CN112229412B

CN112229412B - 一种车道定位方法、装置及存储介质和服务器

Info

Publication number: CN112229412B
Application number: CN202011133254.2A
Authority: CN
Inventors: 侯琛
Original assignee: Tencent Technology Shenzhen Co Ltd
Current assignee: Tencent Technology Shenzhen Co Ltd
Priority date: 2020-10-21
Filing date: 2020-10-21
Publication date: 2024-01-30
Anticipated expiration: 2040-10-21
Also published as: CN112229412A

Abstract

本发明实施例公开了一种车道定位方法、装置及存储介质和服务器，应用于基于人工智能的信息处理技术领域。车道定位装置在对车辆所在车道进行定位时，先粗略地根据车辆的定位信息确定出车辆所在的当前车道网格，并考虑车辆在一段时间内的横向位移及当前车道网格的车道信息，确定出车辆所在的候选车道，最后结合与车辆相同类型的车辆的历史分布概率，定位出车辆实际所在车道。综合考虑了车辆的定位信息、车辆类型、车辆的实际横向位移及车辆所在的当前车道网格中的车道信息，将车辆定位到某一车道上，可以精确地对车辆所在车道进行定位，而不需要用高精度的定位设备事先进行各个车道中心线的标定，扩展性比较强。

Description

一种车道定位方法、装置及存储介质和服务器

技术领域

本发明涉及基于人工智能的信息处理技术领域，特别涉及一种车道定位方法、装置及存储介质和服务器。

背景技术

在车辆定位的技术中，需要定位出车辆当前正处于某一路段的哪一车道上，现有技术中，需要先对地图数据中各条路段的每一条车道进行位置标定，准确地说，是对每条车道的中心线进行位置标定，然后再确定车辆的车载定位装置，比如全球定位系统(GlobalPosition System，GPS)等装置实时上报的实时定位信息与地图数据库中标定的哪一条车道的位置相匹配，从而定位出车辆当前所在车道。

但是现有的车道定位方法中，需要事先通过高精定位设备，比如实时动态载波相位差分技术(Real-time kinematic，RTK)设备，对每条车道进行标定，成本较大。另外，车辆的车载定位装置的实时定位也会有一定误差，实际上，车载定位装置的定位误差一般可达到十几米，有时比一条车道的宽度还大，使得通过上述“匹配”的方式判断车辆属于哪条车道的错误率极高。

发明内容

本发明实施例提供一种车道定位方法、装置及存储介质和服务器，实现了综合车辆的定位信息及其它多种信息进行车道定位。

本发明实施例一方面提供一种车道定位方法，包括：

获取车辆在一段时间内的定位信息及横向位移，及获取所述车辆的车辆类型；

根据所述定位信息及预置的车道网格信息，确定所述车辆所属的当前车道网格；所述预置的车道网格信息包括多个车道网格的信息，每个车道网格的信息中包括一个子路段的车道信息；

根据所述车辆的横向位移及所述当前车道网格的车道信息，确定所述车辆在所述当前车道网格中的候选车道；

根据所述车辆类型对应车辆在所述候选车道的历史分布概率，确定所述车辆所在车道为所述候选车道中的某一车道。

本发明实施例另一方面还提供一种车道定位装置，包括：

车辆信息获取单元，用于获取车辆在一段时间内的定位信息及横向位移，及获取所述车辆的车辆类型；

网格定位单元，用于根据所述定位信息及预置的车道网格信息，确定所述车辆所属的当前车道网格；所述预置的车道网格信息包括多个车道网格的信息，每个车道网格的信息中包括一个子路段的车道信息；

候选确定单元，用于根据所述车辆的横向位移及所述当前车道网格的车道信息，确定所述车辆在所述当前车道网格中的候选车道；

车道定位单元，用于根据所述车辆类型对应车辆在所述候选车道的历史分布概率，确定所述车辆所在车道为所述候选车道中的某一车道。

本发明实施例另一方面还提供一种计算机可读存储介质，所述计算机可读存储介质储存多个计算机程序，所述计算机程序适于由处理器加载并执行如本发明实施例一方面所述的车道定位方法。

本发明实施例另一方面还还提供一种服务器，包括处理器和存储器；

所述存储器用于储存多个计算机程序，所述计算机程序用于由处理器加载并执行如本发明实施例一方面所述的车道定位方法；所述处理器，用于实现所述多个计算机程序中的各个计算机程序。

可见，在本实施例的方法中，车道定位装置会将所有道路划分为车道网格，这样，在对车辆所在车道进行定位时，可以先根据车辆的定位信息确定出车辆当前所在的当前车道网格，并根据车辆在一段时间内的横向位移及当前车道网格的车道信息，确定出车辆所在的候选车道，最后结合与车辆相同类型的车辆的历史分布概率，定位出车辆实际所在车道。在这个过程中，先将车辆粗略地定位在某一车道网格内，然后再考虑车辆的车辆类型、车辆的实际横向位移及车辆所在的当前车道网格中的车道信息，将车辆定位到某一车道上，这样经过多次的定位可以精确地对车辆所在车道进行定位，而不需要用高精度的定位设备事先进行各个车道中心线的标定，扩展性比较强；且本实施例中车道定位装置在进行车道定位时不仅考虑车辆的定位信息，还综合车辆的其它多种类型的信息，使得最终定位出的车道受到车辆的车载定位装置对车辆定位误差的影响较小。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种车道定位方法的示意图；

图2是本发明一个实施例提供的一种车道定位方法的流程图；

图3是本发明一个实施例中划分的车道网格的示意图；

图4是本发明应用实施例中车道定位方法应用于的系统的示意图；

图5是本发明应用实施例中提供的一种车道定位方法的流程图；

图6是本发明另一应用实施例中车道定位方法所应用于的分布式系统的示意图；

图7是本发明另一应用实施例中区块结构的示意图；

图8是本发明实施例提供的一种车道定位装置的结构示意图；

图9是本发明实施例提供的一种服务器的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排它的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明实施例提供一种车道定位方法，主要应用于对各个路段上行驶的车辆进行车道定位，如图1所示，车道定位装置会按照如下的方法进行车道定位：

获取车辆在一段时间内的定位信息及横向位移，及获取所述车辆的车辆类型；根据所述定位信息及预置的车道网格信息，确定所述车辆所属的当前车道网格；所述预置的车道网格信息包括多个车道网格的信息，每个车道网格的信息中包括一个子路段的车道信息；根据所述车辆的横向位移及所述当前车道网格的车道信息，确定所述车辆在所述当前车道网格中的候选车道；根据所述车辆类型对应车辆在所述候选车道的历史分布概率，确定所述车辆所在车道为所述候选车道中的某一车道。

在实际应用中，车辆的车载定位装置会将车辆的定位信息上报给后台，且车辆会将方向盘的旋转信息(比如旋转角度和开始旋转时间等)、速度及车辆类型等信息上报给后台，这样，后台就作为车道定位装置，基于车辆及其车载定位装置上报的相关信息并按照上述方法对车辆所在车道进行定位。其中，方向盘的旋转信息和速度是为了方便后台获取车辆的横向位移。

或者，在另一种情况下，车辆的车载定位装置可以获取车辆的定位信息，且在获取到车辆的横向位移和车辆类型等信息后，按照上述的方法对车辆所在车道进行定位，在这种情况下，车载定位装置即为上述的车道定位装置。

进一步地，上述的车道定位装置在根据车辆类型对应车辆在候选车道的历史分布概率，确定车辆所在车道为所述候选车道中的某一车道时，可以采用预置的车道预测模型来确定，这里预置的车道预测模型是基于人工智能的机器学习模型。其中，人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

而机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

这样，在这个过程中，先将车辆粗略地定位在某一车道网格内，然后再考虑车辆的车辆类型、车辆的实际横向位移及车辆所在的当前车道网格中的车道信息，将车辆定位到某一车道上，这样经过多次的定位可以精确地对车辆所在车道进行定位，而不需要用高精度的定位设备事先进行各个车道中心线的标定，扩展性比较强；且本实施例中车道定位装置在进行车道定位时不仅考虑车辆的定位信息，还综合车辆的其它多种类型的信息，使得最终定位出的车道受到车辆的车载定位装置对车辆定位误差的影响较小。

本发明实施例提供一种车道定位方法，主要是车道定位装置所执行的方法，流程图如图2所示，包括：

步骤101，获取车辆在一段时间内的定位信息及车辆的横向位移，及获取车辆的车辆类型。

可以理解，车道定位装置可以按照一定的周期发起本实施例的方法，在一种情况下，车辆的车载定位装置会向后台上报对车辆的定位信息，且车辆会将车辆自身的信息，比如车辆类型及方向盘的旋转信息等信息，后台会作为车道定位装置，根据车辆及其车载定位装置上报的信息对车辆进行车道定位，本实施例中，为了获取车辆的横向位移，车载定位装置还会上报车辆的速度、横向摆角及横向摆角持续的时长等。在另一种情况下，车辆的车载定位装置会作为车道定位装置，直接根据车辆的相关信息进行车道定位。

其中，车辆类型具体可以包括大型车、中型车、小型车、微型车或其它车型等；车辆在一段时间内的定位信息可以包括多个时刻的定位信息，比如GPS定位到的经纬度信息；车辆在一段时间内的横向位移是指车辆在一段时间的最后时刻所在位置与开始时刻所在位置相比，在横向的移动距离，其中的横向是相对于车道方向来说的，横向是垂直于车道的方向。

具体地，车辆在一段时间内的横向位移可以通过车辆在该段时间内所经历过的横向摆角及其持续时长，及在各个横向摆角持续时长内车辆的速度得到，则车道定位装置需要获取到这些信息，并根据获取的横向摆角及其持续时长、各个横向摆角的持续时长内车辆的速度及预置的横向位移计算函数，计算车辆在一段时间内的横向位移。其中，预置的横向位移计算函数可以通过如下公式1来表示：

其中，s为横向位移，θ_i为车辆在一个时间段内所经历的任一大于零的横向摆角，θ_j为车辆在一个时间段内所经历的任一小于零的横向摆角，t为横向摆角所经历的时间，v为在对应持续时长内车辆的速度，k为车辆在一个时间段内所经历的横向摆角的数量。

具体地，车辆的横向摆角与车辆的方向盘的旋转角度之间一般是一一对应的，且对应关系固定，任何一辆车的方向盘的旋转角度与车辆的横向摆角在较长时间内(比如一年内)都不会发生太大变化，这样，车道定位装置可以根据方向盘的旋转角度与其横向摆角之间的对应关系，及车辆的方向盘实际的旋转角度，即可得到车辆的横向摆角，且得到的车辆的横向摆角有正负之分，一般可以按照车辆的行驶规则来设定，例如我国内的车辆是靠右行驶，则可以设定车辆的方向盘是逆时针旋转时，得到的横向摆角为正，车辆的方向盘是顺时针旋转时，得到的横向摆角为负。

横向摆角所持续的时长为车辆的方向盘按照一定角度旋转到摆正的时长，一般情况下，车辆会在方向盘开始旋转时，向后台上报方向盘的旋转角度及开始旋转时间，而在方向盘摆正时向后台上报摆正信号，这样车道定位装置可以根据后台接收到摆正信号的时间(即方向盘摆正的时间)与开始旋转时间，确定出车辆的横向摆角所持续的时长为方向盘摆正的时间与开始旋转时间的差值。另外，车辆的速度是车辆在车道方向行驶的速度，一般情况下，车辆会在方向盘开始旋转时，向后台上报车辆行驶的速度，该速度即为横向摆角持续时长内车辆的速度。

需要说明的是，本步骤101中获取的横向位移、车辆类型及定位信息，可以事先都获取到，也可以在执行步骤102到104的过程中，需要用到时才会获取，如图2所示的方法只是其中一种具体的应用实例。

步骤102，根据定位信息及预置的车道网格信息，确定车辆所属的当前车道网格，预置的车道网格信息包括多个车道网格的信息，每个车道网格的信息包括一个路段的车道信息。

可以理解，为了实现本发明实施例的方法，车道定位装置可以事先预置各个车道网格的信息，具体地，先将地图数据中的道路划分为多个子路段，然后将每个子路段分别划分为一个车道网格，相邻的车道网格所包含的车道数是不同的，且每个车道网格的长度为相应子路段的长度，车道网格的宽度是根据相应子路段的宽度得到的，进而在车道定位装置中储存上述划分的各个车道网格的信息，具体可以包括相应的各个子路段的车道信息(可以包括车道的数量、各个车道的宽度和方向等)，还可以包括车道网格所组成区域的位置信息等。其中，考虑到对车辆的定位误差，可以将车道网格的宽度设定为其相应子路段的宽度与对车辆的定位误差之间的最大值。

其中，车道定位装置在将道路划分为子路段时，可以沿道路方向将连续的且包括相同数量和相同方向车道的道路划分为一个子路段，例如图3所示将道路划分为3个车道网格，车道网格1中包括3条车道，车道网格2包括2条车道，车道网格3包括3条车道，相邻的车道网格包括不同数量的车道，比如车道网格1与车道网格2，及车道网格2与车道网格3，包括不同数量的车道。其中，一条车道是指能容纳一个车辆行驶的道路。

上述对车辆的定位误差主要是车载定位装置对车辆进行定位得到的定位结果与实际位置之间的最大偏移距离，记为r1，主要是在道路横向的偏移距离，该定位误差r1一般是车辆的车载定位装置的参数之一，本实施例中，可以在车道定位装置中预置各类车载定位装置的定位误差的平均值，而不需要确切地实时地去获取各个车载定位装置的定位误差，从而简化了计算车道定位的计算过程。

例如，按照上述方法得到n个连续的子路段，每个子路段的长度分别记为L₁,L₂,...,L_n，宽度分别记为W₁,W₂,...,W_n，这里每个子段路的宽度可从道路管理方获取，这样，形成n个车道网格，其长度分别为L₁,L₂,...,L_n，宽度分别为max(W₁,r1),max(W₂,r1),...,max(W_n,r1)。

进一步地，在车道定位装置中预置了各个车道网格的信息后，当发起本实施例的流程后，由于在地图数据中各个道路的位置信息是已知的，进而划分形成的各个车道网格组成区域的位置也是已知的，因此，车道定位装置可以根据车辆的定位信息，再结合各个车道网格所组成区域的位置，即可确定出车辆当前属于哪个车道网格，即当前车道网格。

需要说明的是，由于车辆在一段时间内的定位信息可以包括多个时刻的定位信息，则车道定位装置会根据各个时刻的定位信息能确定出相应的车道网格，如果每个时刻对应的车道网格都相同，说明车辆在一段时间内只在一个车道网格内活动，则当前车道网格为任一时刻所在的车道网格，进而执行如下步骤103到104。

如果一段时间内前面n个时刻(n小于或等于某一阈值)对应一个车道网格1，后面所有时刻对应另一车道网格2，则说明该段时间刚开始车辆就从一个车道网格1进入另一车道网格2，确定车辆所在的当前车道网格为另一车道网格2，并执行如下步骤103到104；如果一段时间内前面大多时刻(比如m个时刻，m大于某一阈值)对应一个车道网格1，后面很少时刻对应另一车道网格2，则说明该段时间快结束时车辆才从一个车道网格1进入另一车道网格2，车辆的横向位移基本发生一个车道网格1中，如果按照当前车道网格即另一车道网格2中的车道信息进行车道定位时，可能会不准确，则需要先获取下一个时间段的横向位移，并针对下一时间段的横向位置和当前车道网格(即另一车道网格2)执行如下步骤103和104。

步骤103，根据车辆的横向位移及当前车道网格的车道信息，确定车辆在当前车道网格中的候选车道。

具体地，车道定位装置会确定车辆的横向位移是否处于某一负数到某一正数之间，其中，该负数和正数的绝对值可以相同也可以不同，且其绝对值与0接近，如果横向位移处于某一负数到某一正数之间，说明车辆在一段时间内的横向位移几乎没有变，在这段时间内车辆可能从当前车道网格的某一车道跨越到其它车道，然后再从其它车道跨越回该某一车道来，则可以直接确定候选车道包括当前车道网格中的所有车道。

进一步地，如果横向位移不在某一负数到某一正数之间，车道定位装置可以先根据车辆的横向位移及当前车道网格的车道信息，确定车辆在一段时间内跨越的车道数r，进而再结合车辆的横向位移s和跨越的车道数r来确定候选车道，具体可以包括如下几种情况：

(1)当跨越的车道数r等于在当前车道网格中能跨越的最大车道数，且横向位移大于某一正数比如a，结合上述公式1中的计算函数，说明车辆在一段时间内方向盘的旋转角度为正的横向移动距离较大，车辆可能从当前车道网格中的最外车m道跨越到最内车道1，则确定候选车道包括当前车道网格中的最内车道1。

其中，当前车道网格中能跨越的最大车道数具体可以为当前车道网格中的车道数m与1的差值。

(2)当跨越的车道数r等于在当前车道网格中能跨越的最大车道数，且横向位移小于某一负数比如-a，结合上述公式1中的计算函数，说明车辆在一段时间内方向盘的旋转角度为负的横向移动距离较大，车辆可能从当前车道网格中的最内车道1跨越到最外车道m，确定候选车道包括当前车道网格中的最外车道m。

上述当前车道网格中的内外车道是根据车辆的方向盘来决定的，一般情况下，车辆中具有方向盘一侧的车道为内车道，不具有方向盘一侧的车道为外车道，将当前车道网格中的车道从内到外记为1,2，…，m。

(3)当跨越的车道数r小于在当前车道网格中能跨越的最大车道数，且横向位移大于某一正数比如a，结合上述公式1中的计算函数，说明车辆在一段时间内方向盘的旋转角度为正的横向移动距离较大，车辆可能从当前车道网格中的外车道向内车道跨越了r个车道，确定候选车道包括当前车道网格中的最内车道1到第一车道m-r之间的所有车道，即车道1,2，…，m-r，且确定的候选车道的数量为当前车道网格的车道数m与跨越的车道数r之间的差。

(4)当跨越的车道数r小于在当前车道网格中能跨越的最大车道数，且横向位移小于某一负数比如-a，结合上述公式1中的计算函数，说明车辆在一段时间内方向盘的旋转角度为负的横向移动距离较大，车辆可能从当前车道网格中的内车道向外车道跨越了r个车道，确定候选车道包括当前车道网格中第二车道r+1到最外车道m之间的所有车道，即车道r+1,r+2，…，m，且确定的候选车道的数量为当前车道网格的车道数m与跨越的车道数r之间的差。

需要说明的是，车道定位装置在确定上述车辆在一段时间内跨越的车道数r时，可以按照如下公式2来计算，其中，s为车辆在一段时间内的横向位移，W_q为当前车道网格的宽度，m为当前车道网格包含的车道数：

r＝|s|/(W_q/m) (2)

进一步地，如果本步骤中确定的候选车道只有一个，则直接确定该候选车道为车辆所在车道，如果本步骤中确定的候选车道有多个，则需要执行如下步骤104来进一步地定位出车辆在哪个候选车道中。

步骤104，根据上述步骤101中获取的车辆类型对应车辆在候选车道的历史分布概率，确定车辆所在车道为候选车道中的某一车道。

通过上述步骤101到103可以确定出车辆所在的多个候选车道，但是由于道路上各个车道的功能(比如是公交车车道、重型车车道等)和各个路段的路况存在差异，车辆不会等可能地出现在这些候选车道上，因此，还需要获取到与该车辆的车辆类型相同的车辆在各个候选车道出现的历史分布概率，该历史分布概率用于表示在路面上某一点被相应类型车辆碾压的实际次数占比，相当于相应类型的车辆在不同的候选车道出现的概率，这些概率可以由车辆的车载定位装置的后台进行统计得到，并事先预置在本实施例的车道定位装置中，具体是哪一历史时段得到的历史分布概率可以任意选取，一般情况下，为过去一年内。

具体地，车道定位装置在根据上述车辆类型对应车辆在候选车道的历史分布概率来最终确定车辆所在车道时，可以将最大的历史分布概率对应的候选车道作为车辆所在车道。也可以按照其它策略来确定，比如，先根据多个候选车道分别对应的历史分布概率，以多个候选车道为全集，计算车辆在各个候选车道的出现概率，并确定一0到1之间的符合均匀分布的随机数，当随机数小于上述计算的某一出现概率，确定车辆所在车道为某一出现概率对应的候选车道；当随机数在第一概率和值与第二概率和值之间，其中，第一概率和值为一部分候选车道的出现概率之和，第二概率和值为一部分候选车道的出现概率之和与其它另一候选车道的出现概率之和，则确定车辆所在车道为其它另一候选车道。其中，车辆在任一候选车道的出现概率为该候选车道的历史分布概率与所有候选车道的历史分布概率之和的比值。

例如，通过上述步骤确定的候选车道为y条候选车道，即i₁,i₂,...,i_y，将所有车道作为全集，确定的相应类型的车辆分别出现在y条候选车道上的历史分布概率，分别记为依据全概率定律，将y条候选车道作为全集，则车辆分别出现在y条候选车道上的出现概率可以通过如下公式3来表示：

进一步地，如果按照均匀分布的方式生成一服从0-1均匀分布的随机数U(0,1)，记为ξ，如果则车辆位于候选车道i₁；如果则车辆位于候选车道i_x+1。

在其它实施例中，车道定位装置还可以将上述确定的各个候选车道的历史分布概率输入到预置的车道预测模型中，即可输出车辆所在车道，其中，预置的车道预测模型是一种机器学习模型，可以根据一定的训练方法训练得到，并事先将车道预测模型的运行逻辑储存到车道定位装置中。其中，在训练车道预测模型的过程中，可以选择多个各种类型的样本车辆作为训练样本，并通过这些样本车辆实际所在的车道对车道预测模型的训练过程进行监督学习。

以下以一个具体的应用实例来说明本发明实施例中的车道定位方法，具体地，本实施例中方法可以应用于如图4所示的系统中，该系统可以包括车载定位装置和后台(具体为车联网云平台)，其中：

车载定位装置安装在车辆上，用于实时对车辆进行定位，并将定位信息上报给后台，而车辆还会获取车辆自身的速度、车辆类型、方向盘的旋转角度及开始旋转时间，及摆正时间等并上报给后台。后台设置有上述的车道定位装置，用于接收车载定位装置发送的定位信息，及车辆发送的其它信息，并发起对车辆的车道定位流程。

本实施例中，后台还与道路维护方和交通管理方连接，用于获取车道定位过程中用到的与道路相关的信息，比如各种车辆类型的车辆在各个车道的历史分布概率及各个车道网格的车道信息(包括网格的宽度和长度)等。

具体地，如图5所示，本实施例的车道定位方法可以包括如下步骤：

步骤201，车辆的车载定位装置会实时地对车辆进行定位，并向后台上报车辆的定位信息；且当车辆的方向盘进行旋转时，车辆会将方向盘的旋转角度和开始旋转时间上报给后台，并在方向盘摆正时向后台上报摆正信号；进一步地车辆会在旋转方向盘时，向后台上报车辆的速度，同时车辆还会上报自身的车辆类型。

步骤202，后台根据车载定位装置上报的定位信息，并向道路维护方或交通管理方获取各个车道网格所组成区域的位置，确定车辆所在的当前车道网格，如果确定车辆是从一个车道网格刚进入另一车道网格，则发起对车辆的车道定位流程。

由于车辆并不是刚好进入某一车道网格时就向后台上报各自的数据，后台需要根据车载定位装置上报的各个时刻的定位信息来确定车辆是否从一个车道网格进入到另一车道网格，如果根据车载定位装置上报的定位信息，确定当前时刻的前一段时间内(预置的较小的时间段)车辆在一个车道网格，而车辆当前时刻在另一车道网格，则车辆是从一个车道网格刚进入另一车道网格。

其中，本实施例中对道路的划分，采用车道网格的划分方式，将道路划分多个子路段，每个子路段包括方向相同的至少一条车道，将子路段的长度作为车道网格的长度，将子路段的宽度与车辆的车载定位装置的定位误差之间的最大值作为车道网格的宽度，这样即确定了各个车道网格，相邻的车道网格具有不同数量的车道。

步骤203，后台获取车辆一段时间内在当前车道网格内的横向位移，具体地，后台获取在该段时间内车辆上报的方向盘的旋转角度，根据旋转角度确定出车辆的横向摆角，且后台根据车辆上报的开始旋转时间与接收摆正信号的时间确定出车辆的横向摆角所持续的时长，且后台确定出横向摆角持续时长内车辆的速度，进而结合上述公式1，可以计算得到车辆在一段时间内的横向位移。

步骤204，后台向道路维护方或交通管理方获取车辆所在的当前车道网格的车道信息，可以包括当前车道网格的宽度和包含的车道数，并根据上述计算的车辆的横向位移，且结合上述公式2，即可计算出车辆在一段时间内所跨越的车道数r1。

步骤205，后台判断车辆跨越的车道数r1是否在零附近，具体地，是否在-a到a之间，如果是，则执行步骤206之后，执行步骤209；如果不是，则执行步骤207或步骤208之后，执行步骤209。

步骤206，后台直接确定车辆所在的候选车道为当前车道网格中的所有车道。

步骤207，后台确定跨越的车道数r等于在当前车道网格中能跨越的最大车道数，且横向位移大于某一正数，则确定候选车道包括当前车道网格中的最内车道1；当跨越的车道数r等于在当前车道网格中能跨越的最大车道数，且横向位移小于某一负数，则确定候选车道包括当前车道网格中的最外车道m。

步骤208，后台确定跨越的车道数r小于在当前车道网格中能跨越的最大车道数，且横向位移大于某一正数，则确定候选车道包括当前车道网格中的最内车道1到第一车道m-r之间的所有车道，即车道1,2，…，m-r；当跨越的车道数r小于在当前车道网格中能跨越的最大车道数，且横向位移小于某一负数比，确定候选车道包括当前车道网格中某一特定车道r+1到最外车道m之间的所有车道，即车道r+1,r+2，…，m。

在这种情况下，确定的候选车道的数量为当前车道网格的车道数m与跨越的车道数r之间的差。

步骤209，如果后台获取的候车车道只有一个，则直接确定该候选车道为车辆所在车道，如果候选车道有多个，后台向道路维护方或交通管理方获取与该车辆的车辆类型对应车辆在各个候选车道上的历史分布概率，一般为过去一年内的历史分布概率。

步骤210，后台根据在各个候选车道上的历史分布概率，确定出车辆所在车道为候选车道中的某一车道。

具体地，根据相应车辆类型的车辆分别出现在y条候选车道上的历史分布概率，即将y条候选车道作为全集，结合上述公式3，分别计算出车辆在y条候选车道上的出现概率/>按照均匀分布的方式生成一服从0-1均匀分布的随机数ξ，如果/>则车辆位于候选车道i₁；如果则车辆位于候选车道i_x+1。

采用本实施例的方法和现有技术中车道定位方法重复进行仿真实验10次，统计结果如表1所示，可以看出现有技术中车道定位方法得到的车道标准差与本实施中车道定位方法得到的车道标准差之比都大于1，说明按照本实施例中的车道定位方法定位的车道与实际车道的差距较小，定位结果比较准确，其中，车道标准差用于表示定位车道与实际车道之间的差距：

表1

可见，本发明实施例中的车道定位方法无需依赖高精定位技术，而只需考虑车辆的定位信息、横向位移及当前车道网格的实际车道信息，再结合相应车辆类型的车辆的历史分布概率，这些信息都是常规设备可以获取得到的，定位过程比较简单；且综合考虑车辆的多种类型的信息后，定位出的车道也比较准确。

以下以另一具体的应用实例来说明本发明中车道定位方法，本发明实施例中的车道定位装置主要为分布式系统100，该分布式系统可以包括客户端300及多个节点200(接入网络中的任意形式的计算设备，如服务器、用户终端)，客户端300与节点200之间通过网络通信的形式连接。

以分布式系统为区块链系统为例，参见图6是本发明实施例提供的分布式系统100应用于区块链系统的一个可选的结构示意图，由多个节点200(接入网络中的任意形式的计算设备，如服务器、用户终端)和客户端300形成，节点之间形成组成的点对点(P2P，Peer ToPeer)网络，P2P协议是一个运行在传输控制协议(TCP，Transmission Control Protocol)协议之上的应用层协议。在分布式系统中，任何机器如服务器、终端都可以加入而成为节点，节点包括硬件层、中间层、操作系统层和应用层。

参见图6示出的区块链系统中各节点的功能，涉及的功能包括：

1)路由，节点具有的基本功能，用于支持节点之间的通信。

节点除具有路由功能外，还可以具有以下功能：

2)应用，用于部署在区块链中，根据实际业务需求而实现特定业务，记录实现功能相关的数据形成记录数据，在记录数据中携带数字签名以表示任务数据的来源，将记录数据发送到区块链系统中的其它节点，供其它节点在验证记录数据来源以及完整性成功时，将记录数据添加到临时区块中。

在本实施例中，应用实现的业务包括：实现车道定位功能的代码，该车道定位功能主要包括：

3)区块链，包括一系列按照产生的先后时间顺序相互接续的区块(Block)，新区块一旦加入到区块链中就不会再被移除，区块中记录了区块链系统中节点提交的记录数据。

参见图7为本发明实施例提供的区块结构(Block Structure)一个可选的示意图，每个区块中包括本区块存储交易记录的哈希值(本区块的哈希值)、以及前一区块的哈希值，各区块通过哈希值连接形成区块链。另外，区块中还可以包括有区块生成时的时间戳等信息。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了相关的信息，用于验证其信息的有效性(防伪)和生成下一个区块。

本发明实施例还提供一种车道定位装置，其结构示意图如图8所示，具体可以包括：

车辆信息获取单元10，用于获取车辆在一段时间内的定位信息及横向位移，及获取所述车辆的车辆类型。

该车辆信息获取单元10在获取横向位移时，具体用于获取所述车辆在一段时间内经历过的横向摆角及其持续时长，及获取各个横向摆角的持续时长内所述车辆的速度；根据所述横向摆角及其持续时长、所述各个横向摆角的持续时长内车辆的速度及预置的横向位移计算函数，计算所述车辆在一段时间内的横向位移。其中，车辆信息获取单元10在获取所述车辆在一段时间内经历过的横向摆角及其持续时长时，具体用于根据所述车辆在一段时间内方向盘的旋转角度，确定所述车辆的横向摆角；根据所述车辆的方向盘按照所述旋转角度旋转的开始旋转时间及所述方向盘摆正的时间，确定所述车辆的横向摆角的持续时长。

网格定位单元11，用于根据所述车辆信息获取单元10获取的定位信息及预置的车道网格信息，确定所述车辆所属的当前车道网格；所述预置的车道网格信息包括多个车道网格的信息，每个车道网格的信息中包括一个子路段的车道信息。

候选确定单元12，用于根据所述车辆信息获取单元10获取的车辆的横向位移及所述网格定位单元11确定的当前车道网格的车道信息，确定所述车辆在所述当前车道网格中的候选车道。

候选确定单元12，具体用于根据所述车辆的横向位移及所述当前车道网格的车道信息，确定所述车辆在一段时间内跨越的车道数；当所述跨越的车道数等于在所述当前车道网格中能跨越的最大车道数，且所述横向位移大于某一正数，确定候选车道包括所述当前车道网格中的最内车道；当所述跨越的车道数等于在所述当前车道网格中能跨越的最大车道数，且所述横向位移小于某一负数，确定候选车道包括所述当前车道网格中的最外车道。

进一步地候选确定单元12，还用于当所述跨越的车道数小于在所述当前车道网格中能跨越的最大车道数，且所述横向位移大于某一正数，确定候选车道包括所述当前车道网格中的最内车道到第一车道之间的所有车道，且候选车道的数量为所述当前车道网格的车道数与所述跨越的车道数之差；当所述跨越的车道数小于在所述当前车道网格中能跨越的最大车道数，且所述横向位移小于某一负数，确定候选车道包括所述当前车道网格中第二车道到最外车道之间的所有车道，且候选车道的数量为所述当前车道网格的车道数与所述跨越的车道数之差。

进一步地候选确定单元12，还用于当所述横向位移在所述某一负数到某一正数之间，确定候选车道包括所述当前车道网格中所有车道。

车道定位单元13，用于根据所述车辆类型对应车辆在所述候选确定单元12确定的候选车道的历史分布概率，确定所述车辆所在车道为所述候选车道中的某一车道。

该车道定位单元13，具体用于根据所述多个候选车道分别对应的历史分布概率，以所述多个候选车道为全集，计算所述车辆在各个候选车道的出现概率；确定一0到1之间的符合均匀分布的随机数；当所述随机数小于所述计算的某一出现概率，确定所述车辆所在车道为所述某一出现概率对应的候选车道；当所述随机数在第一概率和值与第二概率和值之间，其中，所述第一概率和值为一部分候选车道的出现概率之和，第二概率和值为所述一部分候选车道的出现概率之和与其它另一候选车道的出现概率之和，确定所述车辆所在车道为其它另一候选车道。

进一步地，本实施例的车道定位装置还可以包括：预置单元14，用于将地图数据中的道路划分为多个子路段；将所述每个子路段分别划分为一个车道网格，所述车道网格的长度为相应子路段的长度，所述车道网格的宽度是根据相应子路段的宽度得到的；储存所述划分的各个车道网格的信息，其中，所述车道网格的宽度为相应子路段的宽度与对所述车辆的定位误差之间的最大值。这样，上述网格定位单元11即可根据预置单元14预置的各个车道网格的信息，确定车辆所处的当前车道网格。

在本实施例的装置在对车辆的车道进行定位过程中，网格定位单元11先将车辆粗略地定位在某一车道网格内，然后候选确定单元12和车道定位单元13再考虑车辆的车辆类型、车辆的实际横向位移及车辆所在的当前车道网格中的车道信息，将车辆定位到某一车道上，这样经过多次的定位可以精确地对车辆所在车道进行定位，而不需要用高精度的定位设备事先进行各个车道中心线的标定，扩展性比较强；且本实施例中车道定位装置在进行车道定位时不仅考虑车辆的定位信息，还综合车辆的其它多种类型的信息，使得最终定位出的车道受到车辆的车载定位装置对车辆定位误差的影响较小。

本发明实施例还提供一种服务器，其结构示意图如图9所示，该服务器可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，CPU)20(例如，一个或一个以上处理器)和存储器21，一个或一个以上存储应用程序221或数据222的存储介质22(例如一个或一个以上海量存储设备)。其中，存储器21和存储介质22可以是短暂存储或持久存储。存储在存储介质22的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器20可以设置为与存储介质22通信，在服务器上执行存储介质22中的一系列指令操作。

具体地，在存储介质22中储存的应用程序221包括车道定位的应用程序，且该程序可以包括上述车道定位装置中的车辆信息获取单元10，网格定位单元11，候选确定单元12，车道定位单元13和预置单元14，在此不进行赘述。更进一步地，中央处理器20可以设置为与存储介质22通信，在服务器上执行存储介质22中储存的车道定位的应用程序对应的一系列操作。

服务器还可以包括一个或一个以上电源23，一个或一个以上有线或无线网络接口24，和/或，一个或一个以上操作系统223，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

上述方法实施例中所述的由车道定位装置所执行的步骤可以基于该图9所示的服务器的结构。

本发明实施例另一方面还提供一种计算机可读存储介质，所述计算机可读存储介质储存多个计算机程序，所述计算机程序适于由处理器加载并执行如上述车道定位装置所执行的车道定位方法。

本发明实施例另一方面还提供一种服务器，包括处理器和存储器；

所述存储器用于储存多个计算机程序，所述计算机程序用于由处理器加载并执行如上述车道定位装置所执行的车道定位方法；所述处理器，用于实现所述多个计算机程序中的各个计算机程序。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM)、随机存取存储器(RAM)、磁盘或光盘等。

以上对本发明实施例所提供的一种车道定位方法、装置及存储介质和服务器进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种车道定位方法，其特征在于，包括：

根据所述车辆类型对应车辆在所述候选车道的历史分布概率，确定所述车辆所在车道为所述候选车道中的某一车道，所述候选车道的历史分布概率用于表示在路面上某一点被相应类型车辆碾压的实际次数占比，相当于相应类型的车辆在不同的候选车道出现的概率；

所述根据所述定位信息及预置的车道网格信息，确定所述车辆所属的车道网格之前，所述方法还包括：将地图数据中的道路划分为多个子路段；将每个子路段分别划分为一个车道网格，所述车道网格的长度为相应子路段的长度，所述车道网格的宽度是根据相应子路段的宽度得到的；储存所述划分的各个车道网格的信息。

2.如权利要求1所述的方法，其特征在于，所述获取所述车辆在一段时间内的横向位移，具体包括：

获取所述车辆在一段时间内经历过的横向摆角及其持续时长，及获取各个横向摆角的持续时长内所述车辆的速度；

根据所述横向摆角及其持续时长、所述各个横向摆角的持续时长内车辆的速度及预置的横向位移计算函数，计算所述车辆在一段时间内的横向位移。

3.如权利要求2所述的方法，其特征在于，所述获取所述车辆在一段时间内经历过的横向摆角及其持续时长，具体包括：

根据所述车辆在一段时间内方向盘的旋转角度，确定所述车辆的横向摆角；

根据所述车辆的方向盘按照所述旋转角度旋转的开始旋转时间及所述方向盘摆正的时间，确定所述车辆的横向摆角的持续时长。

4.如权利要求1所述的方法，其特征在于，所述车道网格的宽度为相应子路段的宽度与对所述车辆的定位误差之间的最大值。

5.如权利要求1至4任一项所述的方法，其特征在于，所述根据所述车辆的横向位移及所述当前车道网格的车道信息，确定所述车辆在所述当前车道网格中的候选车道，具体包括：

根据所述车辆的横向位移及所述当前车道网格的车道信息，确定所述车辆在一段时间内跨越的车道数；

当所述跨越的车道数等于在所述当前车道网格中能跨越的最大车道数，且所述横向位移大于某一正数，确定候选车道包括所述当前车道网格中的最内车道；

当所述跨越的车道数等于在所述当前车道网格中能跨越的最大车道数，且所述横向位移小于某一负数，确定候选车道包括所述当前车道网格中的最外车道。

6.如权利要求5所述的方法，其特征在于，所述确定所述车辆在所述当前车道网格中的候选车道，还包括：

当所述跨越的车道数小于在所述当前车道网格中能跨越的最大车道数，且所述横向位移大于某一正数，确定候选车道包括所述当前车道网格中的最内车道到第一车道之间的所有车道，且候选车道的数量为所述当前车道网格的车道数与所述跨越的车道数之差；

当所述跨越的车道数小于在所述当前车道网格中能跨越的最大车道数，且所述横向位移小于某一负数，确定候选车道包括所述当前车道网格中第二车道到最外车道之间的所有车道，且候选车道的数量为所述当前车道网格的车道数与所述跨越的车道数之差。

7.如权利要求5所述的方法，其特征在于，所述确定所述车辆在所述当前车道网格中的候选车道，还包括：

当所述横向位移在所述某一负数到某一正数之间，确定候选车道包括所述当前车道网格中所有车道。

8.如权利要求1至4任一项所述的方法，其特征在于，所述历史分布概率包括多个候选车道分别对应的历史分布概率，所述根据所述车辆类型对应车辆在所述候选车道的历史分布概率，确定所述车辆所在车道为所述候选车道中的某一车道，具体包括：

根据所述多个候选车道分别对应的历史分布概率，以所述多个候选车道为全集，计算所述车辆在各个候选车道的出现概率；

确定一0到1之间的符合均匀分布的随机数；

当所述随机数小于某一出现概率，确定所述车辆所在车道为所述某一出现概率对应的候选车道。

9.如权利要求8所述的方法，其特征在于，所述方法还包括：

当所述随机数在第一概率和值与第二概率和值之间，其中，所述第一概率和值为一部分候选车道的出现概率之和，第二概率和值为所述一部分候选车道的出现概率之和与其它另一候选车道的出现概率之和，确定所述车辆所在车道为其它另一候选车道。

10.一种车道定位装置，其特征在于，包括：

预置单元，用于将地图数据中的道路划分为多个子路段；将每个子路段分别划分为一个车道网格，所述车道网格的长度为相应子路段的长度，所述车道网格的宽度是根据相应子路段的宽度得到的；储存所述划分的各个车道网格的信息；

车道定位单元，用于根据所述车辆类型对应车辆在所述候选车道的历史分布概率，确定所述车辆所在车道为所述候选车道中的某一车道，所述候选车道的历史分布概率用于表示在路面上某一点被相应类型车辆碾压的实际次数占比，相当于相应类型的车辆在不同的候选车道出现的概率。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质储存多个计算机程序，所述计算机程序适于由处理器加载并执行如权利要求1至9任一项所述的车道定位方法。

12.一种服务器，其特征在于，包括处理器和存储器；

所述存储器用于储存多个计算机程序，所述计算机程序用于由处理器加载并执行如权利要求1至9任一项所述的车道定位方法；所述处理器，用于实现所述多个计算机程序中的各个计算机程序。