CN112016640B - 基于多特征建图的无人车定位方法、装置、设备和介质 - Google Patents
基于多特征建图的无人车定位方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112016640B CN112016640B CN202011200207.5A CN202011200207A CN112016640B CN 112016640 B CN112016640 B CN 112016640B CN 202011200207 A CN202011200207 A CN 202011200207A CN 112016640 B CN112016640 B CN 112016640B
- Authority
- CN
- China
- Prior art keywords
- feature
- unmanned vehicle
- decision tree
- extracting
- sensor data
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- 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
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种基于多特征建图的无人车定位方法、装置、计算机设备和存储介质。所述方法包括:通过在无人车行驶环境里采集的传感器数据中提取多种特征向量,并将每种特征向量分别作为训练样本,利用层次聚类法进行聚类,分别得到每种特征对应的决策树,并针对决策树的每一个分支节点,训练一个二分类的支持向量机,得到每种特征对应的决策树分类器。提取实时采集的传感器数据对应的多种实时特征向量,将特征向量分别输入对应的决策树分类器,分别得到每种特征对应的不确定范围,根据无人车上一时刻的位置和当前时刻的不确定范围的交集,确定无人车的定位结果。本申请所述的方法具有所需存储空间小、可扩展性好的优点。
Description
技术领域
本申请涉及无人车定位技术领域,特别是涉及一种基于多特征建图的无人车定位方法、装置、计算机设备和存储介质。
背景技术
无人驾驶技术作为人工智能与自动化技术相结合的一种新兴技术,已经逐渐成为推动汽车产业升级和机器人技术深入寻常百姓家的重要推动力。高精度定位是当今无人驾驶系统需要首先解决的问题。
无人车现有的高精度定位技术中,有卫星信号(GNSS)与惯性导航系统INS(Inertial Navigation System)组合定位的方式、利用激光雷达构建高精度地图然后进行匹配定位的方式和利用图像传感器构建地图然后进行匹配定位的方式。卫星信号(GNSS)与惯性导航系统INS(Inertial Navigation System)组合定位的方式,对卫星信号的依赖性强,使其使用范围受到较大限制。利用激光雷达构建高精度地图然后进行匹配定位的方法虽然能够摆脱对卫星信号的依赖,但是其构建成本较高,不仅需要采用相对昂贵的激光雷达传感器、耗费较大的存储空间,同时还需要较为专业的建图团队,当环境发生微小变化时,地图都需要更新,可扩展性不佳;此外,高精度地图中包含的信息丰富,进行匹配定位时计算耗费较大。利用图像传感器构建地图,虽然在传感器层面降低了建图成本,但因为提取稳定的图像特征的技术难度要大大高于提取激光雷达的点云特征的难度,进一步提高了建图的技术门槛和地图使用者的技术门槛。同时随着技术的不断迭代更新,基于图像传感器构建的高精度地图需要被不断重建,可扩展性不佳。
因此,现有的无人车高精度定位技术存在所需存储空间大、可扩展性不好的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够解决无人车高精度定位技术所需存储空间大、可扩展性不好问题的基于多特征建图的无人车定位方法、装置、计算机设备和存储介质。
一种基于多特征建图的无人车定位方法,所述方法包括:
提取无人车在行驶环境中行驶到不同位置时传感器采集的传感器数据对应的多种特征向量;
以所述多种特征向量为训练样本分别构建样本集,采用层次聚类法对所述样本集中的训练样本分别进行聚类,分别得到每种特征对应的决策树;所述决策树中的节点对应所述训练样本;
以所述训练样本针对所述决策树的每一个分支节点,训练一个二分类的支持向量机,根据所述决策树和所述支持向量机,得到每种特征对应的决策树分类器;
提取无人车行驶时实时采集的传感器数据对应的多种实时特征向量,将所述多种实时特征向量中的每种特征向量分别输入对应的所述决策树分类器中,分别得到每种特征对应的不确定范围;
根据无人车上一时刻的位置和当前时刻的不确定范围的交集,确定无人车基于多特征建图的定位结果。
在其中一个实施例中,还包括:提取无人车在行驶环境中行驶到不同位置时图像传感器或激光雷达采集的图像数据或激光雷达数据对应的多种特征向量。
在其中一个实施例中,还包括:提取无人车在行驶环境中行驶到不同位置时传感器采集的传感器数据对应的多种特征向量;所述多种特征向量包括但不限于:颜色特征向量、纹理特征向量、形状特征向量和空间关系特征向量。
在其中一个实施例中,还包括:提取无人车行驶时实时采集的传感器数据对应的多种实时特征向量,将所述多种实时特征向量中的每种特征向量分别输入对应的所述决策树分类器中,在所述决策树分类器输出判别结果的同时,输出结果的置信度,当所述置信度小于一定阈值时,停止分类,此时所处的分支节点对应的所有叶子节点即为此时无人车基于当前决策树分类器对应的特征向量所得到的不确定范围。
在其中一个实施例中,还包括:以所述训练样本针对所述决策树的每一个分支节点,训练一个二分类的支持向量机,根据所述决策树和所述支持向量机,得到每种特征对应的决策树分类器;所述决策树分类器分支节点的正负两种样本分别对应该分支节点的左右子树包含的所有叶子节点对应的样本特征。
在其中一个实施例中,还包括:提取无人车在行驶环境中行驶到不同位置时车头、车尾、车旁侧传感器采集的传感器数据对应的多种特征向量。
在其中一个实施例中,还包括:通过HOG特征、LBP特征、GIST等特征提取方法提取无人车在行驶环境中行驶到不同位置时图像传感器采集的图像数据对应的多种特征向量;通过NDT特征、LOAM特征等提取方法提取无人车在行驶环境中行驶到不同位置时激光雷达传感器采集的雷达数据对应的多种特征向量;通过震动特征提取方法提取无人车在行驶环境中行驶到不同位置时加速度计采集的加速度数据对应的多种特征向量。
一种基于多特征建图的无人车定位装置,所述装置包括:
多种特征向量获取模块,用于提取无人车在行驶环境中行驶到不同位置时传感器采集的传感器数据对应的多种特征向量;
决策树获取模块,用于以所述多种特征向量为训练样本分别构建样本集,采用层次聚类法对所述样本集中的训练样本分别进行聚类,分别得到每种特征对应的决策树;
决策树分类器获取模块,用于以所述训练样本针对所述决策树的每一个分支节点,训练一个二分类的支持向量机,根据所述决策树和所述支持向量机,得到每种特征对应的决策树分类器;
不确定范围获取模块,用于提取无人车行驶时实时采集的传感器数据对应的多种实时特征向量,将所述多种实时特征向量中的每种特征向量分别输入对应的所述决策树分类器中,分别得到每种特征对应的不确定范围;
定位结果获取模块,用于根据无人车上一时刻的位置和当前时刻的不确定范围的交集,确定无人车基于多特征建图的定位结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
提取无人车在行驶环境中行驶到不同位置时传感器采集的传感器数据对应的多种特征向量;
以所述多种特征向量为训练样本分别构建样本集,采用层次聚类法对所述样本集中的训练样本分别进行聚类,分别得到每种特征对应的决策树;所述决策树中的节点对应所述训练样本;
以所述训练样本针对所述决策树的每一个分支节点,训练一个二分类的支持向量机,根据所述决策树和所述支持向量机,得到每种特征对应的决策树分类器;
提取无人车行驶时实时采集的传感器数据对应的多种实时特征向量,将所述多种实时特征向量中的每种特征向量分别输入对应的所述决策树分类器中,分别得到每种特征对应的不确定范围;
根据无人车上一时刻的位置和当前时刻的不确定范围的交集,确定无人车基于多特征建图的定位结果。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
提取无人车在行驶环境中行驶到不同位置时传感器采集的传感器数据对应的多种特征向量;
以所述多种特征向量为训练样本分别构建样本集,采用层次聚类法对所述样本集中的训练样本分别进行聚类,分别得到每种特征对应的决策树;所述决策树中的节点对应所述训练样本;
以所述训练样本针对所述决策树的每一个分支节点,训练一个二分类的支持向量机,根据所述决策树和所述支持向量机,得到每种特征对应的决策树分类器;
提取无人车行驶时实时采集的传感器数据对应的多种实时特征向量,将所述多种实时特征向量中的每种特征向量分别输入对应的所述决策树分类器中,分别得到每种特征对应的不确定范围;
根据无人车上一时刻的位置和当前时刻的不确定范围的交集,确定无人车基于多特征建图的定位结果。
上述基于多特征建图的无人车定位方法、装置、计算机设备和存储介质,通过在无人车行驶环境里采集的传感器数据中提取多种特征向量,并将每种特征向量分别作为训练样本,利用层次聚类法进行聚类,分别得到每种特征对应的决策树,并针对决策树的每一个分支节点,训练一个二分类的支持向量机,根据决策树和支持向量机,得到每种特征对应的决策树分类器。在无人车实际行驶时,提取实时采集的传感器数据对应的多种实时特征向量,将特征向量分别输入到对应的决策树分类器中,分别得到每种特征对应的不确定范围,根据无人车上一时刻的位置和当前时刻的不确定范围的交集,确定无人车基于多特征建图的定位结果。本申请所述的无人车定位方法,对每一种特征都构建了一棵决策树分类器,得到基于该特征的地图,无人车在实际行驶中可以采用对应的特征提取方法,借助对应的决策树分类器,确定无人车在该地图中的位置。由于特征地图之间彼此独立,本申请所述的定位方法可以融合多种异构特征,既可以是不同传感器的不同特征,也可以是同一传感器采用不同方法提取的特征,还可以是同类型传感器分布在车身不同位置获取的特征,广泛适用于室内、室外等多种场合,并兼容目前已有的各种地图创建与定位方法,以及未来可能出现的更加先进的传感器和环境特征提取方法;并且地图信息只需存储决策树分类器中各个节点对应的分类器参数。因此,本申请所述的方法具有所需存储空间小、可扩展性好的优点。
附图说明
图1为一个实施例中基于多特征建图的无人车定位方法的流程示意图;
图2为一个实施例中层次聚类决策树的示意图;
图3为一个实施例中基于多特征建图的无人车定位装置的结构框图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于多特征建图的无人车定位方法,可以应用于如下应用环境中。采集无人车行驶在不同位置时的各种传感器数据,包括图像数据、雷达数据等。对无人车所处的每一个位置,分别提取多种特征,并将特征表示为特征向量,将每种特征向量分别作为训练样本,利用层次聚类法进行聚类,分别得到每种特征对应的决策树,并针对所述决策树的每一个分支节点,训练一个二分类的支持向量机,根据决策树和支持向量机,得到每种特征对应的决策树分类器。在无人车实际行驶时,提取实时采集的传感器数据对应的多种实时特征向量,将特征向量分别输入到对应的决策树分类器中,分别得到每种特征对应的不确定范围,根据无人车上一时刻的位置和当前时刻的不确定范围的交集,确定无人车基于多特征建图的定位结果。
在一个实施例中,如图1所示,提供了一种基于多特征建图的无人车定位方法,包括以下步骤:
步骤102,提取无人车在行驶环境中行驶到不同位置时传感器采集的传感器数据对应的多种特征向量。
特征提取首先要采集无人车行驶在不同位置时的各种传感器数据,传感器类型没有特别限制,可以包括图像传感器、激光雷达等;然后对采集到的传感器数据进行特征提取,具体特征提取的方法也没有特征限制,对于图像传感器提取的图像数据,可以采用多种特征提取方法提取图像的特征向量,如HOG特征提取方法、LBP特征提取方法、边界特征法等方法,来体现图像的颜色特征、文理特征、形状特征、空间关系特征等。对每一个位置都采用多种特征提取方法提取特征向量,使得无人车在实际行驶时,可以融合多种特征、采用多种手段来辅助定位,进而缩小定位的不确定范围,使得定位结果更精确。
步骤104,以多种特征向量为训练样本分别构建样本集,采用层次聚类法对样本集中的训练样本分别进行聚类,分别得到每种特征对应的决策树。
其中,决策树中的节点对应训练样本。
层次聚类是聚类算法的一种,通过计算不同类别数据点间的相似度来创建一棵有层次的嵌套聚类树。在聚类树中,不同类别的原始数据点是树的最低层,树的顶层是一个聚类的根节点。在本实施例中,如图2所示,对每种特征向量分别构建样本集,样本集中每个样本为不同位置对应的该种特征向量,对每个样本集分别进行层次聚类,分别得到每种特征对应的决策树,该树的根节点对应该特征的所有的样本,该树的每一个叶子节点都对应一个实际的训练样本。
步骤106,以训练样本针对决策树的每一个分支节点,训练一个二分类的支持向量机,根据决策树和其支持向量机,得到每种特征对应的决策树分类器。
支持向量机是一种二分类模型,它的目的是寻找一个超平面来对样本进行分割,分割的原则是间隔最大化,最终转化为一个凸二次规划问题来求解。在本实施例中,对于决策树的每一个分支节点,其叶子节点所包含的样本都属于两个不同的类,所要训练的二分类的支持向量机就是需要找到一个线性分类器,使得对于之后输入的样本,能够自动判断样本属于哪一类。通过对每种特征向量的决策树和其对应的支持向量机,得到每种特征对应的决策树分类器。
步骤108,提取无人车行驶时实时采集的传感器数据对应的多种实时特征向量,将多种实时特征向量中的每种特征向量分别输入对应的决策树分类器中,分别得到每种特征对应的不确定范围。
将多种实时特征向量中的每种特征向量分别输入对应的决策树分类器中,分别得到每种特征对应的不确定范围,也就是说,通过每一种特征都会得到一个不确定范围,例如由特征A得到不确定范围A,由特征B得到不确定范围B,由特征C得到不确定范围C……各个特征得到的不确定范围是彼此独立的,使得在这个方法框架下,可以兼容已有的和未来可能出现的新的环境特征提取与表示方法,不断提高定位精度。
步骤110,根据无人车上一时刻的位置和当前时刻的不确定范围的交集,确定无人车基于多特征建图的定位结果。
通过各种特征得到的不确定范围以及参考无人车在上一时刻位置的交集,确定无人车的定位结果。这个定位结果是基于多特征建图得到的,多维度考虑了图像的多种特征,充分挖掘了传感器数据中所包含的信息量,可以提高本方法中无人车定位结果的准确度。
上述基于多特征建图的无人车定位方法中,通过在无人车行驶环境里采集的传感器数据中提取多种特征向量,并将每种特征向量分别作为训练样本,利用层次聚类法进行聚类,分别得到每种特征对应的决策树,并针对决策树的每一个分支节点,训练一个二分类的支持向量机,根据决策树和支持向量机,得到每种特征对应的决策树分类器。在无人车实际行驶时,提取实时采集的传感器数据对应的多种实时特征向量,将特征向量分别输入到对应的决策树分类器中,分别得到每种特征对应的不确定范围,根据无人车上一时刻的位置和当前时刻的不确定范围的交集,确定无人车基于多特征建图的定位结果。本申请所述的无人车定位方法,对每一种特征都构建了一棵决策树分类器,得到基于该特征的地图,无人车在实际行驶中可以采用对应的特征提取方法,借助对应的决策树分类器,确定无人车在该地图中的位置。由于特征地图之间彼此独立,本申请所述的定位方法可以融合多种异构特征,既可以是不同传感器的不同特征,也可以是同一传感器采用不同方法提取的特征,还可以是同类型传感器分布在车身不同位置获取的特征,广泛适用于室内、室外等多种场合,并兼容目前已有的各种地图创建与定位方法,以及未来可能出现的更加先进的传感器和环境特征提取方法;并且地图信息只需存储决策树分类器中各个节点对应的分类器参数。因此,本申请所述的方法具有所需存储空间小、可扩展性好的优点。
在其中一个实施例中,还包括:提取无人车在行驶环境中行驶到不同位置时图像传感器或激光雷达采集的图像数据或激光雷达数据对应的多种特征向量。多种特征向量包括但不限于:颜色特征向量、纹理特征向量、形状特征向量和空间关系特征向量。
图像特征主要有图像的颜色特征、纹理特征、形状特征和空间关系特征。颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质;纹理特征也是一种全局特征,它也描述了图像或图像区域所对应景物的表面性质;形状特征有两类表示方法,一类是轮廓特征,另一类是区域特征,图像的轮廓特征主要针对物体的外边界,而图像的区域特征则关系到整个形状区域;空间关系特征,是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系,这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。通过将以上的特征都融合到无人车的定位方法中,可以最大限度挖掘出传感器数据中的信息量,提高无人车定位结果的准确度。
在其中一个实施例中,还包括:提取无人车行驶时实时采集的传感器数据对应的多种实时特征向量,将多种实时特征向量中的每种特征向量分别输入对应的决策树分类器中,在决策树分类器输出判别结果的同时,输出结果的置信度,当置信度小于一定阈值时,停止分类,此时所处的分支节点对应的所有叶子节点即为此时无人车基于当前决策树分类器对应的特征向量所得到的不确定范围。
通过置信度和阈值的机制设定分类器停止分类的时机,可以根据需求通过调整阈值大小来调整方法的运行时间和效率,使得方法运行更加灵活。
在其中一个实施例中,还包括:以训练样本针对决策树的每一个分支节点,训练一个二分类的支持向量机,根据决策树和所述支持向量机,得到每种特征对应的决策树分类器;决策树分类器分支节点的正负两种样本分别对应该分支节点的左右子树包含的所有叶子节点对应的样本特征。
在其中一个实施例中,还包括:提取无人车在行驶环境中行驶到不同位置时车头、车尾、车旁侧传感器采集的传感器数据对应的多种特征向量。
通过在车身的不同部位加设传感器,可以得到更多的传感器数据,进而得到更多的行驶场景信息,可以进一步提高无人车的定位结果。
在其中一个实施例中,还包括:通过HOG特征、LBP特征、GIST特征等提取方法提取无人车在行驶环境中行驶到不同位置时图像传感器采集的图像数据对应的多种特征向量;通过NDT特征、LOAM特征等提取方法提取无人车在行驶环境中行驶到不同位置时激光雷达传感器采集的雷达数据对应的多种特征向量;通过震动特征提取方法提取无人车在行驶环境中行驶到不同位置时加速度计采集的加速度数据对应的多种特征向量。
场景特征的提取方法不受任何限制,这些特征只要能够反映无人车在行驶环境中行驶到不同位置时传感器能够捕获到的环境中的某方面特点即可。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供了一种基于多特征建图的无人车定位装置,包括:多种特征向量获取模块302、决策树获取模块304、决策树分类器获取模块306、不确定范围获取模块308和定位结果获取模块310,其中:
多种特征向量获取模块302,用于提取无人车在行驶环境中行驶到不同位置时传感器采集的传感器数据对应的多种特征向量;
决策树获取模块304,用于以所述多种特征向量为训练样本分别构建样本集,采用层次聚类法对所述样本集中的训练样本分别进行聚类,分别得到每种特征对应的决策树;
决策树分类器获取模块306,用于以所述训练样本针对所述决策树的每一个分支节点,训练一个二分类的支持向量机,根据所述决策树和所述支持向量机,得到每种特征对应的决策树分类器;
不确定范围获取模块308,用于提取无人车行驶时实时采集的传感器数据对应的多种实时特征向量,将所述多种实时特征向量中的每种特征向量分别输入对应的所述决策树分类器中,分别得到每种特征对应的不确定范围;
定位结果获取模块310,用于根据无人车上一时刻的位置和当前时刻的不确定范围的交集,确定无人车基于多特征建图的定位结果。
多种特征向量获取模块302还用于提取无人车在行驶环境中行驶到不同位置时图像传感器或激光雷达采集的图像数据或激光雷达数据对应的多种特征向量。
多种特征向量获取模块302还用于提取无人车在行驶环境中行驶到不同位置时传感器采集的传感器数据对应的多种特征向量;其中多种特征向量包括但不限于:颜色特征向量、纹理特征向量、形状特征向量和空间关系特征向量。
不确定范围获取模块308还用于提取无人车行驶时实时采集的传感器数据对应的多种实时特征向量,将所述多种实时特征向量中的每种特征向量分别输入对应的所述决策树分类器中,在所述决策树分类器输出判别结果的同时,输出结果的置信度,当所述置信度小于一定阈值时,停止分类,此时所处的分支节点对应的所有叶子节点即为此时无人车基于当前决策树分类器对应的特征向量所得到的不确定范围。
决策树分类器获取模块306还用于以训练样本针对决策树的每一个分支节点,训练一个二分类的支持向量机,根据决策树和支持向量机,得到每种特征对应的决策树分类器;其中决策树分类器分支节点的正负两种样本分别对应该分支节点的左右子树包含的所有叶子节点对应的样本特征。
多种特征向量获取模块302还用于提取无人车在行驶环境中行驶到不同位置时车头、车尾、车旁侧传感器采集的传感器数据对应的多种特征向量。
多种特征向量获取模块302还用于通过HOG特征、LBP特征、GIST特征等提取方法提取无人车在行驶环境中行驶到不同位置时图像传感器采集的图像数据对应的多种特征向量;通过NDT特征、LOAM特征等提取方法提取无人车在行驶环境中行驶到不同位置时激光雷达传感器采集的雷达数据对应的多种特征向量;通过震动特征提取方法提取无人车在行驶环境中行驶到不同位置时加速度计采集的加速度数据对应的多种特征向量。
关于基于多特征建图的无人车定位装置的具体限定可以参见上文中对于基于多特征建图的无人车定位方法的限定,在此不再赘述。上述基于多特征建图的无人车定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于多特征建图的无人车定位方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于多特征建图的无人车定位方法,其特征在于,所述方法包括:
提取无人车在行驶环境中行驶到不同位置时传感器采集的传感器数据对应的多种特征向量;
以所述多种特征向量为训练样本分别构建样本集,采用层次聚类法对所述样本集中的训练样本分别进行聚类,分别得到每种特征对应的决策树;所述决策树中的节点对应所述训练样本;
以所述训练样本针对所述决策树的每一个分支节点,训练一个二分类的支持向量机,根据所述决策树和所述支持向量机,得到每种特征对应的决策树分类器;
提取无人车行驶时实时采集的传感器数据对应的多种实时特征向量,将所述多种实时特征向量中的每种特征向量分别输入对应的所述决策树分类器中,分别得到每种特征对应的不确定范围;
根据无人车上一时刻的位置和当前时刻的不确定范围的交集,确定无人车基于多特征建图的定位结果。
2.根据权利要求1所述的方法,其特征在于,所述提取无人车在行驶环境中行驶到不同位置时传感器采集的传感器数据对应的多种特征向量,包括:
提取无人车在行驶环境中行驶到不同位置时图像传感器或激光雷达采集的图像数据或激光雷达数据对应的多种特征向量。
3.根据权利要求2所述的方法,其特征在于,所述提取无人车在行驶环境中行驶到不同位置时传感器采集的传感器数据对应的多种特征向量,包括:
提取无人车在行驶环境中行驶到不同位置时传感器采集的传感器数据对应的多种特征向量;所述多种特征向量包括:颜色特征向量、纹理特征向量、形状特征向量和空间关系特征向量。
4.根据权利要求1所述的方法,其特征在于,所述提取无人车行驶时实时采集的传感器数据对应的多种实时特征向量,将所述多种实时特征向量中的每种特征向量分别输入对应的所述决策树分类器中,分别得到每种特征对应的不确定范围,包括:
提取无人车行驶时实时采集的传感器数据对应的多种实时特征向量,将所述多种实时特征向量中的每种特征向量分别输入对应的所述决策树分类器中,在所述决策树分类器输出判别结果的同时,输出结果的置信度,当所述置信度小于一定阈值时,停止分类,此时所处的分支节点对应的所有叶子节点即为此时无人车基于当前决策树分类器对应的特征向量所得到的不确定范围。
5.根据权利要求1所述的方法,其特征在于,以所述训练样本针对所述决策树的每一个分支节点,训练一个二分类的支持向量机,根据所述决策树和所述支持向量机,得到每种特征对应的决策树分类器,包括:
以所述训练样本针对所述决策树的每一个分支节点,训练一个二分类的支持向量机,根据所述决策树和所述支持向量机,得到每种特征对应的决策树分类器;所述决策树分类器分支节点的正负两种样本分别对应该分支节点的左右子树包含的所有叶子节点对应的样本特征。
6.根据权利要求1所述的方法,其特征在于,所述提取无人车在行驶环境中行驶到不同位置时传感器采集的传感器数据对应的多种特征向量,包括:
提取无人车在行驶环境中行驶到不同位置时车头、车尾、车旁侧传感器采集的传感器数据对应的多种特征向量。
7.根据权利要求1所述的方法,其特征在于,所述提取无人车在行驶环境中行驶到不同位置时传感器采集的传感器数据对应的多种特征向量,包括:
通过HOG特征、LBP特征、GIST特征提取方法提取无人车在行驶环境中行驶到不同位置时图像传感器采集的图像数据对应的多种特征向量;
通过NDT特征、LOAM特征提取方法提取无人车在行驶环境中行驶到不同位置时激光雷达传感器采集的雷达数据对应的多种特征向量;
通过震动特征提取方法提取无人车在行驶环境中行驶到不同位置时加速度计采集的加速度数据对应的多种特征向量。
8.一种基于多特征建图的无人车定位装置,其特征在于,所述装置包括:
多种特征向量获取模块,用于提取无人车在行驶环境中行驶到不同位置时传感器采集的传感器数据对应的多种特征向量;
决策树获取模块,用于以所述多种特征向量为训练样本分别构建样本集,采用层次聚类法对所述样本集中的训练样本分别进行聚类,分别得到每种特征对应的决策树;
决策树分类器获取模块,用于以所述训练样本针对所述决策树的每一个分支节点,训练一个二分类的支持向量机,根据所述决策树和所述支持向量机,得到每种特征对应的决策树分类器;
不确定范围获取模块,用于提取无人车行驶时实时采集的传感器数据对应的多种实时特征向量,将所述多种实时特征向量中的每种特征向量分别输入对应的所述决策树分类器中,分别得到每种特征对应的不确定范围;
定位结果获取模块,用于根据无人车上一时刻的位置和当前时刻的不确定范围的交集,确定无人车基于多特征建图的定位结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011200207.5A CN112016640B (zh) | 2020-11-02 | 2020-11-02 | 基于多特征建图的无人车定位方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011200207.5A CN112016640B (zh) | 2020-11-02 | 2020-11-02 | 基于多特征建图的无人车定位方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016640A CN112016640A (zh) | 2020-12-01 |
CN112016640B true CN112016640B (zh) | 2021-01-12 |
Family
ID=73527743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011200207.5A Active CN112016640B (zh) | 2020-11-02 | 2020-11-02 | 基于多特征建图的无人车定位方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016640B (zh) |
-
2020
- 2020-11-02 CN CN202011200207.5A patent/CN112016640B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112016640A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shin et al. | Roarnet: A robust 3d object detection based on region approximation refinement | |
JP7086111B2 (ja) | 自動運転車のlidar測位に用いられるディープラーニングに基づく特徴抽出方法 | |
JP7060625B2 (ja) | 自動運転車において3dcnnネットワークを用いてソリューション推断を行うlidar測位 | |
US11630210B2 (en) | Method for creating occupancy grid map and processing apparatus | |
Yin et al. | Airport detection based on improved faster RCNN in large scale remote sensing images | |
CN111771135B (zh) | 自动驾驶车辆中使用rnn和lstm进行时间平滑的lidar定位 | |
Luo et al. | Semantic labeling of mobile LiDAR point clouds via active learning and higher order MRF | |
KR102167414B1 (ko) | 드론을 이용한 교통법규 위반차량 단속 서비스 제공 시스템 및 방법 | |
CN109685898B (zh) | 点云数据的分层方法、装置、计算机设备和存储介质 | |
WO2021207999A1 (zh) | 车辆定位的方法和装置、定位图层生成的方法和装置 | |
Guizilini et al. | Dynamic hilbert maps: Real-time occupancy predictions in changing environments | |
WO2020215254A1 (zh) | 车道线地图的维护方法、电子设备与存储介质 | |
CN113192142A (zh) | 复杂环境下的高精度地图构建方法、装置和计算机设备 | |
AU2020375559B2 (en) | Systems and methods for generating annotations of structured, static objects in aerial imagery using geometric transfer learning and probabilistic localization | |
CN115205391A (zh) | 一种三维激光雷达和视觉融合的目标预测方法 | |
CN113110455A (zh) | 一种未知初始状态的多机器人协同探索方法、装置及系统 | |
CN114689035A (zh) | 基于多传感器融合的长航程农田地图构建方法及系统 | |
Yin et al. | Pse-match: A viewpoint-free place recognition method with parallel semantic embedding | |
CN114819135A (zh) | 检测模型的训练方法、目标检测方法、装置和存储介质 | |
CN112016640B (zh) | 基于多特征建图的无人车定位方法、装置、设备和介质 | |
CN114459483B (zh) | 基于机器人导航用地标导航地图构建与应用方法、系统 | |
CN113379915B (zh) | 一种基于点云融合的行车场景构建方法 | |
CN117191005B (zh) | 一种空地异构协同建图方法、装置、设备及存储介质 | |
WO2022226837A1 (zh) | 基于时间与空间学习的轨迹预测方法、装置和计算机设备 | |
CN117928570A (zh) | 一种面向微型无人车的动态目标识别追踪的路径规划方法 |
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 |