CN110989619A - 用于定位对象的方法、装置、设备和存储介质 - Google Patents

用于定位对象的方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN110989619A
CN110989619A CN201911337308.4A CN201911337308A CN110989619A CN 110989619 A CN110989619 A CN 110989619A CN 201911337308 A CN201911337308 A CN 201911337308A CN 110989619 A CN110989619 A CN 110989619A
Authority
CN
China
Prior art keywords
map
estimated
height
probability
point cloud
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
Application number
CN201911337308.4A
Other languages
English (en)
Other versions
CN110989619B (zh
Inventor
万国伟
侯深化
宋适宇
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.)
Apollo Intelligent Technology Beijing 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 CN201911337308.4A priority Critical patent/CN110989619B/zh
Publication of CN110989619A publication Critical patent/CN110989619A/zh
Priority to US17/038,231 priority patent/US11373328B2/en
Priority to EP20201292.8A priority patent/EP3842836A1/en
Application granted granted Critical
Publication of CN110989619B publication Critical patent/CN110989619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Instructional Devices (AREA)
  • Navigation (AREA)

Abstract

根据本公开的示例实施例，提供了用于定位对象的方法、装置、设备和存储介质，涉及自动驾驶领域。一种用于定位对象的方法包括获取与对象所在的区域有关的地图。该地图包括具有不同高度信息的多个地图层。该方法还包括基于地图以及与对象有关的当前点云数据，确定对象的候选位置、与候选位置相对应的高度以及对象处于估计位置且具有估计姿态的估计概率。此外，该方法还包括基于估计位置、与估计位置相对应的高度和估计概率，确定定位信息，定位信息指示以下至少一项：对象的当前位置、当前高度和当前姿态。以此方式，本公开的实施例能够在各种具有复杂的高度信息的场景下实现高精度定位，从而满足自动驾驶的要求。

Description

用于定位对象的方法、装置、设备和存储介质
技术领域
本公开的实施例涉及数据处理领域，特别地，涉及自动驾驶领域，并且更具体地，涉及用于定位对象的方法、装置、设备和计算机可读存储介质。
背景技术
高精度定位技术是自动驾驶技术的重要组成部分，也是无人驾驶交通工具进行路径规划、控制决策以及感知的基础。传统的定位方案主要包括基于全球导航卫星系统(GNSS)/惯性测量单元(IMU)的定位方案、基于激光雷达的定位方案以及基于相机的定位方案。
随着无人车技术的发展，基于激光雷达(LiDAR)的定位方案变得越来越常用和重要。通常，需要对激光雷达与精确的地图配合使用，以获得车辆的正确定位，从而便于车辆的正确行驶。
发明内容
根据本公开的示例实施例，提供了一种定位对象的方案。
在本公开的第一方面中，提供了一种用于定位对象的方法。该方法包括获取与对象所在的区域有关的地图。该地图包括具有不同高度信息的多个地图层。该方法还包括基于地图以及与对象有关的当前点云数据，确定对象的估计位置、与估计位置相对应的高度以及对象处于估计位置且具有估计姿态的估计概率。此外，该方法还包括基于估计位置、与估计位置相对应的高度和估计概率，确定定位信息，定位信息指示以下至少一项：对象的当前位置、当前高度和当前姿态。
在本公开的第二方面中，提供了一种用于定位对象的装置。该装置包括地图获取模块，被配置为获取与对象所在的区域有关的地图，地图包括具有不同高度信息的多个地图层。该装置还包括概率确定模块，被配置为基于地图以及与对象有关的当前点云数据，确定对象的估计位置、与估计位置相对应的估计高度以及对象以估计姿态处于估计位置的估计概率。该装置进一步包括定位模块，被配置为至少基于估计位置、估计高度和估计概率，确定对象的定位信息，定位信息指示以下至少一项：对象的当前位置、当前高度和当前姿态。
在本公开的第三方面中，提供了一种电子设备，包括一个或多个处理器；以及存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现根据本公开的第一方面的方法。
在本公开的第四方面中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。
应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素，其中：
图1示出了根据本公开的实施例的用于定位对象的示例环境100的示意图；
图2示出了根据本公开的一些实施例的用于定位对象的方法200的流程图；
图3示出了根据本公开的一些实施例的用于获取地图的方法300的流程图；
图4示出了根据本公开的一些实施例的多层单高斯模型地图400的示意图；
图5示出了根据本公开的一些实施例的用于确定估计概率的方法500的流程图；
图6示出了根据本公开的一些实施例的用于确定估计高度的方法600的流程图；
图7示出了根据本公开的一些实施例的用于确定估计概率的方法700的流程图；
图8示出了根据本公开的一些实施例的经预处理的多层单高斯模型地图以及经预处理的当前点云数据的示意图800；
图9示出了根据本公开的实施例的用于确定定位信息的装置900的示意框图；
图10示出了根据本公开的一些实施例的用于定位对象的过程1000的可视化示意图；以及
图11示出了能够实施本公开的多个实施例的计算设备1100的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如以上提及的，期望实现高精度定位以满足自动驾驶的要求。传统的定位方案主要包括基于全球定位系统(GPS)/惯性测量单元(IMU)的定位方案、基于激光雷达的定位方案以及基于相机的定位方案。
基于激光雷达的方案能够利用雷达来精确测量多个地点的位置和深度，通过与点云地图进行匹配能够获得高精度的定位。但是在现实道路中存在复杂场景存在大量高度方向上的信息，而传统的基于点云数据的单层高斯模型地图并不能反映高度方向上的信息。例如在立交桥/多层路场景或者竖直方向上部分场景发生了变化的情况下，定位误差较大甚至会发生定位位置漂移。又例如，当地图采集车与自动驾驶车辆的激光雷达型号和安装方式不同时，定位误差通常也较大或发生定位位置漂移。
根据本公开的实施例，提出了一种用于高精度定位的方案。在该方案中，获取与待定位的对象有关的点云数据，并基于该点云数据与对应的具有多个高度层的地图之间的匹配程度，确定对象的估计位置、与估计位置相对应的估计高度以及对象以估计姿态处于估计位置的估计概率。由此，可以确定对象在当前时刻的最终定位信息。该方案能够有利地在各种复杂场景下，例如立交桥/多层路场景下，实现对象的高精确度(例如，厘米级)定位。
以下将参照附图来具体描述本公开的实施例。在本文中，术语“姿态”是指对象在特定坐标系中的姿势。例如，在二维坐标系和三维坐标系中，对象的姿态可以利用航向角来表示。在三维坐标系中，对象的姿态还可以利用俯仰角、航向角和旋转角来表示。在下文中，将以三维坐标系中，“姿态”为航向角为例来讨论本公开的实施例。也就是说，在三维坐标系中，将考虑对象的二维坐标(x，y)、对象的高度z(例如，海拔高度、或者相对于特定参考面的高度)以及对象的航向角h。然而应当理解，这仅仅出于示例的目的，而无意于限制本公开的范围。
此外，术语“对象”是指要对其进行定位的任何交通工具或其他物体。在下文中，有时以行驶中的车辆作为对象的示例。然而应当理解，这仅仅出于示例的目的，而无意于限制本公开的范围。本公开的实施例也可以被类似地应用于其他对象，诸如飞行器等。
图1示出了本公开的多个实施例能够在其中实现的示例环境100的示意图。如图1所示，环境100总体上可以包括对象110和计算设备120。尽管在图1中将计算设备120示出为与对象110分离，然而这仅仅是出于示例的目的。在一些实施例中，计算设备120也可以被包括在对象110中。例如，当对象110为自动驾驶的车辆时，计算设备120可以是该车辆中的计算装置。
计算设备120可以确定对象110在运动期间的位置、高度和所处姿态(例如，航向角)。如图1所示，计算设备120可以获取关于对象110所在的地理区域的地图101。地图101包括具有不同高度信息的多个地图层。在一些实施例中，地图101可以是基于点云数据而生成的(以下将结合图3和图4进一步描述)，并且以多层网格的形式被存储在耦合至计算设备120或者远离计算设备120的存储设备(图1中未示出)中。计算设备120可以从存储地图101的存储设备来获取地图101。
计算设备120为能够处理数据的任意电子设备，包括但不限于移动电话(例如，智能手机)、膝上型计算机、便携式数字助理(PDA)、电子书(电子书)阅读器、便携式游戏机、便携式媒体播放器、游戏机、机顶盒(STB)、智能电视(TV)、个人计算机、膝上型计算机、车载计算机(例如，导航单元)、多处理器系统、消费电子产品、大型计算机、包括上述系统或设备中的任意一个的分布式计算环境等。
对象110上可以至少安装有运动测量装置和激光雷达。在此所述的“运动测量装置”可以指代能够获得与对象110的运动有关的信息的任何传感器或测量装置，包括但不限于IMU(诸如包括加速度计、陀螺仪等)和速度传感器(诸如轮速计)等。运动测量装置能够获取对象110的运动有关的信息，例如可以包括但不限于对象110的角速度、速度(例如，车轮转速)、加速度等。
如图1所示，在对象110在运动时，可以通过诸如激光雷达的数据采集设备扫描周围的空间，以获得当前时刻的点云数据103。点云数据103以预定的时间间隔来采集，并且以帧为单位发送给计算设备。计算设备120可以获取地图101和当前时刻的点云数据103，并且至少基于地图101和点云数据103来确定对象110的定位信息105。定位信息105可以指示对象110的二维位置、高度、姿态等信息。例如，定位信息105可以包括对象110的当前位置
Figure BDA0002331314640000061
当前高度
Figure BDA0002331314640000062
和当前姿态
Figure BDA0002331314640000063
(例如，航向角)等。
在一些实施例中，计算设备120能够例如可以可视化的形式(以下将结合图10进一步描述)将定位信息105呈现给用户(例如，驾驶由对象110所表示的交通工具的司机)，或者可以被用于自动驾驶中的路径规划和/或控制决策等。
应当理解，在图1中仅出于示例性的目的描述环境100的结构和功能，而不暗示对于本公开的范围的任何限制。本公开的实施例还可以被应用到具有不同的结构和/或功能的环境中。
以下将进一步结合附图来详细描述如图1所示的计算设备120的工作原理。
图2示出了根据本公开的一些实施例的用于定位对象的方法200的流程图。例如，方法200可以由如图1所示的计算设备110来执行。以下将结合图1来详细描述方法200的各个动作。应当理解，方法200还可以包括未示出的附加动作和/或可以省略所示出的动作。本公开的范围在此方面不受限制。还应当理解，以下实施例中使用的针对各种参数的具体数值仅是用于描述本公开，而非对本公开的具体限定。本领域技术人员可以基于需要设置针对各种参数的具体数值。
在框220，计算设备120获取与对象所在的区域有关的地图，该地图包括具有不同高度信息的多个地图层。
在一些实施例中，地图101可以基于历史点云数据而预先生成，并且以多层网格的形式被存储在耦合至计算设备120或者远离计算设备120的存储设备中。地图中数据的存储格式是针对多层网格的多个对应的单高斯模型。也就是说，地图101针对不同的多个高度范围，构建了多高度层的、网格化的高斯模型地图。计算设备120可以从该存储设备中获取地图101。在下文中，地图101的生成方式将参考图3和图4来详细说明。
在框240，计算设备120基于地图以及与对象有关的当前点云数据，确定对象的估计位置、与估计位置相对应的估计高度以及对象以估计姿态处于估计位置的估计概率。
在一些实施例中，计算设备120使用诸如三维的直方图滤波器的概率确定模块，来确定对象以估计姿态h处于估计位置(x，y)的估计概率，其中三维指代对应于三个参数的三个维度，而不一定指代传统意义上的三维空间。在本文中，对象以估计姿态处于估计位置也被简称为“状态”，估计概率也可以指代后验概率。计算设备120使用直方图滤波器，为多个状态(x，y，h)确定估计概率，其中x，y分别指示二维平面上的坐标，h指示航向角度。在一个示例中，为了高精确度的定位分辨率，可以将多个状态的x或y之间的间隔设置为0.125m。
一般地，计算设备120使用直方图滤波器包括两个过程，即运动更新和量测更新，用来各个状态的估计概率。在下文中，对状态的估计概率的确定方式将参考图5至图8来详细说明。
在一些实施例中，计算设备120基于估计位置的预定高度和多个地图层的高度信息，从多个地图层中确定至少一个(例如，一个或两个)地图层。其中，该预定高度在与至少一个地图层相关联的高度范围内。然后计算设备120基于预定高度以及至少一个地图层的高度信息，确定估计高度。以此方式，计算设备120可以利用具有多个层(对应于多个高度范围)的单高斯模型地图中存储的精确的高度信息(例如，地面上的点的高度值)，来从该地图中的对应的地图单元中，获取对应于二维坐标(x，y)精确的估计高度z。在下文中，估计高度的详细确定方式将参考图6来详细说明。
在框260，计算设备120至少基于估计位置、估计高度和估计概率，确定对象的定位信息。定位信息指示以下至少一项：对象的当前位置、当前高度和当前姿态。
以此方式，计算设备120可以确定出状态、以及该状态的对应的后验概率。后验概率表示对象处于该状态的可能性。然后基于这些信息，计算设备120可以在具有复杂的高度信息的场景下，获得关于对象的精准的定位信息。
在一些实施例中，计算设备120可以获取对象的另一估计位置、与另一估计位置相对应的另一估计高度以及对象以另一估计姿态处于另一估计位置的另一估计概率。然后计算设备120通过执行以下至少一项，来确定定位信息：基于估计位置和估计概率以及另一估计位置和另一估计概率，确定对象的当前位置；基于估计高度和估计概率以及另一估计高度和另一估计概率，确定对象的当前高度；以及基于估计姿态和估计概率以及另一估计姿态和另一估计概率，确定对象的当前姿态。
以此方式，计算设备120可以基于多个估计位置、多个估计高度和多个估计概率，通过加权平均的方式来确定对象的位置
Figure BDA0002331314640000081
航向角
Figure BDA0002331314640000082
和高度
Figure BDA0002331314640000083
在一些实施例中，计算设备120确定多个状态中的每个状态的估计概率，然后确定具有高于预定阈值的估计概率的一个状态。利用直方图滤波器所获得的多个状态的估计概率可以形成一个概率分布。在一个示例中，计算设备120可以确定具有最大估计概率(概率分布的最大响应点)的一个状态。然后计算设备120利用该一个状态附近的区域R(例如，由x±5，y±5，h±5组成的区域，5表示一个单位，而不代表坐标的实际值)中所有的(例如，113个)状态(x，y，h)、状态对应的高度z以及与这些状态对应的估计概率，通过以下等式(1)来计算对象的当前位置、当前高度和当前姿态
Figure BDA0002331314640000084
Figure BDA0002331314640000091
Figure BDA0002331314640000092
Figure BDA0002331314640000093
Figure BDA0002331314640000094
其中(x，y，h)表示区域R中所有的状态(即，以估计姿态h处于估计位置x，y)，z表示状态对应的高度，P’(x，y，h)表示状态(x，y，h)的估计概率(后验概率，其可以利用将在下文详细介绍的等式(11)来获取)。β可以是经验值、预定值，或者根据当前点云数据和地图之间的匹配程度来确定(例如可以设置为1.1)，用于调整概率分布的平滑度。
以此方式，本公开的实施例能够在具有复杂的高度信息的场景下(例如立交桥/多层路场景下)，实现高精确度(例如，厘米级)定位。
图3示出了根据本公开的一些实施例的用于获取地图的方法300的流程图。例如，方法300可以被视为如图2所示的方法200中的框220的一种示例实现。应当理解，方法300还可以包括未示出的附加动作和/或可以省略所示出的动作。本公开的范围在此方面不受限制。以下实施例中使用的针对各种参数的具体数值仅是用于描述本公开，而非对本公开的具体限定。本领域技术人员可以基于需要设置针对各种参数的具体数值。
在框320，计算设备120获取在历史时段内采集的与区域有关的历史点云数据。
通常地，具有多个地图层的地图需要预先基于历史点云数据(例如，在不同的历史时刻处，由装备有LiDAR的测试车辆所采集的点云数据)来构建。采集历史点云数据的方法可以与传统的方式相类似。例如，可以在不同历史时刻(例如，在不同季节、或者在不同的天气状况下)，针对预定区域(例如，在立交桥的路面上行驶)进行扫描来获得历史点云数据。
在框340，计算设备120基于历史点云数据，确定多个地图层。其中多个地图层中的每个地图层包括多个地图单元，每个地图单元包括用于构建单高斯模型的空间参数和地面参数。
通过采集获得的历史点云数据中具有多个数据点，每个数据点对应于传统三维空间坐标系中的点(表示空间位置)，其可以被定位在地图中的特定层中(每个地图层对应于特定高度范围)的特定地图单元(该单元还对应于二维平面中位置，例如，三维空间坐标系中的x，y，或世界大地坐标系中的位置)。作为结果，根据本公开的实施例的地图是一个具有多个地图层的网格化地图。由于该地图中的每一层中的每个地图单元均是基于单高斯模型而构建的，故计算设备120可以利用多个单高斯模型，方便地将诸如高度信息和反射信息的空间参数存储为与对应层中的对应地图单元相关联。
图4示出了根据本公开的一些实施例的多层单高斯模型地图的示意图。以下实施例中使用的针对各种参数的具体数值仅是用于描述本公开，而非对本公开的具体限定。本领域技术人员可以基于需要设置针对各种参数的具体数值。
在图4所示出的地图400中，地图层401、402和403对应于三个不同高度，其中地图层401是从参考地图层算起的第k个地图层，地图层402是是从参考地图层算起的第k+2个地图层，以及地图层403是从参考地图层算起的第k+5个地图层。可以理解的是，在地图层401与402之间、以及地图层402与403之间还存在其他地图层。类似地，网格411、412和413对应于三个不同的二维平面位置(x，y)，网格的定义与传统的网格地图类似，因此在此不再赘述。
一个地图单元被限定在一个地图层与一个网格相交处。例如，在地图层403与网格412相交处是一个示例地图单元421。地图单元421包括两个子单元，即高斯模型子单元422和地面参数子单元423。
地图单元可以至少包括基于点的空间参数所构建的反射信息单高斯模型和高度信息单高斯模型。例如，针对地图单元421，反射信息单高斯模型基于落在对应地图层403的对应网格412内的点的反射信息来构建，而高度信息单高斯模型基于落在对应地图层403的对应网格412内的点的高度信息来构建。反射信息包括反射值的均值ur和反射值方差σr、以及点的数目Cr，而高度信息包括高度值的均值ua和高度值方差σa，以及点的数目Ca。上述反射信息单高斯模型和高度信息单高斯模型可以对应地被存储在地图单元421的高斯模型子单元422中。
地图单元还可以包括落在该地图单元内的地面点(例如，立交桥路面上的点)的高度信息。
例如，地图单元421还包括地面参数子单元423，其可以存储对应地图层403的对应网格412内的地面点的地面参数。地面参数包括落在地图单元421内的地面点的高度值均值uae，以及落在该层的地面点的个数d。如图4中所示出的，在地图单元421所对应的空间位置处，不存在地面参数(即，地面参数子单元422中没有存储数据)，这可以表示在地图单元421所对应的空间位置处，没有路面的存在。而在地面单元所对应的位置处存在路面的情况下，地面参数子单元(例如，子单元441)则会存储该对应路面的高度信息。
类似地，对应于网格413、地图层402处的地图单元中，不存在空间参数(高斯模型子单元)，因为该位置没有对应的历史点云数据。这可能是由于该地图单元所对应的空间位置被树或建筑物所遮挡。在一些实施例中，为了节省存储空间，计算设备120只为有效的(即，存在对应的数据)地图层(地图单元和/或地图子单元)分配存储空间。
每两个相邻高度范围所对应的两个地图层之间存在一定的高度重叠区域。例如，在图4中，高度方向上相邻的高斯模型子单元431和432之间存在高度重叠区域433。高度重叠区域433表示高斯模型子单元431包括的高度信息所对应的高度范围，与高斯模型子单元432包括的高度信息所对应的高度范围部分相同。重叠区域的存在，可以降低高度上的误差对定位精确度的影响，并且更大限度地利用三维空间中点的信息。而这些信息例如可以在参考图6所详细描述的估计高度确定过程中使用。
在一些情况下，若三维空间坐标系中的点(x，y，z)落在诸如高度重叠区域433所表示的高度范围内，则该点(x，y，z)可以对应于两个地图层。
在一些实施例中，三维空间坐标系中的点(x，y，z)所匹配的地图层可以通过以下等式(2)和等式(3)来确定：
Figure BDA0002331314640000121
Figure BDA0002331314640000122
l2＝l1-1，
Δh＝(z-ab)-(hl-ho)·l1 (3)
其中，x和y表示该点在空间中的位置，z表示该点在空间中的高度，L是点(x，y，z)所对应的一组地图层，l1和l2表示候选地图层的索引，该索引可以指示候选地图层在地图中的位置(例如，从参考层开始计数的层的数目)。Δh表示点(x，y，z)在l1层中的高度(即，从l1的底部到该点的距离)。hl表示每一个地图层的高度，hoho表示两个地图层之间重叠部分的高度，ab表示参考高度值，其用来计算候选地图层的索引。
在一个示例中，hl可以设定为2.5m，ho可以设定为1m，ab可以设定为-1000m。以此方式，计算设备120可以确定与历史点云数据中的点相匹配的(一个或两个)地图层。
返回到图3，在框360，计算设备120基于多个地图层，生成地图。该地图进一步在诸如框240所示的处理中使用。如上文所讨论的，生成的地图被存储在耦合至计算设备120或者远离计算设备120的存储设备，并且可以被计算设备120利用和/或通过计算设备来更新。
基于单高斯模型的地图的一个优点是可以方便地进行地图数据的更新。例如，针对图4中网格411的401层处的单元432，假设之前已经基于LiDAR的5次扫描所获得的点云数据构建过单高斯模型，也就是说该高斯模型是基于5个数据点而构建的。如果在LiDAR的最近(第6次)扫描中采集到的点云数据中具有针对单元432的数据点，则可以利用第6个数据点连同先前的5个数据点来重新构建(更新)针对单元432的单高斯模型。
在一个示例中，在合适的情况下，当前点云数据也可以被用于更新地图。计算设备120可以依据以下过程来更新地图。首先，计算设备120可以基于当前点云数据的高度信息，从多个地图层中选择一组地图层，该一组地图层的高度信息与当前点云数据的高度信息相匹配。计算设备120可以利用等式(2)和等式(3)确定点云数据所对应的一组地图层(例如，一个或两个地图层)。然后，计算设备120确定一组地图层中的、与当前点云数据相对应地图单元。接着，计算设备120基于当前点云数据，更新与当前点云数据相对应的地图单元的高斯模型。通过上述过程，计算设备120可以利用新的点云数据，来更新地图单元的单高斯模型。
根据本公开的实施例的多层单高斯模型地图具有以下优点。在高度方向上，相比于传统地图，多层单高斯模型以高度层的形式存储有更丰富、且更精确的高度信息。此外，该地图中的数据以多个单高斯模型的方式进行存储，这减少了数据存储量，且可以方便地适时进行更新。
图5示出了根据本公开的一些实施例的用于确定估计概率的方法500的流程图。例如，方法500可以被视为如图2所示的方法200中的框240的一种示例实现。应当理解，方法500还可以包括未示出的附加动作和/或可以省略所示出的动作。本公开的范围在此方面不受限制。以下实施例中使用的针对各种参数的具体数值仅是用于描述本公开，而非对本公开的具体限定。本领域技术人员可以基于需要设置针对各种参数的具体数值。
在框520，计算设备120基于多个地图层中包含的反射信息和当前点云数据的反射信息，确定对象处于估计位置且具有估计姿态的反射估计概率。
在一些实施例中，计算设备120可以基于以下描述的流程来确定反射估计概率
Figure BDA0002331314640000141
首先，计算设备120可以基于从多个地图层中选择的一层地图层的高度信息，确定当前点云数据中的第一数据集。该第一数据集的高度信息与选择的一层地图层的高度信息相对应。
然后，计算设备120至少基于第一数据集中所包含的反射信息与一层地图层中包含的反射信息，确定层反射信息相似度Disr(x，y，h，l)。层反射信息相似度表示当前点云数据的反射信息和地图在地图层l的反射信息的相似度，其可以根据以下等式(4)来计算：
Figure BDA0002331314640000142
其中，rm表示地图层l中的点的反射值的均值，σm 2地图层l中的点的反射值的方差。rzh表示第一数据集中的点的反射值的均值，
Figure BDA0002331314640000143
表示第一数据集中的点的反射值的方差。i和j用于表示点云数据中的点的位置。
接着，计算设备120至少基于层反射信息相似度Disr(x，y，h，l)，确定反射估计概率(似然概率)
Figure BDA0002331314640000144
在一个示例中，计算设备120可以依据如下等式(5)来确定反射估计概率
Figure BDA0002331314640000145
Figure BDA0002331314640000151
其中
Figure BDA0002331314640000152
表示当前点云数据中的反射信息，(x，y，h)表示状态，即对象以估计姿态处于估计位置，
Figure BDA0002331314640000153
表示在框220处获取的地图，Π表示乘法操作。η表示归一化操作，l表示基于预定策略选择的一组地图层L中的地图层，具体的选择过程将在下文中参考图7来详细介绍。α表示用来调整直方图中状态间的对比度的参数，N是被包含在一组地图层L中的、当前点云数据的体素的数目(具体将在下文参考图8的实施例详细说明)。
在框540，计算设备120基于多个地图层中包含的高度信息和当前点云数据中包含的高度信息，确定对象处于估计位置且具有估计姿态的高度估计概率。
在一些实施例中，计算设备120可以基于以下描述的流程来确定高度估计概率
Figure BDA0002331314640000154
首先，计算设备120可以基于从多个地图层中选择的一层地图层的高度信息，确定当前点云数据中的第一数据集。该第一数据集的高度信息与选择的一层地图层的高度信息相对应。
然后，计算设备120至少基于第一数据集中所包含的高度信息与一层地图层中包含的高度信息，确定层高度信息相似度Disa(x，y，h，l)。层高度信息相似度表示当前点云数据的高度信息和地图在地图层l的高度信息的相似度，其可以根据以下等式(6)来计算：
Figure BDA0002331314640000155
其中，am表示地图层l中的点的高度值的均值，azh表示第一数据集中的点的高度值的均值，i和j用于表示点云数据中的点的位置。
接着，计算设备120至少基于层高度信息相似度Disa(x，y，h，l)，确定高度估计概率(似然概率)
Figure BDA0002331314640000161
在一个示例中，计算设备120可以依据如下等式(7)来确定反射估计概率
Figure BDA0002331314640000162
Figure BDA0002331314640000163
其中
Figure BDA0002331314640000164
表示当前点云数据中的高度信息，(x，y，h)表示状态，即对象以估计姿态处于估计位置，
Figure BDA0002331314640000165
表示在框220处获取的地图，П表示乘法操作。η表示归一化操作，l表示基于预定策略选择的一组地图层L中的地图层，具体的选择过程将在下文中参考图7来详细介绍。λ表示经验值，α表示用来调整直方图中状态间的对比度的参数，N是一组地图层L中包含当前点云数据的体素数量(体素的定义将在下文参考图8详细说明)。λ和α均可以基于根据点云数据和地图之间的匹配程度来确定。
在框560，计算设备120至少基于反射估计概率和高度估计概率，确定估计概率。
在一些实施例中，计算设备120可以基于以下描述的流程，至少利用反射估计概率和高度估计概率来确定估计概率
Figure BDA0002331314640000166
首先，计算设备120确定针对状态(x，y，h)的运动更新预测概率
Figure BDA0002331314640000167
确定运动更新预测概率的整个过程又被称为运动更新。
由于针对运动对象的定位方法是实时进行的。计算设备每隔预定时间间隔就会为运动对象确定一次定位信息(即，对应于一帧点云数据)。这样，计算设备120可以依据上一时刻t-1处所确定的定位信息来粗略地预计当前时刻t处的定位信息。
例如，假设xt＝(x，y，z，h)T是t时刻的定位信息(即，t时刻的直方图滤波器的中心点)，则计算设备120可以通过利用t-1时刻的定位信息xt-1(即，t-1时刻的直方图滤波器的中心点)，以及从t-1时刻到t时刻捷联惯导系统的状态(包括位置、高度、航向角的增量)增量，来获取xt。中心点可以指代多个候选的状态(x，y，z，h)中处于中间的状态。在一个示例中，可以通过对x，y，z，h分别求平均值来获取该中心点。
在一个示例中，计算设备120可以依据如下等式(8)来确定每个状态(x，y，h)的预测概率
Figure BDA0002331314640000171
Figure BDA0002331314640000172
其中P(i，j，k)表示运动更新的概率，σ是用来表示运动更新后对象移动程度的参数。
然后，计算设备120利用如上在框520和540中所确定的反射估计概率和高度估计概率，确定针对每个状态(x，y，h)的似然概率。在一个示例中，计算设备120可以依据如下等式(9)来确定状态(x，y，h)的似然概率
Figure BDA0002331314640000173
Figure BDA0002331314640000174
其中
Figure BDA0002331314640000175
表示当前点云数据，η表示归一化操作，wr表示权重，用于调节的反射估计概率和高度估计概率对最终估计概率的影响，wr的详细确定过程将在下文进一步描述。
接着，计算设备利用运动更新预测概率，以及似然概率分布
Figure BDA0002331314640000176
和运动更新预测概率分布
Figure BDA0002331314640000177
之间KL散度(Kullback–Leiblerdivergence)，来计算先验概率P(x，y，h)。在一个示例中，计算设备120可以依据如下等式(10)来确定先验概率。
Figure BDA0002331314640000181
其中K表示KL散度。
最后，计算设备120可以基于状态(x，y，h)的先验概率P(x，y，h)，以及基于反射估计概率和高度估计概率所确定的似然概率
Figure BDA0002331314640000182
来确定状态(x，y，h)的估计概率(后验概率)。
在一个示例中，根据贝叶斯法则，计算设备120可以依据如下等式(11)来确定估计概率：
Figure BDA0002331314640000183
其中η表示归一化操作。
确定估计概率(后验概率)的整个过程还可以被称为量测更新。
在一些实施例中，计算设备120可以通过调整针对反射估计概率和高度估计概率的权重wr，来调节反射估计概率和高度估计概率对最终估计概率的影响。例如，在诸如具有路面标线等场景下，地图中反射信息与点云数据中的反射信息匹配较为准确。在这样的场景下，计算设备120可以适当地调高wr的值，使得反射估计概率
Figure BDA0002331314640000184
具有较高的权重。而在诸如具有建筑等场景下，地图中高度信息与点云数据中的高度信息匹配较为准确，在这样的场景下，计算设备120可以适当地调低wr的值，使得高度估计概率
Figure BDA0002331314640000185
具有较高地权重。
在一个示例中，计算设备120可以根据概率分布∑xyhP(zr|x，y，h，m)以及∑xyhP(za|x，y，h，m)的方差，利用如下等式(12)来动态地且自主地调整的权重wr：
Figure BDA0002331314640000186
上述等式(12)中x，y和h三个维度上的方差可以利用如下等式(13)来计算：
Figure BDA0002331314640000191
Figure BDA0002331314640000192
Figure BDA0002331314640000193
其中
Figure BDA0002331314640000194
是表示对应的概率分布的质心，β是控制分布平滑度的参数，P(x，y，h)表示对应状态的后验概率。在一个实施例中，质心可以依据类似等式(1)的加权平均方法来确定。
图6示出了根据本公开的一些实施例的用于确定估计概率的方法600的流程图。例如，方法600可以被视为如图2所示的方法200中的框240的一种示例实现。应当理解，方法600还可以包括未示出的附加动作和/或可以省略所示出的动作。本公开的范围在此方面不受限制。以下实施例中使用的针对各种参数的具体数值仅是用于描述本公开，而非对本公开的具体限定。本领域技术人员可以基于需要设置针对各种参数的具体数值。
在框620，计算设备120基于估计位置的预定高度和多个地图层的高度信息，从多个地图层中确定至少一个地图层，预定高度在与至少一个地图层相关联的高度范围内。
在一些示例中，计算设备120可以基于估计位置(x，y)和预定的地面高度值zg，利用上述等式(2)和(3)确定该位置在地图中对应的网格(x，y)以及候选地图层(或一组候选地图层)的索引。计算设备120可以通过多种方法来预测预定的地面高度值zg。在一些示例中，计算设备可以利用上一时刻t-1的高度值来预测预定的地面高度值zg。
在框640，计算设备120基于预定高度以及至少一个地图层的高度信息，来确定估计高度。
如上面参考图3和图4所讨论的，地图中的地图单元均包括地面参数，地面参数包括地图单元内的地面点的高度值均值uae。计算设备120可以利用对应的(多个)地图单元对应的uae和预定的地面高度值zg之间的关系，来确定最终的估计高度。例如，计算设备120会针对以下情况，基于预定高度(zg)以及至少一个地图层的高度信息(uae)，以不同的方式来确定不同的估计高度。
情况1：在一些实施例中，如果(1)只存在一个候选地图层l1；且(2)与网格(x，y)和候选地图层l1对应的地图单元包括地面参数(即地面参数子单元中包含数据)；且(3)预定高度值zg和候选地图层l1对应的地面参数中的高度均值uae差值小于预定阈值，在这些条件(1)-(3)均满足的情况下，计算设备120确定估计高度等于uae。
情况2：在另一些实施例中，如果(1)存在两个候选地图层l1和l2；且(2)与网格(x，y)和候选地图层l1和l2对应的地图单元中包括地面参数(即地面参数子单元中包含数据)；且(3)预定高度值zg和候选地图层l1对应的地面参数中的高度均值uae1的差值d1，小于预定高度值zg和候选地图层l2对应的地面参数中的高度均值uae2的差值d2(即d1<d2)，且(4)高度均值zg和uae1差值在一定阈值范围内，计算设备120确定估计高度等于uae1。
情况3：在又一些实施例中，如果(1)存在两个候选地图层l1和l2；且(2)与网格(x，y)和候选地图层l1和l2对应的地图单元中包括地面参数(即地面参数子单元中包含数据)；且(3)预定高度值zg和候选地图层l1对应的地面参数中的高度均值uae1的差值d1，不小于预定高度值zg和候选地图层l2对应的地面参数中的高度均值uae2的差值d2(即d1≥d2)，且(4)预定高度值zg和uae2差值在一定阈值范围内，计算设备120确定估计高度等于uae2。
情况4：在其他实施例中，当上述情况1、情况2和情况3均不满足时，计算设备120确定估计高度等于预定高度值zg。
以此方式，计算设备120可以利用地面点的高度值均值uae，为每个状态(x，y，h)确定精确的估计高度z。该估计高度z可以进一步用于准确地确定当前点云数据中的每个点对应的(多个)地图层。
图7示出了根据本公开的一些实施例的用于确定估计概率的方法700的流程图。例如，方法700可以被视为如图2所示的方法200中的框240的一种示例实现。应当理解，方法700还可以包括未示出的附加动作和/或可以省略所示出的动作。本公开的范围在此方面不受限制。以下实施例中使用的针对各种参数的具体数值仅是用于描述本公开，而非对本公开的具体限定。本领域技术人员可以基于需要设置针对各种参数的具体数值。
在框720，计算设备120基于当前点云数据的高度信息，从多个地图层中选择一组地图层。其中一组地图层的高度信息与当前点云数据的高度信息相匹配。
对于当前点云数据中的每个点，计算设备120都会在地图中查找其属于哪些层，根据本公开的实施例的计算复杂度主要取决于当前点云数据中点的数目以及地图的复杂度。这二者均可以影响状态的估计概率的计算。因此，需要对包括多个地图层的地图进行预处理。考虑到当前点云数据所覆盖的高度范围，计算设备120可以选出一些对应的地图层，用于后续估计概率的确定。
图8示出了根据本公开的一些实施例的经预处理的多层单高斯模型地图以及经预处理的当前点云数据的示意图800。为了减少计算量，计算设备120可以将当前点云数据850体素化成多个体素(voxel)851。可以使用体素851的中心点来表示落在该体素内所有点的平均位置，每个体素851均包括：中心点高度信息、落在该体素内的点的反射值平均值和反射值方差、点的数目。由于一些空间位置被诸如树或建筑物的物体所遮挡，当前点云数据850所对应的多个体素中的一些体素由于遮挡而没有包括任何数据。
在一些实施例中，计算设备120仅为有效的体素(即，包括数据)分配存储空间。在一些实施例中，计算设备120可以设置一个体素的大小为(0.125m，0.125m，0.125m)，其分别对应x，y，z方向上的体素长度。
由于每一帧当前点云数据仅覆盖有限的高度范围，在一些实施例中，计算设备120仅维护地图中的、用以存储地面附近固定层数的一组地图层的数据的数据结构。例如，图8中示出了包括地图层811、812和813的一组地图层810，其高度范围与(体素化)当前点云数据850的高度范围相匹配。该固定层数的一组地图层还可以被称为感兴趣的区域。随后，计算设备120利用一组地图层810与当前点云数据850，来进行后续估计概率的确定。
如参考图3和图4所讨论的，地图层811、812和813均包括以下信息：反射值均值,反射值方差，高度值均值以及对应的点的数目。利用这些信息可以分别构建反射信息高斯模型以及高度信息高斯模型，并且可以分别为地图层811、812和813实现高度信息可视化和反射信息可视化。例如，图像821、822和823分别是地图层811、812和813的高度信息可视化结果，图像831、832和833分别是地图层811、812和813的反射信息可视化结果。
返回图7，在框740，计算设备120基于一组地图层以及当前点云数据来确定估计概率。
此处的估计概率的确定可以参考上述结合图3到图6中所讨论的方法，不同之处在于被输入到直方图滤波器的地图数据。通过使用上述预处理简化过的地图数据(其具有预定层数)，计算设备120可以更快速地确定出估计概率，而这进一步影响针对(例如，移动的)对象最终的定位精确度。
在一些实施例中，计算设备120进一步确定一组地图层的置信参数，置信参数包括一组地图层的以下至少一项：包含在一组地图层中空间参数和地面参数的数目、一组地图层中包含的噪声数据以及一组地图层中的环境变量。
由于多层单高斯模型地图是基于采集的点云数据来生成，多层单高斯模型地图中的某些层可能仅包含较少的点，利用这样的点构建的高斯模型的可信度较低。此外，某些地图层可能包含很多噪声数据(例如，诸如车辆的动态障碍物)。另外，环境变化(例如，季节变化导致的树叶变化)可以导致当前点云数据和某些地图层相似度很低。
为了消除上述几种情况带来的负面影响，计算设备确定(例如，计算)一组地图层的置信参数，从而允许确定对定位具有积极影响的地图层。计算设备120可以基于置信参数，从一组地图层中选择至少一个地图层。例如，该至少一个地图层的置信参数大于阈值。然后计算设备120可以基于至少一个地图层以及当前点云数据，确定估计概率并且确定对象的最终定位信息(例如，对象的位置，高度和航向角)。
在一些实施例中，计算设备120可以针对反射信息，利用第一置信参数(例如，反射信息置信度)选择与反射信息对应的至少一个地图层。类似地，计算设备120可以针对高度信息，利用第二置信参数(例如，高度信息置信度)选择与高度信息对应的至少一个地图层。
在一个示例中，计算设备120可以根据以下等式(14)和(15)来确定反射信息置信度U(r,l)以及高度信息置信度U(a,l)。
Figure BDA0002331314640000231
Figure BDA0002331314640000232
Figure BDA0002331314640000233
Figure BDA0002331314640000234
其中，
Figure BDA0002331314640000235
表示针对地图层l的反射估计概率，
Figure BDA0002331314640000236
表示针对地图层l的高度估计概率。Disr(x，y，h，l)和Disa(x，y，h，l)分别表示当前点云数据和地图层l的反射信息相似度和高度信息相似度。Nz表示地图的感兴趣的区域中包含当前点云数据的体素数目。
Figure BDA0002331314640000237
和
Figure BDA0002331314640000238
分别是地图层l对应的(例如，在直方图滤波器中的)反射估计概率
Figure BDA0002331314640000239
分布在x，y，h三个维度上的方差。
Figure BDA00023313146400002310
和
Figure BDA00023313146400002311
分别是地图层l对应的(例如，在直方图滤波器中的)高度估计概率
Figure BDA0002331314640000241
分布在x，y，h三个维度上的方差，上面提及的方差可以根据上述等式(13)来确定。
以此方式，计算设备可以只利用对定位具有积极影响的地图层所对应的估计位置、估计高度和估计概率，来确定定位信息，使得定位的精度和置信度进一步提升。因此，本公开的实施例能够克服传统定位方案中的种种问题。例如，本公开的实施例能够在各种具有复杂的高度信息的场景下(例如立交桥/多层路场景下)，实现高精确度(厘米级)定位。
图9示出了根据本公开的实施例的用于确定定位信息的装置900的示意框图。
如图9所示，装置900可以包括地图获取模块920，其被配置为获取与对象所在的区域有关的地图，地图包括具有不同高度信息的多个地图层。装置900还可以包括概率确定模块940，其被配置为基于地图以及与对象有关的当前点云数据，确定对象的估计位置、与估计位置相对应的估计高度以及对象以估计姿态处于估计位置的估计概率。此外，装置900还可以包括定位模块960，其被配置为至少基于估计位置、估计高度和估计概率，确定对象的定位信息，定位信息指示以下至少一项：对象的当前位置、当前高度和当前姿态。
在一些实施例中，地图获取模块920包括：历史点云数据获取模块，被配置为获取在历史时段内采集的与区域有关的历史点云数据；地图单元确定模块，被配置为基于历史点云数据，确定多个地图层，多个地图层中的每个地图层包括多个地图单元，每个地图单元包括用于构建单高斯模型的空间参数和地面参数；以及地图生成模块，被配置为基于多个地图层，生成地图。
在一些实施例中，装置900还包括：地图层匹配模块，被配置为基于当前点云数据的高度信息，从多个地图层中选择一组地图层，一组地图层的高度信息与当前点云数据的高度信息相匹配；地图单元匹配模块，被配置为确定一组地图层中的、与当前点云数据相对应的地图单元；以及地图更新模块，被配置为基于当前点云数据，更新与当前点云数据相对应的地图单元的单高斯模型。
在一些实施例中，概率确定模块940包括：地图层确定模块，被配置为基于估计位置的预定高度和多个地图层的高度信息，从多个地图层中确定至少一个地图层，预定高度在与至少一个地图层相关联的高度范围内；以及高度确定模块，被配置为基于预定高度以及至少一个地图层的高度信息，来确定估计高度。
在一些实施例中，概率确定模块940包括：第一反射估计概率确定模块，被配置为基于多个地图层中包含的反射信息和当前点云数据的反射信息，确定对象处于估计位置且具有估计姿态的反射估计概率；第一高度估计概率确定模块，被配置为基于多个地图层中包含的高度信息和当前点云数据中包含的高度信息，确定对象处于估计位置且具有估计姿态的高度估计概率；以及第一估计概率确定模块，被配置为基于反射估计概率和高度估计概率，确定估计概率。
在一些实施例中，第一反射估计概率确定模块包括：点云数据确定模块，被配置为基于从多个地图层中选择的一层地图层的高度信息，确定当前点云数据中的第一数据集，第一数据集的高度信息与选择的一层地图层的高度信息相对应；层反射信息相似度确定模块，被配置为至少基于第一数据集中所包含的反射信息与一层地图层中包含的反射信息，确定层反射信息相似度；以及第二反射估计概率确定模块，被配置为至少基于层反射信息相似度，确定反射估计概率。
在一些实施例中，第一高度估计概率确定模块包括：层高度信息确定模块，被配置为至少基于第一数据集中所包含的高度信息与一层地图层中包含的高度信息，确定层高度信息相似度；以及第二高度估计概率确定模块，被配置为至少基于层高度信息相似度，确定高度估计概率。
在一些实施例中，概率确定模块940包括：第一地图层选择模块，被配置为基于当前点云数据的高度信息，从多个地图层中选择一组地图层，一组地图层的高度信息与当前点云数据的高度信息相匹配；以及第二估计概率确定模块，被配置为基于一组地图层以及当前点云数据来确定估计概率。
在一些实施例中，概率确定模块940包括：置信参数确定模块，被配置为确定一组地图层的置信参数，置信参数包括一组地图层的以下至少一项：包含在一组地图层中空间参数和地面参数的数目、一组地图层中包含的噪声数据以及一组地图层中的环境变量；第二地图层选择模块，被配置为基于置信参数，从一组地图层中选择至少一个地图层；以及第三估计概率确定模块，被配置为基于至少一个地图层以及当前点云数据，确定估计概率。
在一些实施例中，定位模块960包括：第三估计概率确定模块，被配置为获取对象的另一估计位置、与另一估计位置相对应的另一估计高度以及对象以另一估计姿态处于另一估计位置的另一估计概率；以及第二定位信息模块，被配置为执行以下至少一项：基于估计位置和估计概率以及另一估计位置和另一估计概率，确定对象的当前位置；基于估计高度和估计概率以及另一估计高度和另一估计概率，确定对象的当前高度；以及基于估计姿态和估计概率以及另一估计姿态和另一估计概率，确定对象的当前姿态。
图10示出了根据本公开的一些实施例的用于定位对象的过程1000的可视化示意图。例如，过程1000可以被视为如图2所示的方法200的一种示例实现，其可以由装置900来执行。应当理解，过程1000还可以包括未示出的附加动作和/或可以省略所示出的动作。
图10示出了一个复杂立交桥场景的卫星视图1010。框1020中示出了针对卫星视图1010中的对象所在的区域1011的多层单高斯模型地图可视化效果图像1021，以及当前点云数据的可视化效果图像1022。多层单高斯模型地图1021和当前点云数据1022作为输入数据，输入直方图滤波器1030，并且采用参考图2至图8所述的方法进行处理，以获得地图和点云数据之间的匹配结果(估计概率)。
在图10中，可视化效果1031反映了每个地图层对应的反射信息匹配直方图，以及基于诸如采用图7中的方法而被选择的一组地图层1033。可视化效果图像1032反映了每个地图层对应的高度信息匹配直方图，以及基于诸如采用图7中的方法而被选出的一组地图层1034。
可视化效果图像1040是(1)针对一组地图层1032的、反射信息匹配直方图(其指示反射估计概率)，以及(2)针对一组地图层1034的、高度信息匹配直方图(其指示高度估计概率)这二者的组合。基于组合后的直方图(其指示高度估计概率和反射估计概率的组合)，计算设备120获得当前帧的当前点云数据的可视化定位结果1050。该定位结果1050可以反映图2至图8所述的方法中所确定的对象的定位信息，并且可以以直观的形式呈现给对象的操作者(例如，驾驶员)。
在一个示例中，计算设备网120可以通过计算定位信息的置信度来表示最终定位结果的好坏。置信度越高，表示定位越准确。可以通过以下等式(16)来表示由等式(1)所获得最终定位信息
Figure BDA0002331314640000271
的置信度Cxyh：
Figure BDA0002331314640000272
其中
Figure BDA0002331314640000273
表示最终定位信息中的位置和航向角，p＝(x，y，h)表示用于等式(1)中的区域R的每个状态的估计概率。β可以是经验值、预定值，或者根据当前点云数据来确定(例如可以设置为1.1)。
通过在多层路场景下的实际测试，本公开的实施例提供的方案能够使在多层路场景下的定位漂移控制在平均10cm以下，漂移在30cm以下的概率(置信水平)是100％。
图11示出了可以用来实施本公开的实施例的示例设备1100的示意性框图。设备1100可以用于实现图1的计算设备120。如图所示，设备1100包括中央处理单元(CPU)1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序指令或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序指令，来执行各种适当的动作和处理。在RAM1103中，还可存储设备1100操作所需的各种程序和数据。CPU 1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元1101执行上文所描述的各个方法和处理，例如过程200。例如，在一些实施例中，过程200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由CPU 1101执行时，可以执行上文描述的过程200的一个或多个步骤。备选地，在其他实施例中，CPU 1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行过程200。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、任何非暂态存储器、或上述内容的任何合适组合。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (22)

1.一种用于定位对象的方法，包括：
获取与所述对象所在的区域有关的地图，所述地图包括具有不同高度信息的多个地图层；
基于所述地图以及与所述对象有关的当前点云数据，确定所述对象的估计位置、与所述估计位置相对应的估计高度以及所述对象以估计姿态处于所述估计位置的估计概率；以及
至少基于所述估计位置、所述估计高度和所述估计概率，确定所述对象的定位信息，所述定位信息指示以下至少一项：所述对象的当前位置、当前高度和当前姿态。
2.根据权利要求1所述的方法，其中获取所述地图包括：
获取在历史时段内采集的与所述区域有关的历史点云数据；
基于所述历史点云数据，确定所述多个地图层，所述多个地图层中的每个地图层包括多个地图单元，每个地图单元包括用于构建单高斯模型的空间参数和地面参数；以及
基于所述多个地图层，生成所述地图。
3.根据权利要求2所述的方法，进一步包括：
基于所述当前点云数据的高度信息，从所述多个地图层中选择一组地图层，所述一组地图层的高度信息与所述当前点云数据的所述高度信息相匹配；
确定所述一组地图层中的、与所述当前点云数据相对应的地图单元；以及
基于所述当前点云数据，更新与所述当前点云数据相对应的所述地图单元的单高斯模型。
4.根据权利要求1所述的方法，其中确定所述估计高度包括：
基于所述估计位置的预定高度和所述多个地图层的高度信息，从所述多个地图层中确定至少一个地图层，所述预定高度在与所述至少一个地图层相关联的高度范围内；以及
基于所述预定高度以及所述至少一个地图层的高度信息，来确定所述估计高度。
5.根据权利要求1至4中任一项所述的方法，其中确定所述估计概率包括：
基于所述多个地图层中包含的反射信息和所述当前点云数据的反射信息，确定所述对象处于所述估计位置且具有所述估计姿态的反射估计概率；
基于所述多个地图层中包含的高度信息和所述当前点云数据中包含的高度信息，确定所述对象处于所述估计位置且具有所述估计姿态的高度估计概率；以及
基于所述反射估计概率和所述高度估计概率，确定所述估计概率。
6.根据权利要求5所述的方法，其中确定所述反射估计概率包括：
基于从所述多个地图层中选择的一层地图层的高度信息，确定所述当前点云数据中的第一数据集，所述第一数据集的高度信息与选择的所述一层地图层的所述高度信息相对应；
至少基于所述第一数据集中所包含的反射信息与所述一层地图层中包含的反射信息，确定层反射信息相似度；以及
至少基于所述层反射信息相似度，确定所述反射估计概率。
7.根据权利要求6所述的方法，其中确定所述高度估计概率包括：
至少基于所述第一数据集中所包含的高度信息与所述一层地图层中包含的高度信息，确定层高度信息相似度；以及
至少基于所述层高度信息相似度，确定所述高度估计概率。
8.根据权利要求1至4中任一项所述的方法，其中确定所述估计概率包括：
基于所述当前点云数据的高度信息，从所述多个地图层中选择一组地图层，所述一组地图层的高度信息与所述当前点云数据的高度信息相匹配；以及
基于所述一组地图层以及所述当前点云数据来确定所述估计概率。
9.根据权利要求8所述的方法，其中确定所述定位信息包括：
确定所述一组地图层的置信参数，所述置信参数包括所述一组地图层的以下至少一项：包含在所述一组地图层中空间参数和地面参数的数目、所述一组地图层中包含的噪声数据以及所述一组地图层中的环境变量；
基于所述置信参数，从所述一组地图层中选择至少一个地图层；以及
基于所述至少一个地图层以及所述当前点云数据，确定所述估计概率。
10.根据权利要求1至4中任一项所述的方法，其中确定所述定位信息包括：
获取所述对象的另一估计位置、与所述另一估计位置相对应的另一估计高度以及所述对象以另一估计姿态处于所述另一估计位置的另一估计概率；以及
通过执行以下至少一项，来确定所述定位信息：
基于所述估计位置和所述估计概率以及所述另一估计位置和所述另一估计概率，确定所述对象的所述当前位置；
基于所述估计高度和所述估计概率以及所述另一估计高度和所述另一估计概率，确定所述对象的所述当前高度；以及
基于所述估计姿态和所述估计概率以及所述另一估计姿态和所述另一估计概率，确定所述对象的所述当前姿态。
11.一种用于定位对象的装置，包括：
地图获取模块，被配置为获取与所述对象所在的区域有关的地图，所述地图包括具有不同高度信息的多个地图层；
概率确定模块，被配置为基于所述地图以及与所述对象有关的当前点云数据，确定所述对象的估计位置、与所述估计位置相对应的估计高度以及所述对象以估计姿态处于所述估计位置的估计概率；以及
定位模块，被配置为至少基于所述估计位置、所述估计高度和所述估计概率，确定所述对象的定位信息，所述定位信息指示以下至少一项：所述对象的当前位置、当前高度和当前姿态。
12.根据权利要求11所述的装置，其中所述地图获取模块包括：
历史点云数据获取模块，被配置为获取在历史时段内采集的与所述区域有关的历史点云数据；
地图单元确定模块，被配置为基于所述历史点云数据，确定所述多个地图层，所述多个地图层中的每个地图层包括多个地图单元，每个地图单元包括用于构建单高斯模型的空间参数和地面参数；以及
地图生成模块，被配置为基于所述多个地图层，生成所述地图。
13.根据权利要求12所述的装置，所述装置还包括：
地图层匹配模块，被配置为基于所述当前点云数据的高度信息，从所述多个地图层中选择一组地图层，所述一组地图层的高度信息与所述当前点云数据的所述高度信息相匹配；
地图单元匹配模块，被配置为确定所述一组地图层中的、与所述当前点云数据相对应的地图单元；以及
地图更新模块，被配置为基于所述当前点云数据，更新与所述当前点云数据相对应的所述地图单元的单高斯模型。
14.根据权利要求11所述的装置，其中所述概率确定模块包括：
地图层确定模块，被配置为基于所述估计位置的预定高度和所述多个地图层的高度信息，从所述多个地图层中确定至少一个地图层，所述预定高度在与所述至少一个地图层相关联的高度范围内；以及
高度确定模块，被配置为基于所述预定高度以及所述至少一个地图层的高度信息，来确定所述估计高度。
15.根据权利要求11至14中任一项所述的装置，其中所述概率确定模块包括：
第一反射估计概率确定模块，被配置为基于所述多个地图层中包含的反射信息和所述当前点云数据的反射信息，确定所述对象处于所述估计位置且具有所述估计姿态的反射估计概率；
第一高度估计概率确定模块，被配置为基于所述多个地图层中包含的高度信息和所述当前点云数据中包含的高度信息，确定所述对象处于所述估计位置且具有所述估计姿态的高度估计概率；以及
第一估计概率确定模块，被配置为基于所述反射估计概率和所述高度估计概率，确定所述估计概率。
16.根据权利要求15所述的装置，其中所述第一反射估计概率确定模块包括：
点云数据确定模块，被配置为基于从所述多个地图层中选择的一层地图层的高度信息，确定所述当前点云数据中的第一数据集，所述第一数据集的高度信息与选择的所述一层地图层的所述高度信息相对应；
层反射信息相似度确定模块，被配置为至少基于所述第一数据集中所包含的反射信息与所述一层地图层中包含的反射信息，确定层反射信息相似度；以及
第二反射估计概率确定模块，被配置为至少基于所述层反射信息相似度，确定所述反射估计概率。
17.根据权利要求16所述的装置，其中所述第一高度估计概率确定模块包括
层高度信息确定模块，被配置为至少基于所述第一数据集中所包含的高度信息与所述一层地图层中包含的高度信息，确定层高度信息相似度；以及
第二高度估计概率确定模块，被配置为至少基于所述层高度信息相似度，确定所述高度估计概率。
18.根据权利要求11至14中任一项所述的装置，其中所述概率确定模块包括：
第一地图层选择模块，被配置为基于所述当前点云数据的高度信息，从所述多个地图层中选择一组地图层，所述一组地图层的高度信息与所述当前点云数据的高度信息相匹配；以及
第二估计概率确定模块，被配置为基于所述一组地图层以及所述当前点云数据来确定所述估计概率。
19.根据权利要求18所述的装置，其中所述概率确定模块包括：
置信参数确定模块，被配置为确定所述一组地图层的置信参数，所述置信参数包括所述一组地图层的以下至少一项：包含在所述一组地图层中空间参数和地面参数的数目、所述一组地图层中包含的噪声数据以及所述一组地图层中的环境变量；
第二地图层选择模块，被配置为基于所述置信参数，从所述一组地图层中选择至少一个地图层；以及
第三估计概率确定模块，被配置为基于所述至少一个地图层以及所述当前点云数据，确定所述估计概率。
20.根据权利要求11至14中任一项所述的装置，其中所述定位模块包括：
第三估计概率确定模块，被配置为获取所述对象的另一估计位置、与所述另一估计位置相对应的另一估计高度以及所述对象以另一估计姿态处于所述另一估计位置的另一估计概率；以及
第二定位信息模块，被配置为执行以下至少一项：
基于所述估计位置和所述估计概率以及所述另一估计位置和所述另一估计概率，确定所述对象的所述当前位置；
基于所述估计高度和所述估计概率以及所述另一估计高度和所述另一估计概率，确定所述对象的所述当前高度；以及
基于所述估计姿态和所述估计概率以及所述另一估计姿态和所述另一估计概率，确定所述对象的所述当前姿态。
21.一种电子设备，所述设备包括：
一个或多个处理器；以及
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10中任一项所述的方法。
22.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1-10中任一项所述的方法。
CN201911337308.4A 2019-12-23 2019-12-23 用于定位对象的方法、装置、设备和存储介质 Active CN110989619B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201911337308.4A CN110989619B (zh) 2019-12-23 2019-12-23 用于定位对象的方法、装置、设备和存储介质
US17/038,231 US11373328B2 (en) 2019-12-23 2020-09-30 Method, device and storage medium for positioning object
EP20201292.8A EP3842836A1 (en) 2019-12-23 2020-10-12 Method, apparatus and storage medium for positioning object

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911337308.4A CN110989619B (zh) 2019-12-23 2019-12-23 用于定位对象的方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN110989619A true CN110989619A (zh) 2020-04-10
CN110989619B CN110989619B (zh) 2024-01-16

Family

ID=70075042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911337308.4A Active CN110989619B (zh) 2019-12-23 2019-12-23 用于定位对象的方法、装置、设备和存储介质

Country Status (3)

Country Link
US (1) US11373328B2 (zh)
EP (1) EP3842836A1 (zh)
CN (1) CN110989619B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111597287A (zh) * 2020-05-15 2020-08-28 北京百度网讯科技有限公司 地图生成方法、装置及设备
CN112703368A (zh) * 2020-04-16 2021-04-23 华为技术有限公司 车辆定位的方法和装置、定位图层生成的方法和装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146976B (zh) * 2018-08-23 2020-06-02 百度在线网络技术（北京）有限公司 用于定位无人车的方法和装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103747743A (zh) * 2011-07-01 2014-04-23 皇家飞利浦有限公司 对超声波束形成器进行基于对象姿态的初始化
US20160203361A1 (en) * 2008-08-15 2016-07-14 Brown University Method and apparatus for estimating body shape
CN107316048A (zh) * 2017-05-03 2017-11-03 深圳市速腾聚创科技有限公司 点云分类方法及装置
US20170344018A1 (en) * 2016-05-24 2017-11-30 Baidu Online Network Technology (Beijing) Co., Ltd. Unmanned vehicle, method, apparatus and system for positioning unmanned vehicle
US20170344015A1 (en) * 2016-05-24 2017-11-30 Baidu Online Network Technology (Beijing) Co., Ltd. Driverless vehicle, method, apparatus and system for positioning driverless vehicle
CN108732582A (zh) * 2017-04-20 2018-11-02 百度在线网络技术（北京）有限公司 车辆定位方法和装置
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
CN109146976A (zh) * 2018-08-23 2019-01-04 百度在线网络技术（北京）有限公司 用于定位无人车的方法和装置
WO2019065546A1 (ja) * 2017-09-29 2019-04-04 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 三次元データ作成方法、クライアント装置及びサーバ
US20190146062A1 (en) * 2017-11-15 2019-05-16 Baidu Online Network Technology (Beijing) Co., Ltd Laser point cloud positioning method and system

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3427008B1 (en) * 2016-03-11 2022-09-07 Kaarta, Inc. Laser scanner with real-time, online ego-motion estimation
US10579065B2 (en) * 2016-11-23 2020-03-03 Baidu Usa Llc Algorithm and infrastructure for robust and efficient vehicle localization
US10380890B2 (en) * 2017-02-08 2019-08-13 Baidu Usa Llc Autonomous vehicle localization based on walsh kernel projection technique

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160203361A1 (en) * 2008-08-15 2016-07-14 Brown University Method and apparatus for estimating body shape
CN103747743A (zh) * 2011-07-01 2014-04-23 皇家飞利浦有限公司 对超声波束形成器进行基于对象姿态的初始化
US20170344018A1 (en) * 2016-05-24 2017-11-30 Baidu Online Network Technology (Beijing) Co., Ltd. Unmanned vehicle, method, apparatus and system for positioning unmanned vehicle
US20170344015A1 (en) * 2016-05-24 2017-11-30 Baidu Online Network Technology (Beijing) Co., Ltd. Driverless vehicle, method, apparatus and system for positioning driverless vehicle
CN108732582A (zh) * 2017-04-20 2018-11-02 百度在线网络技术（北京）有限公司 车辆定位方法和装置
CN107316048A (zh) * 2017-05-03 2017-11-03 深圳市速腾聚创科技有限公司 点云分类方法及装置
WO2019065546A1 (ja) * 2017-09-29 2019-04-04 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 三次元データ作成方法、クライアント装置及びサーバ
US20190146062A1 (en) * 2017-11-15 2019-05-16 Baidu Online Network Technology (Beijing) Co., Ltd Laser point cloud positioning method and system
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
CN109146976A (zh) * 2018-08-23 2019-01-04 百度在线网络技术（北京）有限公司 用于定位无人车的方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GUOWEI WAN，等: "Robust and Precise Vehicle Localization based on Multi-sensor Fusion in Diverse City Scenes", 《2018 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA)》, pages 4671 - 4677 *
R.T. WHITAKER，等: "On the reconstruction of height functions and terrain maps from dense range data", vol. 11, no. 7, XP011074285 *
易晓东，等: "实时更新的全局一致三维栅格建图", vol. 32, no. 1 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112703368A (zh) * 2020-04-16 2021-04-23 华为技术有限公司 车辆定位的方法和装置、定位图层生成的方法和装置
CN112703368B (zh) * 2020-04-16 2022-08-09 华为技术有限公司 车辆定位的方法和装置、定位图层生成的方法和装置
CN111597287A (zh) * 2020-05-15 2020-08-28 北京百度网讯科技有限公司 地图生成方法、装置及设备
CN111597287B (zh) * 2020-05-15 2023-09-29 阿波罗智能技术(北京)有限公司 地图生成方法、装置及设备

Also Published As

Publication number Publication date
US20210192777A1 (en) 2021-06-24
EP3842836A1 (en) 2021-06-30
CN110989619B (zh) 2024-01-16
US11373328B2 (en) 2022-06-28

Similar Documents

Publication Publication Date Title
CN110146909B (zh) 一种定位数据处理方法
CN111656136B (zh) 使用激光雷达的车辆定位系统
CN113916243B (zh) 目标场景区域的车辆定位方法、装置、设备和存储介质
US9071829B2 (en) Method and system for fusing data arising from image sensors and from motion or position sensors
JP2019215853A (ja) 測位のための方法、測位のための装置、デバイス及びコンピュータ読み取り可能な記憶媒体
JP7131994B2 (ja) 自己位置推定装置、自己位置推定方法、自己位置推定プログラム、学習装置、学習方法及び学習プログラム
CN111338383B (zh) 基于gaas的自主飞行方法及系统、存储介质
US11373328B2 (en) Method, device and storage medium for positioning object
US8818722B2 (en) Rapid lidar image correlation for ground navigation
WO2021097983A1 (zh) 定位的方法、装置、设备及存储介质
RU2487419C1 (ru) Система комплексной обработки информации радионавигационных и автономных средств навигации для определения действительных значений параметров самолетовождения
KR101909953B1 (ko) 라이다 센서를 이용한 차량의 자세 추정 방법
CN104677361B (zh) 一种综合定位的方法
CN110570463B (zh) 一种目标状态估计方法、装置和无人机
CN111862214B (zh) 计算机设备定位方法、装置、计算机设备和存储介质
WO2018221455A1 (ja) 更新装置、制御方法、プログラム及び記憶媒体
CN113933818A (zh) 激光雷达外参的标定的方法、设备、存储介质及程序产品
US20230194269A1 (en) Vehicle localization system and method
US20220205804A1 (en) Vehicle localisation
CN110637209B (zh) 估计机动车的姿势的方法、设备和具有指令的计算机可读存储介质
US20210012528A1 (en) Method for determining projecting edges of a target on an image
CN114217665A (zh) 一种相机和激光雷达时间同步方法、装置及存储介质
CN111006645A (zh) 基于运动与结构重建的无人机测绘方法
CN110794434B (zh) 一种位姿的确定方法、装置、设备及存储介质
CN116465393A (zh) 基于面阵激光传感器的同步定位和建图方法及装置

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
TA01 Transfer of patent application right

Effective date of registration: 20211015

Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085

Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd.

Address before: 100094 2 / F, baidu building, No.10 Shangdi 10th Street, Haidian District, Beijing

Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant