CN111656139A

CN111656139A - 用于估算车辆在地图上的位置的方法

Info

Publication number: CN111656139A
Application number: CN201980010450.XA
Authority: CN
Inventors: F·李; P·博尼法特; J·伊巴涅斯-古茨曼
Original assignee: Renault SAS
Current assignee: Renault SAS
Priority date: 2018-02-27
Filing date: 2019-02-12
Publication date: 2020-09-11
Also published as: US20210041248A1; JP2021515184A; FR3078398A1; FR3078398B1; KR102599588B1; KR20200111774A; WO2019166221A1; JP7190493B2; EP3759435A1

Abstract

本发明涉及一种用于估算车辆在地图上的精确位置的方法，该方法包括：‑通过地理定位系统获取该车辆的至少一个地理定位位置(P₀)的步骤，‑在该地图上对该车辆进行预定位的步骤，以及‑粒子滤波步骤，在该步骤中，对该车辆的、称为粒子(P_i)的可能位置进行处理。根据本发明，该粒子滤波步骤包括：‑在该地图上分布粒子的预备步骤、以及然后在该地图上更新这些粒子的步骤，‑计算每个粒子的似然性的步骤，‑选择一组有限的粒子的步骤，以及‑在与所选粒子的似然性和所选粒子的数量相关的指标下降到阈值以下时对该地图上的粒子进行重采样的步骤。

Description

用于估算车辆在地图上的位置的方法

本发明总体上涉及地图构建领域。

本发明更具体地涉及一种用于估算车辆在地图上的精确位置的方法，该方法包括：

-通过地理定位系统获取该车辆的至少一个地理定位位置的步骤，

-在该地图上将该车辆预定位在其地理定位位置处的步骤，以及

-粒子滤波步骤，在该步骤中，对该车辆的、称为粒子的可能位置进行处理，以确定该车辆在该地图上的精确位置。

本发明还涉及一种车辆，该车辆包括：

-用于存储地图的装置，

-地理定位系统，以及

-被设计用于在该地图上对该车辆进行预定位的计算机。

背景技术

为了确保自主车辆和部分自动化车辆的安全，有必要广泛地了解这些车辆移动的周围环境。

在实践中，车辆以两种不同的方式感知其周围环境，即：

-使用地图和车辆的地理定位系统，以及

-使用外感受性传感器(相机、雷达或激光雷达传感器等)。

开发地图的公司目前正在研究所谓的“高清晰度”地图，这些地图使得可以获得有关道路网络特征(车道宽度、地面标记、路标等)的高度详细的信息。

这些地图被嵌入到配备有地理定位系统的车辆中，从而允许这些车辆在地图上以经度和纬度将它们自己定位在估算位置处。

遗憾的是，已经观察到此位置并不总是高度精确且可靠的，这则导致车辆被定位于其实际行驶的路线之外。此问题可能被证明在使用此信息进行自我引导的自主车辆的情况下特别危险。

为了克服此问题，从文献DE 102013217060中已知的一种解决方案包括考虑来自车辆的外感受性传感器的信息来调整车辆在地图上的位置。

此解决方案使用所谓的“粒子滤波器”方法。在此方法中，设想并处理了与车辆的可能位置相对应的粒子，以试图找到车辆的精确位置。在上述文献中，由此滤波器根据车辆上的车载相机观察到的车道标记的位置对这些粒子逐个进行选择，直到找到可能对应于车辆实际位置的仅单个粒子为止。

此解决方案表现出两个缺点。

此解决方案的第一个缺点是其可靠性在很大程度上取决于道路标记的可见度。具体地，应理解的是，在可见度不足或没有道路标记的情况下，该解决方案给出的结果不可靠。

此解决方案的第二个缺点是使得只可以精细地选择出单个粒子，并且因此如果出错，则机动车辆是无法判定这一点的，这可能被证明是非常危险的。

发明内容

为了克服现有技术的上述缺点，本发明提出了一种用于判定是否可以确定机动车辆在地图上的精确位置、并且如果可以则确定该精确位置在哪里的新颖方法。

更具体地，根据本发明，提出了一种如在引言中定义的方法，其中，该粒子滤波步骤包括：

-根据该车辆在该地图上的地理定位位置在该地图上分布粒子的预备步骤、以及然后在该地图上更新这些粒子的步骤，

-至少基于来自该地图的数据来计算每个粒子的似然性的步骤，

-选择一组有限的粒子的步骤，以及

-在与所选粒子的似然性和所选粒子的数量相关的指标下降到阈值以下时对该地图上的粒子进行重采样的步骤。

因此，借助于本发明，基于来自该地图的数据来计算每个粒子的似然性。因此，此计算可以不依赖于由该车辆的外感受性传感器读取的数据。因此，其可以不依赖于地面标记的可见度和车辆周围环境的可见度。因此，其提供的结果的可靠性不依赖于外部条件。

同样借助于本发明，重采样步骤不是自动执行的，从而避免耗尽粒子，这可能潜在地导致消除正确的粒子。

根据本发明的方法的其他有利特征和非限制性特征如下：

-仅根据来自该地图的数据来计算每个粒子的似然性；

-在认为来自传感器的数据可靠的条件下，还根据这些数据来计算每个粒子的似然性，这些传感器使得该车辆感知其周围环境；

-在该粒子滤波步骤中，该精确位置是根据每个粒子的似然性从该所选的一组有限粒子当中选择的；

-在该地图存储有与道路区段相关的数据的情况下，根据最近的道路区段相对于每个粒子的位置来计算该粒子的似然性；

-在该预备步骤中，将这些粒子分布在以该车辆的地理定位位置为中心的圆盘中；

-该圆盘的半径是根据指配给该车辆的地理定位位置的水平保护级来确定的；

-在该选择步骤中，根据这些粒子与该车辆的地理定位位置之间的距离对这些粒子进行选择；

-在该更新步骤中，使这些粒子在该地图上仅根据与该车辆的动态特性相关的信息进行移动；

-在该重采样步骤中，使用低方差技术来对这些粒子进行重采样。

本发明还涉及一种车辆，该车辆包括：

-用于存储地图的装置，

-地理定位系统，以及

-被设计用于实施一种如上所提及的用于估算该车辆在该地图上的精确位置的方法的计算机。

具体实施方式

参考通过非限制性示例的方式给出的附图的以下说明，将对本发明的内容以及本发明可以如何实施提供更好的理解。

在附图中：

-图1是展示根据本发明的方法的各个步骤的图；

-图2是车辆在路上行驶的平面视图；

-图3是分布在地图上的粒子的示意性视图；

-图4是位于两个连续道路区段附近的两个粒子的示意性视图，并且

-图5是位于四个道路区段附近的四个粒子的示意性视图。

图2示出了在具有四个行车道V1、V2、V3、V4的道路部分上行驶的采用汽车形式的机动车辆10。

在说明书的其余部分中，将更特别关注的是此机动车辆10在地图上的定位，但是本发明将不限于这种示例。因此，其将具体适用于任何陆上、海上、空中或空间交通工具在地图上的定位。

这里所考虑的机动车辆10通常包括底盘、传动系、转向系统、制动系统、以及电子处理单元和/或计算机化处理单元(下文称为计算机)。

计算机连接到所谓的“本体感受性”传感器，这些传感器可以精确地测量车辆的速度和车辆的横摆角速度。

优选地，计算机还连接到所谓的“外感受性”传感器，这些传感器可以感知机动车辆10的直接周围环境(这些传感器可以是相机、雷达传感器、激光雷达传感器等)。

计算机还连接到地理定位系统，该地理定位系统可以评估车辆10的、这里由纬度和经度定义的地理定位位置P₀。这可以是例如GPS系统。

这里将考虑到，此地理定位系统还被设计用于向计算机传输一项被称为“水平保护级HPL”的数据。本领域技术人员公知的此项数据对应于地理定位位置P₀的测量不确定性。其值例如根据地理定位系统从其接收数据的卫星的数量、信号接收的质量、所使用的地理定位系统的质量等而变化。

遵循相同的思路，这里还将考虑到，此地理定位系统被设计用于向计算机传输与该同一不确定性相关的协方差矩阵。

所考虑的机动车辆10可以是半自动化的，使得其计算机能够例如在驾驶员尚未注意到危险并且其自身尚未采取适当的行动时触发紧急制动。

然而，在本披露的其余部分中，将考虑到，机动车辆10是自主的并且计算机被设计用于控制车辆的传动系、转向系统和制动系统。

计算机则包括计算机化存储器，该计算机化存储器记录在对车辆的自主控制的背景下使用的数据，并且记录具体在下文描述的方法的背景下使用的数据。

计算机化存储器具体存储由包括指令的计算机程序组成的计算机化应用，这些指令由处理器执行以允许计算机实施下文描述的方法。

计算机化存储器还存储所谓的“高清晰度”地形图。

此地图存储有大量数据。

其首先包括与道路的地形相关的信息。在这种情况下，此地形以道路区段(或“链路”)的形式存储。在这种情况下，每个道路区段都被定义为道路的仅一个行车道的一部分，该部分的特征在其整个长度上都是恒定的(沿此道路区段的地面标记的形状都相同、此道路区段的宽度都恒定等)。

该地图还存储有表征每个道路区段的其他数据，包括行车道的宽度、位于行车道两侧的地面标记的形状、道路区段上道路旁的每个标志的位置和形状、前一道路区段的标识符和后一道路区段的标识符等。

为了估算机动车辆10在地图上的精确位置P_p而由计算机实施的方法包括两大操作，即粒子滤波操作100和场景选择操作200(见图1)。

场景选择操作200使用粒子滤波操作100的结果，这意味着其在该粒子滤波操作之后被实施。

那么，我们可以从描述第一粒子滤波操作100开始。

此操作是递归实施的，也就是说，以循环的方式且以固定时间增量来实施。

此操作包括三个主要步骤。

第一步骤101包括对于计算机而言经由其所连接的传感器来获取各种数据。

因此，计算机获取机动车辆10的地理定位位置P₀以及与该地理定位位置相关联的水平保护级HPL。这些数据是借助于地理定位系统获取的，该地理定位系统提供了纬度、经度和水平保护级HPL。

计算机还获取与机动车辆10的动态特性相关的数据。因此，计算机获取车辆的速度V及其横摆角速度Ψ。

第二步骤102是在地图上将车辆10预定位在所获取的地理定位位置P₀处的步骤。

第三步骤103是粒子滤波步骤，在该步骤中，对车辆的、称为粒子P_i的可能位置(或者更精确地说是车辆的可能姿态)进行处理，以确定车辆10在地图上的精确位置P_p(或者更精确地说是车辆在地图上的精确姿态)。

每个粒子P_i可以通过以下方式来定义：

-用于定义粒子在笛卡尔参考系中的位置的两个坐标x_i、y_i(这些坐标链接到所获取的经度和纬度)，

-用于定义由粒子相对于给定方向(诸如北)形成的角度的横摆角，以及

-粒子P_i与之相关联的地图标识符。

图3至图5示出了等腰三角形形式的粒子P_i，每个三角形都具有与地图上粒子的位置相对应的中心M_i、以及与地图上粒子的横摆角相对应的定向。

如图1所示，第三粒子滤波步骤103更精确地由多个子步骤组成，现在可以对这些子步骤进行更详细地描述。

第一子步骤110包括：确定是否存在粒子滤波器的初始化阶段，例如当机动车辆10起动时就是这种情况。

可以将这种情况视为起动场景，在这种情况下，还尚未生成任何粒子。

下一子步骤112然后包括：在给定车辆10的地理定位位置P₀的情况下在地图上创建并分布粒子P_i。

为此，将粒子P_i分布在以车辆10的地理定位位置P₀为中心的圆盘内，该圆盘的半径在这种情况下等于水平保护级HPL。

这些粒子更精确地以恒定角偏移的螺旋状分布。根据所期望生成的粒子P_i的数量来选择螺旋的特征以及粒子P_i之间的角偏移。

此数量大于100，并且优选地大约为1000。其确定方式为获得足够的精度而不会以其他方式使计算机过载。

此时，还未对粒子P_i进行定向。

鉴于存在影响地理定位系统的误差，因此每个粒子P_i对应于车辆可能具有的可能位置。

如在图3中可以看出，一些粒子定位于道路之外。这展示了以下事实：粒子并未被限制在地图上，并且它们可以在二维空间中移动。因此，滤波器高度灵活性，并且使得可以初步设想极大数量的不同解决方案，然后将由粒子滤波器消除其中最不可行的解决方案。

在下一子步骤113中，计算机使每个粒子P_i与其最近的道路区段相关联。

这里选择的方法是点到曲线的方法。该方法包括使每个粒子P_i与欧几里德距离最近的道路区段相关联。

通过说明性示例的方式，因此在图4中可看出，粒子P₁与道路区段AB相关联。

此时，计算机可以使粒子P_i具体根据每个粒子与之相关联的道路区段的定向(并且可能地还根据车辆的动态特性)而定向。

然后，该方法继续进行子步骤116，将进一步描述该子步骤。

如上文已经描述的，第一子步骤110包括：确定是否存在粒子滤波器的初始化阶段。

现在可以设想，事实并非如此并且事先已经发起了该过程。

在这种情况下，在子步骤114中，计算机更新地图上的粒子P_i。

为此，使粒子P_i全部在地图上根据与车辆的动态特性相关的信息进行移动。

两项数据，即车辆的速度V和机动车辆10的横摆角速度Ψ具体用于使所有粒子P_i移动给定距离并以给定角度对这些粒子进行重定向。

将注意到，此子步骤这次不使用机动车辆的地理定位位置P₀。

在下一子步骤115中，计算机使每个粒子P_i与道路区段重新关联。

更精确地，计算机确定哪些粒子P_i必须与新的道路区段相关联，并且其识别此新的道路区段。

为了理解计算机如何工作，可以参考图4，其中示出了以点M1、M2为中心的两个粒子P₁、P₂并且还示出了道路区段AB。

在这种情况下考虑到，在前一时间增量处，由于这两个粒子P₁、P₂在子步骤114中发生了移动，因此它们仅与同一道路区段AB相关联。

然后，计算机针对每个粒子P_i确定比值r，以判定每个粒子是否应当与新的道路区段相关联。

此比值r是使用以下公式计算的：

如果此比值r介于0到1之间，则不应当更改粒子P_i与其原始道路区段的关联。对于粒子P₁而言，这里事实就是如此。

如果此比值为负，则应当更改粒子P_i与其道路区段的关联。此粒子应当更精确地与前一道路区段或先前的道路区段之一相关联。

如果此值比严格大于1，则应当更改粒子P_i与其道路区段的关联。此粒子应当更精确地与后一道路区段或随后的道路区段之一相关联。

因此可能会遇到多种情况。

在图4中道路区段AB仅具有一个后继者BB’的情况下，粒子P₂与此后继者相关联(只要与此新的道路区段的比值r介于0到1之间即可，否则设想另一个后继者)。

在图5中道路区段AB具有多个后继者BC、BD、BE的情况下，在前一时间增量处所考虑的粒子P₂被克隆为与所具有的后继者BC、BD、BE一样多的粒子P₂₁、P₂₂、P₂₃。

鉴于车辆的动态特性，如果某些后继者可能没有被设想到的话，还可以提供的是使粒子克隆的次数更少。

在未在图中示出的另一种情况下，可能必须使粒子与其在前一时间增量处所相关联的道路区段平行的另一道路区段相关联(这种情况将在尤其是当某一车辆例如为了超越另一车辆而横向变更行车道时发生)。这由于粒子未被限制为仅在同一道路区段上移动而成为可能。在给定粒子的新位置和存储在地图中的数据(地面标记信息、行车道宽度等)的情况下，可以检测到这种情况。在一个变体中，还可以设想使用车辆上的车载相机来检测到这种情况。

在两个子步骤115和子步骤113之后的子步骤116中，计算机计算每个粒子P_i的似然性w_i。

这里，粒子的似然性用其权重w_i来表示。粒子的权重越大，所考虑的粒子就越有可能对应于机动车辆10的确切位置。

此权重可以通过多种不同的方式来计算。

在第一实施例中，仅根据来自地图的数据来计算每个粒子P_i的权重w_i。

更精确地，根据所考虑的粒子与其所相关联的道路区段之间的欧几里得距离来确定该权重(此权重例如与此距离反向相等)。

在第二实施例中，在认为来自外感受性传感器的数据可靠的条件下，还根据这些数据来计算每个粒子P_i的权重w_i。

具体地，可以想象根据来自车辆的相机CAM的横向信息来增大或减小所考虑的粒子的权重。这些相机有效地能够检测地面标记线并将其以多项式模型的形式反馈给计算机。然后，计算机可以验证这些线的形状是否与地图中记录的地面标记的形状相对应，并且相应地调整粒子的权重。

可能注意到，地面标记并非总是由相机检测到。这可能是由于传感器难以适应的条件，诸如例如光线不足、道路潮湿、标记被擦除等。在这些特定情况下，相机向计算机显示低置信度，并且然后如第一实施例中所述的，仅基于由地图提供的数据来计算权重。

这里将观察到，一项数据的可靠性准则通常由测量该项数据的传感器例如以百分比的形式提供(然后将使用该百分比来确定是否应当考虑该项数据)。

不管使用哪种方法，该方法都继续进行子步骤117：选择一组有限的粒子P_i，以消除离机动车辆10的瞬时地理定位位置P₀太远的粒子。

为了实施此子步骤，计算机获取机动车辆10的新地理定位位置P₀，并且然后其计算每个粒子P_i与此瞬时地理定位位置P₀之间的距离。

如果此距离大于水平保护级HPL，则将相应粒子P_i的权重w_i设置为零，这将由此允许此后自动消除此粒子。

如果不是如此，则不修改相应粒子P_i的权重w_i。

在下一子步骤118中，计算机确定是否需要对地图上的粒子P_i进行重采样。

为此，计算机使用指标_eff，该指标是根据粒子P_i的权重w_i和粒子P_i的数量来计算的。

如果此指标_eff下降到低于预定阈值(该预定阈值存储在计算机的只读存储器中)，则计算机对地图上的粒子P_i进行重采样。如果不是如此，则使粒子P_i保持在其状态下。

众所周知，重采样包括：整体考虑粒子(以下称为原始粒子)，并且从此原始集合中抽取新粒子。

为了对粒子进行重采样，计算机可以使用常规方法，在该方法中，计算机将从原始粒子P_i集合中随机抽取预定义数量的新粒子，抽取到每个粒子P_i的概率与此粒子P_i的权重w_i成正比。然而，因为总是会抽取到权重非常高的粒子，所以此方法通常导致粒子耗尽。

在这种情况下，相反，计算机优选地使用所谓的“低方差”重采样方法。具体地，此方法可促进维持粒子在地图上的良好分布。此方法包括：随机从原始粒子P_i集合中抽取预定义数量的新粒子，抽取到每个粒子P_i的概率是此粒子P_i的权重w_i的函数，但这次与此权重不成正比。

此时，计算机可以重新开始子步骤114至118循环执行，直到获得全部定位于同一点附近的粒子，该点将被认为对应于机动车辆10在地图上的精确位置P_p。

然而，这不是这里选择的选项。因此，如以上已经解释的，一旦子步骤118完成，就提供场景选择操作200。

一旦粒子滤波操作100已经收敛并且已给出了有限数量的解(例如，粒子被分组在数量低于预定阈值的点周围)，就实施此场景选择操作200。

此场景选择操作200是递归实施的，也就是说，以循环的方式且以固定时间增量来实施。该场景选择操作包括几个连续的步骤。

在第一步骤201中，计算机选择“场景”。

为此，计算机考虑了各个集合中的粒子P_i，在每个集合内，粒子都与同一行车道(或者作为变体，与同一道路区段)相关联。

研究场景的好处是然后将可以选择所有最可能的场景，从而将可以首先从所选场景中保留正确的场景，并且其次验证每个所选场景的有效性。

场景可以用断言的形式表达，例如“车辆位于参考为……的行车道上”。

为了获得对在本披露的意义内场景对应于什么的更好理解，图3将粒子一起分组为各自对应于一个场景的八个集合Z₁、Z₂、Z₃、Z₄、Z₅、Z₆、Z₇、Z₈。

通过举例的方式，集合Z₁中的粒子对应于场景“车辆位于道路R₁的右侧行车道上”。

集合Z₂中的粒子对应于场景“车辆位于道路R₁的左侧行车道上”。

集合Z₃中的粒子对应于场景“车辆位于道路R₂的左侧行车道上”。

集合Z₄中的粒子对应于“车辆位于其与道路R₁和R₂的交汇处之间的环形交叉路口处”的场景，等等。

考虑到找到了数量“J”个场景(在图3中，J＝8)，每个场景也可以以向量

的形式来表达，该向量的分量对应于此场景中粒子P_i的坐标之和，并由这些粒子的权重w_i加权。

计算机可以为每个场景指配“置信度指数”，该置信度指数等于此场景的粒子P_i的权重w_i之和。

在第二步骤202中，计算机将确定每个场景的协方差矩阵

和车辆10的地理定位位置P₀的协方差矩阵∑^-1(X_GNSS)。

具体地，操作此类协方差矩阵可以表征与每个场景相关联的不确定性以及与由地理定位系统提供的地理定位位置P₀相关联的不确定性。

如上所解释的，在这种情况下，通过地理定位系统将与车辆10的地理定位位置P₀相关联的协方差矩阵∑^-1(X_GNSS)直接传输到计算机。在这种情况下，该协方差矩阵为2×2矩阵。

关于与每个场景相关联的协方差矩阵

这是根据与此场景相关联的所有粒子P_i的权重w_i来计算的。在这种情况下，该协方差矩阵也为2×2矩阵。

然后，在给定由地理定位系统提供的地理定位位置P₀并考虑与此地理定位位置的测量相关联的误差的情况下，有必要确定每种场景的“相干”程度。

为此，在步骤203中，使用称为马氏距离D_Mj的数学对象，其表达式如下：

其中，X_GNSS对应于向量“地理定位位置P₀”。

马氏距离具体地是一个对象，该对象可以考虑变量的协方差(也就是说，与每个变量相关联的不确定性)来评估两种不确定情况之间的相干性。

然后，在步骤204中，提供的是从在步骤201中获取的场景当中选择第一组有限(或甚至为空)的场景。

为此，对每个马氏距离D_Mj进行卡方(X²)测试。

实际上，这里，将每个马氏距离D_Mj与临界阈值进行比较，以确定所考虑的场景是否与地理定位位置P₀相干。

如果所考虑的场景与地理定位位置P₀在卡方测试的意义内是相干的，则保留该场景。

相反，如果所考虑的场景与地理定位位置P₀在卡方测试的意义内是不相干的，则拒绝该场景。

这里将注意到，如果保留了某一场景，则这并不一定意味着此场景为真。具体地，此时，可以保留几种场景。

相反，如果拒绝了某一场景，则这并不一定意味着此场景为假。具体地，可能存在较大误差影响对地理定位位置P₀的测量的情况。在这种情况下，可以拒绝为真的场景。如在本披露的其余部分中将变得清楚明了，这将不会以其他方式影响这里提出的方法的可靠性。

在后续步骤205中，提供的是从在步骤204中选择的场景当中选择第二组有限(或甚至为空)的场景。

这里将注意到，此第二选择可以在第一选择之前进行，而不会以其他方式影响该方法的进度。

此第二选择包括：仅保留“可能的”场景，对于该场景，与形成此场景的粒子P_i的权重w_i相关联的指标大于所确定的阈值。目的具体是消除已经满足卡方相干性测试但不太可能的场景。

为此，计算机消除对于置信度指数(会想到的是，该置信度指数等于所考虑场景中的粒子P_i的权重w_i之和)低于所确定的阈值的场景。在这种情况下，此阈值不变并且存储在计算机的只读存储器中。

在这两个场景选择步骤结束时，计算机已保留了数量为N个不但相干而且可能的场景。

在步骤206中，然后提供的是根据此数量N来确定每个所选场景的可用性或不可用性。

可以设想三种情况。

第一种情况是数量N等于1的情况。在这种情况下，因为仅保留了一个场景，所以此场景被认为是合理的并且能够用于生成用于自主车辆的驾驶指令。因此，计算机能够信任驾驶指令。在这种情况下，计算机然后可以认为此场景的最高权重粒子对应于车辆10的精确位置P_p。

第二种情况是数量N严格大于1的情况。在这种情况下，由于保留了几种场景，因此没有一种场景被认为是能够用于生成用于自主车辆的驾驶指令。因此，该方法以循环方式重新开始，直到仅获得单个场景为止。

最后一种情况是数量N等于0的情况。在这种情况下，由于尚未保留任何场景，因此没有粒子被认为能够用于生成用于自主车辆的驾驶指令。此外，计算机可以有利地根据此情况推断出在由地理定位系统执行的测量与所获取的场景之间存在不相干性，这可能是由于影响地理定位系统的问题所致。在这种情况下，提供了步骤207：向驾驶员和/或在自主模式下车辆的控制单元传输警报，使得该驾驶员和/或控制单元能够采取必要的措施(紧急停车、降级模式控制等)。

Claims

1.一种用于估算车辆(10)在地图上的精确位置(P_p)的方法，该方法包括：

-通过地理定位系统获取该车辆(10)的至少一个地理定位位置(P₀)的步骤，

-在该地图上将该车辆(10)预定位在其地理定位位置(P₀)处的步骤，以及

-粒子滤波步骤，在该步骤中，对该车辆的、称为粒子(P_i)的可能位置进行处理，以确定该车辆(10)在该地图上的精确位置(P_p)，

其特征在于，该粒子滤波步骤包括：

-根据该车辆(10)在该地图上的地理定位位置(P₀)在该地图上分布粒子(P_i)的预备步骤、以及然后在该地图上更新这些粒子(P_i)的步骤，

-至少基于来自该地图的数据来计算每个粒子(P_i)的似然性(w_i)的步骤，

-选择一组有限的粒子(P_i)的步骤，以及

-在与所选粒子(P_i)的似然性(w_i)和所选粒子(P_i)的数量相关的指标(N_eff)下降到阈值以下时对该地图上的粒子(P_i)进行重采样的步骤。

2.如权利要求1所述的估算方法，其中，仅根据来自该地图的数据来计算每个粒子(P_i)的似然性(w_i)。

3.如权利要求1所述的估算方法，其中，在认为来自传感器的数据可靠的条件下，还根据这些数据来计算每个粒子(P_i)的似然性(w_i)，这些传感器使得该车辆(10)感知其周围环境。

4.如前述权利要求之一所述的估算方法，其中，在该粒子滤波步骤中，该精确位置(P_p)是根据每个粒子(P_i)的似然性(w_i)从该所选的一组有限粒子(P_i)当中选择的。

5.如前述权利要求之一所述的估算方法，其中，在该地图存储有与道路区段相关的数据的情况下，根据最近的道路区段相对于每个粒子(P_i)的位置来计算该粒子(P_i)的似然性(w_i)。

6.如前述权利要求之一所述的估算方法，其中，在该预备步骤中，将这些粒子(P_i)分布在以该车辆(10)的地理定位位置(P₀)为中心的圆盘中。

7.如权利要求6所述的估算方法，其中，该圆盘的半径是根据指配给该车辆(10)的地理定位位置(P₀)的水平保护级(HPL)来确定的。

8.如前述权利要求之一所述的估算方法，其中，在该选择步骤中，根据这些粒子(P_i)与该车辆(10)的地理定位位置(P₀)之间的距离对这些粒子进行选择。

9.如前述权利要求之一所述的估算方法，其中，在该更新步骤中，使这些粒子(P_i)在该地图上仅根据与该车辆的动态特性相关的信息进行移动。

10.如前述权利要求之一所述的估算方法，其中，在该重采样步骤中，使用低方差技术来对这些粒子(P_i)进行重采样。

11.一种车辆(10)，包括：

-用于存储地图的装置，

-地理定位系统，以及

-被设计用于在该地图上对该车辆(10)进行预定位的计算机，

其特征在于，该计算机被设计用于实施如前述权利要求之一所述的用于估算该车辆(10)在该地图上的精确位置(P_p)的方法。