CN112902987B - 一种位姿修正的方法及装置 - Google Patents

Abstract

本说明书公开了一种位姿修正的方法及装置，自动驾驶设备获取当前采集的各待识别图像后，可以确定自身的基础位姿，并根据该基础位姿，在预设的电子地图中确定当前位于自动驾驶设备周围的各地图参照物，而后，对各待识别图像进行参照物检测，得到各待识别图像对应的参照物检测结果，以及针对每个地图参照物，根据该地图参照物在电子地图中的地理坐标以及基础位姿，将该地图参照物的图像投影到各待识别图像中，得到该地图参照物对应的参照物投影结果。自动驾驶设备可以根据参照物检测结果以及各地图参照物的参照物投影结果，确定自动驾驶设备在当前的实际位姿偏差，并根据实际位姿偏差，对基础位姿进行修正，提高了对位姿进行修正的准确性。

Description

一种位姿修正的方法及装置

技术领域

本说明书涉及自动驾驶领域，尤其涉及一种位姿修正的方法及装置。

背景技术

在自动驾驶领域中，为了保证自动驾驶设备的行驶安全，需要在自动驾驶设备行驶过程中对自动驾驶设备进行准确定位。

在现有技术中，自动驾驶设备可以通过如全球定位系统(Global PositioningSystem,GPS)等定位方式对自身进行一个粗略的定位，再通过采集得到的图像对该粗略的定位进行修正，但通过这种方式确定出的修正后的定位较为不准确。

所以，如何提高针对自动驾驶设备进行定位的准确性，则是一个亟待解决的问题。

发明内容

本说明书提供一种位姿修正的方法及装置，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种位姿修正的方法，包括：

获取当前自动驾驶设备采集的各待识别图像；

确定所述自动驾驶设备的基础位姿，并根据所述基础位姿，在预设的电子地图中确定当前位于所述自动驾驶设备周围的各地图参照物；

对所述各待识别图像进行参照物检测，得到所述各待识别图像对应的参照物检测结果，以及针对每个地图参照物，根据该地图参照物在所述电子地图中的地理坐标和所述基础位姿，将该地图参照物的图像投影到所述各待识别图像中，得到该地图参照物对应的参照物投影结果；

根据所述参照物检测结果以及各地图参照物的参照物投影结果，确定所述自动驾驶设备在当前的实际位姿偏差，并根据所述实际位姿偏差，对所述基础位姿进行修正。

可选地，对所述各待识别图像进行参照物检测，得到所述各待识别图像对应的参照物检测结果，具体包括：

针对每个待识别图像，通过预设的图像识别模型对该待识别图像进行参照物检测，确定该待识别图像中每个图像坐标点对应的检测概率，作为该待识别图像对应的参照物检测结果，一个图像坐标点对应的检测概率用于表示该图像坐标点对应图像像素所归属的目标物属于地图参照物的概率。

可选地，根据该地图参照物在所述电子地图中的地理坐标以及所述基础位姿，将该地图参照物的图像投影到所述待识别图像中，得到该地图参照物对应的参照物投影结果，具体包括：

根据所述基础位姿和投影偏移量，将该地图参照物在所述电子地图中对应的至少部分采样点投影到所述各待识别图像中，得到该地图参照物在所述各待识别图像对应的图像坐标点，作为该地图参照物对应的参照物投影结果。

可选地，根据所述参照物检测结果以及各地图参照物的参照物投影结果，确定所述自动驾驶设备在当前的实际位姿偏差，具体包括：

针对每个地图参照物，根据该地图参照物在所述各待识别图像中对应的图像坐标点，以及所述各待识别图像中的每个图像坐标点对应的检测概率，确定该地图参照物在所述各待识别图像中对应的各图像坐标点归属于该地图参照物的概率，作为该地图参照物对应的匹配概率；

根据各地图参照物对应的匹配概率，确定所述自动驾驶设备在当前的实际位姿偏差。

可选地，根据各地图参照物对应的匹配概率，确定所述自动驾驶设备在当前的实际位姿偏差，具体包括：

以所述各地图参照物对应的匹配概率的概率和最大为目标，确定所述自动驾驶设备在当前的实际位姿偏差。

可选地，根据该地图参照物在所述电子地图中的地理坐标以及所述基础位姿，将该地图参照物的图像投影到所述各待识别图像中，得到该地图参照物对应的参照物投影结果之前，所述方法还包括：

确定预设的投影偏移量范围；

在所述投影偏移量范围内选取若干投影偏移量；

根据所述参照物检测结果以及各地图参照物的参照物投影结果，确定所述自动驾驶设备在当前的实际位姿偏差，具体包括：

以所述各地图参照物对应的匹配概率的概率和最大为目标，从选取出的所述若干投影偏移量确定出目标偏移量，作为所述自动驾驶设备在当前的实际位姿偏差。

可选地，训练所述图像识别模型，具体包括：

获取训练样本；

将所述训练样本中的样本图像输入到所述图像识别模型中，以通过所述图像识别模型识别所述样本图像中包含的各目标物，得到识别结果；

以最小化所述识别结果与所述训练样本中的标注结果之间的差异为优化目标，对所述图像识别模型进行训练。

本说明书提供了一种位姿修正的装置，包括：

获取模块，用于获取当前自动驾驶设备采集的各待识别图像；

确定模块，用于确定所述自动驾驶设备的基础位姿，并根据所述基础位姿，在预设的电子地图中确定当前位于所述自动驾驶设备周围的各地图参照物；

投影模块，用于对所述各待识别图像进行参照物检测，得到所述各待识别图像对应的参照物检测结果，以及针对每个地图参照物，根据该地图参照物在所述电子地图中的地理坐标和所述基础位姿，将该地图参照物的图像投影到所述各待识别图像中，得到该地图参照物对应的参照物投影结果；

修正模块，用于根据所述参照物检测结果以及各地图参照物的参照物投影结果，确定所述自动驾驶设备在当前的实际位姿偏差，并根据所述实际位姿偏差，对所述基础位姿进行修正。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述位姿修正的方法。

本说明书提供了一种自动驾驶设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述位姿修正的方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的位姿修正的方法中，自动驾驶设备获取当前采集的各待识别图像后，可以确定该自动驾驶设备的基础位姿，并根据该基础位姿，在预设的电子地图中确定当前位于自动驾驶设备周围的各地图参照物，而后，对各待识别图像进行参照物检测，得到各待识别图像对应的参照物检测结果，以及针对每个地图参照物，根据该地图参照物在电子地图中的地理坐标以及基础位姿，将该地图参照物的图像投影到各待识别图像中，得到该地图参照物对应的参照物投影结果。自动驾驶设备可以根据参照物检测结果以及各地图参照物的参照物投影结果，确定自动驾驶设备在当前的实际位姿偏差，并根据实际位姿偏差，对基础位姿进行修正。

从上述方法中可以看出，自动驾驶设备可以对多个待识别图像中存在的地图参照物进行图像检测，以及根据自身的基础位姿将电子地图中的地图参照物投影到待识别图像中，可以确定出自身的基础位姿与实际位姿之间所存在的实际位姿偏差，从而能够准确对基础位姿进行修正，保证自动驾驶设备得到准确的位姿数据。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书中一种位姿修正的方法的流程示意图；

图2A～2B分别为本说明书提供的一种对地图参照物进行投影的示意图；

图3为本说明书提供的一种位姿修正的装置的示意图；

图4为本说明书提供的一种对应于图1的自动驾驶设备的示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书中一种位姿修正的方法的流程示意图，包括以下步骤：

S101：获取当前自动驾驶设备采集的各待识别图像。

S102：确定所述自动驾驶设备的基础位姿，并根据所述基础位姿，在预设的电子地图中确定当前位于所述自动驾驶设备周围的各地图参照物。

在实际应用中，在自动驾驶设备行驶过程中，为了保证自身的安全行驶，通常需要确定出自身准确的位姿，准确的位姿能够更好地支持自动驾驶设备对自身实施控制。

基于此，自动驾驶设备可以获取当前采集的待识别图像，以及确定自身的基础位姿，并根据该基础位姿，在预设的电子地图中确定当前位于该自动驾驶设备周围的各地图参照物，其中，自动驾驶设备可以是全自动驾驶设备、也可以是半自动驾驶设备等，如，可以是具备为驾驶员提供自动泊车功能的半自动驾驶设备。这里提到的自动驾驶设备的基础位姿可以通过常规方式进行获取，如GPS、惯性传感器等。这里提到的电子地图可以是高精地图、导航地图等。这里提到的地图参照物可以是指电子地图中已标注有的车道线、交通灯等。

上述提到的自动驾驶设备可以是指无人车、无人机、自动配送设备等能够实现自动驾驶的设备。基于此，采用本说明书提供的位姿修正的方法可以对自动驾驶设备获取到的基础位姿进行修正，得到准确的位姿，该自动驾驶设备具体可应用于通过自动驾驶设备进行配送的领域，如，使用自动驾驶设备进行快递、物流、外卖等配送的业务场景。

S103：对所述各待识别图像进行参照物检测，得到所述各待识别图像对应的参照物检测结果，以及针对每个地图参照物，根据该地图参照物在所述电子地图中的地理坐标和所述基础位姿，将该地图参照物的图像投影到所述各待识别图像中，得到该地图参照物对应的参照物投影结果。

自动驾驶设备确定出各地图参照物后，可以对各待识别图像进行参照物检测，得到各待识别图像的参照物检测结果。该参照物检测结果可以用于表示检测出的待识别图像的每个图像像素是否为地图参照物所对应的图像像素。该参照物检测结果也可以表示各待识别图像中包含的目标物属于地图参照物的概率分布。

在本说明书中，自动驾驶设备可以针对每个待识别图像，通过预设的图像识别模型对该待识别图像进行参照物检测，确定该待识别图像中每个图像坐标点对应的检测概率，作为该待识别图像对应的参照物检测结果，其中，一个图像坐标点对应的检测概率用于表示该图像坐标点对应图像像素所归属的目标物属于地图参照物的概率。

也就是说，图像识别模型可以输出待识别图像中每个图像坐标点的图像像素属于地图参照物所对应的图像像素的概率，在整个待识别图像中，每个图像坐标点对应的检测概率，可以表示哪些图像像素可能为地图参照物对应的图像像素，哪些图像像素可能不是地图参照物对应的图像像素。例如，自动驾驶设备对该待识别图像进行的是车道线检测，待识别图像中每个图像坐标点均对应有一个检测概率，这个检测概率是图像坐标点对应的图像像素为车道线的图像像素的概率，待识别图像中没有车道线的区域中这一检测概率可能是0％，在车道线清晰地被采集到的图像区域中，这些图像坐标点对应的检测概率可能是99％。其中，图像识别模型可以是常规的深度学习算法，在此就详细举例说明了。

需要说明的是，上述图像识别模型需要预先进行有监督的模型训练，具体的，服务器可以获取训练样本，并将训练样本中的样本图像输入到图像识别模型中，以通过图像识别模型识别样本图像中包含的各目标物，得到识别结果，并以最小化该识别结果与训练样本中的标注结果之间的差异为优化目标，对图像识别模型进行训练，并将训练后的该图像识别模型部署在自动驾驶设备上。其中，这里提到的识别结果可以是指识别出的样本图像中每个图像坐标点对应的图像像素归属于目标物的概率，标注结果可以表示标注出的样本图像中每个图像坐标点是否归属于目标物，具体是何种目标物可以根据实际需求而定，可以是如车道线、交通灯等。

自动驾驶设备还可以针对每个地图参照物，根据该地图参照物在电子地图中的地理坐标和确定出的基础位姿，将该地图参照物的图像投影到各待识别图像中，得到该地图参照物对应的参照物投影结果，这里提到的参照物投影结果可以表示出结合自动驾驶设备当前的基础位姿，按照电子地图中记载的地图参照物的地理坐标，在待识别图像中地图参照物所位于的图像位置。

其中，自动驾驶设备可以根据基础位姿和投影偏移量，将该地图参照物在电子地图中对应的至少部分采样点投影到各待识别图像中，得到该地图参照物在各待识别图像对应的图像坐标点，作为该地图参照物对应的参照物投影结果。这里提到的投影偏移量可以是若干为了进行试验而预设出的基础位姿所存在的误差，自动驾驶设备可以通过这些投影偏移量将地图参照物投影到待识别图像中。这里提到的采样点可以是指该地图参照物对应的在电子地图中标注的地理坐标点。例如，确定出自动驾驶设备当前周围的车道线后，针对每个车道线，可以从电子地图中该车道线的各采样点中，每隔10cm选取该车道线的一个采样点，作为选取出的采样点，而后将选取出的该车道线的采样点投影到待识别图像中。当然，自动驾驶设备也可以随机选取出该车道线的若干采样点投影到待识别图像中，选取采样点的方式在本说明书中不进行限定。

S104：根据所述参照物检测结果以及各地图参照物的参照物投影结果，确定所述自动驾驶设备在当前的实际位姿偏差，并根据所述实际位姿偏差，对所述基础位姿进行修正。

自动驾驶设备确定出各待识别图像对应的参照物检测结果以及各地图参照物的参照物投影结果后，可以根据该参照物检测结果，以及该参照物投影结果，确定自动驾驶设备在当前的实际位姿偏差，并根据该实际位姿偏差，对基础位姿进行修正。这里提到的实际位姿偏差是指确定出的基础位姿与准确的位姿之间所存在的偏差，通过该实际位姿偏差可以将基础位姿修正得到准确的位姿。

为了使自动驾驶设备当前能够通过对多个待识别图像的参照物检测结果以及每个待识别图像中各地图参照物的参照物投影结果，准确确定出上述实际位姿偏差，自动驾驶设备可以针对每个地图参照物，根据参照物投影结果中该地图参照物在各待识别图像中对应的图像坐标点，以及参照物检测结果中各待识别图像中的每个图像坐标点对应的检测概率，确定该地图参照物在各待识别图像中对应的各图像坐标点归属于该地图参照物的概率，作为该地图参照物对应的匹配概率，并根据各地图参照物对应的匹配概率，确定自动驾驶设备在当前的实际位姿偏差。

也就是说，由于对各待识别图像进行参照物检测时，在每个待识别图像中针对每个图像坐标点均确定出了该图像坐标点的检测概率，这样一来，将每个地图参照物的若干采样点投影到待识别图像中后，每个地图参照物在各待识别图像中投影得到的图像坐标点均对应有一个检测概率，由于一个图像坐标点对应的检测概率为该图像坐标点的图像像素所归属的目标物属于地图参照物的概率，因此，进行投影后，可以确定出每个地图参照物在各待识别图像中投影得到的图像坐标点归属于该地图参照物的概率，即，该地图参照物对应的匹配概率。

需要说明的是，由于图像识别模型经过了充分的模型训练，能够准确判断出待识别图像中每个图像坐标点的检测概率，因此对于一个地图参照物来说，该地图参照物对应的匹配概率越高，则说明将该地图参照物的采样点投影到待识别图像中越准确，投影偏移量越准确，如图2所示。

图2A～2B分别为本说明书提供的一种对地图参照物进行投影的示意图。

图2A以及图2B是分别通过两个不同的投影偏移量将车道线a在电子地图的各采样点投影到一个待识别图像中的情况，可以看出在图2A中，将车道线a在电子地图中的采样点投影到待识别图像中后，得到的车道线A对应的匹配概率为98％、80％、30％、0％以及0％，可以看出某些匹配概率较低。而在图2B中，通过另一投影偏移量，匹配概率分别为98％、96％、89％、90％以及95％，显然，图2B中对车道线a的采样点进行投影的效果比图2A好，投影偏移量的准确程度决定了对车道线a的采样点进行投影的准确程度，说明图2B中所使用的投影偏移量较为准确。因此在本方案中，目的就是将地图参照物进行投影后，通过地图参照物在各待识别图像中对应的匹配概率，来确定出准确的投影偏移量，从而确定出实际位姿偏差。

在本说明书中，自动驾驶设备根据各地图参照物对应的匹配概率，确定自身在当前的实际位姿偏差的方式可以有多种。例如，自动驾驶设备确定出各地图参照物对应的匹配概率后，将各地图参照物对应的匹配概率的概率和最大作为目标，可以确定出自动驾驶设备在当前的实际位姿偏差，这一方式中具体也可以通过多种方法来确定该实际位姿偏差。如，可以通过随机一致性采样(Random Sample Consensus，RANSAC)算法，在预设的投影偏移量范围内选取若干投影偏移量，并以各地图参照物对应的匹配概率的概率和最大为目标，从选取出的若干投影偏移量确定出目标偏移量，作为自动驾驶设备在当前的实际位姿偏差，也可以通过最大似然估计的方式，确定出使得各地图参照物对应的匹配概率的概率和最大的实际位姿偏差。

再例如，自动驾驶设备确定出各地图参照物对应的匹配概率后，可以确定出能够使得各地图参照物对应的匹配概率的概率和不小于设定阈值的投影偏移量，作为自动驾驶设备在当前的实际位姿偏差。不管是上述哪种方式，自动驾驶设备均可以通过选取出的若干投影偏移量进行试验，得到通过这些投影偏移量确定出的各地图参照物对应的匹配概率，从而推测出最准确的投影偏移量，确定出实际位姿偏差。

需要说明的是，自动驾驶设备确定各地图参照物对应的匹配概率时，若一个地图参照物的一个采样点在多个待识别图像中具有多个投影得到的图像坐标点，则自动驾驶设备可以确定出该采样点对应的多个图像坐标点的检测概率的均值，作为该采样点对应的匹配概率，该地图参照物对应的匹配概率包含该采样点对应的匹配概率。当然，也可以将该采样点对应的多个图像坐标点的检测概率的最大值等，作为该采样点对应的匹配概率，本说明书不对此进行限定。

还需说明的是，在对一个地图参照物的采样点进行投影时，可以仅将采样点进行投影后得到的在各待识别图像的图像范围内的图像坐标点，作为该地图参照物在各待识别图像对应的图像坐标点。在确定投影偏移量时，可以只确定在某些位姿维度下的投影偏移量，来对基础位姿进行修正，例如，只对位姿中的偏航角进行修正，或只对位姿中的定位进行修正，不对姿态进行修正。

从上述方法可以看出，本方法可以在同时获得自动驾驶设备采集的多个待识别图像后，在多个待识别图像中进行参照物检测得到每个图像坐标点对应的检测概率，并通过基础位姿以及试探性地选取出的一些投影偏移量，将地图参照物在电子地图中的采样点投影到待识别图像中，从而找出最准确的投影偏移量，作为实际位姿偏差，来对自动驾驶设备当前的基础位姿进行修正，从而能够在一定程度上提高对自动驾驶设备进行位姿修正的准确性。

以上为本说明书的一个或多个实施例提供的位姿修正的方法，基于同样的思路，本说明书还提供了相应的位姿修正的装置，如图3所示。

图3为本说明书提供的一种位姿修正的装置示意图，包括：

获取模块301，用于获取当前自动驾驶设备采集的各待识别图像；

确定模块302，用于确定所述自动驾驶设备的基础位姿，并根据所述基础位姿，在预设的电子地图中确定当前位于所述自动驾驶设备周围的各地图参照物；

投影模块303，用于对所述各待识别图像进行参照物检测，得到所述各待识别图像对应的参照物检测结果，以及针对每个地图参照物，根据该地图参照物在所述电子地图中的地理坐标和所述基础位姿，将该地图参照物的图像投影到所述各待识别图像中，得到该地图参照物对应的参照物投影结果；

修正模块304，用于根据所述参照物检测结果以及各地图参照物的参照物投影结果，确定所述自动驾驶设备在当前的实际位姿偏差，并根据所述实际位姿偏差，对所述基础位姿进行修正。

可选地，所述投影模块303具体用于，针对每个待识别图像，通过预设的图像识别模型对该待识别图像进行参照物检测，确定该待识别图像中每个图像坐标点对应的检测概率，作为该待识别图像对应的参照物检测结果，一个图像坐标点对应的检测概率用于表示该图像坐标点对应图像像素所归属的目标物属于地图参照物的概率。

可选地，所述投影模块303具体用于，根据所述基础位姿和投影偏移量，将该地图参照物在所述电子地图中对应的至少部分采样点投影到所述各待识别图像中，得到该地图参照物在所述各待识别图像对应的图像坐标点，作为该地图参照物对应的参照物投影结果。

可选地，所述修正模块304具体用于，针对每个地图参照物，根据该地图参照物在所述各待识别图像中对应的图像坐标点，以及所述各待识别图像中的每个图像坐标点对应的检测概率，确定该地图参照物在所述各待识别图像中对应的各图像坐标点归属于该地图参照物的概率，作为该地图参照物对应的匹配概率；根据各地图参照物对应的匹配概率，确定所述自动驾驶设备在当前的实际位姿偏差。

可选地，所述修正模块304具体用于，以所述各地图参照物对应的匹配概率的概率和最大为目标，确定所述自动驾驶设备在当前的实际位姿偏差。

可选地，所述修正模块304根据该地图参照物在所述电子地图中的地理坐标以及所述基础位姿，将该地图参照物的图像投影到所述各待识别图像中，得到该地图参照物对应的参照物投影结果之前，所述修正模块304还用于，确定预设的投影偏移量范围；在所述投影偏移量范围内选取若干投影偏移量；

所述修正模块304具体用于，以所述各地图参照物对应的匹配概率的概率和最大为目标，从选取出的所述若干投影偏移量确定出目标偏移量，作为所述自动驾驶设备在当前的实际位姿偏差。

可选地，所述装置还包括：

训练模块305，用于获取训练样本；将所述训练样本中的样本图像输入到所述图像识别模型中，以通过所述图像识别模型识别所述样本图像中包含的各目标物，得到识别结果；以最小化所述识别结果与所述训练样本中的标注结果之间的差异为优化目标，对所述图像识别模型进行训练。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种位姿修正的方法。

本说明书还提供了图4所示的一种对应于图1的自动驾驶设备的示意结构图。如图4所述，在硬件层面，该自动驾驶设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的位姿修正的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (7)

1.一种位姿修正的方法，其特征在于，包括：

获取当前自动驾驶设备采集的各待识别图像；

确定所述自动驾驶设备的基础位姿，并根据所述基础位姿，在预设的电子地图中确定当前位于所述自动驾驶设备周围的各地图参照物；

针对每个待识别图像，通过预设的图像识别模型对该待识别图像进行参照物检测，确定该待识别图像中每个图像坐标点对应的检测概率，以及根据所述基础位姿和投影偏移量，将该地图参照物在所述电子地图中对应的至少部分采样点投影到所述各待识别图像中，得到该地图参照物在所述各待识别图像对应的图像坐标点，作为该地图参照物对应的参照物投影结果，所述投影偏移量为预设出的基础位姿所存在的误差；

针对每个地图参照物，根据该地图参照物在所述各待识别图像中对应的图像坐标点，以及所述各待识别图像中的每个图像坐标点对应的检测概率，确定该地图参照物在所述各待识别图像中对应的各图像坐标点归属于该地图参照物的概率，作为该地图参照物对应的匹配概率；

以所述各地图参照物对应的匹配概率的概率和最大为目标，确定所述自动驾驶设备在当前的实际位姿偏差，并根据所述实际位姿偏差，对所述基础位姿进行修正。

2.如权利要求1所述的方法，其特征在于，一个图像坐标点对应的检测概率用于表示该图像坐标点对应图像像素所归属的目标物属于地图参照物的概率。

3.如权利要求1所述的方法，其特征在于，根据该地图参照物在所述电子地图中的地理坐标以及所述基础位姿，将该地图参照物的图像投影到所述各待识别图像中，得到该地图参照物对应的参照物投影结果之前，所述方法还包括：

确定预设的投影偏移量范围；

在所述投影偏移量范围内选取若干投影偏移量；

根据所述参照物检测结果以及各地图参照物的参照物投影结果，确定所述自动驾驶设备在当前的实际位姿偏差，具体包括：

以所述各地图参照物对应的匹配概率的概率和最大为目标，从选取出的所述若干投影偏移量确定出目标偏移量，作为所述自动驾驶设备在当前的实际位姿偏差。

4.如权利要求2所述的方法，其特征在于，训练所述图像识别模型，具体包括：

获取训练样本；

将所述训练样本中的样本图像输入到所述图像识别模型中，以通过所述图像识别模型识别所述样本图像中包含的各目标物，得到识别结果；

以最小化所述识别结果与所述训练样本中的标注结果之间的差异为优化目标，对所述图像识别模型进行训练。

5.一种位姿修正的装置，其特征在于，包括：

获取模块，用于获取当前自动驾驶设备采集的各待识别图像；

确定模块，用于确定所述自动驾驶设备的基础位姿，并根据所述基础位姿，在预设的电子地图中确定当前位于所述自动驾驶设备周围的各地图参照物；

投影模块，用于针对每个待识别图像，通过预设的图像识别模型对该待识别图像进行参照物检测，确定该待识别图像中每个图像坐标点对应的检测概率，以及根据所述基础位姿和投影偏移量，将该地图参照物在所述电子地图中对应的至少部分采样点投影到所述各待识别图像中，得到该地图参照物在所述各待识别图像对应的图像坐标点，作为该地图参照物对应的参照物投影结果，所述投影偏移量为预设出的基础位姿所存在的误差；

修正模块，用于针对每个地图参照物，根据该地图参照物在所述各待识别图像中对应的图像坐标点，以及所述各待识别图像中的每个图像坐标点对应的检测概率，确定该地图参照物在所述各待识别图像中对应的各图像坐标点归属于该地图参照物的概率，作为该地图参照物对应的匹配概率，以所述各地图参照物对应的匹配概率的概率和最大为目标，确定所述自动驾驶设备在当前的实际位姿偏差，并根据所述实际位姿偏差，对所述基础位姿进行修正。

6.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～4任一项所述的方法。

7.一种自动驾驶设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～4任一项所述的方法。

Images