CN113108797A - 车辆定位方法、装置、电子设备以及计算机可读存储介质 - Google Patents
车辆定位方法、装置、电子设备以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113108797A CN113108797A CN202110420846.0A CN202110420846A CN113108797A CN 113108797 A CN113108797 A CN 113108797A CN 202110420846 A CN202110420846 A CN 202110420846A CN 113108797 A CN113108797 A CN 113108797A
- Authority
- CN
- China
- Prior art keywords
- state
- state prediction
- data
- target
- sub
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000001914 filtration Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 230000004807 localization Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 230000010355 oscillation Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种车辆定位方法、装置、电子设备以及计算机可读存储介质，其中，该方法包括：基于针对目标车辆的多种观测数据中的目标观测数据，确定目标车辆的待融合的状态预测数据；获取目标车辆的多个状态预测系统中每个状态预测系统基于与该状态预测系统匹配的至少一种观测数据确定的目标车辆的子运动状态；根据各个状态预测系统确定的子运动状态和状态预测数据，确定所述目标车辆的目标运动状态，以根据目标运动状态对目标车辆进行定位。本公开实施例通过结合多个状态预测系统确定出的目标车辆的子运动状态和待融合的状态预测数据来对目标车辆进行定位的方式，可以保证目标车辆的车辆定位系统的稳定性和可靠性。
Description
技术领域
本公开涉及车辆定位技术领域，具体而言，涉及一种车辆定位方法、装置、电子设备以及计算机可读存储介质。
背景技术
目前，无人驾驶车辆的常用定位方法是多传感器融合的定位算法，该算法通过综合多个传感器的结果进行融合定位。现在的多传感器融合的定位算法为单滤波器框架的方法。其中，单滤波器框架的方法是指通过单个滤波器确定无人驾驶车辆的定位位置。但单一滤波器框架的缺点在于，单一滤波器框架容易受错误观测值的影响，可能会导致单一滤波器框架输出估计状态发生震荡或者发散。对于自动驾驶车辆，需要提供高度可靠而且持续的定位，所以对于单一滤波器框架来说冗余度不够导致当单一滤波器框架发生震荡时将直接影响无人驾驶车辆的定位位置。
发明内容
本公开实施例至少提供一种车辆定位方法、装置、电子设备以及计算机可读存储介质。
第一方面，本公开实施例提供了一种车辆定位方法，包括：基于针对目标车辆的多种观测数据中的目标观测数据，确定所述目标车辆的待融合的状态预测数据；获取所述目标车辆的多个状态预测系统中每个状态预测系统基于与该状态预测系统匹配的至少一种观测数据确定的目标车辆的子运动状态；根据各个所述状态预测系统确定的子运动状态和所述状态预测数据，确定所述目标车辆的目标运动状态，以根据所述目标运动状态对所述目标车辆进行定位。
在本公开实施例中，通过结合多个状态预测系统确定出的目标车辆的子运动状态和待融合的状态预测数据来对目标车辆进行定位的方式，可以实现多个状态预测系统同时运行，进而，当任意一个状态预测系统发生震荡或者发散时，通过其他状态预测系统依然可以确定目标车辆的目标运动状态，从而保证了目标车辆的车辆定位系统的稳定性和可靠性。
一种可选的实施方式中，所述目标车辆的多个状态预测系统中每个状态预测系统基于与该状态预测系统匹配的至少一种观测数据确定的目标车辆的子运动状态，包括：针对每个状态预测系统，从所述多种观测数据中确定与该状态预测系统相匹配的至少一种观测数据；利用所述至少一种观测数据对所述状态预测数据进行更新，确定更新之后的状态预测数据指示的所述目标车辆的子运动状态。
在本公开实施例中，通过在多种观测数据中确定与该状态预测系统相匹配的至少一种观测数据，进而根据该至少一种观测数据对状态预测数据进行更新的方式，可以从多种观测数据类型的观测数据中确定出与每个状态预测系统相匹配的至少一种观测数据，从而能够精确的确定每个状态预测系统所对应的观测数据，进而保证车辆定位系统的稳定性和可靠性。
一种可选的实施方式中，所述状态预测系统为滤波器；所述利用所述至少一种观测数据对所述状态预测数据进行更新，确定更新之后的状态预测数据指示的所述目标车辆的子运动状态，包括：确定每个所述滤波器的滤波器类型信息；按照所述滤波器类型信息对应的滤波方式，利用所述至少一种观测数据对所述状态预测数据进行更新，确定更新之后的状态预测数据指示的所述目标车辆的子运动状态。
在本公开实施例中，通过设置滤波器对应的滤波器类型信息，以根据该滤波器类型信息确定子运动状态的方式，可以实现多种不同滤波器之间的功能互补，从而进一步提高车辆定位系统的稳定性和可靠性。
一种可选的实施方式中，所述方法还包括：在检测到所述目标车辆的观测数据的更新信息的情况下，确定所述更新信息中所指示的发生数据变更的目标观测数据类型，并确定所述目标观测数据类型所匹配的至少一个状态预测系统；针对确定的所述至少一个状态预测系统，更新确定的目标观测数据类型下的观测数据。
通过上述处理方式，在为每个状态预测系统新增对应的观测数据时，无需再定义新的观测数据的更新过程，只需基于已有的观测数据进行继承添加就可以实现对该新增的观测数据进行增加。这样为状态预测系统的实现添加便利，因为不需要涉及对每个状态预测系统的特别定制化，也极大方便了后续的拓展。
一种可选的实施方式中，所述根据各个所述状态预测系统确定的子运动状态和所述状态预测数据，确定所述目标车辆的目标运动状态，包括：确定每个所述状态预测系统的权重值；并根据所述权重值对所述子运动状态进行加权求和，得到加权求和结果；根据所述加权求和结果对所述状态预测数据进行更新，确定更新之后的状态预测数据指示的所述目标车辆的目标运动状态。
一种可选的实施方式中，所述方法还包括：根据各个所述状态预测系统确定出的子运动状态的变化幅度调整每个所述状态预测系统的权重值。
本公开实施例中，通过对子运动状态进行加权求和，来对状态预测数据进行更新的方式，可以实现将多种观测数据进行融合，在此情况下所确定出目标运动状态为结合多种观测数据所确定出的。通过上述处理方式，可以提高车辆定位系统的稳定性和可靠性，从而缓解现有技术中由于单一滤波器框架出现震荡或者发散导致车辆定位系统定位准确性差的问题。
一种可选的实施方式中，所述根据各个所述状态预测系统确定的子运动状态和所述状态预测数据，确定所述目标车辆的目标运动状态，包括：在所述各个所述状态预测系统输出的子运动状态中确定目标子运动状态；并根据所述目标子运动状态和所述状态预测数据，确定所述目标车辆的目标运动状态。
通过上述描述可知，在本公开实施例中，通过在子运动状态中确定目标子运动状态，进而根据该目标子运动状态和状态预测数据确定目标运动状态的方式，可以避免多个状态预测系统之间的相互干扰，从而保证车辆定位系统的稳定性和可靠性。
一种可选的实施方式中，所述方法还包括：在确定出所述目标车辆的目标运动状态之后，在所述多个状态预测系统中确定一个或多个待重置的状态预测系统；根据重置状态对所述待重置的状态预测系统输出的子运动状态进行重置更新。
通过上述描述可知，在本公开实施例中，通过重置状态对一个或多个待重置的状态预测系统进行状态重置的方式可以对震荡或者发散的状态预测系统进行矫正，以提高该状态预测系统输出的子运动状态的稳定性和可靠性。
一种可选的实施方式中，所述在所述多个状态预测系统中确定一个或多个待重置的状态预测系统，包括：根据所述目标运动状态确定每个所述状态预测系统输出的子运动状态的误差值；根据所述误差值在所述多个状态预测系统中确定一个或多个待重置的状态预测系统。
通过上述处理方式，可以准确的确定出多个状态预测系统中需要进行状态重置的状态预测系统，从而避免在对全部状态预测系统进行重置时所带来的互相干扰问题。
一种可选的实施方式中，所述方法还包括通过以下方式确定所述重置状态：在所述目标运动状态和/或所述多个子运动状态中确定满足预设条件的运动状态为所述重置状态。
一种可选的实施方式中，所述目标观测数据包括：惯性测量单元IMU数据，和/或，轮速计数据。
第二方面，本公开实施例提供了一种车辆定位装置，包括：确定单元，用于基于针对目标车辆的多种观测数据中的目标观测数据，确定所述目标车辆的待融合的状态预测数据；获取单元，用于获取所述目标车辆的多个状态预测系统中每个状态预测系统基于与该状态预测系统匹配的至少一种观测数据确定的目标车辆的子运动状态；定位单元，用于根据各个所述状态预测系统确定的子运动状态和所述状态预测数据，确定所述目标车辆的目标运动状态，以根据所述目标运动状态对所述目标车辆进行定位。
第三方面，本公开实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
第四方面，本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本公开实施例所提供的一种车辆定位方法的流程图；
图2示出了本公开实施例所提供的车辆定位方法中，确定的目标车辆的子运动状态的具体方法的流程图；
图3示出了本公开实施例所提供的一种滤波器和滤波器的滤波类型信息的关系对应示意图；
图4示出了本公开实施例所提供的一种状态预测系统所对应的观测数据类型的示意图；
图5示出了本公开实施例所提供的一种可选地车辆定位方法的流程框图；
图6示出了本公开实施例所提供的一种车辆定位装置的示意图；
图7示出了本公开实施例所提供的一种电子设备的示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开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公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
本文中术语“和/或”，仅仅是描述一种关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
经研究发现，但单一滤波器框架的缺点在于，单一滤波器框架容易受错误观测值的影响，可能会导致单一滤波器框架输出的估计状态发生震荡或者发散。对于自动驾驶车辆，需要提供高度可靠而且持续的定位，所以若单一滤波器框架的冗余度不够，将导致在单一滤波器框架发生震荡时无人驾驶车辆的定位位置的准确性收到相应的影响。
基于上述研究，本公开提供了一种车辆定位方法、装置、电子设备以及计算机可读存储介质。在本公开实施例中，通过结合多个状态预测系统确定出的目标车辆的子运动状态和待融合的状态预测数据来对目标车辆进行定位的方式，可以实现多个状态预测系统同时运行，进而，当任意一个状态预测系统发生震荡或者发散时，通过其他状态预测系统依然可以确定目标车辆的目标运动状态，从而保证了目标车辆的车辆定位系统的稳定性和可靠性。
为便于对本实施例进行理解，首先对本公开实施例所公开的一种车辆定位方法进行详细介绍，本公开实施例所提供的车辆定位方法的执行主体一般为具有一定计算能力的电子设备，该电子设备可以安装在目标车辆上，用于对目标车辆进行定位追踪。在一些可能的实现方式中，该车辆定位方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
参见图1所示，为本公开实施例提供的一种车辆定位方法的流程图，所述方法包括步骤S101～S105，其中：
S101：基于针对目标车辆的多种观测数据中的目标观测数据，确定所述目标车辆的待融合的状态预测数据。
在本公开实施例中，多种观测数据中包含高频观测数据和低频观测数据，其中，目标观测数据可以选取为高频观测数据，该高频观测数据可以定义为采集频率高于预定采集频率的观测数据。在一个可选的实施方式中，目标观测数据包括：惯性测量单元IMU(Inertial measurement unit)数据，和/或，Odom轮速计数据。除此之外，还可以选择为其他的高频观测数据，本公开对此不作具体限定。
需要说明的是，在本公开实施例中，预定采集频率的设定范围可以选择为50HZ至100HZ。
具体地，多种观测数据可以包括以下类型的观测数据：IMU数据、GNSS(GlobalNavigation Satellite System)全球导航卫星系统采集到的数据，LiDAR(LightDetection And Ranging)激光雷达采集到的数据，Odom轮速计数据，除此之外，多种观测数据还可以为其他能够应用在目标车辆上的传感器所采集到的数据。目标车辆可以为公用车辆，例如，公交车，还可以为私有车辆，例如，私有轿车等。本公开对目标车辆的类型不作具体限定，能够应用本公开所提供的车辆定位方法的车辆类型均在本公开的保护范围内。
在本公开实施例中，在确定出多种观测数据之后，就可以在多种观测数据中确定目标观测数据，并根据目标观测数据确定目标车辆的状态预测数据。
这里，可以通过相应的计算算法对目标观测数据进行处理，得到目标车辆的状态预测数据。例如，在目标观测数据为IMU数据的情况下，可以通过捷联惯性导航算法对IMU数据中的加速度数据和角速度数据进行解算得到目标车辆的状态预测数据。
S103：获取所述目标车辆的多个状态预测系统中每个状态预测系统基于与该状态预测系统匹配的至少一种观测数据确定的目标车辆的子运动状态。
在本公开实施例中，预先设置了多个状态预测系统，其中，该状态预测系统可以表示为滤波器。预先为每个状态预测系统设置了对应的观测数据类型，例如，该观测数据类型可以为以下至少之一：位姿数据、位置数据、速度数据、航向数据。基于此，可以在多种观测数据中确定与该观测数据类型相对应的至少一种观测数据，进而根据该至少一种观测数据确定目标车辆的子运动状态。
需要说明的是，在本公开实施例中，预先为不同状态预测系统设置的观测数据类型可以相同，还可以不同。例如，状态预测系统A1所对应的观测数据类型为：位姿数据、位置数据、速度数据；状态预测系统A2所对应的观测数据类型为：位置数据、速度数据、航向数据。
S105：根据各个所述状态预测系统确定的子运动状态和所述状态预测数据，确定所述目标车辆的目标运动状态，以根据所述目标运动状态对所述目标车辆进行定位。
通过上述描述可知，在无人驾驶车辆中，通常选用的传感器为以下传感器：惯性测量单元IMU，Odom轮速计、GNSS全球导航卫星系统，LiDAR激光雷达。针对GNSS全球导航卫星系统来说，当目标车辆进入到隧道中时，GNSS全球导航卫星系统可能会因为卫星信号被遮挡导致GNSS全球导航卫星系统无法检测到相应的数据。此时，若单一滤波器框架通过GNSS全球导航卫星系统所采集到的数据进行状态预测数据的更新时，将影响数据更新的准确性，从而降低车辆定位系统可靠性。基于此，可以设置多个状态预测系统，在其中一个状态预测系统由于卫星信号被遮挡从而无法获取GNSS全球导航卫星系统所采集到的数据的情况下，还可以通过其他状态预测系统来进行车辆的定位，其中，其他状态预测系统可以基于LiDAR激光雷达采集到的数据来对状态预测数据进行更新，从而得到相应的定位结果。其中，LiDAR激光雷达为基于先验地图的传感器，该传感器可以提供持续的高精度定位，从而在功能上实现与GNSS全球导航卫星系统的互补。
在本公开实施例中，通过结合多个状态预测系统确定出的目标车辆的子运动状态和待融合的状态预测数据来对目标车辆进行定位的方式，可以实现多个状态预测系统同时运行，进而，当任意一个状态预测系统发生震荡或者发散时，通过其他状态预测系统依然可以确定目标车辆的目标运动状态，从而保证了目标车辆的车辆定位系统的稳定性和可靠性。
在一个可选实施方式中，如图2所示，步骤S103，目标车辆的多个状态预测系统中每个状态预测系统基于与该状态预测系统匹配的至少一种观测数据确定的目标车辆的子运动状态，包括如下过程：
步骤S1031，针对每个状态预测系统，从所述多种观测数据中确定与该状态预测系统相匹配的至少一种观测数据；
步骤S1032，利用所述至少一种观测数据对所述状态预测数据进行更新，确定更新之后的状态预测数据指示的所述目标车辆的子运动状态。
在本公开实施例中，每个状态预测系统的输入数据为至少一种传感器的观测数据，且不同状态预测系统所对应的传感器种类相同或者不同。
这里，预先为每个状态预测系统配置了对应的观测数据类型。其中，每个状态预测系统及其所对应的观测数据类型之间的映射关系可以记录在目标关联表格中。例如，该目标关联表格可以为key-value形式的表格，其中，key用于表征每个状态预测系统，value用于表示与每个状态预测相关联的观测数据类型。
从多种观测数据中确定与每个状态预测系统相匹配的至少一种观测数据时，可以在目标关联表格中确定与每个状态预测系统相关联的观测数据类型，进而在多种观测数据中确定满足该观测数据类型的观测数据作为与该状态预测系统相匹配的至少一种观测数据。
这里，观测数据类型可以用于表征观测数据的采集频率、观测数据所属传感器的类型、观测数据自身的类型属性。
例如，状态预测系统A1对应的观测数据类型为高频数据和低频数据，此时，与该状态预测系统A1相对应的至少一种观测数据是IMU数据、GNSS数据、LiDAR激光雷达数据。
针对部分传感器来说，可以检测到不同观测数据类型的观测数据，例如，GNSS全球导航卫星系统可以检测到观测数据类型为位置、速度和航向的观测数据。此时，上述观测数据自身的类型属性可以用于表征在一个传感器中所检测到的每个观测数据的类型属性。
针对每个状态预测系统来说，例如，状态预测系统A1可能需要的观测数据为观测数据类型为速度和航向的GNSS数据，并不需要观测数据类型为位置的GNSS数据。
基于此，可以为每个状态预测系统对应设置相匹配的观测数据类型，例如，与状态预测系统A1相匹配的观测数据类型为：位姿、位置、速度和航向。此时，就可以按照该观测数据类型在多种观测数据中确定该状态预测系统A1相匹配的至少一种观测数据，每种观测数据对应一个观测数据类型。
在按照上述所描述的实施方式确定出至少一种观测数据之后，就可以利用至少一种观测数据对状态预测数据进行更新，进而确定更新之后的状态预测数据指示的所述目标车辆的子运动状态。
在本公开实施例中，通过在多种观测数据中确定与该状态预测系统相匹配的至少一种观测数据，进而根据该至少一种观测数据对状态预测数据进行更新的方式，可以从多种观测数据类型的观测数据中确定出与每个状态预测系统相匹配的至少一种观测数据，从而能够精确的确定每个状态预测系统所对应的观测数据，进而保证车辆定位系统的稳定性和可靠性。
通过上述描述可知，状态预测系统可以为滤波器，在此情况下，步骤S1032，所述利用所述至少一种观测数据对所述状态预测数据进行更新，确定更新之后的状态预测数据指示的所述目标车辆的子运动状态，包括如下过程：
(1)、确定每个所述滤波器的滤波器类型信息；
(2)、按照所述滤波器类型信息对应的滤波方式，利用所述至少一种观测数据对所述状态预测数据进行更新，确定更新之后的状态预测数据指示的所述目标车辆的子运动状态。
针对每个滤波器，可以选择多种滤波器方式(也即，滤波器类型信息)，例如，ESKF(Error-State Kalman Filter，误差状态卡尔曼滤波)、ES_AKF(Error-State_AdaptiveKalman Filter，误差状态自适应卡尔曼滤波)、UKF(Unscented Kalman Filter，无迹卡尔曼滤波)，除了上述所描述的滤波器方式之外，还可以选择其他能够代替上述滤波器方式的其他滤波器方式，本公开对此不作具体限定。
在本公开实施例中，在通过各个滤波器确定目标车辆的子运动状态之前，可以为每个滤波器设置对应的滤波器类型信息，每个滤波器获取状态预测数据，并根据与之相匹配的至少一种观测数据对该状态预测数据进行更新，从而得到目标车辆的子运动状态。
如图3所示，在本公开实施例中，预先为多个滤波器设置了一个继承接口和对应的抽象类，该继承接口包含对应的业务功能(例如，可以为抽象函数)，该继承接口可以为KF_Impl，KF_impl是虚基类负责定义接口。抽象类用于实现继承接口的业务功能。在各个滤波器使用的过程中，共同的部分是获取状态预测数据，然后根据至少一种观测数据对状态预测结果进行状态更新。因此，上述业务功能可以描述为：获取状态预测数据，然后根据至少一种观测数据对状态预测结果进行状态更新。针对每个滤波器来说，可以通过抽象类继承并实现上述业务功能，并在滤波器初始化阶段，在抽象类中指定滤波器类型信息。在后续滤波器的使用过程中，各个滤波器通过该抽象类继承同样的接口就可以完成对应滤波方式下业务功能的实现，从而实现各个滤波器通过不同的滤波方式，利用根据至少一种观测数据对状态预测结果进行状态更新。
通过上述描述可知，基于上述所描述的抽象继承方法，各个滤波器可以在不同滤波器类型信息的情况下，通过继承同一个接口的业务功能来确定目标车辆的子运动状态，上述处理方式可以简化车辆定位系统的逻辑处理过程，其中，该逻辑处理过程为上述业务功能所描述的过程。对于每个滤波器，可以在初始化阶段指定对应的滤波器类型信息，在后续动态运行过程，每个滤波器的实现都是一样的，即实现对应接口的业务功能。这样就避免了对每个滤波器都做一次订制，即订制上述业务功能的过程，极大方便了滤波器的拓展。
在本公开实施例中，在按照上述所描述的方式获取每个状态预测系统确定的目标车辆的子运动状态之后，就可以根据各个状态预测数据确定的子运动状态和状态预测数据，确定目标车辆的目标运动状态，进而根据该目标运动状态对目标车辆进行定位。
在本公开实施例中，通过基于多滤波器的车辆定位方法可以提高自动驾驶场景下车辆定位系统的持续可靠性。由于多个滤波器同时运行，且每个滤波器可以选择不同的传感器组合方式，进而对应不同观测数据类型的观测数据，以及不同滤波器可以设置不同的滤波器类型信息。通过上述处理方式，可以在单一的某个滤波器发散或者定位误差偏大的情况下，可以切换到其它的滤波器以提供持续的定位输出(即，子运动状态)。多滤波器组合的明显优势在于增强了车辆定位系统抗错误观测值的能力。当无法保证各个观测数据的置信度完全可靠时，对错误观测数据进行数据融合之后的融合结果对整个滤波器造成非常负面的影响。
但针对某一个传感器来说，如果该传感器存在错误观测时，其它传感器所检测到的观测数据可能是正常的。例如，如果滤波器A1所对应的观测数据为GNSS采集到的观测数据，滤波器A2所对应的观测数据为LiDAR采集到的观测数据。对于隧道场景来说，GNSS开始阶段提供的观测数据的误差较大，这对于数据融合的过程是不利的，因为错误的观测数据无法被剔除掉，这将导致滤波器A1输出的子运动状态出现震荡或者发散。然而，针对滤波器A2来说，由于LiDAR采集到的观测数据是准确的数据，因此，在滤波器A2也存在时，就可以保证在目标车辆进入隧道阶段不被错误的GNSS观测数据影响，从而能有效保证车辆定位系统的精度和可靠性。
在一个可选的实施方式中，步骤S105，根据各个所述状态预测系统确定的子运动状态和所述状态预测数据，确定所述目标车辆的目标运动状态，包括如下过程：
步骤S1051，确定每个所述状态预测系统的权重值；并根据所述权重值对所述子运动状态进行加权求和，得到加权求和结果；
步骤S1052，根据所述加权求和结果对所述状态预测数据进行更新，确定更新之后的状态预测数据指示的所述目标车辆的目标运动状态。
在本公开实施例中，可以预先为每个状态预测系统设置对应的权重值，然后，根据该权重值对子运动状态进行加权求和，得到加权求和结果。需要说明的是，上述状态预测系统的权重值可以是固定不变的，还可以是动态调整的。例如，可以根据各个所述状态预测系统确定出的子运动状态的变化幅度调整每个所述状态预测系统的权重值。
由于每个状态预测系统为反复迭代的过程，因此，针对当前时刻t该状态预测系统输出的子运动状态来说，可以将当前时刻t确定出子运动状态a和当前时刻t的上一时刻t-1确定出的子运动状态b进行比较，若根据子运动状态a和子运动状态b确定出变化幅度大于幅度阈值，则减少该状态预测系统的权重值，若变化幅度小于或者等于幅度阈值，则增大或者保持状态预测系统的权重值。
在本公开实施例中，可以通过以下几种方式来调整每个状态预测系统的权重值：
方式一：
将每个状态预测系统的变化幅度输入至对应的卷积神经网络，以使该卷积神经网络根据该变化幅度预测每个状态预测系统的权重值。
方式二：
针对变化幅度大于幅度阈值的状态预测系统，可以为该状态预测系统随机设置权重值，其中，随机设置的权重值小于在当前时刻t所对应的权重值。针对变化幅度小于或者等于幅度阈值的状态预测系统，可以为该状态预测系统随机设置权重值，其中，随机设置的权重值大于或者等于在当前时刻t所对应的权重值。
方式三：
将每个状态预测系统的变化幅度进行排序，得到变化幅度的排序序列，然后，预先设定多个权重值，按照变化幅度由低到高的顺序，为每个状态预测系统分配对应的权重值，其中，变化幅度越低，权重值越大，变化幅度越高，权重值越小。
在本公开实施例中，通过对子运动状态进行加权求和，来对状态预测数据进行更新的方式，可以实现将多种观测数据进行融合，在此情况下所确定出目标运动状态为结合多种观测数据所确定出的。通过上述处理方式，可以提高车辆定位系统的稳定性和可靠性，从而缓解现有技术中由于单一滤波器框架出现震荡或者发散导致车辆定位系统定位准确性差的问题。
进一步地，在本公开实施例中，考虑到多个状态预测系统的稳定性可能是随时间变化而变化的，因此，设置根据每个状态预测系统的稳定性来动态调整对应的权重值，从而避免由于某个权重值较大的状态预测系统出现震荡或者发散导致车辆定位系统的稳定性下降的问题，进而进一步保证车辆定位系统的稳定性和可靠性。
在另一个可选的实施方式中，步骤S105，根据各个所述状态预测系统确定的子运动状态和所述状态预测数据，确定所述目标车辆的目标运动状态，包括如下过程：
首先，在所述各个所述状态预测系统输出的子运动状态中确定目标子运动状态；然后，根据所述目标子运动状态和所述状态预测数据，确定所述目标车辆的目标运动状态。
在本公开实施例中，可以在每个状态预测系统输出的多个子运动状态中确定最优子运动状态为目标子运动状态；还可以按照用户的指示在多个子运动状态确定用户所选定的子运动状态为目标子运动状态，其中，目标子运动状态可以为一个，还可以为多个，本公开对此不作具体限定。
在目标子运动状态为一个的情况下，可以根据该目标子运动状态对状态预测数据进行更新，确定更新之后的状态预测数据指示的所述目标车辆的目标运动状态。
在目标子运动状态为多个的情况下，还可以对多个目标子运动状态进行加权求和，并根据加权求和结果对所述状态预测数据进行更新，确定更新之后的状态预测数据指示的所述目标车辆的目标运动状态。
需要说明的是，在本公开实施例中，确定多个目标子运动状态的权重值的过程与上述方式一至方式三所描述的过程相同，此处不再详细赘述。
在本公开实施例中，可以根据每个状态预测系统输出的子运动状态的变化幅度和/误差值来确定该状态预测系统的稳定性，进而根据该稳定性从多个子运动状态中确定最优子运动状态。
通过上述描述可知，在本公开实施例中，通过在子运动状态中确定目标子运动状态，进而根据该目标子运动状态和状态预测数据确定目标运动状态的方式，可以避免多个状态预测系统之间的相互干扰，从而保证车辆定位系统的稳定性和可靠性。
在本公开实施例中，在确定出所述目标车辆的目标运动状态之后，还可以在所述多个状态预测系统中确定一个或多个待重置的状态预测系统。
具体地，通过对状态预测系统进行重置，可以使得重置之后的状态预测系统利用了其他状态预测系统的状态估计结果(子运动状态)，例如，最优的状态估计结果。针对发现震荡或者发散的状态预测系统来说，通过状态重置的方式可以对震荡或者发散的状态预测系统进行矫正，以提高该状态预测系统输出的子运动状态的稳定性和可靠性。
在一个可选的实施方式中，可以根据下述所描述的方式确定一个或多个待重置的状态预测系统：
根据所述目标运动状态确定每个所述状态预测系统输出的子运动状态的误差值；根据所述误差值在所述多个状态预测系统中确定一个或多个待重置的状态预测系统。
在本公开实施例中，可以选择对全部的状态预测系统进行重置，还可以选择对部分状态预测系统进行重置。例如，用户可以在全部的状态预测系统中指定一个或多个待重置的状态预测系统。
除此之外，还可以通过误差值的方式确定一个或多个待重置的状态预测系统。
具体地，可以计算目标运动状态和每个子运动状态之间的差值，进而将该差值确定为每个状态预测系统的误差值。然后，将该误差值与误差阈值进行比较，若该误差值大于或等于误差阈值，则确定该状态预测系统为待重置的状态预测系统。
在确定出一个或多个待重置的状态预测系统之后，可以通过下述方式确定重置状态：
在所述目标运动状态和/或所述多个子运动状态中确定满足预设条件的运动状态为所述重置状态。
具体地，满足预设条件可以理解为：目标运动状态和/或多个子运动状态中的最优运动状态；或者，用户在目标运动状态和/或多个子运动状态中指定运动状态为重置状态。
在一个可选的实施方式中，可以根据目标运动状态和/或每个子运动状态的变化幅度从目标运动状态和/或每个子运动状态中确定最优运动状态，并将该最优运动状态确定为重置状态。
在另一个可选的实施方式中，可以响应于用户的选择操作，在目标运动状态和/或多个子运动状态中确定用户所选择运动状态，并将用户所选择运动状态确定为重置状态。
在确定出重置状态，以及确定出一个或多个待重置的状态预测系统之后，就可以根据重置状态对所述待重置的状态预测系统输出的子运动状态进行重置更新。
通过上述描述可知，在本公开实施例中，通过重置状态对一个或多个待重置的状态预测系统进行状态重置的方式可以对震荡或者发散的状态预测系统进行矫正，以提高该状态预测系统输出的子运动状态的稳定性和可靠性。
在本公开实施例中，在确定出目标车辆的目标运动状态之后，还可以在检测到所述目标车辆的观测数据的更新信息的情况下，确定所述更新信息中所指示的发生数据变更的目标观测数据类型，并确定所述目标观测数据类型所匹配的至少一个状态预测系统；然后，针对确定的所述至少一个状态预测系统，更新确定的目标观测数据类型下的观测数据。
对于每个状态预测系统(例如，子滤波器)，可以选择多种传感器的组合方式，实现时可以将每个传感器都作为观测数据来对状态预测数据进行状态更新。但是，一旦传感器个数较多时，就需要频繁添加新的传感器模式。对于某个传感器来说，其可以分别提供不同的观测数据类型的观测数据。例如：GNSS可以提供位置、速度甚至航向的观测数据，对于LMM，可以提供位置和航向的观测数据。这样可以根据观测数据类型对多个传感器进行分类，分为多种观测数据类型。如图4所示，多种观测数据类型分别有位姿pose、位置position、速度velocity和航向heading四种，上述四种观测数据类型所对应的传感器有GNSS、LiDAR、轮式里程计、AHRS(航姿参考)等。
基于此，在本公开实施例中，可以在检测到目标车辆的观测数据的更新信息的情况下，确定更新信息中所指示的发生数据变更的目标观测数据类型，例如，新增的观测数据对应的观测数据类型为：位姿和位置，那么位姿和位置即为目标观测数据类型。此时，可以在多个状态预测系统中确定与位姿和位置相匹配的至少一个状态预测系统。
在确定出相匹配的至少一个状态预测系统之后，就可以更新该状态预测系统中所对应的目标观测数据类型下的观测数据，例如，可以更新该状态预测系统中所属于位姿的观测数据。
在本公开实施例中，可以通过对观测数据进行抽象继承的方法来对每个状态预测系统所匹配的观测数据进行维护。抽象继承的方法是指为每种观测数据类型的观测数据对应设置抽象类。当该状态预测系统对应新增一种观测数据时，可以为该新增的观测数据创建对应的抽象子类，然后，该抽象子类可以继承其所对应的抽象父类。通过上述处理方式，在为每个状态预测系统新增对应的观测数据时，无需再定义新的观测数据的更新过程，只需基于已有的观测数据进行继承添加就可以实现对该新增的观测数据进行增加。这样为状态预测系统的实现添加便利，因为不需要涉及对每个状态预测系统的特别定制化，也极大方便了后续的拓展。
如图5所示的为一种可选的车辆定位方法的流程框图，从如图5中可以看出，多种观测数据包括：IMU数据，GNSS数据，LMM数据和ODOM数据。多个状态预测系统包括：子滤波器1至子滤波器10，其中，子滤波器1至子滤波器10中每个子滤波器所对应的传感器组合和滤波器类型信息可以描述为：
子滤波器1：IMU数据和GNSS数据，ESKF误差状态卡尔曼滤波；
子滤波器2：IMU数据和GNSS数据，ES_AKF误差状态自适应卡尔曼滤波；
子滤波器3：IMU数据和GNSS数据，UKF无迹卡尔曼滤波；
子滤波器4：IMU数据和LMM数据，ESKF误差状态卡尔曼滤波；
子滤波器5：IMU数据和LMM数据，ES_AKF误差状态自适应卡尔曼滤波；
子滤波器6：IMU数据和LMM数据，UKF无迹卡尔曼滤波；
子滤波器7：IMU数据、GNSS数据和LMM数据，ESKF误差状态卡尔曼滤波；
子滤波器8：IMU数据、GNSS数据和LMM数据，ES_AKF误差状态自适应卡尔曼滤波；
子滤波器9：IMU数据、GNSS数据和LMM数据，UKF无迹卡尔曼滤波；
子滤波器10：IMU数据和ODOM数据，ES_AKF误差状态自适应卡尔曼滤波。
如图5所示，该车辆定位系统中存在多个传感器，通过IMU数据确定状态预测数据，其中，SINS(捷联惯性导航)利用高频的IMU测量值(加速度和角速度)进行积分递推得到状态预测数据，GNSS(全球导航卫星系统)、LMM(LiDAR地图匹配)、ODOM(轮速计)等其它传感器所采集的观测数据用于对该状态预测数据进行状态更新。
对于每个子滤波器来说，有多种传感器组合方式，每个子滤波器都选择基于IMU数据确定出的状态预测数据为待更新的状态预测数据，然后，选择其它单个或者多个传感器的观测数据用于对该状态预测数据进行状态更新，例如：IMU_GNSS指IMU和GNSS的组合方式，IMU_LMM指IMU和LiDAR的组合方式，IMU_GNSS_LMM指IMU、GNSS和LiDAR的三个传感器组合方式。对于每个子滤波器，还会选择多种滤波器类型，对于IMU_GNSS传感器组合方式，可以选择常规的误差状态卡尔曼滤波(ESKF)，还可以选择自适应卡尔曼滤波(AKF)和无迹卡尔曼滤波(UKF)等。
对于目标运动状态的输出，可以有以下两种选择方式：
第一种方式、是通过联邦式结构，通过将各个子滤波器的子运动状态输入到主滤波器中。主滤波器将各个子滤波器的子运动状态进行加权求和计算，并根据该加权求和结果对输入至主滤波器中的状态预测数据进行状态更新，以得到目标运动状态。
第二种方式、选择各个子滤波器中最优子运动状态作为输出，该利用最优子运动状态对输入至主滤波器中的状态预测数据进行状态更新，以得到目标运动状态。
需要说明的是，在如图5所示的流程框图中，子滤波器10为备选滤波器，其中，备选滤波器可以理解为在多个子滤波器(例如，子滤波器1至子滤波器9)均发生震荡或者发散的情况下，可以通过子滤波器10确定的目标车辆的子运动状态和状态预测数据，来确定目标车辆的目标运动状态，从而进一步提高车辆定位系统的稳定性和可靠性。
应理解的是，在本公开实施例中，备选滤波器可以设置为一个，还可以设置为多个，本公开对此不作具体限定。
在本公开实施例中，在车辆定位系统中处于运动状态的多个子滤波器(例如，子滤波器1至子滤波器9)均处于正常运行的情况下，可以从多个子滤波器中选择一个或多个作为备选滤波器。
通过上述描述可知，在本公开实施例中，针对单一滤波器框架用于多传感器融合时在自动驾驶场景下冗余度不够的问题，提出一种基于多滤波器框架的多传感器融合方法，可以多个子滤波器同时运行，当单一滤波器发散时，还有其它子滤波器继续运行，提高定位系统的可靠性；针对单一类型的滤波器在融合时的局限性，提出一种基于多滤波器框架下的多类型滤波器并行运行方法，充分发挥各类型滤波器的优势，提高系统的精度；针对单一滤波器中各个观测提供约束有限的方法，提出一种传感器抽象方法，同一个传感器可以同时提供不同的观测数据，作用于不同的子滤波器之中。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思，本公开实施例中还提供了与车辆定位方法对应的车辆定位装置，由于本公开实施例中的装置解决问题的原理与本公开实施例上述车辆定位方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图6所示，为本公开实施例提供的一种车辆定位装置的示意图，所述装置包括：确定单元61、获取单元62、定位单元63；其中，
确定单元61，用于基于针对目标车辆的多种观测数据中的目标观测数据，确定所述目标车辆的待融合的状态预测数据；
获取单元62，用于获取所述目标车辆的多个状态预测系统中每个状态预测系统基于与该状态预测系统匹配的至少一种观测数据确定的目标车辆的子运动状态；
定位单元63，用于根据各个所述状态预测系统确定的子运动状态和所述状态预测数据，确定所述目标车辆的目标运动状态，以根据所述目标运动状态对所述目标车辆进行定位。
在本公开实施例中，通过结合多个状态预测系统确定出的目标车辆的子运动状态和待融合的状态预测数据来对目标车辆进行定位的方式，可以实现多个状态预测系统同时运行，进而，当任意一个状态预测系统发生震荡或者发散时，通过其他状态预测系统依然可以确定目标车辆的目标运动状态，从而保证了目标车辆的车辆定位系统的稳定性和可靠性。
一种可能的实施方式中，获取单元，还用于：针对每个状态预测系统，从所述多种观测数据中确定与该状态预测系统相匹配的至少一种观测数据；利用所述至少一种观测数据对所述状态预测数据进行更新，确定更新之后的状态预测数据指示的所述目标车辆的子运动状态。
一种可能的实施方式中，获取单元，还用于：在状态预测系统为滤波器的情况下，确定每个所述滤波器的滤波器类型信息；按照所述滤波器类型信息对应的滤波方式，利用所述至少一种观测数据对所述状态预测数据进行更新，确定更新之后的状态预测数据指示的所述目标车辆的子运动状态。
一种可能的实施方式中，该装置还用于：在检测到所述目标车辆的观测数据的更新信息的情况下，确定所述更新信息中所指示的发生数据变更的目标观测数据类型，并确定所述目标观测数据类型所匹配的至少一个状态预测系统；针对确定的所述至少一个状态预测系统，更新确定的目标观测数据类型下的观测数据。
一种可能的实施方式中，定位单元，还用于：确定每个所述状态预测系统的权重值；并根据所述权重值对所述子运动状态进行加权求和，得到加权求和结果；根据所述加权求和结果对所述状态预测数据进行更新，确定更新之后的状态预测数据指示的所述目标车辆的目标运动状态。
一种可能的实施方式中，该装置还用于：根据各个所述状态预测系统确定出的子运动状态的变化幅度调整每个所述状态预测系统的权重值。
一种可能的实施方式中，定位单元，还用于：在所述各个所述状态预测系统输出的子运动状态中确定目标子运动状态；并根据所述目标子运动状态和所述状态预测数据，确定所述目标车辆的目标运动状态。
一种可能的实施方式中，该装置还用于：在确定出所述目标车辆的目标运动状态之后，在所述多个状态预测系统中确定一个或多个待重置的状态预测系统；根据重置状态对所述待重置的状态预测系统输出的子运动状态进行重置更新。
一种可能的实施方式中，该装置还用于：根据所述目标运动状态确定每个所述状态预测系统输出的子运动状态的误差值；根据所述误差值在所述多个状态预测系统中确定一个或多个待重置的状态预测系统。
一种可能的实施方式中，该装置还用于：在所述目标运动状态和/或所述多个子运动状态中确定满足预设条件的运动状态为所述重置状态。
一种可能的实施方式中，所述目标观测数据包括：惯性测量单元IMU数据，和/或，轮速计数据。
对应于图1中的车辆定位方法，本公开实施例还提供了一种电子设备700，如图7所示，为本公开实施例提供的电子设备700结构示意图，包括：
处理器71、存储器72、和总线73；存储器72用于存储执行指令，包括内存721和外部存储器722；这里的内存721也称内存储器，用于暂时存放处理器71中的运算数据，以及与硬盘等外部存储器722交换的数据，处理器71通过内存721与外部存储器722进行数据交换，当所述电子设备700运行时，所述处理器71与所述存储器72之间通过总线73通信，使得所述处理器71执行以下指令：
基于针对目标车辆的多种观测数据中的目标观测数据，确定所述目标车辆的待融合的状态预测数据；
获取所述目标车辆的多个状态预测系统中每个状态预测系统基于与该状态预测系统匹配的至少一种观测数据确定的目标车辆的子运动状态；
根据各个所述状态预测系统确定的子运动状态和所述状态预测数据，确定所述目标车辆的目标运动状态，以根据所述目标运动状态对所述目标车辆进行定位。
本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的车辆定位方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例还提供一种计算机程序产品，该计算机程序产品承载有程序代码，所述程序代码包括的指令可用于执行上述方法实施例中所述的车辆定位方法的步骤，具体可参见上述方法实施例，在此不再赘述。
其中，上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。
Claims (14)
1.一种车辆定位方法，其特征在于，包括：
基于针对目标车辆的多种观测数据中的目标观测数据，确定所述目标车辆的待融合的状态预测数据；
获取所述目标车辆的多个状态预测系统中每个状态预测系统基于与该状态预测系统匹配的至少一种观测数据确定的目标车辆的子运动状态；
根据各个所述状态预测系统确定的子运动状态和所述状态预测数据，确定所述目标车辆的目标运动状态，以根据所述目标运动状态对所述目标车辆进行定位。
2.根据权利要求1所述的方法，其特征在于，所述目标车辆的多个状态预测系统中每个状态预测系统基于与该状态预测系统匹配的至少一种观测数据确定的目标车辆的子运动状态，包括：
针对每个状态预测系统，从所述多种观测数据中确定与该状态预测系统相匹配的至少一种观测数据；
利用所述至少一种观测数据对所述状态预测数据进行更新，确定更新之后的状态预测数据指示的所述目标车辆的子运动状态。
3.根据权利要求2所述的方法，其特征在于，所述状态预测系统为滤波器；所述利用所述至少一种观测数据对所述状态预测数据进行更新，确定更新之后的状态预测数据指示的所述目标车辆的子运动状态，包括：
确定每个所述滤波器的滤波器类型信息；
按照所述滤波器类型信息对应的滤波方式，利用所述至少一种观测数据对所述状态预测数据进行更新，确定更新之后的状态预测数据指示的所述目标车辆的子运动状态。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：
在检测到所述目标车辆的观测数据的更新信息的情况下，确定所述更新信息中所指示的发生数据变更的目标观测数据类型，并确定所述目标观测数据类型所匹配的至少一个状态预测系统；
针对确定的所述至少一个状态预测系统，更新确定的目标观测数据类型下的观测数据。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据各个所述状态预测系统确定的子运动状态和所述状态预测数据，确定所述目标车辆的目标运动状态，包括：
确定每个所述状态预测系统的权重值；并根据所述权重值对所述子运动状态进行加权求和，得到加权求和结果；
根据所述加权求和结果对所述状态预测数据进行更新，确定更新之后的状态预测数据指示的所述目标车辆的目标运动状态。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
根据各个所述状态预测系统确定出的子运动状态的变化幅度调整每个所述状态预测系统的权重值。
7.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据各个所述状态预测系统确定的子运动状态和所述状态预测数据，确定所述目标车辆的目标运动状态，包括：
在所述各个所述状态预测系统输出的子运动状态中确定目标子运动状态；并根据所述目标子运动状态和所述状态预测数据，确定所述目标车辆的目标运动状态。
8.根据权利要求1至7中任一项所述的方法，其特征在于，所述方法还包括：
在确定出所述目标车辆的目标运动状态之后，在所述多个状态预测系统中确定一个或多个待重置的状态预测系统；
根据重置状态对所述待重置的状态预测系统输出的子运动状态进行重置更新。
9.根据权利要求8所述的方法，其特征在于，所述在所述多个状态预测系统中确定一个或多个待重置的状态预测系统，包括：
根据所述目标运动状态确定每个所述状态预测系统输出的子运动状态的误差值；
根据所述误差值在所述多个状态预测系统中确定一个或多个待重置的状态预测系统。
10.根据权利要求8所述的方法，其特征在于，所述方法还包括通过以下方式确定所述重置状态：
在所述目标运动状态和/或所述多个子运动状态中确定满足预设条件的运动状态为所述重置状态。
11.根据权利要求1至10中任一项所述的方法，其特征在于，所述目标观测数据包括：惯性测量单元IMU数据，和/或，轮速计数据。
12.一种车辆定位装置，其特征在于，包括：
确定单元，用于基于针对目标车辆的多种观测数据中的目标观测数据，确定所述目标车辆的待融合的状态预测数据；
获取单元，用于获取所述目标车辆的多个状态预测系统中每个状态预测系统基于与该状态预测系统匹配的至少一种观测数据确定的目标车辆的子运动状态；
定位单元，用于根据各个所述状态预测系统确定的子运动状态和所述状态预测数据，确定所述目标车辆的目标运动状态，以根据所述目标运动状态对所述目标车辆进行定位。
13.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至11任一所述的车辆定位方法的步骤。
14.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至11任一所述的车辆定位方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110420846.0A CN113108797B (zh) | 2021-04-19 | 2021-04-19 | 车辆定位方法、装置、电子设备以及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110420846.0A CN113108797B (zh) | 2021-04-19 | 2021-04-19 | 车辆定位方法、装置、电子设备以及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113108797A true CN113108797A (zh) | 2021-07-13 |
| CN113108797B CN113108797B (zh) | 2024-04-12 |
Family
ID=76718590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110420846.0A Active CN113108797B (zh) | 2021-04-19 | 2021-04-19 | 车辆定位方法、装置、电子设备以及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113108797B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115096321A (zh) * | 2022-06-23 | 2022-09-23 | 中国人民解放军63921部队 | 一种车载捷联惯导系统鲁棒无迹信息滤波对准方法及系统 |
| CN115409871A (zh) * | 2022-10-31 | 2022-11-29 | 浙江中测新图地理信息技术有限公司 | 一种基于位置智能的三维场景虚实交互方法及装置 |
| CN115839718A (zh) * | 2022-09-29 | 2023-03-24 | 北京斯年智驾科技有限公司 | 一种基于运动约束的融合定位方法及装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6240367B1 (en) * | 1998-11-27 | 2001-05-29 | Ching-Fang Lin | Full fusion positioning method for vehicle |
| US6424914B1 (en) * | 2000-12-26 | 2002-07-23 | American Gnc Corporation | Fully-coupled vehicle positioning method and system thereof |
| US20140067343A1 (en) * | 2012-09-03 | 2014-03-06 | Seiko Epson Corporation | Moving state calculating method and moving state calculating device |
| CN105866812A (zh) * | 2016-03-24 | 2016-08-17 | 广东机电职业技术学院 | 一种新型车辆组合定位算法 |
| CN107656301A (zh) * | 2017-09-20 | 2018-02-02 | 北京航天发射技术研究所 | 一种基于多源信息融合的车载定位方法 |
| US20190360816A1 (en) * | 2016-10-19 | 2019-11-28 | Huawei Technologies Co., Ltd. | Positioning Method and Mobile Device |
| CN110562263A (zh) * | 2019-09-19 | 2019-12-13 | 中国人民解放军陆军装甲兵学院 | 一种基于多模型融合的轮毂电机驱动车辆车速估计方法 |
| CN110823217A (zh) * | 2019-11-21 | 2020-02-21 | 山东大学 | 一种基于自适应联邦强跟踪滤波的组合导航容错方法 |
| CN110933597A (zh) * | 2019-12-06 | 2020-03-27 | 北京壹氢科技有限公司 | 一种基于蓝牙的多无人车协同容错导航定位方法及系统 |
| KR102119254B1 (ko) * | 2019-03-14 | 2020-06-04 | 국방과학연구소 | 연합형 필터 기반 관성항법, 위성항법 및 지형대조항법을 정보 융합한 통합 항법 설계 방법 및 이 방법을 저장한 컴퓨터 판독 가능 저장 매체 |
| CN111928846A (zh) * | 2020-07-31 | 2020-11-13 | 南京理工大学 | 一种基于联邦滤波的多源融合即插即用组合导航方法 |
| CN112180361A (zh) * | 2020-09-30 | 2021-01-05 | 南京航空航天大学 | 一种基于动态联邦滤波的车载雷达目标跟踪方法 |
-
2021
- 2021-04-19 CN CN202110420846.0A patent/CN113108797B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6240367B1 (en) * | 1998-11-27 | 2001-05-29 | Ching-Fang Lin | Full fusion positioning method for vehicle |
| US6424914B1 (en) * | 2000-12-26 | 2002-07-23 | American Gnc Corporation | Fully-coupled vehicle positioning method and system thereof |
| US20140067343A1 (en) * | 2012-09-03 | 2014-03-06 | Seiko Epson Corporation | Moving state calculating method and moving state calculating device |
| CN105866812A (zh) * | 2016-03-24 | 2016-08-17 | 广东机电职业技术学院 | 一种新型车辆组合定位算法 |
| US20190360816A1 (en) * | 2016-10-19 | 2019-11-28 | Huawei Technologies Co., Ltd. | Positioning Method and Mobile Device |
| CN107656301A (zh) * | 2017-09-20 | 2018-02-02 | 北京航天发射技术研究所 | 一种基于多源信息融合的车载定位方法 |
| KR102119254B1 (ko) * | 2019-03-14 | 2020-06-04 | 국방과학연구소 | 연합형 필터 기반 관성항법, 위성항법 및 지형대조항법을 정보 융합한 통합 항법 설계 방법 및 이 방법을 저장한 컴퓨터 판독 가능 저장 매체 |
| CN110562263A (zh) * | 2019-09-19 | 2019-12-13 | 中国人民解放军陆军装甲兵学院 | 一种基于多模型融合的轮毂电机驱动车辆车速估计方法 |
| CN110823217A (zh) * | 2019-11-21 | 2020-02-21 | 山东大学 | 一种基于自适应联邦强跟踪滤波的组合导航容错方法 |
| CN110933597A (zh) * | 2019-12-06 | 2020-03-27 | 北京壹氢科技有限公司 | 一种基于蓝牙的多无人车协同容错导航定位方法及系统 |
| CN111928846A (zh) * | 2020-07-31 | 2020-11-13 | 南京理工大学 | 一种基于联邦滤波的多源融合即插即用组合导航方法 |
| CN112180361A (zh) * | 2020-09-30 | 2021-01-05 | 南京航空航天大学 | 一种基于动态联邦滤波的车载雷达目标跟踪方法 |
Non-Patent Citations (9)
| Title |
|---|
| GANNAN YUAN: "A Variable Proportion Adaptive Federal Kalman Filter for INS/ESGM/GPS/DVL Integrated Navigation System", 2011 FOURTH INTERNATIONAL JOINT CONFERENCE ON COMPUTATIONAL SCIENCES AND OPTIMIZATION * |
| 刘鑫;刘培毅;张驰;: "巡航导弹组合导航的信息融合技术研究", 战术导弹技术, no. 03, 15 May 2007 (2007-05-15) * |
| 张怡;蔡毅;唐成凯;: "基于联邦卡尔曼滤波器的信息分配因子的研究", 计算机仿真, no. 01, 15 January 2009 (2009-01-15) * |
| 柴霖;: "联邦滤波器信息分配因子优选问题", 火力与指挥控制, no. 08, 15 August 2007 (2007-08-15) * |
| 蔡毅;张怡;杨舸;仝浩;: "基于联邦滤波的自适应算法研究", 计算机工程与应用, no. 01, 1 January 2009 (2009-01-01) * |
| 谭聚豪: "基于联邦滤波的多源融合导航算法", 导航与控制 * |
| 闫钧宣;张科;: "基于信息融合技术的惯性/多传感器组合导航系统设计", 计算机测量与控制, no. 10 * |
| 马兴元;李智;王勇军;: "基于权衡因子的联邦滤波信息分配系数研究", 电子科技, no. 05, 15 May 2019 (2019-05-15) * |
| 麦珍珍: "基于联邦滤波的多传感器组合导航算法研究", 中国硕士学位论文全文数据库 信息科技 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115096321A (zh) * | 2022-06-23 | 2022-09-23 | 中国人民解放军63921部队 | 一种车载捷联惯导系统鲁棒无迹信息滤波对准方法及系统 |
| CN115839718A (zh) * | 2022-09-29 | 2023-03-24 | 北京斯年智驾科技有限公司 | 一种基于运动约束的融合定位方法及装置 |
| CN115839718B (zh) * | 2022-09-29 | 2024-04-23 | 北京斯年智驾科技有限公司 | 一种基于运动约束的融合定位方法及装置 |
| CN115409871A (zh) * | 2022-10-31 | 2022-11-29 | 浙江中测新图地理信息技术有限公司 | 一种基于位置智能的三维场景虚实交互方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113108797B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113108797B (zh) | 车辆定位方法、装置、电子设备以及计算机可读存储介质 | |
| Noureldin et al. | Performance enhancement of MEMS-based INS/GPS integration for low-cost navigation applications | |
| CN110979346B (zh) | 确定车辆所处车道的方法、装置及设备 | |
| US8185309B2 (en) | Enhanced inertial system performance | |
| US20150153460A1 (en) | Sequential Estimation in a Real-Time Positioning or Navigation System Using Historical States | |
| CA2701529C (en) | System and method for intelligent tuning of kalman filters for ins/gps navigation applications | |
| KR20190042247A (ko) | 위치 추정 장치 및 방법 | |
| SE510436C3 (sv) | Måltypsestimering vid målspårning | |
| CN108692739A (zh) | 用于具有异构测量结果的导航系统的完整性监视方法 | |
| JPH07509570A (ja) | Ｇｐｓ及び推測航法情報の適応加重用航法システム | |
| CN109813299A (zh) | 一种基于交互多模型的组合导航信息融合方法 | |
| JP7285933B2 (ja) | パラメータ推定の整合性範囲を適応的に決定する方法 | |
| WO2022037340A1 (zh) | 故障检测方法、装置及系统 | |
| EP4300042A1 (en) | Navigation information processing method and apparatus, electronic device, and storage medium | |
| Zhang et al. | Vehicle positioning system with multi‐hypothesis map matching and robust feedback<? show [AQ ID= Q1]?> | |
| Al Bitar et al. | Neural networks aided unscented Kalman filter for integrated INS/GNSS systems | |
| US10889302B2 (en) | Methods for monitoring the output performance of state estimators in navigation systems | |
| CN111486840A (zh) | 机器人定位方法、装置、机器人及可读存储介质 | |
| CN116380087A (zh) | 基于多因子图的汽车定位方法、装置、设备及存储介质 | |
| CN105910617A (zh) | 一种车载导航系统中采样点时间同步的方法及装置 | |
| JP2020154416A (ja) | 航跡予測装置および航跡予測方法 | |
| CN110082805A (zh) | 一种三维定位装置和方法 | |
| CN111814114B (zh) | 车道定位校验的方法、设备、电子设备、车辆及存储介质 | |
| CN112325875A (zh) | 容错处理方法及装置、存储介质、电子装置 | |
| Zhang et al. | Adaptive information sharing factors in federated Kalman filtering |
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 | ||
| CP03 | Change of name, title or address |
Address after: Room 01, 2 / F, No.29 and 30, Lane 1775, Qiushan Road, Nicheng Town, Lingang New District, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai, 200232 Patentee after: Shanghai Lingang Jueying Intelligent Technology Co.,Ltd. Country or region after: China Address before: Room 01, 2 / F, No.29 and 30, Lane 1775, Qiushan Road, Nicheng Town, Lingang New District, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai, 200232 Patentee before: Shanghai Shangtang Lingang Intelligent Technology Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240906 Address after: Room 2203, 22nd Floor, Building 1, No. 2 Ronghua South Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing 100000 Patentee after: Beijing Jueying Zhilian Technology Co.,Ltd. Country or region after: China Address before: Room 01, 2 / F, No.29 and 30, Lane 1775, Qiushan Road, Nicheng Town, Lingang New District, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai, 200232 Patentee before: Shanghai Lingang Jueying Intelligent Technology Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |