CN111307165A - 一种车辆的定位方法、定位系统及无人车辆 - Google Patents

Abstract

本发明提供一种车辆的定位方法、定位系统及无人车辆，定位方法包括：采集场景图像；提取所述场景图像中的场景特征；将所述场景特征与预设地图中的预设特征匹配，若所述场景特征与所述预设特征相匹配，则将所述预设特征在预设地图中的位置作为推测位置。强光弱GPS环境中，摄像头采集场景图像，主机提取场景特征与预设地图匹配实现定位；弱光弱GPS环境中，惯性传感器从强光至弱光的过渡过程中持续计算并记录车辆的运动数据，通过主机计算再与预设地图匹配实现实时定位，避免了因GPRS信号弱情况下导致定位不准的情况，提高了定位的鲁棒性。

Description

一种车辆的定位方法、定位系统及无人车辆

技术领域

本申请涉及导航技术领域，特别涉及一种车辆的定位方法、定位系统及无人车辆。

背景技术

车辆定位是指对车辆的地理位置进行确定，在现阶段的车辆定位中，包括商用有人车，无人车等不同类型车辆的定位方案，很多方案存在诸多问题如应用性过窄，稳定性不好，精确度不高，售价太高可量产性较低。但定位在车辆行驶过程是又十分重要，不仅涉及到车辆的安全还会影响车辆的行驶状态和路径规划。一个廉价可量产同时又兼顾精确性和稳定性的定位方案对汽车发展进程至关重要。

现有的车辆通常采用GPS定位，定位速度快，但是在GPS信号弱的环境中 (例如山区、偏远地区等)难以获得稳定准确的信号，因此无法获得准确位置。

发明内容

本申请的目的是提供一种车辆的定位方法、定位系统及无人车辆，用以解决现有技术中传感器定位鲁棒性低的问题。

因此在本申请的第一方面，提供一种车辆的定位方法，包括以下步骤：

采集场景图像；

提取所述场景图像中的场景特征；

将所述场景特征与预设地图中的预设特征匹配，若所述场景特征与所述预设特征相匹配，则将所述预设特征在预设地图中的位置作为推测位置。

在一种可能的示例中，还包括以下步骤：

采集所述车辆的运动数据；

利用所述运动数据计算得到计算位置；

选择所述推测位置和/或所述计算位置作为暂选位置。

基于上述设置，场景使用图像采集装置进行采集，图像采集装置可使用车辆上的摄像头或行车记录仪等，图像采集装置采集实时环境图像，车载的主机对实时环境图像进行分割，根据预先训练好的识别模型对场景特征进行分类提取，提取到的信息包括车道线长度、与车辆之间的距离、相对于车辆的方向(或夹角)等信息，再将这些信息与预设地图中的信息匹配计算从而得到定位。强光弱GPS环境中，摄像头采集场景图像，主机提取场景特征与预设地图匹配实现定位；弱光弱GPS环境中，惯性传感器从强光至弱光的过渡过程中持续计算并记录车辆的运动数据，通过主机计算再与预设地图匹配实现实时定位，避免了因GPRS信号弱情况下导致定位不准的情况，提高了定位的鲁棒性。

在一种可能的示例中，所述选择所述推测位和/或所述计算位置作为暂选位置，包括：

判断是否对所述推测位置和所述计算位置组合使用；

若不组合使用，则选择所述推测位置或所述计算位置作为所述暂选位置；

若组合使用，则利用所述推测位置与所述计算位置进一步处理，得到组合推算位置并作为所述暂选位置。

在一种可能的示例中，所述方法包括：若组合使用时，则判断所述推测位置和所述计算位置是否经过校正，若没有经过校正则将组合使用时对应的所述暂选位置作为初定位置，若经过校正则将组合使用时对应的所述暂选位置作为准确位置。

在一种可能的示例中，所述组合使用包括：判断所述推测位置和所述计算位置之间的相对误差是否超出预设误差范围，若没有超出所述预设误差范围，则利用所述推测位置与所述计算位置进一步处理，得到组合推算位置并作为所述暂选位置；若超出所述预设误差范围则退出所述组合使用。

在一种可能的示例中，所述方法还包括：

利用所述场景特征与所述预设特征匹配数据计算确定所述车辆侧向位置。

在一种可能的示例中，所述场景特征包括：

车道线，和/或灯杆，和/或栏杆，和/或标识牌，和/或马路边缘。

在一种可能的示例中，所述方法还包括：通过获取所述车辆左侧车道线数量和距离灯杆和/或道路边缘的距离得到所述车辆当前的车道编号，进而得到周围路况信息。

在一种可能的示例中，所述确定所述车辆侧向位置，包括：计算多个与所述场景特征对应的所述预设特征之间的距离以及所述预设特征与所述车辆之间的夹角，通过所述距离和所述夹角计算得到所述车辆侧向位置。

在一种可能的示例中，还包括步骤：

对所述初定位置持续检测，判断其精度是否满足所述准确位置的要求，若满足则将所述初定位置确定为所述准确位置，否则基于所述初定位置误差情况对用于采集所述场景图像和所述运动数据的设备进行校正。

在本申请的第二方面中，提供一种车辆的定位系统，应用本申请的第一方面中任意一种所述方法，定位系统包括图像采集装置、惯性传感器、预设地图存储器和主机；

所述图像采集装置与所述主机通讯连接，所述图像采集装置用于采集场景图像；

所述惯性传感器与所述主机通讯连接，所述惯性传感器用于记录车辆的运动数据；

所述预设地图保存在所述预设地图存储器中，所述主机用于接收所述场景图像和所述运动数据并将所述场景图像与所述预设地图匹配。

在本申请的第三方面中，提供一种无人车辆，包括本申请的第二方面所述的定位系统。

附图说明

为了更清楚地说明本申请的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。

本说明书所绘示的文字说明、连接关系等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本申请可实施的限定条件，故不具技术上的实质意义，任何形式的修饰、连接关系的改变或文字说明的调整，在不影响本申请所能产生的功效及所能达成的目的下，均应仍落在本申请所揭示的技术内容得能涵盖的范围内。

图1是本申请实施例1中设备信号传递的流程示意图；

图2是本申请实施例1中工作流程的示意图；

图3是本申请实施例1中车辆在车道R3中行驶时的结构示意图；

图4是本申请实施例1中车辆在车道R2中行驶时的结构示意图；

图5是本申请实施例1中确定车辆侧向位置的几何原理分析示意图；

图6是本申请实施例2中模块连接关系示意图。

附图标记：

100、惯性传感器；

200、主机；

201、预设地图；

300、图像采集装置。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

还需要说明的是，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商品或者系统不仅包括那些要素，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商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。

实施例1

如图1和图2所示，本实施例提供一种定位方法，包括以下步骤：

A1、采集场景图像；

A2、提取场景图像中的场景特征；

A3、将场景特征与预设地图中的预设特征匹配，若场景特征与预设特征相匹配，则将预设特征在预设地图中的位置作为推测位置。

B1、采集车辆的运动数据；

B2、利用运动数据计算得到计算位置；

C1、选择推测位置和/或计算位置作为暂选位置。

场景使用图像采集装置300进行采集，图像采集装置300可使用车辆上的摄像头或行车记录仪等，图像采集装置300采集实时环境图像，车载的主机200 对实时环境图像进行分割，根据预先训练好的识别模型对场景特征进行分类提取，提取到的信息包括车道线长度、与车辆之间的距离、相对于车辆的方向(或夹角)等信息，再将这些信息与预设地图中的信息匹配计算从而得到定位。

如图3和图4所示，图3和图4中的R1、R2、R3、R4表示交通车道，匹配计算定位的原理是，将场景特征与预设特征匹配后，主机200计算场景特征与车辆之间的夹角，并计算对应的预设特征之间的距离，由于场景特征与预设特征是相匹配的，所以可以将预设特征之间的距离作为场景特征之间的距离，通过场景特征之间的距离以及其与车辆之间的夹角能够计算出场景特征与车辆之间的距离。

对应附图3和图4，车辆位置为O点，第一个场景特征位置为Q点，第二个场景特征位置为P点，车辆行驶方向为V向，Q与V之间的方向a作为第一个场景特征与车辆之间的夹角，P与V之间的方向b作为第二个场景特征与车辆之间的夹角，第一个场景与第二个场景特征之间的距离为距离PQ，车辆与第一个场景特征之间的距离为OQ，车辆与第二个场景特征之间的距离为OP。其中PQ是已知的，需要计算获得的是OP、OQ、a和b，a和b分别根据Q和P偏离其所在场景图像(例如照片)中心的距离计算得到，偏离中心的距离越大，夹角越大。

由余弦定理：

可知，两个场景特征无法确定场景特征与车辆之间的距离，因为OP和OQ 的大小互换后等式仍然可以成立，所以至少还需要第三个场景特征，第三个场景特征与O以及Q构成三角形，三个场景特征相对于车辆的方位关系可以确定下来，主机200通过计算三个场景特征之间的距离以及夹角，并计算场景特征分别与车辆之间的夹角，再结合三角函数定理计算得到OQ和OM。对OQ和OM 沿垂直于V的方向正交分解即可得到车辆侧向的位置。获得车辆侧向位置后，即可通过预设地图确定车辆所在的车道或者确定车辆与侧边障碍物之间的距离，当车辆由人驾驶时，便可以避免R3上的车辆误入支路R4，或者本应进入 R4时错过了进入R4的时间。

结合图5，例如，第三个场景特征位置为M，MQ、MP、PQ以及M、P、Q相互之间的夹角均为已知，因此M、P、Q相对于车辆O的方位可以确定，结合上述的余弦定理公式即可推导得出OQ以及OP之间的距离。

在另一种可能的示例中，还可以通过计算场景特征在场景图像中的大小通过缩放比例与距离之间的关系换算得到车辆与场景特征之间的距离。

场景特征包括：车道线，和/或灯杆，和/或栏杆，和/或标识牌，和/或马路边缘。还包含车道线长度，距车辆距离方向等3D信息。

在另一种可能的示例中，通过获取车辆左侧车道线数量和距离灯杆和/或道路边缘的距离得到车辆当前的车道编号，进而得到周围路况信息。

预先训练好的识别模型，可以通过采集大量的场景图像，然后使用主机200 对场景图像中的特征进行选取并与预设地图匹配，每次匹配过程中用到的特征匹配策略以及匹配准确度都记录下来，在下一次匹配时参考上一次记录的匹配策略，匹配策略包括场景特征与预设特征的尺寸、场景特征与预设特征的颜色、场景特征与预设特征的方向、场景特征与预设特征的数量等的相似度，还包括各特征匹配的顺序、匹配过程所花时间等。

通过基础传感器(车辆自带的传感器)感知周围环境特征，并经过主机200 计算分析提取场景特征与预设地图匹配实现车辆定位。基础传感器是指惯性传感器100例如IMU、轮速计等。基础传感器感知周围环境特征的方法包括：行车记录仪或摄像头采集场景图像，从场景图像中提取场景特征；GPS实时记录车辆地理位置(GPS在本实施例中不是必要的)；轮速计和IMU记录车的运动数据，通过速度、方向、加速度等参数计算出车辆当前所在位置相对于上一次准确定位时所在位置之间的变化值，最终计算得出当前车辆所在的准确位置，因此在即使没有GPS定位的情况下，也能够通过惯性传感器100能够实现准确定位。

预设地图可采用例如高精度地图，高精度地图是一种预先采集好并可以提供可行驶区域全部特征信息的地图，其中包含车道线类型、车道线颜色、车道线位置、几何形状、颜色信息、灯杆、栏杆、标识牌、马路边缘高度、方向(或角度)、数量等特征信息，为车辆提供更丰富的环境特征，便于快速采集并提取出场景特征。

采用定位系统的车辆能够在GPS信号弱的环境中(例如山区、偏远地区等) 借助自带的惯性传感器100获取运动数据(例如速度、加速度、位移、方向等)，提取摄像头采集的图像中的场景特征并将该特征与预设地图中的图像对比，若预设地图中存在与场景特征相同的特征，则将预设地图中对应特征所在位置作为场景特征所在的位置，从而实现定位功能。

在光线弱的环境中(例如晚上或地下室等)，摄像头无法采集到准确的场景图像，因此，从光线充足到光线弱的过程中，惯性传感器100能够持续记录车辆的行驶路径，通过对行驶路径进行计算可以得到车辆进入光线弱的环境之后的实时位置，将进入光线弱的环境之后的实时位置与预设地图结合就能够检测车辆的实时位置。

综上，强光弱GPS环境中，摄像头采集场景图像，主机200提取场景特征与预设地图匹配实现定位；弱光弱GPS环境中，惯性传感器100从强光至弱光的过渡过程中持续计算并记录车辆的运动数据，通过主机200计算再与预设地图匹配实现实时定位，避免了因GPRS信号弱情况下导致定位不准的情况，提高了定位的鲁棒性。

选择推测位和/或计算位置作为暂选位置，包括：

C11、判断是否对推测位置和计算位置组合使用；

若不组合使用，则选择推测位置或计算位置作为暂选位置；

若组合使用，则利用推测位置与计算位置进一步处理，得到组合推算位置并作为暂选位置。

C111、若组合使用时，则判断推测位置和计算位置是否经过校正，若没有经过校正则将组合使用时对应的暂选位置作为初定位置，若经过校正则将组合使用时对应的暂选位置作为准确位置。

组合使用包括：

C112、判断推测位置和计算位置之间的相对误差是否超出预设误差范围，若没有超出预设误差范围，则利用推测位置与计算位置进一步处理，得到组合推算位置并作为暂选位置；若超出预设误差范围则退出组合使用。

定位方法还包括：

D1、对初定位置持续检测，判断其精度是否满足准确位置的要求，若满足则将初定位置确定为准确位置，否则基于初定位置误差情况对用于采集场景图像和运动数据的设备进行校正。

暂选位置属于临时检测到的位置，是一个没有经过检验准确度的定位信息，主要用于需要快速确定位置信息的情况，作为预先确定的位置，暂选位置可以临时使用并作为后续获得更高精度位置信息的基础数据，从而提高效率和工作的连续性，连续性指的是位置信息反馈给车辆运动控制系统的连续性，车辆控制系统基于位置信息控制车辆的运动方向和速度，当位置精度要求特别高的时候，位置信息反馈速度就会降低，而且会出现断续现象，通过将精度较低的暂选位置信息连续反馈给车辆的运动控制系统，计算出更高精度的位置信息后再将更高精度的位置信息反馈给车辆的运动控制系统用以取代暂选位置信息。

若要进一步获知定位信息的准确度，可以将暂选位置作为初定位置,在车辆行驶过程中，持续对初定位置进行检测，若检测过程中，若每次更新的初定位置与实际的场景对应预设地图上的位置差别不大，则将初定位置确定为准确位置。

或者将推测位置和暂选位置组合并进行比较，若精度合格则表示经过校正，选择推测位置或计算位置作为准确位置，若精度不合格，则将其作为初定位置，继续检测初定位置的变化情况，若初定位置合格则将其作为准确位置，若初定位置不合格，则对用于采集实时场景图像以及运动数据的设备参数或数据进行调试维护。例如：若定位的位置偏后，则对设备采集的与车辆前后位置对应的参数或数据进行调整，若定位的位置偏左，则对设备采集的与车辆侧向位置对应的参数或数据进行调整，直到满足校正要求，最后将满足校正要求的推测位置或计算位置或初定位置作为准确位置。

精度是否合格的判断方法：根据实验数据统计得到的经验数据定义一个精度标准，例如图像采集装置300采集的场景特征与对应的预设特征色差值RGB (±5，±5，±5)、高度H(±0.01m)、尺寸(±0.01m)、角度α(±1°)以及惯性传感器100检测到的速度v(±0.01m/s)、加速度a(±0.01m/s²)等，根据实验得出这些对于定位哪些参数影响权重，再结合实验数据得出判断规则，判断规则可以是，多个准确对单个偏差原则，即多个参数合格而单个参数不合格，则将该单个参数作为不合格的主要因素，主要对该参数对应的检测设备进行调整修正。

场景特征包括车道线颜色、路面颜色、灯杆形状、马路边缘高度等信息。

实施例2

如图6所示，本实施例提供一种用于车辆的定位系统，应用实施例1中任意一种方法，定位系统包括图像采集装置300、惯性传感器100、预设地图存储器201和主机200；图像采集装置300与主机200通讯连接，图像采集装置 300用于采集场景图像；惯性传感器100与主机200通讯连接，惯性传感器100 用于记录车辆的运动数据；预设地图保存在预设地图存储器201中，主机200 用于接收场景图像和运动数据并将场景图像与预设地图匹配。

图像采集装置300使用车辆上的摄像头，图像采集装置300采集实时环境图像，主机200对实时环境图像进行分割，根据预先训练好的识别模型对场景特征进行分类提取，提取到的信息包括车道线长度、与车辆之间的距离、相对于车辆的方向等信息，再将这些信息与预设地图中的信息匹配从而得到定位。

基础传感器使用IMU、GPS和轮速计，通过基础传感器感知周围环境特征，并经过主机200计算分析提取场景特征与预设地图匹配实现车辆定位。

预设地图可采用例如高精度地图，高精度地图是一种预先采集好并可以提供可行驶区域全部特征信息的地图，其中包含车道线类型、车道线颜色、车道线位置、几何形状、颜色信息、灯杆、栏杆、标识牌、马路边缘高度等特征信息，为车辆提供更丰富的环境特征，便于快速采集并提取出场景特征。

实施例3

本实施例提供一种车辆，包括车辆本体和定位系统，定位系统包括图像采集装置300、基础传感器、预设地图和主机200；图像采集装置300与主机200 通讯连接，图像采集装置300用于采集实时场景图像；基础传感器与主机200 通讯连接，基础传感器用于记录车辆的运动数据；预设地图保存在主机200中，主机200用于接收场景图像和运动数据并将场景图像与预设地图匹配。

图像采集装置300使用车辆上的摄像头，图像采集装置300采集实时环境图像，主机200对实时环境图像进行分割，根据预先训练好的识别模型对场景特征进行分类提取，提取到的信息包括车道线长度、与车辆之间的距离、相对于车辆的方向等信息，再将这些信息与预设地图中的信息匹配从而得到定位。

通过基础传感器(车辆自带的传感器)感知周围环境特征，并经过主机200 计算分析提取场景特征与预设地图匹配实现车辆定位。基础传感器是指惯性传感器100例如IMU、轮速计等。基础传感器感知周围环境特征的方法包括：行车记录仪或摄像头采集场景图像，从场景图像中提取场景特征；GPS实时记录车辆地理位置(GPS在本实施例中不是必要的)；轮速计和IMU记录车的运动数据，通过速度、方向、加速度等参数计算出车辆当前所在位置相对于上一次准确定位时所在位置之间的变化值，最终计算得出当前车辆所在的准确位置，因此在即使没有GPS定位的情况下，也能够通过惯性传感器100能够实现准确定位。

预设地图可采用例如高精度地图，高精度地图是一种预先采集好并可以提供可行驶区域全部特征信息的地图，其中包含车道线类型、车道线颜色、车道线位置、几何形状、颜色信息、灯杆、栏杆、标识牌、马路边缘高度、方向(或角度)、数量等特征信息，为车辆提供更丰富的环境特征，便于快速采集并提取出场景特征。

采用定位系统的车辆能够在GPS信号弱的环境中(例如山区、偏远地区等) 借助自带的惯性传感器100获取运动数据(例如速度、加速度、位移、方向等)，提取摄像头采集的图像中的场景特征并将该特征与预设地图中的图像对比，若预设地图中存在与场景特征相同的特征，则将预设地图中对应特征所在位置作为场景特征所在的位置，从而实现定位功能。

在光线弱的环境中(例如晚上或地下室等)，摄像头无法采集到准确的场景图像，因此，从光线充足到光线弱的过程中，惯性传感器100能够持续记录车辆的行驶路径，通过对行驶路径进行计算可以得到车辆进入光线弱的环境之后的实时位置，将进入光线弱的环境之后的实时位置与预设地图结合就能够检测车辆的实时位置。

综上，强光弱GPS环境中，摄像头采集场景图像，主机200提取场景特征与预设地图匹配实现定位；弱光弱GPS环境中，惯性传感器100从强光至弱光的过渡过程中持续计算并记录车辆的运动数据，通过主机200计算再与预设地图匹配实现实时定位。

上述实施例中的“车辆”特别适用于无人车，但是不局限于无人车，有人驾驶的车辆同样可以使用上述实施例中的定位方法和定位系统。

本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

值得注意的是，上述方法和系统实施例中，所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。

另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘或光盘等。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，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，或者对其中部分或者全部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申请各实施例技术方案的范围。

Claims (12)

1.一种车辆的定位方法，其特征在于，包括以下步骤：

采集场景图像；

提取所述场景图像中的场景特征；

将所述场景特征与预设地图中的预设特征匹配，若所述场景特征与所述预设特征相匹配，则将所述预设特征在预设地图中的位置作为推测位置。

2.根据权利要求1所述的方法，其特征在于，还包括以下步骤：

采集所述车辆的运动数据；

利用所述运动数据计算得到计算位置；

选择所述推测位置和/或所述计算位置作为暂选位置。

3.根据权利要求2所述的方法，其特征在于，所述选择所述推测位和/或所述计算位置作为暂选位置，包括：

判断是否对所述推测位置和所述计算位置组合使用；

若不组合使用，则选择所述推测位置或所述计算位置作为所述暂选位置；

若组合使用，则利用所述推测位置与所述计算位置进一步处理，得到组合推算位置并作为所述暂选位置。

4.根据权利要求3所述的方法，其特征在于，所述方法包括：若组合使用时，则判断所述推测位置和所述计算位置是否经过校正，若没有经过校正则将组合使用时对应的所述暂选位置作为初定位置，若经过校正则将组合使用时对应的所述暂选位置作为准确位置。

5.根据权利要求4所述的方法，其特征在于，所述组合使用包括：判断所述推测位置和所述计算位置之间的相对误差是否超出预设误差范围，若没有超出所述预设误差范围，则利用所述推测位置与所述计算位置进一步处理，得到组合推算位置并作为所述暂选位置；若超出所述预设误差范围则退出所述组合使用。

6.根据权利要求4或5所述的方法，其特征在于，所述方法还包括：

利用所述场景特征与所述预设特征匹配数据计算确定所述车辆侧向位置。

7.根据权利要求6所述的方法，其特征在于，所述场景特征包括：

车道线，和/或灯杆，和/或栏杆，和/或标识牌，和/或马路边缘。

8.根据权利要求6所述的方法，其特征在于，所述方法还包括：通过获取所述车辆左侧车道线数量和距离灯杆和/或道路边缘的距离得到所述车辆当前的车道编号，进而得到周围路况信息。

9.根据权利要求6所述的方法，其特征在于，所述确定所述车辆侧向位置，包括：计算多个与所述场景特征对应的所述预设特征之间的距离以及所述预设特征与所述车辆之间的夹角，通过所述距离和所述夹角计算得到所述车辆侧向位置。

10.根据权利要求4所述的方法，其特征在于，还包括步骤：

对所述初定位置持续检测，判断其精度是否满足所述准确位置的要求，若满足则将所述初定位置确定为所述准确位置，否则基于所述初定位置误差情况对用于采集所述场景图像和所述运动数据的设备进行校正。

11.一种车辆的定位系统，其特征在于，应用权利要求1至10中任意一种所述方法，定位系统包括图像采集装置、惯性传感器、预设地图存储器和主机；

所述图像采集装置与所述主机通讯连接，所述图像采集装置用于采集场景图像；

所述惯性传感器与所述主机通讯连接，所述惯性传感器用于记录车辆的运动数据；

所述预设地图保存在所述预设地图存储器中，所述主机用于接收所述场景图像和所述运动数据并将所述场景图像与所述预设地图匹配。

12.一种无人车辆，其特征在于，包括权利要求11所述的定位系统。

Images