CN112013853B - 一种对无人驾驶设备的轨迹点验证的方法及装置 - Google Patents

Abstract

本说明书公开了一种对无人驾驶设备的轨迹点验证的方法及装置，根据获取到的无人驾驶设备当前的定位数据，确定无人驾驶设备当前所处的轨迹点，作为待验证轨迹点，并确定无人驾驶设备基于该定位数据得到待验证轨迹点所采用的定位算法，作为目标定位算法。从无人驾驶设备经过的各历史轨迹点中确定出采用除目标定位算法以外的其他定位算法所定位出的轨迹点，作为参考轨迹点，并根据该参考轨迹点以及待验证轨迹点，确定其他定位算法对目标定位算法的综合评估值，作为目标定位算法对应的综合评估值。根据该综合评估值，验证待验证轨迹点是否为无人驾驶设备当前所处的实际轨迹点，本方法能够对定位出的轨迹点进行有效地验证，从而保证了行驶安全。

Description

一种对无人驾驶设备的轨迹点验证的方法及装置

技术领域

本说明书涉及无人驾驶领域，尤其涉及一种对无人驾驶设备的轨迹点验证的方法及装置。

背景技术

当前，无人驾驶设备将逐步应用于人们的日常生活，为人们的生活带来更多的便利服务。

为了保证无人驾驶设备的行驶安全，需要使无人驾驶设备能够对自身进行准确的定位。其中，常用的定位方式包括激光雷达定位、视觉定位的方式等。而由于激光雷达定位的定位精度相对较高，所以在实际应用中备受青睐。

然而，外界环境的影响、激光雷达传感器自身的问题可能会导致通过激光雷达定位的方式定位出的结果与实际无人驾驶设备所处的位置偏差较大。而在这种情况下，无人驾驶设备自身往往无法识别出得到的定位结果是不准确的。相应的，若是无人驾驶设备基于不准确的定位结果来进行决策，则很可能会给无人驾驶设备的行驶过程中带来安全隐患。

发明内容

本说明书提供一种对无人驾驶设备的轨迹点验证的方法及装置，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种对无人驾驶设备的轨迹点验证的方法，包括：

获取无人驾驶设备当前的定位数据，并根据所述定位数据，确定所述无人驾驶设备当前所处的轨迹点，作为待验证轨迹点；

确定所述无人驾驶设备基于所述定位数据得到所述待验证轨迹点所采用的定位算法，作为目标定位算法；

从所述无人驾驶设备经过的各历史轨迹点中确定出采用除所述目标定位算法以外的其他定位算法所定位出的轨迹点，作为参考轨迹点；

根据所述参考轨迹点以及所述待验证轨迹点，确定所述其他定位算法对所述目标定位算法的综合评估值，作为所述目标定位算法对应的综合评估值；

根据所述综合评估值，验证所述待验证轨迹点是否为所述无人驾驶设备当前所处的实际轨迹点。

可选地，从所述无人驾驶设备经过的各历史轨迹点中确定出采用除所述目标定位算法以外的其他定位算法所定位出的轨迹点，作为参考轨迹点，具体包括：

确定所述待验证轨迹点所处的地理区域，作为目标地理区域；

从预先确定出的各地理区域与各算法运行占比的对应关系中，确定所述目标地理区域对应的算法运行占比，一个地理区域对应的算法运行占比用于表示各定位算法在该地理区域中运行的时间占比；

根据所述目标地理区域对应的算法运行占比，从所述无人驾驶设备在位于所述目标地理区域内的各历史轨迹点中确定出采用除所述目标定位算法以外的其他定位算法所定位出的轨迹点，作为参考轨迹点。

可选地，预先确定各地理区域与各算法运行占比之间的对应关系，具体包括：

在预设的定位地图中划分各地理区域；

针对每个地理区域，确定该地理区域的中心点；

根据所述中心点，确定每个定位算法的第一容错度以及第二容错度；

根据每个定位算法的第一容错度和/或第二容错度，确定该地理区域所对应的算法运行占比。

可选地，根据所述区域中心点，确定每个定位算法的第一容错度，具体包括：

针对每个定位算法，从该地理区域中确定位于所述中心点附近的若干采样点；

针对每个采样点，根据所述中心点所对应的定位数据，得到该定位算法以该采样点为初始定位点进行定位的定位结果，作为该采样点对应的定位结果；

根据所述中心点以及所述若干采样点对应的定位结果，确定该定位算法在该地理区域中的第一容错度。

可选地，根据所述中心点以及在所述若干采样点对应的定位结果，确定该定位算法在该地理区域中的第一容错度，具体包括：

从所述若干采样点中确定失效采样点，所述失效采样点在该定位算法下对应的定位结果与所述中心点之间的距离超过第一设定距离；

从所述失效采样点中确定出距离所述中心点最近的失效采样点，作为失效界限采样点，并将所述失效界限采样点与所述中心点之间的距离，作为该定位算法在该地理区域下的容错距离；

根据所述容错距离，确定该定位算法在该地理区域中的第一容错度。

可选地，定位算法包括：激光雷达定位算法；

根据所述中心点，确定每个定位算法的第二容错度，具体包括：

获取在所述中心点对应的激光点云数据；

修改所述激光点云数据中的N个点的点云数据，得到修改后点云数据；

针对每个定位算法，基于所述修改后点云数据，确定该定位算法对应的定位结果；

以该定位算法对应的定位结果与所述中心点之间的距离不超过第二设定距离为约束条件，确定N的最大值，作为最大容错点数，所述N为正整数；

根据所述最大容错点数，确定该定位算法在该地理区域下的第二容错度。

可选地，根据所述参考轨迹点以及所述待验证轨迹点，确定所述其他定位算法对所述目标定位算法的综合评估值，具体包括：

针对每个其他定位算法，确定该其他定位算法对应的各参考轨迹点；

针对该其他定位算法对应的每个参考轨迹点，确定该参考轨迹点到所述待验证轨迹点的适配度，该参考轨迹点到所述待验证轨迹点的适配度越大，从该参考轨迹点到所述待验证轨迹点在路径规划上越合理；

根据该其他定位算法对应的每个参考轨迹点到所述待验证轨迹点的适配度，确定该其他定位算法对所述目标定位算法的评估值；

将各其他定位算法对所述目标定位算法的评估值的和值，作为所述其他定位算法对所述目标定位算法的综合评估值。

可选地，根据所述综合评估值，验证所述待验证轨迹点是否为所述无人驾驶设备当前所处的实际轨迹点之前，所述方法还包括：

针对每个其他定位算法，确定该其他定位算法对应的综合评估值；

根据所述综合评估值，验证所述待验证轨迹点是否为所述无人驾驶设备当前所处的实际轨迹点，具体包括：

根据各定位算法对应的综合评估值，确定定位算法集合；

若所述目标定位算法位于所述定位算法集合内，确定所述待验证轨迹点为所述无人驾驶设备当前所处的实际轨迹点，否则，确定所述待验证轨迹点不为所述无人驾驶设备当前所处的实际轨迹点。

可选地，根据各定位算法对应的综合评估值，确定定位算法集合，具体包括：

判断各定位算法中是否存在综合评估值小于设定评估值的定位算法；

若确定各定位算法中存在综合评估值小于所述设定评估值的定位算法，将各定位算法按照综合评估值从大到小的顺序进行排序，得到排序结果，根据所述排序结果，筛选定位算法，并将筛选出的定位算法作为候选定位算法，针对每个候选定位算法，根据其他候选定位算法，重新确定该候选定位算法对应的综合评估值，并重新判断各候选定位算法中是否存在综合评估值小于所述设定评估值的定位算法，直至筛选出的定位算法所对应的综合评估值均不小于所述设定评估值为止；

通过筛选出的综合评估值均不小于所述设定评估值的定位算法构建所述定位算法集合。

本说明书提供了一种对无人驾驶设备的轨迹点验证的装置，包括：

采集模块，用于获取无人驾驶设备当前的定位数据，并根据所述定位数据，确定所述无人驾驶设备当前所处的轨迹点，作为待验证轨迹点；

算法确定模块，用于确定所述无人驾驶设备基于所述定位数据得到所述待验证轨迹点所采用的定位算法，作为目标定位算法；

轨迹点确定模块，用于从所述无人驾驶设备经过的各历史轨迹点中确定出采用除所述目标定位算法以外的其他定位算法所定位出的轨迹点，作为参考轨迹点；

评估值确定模块，用于根据所述参考轨迹点以及所述待验证轨迹点，确定所述其他定位算法对所述目标定位算法的综合评估值，作为所述目标定位算法对应的综合评估值；

验证模块，用于根据所述综合评估值，验证所述待验证轨迹点是否为所述无人驾驶设备当前所处的实际轨迹点。

本说明书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实现上述对无人驾驶设备的轨迹点验证的方法。

本说明书提供了一种无人驾驶设备，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对无人驾驶设备的轨迹点验证的方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的对无人驾驶设备的轨迹点验证的方法中，根据获取到的无人驾驶设备当前的定位数据，确定无人驾驶设备当前所处的轨迹点，作为待验证轨迹点，并确定无人驾驶设备基于该定位数据得到待验证轨迹点所采用的定位算法，作为目标定位算法。而后，从无人驾驶设备经过的各历史轨迹点中确定出采用除目标定位算法以外的其他定位算法所定位出的轨迹点，作为参考轨迹点，并根据该参考轨迹点以及待验证轨迹点，确定其他定位算法对目标定位算法的综合评估值，作为目标定位算法对应的综合评估值。最后，根据该综合评估值，验证待验证轨迹点是否为无人驾驶设备当前所处的实际轨迹点。

从上述方法中可以看出，本方法可以基于其他定位算法对采用目标定位算法所定位出的轨迹点进行合理性验证。相比于现有技术中无人驾驶设备无法确定定位结果出现问题的情况，本方法能够对定位出的轨迹点进行验证，即，能够验证出定位结果是否出现了问题，这样一来，无人驾驶设备可以通过未出现问题的定位结果进行后续对自身的控制，从而保证了行驶安全。

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为本说明书中一种对无人驾驶设备的轨迹点验证的方法的流程示意图；

图2为本说明书提供的一种无人驾驶设备按照算法运行占比运行各定位算法的示意图；

图3为本说明书提供的一种通过若干采样点确定第一容错度的示意图

图4为本说明书提供的一种对无人驾驶设备的轨迹点验证的装置的示意图；

图5为本说明书提供的对应于图1的无人驾驶设备示意图。

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为本说明书中一种对无人驾驶设备的轨迹点验证的方法的流程示意图，具体包括以下步骤：

S101：获取无人驾驶设备当前的定位数据，并根据所述定位数据，确定所述无人驾驶设备当前所处的轨迹点，作为待验证轨迹点。

在实际应用中，无人驾驶设备在行驶过程中可以不断地对自身进行定位，并根据得到的定位结果进行决策，以实现对自身的有效控制。而为了保证无人驾驶设备的安全行驶，无人驾驶设备所得出的定位结果的准确性显得尤为重要。

基于此，在本说明书中，无人驾驶设备可以采集并获取到当前的定位数据，并根据该定位数据，确定当前所处的轨迹点，作为待验证轨迹点。待验证轨迹点可以理解为无人驾驶设备在当前时刻对自身实施定位后得到的定位结果，而之所以称之为是待验证轨迹点，是因为后续无人驾驶设备需要对该待验证轨迹点的准确性进行验证。这里提到的定位数据可以视具体使用的定位算法而定，若是采用激光雷达定位的定位方式进行定位，则定位数据可以是指无人驾驶设备用于定位所采集到的激光点云数据，若是采用视觉定位的定位方式，则该定位数据可以是指无人驾驶设备用于定位所采集到的图像数据，其他定位数据的形式在此不再一一举例说明了。

无人驾驶设备自身可以对该待验证轨迹点进行验证，当然，也可以由服务平台对该待验证轨迹点进行验证，即，无人驾驶设备可以将待验证轨迹点上传到服务平台中，服务平台对该待验证轨迹点进行验证并将验证结果发送给无人驾驶设备。为了方便说明，下面仅以无人驾驶设备为执行主体进行说明。

本说明书中提到的无人驾驶设备可以是指无人车、机器人、自动配送设备等能够实现自动驾驶的设备。基于此，应用本说明书提供的轨迹点验证的方法的无人驾驶设备可以用于执行配送领域的配送任务，如，使用无人驾驶设备进行快递、物流、外卖等配送的业务场景。

S102：确定所述无人驾驶设备基于所述定位数据得到所述待验证轨迹点所采用的定位算法，作为目标定位算法。

S103：从所述无人驾驶设备经过的各历史轨迹点中确定出采用除所述目标定位算法以外的其他定位算法所定位出的轨迹点，作为参考轨迹点。

无人驾驶设备确定出上述待验证轨迹点后，可以确定出基于上述定位数据得到该待验证轨迹点所采用的定位算法，作为目标定位算法，该目标定位算法用于表明无人驾驶设备具体采用哪种定位算法得到了该待验证轨迹点。与此同时，无人驾驶设备可以从各历史轨迹点中确定出采用除了目标定位算法以外的其他定位算法所定位的轨迹点，作为参考轨迹点。

需要说明的是，在本说明书中，无人驾驶设备可以在适当的时机使用不同的定位算法，因此，历史轨迹点中存在其他定位算法所定位出的轨迹点。其中，无人驾驶设备可以确定出待验证轨迹点所处的地理区域，作为目标地理区域，并从预先确定出的各地理区域与各算法运行占比的对应关系中，确定出该目标地理区域对应的算法运行占比，并根据该算法运行占比，从位于该目标地理区域的各历史轨迹点中确定出采用除目标定位算法以外的其他定位算法所定位出的轨迹点，作为参考轨迹点。

这里提到的一个地理区域对应的算法运行占比用于表示各定位算法在该地理区域中运行的时间占比。例如，各定位算法包括算法1、算法2以及算法3，若无人驾驶设备确定出该目标地理区域对应的算法运行占比为算法1：算法2：算法3＝3：2：1，则算法1在该目标地理区域内的运行时间占比可以为1/2、算法2在该目标地理区域内的运行时间占比可以为1/3以及算法3在该目标地理区域内的运行时间占比可以为1/6。

无人驾驶设备在该目标地理区域内按照该算法运行占比运行各定位算法的具体方式可以有多种。无人驾驶设备在驶进该目标地理区域时，可以按照该算法运行占比交替运行各定位算法。例如，在上述例子中该目标地理区域对应的算法运行占比为算法1：算法2：算法3＝3：2：1，则无人驾驶设备驶进该目标地理区域后，可以先运行3s算法1，再运行2s算法2，而后运行1s算法3，依次循环这一运行过程，直到无人驾驶设备驶出该目标地理区域。抑或是，无人驾驶设备也可以在驶进该目标地理区域后，先通过算法1定位3次，再通过算法2定位2次，而后通过算法3定位1次，并依次循环这一过程，直到无人驾驶设备驶出该目标地理区域。

无人驾驶设备还可以在该目标地理区域内时，使该算法运行占比与使用各定位算法在该目标地理区域内所经过的路程的比例相一致，如图2所示。

图2为本说明书提供的一种无人驾驶设备按照算法运行占比运行各定位算法的示意图。

例如，假设该目标地理区域对应的算法运行占比依然为算法1：算法2：算法3＝3：2：1，则无人驾驶设备可以行驶在该目标地理区域如图2所示的前1/2区域时运行算法1，行驶在该目标地理区域中如图2所示的1/3区域内运行算法2，行驶在该目标地理区域后1/6区域内运行算法3。在实际应用中，其他形式的算法运行占比不再一一说明了。

在本说明书中，需要预先确定出各地理区域对应的算法运行占比，并将各地理区域与各算法运行占比的对应关系进行记录。具体的，确定各地理区域对应的算法运行占比时，需要在预设的定位地图中划分出各地理区域，并针对每个地理区域，确定该地理区域的中心点，进而根据该中心点，确定该定位算法的第一容错度以及第二容错度，以通过各定位算法的第一容错度和/或第二容错度，确定该地理区域对应的算法运行占比。一个定位算法的第一容错度以及第二容错度分别为在该地理区域的中心点该定位算法在不同维度所对应的容错程度。

无人驾驶设备通过定位算法进行定位前，通常会通过自身配置的定位装置获取一个初始定位点，并在初始定位点的基础上通过定位算法得到最终较为准确的定位。其中，第一容错度可以用于表示定位算法基于初始定位点进行定位得到最终定位结果的容错程度，也就是说，该第一容错度越大，定位算法可接受的初始定位点的偏差程度也就越大，换句话说，若是该定位算法对应的第一容错度越大，则即使在初始定位点与无人驾驶设备实际所处的位置偏差较大的情况下，该定位算法也有可能得到较为准确的定位结果。这里提到的用于得到初始定位点的定位装置具体可以采用如全球定位系统(Global PositioningSystem，GPS)、基站定位等常规定位方式实施定位。

对于适用于该地理区域的每个定位算法，均可以基于该地理区域的中心点确定出相应的第一容错度。具体的，可以从该地理区域中确定出位于中心点附近的若干采样点，并针对每个采样点，根据该中心点所对应的定位数据，得到该定位算法以该采样点为初始定位点进行定位的定位结果，作为该采样点对应的定位结果，进而，根据该中心点以及若干采样点对应的定位结果，确定该定位算法在该地理区域中的第一容错度。其中，中心点附近的若干采样点可以是从该中心点的设定邻域范围内选取出的采样点，中心点所对应的定位数据即是在中心点处所采集的定位数据。设定邻域范围的大小可以是根据实际需求进行设定的。

也就是说，这里是将各采样点作为通过该定位算法进行定位的初始定位点，各采样点均与中心点存在一定的差异，采样点与中心点的差异可以作为通过该定位算法进行定位时初始定位点的误差，通过将不同的采样点作为初始定位点进行定位实验，可以确定出偏差程度最大的初始定位点，进而确定出该定位算法在该地理区域中的第一容错度，下面通过图3说明确定第一容错度的具体方式。

图3为本说明书提供的一种通过若干采样点确定第一容错度的示意图。

在图3中，在实线圆形的范围内确定出中心点附近的若干采样点(采样点为图3中灰色的点)，首先可以从这些采样点中确定失效采样点，在该定位算法下失效采样点所对应的定位结果与中心点(中心点为图3中黑色的点)之间的距离超过第一设定距离，也就是说，通过将该失效采样点作为初始定位点进行定位并不能有效地定位到该中心点。这里提到的第一设定距离可以根据实际需求进行设定。而后，从失效采样点中确定出距离中心点最近的失效采样点，作为失效界限采样点，并将失效界限采样点与中心点之间的距离，作为该定位算法在该地理区域下的容错距离，进而根据该容错距离，确定该定位算法在地理区域中的第一容错度。

其中，该失效界限采样点为图3中的点A，在该失效界限采样点与中心点的距离范围内，即在图中虚线圆形的范围内，无人驾驶设备能够以虚线圆形范围内的采样点作为初始定位点得到较为准确的定位的结果。即，以虚线圆形范围内的采样点作为初始定位点，并利用中心点对应的定位数据是能够定位到该中心点(或是中心点附近)上的。所以，虚线圆形其实划分出了该定位算法的定位失效界限，即，无人驾驶设备无法基于位于虚线圆形范围外的采样点，得到较为准确的定位结果。因此，可以根据上述容错距离，确定该定位算法在该地理区域下的第一容错度。

在实际应用中，对无人驾驶设备进行定位时，不但可以确定无人驾驶设备的地理位置，还可以确定无人驾驶设备的朝向，即航向角。因此，对采样点进行采样时，也可以对该采样点进行航向角的设置。若在中心点处进行定位时，定位结果包含了航向角，即，中心点的定位结果为(x，y，yaw)(yaw即为航向角)，则可以将采样点设置为(x′，y′，yaw′)。其中，x与y表示中心点的地理位置，yaw表示实际在中心点处进行定位实验时采集设备的朝向，相应的，x′与y′表示选取出的采样点的地理位置，yaw′可以是随机进行设置的。若失效界限采样点为(x1′，y1′，yaw1′)，则可以通过下面的公式确定中心点与失效界限采样点之间的容错距离。这里提到的采集设备可以是指人为控制的专门用于采集实际道路环境图像，并记录位姿数据的数据采集车、遥控车等设备，当然也可以是采集数据的无人驾驶设备。

其中，A为容错距离，a1以及a2可以是根据实际需求进行设定的权重，在本说明书中，可以直接将该容错距离作为第一容错度。进一步地，无人驾驶设备也可以设置一个设定数值，并按照以下公式确定该第一容错度。

B＝min(A,D),n>0

其中，A为容错距离，D为设定数值，n为失效采样点的数目，若存在失效采样点时，可以将容错距离以及设定数值之间的最小值作为第一容错度。然而，若是在各采样点中，没有确定出失效采样点，也就无法确定出容错距离，那么可以将该设定数值作为第一容错度。该设定数值可以是根据选取采样点的范围进行设置的，也可以是预先设置出的一个较大数值。

除了上述提到的在初始定位的维度下的第一容错度，还可以确定在定位数据维度下的第二容错度，也就是说，可以确定出在定位准确的情况下定位算法所基于的定位数据所能出现的最大偏差。其中，若定位算法为激光雷达定位算法，则定位数据为在该中心点处所采集的激光点云数据。

因此，可以获取该中心点对应的激光点云数据，并修改该激光点云数据中的N个点的点云数据，得到修改后点云数据。而后，针对每个定位算法，基于该修改后点云数据，确定该定位算法对应的定位结果，也就是说，需要该定位算法基于该修改后点云数据在中心点处进行定位，得到定位结果。最后，以该定位算法对应的定位结果与该中心点之间的距离不超过第二设定距离为约束条件，确定N的最大值，作为最大容错点数，并根据该最大容错点数，确定该定位算法在该地理区域下的第二容错度。其中，N为正整数。

其中，可以逐步提高修改该激光点云数据中点的数目，以此得到最大容错点数。例如，可以先修改该激光点云数据中的1个点，得到修改后点云数据，并通过该修改后点云数据进行定位，确定得出的定位结果与中心点之间的距离是否超过第二设定距离。若未超过，再多修改1个点，并通过得到的修改后点云数据进行定位。通过将修改的点的数量依次递增，可以最终确定出该最大容错点数。

在确定出该最大容错点数后，可以直接将其作为第二容错度，也可以将该最大容错点数与该中心点对应的激光点云数据中的总激光数据点数之间的比值作为第二容错度。第二设定距离可以是根据实际需求进行设定的，其他的方式在此不再一一说明了。

当然，若定位算法为图像视觉定位算法，则定位数据为在该中心点处所采集的环境图像。进一步地，可以通过修改该环境图像中像素的数值，来确定出上述第二容错度，具体的确定方式与上述基本相同，即，通过逐步增加该环境图像中修改了像素值的像素点的数量，来确定第二容错度，具体过程就不详细赘述了。

在确定出各定位算法的第一容错度以及第二容错度后，可以根据各定位算法的第一容错度和/或第二容错度，确定该地理区域所对应的算法运行占比。其中，可以只根据各定位算法的第一容错度之间的比例，确定该地理区域所对应的算法运行占比，也可以只根据各定位算法的第二容错度之间的比例，确定该地理区域所对应的算法运行占比。当然，也可以针对每个定位算法，将该定位算法对应的第一容错度以及第二容错度进行加权求和，得出该定位算法对应的综合容错度，进而通过各定位算法的综合容错度之间的比例，确定该地理区域所对应的算法运行占比。

从上述过程可以看出，本方法可以根据各定位算法的容错度，确定在该目标地理区域内各定位算法运行的时间占比，当一个定位算法的容错度越大，表明无人驾驶设备使用该定位算法在该目标地理区域内进行定位的时间越长，相应的，当一个定位算法的容错度越小，表明无人驾驶设备使用该定位算法在该目标地理区域内进行定位的时间越短。这样一来，可以保证在该目标地理区域内越合适的定位算法运行的时间越长，从而在一定程度上提高了实时定位出的定位结果的准确性。

S104：根据所述参考轨迹点以及所述待验证轨迹点，确定所述其他定位算法对所述目标定位算法的综合评估值，作为所述目标定位算法对应的综合评估值。

无人驾驶设备确定出其他定位算法定位出的参考轨迹点后，可以根据这些参考轨迹点对当前定位出的待验证轨迹点进行验证。其中，无人驾驶设备可以根据参考轨迹点以及待验证轨迹点，确定其他定位算法对目标定位算法的综合评估值，作为该目标定位算法对应的综合评估值。该综合评估值是各其他定位算法对该目标定位算法所定位出的待验证轨迹点的合理性的评估。

具体的，无人驾驶设备可以针对每个其他定位算法，确定该其他定位算法对应的各参考轨迹点，并针对该其他定位算法对应的每个参考轨迹点，确定该参考轨迹点到待验证轨迹点的适配度。若该参考轨迹点到该待验证轨迹点的适配度越大，从该参考轨迹点到待验证轨迹点在路径规划上越合理，也就是说，该适配度越大，无人驾驶设备越容易从该参考轨迹点行驶到待验证轨迹点。

例如，假设当前无人驾驶设备处于轨迹点D，即，该轨迹点D为待验证轨迹点，与该轨迹点位于同一地理区域的历史轨迹点包括轨迹点A、B、C。其中，轨迹点A、B均为算法1确定出的，轨迹点C为算法2确定出的，而轨迹点D为目标定位算法确定出的。在确定算法1对目标定位算法的评估值时，无人驾驶设备可以根据预设的适配度算法，确定出从轨迹点A到轨迹点D的适配度，以及从轨迹点B到轨迹点D的适配度，进而根据这两个适配度，确定出算法1对目标定位算法的评估值。同理，在确定算法2对目标定位算法的评估值时，可以根据预设的适配度算法，确定出从轨迹点C到轨迹点D的适配度，进而得到算法2对目标定位算法的评估值。

无人驾驶设备可以根据该其他定位算法对应的各参考轨迹点到该待验证轨迹点的适配度，确定该其他定位算法对目标定位算法的评估值，进而可将各其他定位算法对目标定位算法的评估值的和值可以作为上述综合评估值。继续沿用上例，可以将算法1对目标定位算法的评估值和算法2对目标定位算法的评估值进行加和，从而得到该目标定位算法对应的综合评估值。当然，也可以通过确定算法1对目标定位算法的评估值和算法2对目标定位算法的评估值之间的均值，来确定该目标定位算法对应的综合评估值。

S105：根据所述综合评估值，验证所述待验证轨迹点是否为所述无人驾驶设备当前所处的实际轨迹点。

无人驾驶设备可以在确定出上述综合评估值后，根据该综合评估值对待验证轨迹点进行验证。其中，根据该综合评估值进行验证的方式可以有多种，无人驾驶设备可以将该综合评估值与设定评估值进行比较，若该综合评估值不小于设定评估值，则确定待验证轨迹点通过验证，即，该待验证轨迹点为无人驾驶设备当前所处的实际轨迹点，否则，确定待验证轨迹点未通过验证，即该待验证轨迹点不为无人驾驶设备当前所处的实际轨迹点。其中，设定评估值可以根据实际需求进行设定。

当然，无人驾驶设备还可以通过其他方式进行验证。具体的，无人驾驶设备可以根据上述确定该目标定位算法对应的综合评估值的方式，确定出各其他定位算法对应的综合评估值，并根据各定位算法对应的综合评估值，确定出定位算法集合，该定位算法集合中包含了定位出的结果较为合理的定位算法，所以，该定位算法集合中不一定包含了所有的定位算法。若目标定位算法位于该定位算法集合内，确定该待验证轨迹点为无人驾驶设备当前所处的实际轨迹点，否则，确定该待验证轨迹点不是无人驾驶设备当前所处的实际轨迹点。

无人驾驶设备进行定位算法集合的构建时，可以判断各定位算法中是否存在综合评估值小于设定评估值的定位算法。若是，将各定位算法按照综合评估值从大到小的顺序进行排序，得到排序结果，并根据该排序结果，筛选出定位算法作为候选定位算法。其中，无人驾驶设备可以将设定排位后的定位算法进行筛除，并将剩余的定位算法作为候选定位算法。设定排位可以是根据实际需求进行设定的。

而后，无人驾驶设备可以针对每个候选定位算法，根据其他候选定位算法，重新确定该候选定位算法对应的综合评估值，并根据各候选定位算法对应的综合评估值确定是否循环上述筛选定位算法的步骤。即，重新判断各候选定位算法中是否存在综合评估值小于设定评估值的定位算法，若各候选定位算法中依然存在综合评估值小于设定评估值的定位算法，循环上述排序以及筛选定位算法的步骤，直至筛选出的定位算法所对应的综合评估值均不小于设定评估值为止。最后可以通过筛选出的综合评估值均不小于设定评估值的定位算法构建定位算法集合。

例如，假设一共包含有算法1、算法2、算法3以及算法4这四个定位算法，若第一次确定出各定位算法对应的综合评估值后，算法3以及算法4对应的综合评估值小于设定评估值，将各定位算法按照综合评估值从大到小的顺序进行排序，其中，可以将排在最后的算法4筛去，筛选出算法1、算法2以及算法3，这三个算法即为上述提到的候选定位算法。

而后，重新计算算法1、算法2以及算法3对应的综合评估值，若不存在定位算法对应的综合评估值不小于设定评估值，那么定位算法集合中包含了算法1、算法2以及算法3。若依然存在定位算法对应的综合评估值不小于设定评估值，那么可以按照重新计算的各定位算法的综合评估值，对各定位算法进行排序，直到最后筛选出的定位算法对应的综合评估值均不小于设定评估值。

需要说明的是，在重新计算各定位算法对应的综合评估值时，由于已经剔除了部分定位算法，所以在重新计算综合评估值的过程中，将不再考虑剔除的定位算法的历史轨迹点。例如，假设有算法A、B以及目标定位算法这三个算法，目标定位算法对应的综合评估值是通过算法A对应目标定位算法的评估值，以及算法B对目标定位算法的评估值进行确定出的。但是，当通过上述方式将算法A剔除后(所谓的剔除即是指不将算法A作为候选定位算法)，目标定位算法对应的综合评估值其实是仅通过算法B对目标定位算法的评估值来确定的。所以，其实是通过不再考虑算法A对应的历史轨迹点的方式，来重新确定目标定位算法对应的综合评估值。

在本说明书中，除了通过综合评估值，对待验证轨迹点进行验证的方式之外，无人驾驶设备也可以根据确定出该待验证轨迹点时通过传感器所采集到的传感器数据，对该待验证轨迹点进行验证，这里提到的传感器可以包括惯性测量单元(Inertial measurementunit，IMU)、车轮传感器等。

从上述方法中可以看出，本方法可以基于其他定位算法对采用目标定位算法所定位出的轨迹点进行合理性验证。相比于现有技术无人驾驶设备无法确定定位结果出现问题的情况，本方法能够对定位出的轨迹点进行验证，即，能够验证出定位结果是否出现了问题，无人驾驶设备可以不通过出现了问题的定位结果进行后续的控制，也就是说，如果待验证轨迹点未通过验证，则无人驾驶设备不会参考该待验证轨迹点实施对自身的控制，从而保证了行驶安全。

还需说明的是，本说明书提供的轨迹点验证的方式，其实是通过使用其他定位算法来对目标定位算法进行合理性评估，来验证通过目标定位算法定位出的待验证轨迹点。若确定该待验证轨迹点未通过验证，则无人驾驶设备可以不参考该待验证轨迹点进行决策。但是，该待验证轨迹点未通过验证，并不意味着无人驾驶设备后续不会再使用该目标定位算法进行定位，而是依然会按照该地理区域对应的算法运行占比，对自身实施定位。

也就是说，若是该待验证轨迹点未通过验证，则仅能说明通过目标定位算法对这一次的定位是失效的，无人驾驶设备依然可以使用该目标定位算法执行下一次定位。而由于在对下一次进行定位的过程中，历史轨迹点与下一次得到的待验证轨迹点之间的距离发生了变化，那么各历史轨迹点与下一次的待验证轨迹点之间的适配度也可能会发生变化，相应的，各其他定位算法对该目标定位算法的评估值也可能会发生变化，进而导致目标定位算法对应的综合评估值发生变化。进一步地，由于目标定位算法对应的综合评估值在下一次定位时可能会出现变化，那么通过目标定位算法在下一次定位出的待验证轨迹点将有可能会通过验证。

以上为本说明书的一个或多个实施例提供的对无人驾驶设备的轨迹点验证的方法，基于同样的思路，本说明书还提供了相应的对无人驾驶设备的轨迹点验证的装置，如图4所示。

图4为本说明书提供的一种对无人驾驶设备的轨迹点验证的装置示意图，具体包括：

采集模块401，用于获取无人驾驶设备当前的定位数据，并根据所述定位数据，确定所述无人驾驶设备当前所处的轨迹点，作为待验证轨迹点；

算法确定模块402，用于确定所述无人驾驶设备基于所述定位数据得到所述待验证轨迹点所采用的定位算法，作为目标定位算法；

轨迹点确定模块403，用于从所述无人驾驶设备经过的各历史轨迹点中确定出采用除所述目标定位算法以外的其他定位算法所定位出的轨迹点，作为参考轨迹点；

评估值确定模块404，用于根据所述参考轨迹点以及所述待验证轨迹点，确定所述其他定位算法对所述目标定位算法的综合评估值，作为所述目标定位算法对应的综合评估值；

验证模块405，用于根据所述综合评估值，验证所述待验证轨迹点是否为所述无人驾驶设备当前所处的实际轨迹点。

可选地，所述轨迹点确定模块403具体用于，确定所述待验证轨迹点所处的地理区域，作为目标地理区域；从预先确定出的各地理区域与各算法运行占比的对应关系中，确定所述目标地理区域对应的算法运行占比，一个地理区域对应的算法运行占比用于表示各定位算法在该地理区域中运行的时间占比；根据所述目标地理区域对应的算法运行占比，从所述无人驾驶设备在位于所述目标地理区域内的各历史轨迹点中确定出采用除所述目标定位算法以外的其他定位算法所定位出的轨迹点，作为参考轨迹点。

可选地，所述装置还包括：

对应关系确定模块406，用于在预设的定位地图中划分各地理区域；针对每个地理区域，确定该地理区域的中心点；根据所述中心点，确定每个定位算法的第一容错度以及第二容错度；根据每个定位算法的第一容错度和/或第二容错度，确定该地理区域所对应的算法运行占比。

可选地，所述对应关系确定模块406具体用于，针对每个定位算法，从该地理区域中确定位于所述中心点附近的若干采样点；针对每个采样点，根据所述中心点所对应的定位数据，得到该定位算法以该采样点为初始定位点进行定位的定位结果，作为该采样点对应的定位结果；根据所述中心点以及所述若干采样点对应的定位结果，确定该定位算法在该地理区域中的第一容错度。

可选地，所述对应关系确定模块406具体用于，从所述若干采样点中确定失效采样点，所述失效采样点在该定位算法下对应的定位结果与所述中心点之间的距离超过第一设定距离；从所述失效采样点中确定出距离所述中心点最近的失效采样点，作为失效界限采样点，并将所述失效界限采样点与所述中心点之间的距离，作为该定位算法在该地理区域下的容错距离；根据所述容错距离，确定该定位算法在该地理区域中的第一容错度。

可选地，定位算法包括：激光雷达定位算法；

所述对应关系确定模块406具体用于，获取在所述中心点对应的激光点云数据；修改所述激光点云数据中的N个点的点云数据，得到修改后点云数据；针对每个定位算法，基于所述修改后点云数据，确定该定位算法对应的定位结果；以该定位算法对应的定位结果与所述中心点之间的距离不超过第二设定距离为约束条件，确定N的最大值，作为最大容错点数，所述N为正整数；根据所述最大容错点数，确定该定位算法在该地理区域下的第二容错度。

可选地，所述评估值确定模块404具体用于，针对每个其他定位算法，确定该其他定位算法对应的各参考轨迹点；针对该其他定位算法对应的每个参考轨迹点，确定该参考轨迹点到所述待验证轨迹点的适配度，该参考轨迹点到所述待验证轨迹点的适配度越大，从该参考轨迹点到所述待验证轨迹点在路径规划上越合理；根据该其他定位算法对应的每个参考轨迹点到所述待验证轨迹点的适配度，确定该其他定位算法对所述目标定位算法的评估值；将各其他定位算法对所述目标定位算法的评估值的和值，作为所述其他定位算法对所述目标定位算法的综合评估值。

可选地，在所述验证模块405根据所述综合评估值，验证所述待验证轨迹点是否为所述无人驾驶设备当前所处的实际轨迹点之前，所述评估值确定模块404还用于，针对每个其他定位算法，确定该其他定位算法对应的综合评估值；

所述验证模块405具体用于，根据各定位算法对应的综合评估值，确定定位算法集合；若所述目标定位算法位于所述定位算法集合内，确定所述待验证轨迹点为所述无人驾驶设备当前所处的实际轨迹点，否则，确定所述待验证轨迹点不为所述无人驾驶设备当前所处的实际轨迹点。

可选地，所述验证模块405具体用于，判断各定位算法中是否存在综合评估值小于设定评估值的定位算法；若确定各定位算法中存在综合评估值小于所述设定评估值的定位算法，将各定位算法按照综合评估值从大到小的顺序进行排序，得到排序结果，根据所述排序结果，筛选定位算法，并将筛选出的定位算法作为候选定位算法，针对每个候选定位算法，根据其他候选定位算法，重新确定该候选定位算法对应的综合评估值，并重新判断各候选定位算法中是否存在综合评估值小于所述设定评估值的定位算法，直至筛选出的定位算法所对应的综合评估值均不小于所述设定评估值为止；通过筛选出的综合评估值均不小于所述设定评估值的定位算法构建所述定位算法集合。

需要说明的是，若执行上述方法的执行主体为无人驾驶设备，则图4所示的对无人驾驶设备的轨迹点验证的装置可以设置在无人驾驶设备上，若执行上述方法的执行主体为服务器，则图4所示的对无人驾驶设备的轨迹点验证的装置可以设置在服务器中。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的对无人驾驶设备的轨迹点验证的方法。

本说明书还提供了图5所示的无人驾驶设备的示意结构图。如图5所述，在硬件层面，该无人驾驶设备包括处理器、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所述的对无人驾驶设备的轨迹点验证的方法。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，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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 (12)

1.一种对无人驾驶设备的轨迹点验证的方法，其特征在于，包括：

获取无人驾驶设备当前的定位数据，并根据所述定位数据，确定所述无人驾驶设备当前所处的轨迹点，作为待验证轨迹点；

确定所述无人驾驶设备基于所述定位数据得到所述待验证轨迹点所采用的定位算法，作为目标定位算法；

从所述无人驾驶设备经过的各历史轨迹点中确定出采用除所述目标定位算法以外的其他定位算法所定位出的轨迹点，作为参考轨迹点；

根据所述参考轨迹点以及所述待验证轨迹点，确定所述其他定位算法对所述目标定位算法的综合评估值，作为所述目标定位算法对应的综合评估值；

根据所述综合评估值，验证所述待验证轨迹点是否为所述无人驾驶设备当前所处的实际轨迹点。

2.如权利要求1所述的方法，其特征在于，从所述无人驾驶设备经过的各历史轨迹点中确定出采用除所述目标定位算法以外的其他定位算法所定位出的轨迹点，作为参考轨迹点，具体包括：

确定所述待验证轨迹点所处的地理区域，作为目标地理区域；

从预先确定出的各地理区域与各算法运行占比的对应关系中，确定所述目标地理区域对应的算法运行占比，一个地理区域对应的算法运行占比用于表示各定位算法在该地理区域中运行的时间占比；

根据所述目标地理区域对应的算法运行占比，从所述无人驾驶设备在位于所述目标地理区域内的各历史轨迹点中确定出采用除所述目标定位算法以外的其他定位算法所定位出的轨迹点，作为参考轨迹点。

3.如权利要求2所述的方法，其特征在于，预先确定各地理区域与各算法运行占比之间的对应关系，具体包括：

在预设的定位地图中划分各地理区域；

针对每个地理区域，确定该地理区域的中心点；

根据所述中心点，确定每个定位算法的第一容错度以及第二容错度；

根据每个定位算法的第一容错度和/或第二容错度，确定该地理区域所对应的算法运行占比。

4.如权利要求3所述的方法，其特征在于，根据所述中心点，确定每个定位算法的第一容错度，具体包括：

针对每个定位算法，从该地理区域中确定位于所述中心点附近的若干采样点；

针对每个采样点，根据所述中心点所对应的定位数据，得到该定位算法以该采样点为初始定位点进行定位的定位结果，作为该采样点对应的定位结果；

根据所述中心点以及所述若干采样点对应的定位结果，确定该定位算法在该地理区域中的第一容错度。

5.如权利要求4所述的方法，其特征在于，根据所述中心点以及在所述若干采样点对应的定位结果，确定该定位算法在该地理区域中的第一容错度，具体包括：

从所述若干采样点中确定失效采样点，所述失效采样点在该定位算法下对应的定位结果与所述中心点之间的距离超过第一设定距离；

从所述失效采样点中确定出距离所述中心点最近的失效采样点，作为失效界限采样点，并将所述失效界限采样点与所述中心点之间的距离，作为该定位算法在该地理区域下的容错距离；

根据所述容错距离，确定该定位算法在该地理区域中的第一容错度。

6.如权利要求3所述的方法，其特征在于，定位算法包括：激光雷达定位算法；

根据所述中心点，确定每个定位算法的第二容错度，具体包括：

获取在所述中心点对应的激光点云数据；

修改所述激光点云数据中的N个点的点云数据，得到修改后点云数据；

针对每个定位算法，基于所述修改后点云数据，确定该定位算法对应的定位结果；

以该定位算法对应的定位结果与所述中心点之间的距离不超过第二设定距离为约束条件，确定N的最大值，作为最大容错点数，所述N为正整数；

根据所述最大容错点数，确定该定位算法在该地理区域下的第二容错度。

7.如权利要求1所述的方法，其特征在于，根据所述参考轨迹点以及所述待验证轨迹点，确定所述其他定位算法对所述目标定位算法的综合评估值，具体包括：

针对每个其他定位算法，确定该其他定位算法对应的各参考轨迹点；

针对该其他定位算法对应的每个参考轨迹点，确定该参考轨迹点到所述待验证轨迹点的适配度，该参考轨迹点到所述待验证轨迹点的适配度越大，从该参考轨迹点到所述待验证轨迹点在路径规划上越合理；

根据该其他定位算法对应的每个参考轨迹点到所述待验证轨迹点的适配度，确定该其他定位算法对所述目标定位算法的评估值；

将各其他定位算法对所述目标定位算法的评估值的和值，作为所述其他定位算法对所述目标定位算法的综合评估值。

8.如权利要求1所述的方法，其特征在于，根据所述综合评估值，验证所述待验证轨迹点是否为所述无人驾驶设备当前所处的实际轨迹点之前，所述方法还包括：

针对每个其他定位算法，确定该其他定位算法对应的综合评估值；

根据所述综合评估值，验证所述待验证轨迹点是否为所述无人驾驶设备当前所处的实际轨迹点，具体包括：

根据各定位算法对应的综合评估值，确定定位算法集合；

若所述目标定位算法位于所述定位算法集合内，确定所述待验证轨迹点为所述无人驾驶设备当前所处的实际轨迹点，否则，确定所述待验证轨迹点不为所述无人驾驶设备当前所处的实际轨迹点。

9.如权利要求8所述的方法，其特征在于，根据各定位算法对应的综合评估值，确定定位算法集合，具体包括：

判断各定位算法中是否存在综合评估值小于设定评估值的定位算法；

若确定各定位算法中存在综合评估值小于所述设定评估值的定位算法，将各定位算法按照综合评估值从大到小的顺序进行排序，得到排序结果，根据所述排序结果，筛选定位算法，并将筛选出的定位算法作为候选定位算法，针对每个候选定位算法，根据其他候选定位算法，重新确定该候选定位算法对应的综合评估值，并重新判断各候选定位算法中是否存在综合评估值小于所述设定评估值的定位算法，直至筛选出的定位算法所对应的综合评估值均不小于所述设定评估值为止；

通过筛选出的综合评估值均不小于所述设定评估值的定位算法构建所述定位算法集合。

10.一种对无人驾驶设备的轨迹点验证的装置，其特征在于，包括：

采集模块，用于获取无人驾驶设备当前的定位数据，并根据所述定位数据，确定所述无人驾驶设备当前所处的轨迹点，作为待验证轨迹点；

算法确定模块，用于确定所述无人驾驶设备基于所述定位数据得到所述待验证轨迹点所采用的定位算法，作为目标定位算法；

轨迹点确定模块，用于从所述无人驾驶设备经过的各历史轨迹点中确定出采用除所述目标定位算法以外的其他定位算法所定位出的轨迹点，作为参考轨迹点；

评估值确定模块，用于根据所述参考轨迹点以及所述待验证轨迹点，确定所述其他定位算法对所述目标定位算法的综合评估值，作为所述目标定位算法对应的综合评估值；

验证模块，用于根据所述综合评估值，验证所述待验证轨迹点是否为所述无人驾驶设备当前所处的实际轨迹点。

11.一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1～9任一项所述的方法。

12.一种无人驾驶设备，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1～9任一项所述的方法。

Images