CN113330279A - 用于确定车辆的位置的方法和系统 - Google Patents

Abstract

本发明涉及用于确定车辆（1）的位置的方法，其中检测车辆（1）的临时位置数据以及周围环境数据；依据周围环境数据来确定在车辆（1）的周围环境中所探测到的地标的地标测量数据；并且检测地图数据，其中地图数据包括先验地标数据。确定因子图，其中因子图包括表示临时车辆位置数据的车辆位置节点（p0、p1、p2、p3、p4、p5、p6）和表示地标位置数据的地标位置节点（l0、l1）；执行对因子图的优化，其中确定经优化的车辆位置数据。依据经优化的车辆位置数据来确定位置。本发明还涉及用于确定车辆（1）的位置的系统，该系统包括检测单元（2）、处理单元（3）、接口（6）和计算单元（4）。在此，计算单元（4）被设立为实施按照本发明的方法。

Description

用于确定车辆的位置的方法和系统

技术领域

本发明涉及一种用于确定车辆的位置的方法和系统。

背景技术

现代车辆中的很多自动驾驶功能的前提是对当前车辆姿态的精确估计。过去已经针对该定位问题开发出不同的方案，这些方案比如包括借助于全球导航卫星系统（global navigation satellite system；GNSS）、比如全球定位系统GPS（global positioning system）的定位。但是，这种系统的精度通常不足以在自动驾驶功能中使用。然而，替代系统通常需要过高的计算花费并且因而——在车辆中通常供支配的计算能力的情况下——对于实时控制来说需要过长的计算时间。

在DE 10 2013 208 521 A1中描述了一种用于集体学习高精度数字道路模型的方法。在此，多次驶过路段并且检测轨迹和感知数据。使轨迹关联而且形成并优化信息图，其中确定最佳轨迹点。基于这些最佳轨迹点，依据感知数据来创建高精度道路模型。

在DE 10 2016 205 193 A1中描述了一种用于使姿态图边缘化的方法，其中随着时间变得越来越大的图被缩小。执行优化，以便获得所估计的位置。紧接着，标记并删除该图的节点。为此，确定固定节点、例如未被该优化所改变的位置。

在DE 10 2015 214 338 A1中所描述的用于确定车辆的姿态的方法中，检测相对于车辆的局部车道布置。依据所检测到的该车道布置与预先给定的地图材料的几何相似性，可以对姿态进行更新。

在DE 10 2014 209 340 A1中提出了一种用于传感器融合的装置和方法。在此，依据所接收到的传感器数据来生成因子图，并且借助于干涉仪来产生融合的传感器信号。

在DE 10 2015 218 041 A1中所提出的用于针对几何地图提供数据的方法中，使用测程数据（Odometriedaten）并且必要时使用像地标那样的其它信息。根据对测程数据的检测精度，确定最大行驶长度。

最后，在US 2017/0004379 A1中所描述的方法中，依据车辆摄像机的图像来检测关键点并且确定相对应的姿态。依据这些姿态来确定车辆的运动。

发明内容

本发明所基于的任务在于提供开头提到的类型的方法和系统，该方法和该系统能够精度高地并且在高效使用在车辆中供支配的资源的情况下实现定位。

按照本发明，该任务通过具有权利要求1的特征的方法和具有权利要求9的特征的系统来被解决。有利的设计方案和扩展方案从从属权利要求中得到。

在按照本发明的方法中，检测车辆的临时位置数据以及周围环境数据。依据周围环境数据，确定在车辆的周围环境中所探测到的地标的地标测量数据。检测地图数据，其中地图数据包括先验地标数据。确定因子图，其中因子图包括：表示临时车辆位置数据的车辆位置节点；和表示地标位置数据的地标位置节点。执行对因子图的优化，其中确定经优化的车辆位置数据。依据经优化的车辆位置数据来确定位置。接着可以输出该位置。

按照本发明，对车辆的位置或姿态的确定被视为优化问题。通过对因子图的按照本发明的应用，有利地实现了对优化所基于的问题的特别直观且清晰的描述，尤其是方程组表示该问题。通过对因子图的优化来求解由此所表示的优化问题，其中这个解能特别高效地被呈现和求解。

在该方法中，确定因子图并且将因子图用于利用具有非线性模型函数的最小二乘法（nonlinear least squares）来呈现优化问题。替代地或补充地，可以直接呈现这种优化问题。该因子图被用于以特别清楚且简单的形式来呈现该问题，该形式允许简单且可靠的维护以及必要时允许查找错误。此外，这样能够针对计算机的快速且高效的处理实现特别好的适配。

在该方法中，还可以使定位精度与所需的计算时间之间的关系适配，并且必要时可以按照具体情况或车辆的配置来使定位精度与所需的计算时间之间的关系适配。这尤其可以通过考虑过去的适当数目的测量和/或能调整用于定位的轨迹的长度来实现。下面更详细地探讨对“滑动窗口（sliding window）”的使用和对沿着轨迹的多个位置的考虑。

该方法还涉及相对于地图的定位，使得在所使用的地图数据中对全局坐标的说明与比如在已知的RTK-GPS方法（real-time kinematic（实时运动学））的情况下相比不那么关键。因而，对地图的创建花费不那么高并且成本更低廉。这种相对于地图的定位尤其可以被用于自动化驾驶功能，其中在需要时也可以加载地图的其它部分中的其它信息。然而，只要地图全局正确地被参考，就可以依据按照本发明的相对于地图的定位来直接执行全局定位，也就是说，产生关于在全局坐标系中的位置或姿态的正确数据。

与按照现有技术的其中使用由传感器所检测到的原始数据的尤其是没有探测在车辆的周围环境中的语义地标的其它方法相比，需要具有更小的文件大小的地图数据，使得实现了在使用存储空间以及必要时使用在重新加载数据时的带宽方面的优点。还可以缩短计算时间。具有语义对象和地标的地图还可以特别简单地被检查和维护，因为相对应的地标可以轻易被找到和检查。

在使用地标的情况下，使用传感器原始数据与定位步骤之间的抽象层，并且可以使用不同的传感器来探测地标。以这种方式，传感器可以更轻易地被更换并且被改变，比如在不同的产品世代之间转变时更轻易地被更换并且被改变。此外，具有地标的地图可以特别简单地被第三方提供商创建，这些第三方提供商为此不必确切知道在车辆中存在哪些传感器原始数据。相反，已知方法的前提通常是：例如用特定摄像机或特定类型的雷达传感器来观察的特性和特征被预先给定。

在该方法中，在因子图中描绘相关的输入数据，对该因子图进行优化并且紧接着可以读取经优化的车辆位置。本发明的优化方法还得出：作为输入参量存在的先验地标数据同样被优化。也就是说，这些参量也可以根据所检测到的数据而被适配为使得现实尽可能正确且精确地被描绘。

使用优化方法相对于已知的粒子滤波法或EKF（extended Kalman filter（扩展卡尔曼滤波器））而言具有多个优点：优化方法通常比必须容许系统中的较大噪声以便提供不发散的结果的简单滤波方法更精确。如这里所使用的优化方法是确定性的，而在如粒子滤波器那样的蒙特-卡罗（Monte-Carlo）方法中情况并非如此。但是，非确定性方法原则上在功能安全性问题方面被评估为关键，并且因而，这些非确定性方法能形成高度自动化驾驶功能的基础似乎不太可能。此外，由于非确定性方法取决于随机参量，所以这些非确定性方法所提供的结果的可复现性差。这使得对这些不确定性方法的维护变得困难并且也许使得难以发现误差。此外，非确定性方法的结果并不总是相同，也就是说，在输入参量相同的情况下，特定位置的质量可能有波动。而在优化方法中，可以事先已经根据该优化方法的输入参量来说明该方法将发挥作用的程度的极限。

在按照本发明的方法中，可以以本身公知的方式以任意的坐标系来说明位置。尤其是设置全局坐标系或者例如相对于车辆或另一参照点的相对坐标系。例如，在某个地区之内可以预先给定坐标系，例如在停车场、在停车楼或在私人场地预先给定坐标系。

按照本发明，术语“位置”应该宽泛地被限定并且尤其也应该包括姿态。这些姿态除了在坐标系之内的位置之外也说明了取向、尤其是相对于坐标系的二维或三维取向。在应用于汽车技术领域的情况下，姿态特别重要，因为通过这些姿态通常也预先给定了车辆的运动方向。

因而，位置数据包括关于位置的信息，必要时在广义上也包括关于车辆的姿态和/或关于车辆的运动状态的信息。这些信息可涉及当前的或更早的时间点，尤其是也可涉及一系列连续的时间点。在此，位置数据以本身公知的方式来被检测或提供。

在按照本发明的方法的一个构造方案中，所检测到的临时位置数据包括全局位置估计和本地位置估计。由此，可以有利地考虑定位的不同方面。

在此，术语“本地”和“全局”尤其描述了坐标系：本地姿态和地标因子在车辆坐标系中被描述，而全局姿态或坐标因子在全局（世界）坐标系中被描述。

全局位置估计例如可以借助于像GPS那样的全球导航卫星系统来被确定。相对应的GPS测量的结果可包括关于车辆的位置和/或姿态的信息。替代地或附加地，可以使用其它本身公知的方法。在优化因子图时，关于车辆位置的该临时信息被考虑为使得所要确定的车辆姿态应接近该GPS测量，其中然而该规定由于因子图中的其它因子而通常只是大致被满足。即涉及在该方法开始时已知并且用作优化的基础的先验值。全局位置估计尤其可以被用于初始化。

本地位置估计例如可以依据测程法来被确定，例如借助于轮胎测程法、视觉测程法或其它本身公知的方法、比如激光雷达扫描匹配法（LIDAR-Scan-Matching）或惯性导航来被确定。尤其是，在此针对相对于车辆的坐标系探测位移并且对该位移进行量化，由此可以测量自身运动。

也以本身公知的方式来检测周围环境数据，尤其是使得通过数据可以确定关于在车辆的周围环境中的地标和其它特征的信息，尤其是关于地标相对于车辆的相对位置的信息。

在该方法的另一构造方案中，周围环境数据依据摄像机、激光传感器和/或雷达传感器来被检测。替代地或附加地，必要时可以使用超声传感器或红外摄像机。还可以使用车辆的其它本身公知的探测器模块或传感器，或者可以从外部的来源或检测装置接收数据。由此，可以有利地使用已经广泛流行并且在很多现代车辆中能成本低廉地获得的传感器。

位置和周围环境数据尤其可以针对在车辆运动期间的大量时间点和/或位置来被检测。在这种情况下，车辆的运动可以沿着轨迹、也就是说随时间沿着特定路径被跟踪。

按照本发明的方法是基于地图的，也就是说，前提是存在包括先验地标数据的地图数据。在类似的已知定位方法中，这些数据被忽略，这可能导致在定位结果的精度方面的缺点。地图数据可以以不同的方式被检测。例如，这些地图数据可以由车辆的存储单元来提供，该存储单元比如可以由导航系统所包括。替代地或附加地，这些地图数据可以从外部装置被调用和接收，比如经由像因特网那样的计算机网络或者从为停车场或企业场地提供地图数据的本地服务、比如服务器来被调用和接收。还可以规定经由车辆的网络来进行传输。在此，地图数据尤其可以在驶过特定地理区域时被检测，例如其方式是当车辆驶入道路的特定部段、停车场或企业场地时提供这些地图数据。在此，尤其是基于初始全局位置估计、比如借助于GPS的初始全局位置估计来进行该检测。对地图数据的检测还可以应用户的指示进行，比如在手动调用被更新的地图数据时进行。

地图数据所包括的先验地标数据尤其被视为全局地标因子。这些先验地标数据包括关于在地理区域内的地标、尤其是这些地标的位置、取向和/或其它可用于对这些地标的标识和定位的特征的信息。

在广义上，在地理周围环境中的可给其分配至少一个位置的特征都被视为就本发明而言的“地标”。尤其是，可借助于图案识别方法作为图案被检测、被标识和被分析的这种特征被理解为地标。地标例如可以是车道标记和条纹、柱、桩和立柱、指示牌、拐角、建筑物的边缘和表面、植被元素、如条形码那样的人工地标或者其它特征。

在按照本发明的方法中，依据周围环境数据来确定地标测量数据。在此，探测地标并且针对所探测到的地标来确定其它信息，比如这些地标的位置、取向、实现形式、如颜色、长度、半径或其它那样的特定特征。在这种情况下使用的参数尤其取决于地标的类型：例如，可以给车道标记分配开始和结束位置，据此给出长度和方向，必要时还给出厚度、颜色、形状和/或图案。以类似的方式，可以分析其它地标以及其它类型的地标的周围环境数据。

尤其是基于语义地标，这些语义地标是依据周围环境数据被识别和分类为对象。在这种情况下，地标不仅仅表示在周围环境数据中可识别出的图案，而且可给其分配特定特性的地标类型被识别。即，在这种情况下，原始数据不是直接被分析、比如依据在通过激光扫描仪所检测到的数据中的图案识别来直接被分析，而是将地标识别为对象，该对象属于特定类别的地标并且具有特定的、清楚限定的特性，这些特性可以用不同的方法来被测量。该做法的优点是：在地图中存储的关于这种语义地标的信息可以特别简单地、尤其是也手动地有关这些信息的正确性来被检查。还能够使用具有来自任意来源的先验地标数据的地图数据，使得实现特别高的灵活性。由于语义描述与具体的车辆传感装置无关，所以这种地图可以灵活地在各种各样的车辆上使用，而且先验地标数据可以与所使用的传感装置无关地被分析。

在该方法中所确定的因子图由节点和边缘的集合组成，这些节点和边缘这里表示因子。在这种情况下，节点包括应被确定的估计参量，尤其是在特定时间点的车辆姿态以及带有其相应姿态的地标。车辆姿态被参数化为坐标系中的点以及被参数化为在该坐标系之内的取向（二维：x、y、theta；三维：x、y、z、侧倾（roll）角、俯仰（pitch）角、横摆（yaw）角）。在此，尤其是规定全局坐标系。地标节点的参数化根据地标类型而有所区别，其中地标被划分成不同几何的类别。其位置可通过点来表示的地标、比如柱被参数化为坐标系中的点（二维：x、y；三维：x、y、z）。对于其它地标类型来说，同样规定了至少一个位置作为参数，必要时与其它参数一起。

边缘或因子连接节点。因子可以与任意多个节点连接。尤其是，因子仅仅与一个节点连接（一元因子）或者这些因子使两个节点成对地彼此连接（二元因子）。一元因子在数学上描述了关于相联系的估计参量的先验、也就是说预先已知的信息。在该方法中，尤其是两个一元因子特别重要：所谓的全局姿态因子和全局地标因子。

全局姿态因子与表示车辆姿态的节点连接，而且描述了关于该节点对应于怎样的位置或姿态的（数学）先验，即这是在节点处对车辆姿态的估计值。该一元因子比如由GPS测量形成并且被分配给车辆姿态。在所得到的优化问题中，由此预先给定：估计应该接近GPS测量，作为边界条件。

全局地标因子以类似的方式描述了关于地标节点的先验，该地标节点表示地标的所要估计的参数。在该方法中，这些全局地标因子直接由地图数据所包括的先验地标数据形成。紧接着，将这些全局地标因子分配给地标节点并且与该地标节点相联系。据此，在所得到的优化问题中，得出如下边界条件：估计应该接近先验地标数据。

在该方法的一个扩展方案中，在确定因子图时，执行对地标测量数据的关联，其中所关联的地标测量数据根据特定时间点来被确定。尤其是，在该方法中，对同一地标的多次重复观察被标识。这有利地允许：减小要以计算方式求解的优化问题的范围并且更高效地求解，其方式是使对同一地标的重复观察相关联。在对优化问题的求解之后紧接着，还可以将所获得的结果与先验信息进行比较，以便检查先验信息的正确性和一致性。

可以使地标测量数据与地图数据、尤其是先验地标数据相关联。在针对其来实施该方法的每个时间步长的情况下都可以实现这一点。由此，可以将所检测到的地标分配给地图数据所包括的地标，并且必要时可以更正错误的分配，对于先前的时间步长来说也可以在事后更正错误的分配。对分配的事后检查或对有错误的分配的事后更正尤其是通过如下方式来被实现：该分配可以作为单独的方法步骤针对所检测到的地标数据的每个时间点被重复。

在该方法中，还可以形成关于在依据地标测量数据来确定的本地地标因子与依据先验地标数据来确定的地图地标之间的分配的历史。在此，例如对将本地地标分配给地图地标的次数进行计数。如果分配一致的数目达到或超过阈值，则该假设被认为有效。这允许避免有错误的分配。可以将多个关于该关联的假设彼此进行比较，比如针对实施该方法的多个时间点来彼此进行比较，并且可以防止或更正有错误或有缺陷的关联。在此，也可以进行对关联的事后更正。这样，由车辆在本地检测并且依据先验地标数据所确定的地标可以特别可靠地被关联。

依据该历史，也可以在事后给本地地标分配在检测地标测量数据的时间点的可能的地图地标，该本地地标是依据地标测量数据所确定的并且依据先验地标数据曾不能给该本地地标分配地图地标。依据该历史，还可以在事后识别概率太低的有错误的分配或关联。

在该方法中，通常不能假定对周围环境数据和位置数据的检测始终彼此同步并且恰好在应估计位置的时间点进行。因而，可以使用不同的方法，以便可以使用针对特定时间点的测量：尤其是当涉及很短的时间或者已知车辆的运动缓慢得使得对于时间偏移来说没有得到位置的相关位移时，可以忽略该时间偏移。替代地，可以使用位置数据、尤其是测程法的数据，以便将在该时间偏移期间位置的位移从运动过程中外插或者在两个时间点之间内插。

在一个构造方案中，因子图针对以均匀间隔连续的时间点来被确定。尤其是，在此针对这些时间点中的每个时间点都完全重新确定因子图。由此，可以有利地沿着轨迹跟踪车辆的运动。在此，均匀间隔可涉及固定的时间间隔。此外，因子图可以以均匀的空间间距来产生或者可以规定最小空间间距，作为产生新因子图的条件。在确定新因子图之前，还可以检查是否存在某个或多个输入源的数据。尤其是，在重新确定因子图的时间点，产生针对位置的新的估计、也就是说新的位置节点。

在另一构造方案中，执行对地图测量数据和先验地标数据的分配，并且依据该分配来确定因子图的车辆位置数据和地标位置数据。尤其是在本地进行该分配。由此，对地标和被地图数据所包括的关于地标的信息的属于同一整体的探测被标识。

该分配可以依据关于地标所存储的信息或所探测到的这些参数来进行。尤其是，所探测到的地标与预先给定的所估计的位置之间的空间接近被用于该分配，也就是说，所探测到的地标依据地标测量数据被分配给在地图数据之内的尽可能精确地对应于相应的位置估计的地标。

在一个扩展方案中，在优化因子图时，确定针对因子图的地标位置节点所优化的地标位置数据。由此，有利地在优化因子图时也优化地标的位置。该方法可以被用于依据测量来改善由地图数据预先给定的先验地标数据。

尤其可以规定：依据先验地标数据和经优化的地标位置数据来产生并输出质量数据。这有利地允许对地标的探测的质量或者地图数据的质量的检查。例如，质量数据可包括关于实际探测到的地标与利用地图数据所提供的信息是否有偏差以及偏差的程度的信息。尤其可以规定：依据质量数据来进行对地图数据的更新。

在一个构造方案中，该方法迭代地针对多个时间点被重复，并且输出位置的轨迹，其中被分配给稍后的时间点的稍后的因子图分别依据被分配给更早的时间点的更早的因子图来被确定。在此，对因子图的边缘化被执行为使得稍后的因子图不超过预先给定的最大尺寸。尤其是，该方法每隔均匀的时间间隔就被执行。由此，可以有利地跟踪车辆的轨迹。

在此，可以以本身公知的方式来限定因子图的最大尺寸，尤其是作为节点和边缘的数目和/或依据复杂性量度来限定因子图的最大尺寸，该复杂性量度将对于求解优化问题所需的计算花费量化。

在此规定：使用“滑动窗口”，该“滑动窗口”限定了从当前时间点出发的固定时间窗。例如，始终可以考虑在当前时间点之前的特定时间间隔内的因子图的全部数据。在此，尤其是当该时间间隔长并且较旧的数据因而过时的时候，可以完全忽略这些较旧的数据。还可以根据数据的使用时间来进行加权，其中尤其是较旧的数据不那么强地被加权。还可以将更早的时间点的数据组合，例如组合成针对在上一时间段内的参数的单个估计值，而较新的数据作为单独测量来被考虑。

尤其是，在该方法中针对每个时间步长都进行对因子图的全新的优化。相反，由于在更早的时间点的估计的误差继续出现，所以较旧的估计在常规方法中通常没有被改善。即，在该方法中，有利地针对每个时间点都对估计重新进行优化，而与过去的估计的结果无关。

在按照本发明的方法中，因子图包括地标位置节点以及先验地标数据，这些地标位置节点以及先验地标数据尤其可以通过全局地标因子来表示。在按照现有技术的方法中，常常通过边缘化来将地标位置节点除去。在这种情况下，对地标位置节点的边缘化可能导致由于近似而形成的误差（边缘化误差）。这种类型的误差在按照本发明的方法中被避免。即，在按照本发明的方法中，有利地获得了关于地标位置的经改善的信息。这些信息可以被用于随时间检查因子图的结构是否合理并且内部一致。必要时，也可以评估地图质量。

按照本发明的用于确定车辆的位置的系统包括：检测单元，用于检测车辆的临时位置数据以及周围环境数据；处理单元，用于依据周围环境数据来确定在车辆的周围环境中所探测到的地标的地标测量数据；以及接口，用于接收地图数据，其中地图数据包括先验地标数据。该系统还包括计算单元，该计算单元被设立为确定因子图，其中因子图包括：表示临时车辆位置数据的车辆位置节点；和表示地标位置数据的地标位置节点。该计算单元还被设立为：执行对因子图的优化，其中经优化的车辆位置数据被确定；并且依据经优化的车辆位置数据来确定并输出位置。

按照本发明的系统尤其被构造为实现之前描述的按照本发明的方法。因此，该系统具有与按照本发明的方法相同的优点。

用于接收地图数据的接口可以以不同的、本身公知的方式来构造。例如，可以使用与计算机网络、比如因特网或本地服务、比如本地服务器的接口，用于提供针对特定周围环境的地图数据。替代地或附加地，车辆可包括存储单元，或者可以使用外部设备的存储单元，其中尤其可以访问导航设备的数据。

在按照本发明的系统的一个构造方案中，检测单元包括摄像机、超声传感器、激光传感器和/或雷达传感器。替代地或附加地，可以使用其它传感器和传感器类型。由此，有利地使用广泛流行且在很多车辆中可获得的传感器，其中该系统并不限于这些传感器。

附图说明

现在，本发明参考附图依据实施例来被阐述。

图1示出了具有按照本发明的系统的实施例的车辆；

图2A示出了按照本发明的因子图的实施例；

图2B示出了在具有所属的地图片段的道路上的情况的实施例；以及

图3示出了按照本发明的方法的实施例。

具体实施方式

参考图1来阐述按照本发明的系统的实施例。

车辆1包括检测单元2，该检测单元与控制单元8耦合。检测单元2包括多个未更详细地示出的探测和传感器模块，这些探测和传感器模块包括用于借助于GPS（全球定位系统）以及借助于测程计来进行定位、尤其是通过检测车辆1的车轮转速和转向角来进行定位的模块。该检测单元还包括激光扫描仪和摄像机，用于检测车辆1的周围环境。控制单元8包括处理单元3、计算单元4和导航系统5。替代于或附加于导航系统5，可以设置与车辆1的存储系统或与外部存储系统的接口。车辆1还包括驱动和转向装置7，这些驱动和转向装置以本身公知的方式来构造并且允许对车辆1的纵向和/或横向控制。车辆1还包括接口6，该接口与控制单元8耦合并且可以以本身公知的方式来建立与外部服务器10的可分开的、无线的以数据技术方式的连接。

参考图2A和2B来阐述按照本发明的因子图的实施例。在此，以按照本发明的系统的在上文参考图1阐述的实施例为出发点。

因子图包括节点和边缘，其中边缘在该实施例中被称作因子。在这种情况下，设置与一个节点或与两个节点连接的一元和二元因子。在图2A中将节点呈现为圆形，因子通过矩形和与节点的线形连接来呈现。

节点p₀至p₆表示（车辆）姿态节点，也就是说车辆1在特定时间点的姿态（位置和方向）。在该实施例中，该方法基本上用于说明和优化针对这些姿态节点的估计，其中尤其是使用全局坐标系。

节点l₀和l₁表示地标节点、也就是说不同地标的姿态。

本地姿态因子o₀至o₅表示测程因子。即，这些本地姿态因子与测程装置的通过检测单元3所测量到的数据有关，在从一个姿态运动到另一个姿态期间，该测程装置检测并记录关于该运动的数据、尤其是速度和转向角。在该示例中，比如o₀表示在姿态节点p₀与p₁之间车辆1的姿态的变化。

全局姿态因子a₀和a₁表示分别关于车辆姿态的先验信息，其中该实施例这里规定了借助于检测单元3的GPS模块来进行全局定位。

本地地标因子g₀至g₃表示对地标的从车辆姿态出发到地标的观察。也就是说，在车辆1采取特定姿态期间，该车辆借助于检测单元3来检测该车辆的至少带有地标的周围环境。测量加入到本地地标因子g₀至g₃中并且允许确定地标相对于车辆1的相对位置。在所示出的示例中，属于地标位置节点l₀的地标是从车辆位置p₁和p₃出发来被探测的，属于l₁的地标是从车辆位置p₃和p₅出发来被探测的。

全局地标因子m₀和m₁表示先验地标数据。在该实施例中，这些先验地标数据被地图数据所包括，尤其是涉及不同地标的绝对位置、取向和其它参数。

在图2B中所示的情况下，车辆24处在道路21上，在该道路上附有车道标记22并且在该道路的边缘处布置有导向柱23。车辆24借助于检测单元3来检测其周围环境，该检测单元基本上像图1中针对按照本发明的系统的实施例所呈现的检测单元那样来构造。通过虚线来勾画出：导向柱23中的一些导向柱被车辆24检测，其中尤其是相对于车辆24的位置来检测这些导向柱的位置。

还示出了地图30的片段，该片段具有道路31、车道标记32和导向柱33的地图标记。在按照本发明的方法来进行定位时，地图30的数据与车辆24的探测共同影响因子图，该因子图基本上像图2A中所示的因子图那样来形成：车辆24在特定时间点的姿态通过姿态节点p₀至p₆来表示，全局姿态因子a₀和a₁表示在特定时间点的GPS测量，而本地姿态因子o₀至o₅对应于在分别两个时间点之间的车辆24的运动。地标23的位置通过地标节点l₀和l₁来表示，全局地标因子m₀和m₁表示被地图30所包括的先验地标数据，而全局地标因子g₀至g₃表示对地标23的观察。

参考图3阐述了按照本发明的方法的实施例。在此，以上文参考图1所示出的按照本发明的系统的实施例和在图2A和2B中所示出的因子图的实施例以及在具有所属的地图片段的道路上的情况为出发点。

在第一步骤S10中，检测车辆的临时位置数据和周围环境数据以及地图数据。地图数据例如可以由导航系统5或存储系统来提供。这些输入数据可以以不同的方式来被提供，尤其是借助于检测单元2并且经由车辆1的接口6来被提供。

输入数据在接下来的步骤S21、S22、S23、S24中被缓冲，也就是说，设置存储器，该存储器收集并提供输入数据，至少直至对这些输入数据进行处理为止。

输入数据包括临时位置数据，这些临时位置数据在该实施例中借助于测程法并且作为全局姿态估计来被检测，尤其是借助于GPS来被检测。在步骤S21中缓冲全局姿态估计，在步骤S22中缓冲测程数据。

依据通过检测单元2所检测到的周围环境数据，处理单元3首先以本身公知的方式来确定所探测到的地标。尤其是，在此确定语义地标，也就是说，将这些地标分配给特定类型并且确定各个地标的参数。所确定的参数至少包括位置，必要时包括所探测到的地标的其它特性，比如长度或其它伸展、半径、几何形状或者起点和终点。在步骤S23中进行对地标探测的缓冲。

在开始时所检测到的地图数据尤其包括具有先验地标数据的地图、也就是说关于在被地图所覆盖的区域中的地标的信息。在这种情况下，地图数据可以在开始时被完全加载、部分地被重新加载或者由后台或其它车辆、尤其是借助于车辆到车辆通信（vehicle- to-vehicle/v2v）来提供。在步骤S24中进行对地图数据、尤其是地标地图的缓冲。

对于不同的在开始时检测到的输入数据来说，可存在多个来源，然而在该实施例中针对每个类型都规定至少一个来源。尤其是考虑多个用于检测位置数据的模块并且借此将定位融合的大部分特性集成到该方法中。如果随后提到对于每个输入数据类型来说分别有一个来源，则假定在有多个来源的情况下对于每个来源来说单独地实施相应的方法步骤。

对输入数据的缓冲S21、S22、S23、S24也在一个周期期间同时进行，尤其是以便能够在稍后的时间点提供用于姿态确定的数据。在特定时间点，首先触发图建立并且紧接着触发图优化。最后，通过优化来从图中提取最终的姿态估计。

为了能够确定因子图，首先确定应估计车辆姿态的时间点。在该实施例中，这以固定的时间间隔来进行，但是也可能会例如通过车辆在两次估计之间走过的最小空间间距来进行。另一可能性在于：将这些时间点与一个或多个输入源的数据的存在相联系。接着，在这些时间点将姿态节点、尤其是车辆位置节点插入图中并且可以进行新的姿态估计。

紧接着，在步骤S41中借助于存在于缓冲区中的全局姿态估计来计算全局姿态因子a₀、a₁。这些全局姿态因子必须在时间上与之前所创建的姿态节点匹配。由于通常全局姿态估计并不是在针对其应确定因子图的时间点被检测，所以必须借助于适合的策略来使全局姿态估计在时间上移动。在该实施例中，为此使用最近邻（Nearest-Neighbor）策略，在该最近邻策略的情况下选择在时间上最接近的时间点。这在姿态节点p₀至p₆之间的时间差微小、比如只有几毫秒的情况下效果良好。一种替代策略是在缓冲区中在两次全局姿态估计之间进行内插，以便获得新的估计，该新的估计在时间上与姿态节点p₀至p₆匹配。另一种策略在于：借助于测程计来确定全局姿态估计的移动。这在测程计针对短的部段产生微小误差的情况下效果良好。在确定全局姿态因子a₀、a₁之后，将这些全局姿态因子插入到图中并且与相对应的姿态节点p₀至p₆连接。

在步骤S42中，对缓冲区中的测程数据进行处理。这里也存在如下问题：输入数据、也就是说由检测单元2所检测到的测程计测量的时间点通常与姿态节点的时间点p₀至p₆并不匹配。这里也可以考虑内插和最近邻方法。在该实施例中，优选地使测程计测量彼此链接，以便在车辆坐标系中获得在任意时间点之间所走过的路段，这最终类似于内插。替代地或附加地，针对短时间区间可以规定对数据的外插。依据这样被处理的测程数据，在因子图中插入相对应的本地姿态因子o₀至o₅。尤其是，本地姿态因子o₀至o₅分别与两个车辆姿态p₀至p₆相联系。优选地，要么在时间上最接近测量的姿态节点p₀至p₆相联系，要么总是两个在时间上连续的姿态节点p₀至p₆相联系。

在步骤S23中缓冲的地标探测也以类似的方式被处理。在此，首先在本地关联步骤S31中将地标集合在一起。该步骤S31做两件事：一方面，这些探测在时间上被投影到最接近的姿态节点p₀至p₆的时间戳上。为了该目的，例如可以使用测程缓冲区中的数据。替代地或附加地，可以在先前的方法周期中使用经优化的姿态节点p₀至p₆，以便确定运动并且执行内插或外插。如果在执行该方法的时间点在因子图中仍不存在数据，则可以使用车辆的运动模型，以便在所希望的时间点对该运动进行外插。

此外，在步骤S31中做出存放在缓冲区中的所探测到的地标中的哪些地标属于在车辆1的周围环境中的同一物理对象的假设。例如，同一地标可以多次被同一探测器检测或者被不同的传感器检测。这比如可以通过最近邻策略来实现，其中针对过大的距离的阈值导致该假设被否定。另一可能性在于：分析地标、尤其是不同地标类型的地标的特殊描述符。通常，设计距离函数并且检查其它可能的地标中的哪些地标所处的距离小于阈值。如果在该实施例中在此找到唯一解，则接受该解作为假设。如果存在多个可能的候选，则该假设形成显得不可靠并且因而该假设不被接受。

即，在步骤S31中的本地关联提供了本地地标因子g₀至g₃的集合，这些本地地标因子现在在步骤S43中直接被用于确定因子图。

除此之外，这些本地地标因子在步骤S32中针对地图分配被进一步处理。在此，将本地地标因子g₀至g₃与被地图数据所包括的地图进行对照，并且生成这些本地地标因子g₀至g₃中的哪些本地地标因子与哪个地图地标、也就是说被先验地标数据所包括的地标一致的假设。即，在该步骤S32中查明地图地标中的怎样的子集与本地地标因子g₀至g₃中的怎样的子集相对应。由于缺少地图地标和/或存在探测器的错误识别，该步骤S32的执行可能变得困难，其中在这种情况下无论如何都无法找到关联。

采取与上文针对其中形成假设的情况类似的做法，以便将多个探测分配给所探测到的同一地标。该步骤S32的结果是在本地地标因子g₀至g₃与地图地标之间的分配的集合。现在，这些本地地标因子与地图地标在接下来的步骤S33中被进一步处理，用于进行时间对照。

在时间对照的步骤S33中，形成关于在本地地标因子g₀至g₃与地图地标之间的分配的历史。在该实施例中，为此对生成特定的本地地标因子g₀至g₃应被分配给特定地图地标的假设的次数进行计数。接着，在有最少数目的一致之后才认为该假设有效，使得可以避免误探测。在时间对照步骤S33中，对用于在较长时间段内进行数据关联的假设进行验证，其中也可以防止并更正短时间的不良关联。由此得到在本地由车辆检测到的地标与存在于地图中的地标之间的更稳定的分配。

还可能发生：本地地标因子g₀至g₃在当前步骤中不能被分配给地图地标。在这种情况下，历史可以用于仍依据历史知识来确定哪个分配曾有可能或在探测时间点曾有可能。这里还可以查明与该历史不一致的错误的分配。

在步骤S44中，依据在本地地标因子g₀至g₃与地图地标之间的分配，形成全局地标因子m₀、m₁。紧接着，将这些全局地标因子嵌入到因子图中。这些全局地标因子尤其说明了在哪个位置预期有特定地标。

在步骤S50的时间点，建立具有上一个时间步长的信息并且具有当前时间步长的附加信息的因子图。由此，因子图在正常运行时通常变大了。为了避免过度变大，在该实施例中设置滑动窗口、也就是说时间窗，该滑动窗口随着每个时间步长而移动。如果由于这种移动而引起信息从时间窗中掉出落入功能图中，则功能图必须相对应地被修剪，为此可以使用不同方法：

在该实施例中，为此将在该时间窗之外的最旧的节点和因子除去。替代于此，可以只将因子图的具有最少信息内容的节点和因子除去。在两种策略的情况下，要考虑到该“除去”应该如何最好地被实现。第一种可能性是简单删除节点和因子。这具有低复杂性并且在大的因子图的情况下可足够。在该实施例中优选的另一可能性是对信息进行边缘化。为此，利用舒尔补码来使因子图所基于的优化问题的系统矩阵边缘化。该方法本身已知，比如从学术文献“Information-theoretic compression of pose graphs for laser-basedSLAM”，H. Kretzschmar和C. Stachniss，国际机器人期刊，2012年，第31期，第1219-1230页中已知。

在下一步骤S60中，对因子图进行优化，其中可以使用本身公知的算法用于图优化。该优化提供了对节点值的确定，这些节点值尽可能好地表示所有因子。即，所有姿态节点p₀至p₆和地标节点l₀、l₁被确定为使得因子m₀、m₁、g₀至g₃、o₀至o₅、a₀、a₁的条件尽可能好地被遵循。现在，尤其是姿态节点p₀至p₆令人感兴趣，这些姿态节点在图头处表示最新的车辆姿态。在步骤S70中，通常输出所确定的最新的车辆姿态。对于其它应用来说，可能令人感兴趣的是：在该步骤S70中，替代地或附加地，输出较旧的姿态节点，比如以便执行针对过去的计算。对于其它应用来说，驶过的轨迹、也就是说车辆所过境的路径可能重要，该轨迹同样可以被输出。又对于其它应用来说，所确定的地标位置l₀、l₁可能重要，这些地标位置在该步骤S70中同样可以被输出。

在上述实施例中，借助于GPS测量或依据类似数据来确定初始姿态。虽然可以预先建立因子图，但是该因子图的优化对于大多数应用情况来说不会带来有意义的结果，尤其是当不能实现到地图地标的分配时不会带来有意义的结果。在这种情况下，可以替代地规定：在发动机关停时的最终车辆姿态被存储并且被用于初始化。作为另一替代方案，可以使用所规定的位置，该位置例如从出厂开始或者从企业车辆的停车场开始被设置，或者该位置可以以可配置的方式被预先给定，比如在私人车库中的位置。在这种情况下，该方法与GPS测量无关，并且初始姿态可以特别简单地被确定。

在该方法中，还可以集成其它地标，如果所述其它地标可以相对应地以几何方式被表示并且可以说明所述其它地标的误差函数的话。对于常见的地标来说，这可以利用本身公知的方法来被实现，比如对于柱、车道标记、人孔盖、房屋表面、房屋边缘、隧道入口、交通指示牌、交通信号灯、环岛交通中心、下水道、路缘和类似地标来说。

在该方法中所确定的全局地标因子m₀、m₁尤其用作先验地标数据，也就是说用作从外部向该方法预先给定的关于地图的地标的信息、尤其是关于这些地标的位置的信息。替代地或附加地，也可以使因子图的地标节点l₀、l₁边缘化，以便实现较小的状态向量，这意味着导致在建立并且在优化因子图时的内存使用减小并且执行时间缩短。但是，在此必要时必须为了速度而权衡精度方面的损失。此外，以这种方式，在优化因子图时没有依据地标节点l₀、l₁来获得所估计的地标位置，而在该方法的优选实施例中也可以进行对先验地标数据的评估。

附图标记列表

1 车辆

2 检测单元

3 处理单元

4 计算单元

5 导航系统

6 接口

7 驱动和转向装置

8 控制单元

10 外部服务器

21 道路（现实）

22 车道标记（现实）

23 导向柱（现实）

24 车辆

30 地图

31 道路（地图）

32 车道标记（地图）

33 导向柱（地图）

m₀、m₁ 全局地标因子

l₀、l₁ 地标位置节点；地标节点

g₀、g₁、g₂、g₃ 本地地标因子

p₀、p₁、p₂、p₃、p₄、p₅、p₆ 车辆位置节点；姿态节点

o₀、o₁、o₂、o₃、o₄、o₅ 本地姿态因子

a₀、a₁ 全局姿态因子

S10 检测和预处理

S21 针对全局姿态的缓冲区

S22 针对测程数据的缓冲区

S23 地标（探测）

S24 地标（地图）

S31 本地关联

S32 地图分配

S33 时间对照

S41 确定全局姿态因子

S42 确定本地姿态因子

S43 确定本地地标因子

S44 确定全局地标因子

S50 图建立

S60 图优化

S70 输出位置。

Claims (10)

1.一种用于确定车辆（1）的位置的方法，其中

检测所述车辆（1）的临时位置数据以及周围环境数据；

依据所述周围环境数据，确定在所述车辆（1）的周围环境中所探测到的地标的地标测量数据；

检测地图数据，其中所述地图数据包括先验地标数据；

确定因子图，其中所述因子图包括表示临时车辆位置数据的车辆位置节点（p₀、p₁、p₂、p₃、p₄、p₅、p₆）和表示地标位置数据的地标位置节点（l₀、l₁）；

执行对所述因子图的优化，其中确定经优化的车辆位置数据；并且

依据经优化的车辆位置数据来确定所述车辆（1）的位置。

2.根据权利要求1所述的方法，

其特征在于，

所检测到的临时位置数据包括全局位置估计和本地位置估计。

3.根据上述权利要求中任一项所述的方法，

其特征在于，

在确定所述因子图时，执行对地标测量数据的关联，其中

所关联的地标测量数据根据特定时间点来被确定。

4.根据上述权利要求中任一项所述的方法，

其特征在于，

所述因子图针对以均匀间隔连续的时间点来被确定。

5.根据上述权利要求中任一项所述的方法，

其特征在于，

执行对地图测量数据和先验地标数据的分配，并且

依据所述分配来确定所述因子图的车辆位置数据和地标位置数据。

6.根据上述权利要求中任一项所述的方法，

其特征在于，

在优化所述因子图时，确定针对所述因子图的地标位置节点所优化的地标位置数据。

7.根据权利要求6所述的方法，

其特征在于，

依据所述先验地标数据和经优化的地标位置数据来产生并输出质量数据。

8.根据上述权利要求中任一项所述的方法，

其特征在于，

所述方法迭代地针对多个时间点被重复，并且输出位置的轨迹；其中

被分配给稍后的时间点的稍后的因子图分别依据被分配给更早的时间点的更早的因子图来被确定；其中

对所述因子图的边缘化被执行为使得所述稍后的因子图不超过预先给定的最大尺寸。

9.一种用于确定车辆（1）的位置的系统，所述系统包括：

检测单元（2），用于检测所述车辆（1）的临时位置数据以及检测周围环境数据；

处理单元（3），用于依据所述周围环境数据来确定在所述车辆的周围环境中所探测到的地标的地标测量数据；

接口（6），用于接收地图数据，其中所述地图数据包括先验地标数据；和

计算单元（4），所述计算单元被设立为：

确定因子图，其中所述因子图包括表示临时车辆位置数据的车辆位置节点（p₀、p₁、p₂、p₃、p₄、p₅、p₆）和表示地标位置数据的地标位置节点（l₀、l₁），

执行对所述因子图的优化，其中确定经优化的车辆位置数据，并且

依据经优化的车辆位置数据来确定并输出所述位置。

10.根据权利要求9所述的系统，

其特征在于，

所述检测单元（2）包括摄像机、超声传感器、激光传感器和/或雷达传感器。

Images