CN111158035B - 一种无人车定位方法及无人车 - Google Patents

Abstract

本发明实施例涉及无人驾驶技术领域，公开了一种无人车定位方法及无人车。其中，所述无人车定位方法包括：获取所述无人车进入预设区域时的初始位置，并控制所述无人车进入自主定位模式；根据所述自主定位模式，分别获取所述无人车在所述预设区域内任意相邻两个时刻下的第一点云及第二点云；根据所述第一点云及所述第二点云，计算所述无人车在所述任意相邻两个时刻下的距离差值；累加目标时长内每相邻两个时刻对应的距离差值，得到总距离差值，所述目标时长为所述无人车进入预设区域时的进入时刻至当前时刻的时长；根据所述初始位置及所述总距离差值，定位所述无人车的当前位置。本发明实施例提升了无人车的定位精度。

Description

一种无人车定位方法及无人车

技术领域

本发明涉及无人驾驶技术领域，特别是涉及一种无人车定位方法及无人车。

背景技术

目前，无人车一般采用GPS通信系统进行定位。但是，在高楼建筑群、隧道或地下停车场等区域，其定位误差较大，极大地影响了无人车的正常驾驶。

发明内容

本发明实施例旨在提供一种无人车定位方法及无人车，其能够提升无人车的定位精度。

为解决上述技术问题，本发明实施例提供以下技术方案：

第一方面，本发明实施例提供了一种无人车定位方法，包括：

获取所述无人车进入预设区域时的初始位置，并控制所述无人车进入自主定位模式；

根据所述自主定位模式，分别获取所述无人车在所述预设区域内任意相邻两个时刻下的第一点云及第二点云；

根据所述第一点云及所述第二点云，计算所述无人车在所述任意相邻两个时刻下的距离差值；

累加目标时长内每相邻两个时刻对应的距离差值，得到总距离差值，所述目标时长为所述无人车进入预设区域时的进入时刻至当前时刻的时长；

根据所述初始位置及所述总距离差值，定位所述无人车的当前位置。

在一些实施例中，所述第一点云在已知位置得到的，所述第二点云在未知位置得到的，所述根据所述第一点云及所述第二点云，计算所述无人车在任意相邻两个时刻下的距离差值包括：

根据所述第一点云及所述第二点云，结合SLAM算法，构建所述无人车在所述未知位置的地图；

根据所述已知位置，结合所述地图，计算出所述未知位置；

根据所述已知位置及所述未知位置，计算距离差值。

在一些实施例中，所述距离差值包括在所述无人车的世界坐标系下的X轴方向的第一距离差值及Y轴方向的第二距离差值。

在一些实施例中，在获取所述无人车进入预设区域时的初始位置之前，所述方法还包括：

获取所述无人车的地理位置；

判断所述地理位置是否处于所述预设区域的区域范围内；

若是，进入获取所述无人车进入预设区域时的初始位置的步骤；

若否，继续根据所述无人车的定位装置接收到的实时地理位置导航所述无人车。

在一些实施例中，所述预设区域包括露天区域和/或封闭区域；

所述露天区域包括高楼建筑群；

所述封闭区域包括隧道及地下停车场。

在一些实施例中，所述控制所述无人车进入自主定位模式包括：

当所述无人车所在的预设区域为露天区域时，获取所述露天区域的环境数据；

当所述环境数据为下雨程度数据或下雪程度数据时，根据所述环境数据，计算自主定位的置信度；

根据所述置信度，控制所述无人车的定位模式，所述定位模式包括自主定位模式或导航定位模式。

在一些实施例中，所述根据所述环境数据，计算自主定位的置信度包括：

使用所述无人车的摄像机拍摄周围环境，得到环境图像；

提取所述环境图像中全部雨滴或雪花的特征连通区域；

计算每个所述雨滴或雪花的特征连通区域的区域面积；

根据每个所述雨滴或雪花的特征连通区域的区域面积，计算所述环境图像中雨滴或雪花的区域面积平均值；

根据所述区域面积平均值及预设置信分值表，计算自主定位的置信度。

在一些实施例中，所述预设置信分值表包括若干置信等级，每个所述置信等级对应一类置信度；

所述根据所述区域面积平均值及预设置信分值表，计算自主定位的置信度包括：

根据所述预设置信分值表，遍历出包含所述区域面积平均值的目标置信等级；

选择所述目标置信等级的置信度作为自主定位的置信度。

在一些实施例中，所述根据所述置信度，控制所述无人车的定位模式包括：

判断所述置信度是否大于预设置信阈值；

若是，确定所述定位模式为自主定位模式；

若否，确定所述定位模式为导航定位模式。

第二方面，本发明实施例提供了一种无人车，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任一项所述的无人车定位方法。

第三方面，本发明实施例提供了一种无人车定位装置，包括：

第一获取模块，用于获取所述无人车进入预设区域时的初始位置，并控制所述无人车进入自主定位模式；

第二获取模块，用于根据所述自主定位模式，分别获取所述无人车在所述预设区域内任意相邻两个时刻下的第一点云及第二点云；

计算模块，用于根据所述第一点云及所述第二点云，计算所述无人车在所述任意相邻两个时刻下的距离差值；

累加模块，用于累加目标时长内每相邻两个时刻对应的距离差值，得到总距离差值，所述目标时长为所述无人车进入预设区域时的进入时刻至当前时刻的时长；

定位模块，用于根据所述初始位置及所述总距离差值，定位所述无人车的当前位置。

在一些实施例中，所述第一点云在已知位置得到的，所述第二点云在未知位置得到的，所述计算模块包括：

构建单元，用于根据所述第一点云及所述第二点云，结合SLAM算法，构建所述无人车在所述未知位置的地图；

第一计算单元，用于根据所述已知位置，结合所述地图，计算出所述未知位置；

第二计算单元，用于根据所述已知位置及所述未知位置，计算距离差值。

在一些实施例中，所述距离差值包括在所述无人车的世界坐标系下的X轴方向的第一距离差值及Y轴方向的第二距离差值。

在一些实施例中，在获取所述无人车进入预设区域时的初始位置之前，所述装置还包括：

第三获取模块，用于获取所述无人车的地理位置；

判断模块，用于判断所述地理位置是否处于所述预设区域的区域范围内；

若所述地理位置处于所述预设区域的区域范围内，进入获取所述无人车进入预设区域时的初始位置的步骤；

导航模块，用于若所述地理位置不处于所述预设区域的区域范围内，继续根据所述无人车的定位装置接收到的实时地理位置导航所述无人车。

在一些实施例中，所述预设区域包括露天区域和/或封闭区域；

所述露天区域包括高楼建筑群；

所述封闭区域包括隧道及地下停车场。

在一些实施例中，所述第一获取模块包括：

获取单元，用于当所述无人车所在的预设区域为露天区域时，获取所述露天区域的环境数据；

第三计算单元，用于当所述环境数据为下雨程度数据或下雪程度数据时，根据所述环境数据，计算自主定位的置信度；

控制单元，用于根据所述置信度，控制所述无人车的定位模式，所述定位模式包括自主定位模式或导航定位模式。

在一些实施例中，所述第三计算单元包括：

拍摄子单元，用于使用所述无人车的摄像机拍摄周围环境，得到环境图像；

提取子单元，用于提取所述环境图像中全部雨滴或雪花的特征连通区域；

第一计算子单元，用于计算每个所述雨滴或雪花的特征连通区域的区域面积；

第二计算子单元，用于根据每个所述雨滴或雪花的特征连通区域的区域面积，计算所述环境图像中雨滴或雪花的区域面积平均值；

第三计算子单元，用于根据所述区域面积平均值及预设置信分值表，计算自主定位的置信度。

在一些实施例中，所述预设置信分值表包括若干置信等级，每个所述置信等级对应一类置信度；

所述第三计算子单元具体用于：

根据所述预设置信分值表，遍历出包含所述区域面积平均值的目标置信等级；

选择所述目标置信等级的置信度作为自主定位的置信度。

在一些实施例中，所述控制单元包括：

判断子单元，用于判断所述置信度是否大于预设置信阈值；

第一确定子单元，用于若所述置信度大于所述预设置信阈值，确定所述定位模式为自主定位模式；

第二确定子单元，用于若所述置信度小于或等于所述预设置信阈值，确定所述定位模式为导航定位模式。

第四方面，本发明实施例还提供了一种非易失性计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使无人车能够执行如上任一项所述的无人车定位方法。

本发明实施例的有益效果是：区别于现有技术的情况下，本发明实施例提供的一种无人车定位方法及无人车，通过获取无人车进入预设区域时的初始位置，并控制无人车进入自主定位模式，根据自主定位模式，分别获取无人车在预设区域内任意相邻两个时刻下的第一点云及第二点云，根据第一点云及第二点云，计算无人车在任意相邻两个时刻下的距离差值，累加目标时长内每相邻两个时刻对应的距离差值，得到总距离差值，目标时长为无人车进入预设区域时的进入时刻至当前时刻的时长，根据初始位置及总距离差值，定位无人车的当前位置，因此，本发明实施例提升了无人车的定位精度。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是本发明实施例提供的无人车定位方法其中一种应用场景的示意图；

图2是本发明实施例提供的其中一种无人车定位方法的方法流程图；

图3是图2中步骤S11的其中一种方法流程图；

图4是图3中步骤S112的其中一种方法流程图；

图5是图3中步骤S113的其中一种方法流程图；

图6是图2中步骤S13的其中一种方法流程图；

图7是本发明实施例提供的其中一种无人车定位方法的方法流程图；

图8是本发明实施例提供的其中一种无人车定位装置的结构示意图；

图9是本发明实施例提供的其中一种无人车定位装置的结构示意图；

图10是本发明实施例提供的一种无人车的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域普通技术人员在没有做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。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。另外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

由于无人车能够替代驾驶员执行“枯燥的、恶劣的、危险的、纵深的”任务，具有机动性强、适应能力和生存能力高、降低人员伤亡风险等诸多优点，因此在军事、民用等方面均拥有广阔的应用前景。无人车定位以及基于无人车定位进行导航是无人车在未知或已知环境中能够正常行驶的最基本要求。目前，无人车利用GPS(Global Positioning System，全球定位系统)进行定位，其车辆定位精度为10米以内，当无人车处于城市道路或峡谷中，由于高楼、树木、隧道等会屏蔽GPS信号，使得车辆定位精度会进一步下降，对无人车的正常驾驶产生极大影响。为了解决在预设区域内，基于传统GPS定位，导致无人车的定位精度较差的问题，本发明实施例提出了一种无人车定位方法。

请参阅图1，是本发明实施例提供的无人车定位方法其中一种应用场景的示意图，具体地，该应用场景包括无人车10、GPS卫星20以及服务器30。

其中，所述无人车10与所述GPS卫星20通信连接，其包括全球24颗定位人造卫星，用于向全球各地全天候地提供三维位置信息和三维速度信息。所述服务器30与所述GPS卫星20通信连接，包括系统应用服务器、数据库服务器、电子地图服务器中的一种或多种。

其中，所述无人车10是一种智能汽车，包括GPS接收天线、计算机系统以及显示设备。

所述GPS接收天线用于接收24颗GPS卫星中至少3颗GPS卫星发射的数据信息，获取所述GPS卫星20与所述无人车10之间的距离、时钟校正以及大气校正等参数。所述计算机系统用于对距离、时钟校正以及大气校正等参数进行数据处理，以确定所述无人车10的位置，并将所述位置通过所述GPS卫星20发送至所述服务器30，以使终端设备可通过网络获取所述无人车10的实时位置信息等。所述显示设备用于根据存储于所述无人车10的电子地图和所述位置，在电子地图上显示所述位置、动态规划所述无人车10的行进路线以及显示前方路况、加油站、饭店、旅馆等信息。

在一些实施例中，所述GPS接收天线还用于获取所述服务器30更新的电子地图，并加载至所述显示设备。

在本实施例中，预设区域包括露天区域和/或封闭区域，所述露天区域包括高楼建筑群，所述封闭区域包括隧道及地下停车场。所述无人车10应当包括激光雷达101，所述激光雷达101具体用于在所述无人车10的自主定位模式下，产生在所述预设区域内任意相邻两个时刻下的第一点云及第二点云，以使所述计算机系统根据任意相邻两个时刻下的所述第一点云和所述第二点云，以及所述无人车10进入所述预设区域的初始位置，定位所述无人车10的当前位置。

可以理解，所述无人车10在任意时刻对应不同的位置，如图1所示，所述无人车10进入预设区域时的进入时刻T0对应初始位置S0，在所述预设区域内，与进入时刻T0相邻的第一相邻时刻T1对应第一相邻位置S1，与第一相邻时刻T1相邻的第二相邻时刻T2对应第二相邻位置S2，与第一相邻时刻T2相邻的第三相邻时刻T3对应第三相邻位置S3……与第一相邻时刻Tn-1相邻的出去时刻Tn对应结束位置Sn。

具体地，进入时刻T0与其相邻时刻T1对应的距离差值S01等于第一相邻位置S1与初始位置S0的差值的绝对值，根据初始位置S0及进入时刻T0与其相邻时刻T1对应的距离差值S01，定位所述无人车10的当前位置，所述当前位置等于初始位置S0加上距离差值S01。以此类推，可精确定位所述无人车10在所述预设区域内位置，例如，在第四相邻时刻T4，所述无人车10的当前位置等于初始位置S0、距离差值S01、距离差值S12、距离差值S23与距离差值S34的累加值。

具体地，下面结合附图，对本发明实施例作进一步阐述。

请参阅图2，是本发明实施例提供的其中一种无人车定位方法的方法流程图。如图2所示，所述无人车定位方法该方法包括但不限于以下步骤：

步骤S11：获取所述无人车进入预设区域时的初始位置，并控制所述无人车进入自主定位模式。

在本实施例中，所述无人车的定位模式至少包括自主定位模式和导航定位模式。

具体地，在所述预设区域外，GPS信号较强，控制切换至所述导航定位模式，基于车载GPS系统，可实现所述无人车的车载定位导航。在所述预设区域内，GPS信号较弱，使所述无人车的定位精度较差，因此，在所述无人车进入预设区域时，获取所述无人车进入预设区域时的初始位置，并控制所述无人车进入自主定位模式，其中，所述初始位置可通过所述车载GPS系统获得。

步骤S12：根据所述自主定位模式，分别获取所述无人车在所述预设区域内任意相邻两个时刻下的第一点云及第二点云。

点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合。根据激光测量原理得到的点云，包括三维坐标(XYZ)和激光反射强度(Intensity)，强度信息与目标的表面材质、粗糙度、入射角方向，以及仪器的发射能量，激光波长有关。根据摄影测量原理得到的点云，包括三维坐标(XYZ)和颜色信息(RGB)。结合激光测量和摄影测量原理得到点云，包括三维坐标(XYZ)、激光反射强度(Intensity)以及颜色信息(RGB)。

例如，所述无人车搭载的激光雷达是通过360度旋转扫描周围环境的，例如64线激光雷达，是指64个激光雷达纵向排列，俯仰角不同，然后通过旋转，达到对360度环境的采样，得到所述第一点云和所述第二点云。步骤S13：根据所述第一点云及所述第二点云，计算所述无人车在所述任意相邻两个时刻下的距离差值。

在本实施例中，将所述第一点云和所述第二点云转化为柱坐标，根据所述柱坐标，将所述第一点云和所述第二点云展开为深度图像，基于深度学习算法，处理所述深度图像，以得到所述无人车在所述任意相邻两个时刻下的距离差值。

步骤S14：累加目标时长内每相邻两个时刻对应的距离差值，得到总距离差值，所述目标时长为所述无人车进入预设区域时的进入时刻至当前时刻的时长。

其中，假设所述无人车经过所述预设区域的时间为经过时间，则所述目标时长的最小值等于所述进入时刻，所述目标时长的最大值等于所述进入时刻加上所述经过时间。根据所述无人车搭载的激光雷达的扫描周期，可计算所述目标时长内每相邻两个时刻对应的距离差值，通过调节所述无人车搭载的激光雷达的扫描周期，可调节所述任意相邻两个时刻的间距大小，从而可调节所述无人车的定位精度。可以理解，所述任意相邻两个时刻的间距越小，所述无人车的定位精度越高。

步骤S15：根据所述初始位置及所述总距离差值，定位所述无人车的当前位置。

在一些实施例中，请参阅图3，其示出了图2中步骤S11的其中一种方法流程图，基于图2所示的方法，所述控制所述无人车进入自主定位模式包括：

步骤S111：当所述无人车所在的预设区域为露天区域时，获取所述露天区域的环境数据。

其中，所述预设区域包括露天区域和/或封闭区域。所述露天区域包括高楼建筑群，所述封闭区域包括隧道及地下停车场。

步骤S112：当所述环境数据为下雨程度数据或下雪程度数据时，根据所述环境数据，计算自主定位的置信度。

步骤S113：根据所述置信度，控制所述无人车的定位模式，所述定位模式包括自主定位模式或导航定位模式。

在一些情况下，当所述无人车所在的预设区域为露天区域时，所述露天区域较易受到环境因素的影响，当所述环境数据为下雨程度数据或下雪程度数据时，使所述露天区域内的GPS信号存在不确定性。

若下雨程度或下雪程度较轻，甚至不存在下雨或下雪时，所述露天区域内的GPS信号与所述预设区域外的其他道路区域的信号程度相差不大，此时，根据所述环境数据，计算自主定位的置信度的数值较小，需根据所述置信度，控制所述无人车的定位模式切换继续为导航定位模式。若下雨程度或下雪程度较为严重时，可导致所述露天区域内的GPS信号大幅度衰减或中断，此时，根据所述环境数据，计算自主定位的置信度的数值较大，为保证所述无人车的可靠驾驶，需根据所述置信度，控制所述无人车的定位模式切换为自主定位模式。

综上，本发明实施例既保证了无人车定位精度，又增加了定位模式切换的灵活性。

在一些实施例中，请参阅图4，其示出了图3中步骤S112的其中一种方法流程图，基于图3所示的方法，所述根据所述环境数据，计算自主定位的置信度包括：

步骤S1121：使用所述无人车的摄像机拍摄周围环境，得到环境图像。

步骤S1122：提取所述环境图像中全部雨滴或雪花的特征连通区域。

步骤S1123：计算每个所述雨滴或雪花的特征连通区域的区域面积。

步骤S1124：根据每个所述雨滴或雪花的特征连通区域的区域面积，计算所述环境图像中雨滴或雪花的区域面积平均值。

步骤S1125：根据所述区域面积平均值及预设置信分值表，计算自主定位的置信度。

在本实施例中，所述预设置信分值表包括若干置信等级，每个所述置信等级对应一类置信度，所述根据所述区域面积平均值及预设置信分值表，计算自主定位的置信度包括：根据所述预设置信分值表，遍历出包含所述区域面积平均值的目标置信等级；选择所述目标置信等级的置信度作为自主定位的置信度。

可以理解，所述无人车安装有摄像机，所述摄像机用于拍摄周围环境，得到环境图像。所述无人车的计算机系统用于获取所述环境图像，并根据所述环境图像，计算自主定位的置信度。其中，所述预设置信分值表预先存储于所述无人车的计算机系统，或者，还可通过网络从服务器中下载。

如前所述，下雨或者下雪的程度均可能影响所述自主定位的置信度。具体地，下雨或者下雪的程度的越大，所述自主定位的置信度越大，下雨或者下雪的程度的越小，所述自主定位的置信度越小。在本实施例中，采用雨滴或雪花的特征连通区域的大小表征下雨或者下雪的程度，通常来说，下雨或者下雪的程度越大，其单位降雨量或降水量也就越大，表现在所述无人车周围的雨滴或雪花的特征连通区域也就越大。

在一些实施例中，请参阅图5，其示出了图3中步骤S113的其中一种方法流程图，基于图3所示的方法，所述根据所述置信度，控制所述无人车的定位模式包括：

步骤S1131：判断所述置信度是否大于预设置信阈值。

步骤S1132：若是，确定所述定位模式为自主定位模式。

步骤S1133：若否，确定所述定位模式为导航定位模式。

在一些实施例中，所述第一点云在已知位置得到的，所述第二点云在未知位置得到的，请参阅图6，其示出了图2中步骤S13的其中一种方法流程图，基于图2所示的方法，所述根据所述第一点云及所述第二点云，计算所述无人车在任意相邻两个时刻下的距离差值包括：

步骤S131：根据所述第一点云及所述第二点云，结合SLAM算法，构建所述无人车在所述未知位置的地图。步骤S132：根据所述已知位置，结合所述地图，计算出所述未知位置。

步骤S133：根据所述已知位置及所述未知位置，计算距离差值。

SLAM算法也称同时定位与建图算法，将所述预设区域看作是未知环境，所述无人车在所述未知环境中从一个未知位置中开始移动，在移动的过程中，根据位置估计和地图进行自身定位。同时，可在自身定位的基础上建造增量式地图，实现所述无人车的自主定位和导航。

其中，所述距离差值包括在所述无人车的世界坐标系下的X轴方向的第一距离差值及Y轴方向的第二距离差值。

在一些实施例中，请参阅图7，其示出了本发明实施例提供的其中一种无人车定位方法的方法流程图，基于图2至图6所示的方法，在获取所述无人车进入预设区域时的初始位置之前，所述方法还包括：

步骤S16：获取所述无人车的地理位置。

步骤S17：判断所述地理位置是否处于所述预设区域的区域范围内。

若是，进入获取所述无人车进入预设区域时的初始位置的步骤(即步骤S11)。

步骤S18：若否，继续根据所述无人车的定位装置接收到的实时地理位置导航所述无人车。

本发明实施例提供的一种无人车定位方法，通过获取无人车进入预设区域时的初始位置，并控制无人车进入自主定位模式，根据自主定位模式，分别获取无人车在预设区域内任意相邻两个时刻下的第一点云及第二点云，根据第一点云及第二点云，计算无人车在任意相邻两个时刻下的距离差值，累加目标时长内每相邻两个时刻对应的距离差值，得到总距离差值，目标时长为无人车进入预设区域时的进入时刻至当前时刻的时长，根据初始位置及总距离差值，定位无人车的当前位置，因此，本发明实施例提升了无人车的定位精度。

请参阅图8，是本发明实施例提供的其中一种无人车定位装置的结构示意图，该无人车定位装置800包括第一获取模块81、第二获取模块82、计算模块83、累加模块84以及定位模块85。

所述第一获取模块81用于获取所述无人车进入预设区域时的初始位置，并控制所述无人车进入自主定位模式。

其中，所述预设区域包括露天区域和/或封闭区域。所述露天区域包括高楼建筑群，所述封闭区域包括隧道及地下停车场。

请参阅图9，所述第一获取模块81包括获取单元811、第三计算单元812以及控制单元813。

所述获取单元811用于当所述无人车所在的预设区域为露天区域时，获取所述露天区域的环境数据。

所述第三计算单元812用于当所述环境数据为下雨程度数据或下雪程度数据时，根据所述环境数据，计算自主定位的置信度。

在一些实施例中，所述第三计算单元812包括拍摄子单元8121、提取子单元8122、第一计算子单元8123、第二计算子单元8124以及第三计算子单元8125。

所述拍摄子单元8121用于使用所述无人车的摄像机拍摄周围环境，得到环境图像。

所述提取子单元8122用于提取所述环境图像中全部雨滴或雪花的特征连通区域。

所述第一计算子单元8123用于计算每个所述雨滴或雪花的特征连通区域的区域面积。

所述第二计算子单元8124用于根据每个所述雨滴或雪花的特征连通区域的区域面积，计算所述环境图像中雨滴或雪花的区域面积平均值。

所述第三计算子单元8125用于根据所述区域面积平均值及预设置信分值表，计算自主定位的置信度。

其中，所述预设置信分值表包括若干置信等级，每个所述置信等级对应一类置信度，所述第三计算子单元具体用于：根据所述预设置信分值表，遍历出包含所述区域面积平均值的目标置信等级；选择所述目标置信等级的置信度作为自主定位的置信度。

所述控制单元813用于根据所述置信度，控制所述无人车的定位模式，所述定位模式包括自主定位模式或导航定位模式。

请参阅图9，所述控制单元813包括判断子单元8131、第一确定子单元8132以及第二确定子单元8133。

所述判断子单元8131用于判断所述置信度是否大于预设置信阈值。

所述第一确定子单元8132用于若所述置信度大于所述预设置信阈值，确定所述定位模式为自主定位模式。

所述第二确定子单元8133用于若所述置信度小于或等于所述预设置信阈值，确定所述定位模式为导航定位模式。

所述第二获取模块82用于根据所述自主定位模式，分别获取所述无人车在所述预设区域内任意相邻两个时刻下的第一点云及第二点云。

所述计算模块83用于根据所述第一点云及所述第二点云，计算所述无人车在所述任意相邻两个时刻下的距离差值。

请参阅图9，所述第一点云在已知位置得到的，所述第二点云在未知位置得到的，所述计算模块83包括构建单元831、第一计算单元832以及第二计算单元833。

所述构建单元831用于根据所述第一点云及所述第二点云，结合SLAM算法，构建所述无人车在所述未知位置的地图。

所述第一计算单元832用于根据所述已知位置，结合所述地图，计算出所述未知位置。

所述第二计算单元833用于根据所述已知位置及所述未知位置，计算距离差值。

其中，所述距离差值包括在所述无人车的世界坐标系下的X轴方向的第一距离差值及Y轴方向的第二距离差值。

所述累加模块84用于累加目标时长内每相邻两个时刻对应的距离差值，得到总距离差值，所述目标时长为所述无人车进入预设区域时的进入时刻至当前时刻的时长。

所述定位模块85用于根据所述初始位置及所述总距离差值，定位所述无人车的当前位置。

请再次参阅图9，是本发明实施例提供的其中一种无人车定位装置的结构示意图，基于所述无人车定位装置800所示的功能模块，该所述无人车定位装置900还包括第三获取模块91、判断模块92以及导航模块93。

所述第三获取模块91用于获取所述无人车的地理位置。

所述判断模块92用于判断所述地理位置是否处于所述预设区域的区域范围内，若所述地理位置处于所述预设区域的区域范围内，进入获取所述无人车进入预设区域时的初始位置的步骤。

所述导航模块93用于若所述地理位置不处于所述预设区域的区域范围内，继续根据所述无人车的定位装置接收到的实时地理位置导航所述无人车。

本发明实施例提供的一种无人车定位装置，通过第一获取模块获取无人车进入预设区域时的初始位置，并控制无人车进入自主定位模式，第二获取模块根据自主定位模式，分别获取无人车在预设区域内任意相邻两个时刻下的第一点云及第二点云，计算模块根据第一点云及第二点云，计算无人车在任意相邻两个时刻下的距离差值，累加模块累加目标时长内每相邻两个时刻对应的距离差值，得到总距离差值，目标时长为无人车进入预设区域时的进入时刻至当前时刻的时长，定位模块根据初始位置及总距离差值，定位无人车的当前位置，因此，本发明实施例提升了无人车的定位精度。

本发明实施例提供的一种无人车的结构示意图，请参阅图10，其示出了能够执行图2至图7中的所述无人车定位方法的无人车的硬件结构，所述无人车10可以是图1所示的无人车10。

所述无人车10包括：至少一个处理器101；以及，与所述至少一个处理器101通信连接的存储器102，图10中以其以一个处理器101为例。所述存储器102存储有可被所述至少一个处理器101执行的指令，所述指令被所述至少一个处理器101执行，以使所述至少一个处理器101能够执行上述图2至图7所述的无人车定位方法。

所述处理器101和所述存储器102可以通过总线或者其他方式连接，图10中以通过总线连接为例。

存储器102作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中无人车定位方法对应的程序指令/模块，例如，附图8和附图9所示的各个模块。处理器101通过运行存储在存储器102中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例所述的无人车定位方法。

存储器102可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据无人车定位装置的使用所创建的数据等。此外，存储器102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、或其他非易失性固态存储器件。在一些实施例中，存储器102可选包括相对于处理器101远程设置的存储器，这些远程存储器可以通过网络连接至控制无人车行车的装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器102中，当被所述一个或者多个处理器101执行时，执行上述任意方法实施例中的无人车定位方法，例如，执行以上描述的图2至图7的方法步骤，实现图8至图9中的各模块和各单元的功能。

上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。

本发明实施例还提供了一种非易失性计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如，执行以上描述的图2至图7的方法步骤，实现图8至图9中的各模块的功能。

本发明实施例还提供了一种计算机程序产品，包括存储在非易失性计算机可读存储介质上的计算程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使无人车执行上述任意方法实施例中的无人车定位方法，例如，执行以上描述的图2至图7的方法步骤，实现图8至图9中的各模块的功能。

需要说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种无人车定位方法，其特征在于，包括：

获取所述无人车进入预设区域时的初始位置，当所述预设区域为露天区域时，获取所述露天区域的环境数据；

当所述环境数据为下雨程度数据或下雪程度数据时，使用所述无人车的摄像机拍摄周围环境，得到环境图像；

提取所述环境图像中全部雨滴或雪花的特征连通区域；

计算每个所述雨滴或雪花的特征连通区域的区域面积；

根据每个所述雨滴或雪花的特征连通区域的区域面积，计算所述环境图像中雨滴或雪花的区域面积平均值；

根据所述区域面积平均值及预设置信分值表，计算自主定位的置信度；

判断所述自主定位的置信度是否大于预设置信阈值：若是，确定定位模式为自主定位模式；若否，确定定位模式为导航定位模式；

当控制所述无人车进入自主定位模式，则根据所述自主定位模式，分别获取所述无人车在所述预设区域内任意相邻两个时刻下的第一点云及第二点云；

根据所述第一点云及所述第二点云，计算所述无人车在所述任意相邻两个时刻下的距离差值；

累加目标时长内每相邻两个时刻对应的距离差值，得到总距离差值，所述目标时长为所述无人车进入预设区域时的进入时刻至当前时刻的时长；

根据所述初始位置及所述总距离差值，定位所述无人车的当前位置。

2.根据权利要求1所述的方法，其特征在于，所述第一点云在已知位置得到的，所述第二点云在未知位置得到的，所述根据所述第一点云及所述第二点云，计算所述无人车在任意相邻两个时刻下的距离差值包括：

根据所述第一点云及所述第二点云，结合SLAM算法，构建所述无人车在所述未知位置的地图；

根据所述已知位置，结合所述地图，计算出所述未知位置；

根据所述已知位置及所述未知位置，计算距离差值。

3.根据权利要求2所述的方法，其特征在于，所述距离差值包括在所述无人车的世界坐标系下的X轴方向的第一距离差值及Y轴方向的第二距离差值。

4.根据权利要求1所述的方法，其特征在于，在获取所述无人车进入预设区域时的初始位置之前，所述方法还包括：

获取所述无人车的地理位置；

判断所述地理位置是否处于所述预设区域的区域范围内；

若是，进入获取所述无人车进入预设区域时的初始位置的步骤；

若否，继续根据所述无人车的定位装置接收到的实时地理位置导航所述无人车。

5.根据权利要求1所述的方法，其特征在于，

所述预设区域包括露天区域和/或封闭区域；

所述露天区域包括高楼建筑群；

所述封闭区域包括隧道及地下停车场。

6.根据权利要求1所述的方法，其特征在于，所述预设置信分值表包括若干置信等级，每个所述置信等级对应一类置信度；

所述根据所述区域面积平均值及预设置信分值表，计算自主定位的置信度包括：

根据所述预设置信分值表，遍历出包含所述区域面积平均值的目标置信等级；

选择所述目标置信等级的置信度作为自主定位的置信度。

7.一种无人车，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-6任一项所述的无人车定位方法。

Images