CN110807412A - 一种车辆激光定位的方法、车载设备和存储介质 - Google Patents

Abstract

本公开实施例涉及一种车辆激光定位的方法、车载设备和存储介质，方法包括：获取激光点云；确定激光点云中多个地面标识候选点；基于多个地面标识候选点检测地面标识；匹配检测的地面标识与电子地图中的地面标识，得到定位信息。本公开实施例中，通过确定激光点云中的地面标识候选点，可检测地面标识，进而匹配电子地图中的地面标识，实现高精度定位。

Description

一种车辆激光定位的方法、车载设备和存储介质

技术领域

本公开实施例涉及技术领域，具体涉及一种车辆激光定位的方法、车载设备和存储介质。

背景技术

目前智能驾驶车辆基于视觉传感器识别车道线，得到相对定位并将车辆保持在车道内。然而，相对定位无法满足智能驾驶车辆的导航和路径规划的要求，因此，亟需一种基于激光雷达而非视觉传感器得到高精度定位的方案。

上述对问题的发现过程的描述，仅用于辅助理解本公开的技术方案，并不代表承认上述内容是现有技术。

发明内容

为了解决现有技术存在的至少一个问题，本公开的至少一个实施例提供了一种车辆激光定位的方法、车载设备和存储介质。

第一方面实施例1，本公开实施例提出一种车辆激光定位的方法，所述方法包括：

获取激光点云；

确定所述激光点云中多个地面标识候选点；

基于所述多个地面标识候选点检测地面标识；

匹配检测的地面标识与电子地图中的地面标识，得到定位信息。

第一方面实施例2，根据第一方面实施例1所述的方法，所述地面标识包括：车道线和非车道线标识中的至少一种。

第一方面实施例3，根据第一方面实施例1所述的方法，确定所述激光点云中的地面标识候选点，包括：

分割所述激光点云中的地面点云；

确定所述地面点云中的地面标识候选点。

第一方面实施例4，根据第一方面实施例3所述的方法，分割所述激光点云中的地面点云，包括：

确定所述激光点云中每个激光点所属线束；

确定所述激光点云在车辆坐标系的坐标；

基于每个激光点所属线束和车辆坐标系的坐标，分割所述激光点云中的地面点云。

第一方面实施例5，根据第一方面实施例4所述的方法，确定所述激光点云中每个激光点所属线束，包括：

基于每个激光点在激光雷达坐标系的坐标，确定每个激光点所在射线与激光雷达坐标系三个平面的角度；

基于所述角度和激光雷达的线束数量，确定每个激光点所属线束及每个激光点在所属线束中的顺序。

第一方面实施例6，根据第一方面实施例4所述的方法，基于每个激光点所属线束和车辆坐标系的坐标，分割所述激光点云中的地面点云，包括：

筛选车辆坐标系z轴坐标小于或等于预设高度的多个第一激光点；

确定每个第一激光点对应的向量与平面之间的夹角；其中，所述向量由第一激光点与相邻线束最近的第一激光点构成；所述平面为车辆坐标系x轴和y轴构成的平面；

分割夹角小于或等于预设角度的多个第二激光点为地面点云。

第一方面实施例7，根据第一方面实施例1所述的方法，确定所述激光点云中多个地面标识候选点，包括：

确定回波强度大于预设强度的激光点为地面标识候选点。

第一方面实施例8，根据第一方面实施例7所述的方法，确定回波强度大于预设强度的激光点为地面标识候选点后，所述方法还包括：

对回波强度大于预设强度的每个激光点，统计邻域内同线束激光点的车辆坐标系z轴坐标和回波强度；

基于所述车辆坐标系z轴坐标和回波强度，二次筛选地面标识候选点。

第一方面实施例9，根据第一方面实施例8所述的方法，基于所述车辆坐标系z轴坐标和回波强度，二次筛选地面标识候选点，包括：

基于所述车辆坐标系z轴坐标和回波强度，确定邻域内同线束激光点的z轴坐标方差、邻域内同线束中回波强度大于预设强度的激光点数量、邻域内同线束中地面标识候选点的回波强度方差和邻域内同线束激光点的回波强度梯度变化值；

确定z轴坐标方差、激光点数量、回波强度方差和回波强度梯度变化值满足预设范围后，确定激光点为地面标识候选点。

第一方面实施例10，根据第一方面实施例1所述的方法，基于所述多个地面标识候选点检测地面标识，包括：

基于车辆状态信息预测车辆位姿；

基于历史多帧定位结果，确定历史地面标识候选点在预测的车辆位姿对应的车辆坐标系的坐标；

基于历史地面标识候选点的坐标和所述多个地面标识候选点的坐标，进行地面标识候选点聚类，得到多个地面标识簇集；

确定每个地面标识簇集对应的地面标识。

第一方面实施例11，根据第一方面实施例10所述的方法，所述确定每个地面标识簇集对应的地面标识，包括：

基于预先训练的神经网络，确定每个地面标识簇集对应的地面标识。

第一方面实施例12，根据第一方面实施例10所述的方法，所述确定每个地面标识簇集对应的地面标识，包括：

对每个地面标识簇集，随机选择两个地面标识候选点，并确定对应的直线；

确定群内点数量；其中，与所述直线之间的距离小于或等于预设距离的地面标识候选点为群内点；

选择群内点数量最大对应的直线为地面标识。

第一方面实施例13，根据第一方面实施例12所述的方法，所述选择群内点数量最大对应的直线为地面标识后，所述方法还包括：

基于群内点的坐标，确定所述地面标识的两个端点，得到地面标识线段。

第一方面实施例14，根据第一方面实施例12所述的方法，所述确定每个地面标识簇集对应的地面标识后，所述方法还包括：

确定属于所述地面标识且属于所述激光点云的多个地面标识候选点；

随机选择两个地面标识候选点，并确定对应的直线；

确定群内点数量；

确定最大的群内点数量大于或等于预设数量阈值后，执行所述匹配检测的地面标识与电子地图中的地面标识的步骤。

第一方面实施例15，根据第一方面实施例1所述的方法，匹配检测的地面标识与电子地图中的地面标识，得到定位信息，包括：

确定检测的地面标识在预测的车辆位姿对应的车辆坐标系的坐标；

转换所述车辆坐标系的坐标为全局坐标；

确定检测的地面标识的类型；

基于所述全局坐标和所述类型，从电子地图中匹配距离小于或等于预设距离阈值且朝向角度差小于或等于预设角度阈值的所述类型的地面标识；

基于匹配的地面标识，得到定位信息。

第一方面实施例16，根据第一方面实施例15所述的方法，基于匹配的地面标识，得到定位信息，包括：

优化匹配的地面标识与检测的地面标识之间的距离和朝向角度差，以及优化检测的地面标识候选点到匹配的地面标识两个端点的距离和，得到定位信息。

第二方面，本公开实施例还提出一种车载设备，包括：处理器和存储器；所述处理器通过调用所述存储器存储的程序或指令，用于执行如第一方面任一实施例所述方法的步骤。

第三方面，本公开实施例还提出一种非暂态计算机可读存储介质，用于存储程序或指令，所述程序或指令使计算机执行如第一方面任一实施例所述方法的步骤

可见，本公开实施例的至少一个实施例中，通过确定激光点云中的地面标识候选点，可检测地面标识，进而匹配电子地图中的地面标识，实现高精度定位。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例或现有技术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公开的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1是本公开实施例提供的一种智能驾驶车辆的整体架构图；

图2是本公开实施例提供的一种智能驾驶系统的框图；

图3是本公开实施例提供的一种激光定位模块的框图；

图4是本公开实施例提供的一种车载设备的框图；

图5是本公开实施例提供的一种车辆激光定位的方法流程图；

图6是本公开实施例提供的一种激光点云的示意图。

具体实施方式

为了能够更清楚地理解本公开的上述目的、特征和优点，下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本公开，而非对本公开的限定。基于所描述的本公开的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本公开保护的范围。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

针对目前智能驾驶车辆基于视觉传感器识别车道线，得到相对定位并将车辆保持在车道内，而相对定位无法满足智能驾驶车辆的导航和路径规划的要求。因此，本公开实施例提供一种车辆激光定位的方案，实现车辆高精度定位。

在一些实施例中，本公开实施例提供的车辆激光定位的方案，可应用于智能驾驶车辆。图1为本公开实施例提供的一种智能驾驶车辆的整体架构图。

如图1所示，智能驾驶车辆包括：传感器组、智能驾驶系统100、车辆底层执行系统以及其他可用于驱动车辆和控制车辆运行的部件。

传感器组，用于采集车辆外界环境的数据和探测车辆的位置数据。传感器组例如包括但不限于摄像头、激光雷达、毫米波雷达、超声波雷达、GPS(Global PositioningSystem，全球定位系统)和IMU(Inertial Measurement Unit，惯性测量单元)中的至少一个。

在一些实施例中，传感器组，还用于采集车辆的动力学数据，传感器组例如还包括但不限于车轮转速传感器、速度传感器、加速度传感器、方向盘转角传感器、前轮转角传感器中的至少一个。

智能驾驶系统100，用于获取传感器组的数据，传感器组中所有传感器在智能驾驶车辆行驶过程中都以较高的频率传送数据。

智能驾驶系统100，还用于基于传感器组的数据进行环境感知和车辆定位，并基于环境感知信息和车辆定位信息进行路径规划和决策，以及基于规划的路径生成车辆控制指令，从而控制车辆按照规划路径行驶。

在一些实施例中，智能驾驶系统100，还用于获取激光点云，并确定激光点云中多个地面标识候选点，从而基于多个地面标识候选点检测地面标识，进而匹配检测的地面标识与电子地图中的地面标识，得到定位信息。在一些实施例中，地面标识包括但不限于：车道线和非车道线标识中的至少一种。其中，非车道线标识例如包括但不限于：斑马线、停车位、左转、右转、直行等标识中的一个或多个。

在一些实施例中，智能驾驶系统100可以为软件系统、硬件系统或者软硬件结合的系统。例如，智能驾驶系统100是运行在操作系统上的软件系统，车载硬件系统是支持操作系统运行的硬件系统。

在一些实施例中，智能驾驶系统100，还用于与云端服务器无线通信，交互各种信息。在一些实施例中，智能驾驶系统100与云端服务器通过无线通讯网络(例如包括但不限于GPRS网络、Zigbee网络、Wifi网络、3G网络、4G网络、5G网络等无线通讯网络)进行无线通信。

在一些实施例中，云端服务器是由车辆服务商所建立的云端服务器，提供云存储和云计算的功能。在一些实施例中，云端服务器中建立车辆端档案。在一些实施例中，车辆端档案中储存智能驾驶系统100上传的各种信息。在一些实施例中，云端服务器可以实时同步车辆端产生的驾驶数据。

在一些实施例中，云端服务器可以是一个服务器，也可以是一个服务器群组。服务器群组可以是集中式的，也可以是分布式的。分布式服务器，有利于任务在多个分布式服务器进行分配与优化，克服传统集中式服务器资源紧张与响应瓶颈的缺陷。在一些实施例中，云端服务器可以是本地的或远程的。

在一些实施例中，云端服务器可用于对车辆端进行停车收费、过路收费等。在一些实施例中，云端服务器还用于分析驾驶员的驾驶行为，并且对驾驶员的驾驶行为进行安全等级评估。

在一些实施例中，云端服务器可用于获取道路监测单元(RSU：Road Side Unit)和智能驾驶车辆的信息，以及可以发送信息至智能驾驶车辆。在一些实施例中，云端服务器可以根据智能驾驶车辆的信息将道路监测单元中的与智能驾驶车辆相对应的检测信息发送给智能驾驶车辆。

在一些实施例中，道路监测单元可以用于收集道路监测信息。在一些实施例中，道路监测单元可以是环境感知传感器，例如，摄像头、激光雷达等，也可以是道路设备，例如V2X设备，路边红绿灯装置等。在一些实施例中，道路监测单元可以监控隶属于相应道路监测单元的道路情况，例如，通过车辆的类型、速度、优先级别等。道路监测单元在收集到道路监测信息后，可将所述道路监测信息发送给云端服务器，也可以发送给通过道路的智能驾驶车辆。

车辆底层执行系统，用于接收车辆控制指令，实现对车辆行驶的控制。在一些实施例中，车辆底层执行系统包括但不限于：转向系统、制动系统和驱动系统。转向系统、制动系统和驱动系统属于车辆领域成熟系统，在此不再赘述。

在一些实施例中，智能驾驶车辆还可包括图1中未示出的车辆CAN总线，车辆CAN总线连接车辆底层执行系统。智能驾驶系统100与车辆底层执行系统之间的信息交互通过车辆CAN总线进行传递。

在一些实施例中，智能驾驶车辆既可以通过驾驶员又可以通过智能驾驶系统100控制车辆行驶。在人工驾驶模式下，驾驶员通过操作控制车辆行驶的装置驾驶车辆，控制车辆行驶的装置例如包括但不限于制动踏板、方向盘和油门踏板等。控制车辆行驶的装置可直接操作车辆底层执行系统控制车辆行驶。

在一些实施例中，智能驾驶车辆也可以为无人车，车辆的驾驶控制由智能驾驶系统100来执行。

图2为本公开实施例提供的一种智能驾驶系统200的框图。在一些实施例中，智能驾驶系统200可以实现为图1中的智能驾驶系统100或者智能驾驶系统100的一部分，用于控制车辆行驶。

如图2所示，智能驾驶系统200可划分为多个模块，例如可包括：感知模块201、规划模块202、控制模块203、激光定位模块204以及其他一些可用于智能驾驶的模块。

感知模块201用于进行环境感知与定位。在一些实施例中，感知模块201用于获取传感器数据、V2X(Vehicle to X，车用无线通信)数据、高精度地图等数据。在一些实施例中，感知模块201用于基于获取的传感器数据、V2X(Vehicle to X，车用无线通信)数据、高精度地图等数据中的至少一种，进行环境感知与定位。

在一些实施例中，感知模块201用于生成感知定位信息，实现对障碍物感知、摄像头图像的可行驶区域识别以及车辆的定位等。

环境感知(Environmental Perception)可以理解为对于环境的场景理解能力，例如障碍物的位置，道路标志/标记的检测，行人/车辆的检测等数据的语义分类。在一些实施例中，环境感知可采用融合摄像头、激光雷达、毫米波雷达等多种传感器的数据进行环境感知。

定位(Localization)属于感知的一部分，是确定智能驾驶车辆相对于环境的位置的能力。定位可采用：GPS定位，GPS的定位精度在数十米到厘米级别，定位精度高；定位还可采用融合GPS和惯性导航系统(Inertial Navigation System)的定位方法。定位还可采用SLAM(Simultaneous Localization And Mapping，同步定位与地图构建)，SLAM的目标即构建地图的同时使用该地图进行定位，SLAM通过利用已经观测到的环境特征确定当前车辆的位置以及当前观测特征的位置。

V2X是智能交通运输系统的关键技术，使得车与车、车与基站、基站与基站之间能够通信，从而获得实时路况、道路信息、行人信息等一系列交通信息，提高智能驾驶安全性、减少拥堵、提高交通效率、提供车载娱乐信息等。

高精度地图是智能驾驶领域中使用的地理地图，与传统地图相比，不同之处在于：1)高精度地图包括大量的驾驶辅助信息，例如依托道路网的精确三维表征：包括交叉路口局和路标位置等；2)高精度地图还包括大量的语义信息，例如报告交通灯上不同颜色的含义，又例如指示道路的速度限制，以及左转车道开始的位置；3)高精度地图能达到厘米级的精度，确保智能驾驶车辆的安全行驶。

规划模块202用于基于感知模块201生成的感知定位信息，进行路径规划和决策。

在一些实施例中，规划模块202用于基于感知模块201生成的感知定位信息，并结合V2X数据、高精度地图等数据中的至少一种，进行路径规划和决策。

在一些实施例中，规划模块202用于规划路径，决策：行为(例如包括但不限于跟车、超车、停车、绕行等)、车辆航向、车辆速度、车辆的期望加速度、期望的方向盘转角等，生成规划决策信息。

控制模块203用于基于规划模块202生成的规划决策信息，进行路径跟踪和轨迹跟踪。

在一些实施例中，控制模块203用于生成车辆底层执行系统的控制指令，并下发控制指令，以使车辆底层执行系统控制车辆按照期望路径行驶，例如通过控制方向盘、刹车以及油门对车辆进行横向和纵向控制。

在一些实施例中，控制模块203还用于基于路径跟踪算法计算前轮转角。

在一些实施例中，路径跟踪过程中的期望路径曲线与时间参数无关，跟踪控制时，可以假设智能驾驶车辆以当前速度匀速前进，以一定的代价规则使行驶路径趋近于期望路径；而轨迹跟踪时，期望路径曲线与时间和空间均相关，并要求智能驾驶车辆在规定的时间内到达某一预设好的参考路径点。

路径跟踪不同于轨迹跟踪，不受制于时间约束，只需要在一定误差范围内跟踪期望路径。

激光定位模块204用于获取激光点云，并确定激光点云中多个地面标识候选点，从而基于多个地面标识候选点检测地面标识，进而匹配检测的地面标识与电子地图中的地面标识，得到定位信息。

在一些实施例中，激光定位模块204的功能可集成到感知模块201、规划模块202或控制模块203中，也可配置为与智能驾驶系统200相独立的模块，激光定位模块204可以为软件模块、硬件模块或者软硬件结合的模块。例如，激光定位模块204是运行在操作系统上的软件模块，车载硬件系统是支持操作系统运行的硬件系统。

图3为本公开实施例提供的一种激光定位模块300的框图。在一些实施例中，激光定位模块300可以实现为图2中的激光定位模块204或者激光定位模块204的一部分。

如图3所示，激光定位模块300可包括但不限于以下单元：获取单元301、确定单元302、检测单元303和匹配单元304。

获取单元301，用于获取激光点云。在一些实施例中，激光点云由旋转式的多线激光雷达采集。多线激光雷达旋转一圈采集的数据称为一帧数据。

确定单元302，用于确定激光点云中多个地面标识候选点。在一些实施例中，确定单元302首先分割激光点云中的地面点云，然后确定地面点云中的地面标识候选点。

在一些实施例中，考虑到旋转式的多线激光雷达采集的激光点云是无序的，为了分割激光点云中的地面点云，确定单元302需要确定激光点云中每个激光点所属线束，并确定激光点云在车辆坐标系的坐标，进而基于每个激光点所属线束和车辆坐标系的坐标，分割激光点云中的地面点云。在一些实施例中，车辆坐标系是以车辆后轴中心在地面的投影为原点，车辆横向方向为x轴，纵向方向为y轴，垂直方向为z轴。

在一些实施例中，确定单元302确定激光点云中每个激光点所属线束，具体为：基于每个激光点在激光雷达坐标系的坐标，确定每个激光点所在射线与激光雷达坐标系三个平面的角度；其中，每个激光点所在射线的端点为激光雷达坐标系的原点；进而确定单元302基于确定的三个角度和激光雷达的线束数量，可确定每个激光点所属线束及每个激光点在所属线束中的顺序。

在一些实施例中，确定单元302基于每个激光点所属线束和车辆坐标系的坐标，分割激光点云中的地面点云，具体为：筛选车辆坐标系z轴坐标小于或等于预设高度的多个第一激光点。其中，预设高度可根据实际需要进行设置，本实施例不限定预设高度的具体取值。需要说明的是，由于获取单元301获取的激光点云的坐标是激光雷达坐标系下的坐标，因此，需要将激光点云的坐标转换为车辆坐标系下的坐标，转换方式为本领域成熟技术，在此不再赘述。确定单元302在筛选出多个第一激光点后，确定每个第一激光点对应的向量与平面之间的夹角；其中，向量由第一激光点与相邻线束最近的第一激光点构成，相邻线束为第一激光点所属线束的相邻线束；平面为车辆坐标系x轴和y轴构成的平面。确定单元302确定每个第一激光点对应的向量与平面之间的夹角后，分割夹角小于或等于预设角度的多个第二激光点为地面点云。其中，预设角度可根据实际需要进行设置，本实施例不限定预设角度的具体取值。

在一些实施例中，确定单元302确定回波强度大于预设强度的激光点为地面标识候选点。其中，回波强度为激光雷达的激光扫到不同材质的表面后反射的脉冲回波的强度，且不同材质对应的回波强度不同；预设强度可根据实际需要进行设置，本实施例不限定预设强度的具体取值。激光扫到地面标识上的回波强度高于激光扫到路面的回波强度。因此，设置预设强度初步筛选地面标识候选点。在一些实施例中，确定单元302确定地面点云中回波强度大于预设强度的激光点为地面标识候选点。

在一些实施例中，确定单元302初步筛选地面标识候选点后，二次筛选地面标识候选点。在一些实施例中，考虑到地面标识具有一定宽度，一束激光会有连续多个激光点扫到地面标识上，因此，通过统计每个地面标识候选点的邻域内同线束激光点的信息，二次筛选地面标识候选点。在一些实施例中，确定单元302对每个地面标识候选点，统计邻域内同线束激光点的车辆坐标系z轴坐标和回波强度；进而基于车辆坐标系z轴坐标和回波强度，二次筛选地面标识候选点。

在一些实施例中，确定单元302二次筛选地面标识候选点，具体为：基于车辆坐标系z轴坐标和回波强度，确定邻域内同线束激光点的z轴坐标方差、邻域内同线束中回波强度大于预设强度的激光点数量、邻域内同线束中地面标识候选点的回波强度方差和邻域内同线束激光点的回波强度梯度变化值；进而确定z轴坐标方差、激光点数量、回波强度方差和回波强度梯度变化值满足预设范围后，确定激光点为地面标识候选点，也即将初步筛选的地面标识候选点二次确定为地面标识候选点。其中，预设范围可根据实际需要进行设置，本实施例不限定预设范围的具体取值。

检测单元303，用于基于多个地面标识候选点检测地面标识。在一些实施例中，检测单元303基于多个地面标识候选点，通过多帧叠加、聚类、确定地面标识和单帧验证，实现检测地面标识。其中，多帧叠加可以克服单帧点云的稀疏性以及点云强度信息的不稳定性。聚类可以确定属于车道虚线中不同线段的地面标识候选点，也可以确定属于不同非车道线标识的候选点。确定地面标识有两种方式，一种是拟合线段，可以得到例如车道虚线、斑马线的线段；另一种是通过预先训练的神经网络得到地面标识，例如停车位、左转、右转、直行等非车道线标识中的一个或多个，又例如车道线、斑马线。单帧验证可以验证拟合的地面标识是否准确。

在一些实施例中，检测单元303多帧叠加的过程为：基于车辆状态信息预测车辆位姿，其中，车辆状态信息包括但不限于：车辆的轮速和前轮偏角信息；车辆位姿包括：车辆位置和车辆朝向(也可以理解为航向)；进而基于历史多帧定位结果，确定历史地面标识候选点在预测的车辆位姿对应的车辆坐标系的坐标，实现地面标识候选点的叠加，也即增加了地面标识候选点，将历史地面标识候选点和二次筛选得到的地面标识候选点共同作为聚类的数据。在一些实施例中，检测单元303预测车辆位姿具体为：实时地获取车辆的轮速和前轮偏角信息，先根据两帧的时间间隔和轮速计算车辆行驶的距离，再根据前轮偏角和车辆轴距信息推算车辆两帧之间的位移和旋转的变化，得到当前帧预测的车辆位姿。

在一些实施例中，检测单元303聚类的过程为：基于历史地面标识候选点的坐标和多个地面标识候选点的坐标，进行地面标识候选点聚类，得到多个地面标识簇集，其中，历史地面标识候选点的坐标为历史地面标识候选点在预测的车辆位姿对应的车辆坐标系的坐标。在一些实施例中，地面标识聚类可采用基于欧式距离的聚类。

在一些实施例中，检测单元303确定聚类得到的每个地面标识簇集对应的地面标识。在一些实施例中，检测单元303基于预先训练的神经网络，确定每个地面标识簇集对应的地面标识。其中，地面标识簇集可以为：停车位、左转、右转、直行等非车道线标识的簇集中的至少一种，也可以为：车道线簇集和斑马线簇集中的至少一种。其中，预先训练的神经网络的输入为地面标识簇集，输出为地面标识簇集对应的地面标识。

在一些实施例中，检测单元303确定聚类得到的每个地面标识簇集对应的地面标识时，采用拟合线段方式，拟合线段的过程为：对每个地面标识簇集，拟合得到对应的地面标识。本实施例中，地面标识簇集为车道线簇集和斑马线簇集中的至少一种。在一些实施例中，每个车道线簇集对应一个车道虚线的线段，其中，一个车道虚线由多条等间隔的线段构成。在一些实施例中，检测单元303对每个地面标识簇集，随机选择两个地面标识候选点，并确定对应的直线；进而确定群内点数量；其中，与直线之间的距离小于或等于预设距离的地面标识候选点为群内点；预设距离可根据实际需要进行设置，本实施例不限定预设距离的具体取值。检测单元303再次随机选择两个地面标识候选点(选择两个地面标识候选点后，确定对应的直线，进而确定群内点数量)，直至遍历地面标识簇集内的所有地面标识候选点或者随机选择的次数达到预设次数后停止随机选择。其中，预设次数可根据实际需要进行设置，本实施例不限定预设次数的具体取值。检测单元303选择群内点数量最大对应的直线为地面标识，其中，群内点数量最大可以理解为拟合条件。

在一些实施例中，对于车道虚线或斑马线，检测单元303选择群内点数量最大对应的直线为地面标识后，还基于群内点的坐标，确定地面标识的两个端点，得到地面标识线段。其中，地面标识的两个端点应满足：所有群内点在直线的投影点均处于两个端点之间。

在一些实施例中，检测单元303单帧验证的过程为：对每个地面标识簇集，拟合得到对应的地面标识后，确定属于地面标识且属于激光点云的多个地面标识候选点；其中，激光点云为当前帧的激光点云；进而从属于地面标识且属于激光点云的多个地面标识候选点中随机选择两个地面标识候选点，并确定对应的直线，从而确定群内点数量。检测单元303判断群内点数量是否大于或等于预设数量阈值；若是，则说明当前帧有足够多的点扫描在地面标识上，可以用作与地图地面标识信息进行匹配，单帧验证通过；否则，再次从属于地面标识且属于激光点云的多个地面标识候选点中随机选择两个地面标识候选点(选择两个地面标识候选点后，确定对应的直线，进而确定群内点数量，判断群内点数量是否大于或等于预设数量阈值)，直至遍历属于地面标识且属于激光点云的所有地面标识候选点后停止随机选择，单帧验证不通过。

匹配单元304，用于匹配检测的地面标识与电子地图中的地面标识，得到定位信息。在一些实施例中，匹配单元304在检测单元303单帧验证通过后，匹配检测的地面标识与电子地图中的地面标识，得到定位信息。

在一些实施例中，匹配单元304确定检测的地面标识在预测的车辆位姿对应的车辆坐标系的坐标，并转换车辆坐标系的坐标为全局坐标。在一些实施例中，匹配单元304还可确定检测的地面标识的类型，其中，类型可以为车道线、非车道线，其中，非车道线包括但不限于：斑马线、停车位、左转、右转、直行等。在一些实施例中，匹配单元304基于全局坐标和检测的地面标识的类型，从电子地图中匹配：距离小于或等于预设距离阈值且朝向角度差小于或等于预设角度阈值的与检测的地面标识的类型相同的地面标识，也即匹配的地面标识与检测的地面标识之间的距离小于或等于预设距离阈值，且匹配的地面标识与检测的地面标识的朝向角度差小于或等于预设角度阈值，且匹配的地面标识与检测的地面标识的类型相同，例如，检测的车道线需要匹配地图的车道线，检测的斑马线需要匹配地图的斑马线等；从而基于匹配的地面标识，得到定位信息。其中，预设距离阈值、预设角度阈值可根据实际需要进行设置，本实施例不限定预设距离阈值、预设角度阈值的具体取值。

在一些实施例中，匹配单元304基于匹配的地面标识，得到定位信息，具体为：优化匹配的地面标识与检测的地面标识之间的距离和朝向角度差，以及对于车道虚线，优化检测的地面标识候选点到匹配的地面标识两个端点的距离和，得到定位信息。在一些实施例中，匹配单元304最小化匹配的地面标识与检测的地面标识之间的距离且最小化匹配的地面标识与检测的地面标识之间的朝向角度差；对于车道虚线，匹配单元304最小化检测的地面标识候选点到匹配的地面标识两个端点的距离和，得到定位信息。

图6为本公开实施例提供的一种激光点云的示意图。图6中所示的细线段为电子地图中的地面标识，每条细线段之间的间隔相同。旋转式的多线激光雷达采集的激光点云呈环形分布，图6中所示的环形分布的激光点云是确定单元302分割激光点云得到的地面点云。图6中所示的多个黑色方框为回波强度大于预设强度的激光点，也即当前帧的地面标识候选点。图6中所示的粗线段是匹配单元304基于匹配的地面标识，得到定位信息后，检测的地面标识段与实际的地面标识段重合的效果，其中，检测的地面标识段包括满足拟合线段条件以及用作地面标识匹配的多帧叠加的地面标识候选点(包括了黑色方框，克服单帧点云的稀疏性)。

在一些实施例中，激光定位模块300中各单元的划分仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如获取单元301、确定单元302、检测单元303和匹配单元304可以实现为一个单元；获取单元301、确定单元302、检测单元303或匹配单元304也可以划分为多个子单元。可以理解的是，各个单元或子单元能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能。

图4是本公开实施例提供的一种车载设备的结构示意图。车载设备可支持智能驾驶系统的运行。

如图4所示，车载设备包括：至少一个处理器401、至少一个存储器402和至少一个通信接口403。车载设备中的各个组件通过总线系统404耦合在一起。通信接口403，用于与外部设备之间的信息传输。可理解地，总线系统404用于实现这些组件之间的连接通信。总线系统404除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但为了清楚说明起见，在图4中将各种总线都标为总线系统404。

可以理解，本实施例中的存储器402可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。

在一些实施方式中，存储器402存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统和应用程序。

其中，操作系统，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序，包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。实现本公开实施例提供的车辆激光定位的方法的程序可以包含在应用程序中。

在本公开实施例中，处理器401通过调用存储器402存储的程序或指令，具体的，可以是应用程序中存储的程序或指令，处理器401用于执行本公开实施例提供的车辆激光定位的方法各实施例的步骤。

本公开实施例提供的车辆激光定位的方法可以应用于处理器401中，或者由处理器401实现。处理器401可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本公开实施例提供的车辆激光定位的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器402，处理器401读取存储器402中的信息，结合其硬件完成方法的步骤。

图5为本公开实施例提供的一种车辆激光定位的方法流程图。该方法的执行主体为车载设备，在一些实施例中，该方法的执行主体为车载设备所支持的智能驾驶系统。

如图5所示，本公开实施例提供的车辆激光定位的方法可包括但不限于以下步骤501至504：

501、获取激光点云。在一些实施例中，激光点云由旋转式的多线激光雷达采集。多线激光雷达旋转一圈采集的数据称为一帧数据。

502、确定所述激光点云中多个地面标识候选点。在一些实施例中，首先分割激光点云中的地面点云，然后确定地面点云中的地面标识候选点。在一些实施例中，地面标识包括但不限于：车道线和非车道线标识中的至少一种。其中，非车道线标识例如包括但不限于：斑马线、停车位、左转、右转、直行等标识中的一个或多个。

在一些实施例中，考虑到旋转式的多线激光雷达采集的激光点云是无序的，为了分割激光点云中的地面点云，需要确定激光点云中每个激光点所属线束，并确定激光点云在车辆坐标系的坐标，进而基于每个激光点所属线束和车辆坐标系的坐标，分割激光点云中的地面点云。在一些实施例中，车辆坐标系是以车辆后轴中心在地面的投影为原点，车辆横向方向为x轴，纵向方向为y轴，垂直方向为z轴。

在一些实施例中，确定激光点云中每个激光点所属线束，具体为：基于每个激光点在激光雷达坐标系的坐标，确定每个激光点所在射线与激光雷达坐标系三个平面的角度；其中，每个激光点所在射线的端点为激光雷达坐标系的原点；进而基于确定的三个角度和激光雷达的线束数量，可确定每个激光点所属线束及每个激光点在所属线束中的顺序。

在一些实施例中，基于每个激光点所属线束和车辆坐标系的坐标，分割激光点云中的地面点云，具体为：筛选车辆坐标系z轴坐标小于或等于预设高度的多个第一激光点。其中，预设高度可根据实际需要进行设置，本实施例不限定预设高度的具体取值。需要说明的是，由于获取的激光点云的坐标是激光雷达坐标系下的坐标，因此，需要将激光点云的坐标转换为车辆坐标系下的坐标，转换方式为本领域成熟技术，在此不再赘述。在筛选出多个第一激光点后，确定每个第一激光点对应的向量与平面之间的夹角；其中，向量由第一激光点与相邻线束最近的第一激光点构成，相邻线束为第一激光点所属线束的相邻线束；平面为车辆坐标系x轴和y轴构成的平面。确定每个第一激光点对应的向量与平面之间的夹角后，分割夹角小于或等于预设角度的多个第二激光点为地面点云。其中，预设角度可根据实际需要进行设置，本实施例不限定预设角度的具体取值。

在一些实施例中，确定回波强度大于预设强度的激光点为地面标识候选点。其中，回波强度为激光雷达的激光扫到不同材质的表面后反射的脉冲回波的强度，且不同材质对应的回波强度不同；预设强度可根据实际需要进行设置，本实施例不限定预设强度的具体取值。激光扫到地面标识上的回波强度高于激光扫到路面的回波强度。因此，设置预设强度初步筛选地面标识候选点。在一些实施例中，确确定地面点云中回波强度大于预设强度的激光点为地面标识候选点。

在一些实施例中，初步筛选地面标识候选点后，二次筛选地面标识候选点。在一些实施例中，考虑到地面标识具有一定宽度，一束激光会有连续多个激光点扫到地面标识上，因此，通过统计每个地面标识候选点的邻域内同线束激光点的信息，二次筛选地面标识候选点。在一些实施例中，对每个地面标识候选点，统计邻域内同线束激光点的车辆坐标系z轴坐标和回波强度；进而基于车辆坐标系z轴坐标和回波强度，二次筛选地面标识候选点。

在一些实施例中，二次筛选地面标识候选点，具体为：基于车辆坐标系z轴坐标和回波强度，确定邻域内同线束激光点的z轴坐标方差、邻域内同线束中回波强度大于预设强度的激光点数量、邻域内同线束中地面标识候选点的回波强度方差和邻域内同线束激光点的回波强度梯度变化值；进而确定z轴坐标方差、激光点数量、回波强度方差和回波强度梯度变化值满足预设范围后，确定激光点为地面标识候选点，也即将初步筛选的地面标识候选点二次确定为地面标识候选点。其中，预设范围可根据实际需要进行设置，本实施例不限定预设范围的具体取值。

503、基于所述多个地面标识候选点检测地面标识。在一些实施例中，基于多个地面标识候选点，通过多帧叠加、聚类、确定地面标识和单帧验证，实现检测地面标识。其中，多帧叠加可以克服单帧点云的稀疏性以及点云强度信息的不稳定性。聚类可以确定属于车道虚线中不同线段的地面标识候选点，也可以确定属于不同非车道线标识的候选点。确定地面标识有两种方式，一种是拟合线段，可以得到例如车道虚线、斑马线的线段；另一种是通过预先训练的神经网络得到地面标识，例如停车位、左转、右转、直行等非车道线标识中的一个或多个，又例如车道线、斑马线。单帧验证可以验证拟合的地面标识是否准确。

在一些实施例中，多帧叠加的过程为：基于车辆状态信息预测车辆位姿，其中，车辆状态信息包括但不限于：车辆的轮速和前轮偏角信息；车辆位姿包括：车辆位置和车辆朝向(也可以理解为航向)；进而基于历史多帧定位结果，确定历史地面标识候选点在预测的车辆位姿对应的车辆坐标系的坐标，实现地面标识候选点的叠加，也即增加了地面标识候选点，将历史地面标识候选点和二次筛选得到的地面标识候选点共同作为聚类的数据。在一些实施例中，预测车辆位姿具体为：实时地获取车辆的轮速和前轮偏角信息，先根据两帧的时间间隔和轮速计算车辆行驶的距离，再根据前轮偏角和车辆轴距信息推算车辆两帧之间的位移和旋转的变化，得到当前帧预测的车辆位姿。

在一些实施例中，聚类的过程为：基于历史地面标识候选点的坐标和多个地面标识候选点的坐标，进行地面标识候选点聚类，得到多个地面标识簇集，其中，历史地面标识候选点的坐标为历史地面标识候选点在预测的车辆位姿对应的车辆坐标系的坐标；每个地面标识簇集对应一个车道虚线的线段。在一些实施例中，地面标识聚类可采用基于欧式距离的聚类。

在一些实施例中，聚类得到多个地面标识簇集后，确定每个地面标识簇集对应的地面标识。在一些实施例中，基于预先训练的神经网络，确定每个地面标识簇集对应的地面标识。其中，地面标识簇集可以为：停车位、左转、右转、直行等非车道线标识的簇集中的至少一种，也可以为：车道线簇集和斑马线簇集中的至少一种。其中，预先训练的神经网络的输入为地面标识簇集，输出为地面标识簇集对应的地面标识。

在一些实施例中，确定聚类得到的每个地面标识簇集对应的地面标识时，采用拟合方式，拟合线段的过程为：对每个地面标识簇集，拟合得到对应的地面标识。本实施例中，地面标识簇集为车道线簇集和斑马线簇集中的至少一种。在一些实施例中，每个车道线簇集对应一个车道虚线的线段，其中，一个车道虚线由多条等间隔的线段构成。在一些实施例中，对每个地面标识簇集，随机选择两个地面标识候选点，并确定对应的直线；进而确定群内点数量；其中，与直线之间的距离小于或等于预设距离的地面标识候选点为群内点；预设距离可根据实际需要进行设置，本实施例不限定预设距离的具体取值。再次随机选择两个地面标识候选点(选择两个地面标识候选点后，确定对应的直线，进而确定群内点数量)，直至遍历地面标识簇集内的所有地面标识候选点或者随机选择的次数达到预设次数后停止随机选择。其中，预设次数可根据实际需要进行设置，本实施例不限定预设次数的具体取值。选择群内点数量最大对应的直线为地面标识，其中，群内点数量最大可以理解为拟合条件。

在一些实施例中，对于车道虚线或斑马线，选择群内点数量最大对应的直线为地面标识后，还基于群内点的坐标，确定地面标识的两个端点，得到地面标识线段。其中，地面标识的两个端点应满足：所有群内点在直线的投影点均处于两个端点之间。

在一些实施例中，单帧验证的过程为：对每个地面标识簇集，拟合得到对应的地面标识后，确定属于地面标识且属于激光点云的多个地面标识候选点；其中，激光点云为当前帧的激光点云；进而从属于地面标识且属于激光点云的多个地面标识候选点中随机选择两个地面标识候选点，并确定对应的直线，从而确定群内点数量。判断群内点数量是否大于或等于预设数量阈值；若是，则说明当前帧有足够多的点扫描在地面标识上，可以用作与地图地面标识信息进行匹配，单帧验证通过；否则，再次从属于地面标识且属于激光点云的多个地面标识候选点中随机选择两个地面标识候选点(选择两个地面标识候选点后，确定对应的直线，进而确定群内点数量，判断群内点数量是否大于或等于预设数量阈值)，直至遍历属于地面标识且属于激光点云的所有地面标识候选点后停止随机选择，单帧验证不通过。

504、匹配检测的地面标识与电子地图中的地面标识，得到定位信息。在一些实施例中，在单帧验证通过后，匹配检测的地面标识与电子地图中的地面标识，得到定位信息。

在一些实施例中，确定检测的地面标识在预测的车辆位姿对应的车辆坐标系的坐标，并转换车辆坐标系的坐标为全局坐标。在一些实施例中，还可确定检测的地面标识的类型，其中，类型可以为车道线、非车道线，其中，非车道线包括但不限于：斑马线、停车位、左转、右转、直行等。在一些实施例中，基于全局坐标和检测的地面标识的类型，从电子地图中匹配：距离小于或等于预设距离阈值且朝向角度差小于或等于预设角度阈值的与检测的地面标识的类型相同的地面标识，也即匹配的地面标识与检测的地面标识之间的距离小于或等于预设距离阈值，且匹配的地面标识与检测的地面标识的朝向角度差小于或等于预设角度阈值，且匹配的地面标识与检测的地面标识的类型相同，例如，检测的车道线需要匹配地图的车道线，检测的斑马线需要匹配地图的斑马线等；从而基于匹配的地面标识，得到定位信息。其中，预设距离阈值、预设角度阈值可根据实际需要进行设置，本实施例不限定预设距离阈值、预设角度阈值的具体取值。

在一些实施例中，基于匹配的地面标识，得到定位信息，具体为：优化匹配的地面标识与检测的地面标识之间的距离和朝向角度差，以及对于车道虚线，优化检测的地面标识候选点到匹配的地面标识两个端点的距离和，得到定位信息。在一些实施例中，最小化匹配的地面标识与检测的地面标识之间的距离且最小化匹配的地面标识与检测的地面标识之间的朝向角度差；对于车道虚线，最小化检测的地面标识候选点到匹配的地面标识两个端点的距离和，得到定位信息。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员能够理解，本公开实施例并不受所描述的动作顺序的限制，因为依据本公开实施例，某些步骤可以采用其他顺序或者同时进行。另外，本领域技术人员能够理解，说明书中所描述的实施例均属于可选实施例。

本公开实施例还提出一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如车辆激光定位的方法各实施例的步骤，为避免重复描述，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。

本领域的技术人员能够理解，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

虽然结合附图描述了本公开的实施方式，但是本领域技术人员可以在不脱离本公开的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种车辆激光定位的方法，其特征在于，所述方法包括：

获取激光点云；

确定所述激光点云中多个地面标识候选点；

基于所述多个地面标识候选点检测地面标识；

匹配检测的地面标识与电子地图中的地面标识，得到定位信息。

2.根据权利要求1所述的方法，其特征在于，所述地面标识包括：车道线和非车道线标识中的至少一种。

3.根据权利要求1所述的方法，其特征在于，确定所述激光点云中的地面标识候选点，包括：

分割所述激光点云中的地面点云；

确定所述地面点云中的地面标识候选点。

4.根据权利要求3所述的方法，其特征在于，分割所述激光点云中的地面点云，包括：

确定所述激光点云中每个激光点所属线束；

确定所述激光点云在车辆坐标系的坐标；

基于每个激光点所属线束和车辆坐标系的坐标，分割所述激光点云中的地面点云。

5.根据权利要求4所述的方法，其特征在于，确定所述激光点云中每个激光点所属线束，包括：

基于每个激光点在激光雷达坐标系的坐标，确定每个激光点所在射线与激光雷达坐标系三个平面的角度；

基于所述角度和激光雷达的线束数量，确定每个激光点所属线束及每个激光点在所属线束中的顺序。

6.根据权利要求4所述的方法，其特征在于，基于每个激光点所属线束和车辆坐标系的坐标，分割所述激光点云中的地面点云，包括：

筛选车辆坐标系z轴坐标小于或等于预设高度的多个第一激光点；

确定每个第一激光点对应的向量与平面之间的夹角；其中，所述向量由第一激光点与相邻线束最近的第一激光点构成；所述平面为车辆坐标系x轴和y轴构成的平面；

分割夹角小于或等于预设角度的多个第二激光点为地面点云。

7.根据权利要求1所述的方法，其特征在于，确定所述激光点云中多个地面标识候选点，包括：

确定回波强度大于预设强度的激光点为地面标识候选点。

8.根据权利要求7所述的方法，其特征在于，确定回波强度大于预设强度的激光点为地面标识候选点后，所述方法还包括：

对回波强度大于预设强度的每个激光点，统计邻域内同线束激光点的车辆坐标系z轴坐标和回波强度；

基于所述车辆坐标系z轴坐标和回波强度，二次筛选地面标识候选点。

9.一种车载设备，其特征在于，包括：处理器和存储器；

所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至8任一项所述方法的步骤。

10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如权利要求1至8任一项所述方法的步骤。

Images