CN111854748B - 一种定位系统和方法 - Google Patents

Abstract

本申请实施例公开了一种定位系统和方法。所述定位方法包括获取物体的预估位置；获取与所述预估位置相关的点云数据，所述点云数据由与所述物体相关的一个或多个传感器获取；基于所述点云数据，生成与所述预估位置相关联的在线地图；基于所述预估位置，获取参考地图；和通过匹配所述在线地图与所述参考地图，确定所述物体的目标位置。

Description

一种定位系统和方法

技术领域

本申请涉及定位技术的系统和方法，尤其涉及一种确定地图中物体的目标位置的系统和方法。

背景技术

定位技术广泛用于各种领域，例如自动驾驶系统。对于自动驾驶系统，重要的是在自动车辆的驾驶期间确定在预先构建的地图（例如，高清晰度地图）中确定目标物体（例如，自动驾驶车辆）的精确位置。定位技术可以通过将由安装在自动驾驶车辆上的一个或多个传感器（例如，激光雷达）获取的扫描数据（例如，点云数据）生成的在线地图与预先建立的地图进行匹配，来确定自动驾驶车辆的准确位置。物体的精确定位依赖于在线地图与预先构建的地图之间的精确匹配。因此，期望提供一种可以准确地在预先构建的地图中确定物体的位置的有效的系统和方法。

发明内容

本申请实施例之一提供一种定位系统，定位系统包括获取模块、生成模块和确定模块。所述获取模块用于获取物体的预估位置。所述获取模块用于获取与所述预估位置相关的点云数据，所述点云数据由与所述物体相关的一个或多个传感器获取。所述生成模块用于基于所述点云数据，生成与所述预估位置相关联的在线地图。所述获取模块用于基于所述预估位置，获取参考地图。所述确定模块用于通过匹配所述在线地图与所述参考地图，确定所述物体的目标位置。

本申请实施例之一提供一种定位方法，所述方法包括：获取物体的预估位置；获取与所述预估位置相关的点云数据，所述点云数据由与所述物体相关的一个或多个传感器获取；基于所述点云数据，生成与所述预估位置相关联的在线地图；基于所述预估位置，获取参考地图；和通过匹配所述在线地图与所述参考地图，确定所述物体的目标位置。

本申请实施例之一提供一种定位装置，定位装置包括至少一个存储介质以及至少一个处理器。所述至少一个存储介质用于存储计算机指令。所述至少一个处理器用于执行所述计算机指令以实现定位方法。

本申请实施例之一提供一种计算机可读存储介质，所述存储介质存储有计算机指令，当所述计算机指令被处理器执行时，实现定位方法。

本申请实施例之一提供一种定位系统，所述定位系统可以包括存储一组指令的至少一个存储介质和与该至少一个存储介质通信的至少一个处理器。当执行存储的一组指令时，至少一个处理器可以使系统获取物体的预估位置；获取与所述预估位置相关的点云数据，所述点云数据由与所述物体相关的一个或多个传感器获取；基于所述点云数据，生成与所述预估位置相关联的在线地图；基于所述预估位置，获取参考地图；和通过匹配所述在线地图与所述参考地图，确定所述物体的目标位置。

在一些实施例中，至少一个处理器还可以使系统：使用归一化互相关技术，匹配所述在线地图与所述参考地图；和基于所述在线地图与所述参考地图之间的匹配，确定所述物体的目标位置。

在一些实施例中，其中所述参考地图包括至少两个格子，至少一个处理器还可以使系统：确定所述在线地图与所述至少两个格子中的每一个格子之间的相似度；和基于所述至少两个格子中具有与所述在线地图最大相似度的一个格子，确定所述物体的目标位置。

在一些实施例中，至少一个处理器还可以使系统：指定与所述至少两个格子中具有与所述在线地图最大相似度的所述一个格子对应的一个位置，作为所述物体的目标位置。

在一些实施例中，至少一个处理器还可以使系统：确定所述至少两个格子中的至少两个位置，至少两个位置中的每个位置对应于至少两个格子中的一个格子；和基于所述至少两个位置和对应于至少两个格子中的每个格子的相似度，确定所述物体的目标位置。

在一些实施例中，至少一个处理器还可以使系统：基于所述在线地图和所述至少两个格子中的每一个格子中呈现的强度信息，确定所述在线地图与所述参考地图中的至少两个格子中的每一个格子之间的第一相似度；基于所述在线地图和所述至少两个格子中的每一个格子中呈现的高程信息，确定所述在线地图与所述参考地图中的至少两个格子中的每一个格子之间的第二相似度；和基于所述第一相似度和所述第二相似度，确定所述在线地图与所述参考地图中的至少两个格子中的每一个格子之间的相似度。

在一些实施例中，至少一个处理器还可以使系统：确定对应所述第一相似度的第一权重；确定对应所述第二相似度的第二权重；和基于所述第一权重、所述第二权重、所述第一相似度和所述第二相似度，确定所述在线地图与所述参考地图中的至少两个格子中的每一个格子之间的相似度。

在一些实施例中，至少一个处理器还可以使系统：使用第一训练机器学习模型处理所述在线地图或所述点云数据中的至少一个，其中所述第一训练机器学习模型是通过使用至少两个第一训练样本训练第一机器学习模型而获得的。

在一些实施例中，至少一个处理器还可以使系统：使用所述第一训练机器学习模型，对与所述预估位置相关联的所述在线地图或所述点云数据中的至少一个进行去噪处理。

在一些实施例中，至少一个处理器还可以使系统：使用所述第一训练机器学习模型从所述在线地图中移除一个或以上移动物体。

在一些实施例中，至少一个处理器还可以使系统：基于一个或以上预先确定的校准参数，校准所述在线地图中呈现的强度信息，所述强度信息与所述一个或多个传感器接收的信号相关联。

在一些实施例中，至少一个处理器还可以使系统：基于由全球定位设备和惯性测量单元传感器中至少一个获取的数据，确定所述物体的预估位置。

在一些实施例中，所述参考地图是离线生成的。

在一些实施例中，所述参考地图是通过使用第二训练机器学习模型处理所述参考地图而进一步生成的，其中所述第二训练机器学习模型是通过使用至少两个第二训练样本训练第二机器学习模型而获得的。

本申请实施例之一提供一种非暂时性计算机可读介质，包括用于定位的至少一组指令，当由计算设备的一个或以上处理器执行所述至少一组指令时，所述至少一组指令可以使所述计算设备执行一种方法，所述方法包括：获取物体的预估位置；获取与所述预估位置相关的点云数据，所述点云数据由与所述物体相关的一个或多个传感器获取；基于所述点云数据，生成与所述预估位置相关联的在线地图；基于所述预估位置，获取参考地图；和通过匹配所述在线地图与所述参考地图，确定所述物体的目标位置。

申请的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解，本申请的一部分附加特性对于本领域技术人员是显而易见的。本申请的特征可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。

附图说明

本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。附图不是按比例绘制的。这些实施例并非限制性的，在这些实施例中，相同的符号表示相同的部件，其中：

图1是根据本申请的一些实施例所示的示例性自动驾驶系统的示意图；

图2是根据本申请的一些实施例的示例性计算设备的示例性硬件和/或软件组件的示意图；

图3是根据本申请的一些实施例所示的示例性移动设备的示例性硬件和/或软件组件的示意图；

图4是根据本申请的一些实施例所示的示例性处理引擎的模块图；

图5是根据本申请的一些实施例所示的定位物体的示例性过程的流程图；

图6是根据本申请的一些实施例所示的定位物体的示例性过程的流程图；

图7是根据本申请的一些实施例所示的确定在线地图与参考地图中的格子之间的相似度的示例性过程的流程图；和

图8是根据本申请的一些实施例所示确定物体的目标位置的示例性过程的示意图。

具体实施方式

以下描述是为了使本领域的普通技术人员能够实施和利用本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围的情况下，本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。

本申请中所使用的术语仅用于描述特定的示例性实施例，并不限制本申请的范围。如本申请使用的单数形式“一”、“一个”及“该”可以同样包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本申请中，术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件，但并不排除存在或添加一个或以上其他特征、整体、步骤、操作、组件、部件和/或其组合的情况。

根据以下对附图的描述，本申请的这些和其他的特征、特点以及相关结构元件的功能和操作方法，以及部件组合和制造经济性，可以变得更加显而易见，这些附图都构成本申请说明书的一部分。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当理解的是，附图并不是按比例绘制的。

本申请中使用了流程图用来说明根据本申请的一些实施例的系统所执行的操作。应当理解的是，流程图中的操作可以不按顺序执行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将一个或以上其他操作添加到这些流程图中。一个或以上操作也可以从流程图中删除。

此外，尽管本申请中公开的系统和方法主要涉及在自动驾驶系统中定位物体（例如，自动驾驶车辆），但应该理解，这仅是一个示例性实施例。本申请的系统和方法可以应用于任何其他类型的运输系统。例如，本申请的系统和方法可以应用于不同环境的运输系统，包括陆地、海洋、航空航天等，或其任意组合。运输系统的自动驾驶车辆可包括出租车、私家车、挂车、公共汽车、火车、动车、高速铁路、地铁、船只、飞机、宇宙飞船、热气球等，或其任意组合。

本申请的一个方面涉及用于定位的系统和方法。系统和方法可以获取物体（例如，自动驾驶车辆）的预估位置。该系统和方法可以获取与预估位置相关联的点云数据。所述点云数据可以由与物体相关联的一个或多个传感器（例如，激光雷达）获取。该系统和方法可以基于点云数据生成与预估位置相关联的在线地图。该系统和方法可以基于预估位置获取参考地图。该系统和方法可以通过将在线地图与参考地图进行匹配来确定物体的目标位置。例如，系统和方法可以通过使用归一化互相关（NCC）技术来匹配在线地图与参考地图。因此，本申请提供的系统和方法可以更准确地确定物体的目标位置。

图1是根据本申请的一些实施例所示的示例性自动驾驶系统的示意图。在一些实施例中，自动驾驶系统100可包括车辆110、服务器120、终端设备130、存储设备140、网络150、以及定位和导航系统160。

车辆110可以携带乘客并前往目的地。车辆110可包括至少两个车辆110-1、110-2......110-n。在一些实施例中，车辆110可以是任何类型的自动驾驶车辆。自动驾驶车辆能够感测其环境并且在没有人类操纵的情况下导航。在一些实施例中，车辆110可包括传统车辆的结构，例如，底盘、悬架、转向装置（例如，方向盘）、制动装置（例如，制动踏板）、加速器等。在一些实施例中，车辆110可以是调查车辆，用于获取构建高清晰度地图或3-D城市建模的数据（例如，本申请中其他地方描述的参考地图）。车辆110可以是电动车辆、燃料电池车辆、混合动力车辆、传统内燃机车辆等。车辆110可具有主体和至少一个轮子。车身可以是任何车身类型，例如运动车辆、跑车、轿车、皮卡车、旅行车、运动型多功能车（SUV）、小型货车或转换车。在一些实施例中，车辆110可包括一对前轮和一对后轮。然而，可以预期的是，车辆110可以具有更多或更少的车轮或等效结构，使得车辆110能够四处移动。车辆110可以被配置为全轮驱动（AWD）、前轮驱动（FWR）或后轮驱动（RWD）。在一些实施例中，车辆110可以由占用车辆的操作员操作，例如，远程控制和/或自动操作。

如图1所示，车辆110可以通过安装结构将一个或多个传感器112安装到车辆110的车身上。安装结构可以是安装或以其他方式附接到车辆110的车身上的机电装置。在一些实施例中，安装结构可以使用螺钉、粘合剂或其他安装机构。一个或多个车辆110可以使用任何合适的安装机构在主体内部或外部另外配备有一个或多个传感器112。

传感器112可包括GPS设备、光检测和测距（激光雷达）、相机、惯性测量单元（IMU）传感器等，或其任意组合。激光雷达可以被配置用于扫描周围环境并生成点云数据。激光雷达可以通过用脉冲激光照射物体并用传感器测量反射脉冲来测量其到物体的距离。然后可以使用激光返回时间和波长的差异来制作物体的数字3-D模型。用于激光雷达扫描的光可以是紫外线、可见光和近红外线等。由于窄激光束可以以非常高的分辨率映射物体的物理特征，因此激光雷达特别适用于高清地图勘测。摄像机可以被配置用于获得与摄像机范围内的物体（例如，人、动物、树、路障、建筑物或车辆）相关的一个或以上图像。GPS设备指的是能够从GPS卫星接收地理定位和时间信息然后计算设备的地理位置的设备。IMU传感器指的是利用各种惯性传感器（例如，加速度计、陀螺仪、磁力计）来测量和提供车辆的特定力、角速率、或者车辆周围的磁场的电子设备。通过组合GPS设备和IMU传感器，传感器112可以在车辆110行进时提供车辆110的实时姿势信息，包括车辆110在每个时间点的位置和方向（例如，欧拉角）。与本申请一致，传感器112可以在传感器112捕获点云数据的相同时间点测量姿势信息。因此，姿势信息可以与相应的点云数据相关联。在一些实施例中，点云数据及其相关姿势信息的组合可用于定位车辆110。

在一些实施例中，服务器120可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的（例如，服务器120可以是一分布式系统）。在一些实施例中，服务器120可以是本地的，也可以是远程的。例如，服务器120可以经由网络150访问存储在终端设备130、传感器112、车辆110、存储设备140和/或定位和导航系统160中的信息和/或数据。又例如，服务器120可以直接连接到终端设备130、传感器112、车辆110和/或存储设备140，以访问存储信息和/或数据。在一些实施例中，服务器120可以在云平台或车载计算机上实现。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等，或其任意组合。在一些实施例中，服务器120可以在本申请中的图2描述的包含了一个或以上组件的计算设备200上执行。

在一些实施例中，服务器120可以包括处理引擎122。处理引擎122可以处理与车辆110相关联的信息和/或数据，以执行本申请中描述的一个或以上功能。例如，处理引擎122可以获得车辆110的预估位置。又例如，处理引擎122可以获得与车辆110的预估位置相关联的点云数据。作为又一示例，处理引擎122可基于点云数据生成与预估位置相关联的在线地图。作为又一示例，处理引擎122可基于预估位置获得参考地图。作为又一示例，处理引擎122可以通过将在线地图与参考地图进行匹配来确定车辆110的目标位置。在一些实施例中，所述处理引擎122可包括一个或以上处理引擎（例如，单芯片处理引擎或多芯片处理引擎）。仅作为范例，处理引擎122可以包括中央处理单元（CPU）、特定应用集成电路（ASIC）、特定应用指令集处理器（ASIP）、图形处理单元（GPU）、物理处理单元（PPU）、数字信号处理器（DSP）、现场可编程门阵列（FPGA）、可编程逻辑装置（PLD）、控制器、微控制器单元、精简指令集计算机（RISC）、微处理器等，或其任意组合。

在一些实施例中，服务器120可以连接到网络150以与自动驾驶系统100中的一个或以上组件（例如，终端设备130、传感器112、车辆110、存储设备140和/或定位和导航系统160）进行通讯。在一些实施例中，服务器120可以直接连接到一个或以上组件或与之通信（例如，终端设备130、传感器112、车辆110、存储设备140和/或定位和导航系统160）自动驾驶系统100。在一些实施例中，服务器120可以集成在车辆110中。例如，服务器120可以是安装在车辆110中的计算设备（例如，计算机）。

在一些实施例中，终端设备130可以包括移动设备130-1、平板计算机130-2、膝上型计算机130-3、车载设备130-4、智能手表130-5等，或其任意组合。在一些实施例中，移动设备130-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等，或其任意组合。在一些实施例中，该可穿戴设备可包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣服、智能背包、智能配件等，或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理（PDA）、游戏设备、导航设备、销售点（POS）等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强型虚拟现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括Google^TM Glass、Oculus Rift、HoloLens、Gear VR等。在一些实施例中，车载设备130-4可以包括车载计算机、车载电视等。在一些实施例中，服务器120可以集成到终端设备130中。

存储设备140可以存储数据和/或指令。在一些实施例中，存储设备140可以存储从终端设备130、传感器112、车辆110、定位和导航系统160、处理引擎122和/或外部存储设备获得的数据。例如，存储设备140可以存储从传感器112（例如，GPS设备、IMU传感器）处接收的车辆110的预估位置。又例如，存储设备140可以存储与从传感器112（例如，激光雷达）处接收的与预估位置相关联的点云数据。作为又一示例，存储设备140可以存储由处理引擎122生成的在线地图。作为又一示例，存储设备140可以存储从外部存储设备获得的参考地图。在一些实施例中，存储设备140可以存储服务器120可以使用并执行本发明中描述的示例性方法的数据和/或指令。例如，存储设备140可以存储处理引擎122可以执行或使用的基于点云数据生成与预估位置相关联的在线地图的指令。又例如，存储设备140可以存储处理引擎122可以执行或使用的通过对参考地图和在线地图进行匹配来确定车辆110的目标位置的指令。

在一些实施例中，存储设备140可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器（ROM）等，或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写内存可以包括随机存取内存（RAM）。示例性RAM可包括动态随机存取存储器（DRAM）、双倍数据速率同步动态随机存取存储器（DDR SDRAM）、静态随机存取存储器（SRAM）、晶闸管随机存取存储器（T-RAM）和零电容随机存取存储器（Z-RAM）等。示例性只读存储器可以包括掩模型只读存储器（MROM）、可编程只读存储器（PROM）、可擦除可编程只读存储器（EPROM）、电可擦除可编程只读存储器（EEPROM）、光盘只读存储器（CD-ROM）和数字多功能磁盘只读存储器等。在一些实施例中，所述存储设备140可以在云平台上实现。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等，或其任意组合。

在一些实施例中，存储设备140可以连接到网络150以与自动驾驶系统100中的一个或以上组件（例如，服务器120、终端设备130、传感器112、车辆110和/或定位和导航系统160）通信。自动驾驶系统100的一个或以上组件可以经由网络150访问存储设备140中存储的数据或指令。在一些实施例中，存储设备140可以直接连接到自动驾驶系统100中的一个或以上组件（例如，服务器120、终端设备130、传感器112、车辆110和/或定位和导航系统160）或与之通信。在一些实施例中，存储设备140可以是服务器120的一部分。在一些实施例中，存储设备140可以集成在车辆110中。

网络150可以促进信息和/或数据的交换。在一些实施例中，自动驾驶系统100中的一个或以上组件（例如，服务器120、终端设备130、传感器112、车辆110、存储设备140或定位和导航系统160）可以经由网络150向自动驾驶系统100的其他组件发送信息和/或数据。例如，服务器120可以经由网络150从传感器112和/或定位和导航系统160处获取物体（例如，车辆110）的预估位置。又例如，服务器120可以经由网络150从传感器112处获取与物体（例如，车辆110）的预估位置相关联的点云数据。作为又一示例，服务器120可以基于预估位置，经由网络150从存储设备140处获取参考地图。在一些实施例中，网络150可以为任意形式的有线或无线网络，或其任意组合。仅作为示例，网络150可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络（LAN）、广域网路（WAN）、无线局域网络（WLAN）、城域网（MAN）、公共交换电话网络（PSTN）、蓝牙网络、紫蜂网络、近场通讯（NFC）网络等，或其任意组合。在一些实施例中，网络150可以包括一个或以上网络接入点。例如，网络150可以包括有线或无线网络接入点（例如，150-1、150-2），通过该接入点，自动驾驶系统100的一个或以上组件可以连接到网络150以交换数据和/或信息。

定位和导航系统160可以确定与某个物体相关联的信息，例如，一个或以上终端设备130、车辆110等。在一些实施例中，定位和导航系统160可以是全球定位系统（GPS）、全球导航卫星系统（GLONASS）、罗盘导航系统（COMPASS）、北斗导航卫星系统、伽利略定位系统、准-zenith卫星系统（QZSS）等。信息可以包括物体的位置、高度、速度、加速度或当前时间。定位和导航系统160可以包括一个或以上的卫星，例如，卫星160-1、卫星160-2和卫星160-3。卫星160-1至160-3可以独立地或共同地确定上述信息。卫星定位和导航系统160可以经由无线连接将上述信息发送到网络150、终端设备130或车辆110。

应当注意自动驾驶系统100仅仅是为了说明的目的而提供的，并不意图限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出多种修改或变化。例如，自动驾驶系统100还可以包括数据库、信息源等。又例如，自动驾驶系统100可以在其他设备上实现以实现类似或不同的功能。在一些实施例中，GPS设备也可以由其他定位设备替代，例如北斗。然而，变化和修改不会背离本申请的范围。

图2是根据本申请的一些实施例的示例性计算设备的示例性硬件和/或软件组件的示意图。在一些实施例中，服务器120可以在计算设备200上实现。例如，处理引擎122可以在计算设备200上实现并被配置为实现本申请中所披露的功能。

计算设备200可用于实现本申请的自动驾驶系统100中的任何组件。例如，自动驾驶系统100的处理引擎122可以通过其硬件、软件程序、固件或其组合在计算设备200上实现。尽管为了方便仅示出了一个这样的计算机，但是与这里描述的自动驾驶系统100相关的计算机功能可以以分布式方式在多个类似平台上实现以分配处理负荷。

例如，计算设备200可以包括连接到与其连接的网络（例如，网络150）的通信（COMM）端口250，以便于数据通信。计算设备200还可以包括处理器（例如，处理器220），其形式为一个或以上处理器（例如，逻辑电路），用于执行程序指令。例如，处理器可以包括接口电路和其中的处理电路。接口电路可以被配置为从总线210接收电信号，其中电信号编码用于处理电路的结构化数据和/或指令。处理电路可以进行逻辑计算，然后将结论、结果和/或指令编码确定为电信号。然后，接口电路可以经由总线210从处理电路发出电信号。

计算设备200还可以包括不同形式的程序存储和数据存储，例如磁盘270、只读存储器（ROM）230或随机存取存储器（RAM）240，用于存储由计算设备200处理和/或传输的各种数据文件。计算设备200还可以包括由处理器220执行的存储在ROM230、RAM240和/或其他类型的非暂时性存储介质中的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200还包括输入/输出组件260，其支持计算设备200与其中的其他组件之间的输入/输出。计算设备200也可以通过网络通信接收编程和数据。

仅仅为了说明，在计算设备200中仅描述了一个处理器。然而，应该注意的是，本申请中的计算设备200还可以包括多个处理器，因此由本申请中描述的一个处理器执行的操作也可以由多个处理器联合或单独执行。例如，计算设备200的处理器执行操作A和操作B。如在另一示例中，操作A和操作B也可以在计算设备200中由两个不同的处理器联合或分开执行（例如，第一处理器执行操作A，第二处理器执行操作B，或者第一和第二处理器共同执行操作A和B）。

图3是根据本申请的一些实施例所示的示例性移动设备的示例性硬件和/或软件组件的示意图，根据本申请一些实施例，可以在上实现终端设备130。如图3所示，移动设备300可以包括通信平台310、显示器320、图形处理单元（GPU）330、中央处理单元（CPU）340、输入/输出（I/O）350、内存360和存储器390。在一些实施例中，任何其他合适的组件，包括但不限于系统总线或控制器（未示出），也可包括在移动设备300内。在一些实施例中，操作系统370（例如，iOS ^TM、Android ^TM、Windows Phone ^TM）和一个或以上应用程序380可以从存储器390加载到内存360中，以便由CPU340执行。应用程序380可以包括浏览器或任何其他合适的移动应用程序，用于接收和呈现与来自处理引擎122的定位信息或其他信息有关的信息。用户与信息流的交互可以通过I/O350实现，并通过网络150提供给处理引擎122和/或自动驾驶系统100的其他组件。

为了实施本申请描述的各种模块、单元及其功能、计算机硬件平台可用作本文中描述的一个或以上组件的硬件平台。具有用户接口组件的计算机可用于实施个人计算机（PC）或任何其他类型的工作站或终端设备。若程控得当，计算机亦可用作服务器。

图4是根据本申请的一些实施例所示的示例性处理引擎的模块图。处理引擎122可包括获取模块410、生成模块420、确定模块430和存储模块440。

获取模块410可以被配置用于获取与自动驾驶系统100相关联的数据和/或信息。例如，获取模块410可以获取物体（例如，自动驾驶车辆）的预估位置（例如，地理位置）。又例如，获取模块410可以获取与物体的预估位置相关联的点云数据。作为又一示例，获取模块410可以基于物体的预估位置来获取参考地图。

生成模块420可以被配置用于生成与自动驾驶系统100相关联的数据和/或信息。例如，生成模块420可以基于点云数据生成与物体的预估位置相关联的在线地图。可以在本申请的其他地方找到关于在线地图的生成的更多描述（例如，图5及其描述）。

确定模块430可以被配置用于确定与自动驾驶系统100相关联的数据和/或信息。在一些实施例中，确定模块430可以通过对参考地图和在线地图进行匹配来确定物体的目标位置。例如，确定模块430可以使用归一化互相关（NCC）技术确定在线地图与参考地图中的至少两个格子中的每一个格子之间的相似度。确定模块430可以基于在线地图与至少两个格子中的每一个格子之间的相似度来确定在至少两个格子中与在线地图匹配的一个格子。确定模块430可以基于在至少两个格子中与在线地图匹配的一个格子来确定物体的目标位置。

存储模块440可以被配置用于存储与自动驾驶系统100相关联的数据和/或信息。例如，存储模块440可以存储物体的预估位置。又例如，存储模块440可以存储与物体的预估位置相关联的点云数据。作为又一示例，存储模块440可以存储与物体的预估位置相关联的在线地图。作为又一示例，存储模块440可以存储与物体的预估位置相关联的参考地图。作为又一个示例，存储模块440可以存储物体的目标位置。

处理引擎122中的模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合电缆等，或其任意组合。无线连接可以包括局域网络（LAN）、广域网络（WAN）、蓝牙、紫蜂（ZigBee）网络、近场通讯（NFC）等，或其任意组合。两个或以上模块可以被组合为单个模块，且所述模块中的任一个可以被分成两个或以上单元。在一些实施例中，可以省略一个或以上模块。例如，可以省略存储模块440。在一些实施例中，可以将一个或以上模块组合成单个模块。例如，生成模块420和确定模块430可以组合成单个模块。

图5是根据本申请的一些实施例所示的定位物体的示例性过程的流程图。流程500可以由自动驾驶系统100执行。例如，流程500可以以指令的形式存储在ROM230或RAM240中。处理器220和/或图4中的模块可以执行一组指令，并且当执行指令时，处理器220和/或模块可以被配置为用于执行流程500。以下所示流程500的操作仅出于说明的目的。在一些实施例中，可以在流程500中可以添加一个或以上本申请未描述的其它操作，和/或删减一个或以上此处所描述的操作。另外，如图5所示的流程500的操作的顺序不是限制性的。

在510中，处理引擎122（例如，获取模块410）可以获取物体的预估位置。

物体可以是有或没有生命并且位于地球上的任何有机和/或无机物质的组合物。例如，物体可以是如本申请中其他地方描述的自动驾驶车辆（例如，车辆110）（图1及其描述）。在一些实施例中，物体的预估位置可以是物体所在的地理位置。地理位置可以由位置的地理坐标（例如，经度坐标和纬度坐标）表示。

在一些实施例中，处理引擎122可以从自动驾驶系统100的一个或以上组件获取物体的地理位置。例如，物体可以与具有定位功能的传感器（例如，传感器112）相关联，并且处理引擎122可以从传感器获得物体的地理坐标。作为另一示例，处理引擎122可经由安装在物体上的GPS设备和/或惯性测量单元（IMU）传感器获得物体的地理坐标，如本申请中其他地方所述（例如，图1和其描述）。

处理引擎122可以连续地或周期性地从传感器（例如，GPS设备）获得物体的地理坐标。在一些实施例中，具有定位功能的传感器（例如，GPS设备）可以连续地或周期性地经由网络150将物体的地理坐标发送到自动驾驶系统100的存储设备（例如，存储设备140）。处理引擎122可以访问存储设备并检索物体的一个或以上地理坐标。

在520中，处理引擎122（例如，获取模块410）可以获取与预估位置相关联的点云数据。点云数据可以由传感器（例如，激光雷达）通过对物体的预估位置的周围的空间发射激光脉冲进行扫描而生成。在一些实施例中，处理引擎122可以从与物体相关联的一个或多个传感器（例如，传感器112）和存储设备（例如，存储设备140）获取与预估位置相关联的点云数据。一个或多个传感器可以包括本申请中其他地方描述的激光雷达（例如，图1及其描述）。例如，一个或以上的激光雷达可以安装在物体（例如，车辆110）上以将激光脉冲发送到地球表面和/或周围物体（例如，建筑物、行人、其他车辆）。激光可以返回到一个或以上的激光雷达中。一个或以上激光雷达可以基于所接收的信息生成点云数据。在一些实施例中，当物体（例如，车辆110）沿着道路行进时，安装在物体上的一个或以上激光雷达可以以一定角度（例如，120度、360度）每秒进行旋转，连续生成点云数据。

如这里所使用的，点云数据可以指与物体（例如，车辆）的估计位置周围的空间中的一个或以上物体相关联的一组数据点。一个点可以对应于物体的一个点或一个区域。物体周围的一个或以上物体可包括车道标记、建筑物、行人、动物、植物、车辆等。在一些实施例中，点云数据可以具有至少两个属性。点云数据的属性可以包括3D点云坐标系中的每个数据点的点云坐标（例如，X、Y和Z坐标）、与每个数据点相关联的高程信息、与每个数据点相关联的强度信息、返回数、返回总数、每个数据点的分类、扫描方向等，或其任意组合。如这里所使用的，“与数据点相关联的高程信息”可以指数据点在固定参考点、线或平面之上或之下的高度（例如，最常见的是参考大地水准面、地球海平面的数学模型，如等势引力面）。“与数据点相关联的强度信息”可以指从传感器（例如，激光雷达）发射并由物体反射以产生数据点的激光脉冲的返回强度。“返回数”可以指从传感器（例如，激光雷达）发射并由物体反射的给定输出激光脉冲的脉冲返回数。在一些实施例中，发射的激光脉冲可以具有各种水平的返回，这取决于从其反射的特征以及用于收集点云数据的传感器（例如，激光扫描仪）的能力。例如，第一个返回可以标记为返回值1，第二个返回标记为返回值2，依此类推。“返回总数”可以指给定脉冲的总返回数。“数据点的分类”可以指反射激光脉冲的数据点（或物体）的类型。例如，该组数据点可以分为许多类别，包括地面、建筑物、人、水等。“扫描方向”可以指的是当检测到数据点时激光雷达中的扫描镜的方向。

在一些实施例中，点云数据可包括至少两个点云帧。每个点云帧可以对应一个时间点或一个时间段。如本文所使用的，“对应于点云帧的时间点或时间段”可以指激光雷达生成点云帧的时间。

在530中，处理引擎122（例如，生成模块420）可以基于点云数据生成与预估位置相关联的在线地图。

如本文所使用的，在线地图可以指以物体的预估位置为中心的区域中的一组点云。区域的形状可以是正三角形、矩形、正方形、正六边形、圆形等。在一些实施例中，在线地图的大小可以是M米×M米。M可以是任何正数，例如5、10、20、50、100、500等。在一些实施例中，处理引擎122可以将在线地图划分为至少两个网格。每个网格的大小可以是K米×K米。K可以是小于M的任何正数，例如0.1、0.2、0.5、1等。

处理引擎122可以利用配准技术在点云数据中配准和/或拼接至少两个点云帧以生成在线地图。如本文所使用的，“点云配准和/或拼接”可以指将至少两个点云帧关联到一个共同的坐标系的过程。在一些实施例中，处理引擎122可以基于一个或以上点云配准算法来配准和/或拼接至少两个点云帧。示例性点云配准算法可以包括迭代最近点（ICP）算法、鲁棒点匹配（RPM）算法、核相关（KC）算法、相干点漂移（CPD）算法、对对应空间进行排序（SCS）算法等。

处理引擎122可以基于配准和/或拼接后的点云数据确定在线地图。例如，处理引擎122可以将3D配准和/或拼接后的点云数据映射到以物体的预估位置为中心的2D在线地图中。处理引擎122可以基于与点云数据的每个数据点相关联的强度信息和/或高程信息以及每个数据点的地理坐标，确定与在线地图中的至少两个网格中的每个网格相关联的强度信息和/或高程信息。

在一些实施例中，处理引擎122可以对点云数据执行预处理操作，并基于预处理的点云数据生成在线地图和/或对在线地图执行后处理操作。示例性预处理操作和/或后处理操作可以包括去噪操作、移除移动物体、点云数据的校准（例如，点云数据中的强度信息的校准）等。在一些实施例中，处理引擎122可以使用第一训练机器学习模型来处理在线地图或点云数据中的至少一个。例如，处理引擎122可以使用第一训练机器学习模型对与预估位置相关联的在线地图或点云数据中的至少一个进行去噪。如这里所使用的，“对在线地图和/或点云数据进行去噪”可以指当其具有异常值和表面噪声点时校正在线地图和/或点云数据的过程。在一些实施例中，点云的噪点可以来自硬件（例如，由于激光雷达的固有限制）、软件（例如，在从算法生成点云数据的情况下，由于不精确的三角测量，数据点可能位于完全错误的某个位置）、环境（例如，由于周围的污染，如空气中的灰尘）导致等。在一些实施例中，处理引擎122可使用第一训练机器学习模型从参考地图移除一个或以上移动物体。如这里所使用的，移动物体可以指物体的状况（例如，物体的位置、物体的形状）可以随时间改变，这些可能不需要在在线地图上绘制。在一些实施例中，移动物体可包括植物（例如，树、花）、车辆、行人、动物等，或其任意组合。点云数据的校准可以包括传感器（例如，激光雷达）的几何校准、强度信息校准等。例如，由于激光雷达系统参数中的系统误差，处理引擎122可以对激光雷达执行几何校准。又例如，与激光雷达获取的点云数据相关联的强度信息可能受至少两个参数的影响，包括传输功率、传输范围、入射角、大气透过率、光束发散度、探测器响应度等，处理引擎122可以对在线地图或点云数据中呈现的强度信息执行辐射校准。如这里所使用的，激光雷达的几何校准可用于估计和消除来自点云数据的所有系统误差，使得仅留下随机误差。在一些实施例中，LiDAR数据中的系统误差可能由系统参数的偏差引起，例如，与系统组件相关的安装参数的偏差（例如，杠杆臂和LiDAR的视轴角度）和测量范围与镜像角度的偏差。在一些实施例中，处理引擎122可基于一个或以上几何校准算法（例如，系统驱动算法、数据驱动算法）来执行几何校准。如这里所使用的，激光雷达的辐射校准可以用于将记录的强度信息转换成物体的光谱反射率。在一些实施例中，处理引擎122可以使用第一训练机器学习模型来校准点云数据。在一些实施例中，处理引擎122可以基于一个或以上预定的校准参数来校准在在线地图中呈现的强度信息。预定校准参数可以由操作员手动设置，或者由自动驾驶系统100的一个或以上组件确定。例如，一个或以上预校准参数可以由传感器（例如，激光雷达）的制造商提供。又例如，处理引擎122可以基于雷达方程校准在线地图中呈现的强度信息。雷达方程可以考虑测量的激光范围、反射角和大气衰减的影响，以检索近红外红（NIR）光谱中的表面反射率。

可以基于人工神经网络、支持向量机（SVM）模型、贝叶斯网络、遗传模型等，或其任意组合来构造第一训练机器学习模型。在一些实施例中，处理引擎122可以通过训练第一机器学习模型来确定第一训练机器学习模型。在一些实施例中，处理引擎122可以获得至少两个第一训练样本。例如，至少两个第一训练样本可以包括具有噪点的样本地图和对应的没有噪点的样本地图。又例如，至少两个第一训练样本可以包括具有移动物体的样本地图和对应的没有移动物体的样本地图。处理引擎122可以针对至少两个第一训练样本中的每一个提取一个或以上第一样本特征。一个或以上第一样本特征可包括颜色特征、纹理特征、形状特征、空间关系特征、强度特征、高程特征等，或其任意组合。处理引擎122可以确定关于至少两个第一训练样本中的每一个的一个或以上第一样本特征作为训练数据。处理引擎122可以根据训练过程基于训练数据生成第一训练机器学习模型。在一些实施例中，训练过程可包括一个或以上迭代。在一个或以上迭代中的每一个迭代中，处理引擎122可以生成第一候选机器学习模型。在一些实施例中，直到所生成的第一候选机器学习模型的损失函数收敛到阈值，处理引擎122可以完成迭代。在一些实施例中，阈值可以是存储设备（例如，存储设备140）中存储的预定值，和/或动态阈值。

在一些实施例中，处理引擎122可以经由网络150从自动驾驶系统100中的存储设备（例如，存储设备140）和/或外部数据源（未示出）获得第一训练机器学习模型。例如，第一次训练机器学习模型可以被预先训练（通过处理引擎122或任何其他平台或设备）并存储在自动驾驶系统100中的存储设备中。处理引擎122可以访问存储设备并检索第一训练机器学习模型。

在540中，处理引擎122（例如，获取模块410）可以基于预估位置获取参考地图。如这里所使用的，特定参考地图可以指在特定参考位置周围的特定空间中呈现本申请中其他地方所描述的物体的至少两个属性。所述特定参考位置可以是参考地图的中心。可以预先确定对应于特定参考位置或物体的其他位置的地理坐标并将其存储在存储设备（例如，存储设备140）中。

在一些实施例中，参考地图可以离线生成。例如，可以派遣车辆（例如，车辆110）进行勘测行程以捕获与物体的估计位置相关联的参考点云数据以构建参考地图。当车辆沿着道路移动时，安装在车辆110中的具有高精度的至少两个传感器（例如，激光雷达）可以生成周围场景的参考点云数据。处理引擎（例如，处理引擎122）可以生成与不同区域对应的至少两个高清晰度地图，并且将至少两个高清地图存储在自动驾驶系统100可以访问的存储设备（例如，存储设备140）中。至少两个高清晰度图中的每一个可以对应于一个或以上特定位置。处理引擎122可以访问存储设备（例如，存储设备140）并基于物体的预估位置从至少两个高清晰度图中检索相应的参考地图。在一些实施例中，参考地图的生成方法可以与在线地图的生成方法相同或不同。例如，参考地图可以使用一个或以上与在线地图的生成方法相同或不同的点云配准算法。在一些实施例中，参考地图的大小可以大于在线地图的大小。例如，参考地图的尺寸可以是50米×50米，在线地图的尺寸可以是1米×1米。

在一些实施例中，处理引擎122可以使用第二训练机器学习模型来处理参考地图和/或参考点云数据。例如，处理引擎122可以使用第二训练机器学习模型对参考地图和/或参考点云数据进行去噪处理，如操作530所描述的。又例如，处理引擎122可以使用第二训练机器学习模型从参考地图和/或参考点云数据中移除一个或以上移动物体，如操作530所描述的。作为又一示例，处理引擎122可以使用第二训练机器学习模型校准在参考点云数据中呈现的强度信息。第二训练的机器学习模型可以与第一机器学习模型相同或不同。例如，第二机器学习可以是基于人工神经网络、支持向量机（SVM）模型、贝叶斯网络、遗传模型等，或其任意组合来构造。

在一些实施例中，处理引擎122可以通过训练第二机器学习模型来确定第二训练机器学习模型。在一些实施例中，处理引擎122可以获得至少两个第二训练样本。至少两个第二训练样本可以与至少两个第一训练样本相同或不同。例如，至少两个第二训练样本可以包括具有移动物体的样本地图和对应的去除移动物体的样本地图。又例如，至少两个第二训练样本可以包括具有噪点的样本地图和对应的没有噪点的样本地图。作为又一个示例，至少两个第二训练样本可以包括具有原始强度信息的样本地图和对应的具有校准后的强度信息的样本地图。可以通过训练第二机器学习模型来生成第二训练机器学习模型，如训练第一机器学习模型所描述的。第一机器学习模型可以与第二机器学习模型相同或不同。

在550中，处理引擎122（例如，确定模块430）可以通过将在线地图与参考地图进行匹配来确定物体的目标位置。

参考地图可以包括与在线地图具有相同尺寸的至少两个格子（也被称为子参考地图）。在线地图和参考地图之间的匹配可以指确定参考地图中的至少两个格子中的一个格子，所述格子与在线地图之间的相似度满足一定条件。在一些实施例中，处理引擎122可以使用模板匹配技术确定在线地图与参考地图中的至少两个格子中的每一个格子之间的相似度。例如，处理引擎122可以使用归一化互相关（NCC）技术确定在线地图与参考地图中的至少两个格子中的每一个格子之间的相似度。处理引擎122可以基于在线地图与参考地图中的至少两个格子中的每一个格子之间的相似度来确定在至少两个格子中与在线地图匹配的一个格子。

在一些实施例中，处理引擎122可以基于在至少两个格子中与在线地图匹配的格子（例如，具有最大相似度的格子）来确定物体的目标位置。例如，处理引擎122可以指定与至少两个格子中与在线地图具有最大相似度的一个格子相对应的位置（例如，中心点），作为目标位置。在一些实施例中，处理引擎122可以确定所述至少两个格子中的至少两个位置，至少两个位置中的每个位置对应于至少两个格子中的一个格子。处理引擎122可以基于所述至少两个位置和对应于至少两个格子中的每个格子的相似度，确定所述物体的目标位置。物体的目标位置可能比在操作510中获取的物体的预估位置更准确。关于确定物体的目标位置的更多描述可以在本申请的其他地方找到（例如，图6、图7及其描述）。

应当注意以上描述仅用于说明的目的，而不是用于限制本申请的范围。对于本领域的普通技术人员来说，根据本申请的教导可以做出多种变化和修改。然而，变化和修改不会背离本申请的范围。在一些实施例中，可以在示例性流程500中的其他地方添加一个或以上其他可选操作（例如，存储操作）。在存储操作中，处理引擎122可以在本申请中其他地方公开的存储器（例如，存储设备140）中存储与在线地图和/或参考地图相关联的信息和/或数据。在一些实施例中，流程500中操作的顺序可以改变。例如，可以在操作520之前执行操作540。

图6是根据本申请的一些实施例所示的定位物体的示例性过程的流程图。流程600可以由自动驾驶系统100执行。例如，流程600可以以指令的形式存储在ROM230或RAM240中。处理器220和/或图4中的模块可以执行一组指令，并且当执行指令时，处理器220和/或模块可以被配置为执行流程600。以下所示流程600的操作仅出于说明的目的。在一些实施例中，可以在流程600中添加一个或以上本申请未描述的其它操作，和/或删减一个或以上此处所描述的操作。另外，如图6所示的流程600的操作的顺序不是限制性的。

在610中，处理引擎122（例如，确定模块430）可以使用归一化互相关（NCC）技术确定在线地图与参考地图中的至少两个格子中的每一个格子之间的相似度。可以如图5中所示的操作510至540所描述的内容获取在线地图和/或参考地图。

在一些实施例中，处理引擎122可以根据在线地图的大小确定参考地图中的至少两个格子。例如，处理引擎122可以通过在参考地图上滑动窗口来确定至少两个格子。每个格子的尺寸（例如，长度、宽度）可以与在线地图的尺寸（例如，长度、宽度）相同。例如，在线地图的尺寸可以是1米×1米，格子的尺寸可以是1米×1米。

如这里所使用的，在线地图和参考地图中的格子之间的相似度可用于评估在线地图中呈现的一个或以上物体的属性信息（例如，强度信息和/或高程信息）与参考地图中的格子中呈现的一个或以上物体的属性信息（例如，强度信息和/或高程信息）之间的相似度。例如，处理引擎122可以使用归一化互相关（NCC）技术确定参考地图中的在线地图与至少两个格子中的每一个之间的相似度。如这里所使用的，NCC可以指用于确定两个或以上图像中的点之间的相似度的相关性度量。

在一些实施例中，假设参考地图的尺寸为M×M，在线地图的尺寸为N×N（N≤M），则在线地图与参考地图的格子之间的相似度可以根据等式（1）确定：

（1），

其中：

指在线地图与参考地图中的格子之间的相似度；

指参考地图中的的格子的基准点的坐标，0≤x≤（M-N），0≤y≤（M-N）；

指在在线地图中的一个点的坐标；

指与在线地图中的点

相关联的信息（例如，强度信息和/或高程信息）；

指与参考地图中格子中的点

相关联的信息（例如，强度信息和/或高程信息）。

在一些实施例中，参考地图中格子的基点可以是参考地图中格子的左上角点。因此，处理引擎122可以确定（M-N）×（M-N）相似度分布图（也可以称为概率图）。

在620中，处理引擎122（例如，确定模块430）可以基于在线地图与至少两个格子中的每一个格子之间的相似度来确定与在线地图匹配的至少两个格子中的一个。

在一些实施例中，处理引擎122可以基于在线地图与参考地图中的至少两个格子中的每一个格子之间的相似度，从至少两个格子中选择一个格子作为与在线地图匹配的格子（也称为目标格子）。例如，处理引擎122可以用在线地图作为目标格子来确定具有最大相似度的格子。

在630中，处理引擎122（例如，确定模块430）可以基于与在线地图匹配的至少两个格子中的一个来确定物体的目标位置。

在一些实施例中，处理引擎122可以将目标格子中的一个位置指定为物体的目标位置。例如，处理引擎122可以将目标格子的中心点确定为物体的目标位置。

在一些实施例中，处理引擎122可以确定参考地图中的至少两个格子中的至少两个位置。至少两个位置中的每一个位置可以对应于至少两个格子中的一个。处理引擎122可以基于至少两个位置和与至少两个格子中的每个格子相对应的相似性来确定物体的目标位置。在一些实施例中，处理引擎122可以通过对在线地图与对应于至少两个位置的至少两个格子之间的至少两个相似性进行归一化来确定至少两个位置中的每个位置的权重。处理引擎122可以确定参考地图中的至少两个位置的至少两个坐标的加权算术平均坐标。例如，处理引擎122可以根据等式（2）确定加权算术平均坐标：

（2），

其中：

指目标位置的坐标；

指参考地图中的至少两个格子中的至少两个位置的坐标；n指位置数量；

指参考地图中位置

的权重。处理引擎122可以将与加权算术平均坐标对应的位置确定为物体的目标位置。

在一些实施例中，处理引擎122可以对在线地图与参考地图中的至少两个格子之间的至少两个相似度进行拟合。例如，处理引擎122可以根据曲线拟合方法（例如，最小二乘法）拟合在线地图与参考地图中的至少两个格子之间的至少两个相似度。处理引擎122可以将对应于拟合曲线的峰值的位置确定为物体的目标位置。

在一些实施例中，可以预先确定参考地图中的至少两个位置中的每一个的地理坐标。处理引擎122可以从存储设备（例如，存储设备140）中获取参考地图中的目标位置的地理坐标。在一些实施例中，处理引擎122可以将参考地图中的物体的目标位置变换为地理坐标系中的物体的地理位置。在地理坐标系中，地球表面上的地理位置可以由纬度坐标和经度坐标表示。在一些实施例中，参考地图中的至少两个位置中的每一个位置的坐标与至少两个位置中的每一个位置的纬度和经度坐标之间的关系可以存储在自动驾驶系统100的存储设备中。处理引擎122可以基于参考地图中的至少两个位置中的每一个位置的坐标与至少两个位置中的每一个位置的纬度和经度坐标之间的关系，和参考地图中物体的目标位置，来确定对应的纬度和经度坐标。

应当注意以上描述仅用于说明的目的，而不是用于限制本申请的范围。对于本领域的普通技术人员来说，根据本申请的教导可以做出多种变化和修改。然而，变化和修改不会背离本申请的范围。在一些实施例中，可以在示例性流程600中的其他地方添加一个或以上其他可选操作（例如，存储操作）。在存储操作中，处理引擎122可以在存储设备（例如，存储设备140）中存储与参考地图相关联的信息和/或数据（例如，在线地图与参考地图中的至少两个格子中的每一个格子之间的相似度）在本申请的其他地方公开。

图7是根据本申请的一些实施例所示的确定在线地图与参考地图中的格子之间的相似度的示例性过程的流程图。流程700可以由自动驾驶系统100执行。例如，流程700可以以指令的形式存储在ROM230或RAM240中。处理器220和/或图4中的模块可以执行一组指令，并且当执行指令时，处理器220和/或模块可以被配置为执行流程700。以下所示流程700的操作仅出于说明的目的。在一些实施例中，可以在流程700中添加一个或以上本申请未描述的其它操作，和/或删减一个或以上此处所描述的操作。另外，如图6所示的流程700的操作的顺序不是限制性的。

在710中，处理引擎122（例如，确定模块430）可以基于在线地图和至少两个格子中的每一个中呈现的强度信息，确定在线地图与参考地图中的至少两个格子中的每一个之间的第一相似度。在一些实施例中，处理引擎122可以根据操作610中描述的等式（1）确定在线地图与参考地图中的至少两个格子中的每一个格子之间的第一相似度。

在720中，处理引擎122（例如，确定模块430）可以基于在线地图和至少两个格子中的每一个中呈现的高程信息，确定在线地图与参考地图中的至少两个格子中的每一个之间的第二相似度。在一些实施例中，处理引擎122可以根据操作610中描述的等式（1）确定在线地图与参考地图中的至少两个格子中的每一个格子之间的第二相似度。

在730中，处理引擎122（例如，确定模块430）可以基于第一相似度和第二相似度，确定在线地图与参考地图中的至少两个格子中的每一个格子之间的相似度。

在一些实施例中，处理引擎122可以对第一相似度和第二相似度加权以确定格子与在线地图之间的目标相似度。例如，处理引擎122可以确定对应于第一相似度的第一权重。处理引擎122可以确定对应于第二相似度的第二权重。对应于第一相似度（或第二相似度）的第一权重（或第二权重）可反映第一相似度（或第二相似度）在确定在线地图与至少两个格子中的每个格子之间的相似度时的重要性。例如，如果在在线地图中呈现山脉、建筑物或峡谷，则处理引擎122可以确定与对应于第一相似度的第一权重相比较而言，相对较大的对应于第二相似度的第二权重。又例如，如果在在线地图中呈现平坦的道路，则处理引擎122可以确定与对应于第二相似度的第二权重相比较而言，相对较大的对应于第一相似度的第一权重。在一些实施例中，第一权重和第二权重可以由用户手动设置，或者由自动驾驶系统100的一个或以上组件根据默认设置确定。处理引擎122可以基于第一权重、第二权重、第一相似度和第二相似度来确定在线地图与至少两个格子中的每一个格子之间的相似度。在一些实施例中，可以根据等式（3）确定在线地图与至少两个格子中的每一个格子之间的相似度：

（3），

其中：

指在线地图与格子之间的相似度；

指在线地图与格子之间的第一相似度；

指在线地图与格子之间的第二相似度；

指对应于在线地图与格子之间的第一相似度的第一权重；

指对应于在线地图与格子之间的第二相似度的第二权重。

应当注意以上描述仅用于说明的目的，而不是用于限制本申请的范围。对于本领域的普通技术人员来说，根据本申请的教导可以做出多种变化和修改。然而，变化和修改不会背离本申请的范围。在一些实施例中，可以同时执行一个或以上操作。例如，可以同时执行操作710和操作720。在一些实施例中，可以改变一个或以上操作的顺序。例如，可以在操作710之前执行操作720。

图8是根据本申请的一些实施例所示确定物体的目标位置的示例性过程的示意图。在一些实施例中，流程800可以结合图5中的流程500、图6中的流程600和图7中的流程700来说明确定物体（例如，车辆110）的目标位置的过程。如图8所示，在810中，处理引擎122可以获取物体的初始姿态（例如，预估位置），如操作510所描述的。在820中，处理引擎122可以基于高清地图服务获取与物体的初始姿态相关联的参考地图，如操作540所描述的。参考地图可以包括与参考地图中的每个数据点相关联的强度信息和高程信息。在830中，处理引擎122可以基于与物体的初始姿态相关联的点云数据生成在线地图，如操作520和操作530所描述的。在线地图可以包括与在线地图中的每个数据点相关联的强度信息和高程信息。在840中，处理引擎122可以通过使用NCC技术来匹配参考地图和在线地图，如操作550所描述的。例如，处理引擎122可以确定在线地图与参考地图中的至少两个格子中的每一个格子之间的相似度。因此，处理引擎122可以基于在线地图与参考地图中的至少两个格子之间的每一个格子的相似度确定一个或以上概率图（也被称为相似度分布图），如操作610所描述的。在850中，处理引擎122可以基于与在线地图匹配的至少两个格子中的一个来确定参考地图中的物体的精确位置（例如，目标位置），如操作620和操作630所描述的。在860中，处理引擎122可以将参考地图中的精确位置变换为地理坐标系中的绝对位置，如操作630所描述的。

申请实施例可能带来的有益效果包括但不限于：（1）本申请借鉴图像处理中的模板匹配思想实现在线地图与参考地图中的格子的匹配。例如，利用NCC技术确定在线地图与参考地图中的每个格子之间的相似度。（2）本申请通过对在具有与在线地图最大相似度的格子内的多个位置进行加权平均或拟合等方式的操作，对物体进行亚像素级定位，可以更加精确地确定物体的目标位置。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

应该注意的是，上述描述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种修正和改变。然而，这些修正和改变不会背离本申请的范围。

上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明披露仅作为示例，并不构成对本申请的限制。虽然此处并没有明确说明，本领域普通技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。例如，“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应当强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特性可以进行适当的组合。

此外，本领域的普通技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的制程、机器、产品或物质的组合，或对其任何新的和有用的改良。相应地，本申请的各个方面可以完全由硬件实施、可以完全由软件（包括韧体、常驻软件、微代码等）实施、也可以由硬件和软件组合实施，上述硬件或软件均可以被称为“模块”、“单元”、“组件”、“装置”或“系统”。此外，本申请的各方面可能表现为位于一个或以上计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。此类传播讯号可以有多种形式，包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质、或任何上述介质的组合。

本申请各方面操作所需的计算机程序码可以用一种或多种程序语言的任意组合编写，包括面向的编程语言，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python或类似的常规程序编程语言，如“C”编程语言、Visual Basic、Fortran2003、Perl、COBOL 2002、PHP、ABAP、动态编程语言如Python、Ruby和Groovy或其它编程语言。程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机上运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算器可以通过任何网络形式与用户计算器连接，例如，局域网络（LAN）或广域网（WAN），或连接至外部计算器（例如通过互联网），或在云端计算环境中，或作为服务使用如软件即服务（SaaS）。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解，此类细节仅起说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例精神和范围的修正和等价组合。例如，虽然以上描述的系统组件可以通过安装于硬件装置中实施，但也可以只通过软件的解决方案实施，例如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请揭示的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

Claims (28)

1.一种定位系统，其特征在于，包括获取模块、生成模块和确定模块；

所述获取模块用于获取物体的预估位置；

获取与所述预估位置相关的点云数据，所述点云数据由与所述物体相关的一个或多个传感器获取；

所述生成模块用于基于所述点云数据，生成与所述预估位置相关联的在线地图；

所述获取模块用于基于所述预估位置，获取参考地图；

所述生成模块进一步用于：

利用训练后的机器学习模型对所述在线地图和/或所述参考地图执行以下至少一个操作：

从所述在线地图和/或所述参考地图中移除一个或以上移动物体和对所述在线地图和/或所述参考地图进行强度信息校准；

所述训练后的机器学习模型基于至少两个第一训练样本中每一个的至少一个样本特征训练机器学习模型而获得，所述至少一个第一样本特征包括强度特征以及高程特征；和

所述确定模块用于基于所述在线地图与所述参考地图中的强度信息对应的第一相似度以及高程信息对应的第二相似度匹配所述在线地图与所述参考地图，确定所述物体的目标位置。

2.根据权利要求1所述的系统，其特征在于，所述确定模块进一步用于：

使用归一化互相关技术，匹配所述在线地图与所述参考地图；和

基于所述在线地图与所述参考地图之间的匹配，确定所述物体的目标位置。

3.根据权利要求1所述的系统，其中所述参考地图包括至少两个格子，其特征在于，所述确定模块进一步用于：

确定所述在线地图与所述至少两个格子中的每一个格子之间的相似度；和

基于所述至少两个格子中具有与所述在线地图最大相似度的一个格子，确定所述物体的目标位置。

4.根据权利要求3所述的系统，其特征在于，所述确定模块进一步用于：

指定与所述至少两个格子中具有与所述在线地图最大相似度的一个格子对应的一个位置，作为所述物体的目标位置。

5.根据权利要求3所述的系统，其特征在于，所述确定模块进一步用于：

确定所述至少两个格子中的至少两个位置，至少两个位置中的每个位置对应于至少两个格子中的一个格子；和

基于所述至少两个位置和对应于至少两个格子中的每个格子的相似度，确定所述物体的目标位置。

6.根据权利要求3所述的系统，其特征在于，所述确定模块进一步用于：

基于所述在线地图和所述至少两个格子中的每一个格子中呈现的所述强度信息，确定所述在线地图与所述参考地图中的至少两个格子中的每一个格子之间的所述第一相似度；

基于所述在线地图和所述至少两个格子中的每一个格子中呈现的所述高程信息，确定所述在线地图与所述参考地图中的至少两个格子中的每一个格子之间的所述第二相似度；和

基于所述第一相似度和所述第二相似度，确定所述在线地图与所述参考地图中的至少两个格子中的每一个格子之间的相似度。

7.根据权利要求6所述的系统，其特征在于，所述确定模块进一步用于：

确定对应所述第一相似度的第一权重；

确定对应所述第二相似度的第二权重；和

基于所述第一权重、所述第二权重、所述第一相似度和所述第二相似度，确定所述在线地图与所述参考地图中的至少两个格子中的每一个格子之间的相似度。

8.根据权利要求1至7中任一项所述的系统，其特征在于，所述生成模块进一步用于：

使用第一训练机器学习模型处理所述在线地图或所述点云数据中的至少一个，其中所述第一训练机器学习模型是通过使用至少两个第一训练样本训练第一机器学习模型而获得的。

9.根据权利要求8所述的系统，其特征在于，所述生成模块进一步用于：

使用所述第一训练机器学习模型，对与所述预估位置相关联的所述在线地图或所述点云数据中的至少一个进行去噪处理。

10.根据权利要求6、7、9中任一项所述的系统，其特征在于，所述生成模块进一步用于：

基于一个或以上预先确定的校准参数，校准所述在线地图中呈现的强度信息，所述强度信息与所述一个或多个传感器接收的信号相关联。

11.根据权利要求1至7、9中任一项所述的系统，其特征在于，所述获取模块进一步用于：

基于由全球定位设备和惯性测量单元传感器中至少一个获取的数据，确定所述物体的预估位置。

12.根据权利要求1至7、9中任一项所述的系统，其特征在于，所述参考地图是离线生成的。

13.根据权利要求12所述的系统，其特征在于，所述参考地图是通过使用第二训练机器学习模型处理所述参考地图而进一步生成的，其中所述第二训练机器学习模型是通过使用至少两个第二训练样本训练第二机器学习模型而获得的。

14.一种定位方法，其特征在于，包括：

获取物体的预估位置；

获取与所述预估位置相关的点云数据，所述点云数据由与所述物体相关的一个或多个传感器获取；

基于所述点云数据，生成与所述预估位置相关联的在线地图；

基于所述预估位置，获取参考地图；

利用训练后的机器学习模型对所述在线地图和/或所述参考地图执行以下至少一个操作：

从所述在线地图和/或所述参考地图中移除一个或以上移动物体和对所述在线地图和/或所述参考地图进行强度信息校准；

所述训练后的机器学习模型基于至少两个第一训练样本中每一个的至少一个样本特征训练机器学习模型而获得，所述至少一个第一样本特征包括强度特征以及高程特征；和

基于所述在线地图与所述参考地图中的强度信息对应的第一相似度以及高程信息对应的第二相似度匹配所述在线地图与所述参考地图，确定所述物体的目标位置。

15.根据权利要求14所述的方法，其特征在于，通过匹配所述在线地图与所述参考地图，确定所述物体的目标位置，包括：

使用归一化互相关技术，匹配所述在线地图与所述参考地图；和

基于所述在线地图与所述参考地图之间的匹配，确定所述物体的目标位置。

16.根据权利要求14所述的方法，其中所述参考地图包括至少两个格子，其特征在于，通过匹配所述在线地图与所述参考地图，确定所述物体的目标位置，包括：

确定所述在线地图与所述至少两个格子中的每一个格子之间的相似度；和

基于所述至少两个格子中具有与所述在线地图最大相似度的一个格子，确定所述物体的目标位置。

17.根据权利要求16所述的方法，其特征在于，包括：

指定与所述至少两个格子中具有与所述在线地图最大相似度的一个格子对应的一个位置，作为所述物体的目标位置。

18.根据权利要求16所述的方法，其特征在于，包括：

确定所述至少两个格子中的至少两个位置，至少两个位置中的每个位置对应于至少两个格子中的一个格子；和

基于所述至少两个位置和对应于至少两个格子中的每个格子的相似度，确定所述物体的目标位置。

19.根据权利要求16所述的方法，其特征在于，确定所述在线地图与所述至少两个格子中的每一个格子之间的相似度，包括：

基于所述在线地图和所述至少两个格子中的每一个格子中呈现的所述强度信息，确定所述在线地图与所述参考地图中的至少两个格子中的每一个格子之间的所述第一相似度；

基于所述在线地图和所述至少两个格子中的每一个格子中呈现的所述高程信息，确定所述在线地图与所述参考地图中的至少两个格子中的每一个格子之间的所述第二相似度；和

基于所述第一相似度和所述第二相似度，确定所述在线地图与所述参考地图中的至少两个格子中的每一个格子之间的相似度。

20.根据权利要求19所述的方法，其特征在于，基于所述第一相似度和所述第二相似度，确定所述在线地图与所述参考地图中的至少两个格子中的每一个格子之间的相似度，包括：

确定对应所述第一相似度的第一权重；

确定对应所述第二相似度的第二权重；和

基于所述第一权重、所述第二权重、所述第一相似度和所述第二相似度，确定所述在线地图与所述参考地图中的至少两个格子中的每一个格子之间的相似度。

21.根据权利要求14至20中任一项所述的方法，其特征在于，包括：

使用第一训练机器学习模型处理所述在线地图或所述点云数据中的至少一个，其中所述第一训练机器学习模型是通过使用至少两个第一训练样本训练第一机器学习模型而获得的。

22.根据权利要求21所述的方法，其特征在于，使用第一训练机器学习模型处理所述在线地图，包括：

使用所述第一训练机器学习模型，对与所述预估位置相关联的所述在线地图或所述点云数据中的至少一个进行去噪处理。

23.根据权利要求19、20、22中任一项所述的方法，其特征在于，包括：

基于一个或以上预先确定的校准参数，校准所述在线地图中呈现的强度信息，所述强度信息与所述一个或多个传感器接收的信号相关联。

24.根据权利要求14至20、22中任一项所述的方法，其特征在于，获取物体的预估位置，包括：

基于由全球定位设备和惯性测量单元传感器中至少一个获取的数据，确定所述物体的预估位置。

25.根据权利要求14至20、22中任一项所述的方法，其特征在于，所述参考地图是离线生成的。

26.根据权利要求25所述的方法，其特征在于，所述参考地图是通过使用第二训练机器学习模型处理所述参考地图而进一步生成的，其中所述第二训练机器学习模型是通过使用至少两个第二训练样本训练第二机器学习模型而获得的。

27.一种定位装置，其特征在于，包括至少一个存储介质以及至少一个处理器；

所述至少一个存储介质用于存储计算机指令；

所述至少一个处理器用于执行所述计算机指令以实现权利要求14~26中任一项所述的定位方法。

28.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被处理器执行时，实现如权利要求14~26任一项所述的定位方法。

Images