CN112285738B - 一种轨道交通车辆的定位方法及其装置 - Google Patents

一种轨道交通车辆的定位方法及其装置 Download PDF

Info

Publication number
CN112285738B
CN112285738B CN202011149680.5A CN202011149680A CN112285738B CN 112285738 B CN112285738 B CN 112285738B CN 202011149680 A CN202011149680 A CN 202011149680A CN 112285738 B CN112285738 B CN 112285738B
Authority
CN
China
Prior art keywords
ground
rail
obstacle
determining
transit vehicle
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
Application number
CN202011149680.5A
Other languages
English (en)
Other versions
CN112285738A (zh
Inventor
胡云卿
潘文波
曾文浩
龙腾
李源征宇
侯志超
江良玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CRRC Zhuzhou Institute Co Ltd
Original Assignee
CRRC Zhuzhou Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CRRC Zhuzhou Institute Co Ltd filed Critical CRRC Zhuzhou Institute Co Ltd
Priority to CN202011149680.5A priority Critical patent/CN112285738B/zh
Publication of CN112285738A publication Critical patent/CN112285738A/zh
Application granted granted Critical
Publication of CN112285738B publication Critical patent/CN112285738B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种轨道交通车辆的定位方法，包括：获取激光雷达采集到的当前轨道环境数据；基于不同对象在所述当前轨道环境数据中的呈现特征确定出所述当前轨道环境数据中的特征地物；以及将所述特征地物与所述轨道交通车辆的预建地图进行匹配以确定出所述轨道交通车辆的位姿。

Description

一种轨道交通车辆的定位方法及其装置
技术领域
本发明涉及车辆定位领域，尤其涉及一种轨道交通车辆的定位方法及其装置。
背景技术
实时、精确地确定列车在线路中的位置是保证安全、发挥效率和提供最佳服务的前提。在轨道交通行车安全和指挥系统中，列车定位是一项关键性的技术。准确、及时地获取列车位置信息，是列车安全、有效运行的保障。受限于GPS信号的局限性，传统的GPS定位无法适用于隧道和车站等场景。应答器校准定位则设备繁多、维护成本高，且这种定点校准的方式缺少连续精准定位能力，不利于车辆在行驶过程中的精准控制。
现代化的轨道交通运输是一种高密度、快速的列车运行，虽然经过严密的监控，但仍然存在非预期的障碍物对行车安全带来不利影响的情况。同时，列车进站通过多个应答器校准定位才能实现站台区域精准定位，导致应答器设备繁多，且列车缺少全局精准定位能力，不利于列车在整个线路上的精准控制。
为解决上述问题，本发明旨在提供一种轨道交通车辆的定位方法及其装置。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
根据本发明的一方面，提供了一种轨道交通车辆的定位方法，包括：获取激光雷达采集到的当前轨道环境数据；基于不同对象在所述当前轨道环境数据中的呈现特征确定出所述当前轨道环境数据中的特征地物；以及将所述特征地物与所述轨道交通车辆的预建地图进行匹配以确定出所述轨道交通车辆的位姿。
在一实施例中，所述激光雷达采集到的当前轨道环境数据为点云，所述基于不同对象在所述当前轨道环境数据中的呈现特征确定出所述当前轨道环境数据中的特征地物包括：将所述点云转化为二维深度影像以建立各个扫描点之间的相邻关系；使用区域生长的方法基于所述各个扫描点之间的相邻关系提取所述扫描点中的地面点云以得到非地面点云；对所述非地面点云进行聚类以确定出若干未知对象；以及基于不同类别的特征地物的形状特征对所述若干未知对象进行分类以确定出所述若干未知对象所对应的特征地物，所述特征地物包括杆状地物和面状地物。
在一实施例中，所述使用区域生长的方法基于所述各个扫描点之间的相邻关系提取所述扫描点中的地面点云以得到非地面点云包括：将基于必然会扫描到地面点的扫描线获取到的点云中的位置最低的若干点确定为种子点；以所述种子点为地面点云，采用广度优先搜索对所述二维深度影像中的所有点进行遍历以将相对于所述地面点云中的任一地面点的高程差值小于预设高程阈值的点并入所述地面点云中直到所述点云中不存在可并入所述地面点云的点；以及提取出所有点云中的地面点云以形成所述非地面点云。
在一实施例中，所述基于不同类别的特征地物的形状特征对所述若干未知对象进行分类以确定出所述若干未知对象所对应的特征地物包括：基于所述若干未知对象的点集的线参数确定出其中的杆状地物；以及基于所述若干未知对象的点集的平面参数确定出其中的面状地物。
在一实施例中，所述基于所述若干未知对象的点集的线参数确定出其中的杆状地物包括：基于每一未知对象的外包盒计算出所述对象的长宽比；采用RANSAC方法获取长宽比大于预设阈值的未知对象的线参数；以及将线参数平行于Z轴的未知对象确定为所述杆状地物。
在一实施例中，所述基于所述若干未知对象的点集的平面参数确定出其中的面状地物包括：计算每一未知对象的每一点的曲率；基于每一未知对象的所有点的曲率确定出所述未知对象的面特征点占其所有点的比例；采用RANSAC方法获取比例大于预设阈值的未知对象的平面参数；以及将平面参数的拟合法向量垂直于地面方向的未知对象确定为所述面状地物。
在一实施例中，所述特征地物还包括铁轨或路肩，所述定位方法还包括：基于铁轨或路肩相对于地面的高程突变特性确定出所述地面点云中铁轨或路肩对应的点云。
在一实施例中，所述基于铁轨或路肩相对于地面的高程突变特性确定出所述地面点云中铁轨或路肩包括：沿扫描线方向对所述地面点云的高差进行计算；以及将高差突变幅度符合铁轨或路肩高度变化的点云确定为所述铁轨或路肩对应的点云。
在一实施例中，所述基于铁轨或路肩相对于地面的高程突变特性确定出所述地面点云中铁轨或路肩还包括：基于扫描仪与铁轨之间的先验相对位置确定出所述地面点云中可能出现铁轨或路肩的位置区间；以及所述将高差突变幅度符合铁轨或路肩高度变化的点云确定为所述铁轨或路肩对应的点云包括：将在所述位置区间内且高差突变幅度符合铁轨或路肩高度变化的点云确定为所述铁轨或路肩对应的点云。
在一实施例中，所述将所述特征地物与所述轨道交通车辆的预建地图进行匹配以确定出所述轨道交通车辆的位姿包括：将所述特征地物与所述轨道交通车辆的预建地图进行匹配以确定出所述特征地物中的白名单，所述白名单包括与预建地图中的正常轨旁设施匹配成功的特征地物；以及基于所述白名单中的各个特征地物对位置和姿态的不同约束能力确定所述轨道交通车辆的估计位姿。
在一实施例中，所述将所述特征地物与所述轨道交通车辆的预建地图进行匹配以确定出所述轨道交通车辆的位姿还包括：利用ESKF算法将所述估计位姿与IMU数据确定出的估计位姿进行融合以获得所述轨道交通车辆的位姿。
在一实施例中，所述定位方法还包括：将所述特征地物与所述轨道交通车辆的预建地图进行匹配以确定出所述轨道交通车辆的前进线路上的障碍物以便于规避所述障碍物。
在一实施例中，所述将所述特征地物与所述轨道交通车辆的预建地图进行匹配以确定出所述轨道交通车辆的前进线路上的障碍物包括：将所述特征地物与所述轨道交通车辆的预建地图进行匹配以确定出所述特征地物中的黑名单，所述黑名单包括不能与预建地图中的任一正常轨旁设施匹配成功的特征地物；将所述黑名单中的相对于所述轨道交通车辆的前进线路的距离小于预设阈值的特征地物确定为候选障碍物；基于所述候选障碍物与前一轨道环境数据中的障碍物的位置邻近度和形状相似度确定出所述候选障碍物与前一轨道环境数据中的障碍物的对应关系；基于所述对应关系利用扩展卡尔曼滤波法实现所述障碍物的跟踪；以及采用多帧数据投票的方式基于被跟踪的障碍物的特征确定出所述障碍物的类别。
在一实施例中，所述基于所述候选障碍物与前一轨道环境数据中的障碍物的位置邻近度和形状相似度确定出所述候选障碍物与前一轨道环境数据中的障碍物的对应关系包括：计算所述候选障碍物与前一轨道环境数据中的障碍物之间的相似度；建立所述候选障碍物与所述前一轨道环境数据中的障碍物之间的匹配矩阵；以及采用Hungarian算法基于所述匹配矩阵确定出所述候选障碍物与所述前一轨道环境数据中的障碍物之间的最优对应关系以作为所述对应关系。
在一实施例中，采用多帧数据投票的方式基于被跟踪的障碍物的特征确定出所述障碍物的类别包括：计算被跟踪的障碍物在各个特征上的特征值；基于所述被跟踪的障碍物在各个特征上属于各个类别的概率，所述概率与所述特征值有关；将所述被跟踪的障碍物在连续多帧数据中分别属于各个类别的概率进行累加；以及将所述被跟踪的障碍物的类别确定为概率值最大的类别。
根据本发明的另一个方面，还提供了一种轨道交通车辆的定位装置，包括存储器、处理器以及存储在存储器上的计算机程序，所述处理器被用于执行存储在所述存储器上的计算机程序时实现如上述任一实施例中所述的轨道交通车辆的定位方法的步骤。
根据本发明的再一个方面，还提供了一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如中上述任一实施例中所述的轨道交通车辆的定位方法的步骤。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后，更能够更好地理解本发明的上述特征和优点。
图1是根据本发明的一个方面绘示的一实施例中的定位方法的流程示意图；
图2是根据本发明的一个方面绘示的一实施例中的定位方法的部分流程示意图；
图3是根据本发明的一个方面绘示的一具体实施例中的点云转换的示意图；
图4是根据本发明的一个方面绘示的一实施例中的定位方法的部分流程示意图；
图5是根据本发明的一个方面绘示的一具体实施例中的点云聚类的结果示意图；
图6是根据本发明的一个方面绘示的一实施例中的定位方法的部分流程示意图；
图7是根据本发明的一个方面绘示的一实施例中的定位方法的部分流程示意图；
图8是根据本发明的一个方面绘示的一实施例中的定位方法的部分流程示意图；
图9是根据本发明的一个方面绘示的一具体实施例中的铁轨或路肩所对应的点云的示意图；
图10是根据本发明的一个方面绘示的一实施例中的定位方法的部分流程示意图；
图11是根据本发明的一个方面绘示的一实施例中的定位方法的部分流程示意图；
图12是根据本发明的一个方面绘示的一实施例中的定位方法的部分流程示意图；
图13是根据本发明的一个方面绘示的一实施例中的定位方法的部分流程示意图；
图14是根据本发明的一个方面绘示的一实施例中的定位方法的部分流程示意图；
图15是根据本发明的一个方面绘示的一实施例中的定位方法的部分流程示意图；
图16是根据本发明的另一个方面绘示的一实施例中的定位装置的模块框图。
具体实施方式
给出以下描述以使得本领域技术人员能够实施和使用本发明并将其结合到具体应用背景中。各种变型、以及在不同应用中的各种使用对于本领域技术人员将是容易显见的，并且本文定义的一般性原理可适用于较宽范围的实施例。由此，本发明并不限于本文中给出的实施例，而是应被授予与本文中公开的原理和新颖性特征相一致的最广义的范围。
在以下详细描述中，阐述了许多特定细节以提供对本发明的更透彻理解。然而，对于本领域技术人员显而易见的是，本发明的实践可不必局限于这些具体细节。换言之，公知的结构和器件以框图形式示出而没有详细显示，以避免模糊本发明。
请读者注意与本说明书同时提交的且对公众查阅本说明书开放的所有文件及文献，且所有这样的文件及文献的内容以参考方式并入本文。除非另有直接说明，否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此，除非另有明确说明，否则所公开的每一个特征仅是一组等效或类似特征的一个示例。
注意，在使用到的情况下，标志左、右、前、后、顶、底、正、反、顺时针和逆时针仅仅是出于方便的目的所使用的，而并不暗示任何具体的固定方向。事实上，它们被用于反映对象的各个部分之间的相对位置和/或方向。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
注意，在使用到的情况下，进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头，该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
根据本发明的一个方面，提供一种轨道交通车辆的定位方法。
在一实施例中，如图1所示，轨道交通车辆的定位方法100可包括步骤S110～S130。
其中，步骤S110为：获取激光雷达采集到的当前轨道环境数据。
轨道环境数据是指轨道交通车辆运行过程中的环境情况的数据。当前轨道环境数据是指轨道交通车辆当前所在位置处的环境数据。
在逆向工程中通过测量仪器得到的产品外观表面的点数据集合也称之为点云(Point Cloud)，通常使用三维坐标测量机所得到的点数量比较少，点与点的间距也比较大，叫稀疏点云；而使用三维激光扫描仪或照相式扫描仪得到的点云，点数量比较大并且比较密集，叫密集点云。
则，本发明所述的当前轨道环境数据是指使用激光雷达得到的点云。是激光雷达扫描轨道交通车辆的运行环境后获取的运行环境内的物体的表面特性的海量点集合，包括每一采样点的空间坐标。
步骤S120为：基于不同对象在所述当前轨道环境数据中的呈现特征确定出所述当前轨道环境数据中的特征地物。
不同形状的物体对应的点云会呈现出不同的物理特性，比如，地面所对应的点云的坐标在高度上呈现出一致性，杆状地物比如建筑物外表面所对应的点云会在高程方向上呈现出延展特性，面状地物比如建筑物的顶部所对应的点云会在平行于地面的方向上呈现出延展特性等等。
因此，针对不同类型的扫描对象的表面特性可分析出该些不同对象的在轨道环境数据中所对应的点云具备的呈现特征，因此可基于该些呈现特征区别出轨道环境数据中的特征地物的数据，从而确定出轨道环境中的各个对象。
在一具体实施例中，步骤S120可包括步骤S121～S124，如图2所示。
步骤S121为：将所述点云转化为二维深度影像以建立各个扫描点之间的相邻关系。
利用激光雷达的扫描特点，将其获得的点云转化为二维深度影像。图3示出了一具体实施例中的点云转换结果示意图，其第一行为该实施例中的激光雷达扫描获得的三维点云，第二行为第一行的三维点云转换成的二维深度影像。可以理解，二维深度影像可指示出各个扫描点之间的相邻关系，从而加快点云内部点的领域搜索速度，提高点云的聚类效率。
步骤S122为：使用区域生长的方法基于所述各个扫描点之间的相邻关系提取所述扫描点中的地面点云以得到非地面点云。
区域生长算法的基本思想是将有相似性质的像素点合并到一起。对每一个区域先指定一个种子点作为生长的起点，然后将种子点周围领域的像素点和种子点进行对比，将具有相似性质的点合并起来继续向外生长,直到没有满足条件的像素被包括进来为止。
轨道车辆的运行环境包括地面和地面上的特征地物，因此可首先利用区域生成算法并基于地面的呈现特征来确定出点云中的地面点云，再利用剩下的非地面点云来确定出特征地物。
在确定地面点云时，可先确定出地面点云中的部分地面点，再利用区域生长的方法确定出剩余的地面点。
在一具体实施例中，如图4所示，步骤S121可包括步骤S1221～S1223。
其中，步骤S1221为：将基于必然会扫描到地面点的扫描线获取到的点云中的位置最低的若干点确定为种子点。
首先根据激光雷达在轨道交通车辆中的安装方式，确定激光雷达中哪些扫描线必然会扫描到地面点。然后，在这些必然会扫描到地面点的扫描线获取的点云中，确定出其中位置最低的几个点以作为种子点。
步骤S1222为：以所述种子点为地面点云，采用广度优先搜索对所述二维深度影像中的所有点进行遍历以将相对于所述地面点云中的任一地面点的高程差值小于预设高程阈值的点并入所述地面点云中直到所述点云中不存在可并入所述地面点云的点。
可以理解，以种子点作为原始生长点，先计算出与任一种子点相邻的未知点的高程差值以将种子点附近的地面点并入地面点云；再以种子点附近的地面点为生长点计算出与种子点附近的地面点相邻的未知点的高程差值以将该些地面点附近的地面点并入地面点云；以此类推，直到遍历完二维深度影像中的所有点，没有任意点可并入地面点为止，完成地面点云的提取。
具体的每一未知点的高程差值可通过区域生长原则的计算公式来计算，如下所示：
Δh＝h(x)-h(neighbor(x)) (1)
其中，h(x)为二维深度影像中的未知点x对应的像素的高程，neighbor(x)为现有的地面点云中与未知点x相邻的地面点。在计算过程中，neighbor(x)可以是种子点，也可以是种子点以外的已经确定的其他地面点。
若一未知点x的高程差值Δh的值小于预设高程阈值，则可将该未知点x标记为地面点。
步骤S1223为：提取出所有点云中的地面点云以形成所述非地面点云。
将二维深度影像中的地面点提取出之后剩下的点构成非地面点云。再基于该些非地面点云的呈现特征即可确定出特征地物。
对应地，步骤S123为：对所述非地面点云进行聚类以确定出若干未知对象。
具体可利用同一地物在同一扫描线下的相邻点角度β来判断前后两段扫描点云是否属于同一地物，并将属于同一地物的点云聚类成一未知对象的表面形状。其中，相邻点计算公式如下：
β＝arctan2(||BH||,||AH||) (2)
以图5所示的非地面点聚类示意图所示，||BH||和||AH||分别为线段BH和AH的长度。具体可设置一角度阈值，响应于任意两段扫描点云的角度β小于该角度阈值，判断该两段扫描电源属于同一地物，反之，则不属于同一地物。
图3的第三行示出了其第二行所示的二维深度影像中的非地面点聚类后的结果的示意图。
在确定出二维深度影像中的各个未知对象后，即可基于不同特征地物的形状特征来将其分类为对应的特征地物。对应地，步骤S124为：基于不同类别的特征地物的形状特征对所述若干未知对象进行分类以确定出所述若干未知对象所对应的特征地物，所述特征地物包括杆状地物和面状地物。
针对杆状地物，可基于杆状地物在高程方向上的延展特性来对区分出未知对象中的杆状地物。
在一具体实施例中，如图6所示，步骤S124可包括步骤S610～S620。
其中，步骤S610为：基于若干未知对象的点集的线参数确定出其中的杆状地物。
线参数是指将每一对象的点集拟合成一条直线后该直线的参数。较优地，如图7所示，步骤S610可具体包括步骤S611～S613。
其中，步骤S611为：基于每一未知对象的外包盒计算出所述未知对象的长宽比。
外包盒可理解为未知对象的最外围点云所构成的形状。当未知对象的外包盒为不规则图形时，可基于该未知对象的任意位置计算出长宽比，再将所有计算出的长宽比中的较小的长宽比作为该未知对象的长宽比。
步骤S612为：采用RANSAC方法获取长宽比大于预设阈值的未知对象的线参数。
RANSAC(Random Sample Consensus)算法又称随机抽样一致算法。该算法假设样本数据中包含正确数据和异常数据，可以理解，对于包括异常数据的样本数据，若直接采用最小二乘法求出其对应的数学模型是不够准确的，而RANSAC算法则是先剔除异常数据以获得最大支持数据集合，再利用最小二乘法求出最大支持数据对应的最佳数学模型。
本发明则利用RANSAC算法拟合出长宽比大于预设阈值的各个未知对象的点云所对应的最佳直线即各个未知对象的线参数。
步骤S613为：将线参数平行于Z轴的未知对象确定为所述杆状地物。
显然，杆状地物的较长边一般垂直于地面即平行于Z轴，因此可将线参数平行于Z轴的未知对象确定为杆状地物。
进一步地，针对面状地物，可基于面状地物在平行于地面的方向上的延展特性来区分出未知对象中的面状地物。对应地，步骤S620为：基于所述若干对象的点集的平面参数确定出其中的面状地物。
与杆状地物的确定过程类似，如图8所示，步骤S620可具体包括步骤S621～S624。
其中，步骤S621为：计算每一未知对象中的每一点的曲率。
步骤S622为：基于每一未知对象的所有点的曲率确定出所述未知对象的面特征点占其所有点的比例。
可以理解，一平面中的任意一点的曲率为0，则可基于一未知对象中的每一点的曲率确定出该点是否属于面特征点。比如将曲率近似于0的点确定为面特征点。再将该未知对象中的面特征点的数量除以其点云中的点的数量作为该未知对象的面特征点的所占比例。
步骤S623为：采用RANSAC方法获取比例大于预设阈值的未知对象的平面参数。
利用RANSAC方法将面特征点所在比例大于预设阈值的未知对象的点云拟合成一平面，进而确定出该平面的平面参数。
步骤S624为：将平面参数的拟合法向量垂直于地面方向的未知对象确定为所述面状地物。
进一步地，特征地物还可包括铁轨或路肩。
针对铁轨或路肩，如图9所示，根据铁轨或路肩的特点，在其附近位置因存在高程突变，因此可基于铁轨或路肩相对于地面的高程突变特性确定出地面点云中铁轨或路肩对应的点云。较优地，定位方法100还可包括分类出地面点云中铁轨或路肩对应的点云的步骤。
在一具体实施例中，如图10所示，分类出地面点云中铁轨或路肩对应的点云的步骤可包括步骤S1010～S1020。
其中，步骤S1010为：沿扫描线方向对地面点云的高差进行计算。
步骤S1020为：将高差突变幅度符合铁轨或路肩高度变化的点云确定为铁轨或路肩对应的点云。
由于铁路面并非完全平整，完全利用高程变化提取铁轨存在困难，因此在一较优实施例中，如图11所示，分类出地面点云中铁轨或路肩对应的点云的步骤还包括步骤S1130：基于扫描仪与铁轨之间的先验相对位置确定出所述地面点云中可能出现铁轨或路肩的位置区间。
对应地，步骤S1010为：沿扫描线方向对在该位置区间内的地面点云的高差进行计算。
对应地，步骤S1020为：将在该位置区间内且高差突变幅度符合铁轨或路肩高度变化的点云确定为铁轨或路肩对应的点云。
进一步地，确定出当前轨道环境数据中的特征地物后，步骤S130为：将所述特征地物与所述轨道交通车辆的预建地图进行匹配以确定出所述轨道交通车辆的位姿。
预建地图为轨道交通车辆的运行轨道旁的正常轨旁设施，比如固定建筑物等，而不包括移动物体。因此将确定出的特征地物与预建地图中的正常轨旁设施进行匹配，再基于匹配成功的各个特征地物在预建地图中的位置来确定出轨道交通车辆的位姿。其中，位姿包括位置和姿态。
为降低匹配过程的计算量并提高匹配过程的可靠性，本发明将通过激光雷达扫描得到的点云转换为二维深度影像，并在二维深度影像中完成地面点云以及特征地物对应的点云的提取。在提取出的地面点云以及特征地物对应的点云的基础上，采用分类别的匹配算法实现当前帧的二维深度影像中的地面点云以及特征地物对应的点云与预建地图中对应类别的数据进行匹配，进而确定出轨道交通车辆的位姿。
可以理解，在上述匹配过程中，各个特征地物可能会与预建地图中的正常轨旁设施匹配成功，也有可能匹配不到对应的轨旁设施，因此可基于匹配结果建立特征地物的白名单和黑名单，以分别对应于与预建地图中的正常轨旁设施匹配成功的特征地物名单和与预建地图中的正常轨旁设施匹配失败的特征地物名单。
较优地，在步骤S130中，可仅基于白名单中的特征地物对位姿的约束能力来确定出轨道交通车辆的位姿。
具体地，如图12所示，步骤S130可包括步骤S131～S132。
其中，步骤S131为：将特征地物与轨道交通车辆的预建地图进行匹配以确定出特征地物中的白名单。
步骤S132为：基于白名单中的各个特征地物对位置和姿态的不同约束能力确定轨道交通车辆的估计位姿。
具体的，由于杆状地物对水平方向的位置具有较强的约束能力，因此可首先利用杆状地物的匹配结果解算出轨道交通车辆的X轴和Y轴坐标(tx，ty)；然后，由于铁轨或路肩对应的点云对水平方向的位姿和高程方向具有较强的约束能力，因此利用铁轨或路肩的匹配结果解算出轨道交通车辆的X轴、Y轴和Z轴坐标以及航向角(tx，ty，tz，θheading)；接着，由于地面对于高程方向、俯仰和翻滚运动具有较强的约束效果，因此利用地面点云的匹配结果解算出轨道交通车辆的X轴坐标以(tz，θroll，θpitch)；最后由于面状地物适对除高程方向外的位姿分量都具有较强的约束效果，因此利用面状地物的匹配结果解算出轨道交通车辆的X轴和Y轴坐标以及及翻滚角、俯仰角和航向角(tx，ty，θroll，θpitch，θheading)。
由于所有的特征地物可以分为具有线状特征的杆状地物和铁轨或路肩以及具有面状特征的地面和面状地物，因此可针对不同的特征类型使用不同的距离度量。
针对线状特征，假设一杆状地物、或铁轨或路肩上的一空间点的坐标为p(x0,y0,z0)，则该空间点p对应的特征地物的直线方程为Ax+By+Cz+D＝0，则该空间点p所属的杆状地物、或铁轨或路肩的距离度量计算公式如下：
Figure BDA0002740794950000131
针对面状特征，假设一地面点或面状地物的面特征点p的坐标为p(x0,y0,z0)，则该空间点p所属的地面点或面状地物的距离度量计算公式如下：
d＝(p-s)·n (4)
其中，s为空间点p在其所属的地面点或面状地物内的最近邻点，n为对应的过该最近邻点s的法向量。
进一步地，步骤S130还可包括步骤S133。
其中，步骤S133为：利用ESKF(error-state Kalman Filter)算法将所述估计位姿与IMU数据确定出的估计位姿进行融合以获得轨道交通车辆的位姿。
轨道交通车辆的状态向量定义为：
x＝[pT vT qT ab T ωb T] (5)
其中，pT分别表示“东-北-天”三个方向上的位置，vT表示“东-北-天”三个方向上的速度，qT表示三维姿态，ab T表示三轴加速度计的零偏向量，ωb T表示三轴陀螺的零偏向量。则对应的误差项为
x＝[δpT δvT δqT δab T δωb T] (6)
定位方法的误差来源主要有：IMU的加速度测量误差、IMU角速度测量误差、IMU加速度偏置白噪声、IMU角速度偏置白噪声和观测误差。
将IMU输出的角速率和线性加速度信息通过机械编排算法(包括位置、速度和姿态更新算法)计算得出的位置和姿态与激光雷达采集的点云经过白名单匹配搜索后的位置和姿态进行卡尔曼滤波融合以得到最终的轨道交通车辆的位置和姿态即位姿。其中，融合后的位置误差和姿态误差还可再反馈以用于更新INS机械编排的位置和姿态，估计出的陀螺仪零偏和加速度计零偏则用于补偿传感器参数误差。
进一步地，黑名单可用于障碍物规避。较优地，定位方法100还可包括基于黑名单规避障碍物的步骤，具体为：将特征地物与轨道交通车辆的预建地图进行匹配以确定出轨道交通车辆的前进线路上的障碍物以便于规避所述障碍物。
在一具体实施例中，如图13所示，基于黑名单规避障碍物的步骤可包括步骤S1310～S1350。
其中，步骤S1310为：将所述特征地物与所述轨道交通车辆的预建地图进行匹配以确定出所述特征地物中的黑名单，所述黑名单包括不能与预建地图中的任一正常轨旁设施匹配成功的特征地物。
步骤S1320为：将所述黑名单中的相对于所述轨道交通车辆的前进线路的距离小于预设阈值的特征地物确定为候选障碍物。
步骤S1330为：基于所述候选障碍物与前一轨道环境数据中的障碍物的位置邻近度和形状相似度确定出所述候选障碍物与前一轨道环境数据中的障碍物的对应关系。
在一具体实施例中，如图14所示，步骤S1330可包括步骤S1331～S1333。
其中，步骤S1331为：计算候选障碍物与前一轨道环境数据中的障碍物之间的相似度。
基于当前帧轨道环境数据中的候选障碍物与前一帧轨道环境数据中的障碍物之间的距离以及形状相似度建立当前帧候选障碍物与前一帧障碍物之间的相似性度量，该相似性度量计算公式可用下式表示：
∧(X,Y)＝∧A(X,Y)∧S(X,Y) (7)
其中，X和Y分别对应于当前帧轨道环境数据中的候选障碍物与前一帧轨道环境数据中跟踪的对象，∧A(X,Y)为X和Y的距离相近度，∧S(X,Y)为X和Y的形状相似度。∧A(X,Y)和∧S(X,Y)的定义如下：
Figure BDA0002740794950000151
Figure BDA0002740794950000152
其中，
Figure BDA0002740794950000153
为X和Y之间的欧式距离，hX和wX分别为X的高度和宽度，hY和wY分别为Y的高度和宽度。
步骤S1332为：建立候选障碍物与前一轨道环境数据中的障碍物之间的匹配矩阵。
假设前一帧轨道环境数据跟踪了m个障碍物，当前帧轨道环境数据的黑名单中有n个候选障碍物，则可建立匹配矩阵Sm×n，如下：
Sm×n＝[sij]m×n,sij＝log(∧(X,Y)) (10)
建立匹配矩阵后Sm×n，进一步地，步骤S1333为：采用Hungarian算法基于匹配矩阵确定出候选障碍物与前一轨道环境数据中的障碍物之间的最优对应关系以作为候选障碍物与已确定的障碍物之间的对应关系。
进一步地，步骤S1340为：基于所述对应关系利用扩展卡尔曼滤波法实现所述障碍物的跟踪。
由于卡尔曼滤波仅能对线性的处理模型和测量模型进行精确的估计，在非线性的场景中并不能达到最优的估计效果。在轨道交通环境中，需要估计行人或车辆等其他障碍物的运动状态，它们的状态估计不能使用简单的线性系统来描述。故本发明采用扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法。
可以理解，利用前一帧轨道环境数据中的障碍物可对当前帧对应障碍物进行预测，再利用当前帧轨道环境数据中的备选障碍物作为预测值的观测值，利用扩展卡尔曼滤波法基于前一帧的障碍物的预测值和当前帧的备选障碍物的观测值以及备选障碍物与障碍物间的对应关系实现对预测值的修正。
步骤S1350为：采用多帧数据投票的方式基于被跟踪的障碍物的特征确定出所述障碍物的类别。
由于遮挡和数据的稀疏性等原因，仅仅通过一帧数据难以确定出障碍物的类别，因此可采用连续多帧数据基于投票规则实现障碍物类别的识别。
在一具体实施例中，如图15所示，步骤S1350可包括步骤S1351～S1354。
步骤S1351为：计算被跟踪的障碍物在各个特征上的特征值。
具体可基于被跟踪的障碍物的长、宽、高、运动速度以及平均反射强度等特征对障碍物的类别进行识别。
步骤S1352为：基于所述被跟踪的障碍物在各个特征上属于各个类别的概率，所述概率与特征值有关。
各个特征可包括长、宽、高、运动速度以及平均反射强度等。
以长、宽、高、运动速度以及平均反射强度作为障碍物的特征，假设一障碍物的某一类特征Vi的值为vi时，则其属于类别j的概率P(Vi,j)可用下式表示，在已知一障碍物的所有特征的值的情况下，该障碍物属于类别j的概率P(j)可用下式表示。
P(Vi,j)＝fj(vi) (11)
P(j)＝ρ1P(V1,j)+ρ2P(V2,j)+…+ρ5P(V5,j) (12)
步骤S1353为：将被跟踪的障碍物在连续多帧数据中分别属于各个类别的概率进行累加。
步骤S1354为：将被跟踪的障碍物的类别确定为概率值最大的类别。
在每一帧轨道环境数据中，均计算障碍物的所有的特征值以及该障碍物属于各个可能的类别的概率，在连续多帧数据的情况下，对属于某一类别的概率进行累加以作为属于该类别的概率，并将障碍物确定为概率最大的类别。
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
根据本发明的另一个方面，还提供一种轨道交通车辆的定位装置，如图16所示，包括存储器1610和处理器1620。
存储器1610用于存储计算机程序。
处理器1620与存储器1610连接，用于执行存储器1610上的计算机程序，该计算机程序被执行时实现上述任一实施例中的定位方法的步骤。
根据本发明的再一个方面，还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述任一实施例中的定位方法的步骤。
本领域技术人员将可理解，信息、信号和数据可使用各种不同技术和技艺中的任何技术和技艺来表示。例如，以上描述通篇引述的数据、指令、命令、信息、信号、位(比特)、码元、和码片可由电压、电流、电磁波、磁场或磁粒子、光场或光学粒子、或其任何组合来表示。
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供之前的描述是为了使本领域中的任何技术人员均能够实践本文中所描述的各种方面。但是应该理解，本发明的保护范围应当以所附权利要求书为准，而不应被限定于以上所解说实施例的具体结构和组件。本领域技术人员在本发明的精神和范围内，可以对各实施例进行各种变动和修改，这些变动和修改也落在本发明的保护范围之内。

Claims (14)

1.一种轨道交通车辆的定位方法，包括：
获取激光雷达采集到的当前轨道环境点云；
将所述点云转化为二维深度影像，以建立各个扫描点之间的相邻关系；
使用区域生长的方法，基于所述各个扫描点之间的相邻关系提取所述扫描点中的地面点云，以得到非地面点云；
对所述非地面点云进行聚类，以确定出若干未知对象；
基于每一所述未知对象的外包盒，计算出所述对象的长宽比；
采用RANSAC方法获取长宽比大于预设阈值的未知对象的线参数；
将线参数平行于Z轴的未知对象，确定为杆状地物；以及
将所述杆状地物与所述轨道交通车辆的预建地图进行匹配，以确定出所述轨道交通车辆的位姿。
2.如权利要求1所述的定位方法，其特征在于，所述使用区域生长的方法基于所述各个扫描点之间的相邻关系提取所述扫描点中的地面点云以得到非地面点云包括：
将基于必然会扫描到地面点的扫描线获取到的点云中的位置最低的若干点确定为种子点；
以所述种子点为地面点云，采用广度优先搜索对所述二维深度影像中的所有点进行遍历以将相对于所述地面点云中的任一地面点的高程差值小于预设高程阈值的点并入所述地面点云中直到所述点云中不存在可并入所述地面点云的点；以及
提取出所有点云中的地面点云以形成所述非地面点云。
3.如权利要求1所述的定位方法，其特征在于，还包括以下步骤：
基于所述若干未知对象的点集的平面参数确定出其中的面状地物；以及
将所述面状地物与所述轨道交通车辆的预建地图进行匹配，以确定出所述轨道交通车辆的位姿。
4.如权利要求3所述的定位方法，其特征在于，所述基于所述若干未知对象的点集的平面参数确定出其中的面状地物包括：
计算每一未知对象的每一点的曲率；
基于每一未知对象的所有点的曲率确定出所述未知对象的面特征点占其所有点的比例；
采用RANSAC方法获取比例大于预设阈值的未知对象的平面参数；以及
将平面参数的拟合法向量垂直于地面方向的未知对象确定为所述面状地物。
5.如权利要求1所述的定位方法，其特征在于，所述特征地物还包括铁轨或路肩，所述定位方法还包括：
基于铁轨或路肩相对于地面的高程突变特性确定出所述地面点云中铁轨或路肩对应的点云。
6.如权利要求5所述的定位方法，其特征在于，所述基于铁轨或路肩相对于地面的高程突变特性确定出所述地面点云中铁轨或路肩包括：
沿扫描线方向对所述地面点云的高差进行计算；以及
将高差突变幅度符合铁轨或路肩高度变化的点云确定为所述铁轨或路肩对应的点云。
7.如权利要求6所述的定位方法，其特征在于，
所述基于铁轨或路肩相对于地面的高程突变特性确定出所述地面点云中铁轨或路肩还包括：
基于扫描仪与铁轨之间的先验相对位置确定出所述地面点云中可能出现铁轨或路肩的位置区间；以及
所述将高差突变幅度符合铁轨或路肩高度变化的点云确定为所述铁轨或路肩对应的点云包括：
将在所述位置区间内且高差突变幅度符合铁轨或路肩高度变化的点云确定为所述铁轨或路肩对应的点云。
8.如权利要求1所述的定位方法，其特征在于，所述将所述特征地物与所述轨道交通车辆的预建地图进行匹配以确定出所述轨道交通车辆的位姿包括：
将所述特征地物与所述轨道交通车辆的预建地图进行匹配以确定出所述特征地物中的白名单，所述白名单包括与预建地图中的正常轨旁设施匹配成功的特征地物；以及
基于所述白名单中的各个特征地物对位置和姿态的不同约束能力确定所述轨道交通车辆的估计位姿。
9.如权利要求8所述的定位方法，其特征在于，所述将所述特征地物与所述轨道交通车辆的预建地图进行匹配以确定出所述轨道交通车辆的位姿还包括：
利用ESKF算法将所述估计位姿与IMU数据确定出的估计位姿进行融合以获得所述轨道交通车辆的位姿。
10.一种轨道交通车辆的定位方法，其特征在于，包括：
获取激光雷达采集到的当前轨道环境数据；
基于不同对象在所述当前轨道环境数据中的呈现特征确定出所述当前轨道环境数据中的特征地物；
将所述特征地物与所述轨道交通车辆的预建地图进行匹配以确定出所述轨道交通车辆的位姿；
将所述特征地物与所述轨道交通车辆的预建地图进行匹配以确定出所述特征地物中的黑名单，所述黑名单包括不能与预建地图中的任一正常轨旁设施匹配成功的特征地物；
将所述黑名单中的相对于所述轨道交通车辆的前进线路的距离小于预设阈值的特征地物确定为候选障碍物；
基于所述候选障碍物与前一轨道环境数据中的障碍物的位置邻近度和形状相似度确定出所述候选障碍物与前一轨道环境数据中的障碍物的对应关系；
基于所述对应关系利用扩展卡尔曼滤波法实现所述障碍物的跟踪；以及
采用多帧数据投票的方式基于被跟踪的障碍物的特征确定出所述障碍物的类别。
11.如权利要求10所述的定位方法，其特征在于，所述基于所述候选障碍物与前一轨道环境数据中的障碍物的位置邻近度和形状相似度确定出所述候选障碍物与前一轨道环境数据中的障碍物的对应关系包括：
计算所述候选障碍物与前一轨道环境数据中的障碍物之间的相似度；
建立所述候选障碍物与所述前一轨道环境数据中的障碍物之间的匹配矩阵；以及
采用Hungarian算法基于所述匹配矩阵确定出所述候选障碍物与所述前一轨道环境数据中的障碍物之间的最优对应关系以作为所述对应关系。
12.如权利要求10所述的定位方法，其特征在于，采用多帧数据投票的方式基于被跟踪的障碍物的特征确定出所述障碍物的类别包括：
计算被跟踪的障碍物在各个特征上的特征值；
基于所述被跟踪的障碍物在各个特征上属于各个类别的概率，所述概率与所述特征值有关；
将所述被跟踪的障碍物在连续多帧数据中分别属于各个类别的概率进行累加；以及
将所述被跟踪的障碍物的类别确定为概率值最大的类别。
13.一种轨道交通车辆的定位装置，包括存储器、处理器以及存储在存储器上的计算机程序，其特征在于，所述处理器被用于执行存储在所述存储器上的计算机程序时实现如权利要求1～12中任一项所述的轨道交通车辆的定位方法的步骤。
14.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1～12中任一项所述的轨道交通车辆的定位方法的步骤。
CN202011149680.5A 2020-10-23 2020-10-23 一种轨道交通车辆的定位方法及其装置 Active CN112285738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011149680.5A CN112285738B (zh) 2020-10-23 2020-10-23 一种轨道交通车辆的定位方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011149680.5A CN112285738B (zh) 2020-10-23 2020-10-23 一种轨道交通车辆的定位方法及其装置

Publications (2)

Publication Number Publication Date
CN112285738A CN112285738A (zh) 2021-01-29
CN112285738B true CN112285738B (zh) 2023-01-31

Family

ID=74423307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011149680.5A Active CN112285738B (zh) 2020-10-23 2020-10-23 一种轨道交通车辆的定位方法及其装置

Country Status (1)

Country Link
CN (1) CN112285738B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765392B (zh) * 2021-04-08 2021-07-06 北京全路通信信号研究设计院集团有限公司 一种基于图像匹配的高铁列控定位方法及其系统
CN113715872B (zh) * 2021-06-25 2023-08-11 上海富欣智能交通控制有限公司 轨交列车实时位置转换方法、存储介质和系统
CN113689504B (zh) * 2021-10-25 2022-01-25 上海仙工智能科技有限公司 基于可描述形状的点云精准定位方法、装置及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108732603B (zh) * 2017-04-17 2020-07-10 百度在线网络技术（北京）有限公司 用于定位车辆的方法和装置
CN107728633B (zh) * 2017-10-23 2020-12-18 广州极飞科技有限公司 获取目标物位置信息方法及装置、移动装置及其控制方法
SG11201811462PA (en) * 2018-11-09 2020-06-29 Beijing Didi Infinity Technology & Development Co Ltd Vehicle positioning system using lidar
CN109872329A (zh) * 2019-01-28 2019-06-11 重庆邮电大学 一种基于三维激光雷达的地面点云快速分割方法
CN109887033B (zh) * 2019-03-01 2021-03-19 北京智行者科技有限公司 定位方法及装置
CN110221603B (zh) * 2019-05-13 2020-08-14 浙江大学 一种基于激光雷达多帧点云融合的远距离障碍物检测方法
CN110335316B (zh) * 2019-06-28 2023-04-18 Oppo广东移动通信有限公司 基于深度信息的位姿确定方法、装置、介质与电子设备
CN111351482B (zh) * 2020-03-19 2023-08-18 南京理工大学 基于误差状态卡尔曼滤波的多旋翼飞行器组合导航方法

Also Published As

Publication number Publication date
CN112285738A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN112285738B (zh) 一种轨道交通车辆的定位方法及其装置
CN111272165B (zh) 一种基于特征点标定的智能车定位方法
CN111337941B (zh) 一种基于稀疏激光雷达数据的动态障碍物追踪方法
CN111551958B (zh) 一种面向矿区无人驾驶的高精地图制作方法
CN109684921B (zh) 一种基于三维激光雷达的道路边界检测与跟踪方法
CN106997049B (zh) 一种基于激光点云数据的检测障碍物的方法和装置
CN110647798B (zh) 基于车载移动激光点云的轨道中线自动检测方法
CN110146910B (zh) 一种基于gps与激光雷达数据融合的定位方法及装置
JP6197393B2 (ja) レーン地図生成装置及びプログラム
CN109657698B (zh) 一种基于点云的磁悬浮轨道障碍物检测方法
CN114842438B (zh) 用于自动驾驶汽车的地形检测方法、系统及可读存储介质
Ma et al. Generation of horizontally curved driving lines in HD maps using mobile laser scanning point clouds
CN113468941B (zh) 障碍物检测方法、装置、设备及计算机存储介质
CN112346463B (zh) 一种基于速度采样的无人车路径规划方法
CN112414417B (zh) 自动驾驶地图生成方法、装置、电子设备及可读存储介质
CN112455502B (zh) 基于激光雷达的列车定位方法及装置
CN114877838B (zh) 一种基于车载激光扫描系统的道路几何特征检测方法
CN112379393A (zh) 一种列车碰撞预警方法及其装置
CN114646954A (zh) 基于雷达检测的交通工具定位
CN111717244A (zh) 一种列车自动驾驶感知方法和系统
JP2023525927A (ja) 車両位置推定システム及び方法
CN116358515A (zh) 一种低速无人驾驶系统的建图定位方法与装置
CN113030997B (zh) 一种基于激光雷达的露天矿区可行驶区域检测方法
Tang et al. 3D object detection from roadside data using laser scanners
CN116929363A (zh) 一种基于可通行地图的矿用车辆自主导航方法

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