CN113534222A - 用于车辆定位的方法、用于车辆定位的设备和车辆 - Google Patents
用于车辆定位的方法、用于车辆定位的设备和车辆 Download PDFInfo
- Publication number
- CN113534222A CN113534222A CN202010303226.4A CN202010303226A CN113534222A CN 113534222 A CN113534222 A CN 113534222A CN 202010303226 A CN202010303226 A CN 202010303226A CN 113534222 A CN113534222 A CN 113534222A
- Authority
- CN
- China
- Prior art keywords
- position data
- optimizer
- predetermined
- vehicle
- particle filter
- 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 51
- 239000002245 particle Substances 0.000 claims abstract description 124
- 230000004807 localization Effects 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims description 31
- 230000003213 activating effect Effects 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012952 Resampling Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
-
- 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
- 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
-
- 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
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明涉及一种用于车辆定位的方法,所述方法包括:‑借助于粒子滤波器确定车辆的位置数据;‑查明是否满足预定的第一状态;‑如果满足预定的第一状态,那么激活优化器来确定位置数据,其中,所述优化器依赖于来自粒子滤波器的位置数据执行定位。此外,本发明还涉及一种用于车辆定位的设备、计算机可读存储介质和车辆。根据本发明一些实施例的用于车辆定位的方法和设备能够适配于不同的应用场景而灵活地调整,并且能够在保持较好的定位精确性的前提下降低计算负荷。
Description
技术领域
本发明涉及自动驾驶领域,具体地,涉及一种用于车辆定位的方法、用于车辆定位的设备和车辆。
背景技术
自动驾驶是当前车辆研究的主要主题。自动驾驶的前提是明确车辆所行驶的道路网络以及感测车辆周围的环境,从而使得能够识别涉及的道路网络以及在周围环境中的物体和其他交通参与者。一种途径是利用摄像头和激光雷达,获取道路网络的数据以及感测车辆周围的物体的距离。
目前,关于自动驾驶的分级,国际上普遍认可的是SAE(国际汽车工程师协会)的标准,分为L0-L5,共六级。L0级,意味着完全为手动人工操作,设备最多只提供一些辅助的警告和信号,比如倒车时候的雷达提醒、行车时候的距离提醒;L1便有一些横向或纵向辅助功能介入驾驶操作,可称为辅助驾驶,比如自适应巡航、自动紧急刹车等,设备开始对车辆有主动的操控行为;L2设备能在横向和纵向上实现车辆的自动驾驶,但驾驶员要时刻保持注意力,随时准备接管汽车的驾驶。L3的自动驾驶实现了较高程度的机器操作,驾驶员可以完全放弃操控,只有在少数情况下需要接管汽车;而L3与L4间存在着巨大的鸿沟,即方向盘可以完全消失。L3设备需要考虑人机协同,人类操作和机器操作的切换,L4则不考虑人类介入车辆的操作。到了最高的L5就实现了道路车辆的完全智能化。
通常用GPS已经能大致定位出车辆自身位置,但是GPS存在几米的偏差,这么大的偏差在自动驾驶时是无法承受的。随着自动驾驶技术的发展,对车辆的定位的准确性、高效性也提出了更高的要求。
发明内容
因此,本发明的目的在于提供一种能够改善车辆的自动驾驶的方法、设备和车辆。
按照本发明的第一方面,提供一种用于车辆定位的方法,所述方法包括:
-借助于粒子滤波器确定车辆的位置数据;
-查明是否满足预定的第一状态;
-如果满足预定的第一状态,那么激活优化器来确定位置数据,其中,所述优化器依赖于来自粒子滤波器的位置数据执行定位。
根据本发明的用于车辆定位的方法和设备能够适配于不同的应用场景而灵活地调整、例如调整算法等。此外,根据本发明的用于车辆定位的方法和设备能够在保持较好的定位精确性的前提下降低计算负荷。
在一些实施例中,“所述优化器依赖于来自粒子滤波器的位置数据执行定位”包括:将由粒子滤波器确定的最新的位置数据设置为优化器的初始位置数据。
在一些实施例中,“激活优化器来确定位置数据”包括“从借助于粒子滤波器确定位置数据切换到借助于优化器确定位置数据”,优选地,在切换之后,查明是否满足预定的第二状态,如果满足预定的第二状态,那么从借助于优化器确定位置数据切换到借助于粒子滤波器确定位置数据。
在一些实施例中,所述优化器包括:
梯度下降优化器;
梯度上升优化器;或
粒子群优化器。
在一些实施例中,第一状态与车辆状态、车辆软件配置和/或硬件配置、当前行驶场景和/或当前定位状态相关。
在一些实施例中,第一状态包括:
车辆速度大于预定的第一阈值;或
当车辆处于停止状态下时,在所存储的最新的位置数据与当前的GPS位置数据之间的差值小于预定的第二阈值。
在一些实施例中,第二状态包括:
借助于优化器确定位置数据的运行时间大于预定的第三阈值;和/或
借助于优化器确定的位置数据的确定性、例如协方差低于预定的第四阈值;和/或
车辆速度低于预定的第五阈值。
在一些实施例中,当车辆处于停止状态下时,
借助于传感装置获取探测数据、例如摄像机探测交通指示灯并且识别交通指示灯的状态,并且
如果探测数据、例如识别出的状态表明:存在足够时间用于运行粒子滤波器,那么满足第二状态。
在一些实施例中,所述方法包括:
-借助于粒子滤波器来确定车辆的第一位置数据;
-借助于优化器确定车辆的第二位置数据;
-评估第一位置数据和第二位置数据;
-查明在第一位置数据和第二位置数据之间的差值;
-判断所述差值是否大于预定的第六阈值,如果是,那么调整粒子滤波器的参数、例如增加粒子滤波器的粒子数目。
按照本发明的第二方面,提供一种用于车辆定位的设备,所述设备包括:
粒子滤波器模块,其构成为用于借助于粒子滤波器确定车辆的位置数据;
优化器模块,其构成为用于借助于优化器确定车辆的位置数据;
分析模块,其构成为用于查明预定的状态是否被满足,并且在预定的状态下激活粒子滤波器模块和/或优化器来确定位置数据。
在一些实施例中,分析模块,其构成为用于查明:
预定的第一状态是否被满足,如果满足预定的第一状态,那么分析模块促使:激活优化器来确定位置数据,
优选地,“激活优化器来确定位置数据”包括从借助于粒子滤波器确定位置数据切换到借助于优化器确定位置数据,其中,所述优化器依赖于来自粒子滤波器的位置数据执行定位,优选地,粒子滤波器模块将在切换之前由粒子滤波器确定的最新的位置数据传送给优化器模块,以作为在切换之后优化器的初始位置数据;和/或
预定的第二状态是否被满足,如果满足预定的第二状态,那么分析模块促使:从借助于优化器确定位置数据切换到借助于粒子滤波器确定位置数据;和/或
预定的第三状态是否被满足,如果满足预定的第三状态,那么分析模块促使:激活粒子滤波器以确定车辆的第一位置数据和并行地激活优化器以确定车辆的第二位置数据;评估第一位置数据和第二位置数据;查明在第一位置数据和第二位置数据之间的差值;判断所述差值是否大于预定的第六阈值,如果是,那么调整粒子滤波器的参数、例如增加粒子滤波器的粒子数。
在一些实施例中,所述分析模块构成为用于:
获取车辆速度,并且确定车辆速度是否大于预定的第一阈值,如果是,那么查明预定的第一状态被满足;和/或
查明在所存储的最新的位置数据与当前的GPS位置数据之间的差值,并且确定差值是否小于预定的第二阈值,如果是,那么查明预定的第一状态被满足;和/或
查明在借助于粒子滤波器确定的位置数据与借助于优化器确定的位置数据之间的差值,并且确定差值是否大于或等于预定的第六阈值,如果是,那么查明预定的第三状态被满足;和/或
查明借助于优化器确定位置数据的运行时间,并且确定运行时间是否大于预定的第三阈值,如果是,那么查明预定的第二状态被满足;和/或
查明借助于优化器确定的位置数据的确定性、例如协方差,并且确定确定性是否低于预定的第四阈值,如果是,那么查明预定的第二状态被满足;和/或
获取车辆速度,并且确定车辆速度是否低于预定的第五阈值,如果是,那么查明预定的第二状态被满足;和/或
当车辆处于停止状态下时,获取来自传感装置的探测数据、例如来自摄像机探测交通指示灯的探测数据,查明探测数据是否表明:存在足够时间用于运行粒子滤波器,如果是,那么查明预定的第二状态被满足。
按照本发明的第三方面,提供一种用于车辆定位的设备,包括:
一个或多个处理器;以及
一个或多个存储器,所述一个或多个存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据,
其中,当所述一系列计算机可执行的指令被所述一个或多个处理器执行时,使得所述一个或多个处理器进行如权利要求1-9中任一项所述的方法。
按照本发明的第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有一系列计算机可执行的指令,当所述一系列计算机可执行的指令被一个或多个计算装置执行时,使得所述一个或多个计算装置进行如根据本发明各实施例中任一项所述的方法。
按照本发明的第五方面,提供一种车辆,其特征在于,所述车辆包括根据本发明各实施例中任一项所述的设备。
附图说明
下面参考附图,举例说明设备和/或方法的一些例子,附图中:
图1示出用于车辆定位的方法的一种示例性流程图;
图2示出用于车辆定位的方法的另一种示例性流程图;
图3示出用于车辆定位的设备的示例性方框图。
具体实施方式
以下将参照附图描述本公开,其中的附图示出了本公开的若干实施例。然而应当理解的是,本公开可以以多种不同的方式呈现出来,并不局限于下文描述的实施例;事实上,下文描述的实施例旨在使本公开更为完整,并向本领域技术人员充分说明本公开的保护范围。还应当理解的是,本文公开的实施例能够以各种方式进行组合,从而提供更多额外的实施例。
应当理解的是,本文中的用语仅用于描述特定的实施例,并不旨在限定本公开。本文使用的所有术语(包括技术术语和科学术语)除非另外定义,均具有本领域技术人员通常理解的含义。为简明和/或清楚起见,公知的功能或结构可以不再详细说明。
在本文中,用语“A或B”包括“A和B”以及“A或B”,而不是排他地仅包括“A”或者仅包括“B”,除非另有特别说明。
在本文中,用语“示例性的”意指“用作示例、实例或说明”。在此示例性描述的任意实现方式并不一定要被解释为比其它实现方式优选的或有利的。而且,本公开不受在上述技术领域、背景技术、发明内容或具体实施方式中所给出的任何所表述的或所暗示的理论所限定。
另外,仅仅为了参考的目的,还可以在本文中使用“第一”、“第二”等类似术语,并且“第一”、“第二”也可以涉及多个“第一”、“第二”。例如,除非上下文明确指出,否则涉及结构或元件的词语“第一”、“第二”和其它此类数字词语并没有暗示顺序或次序。
还应理解,“包括/包含”一词在本文中使用时,说明存在所指出的特征、整体、步骤、操作、单元和/或组件,但是并不排除存在或增加一个或多个其它特征、整体、步骤、操作、单元和/或组件以及/或者它们的组合。除非另有定义,否则所有术语(包括技术术语和科学术语)在本文中均按它们在示例所属领域的一般含义使用。
需要指出的是:在本文中各方法步骤的顺序可以是灵活配置的,通过数字来标记步骤仅为了方便描述并不具有限制作用。
在自动驾驶技术中,高精度定位技术是极其关键的技术。随着自动驾驶技术的发展,开发出了各种形式的定位技术,这些定位技术可能基于不同的算法、不同的处理流水线、不同的硬件和/或不同的法定规定。每一种定位技术可以具有适宜自身的应用场景和技术效果。
根据本发明的用于车辆定位的方法和设备能够适配于不同的应用场景而灵活地调整、例如调整算法等。此外,根据本发明的用于车辆定位的方法和设备能够在保持较好的定位精确性的前提下降低计算负荷。
接下去进一步详细阐述根据本发明的一些实施例的用于车辆定位的方法。
图1示出用于车辆定位的方法的一种示例性流程图。按照本发明,所述方法包括:
步骤100:借助于粒子滤波器确定车辆的位置数据;
步骤160:查明是否满足预定的第一状态;
步骤200:如果满足预定的第一状态,那么激活优化器来确定位置数据,其中,所述优化器依赖于来自粒子滤波器的位置数据执行定位。
在文本中,车辆可以是一种自动驾驶车辆(也可以称为主车或自车,英文egocar),即一种带有自动驾驶功能的可移动运输工具,其可以是轿车、客车、卡车、货车、火车、船舶、摩托车、三轮车二轮车或其他可移动运输工具。
所谓粒子滤波器就是指:通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数,用样本均值代替积分运算,进而获得系统状态的最小方差估计的过程,这些样本被形象的称为“粒子”,故而叫粒子滤波器。
粒子滤波器是贝叶斯滤波器或马尔可夫定位滤波器的实现。粒子过滤器一般可以包括四个步骤:初始化步骤、预测步骤、粒子权重更新步骤和重采样步骤。
在初始化步骤中,可以从GPS定位数据出发得到例如以高斯分布围绕该GPS定位数据的N个粒子。
在预测步骤中,可以给N个粒子施加运动操控。在一些实施例中,该运动操控可以由轮速传感器或者惯性测量单元IMU得到。在一些实施例中,该运动操控也可以由多自由度(例如七自由度)整车模型的预测结果得到。
在粒子权重更新步骤中,基于实际测量和预测测量之间的匹配度来衡量匹配度,这种匹配度称为权重。换句话说,权重意味着粒子的实际测量与预测测量的接近程度。在粒子滤波器中,粒子权重越大,生存概率越高。换句话说,每个粒子的生存概率与权重成正比。
在重采样步骤中,重采样技术是用于从旧粒子中随机抽取N个新粒子,并根据权重按比例进行置换。重采样后,权重较大的粒子可能会停留下来,其他粒子可能会消失。粒子聚集在后验概率比较高的区域。
粒子滤波器可以持续更新循环迭代,直到收敛到优化值,作为车辆的实际位置。在一些实施例中,粒子滤波器的优势在于定位精确、能够收敛到全局最优值的概率高。此外,在一些实施例中,粒子滤波器易于编程并且灵活。尽管如此,粒子滤波器的粒子数量与最终的定位精确性具有较紧密的关系,随着粒子数量的增加,更新循环迭代过程的运算量较大,这一定程度上提高了定位系统的计算负荷。因此,粒子滤波器也可能与较大的计算负荷联系在一起,对计算时间以及计算配置、如处理器性能和处理器数量均具有较高的要求。
在机器学习中,存在很多优化方法(优化器)来试图寻找模型的最优解。通常,优化器可以包括:梯度下降优化器(包括随机梯度下降优化器)、梯度上升优化器(包括随机梯度上升优化器)和粒子群优化器。以梯度下降优化器为例,梯度下降优化器的核心在于最小化目标函数J(θ),其中θ是模型的参数。在梯度下降优化器的每次迭代中,对每个变量,按照目标函数在该变量梯度的相反方向,更新对应的参数值。其中,学习率η决定了函数到达(局部)最小值的迭代次数。换句话说,在目标函数的超平面上,沿着斜率下降的方向前进,直到遇到了超平面构成的“谷底”。与粒子滤波器相比,优化器的计算负荷相对较低,进而对计算时间以及计算配置的要求也随之降低。然而,优化器可能收敛到局部最优值,而并非全局最优值。换句话说,优化器收敛到全局最优值的概率相对较低。
根据本发明的用于车辆定位的方法结合了粒子滤波器和优化器的优势,而至少部分地避免了两者的不足,从而在能够在保持较好的定位精确性的前提下降低计算负荷。
在一些实施例中,当满足预定的第一状态时,激活优化器来确定位置数据。激活优化器可以意味着从借助于粒子滤波器确定位置数据切换到借助于优化器确定位置数据。此时,将由粒子滤波器确定的最新的位置数据设置为优化器的初始位置数据。基于粒子滤波器确定的最新的位置数据可以被认为相对较精确的,当优化器以此作为初始位置数据时可以较快速地收敛到最优值、尤其是全局最优值。在其他实施例中,激活优化器可以意味着与借助于粒子滤波器确定位置数据并行地借助于优化器确定位置数据(对此请参见图2的详细介绍)。
根据本发明,用于激活优化器的预定的第一状态可以与车辆状态、车辆硬件/软件配置、当前行驶场景和/或当前定位状态等相关。例如,第一状态可以与车辆速度有关,当车辆速度大于预定的第一阈值、例如20km/h时,查明满足第一状态。这是有利的,随着车辆速度的增加,车辆在每单位时间所需承担的计算负荷会快速增长,激活优化器、尤其是从借助于粒子滤波器确定位置数据切换到借助于优化器确定位置数据可以有效地降低车辆的计算负荷。
此外,当车辆处于停止状态下时,例如在临时停车(红灯)或长时停车(停车场)时,在车辆的相关的存储器中存储最新的位置数据。在需要重新启动时,当车辆在停止期间保持静止时,例如当所存储的最新的位置数据与当前的GPS位置数据之间的差值小于预定的第二阈值(例如0.1m)时,则可以认为存储的最新的位置数据是精确的,从而可以认为第一状态满足,进而可以直接激活优化器确定位置数据。
在一些实施例中,在从借助于粒子滤波器确定位置数据切换到借助于优化器确定位置数据之后,需要查明是否满足预定的第二状态,如果满足预定的第二状态,那么从借助于优化器确定位置数据切换回借助于粒子滤波器确定位置数据。第二状态可以与车辆状态或者优化器的运行时间和定位确定性有关。
在一些实施例中,当借助于优化器确定位置数据的运行时间大于预定的第三阈值(例如10分钟或1小时)时,则认为第二状态被满足,从而从借助于优化器确定位置数据切换回借助于粒子滤波器确定位置数据。这是有利的,因为随着优化器运行时间的增加,优化器产生的累计误差也会增加,从而影响定位的精确度。
在一些实施例中,可以查明借助于优化器确定的位置数据的确定性、例如协方差,当确定性低于预定的第四阈值时,则认为第二状态被满足,从而从借助于优化器确定位置数据切换回借助于粒子滤波器确定位置数据。
在一些实施例中,当车辆速度低于预定的第五阈值(例如10km/h)时,则认为第二状态被满足,从而从借助于优化器确定位置数据切换回借助于粒子滤波器确定位置数据。
在一些实施例中,当车辆处于停止状态下时,可以借助于传感装置、例如摄像机探测交通指示灯,并且识别交通指示灯的状态,如果识别出的状态表明:存在足够时间用于运行粒子滤波器,那么满足第二状态。例如当从由摄像机拍摄的交通指示灯中识别出黄灯,那么判断不满足第二状态。例如当从由摄像机拍摄的交通指示灯中识别出红灯仅剩例如小于3秒,那么判断不满足第二状态。
图2示出用于车辆定位的方法的另一种示例性流程图。该用于车辆定位的方法同样结合了粒子滤波器和优化器的优势,而至少部分地避免了两者的不足,从而在能够在保持较好的定位精确性的前提下降低计算负荷。按照本发明,所述方法包括:
步骤100':借助于粒子滤波器来确定车辆的第一位置数据;
步骤200':借助于优化器确定车辆的第二位置数据;
步骤300':评估第一位置数据和第二位置数据,查明在第一位置数据和第二位置数据之间的差值,判断所述差值是否大于预定的第六阈值,如果是,那么调整粒子滤波器的参数(由虚线表示)、例如增加粒子滤波器的粒子数目。
在一些实施例中,为了降低粒子滤波器的计算负荷,粒子滤波器可以在特定的阶段、例如在获得良好初始定位之后以减少的粒子数目运行(例如在步骤100'中那样)。为了确保可靠的定位,可以在特定时间段内或者定期地(例如每隔单位时间、例如1分钟或10分钟)与粒子滤波器并行地运行优化器(例如在步骤200'中那样)。在并行运行阶段,当判断由粒子滤波器得到的第一位置数据与由优化器得到的第二位置数据之间的差值大于预定的第六阈值、例如0.1m时,可以调整粒子滤波器的参数,例如增加粒子滤波器的粒子数目,以便获得更加精确的定位结果。
接下去进一步详细阐述根据本发明的一些实施例的用于车辆定位的设备。图3示出用于车辆定位的设备的示例性方框图。车辆10包括车载传感器12和用于车辆定位的设备14。车载传感器12可以将自身检测到的实时车辆周围环境数据传送给设备14。如图3所示,所述设备14包括存储装置16和处理装置18。所述处理装置18可以包括一个或多个处理器(例如CPU和/或GPU)。存储装置16可以存储着车载传感器的检测数据(车速、GPS、摄像头数据、激光雷达数据等)。
应理解的是,处理装置18可以构成为包括处理器的具有数据处理和分析功能的任何装置。例如,处理装置18可以构成为一个或多个处理器,或者处理装置18可以构成为计算机、服务器甚至其他智能手持设备。处理器可以经由互连总线连接到存储模块。存储模块可以包括主存储器,只读存储器以及大容量存储设备,诸如各种磁盘驱动器,磁带驱动器等。“处理器”或“控制器”并非局限于CPU或GPU,相反可包括数字信号处理器(DSP)硬件、网络处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)。存储装置16可以是用于保存软件的只读存储器(ROM)、随机存取存储器(RAM)和非易失性存储器。也可包括其他常规和/或定制的硬件。
处理装置18可以包括多个功能模块。例如,处理装置18可以包括粒子滤波器模块20、优化器模块22和分析模块24。粒子滤波器模块可以构成为用于借助于粒子滤波器确定车辆的位置数据;优化器模块可以构成为用于借助于优化器确定车辆的位置数据;分析模块可以构成为用于查明预定的状态是否被满足,并且在预定的状态下激活粒子滤波器模块和/或优化器来确定位置数据。例如分析模块可以发送激活指令给滤波器模块和/或优化器模块,以便激活滤波器模块和/或优化器。
在一些实施例中,分析模块可以构成为用于查明预定的第一状态是否被满足,如果满足预定的第一状态,那么分析模块促使:激活优化器来确定位置数据。例如分析模块可以发送激活指令给优化器模块,以便激活优化器模块。
在一些实施例中,“激活优化器来确定位置数据”可以包括从借助于粒子滤波器确定位置数据切换到借助于优化器确定位置数据。所述优化器可以依赖于来自粒子滤波器的位置数据执行定位,优选地,粒子滤波器模块将在切换之前由粒子滤波器确定的最新的位置数据传送给优化器模块,以作为在切换之后优化器的初始位置数据。基于粒子滤波器确定的最新的位置数据可以被认为相对较精确的,当优化器以此作为初始位置数据时可以较快速地收敛到最优值、尤其是全局最优值。
在一些实施例中,分析模块可以构成为用于查明预定的第二状态是否被满足,如果满足预定的第二状态,那么分析模块促使:从借助于优化器确定位置数据切换到借助于粒子滤波器确定位置数据。例如分析模块可以发送激活指令给粒子滤波器,以便激活粒子滤波器。
在一些实施例中,分析模块可以构成为用于查明预定的第三状态是否被满足,如果满足预定的第三状态,那么分析模块促使:激活粒子滤波器以确定车辆的第一位置数据和并行地激活优化器以确定车辆的第二位置数据;评估第一位置数据和第二位置数据;查明在第一位置数据和第二位置数据之间的差值;判断所述差值是否大于预定的第六阈值,如果是,那么调整粒子滤波器的参数、例如增加粒子滤波器的粒子数。
在一些实施例中,分析模块可以构成为用于获取车辆速度,并且确定车辆速度是否大于预定的第一阈值,如果是,那么查明预定的第一状态被满足。
在一些实施例中,分析模块可以构成为用于查明在所存储的最新的位置数据与当前的GPS位置数据之间的差值,并且确定差值是否小于预定的第二阈值,如果是,那么查明预定的第一状态被满足。
在一些实施例中,分析模块可以构成为用于查明在借助于粒子滤波器确定的位置数据与借助于优化器确定的位置数据之间的差值,并且确定差值是否大于或等于预定的第六阈值,如果是,那么查明预定的第三状态被满足。
在一些实施例中,分析模块可以构成为用于查明借助于优化器确定位置数据的运行时间,并且确定运行时间是否大于预定的第三阈值,如果是,那么查明预定的第二状态被满足。
在一些实施例中,分析模块可以构成为用于查明借助于优化器确定的位置数据的确定性、例如协方差,并且确定确定性是否低于预定的第四阈值,如果是,那么查明预定的第二状态被满足。
在一些实施例中,分析模块可以构成为用于获取车辆速度,并且确定车辆速度是否低于预定的第五阈值,如果是,那么查明预定的第二状态被满足。
在一些实施例中,分析模块可以构成为用于,当车辆处于停止状态下时,获取来自传感装置、例如摄像机探测交通指示灯的探测数据,查明探测数据是否表明:存在足够时间用于运行粒子滤波器,如果是,那么查明预定的第二状态被满足。
附图中所示的各个元件的功能可以专用硬件,比如“信号提供器”、“信号处理单元”“处理器”、“控制器”等,以及能够与适当的软件联合,执行软件的硬件的形式实现。当由处理器提供时,这些功能可以由一个专用处理器、由一个共享处理器或者由多个单独的处理器提供,所述多个单独的处理器中的一些或全部可以是共享的。然而,术语“处理器”或“控制器”到目前为止不限于仅能执行软件的硬件,相反可包括数字信号处理器(DSP)硬件、网络处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、用于保存软件的只读存储器(ROM)、随机存取存储器(RAM)和非易失性存储器。也可包括其他常规和/或定制的硬件。
方框图例如可图解说明实现本公开的原理的高级电路图。类似地,流程图、状态转换图、伪代码等可表示各种处理、操作或步骤,这些处理、操作或步骤例如可以实质上用计算机可读介质表示,从而由计算机或处理器执行,而不论是否明确地表示了这样的计算机或处理器。在说明书和权利要求书中公开的方法可以由具有进行这些方法的各个相应动作的模块的设备实现。
需要理解的是除非例如由于技术原因而明确或隐含地另有说明之外,否则在说明书或权利要求书中公开的多个动作、处理、操作、步骤或功能的公开不得被解释成是按照特定的顺序的。于是,多个动作或功能的公开不会将所述多个动作或功能限制于特定的顺序,除非这些动作或功能由于技术原因不能互换。此外,在一些例子中,一个单独的动作、功能、处理、操作或步骤可分别包括或分成多个子动作、子功能、子处理、子操作或子步骤。除非明确被排除,否则这类子动作可包括在该单独动作的公开内容中,和作为该单独动作的公开内容的一部分。
虽然已经描述了本公开的示例性实施例,但是本领域技术人员应当理解的是,在本质上不脱离本公开的精神和范围的情况下能够对本公开的示范实施例进行多种变化和改变。因此,所有变化和改变均包含在本公开所限定的保护范围内。
Claims (15)
1.一种用于车辆定位的方法,其特征在于,所述方法包括:
-借助于粒子滤波器确定车辆的位置数据;
-查明是否满足预定的第一状态;
-如果满足预定的第一状态,那么激活优化器来确定位置数据,其中,所述优化器依赖于来自粒子滤波器的位置数据执行定位。
2.根据权利要求1所述的方法,其特征在于,“所述优化器依赖于来自粒子滤波器的位置数据执行定位”包括:将由粒子滤波器确定的最新的位置数据设置为优化器的初始位置数据。
3.根据权利要求1所述的方法,其特征在于,“激活优化器来确定位置数据”包括“从借助于粒子滤波器确定位置数据切换到借助于优化器确定位置数据”,优选地,在切换之后,查明是否满足预定的第二状态,如果满足预定的第二状态,那么从借助于优化器确定位置数据切换到借助于粒子滤波器确定位置数据。
4.根据权利要求1至3之一所述的方法,其特征在于,所述优化器包括:
梯度下降优化器;
梯度上升优化器;或
粒子群优化器。
5.根据权利要求1至3之一所述的方法,其特征在于,第一状态与车辆状态、车辆软件配置和/或硬件配置、当前行驶场景和/或当前定位状态相关。
6.根据权利要求5所述的方法,其特征在于,第一状态包括:
车辆速度大于预定的第一阈值;或
当车辆处于停止状态下时,在所存储的最新的位置数据与当前的GPS位置数据之间的差值小于预定的第二阈值。
7.根据权利要求3所述的方法,其特征在于,第二状态包括:
借助于优化器确定位置数据的运行时间大于预定的第三阈值;和/或
借助于优化器确定的位置数据的确定性、例如协方差低于预定的第四阈值;和/或
车辆速度低于预定的第五阈值。
8.根据权利要求3所述的方法,其特征在于,当车辆处于停止状态下时,
借助于传感装置获取探测数据、例如摄像机探测交通指示灯并且识别交通指示灯的状态,并且
如果探测数据、例如识别出的状态表明:存在足够时间用于运行粒子滤波器,那么满足第二状态。
9.一种用于车辆定位的方法、特别是根据权利要求1所述的方法,其特征在于,所述方法包括:
-借助于粒子滤波器来确定车辆的第一位置数据;
-借助于优化器确定车辆的第二位置数据;
-评估第一位置数据和第二位置数据;
-查明在第一位置数据和第二位置数据之间的差值;
-判断所述差值是否大于预定的第六阈值,如果是,那么调整粒子滤波器的参数、例如增加粒子滤波器的粒子数目。
10.一种用于车辆定位的设备,其特征在于,所述设备包括:
粒子滤波器模块,其构成为用于借助于粒子滤波器确定车辆的位置数据;
优化器模块,其构成为用于借助于优化器确定车辆的位置数据;
分析模块,其构成为用于查明预定的状态是否被满足,并且在预定的状态下激活粒子滤波器模块和/或优化器来确定位置数据。
11.根据权利要求10所述的设备,其特征在于,分析模块,其构成为用于查明:
预定的第一状态是否被满足,如果满足预定的第一状态,那么分析模块促使:激活优化器来确定位置数据,
优选地,“激活优化器来确定位置数据”包括从借助于粒子滤波器确定位置数据切换到借助于优化器确定位置数据,其中,所述优化器依赖于来自粒子滤波器的位置数据执行定位,优选地,粒子滤波器模块将在切换之前由粒子滤波器确定的最新的位置数据传送给优化器模块,以作为在切换之后优化器的初始位置数据;和/或
预定的第二状态是否被满足,如果满足预定的第二状态,那么分析模块促使:从借助于优化器确定位置数据切换到借助于粒子滤波器确定位置数据;和/或
预定的第三状态是否被满足,如果满足预定的第三状态,那么分析模块促使:激活粒子滤波器以确定车辆的第一位置数据和并行地激活优化器以确定车辆的第二位置数据;评估第一位置数据和第二位置数据;查明在第一位置数据和第二位置数据之间的差值;判断所述差值是否大于预定的第六阈值,如果是,那么调整粒子滤波器的参数、例如增加粒子滤波器的粒子数。
12.根据权利要求11所述的设备,其特征在于,所述分析模块构成为用于:
获取车辆速度,并且确定车辆速度是否大于预定的第一阈值,如果是,那么查明预定的第一状态被满足;和/或
查明在所存储的最新的位置数据与当前的GPS位置数据之间的差值,并且确定差值是否小于预定的第二阈值,如果是,那么查明预定的第一状态被满足;和/或
查明在借助于粒子滤波器确定的位置数据与借助于优化器确定的位置数据之间的差值,并且确定差值是否大于或等于预定的第六阈值,如果是,那么查明预定的第三状态被满足;和/或
查明借助于优化器确定位置数据的运行时间,并且确定运行时间是否大于预定的第三阈值,如果是,那么查明预定的第二状态被满足;和/或
查明借助于优化器确定的位置数据的确定性、例如协方差,并且确定确定性是否低于预定的第四阈值,如果是,那么查明预定的第二状态被满足;和/或
获取车辆速度,并且确定车辆速度是否低于预定的第五阈值,如果是,那么查明预定的第二状态被满足;和/或
当车辆处于停止状态下时,获取来自传感装置的探测数据、例如来自摄像机探测交通指示灯的探测数据,查明探测数据是否表明:存在足够时间用于运行粒子滤波器,如果是,那么查明预定的第二状态被满足。
13.一种用于车辆定位的设备,包括:
一个或多个处理器;以及
一个或多个存储器,所述一个或多个存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据,
其中,当所述一系列计算机可执行的指令被所述一个或多个处理器执行时,使得所述一个或多个处理器进行如权利要求1-9中任一项所述的方法。
14.一种计算机可读存储介质,所述计算机可读存储介质上存储有一系列计算机可执行的指令,当所述一系列计算机可执行的指令被一个或多个计算装置执行时,使得所述一个或多个计算装置进行如权利要求1-9中任一项所述的方法。
15.一种车辆,其特征在于,所述车辆包括根据权利要求10至13之一所述的设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010303226.4A CN113534222B (zh) | 2020-04-17 | 2020-04-17 | 用于车辆定位的方法、用于车辆定位的设备和车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010303226.4A CN113534222B (zh) | 2020-04-17 | 2020-04-17 | 用于车辆定位的方法、用于车辆定位的设备和车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113534222A true CN113534222A (zh) | 2021-10-22 |
CN113534222B CN113534222B (zh) | 2024-09-03 |
Family
ID=78093419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010303226.4A Active CN113534222B (zh) | 2020-04-17 | 2020-04-17 | 用于车辆定位的方法、用于车辆定位的设备和车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113534222B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115825999A (zh) * | 2023-02-22 | 2023-03-21 | 广州导远电子科技有限公司 | 一种滤波器状态监测方法、装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050021229A1 (en) * | 2003-07-21 | 2005-01-27 | Lg Electronic Inc. | Apparatus and method for detecting vehicle location in navigation system |
JP2012098137A (ja) * | 2010-11-02 | 2012-05-24 | Casio Comput Co Ltd | 測位装置、測位方法およびプログラム |
CN102778230A (zh) * | 2012-06-14 | 2012-11-14 | 辽宁工程技术大学 | 一种人工物理优化粒子滤波的重力梯度辅助定位方法 |
US20170074989A1 (en) * | 2015-09-11 | 2017-03-16 | Broadcom Corporation | Adaptive positioning system |
CN106908822A (zh) * | 2017-03-14 | 2017-06-30 | 北京京东尚科信息技术有限公司 | 无人机定位切换方法、装置和无人机 |
CN107942364A (zh) * | 2016-10-13 | 2018-04-20 | 阿里巴巴集团控股有限公司 | 车辆定位方法和车辆定位系统 |
CN107990900A (zh) * | 2017-11-24 | 2018-05-04 | 江苏信息职业技术学院 | 一种行人室内定位数据的粒子滤波器模型设计方法 |
CN109188486A (zh) * | 2018-06-27 | 2019-01-11 | 北斗星通(重庆)汽车电子有限公司 | 一种高精度定位系统 |
US20190204092A1 (en) * | 2017-12-01 | 2019-07-04 | DeepMap Inc. | High definition map based localization optimization |
CN110334322A (zh) * | 2019-06-26 | 2019-10-15 | 电子科技大学 | 一种粒子滤波器的粒子数自适应方法 |
CN110580325A (zh) * | 2019-08-28 | 2019-12-17 | 武汉大学 | 一种泛在定位信号多源融合方法及系统 |
-
2020
- 2020-04-17 CN CN202010303226.4A patent/CN113534222B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050021229A1 (en) * | 2003-07-21 | 2005-01-27 | Lg Electronic Inc. | Apparatus and method for detecting vehicle location in navigation system |
JP2012098137A (ja) * | 2010-11-02 | 2012-05-24 | Casio Comput Co Ltd | 測位装置、測位方法およびプログラム |
CN102778230A (zh) * | 2012-06-14 | 2012-11-14 | 辽宁工程技术大学 | 一种人工物理优化粒子滤波的重力梯度辅助定位方法 |
US20170074989A1 (en) * | 2015-09-11 | 2017-03-16 | Broadcom Corporation | Adaptive positioning system |
CN107942364A (zh) * | 2016-10-13 | 2018-04-20 | 阿里巴巴集团控股有限公司 | 车辆定位方法和车辆定位系统 |
CN106908822A (zh) * | 2017-03-14 | 2017-06-30 | 北京京东尚科信息技术有限公司 | 无人机定位切换方法、装置和无人机 |
CN107990900A (zh) * | 2017-11-24 | 2018-05-04 | 江苏信息职业技术学院 | 一种行人室内定位数据的粒子滤波器模型设计方法 |
US20190204092A1 (en) * | 2017-12-01 | 2019-07-04 | DeepMap Inc. | High definition map based localization optimization |
CN109188486A (zh) * | 2018-06-27 | 2019-01-11 | 北斗星通(重庆)汽车电子有限公司 | 一种高精度定位系统 |
CN110334322A (zh) * | 2019-06-26 | 2019-10-15 | 电子科技大学 | 一种粒子滤波器的粒子数自适应方法 |
CN110580325A (zh) * | 2019-08-28 | 2019-12-17 | 武汉大学 | 一种泛在定位信号多源融合方法及系统 |
Non-Patent Citations (3)
Title |
---|
KEKANG SONG: "DPD with IPF and GD method", 《IET SIGNAL PROCESSING》, vol. 18, no. 8, 30 December 2019 (2019-12-30), pages 718 - 725 * |
方正: "粒子群优化粒子滤波方法", 《控制与决策》, vol. 22, no. 3, 30 March 2007 (2007-03-30), pages 273 - 277 * |
方正;佟国峰;徐心和;: "基于粒子群优化的粒子滤波定位方法", 控制理论与应用, no. 03, 15 June 2008 (2008-06-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115825999A (zh) * | 2023-02-22 | 2023-03-21 | 广州导远电子科技有限公司 | 一种滤波器状态监测方法、装置、电子设备及存储介质 |
CN115825999B (zh) * | 2023-02-22 | 2023-05-02 | 广州导远电子科技有限公司 | 一种滤波器状态监测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113534222B (zh) | 2024-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11609572B2 (en) | Guiding vehicles through vehicle maneuvers using machine learning models | |
US20240239374A1 (en) | Behavior planning for autonomous vehicles | |
CN109421739B (zh) | 用于监控自主车辆的方法和设备 | |
US11498577B2 (en) | Behavior prediction device | |
EP3045868B1 (en) | Route selection and automatic driving device | |
JP7130505B2 (ja) | 道路の曲率データ無しでの進行レーン識別 | |
WO2020210127A1 (en) | Neural network training using ground truth data augmented with map information for autonomous machine applications | |
CN109305160B (zh) | 用于自主驾驶的路径规划 | |
US20200247404A1 (en) | Information processing device, information processing system, information processing method, and program | |
US20230054759A1 (en) | Object tracking using lidar data for autonomous machine applications | |
US9956958B2 (en) | Vehicle driving control device and control device | |
US20230130814A1 (en) | Yield scenario encoding for autonomous systems | |
US11521398B2 (en) | Method and apparatus for traffic light positioning and mapping using crowd-sensed data | |
US11454971B2 (en) | Methods and systems for learning user preferences for lane changes | |
US11987266B2 (en) | Distributed processing of vehicle sensor data | |
CN116258174A (zh) | 用于检测深度神经网络推理质量的系统和方法 | |
US20220009494A1 (en) | Control device, control method, and vehicle | |
CN114841336A (zh) | 修补用于自主机器应用的部署的深度神经网络 | |
CN113534222B (zh) | 用于车辆定位的方法、用于车辆定位的设备和车辆 | |
CN114117334A (zh) | 多维传感器数据中的异常检测 | |
CN111599166B (zh) | 用于解释交通信号和协商信号化的交叉路口的方法和系统 | |
US20230311855A1 (en) | Perception-based parking assistance for autonomous machine systems and applications | |
US11919526B1 (en) | Model-based vehicle drive system monitors | |
CN112519779A (zh) | 基于位置的车辆操作 | |
US10906553B2 (en) | Systems and methods for vehicle acceleration event prediction inhibit |
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 |