CN111508258A - 一种定位方法及装置 - Google Patents

一种定位方法及装置 Download PDF

Info

Publication number
CN111508258A
CN111508258A CN202010306916.5A CN202010306916A CN111508258A CN 111508258 A CN111508258 A CN 111508258A CN 202010306916 A CN202010306916 A CN 202010306916A CN 111508258 A CN111508258 A CN 111508258A
Authority
CN
China
Prior art keywords
unmanned vehicle
semantic
feature
information
lane
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
CN202010306916.5A
Other languages
English (en)
Other versions
CN111508258B (zh
Inventor
杨立荣
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.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online 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 Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202010306916.5A priority Critical patent/CN111508258B/zh
Publication of CN111508258A publication Critical patent/CN111508258A/zh
Application granted granted Critical
Publication of CN111508258B publication Critical patent/CN111508258B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources

Abstract

本说明书摘要公开了一种定位方法及装置。本方案预先保存了地图中各位置与语义特征库中各特征的对应关系。当需要对无人驾驶车辆进行定位时，通过对无人驾驶车辆采集的图像提取语义特征，然后将该语义特征与预先保存的语义特征做匹配，便可确定无人驾驶车辆的基本定位信息。然后，根据无人驾驶车辆所处的车道对无人驾驶车辆的基本定位信息进行修正，从而获取无人驾驶车辆最终的定位信息。本说明书摘要提供的该种定位方法通过对无人驾驶车辆周围的图像信息进行分析，便可获取无人驾驶车辆的定位信息，该种定位方式简单、成本低，并且定位精度较高。

Description

一种定位方法及装置
技术领域
本说明书涉及智能驾驶技术领域，尤其涉及一种定位方法及装置。
背景技术
目前，车辆的智能化作为人工智能技术的重要组成部分，是引导交通技术发展的主要方向之一。
在智能驾驶技术领域，定位技术为车辆的关键技术，其中的车辆为无人车及具有辅助驾驶功能的车辆。视觉定位技术为一种新兴的定位技术，该技术可通过图像传感器采集图像，然后对采集的图像进行处理以实现车辆的定位。
但是，目前视觉定位的准确性较差，如何提高视觉定位的准确性，是一个亟待解决的问题。
发明内容
本说明书实施例提供一种定位方法及装置，以部分解决上述现有技术存在的问题。
本说明书实施例采用下述技术方案：
本说明书提供的一种定位方法，包括：
采集无人驾驶车辆周围的环境信息所对应的图像；
将采集的所述图像输入到预先训练的语义分割模型，从采集的所述图像中提取语义特征；
从预先建立的语义特征库中查找与所述语义特征相匹配的特征，作为目标特征；
根据预先保存的地图中各位置与所述语义特征库中各特征的对应关系，确定所述目标特征对应的位置信息，并根据所述位置信息确定无人驾驶车辆的基本定位信息；
识别所述无人驾驶车辆所处的车道，并根据所述车道所处的位置，对所述无人驾驶车辆的基本定位信息进行修正，得到无人驾驶车辆的最终定位信息。
可选的，采集无人驾驶车辆周围的环境信息所对应的图像，具体包括：通过无人驾驶车辆上安装的全景相机采集无人驾驶车辆周围的环境信息所对应的全景图像。
可选的，采集无人驾驶车辆周围的环境信息所对应的图像，具体包括：通过无人驾驶车辆上安装的各摄像头采集无人驾驶车辆周围的环境信息所对应的图像，并将所述各摄像头采集的图像拼接为全景图像。
可选的，从预先建立的语义特征库中查找与所述语义特征相匹配的特征，具体包括：根据所述语义特征，以及预先建立的语义特征库所包含的各特征，分别确定所述语义特征与所述预先建立的语义特征库中所包含的各特征的相似度；将所述语义特征库中相似度大于指定相似度阈值的特征，作为与所述语义特征相匹配的特征。
可选的，根据所述位置信息确定无人驾驶车辆的基本定位信息，具体包括：当目标特征的数量大于一个时，根据各目标特征对应的位置信息，确定各位置信息的平均位置，并将所述平均位置作为无人驾驶车辆的基本定位信息。
可选的，预先保存地图中各位置与所述语义特征库中各特征的对应关系，具体包括：针对地图中各位置，预先在该位置采集图像；将在该位置采集的图像输入到所述语义分割模型，保存所述语义分割模型输出的特征与该位置的对应关系。
可选的，根据所述车道所处的位置，对所述无人驾驶车辆的基本定位信息进行修正，具体包括：识别所述图像中的车道线；根据识别出的车道线在所述图像中的位置，确定所述无人驾驶车辆与所述车道线的距离；根据所述车道所处的位置，以及，所述无人驾驶车辆与所述车道线的距离，对所述无人驾驶车辆的基本定位信息进行修正。
本说明书提供的一种定位装置，包括：
采集模块，用于采集无人驾驶车辆周围的环境信息所对应的图像；
提取模块，用于将采集的所述图像输入到预先训练的语义分割模型，从采集的所述图像中提取语义特征；
查找模块，用于从预先建立的语义特征库中查找与所述语义特征相匹配的特征，作为目标特征；
确定模块，用于根据预先保存的地图中各位置与所述语义特征库中各特征的对应关系，确定所述目标特征对应的位置信息，并根据所述位置信息确定无人驾驶车辆的基本定位信息；
定位模块，用于识别所述无人驾驶车辆所处的车道，并根据所述车道所处的位置，对所述无人驾驶车辆的基本定位信息进行修正，得到无人驾驶车辆的最终定位信息。
本说明书提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述定位方法。
本说明书提供的一种无人驾驶车辆，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述定位方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
本说明书实施例通过对采集的无人驾驶车辆周围的图像信息提取语义特征，然后通过特征匹配便可获取无人驾驶车辆的基本定位信息，再通过车道信息进行修正。该种定位方法操作简单、成本低，并且定位的准确性较高。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书实施例提供的一种定位方法的流程示意图；
图2为本说明书实施例提供的对基本定位信息进行修正的一种示意图；
图3为本说明书实施例提供的对基本定位信息进行修正的另一种示意图；
图4为本说明书实施例提供的对基本定位信息进行修正的又一种示意图；
图5为本说明书实施例提供的一种定位装置的结构示意图；
图6为本说明书实施例提供的无人驾驶车辆的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种定位方法的流程示意图，该流程示意图包括：
S100：采集无人驾驶车辆周围的环境信息所对应的图像。
本说明书实施例可对无人驾驶车辆进行定位。当无人驾驶车辆在行驶过程中，可通过无人驾驶车辆上安装的传感器设备采集无人驾驶车辆周围的环境信息所对应的图像。其中，环境信息可为：道路线路图、交通路线、交通信号灯、车辆的速度、车辆感知的环境中各障碍物的状态信息中的至少一种。本说明书实施例中的无人驾驶车辆可为无人车，也可为具有辅助驾驶功能的车辆，当然也可以为其他类型的车辆，本说明书实施例对此不作限制。
S102：将采集的图像输入到预先训练的语义分割模型，从采集的图像中提取语义特征。
可将采集的图像输入到预先训练的语义分割模型，得到预先训练的语义分割模型从采集的图像中提取的语义特征。语义分割模型可为卷积神经网络(ConvolutionalNeural Network，CNN)，当然，语义分割模型也可采用其他模型，本说明书实施例对此不作限制。其中，语义特征是一种通过预先训练的语义分割模型提取的高维度特征，具体的，语义特征可为通过CNN经过多层卷积运算之后提取出的特征，是对采集图像的整体表达，该语义特征相比于传统的人为制定的特征具有更强的表达能力以及抗干扰能力。当然，也可以采用其他方式对采集的图像进行表达，本说明书实施例对此不作限制。
S104：从预先建立的语义特征库中查找与语义特征相匹配的特征，作为目标特征。
在本说明书实施例中，可预先建立一个语义特征库，该语义特征库中储存了大量的特征。可采用特征匹配的方式，从预先建立的语义特征库中查找与提取的语义特征相匹配的特征，作为目标特征。具体的特征匹配方式将在下文中进行详细描述。
S106：根据预先保存的地图中各位置与语义特征库中各特征的对应关系，确定目标特征对应的位置信息，并根据位置信息确定无人驾驶车辆的基本定位信息。
本说明书实施例还预先保存了地图中各位置与语义特征库中各特征的对应关系。即，地图中各位置均对应了语义特征库中的至少一个特征。如前，当查找到目标特征(即，与提取的语义特征相匹配的特征)后，可查找地图中与该目标特征对应的位置，可将该位置信息作为无人驾驶车辆的基本定位信息。
S108：识别无人驾驶车辆所处的车道，并根据车道所处的位置，对无人驾驶车辆的基本定位信息进行修正，得到无人驾驶车辆的最终定位信息。
若是地图中并非每个坐标点均设置了与之相对应的特征。比如，针对地图中一个坐标点，以该坐标点为起点每隔一小段距离(比如，0.5米)才设置与之对应的特征，那么，仅通过前述方式确定的无人驾驶车辆的基本定位信息作为无人驾驶车辆最终的定位信息可能不够准确，会有0.5米左右的定位精度差异。此时，为了提高无人驾驶车辆定位的准确性，可通过无人驾驶车辆所处车道的相关信息对无人驾驶车辆的基本定位信息进行修正。具体的，可先识别无人驾驶车辆所处的车道，根据车道所处的位置，对无人驾驶车辆的基本定位信息进行修正，得到无人驾驶车辆的最终定位信息。对于根据车道所处的位置，对无人驾驶车辆的基本定位信息进行修正的方式，将在下文中进行详细描述。
本说明书实施例预先保存了地图中各位置与语义特征库中各特征的对应关系。当需要对无人驾驶车辆进行定位时，可通过对无人驾驶车辆采集的图像提取语义特征，然后将该语义特征与预先保存的语义特征库中的特征做匹配，并获取匹配特征对应的位置信息，由此确定无人驾驶车辆的基本定位信息。然后根据无人驾驶车辆所处的车道对无人驾驶车辆的基本定位信息进行修正，获取无人驾驶车辆最终的定位信息。该种定位方法通过对采集的无人驾驶车辆周围的图像信息提取语义特征，通过特征匹配便可获取无人驾驶车辆的基本定位信息，该种定位方法操作简单、成本低，并且定位精度比较高。
在图1的S100中，无人驾驶车辆上安装的传感器设备可为图像传感器，具体的，可为在无人驾驶车辆的顶部安装的全景相机或者在无人驾驶车辆顶部四个角上安装的多个摄像头。那么，采集无人驾驶车辆周围的环境信息所对应的图像的方式具体可为：通过无人驾驶车辆上安装的全景相机采集无人驾驶车辆周围的环境信息所对应的全景图像。采集图像的方式还可为：通过无人驾驶车辆上安装的各摄像头(该摄像头为普通摄像头)采集无人驾驶车辆周围的环境信息所对应的图像，并将各摄像头采集的图像拼接为全景图像。其中，将各摄像头采集的图像拼接为全景图像的方式为现有技术，该处不再赘述。针对全景图像提取语义特征，能够更全面地表达无人驾驶车辆周围的环境信息。
在图1的S104中，可从预先建立的语义特征库中查找与语义特征相匹配的特征，即，实现了特征匹配。特征匹配的方式具体可为：根据语义特征，以及预先建立的语义特征库所包含的各特征，分别确定语义特征与预先建立的语义特征库中所包含的各特征的相似度。将语义特征库中相似度大于指定相似度阈值的特征，作为与语义特征相匹配的特征。其中，相似度阈值可人为设定，相似度大于指定相似度阈值的特征，则为与语义特征相匹配的特征；相似度小于指定相似度阈值的特征，则为与语义特征不匹配的特征。
通过上述的方式确定了与提取的语义特征相匹配的特征，即目标特征。但是，目标特征的个数可为一个或多个。若是相似度大于指定相似度阈值的特征(即，目标特征)只有一个，则可将与该目标特征对应的位置信息作为无人驾驶车辆的基本定位信息。若是相似度大于指定相似度阈值的特征(即，目标特征)不止一个，则可根据预先保存的地图中各位置与语义特征库中各特征的对应关系，确定各目标特征对应的位置信息；根据各目标特征对应的位置信息，确定各位置信息的平均位置，并将平均位置作为无人驾驶车辆的基本定位信息。例如，若是目标特征为3个，各目标特征对应的位置信息以世界坐标表示可分别为：(x1,y1),(x2,y2),(x3,y3),此时可通过3个目标特征对应位置信息的平均位置作为无人驾驶车辆的基本定位信息。即，无人驾驶车辆的基本定位信息以世界坐标的方式可为
Figure BDA0002456102410000071
在图1的S106中，预先保存地图中各位置与语义特征库中各特征的对应关系的方式可为：针对地图中各位置，预先在该位置采集图像；将在该位置采集的图像输入到语义分割模型，保存语义分割模型输出的特征与该位置的对应关系。即，本说明书实施例针对地图中的每个位置，在该位置采集至少一个图像并提取采集的每个图像的特征，建立该位置与至少一个特征的对应关系。需要说明的是，与采集的图像的特征相对应的位置为：采集图像时所处的地理位置，并非图像中包含的某目标物所处的地理位置。
进一步的，地图可为高精地图，可将高精地图与语义特征库绑定在一起。所谓的绑定可为：将各特征存储在语义特征库中，并在建立高精地图中各位置与语义特征库中各特征的对应关系后，针对高精地图中的每个位置，可根据与该位置对应的特征，将特征的数据与该位置的数据对应存储在高精地图中，或者，将特征的数据与该位置的数据作为一条数据存储在高精地图中。即，将特征数据也存储在高精地图中。此时，无人驾驶车辆的定位方式可为：采集无人驾驶车辆周围的环境信息所对应的图像；将采集的图像输入到预先训练的语义分割模型，从采集的图像中提取语义特征；从预先建立的高精地图中查找与语义特征相匹配的特征，作为目标特征，其中高精地图中的每个位置均包含有与该位置对应的特征信息；将目标特征对应的位置信息作为无人驾驶车辆的基本定位信息；识别无人驾驶车辆所处的车道，并根据车道所处的位置，对无人驾驶车辆的基本定位信息进行修正，得到无人驾驶车辆的最终定位信息。
在图1的S106中，通过前述的方式确定了无人驾驶车辆的基本定位信息之后，为了进一步提高定位的准确性，可根据车道所处的位置，对无人驾驶车辆的基本定位信息进行修正。修正的方式可为：识别图像中的车道线，根据识别出的车道线在图像中的位置，确定无人驾驶车辆与车道线的距离；根据车道所处的位置，以及，无人驾驶车辆与车道线的距离，对无人驾驶车辆的基本定位信息进行修正。
具体的，识别无人驾驶车辆所处的车道的方法可为：根据无人驾驶车辆的基本定位信息，获取无人驾驶车辆所处道路在高精地图中的道路编号；根据道路编号，获取道路的车道数量；根据采集的全景图像，分别确定无人驾驶车辆左右两侧的车道线数量；根据无人驾驶车辆左右两侧的车道线数量，以及，道路的车道数量，确定无人驾驶车辆所处的车道。例如，根据无人驾驶车辆所处道路在高精地图中的道路编号，便可得知道路为6车道的道路，那么，单向道路则为3车道。通过采集的全景图像，可知当前无人驾驶车辆的右侧有2条车道线，由此便可得知无人驾驶车辆此时处于中间车道(即从右往左数的第二个车道)。确定无人驾驶车辆与车道线距离的方法可为：根据无人驾驶车辆所处的车道，分别确定无人驾驶车辆所处车道的左侧车道线和右侧车道线；根据左侧车道线和右侧车道线所处的位置，分别确定无人驾驶车辆与左侧车道线的距离，以及无人驾驶车辆与右侧车道线的距离。由此可知，识别无人驾驶车辆所处的车道，识别图像中的车道线，获取无人驾驶车辆与车道线的距离，便可对无人驾驶车辆的基本定位信息进行修正。
修正的方式可如图2所示，通过前述的方式确定了无人驾驶车辆的基本定位信息(x0,y0)以后，若是根据无人驾驶车辆的基本定位信息(x0,y0)获知无人驾驶车辆位于左侧车道，根据采集的图像识别当前无人驾驶车辆实际处于中间车道，即，根据两种信息得知无人驾驶车辆不处于同一个车道，并且当前无人驾驶车辆实际所处车道相比于基本定位信息对应的车道更靠近道路边缘时，首先需要确定两种信息分别对应车道之间的某一条车道线，作为参考车道线。然后，根据当前无人驾驶车辆实际所处车道的位置，得知当前无人驾驶车辆实际所处的位置与参考车道线之间的距离为h1，还可得知无人驾驶车辆的基本定位信息(x0,y0)与参考车道线之间的距离为h2，由此便可对无人驾驶车辆的基本定位信息进行修正，修正后的无人驾驶车辆的定位信息为(x0,y0+h1+h2)，修正后的无人驾驶车辆的定位信息便为无人驾驶车辆的最终定位信息。
修正的方式还可如图3所示，若是根据无人驾驶车辆的基本定位信息(x0,y0)获知无人驾驶车辆位于右侧车道，根据采集的图像识别当前无人驾驶车辆实际处于中间车道，即，根据两种信息得知无人驾驶车辆不处于同一个车道，并且基本定位信息对应的车道相比于当前无人驾驶车辆实际所处车道更靠近道路边缘时，首先需要确定两种信息分别对应车道之间的某一条车道线，作为参考车道线。然后，根据当前无人驾驶车辆实际所处车道的位置，得知当前无人驾驶车辆实际所处的位置与参考车道线之间的距离为h1，还可得知无人驾驶车辆的基本定位信息(x0,y0)与参考车道线之间的距离为h2，由此便可对无人驾驶车辆的基本定位信息进行修正，修正后的无人驾驶车辆的定位信息为(x0,y0-h1-h2)，修正后的无人驾驶车辆的定位信息便为无人驾驶车辆的最终定位信息。
修正的方式还可如图4所示，若是根据无人驾驶车辆的基本定位信息(x0,y0)获知无人驾驶车辆位于中间车道，根据采集的图像识别当前无人驾驶车辆实际处于中间车道，即，根据两种信息得知无人驾驶车辆处于同一个车道。此时，可将该车道某一侧的车道线作为参考车道线。然后，根据当前无人驾驶车辆实际所处车道的位置，得知当前无人驾驶车辆实际所处的位置与参考车道线之间的距离为h1，还可得知无人驾驶车辆的基本定位信息(x0,y0)与参考车道线之间的距离为h2，由此便可对无人驾驶车辆的基本定位信息进行修正，修正后的无人驾驶车辆的定位信息为(x0,y0+h1-h2)，修正后的无人驾驶车辆的定位信息便为无人驾驶车辆的最终定位信息。
本说明书实施例首先通过采集无人驾驶车辆周围的环境信息对应的图像，将采集的图像输入到预先训练的语义分割模型，从采集的图像中提取语义特征。并从预先建立的语义特征库中查找与语义特征相似度大于指定相似度阈值的特征，作为目标特征。然后从预先保存的地图中各位置与语义特征库中各特征的对应关系，确定目标特征对应的位置信息，并根据位置信息确定无人驾驶车辆的基本定位信息。另外，识别无人驾驶车辆所处的车道，根据车道所处的位置，以及无人驾驶车辆与无人驾驶车辆所处车道的车道线的距离，对无人驾驶车辆的基本定位信息进行修正，得到无人驾驶车辆的最终定位信息。为了提高语义信息的表征能力，采集的图像可为全景图像，全景图像采集的方式既可为全景相机获取，也可为将各角度的图像拼接获取。本说明书实施例提供的定位方法通过对采集的无人驾驶车辆周围的图像信息进行分析，便可获取无人驾驶车辆的基本定位信息。相比于结合多个传感器的数据对无人驾驶车辆进行定位的方式，本说明书实施例提供的定位方式简单、成本低，并且定位精度还高。当面对复杂环境时，也能够实现无人驾驶车辆的全天候无死角精确定位。
本说明书提供的上述定位方法具体可应用于针对无人驾驶车辆以及具有辅助驾驶功能的车辆在复杂城市环境下的精准定位。其中，无人驾驶车辆可以为无人配送车，该无人配送车可以应用于使用无人配送车进行配送的领域，如，使用无人配送车进行快递、外卖等配送的场景。具体的，在上述的场景中，可使用多个无人配送车所构成的自动驾驶车队进行配送。
以上为本说明书实施例提供的定位方法，基于同样的思路，本说明书还提供了相应的装置、存储介质和无人驾驶车辆。
图5为本说明书实施例提供的一种定位装置的结构示意图，所述装置包括：
采集模块200，用于采集无人驾驶车辆周围的环境信息所对应的图像；
提取模块202，用于将采集的所述图像输入到预先训练的语义分割模型，从采集的所述图像中提取语义特征；
查找模块204，用于从预先建立的语义特征库中查找与所述语义特征相匹配的特征，作为目标特征；
确定模块206，用于根据预先保存的地图中各位置与所述语义特征库中各特征的对应关系，确定所述目标特征对应的位置信息，并根据所述位置信息确定无人驾驶车辆的基本定位信息；
定位模块208，用于识别所述无人驾驶车辆所处的车道，并根据所述车道所处的位置，对所述无人驾驶车辆的基本定位信息进行修正，得到无人驾驶车辆的最终定位信息。
可选的，所述采集模块200，具体用于通过无人驾驶车辆上安装的全景相机采集无人驾驶车辆周围的环境信息所对应的全景图像。
可选的，所述采集模块200，具体用于通过无人驾驶车辆上安装的各摄像头采集无人驾驶车辆周围的环境信息所对应的图像，并将所述各摄像头采集的图像拼接为全景图像。
可选的，所述查找模块204，具体用于根据所述语义特征，以及预先建立的语义特征库所包含的各特征，分别确定所述语义特征与所述预先建立的语义特征库中所包含的各特征的相似度；将所述语义特征库中相似度大于指定相似度阈值的特征，作为与所述语义特征相匹配的特征。
可选的，所述确定模块206，具体用于当目标特征的数量大于一个时，根据各目标特征对应的位置信息，确定各位置信息的平均位置，并将所述平均位置作为无人驾驶车辆的基本定位信息。
可选的，所述确定模块206，还用于针对地图中各位置，预先在该位置采集图像；将在该位置采集的图像输入到所述语义分割模型，保存所述语义分割模型输出的特征与该位置的对应关系。
可选的，所述定位模块208，具体用于识别所述图像中的车道线；根据识别出的车道线在所述图像中的位置，确定所述无人驾驶车辆与所述车道线的距离；根据所述车道所处的位置，以及，所述无人驾驶车辆与所述车道线的距离，对所述无人驾驶车辆的基本定位信息进行修正。
本说明书还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可用于执行上述图1提供的一种定位方法。
基于图1所示的定位方法，本说明书实施例还提供了图6所示的无人驾驶车辆的结构示意图。如图6，在硬件层面，该无人驾驶车辆包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的定位方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
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过程、方法、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。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过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种定位方法，其特征在于，包括：
采集无人驾驶车辆周围的环境信息所对应的图像；
将采集的所述图像输入到预先训练的语义分割模型，从采集的所述图像中提取语义特征；
从预先建立的语义特征库中查找与所述语义特征相匹配的特征，作为目标特征；
根据预先保存的地图中各位置与所述语义特征库中各特征的对应关系，确定所述目标特征对应的位置信息，并根据所述位置信息确定无人驾驶车辆的基本定位信息；
识别所述无人驾驶车辆所处的车道，并根据所述车道所处的位置，对所述无人驾驶车辆的基本定位信息进行修正，得到无人驾驶车辆的最终定位信息。
2.如权利要求1所述的方法，其特征在于，采集无人驾驶车辆周围的环境信息所对应的图像，具体包括：
通过无人驾驶车辆上安装的全景相机采集无人驾驶车辆周围的环境信息所对应的全景图像。
3.如权利要求1所述的方法，其特征在于，采集无人驾驶车辆周围的环境信息所对应的图像，具体包括：
通过无人驾驶车辆上安装的各摄像头采集无人驾驶车辆周围的环境信息所对应的图像，并将所述各摄像头采集的图像拼接为全景图像。
4.如权利要求1所述的方法，其特征在于，从预先建立的语义特征库中查找与所述语义特征相匹配的特征，具体包括：
根据所述语义特征，以及预先建立的语义特征库所包含的各特征，分别确定所述语义特征与所述预先建立的语义特征库中所包含的各特征的相似度；
将所述语义特征库中相似度大于指定相似度阈值的特征，作为与所述语义特征相匹配的特征。
5.如权利要求4所述的方法，其特征在于，根据所述位置信息确定无人驾驶车辆的基本定位信息，具体包括：
当目标特征的数量大于一个时，根据各目标特征对应的位置信息，确定各位置信息的平均位置，并将所述平均位置作为无人驾驶车辆的基本定位信息。
6.如权利要求1所述的方法，其特征在于，预先保存地图中各位置与所述语义特征库中各特征的对应关系，具体包括：
针对地图中各位置，预先在该位置采集图像；
将在该位置采集的图像输入到所述语义分割模型，保存所述语义分割模型输出的特征与该位置的对应关系。
7.如权利要求1所述的方法，其特征在于，根据所述车道所处的位置，对所述无人驾驶车辆的基本定位信息进行修正，具体包括：
识别所述图像中的车道线；
根据识别出的车道线在所述图像中的位置，确定所述无人驾驶车辆与所述车道线的距离；
根据所述车道所处的位置，以及，所述无人驾驶车辆与所述车道线的距离，对所述无人驾驶车辆的基本定位信息进行修正。
8.一种定位装置，其特征在于，包括：
采集模块，用于采集无人驾驶车辆周围的环境信息所对应的图像；
提取模块，用于将采集的所述图像输入到预先训练的语义分割模型，从采集的所述图像中提取语义特征；
查找模块，用于从预先建立的语义特征库中查找与所述语义特征相匹配的特征，作为目标特征；
确定模块，用于根据预先保存的地图中各位置与所述语义特征库中各特征的对应关系，确定所述目标特征对应的位置信息，并根据所述位置信息确定无人驾驶车辆的基本定位信息；
定位模块，用于识别所述无人驾驶车辆所处的车道，并根据所述车道所处的位置，对所述无人驾驶车辆的基本定位信息进行修正，得到无人驾驶车辆的最终定位信息。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-7任一项所述的方法。
10.一种无人驾驶车辆，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-7任一项所述的方法。
CN202010306916.5A 2020-04-17 2020-04-17 一种定位方法及装置 Active CN111508258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010306916.5A CN111508258B (zh) 2020-04-17 2020-04-17 一种定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010306916.5A CN111508258B (zh) 2020-04-17 2020-04-17 一种定位方法及装置

Publications (2)

Publication Number Publication Date
CN111508258A true CN111508258A (zh) 2020-08-07
CN111508258B CN111508258B (zh) 2021-11-05

Family

ID=71869473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010306916.5A Active CN111508258B (zh) 2020-04-17 2020-04-17 一种定位方法及装置

Country Status (1)

Country Link
CN (1) CN111508258B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112014116A (zh) * 2020-08-10 2020-12-01 北京三快在线科技有限公司 一种制动距离测量方法、装置、介质及无人设备
CN112068172A (zh) * 2020-09-08 2020-12-11 广州小鹏自动驾驶科技有限公司 一种车辆的定位方法和装置
WO2020253842A1 (zh) * 2019-06-20 2020-12-24 杭州海康威视数字技术股份有限公司 一种车辆位姿确定方法、装置及电子设备
CN112284402A (zh) * 2020-10-15 2021-01-29 广州小鹏自动驾驶科技有限公司 一种车辆定位的方法和装置
CN113393515A (zh) * 2021-05-21 2021-09-14 杭州易现先进科技有限公司 一种结合场景标注信息的视觉定位方法和系统
CN113761255A (zh) * 2021-08-19 2021-12-07 劢微机器人科技(深圳)有限公司 机器人室内定位方法、装置、设备及存储介质
CN115294204A (zh) * 2022-10-10 2022-11-04 浙江光珀智能科技有限公司 一种户外目标定位方法及系统
WO2023019509A1 (zh) * 2021-08-19 2023-02-23 浙江吉利控股集团有限公司 基于环境匹配的车辆定位方法、装置、车辆及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416808A (zh) * 2018-02-24 2018-08-17 斑马网络技术有限公司 车辆重定位的方法及装置
CN110136199A (zh) * 2018-11-13 2019-08-16 北京初速度科技有限公司 一种基于摄像头的车辆定位、建图的方法和装置
CN110147705A (zh) * 2018-08-28 2019-08-20 北京初速度科技有限公司 一种基于视觉感知的车辆定位方法及电子设备
CN110147094A (zh) * 2018-11-08 2019-08-20 北京初速度科技有限公司 一种基于车载环视系统的车辆定位方法及车载终端
CN110146096A (zh) * 2018-10-24 2019-08-20 北京初速度科技有限公司 一种基于图像感知的车辆定位方法及装置
WO2020071619A1 (ko) * 2018-10-02 2020-04-09 에스케이텔레콤 주식회사 정밀 지도 업데이트 장치 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416808A (zh) * 2018-02-24 2018-08-17 斑马网络技术有限公司 车辆重定位的方法及装置
CN110147705A (zh) * 2018-08-28 2019-08-20 北京初速度科技有限公司 一种基于视觉感知的车辆定位方法及电子设备
WO2020071619A1 (ko) * 2018-10-02 2020-04-09 에스케이텔레콤 주식회사 정밀 지도 업데이트 장치 및 방법
CN110146096A (zh) * 2018-10-24 2019-08-20 北京初速度科技有限公司 一种基于图像感知的车辆定位方法及装置
CN110147094A (zh) * 2018-11-08 2019-08-20 北京初速度科技有限公司 一种基于车载环视系统的车辆定位方法及车载终端
CN110136199A (zh) * 2018-11-13 2019-08-16 北京初速度科技有限公司 一种基于摄像头的车辆定位、建图的方法和装置

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020253842A1 (zh) * 2019-06-20 2020-12-24 杭州海康威视数字技术股份有限公司 一种车辆位姿确定方法、装置及电子设备
CN112014116A (zh) * 2020-08-10 2020-12-01 北京三快在线科技有限公司 一种制动距离测量方法、装置、介质及无人设备
CN112068172A (zh) * 2020-09-08 2020-12-11 广州小鹏自动驾驶科技有限公司 一种车辆的定位方法和装置
CN112284402A (zh) * 2020-10-15 2021-01-29 广州小鹏自动驾驶科技有限公司 一种车辆定位的方法和装置
CN112284402B (zh) * 2020-10-15 2021-12-07 广州小鹏自动驾驶科技有限公司 一种车辆定位的方法和装置
WO2022077660A1 (zh) * 2020-10-15 2022-04-21 广州小鹏自动驾驶科技有限公司 一种车辆定位的方法和装置
CN113393515A (zh) * 2021-05-21 2021-09-14 杭州易现先进科技有限公司 一种结合场景标注信息的视觉定位方法和系统
CN113393515B (zh) * 2021-05-21 2023-09-19 杭州易现先进科技有限公司 一种结合场景标注信息的视觉定位方法和系统
CN113761255A (zh) * 2021-08-19 2021-12-07 劢微机器人科技(深圳)有限公司 机器人室内定位方法、装置、设备及存储介质
WO2023019509A1 (zh) * 2021-08-19 2023-02-23 浙江吉利控股集团有限公司 基于环境匹配的车辆定位方法、装置、车辆及存储介质
CN113761255B (zh) * 2021-08-19 2024-02-09 劢微机器人科技(深圳)有限公司 机器人室内定位方法、装置、设备及存储介质
CN115294204A (zh) * 2022-10-10 2022-11-04 浙江光珀智能科技有限公司 一种户外目标定位方法及系统

Also Published As

Publication number Publication date
CN111508258B (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN111508258B (zh) 一种定位方法及装置
CN111190427B (zh) 一种轨迹规划的方法及装置
CN111311709B (zh) 一种生成高精地图的方法及装置
KR20190090393A (ko) 차선 결정 방법, 디바이스 및 저장 매체
CN111311902B (zh) 一种数据处理方法、装置、设备和机器可读介质
CN112001456B (zh) 一种车辆定位方法、装置、存储介质及电子设备
CN111238450B (zh) 视觉定位方法及装置
CN111288971B (zh) 一种视觉定位方法及装置
CN111797698A (zh) 目标物的识别方法及识别装置
CN112036462A (zh) 一种模型训练以及目标检测的方法及装置
CN112327864A (zh) 一种无人驾驶设备的控制方法及控制装置
CN110660103A (zh) 一种无人车定位方法及装置
CN112990099B (zh) 一种车道线检测的方法以及装置
CN113674424B (zh) 一种电子地图绘制的方法及装置
CN112883871B (zh) 一种模型训练以及确定无人车运动策略方法及装置
CN112861831A (zh) 一种目标物的识别方法、装置、存储介质及电子设备
CN112818968A (zh) 一种目标物分类方法及装置
CN111460854B (zh) 一种远距离目标检测方法、装置及系统
CN116385999A (zh) 一种停车位的识别方法、装置及设备
CN112734851B (zh) 一种位姿确定的方法以及装置
CN114111817B (zh) 基于slam地图与高精度地图匹配的车辆定位方法及系统
CN114332189A (zh) 一种高精地图构建方法、装置、存储介质及电子设备
CN115112125A (zh) 自动驾驶车辆的定位方法、装置及电子设备、存储介质
CN114120277A (zh) 一种模型训练和无人驾驶设备的控制方法及装置
CN111488771B (zh) Ocr挂接方法、装置与设备

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
GR01 Patent grant
GR01 Patent grant