CN110795523A - 车辆定位方法、装置以及智能车辆 - Google Patents
车辆定位方法、装置以及智能车辆 Download PDFInfo
- Publication number
- CN110795523A CN110795523A CN202010010610.5A CN202010010610A CN110795523A CN 110795523 A CN110795523 A CN 110795523A CN 202010010610 A CN202010010610 A CN 202010010610A CN 110795523 A CN110795523 A CN 110795523A
- Authority
- CN
- China
- Prior art keywords
- target
- point cloud
- data
- vehicle
- map
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000003068 static effect Effects 0.000 claims abstract description 75
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000006854 communication Effects 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种车辆定位方法、装置以及智能车辆，其中，车辆定位方法包括：接收感知设备上报的目标车辆在目标区域中行驶时对应的实时点云数据；对所述实时点云数据进行数据分割，得到所述目标区域对应的静态环境数据以及所述目标车辆对应的目标运动数据；从本地数据库中获取所述目标区域对应的初始图像数据，所述初始图像数据包括多个子图像数据；根据子图像数据之间的关联关系，构建所述目标区域对应的参考点云地图；基于所述静态环境数据以及目标运动数据，确定所述目标车辆在所述参考点云地图上的位置，因此，可以提高车辆定位的准确性。
Description
技术领域
本发明涉及无人驾驶技术领域，具体涉及一种车辆定位方法、装置以及智能车辆。
背景技术
定位技术是无人车自动驾驶系统的核心技术之一，定位输出是无人驾驶系统中感知、路径规划等操作的关键输入。定位技术，需要具有高精度、高可靠性、高可用性和连续性强等性能，才能满足无人车应用场景的需求。
现有的定位方式通常使用单一的技术进行定位，然而，在一些特殊的场景下，如含有车辆、行人以及障碍物等多种动态目标的环境下，使用单一的技术定位精确度较低，无法满足无人驾驶以及其他需要精确定位的领域的需要。
发明内容
本发明实施例提供一种车辆定位方法、装置以及智能车辆，可以提高车辆定位的准确性。
本发明实施例提供了一种车辆定位方法，包括：
接收感知设备上报的目标车辆在目标区域中行驶时对应的实时点云数据；
对所述实时点云数据进行数据分割，得到所述目标区域对应的静态环境数据以及所述目标车辆对应的目标运动数据；
从本地数据库中获取所述目标区域对应的初始图像数据，所述初始图像数据包括多个子图像数据；
根据子图像数据之间的关联关系，构建所述目标区域对应的参考点云地图；
基于所述静态环境数据以及目标运动数据，确定所述目标车辆在所述参考点云地图上的位置。
相应的，本发明实施例还提供了一种车辆定位装置，包括：
接收模块，用于接收感知设备上报的目标车辆在目标区域中行驶时对应的实时点云数据；
分割模块，用于对所述实时点云数据进行数据分割，得到所述目标区域对应的静态环境数据以及所述目标车辆对应的目标运动数据；
获取模块，用于从本地数据库中获取所述目标区域对应的初始图像数据，所述初始图像数据包括多个子图像数据；
构建模块，用于根据子图像数据之间的关联关系，构建所述目标区域对应的参考点云地图；
确定模块，用于基于所述静态环境数据以及目标运动数据，确定所述目标车辆在所述参考点云地图上的位置。
可选的，在本发明的一些实施例中，所述确定模块包括：
第一构建单元，用于构建所述静态环境数据对应的实时地图块；
第一获取单元，用于获取所述目标车辆对应的惯性信息；
第二构建单元，用于基于所述参考点云地图以及惯性信息，构建所述目标区域对应的参考地图块；
确定单元，用于根据所述实时地图块、参考地图块以及惯性信息，确定所述目标车辆在所述参考点云地图上的位置。
可选的，在本发明的一些实施例中，所述确定单元包括：
匹配子单元，用于对所述实时地图块以及参考地图块进行图像匹配；
确定子单元，用于基于匹配结果以及惯性信息，确定所述目标车辆在所述参考点云地图上的位置。
可选的，在本发明的一些实施例中，所述匹配子单元具体用于：
提取所述实时地图块中的每个像素点，得到多个目标像素点，以及；
提取所述参考地图块中的每个像素点，得到多个参考像素点；
计算目标像素点与各参考像素点之间的距离；
当距离满足预设条件时，将满足条件的参考像素点确定为目标像素点的匹配像素点；
构建多个匹配像素点对应的匹配地图块；
所述确定子单元具体用于：基于匹配地图块以及惯性信息，确定所述目标车辆在所述匹配地图块上的位置。
可选的，在本发明的一些实施例中，还包括绘制模块，所述绘制模块用于：基于多个运动点，在所述匹配地图块上绘制所述目标车辆对应的行驶轨迹。
可选的，在本发明的一些实施例中，所述分割模块具体用于：
获取预设神经网络模型；
通过预设神经网络模型对目标区域中的动态目标进行识别，得到所述动态目标对应的动态目标数据；
获取所述目标车辆的惯性信息；
基于所述惯性信息，从所述动态目标数据中确定所述目标车辆对应的目标运动数据；
在所述实时点云数据去除所述动态目标数据，得到所述目标区域对应的静态环境数据。
可选的，在本发明的一些实施例中，所述构建模块包括：
接收单元，用于接收惯性检测单元上报的所述目标车辆对应的惯性信息；
提取单元，用于从所述实时点云数据中提取所述目标车辆对应的第一位置信息；
第二获取单元，用于获取所述惯性检测单元与感知设备之间的相对位置关系；
第三获取单元，用于基于所述惯性信息、位置信息以及相对位置关系，获取每个子图像数据对应的第二位置信息；
拼接单元，用于通过所述第二位置信息，对多个子图像数据进行拼接，得到所述目标区域对应的参考点云地图。
可选的，在本发明的一些实施例中，所述拼接单元具体用于：
对每个子图像数据进行正态变换处理，得到处理后的子图像数据；
计算相邻的处理后的子图像数据之间的转移矩阵；
基于所述第二位置信息、转移矩阵以及处理后的子图像数据，构建所述目标区域对应的参考点云地图。
可选的，在本发明的一些实施例中，还包括采样模块，所述采样模块用于对所述参考点云地图进行降采样处理，得到降采样后的参考点云地图；
所述确定模块具体用于：基于所述静态环境数据以及目标运动数据，确定所述目标车辆在降采样后的参考点云地图上的位置。
本发明实施例首先接收感知设备上报的目标车辆在目标区域中行驶时对应的实时点云数据，然后，对所述实时点云数据进行数据分割，得到所述目标区域对应的静态环境数据以及所述目标车辆对应的目标运动数据，接着，从本地数据库中获取所述目标区域对应的初始图像数据，所述初始图像数据包括多个子图像数据，再然后，根据子图像数据之间的关联关系，构建所述目标区域对应的参考点云地图，最后，基于所述静态环境数据以及目标运动数据，确定所述目标车辆在所述参考点云地图上的位置，因此，可以提高车辆定位的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1a是本发明实施例提供的车辆定位方法的第一种实施方式的场景示意图；
图1b是本发明实施例提供的车辆定位方法的第一种实施方式的流程示意图；
图1c是本发明实施例提供的全连接神经网络的结构示意图；
图1d是本发明实施例提供的车辆定位方法的第二种实施方式的场景示意图；
图2a是本发明实施例提供的车辆定位方法的第二种实施方式的流程示意图；
图2b是本发明实施例提供的车辆定位方法的第三种实施方式的流程示意图；
图2c是本发明实施例提供的车辆定位方法的第三种实施方式的场景示意图；
图3a是本发明实施例提供的车辆定位装置的第一种实施方式的示意图；
图3b是本发明实施例提供的车辆定位装置的第二种实施方式的结构示意图；
图3c是本发明实施例提供的车辆定位装置的第三种实施方式的结构示意图；
图4是本发明实施例提供的终端的结构示意图；
图5是本发明实施例提供的智能车辆的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种车辆定位方法以及装置。
其中，车辆定位装置（以下简称定位装置）可以集成在终端中，终端可以包括手机、个人计算机以及智能车辆中，智能车辆是一个集环境感知、规划决策以及多等级辅助驾驶等功能于一体的综合系统，它集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术，是典型的高新技术综合体。目前对智能车辆的研究主要致力于提高汽车的安全性、舒适性，以及提供优良的人车交互界面，该智能车辆可以是无人驾驶汽车，无人驾驶汽车是智能汽车的一种，也称为轮式移动机器人，主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶的目的，所谓无人驾驶，可以通过利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和车辆的速度，从而使车辆能够安全、可靠地在道路上行驶。
请参阅图1a，以定位装置集成在手机为例，用户可以通过该定位装置确定无人驾驶车辆的位置，其中，该无人驾驶汽车包括感知设备以及惯性检测单元，该无人驾驶汽车可以通过感知设备采集无人驾驶汽车在行驶过程中对应的数据，即实时点云数据，该实时点云数据可以包括目标车辆对应的目标运动数据以及目标区域对应的静态环境数据等等，当然，实时点云数据还可以包括在目标区域中运动的动态目标，如人、车以及物等等，具体的，手机可以接收感知设备上报的无人驾驶汽车在目标区域中行驶时对应的实时点云数据，然后，手机可以对实时点云数据进行数据分割，得到目标区域对应的静态环境数据以及无人驾驶汽车对应的目标运动数据，接着，手机可以基于从本地数据库中获取目标区域对应的初始图像数据，该初始图像数据可以包括多个子图像数据，然后，手机根据子图像数据之间的关联关系，构建目标区域对应的参考点云地图，最后，手机可以基于静态环境数据以及目标运动数据，确定该无人驾驶车辆在参考点云地图上的位置。
以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优先顺序的限定。
一种车辆定位方法，包括：接收感知设备上报的目标车辆在目标区域中行驶时对应的实时点云数据，对实时点云数据进行数据分割，得到目标区域对应的静态环境数据以及目标车辆对应的目标运动数据，从本地数据库中获取目标区域对应的初始图像数据，初始图像数据包括多个子图像数据，根据子图像数据之间的关联关系，构建目标区域对应的参考点云地图，基于静态环境数据以及目标运动数据，确定目标车辆在参考点云地图上的位置。
请参阅图1b，图1b为本发明实施例提供的车辆定位方法的流程示意图。该车辆定位方法的具体流程可以如下：
101、接收感知设备上报的目标车辆在目标区域中行驶时对应的实时点云数据。
其中，该感知设备可以是雷达接收装置，通过雷达接收装置可以采集目标车辆在行驶过程中，与激光雷达的相对位置数据，其中，当目标车辆在目标区域中行驶时，激光雷达可以通过一束激光照射到目标车辆的表面时，目标车辆的表面反射的激光会携带方位以及距离等信息，若将激光束按照某种轨迹进行扫描，便会边扫描边记录到反射的激光点信息，因此能够得到大量的激光点，从而形成实时点云数据。
102、对实时点云数据进行数据分割，得到目标区域对应的静态环境数据以及目标车辆对应的目标运动数据。
由于实时点云数据包括目标区域中的动态目标对应的运动数据，比如目标车辆对应的目标运动数据、目标区域中行人的运动数据以及目标区域中非目标车辆的运动数据，在本发明实施例中，非目标车辆指的是除目标车辆之外的其他车辆，实时点云数据还包括目标区域的静态环境数据，在对目标车辆的定位过程中，目标区域中行人的运动数据和目标区域中非目标车辆的运动数据会影响到定位的准确性，因此，需要对实时点云数据进行数据分割，从而得到目标区域对应的静态环境数据以及目标车辆对应的目标运动数据。
可选的，在一些实施例中，可以通过预设神经网络模型对实时点云数据进行数据分割，即，步骤“对实时点云数据进行数据分割，得到目标区域对应的静态环境数据以及目标车辆对应的目标运动数据”，具体可以包括：
（11）获取预设神经网络模型；
（12）通过预设神经网络模型对目标区域中的动态目标进行识别，得到动态目标对应的动态目标数据；
（13）获取目标车辆的惯性信息；
（14）基于惯性信息，从动态目标数据中确定目标车辆对应的目标运动数据；
（15）在实时点云数据中去除动态目标数据，得到目标区域对应的静态环境数据。
例如，具体的，可以基于预设神经网络模型对目标区域中的动态目标如人、车以及物进行识别，得到动态目标对应的动态目标数据，然后，可以基于目标车辆的惯性信息，从动态目标数据中确定目标车辆对应的目标运动数据，该惯性信息可以是由设置在目标车辆的惯性检测单元（Inertial Measurement Unit，IMU）检测到的，IMU可以用于测量物体三轴姿态角（角速率）以及加速度，通常一个IMU可以包括三个单轴的加速度计和三个单轴的陀螺，加速度计可以用于检测物体在载体坐标系统独立三轴的加速度信号，而陀螺可以用于检测载体相对于导航坐标系的角速度信号，也就是说，惯性信息可以包括目标车辆的角速度信息以及目标车辆的加速度信息，最后，在实时点云数据去除动态目标数据，得到目标区域对应的静态环境数据。
需要说明的是，该神经网络模型可以是预先设置的，具体的，可以预先获取样本目标集，该样本目标集包括多个标注了属性信息的动态目标以及多个标书了属性信息的静态目标，然后，获取基础网络模型，通过该基础网络模型对样本目标集中的样本目标的属性信息进行预测，得到样本目标对应的预测属性信息，比如，首先确定当前处理的样本目标，得到当前处理对象，然后，通过该基础网络模型当前处理对象的属性的属性信息进行预测，得到当前处理对象对应的预测属性信息，接着，根据当前处理对象的真实属性信息以及当前处理对象的预测属性信息，对该基础网络模型进行收敛，得到神经网络模型。
请参阅图1c，该神经网络模型可以是全连接神经网络（Deep Neural Network，DNN），DNN可以理解为有很多隐藏层的神经网络，因此，也叫做多层感知机（Multi-Layerperceptron，MLP），DNN按不同层的位置划分，DNN内部的神经网络层可以分为三类，输入层，隐藏层和输出层，如图所示，X1、X2和X3均为输入数据，A1、A2和A3均为隐藏层中的数据，H为最终的输出，其中，输入层的数据到隐藏层需要一个激活函数，该激活函数可以是sigmoid（S型函数），其可以用于隐层神经元输出，可以将一个实数映射到（0，1）的区间，通常用来做二分类。反向传播算法是训练神经网络的核心算法，它可以根据定义好的损失函数优化神经网络的参数值，使神经网络模型的损失函数达到一个较小的值，损失函数可以是交叉熵，交叉熵可以用来衡量两个概率分布之间的距离，是分类问题中使用比较多的一种损失函数。
103、从本地数据库中获取目标区域对应的初始图像数据。
其中，该初始图像数据包括多个子图像数据，具体可以从本地数据库中获取目标区域对应的初始图像数据。
104、根据子图像数据之间的关联关系，构建目标区域对应的参考点云地图。
比如，具体的，可以根据子图像数据之间的关联关系、惯性检测单元上报的目标车辆对应的惯性信息以及目标车辆对应的目标运动数据，构建目标区域对应的参考点云地图，即，可选的，在一些实施例中，步骤“根据子图像数据之间的关联关系，构建目标区域对应的参考点云地图”，具体可以包括：
（21）接收惯性检测单元上报的目标车辆对应的惯性信息；
（22）从实时点云数据中提取目标车辆对应的第一位置信息；
（23）获取惯性检测单元与感知设备之间的相对位置关系；
（24）基于惯性信息、第一位置信息以及相对位置关系，获取每个子图像数据对应的第二位置信息；
（25）通过第二位置信息对多个子图像数据进行拼接，得到目标区域对应的参考点云地图。
例如，具体的，基于目标车辆对应的惯性信息、目标车辆对应的第一位置信息以及惯性检测单元与感知设备之间的相对位置关系，获取每个子图像数据对应的第二位置信息，这里的第二位置信息可以认为是子图像数据对应的绝对位置信息，绝对位置信息可以包括该子图像数据所描绘的区域与地理现象的空间关系如经纬度以及海拔高度等等，然后，再基于该第二位置信息对多个子图像数据进行拼接，得到目标区域对应的参考点云地图。
需要说明的是，根据第二位置信息对多个子图像数据进行拼接，拼接出来的地图可能会存在拼接接缝，因此，在拼接时，还可以对每个子图像数据进行正态变换处理，通过第二位置信息以及处理后的子图像数据，构建目标区域对应的参考点云地图，即，在一些实施例中，步骤“通过第二位置信息对多个子图像数据进行拼接，得到目标区域对应的参考点云地图”，具体可以包括：
（31）对每个子图像数据进行正态变换处理，得到处理后的子图像数据；
（32）计算相邻的处理后的子图像数据之间的转移矩阵；
（33）基于第二位置信息、转移矩阵以及处理后的子图像数据，构建所述目标区域对应的参考点云地图。
例如，具体的，首先可以每个子图像数据进行正态变换处理，得到处理后的子图像数据，然后，可以计算相邻的处理后的子图像数据之间的转移矩阵，其中，可以基于相邻的处理后的子图像数据中每个图像点之间欧式距离，计算相邻的处理后的子图像数据之间的转移矩阵，比如，计算处理后的子图像数据D1中每个图像点d1与相邻的处理后子图像数据D2中每个图像点d2之间欧式距离，将图像点d2与图像点d1之间的欧式距离最小的图像点d2确定为匹配图像点，将匹配图像点与图像点d1之间的欧式距离确定为匹配距离，然后，计算所有匹配距离的平方和，并根据该平方和计算相邻的处理后的子图像数据之间的转移矩阵。当确定相邻的处理后的子图像数据之间的转移矩阵后，可以基于第二位置信息、转移矩阵以及处理后的子图像数据，构建目标区域对应的参考点云地图。
由于参考点云地图可能会存在数据量过大的问题，因此，可以对参考点云地图进行降采样的处理，即，在一些实施例中，步骤“基于第二位置信息、转移矩阵以及处理后的子图像数据，构建目标区域对应的参考点云地图”之后，具体还可以包括：对参考点云地图进行降采样处理，得到降采样后的参考点云地图；
步骤“基于静态环境数据以及目标运动数据，确定目标车辆在参考点云地图上的位置”，具体可以包括：基于静态环境数据以及目标运动数据，确定目标车辆在降采样后的参考点云地图上的位置。
对参考点云地图进行降采样的处理，可以减少参考点云地图中一些不必要的数据，同时，还可以基于目标区域对应的道路高程以及道路坡度等相关信息，通过数学形态学的方法对参考点云地图中的动态目标进行滤除，该方法可有效降低参考点云地图的数据量，从而车辆定位的效率。
105、基于静态环境数据以及目标运动数据，确定目标车辆在参考点云地图上的位置。
具体的，可以将静态环境数据以及目标运动数据进行融合，然后，再将融合后数据与参考点云地图进行匹配，从而确定目标车辆在参考点云地图上的位置，可选的，在一些实施例中，步骤“基于静态环境数据以及目标运动数据，确定目标车辆在参考点云地图上的位置”，具体可以包括：
（41）构建静态环境数据对应的实时地图块；
（42）获取目标车辆对应的惯性信息；
（43）基于参考点云地图以及惯性信息，构建目标区域对应的参考地图块；
（44）根据实时地图块、参考地图块以及惯性信息，确定目标车辆在参考点云地图上的位置。
例如，具体的，可以构建静态环境数据对应的实时地图块，然后，基于目标车辆对应的惯性信息以及参考点云地图，构建目标区域对应的参考地图块，然后，对实时地图块以及参考地图块进行图像匹配，并基于匹配结果以及惯性信息，确定目标车辆在参考点云地图上的位置，即，在一些实施例中，步骤“根据实时地图块、参考地图块以及惯性信息，确定目标车辆在参考点云地图上的位置”，具体可以包括：
（51）对实时地图块以及参考地图块进行图像匹配；
（52）基于匹配结果以及惯性信息，确定目标车辆在参考点云地图上的位置。
步骤“基于匹配结果以及惯性信息，确定目标车辆在参考点云地图上的位置”，具体可以包括：基于匹配地图块以及惯性信息，确定目标车辆在匹配地图块上的位置，如图1d所示。
具体的，可以计算实时地图块中的每个像素点与参考地图块中的每个像素点之间的距离如欧式距离，当该距离满足预设条件时，将满足条件的参考像素点确定为目标像素点的匹配像素点，接着，构建多个匹配像素点对应的匹配地图块，其中，该预设条件可以为该距离小于某一预设阈值，也可以是在每个目标像素点与多个参考像素点之间距离，选取最小的距离，具体根据实际情况进行设置，比如，可以计算一个目标像素点与多个参考像素点之间的欧氏距离，选取最小的欧氏距离作为目标欧式距离，然后，计算每个目标像素点对应的目标欧式距离的平方和作为目标函数，具体方法可以参考前面实施例，在此不再赘述。最后，可以采用预设算法如列文伯格-马夸尔特（Levenberg-Marquard，LM）算法求解目标函数，从而计算出目标车辆当前的位置。
惯性信息可以包括目标车辆在行驶过程中对应的多个运动点，可以根据上述方法确定每个运动点在参考点云地图上的位置，并基于这些位置构建该目标车辆在参考点云地图上的行驶轨迹，即，在一些实施例中，具体还可以包括：基于多个运动点，在匹配地图块上绘制目标车辆对应的行驶轨迹。
本发明实施例首先接收感知设备上报的目标车辆在目标区域中行驶时对应的实时点云数据，然后，对实时点云数据进行数据分割，得到目标区域对应的静态环境数据以及目标车辆对应的目标运动数据，接着，从本地数据库中获取目标区域对应的初始图像数据，初始图像数据包括多个子图像数据，再然后，根据子图像数据之间的关联关系，构建目标区域对应的参考点云地图，最后，基于静态环境数据以及目标运动数据，确定目标车辆在参考点云地图上的位置。相较于现有的车辆定位方案而言，本发明的车辆定位方法对实时点云数据进行数据分割，得到目标区域对应的静态环境数据以及目标车辆对应的目标运动数据，并通过初始图像数据构建目标区域对应的参考点云地图，最后，根据静态环境数据以及目标运动数据，确定目标车辆在参考点云地图上的位置，避免目标区域中其他动态目标对目标车辆的定位造成影响，从而提高了车辆定位的准确性。
根据实施例所述的方法，以下将举例进一步详细说明。
在本实施例中将以车辆定位装置具体集成在终端中为例进行说明。
请参阅图2a，一种车辆定位方法，具体流程可以如下：
201、终端接收感知设备上报的目标车辆在目标区域中行驶时对应的实时点云数据。
其中，该感知设备可以是雷达接收装置，终端通过雷达接收装置可以采集目标车辆在行驶过程中，与激光雷达的相对位置数据，其中，当目标车辆在目标区域中行驶时，激光雷达可以通过一束激光照射到目标车辆的表面时，目标车辆的表面反射的激光会携带方位以及距离等信息，若将激光束按照某种轨迹进行扫描，便会边扫描边记录到反射的激光点信息，因此能够得到大量的激光点，从而形成实时点云数据。
202、终端对实时点云数据进行数据分割，得到目标区域对应的静态环境数据以及目标车辆对应的目标运动数据。
由于实时点云数据包括目标区域中的动态目标对应的运动数据，比如目标车辆对应的目标运动数据、目标区域中行人的运动数据以及目标区域中非目标车辆的运动数据，在本发明实施例中，非目标车辆指的是除目标车辆之外的其他车辆，实时点云数据还包括目标区域的静态环境数据，在对目标车辆的定位过程中，目标区域中行人的运动数据和目标区域中非目标车辆的运动数据会影响到定位的准确性，因此，终端需要对实时点云数据进行数据分割，从而得到目标区域对应的静态环境数据以及目标车辆对应的目标运动数据。
可选的，在一些实施例中，终端可以获取预设神经网络模型，然后，终端通过预设神经网络模型对目标区域中的动态目标进行识别，得到动态目标对应的动态目标数据，并且，终端还可以获取目标车辆的惯性信息，接着，终端可以基于惯性信息，从动态目标数据中确定目标车辆对应的目标运动数据，最后，终端可以在实时点云数据中去除动态目标数据，得到目标区域对应的静态环境数据。
需要说明的是，该神经网络模型可以终端是预先设置的，具体的，终端可以预先获取样本目标集，该样本目标集包括多个标注了属性信息的动态目标以及多个标书了属性信息的静态目标，然后，终端获取基础网络模型，通过该基础网络模型对样本目标集中的样本目标的属性信息进行预测，得到样本目标对应的预测属性信息，比如，终端首先确定当前处理的样本目标，得到当前处理对象，然后，终端通过该基础网络模型当前处理对象的属性的属性信息进行预测，得到当前处理对象对应的预测属性信息，接着，终端根据当前处理对象的真实属性信息以及当前处理对象的预测属性信息，对该基础网络模型进行收敛，得到神经网络模型。
203、终端从本地数据库中获取目标区域对应的初始图像数据。
其中，该初始图像数据包括多个子图像数据，终端具体可以从本地数据库中获取目标区域对应的初始图像数据。
204、终端根据子图像数据之间的关联关系，构建目标区域对应的参考点云地图。
比如，终端可以根据子图像数据之间的关联关系、惯性检测单元上报的目标车辆对应的惯性信息以及目标车辆对应的目标运动数据，构建目标区域对应的参考点云地图。
可选的，在一些实施例中，终端可以基于目标车辆对应的惯性信息、目标车辆对应的第一位置信息以及惯性检测单元与感知设备之间的相对位置关系，获取每个子图像数据对应的第二位置信息，然后，终端再基于该第二位置信息对多个子图像数据进行拼接，得到目标区域对应的参考点云地图；
由于参考点云地图可能会存在数据量过大的问题，因此，终端可以对参考点云地图进行降采样的处理，对参考点云地图进行降采样的处理，可以减少参考点云地图中一些不必要的数据，同时，终端还可以基于目标区域对应的道路高程以及道路坡度等相关信息，通过数学形态学的方法对参考点云地图中的动态目标进行滤除，该方法可有效降低参考点云地图的数据量，从而车辆定位的效率
205、终端基于静态环境数据以及目标运动数据，确定目标车辆在参考点云地图上的位置。
具体的，终端可以将静态环境数据以及目标运动数据进行融合，然后，再将融合后数据与参考点云地图进行匹配，从而确定目标车辆在参考点云地图上的位置。
可选的，在一些实施例中，终端可以构建静态环境数据对应的实时地图块，然后，基于目标车辆对应的惯性信息以及参考点云地图，构建目标区域对应的参考地图块，然后，对实时地图块以及参考地图块进行图像匹配，并基于匹配结果以及惯性信息，确定目标车辆在参考点云地图上的位置。
进一步的，终端可以计算实时地图块中的每个像素点与参考地图块中的每个像素点之间的距离如欧式距离，当该距离满足预设条件时，将满足条件的参考像素点确定为目标像素点的匹配像素点，接着，构建多个匹配像素点对应的匹配地图块，其中，该预设条件，具体根据实际情况进行设置，比如，可以计算一个目标像素点与多个参考像素点之间的欧氏距离，选取最小的欧氏距离作为目标欧式距离，然后，计算每个目标像素点对应的目标欧式距离的平方和作为目标函数，具体方法可以参考前面实施例，在此不再赘述。最后，可以采用预设算法如列文伯格-马夸尔特（Levenberg-Marquard，LM）算法求解目标函数，从而计算出目标车辆当前的位置
由上可知，本发明实施例的终端首先接收感知设备上报的目标车辆在目标区域中行驶时对应的实时点云数据，然后，终端对实时点云数据进行数据分割，得到目标区域对应的静态环境数据以及目标车辆对应的目标运动数据，接着，从本地数据库中获取目标区域对应的初始图像数据，初始图像数据包括多个子图像数据，再然后，根据子图像数据之间的关联关系，构建目标区域对应的参考点云地图，最后，基于静态环境数据以及目标运动数据，确定目标车辆在参考点云地图上的位置。相较于现有的车辆定位方案而言，本发明的终端对实时点云数据进行数据分割，得到目标区域对应的静态环境数据以及目标车辆对应的目标运动数据，并通过初始图像数据构建目标区域对应的参考点云地图，最后，终端根据静态环境数据以及目标运动数据，确定目标车辆在参考点云地图上的位置，避免目标区域中其他动态目标对目标车辆的定位造成影响，从而提高了车辆定位的准确性。
为了便于对本发明实施例提供的车辆定位方法的理解，请参阅图2b以及图2c，目标车辆为智能车辆，且目标车辆是用于运送货物的，车辆定位装置可以集成在用户的手机上，手机首先接收感知设备上报的目标车辆在目标区域中行驶时对应的实时点云数据，然后，手机基于深度神经网络，对实时点云数据进行数据分割，得到目标区域对应的静态环境数据以及目标车辆对应的目标运动数据；同时，手机从本地数据库中获取目标区域对应的初始图像数据，该初始图像数据可以包括多个子图像数据，然后，手机可以基于目标车辆的惯性信息，通过数学形态学的滤波方法，滤除初始图像数据上的动态目标，如人、非目标车辆以及障碍物等，从而构建目标区域对应的参考点云地图，接着，手机还可以对参考点云地图进行降采样的处理，可以减少参考点云地图中一些不必要的数据，最后，手机可以基于静态环境数据以及目标运动数据，确定目标车辆在降采样后的参考点云地图上的位置。
为便于更好的实施本发明实施例的车辆定位方法，本发明实施例还提供一种基于上述车辆定位装置（简称定位装置）。其中名词的含义与上述车辆定位方法中相同，具体实现细节可以参考方法实施例中的说明。
请参阅图3a，图3a为本发明实施例提供的车辆定位装置的结构示意图，其中该定位装置可以包括接收模块301、分割模块302、获取模块303、构建模块304以及确定模块305，具体可以如下：
接收模块301，用于接收感知设备上报的目标车辆在目标区域中行驶时对应的实时点云数据。
分割模块302，用于对实时点云数据进行数据分割，得到目标区域对应的静态环境数据以及目标车辆对应的目标运动数据。
可选的，在一些实施例中，分割模块302具体用于：获取预设神经网络模型，通过预设神经网络模型对目标区域中的动态目标进行识别，得到动态目标对应的动态目标数据，获取目标车辆的惯性信息，基于惯性信息，从动态目标数据中确定目标车辆对应的目标运动数据，在实时点云数据中去除动态目标数据，得到目标区域对应的静态环境数据。
获取模块303，用于从本地数据库中获取目标区域对应的初始图像数据。
其中，初始图像数据包括多个子图像数据，获取模块303具体可以从本地数据库中获取目标区域对应的初始图像数据。
构建模块304，用于根据子图像数据之间的关联关系，构建目标区域对应的参考点云地图。
可选的，在一些实施例中，构建模块304具体可以包括：
接收单元，用于接收惯性检测单元上报的目标车辆对应的惯性信息；
提取单元，用于从实时点云数据中提取目标车辆对应的第一位置信息；
第二获取单元，用于获取惯性检测单元与感知设备之间的相对位置关系；
第三获取单元，用于基于惯性信息、位置信息以及相对位置关系，获取每个子图像数据对应的第二位置信息；
拼接单元，用于通过第二位置信息对多个子图像数据进行拼接，得到目标区域对应的参考点云地图。
可选的，在一些实施例中，拼接单元具体可以用于：对每个子图像数据进行正态变换处理，得到处理后的子图像数据，计算相邻的处理后的子图像数据之间的转移矩阵，基于第二位置信息、转移矩阵以及处理后的子图像数据，构建目标区域对应的参考点云地图。
可选的，在一些实施例中，请参阅图3b，定位装置还可以包括采样模块306，采样模块306用于对参考点云地图进行降采样处理，得到降采样后的参考点云地图。
确定模块305，用于基于静态环境数据以及目标运动数据，确定目标车辆在参考点云地图上的位置。
可选的，在一些实施例中，确定模块305具体可以用于：基于静态环境数据以及目标运动数据，确定目标车辆在降采样后的参考点云地图上的位置。
可选的，在本发明的一些实施例中，确定模块305包括：
第一构建单元，用于构建静态环境数据对应的实时地图块；
第一获取单元，用于获取目标车辆对应的惯性信息；
第二构建单元，用于基于参考点云地图以及惯性信息，构建目标区域对应的参考地图块；
确定单元，用于根据实时地图块、参考地图块以及惯性信息，确定目标车辆在所述参考点云地图上的位置。
可选的，在一些实施例中，确定单元包括：
匹配子单元，用于对实时地图块以及参考地图块进行图像匹配；
确定子单元，用于基于匹配结果以及惯性信息，确定目标车辆在所述参考点云地图上的位置。
可选的，在一些实施例中，匹配子单元具体用于：提取实时地图块中的每个像素点，得到多个目标像素点，以及提取参考地图块中的每个像素点，得到多个参考像素点，计算目标像素点与各参考像素点之间的距离，当距离满足预设条件时，将满足条件的参考像素点确定为目标像素点的匹配像素点，构建多个匹配像素点对应的匹配地图块；
确定子单元具体可以用于：基于匹配地图块以及惯性信息，确定目标车辆在匹配地图块上的位置。
可选的，在一些实施例中，请参阅图3c，定位装置还可以包括绘制模块307，绘制模块307用于：基于多个运动点，在匹配地图块上绘制目标车辆对应的行驶轨迹。
可见，本发明实施例的车辆定位装置中的接收模块301首先接收感知设备上报的目标车辆在目标区域中行驶时对应的实时点云数据，然后，分割模块302对实时点云数据进行数据分割，得到目标区域对应的静态环境数据以及目标车辆对应的目标运动数据，接着，获取模块303从本地数据库中获取目标区域对应的初始图像数据，初始图像数据包括多个子图像数据，再然后，构建模块304根据子图像数据之间的关联关系，构建目标区域对应的参考点云地图，最后，确定模块305基于静态环境数据以及目标运动数据，确定目标车辆在参考点云地图上的位置。相较于现有的车辆定位方案而言，本发明的分割模块302对实时点云数据进行数据分割，得到目标区域对应的静态环境数据以及目标车辆对应的目标运动数据，构建模块304通过初始图像数据构建目标区域对应的参考点云地图，最后，确定模块305根据静态环境数据以及目标运动数据，确定目标车辆在参考点云地图上的位置，避免目标区域中其他动态目标对目标车辆的定位造成影响，从而提高了车辆定位的准确性。
相应的，本发明实施例还提供一种终端，如图4所示，该终端可以包括射频（RF，Radio Frequency）电路401、包括有一个或一个以上计算机可读存储介质的存储器402、输入单元403、显示单元404、传感器405、音频电路406、无线保真（WiFi，Wireless Fidelity)模块407、包括有一个或者一个以上处理核心的处理器408、以及电源409等部件。本领域技术人员可以理解，图4中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
RF电路401可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器408处理；另外，将涉及上行的数据发送给基站。通常，RF电路401包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块（SIM， Subscriber Identity Module）卡、收发信机、耦合器、低噪声放大器（LNA，Low Noise Amplifier）、双工器等。此外，RF电路401还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统（GSM，Global System of Mobile communication）、通用分组无线服务（GPRS ，GeneralPacket Radio Service）、码分多址（CDMA，Code Division Multiple Access）、宽带码分多址（WCDMA，Wideband Code Division Multiple Access）、长期演进（LTE，Long TermEvolution)、电子邮件、短消息服务（SMS，Short Messaging Service)等。
存储器402可用于存储软件程序以及模块，处理器408通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要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、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据终端的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器408和输入单元403对存储器402的访问。
输入单元403可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，在一个具体的实施例中，输入单元403可包括触敏表面以及其他输入设备。触敏表面，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作），并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器408，并能接收处理器408发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元403还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元404可用于显示由用户输入的信息或提供给用户的信息以及终端的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元404可包括显示面板，可选的，可以采用液晶显示器（LCD，Liquid Crystal Display）、有机发光二极管（OLED，Organic Light-Emitting Diode）等形式来配置显示面板。进一步的，触敏表面可覆盖显示面板，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器408以确定触摸事件的类型，随后处理器408根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图4中，触敏表面与显示面板是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面与显示面板集成而实现输入和输出功能。
终端还可包括至少一种传感器405，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板的亮度，接近传感器可在终端移动到耳边时，关闭显示面板和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上（一般为三轴）加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用（比如横竖屏切换、相关游戏、磁力计姿态校准）、振动识别相关功能（比如计步器、敲击）等; 至于终端还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路406、扬声器，传声器可提供用户与终端之间的音频接口。音频电路406可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路406接收后转换为音频数据，再将音频数据输出处理器408处理后，经RF电路401以发送给比如另一终端，或者将音频数据输出至存储器402以便进一步处理。音频电路406还可能包括耳塞插孔，以提供外设耳机与终端的通信。
WiFi属于短距离无线传输技术，终端通过WiFi模块407可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图4示出了WiFi模块407，但是可以理解的是，其并不属于终端的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器408是终端的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行终端的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器408可包括一个或多个处理核心；优选的，处理器408可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器408中。
终端还包括给各个部件供电的电源409（比如电池），优选的，电源可以通过电源管理系统与处理器408逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源409还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出，终端还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，终端中的处理器408会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器408来运行存储在存储器402中的应用程序，从而实现各种功能：
接收感知设备上报的目标车辆在目标区域中行驶时对应的实时点云数据，对实时点云数据进行数据分割，得到目标区域对应的静态环境数据以及目标车辆对应的目标运动数据，从本地数据库中获取目标区域对应的初始图像数据，初始图像数据包括多个子图像数据，根据子图像数据之间的关联关系，构建目标区域对应的参考点云地图，基于静态环境数据以及目标运动数据，确定目标车辆在参考点云地图上的位置。
本发明实施例首先接收感知设备上报的目标车辆在目标区域中行驶时对应的实时点云数据，然后，对实时点云数据进行数据分割，得到目标区域对应的静态环境数据以及目标车辆对应的目标运动数据，接着，从本地数据库中获取目标区域对应的初始图像数据，初始图像数据包括多个子图像数据，再然后，根据子图像数据之间的关联关系，构建目标区域对应的参考点云地图，最后，基于静态环境数据以及目标运动数据，确定目标车辆在参考点云地图上的位置。相较于现有的车辆定位方案而言，本发明的车辆定位方法对实时点云数据进行数据分割，得到目标区域对应的静态环境数据以及目标车辆对应的目标运动数据，并通过初始图像数据构建目标区域对应的参考点云地图，最后，根据静态环境数据以及目标运动数据，确定目标车辆在参考点云地图上的位置，避免目标区域中其他动态目标对目标车辆的定位造成影响，从而提高了车辆定位的准确性。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种车辆定位方法中的步骤。例如，该指令可以执行如下步骤：
接收感知设备上报的目标车辆在目标区域中行驶时对应的实时点云数据，对实时点云数据进行数据分割，得到目标区域对应的静态环境数据以及目标车辆对应的目标运动数据，从本地数据库中获取目标区域对应的初始图像数据，初始图像数据包括多个子图像数据，根据子图像数据之间的关联关系，构建目标区域对应的参考点云地图，基于静态环境数据以及目标运动数据，确定目标车辆在参考点云地图上的位置。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取记忆体（RAM，Random Access Memory）、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种车辆定位方法中的步骤，因此，可以实现本发明实施例所提供的任一种车辆定位方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
本发明实施例还提供一种智能车辆，如图5所示，其示出了本发明实施例所涉及的智能车辆的结构示意图，具体来讲：
该智能车辆可以包括车辆主体501、感知设备502、执行设备503和车载处理设备504，本领域技术人员可以理解，图5中示出的电子设备结构并不构成对智能车辆的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
车辆主体501是智能车辆的车身结构，可以包括车架、车门、车身和内部的座椅等硬件结构。
感知设备502是智能车辆的感知结构，用于感知所述智能车辆的内部状态信息，以及所述外部驾驶环境中的环境信息。具体可以包括车轮速计、定位计、胎压计、传感器、摄像头等设备。
执行设备503是智能车辆用于执行行驶功能的结构，执行设备可以包括发动机、动力电池、变速箱、传动结构等动力设备，还可以包括显示屏、音响等展示设备，还可以包括方向盘等转向设备，以及轮胎等设备。
车载处理设备504是所述智能车辆的“大脑”，集成有用于控制车辆速度、方向、加速度转向等的车辆运行参数的控制装置、用于监控所述无人驾驶车辆行驶状态的车辆行驶安全监控装置、用于分析感知设备感知到的信息的信息获取装置、用于规划车辆行驶路线的规划装置等。
执行设备、感知设备和车载处理设备都装载在车辆主体上，车载处理设备与所述执行设备和所述感知设备通过总线相连，以使所述车载处理设备可以执行本申请实施例所提供的任一种车辆定位方法中的步骤，因此，可以实现本申请实施例所提供的任一种车辆定位方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本发明实施例所提供的一种车辆定位装置、终端、存储介质以及智能车辆进行了详细介绍，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 (11)
1.一种车辆定位方法，其特征在于，包括：
接收感知设备上报的目标车辆在目标区域中行驶时对应的实时点云数据；
对所述实时点云数据进行数据分割，得到所述目标区域对应的静态环境数据以及所述目标车辆对应的目标运动数据；
从本地数据库中获取所述目标区域对应的初始图像数据，所述初始图像数据包括多个子图像数据；
根据子图像数据之间的关联关系，构建所述目标区域对应的参考点云地图；
基于所述静态环境数据以及目标运动数据，确定所述目标车辆在所述参考点云地图上的位置。
2.根据权利要求1所述的方法，其特征在于，所述基于所述静态环境数据以及目标运动数据，确定所述目标车辆在所述参考点云地图上的位置，包括：
构建所述静态环境数据对应的实时地图块；
获取所述目标车辆对应的惯性信息；
基于所述参考点云地图以及惯性信息，构建所述目标区域对应的参考地图块；
根据所述实时地图块、参考地图块以及惯性信息，确定所述目标车辆在所述参考点云地图上的位置。
3.根据权利要求2所述的方法，其特征在于，所述根据所述实时地图块、参考地图块以及惯性信息，确定所述目标车辆在所述参考点云地图上的位置，包括：
对所述实时地图块以及参考地图块进行图像匹配；
基于匹配结果以及惯性信息，确定所述目标车辆在所述参考点云地图上的位置。
4.根据权利要求3所述的方法，其特征在于，所述对所述实时地图块以及参考地图块进行图像匹配，包括：
提取所述实时地图块中的每个像素点，得到多个目标像素点，以及；
提取所述参考地图块中的每个像素点，得到多个参考像素点；
计算目标像素点与各参考像素点之间的距离；
当距离满足预设条件时，将满足条件的参考像素点确定为目标像素点的匹配像素点；
构建多个匹配像素点对应的匹配地图块；
所述基于匹配结果以及惯性信息，确定所述目标车辆在所述参考点云地图上的位置，包括：基于匹配地图块以及惯性信息，确定所述目标车辆在所述匹配地图块上的位置。
5.根据权利要求4所述的方法，其特征在于，所述惯性信息包括所述目标车辆在行驶过程中对应的多个运动点，所述基于匹配地图块以及惯性信息，确定所述目标车辆在所述匹配地图块上的位置之后，还包括：
基于多个运动点，在所述匹配地图块上绘制所述目标车辆对应的行驶轨迹。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述对所述实时点云数据进行数据分割，得到所述目标区域对应的静态环境数据以及所述目标车辆对应的目标运动数据，包括：
获取预设神经网络模型；
通过预设神经网络模型对目标区域中的动态目标进行识别，得到所述动态目标对应的动态目标数据；
获取所述目标车辆的惯性信息；
基于所述惯性信息，从所述动态目标数据中确定所述目标车辆对应的目标运动数据；
在所述实时点云数据去除所述动态目标数据，得到所述目标区域对应的静态环境数据。
7.根据权利要求1至5任一项所述的方法，其特征在于，所述根据子图像数据之间的关联关系，构建所述目标区域对应的参考点云地图，包括：
接收惯性检测单元上报的所述目标车辆对应的惯性信息；
从所述实时点云数据中提取所述目标车辆对应的第一位置信息；
获取所述惯性检测单元与感知设备之间的相对位置关系；
基于所述惯性信息、位置信息以及相对位置关系，获取每个子图像数据对应的第二位置信息；
通过所述第二位置信息对多个子图像数据进行拼接，得到所述目标区域对应的参考点云地图。
8.根据权利要求7所述的方法，其特征在于，所述通过所述第二位置信息，对多个子图像数据进行拼接，得到所述目标区域对应的参考点云地图，包括：
对每个子图像数据进行正态变换处理，得到处理后的子图像数据；
计算相邻的处理后的子图像数据之间的转移矩阵；
基于所述第二位置信息、转移矩阵以及处理后的子图像数据，构建所述目标区域对应的参考点云地图。
9.根据权利要求8所述的方法，其特征在于，所述基于所述第二位置信息、转移矩阵以及处理后的子图像数据，构建所述目标区域对应的参考点云地图之后，还包括：
对所述参考点云地图进行降采样处理，得到降采样后的参考点云地图；
所述基于所述静态环境数据以及目标运动数据，确定所述目标车辆在所述参考点云地图上的位置，包括：基于所述静态环境数据以及目标运动数据，确定所述目标车辆在降采样后的参考点云地图上的位置。
10.一种车辆定位装置，其特征在于，包括：
接收模块，用于接收感知设备上报的目标车辆在目标区域中行驶时对应的实时点云数据；
分割模块，用于对所述实时点云数据进行数据分割，得到所述目标区域对应的静态环境数据以及所述目标车辆对应的目标运动数据；
获取模块，用于从本地数据库中获取所述目标区域对应的初始图像数据，所述初始图像数据包括多个子图像数据；
构建模块，用于根据子图像数据之间的关联关系，构建所述目标区域对应的参考点云地图；
确定模块，用于基于所述静态环境数据以及目标运动数据，确定所述目标车辆在所述参考点云地图上的位置。
11.一种智能车辆，其特征在于，所述智能车辆包括感知设备、定位模块、处理器和存储器所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至9任意一项所述车辆定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010010610.5A CN110795523B (zh) | 2020-01-06 | 2020-01-06 | 车辆定位方法、装置以及智能车辆 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010010610.5A CN110795523B (zh) | 2020-01-06 | 2020-01-06 | 车辆定位方法、装置以及智能车辆 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110795523A true CN110795523A (zh) | 2020-02-14 |
| CN110795523B CN110795523B (zh) | 2020-05-05 |
Family
ID=69448626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010010610.5A Active CN110795523B (zh) | 2020-01-06 | 2020-01-06 | 车辆定位方法、装置以及智能车辆 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110795523B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111402702A (zh) * | 2020-03-31 | 2020-07-10 | 北京四维图新科技股份有限公司 | 地图构建方法、装置及系统 |
| CN111551947A (zh) * | 2020-05-28 | 2020-08-18 | 东软睿驰汽车技术（沈阳）有限公司 | 激光点云定位方法、装置、设备及系统 |
| CN111949816A (zh) * | 2020-06-22 | 2020-11-17 | 北京百度网讯科技有限公司 | 定位处理方法、装置、电子设备和存储介质 |
| CN112200868A (zh) * | 2020-09-30 | 2021-01-08 | 深兰人工智能(深圳)有限公司 | 定位方法、装置和车辆 |
| CN113447032A (zh) * | 2021-06-29 | 2021-09-28 | 东软睿驰汽车技术（沈阳）有限公司 | 定位方法、装置、电子设备及存储介质 |
| CN113500600A (zh) * | 2021-07-16 | 2021-10-15 | 上海高仙自动化科技发展有限公司 | 一种智能机器人 |
| CN113554698A (zh) * | 2020-04-23 | 2021-10-26 | 杭州海康威视数字技术股份有限公司 | 车辆位姿信息生成方法、装置及电子设备、存储介质 |
| CN113689471A (zh) * | 2021-09-09 | 2021-11-23 | 中国联合网络通信集团有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
| WO2021254019A1 (zh) * | 2020-06-17 | 2021-12-23 | 北京京东乾石科技有限公司 | 协同构建点云地图的方法、设备和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017032422A (ja) * | 2015-08-03 | 2017-02-09 | クラリオン株式会社 | 情報配信システム、情報処理装置、車載装置及び経路探索方法 |
| CN109855646A (zh) * | 2019-04-30 | 2019-06-07 | 奥特酷智能科技(南京)有限公司 | 分布集中式自动驾驶系统和方法 |
| CN110262495A (zh) * | 2019-06-26 | 2019-09-20 | 山东大学 | 可实现移动机器人自主导航与精确定位的控制系统及方法 |
-
2020
- 2020-01-06 CN CN202010010610.5A patent/CN110795523B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017032422A (ja) * | 2015-08-03 | 2017-02-09 | クラリオン株式会社 | 情報配信システム、情報処理装置、車載装置及び経路探索方法 |
| CN109855646A (zh) * | 2019-04-30 | 2019-06-07 | 奥特酷智能科技(南京)有限公司 | 分布集中式自动驾驶系统和方法 |
| CN110262495A (zh) * | 2019-06-26 | 2019-09-20 | 山东大学 | 可实现移动机器人自主导航与精确定位的控制系统及方法 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111402702A (zh) * | 2020-03-31 | 2020-07-10 | 北京四维图新科技股份有限公司 | 地图构建方法、装置及系统 |
| CN113554698B (zh) * | 2020-04-23 | 2023-09-29 | 杭州海康威视数字技术股份有限公司 | 车辆位姿信息生成方法、装置及电子设备、存储介质 |
| CN113554698A (zh) * | 2020-04-23 | 2021-10-26 | 杭州海康威视数字技术股份有限公司 | 车辆位姿信息生成方法、装置及电子设备、存储介质 |
| CN111551947A (zh) * | 2020-05-28 | 2020-08-18 | 东软睿驰汽车技术（沈阳）有限公司 | 激光点云定位方法、装置、设备及系统 |
| WO2021254019A1 (zh) * | 2020-06-17 | 2021-12-23 | 北京京东乾石科技有限公司 | 协同构建点云地图的方法、设备和系统 |
| CN111949816A (zh) * | 2020-06-22 | 2020-11-17 | 北京百度网讯科技有限公司 | 定位处理方法、装置、电子设备和存储介质 |
| CN111949816B (zh) * | 2020-06-22 | 2023-09-26 | 北京百度网讯科技有限公司 | 定位处理方法、装置、电子设备和存储介质 |
| CN112200868A (zh) * | 2020-09-30 | 2021-01-08 | 深兰人工智能(深圳)有限公司 | 定位方法、装置和车辆 |
| CN113447032A (zh) * | 2021-06-29 | 2021-09-28 | 东软睿驰汽车技术（沈阳）有限公司 | 定位方法、装置、电子设备及存储介质 |
| CN113500600B (zh) * | 2021-07-16 | 2023-08-29 | 上海高仙自动化科技发展有限公司 | 一种智能机器人 |
| CN113500600A (zh) * | 2021-07-16 | 2021-10-15 | 上海高仙自动化科技发展有限公司 | 一种智能机器人 |
| CN113689471A (zh) * | 2021-09-09 | 2021-11-23 | 中国联合网络通信集团有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
| CN113689471B (zh) * | 2021-09-09 | 2023-08-18 | 中国联合网络通信集团有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110795523B (zh) | 2020-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110795523B (zh) | 车辆定位方法、装置以及智能车辆 | |
| CN110147705B (zh) | 一种基于视觉感知的车辆定位方法及电子设备 | |
| US10311658B2 (en) | Unexpected impulse change collision detector | |
| CN110926484B (zh) | 车辆位置的获取方法、装置以及智能车辆 | |
| CN111114554B (zh) | 行驶轨迹预测方法、装置、终端及存储介质 | |
| CN112307642B (zh) | 数据处理方法、装置、系统、计算机设备及存储介质 | |
| CN110044371A (zh) | 一种车辆定位的方法以及车辆定位装置 | |
| CN109556612B (zh) | 一种导航信息处理方法、装置、服务器、终端及存储介质 | |
| CN107826109B (zh) | 车道保持方法和装置 | |
| KR101711797B1 (ko) | 자율 주행 차량의 자동 주차 시스템 및 그 제어방법 | |
| CN109489674B (zh) | 基于位置确定路段的方法、装置及存储介质 | |
| CN113807470B (zh) | 一种车辆行驶状态确定方法和相关装置 | |
| CN111192341A (zh) | 生成高精地图的方法、装置、自动驾驶设备及存储介质 | |
| CN114332821A (zh) | 决策信息获取方法、装置、终端及存储介质 | |
| CN111361550B (zh) | 车位的识别方法、装置及存储介质 | |
| CN113923775B (zh) | 一种定位信息质量评估的方法、装置、设备和存储介质 | |
| US20140194147A1 (en) | Apparatus and method for reducing battery consumption of mobile terminal | |
| CN112269939B (zh) | 自动驾驶的场景搜索方法、装置、终端、服务器及介质 | |
| CN111038497B (zh) | 自动驾驶控制方法、装置、车载终端及可读存储介质 | |
| CN116853240A (zh) | 障碍物的预警方法、装置、设备及存储介质 | |
| CN112256006A (zh) | 一种数据的处理方法、装置及电子设备 | |
| CN110795994B (zh) | 路口图像选择方法及装置 | |
| CN108871356B (zh) | 一种行车导航方法、移动终端 | |
| CN113592003A (zh) | 一种图片传输方法、装置、设备及存储介质 | |
| CN113734199B (zh) | 车辆控制方法、装置、终端及存储介质 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210119 Address after: 1 / F, building 28, 6055 Jinhai highway, Fengxian District, Shanghai, 201403 Patentee after: Zhongzhixing (Shanghai) Transportation Technology Co.,Ltd. Address before: 2nd floor, building A3, Hongfeng science and Technology Park, Nanjing Economic and Technological Development Zone, Nanjing, Jiangsu Province 210033 Patentee before: CIIC Technology Co.,Ltd. |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200214 Assignee: Tianyi Transportation Technology Co.,Ltd. Assignor: CIIC Technology Co.,Ltd.|Zhongzhixing (Shanghai) Transportation Technology Co.,Ltd. Contract record no.: X2022980001515 Denomination of invention: Vehicle positioning method, device and intelligent vehicle Granted publication date: 20200505 License type: Common License Record date: 20220214 |