CN111175788A - 自动驾驶车辆横向定位方法及其定位系统 - Google Patents

Abstract

本申请公开了一种自动驾驶车辆横向定位方法及其定位系统，包括：获取车辆周边参照物的环境信息后判定当前车辆所处环境类型；获取自动驾驶车辆的当前位置信息，得到当前车辆相对于车道的姿态角；基于所述所处环境类型选定测量目标，利用车载激光雷达获取测量目标的相对位置信息；拟合两侧候选点所在线的位置；利用坐标转换获取当前车辆所在的精准定位数据。本发明提出的横向定位技术作为智能车辆实现无人驾驶的一种可靠技术，能够通过车载激光雷达，检测堆场中的固定目标，从而得到点云信息，反推卡车的横向位置。

Description

自动驾驶车辆横向定位方法及其定位系统

技术领域

本申请涉及技术领域，尤其涉及一种自动驾驶车辆横向定位方法及其定位系统。

背景技术

近几年，汽车的智能化技术得到了快速发展，美国，欧洲，日本等先进国家都在积极地开发智能汽车技术。自2004年开始，美国和欧洲就以举办无人驾驶汽车比赛的方式，推动汽车无人驾驶技术的发展。德国自由大学的MIG无人驾驶汽车、意大利帕尔马大学的无人驾驶汽车和美国谷歌公司的无人驾驶汽车，都纷纷开始上路测试。智能车辆系统可分为4大系统：感知系统，导航系统，信息融合系统，决策控制系统。各系统的最终目的是像人一样具有识别，融合信息，判断，控制的功能。

其中，感知系统是从传感器得到行驶需要信息的系统，感知系统一般包括激光雷达，毫米波雷达，摄像等。导航系统是以GPS或DGPS为基础判断现在车辆的位置并做出安全的路径规划。信息融合系统是从各个系统得到的信息来进行数据融合，通过融合得到最适用于车辆的有效信息。

现在定位技术早已超出了早期的军事用途，已扩展到车辆，船舶，飞机等很多领域。其中，GPS导航卫星体系拥有定位精度高的特征，可以实行全球，全天候多维持续定位，并具有定位精度不会随时间变化而变的优点。但GPS的导航信息更新率较低，其运动性、自主性和抗干扰性部分都存在着一定的缺点。PATH使用磁力仪传感器方法已经十多年了，其可靠性和成功程度高。此方法是阵列的磁力计安装在车辆上，磁导航系统是车辆驶过有磁铁嵌入的道路并能计算出车辆走过距离的系统，精确度是1cm左右。CPDGPS差分是与GPS相似的定位方法，是同时解决两个测量基站的载波相位观测值之差分定位的方法。当应用中将基站收集的载波相位信息发给接收机或接收基站，然后求坐标位置。载波相位的差分应用定位方法可以使定位系统的精确度提升到厘米级别。

针对在码头岸桥环境下，为了效率提升和管控成本，港口无人集卡作业是替代传统港口人工作业的未来趋势和重要手段。而精准的横向定位是自动驾驶车在岸桥下安全行驶的重要前提，因此结合现有码头特点，制定一种自动驾驶车辆在码头岸桥下的横向定位方案意义重大。现有的技术中，GNSS定位是一种便捷和成本低廉的定位方式，但具有诸多的局限性。一方面，它的误差水平一般在10米左右，这一精度水平不能满足前面提到的许多技术应用。另一方面，其受环境因素影响大，比如建筑物遮挡、大气层干扰等因素都会使得GNSS定位的可靠性和稳定性下降。目前自动驾驶车上普遍应用RTK定位方案，但岸桥会遮挡卫星定位信号，导致车辆定位漂移。因此在岸桥区域，主要有两种定位方式：一种是通过相机识别地面车道线进行横向定位，但车道线易污损、相机成像易受光照、天气条件影响；另一种方法是在岸桥上放置一些特殊标定物，例如视觉标定板、激光反光柱，然后通过算法反算出车辆相对于标定物的相对位置，但这种方法需要对现有岸桥环境进行改造，定位位置也需要进行前期标定。

针对在堆场环境下，目前自动驾驶车上普遍应用RTK定位方案，但堆场中由于集装箱叠放会遮挡卫星定位信号，导致车辆定位漂移。因此在堆场区域，主要有两种定位方式：一种是通过相机识别地面车道线进行横向定位，但车道线易污损、相机成像易受光照、天气条件影响；另一种方法是在堆场里放置一些特殊标定物，例如视觉标定板、激光反光柱，然后通过算法反算出车辆相对于标定物的相对位置，但这种方法需要对现有堆场环境进行改造，定位位置也需要进行前期标定。当定位信号受到环境的影响时，急需提供一种不易受环境条件干扰，普适性强的堆场定位方案来提高不同工况时的定位精度。

发明内容

为了解决上述技术问题，本申请实施例提供一种自动驾驶车辆横向定位方法及其定位系统。

本申请实施例第一方面提供了一种自动驾驶车辆横向定位方法，可包括：

获取车辆周边参照物的环境信息后判定当前车辆所处环境类型；

获取自动驾驶车辆的当前位置信息，得到当前车辆相对于车道的姿态角；

基于所述所处环境类型选定测量目标，利用车载激光雷达获取测量目标的相对位置信息；

基于所述相对位置信息，拟合两侧候选点所在线的位置；

基于候选点位置利用坐标转换获取当前车辆所在的精准定位数据。

进一步地，所述获取车辆周边参照物的环境信息后判定当前车辆所处环境类型：

利用车载激光雷达获取车辆两岸的环境数据或人工手动选取的方式，判定当前的车辆所处的是否在堆场内或者岸桥附近。

进一步地，所述获取自动驾驶车辆的当前位置信息，得到当前车辆相对于车道的姿态角包括：

获取自动驾驶车辆距离所在车道两侧的点云数据；

基于点云数据以及当前车辆的位置状态得到车辆距离两岸的距离以及姿态角。

进一步地，所述基于所述所处环境类型选定测量目标，利用车载激光雷达获取测量目标的相对位置信息包括：

车辆位于堆场内时，测量目标选择堆场；所述相对位置信息包括车辆距离车道两侧的距离范围；

车辆位于岸桥时，测量目标选择岸桥；所述相对位置信息包括岸桥两侧的横梁和竖梁的横向位置。

进一步地，所述基于所述相对位置信息，拟合两侧候选点所在线的位置包括：

获取测量目标的位置信息，选取两侧候选点，利用双线随机抽样一致性算法进行拟合获取车道两侧候选点的精确位置信息数据。

本申请实施例第二方面提供了一种自动驾驶车辆横向定位系统，包括：

环境选取单元，用于获取车辆周边参照物的环境信息后判定当前车辆所处环境类型；

姿态角获取单元，用于获取自动驾驶车辆的当前位置信息，得到当前车辆相对于车道的姿态角；

位置信息获取单元，用于基于环境选取单元利用车载激光雷达获取测量目标的相对位置信息；

候选点拟合单元，用于基于所述位置信息获取单元的数据拟合两侧候选点所在线的位置；

数据处理单元，用于基于候选点拟合单元利用坐标转换获取当前车辆所在的精准定位数据。

进一步地，所述环境选取单元，具体用于利用车载激光雷达获取车辆两岸的环境数据或人工手动选取的方式，判定当前的车辆所处的是否在堆场内或者岸桥附近。

进一步地，所述姿态角获取单元包括：

点云数据获取单元，用于获取自动驾驶车辆距离所在车道两侧的点云数据；

姿态角计算单元，用于计算车辆距离两岸的距离以及姿态角。

进一步地，所述位置信息获取单元包括：

堆场环境子单元，具体车辆位于堆场内，测量目标选择堆场，相对位置信息包括车辆距离车道两侧的距离范围；

岸桥车辆子单元，具体车辆位于岸桥时，测量目标选择岸桥，相对位置信息包括岸桥两侧的横梁和竖梁的横向位置。

进一步地，所述候选点拟合单元，具体用于获取测量目标的位置信息，选取两侧候选点，利用双线随机抽样一致性算法进行拟合获取车道两侧候选点所在线的精确位置信息数据。

在本申请实施例中，本发明提出的自动驾驶卡车的横向定位技术作为智能车辆实现无人驾驶的一种可靠技术，通过车载激光雷达，检测堆场中的固定目标，得到点云信息，然后反推卡车的横向位置，该方案能够实现在不同光照条件、温度下准确定位自动驾驶卡车位置，不对外部设施进行改造，具有良好的环境适应性,为实现车辆导航、路径规划、安全预警等功能奠定基础本发明提出的自动驾驶车辆的横向定位方案能够适应不同场合情况(能够适应不同岸桥/堆场结构，且普适于在其他遮挡工况下的其他类型自动驾驶车辆)，通过激光雷达对两侧的参照目标进行检测，从而对车辆进行横向定位，最终为智能车辆实现无人驾驶提供了精确的局部定位信息，定位方案根据算法输出的精准定位信息，辅助自动驾驶卡车在堆场环境中进行实时行为决策和运动规划。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，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1是本发明的自动驾驶车辆横向定位方法的步骤示意图；

图2是本发明实施例提供的堆场结构示例图；

图3是本发明实施例提供的堆场内护栏检测结果示意图；

图4是本发明实施例提供的自动驾驶卡车横向定位结果示意图；

图5是本发明实施例提供的岸桥下自动驾驶车辆变换车道的俯视角度示意图；

图6是本发明实施例提供的岸桥结构示例图；

图7是本发明实施例提供的自动驾驶车辆横向定位结果d_loc示意图；

图8是本发明实施例提供的自动驾驶车辆的车辆方向角yaw_loc示意图；

图9是本申请实施例提供的一种定位系统的示意框图；

图10是本申请实施例提供的一种定位装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

本方案中，如图1所示，本申请实施例提供的一种自动驾驶车辆横向定位方案，包括以下步骤：

S101:获取车辆距离周边参照物的距离信息后判定当前车辆所处环境类型。

考虑到一般情况下，整个车辆通过获取周边的图像之后利用数据分析的方式可以自动进行判定，比如在堆场和在岸桥上的环境下，岸桥具备桥梁的横梁或者竖梁数据特征，堆场一定存在着堆积物的一些特征，可以利用对这些图像的获取来自动判定，也可以利用人工进行直接判定的方式进行选择，因为一般情况下，虽然车辆是自动工作的，但是一定会有工作人员进行远程的监控，这就可以进行手动式的环境判定。考虑到在堆场或者岸桥上进行定位的时候略有不同，下面以不同的场景进行说明。

作为第一个实施例，在堆场上进行定位时，该情境下，横向定位方法可包括：

S102:获取自动驾驶车辆的当前位置信息，对点云栅格图做主成分分析，得到当前车辆相对于车道的姿态角。

可以理解的是，在堆场区域中主要有两种定位方式：一种是通过相机识别地面车道线进行横向定位，但车道线易污损、相机成像易受光照、天气条件影响；另一种方法是在堆场上放置一些特殊标定物，例如视觉标定板、激光反光柱，然后通过算法反算出车辆相对于标定物的相对位置，但这种方法需要对现有堆场环境进行改造，定位位置也需要进行前期标定。而目前基本上定位这块都是采用的GNSS定位技术，在这种情况下，本步骤需要进行针对性的定位方式的调整。

具体地，如图2所示，在堆场下对自动驾驶车辆进行横向定位，通过对堆场内结构的纵向信息进行提取，可获得车辆相对于车道的大致姿态信息。本申请中所涉及到的xyz代表三维坐标系的三轴，其中，z代表垂直轴，xy组成水平面，具体包括：

首先提取高度范围在z_min到z_max之间的点云数据，该范围内的点云数据纵向结构清晰,将三维点云投影到xy二维平面，并栅格化,得到xy平面的点云栅格图，其中z_min和z_max代表三维点云数据在高度纵坐标z轴下的最小值和最大值。

然后对所获取的栅格图进行主成分分析，通过解析主成分分析的结果，进行转换即可得到车辆相对车道的大致姿态角yaw_pca。

S103:基于所述所处环境类型选定测量目标，利用车载激光雷达获取测量目标的相对位置信息，这里车辆位于堆场内，测量目标选择堆场，相对位置信息包括车辆距离车道两侧的距离范围。

可以理解的是，如图3所示，自动驾驶车辆在堆场下行驶时，自动驾驶车辆在堆场内行驶时，由于堆场内车辆行驶非单行道，即存在变道行驶的车况，会造成左右护栏在候选点选取时的不便。因此，需要进行系列操纵保证检测结果精确性。

具体包括：

利用得到的姿态角yaw_pca对点云进行旋转变换，使得左右结构清晰。

根据堆场内的道路结构，其两侧最靠近的结构即为护栏，所以只需对z_min至z_max高度范围内的点进行遍历，得到车道左右两侧的最近点pts_left与pts_right，即为护栏候选点。

S104:基于所述相对位置信息，拟合两侧护栏所在线的位置。

可以理解的是，在已经获得护栏候选点的情况下，对护栏候选点用所选取的双线随机抽样一致性算法(双线ransac)进行拟合，得到护栏检测结果。

S105:利用坐标转换获取当前车辆所在的精准定位数据。

可以理解的是，如图4所示，在本发明实施例中，根据所提供定位方案进行实施，最终能够实现的自动驾驶卡车横向准确定位效果如图4。

以本发明提供的具体实施方案为输入，在实际的堆场环境下进行测试，对自动驾驶车辆在堆场下工作时的不同位置和状态进行横向定位的检测，为了实现上述内容，本发明使用MATLAB来实现算法。

根据两侧护栏拟合结果可得车辆位于两侧护栏的相对位置与准确的姿态角；

其中，两侧护栏的相对位置与准确的姿态角之间满足如下关系：

相对位置等价于自动驾驶卡车距离左侧护栏的距离除以两侧护栏之间的总距离；姿态角等价于自动驾驶卡车的水平方向角除以护栏的水平方向角，即图4中d_loc＝dis_left/dis_barrier，yaw_loc＝yaw_pca+yaw_barrier，dis_barrier为自动驾驶卡车两侧护栏之间的距离，yaw_barrier为S104中对护栏拟合后，在当前坐标系下，护栏的水平方向角。

最后根据历史信息对两侧护栏的相对位置d_loc与准确的姿态角yaw_loc进行平滑滤波。

作为第二个实施例，在岸桥上进行定位时，该情境下，横向定位方法可包括：

S102:获取自动驾驶车辆的当前位置信息，对点云栅格图做主成分分析，得到当前车辆相对于车道的姿态角。

可以理解的是，在岸桥区域中主要有两种定位方式：一种是通过相机识别地面车道线进行横向定位，但车道线易污损、相机成像易受光照、天气条件影响；另一种方法是在岸桥上放置一些特殊标定物，例如视觉标定板、激光反光柱，然后通过算法反算出车辆相对于标定物的相对位置，但这种方法需要对现有岸桥环境进行改造，定位位置也需要进行前期标定。而目前基本上定位这块都是采用的GNSS定位技术，在这种情况下，本步骤需要进行针对性的定位方式的调整。

具体地，如图5所示，在岸桥下对自动驾驶车辆进行横向定位，可通过检测岸桥两侧桥梁，并计算车辆到桥梁线的距离表示。当车辆夹持在岸桥两侧桥梁线中间时，其横向定位通过车辆距一侧桥梁线的距离d_loc及车身与岸桥线的夹角yaw_loc表示。

当车辆行驶方向与岸桥可移动方向不平行时，在分别找车辆左右两侧的岸桥点时，会导致左右点判断错误。因此，需首先通过霍夫变

换算法拟合出数据的主方向角yaw_hough，然后将点云数据旋转，旋转公式：

x＝x_oricos(yaw_hough)+y_orisin(yaw_hough)

y＝-x_orisin(yaw_hough)+y_oricos(yaw_hough)

从而保证以车辆坐标系找岸桥左右两侧点时，不会判断错误，其中原始坐标数据为(x_ori，y_ori)。

S103:基于所述所处环境类型选定测量目标，利用车载激光雷达获取测量目标的相对位置信息，这里车辆位于岸桥附近，测量目标选择岸桥，相对位置信息包括岸桥两侧的横梁和竖梁的横向位置。

可以理解的是，如图6所示，自动驾驶车辆在岸桥下行驶时，车上激光雷达能够检测到的典型岸桥特征包括：两侧水平横梁和4个垂直的竖梁。

它们之间的距离或自身大小都满足特定的结构特征：横梁长度和两个垂直的竖梁间纵向间距为桥长d_long，两个横梁横向间距和两个垂直的竖梁横向间距为桥宽d_width。

首先在点云数据中分别检测岸桥的横梁和垂直的竖梁，然后判断横梁、竖梁的距离中是否存在满足桥长d_long和桥宽d_width的组合。

若横梁的长度和两个垂直的竖梁间纵向间距满足桥长d_long、两个横梁横向间距和两个垂直的竖梁横向间距满足桥宽d_width的组合时，岸桥检测成功，并分别记录两侧特征的横向位置left_crane_y和right_crane_y；

若横梁的长度和两个垂直的竖梁间纵向间距不满足桥长d_long、两个横梁横向间距和两个垂直的竖梁横向间距不满足桥宽d_width的组合时，岸桥检测失败，需要重新定位并再次检测，直到能够检测到岸桥的横梁和垂直的竖梁为止。

S104:基于所述相对位置信息，拟合两侧横梁轨迹线的位置。

可以理解的是，分别以横向位置left_crane_y和right_crane_y为横向搜索区域，筛选两侧岸桥候选点pts_left、pts_right。在筛选两侧岸桥候选点pts_left、pts_right后，再用双线随机抽样一致性算法(双线ransac)拟合两侧桥梁线。

作为一个具体的实施例，本申请中的双线ransac具体包括：

判断主拟合点，将两侧岸桥候选点pts_left、pts_right中候选点较多的一侧作为主拟合点，即如果两侧岸桥候选点数量pts_right>pts_left，则交换pts_left和pts_right，同时将桥宽恒取正值。

A1，并从该侧岸桥候选点数据中选择两个候选点拟合直线，并统计pts_right侧内点数。

A2，将拟合到的直线方程结合d_width，得到pts_right侧的直线方程，并统计pts_right侧内点数；

A3，迭代A2、A3步骤N次，选择两侧内点数总和最多的直线方程；

A4，如果pts_left和pts_right发生了交换，即is_inversed＝true，则将直线方程移回左侧。

S105:利用坐标转换获取当前车辆所在的精准定位数据。

可以理解的是，由于一开始将实际点云进行了yaw_hough的旋转，因此在最后需将拟合得到的岸桥线再旋转回去。

之后计算自动驾驶车辆到左侧桥梁线的距离d_loc，及桥梁线的角度yaw_loc，并对d_loc和yaw_loc进行滤波。

如图7、8所示，在本发明实施例中，根据所提供定位方案进行实施，最终能够实现的自动驾驶车辆准确定位效果。

以本发明提供的具体实施方案为输入，在实际的岸桥环境下进行测试，对自动驾驶车辆在岸桥下工作时的不同位置和状态进行横向定位的检测，为了实现上述内容，本发明使用MATLAB来实现算法，并得到了仿真结果，检测结果输出自动驾驶车辆横向定位y的值(d_loc)，和车辆方向角度(yaw_loc)，可以看出在该算法可以在不同仿真环境下进行运行，且能最终完成系统在真实环境中的运行实验，结果同样验证了系统方案的可行性，以及定位算法取得的良好结果。

如图7、8所示，图7为动驾驶车辆横向定位y的值(d_loc)，图8为车辆方向角度(yaw_loc)结果图，横向定位结果d_loc(表示距左侧的横向距离y)，纵轴单位米，横轴单位秒；车辆方向角yaw_loc，纵轴单位弧度，横轴秒。

本申请实施例还提供一种自动驾驶车辆横向定位系统，该系统用于执行前述任一项上述定位方法。具体地，参见图9，包括：环境选取单元310、姿态角获取单元320、位置信息获取单元330、候选点拟合单元340和数据处理单元350。

上述的环境选取单元310，用于获取车辆周边参照物的环境信息后判定当前车辆所处环境类型。整个车辆通过获取周边的图像之后利用数据分析的方式可以自动进行判定，比如在堆场和在岸桥上的环境下，岸桥具备桥梁的横梁或者竖梁数据特征，堆场一定存在着堆积物的一些特征，可以利用对这些图像的获取来自动判定，也可以利用人工进行直接判定的方式进行选择，因为一般情况下，虽然车辆是自动工作的，但是一定会有工作人员进行远程的监控，这就可以进行手动式的环境判定。

上述的姿态角获取单元320，用于获取自动驾驶车辆的当前位置信息，得到当前车辆相对于车道的姿态角。在初步判断了所处的环境后，针对不同的环境，所需要采集的粗略数据是略有不同的。

但是总体上主要有两种定位方式：一种是通过相机识别地面车道线进行横向定位，但车道线易污损、相机成像易受光照、天气条件影响；另一种方法是在四周环境上上放置一些特殊标定物，例如视觉标定板、激光反光柱，然后通过算法反算出车辆相对于标定物的相对位置，但这种方法需要对现有堆场环境进行改造，定位位置也需要进行前期标定。

在本系统中，通过点云数据获取单元321获取自动驾驶车辆距离所在车道两侧的点云数据，之后姿态角计算单元322计算车辆距离两岸的距离以及姿态角。在本单元中只需要测量出初步数据即可，并不需要精确获取。

上述的位置信息获取单元330，用于基于环境选取单元利用车载激光雷达获取测量目标的相对位置信息。

在不同的环境下，考虑到参照物的不同，所获取的数据也是不相同的，一般本方案所适用的就是堆场或者岸桥，因此针对两种不同的场景，建立了不同的单元模块：

堆场环境子单元331，具体车辆位于堆场内，测量目标选择堆场，根据堆场内的道路结构，其两侧最靠近的结构即为护栏，相对位置信息包括车辆距离车道两侧的距离范围。

岸桥车辆子单元332，具体车辆位于岸桥时，测量目标选择岸桥，典型岸桥特征包括：两侧水平横梁和4个垂直的竖梁。相对位置信息包括岸桥两侧的横梁和竖梁的横向位置。

上述的候选点拟合单元340，用于获取测量目标的位置信息，选取两侧候选点，利用双线随机抽样一致性算法进行拟合获取车道两侧候选点所在线的精确位置信息数据。

上述的数据处理单元350，用于利用坐标转换获取当前车辆所在的精准定位数据。

图10是本申请实施例提供的一种定位设备的结构示意图。该对象检测设备4000包括处理器41，还可以包括输入装置42、输出装置43和存储器44。该输入装置42、输出装置43、存储器44和处理器41之间通过总线相互连接。

存储器包括但不限于是随机存储记忆体(random access memory，RAM)、只读存储器(read至only memory，ROM)、可擦除可编程只读存储器(erasable programmable readonly memory，EPROM)、或便携式只读存储器(compact disc read至only memory，CD至ROM)，该存储器用于相关指令及数据。

输入装置用于输入数据和/或信号，以及输出装置用于输出数据和/或信号。输出装置和输入装置可以是独立的器件，也可以是一个整体的器件。

处理器可以包括是一个或多个处理器，例如包括一个或多个中央处理器(centralprocessing unit，CPU)，在处理器是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。处理器还可以包括一个或多个专用处理器，专用处理器可以包括GPU、FPGA等，用于进行加速处理。

存储器用于存储网络设备的程序代码和数据。

处理器用于调用该存储器中的程序代码和数据，执行上述方法实施例中的步骤。具体可参见方法实施例中的描述，在此不再赘述。

可以理解的是，图10仅仅示出了对象检测设备的简化设计。在实际应用中，动作识别装置还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出装置、处理器、控制器、存储器等，而所有可以实现本申请实施例的动作识别装置都在本申请的保护范围之内。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，该单元的划分，仅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，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。所显示或讨论的相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read至onlymemory，ROM)，或随机存储存储器(random access memory，RAM)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digital versatile disc，DVD)、或者半导体介质，例如，固态硬盘(solid state disk，SSD)等。

以上详细描述了本发明的优选实施方式，但是本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换(如数量、形状、位置等)，这些等同变换均属于本发明的保护。

Claims (10)

1.一种自动驾驶车辆横向定位方法，其特征在于，包括：

获取车辆周边参照物的环境信息后判定当前车辆所处环境类型；

获取自动驾驶车辆的当前位置信息，得到当前车辆相对于车道的姿态角；

基于所述所处环境类型选定测量目标，利用车载激光雷达获取测量目标的相对位置信息；

基于所述相对位置信息，拟合两侧候选点所在线的位置；

利用坐标转换获取当前车辆所在的精准定位数据，实现横向定位。

2.根据权利要求1所述的自动驾驶车辆横向定位方法，其特征在于，

所述获取车辆周边参照物的环境信息后判定当前车辆所处环境类型：

利用车载激光雷达获取车辆两岸的环境数据或人工手动选取的方式，判定当前的车辆所处的是否在堆场内或者岸桥附近。

3.根据权利要求2所述的自动驾驶车辆横向定位方法，其特征在于，

所述获取自动驾驶车辆的当前位置信息，得到当前车辆相对于车道的姿态角包括：

获取自动驾驶车辆距离所在车道两侧的点云数据；

基于点云数据以及当前车辆的位置状态得到车辆距离两岸的距离以及姿态角。

4.根据权利要求3所述的自动驾驶车辆横向定位方法，其特征在于，

所述基于所述所处环境类型选定测量目标，利用车载激光雷达获取测量目标的相对位置信息包括：

车辆位于堆场内时，测量目标选择堆场；所述相对位置信息包括车辆距离车道两侧的距离范围；

车辆位于岸桥时，测量目标选择岸桥；所述相对位置信息包括岸桥两侧的横梁和竖梁的横向位置。

5.根据权利要求4所述的自动驾驶车辆横向定位方法，其特征在于，

所述基于所述相对位置信息，拟合两侧候选点所在线的位置包括：

获取测量目标的位置信息，选取两侧候选点，利用双线随机抽样一致性算法进行拟合获取车道两侧护栏的精确位置信息数据。

6.一种自动驾驶车辆横向定位系统，其特征在于，包括：

环境选取单元，用于获取车辆周边参照物的环境信息后判定当前车辆所处环境类型；

姿态角获取单元，用于获取自动驾驶车辆的当前位置信息，得到当前车辆相对于车道的姿态角；

位置信息获取单元，用于基于环境选取单元利用车载激光雷达获取测量目标的相对位置信息；

候选点拟合单元，用于基于所述位置信息获取单元的数据拟合两侧候选点所在线的位置；

数据处理单元，用于基于候选点拟合单元利用坐标转换获取当前车辆所在的精准定位数据。

7.根据权利要求6所述的自动驾驶车辆横向定位系统，其特征在于，

所述环境选取单元，具体用于利用车载激光雷达获取车辆两岸的环境数据或人工手动选取的方式，判定当前的车辆所处的是否在堆场内或者岸桥附近。

8.根据权利要求7所述的自动驾驶车辆横向定位系统，其特征在于，

所述姿态角获取单元包括：

点云数据获取单元，用于获取自动驾驶车辆距离所在车道两侧的点云数据；

姿态角计算单元，用于计算车辆距离两岸的距离以及姿态角。

9.根据权利要求8所述的自动驾驶车辆横向定位系统，其特征在于，

所述位置信息获取单元包括：

堆场环境子单元，具体车辆位于堆场内，测量目标选择堆场，相对位置信息包括车辆距离车道两侧的距离范围；

岸桥车辆子单元，具体车辆位于岸桥时，测量目标选择岸桥，相对位置信息包括岸桥两侧的横梁和竖梁的横向位置。

10.根据权利要求9所述的自动驾驶车辆横向定位系统，其特征在于，

所述候选点拟合单元，具体用于获取测量目标的位置信息，选取两侧候选点，利用双线随机抽样一致性算法进行拟合获取车道两侧候选点所在线的精确位置信息数据。

Images