CN112631288B - 泊车定位方法、装置、车辆及存储介质 - Google Patents
泊车定位方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN112631288B CN112631288B CN202011449655.9A CN202011449655A CN112631288B CN 112631288 B CN112631288 B CN 112631288B CN 202011449655 A CN202011449655 A CN 202011449655A CN 112631288 B CN112631288 B CN 112631288B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- pose
- map
- information
- probability distribution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000004927 fusion Effects 0.000 claims abstract description 67
- 239000002245 particle Substances 0.000 claims description 36
- 238000005259 measurement Methods 0.000 claims description 25
- 230000000007 visual effect Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 8
- 230000000295 complement effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
- G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
- G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
- G08G1/148—Management of a network of parking areas
Abstract
本申请公开了一种泊车定位方法、装置、车辆及存储介质。所述方法包括获取车辆在地图中的初始位姿;获取所述车辆的融合控制量;依据所述初始位姿及所述融合控制量,以获取所述车辆在所述地图中的先验位姿概率分布;获取所述车辆周围的语义信息;及依据所述车辆周围的语义信息矫正所述先验位姿概率分布,以获取所述车辆在所述地图中的后验位姿概率分布,从而获取最优位姿估计。上述泊车定位方法通过依据时间、空间稳定的语义信息矫正先验位姿概率分布,获取后验位姿概率分布,从而获取车辆在地图中的最优位姿估计,提升了车辆在动态环境下的定位稳定性,为泊车提供可靠的位姿信息,保证了车辆可以进行长距离或复杂环境下的泊车定位。
Description
技术领域
本申请涉及自主泊车技术领域,具体涉及一种泊车定位方法、装置、车辆及存储介质。
背景技术
随着我国汽车产业的快速发展及人们生活水平的提高,汽车数量急剧增加,而停车位却没有同比增长,导致停车变成了一件非常痛苦的事情,严重的甚至导致交通阻塞及交通事故。因此,自助泊车技术应运而生,而无人车定位技术则是其中最关键的技术之一。现有技术中,大多采用以下定位方法:1.全球导航卫星系统(GNSS,Global NavigationSatellite System)实时动态(RTK,Real-time kinematic)定位技术利用可视化卫星,接收基站发送的差分修正信息,对流动站进行修正,达到厘米级的定位精度;2.里程计积分定位技术,通过不断累加无人车的运动量实现定位;3.激光雷达定位技术,利用激光的点云数据和静态地图匹配获得绝对位姿;4.视觉定位技术,采用特征点或像素直接法来建图定位。
在实现本申请的过程中,发明人发现现有技术中至少存在如下问题:1.对于地下停车库这样的场景,将无法使用上述导航卫星系统实时动态定位技术;2.里程计积分定位技术,存在累积误差,只能短时间定位;3.对于复杂多变的场景,激光当前的点云数据和静态地图差别太大,使得定位不够稳定,特别是安装二维激光雷达,而三维激光雷达精度及稳定性都较高,但是成本太高;4.视觉定位技术对光照较为敏感,不够稳定,且计算量大,精度不够。
发明内容
鉴于以上内容,有必要提出一种泊车定位方法、装置、车辆及存储介质,以解决上述问题。
本申请的第一方面提供一种泊车定位方法,所述方法包括:
获取车辆在地图中的初始位姿,所述初始位姿为所述车辆在泊车开始时显示于所述地图中的位姿;
获取所述车辆的融合控制量,所述融合控制量由多种传感器互补融合获取;
依据所述初始位姿及所述融合控制量,以获取所述车辆在所述地图中的先验位姿概率分布;
获取所述车辆周围的语义信息;及
依据所述车辆周围的语义信息矫正所述先验位姿概率分布,以获取所述车辆在所述地图中的后验位姿概率分布,从而获取最优位姿估计,所述最优位姿估计为所述后验位姿概率分布的均值。
上述泊车定位方法通过依据互补的传感器数据融合获取更精确的先验位姿概率分布,依据时间、空间稳定的语义信息矫正先验位姿概率分布,获取后验位姿概率分布,从而获取车辆在地图中的最优位姿估计,提升了车辆在动态环境下的定位稳定性,为泊车提供可靠的位姿信息,保证了车辆可以进行长距离或复杂环境下的泊车定位。
在一些实施例中,所述获取车辆在地图中的初始位姿的步骤具体包括:
依据所述后验位姿概率分布,获取车辆在地图中的初始位姿。
如此,通过将后验位姿概率分布作为下一次泊车定位的初始位姿,为连续泊车提供可靠的位姿信息。
在一些实施例中,所述获取车辆在地图中的初始位姿的步骤具体包括:
获取车库的地图;及
获取所述车辆的初始信息并关联所述地图,以获取所述车辆在所述地图中的初始位姿,所述初始信息为所述车辆在泊车开始时所获取的车库的信息。
如此,通过获取车库的地图并关联车辆的初始信息,以获取车辆在地图中的初始位姿,保证车辆在泊车开始时具有较为准确的参考依据。
在一些实施例中,所述获取所述车辆的融合控制量的步骤具体包括:
获取所述车辆的里程计信息及惯性测量单元信息;
关联所述里程计信息及所述惯性测量单元信息,以获取所述车辆的累积位姿;及
依据所述累积位姿获取所述车辆的融合控制量,所述融合控制量为所述车辆的累积位姿在相邻时刻的差值。
如此,通过关联里程计信息及惯性测量单元信息,提供更精确的融合控制量,为获取先验位姿概率分布及最优位姿估计提供更好的初始解,并且可以适应更长时间没有语义信息的情况。
在一些实施例中,所述依据所述初始位姿及所述融合控制量,以获取所述车辆在所述地图中的先验位姿概率分布的步骤具体包括:
通过粒子滤波运动模型关联所述初始位姿及所述融合控制量,以获取所述车辆在所述地图中的先验位姿概率分布。
如此,通过粒子滤波运动模型关联初始位姿及融合控制量,获取更为精确的先验位姿概率分布,为语义信息位姿矫正提供可能解范围。
在一些实施例中,所述获取所述车辆周围的语义信息的步骤具体包括:
获取所述车辆的实时视觉信息;
预处理所述车辆的实时视觉信息,并生成全景图信息;
提取所述全景图信息的特征,以生成特征信息;及
分类识别所述特征信息,并生成语义信息。
如此,通过提取全景图信息的特征并最终生成语义信息,获取更为丰富的语义信息。
本申请的第二方面提供一种泊车定位装置,所述装置包括:
初始位姿获取模块,用于获取车辆在地图中的初始位姿,所述初始位姿为所述车辆在泊车开始时显示于所述地图中的位姿;
融合控制量获取模块,用于获取所述车辆的融合控制量,所述融合控制量由多种传感器互补融合获取;
先验位姿概率分布获取模块,用于依据所述初始位姿及所述融合控制量,以获取所述车辆在所述地图中的先验位姿概率分布;
语义获取模块,用于获取所述车辆周围的语义信息;及
最优位姿估计获取模块,用于依据所述车辆周围的语义信息矫正所述先验位姿概率分布,以获取所述车辆在所述地图中的后验位姿概率分布,从而获取最优位姿估计,所述最优位姿估计为后验位姿概率分布的均值。
在一些实施例中,所述初始位姿获取模块包括:
地图获取子模块,用于获取车库的地图;及
第一关联子模块,用于获取所述车辆的初始信息并关联所述地图,以获取所述车辆在所述地图中的初始位姿,所述初始信息为所述车辆在泊车开始时所获取的车库的信息。
在一些实施例中,所述融合控制量获取模块包括:
第一获取子模块,用于获取所述车辆的里程计信息及惯性测量单元信息;
第二关联子模块,用于关联所述里程计信息及所述惯性测量单元信息,以获取所述车辆的累积位姿;及
差值获取子模块,用于依据所述累积位姿获取所述车辆的融合控制量,所述融合控制量为所述车辆的累积位姿在相邻时刻的差值。
在一些实施例中,所述语义获取模块包括:
第二获取子模块,用于获取所述车辆的实时视觉信息;
预处理子模块,用于预处理所述车辆的实时视觉信息,并生成全景图信息;提取子模块,用于提取所述全景图信息的特征,以生成特征信息;及
分类识别子模块,用于分类识别所述特征信息,并生成语义信息。
本申请的第三方面提供一种车辆,包括:
存储器、处理器及通讯总线,所述存储器通过所述通讯总线与所述处理器通信连接;及
所述存储器中存储有多个程序模块,多个所述程序模块由所述处理器加载并执行如上所述的泊车定位方法。
本申请的第四方面提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的泊车定位方法。
本申请提供的泊车定位方法、装置、车辆及存储介质,本申请提供的泊车定位方法,通过获取车辆的初始位姿、融合控制量,以获取先验位姿概率分布,通过获取车辆周围的语义信息,依据语义信息矫正车辆的先验位姿概率分布,以获取后验位姿概率分布,后验位姿概率分布的均值即为车辆在地图中的精确位姿,本申请适用于接收不到上述导航卫星系统信号,车辆无法获得自身的位姿的情况,本申请可以精确稳定的获得车辆的实时位姿,为泊车提供可靠的位姿信息。
附图说明
图1是本申请一实施例所提供的泊车定位方法的流程示意图。
图2是图1中S2的流程示意图。
图3是图1中S4的流程示意图。
图4是本申请一实施例所提供的泊车定位装置的功能模块图。
图5是本申请一实施例所提供的车辆的架构示意图。
具体实施方式
为了能够更清楚地理解本申请的目的、特征和优点,下面结合附图和具体实施例对本申请进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。在下面的描述中阐述了很多具体细节以便于充分理解本申请,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
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或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。本文所实用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参见图1,图1为本申请一个实施例提供的泊车定位方法的流程示意图。根据不同的需求,流程图中步骤的顺序可以改变,某些步骤可以省略。为了便于说明,仅示出了与本申请实施例相关的部分。
本申请实施例的泊车定位方法应用在车辆中。对于需要进行自主泊车的车辆,可以直接在车辆上集成本申请的方法所提供的泊车定位功能,或者安装用于实现本申请的车辆泊车定位方法的客户端。再如,本申请所提供的车辆泊车定位方法还可以以软件开发工具包(SDK,Software Development Kit)的形式运行在车辆上,以SDK的形式提供车辆泊车定位功能的接口,处理器或其他设备通过提供的接口即可实现泊车定位功能。泊车定位方法至少包括以下步骤。
步骤S1,获取车辆在地图中的初始位姿,初始位姿为车辆在泊车开始时显示于地图中的位姿。
在本实施方式中,车辆进入自主泊车时,先获取车辆在地图中的初始位姿,以使车辆在地图中具有初始值;在接下来的自主泊车过程中,车辆在地图中的位姿均是在初始位姿的基础上所生成的。
在一实施例中,获取车辆在地图中的初始位姿具体包括:
获取车库的地图;
获取车辆的初始信息并关联地图,以获取车辆在地图中的初始位姿,初始信息为车辆在泊车开始时其获取的车库的信息。
具体地,车库的地图可以在进入车库之前储存在车辆(例如车载控制器)中,也可以在进入车库时下载并储存在车辆中。可以理解地,为了提高自主泊车定位的准确性,地图为高精度显示的地图。
车辆在进入自主泊车时,车辆在第一时间获取初始信息,并将该初始信息与地图进行关联,以确定车辆在车库中的位置,并在地图上进行显示,以获取车辆在地图中的初始位姿。可以理解地,初始信息可以为车辆接收到的全球定位系统(Global PositioningSystem,GPS)或北斗卫星导航系统(BeiDou Navigation Satellite System,BDS)发送的定位信息,也可以为车辆拍摄到的车库中的显著标识,显著标识可以为车库中的区域标识牌、车位标识牌等具有指示作用的标识,也可以为包含车库相关信息的二维码,其中,拍摄车库中的显著标识及二维码的装置可以为车身四周的鱼眼相机,也可以为车头的相机。
步骤S2,获取车辆的融合控制量,融合控制量由多种传感器互补融合获取。
本实施方式中,车辆的融合控制量也可以理解为车辆从上一定位时刻到当前定位时刻的位姿变化量,车辆在进入自主泊车并获取车辆在地图中的初始位姿后,车辆需要不断获取车辆在地图中的位姿变化量,以被车辆中的处理器执行而实现车辆的自主泊车功能。
在一实施例中,请参见图2,获取车辆的融合控制量具体包括:
步骤S22,获取车辆的里程计信息及惯性测量单元信息。
里程计信息可以提供车辆较为准确的平移量,惯性测量单元信息可以提供车辆较为准确的旋转量(包括加速度和角速度),里程计信息及惯性测量单元信息均由相应地传感器提供,两种信息在性能上可以互补。
步骤S24,关联里程计信息及惯性测量单元信息,以获取车辆的累积位姿。
通过将里程计信息和惯性测量单元信息进行关联,以获取车辆在某一时刻的累积位姿。需要说明的是,累积位姿是指车辆在进入自主泊车后,车辆依据里程计信息和惯性测量单元信息而计算出来的位姿变化量,其并不是车辆在地图中所显示的位姿。
步骤S26,依据累积位姿获取车辆的融合控制量,融合控制量即为车辆的累积位姿在相邻时刻的差值。
在获取累积位姿后,需要获取车辆在相邻时刻的融合控制量。可以理解地,相邻时刻可以为相邻单帧之间的时刻,也可以为相邻多帧之间的时刻。相邻时刻越短,其获取的融合控制量的信息越准确,对车辆的自主泊车定位越有利。
在一实施方式中,通过扩展卡尔曼滤波方法关联里程计信息及惯性测量单元信息,即通过扩展卡尔曼滤波融合里程计信息及惯性测量单元信息,以得到更为准确的累积位姿。
在一些实施方式中,通过扩展卡尔曼滤波融合里程计信息及惯性测量单元信息的计算公式和过程如下所述。
定义状态转移方程和观测方程如下:
xt=g(ut,xt-1)+εt
zt=h(xt)+δt
其中,t是当前时刻,t-1是上一时刻,g()是状态转移方程表达式,采用匀速模型,x是车辆的位姿(包含位置及航向角),u是控制量(包含车辆当前的线速度及角速度),ε是过程噪声,h()是观测方程表达式,采用线性方程,即x和z呈单位矩阵关系,z是观测,δ是测量噪声。
扩展卡尔曼滤波融合的具体过程如下:
预测更新:
里程计更新:
惯性测量单元更新:
其中,μ是状态,σ是状态协方差矩阵,K是卡尔曼增益矩阵,G是g的雅可比矩阵,H是单位矩阵,R和Q分别是过程噪声和观测噪声。
匀速模型作为预测,里程计及惯性测量单元依次更新观测。里程计更新和惯性测量单元更新中的z都是增量式观测(表示累积位姿),即上一次融合结果加相应时刻间的传感器位姿增量,采用插值的方式保证各传感器位姿增量在同一时间段内。里程计更新和惯性测量单元更新中的Q都是测试噪声协方差,调整协方差对应维度大小进行传感器互补融合。
通过上述计算公式和过程,以最终获取融合控制量。
可以理解地,在其他的实施例中,还可以采用其他的计算公式和过程以最终获取融合控制量。
步骤S3,依据初始位姿及融合控制量,以获取车辆在地图中的先验位姿概率分布。
本实施例中,在第一次获取到融合控制量后,关联融合控制量及初始位姿,以获取车辆在地图中的先验位姿概率分布。先验位姿概率分布采用高斯分布。
在一实施方式中,通过粒子滤波运动模型关联融合控制量与初始位姿,采用一定数量的粒子表示初始位姿的概率分布,依据融合控制量,推动粒子滤波的粒子并加入过程噪声,以获得新的粒子滤波的粒子分布,即生成先验位姿概率分布。
在一实施方式中,初始位姿表示为向量A,此时的时刻为0,由于此刻还没有获取里程计信息及惯性测量单元信息,此刻的累积位姿为0,下一时刻表示为时间t,t时刻的累积位姿表示为向量a,则0至t时刻的融合控制量表示为a,t时刻的先验位姿表示为向量B,向量B为向量A与向量a之和,通过观测数据矫正先验位姿B获得后验位姿表示为向量E,在t时刻,车辆在地图中的位姿为后验位姿(向量E)。后验位姿是下一时刻的初始位姿。下一时刻表示为t+1,t+1时刻的累积位姿为向量(a+b),则t至t+1时刻的融合控制量为t+1时刻的累积位姿与t时刻的累积位姿之差,差值为向量b,t+1时刻的新的先验位姿表示为向量C,向量C为向量E与向量b之和,通过观测数据矫正先验位姿C获得新的后验位姿表示为向量F,在t+1时刻,车辆在地图中的位姿为新的后验位姿(向量F)。需要说明的是,本实施方式仅是用于说明初始位姿、先验位姿和后验位姿的大致关系,并不是对初始位姿、先验位姿和后验位姿的表示形式的限定,初始位姿、先验位姿和后验位姿还可以采用其他的表示形式。
步骤S4,获取车辆周围的语义信息。语义信息为在时间、空间上都非常稳定的车库特征。
本实施方式中,车辆周围的语义信息大致为车库中的停车位、车道线、减速带等语义特征,这些语义特征在时间和空间上均具有稳定性,不会受到环境变化的影响,能够保证提取的语义特征与地图的一致性,有利于泊车定位。
在一实施例中,请参见图3,获取车辆周围的语义信息具体包括:
步骤S42,获取车辆的实时视觉信息。
通过传感器获取车辆周围的实时视觉信息,传感器可以为鱼眼相机,将鱼眼相机设于车辆的车身四周,事先标定鱼眼相机的内外参数。通常在车身四周设置四个鱼眼相机,车辆周围无死角,四个鱼眼相机获取车辆四周的实时视觉信息。
步骤S44,预处理车辆的实时视觉信息,并生成全景图信息。
对获取的车辆的实时视觉信息进行预处理,最终生成全景图信息,全景图信息可以包含更多数量和类别的语义特征,信息较单相机俯视图更为丰富。
在一实施例中,预处理车辆的实时视觉信息具体包括:
通过反透视变换方法处理车辆的实时视觉信息,生成俯视图信息;
通过图像拼接方法将俯视图信息拼接为全景图信息。
具体地,通过反透视变换(IPM,Inverse Perspective Mapping)将每个鱼眼相机获取的实时视觉信息中的图像中的像素点投影到车身物理坐标系下的俯视图中,以生成俯视图。四个鱼眼相机各自对应一张俯视图,再通过图像拼接方法将四张俯视图拼接成为一张全景图,进而从全景图中分割得到丰富的语义信息。
步骤S46,提取全景图信息的特征,以生成特征信息。
基于深度学习的语义分割方法,对全景图信息作像素级别的停车位、车道线、减速带等类别的语义分割,在语义分割过程中,停车位角点、车道线角点均可以作为特征角点被提取为语义信息。
步骤S48,分类识别特征信息,并生成语义信息。
在语义分割后,通过分类识别经语义分割后的特征信息,最终生成语义信息。
步骤S5,依据车辆周围的语义信息矫正先验位姿概率分布,以获取车辆在地图中的后验位姿概率分布,从而获取最优位姿估计,最优位姿估计为后验位姿概率分布的均值。
需要说明的是,基于粒子滤波的先验位姿概率分布是通过一定数量的粒子采样表示的,每个粒子对应一个车辆位姿的可能解。
在一实施例中,依据车辆周围的语义信息矫正先验位姿概率分布包括:
通过先验位姿概率分布及坐标转换方法将语义信息从车辆坐标系转换至地图坐标系中,即关联语义信息及地图;通过粒子滤波观测模型对先验位姿概率分布进行矫正,以获取后验位姿概率分布,从而获取最优位姿估计,即获取最优解。
具体地,将车辆物理坐标系下的语义信息转换至地图坐标系下,以与地图中的语义信息进行特征匹配。矫正先验位姿概率分布的过程为:基于粒子滤波的方法是以一定数量的粒子对先验位姿概率分布进行采样,根据各粒子的不同位姿及坐标转换方法,将语义信息转换到地图坐标系下,根据语义角点距离地图中最近角点的距离打分,获得得分S,根据语义角点类型是否一致,对所有语义角点的得分S进行加权相加,获得每个粒子的权重。根据权重重采样获得粒子滤波的粒子的后验分布,粒子加权平均后获取最终的位姿,即以均值作为精确位姿(最优位姿估计)而显示在地图中。
在对特征角点的距离打分的过程中,通过查表或树形结构的方式获取最近距离,以减少时时的计算量,将距离代入高斯公式或相似功能的函数获得得分。
在对得分进行加权相加的过程中,加权的取值范围为0~1,例如,观测语义角点(属于车位)与对应地图上的语义角点(属于箭头)语义类型不一致时取值为0;语义类型都是车位,但车位斜率差得较远,取0~1之间的值;语义类型都是车位,车位斜率一致,取值为1;同样的可以加很多的类似语义约束。
例如,当车辆进入地下车库后,接收不到上述导航卫星系统的信号,车辆无法获得自身的位姿的情况,通过本申请的泊车定位方法可以精确并稳定的获得车辆的实时位姿,为自主泊车提供可靠的位姿信息。
步骤S1中,获取车辆在地图中的初始位姿的步骤还可以包括:
依据后验位姿概率分布,获取车辆在地图中的初始位姿。
通过后验位姿概率分布作为下一阶段泊车定位的初始位姿,可以在连续的泊车定位过程中,为泊车提供更为可靠的位姿信息,在复杂环境下,可保证车辆进行长距离的或连续性的泊车定位。
图1至图3详细介绍了本申请的泊车定位方法,通过该方法,能够依据稳定的语义信息特征矫正先验位姿概率分布,以获取车辆在地图中的最优位姿估计(最优解),从而得到更为准确的定位,有利于车辆的自主泊车;该方法成本低,定位精度达到厘米级,具有更高的定位稳定性,可以在没有上述导航卫星系统的地下车库中很好的适用。其中,步骤S1至步骤S5循环往复,实现实时定位,有利于长时间、长距离或复杂环境下的自主泊车。下面结合图4和图5,对实现泊车定位装置的功能模块以及硬件装置架构进行介绍。
图4为本申请一实施方式提供的泊车定位装置的功能模块图。
在一些实施方式中,泊车定位装置100可以包括多个由程序代码段所组成的功能模块。泊车定位装置100中的各个程序段的程序代码可以存储于车辆10的存储器11中,并由车辆10中的至少一个处理器12所执行,以实现车辆10的泊车定位的功能。
请参见图4,本实施方式中,泊车定位装置100根据其所执行的功能,可以被划分为多个功能模块,各个功能模块用于执行图1对应实施方式中的各个步骤,以实现泊车定位的功能。本实施方式中,泊车定位装置100的功能模块包括:初始位姿获取模块101、融合控制量获取模块102、先验位姿概率分布获取模块103、语义获取模块104及最优位姿估计获取模块105。
初始位姿获取模块101用于获取车辆10在地图中的初始位姿,初始位姿为车辆10在泊车开始时显示于地图中的位姿。
融合控制量获取模块102用于获取所述车辆的融合控制量,所述融合控制量由多种传感器互补融合获取。
先验位姿概率分布获取模块103用于依据所述初始位姿及所述融合控制量,以获取所述车辆在所述地图中的先验位姿概率分布。
语义获取模块104用于获取车辆10周围的语义信息。
最优位姿估计获取模块105用于依据所述车辆周围的语义信息矫正所述先验位姿概率分布,以获取所述车辆在所述地图中的后验位姿概率分布,从而获取最优位姿估计,所述最优位姿估计为后验位姿概率分布的均值。
在一实施方式中,初始位姿获取模块101包括地图获取子模块1012及第一关联子模块1014。
地图获取子模块1012用于获取车库的地图。
第一关联子模块1014用于获取车辆的初始信息并关联地图,以获取车辆10在地图中的初始位姿,初始信息为车辆10在泊车开始时所获取的车库的信息。
在一实施方式中,融合控制量获取模块102包括第一获取子模块1022、第二关联子模块1024及差值获取子模块1026。
第一获取子模块1022用于获取车辆10的里程计信息及惯性测量单元信息。
第二关联子模块1024用于关联里程计信息及惯性测量单元信息,以获取车辆10的累积位姿。
差值获取子模块1026用于依据累积位姿获取车辆10的增量位姿,增量位姿为车辆10的累积位姿在相邻时刻的差值。
在一实施方式中,语义获取模块104包括第二获取子模块1042、预处理子模块1044、提取子模块1046和分类识别子模块1048。
第二获取子模块1042用于获取车辆10的实时视觉信息。
预处理子模块1044用于预处理车辆10的实时视觉信息,并生成全景图信息。
提取子模块1046用于提取全景图信息的特征,以生成特征信息。
分类识别子模块1048用于分类识别特征信息,并生成语义信息。
在一实施方式中,最优位姿估计获取模块105包括坐标变换子模块1052及观测匹配子模块1054。
坐标变换子模块1052用于通过先验位姿概率分布及坐标转换方法将语义信息从车辆坐标系转换至所述地图中。
观测匹配子模块1054用于通过粒子滤波观测模型对先验位姿概率分布进行矫正,以获取后验位姿概率分布,从而获取最优位姿估计。
图5为本申请一实施例所提供的车辆的架构示意图。车辆10包括存储器11、处理器12和通讯总线13,存储器11通过通讯总线13与处理器12通信连接。
上述车辆10还包括存储在存储器11中并可在处理器12上运行的计算机程序14,例如泊车定位的程序。
上述处理器12执行计算机程序14时实现方法实施例中泊车定位方法的步骤。或者,处理器12执行计算机程序14实现系统实施例中各模块/单元的功能。
上述计算机程序14可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器11中,并由处理器12执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,指令段用于描述计算机程序14在车辆10中的执行过程。例如,计算机程序14可以被分割成图4中的模块101、102、103、104、105。
本领域技术人员可以理解,图5仅仅是车辆10的示例,并不构成对车辆10的限定,车辆10可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如车辆10还可以包括输入设备等。
上述处理器12可以是中央处理单元(CPU,Central Processing Unit),还可以包括其他通用处理器、数字信号处理器(DSP,Digital Signal Processor)、专用集成电路(ASIC,Application Specific Integrated Circuit)、现成可编程门阵列(FPGA,Field-Programmable Gate Array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者处理器也可以是任何常规的处理器等,处理器12是上述车辆10的控制中心,利用各种接口和线路连接整个车辆10的各个部分。
上述存储器11可用于存储计算机程序14和/或模块/单元,处理器12通过运行或执行存储在存储器11内的计算机程序14和/或模块/单元,以及调用存储在存储器11内的数据,实现车辆10的各种功能。存储器11可以包括外部存储介质,也可以包括内存。此外,存储器11可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SMC,Smart Media Card),安全数字(SD,Secure Digital)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
上述车辆10集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序14来指令相关的硬件来完成,上述的计算机程序14可存储于一计算机可读存储介质中,计算机程序14在被处理器12执行时,可实现上述各个方法实施例的步骤。需要说明的是,上述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
Claims (12)
1.一种泊车定位方法,其特征在于,所述方法包括:
获取车辆在地图中的初始位姿,所述初始位姿为所述车辆在泊车开始时显示于所述地图中的位姿;
获取所述车辆的融合控制量,所述融合控制量由多种传感器互补融合获取;
依据所述初始位姿及所述融合控制量,以获取所述车辆在所述地图中的先验位姿概率分布;
获取所述车辆周围的语义信息;及
依据所述车辆周围的语义信息矫正所述先验位姿概率分布,以获取所述车辆在所述地图中的后验位姿概率分布,从而获取最优位姿估计,所述最优位姿估计为所述后验位姿概率分布的均值;
所述依据所述车辆周围的语义信息矫正所述先验位姿概率分布的步骤具体包括:通过所述先验位姿概率分布及坐标转换方法将语义信息从车辆坐标系转换至地图坐标系中,以与地图中的语义信息进行特征匹配;通过粒子滤波观测模型对所述先验位姿概率分布进行矫正,以获取所述后验位姿概率分布;
所述通过粒子滤波观测模型对所述先验位姿概率分布进行矫正的步骤具体包括:基于一定数量的粒子对所述先验位姿概率分布进行采样,根据各粒子的不同位姿及坐标转换方法,将语义信息转换到地图坐标系下,根据语义角点距离地图中最近角点的距离打分,获得得分S,根据语义角点类型是否一致,对所有语义角点的得分S进行加权相加,获得每个粒子的权重,根据权重采样获得粒子滤波的粒子的后验分布,粒子加权平均后获取最终的位姿,即以均值作为所述最优位姿估计而显示在地图中。
2.如权利要求1所述的泊车定位方法,其特征在于,所述获取车辆在地图中的初始位姿的步骤具体包括:
依据所述后验位姿概率分布,获取车辆在地图中的初始位姿。
3.如权利要求1所述的泊车定位方法,其特征在于,所述获取车辆在地图中的初始位姿的步骤具体包括:
获取车库的地图;及
获取所述车辆的初始信息并关联所述地图,以获取所述车辆在所述地图中的初始位姿,所述初始信息为所述车辆在泊车开始时所获取的所述车库的信息。
4.如权利要求1所述的泊车定位方法,其特征在于,所述获取所述车辆的融合控制量的步骤具体包括:
获取所述车辆的里程计信息及惯性测量单元信息;
关联所述里程计信息及所述惯性测量单元信息,以获取所述车辆的累积位姿;及
依据所述累积位姿获取所述车辆的融合控制量,所述融合控制量为所述车辆的累积位姿在相邻时刻的差值。
5.如权利要求1所述的泊车定位方法,其特征在于,所述依据所述初始位姿及所述融合控制量,以获取所述车辆在所述地图中的先验位姿概率分布的步骤具体包括:
通过粒子滤波运动模型关联所述初始位姿及所述融合控制量,以获取所述车辆在所述地图中的先验位姿概率分布。
6.如权利要求1所述的泊车定位方法,其特征在于,所述获取所述车辆周围的语义信息的步骤具体包括:
获取所述车辆的实时视觉信息;
预处理所述车辆的实时视觉信息,并生成全景图信息;
提取所述全景图信息的特征,以生成特征信息;及
分类识别所述特征信息,并生成语义信息。
7.一种泊车定位装置,其特征在于,所述装置包括:
初始位姿获取模块,用于获取车辆在地图中的初始位姿,所述初始位姿为所述车辆在泊车开始时显示于所述地图中的位姿;
融合控制量获取模块,用于获取所述车辆的融合控制量,所述融合控制量由多种传感器互补融合获取;
先验位姿概率分布获取模块,用于依据所述初始位姿及所述融合控制量,以获取所述车辆在所述地图中的先验位姿概率分布;
语义获取模块,用于获取所述车辆周围的语义信息;及
最优位姿估计获取模块,用于依据所述车辆周围的语义信息矫正所述先验位姿概率分布,以获取所述车辆在所述地图中的后验位姿概率分布,从而获取最优位姿估计,所述最优位姿估计为后验位姿概率分布的均值;
所述最优位姿估计获取模块,还用于通过所述先验位姿概率分布及坐标转换方法将语义信息从车辆坐标系转换至地图坐标系中,以与地图中的语义信息进行特征匹配;通过粒子滤波观测模型对所述先验位姿概率分布进行矫正,以获取所述后验位姿概率分布;
所述最优位姿估计获取模块,还用于基于一定数量的粒子对所述先验位姿概率分布进行采样,根据各粒子的不同位姿及坐标转换方法,将语义信息转换到地图坐标系下,根据语义角点距离地图中最近角点的距离打分,获得得分S,根据语义角点类型是否一致,对所有语义角点的得分S进行加权相加,获得每个粒子的权重,根据权重采样获得粒子滤波的粒子的后验分布,粒子加权平均后获取最终的位姿,即以均值作为所述最优位姿估计而显示在地图中。
8.如权利要求7所述的泊车定位装置,其特征在于,所述初始位姿获取模块包括:
地图获取子模块,用于获取车库的地图;及
第一关联子模块,用于获取所述车辆的初始信息并关联所述地图,以获取所述车辆在所述地图中的初始位姿,所述初始信息为所述车辆在泊车开始时所获取的所述车库的信息。
9.如权利要求7所述的泊车定位装置,其特征在于,所述融合控制量获取模块包括:
第一获取子模块,用于获取所述车辆的里程计信息及惯性测量单元信息;
第二关联子模块,用于关联所述里程计信息及所述惯性测量单元信息,以获取所述车辆的累积位姿;及
差值获取子模块,用于依据所述累积位姿获取所述车辆的融合控制量,所述融合控制量为所述车辆的累积位姿在相邻时刻的差值。
10.如权利要求7所述的泊车定位装置,其特征在于,所述语义获取模块包括:
第二获取子模块,用于获取所述车辆的实时视觉信息;
预处理子模块,用于预处理所述车辆的实时视觉信息,并生成全景图信息;
提取子模块,用于提取所述全景图信息的特征,以生成特征信息;及
分类识别子模块,用于分类识别所述特征信息,并生成语义信息。
11.一种车辆,其特征在于,包括:
存储器、处理器及通讯总线,所述存储器通过所述通讯总线与所述处理器通信连接;及
所述存储器中存储有多个程序模块,多个所述程序模块由所述处理器加载并执行如权利要求1至6中任意一项所述的泊车定位方法。
12.一种计算机可读存储介质,其存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的泊车定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011449655.9A CN112631288B (zh) | 2020-12-09 | 2020-12-09 | 泊车定位方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011449655.9A CN112631288B (zh) | 2020-12-09 | 2020-12-09 | 泊车定位方法、装置、车辆及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112631288A CN112631288A (zh) | 2021-04-09 |
CN112631288B true CN112631288B (zh) | 2023-01-06 |
Family
ID=75309694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011449655.9A Active CN112631288B (zh) | 2020-12-09 | 2020-12-09 | 泊车定位方法、装置、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112631288B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113465620A (zh) * | 2021-06-02 | 2021-10-01 | 上海追势科技有限公司 | 一种基于语义信息的停车场粒子滤波定位方法 |
CN114013427A (zh) * | 2021-11-13 | 2022-02-08 | 安徽江淮汽车集团股份有限公司 | 用于自动泊车测试的泊车数据处理方法 |
CN114323020B (zh) * | 2021-12-06 | 2024-02-06 | 纵目科技(上海)股份有限公司 | 车辆的定位方法、系统、设备及计算机可读存储介质 |
CN114882733B (zh) * | 2022-03-15 | 2023-12-01 | 深圳市德驰微视技术有限公司 | 基于域控制器的停车位获取方法、电子设备及存储介质 |
CN114427863A (zh) * | 2022-04-01 | 2022-05-03 | 天津天瞳威势电子科技有限公司 | 车辆定位方法及系统、自动泊车方法及系统、存储介质 |
CN114913500B (zh) * | 2022-07-12 | 2022-11-01 | 福思(杭州)智能科技有限公司 | 位姿确定方法、装置、计算机设备和存储介质 |
CN117011387B (zh) * | 2023-10-07 | 2024-01-26 | 湖州丽天智能科技有限公司 | 一种基于视觉识别的光伏板位姿拟合方法及安装机器人 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766757A (zh) * | 2018-12-11 | 2019-05-17 | 惠州市德赛西威汽车电子股份有限公司 | 一种融合车辆和视觉信息的泊车位高精度定位方法及系统 |
CN110345939A (zh) * | 2019-07-02 | 2019-10-18 | 山东科技大学 | 一种融合模糊逻辑判断及地图信息的室内定位方法 |
CN110738690A (zh) * | 2019-09-16 | 2020-01-31 | 南京理工大学 | 一种基于多目标追踪框架的无人机视频中车速校正方法 |
CN111351493A (zh) * | 2018-12-24 | 2020-06-30 | 上海欧菲智能车联科技有限公司 | 一种定位方法和系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017108107A1 (de) * | 2017-04-13 | 2018-10-18 | Volkswagen Aktiengesellschaft | Verfahren, vorrichtung und computerlesbares speichermedium mit instruktionen zur schätzung einer pose eines kraftfahrzeugs |
US10983526B2 (en) * | 2018-09-17 | 2021-04-20 | Huawei Technologies Co., Ltd. | Method and system for generating a semantic point cloud map |
DE102019207087A1 (de) * | 2019-05-15 | 2020-11-19 | HELLA GmbH & Co. KGaA | Lokalisierung einer mobilen Einheit |
-
2020
- 2020-12-09 CN CN202011449655.9A patent/CN112631288B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766757A (zh) * | 2018-12-11 | 2019-05-17 | 惠州市德赛西威汽车电子股份有限公司 | 一种融合车辆和视觉信息的泊车位高精度定位方法及系统 |
CN111351493A (zh) * | 2018-12-24 | 2020-06-30 | 上海欧菲智能车联科技有限公司 | 一种定位方法和系统 |
CN110345939A (zh) * | 2019-07-02 | 2019-10-18 | 山东科技大学 | 一种融合模糊逻辑判断及地图信息的室内定位方法 |
CN110738690A (zh) * | 2019-09-16 | 2020-01-31 | 南京理工大学 | 一种基于多目标追踪框架的无人机视频中车速校正方法 |
Non-Patent Citations (6)
Title |
---|
《A Localization Based on Unscented Kalman Filter and Particle Filter Localization Algorithms》;INAM ULLAH 等;《SPECIAL SECTION ON GREEN COMMUNICATIONS ON WIRELESS NETWORK》;20191217;第2233-2246页 * |
《A Tightly-coupled Semantic SLAM System with Visual, Inertial and Surround-view Sensors for Autonomous Indoor Parking》;Xuan Shao 等;《Poster Session C2: Emerging Multimedia Applications》;20201016;第2691-2699页 * |
《Marker-Based Mapping and Localization for Autonomous Valet ParkingInternational 》;Zheng Fang 等;《Conference on Intelligent Robots and Systems 》;20201029;第30-35页 * |
《基于多目标点A算法的停车场车位路径引导系统设计》;肖玮 等;《计算机与现代化》;20200630;第40-45页 * |
《基于改进UKF的自动泊车车辆位姿估计算法研究》;谢有浩 等;《汽车技术》;20190330;第7-12页 * |
《基于视觉传感器的服务机器人SLAM技术研究》;张京林;《信息科技》;20180630;第15-39页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112631288A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112631288B (zh) | 泊车定位方法、装置、车辆及存储介质 | |
CN109945858B (zh) | 用于低速泊车驾驶场景的多传感融合定位方法 | |
Toulminet et al. | Vehicle detection by means of stereo vision-based obstacles features extraction and monocular pattern analysis | |
EP3644015A1 (en) | Position estimation system and position estimation method | |
US8929604B2 (en) | Vision system and method of analyzing an image | |
CN111912416B (zh) | 用于设备定位的方法、装置及设备 | |
CN112667837A (zh) | 图像数据自动标注方法及装置 | |
US11430199B2 (en) | Feature recognition assisted super-resolution method | |
CN111256693B (zh) | 一种计算位姿变化方法及车载终端 | |
CN110969055A (zh) | 用于车辆定位的方法、装置、设备和计算机可读存储介质 | |
US20230222688A1 (en) | Mobile device positioning method and positioning apparatus | |
CN113920198A (zh) | 一种基于语义边缘对齐的由粗到精的多传感器融合定位方法 | |
CN111649740A (zh) | 一种基于imu进行车辆高精度定位的方法及系统 | |
CN111539305B (zh) | 一种地图构建方法及系统、车辆及存储介质 | |
CN111723724B (zh) | 一种路面障碍物识别方法和相关装置 | |
CN117197775A (zh) | 对象标注方法、对象标注装置及计算机可读存储介质 | |
CN113838129B (zh) | 一种获得位姿信息的方法、装置以及系统 | |
CN113034538B (zh) | 一种视觉惯导设备的位姿跟踪方法、装置及视觉惯导设备 | |
CN116762094A (zh) | 数据处理方法和设备 | |
Liu et al. | The robust semantic slam system for texture-less underground parking lot | |
CN116503482B (zh) | 车辆位置的获取方法、装置及电子设备 | |
US11461944B2 (en) | Region clipping method and recording medium storing region clipping program | |
CN114782914A (zh) | 自动驾驶车辆定位方法及装置、电子设备、存储介质 | |
WO2020073270A1 (en) | Snapshot image of traffic scenario | |
WO2020073268A1 (en) | Snapshot image to train roadmodel |
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 |