CN113064193A - 一种基于车路云协同的组合定位系统 - Google Patents

一种基于车路云协同的组合定位系统 Download PDF

Info

Publication number
CN113064193A
CN113064193A CN202110317101.1A CN202110317101A CN113064193A CN 113064193 A CN113064193 A CN 113064193A CN 202110317101 A CN202110317101 A CN 202110317101A CN 113064193 A CN113064193 A CN 113064193A
Authority
CN
China
Prior art keywords
vehicle
road
subsystem
information
cloud
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.)
Granted
Application number
CN202110317101.1A
Other languages
English (en)
Other versions
CN113064193B (zh
Inventor
张培志
余卓平
王晓
蒋屹晨
史戈松
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.)
Shanghai Intelligent New Energy Vehicle Technology Innovation Platform Co ltd
Original Assignee
Shanghai Intelligent New Energy Vehicle Technology Innovation Platform 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 Shanghai Intelligent New Energy Vehicle Technology Innovation Platform Co ltd filed Critical Shanghai Intelligent New Energy Vehicle Technology Innovation Platform Co ltd
Priority to CN202110317101.1A priority Critical patent/CN113064193B/zh
Publication of CN113064193A publication Critical patent/CN113064193A/zh
Application granted granted Critical
Publication of CN113064193B publication Critical patent/CN113064193B/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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
    • 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
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/43—Determining position using carrier phase measurements, e.g. kinematic positioning; using long or short baseline interferometry

Abstract

本发明涉及一种基于车路云协同的组合定位系统，其中，车端子系统用于获取车辆周边环境结构化特征信息、车辆运动信息和RTK‑GPS信息，路端子系统用于获取车辆结构化特征信息，云端子系统用于获取车辆周边区域地图信息，定位子系统用于根据车辆周边环境结构化特征信息、车辆运动信息、RTK‑GPS信息、车辆结构化特征信息和车辆周边区域地图信息得到车辆的全局坐标信息。与现有技术相比，本发明充分利用车端传感信息、车端底盘信息、路端传感信息和云端地图信息，通过多源、冗余、可靠的组合方式来提高车辆定位的准确性及稳定性，克服了仅依靠单车定位手段而导致的在GPS信号遮挡、天气/光线变化、复杂动态环境等特殊工况下的定位结果不准确、不稳定等缺陷。

Description

一种基于车路云协同的组合定位系统
技术领域
本发明涉及智能网联汽车定位技术领域，尤其是涉及一种基于车路云协同的组合定位系统。
背景技术
随着汽车普及量的不断上升，汽车已经成为一种常用的交通工具，为了满足用户的需要，智能化成为汽车发展的方向。在智能网联汽车领域，定位技术是智能网联汽车的核心技术之一，定位的准确性及稳定性直接决定着智能网联汽车行驶的安全性。受技术发展水平限制，目前智能网联汽车主要依靠车辆装配的RTK-GPS、激光雷达、摄像头、惯导、轮速计等传感器进行定位，这种仅依靠单车定位的方式在GPS信号遮挡、天气/光线变化、复杂动态环境等特殊工况下非常容易出现定位结果偏移及发散等现象，进而影响了行驶的安全性。
中国专利CN201911244038.2公开了一种基于车路协同的高精度定位系统及定位方法，一定程度上提高了车辆的定位精度，通过车端和场端实现定位，但是，其定位精度仍有待提升。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于车路云协同的组合定位系统，充分利用车端传感信息、车端底盘信息、路端传感信息和云端地图信息，通过多源、冗余、可靠的组合方式来提高车辆定位的准确性及稳定性，克服了仅依靠单车定位手段而导致的在GPS信号遮挡、天气/光线变化、复杂动态环境等特殊工况下的定位结果不准确、不稳定等缺陷。
本发明的目的可以通过以下技术方案来实现：
一种基于车路云协同的组合定位系统，包括车端子系统、路端子系统、云端子系统、通讯子系统和定位子系统，其中：
车端子系统，用于获取车辆周边环境结构化特征信息、车辆运动信息和RTK-GPS信息，包括车端传感模块、车端底盘模块、RTK-GPS传感器和车端数据处理模块，车端传感模块和车端底盘模块分别与车端数据处理模块通信连接；
路端子系统，用于获取车辆结构化特征信息，包括路端传感模块和路端数据处理模块，路端传感模块与路端数据处理模块通信连接；
云端子系统，通过通讯子系统与RTK-GPS传感器通信连接，用于根据RTK-GPS传感器采集的RTK-GPS信息获取车辆周边区域地图信息，包括云端地图模块和云端地图播发模块，所述车辆周边区域地图信息包括路端子系统的全局坐标信息；
通讯子系统，分别与车端子系统、路端子系统、云端子系统和定位子系统通信连接，用于实现车端子系统、路端子系统、云端子系统和定位子系统之间的通信；
定位子系统，用于根据车辆周边环境结构化特征信息、车辆运动信息、RTK-GPS信息、车辆结构化特征信息和车辆周边区域地图信息得到车辆的全局坐标信息。
进一步的，所述车端传感模块包括车端摄像头和车端激光雷达，分别用于采集车辆周边环境的图像数据和车辆周边环境的点云数据并将其传输至车端数据处理模块；所述车端数据处理模块基于预先训练的深度学习神经网络模型对车辆周边环境的图像数据和车辆周边环境的点云数据进行处理，得到车辆周边环境结构化特征信息并将车辆周边环境结构化特征信息传输至定位子系统。
更进一步的，所述车端摄像头为单目摄像头，所述车端激光雷达为16线束激光雷达。
更进一步的，所述车辆周边环境结构化特征信息包括路面特征信息和静态障碍物特征信息，所述路面特征信息包括车道线、路面标识和道路指示牌以及车道线、路面标识和道路指示牌相对于车端子系统的位置信息，所述障碍物特征信息包括障碍物的类型信息以及障碍物相对于车端子系统的位置信息。
进一步的，所述车端底盘模块包括车端轮速计和车端方向盘转角传感器，分别用于采集车辆的轮速数据和车辆的方向盘转角数据并将其传输至车端数据处理模块；所述车端数据处理模块基于阿克曼车辆转向模型对车辆的轮速数据和车辆的方向盘转角数据进行处理，得到车辆运动信息并将车辆运动信息传输至定位子系统。
更进一步的，所述车辆运动信息包括车辆车速和横摆角速度。
进一步的，所述路端传感模块包括路端摄像头和路端激光雷达，分别用于采集道路的图像数据和道路的点云数据并将其传输至路端数据处理模块；所述路端数据处理模块基于预先训练的深度学习神经网络模型对道路的图像数据和道路的点云数据进行处理，得到车辆结构化特征信息并将车辆结构化特征信息传输至定位子系统。
更进一步的，所述路端摄像头为双目摄像头，所述路端激光雷达为高线束激光雷达。
更进一步的，所述车辆结构化特征信息包括车辆标识信息和车辆相对于路端子系统的位置信息。
进一步的，所述云端地图模块中包括车道线、路面标识、道路指示牌和障碍物以及车道线、路面标识、道路指示牌和障碍物的全局坐标信息，以及路端子系统的全局坐标信息；所述云端地图播发模块基于RTK-GPS传感器采集的RTK-GPS信息选择车辆周边的区域地图并将车辆周边区域地图信息传输至定位子系统。
进一步的，所述通讯子系统包括云/路端V2X通讯模块和车端V2X通讯模块，所述云/路端V2X通讯模块通过以太网分别与路端子系统和云端子系统通信连接，所述车端V2X通讯模块通过以太网分别与车端子系统和定位子系统通信连接，云/路端V2X通讯模块和车端V2X通讯模块通过无线通信方式连接。
更进一步的，所述无线通信方式包括5G、LTE-V和DSRC通信。
进一步的，所述定位子系统利用卡尔曼滤波算法对RTK-GPS信息和车辆运动信息进行融合，经过坐标系转换得到车辆全局坐标a；
所述定位子系统将车辆周边环境结构化特征信息和车辆周边区域地图信息进行匹配，经过坐标系转换得到车辆全局坐标b；
所述定位子系统利用卡尔曼滤波算法对车辆结构化特征信息和路端子系统的全局坐标信息进行融合，经过坐标系转换得到车辆全局坐标c；
所述定位子系统利用卡尔曼滤波算法对车辆全局坐标a、车辆全局坐标a和车辆全局坐标a进行融合，得到车辆的全局坐标信息。
与现有技术相比，本发明充分利用车端传感信息、车端底盘信息、路端传感信息和云端地图信息，通过多源、冗余、可靠的组合方式来提高车辆定位的准确性及稳定性，克服了仅依靠单车定位手段而导致的在GPS信号遮挡、天气/光线变化、复杂动态环境等特殊工况下的定位结果不准确、不稳定等缺陷。
附图说明
图1为本发明的结构示意图；
图2为组合定位系统的数据流动示意图；
附图标记：1、车端子系统，11、车端传感模块，111、车端摄像头，112、车端激光雷达，12、车端底盘模块，121、车端轮速计，122、车端方向盘转角传感器，13、车端数据处理模块，14、RTK-GPS传感器，2、路端子系统，21、路端传感模块，211、路端摄像头，212、路端激光雷达，22、路端数据处理模块，3、云端子系统，31、云端地图模块，32、云端地图播发模块，4、通讯子系统，41、云/路端V2X通讯模块，42、车端V2X通讯模块，5、定位子系统。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1：
一种基于车路云协同的组合定位系统，如图1所示，包括：车端子系统1、路端子系统2、云端子系统3、通讯子系统4和定位子系统5。本实施例以车辆A为例，通过车端子系统1、路端子系统2、云端子系统3、通讯子系统4和定位子系统5实现车辆A的高精度定位。
车端子系统1，用于获取车辆周边环境结构化特征信息、车辆运动信息和RTK-GPS信息，包括车端传感模块11、车端底盘模块12、RTK-GPS传感器14和车端数据处理模块13，车端传感模块11和车端底盘模块12分别与车端数据处理模块13通信连接；
其中，车端传感模块11安装在车辆A上，包括车端摄像头111和车端激光雷达112，本实施例中，车端摄像头111为单目摄像头，车端激光雷达112为16线束激光雷达。车端摄像头111采集车辆A的车辆周边环境的图像数据并将其通过以太网传输至车端数据处理模块13，车端激光雷达112采集车辆A的车辆周边环境的点云数据并将其通过以太网传输至车端数据处理模块13。车端数据处理模块13基于预先训练的深度学习神经网络模型对车辆周边环境的图像数据和车辆周边环境的点云数据进行处理，得到车辆A的车辆周边环境结构化特征信息并将车辆周边环境结构化特征信息通过以太网传输至定位子系统5。
车辆周边环境结构化特征信息包括路面特征信息和静态障碍物特征信息，路面特征信息包括车道线、路面标识和道路指示牌以及车道线、路面标识和道路指示牌相对于车端子系统1的位置信息，障碍物特征信息包括障碍物的类型信息以及障碍物相对于车端子系统1的位置信息。
车端数据处理模块13对数据进行处理具体为：对车辆A的车辆周边环境的图像数据和车辆周边环境的点云数据进行预处理，消除噪声，然后基于预先训练的深度学习神经网络模型，利用经过预处理后的车辆周边环境的图像数据对车辆周边环境结构化特征进行分类，车辆周边环境结构化特征包括车道线、路面标识、道路指示牌和障碍物等，最后基于预先训练的深度学习神经网络模型，利用经过预处理后的车辆周边环境的点云数据对不同类型的车辆周边环境结构化特征进行定位，得到车辆A的车辆周边环境中的车道线、路面标识、道路指示牌和障碍物等相对于车端子系统1的位置信息。
车端底盘模块12安装在车辆A上，包括车端轮速计121和车端方向盘转角传感器122，车端轮速计121用于车辆A的从动车轮轮速的数据采集并将其通过信号电缆传输至车端数据处理模块13，车端方向盘转角传感器122用于车辆A的方向盘转角的数据采集并将其传输至车端数据处理模块13。车端数据处理模块13基于阿克曼车辆转向模型对车辆的轮速数据和车辆的方向盘转角数据进行处理，得到车辆A的车辆运动信息并将车辆运动信息通过以太网传输至定位子系统5，车辆运动信息包括车辆车速和横摆角速度。
路端子系统2，用于获取车辆结构化特征信息，包括路端传感模块21和路端数据处理模块22，路端传感模块21与路端数据处理模块22通信连接；
其中，路端传感模块21设于道路上，包括路端摄像头211和路端激光雷达212，本实施例中，路端摄像头211为双目摄像头，路端激光雷达212为高线束激光雷达。路端摄像头211采集道路的图像数据并将其通过以太网传输至路端数据处理模块22，路端激光雷达212采集道路的点云数据并将其通过以太网传输至路端数据处理模块22。路端数据处理模块22基于预先训练的深度学习神经网络模型对道路的图像数据和道路的点云数据进行处理，得到车辆结构化特征信息并将车辆结构化特征信息通过通讯子系统4传输至定位子系统5。车辆结构化特征信息包括车辆标识信息和车辆相对于路端子系统2的位置信息。
路端数据处理模块22对数据进行处理具体为：对道路的图像数据和道路的点云数据进行预处理，消除噪声，然后基于预先训练的深度学习神经网络模型，利用经过预处理后的道路的图像数据识别道路上的车辆标识信息，车辆标识信息包括车牌和车辆类型等，从而确定需要定位的车辆(车辆A)，最后基于预先训练的深度学习神经网络模型，利用经过预处理后的道路的点云数据对车辆A进行定位，得到车辆A相对于路端子系统2的位置信息。
云端子系统3，通过通讯子系统4与RTK-GPS传感器14通信连接，用于根据RTK-GPS传感器14采集的RTK-GPS信息获取车辆周边区域地图信息，包括云端地图模块31和云端地图播发模块32，车辆周边区域地图信息包括路端子系统2的全局坐标信息。
云端地图模块31中包括车道线、路面标识、道路指示牌和障碍物以及车道线、路面标识、道路指示牌和障碍物的全局坐标信息，以及路端子系统2的全局坐标信息；云端地图播发模块32基于RTK-GPS传感器14采集的RTK-GPS信息选择车辆A周边的区域地图，并将车辆周边区域地图信息通过通讯子系统4传输至定位子系统5。
通讯子系统4包括云/路端V2X通讯模块41和车端V2X通讯模块42，云/路端V2X通讯模块41通过以太网分别与路端子系统2和云端子系统3通信连接，车端V2X通讯模块42通过以太网与车端子系统1和定位子系统5通信连接，云/路端V2X通讯模块41和车端V2X通讯模块42通过无线通信方式连接。无线通信方式包括5G、LTE-V和DSRC通信。在进行通信时，云/路端V2X通讯模块41和车端V2X通讯模块42中的一个作为接收端，一个作为发送端，在车辆行驶过程中实现了车辆与云端的通信。在行驶的车辆上安装了车端V2X通讯模块42，设置了位置固定的云/路端V2X通讯模块41，云/路端V2X通讯模块41与车端V2X通讯模块42之间基于LTE-V、5G等先进车联网技术通信，信息传输更加可靠。
本实施例中，车端子系统1和定位子系统5均搭载在车辆上，其中，车端传感模块11通过以太网与车端数据处理模块13通信连接，车端底盘模块12通过信号电缆与车端数据处理模块13通信连接，车端数据处理模块13通过以太网与定位子系统5通信连接。
路端传感模块21安装在道路上，路端数据处理模块22设于云端，路端传感模块21和路端数据处理模块22之间通过以太网通信连接。路端数据处理模块22将车辆结构化特征信息通过以太网发送至云/路端V2X通讯模块41，自云/路端V2X通讯模块41通过5G或LTE-V或DSRC等通信方式发送至车端V2X通讯模块42，从而被定位子系统5获取。
RTK-GPS传感器14采集的RTK-GPS信息通过以太网发送至车端V2X通讯模块42，自车端V2X通讯模块42通过5G或LTE-V或DSRC等通信方式发送至云/路端V2X通讯模块41，从而被云端子系统3获取。RTK-GPS传感器14直接通过以太网与定位子系统5通信连接，RTK-GPS信息也可以自车端V2X通讯模块42再与发送至定位子系统5。
云端地图播发模块32将车辆周边区域地图信息通过以太网发送至云/路端V2X通讯模块41，自云/路端V2X通讯模块41通过5G或LTE-V或DSRC等通信方式发送至车端V2X通讯模块42，从而被定位子系统5获取。
定位子系统5，如图2所示，根据车辆周边环境结构化特征信息、车辆运动信息、RTK-GPS信息、车辆结构化特征信息和车辆周边区域地图信息得到车辆的全局坐标信息。
本实施例中，车端数据处理模块13将车辆周边环境结构化特征信息和车辆运动信息传输至定位子系统5，RTK-GPS传感器14将RTK-GPS信息传输至定位子系统5，路端数据处理模块22将车辆结构化特征信息传输至定位子系统5，云端地图播发模块32将车辆周边区域地图信息传输至定位子系统5。
定位子系统5利用卡尔曼滤波算法对RTK-GPS信息和车辆运动信息进行融合，经过坐标系转换得到车辆A的车辆全局坐标a，提升了定位精度；
定位子系统5将车辆周边环境结构化特征信息和车辆周边区域地图信息进行匹配，形成匹配特征信息对，然后基于匹配特征信息对，利用最近点迭代算法，并经过坐标系转换得到车辆A的车辆全局坐标b，得到车端的定位信息；
定位子系统5利用卡尔曼滤波算法对车辆结构化特征信息和路端子系统2的全局坐标信息进行融合，经过坐标系转换得到车辆A的车辆全局坐标c，得到路端的定位信息；
定位子系统5利用卡尔曼滤波算法对车辆全局坐标a、车辆全局坐标a和车辆全局坐标a进行融合，依靠多源定位信息得到车辆A的全局坐标信息，实现车辆A的高精度定位。
本申请充分利用车端传感信息、车端底盘信息、路端传感信息和云端地图信息，通过多源、冗余、可靠的组合方式来提高车辆定位的准确性及稳定性，克服了仅依靠单车定位手段而导致的在GPS信号遮挡、天气/光线变化、复杂动态环境等特殊工况下的定位结果不准确、不稳定等缺陷。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于车路云协同的组合定位系统，其特征在于，包括车端子系统(1)、路端子系统(2)、云端子系统(3)、通讯子系统(4)和定位子系统(5)，其中：
车端子系统(1)，用于获取车辆周边环境结构化特征信息、车辆运动信息和RTK-GPS信息，包括车端传感模块(11)、车端底盘模块(12)、RTK-GPS传感器(14)和车端数据处理模块(13)；
路端子系统(2)，用于获取车辆结构化特征信息，包括路端传感模块(21)和路端数据处理模块(22)；
云端子系统(3)，与RTK-GPS传感器(14)通信连接，用于根据RTK-GPS传感器(14)采集的RTK-GPS信息获取车辆周边区域地图信息，包括云端地图模块(31)和云端地图播发模块(32)，所述车辆周边区域地图信息包括路端子系统(2)的全局坐标信息；
通讯子系统(4)，分别与车端子系统(1)、路端子系统(2)、云端子系统(3)和定位子系统(5)通信连接，用于实现车端子系统(1)、路端子系统(2)、云端子系统(3)和定位子系统(5)之间的通信；
定位子系统(5)，用于根据车辆周边环境结构化特征信息、车辆运动信息、RTK-GPS信息、车辆结构化特征信息和车辆周边区域地图信息得到车辆的全局坐标信息。
2.根据权利要求1所述的一种基于车路云协同的组合定位系统，其特征在于，所述车端传感模块(11)包括车端摄像头(111)和车端激光雷达(112)，分别用于采集车辆周边环境的图像数据和车辆周边环境的点云数据并将其传输至车端数据处理模块(13)；所述车端数据处理模块(13)基于预先训练的深度学习神经网络模型对车辆周边环境的图像数据和车辆周边环境的点云数据进行处理，得到车辆周边环境结构化特征信息并将车辆周边环境结构化特征信息传输至定位子系统(5)。
3.根据权利要求2所述的一种基于车路云协同的组合定位系统，其特征在于，所述车辆周边环境结构化特征信息包括路面特征信息和静态障碍物特征信息，所述路面特征信息包括车道线、路面标识和道路指示牌以及车道线、路面标识和道路指示牌相对于车端子系统(1)的位置信息，所述障碍物特征信息包括障碍物的类型信息以及障碍物相对于车端子系统(1)的位置信息。
4.根据权利要求1所述的一种基于车路云协同的组合定位系统，其特征在于，所述车端底盘模块(12)包括车端轮速计(121)和车端方向盘转角传感器(122)，分别用于采集车辆的轮速数据和车辆的方向盘转角数据并将其传输至车端数据处理模块(13)；所述车端数据处理模块(13)基于阿克曼车辆转向模型对车辆的轮速数据和车辆的方向盘转角数据进行处理，得到车辆运动信息并将车辆运动信息传输至定位子系统(5)。
5.根据权利要求4所述的一种基于车路云协同的组合定位系统，其特征在于，所述车辆运动信息包括车辆车速和横摆角速度。
6.根据权利要求1所述的一种基于车路云协同的组合定位系统，其特征在于，所述路端传感模块(21)包括路端摄像头(211)和路端激光雷达(212)，分别用于采集道路的图像数据和道路的点云数据并将其传输至路端数据处理模块(22)；所述路端数据处理模块(22)基于预先训练的深度学习神经网络模型对道路的图像数据和道路的点云数据进行处理，得到车辆结构化特征信息并将车辆结构化特征信息传输至定位子系统(5)。
7.根据权利要求6所述的一种基于车路云协同的组合定位系统，其特征在于，所述车辆结构化特征信息包括车辆标识信息和车辆相对于路端子系统(2)的位置信息。
8.根据权利要求1所述的一种基于车路云协同的组合定位系统，其特征在于，所述云端地图模块(31)中包括车道线、路面标识、道路指示牌和障碍物以及车道线、路面标识、道路指示牌和障碍物的全局坐标信息，以及路端子系统(2)的全局坐标信息；所述云端地图播发模块(32)基于RTK-GPS传感器(14)采集的RTK-GPS信息选择车辆周边的区域地图并将车辆周边区域地图信息传输至定位子系统(5)。
9.根据权利要求1所述的一种基于车路云协同的组合定位系统，其特征在于，所述通讯子系统(4)包括云/路端V2X通讯模块(41)和车端V2X通讯模块(42)，所述云/路端V2X通讯模块(41)通过以太网分别与路端子系统(2)和云端子系统(3)通信连接，所述车端V2X通讯模块(42)通过以太网分别与车端子系统(1)和定位子系统(5)通信连接，云/路端V2X通讯模块(41)和车端V2X通讯模块(42)通过无线通信方式连接。
10.根据权利要求1所述的一种基于车路云协同的组合定位系统，其特征在于，所述定位子系统(5)利用卡尔曼滤波算法对RTK-GPS信息和车辆运动信息进行融合，经过坐标系转换得到车辆全局坐标a；
所述定位子系统(5)将车辆周边环境结构化特征信息和车辆周边区域地图信息进行匹配，经过坐标系转换得到车辆全局坐标b；
所述定位子系统(5)利用卡尔曼滤波算法对车辆结构化特征信息和路端子系统(2)的全局坐标信息进行融合，经过坐标系转换得到车辆全局坐标c；
所述定位子系统(5)利用卡尔曼滤波算法对车辆全局坐标a、车辆全局坐标a和车辆全局坐标a进行融合，得到车辆的全局坐标信息。
CN202110317101.1A 2021-03-25 2021-03-25 一种基于车路云协同的组合定位系统 Active CN113064193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110317101.1A CN113064193B (zh) 2021-03-25 2021-03-25 一种基于车路云协同的组合定位系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110317101.1A CN113064193B (zh) 2021-03-25 2021-03-25 一种基于车路云协同的组合定位系统

Publications (2)

Publication Number Publication Date
CN113064193A true CN113064193A (zh) 2021-07-02
CN113064193B CN113064193B (zh) 2022-12-16

Family

ID=76562300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110317101.1A Active CN113064193B (zh) 2021-03-25 2021-03-25 一种基于车路云协同的组合定位系统

Country Status (1)

Country Link
CN (1) CN113064193B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114296090A (zh) * 2021-12-22 2022-04-08 华人运通(上海)自动驾驶科技有限公司 一种车辆定位方法、装置、设备及介质
CN114530041A (zh) * 2022-02-16 2022-05-24 交通运输部公路科学研究所 一种基于准确率的车路协同融合感知新方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107421566A (zh) * 2017-08-25 2017-12-01 北京理工大学 一种无人车多源传感器信息仿真平台
DE102016213893A1 (de) * 2016-07-28 2018-02-01 Robert Bosch Gmbh Verfahren und Vorrichtung zum Bestimmen der Absolutposition eines Kraftfahrzeugs, Ortsbestimmungssystem, Kraftfahrzeug
CN108646739A (zh) * 2018-05-14 2018-10-12 北京智行者科技有限公司 一种传感信息融合方法
CN109556615A (zh) * 2018-10-10 2019-04-02 吉林大学 基于自动驾驶的多传感器融合认知的驾驶地图生成方法
CN109709593A (zh) * 2018-12-28 2019-05-03 国汽(北京)智能网联汽车研究院有限公司 基于“云-端”紧耦合的智能网联汽车车载终端平台
CN109795484A (zh) * 2018-12-24 2019-05-24 百度在线网络技术（北京）有限公司 车辆控制方法和设备
CN110081880A (zh) * 2019-04-12 2019-08-02 同济大学 一种融合视觉、轮速与惯导的清扫车局部定位系统及方法
CN111186490A (zh) * 2019-01-28 2020-05-22 上海衡鲁汽车科技有限公司 一种基于阿克曼转向定理的方向盘转角估算方法及系统
US20200175720A1 (en) * 2018-11-29 2020-06-04 Industrial Technology Research Institute Vehicle, vehicle positioning system, and vehicle positioning method
US20200242478A1 (en) * 2019-01-30 2020-07-30 StradVision, Inc. Learning method and learning device for updating hd map by reconstructing 3d space by using depth estimation information and class information on each object, which have been acquired through v2x information integration technique, and testing method and testing device using the same
CN111476999A (zh) * 2020-01-17 2020-07-31 武汉理工大学 基于车路多传感器协同的智能网联汽车超视距感知系统
CN111554088A (zh) * 2020-04-13 2020-08-18 重庆邮电大学 一种多功能v2x智能路侧基站系统
CN111949943A (zh) * 2020-07-24 2020-11-17 北京航空航天大学 一种面向高级自动驾驶的v2x和激光点云配准的车辆融合定位方法
CN112046469A (zh) * 2020-09-29 2020-12-08 上海汽车集团股份有限公司 一种自动泊车方法、系统、服务器及存储介质
CN112506195A (zh) * 2020-12-02 2021-03-16 吉林大学 基于视觉和底盘信息的车辆自主定位系统及定位方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016213893A1 (de) * 2016-07-28 2018-02-01 Robert Bosch Gmbh Verfahren und Vorrichtung zum Bestimmen der Absolutposition eines Kraftfahrzeugs, Ortsbestimmungssystem, Kraftfahrzeug
CN107421566A (zh) * 2017-08-25 2017-12-01 北京理工大学 一种无人车多源传感器信息仿真平台
CN108646739A (zh) * 2018-05-14 2018-10-12 北京智行者科技有限公司 一种传感信息融合方法
CN109556615A (zh) * 2018-10-10 2019-04-02 吉林大学 基于自动驾驶的多传感器融合认知的驾驶地图生成方法
US20200175720A1 (en) * 2018-11-29 2020-06-04 Industrial Technology Research Institute Vehicle, vehicle positioning system, and vehicle positioning method
CN109795484A (zh) * 2018-12-24 2019-05-24 百度在线网络技术（北京）有限公司 车辆控制方法和设备
CN109709593A (zh) * 2018-12-28 2019-05-03 国汽(北京)智能网联汽车研究院有限公司 基于“云-端”紧耦合的智能网联汽车车载终端平台
CN111186490A (zh) * 2019-01-28 2020-05-22 上海衡鲁汽车科技有限公司 一种基于阿克曼转向定理的方向盘转角估算方法及系统
US20200242478A1 (en) * 2019-01-30 2020-07-30 StradVision, Inc. Learning method and learning device for updating hd map by reconstructing 3d space by using depth estimation information and class information on each object, which have been acquired through v2x information integration technique, and testing method and testing device using the same
CN110081880A (zh) * 2019-04-12 2019-08-02 同济大学 一种融合视觉、轮速与惯导的清扫车局部定位系统及方法
CN111476999A (zh) * 2020-01-17 2020-07-31 武汉理工大学 基于车路多传感器协同的智能网联汽车超视距感知系统
CN111554088A (zh) * 2020-04-13 2020-08-18 重庆邮电大学 一种多功能v2x智能路侧基站系统
CN111949943A (zh) * 2020-07-24 2020-11-17 北京航空航天大学 一种面向高级自动驾驶的v2x和激光点云配准的车辆融合定位方法
CN112046469A (zh) * 2020-09-29 2020-12-08 上海汽车集团股份有限公司 一种自动泊车方法、系统、服务器及存储介质
CN112506195A (zh) * 2020-12-02 2021-03-16 吉林大学 基于视觉和底盘信息的车辆自主定位系统及定位方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
C. YANG, L. ZHU, Y. AI, B. TIAN, L. CHEN AND B. ZHAO: "Analysis of Model Optimization Strategies for a Low-Resolution Camera-Lidar Fusion Based Road Detection Network", 《2019 CHINESE AUTOMATION CONGRESS (CAC)》 *
PEIZHI ZHANG: "RESEARCH ON PARKING SLOT TRACKING ALGORITHM BASED ON FUSION OF VISION AND VEHICLE CHASSIS INFORMATION", 《INTERNATIONAL JOURNAL OF AUTOMOTIVE TECHNOLOGY》 *
余卓渊等: "全息高精度导航地图:概念及理论模型", 《地球信息科学学报》 *
李祎承: "面向智能车定位的道路环境视觉地图构建", 《中国公路学报》 *
熊璐，康宇宸，张培志，朱辰宇，余卓平: "无人驾驶车辆行为决策系统研究", 《汽车技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114296090A (zh) * 2021-12-22 2022-04-08 华人运通(上海)自动驾驶科技有限公司 一种车辆定位方法、装置、设备及介质
CN114530041A (zh) * 2022-02-16 2022-05-24 交通运输部公路科学研究所 一种基于准确率的车路协同融合感知新方法

Also Published As

Publication number Publication date
CN113064193B (zh) 2022-12-16

Similar Documents

Publication Publication Date Title
CN109920246B (zh) 一种基于v2x通信与双目视觉的协同局部路径规划方法
CN109523830B (zh) 基于高频高精度定位信息的车辆轨迹预测及碰撞预警方法
JP6671554B1 (ja) 車輪姿勢を使用した将来の進行方向の決定
CN107063275B (zh) 基于路侧设备的智能车辆地图融合系统及方法
US10204516B2 (en) Automobile and computing system
CN107976200B (zh) 操作具有自主驾驶模式的车辆的方法和系统
CN110517521A (zh) 一种基于路车融合感知的车道偏离预警方法
CN111508276B (zh) 基于高精地图的v2x逆向超车预警方法、系统和介质
CN113064193B (zh) 一种基于车路云协同的组合定位系统
CN111391856A (zh) 汽车自适应巡航的前方弯道检测系统及方法
CN111994068B (zh) 一种基于智能轮胎触觉感知的智能驾驶汽车控制系统
CN112950678A (zh) 一种基于车路协同的超视距融合感知系统
US9453737B2 (en) Vehicle localization
CN115390554A (zh) 一种设计运行区域odd判断方法、装置及相关设备
WO2018142560A1 (ja) 車両制御システム、車両制御方法、および車両制御プログラム
US20210362733A1 (en) Electronic device for vehicle and method of operating electronic device for vehicle
KR102091327B1 (ko) 자율주행 자동차의 자율주행 시스템
CN112673231A (zh) 用于更新环境地图的方法、用于在交通工具侧实施该方法的方法步骤的设备、交通工具、用于在中央计算机侧实施该方法的方法步骤的设备以及计算机可读的存储介质
JP2022024741A (ja) 車両制御装置、車両制御方法
CN115485723A (zh) 信息处理装置、信息处理方法和程序
CN113066303B (zh) 一种基于车路云协同的智能公交车站点组合定位系统
CN113066299A (zh) 一种基于车路云一体的客运数字交通系统
CN208477371U (zh) 基于捷联惯导的高速公路自动驾驶系统
CN111028544A (zh) 一种v2v技术和车载多传感器融合的行人预警系统
US11590978B1 (en) Assessing perception of sensor using known mapped objects

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