CN111656136B - 使用激光雷达的车辆定位系统 - Google Patents

使用激光雷达的车辆定位系统 Download PDF

Info

Publication number
CN111656136B
CN111656136B CN201880002681.1A CN201880002681A CN111656136B CN 111656136 B CN111656136 B CN 111656136B CN 201880002681 A CN201880002681 A CN 201880002681A CN 111656136 B CN111656136 B CN 111656136B
Authority
CN
China
Prior art keywords
dimensional representation
resolution
pose information
vehicle
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.)
Active
Application number
CN201880002681.1A
Other languages
English (en)
Other versions
CN111656136A (zh
Inventor
年兴
冯路
马腾
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 Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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 Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Publication of CN111656136A publication Critical patent/CN111656136A/zh
Application granted granted Critical
Publication of CN111656136B publication Critical patent/CN111656136B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4808—Evaluating distance, position or velocity data
    • 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
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • 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
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • 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
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/42—Simultaneous measurement of distance and other co-ordinates
    • 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

Abstract

本申请实施例提供了用于定位车辆的系统和方法。所述系统包括通信接口(202)，被配置为接收由所述车辆上配备的传感器捕获的与场景相关的点云。所述系统进一步包括存储器(208)，被配置为存储点云和高清地图。所述系统还包括处理器(204)。所述处理器(204)被配置为创建所述点云的第一个三维表示，并创建与所述场景相关的所述高清地图的第二个三维表示。所述处理器(204)被进一步配置为通过比较所述第一个三维表示和所述第二个三维表示来确定所述车辆的位姿信息。所述处理器(204)根据所述位姿信息确定所述车辆的位置。

Description

使用激光雷达的车辆定位系统
技术领域
本申请涉及使用激光雷达(Light Detection and Ranging，LiDAR)的定位系统和方法，更具体地，涉及在LiDAR数据和高清地图之间使用体素匹配方法预估车辆位置的定位系统和方法。
背景技术
自动驾驶和机器人导航技术在很大程度上依赖于精确定位。例如，高清晰度的车辆定位对于自动驾驶至关重要。传统的定位方法，例如使用全球定位系统(GlobalPositioning System，GPS)或惯性测量单元(Inertial Measurement Unit，IMU)，不能提供自动驾驶所需的足够的定位精度。例如，GPS定位的准确度通常为米级。对于自动驾驶控制通常不够精确，例如定位车道之间的车辆，或者定位车辆前方的行人，这两者都要求定位误差在厘米以内。此外，GPS信号并非总是可用的。例如，当车辆在隧道内或靠近高层建筑物时，GPS信号通常很弱或丢失。此外，IMU的测量误差通常随着时间或距离而累积，导致定位不准确。
可以通过聚合当车辆四处移动时车辆上的各种传感器、探测器和其他装置获取的图像和信息来获得高分辨率地图。例如，车辆可以配备多个集成传感器，例如LiDAR、GPS接收器、一个或以上IMU传感器、以及一个或以上相机，以捕获车辆行驶的道路或周围物体的特征。可以通过基于测量车辆的相应三维(three-dimensional，3-D)位姿信息(例如，位置和姿态)聚合多个点云帧来获得高清地图。
基于高清地图，通过与实时传感器的测量，例如相机图像和GPS/IMU信号的特征匹配和融合，可以定位车辆。然而，定位结果通常受到例如拍摄相机图像时的照明条件和传感器测量中的噪声的影响。另一种高清定位方法将LiDAR捕获的实时点云与高清地图进行点对点的匹配。然而，考虑到需要处理的数据量和算法的复杂性，这种方法计算量太大。此外，它需要一个足够接近车辆实际位置的初始位置。另一种方法是对点云进行分割，从分割中提取特征，并将该特征与从高清地图中提取的特征进行匹配。该方法通常不能实时执行，并且对测量噪声敏感。
本申请的实施例通过改进的用于定位车辆的系统和方法解决上述问题。
发明内容
本申请的实施例提供了一种用于定位车辆的系统。所述系统包括通信接口，被配置为接收由所述车辆上配备的传感器捕获的与场景相关的点云。所述系统进一步包括存储器，被配置为存储所述点云和高清地图。所述系统还包括处理器。所述处理器被配置为，创建所述点云的第一个三维表示，以及创建与所述场景有关的所述高清地图的第二个三维表示。所述处理器被进一步配置为，通过比较所述第一个三维表示和所述第二个三维表示来确定所述车辆的位姿信息。所述处理器基于所述位姿信息确定所述车辆的位置。
本申请的实施例还提供了一种用于定位车辆的方法。所述方法包括接收由所述车辆上配备的传感器捕获的与场景相关的点云。所述方法进一步包括通过处理器，创建所述点云的第一个三维表示，以及通过所述处理器，创建与所述场景有关的高清地图的第二个三维表示。所述方法还包括通过所述处理器，通过比较所述第一个三维表示和所述第二个三维表示来确定所述车辆的位姿信息，以及基于所述位姿信息确定所述车辆的位置。
本申请的实施例进一步提供了一种其上存储有指令的非暂时性计算机可读介质，当由一个或以上处理器执行时，使一个或以上处理器执行操作。所述操作包括接收由车辆上配备的传感器捕获的与场景相关的点云。所述操作进一步包括创建所述点云的第一个三维表示，以及创建与所述场景有关的高清地图的第二个三维表示。所述操作还包括通过比较所述第一个三维表示和所述第二个三维表示确定所述车辆的位姿信息，以及基于所述位姿信息确定所述车辆的位置。
应当理解的是，前面的一般性描述和下面的详细描述都只是示例性和说明性的，并不是对要求保护的本发明的限制。
附图说明
图1示出了根据本申请实施例的具有传感器的示例性车辆的示意图。
图2示出了根据本申请实施例的用于基于实时点云数据定位车辆的示例性定位服务器的框图。
图3示出了根据本申请实施例的点云数据的示例性三维表示。
图4示出了根据本申请实施例的用于定位车辆的示例性方法的流程图。
图5示出了根据本申请实施例的示例性体素匹配方法的流程图。
具体实施方式
现在将详细参考示例性实施例，其示例如附图所示。只要有可能，在整个附图中将使用相同的附图标记来表示相同或相似的部分。
图1示出了根据本申请实施例的具有至少两个传感器的示例性车辆100的示意图。与一些实施例一致，车辆100可以是被配置为获取用于构建高分辨率地图或三维(three-dimensional，3-D)城市建模的数据的测量车辆。可以预期地，车辆100可以是电动车辆、燃料电池车辆、混合动力车辆或传统的内燃机车辆。车辆100可具有车身110和至少一个车轮120。车身110可以是任何车身类型，例如运动车辆、轿跑车、轿车、皮卡车、旅行车、运动型多功能车(sports utility vehicle，SUV)、小型货车或改装车。在一些实施例中，如图1所示，车辆100可包括一对前轮和一对后轮。然而，可以预期地，车辆100可具有更少的车轮或使车辆100能够四处移动的等效结构。车辆100可以被配置为全轮驱动(all wheel drive，AWD)、前轮驱动(front wheel drive，FWR)或后轮驱动(rear wheel drive，RWD)。在一些实施例中，车辆100可以被配置为由使用车辆的操作员操作、远程控制和/或自动操作。
如图1所示，车辆100可以配备有通过安装结构130安装到车身110上的LiDAR 140。安装结构130可以是安装或以其他方式附接到车辆100的车身110上的机电设备。在一些实施例中，安装结构130可以使用螺钉、粘合剂或其他安装机制。车辆100可以使用任何合适的安装机制在车身110内部或外部额外配备GPS/IMU 150。可以预期地，在车辆100上配备LiDAR 140或GPS/IMU150的方式可以不受图1中所示示例的限制，并且可以进行修改以实现期望的感测性能。
在一些实施例中，LiDAR 140和GPS/IMU 150可以被配置为在车辆100沿着轨迹移动时捕获数据。与本申请一致，LiDAR 140可被配置为扫描周围环境并获取点云。LiDAR通过用脉冲激光照射目标并用传感器测量反射脉冲来测量到目标的距离。然后可以使用激光返回时间差和波长，生成所述目标的数字3-D表示。用于LiDAR扫描的光可以是紫外线、可见光或近红外线。由于窄激光束可以以非常高的分辨率映射物理特征，因此LiDAR扫描仪特别适用于高分辨率地图测量。在一些实施例中，LiDAR扫描仪可以捕获点云。当车辆100沿着轨迹移动时，LiDAR 140可以在多个时间点获取一系列点云(每个点云被称为在一个时间点获取的点云帧)。
如图1所示，车辆100可以额外配备GPS/IMU 150，其可以包括在导航单元中用于定位车辆100的传感器，例如GPS接收器和一个或以上IMU传感器。GPS是一种全球导航卫星系统，其为GPS接收器提供地理定位和时间信息。IMU是一种电子设备，其使用各种惯性传感器例如加速度计和陀螺仪、有时还有磁力计，测量并提供车辆的比力、角速率、有时还包括车辆周围的磁场。通过组合GPS接收器和IMU传感器，GPS/IMU 150可以在车辆100行进时提供车辆100的实时位姿数据，包括车辆100在每个时间点的位置和姿态(例如，欧拉角)。
与本申请一致，车辆100可以包括车辆100的车身110内的与地图服务器170和定位服务器180通信的本地控制器160。在一些实施例中，地图服务器170和定位服务器180中的每一个可以是本地物理服务器、云服务器(如图1所示)、虚拟服务器、分布式服务器或任何其他合适的计算设备。地图服务器170和定位服务器180可以通过网络，例如无线局域网(Wireless Local Area Network，WLAN)、广域网(Wide Area Network，WAN)、诸如无线电波、蜂窝网络、卫星通信网络和/或本地或短程无线网络(例如，蓝牙TM)的无线网与LiDAR140、GPS/IMU 150和/或车辆100的其他组件通信。例如，地图服务器170和定位服务器160可以从LiDAR 140和GPS/IMU 150接收传感器测量值。地图服务器170和定位服务器180还可以彼此通信。例如，定位服务器180可以从地图服务器170接收高清地图或其某些部分。
与本申请一致，控制器160和定位服务器180可以基于由LiDAR 140捕获的点云和由GPS/IMU 150捕获的位姿数据单独或共同地执行车辆100位姿信息的预估。在一些实施例中，控制器160或定位服务器180可以基于GPS/IMU150提供的初始定位信息从地图服务器170检索高清地图，并创建高清地图的3-D表示。控制器160或定位服务器180还可以接收由LiDAR 140获取的点云并创建点云的3-D表示。可以通过“体素化”数据来创建点云和高清地图的3-D表示。控制器160或定位服务器180可以对3-D表示执行体素匹配方法以优化车辆100的位姿信息。可以基于优化的位姿信息来定位车辆100。在一些实施例中，点云和高清地图可以在多种分辨率下进行体素化，并且可以首先对较低分辨率下的3-D表示执行体素匹配方法，并且当对较高分辨率下的3-D表示执行该方法时，将所获得的位姿信息用作初始猜测。所公开的系统和方法提供了改进的准确性和降低的计算成本。
例如，图2示出了根据本申请实施例的用于基于实时点云数据定位车辆的示例性定位服务器180的框图。与本申请一致，定位服务器180可以使用各种类型的数据来进行车辆位姿预估。当车辆100沿着轨迹移动时，关于车辆100的周围场景的各种类型的数据可以由车辆100上配备的LiDAR 140和GPS/IMU150捕获。该数据可以包括由LiDAR 140捕获的由不同时间点的多点云帧组成的点云201。该数据还可以包括由GPS/IMU 150获取的车辆100的初始位姿数据203。在一些实施例中，可以通过基于来自GPS接收器和IMU传感器的初始位姿数据203将本地LiDAR数据从局部坐标系变换为全局坐标系(例如，经度/纬度坐标)来校准点云201。
提供给定位服务器180以进行车辆位姿预估的数据还包括由地图服务器170提供的高清地图205。高清地图205可以通过聚合由各种传感器、检测器和测量车辆上用于捕获测量区域特征的其他设备获取的图像和信息来构建。在一些实施例中，高清地图205可以是较大的高清地图的一部分，例如，局部高清地图。地图服务器170还可以从GPS/IMU 150接收位姿数据203，并且检索与位姿数据203相对应的场景的高清地图205。
在一些实施例中，如图2所示，定位服务器180可以包括通信接口202、处理器204、内存206和存储器208。在一些实施例中，定位服务器180可以是在单个设备中具有不同模块，例如集成电路(integrated circuit，IC)芯片(实现为专用集成电路(application-specific integrated circuit，ASIC)或现场可编程门阵列(field-programmable gatearray，FPGA))，或是具有专用功能的独立设备。在一些实施例中，定位服务器180的一个或以上组件可以位于车辆100内部，或者可替代地在移动设备、云端或另一个远程位置中。定位服务器180的组件可以在集成设备中，或者分布在不同的位置但通过网络(未示出)彼此通信。例如，处理器204可以是车辆100的车载处理器、移动设备内的处理器或云处理器，或其任意组合。
通信接口202可以通过例如通信电缆、无线局域网(WLAN)、广域网(WAN)，诸如无线电波网络、蜂窝网络和/或本地无线网络(例如，BluetoothTM或WiFiTM)的无线网或其他通信方法，向诸如LiDAR 140和GPS/IMU 150之类的组件以及地图服务器170发送数据和从其接收数据。在一些实施例中，通信接口202可以是综合业务数字网(integrated servicesdigital network，ISDN)卡、电缆调制解调器、卫星调制解调器或调制解调器，以提供数据通信连接。又例如，通信接口202可以是局域网(LAN)适配器，以提供与兼容LAN的数据通信连接。无线链路也可以由通信接口202实现。在这样的实现中，通信接口202可以发送和接收携带表示各种类型信息的数字数据流的电信号、电磁信号或光信号。
与一些实施例一致，通信接口202可以接收由LiDAR 140和GPS/IMU150捕获的数据，包括点云201和初始位姿数据203。通信接口202还可以从地图服务器170接收高清地图205。接收的数据可以提供给内存206和/或存储器208以便存储或提供给处理器204以进行处理。通信接口202还可以接收由处理器204生成的优化的位姿信息，并且通过通信链路将位姿信息提供给车辆100中的任何本地组件或任何远程设备。
处理器204可包括任何适当类型的通用或专用微处理器、数字信号处理器或微控制器。处理器204可以被配置为专用于预估车辆位姿的单独处理器模块。或者，处理器204可以被配置为还可以执行与车辆位姿预估无关的其他功能的共用处理器模块。
如图2所示，处理器204可以包括多个模块/单元，例如3-D表示生成单元210、体素匹配单元212、定位单元214、位姿信息预估单元216等。这些模块/单元(以及任何相应的子模块或子单元)可以是处理器204的硬件单元(例如，集成电路的部分)，其被设计用于与其他组件一起使用或执行程序的至少一部分。程序可以存储在计算机可读介质上，并且当由处理器204执行时，可以执行一个或以上的功能或操作。尽管图2示出了在一个处理器204内的所有单元210-216，但是可以预期地，这些单元可以分布在彼此靠近或远离的多个处理器之间。
3-D表示生成单元210可以被配置为创建点云201的3-D表示。在一些实施例中，3-D表示生成单元210可以将点云201的3-D空间划分为多个体素。例如，图3示出了根据本申请实施例的点云201的示例性3-D表示310。如图3所示，3-D表示310包含至少两个体素320。每个体素表征为一组体素值，包括例如局部3-D表面特征分布。在一些实施例中，体素值还包括平均强度值，以及沿x、y和z方向的三维分布。例如，强度值的3-D分布可以是高斯/正态分布。
因此，体素320可以包括3-D空间信息以及点云强度分布。与直接匹配点云的方法相比，匹配包含这些体素的3-D表示可以提高定位精度。
在一些实施例中，3-D表示单元210还可以被配置为创建第二个3-D表示，即高清地图205的至少一部分的3-D表示。高清地图205可以包含在测量期间获取的点云数据。因此，可以使用以上结合图3公开的相同方法来创建高清地图205的3-D表示。
返回参考图2，体素匹配单元212可以被配置为执行点云201的3-D表示与高清地图205对应的3-D表示之间的体素匹配操作。在一些实施例中，体素匹配可以找到车辆100优化的位姿信息，其对应于点云201的3-D表示与高清地图205对应的3-D表示之间的最小差异。例如，可以将差异计算为两个表示的对应体素之间差异的聚合差异。在一些实施例中，差异也可以相反地通过两个表示的体素之间的相似性来表征。体素匹配单元212可以解决优化问题以最大化这种相似性。可以实施迭代方法，例如牛顿迭代方法，以解决优化问题。
在一些实施例中，当解决优化问题时，初始位姿信息T0可以用作第一次迭代的起点(也称为初始猜测)。例如，T0＝(x0，y0，z0，row0，pitch0，yaw0)，其中x0、y0和z0是车辆位置的三维坐标，row0、pitch0和yaw0表示车辆位姿。最初可以基于初始位姿信息T0创建3-D表示。
在一些实施例中，可以通过位姿信息预估单元216使用获取的先前点云帧的位姿信息来预估T0。在优化过程中，可以在预定义的搜索空间X、Y、Z、ROLL、PITCH、YAW内迭代地改进位姿信息T。在优化成本函数满足某些预定停止准则之后，可以获得优化的位姿T。例如，停止准则可以包括匹配最大值Thm和/或计算时间最大值Tht。如果相似性L超过Thm(即，点云数据201和高清地图205的对应体素之间的相似性大于Thm)，或者计算时间超过Tht，则迭代过程可以停止并且最后更新的位姿信息可以用作与当前点云帧相关的优化的点云位姿信息T。
在一些实施例中，在获得点云位姿信息T之后，定位单元214然后可以将由体素匹配单元212获得的点云位姿信息T与由GPS/IMU 150提供的初始位姿数据203合并。例如，可以使用无迹卡尔曼滤波器(Unscented Kalman Filter，UKF)方法来合并点云位姿信息T和初始位姿数据203，以生成过滤后的位姿信息T’。UKF方法使用称为无迹变换(UnscentedTransform，UT)的确定性采样技术来选择围绕后验均值的最小采样点集(称为西格玛点)。然后通过非线性函数传播西格玛点，然后从中形成新的后验均值和协方差预估。得到的UKF滤波器可以更准确地预估真实均值和协方差。与一些现有导航系统用于位姿预估的扩展卡尔曼滤波器(Extended Kalman Filter，EKF)相比，UKF具有不计算雅可比行列式的优点，因此在理论上优于非线性和先验状态不确定性的扩展。与本申请一致，定位单元214可使用过滤后的位姿信息T’来定位车辆100。
在一些实施例中，位姿信息预估单元216可以基于由定位单元214确定的当前点云帧的过滤后的位姿信息T’来预估下一个点云帧的初始位姿信息T0。在一些实施例中，位姿信息预估单元216可以基于点云帧之间的位姿变化来预估T0。例如，位姿信息预估单元216可以基于每个点云帧中的点的3-D坐标及其相关属性(例如，反射激光强度)来计算相邻点云帧之间的位姿变化。又例如，位姿信息预估单元216可以计算对应于点云帧获得的位姿数据203之间的位姿变化。
预估的初始位姿信息T0可以被提供给体素匹配单元212，用于预估下一个点云帧的优化的位姿信息T。因为初始位姿信息T0是基于当前点云帧的优化的T来预估的，所以它作为初始猜测足够准确，因此可以帮助优化过程快速收敛。
在与本申请一致的一些实施例中，点云201和高清地图205可以在不同的分辨率下进行体素化。例如，3-D表示生成单元210可以生成点云201的多个3-D表示，在各自的3-D表示中具有不同大小的体素320。当由3-D表示生成单元210实现多分辨率体素化时，体素匹配单元212用于匹配操作的对应点云和高清地图的3-D表示具有相同的分辨率。
在一些实施例中，3-D表示生成单元210可以生成点云201和高清地图205在第一分辨率R1下的第一个3-D表示。R1可以是相对较低的分辨率，即具有相对大的体素尺寸的3-D表示。体素匹配单元212和定位单元214可以首先基于低分辨率下的3-D表示来定位车辆100。在分辨率R1下获得的位姿信息可以是车辆位置的粗略预估。然后，3-D表示生成单元210可以在高于分辨率R1的第二分辨率R2下生成点云201和高清地图205的3-D表示。当使用分辨率R2下的3-D表示来定位车辆时，分辨率R1下的预估的位姿信息将用作初始猜测。
随着在越来越高的分辨率下重复预估过程，也可以提高车辆100的预估位置的精度。因为在较低分辨率下预估的位姿信息可以提供足够精确的初始猜测，所以多分辨率体素化方法可以在该过程收敛之前节省所需的大量迭代，从而提高计算速度。
内存206和存储器208可以包括任何适当类型的存储设备，其被提供以存储处理器204可能需要处理的任何类型的信息。内存206和存储器208可以是易失性或非易失性、磁性、基于半导体、基于磁带、光学的、可移动、不可移动、或其他类型的存储设备或有形(即，非暂时性)计算机可读介质，包括但不限于ROM、闪存、动态RAM和静态RAM。内存206和/或存储器208可以被配置为存储可以由处理器204执行以执行本文公开的车辆位姿预估功能的一个或以上计算机程序。例如，内存206和/或存储器208可以被配置为存储程序，该程序可以由处理器204执行来控制LiDAR 140和/或GPS/IMU 150以在车辆100沿着轨迹移动时捕获各种类型的数据，并且处理捕获的数据来预估车辆100的位姿信息。
内存206和/或存储器208可以进一步被配置为存储处理器204使用的信息和数据。例如，内存206和/或存储器208可以被配置为存储由LiDAR 140和GPS/IMU 150捕获的各种类型的数据以及预估的位姿信息。各种类型的数据可以永久存储、周期性地移除、或者在处理每个数据帧之后立即被忽略。
图4示出了根据本申请实施例的用于定位车辆100的示例性方法400的流程图。例如，方法400可以由车辆100的车辆位姿预估系统实现，其包括控制器160、地图服务器170、定位服务器180、以及LiDAR 140和GPS/IMU 150等。然而，方法400不限于该示例性实施例。
方法400可以包括如下所述的步骤S402-S416。应当理解的是，一些步骤可以是可选的，以执行此处提供的披露。此外，一些步骤可以同时执行，或者以与图4中所示不同的顺序执行。
在步骤S402，可以在时间点t1捕获与场景相关的点云帧PC1(例如，点云201)。例如，点云帧PC1可以由LiDAR 140捕获。在一些实施例中，还可以在时间点t1捕获车辆100的初始位姿数据IP1(例如，初始位姿数据203)。例如，初始位姿数据IP1可以由GPS/IMU 150捕获。初始位姿数据IP1可以与点云帧PC1对应，因为它们是在相同时间点捕获的。在一些实施例中，捕获的初始位姿数据IP1和点云帧PC1可以被发送到定位服务器180并由定位服务器180接收。
在步骤S404，可以基于初始位姿数据IP1从地图服务器170获得高清地图(例如，高清地图205)。初始位姿数据IP1提供其对应的点云帧PC1的粗略位置，使地图服务器170可以选择先前构建的高清地图的相关部分，例如，包括所述场景的高清地图的一部分。在一些实施例中，高清地图也可以由定位服务器180接收。
在步骤S406-S410，定位服务器180可以使用体素匹配方法来优化车辆100的位姿信息T。为了优化位姿信息T，定位传感器180可以搜索预定义空间X、Y、Z、ROLL、PITCH、YAW，以将在步骤S402中获得的点云帧PC1和在步骤S404获得的高清地图的点云数据进行匹配。与本申请一致，定位服务器180可以生成点云帧PC1和高清地图的对应点云数据的3-D表示，并确定减少两个3-D表示之间差异的优化的预估位姿。
在一些实施例中，定位服务器180可以在多种分辨率下执行体素匹配，例如R1和R2，其中分辨率R2高于分辨率R1。当使用多分辨率方法时，可以在同一分辨率下的第一个3-D表示(例如，点云帧的3-D表示)和第二个3-D表示(例如，高清地图的3-D表示)之间执行体素匹配。在一些实施例中，可以从较低分辨率到较高分辨率执行体素匹配。例如，可以在最低分辨率下执行S408中的位姿信息优化操作。然后，在步骤S410，确定是否已经处理了所有分辨率。如果不是，则方法400的过程返回到步骤S406，选择下一个最低分辨率用于体素匹配(最初，“下一个”最低分辨率可以是最低分辨率，例如，R1)。在步骤S408，定位服务器180可以对所选分辨率下的点云帧和高清地图的3-D表示执行体素匹配。
图5示出了根据本申请实施例的示例性体素匹配方法500的流程图。方法500可以通过定位服务器180来执行以执行方法400的步骤S408。然而，步骤S408不限于方法500的实施例。方法500可以包括如下所述的步骤S502-S516。应当理解的是，一些步骤可以是可选的，以执行本文提供的披露。此外，一些步骤可以同时执行，或者以与图5中所示不同的顺序执行。
在步骤S502，可以将位姿T0设置为位姿信息T的初始猜测。例如，T0＝(x0，y0，z0，row0，pitch0，yaw0)，其中x0、y0和z0是车辆位置的三维坐标，row0、pitch0和yaw0表示车辆位姿。在一些实施例中，可以通过位姿信息预估单元216使用获得的先前点云帧(例如，对应于时间点t0的PC0)的位姿信息来预估T0。当使用多分辨率方法时，较低分辨率下的优化的位姿信息可以用作初始位姿T0以提高计算速度。
在步骤S504，可以设置匹配阈值Thm和时间阈值Tht。在一些实施例中，匹配阈值Thm和时间阈值Tht都可以是停止准则的一部分。Thm是用于优化位姿信息T的成本函数L的最大值。Tht是计算时间的最大值。如果成本函数L的值超过Thm，或者计算时间超过Tht，则可以停止优化处理(参见步骤S512)。
在步骤S506，定位服务器180可以基于初始位姿信息T0生成所选分辨率下点云帧PC1的第一个3-D表示和高清地图的第二个3-D表示。在一些实施例中，为了生成3-D表示，3-D表示生成单元210可以将点云数据的3-D空间划分为如图3所示的多个体素320。每个体素表征为一组体素值，包括例如局部三维表面特征分布、平均强度值及其沿x，y和z方向的三维分布。
在步骤S508，可以确定所选分辨率下的3-D表示的体素值分布。在一些实施例中，体素值(例如，强度值)的3-D分布可以是高斯/正态分布，使用等式(1)-(3)表示：
M＝[p1-μ...pn-μ](2)
其中，pi是点i在其体素内的3-D坐标以及在点i处的强度值，μ是高斯分布N(μ，∑)的平均值，以及∑是高斯分布的方差。
在步骤S510，定位传感器180可以计算两个3-D表示的体素值分布之间的相似性。例如，可以使用等式(4)确定相似性L：
其中，μi和∑i分别是体素的高斯分布的平均向量和方差矩阵。通过最大化这种相似性来优化位姿信息T。
在一些实施例中，可以实施迭代方法，例如牛顿迭代方法，来解决优化问题。在每次迭代期间，将跟踪成本函数(例如，L)的值和计算时间。在步骤S512，如果成本函数L的值超过Thm，或者计算时间超过Tht(S508：是)，则认为满足停止准则，并且认为迭代过程收敛。因此，体素匹配单元212停止优化并将最新的位姿信息T作为优化的位姿提供给定位单元214。
另一方面，如果既不满足L>Thm也不满足T>Tht(S508：否)，则方法500前进到S514以进一步更新位姿T。在一些实施例中，位姿T可以被改进以进一步减小点云帧和高清地图的3-D表示之间的差异。利用更新的位姿T，方法500返回到步骤S506以进行另一次迭代。例如，在步骤S506和S508，定位服务器180可以生成点云帧和高清地图的3-D表示，并基于最新更新的位姿T确定体素值分布。
返回参考图4，在步骤S410，确定是否处理了所有分辨率。如果不是(S410：否)，则方法400返回到S406以选择用于体素匹配的下一个最低分辨率。例如，在处理分辨率R1之后，分辨率R2成为下一个最低分辨率，并且可以在步骤S406中被选择。因此，可以在步骤S408比较和匹配分辨率R2下的第一个和第二个3-D表示，以确定所选分辨率下的优化的位姿T。
如果处理了所有分辨率(S410：是)，则方法400前进到步骤S412，将点云帧PC1的优化的位姿信息T与对应的初始位姿数据IP1进行过滤及合并。例如，定位服务器180可以使用UKF方法对点云位姿信息T和初始位姿数据203进行滤波及合并，以获得合并后的位姿信息T’。在步骤S414，可以基于合并后的位姿信息T’在高清地图中定位车辆100。
在一些实施例中，合并后的位姿信息T’可以另外用于为下一点云帧提供预估的位姿信息。例如，如果在步骤S412获得的合并后的位姿信息T’与在时间点t1捕获的点云帧PC1对应，则定位服务器180可预估在下一时间点t2捕获的点云帧PC2的位姿信息。可以提供预估的位姿信息作为位姿T0的初始猜测，以寻找与点云帧PC2对应的优化的位姿信息T。
在一些实施例中，位姿信息预估单元216可以分别基于在时间点t1和t2捕获的点云帧PC1和点云帧PC2之间的位姿变化来预估位姿信息。例如，位姿信息预估单元216可以基于每个点云帧中的点的3-D坐标及其相关属性(例如，反射激光强度)来计算位姿变化。例如，可以使用四维(four-dimensional，4-D)正态分布变换(Normal DistributionsTransform，NDT)基于X、Y和Z坐标以及每个点的反射层强度来计算位姿变化。4-D NDT将从单个点云帧重建的离散的3-D点集转换为在3-D空间中定义的分段连续且可微分的概率密度。概率密度可以包括一组可容易计算的正态分布。概率密度分布可用于表示对应点云帧的点云位姿信息。又例如，位姿信息预估单元216可以分别计算在时间点t1和t2捕获的初始位姿数据IP1和IP2之间的位姿变化。
本申请的另一方面涉及一种存储有指令的非暂时性计算机可读介质，所述指令在被执行时使一个或以上处理器执行如上所述的方法。该计算机可读介质可以是易失性或非易失性、磁性、基于半导体、基于磁带、光学的、可移动、不可移动或其他类型的计算机可读介质或计算机可读存储设备。例如，如本申请的计算机可读介质可以是存储设备或其上存储有计算机指令的内存模块。在一些实施例中，计算机可读介质可以是其上存储有计算机指令的磁盘或闪存驱动器。
显而易见地，本领域普通技术人员可以对本申请的系统和相关方法进行各种修改和变化。考虑到本申请的系统和相关方法的说明和实践，其他实施例对于本领域普通技术人员是显而易见的。
本申请中的说明书和示例的目的仅被认为是示例性的，真正的范围由以下权利要求及其等同物限定。

Claims (18)

1.一种用于定位车辆的系统，包括：
通信接口，被配置为接收由所述车辆上配备的传感器捕获的与场景相关的点云；
存储器，被配置为存储所述点云和高清地图；以及
处理器，被配置为：
创建所述点云在第一分辨率下的第一个三维表示，以及所述点云在第二分辨率下的第一个三维表示，其中，所述第一分辨率低于所述第二分辨率；
创建与所述场景有关的所述高清地图在所述第一分辨率下的第二个三维表示，以及所述高清地图在所述第二分辨率下的第二个三维表示；
通过比较所述第一分辨率下的所述第一个三维表示和所述第一分辨率下的所述第二个三维表示，来确定所述车辆的位姿信息；
通过比较所述第二分辨率下的所述第一个三维表示和所述第二分辨率下的所述第二个三维表示来改进所述位姿信息；以及
基于所述位姿信息确定所述车辆的位置。
2.根据权利要求1所述的系统，其特征在于，所述传感器是激光雷达。
3.根据权利要求1所述的系统，其特征在于，比较所述第一个三维表示和所述第二个三维表示包括比较所述第一个三维表示的体素与所述第二个三维表示的对应体素。
4.根据权利要求1所述的系统，其特征在于，所述处理器被进一步配置为：
确定所述第一个三维表示的第一体素值分布；
确定所述第二个三维表示的第二体素值分布；以及
比较所述第一体素值分布与所述第二体素值分布。
5.根据权利要求1所述的系统，其特征在于，所述通信接口被进一步配置为通过所述车辆上配备的定位传感器接收所述车辆的获取的位姿信息，其中，所述处理器被进一步配置为使用所述获取的位姿信息来改进所述位姿信息。
6.根据权利要求5所述的系统，其特征在于，为改进所述位姿信息，所述处理器被配置为将滤波器应用于所述获取的位姿信息和所述确定的位姿信息。
7.根据权利要求6所述的系统，其特征在于，所述滤波器是无迹卡尔曼滤波器UKF。
8.根据权利要求1所述的系统，其特征在于，所述处理器被进一步配置为基于初始位姿信息创建所述点云的所述第一个三维表示，其中，基于与所述车辆的先前位置对应的位姿信息来预估所述初始位姿信息。
9.根据权利要求1所述的系统，其特征在于，所述处理器被进一步配置为：
更新所述位姿信息以增加所述第一个三维表示与所述第二个三维表示之间的相似性。
10.一种用于定位车辆的方法，包括：
接收由所述车辆上配备的传感器捕获的与场景相关的点云；
通过处理器，创建所述点云在第一分辨率下的第一个三维表示，以及所述点云在第二分辨率下的第一个三维表示，其中，所述第一分辨率低于所述第二分辨率；
通过所述处理器，创建与所述场景有关的高清地图在所述第一分辨率下的第二个三维表示，以及所述高清地图在所述第二分辨率下的第二个三维表示；
通过所述处理器，通过比较所述第一分辨率下的所述第一个三维表示和所述第一分辨率下的所述第二个三维表示来确定所述车辆的位姿信息；
通过所述处理器，通过比较所述第二分辨率下的所述第一个三维表示和所述第二分辨率下的所述第二个三维表示来改进所述位姿信息；以及
基于所述位姿信息确定所述车辆的位置。
11.根据权利要求10所述的方法，其特征在于，比较所述第一个三维表示和所述第二个三维表示包括比较所述第一个三维表示的体素与所述第二个三维表示的对应体素。
12.根据权利要求10所述的方法，进一步包括：
确定所述第一个三维表示的第一体素值分布；
确定所述第二个三维表示的第二体素值分布；以及
比较所述第一体素值分布与所述第二体素值分布。
13.根据权利要求10所述的方法，进一步包括：
接收所述车辆的获取的位姿信息；以及
使用所述获取的位姿信息来改进所述位姿信息。
14.根据权利要求13所述的方法，其特征在于，改进所述位姿信息进一步包括将卡尔曼滤波器应用于所述获取的位姿信息和所述确定的位姿信息。
15.根据权利要求10所述的方法，进一步包括基于初始位姿信息创建所述点云的所述第一个三维表示，其中，基于与所述车辆的先前位置对应的位姿信息预估所述初始位姿信息。
16.根据权利要求10所述的方法，进一步包括：
更新所述位姿信息以增加所述第一个三维表示与所述第二个三维表示之间的相似性。
17.一种其上存储有指令的非暂时性计算机可读介质，当由一个以上处理器执行时，使所述一个以上处理器执行操作，包括：
接收由车辆上配备的传感器捕获的与场景相关的点云；
创建所述点云在第一分辨率下的第一个三维表示，以及所述点云在第二分辨率下的第一个三维表示，其中，所述第一分辨率低于所述第二分辨率；
创建与所述场景有关的高清地图在所述第一分辨率下的第二个三维表示，以及所述高清地图在所述第二分辨率下的第二个三维表示；
通过比较所述第一分辨率下的所述第一个三维表示和所述第一分辨率下的所述第二个三维表示来确定所述车辆的位姿信息；
通过比较所述第二分辨率下的所述第一个三维表示和所述第二分辨率下的所述第二个三维表示来改进所述位姿信息；以及
基于所述位姿信息确定所述车辆的位置。
18.根据权利要求17所述的计算机可读介质，其特征在于，所述操作进一步包括：
确定所述第一个三维表示的第一体素值分布；
确定所述第二个三维表示的第二体素值分布；以及
比较所述第一体素值分布与所述第二体素值分布。
CN201880002681.1A 2018-11-09 2018-11-09 使用激光雷达的车辆定位系统 Active CN111656136B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/114854 WO2020093378A1 (en) 2018-11-09 2018-11-09 Vehicle positioning system using lidar

Publications (2)

Publication Number Publication Date
CN111656136A CN111656136A (zh) 2020-09-11
CN111656136B true CN111656136B (zh) 2023-09-29

Family

ID=69229983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880002681.1A Active CN111656136B (zh) 2018-11-09 2018-11-09 使用激光雷达的车辆定位系统

Country Status (9)

Country Link
US (1) US11073601B2 (zh)
EP (1) EP3669141A4 (zh)
JP (1) JP2021508814A (zh)
CN (1) CN111656136B (zh)
AU (1) AU2018282435B1 (zh)
CA (1) CA3028286A1 (zh)
SG (1) SG11201811462PA (zh)
TW (1) TWI705263B (zh)
WO (1) WO2020093378A1 (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020107020A1 (en) * 2018-11-23 2020-05-28 Volvo Car Corporation Lidar-based multi-person pose estimation
CN116184417A (zh) * 2018-12-10 2023-05-30 北京图森智途科技有限公司 一种挂车夹角的测量方法、装置及车辆
US11675083B2 (en) * 2019-01-03 2023-06-13 Nvidia Corporation Removal of ephemeral points from point cloud of a high-definition map for navigating autonomous vehicles
US11308639B2 (en) 2019-03-12 2022-04-19 Volvo Car Corporation Tool and method for annotating a human pose in 3D point cloud data
US11598876B2 (en) * 2019-06-14 2023-03-07 Nvidia Corporation Segmenting ground points from non-ground points to assist with localization of autonomous vehicles
US11521329B2 (en) * 2019-11-22 2022-12-06 Baidu Usa Llc Updated point cloud registration pipeline based on ADMM algorithm for autonomous vehicles
US11852751B2 (en) 2020-03-02 2023-12-26 Beijing Baidu Netcom Science And Technology Co., Ltd. Method, apparatus, computing device and computer-readable storage medium for positioning
US11725944B2 (en) * 2020-03-02 2023-08-15 Apollo Intelligent Driving Technology (Beijing) Co, Ltd. Method, apparatus, computing device and computer-readable storage medium for positioning
CN111983582A (zh) * 2020-08-14 2020-11-24 北京埃福瑞科技有限公司 列车的定位方法及系统
CN112180382B (zh) * 2020-09-28 2024-03-08 知行汽车科技(苏州)股份有限公司 基于恒速模型的自适应3d-lslam定位方法、装置和系统
KR20220045736A (ko) * 2020-10-06 2022-04-13 광주과학기술원 도로 노면 감지가 가능한 라이다 시스템 및 데이터 처리방법
CN112285738B (zh) * 2020-10-23 2023-01-31 中车株洲电力机车研究所有限公司 一种轨道交通车辆的定位方法及其装置
CN112379393B (zh) * 2020-10-29 2023-04-25 中车株洲电力机车研究所有限公司 一种列车碰撞预警方法及其装置
CN112462758B (zh) * 2020-11-06 2022-05-06 深圳市优必选科技股份有限公司 一种建图方法、装置、计算机可读存储介质及机器人
CN114088093A (zh) * 2020-11-09 2022-02-25 北京京东乾石科技有限公司 一种点云地图构建方法、装置、系统及存储介质
TWI735384B (zh) * 2020-11-23 2021-08-01 國立陽明交通大學 光達與用於光達之光子數快速累積方法
CN112731334B (zh) * 2020-12-10 2023-09-12 东风汽车集团有限公司 一种激光定位车辆的方法及装置
CN112688991B (zh) * 2020-12-15 2022-11-04 北京百度网讯科技有限公司 用于执行点云扫描操作的方法、相关装置及存储介质
CN112747752B (zh) * 2020-12-21 2024-02-02 清华大学苏州汽车研究院（吴江） 基于激光里程计的车辆定位方法、装置、设备和存储介质
CN113359167A (zh) * 2021-04-16 2021-09-07 电子科技大学 一种通过惯性测量参数将gps与激光雷达融合定位的方法
CN113324537A (zh) * 2021-04-27 2021-08-31 的卢技术有限公司 车辆位姿获取方法、车辆定位方法和装置、设备和介质
CN113460558B (zh) * 2021-06-29 2023-05-02 上海芭熹机器人有限责任公司 一种室外可移动货物搬运机器人
CN113791423A (zh) * 2021-09-24 2021-12-14 山东新一代信息产业技术研究院有限公司 一种基于多传感器融合的机器人重定位方法
CN115871735B (zh) * 2023-01-11 2023-05-16 山西世恒铁路技术有限公司 一种便携式线路检查仪及线路动态检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014201075A1 (en) * 2013-06-14 2014-12-18 Microsoft Corporation Lidar-based classification of object movement
US9097800B1 (en) * 2012-10-11 2015-08-04 Google Inc. Solid object detection system using laser and radar sensor fusion
CN107015238A (zh) * 2017-04-27 2017-08-04 睿舆自动化（上海）有限公司 基于三维激光雷达的无人车自主定位方法
CN108401461A (zh) * 2017-12-29 2018-08-14 深圳前海达闼云端智能科技有限公司 三维建图方法、装置、系统、云端平台、电子设备和计算机程序产品
CN108401462A (zh) * 2018-01-30 2018-08-14 深圳前海达闼云端智能科技有限公司 信息处理方法和系统、云处理设备及计算机程序产品
CN108475062A (zh) * 2016-02-05 2018-08-31 三星电子株式会社 车辆和基于地图识别车辆的位置的方法

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5303873B2 (ja) * 2007-06-13 2013-10-02 株式会社Ｉｈｉ 車両形状計測方法と装置
EP2427726B1 (en) * 2009-05-04 2019-01-16 TomTom North America Inc. Methods and systems for creating digital transportation networks
US8954265B2 (en) * 2010-04-09 2015-02-10 Tomtom North America, Inc. Method of resolving a location from data representative thereof
US9372088B2 (en) * 2012-08-03 2016-06-21 Robotic Research, Llc Canine handler operations positioning system
WO2014171999A2 (en) * 2013-02-04 2014-10-23 Vanderbilt University Method and system for high-accuracy differential tracking of global positioning system (gps) receivers
US11036238B2 (en) * 2015-10-15 2021-06-15 Harman International Industries, Incorporated Positioning system based on geofencing framework
US9476730B2 (en) 2014-03-18 2016-10-25 Sri International Real-time system for multi-modal 3D geospatial mapping, object recognition, scene annotation and analytics
WO2015149009A1 (en) * 2014-03-27 2015-10-01 Georgia Tech Research Corporation Systems and methods for identifying traffic control devices and testing the retroreflectivity of the same
US9575341B2 (en) * 2014-06-28 2017-02-21 Intel Corporation Solid state LIDAR circuit with waveguides tunable to separate phase offsets
EP3078935A1 (en) * 2015-04-10 2016-10-12 The European Atomic Energy Community (EURATOM), represented by the European Commission Method and device for real-time mapping and localization
EP3106836B1 (en) * 2015-06-16 2018-06-06 Volvo Car Corporation A unit and method for adjusting a road boundary
JP6797928B2 (ja) * 2015-10-19 2020-12-09 ユニバーシティー・オブ・ノース・テキサス 排出流から脅威と源の点とを位置特定するための可搬型化学物質検出デバイスのための動的な逆気体積層モデル
CN105678689B (zh) * 2015-12-31 2020-01-31 百度在线网络技术（北京）有限公司 高精地图数据配准关系确定方法及装置
CN109313024B (zh) 2016-03-11 2022-06-17 卡尔塔股份有限公司 具有实时在线自我运动估计的激光扫描仪
CN106023210B (zh) * 2016-05-24 2017-12-12 百度在线网络技术（北京）有限公司 无人车、无人车定位方法、装置和系统
US10066946B2 (en) * 2016-08-26 2018-09-04 Here Global B.V. Automatic localization geometry detection
US11085775B2 (en) * 2016-09-28 2021-08-10 Tomtom Global Content B.V. Methods and systems for generating and using localisation reference data
CN108225341B (zh) * 2016-12-14 2021-06-18 法法汽车(中国)有限公司 车辆定位方法
US10859395B2 (en) * 2016-12-30 2020-12-08 DeepMap Inc. Lane line creation for high definition maps for autonomous vehicles
US10309777B2 (en) * 2016-12-30 2019-06-04 DeepMap Inc. Visual odometry and pairwise alignment for high definition map creation
US10371530B2 (en) * 2017-01-04 2019-08-06 Qualcomm Incorporated Systems and methods for using a global positioning system velocity in visual-inertial odometry
CN114114209A (zh) * 2017-03-01 2022-03-01 奥斯特公司 用于lidar的准确光检测器测量
KR102414676B1 (ko) 2017-03-07 2022-06-29 삼성전자주식회사 지도 데이터를 생성하는 전자 장치 및 그 동작 방법
JP6721784B2 (ja) * 2017-03-30 2020-07-15 パイオニア株式会社 情報処理装置、サーバ装置、制御方法、プログラム及び記憶媒体
US10558864B2 (en) * 2017-05-18 2020-02-11 TuSimple System and method for image localization based on semantic segmentation

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9097800B1 (en) * 2012-10-11 2015-08-04 Google Inc. Solid object detection system using laser and radar sensor fusion
WO2014201075A1 (en) * 2013-06-14 2014-12-18 Microsoft Corporation Lidar-based classification of object movement
CN108475062A (zh) * 2016-02-05 2018-08-31 三星电子株式会社 车辆和基于地图识别车辆的位置的方法
CN107015238A (zh) * 2017-04-27 2017-08-04 睿舆自动化（上海）有限公司 基于三维激光雷达的无人车自主定位方法
CN108401461A (zh) * 2017-12-29 2018-08-14 深圳前海达闼云端智能科技有限公司 三维建图方法、装置、系统、云端平台、电子设备和计算机程序产品
CN108401462A (zh) * 2018-01-30 2018-08-14 深圳前海达闼云端智能科技有限公司 信息处理方法和系统、云处理设备及计算机程序产品

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Xian-Feng Han,Jesse S. Jin.A review of algorithms for filtering the 3D point cloud.Signal Processing:Image Communication.2017,第57卷103-112. *
于永涛.大场景车载激光点云三维目标检测算法研究.万方数据.2016,全文. *

Also Published As

Publication number Publication date
TW202018330A (zh) 2020-05-16
TWI705263B (zh) 2020-09-21
EP3669141A4 (en) 2020-12-02
CN111656136A (zh) 2020-09-11
WO2020093378A1 (en) 2020-05-14
JP2021508814A (ja) 2021-03-11
EP3669141A1 (en) 2020-06-24
CA3028286A1 (en) 2020-05-09
AU2018282435B1 (en) 2020-02-06
SG11201811462PA (en) 2020-06-29
US11073601B2 (en) 2021-07-27
US20200150233A1 (en) 2020-05-14

Similar Documents

Publication Publication Date Title
CN111656136B (zh) 使用激光雷达的车辆定位系统
EP3612854B1 (en) Vehicle navigation system using pose estimation based on point cloud
CN110859044B (zh) 自然场景中的集成传感器校准
CN112005079B (zh) 用于更新高清地图的系统和方法
US11866056B2 (en) Ballistic estimation of vehicle data
WO2021056283A1 (en) Systems and methods for adjusting a vehicle pose
US11138448B2 (en) Identifying a curb based on 3-D sensor data
CN112424568A (zh) 构建高清地图的系统和方法
JP2018194417A (ja) 位置推定装置、移動装置

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
GR01 Patent grant
GR01 Patent grant