车道中心线，优化后的车道线为优化后的左右车道线。

具体地，若匹配策略为左右车道线匹配策略，则从感知定位系统获取到有遮挡的感知左右车道线，即有不满足质量要求的感知左右车道线后，通过步骤201后，对不满足质量要求的感知左右车道线进行修复处理，获得目标定位信息中的感知车道线。为了使目标定位信息与优化后的定位信息匹配，则高精地图车道线为高精地图左右车道线，优化后的车道线为优化后的车道中心线。

若匹配策略为车道中心线匹配策略，则从感知定位系统获取到感知左右车道线后计算感知车道中心线，将感知车道中心线作为目标定位信息中的感知车道线。为了使目标定位信息与优化后的定位信息匹配，则高精地图车道线为高精地图车道中心线，优化后的车道线为优化后的车道中心线。

本实施例中，在获取与优化后的车道线相关联的感知车道线时，获取感知定位系统确定的感知环境；根据感知环境确定对应的匹配策略，根据匹配策略获取与优化后的定位信息相关联的目标定位信息。若匹配策略为左右车道线匹配策略，则获取与优化后的左右车道线相关联的感知左右车道线，高精地图左右车道线，通过对感知左右车道线进行修复处理，使获取到的感知车道线满足质量要求，进而使优化后的左右车道线更加准确。若匹配策略为车道中心线匹配策略，则获取与优化后的车道中心线相关联的感知车道中心线，高精地图车道中心线，能够使获取的感知车道中心线消除由于相机外参标定产生的感知车道线定位误差，进而使获取到的感知车道线不仅满足质量要求而且更加准确，最终提高优化后的左右车道线的准确性。

可以理解的是，无论匹配策略为左右车道线匹配策略还是车道中心线匹配策略，都能够获取到优化后的车辆位姿相关联的融合车辆位姿和历史优化后的车辆位姿。

步骤204，确定感知车道线采样点与高精地图车道线中的线段间的映射关系，以确定与优化后的车道线相关联的感知车道线采样点和高精地图车道线中的线段。

进一步地，本实施例中，在获取到优化后的车道线相关联的感知车道线和高精地图车道线后，需要确定感知车道线采样点与高精地图车道线中的线段间的映射关系，以确定与优化后的车道线的采样点相关联的高精地图车道线为哪段线段时，对应优化后的车道线的线段相关联的感知车道线采样点具体为哪些采样点。

如图6所示，本实施例中，步骤204包括以下几个步骤：

步骤2041，将高精地图车道线划分为至少一个高精线段。

本实施例中，可将高精地图车道线按照预设长度均匀划分为至少一个高精线段。并可等间隔的获取感知车道线的采样点。

步骤2042，计算感知车道线中的采样点与每个高精线段间的位置关系值。

可选地，本实施例中，遍历感知车道线中的采样点，针对每个感知车道线的采样点，逐个确定其与每个高精线段的位置关系，若感知车道线中的采样点在某高精线段的中间，则确定该感知车道线采样点与该段高精线段有映射关系。

进一步地，为了体现感知车道线的采样点与高精线段的位置关系，计算感知车道线中的采样点与每个高精线段间的位置关系值。

该位置关系值为第一向量与第二向量间的向量位置关系值，第一向量为感知车道线中的采样点与高精线段的起点形成的向量，第二向量为感知车道线中的采样点与高精线段的终点形成的向量。具体地，位置关系值可表示为式(2)所示。

其中，α表示位置关系值，pt_loc表示感知车道线中的采样点，pt1表示高精线段的起点，pt1.x和pt1.y分别表示pt1的横坐标和纵坐标。pt2表示高精线段的终点，pt2.x和pt2.y分别表示pt2的横坐标和纵坐标。k表示由高精线段点pt1-pt2形成的斜率。

步骤2043，根据位置关系值的范围确定与感知车道线中的采样点具有映射关系的高精线段。

具体地，若位置关系值的范围为0<α<1,则确定该感知车道线中的采样点与对应的高精线段具有映射关系，即感知车道线中的采样点位于该高精线段的中间位置。若位置关系值的范围α≤0或α≥1，则确定该感知车道线中的采样点与对应的高精线段不具有映射关系。

本实施例中，将高精地图车道线划分为至少一个高精线段；计算感知车道线中的采样点与每个高精线段间的位置关系值；根据位置关系值的范围确定与感知车道线中的采样点具有映射关系的高精线段，能够准确确定出感知车道线采样点与高精地图车道线中的线段间的映射关系。

需要说明的是，每个感知车道线的采样点只与一个高精线段具有映射关系。

进一步地，本实施例中，为了快速确定感知车道线采样点与高精地图车道线中的线段间的映射关系，可将高精线段按照坐标进行排序，确定感知车道线采样点的坐标与哪个高精线段最近，优先进行最近的高精线段是否具有映射关系的判断。

进一步地，本实施例中，由于感知车道线中，每个采样点的精度与其与车辆的距离呈正相关，即：采样点距离车辆越近，精度越高，采样点距离车辆越远，精度越低。即远处的一个采样点代表的与车辆的实际距离，要远高于近处的采样点代表的与车辆的实际距离，并且主车道线的精度比次车道线的精度要高，受相机安装位置的影响，主车道线的视线要远好于次车道，因此主车道线的位置定位更加准确。所以综合考虑以上两个因素，本实施例中，在构建优化后的定位信息与每个目标定位信息的关联关系模型之前，还包括以下步骤：

步骤205，确定感知车道线中每个采样点的权重；根据权重，确定第四关联关系模型中的正太分布数据的方差。

进一步地，确定知车道线中每个采样点的权重时，首先根据感知车道线采样点所在车道线与主车道线间隔的车道线条数确定第一权重，其次，根据感知车道线采样点在感知车道线的位置确定第二权重，最后，将第一权重和第二权重的乘积确定为感知车道线采样点的权重。

具体地，本实施例中，根据感知车道线采样点所在车道线与主车道线间隔的车道线条数确定的第一权重表示为式(3)所示：

W_lane＝λ^Nlane (3)

其中，W_lane表示第一权重，λ大于0小于1的数值，N_lane表示距离主车道的车道线条数，如：对于感知左右主车道线，N_lane＝0，对于感知左右次车道线，N_lane＝1，对于感知左右次次车道N_lane＝2。以此类推。第一权重表明感知车道线上的采样点离主车道线越远，其第一权重越大。

具体地，根据感知车道线采样点在感知车道线的位置确定第二权重可表示为式(4)所示。

W_x＝e^-lx (4)

其中，W_x表示第二权重，l为一个常数阈值，表示第二权重因为采样点x的位置衰减系数。

具体地，将第一权重和第二权重的乘积确定为感知车道线采样点的权重可表示为式(5)所示：

W＝W_lane*W_x (5)

其中，W表示感知车道线采样点的权重。

进一步地，本实施例中，在确定感知车道线中每个采样点的权重后，由于需要构建优化后的车道线中的线段与对应的感知车道线采样点间的第四关联关系模型，在第四关联关系模型中包括对应的正太分布数据，正太分布数据具有均值和方差，所以根据感知车道线采样点的权重设置第四关联关系模型中的正太分布数据的方差，以在对优化后的车道线进行求解时，将感知车道线采样点的权重考虑进去，使求解出的优化后的车道线消除由于感知车道线每个采样点代表不同的精度所产生的误差。

由于高精地图车道线中的线段和采样点不存在不同线段或采样点代表不同精度的问题，所以不对高精地图车道线中的线段和采样点设置不同权重。

步骤206，构建优化后的定位信息与每个目标定位信息的关联关系模型。

进一步地，本实施例中，如图7所示，步骤206包括以下步骤：

步骤2061，确定每个目标定位信息与对应的优化后的定位信息之间的变换函数。

步骤2062，根据变换函数和对应的正太分布数据确定对应的关联关系模型。

进一步地，首先构建优化后的车辆位姿分别与对应的融合车辆位姿，对应的历史优化后的车辆位姿间的关联关系模型，以分别形成第一关联关系模型和第二关联关系模型。

其中，构建优化后的车辆位姿与对应的融合车辆位姿间的关联关系模型，以形成第一关联关系模型可表示为式(6)所示：

其中，表示优化后的车辆位姿，z_i表示融合车辆位姿,表示优化后的车辆位姿与对应的融合车辆位姿间的变换函数，该变换函数可以为线性变换函数，w_i表示以0为均值，Q为方差的正太分布。其中，Q的取值来源于融合定位系统的定位精度。

其中，构建优化后的车辆位姿与对应的历史优化后的车辆位姿间的关联关系模型，以形成第二关联关系模型可表示为式(7)所示：

其中，表示优化后的车辆位姿，表示历史优化后的车辆位姿,和的变换函数为一次线性函数即为的形式，表示以0为均值，T为方差的正太分布。

其中，构建优化后的车道线中的采样点与对应的高精地图车道线中的线段间的关联关系模型，以形成第三关联关系模型可表示为式(8)所示：

其中，z_i表示融合车辆位姿，表示优化后车道线中的采样点,表示高精地图车道线中的线段与对应的优化后车道线中的采样点的变换函数，这里具有融合车辆位姿，是将优化后的车道线通过融合车辆位姿变换到全局坐标系下，表示对应的高精地图车道线中的线段，ζ_i表示以0为均值，U为方差的正太分布。U的取值来源于高精地图的制作精度。

其中，构建优化后的车道线中的线段与对应的感知车道线采样点间的关联关系模型，以形成第四关联关系模型可表示为式(9)所示：

其中，表示优化后的车辆线中的线段，表示感知车道线采样点,表示优化后的车道线中的线段与对应的感知车道线采样点间的变换函数，该变换函数可以为非线性函数或分段函数，v_i表示以0为均值，R为方差的正太分布，其中R的取值来源于对应感知车道线采样点的权重的倒数。

可以理解的是，每个关联关系模型都表示优化后的定位信息与对应的目标定位信息间只相差一个对应的正太分布数据。

步骤207，根据关联关系模型确定对应的概率密度模型。

根据步骤206中的构建优化后的车辆位姿与对应的融合车辆位姿间的第一关联关系模型，相应地，确定的对应的概率密度模型可表示为(10)所示：

其中，为一常量.exp为自然指数。

根据步骤206中的构建优化后的车辆位姿与对应的历史优化后的车辆位姿间的第二关联关系模型，相应地，确定的对应的概率密度模型可表示为(11)所示：

其中，为一常量.exp为自然指数。

根据步骤206中的构建优化后的车道线中的采样点与对应的高精地图车道线中的线段间的第三关联关系模型，相应地，确定的对应的概率密度模型可表示为(12)所示：

其中，为一常量，exp为自然指数。

根据步骤206中的构建优化后的车道线中的线段与对应的感知车道线采样点间的第四关联关系模型，相应地，确定的对应的概率密度模型可表示为(13)所示：

其中，为一常量，exp为自然指数。

可以理解的是，在确定出每个关联关系模型的概率密度模型后，该概率密度模型的取值越接近于1，越说明该优化后的定位信息与对应的目标定位信息间越接近。

步骤208，根据各概率密度模型确定联合概率密度模型。

进一步地，本实施例中，根据式(10)-式(13)中的概率密度模型，设定 则确定的联合概率密度模型表示为式(14)所示。

步骤209，将联合概率密度模型进行转化以生成优化模型。

进一步地，如图8所示，本实施例中，步骤209包括以下步骤：

步骤2091，提取联合概率密度模型中的各指数因子。

具体地，提取式(14)中的各指数因子分别为式(15)-式(18)所示：

步骤2092，将各指数因子进行求和，以生成单调递增模型。

具体地，本实施例中，由于正定的，且exp为单调递增函数，所以将各指数因子进行求和，生成的是单调递增模型，该单调递增模型表示为式(19)所示：

步骤2093，将单调递增模型转换为单调递减模型。

具体地，本实施例中将式(19)中最前面的负号去掉，转换为单调递减模型，该单调递减模型表示为式(20)所示：

步骤2094，将最小化单调递减模型确定为优化模型。

具体地，本实施例中，最大化联合概率密度模型式(14)，能够使优化后的定位信息与每个对应的目标定位信息都达到最大接近度，联合概率密度模型为单调递增函数，将联合概率模型转化为式(20)的单调递减模型后，最小化该单调递减模型与化联合概率密度模型本质上是相同的，所以将最小化单调递减模型确定为优化模型，该优化模型可表示为式(21)所示：

步骤210，目标定位信息输入到优化模型中，对优化模型中的优化后的定位信息进行求解，以输出优化后的定位信息。

进一步地，本实施例中，将目标定位信息输入到式(21)的优化模型中进行求解时，另

应用克莱斯基分解，令C^-1＝S^TS,r＝Se,则有式(22)：

L＝1/2r^Tr (22)

式(22)转化为了标准最小二乘形式，可以使用迭代解，进行求解，获得优化后的车辆位姿和优化后的车道线。

如图4所示，求解的优化后的车辆位姿与融合车辆位姿和历史优化后的车辆位姿都很接近。优化后的车道线位于感知车道线和高精车道线之间，与感知车道线和高精车道线也都很接近。

步骤211，若优化后的定位信息通过验证,则将优化后的定位信息发送给车辆，以控制车辆根据优化后的定位信息进行行驶。

进一步地，本实施例中，以优化后的车辆位姿为例对优化后的定位信息的验证过程进行说明，具体地，可获取多帧优化后的车辆位姿，将每帧优化后的车辆位姿与相匹配的融合车辆位姿进行对比，确定每个维度的定位误差，每个维度的定位误差包括：横定位误差，纵向定位误差及航向角误差。然后按照预设验证标准对定位误差进行统计。预设验证标准可以为均值，方差，1sigma,2sigma,3sigma等。判断是定位误差是否有跳变，如果没有跳变，则说明优化后的车辆位姿通过验证。

进一步地，对优化后的车道线进行验证时，是将每帧的优化后的车道线与对应的高精地图车道线进行对比，确定定位误差。具体地验证过程与优化的车辆位姿的类似，在此不再一一赘述。

在优化后的定位信息通过验证后，将优化后的定位信息发送给车辆，以控制车辆根据优化后的定位信息进行行驶。否则将目标定位信息如融合车辆位姿和高精地图车道线发送给车辆，以制车辆根据目标定位信息进行行驶。

本实施例提供的车辆定位的优化方法中，构建所述优化后的定位信息与每个目标定位信息的关联关系模型；根据所述关联关系模型确定对应的概率密度模型；根据各所述概率密度模型确定联合概率密度模型；将所述联合概率密度模型进行转化以生成所述优化模型，由于概率密度模型能够准确衡量优化后的定位信息与每种相关联的目标定位信息的接近程度，所以根据各所述概率密度模型确定联合概率密度模型，为了对联合概率密度模型进行简化，将所述联合概率密度模型进行转化以生成所述优化模型，该优化模型能够准确反映优化后的定位信息与每种相关联的目标定位信息的接近程度，进而采用该优化模型求解优化后的定位信息后，该优化后的定位信息能够与每种相关联的目标定位信息都尽可能的接近。

实施例三

图9为根据本申请第三实施例提供的车辆定位的优化方法的信令流程示意图，如图9所示，本实施例提供的车辆定位的优化方法包括以下步骤：

步骤301，融合定位系统获取融合车辆位姿。

步骤302，融合定位系统将融合车辆位姿发送给电子设备

步骤303，感知定位系统获取感知车道线。

步骤304，感知定位系统将感知车道线发送给电子设备。

步骤305，电子设备获取高精地图车道线和历史优化后的车辆位姿，并获取与优化后的定位信息相关联的融合车辆位姿，感知车道线，高精地图车道线和历史优化后的车辆位姿。

步骤306，电子设备按照预设的定位接近策略构建关于优化后的定位信息及目标定位信息的优化模型，将目标定位信息输入到优化模型中，对优化模型中的优化后的定位信息进行求解，以输出优化后的定位信息。

步骤307，若优化后的定位信息通过验证,则将优化后的定位信息发送给车辆。

步骤308，车辆的规划控制系统根据优化后的定位信息控制车辆进行行驶。

本实施例中，步骤301-步骤308的具体实现方式可参见本申请第一实施例和第二实施例中的相关步骤，在此不再一一赘述。

实施例四

图10为根据本申请第四实施例提供的车辆定位的优化装置的结构示意图，如图10所示，本实施例提供的车辆定位的优化装置位于电子设备，电子设备搭载在车辆上，车辆还搭载有融合定位系统和感知定位系统，融合定位系统用于确定融合车辆位姿，感知定位系统用于确定感知车道线。该车辆定位的优化装置1000包括：目标定位信息获取模块1001，优化模型构建模块1002，优化定位信息确定模块1003和优化定位信息发送模块1004。

其中，目标定位信息获取模块1001，用于获取与优化后的定位信息相关联的目标定位信息。优化模型构建模块1002，用于按照预设的定位接近策略构建关于优化后的定位信息及目标定位信息的优化模型。优化定位信息确定模块1003，用于将目标定位信息输入到优化模型中，对优化模型中的优化后的定位信息进行求解，以输出优化后的定位信息。优化定位信息发送模块1004，用于若优化后的定位信息通过验证,则将优化后的定位信息发送给车辆，以控制车辆根据优化后的定位信息进行行驶。

本实施例提供的车辆定位的优化装置可以执行图2所示方法实施例的技术方案，其实现原理和技术效果与图2所示方法实施例类似，在此不再一一赘述。

进一步地，本实施例提供的车辆定位的优化装置中，还包括以下技术方案。

进一步地，优化模型构建模块1002，具体用于构建优化后的定位信息与每个目标定位信息的关联关系模型；根据关联关系模型确定对应的概率密度模型；根据各概率密度模型确定联合概率密度模型；将联合概率密度模型进行转化以生成优化模型。

进一步地，目标定位信息包括：融合车辆位姿，历史优化后的车辆位姿，感知车道线，高精地图车道线；优化后的定位信息包括：优化后的车辆位姿和优化后的车道线。

进一步地，优化模型构建模块1002，在构建优化后的定位信息与每个目标定位信息的关联关系模型时，具体用于确定每个目标定位信息与对应的优化后的定位信息之间的变换函数；根据变换函数和对应的正太分布数据确定对应的关联关系模型。

进一步地，优化模型构建模块1002，在构建优化后的定位信息与每个目标定位信息的关联关系模型时，还用于构建优化后的车辆位姿与对应的融合车辆位姿间的关联关系模型，以形成第一关联关系模型；构建优化后的车辆位姿与对应的历史优化后的车辆位姿间的关联关系模型，以形成第二关联关系模型；构建优化后的车道线中的采样点与对应的高精地图车道线中的线段间的关联关系模型，以形成第三关联关系模型；构建优化后的车道线中的线段与对应的感知车道线采样点间的关联关系模型，以形成第四关联关系模型。

进一步地，还包括：映射关系确定模块1101，用于确定感知车道线采样点与高精地图车道线中的线段间的映射关系，以确定与优化后的车道线相关联的感知车道线采样点和高精地图车道线中的线段。

进一步地，映射关系确定模块1101，具体用于将高精地图车道线划分为至少一个高精线段；计算感知车道线中的采样点与每个高精线段间的位置关系值；根据位置关系值的范围确定与感知车道线中的采样点具有映射关系的高精线段。

进一步地，位置关系值为第一向量与第二向量间的向量位置关系值，第一向量为感知车道线中的采样点与高精线段的起点形成的向量，第二向量为感知车道线中的采样点与高精线段的终点形成的向量。

本实施例中的车辆定位的优化装置，还包括：采样点权重确定模块1102，用于确定感知车道线中每个采样点的权重；根据权重，确定第四关联关系模型中的正太分布数据的方差。

进一步地，采样点权重确定模块，在确定感知车道线中每个采样点的权重时，具体用于根据感知车道线采样点所在车道线与主车道线间隔的车道线条数确定第一权重；根据感知车道线采样点在感知车道线的位置确定第二权重；将第一权重和第二权重的乘积确定为感知车道线采样点的权重。

进一步地，优化模型构建模块1002，在将联合概率密度模型进行转化以生成优化模型时，具体用于提取联合概率密度模型中的各指数因子；将各指数因子进行求和，以生成单调递增模型；将单调递增模型转换为单调递减模型；将最小化单调递减模型确定为优化模型。

进一步地，若优化后的定位信息为优化后的车道线，则目标定位信息获取模块1001，还用于获取感知定位系统确定的感知环境；根据感知环境确定对应的匹配策略，对应的匹配策略为：车道中心线匹配策略或左右车道线匹配策略；根据匹配策略获取与优化后的车道线相关联的感知车道线和高精地图车道线。

其中，若匹配策略为左右车道线匹配策略，则感知车道线为感知左右车道线，高精地图车道线为高精地图左右车道线，优化后的车道线为优化后的左右车道线；若匹配策略为车道中心线匹配策略，则感知车道线为感知车道中心线，高精地图车道线为高精地图车道中心线，优化后的车道线为优化后的车道中心线。

进一步地，本实施例中的车辆定位的优化装置，还包括：感知车道线校验模块1103，用于获取感知定位系统确定的感知车道线的至少一个置信特征信息；根据置信特征信息对感知车道线进行校验；若感知车道线未通过校验，则对感知车道线进行修复或删除。

进一步地，感知车道线校验模块1103，在根据置信特征信息对感知车道线进行校验时，具体用于对置信特征信息进行归一化处理；将归一化处理后的置信特征信息进行加权求和；将加权求和结果与预设校验阈值进行对比，根据对比结果对感知车道线进行校验。

进一步地，本实施例中的车辆定位的优化装置，还包括：高精车道线处理模块1104，用于获取高精地图车道线离散点；将高精地图车道线离散点转换到局部坐标系下；采用三次曲线拟合算法对高精地图车道线离散点进行曲线拟合，以获得局部坐标系下的高精地图车道线；对局部坐标系下的高精地图车道线进行均匀采样；将均匀采样后的局部坐标系下的高精地图车道线转换到全局坐标系下，以获得高精地图车道线。

本实施例提供的车辆定位的优化装置可以执行图2-图9所示方法实施例的技术方案，其实现原理和技术效果与图2-图9所示方法实施例类似，在此不再一一赘述。

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。

如图12所示，是根据本申请实施例的车辆定位的优化方法的电子设备的框图。电子设备旨在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12所示，该电子设备包括：一个或多个处理器1201、存储器1202，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12中以一个处理器1201为例。

存储器1202即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的车辆定位的优化方法。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辆定位的优化方法。

存储器1202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辆定位的优化方法对应的程序指令/模块(例如，附图10所示的目标定位信息获取模块1001，优化模型构建模块1002，优化定位信息确定模块1003和优化定位信息发送模块1004)。处理器1201通过运行存储在存储器1202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辆定位的优化方法。

存储器1202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图12的电子设备的使用所创建的数据等。此外，存储器1202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1202可选包括相对于处理器1201远程设置的存储器，这些远程存储器可以通过网络连接至图12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。

图12的电子设备还可以包括：输入装置1203和输出装置1204。处理器1201、存储器1202、输入装置1203和输出装置1204可以通过总线或者其他方式连接，图12中以通过总线连接为例。

输入装置1203可接收输入的语音、数字或字符信息，以及产生与图12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1204可以包括语音播放设备、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，由于在构建优化模型时，以优化后的定位信息与每种相关联的目标定位信息都很接近的策略构建的，所以求解出的优化后的定位信息能够减小每种相关联的目标定位信息的误差，使优化后的定位信息更能准确反映真实定位情况，提高了定位的精度，能够满足自动驾驶车辆的定位需求，并且根据优化后的定位信息对路径进行规划并控制车辆行驶，能够准确控制车辆沿着规划路径进行行驶。

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策略之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (20)

1.一种车辆定位的优化方法，其特征在于，所述方法应用于电子设备，所述电子设备与车辆通信连接，所述车辆搭载有融合定位系统和感知定位系统，所述融合定位系统用于确定融合车辆位姿，所述感知定位系统用于确定感知车道线，所述方法包括：

获取与优化后的定位信息相关联的目标定位信息，所述目标定位信息是通过所述电子设备和车辆搭载的至少一个定位系统确定的；

按照预设的定位接近策略构建关于所述优化后的定位信息及所述目标定位信息的优化模型；

将所述目标定位信息输入到所述优化模型中，对所述优化模型中的所述优化后的定位信息进行求解，以输出所述优化后的定位信息；

若所述优化后的定位信息通过验证,则将优化后的定位信息发送给车辆，以控制车辆根据所述优化后的定位信息进行行驶。

2.根据权利要求1所述的方法，其特征在于，所述按照预设的定位接近策略构建关于所述优化后的定位信息及所述目标定位信息的优化模型，包括：

构建所述优化后的定位信息与每个目标定位信息的关联关系模型；

根据所述关联关系模型确定对应的概率密度模型；

根据各所述概率密度模型确定联合概率密度模型；

将所述联合概率密度模型进行转化以生成所述优化模型。

3.根据权利要求1所述的方法，其特征在于，所述目标定位信息包括：融合车辆位姿、历史优化后的车辆位姿、感知车道线、高精地图车道线；

所述优化后的定位信息包括：优化后的车辆位姿和优化后的车道线。

4.根据权利要求3所述的方法，其特征在于，所述构建所述优化后的定位信息与每个目标定位信息的关联关系模型，包括：

确定每个目标定位信息与对应的优化后的定位信息之间的变换函数；

根据所述变换函数和对应的正太分布数据确定对应的关联关系模型。

5.根据权利要求4所述的方法，其特征在于，所述构建所述优化后的定位信息与每个目标定位信息的关联关系模型，包括：

构建优化后的车辆位姿与对应的融合车辆位姿间的关联关系模型，以形成第一关联关系模型；

构建优化后的车辆位姿与对应的历史优化后的车辆位姿间的关联关系模型，以形成第二关联关系模型；

构建优化后的车道线中的采样点与对应的高精地图车道线中的线段间的关联关系模型，以形成第三关联关系模型；

构建优化后的车道线中的线段与对应的感知车道线采样点间的关联关系模型，以形成第四关联关系模型。

6.根据权利要求5所述的方法，其特征在于，所述构建所述优化后的定位信息与每个目标定位信息的关联关系模型之前，还包括：

确定所述感知车道线采样点与高精地图车道线中的线段间的映射关系，以确定与优化后的车道线相关联的感知车道线采样点和高精地图车道线中的线段。

7.根据权利要求6所述的方法，其特征在于，所述确定所述感知车道线采样点与高精地图车道线中的线段间的映射关系，包括：

将所述高精地图车道线划分为至少一个高精线段；

计算感知车道线中的采样点与每个高精线段间的位置关系值；

根据所述位置关系值的范围确定与所述感知车道线中的采样点具有映射关系的高精线段。

8.根据权利要求7所述的方法，其特征在于，所述位置关系值为第一向量与第二向量间的向量位置关系值，所述第一向量为所述感知车道线中的采样点与所述高精线段的起点形成的向量，所述第二向量为所述感知车道线中的采样点与所述高精线段的终点形成的向量。

9.根据权利要求5所述的方法，其特征在于，所述构建所述优化后的定位信息与每个目标定位信息的关联关系模型之前，还包括：

确定感知车道线中每个采样点的权重；

根据所述权重，确定所述第四关联关系模型中的正太分布数据的方差。

10.根据权利要求9所述的方法，其特征在于，所述确定感知车道线中每个采样点的权重，包括：

根据所述感知车道线采样点所在车道线与主车道线间隔的车道线条数确定第一权重；

根据所述感知车道线采样点在所述感知车道线的位置确定第二权重；

将第一权重和第二权重的乘积确定为所述感知车道线采样点的权重。

11.根据权利要求2所述的方法，其特征在于，所述将所述联合概率密度模型进行转化以生成所述优化模型，包括：

提取所述联合概率密度模型中的各指数因子；

将各所述指数因子进行求和，以生成单调递增模型；

将所述单调递增模型转换为单调递减模型；

将最小化所述单调递减模型确定为所述优化模型。

12.根据权利要求3所述的方法，其特征在于，若优化后的定位信息为优化后的车道线，则所述获取与优化后的定位信息相关联的目标定位信息，包括：

获取所述感知定位系统确定的感知环境；

根据所述感知环境确定对应的匹配策略，所述对应的匹配策略为：车道中心线匹配策略或左右车道线匹配策略；

根据所述匹配策略获取与优化后的车道线相关联的感知车道线和高精地图车道线。

13.根据权利要求12所述的方法，其特征在于，若所述匹配策略为左右车道线匹配策略，则所述感知车道线为感知左右车道线，所述高精地图车道线为高精地图左右车道线，所述优化后的车道线为优化后的左右车道线；

若匹配策略为车道中心线匹配策略，则所述感知车道线为感知车道中心线，所述高精地图车道线为高精地图车道中心线，所述优化后的车道线为优化后的车道中心线。

14.根据权利要求3所述的方法，其特征在于，所述获取与优化后的定位信息相关联的目标定位信息之前，还包括：

获取所述感知定位系统确定的感知车道线的至少一个置信特征信息；

根据所述置信特征信息对所述感知车道线进行校验；

若所述感知车道线未通过校验，则对所述感知车道线进行修复或删除。

15.根据权利要求14所述的方法，其特征在于，所述根据所述置信特征信息对所述感知车道线进行校验，包括：

对所述置信特征信息进行归一化处理；

将所述归一化处理后的置信特征信息进行加权求和；

将所述加权求和结果与预设校验阈值进行对比，根据对比结果对所述感知车道线进行校验。

16.根据权利要求1所述的方法，其特征在于，所述获取与优化后的定位信息相关联的目标定位信息之前，还包括：

获取高精地图车道线离散点；

将所述高精地图车道线离散点转换到局部坐标系下；

采用三次曲线拟合算法对所述高精地图车道线离散点进行曲线拟合，以获得局部坐标系下的高精地图车道线；

对所述局部坐标系下的高精地图车道线进行均匀采样；

将均匀采样后的局部坐标系下的高精地图车道线转换到全局坐标系下，以获得所述高精地图车道线。

17.一种车辆定位的优化装置，其特征在于，所述装置位于电子设备，所述电子设备搭载在车辆上，所述车辆还搭载有融合定位系统和感知定位系统，所述融合定位系统用于确定融合车辆位姿，所述感知定位系统用于确定感知车道线，所述装置包括：

目标定位信息获取模块，用于获取与优化后的定位信息相关联的目标定位信息；

优化模型构建模块，用于按照预设的定位接近策略构建关于所述优化后的定位信息及所述目标定位信息的优化模型；

优化定位信息确定模块，用于将所述目标定位信息输入到所述优化模型中，对所述优化模型中的所述优化后的定位信息进行求解，以输出所述优化后的定位信息；

优化定位信息发送模块，用于若所述优化后的定位信息通过验证,则将优化后的定位信息发送给车辆，以控制车辆根据所述优化后的定位信息进行行驶。

18.一种电子设备，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1-16中任一项所述的方法。

19.一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1-16中任一项所述的方法。

20.一种车辆定位的优化方法，其特征在于，包括：

获取与优化后的定位信息相关联的至少一个目标定位信息；

根据所述目标定位信息和优化模型确定优化后的定位信息；

若所述优化后的定位信息通过验证,则根据优化后的定位信息控制车辆行驶。