CN113537260A - 定位方法、定位装置和计算机可读存储介质 - Google Patents

Abstract

本公开涉及一种定位方法、定位装置和计算机可读存储介质。定位方法包括：获取感测数据；根据感测数据，生成第一签名高斯混合模型，其中，第一签名高斯混合模型包括一个或多个第一高斯聚类和与每个第一高斯聚类对应的第一签名，第一签名与至少部分感测数据的视觉特征相关；获取与待定位对象的候选位置对应的第二签名高斯混合模型，其中，第二签名高斯混合模型包括一个或多个第二高斯聚类和与每个第二高斯聚类对应的第二签名，第二签名与至少部分地图数据的视觉特征相关；以及基于第一签名和第二签名，比对第一签名高斯混合模型和第二签名高斯混合模型，以从候选位置中确定待定位对象的位置。

Description

定位方法、定位装置和计算机可读存储介质

技术领域

本公开涉及自动驾驶技术领域，具体来说，涉及一种定位方法、定位装置和计算机可读存储介质。

背景技术

对诸如车辆等对象的定位是实现自动驾驶的先决条件，在自动驾驶技术中十分重要。在定位过程中，可以将通过车辆上装载的传感器等获取的感测数据与已知的地图数据进行比对，从而确定车辆在地图上的位置。

发明内容

本公开的目的之一是提供一种定位方法，所述方法包括：

获取感测数据，其中，所述感测数据根据待定位对象的周围的环境生成；

根据所述感测数据，生成第一签名高斯混合模型，其中，第一签名高斯混合模型包括一个或多个第一高斯聚类和与每个第一高斯聚类对应的第一签名，第一签名与至少部分感测数据的视觉特征相关；

获取与所述待定位对象的候选位置对应的第二签名高斯混合模型，其中，第二签名高斯混合模型根据地图数据生成，地图数据至少覆盖候选位置，第二签名高斯混合模型包括一个或多个第二高斯聚类和与每个第二高斯聚类对应的第二签名，第二签名与至少部分地图数据的视觉特征相关；以及

基于第一签名和第二签名，比对第一签名高斯混合模型和第二签名高斯混合模型，以从候选位置中确定所述待定位对象的位置。

在一些实施例中，基于第一签名和第二签名，比对第一签名高斯混合模型和第二签名高斯混合模型，以从候选位置中确定所述待定位对象的位置包括：

基于第一签名和第二签名，计算第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度；

比对所述模型匹配度和匹配度阈值；以及

当所述模型匹配度大于所述匹配度阈值时，将与所述第二签名高斯混合模型对应的候选位置确定为所述待定位对象的位置。

在一些实施例中，候选位置的数目为至少两个；

基于第一签名和第二签名，比对第一签名高斯混合模型和第二签名高斯混合模型，以从候选位置中确定所述待定位对象的位置包括：

针对每个候选位置，基于第一签名和第二签名，计算第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度；

从针对每个候选位置所计算的模型匹配度中选择具有最大值的模型匹配度；以及

将与具有最大值的模型匹配度对应的候选位置确定为所述待定位对象的位置。

在一些实施例中，基于第一签名和第二签名，计算第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度包括：

针对所述第一签名高斯混合模型所包括的每个第一高斯聚类，比对与第一高斯聚类对应的第一签名和与所述第二签名高斯混合模型所包括的一个或多个第二高斯聚类中的每个第二高斯聚类对应的第二签名；

当第一签名和第二签名相匹配时，计算与所述第一签名对应的第一高斯聚类和与所述第二签名对应的第二高斯聚类之间的聚类匹配度；以及

根据聚类匹配度，计算所述第一签名高斯混合模型和所述第二签名高斯混合模型之间的模型匹配度。

在一些实施例中，当第一签名和第二签名相同时，确定为第一签名和第二签名相匹配；或

当与同一个第一高斯聚类对应的第一签名的数目为至少两个，且任意一个第一签名和第二签名相同时，确定为第一签名和第二签名相匹配；或

当第一签名和/或第二签名为模糊签名时，确定为第一签名和第二签名相匹配，其中，所述模糊签名指示未确定的视觉特征。

在一些实施例中，根据聚类匹配度，计算所述第一签名高斯混合模型和所述第二签名高斯混合模型之间的模型匹配度包括：

针对每个第一高斯聚类，从该第一高斯聚类和第二高斯聚类之间的聚类匹配度中选择具有最大值的聚类匹配度；以及

计算所述第一签名高斯混合模型所包括的第一高斯聚类的被选择的聚类匹配度的总和，作为所述第一签名高斯混合模型和所述第二签名高斯混合模型之间的模型匹配度。

在一些实施例中，根据聚类匹配度，计算所述第一签名高斯混合模型和所述第二签名高斯混合模型之间的模型匹配度包括：

针对每个第一高斯聚类，计算该第一高斯聚类和第二高斯聚类之间的聚类匹配度的平均匹配度；以及

计算所述第一签名高斯混合模型所包括的第一高斯聚类的平均匹配度的总和，作为所述第一签名高斯混合模型和所述第二签名高斯混合模型之间的模型匹配度。

在一些实施例中，所述感测数据包括根据待定位对象的周围的环境生成的点云数据。

在一些实施例中，根据所述感测数据，生成第一签名高斯混合模型包括：

提取所述感测数据中的一个或多个图像要素；

根据图像要素，生成与所述图像要素对应的第一高斯聚类。

在一些实施例中，所述感测数据包括根据待定位对象的周围的环境生成的成像数据；

根据所述感测数据，生成第一签名高斯混合模型还包括：

对成像数据或第一高斯聚类进行坐标变换，以使成像数据的坐标与第一高斯聚类的坐标对应；

对成像数据的视觉特征进行图像识别，以生成与第一高斯聚类对应的第一签名。

在一些实施例中，根据所述感测数据，生成第一签名高斯混合模型还包括：

利用预先建立的签名模型，生成与第一高斯聚类对应的第一签名；

其中，所述签名模型是基于机器学习建立的。

在一些实施例中，获取与所述待定位对象的候选位置对应的第二签名高斯混合模型包括：

利用一个或多个传感器获取所述待定位对象的定位区域和/或移动路径；

根据所述定位区域和/或所述移动路径确定所述待定位对象的候选位置；以及

根据所述地图数据生成与所述待定位对象的候选位置对应的第二签名高斯混合模型。

在一些实施例中，所述传感器包括卫星定位传感器、速度传感器、加速度传感器和方向传感器中的至少一种。

本公开还提供了一种定位装置，所述定位装置包括存储器和处理器，其中，所述存储器上存储有指令，当所述指令被所述处理器执行时，实现上述定位方法的步骤。

本公开还提供了一种计算机可读存储介质，所述计算机可读介质存储有指令，当所述指令被执行时，实现上述定位方法的步骤。

本公开还提供了一种车辆，包括上述定位装置。

通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得更为清楚。

附图说明

构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：

图1示出了根据本公开的示例性实施例的定位方法的流程示意图；

图2示出了根据本公开的示例性实施例的定位方法中根据感测数据，生成第一签名高斯混合模型的流程示意图；

图3示出了根据本公开的示例性实施例的定位方法中根据感测数据，生成第一签名高斯混合模型的流程示意图；

图4示出了根据本公开的示例性实施例的定位方法中获取与待定位对象的候选位置对应的第二签名高斯混合模型的流程示意图；

图5示出了根据本公开的示例性实施例的定位方法中基于第一签名和第二签名，计算第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度的流程示意图；

图6示出了根据本公开的示例性实施例的定位方法中根据聚类匹配度，计算第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度的流程示意图；

图7示出了根据本公开的另一示例性实施例的定位方法中根据聚类匹配度，计算第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度的流程示意图；

图8示出了根据本公开的示例性实施例的定位方法中基于第一签名和第二签名，比对第一签名高斯混合模型和第二签名高斯混合模型，以从候选位置中确定待定位对象的位置的流程示意图；

图9示出了根据本公开的另一示例性实施例的定位方法中基于第一签名和第二签名，比对第一签名高斯混合模型和第二签名高斯混合模型，以从候选位置中确定待定位对象的位置的流程示意图；

图10示出了根据本公开的示例性实施例的定位装置的结构示意图。

注意，在以下说明的实施方式中，有时在不同的附图之间共同使用同一附图标记来表示相同部分或具有相同功能的部分，而省略其重复说明。在一些情况中，使用相似的标号和字母表示类似项，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讨论。

为了便于理解，在附图等中所示的各结构的位置、尺寸及范围等有时不表示实际的位置、尺寸及范围等。因此，本公开并不限于附图等所公开的位置、尺寸及范围等。

具体实施方式

下面将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。也就是说，本文中的结构及方法是以示例性的方式示出，来说明本公开中的结构和方法的不同实施例。然而，本领域技术人员将会理解，它们仅仅说明可以用来实施的本公开的示例性方式，而不是穷尽的方式。此外，附图不必按比例绘制，一些特征可能被放大以示出具体组件的细节。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

根据本公开的示例性实施例，可以基于签名高斯混合模型来实现定位。如图1所示，该定位方法可以包括：

步骤S100，获取感测数据，其中，感测数据根据待定位对象的周围的环境生成。

具体地，待定位对象可以是诸如车辆等被自动驾驶的对象。待定位对象的周围的环境可以包括诸如建筑物、植物、交通灯、路沿等环境对象。感测数据根据待定位对象的周围的环境生成，从而可以反映出与待定位对象所在的位置相关的信息，以实现定位。

可以通过多种方式来获取感测数据。在一些实施例中，感测数据可以包括根据待定位对象的周围的环境生成的点云数据。点云是指空间中数据点的集合，点云中的每个点可以由一组空间坐标(例如(x,y,z))来表示。点云数据可以通过一个或多个激光雷达来获取，其中，激光雷达可以被装载在待定位对象上，通过多个激光雷达可以分别获取在相对于待定位对象的不同方位上的点云数据。当通过激光雷达获取感测数据时，激光雷达所产生的激光束扫描到环境对象，从而产生携带与环境对象有关的方位、距离等信息的反射激光束，进而可以根据这些反射激光束来形成点云数据。感测数据也可以包括根据待定位对象的周围的环境生成的成像数据。可以利用一个或多个照相设备来获取成像数据，其中，照相设备也可以被装载在待定位对象上，通过多个照相设备可以分别获取在相对于待定位对象的不同方位上的成像数据。以及，点云数据和/或成像数据的分辨率可以根据定位需求来设置，一般情况下，分辨率的增大有助于提高定位的准确度，但可能会在一定程度上降低定位的效率。

如图1所示，定位方法还可以包括：

步骤S200，根据感测数据，生成第一签名高斯混合模型，其中，第一签名高斯混合模型包括一个或多个第一高斯聚类和与每个第一高斯聚类对应的第一签名，第一签名与至少部分感测数据的视觉特征相关。

具体地，本公开中的签名高斯混合模型是对高斯混合模型的一种扩展。在高斯混合模型中，包括一个或多个高斯聚类。在此基础上，签名高斯混合模型可以包括一个或多个高斯聚类和与每个高斯聚类对应的签名。其中，高斯聚类可以由平均值(mean)和协方差(covariance)来定义，可以理解的是，高斯聚类的平均值可以用来表征与该高斯聚类对应的位置信息，而高斯聚类的协方差可以用来表征与该高斯聚类对应的尺寸信息。签名可以与数据的视觉特征相关，具体而言，可以通过签名来指示数据所属的某个具体的类别。也就是说，与某一高斯聚类对应的签名与该高斯聚类对应的视觉特征相关，可以通过签名来指示该高斯聚类所属的具体类别。因此，基于签名高斯混合模型对数据进行提取，可以在保留数据所反映的有效信息的前提下减少数据量，从而在后续步骤中提高数据处理的准确性和效率。此外，高斯聚类还有助于滤除原始的数据中可能存在的噪声和干扰，从而也有助于提高数据处理的准确性。

在本示例性实施例中，第一签名高斯混合模型可以是根据感测数据生成的，该第一签名高斯混合模型可以包括一个或多个第一高斯聚类。

在一些实施例中，如图2所示，根据感测数据，生成第一签名高斯混合模型可以包括：

步骤S211，提取感测数据中的一个或多个图像要素；

步骤S212，根据图像要素，生成与图像要素对应的第一高斯聚类。

其中，图像要素可以由一个或一组相关的高斯聚类来模拟。在可以由一个高斯聚类来模拟图像要素的情况下，该高斯聚类的平均值可以用来表征该图像要素的位置信息，而该高斯聚类的协方差可以用来表征该图像要素的尺寸信息。以感测数据包括点云数据为例，图像要素可以由点云数据中的点簇构成。通过提取感测数据中的一个或多个图像要素，可以将可能具有复杂形式的感测数据分解为一组或多组简化后的数据(即，图像要素)，并分别各个图像要素来生成与其对应的第一高斯聚类。进一步的，可以结合各个图像要素之间的位置关系等，将相应的第一高斯聚类联系起来，以建立第一签名高斯混合模型，实现对感测数据的提取。

此外，第一签名高斯混合模型还可以包括与每个第一高斯聚类对应的第一签名，其中，第一签名与至少部分感测数据的视觉特征相关。第一签名具体可以包括语义信息，该语义信息可以以分类标签等形式存在，以指示第一签名对应的第一高斯聚类所属的具体类别。第一签名可以包括数字、字符串等数据类型。

在一些情况下，在第一签名高斯混合模型中，不同的第一高斯聚类可以对应于不同的第一签名。例如，感测数据可以包括与环境中的一段路沿对应的部分，以及与环境中的一根灯杆对应的部分，那么，可以分别采用两个不同的第一高斯聚类来表征路沿和灯杆，而与这两个第一高斯聚类对应的第一签名可以分别是用来指示路沿类别的路沿标签和用来指示灯杆(作为路灯的一部分，被分类到路灯类别中)的路灯标签，其中，路沿标签和路灯标签为不同的第一签名。

在另一些情况下，在第一签名高斯混合模型中，不同的第一高斯聚类可以对应于相同的第一签名。例如，感测数据可以包括与环境中的一栋或多栋建筑对应的部分，那么，表征建筑的多个第一高斯聚类对应的第一签名可以是相同的，即用来指示建筑类别的建筑标签。

在又一些情况下，在第一签名高斯混合模型中，同一个第一高斯聚类可以对应于两个或更多的第一签名。当难以确定数据的视觉特征时，可能会出现这种情形。例如，感测数据可以包括与环境中的某一竖立的杆状物对应的部分，但如果基于现有的信息难以确定该杆状物是路灯的灯杆还是交通标志杆，那么表征该杆状物的第一高斯聚类对应的第一签名可以包括用来指示路灯类别的路灯标签和用来指示交通标志类别的标志标签两者。又例如，在环境中不同的环境对象可能存在部分的重叠(例如在建筑前面存在植物的情况下，建筑和植物之间存在重叠)，那么表征感测数据中的相应部分的第一高斯聚类所对应的第一签名可以包括用来指示建筑类别的建筑标签和用来指示植物类别的植物标签两者。

此外，第一签名还可以包括模糊签名，模糊签名可以指示未确定的视觉特征。当基于现有信息不能确定某个第一高斯聚类对应的部分感测数据的视觉特征时，则该第一高斯聚类对应的第一签名可以是模糊签名。例如，在环境中不同的环境对象可能存在部分的重叠(例如在建筑前面存在植物的情况下，建筑和植物之间存在重叠)，那么表征感测数据中的相应部分的第一高斯聚类所对应的第一签名也可以包括模糊标签。

可以采用多种方式来生成与第一高斯聚类对应的第一签名。在一些实施例中，感测数据可以包括根据待定位对象的周围的环境生成的成像数据，如图3所示，根据感测数据，生成第一签名高斯混合模型还可以包括：

步骤S221，对成像数据或第一高斯聚类进行坐标变换，以使成像数据的坐标与第一高斯聚类的坐标对应；

步骤S222，对成像数据的视觉特征进行图像识别，以生成与第一高斯聚类对应的第一签名。

通过图像识别技术，可以提取成像数据的视觉特征，从而生成与第一高斯聚类对应的第一签名。但是，由于成像数据可以通过照相设备等获取，因此其坐标通常与通过激光雷达等获取的点云数据的坐标不匹配，因而导致成像数据的坐标与第一高斯聚类的坐标不匹配。在这种情况下，难以直接根据成像数据的视觉特征的图像识别结果来生成与相应的第一高斯聚类对应的第一签名。因此，在本实施例中，通过对成像数据或第一高斯聚类进行坐标变换，使成像数据的坐标与第一高斯聚类的坐标对应，以便将成像数据的视觉特征的图像识别结果应用于第一高斯聚类，来生成与第一高斯聚类对应的第一签名。为了确定具体的坐标变换方式，可以根据待定位对象上所装载的卫星定位传感器、速度传感器、加速度传感器和方向传感器中的至少一种来获取待定位对象的定位区域和/或移动路径，然后根据该定位区域和/或移动路径大致确定待定位对象的位置，并基于该大致确定的位置将成像数据的坐标变换为与第一高斯聚类的坐标对应，或者反之将第一高斯聚类的坐标变换为与成像数据的坐标对应。

在另一些实施例中，根据感测数据，生成第一签名高斯混合模型还可以包括：利用预先建立的签名模型，生成与第一高斯聚类对应的第一签名；其中，签名模型是基于机器学习建立的。

当通过预先建立的签名模型来生成第一签名时，可以省略对上述实施例中的成像数据的需求，从而降低感测数据的获取成本。利用已有的与生成签名有关的数据，可以基于机器学习来建立签名模型。并且，还可以根据新产生的与签名有关的数据来进一步优化签名模型，以提高签名模型的准确性。

签名模型的输入可以包括感测数据和地图数据，输出可以包括签名，基于已知的感测数据、地图数据和签名可以分别构建训练集和测试集，其中，训练集和测试集互不相同。可以基于训练集对签名模型进行训练，调整签名模型中的各相关参数，以建立签名模型。当采用测试集测得所建立的签名模型的准确度满足预设条件(例如，准确度大于准确度阈值)时，可以利用该签名模型来生成与第一高斯聚类对应的第一签名。

返回图1，在示例性实施例中，定位方法还可以包括：

步骤S300，获取与待定位对象的候选位置对应的第二签名高斯混合模型，其中，第二签名高斯混合模型根据地图数据生成，地图数据至少覆盖候选位置，第二签名高斯混合模型包括一个或多个第二高斯聚类和与每个第二高斯聚类对应的第二签名，第二签名与至少部分地图数据的视觉特征相关。

具体地，第二签名高斯混合模型可以通过类似于第一签名高斯混合模型对感测数据进行提取的方式来对地图数据进行提取，以方便在后续的步骤中对第一签名高斯混合模型和第二签名高斯混合模型进行比对。

其中，候选位置的数目可以为多个，相应的，可以存在与各候选位置一一对应的第二签名高斯混合模型。在后续步骤中，可以分别比对第一签名高斯混合模型和各第二签名高斯混合模型，从而从多个候选位置中确定待定位对象的位置。

根据地图数据生成的第二签名高斯混合模型可以包括一个或多个第二高斯聚类和与每个第二高斯聚类对应的第二签名，第二签名与至少部分地图数据的视觉特征相关。与第一签名高斯混合模型中类似，第二签名也可以包括模糊签名。其中，不同的第二高斯聚类可以对应于不同的第二签名；或者，不同的第二高斯聚类可以对应于相同的第二签名。以及，在一些情况下，同一个第二高斯聚类可能对应于两个或更多的第二签名。

在一些实施例中，地图数据本身即可以为签名高斯混合模型的形式。那么，当确定了待定位对象的候选位置之后，可以直接从地图数据中得到与各候选位置对应的第二签名高斯混合模型。在另一些实施例中，地图数据可以为签名高斯混合模型以外的其它形式。那么，可以对地图数据进行相应的数据转换，以从中获取与待定位对象的各候选位置对应的第二签名高斯混合模型。

在一些实施例中，如图4所示，获取与待定位对象的候选位置对应的第二签名高斯混合模型可以包括：

步骤S310，利用一个或多个传感器获取待定位对象的定位区域和/或移动路径；

步骤S320，根据定位区域和/或移动路径确定待定位对象的候选位置；以及

步骤S330，根据地图数据生成与待定位对象的候选位置对应的第二签名高斯混合模型。

通过一个或多个传感器，可以选取候选位置。其中，传感器可以包括卫星定位传感器、速度传感器、加速度传感器和方向传感器中的至少一种。具体地，卫星定位传感器可以是全球定位系统GPS传感器等。通过卫星定位传感器通常可以得出待定位对象在过去不久的某个时刻所在的大致的位置，从而得出与待定位对象的定位区域有关的信息。通过速度传感器、加速度传感器以及方向传感器可以分别得出待定位对象的移动速度、加速度以及方向，从而通过速度传感器、加速度传感器和方向传感器中的至少一种可以得出与待定位对象的移动路径有关的信息。进一步的，可以根据定位区域和/或移动路径来确定待定位对象当前所在的大致的位置，并在该位置处和/或其周围的一定区域内确定候选位置，使所选取的候选位置能够尽可能地覆盖待定位对象实际所在的位置。

在一具体示例中，可以根据定位区域，在定位区域附近一定范围内随机地或以预设规则来确定候选位置。在另一具体示例中，可以根据移动路径，沿着移动路径附近的一定范围内随机地或以预设规则来确定候选位置。在又一具体示例中，还可以综合考虑定位区域和移动路径两者来确定候选位置。

在确定候选位置时，可以在定位置信度相对更高的区域中选择分布更密集的候选位置。某些传感器在感测过程中，可以直接给出相应的感测置信度，因而可以根据这些感测置信度来得到定位置信度相对更高的区域。或者，可以将根据多个传感器所给出的定位区域和/或移动路径的交集区域确定为具有更高的定位置信度的区域。

在分别根据感测数据和地图数据得到第一签名高斯混合模型和第二签名高斯混合模型之后，可以通过对第一签名高斯混合模型和第二签名高斯混合模型进行比对来确定待定位对象的位置。具体地，针对各候选位置，可以分别计算各第一高斯聚类和与该候选位置对应的各第二高斯聚类之间的聚类匹配度；进一步的，根据这些聚类匹配度计算第一签名高斯混合模型和与该候选位置对应的第二签名高斯混合模型之间的模型匹配度；最后，根据针对各候选位置所计算的模型匹配度，可以从候选位置中确定待定位对象的位置。

在一具体示例中，假设候选位置的数目为Q，第一签名高斯混合模型包括M个第一高斯聚类，与第i(i＝1,2,…,Q)个候选位置对应的第二签名高斯混合模型包括Ni个第二高斯聚类，那么，当比对第一签名高斯混合模型和第二签名高斯混合模型时，至少需要进行

次聚类匹配度的计算。可见，这种比对方式的计算量是非常大的，不利于实现快速定位。其中，Q、M、i和Ni都为大于或等于1的整数。

此外，由于某些具有不同签名的高斯聚类本身可能是类似的，因此在这种比对方式中，即使第一高斯聚类和第二高斯聚类事实上并不匹配，也可能出现所计算的聚类匹配度过高而导致模型匹配度过高的情况，进而引起错误的或不准确的定位。例如，在不考虑签名的情况下，直接根据与灯杆对应的第一高斯聚类和与交通标志杆对应的第二高斯聚类所计算的聚类匹配度可能具有很大的值，但事实上这部分感测数据和地图数据并不匹配。

为了实现安全可靠的自动驾驶，能够快速和准确地实现定位的方法是十分必要的。考虑到上述问题，在本示例性实施例中，如图1所示，定位方法可以包括：

步骤S400，基于第一签名和第二签名，比对第一签名高斯混合模型和第二签名高斯混合模型，以从候选位置中确定待定位对象的位置。

具体地，在比对第一签名高斯混合模型和第二签名高斯混合模型时，不仅仅是比对第一高斯聚类和第二高斯聚类，而是将第一签名和第二签名考虑进来。在一些实施例中，只有当第一签名和第二签名满足预设条件，即第一高斯聚类所属的类别和第二高斯聚类所属的类别满足预设条件时，才继续执行对该第一高斯聚类和第二高斯聚类之间的比对，否则将不执行比对。其中，第一签名和第二签名所需满足的预设条件将在后文中详细阐述。

基于第一签名和第二签名来比对第一签名高斯混合模型和第二签名高斯混合模型，可以避免不必要的比对，从而大幅地减少了数据的处理量，提高了定位效率。此外，由于基于第一签名和第二签名对要比对的第一高斯聚类和第二高斯聚类预先进行了筛选，因此有助于避免不正确的比对结果，从而提高了定位的准确性。

在一些实施例中，基于第一签名和第二签名，比对第一签名高斯混合模型和第二签名高斯混合模型，以从候选位置中确定待定位对象的位置可以包括基于第一签名和第二签名，计算第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度。具体地，如图5所示，基于第一签名和第二签名，计算第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度可以包括：

步骤S431，针对第一签名高斯混合模型所包括的每个第一高斯聚类，比对与第一高斯聚类对应的第一签名和与第二签名高斯混合模型所包括的一个或多个第二高斯聚类中的每个第二高斯聚类对应的第二签名；

步骤S432，当第一签名和第二签名相匹配时，计算与第一签名对应的第一高斯聚类和与第二签名对应的第二高斯聚类之间的聚类匹配度；以及

步骤S433，根据聚类匹配度，计算第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度。

需要注意的是，第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度的计算通常是根据各候选位置分别进行的，即对于每个候选位置，计算第一签名高斯混合模型和与该候选位置对应的第二签名高斯混合模型之间的模型匹配度。例如，当候选位置的数目为Q时，计算所得的模型匹配度的数目也将为Q。

其中，当第一签名和第二签名相同时，确定为第一签名和第二签名相匹配。例如，当第一签名和第二签名均为路灯标签时，可以确定为第一签名和第二签名相匹配。或者，当与同一个第一高斯聚类对应的第一签名的数目为至少两个，且任意一个第一签名和第二签名相同时，确定为第一签名和第二签名相匹配。例如，当与某个第一高斯聚类对应的第一签名包括路灯标签和植物标签，与第二高斯聚类对应的第二签名包括植物标签时，可以确定为第一签名和第二签名相匹配。又或者，当第一签名和/或第二签名为模糊签名时，确定为第一签名和第二签名相匹配，其中，如上文所述，模糊签名指示未确定的视觉特征。

在一具体示例中，假设第一签名高斯混合模型包括第一高斯聚类G11、G12以及G13，与G11对应的第一签名为Sig1，与G12对应的第一签名为Sig2，与G13对应的第一签名包括Sig1和Sig3，候选位置包括位置P1和P2，其中，与位置P1对应的第二签名高斯混合模型包括第二高斯聚类G211、G212以及G213，与G211对应的第二签名为Sig1，与G212对应的第二签名为Sig2，与G213对应的第二签名为Sig3，与位置P2对应的第二签名高斯混合模型包括第二高斯聚类G221和G222，与G221对应的第二签名为Sig2，与G222对应的第二签名为模糊签名Sig4，那么，计算第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度的过程具体可以包括：

对于位置P1，针对第一高斯聚类G11，由于其对应的第一签名Sig1与第二高斯聚类G211对应的第二签名Sig1相匹配，因此计算第一高斯聚类G11与第二高斯聚类G211之间的聚类匹配度A(G11,G211),而不再计算第一高斯聚类G11与其它第二高斯聚类之间的聚类匹配度。同理可得，针对第一高斯聚类G12，仅计算其与第二高斯聚类G212之间的聚类匹配度A(G12,G212)；针对第一高斯聚类G13，仅计算其与第二高斯聚类G211和G213之间的聚类匹配度A(G13,G211)和A(G13,G213)。

对于位置P2，可以类似地计算第一高斯聚类G11与第二高斯聚类G222之间的聚类匹配度A(G11,G222)，第一高斯聚类G12与第二高斯聚类G221和G222之间的聚类匹配度A(G12,G221)和A(G12,G222)，以及第一高斯聚类G13与第二高斯聚类G222之间的聚类匹配度A(G13,G222)。

然后，对于位置P1，可以根据上述聚类匹配度A(G11,G211)、A(G12,G212)、A(G13,G211)和A(G13,G213)计算第一签名高斯混合模型和与位置P1对应的第二签名高斯混合模型之间的模型匹配度B1。同理，对于位置P2，可以根据上述聚类匹配度A(G11,G222)、A(G12,G221)、A(G12,G222)和A(G13,G222)计算第一签名高斯混合模型和与位置P2对应的第二签名高斯混合模型之间的模型匹配度B2。可以看到，在该具体示例中，所需要计算的聚类匹配度的数目为8，小于在不考虑第一签名和第二签名的情况下所需计算的聚类匹配度的数目15。

进一步的，存在多种根据聚类匹配度来计算模型匹配度的方式。在一些实施例中，如图6所示，根据聚类匹配度，计算第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度可以包括：

步骤S4331，针对每个第一高斯聚类，从该第一高斯聚类和第二高斯聚类之间的聚类匹配度中选择具有最大值的聚类匹配度；以及

步骤S4332，计算第一签名高斯混合模型所包括的第一高斯聚类的被选择的聚类匹配度的总和，作为第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度。

以上述具体示例为例，假设对于第一高斯聚类G13而言，A(G13,G211)<A(G13,G213)。那么，对于位置P1，针对第一高斯聚类G11所筛选出的聚类匹配度为A(G11,G211)，针对第一高斯聚类G12所筛选出的聚类匹配度为A(G12,G212)，而针对第一高斯聚类G13所筛选出的聚类匹配度为A(G13,G213)。进一步的，第一签名高斯混合模型和与位置P1对应的第二签名高斯混合模型之间的模型匹配度B1满足B1＝A(G11,G211)+A(G12,G212)+A(G13,G213)。

同理，假设A(G12,G221)>A(G12,G222)，那么，对于位置P2，第一签名高斯混合模型和与位置P2对应的第二签名高斯混合模型之间的模型匹配度B2满足B2＝A(G11,G222)+A(G12,G221)+A(G13,G222)。

在另一些实施例中，如图7所示，根据聚类匹配度，计算第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度可以包括：

步骤S4333，针对每个第一高斯聚类，计算该第一高斯聚类和第二高斯聚类之间的聚类匹配度的平均匹配度；以及

步骤S4334，计算第一签名高斯混合模型所包括的第一高斯聚类的平均匹配度的总和，作为第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度。

在上述具体示例中，对于位置P1而言，第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度B1可以根据B1＝A(G11,G211)+A(G12,G212)+[A(G13,G211)+A(G13,G213)]/2得到。同理，对于位置P2而言，第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度B2可以根据B2＝A(G11,G222)+[A(G12,G221)+A(G12,G222)]/2+A(G13,G222)得到。

需要注意的是，在其它实施例中，也可以采用其它的方式来根据聚类匹配度计算模型匹配度。

在针对各候选位置计算得出第一签名高斯混合模型和与该候选位置对应的第二签名高斯混合模型之间的模型匹配度后，可以根据所计算的模型匹配度来确定待定位对象的位置。

在一些实施例中，如图8所示，基于第一签名和第二签名，比对第一签名高斯混合模型和第二签名高斯混合模型，以从候选位置中确定所述待定位对象的位置可以包括：

步骤S411，基于第一签名和第二签名，计算第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度；

步骤S412，比对模型匹配度和匹配度阈值；以及

步骤S413，当模型匹配度大于匹配度阈值时，将与第二签名高斯混合模型对应的候选位置确定为待定位对象的位置。

其中，候选位置的数目可以为一个或多个。通过预先设定的匹配度阈值，当计算所得的模型匹配度大于该匹配度阈值时，相应的候选位置可以被确定为待定位对象的位置。通过这种方式，可以有效地避免与过低的模型匹配度对应的候选位置被确定为待定位对象的位置，从而有助于提高定位的准确性。然而，在一些情况下，可能有多个候选位置都可以被确定为待定位对象的位置，此时，可以通过进一步的筛选以唯一确定待定位对象的位置。

以上述具体示例为例，假设匹配度阈值为B0。如果与候选位置P1对应的模型匹配度B1满足B1>B0，那么位置P1可以被确定为待定位对象的位置，而如果与候选位置P2对应的模型匹配度B2满足B2<B0，那么位置P2不会被确定为待定位对象的位置。

在另一些实施例中，候选位置的数目为至少两个，如图9所示，基于第一签名和第二签名，比对第一签名高斯混合模型和第二签名高斯混合模型，以从候选位置中确定待定位对象的位置可以包括:

步骤S421，针对每个候选位置，基于第一签名和第二签名，计算第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度；

步骤S422，从针对每个候选位置所计算的模型匹配度中选择具有最大值的模型匹配度；以及

步骤S423，将与具有最大值的模型匹配度对应的候选位置确定为所述待定位对象的位置。

也就是说，在存在多个候选位置的情况下，可以将其中与具有最大值的模型匹配度对应的候选位置确定为待定位对象的位置，从而唯一地确定待定位对象的位置。

以上述具体示例为例，假设模型匹配度B1>B2，那么可以将与模型匹配度B1对应的候选位置P1确定为待定位对象的位置。

可以理解的是，上述两种方式也可以相结合。也就是说，只有同时满足模型匹配度大于匹配度阈值且该模型匹配度为多个模型匹配度中的最大值两个条件时，与该模型匹配度对应的候选位置才被确定为待定位对象的位置，从而可以准确地且唯一地确定待定位对象的位置。

在本公开的定位方法中，基于签名高斯混合模型来确定待定位对象的位置，有助于提高定位的效率和准确度。具体而言，第一，在比对根据感测数据生成的第一签名高斯混合模型和根据地图数据生成的第二签名高斯混合模型的过程中，由于考虑了第一签名和第二签名，因此可以预先筛选出满足预设条件的第一高斯聚类和第二高斯聚类进行比对，从而避免了不匹配的第一高斯聚类和第二高斯聚类之间不正确的比对结果，提高了定位的准确性。第二，由于基于第一签名和第二签名可以省略部分第一高斯聚类和第二高斯聚类之间的比对，进而简化了第一签名高斯混合模型和第二签名高斯混合模型之间的比对，从而大幅地减少了需处理的数据量，有助于提高定位效率。第三，通过签名高斯混合模型的平均值、协方差和签名来对感测数据和地图数据进行提取，在保留了数据的有效信息的同时可以过滤掉部分噪声，从而使该定位方法具有更好的可靠性。

本公开还提供了一种定位装置。如图10所示，该定位装置900可以包括存储器910和处理器920，其中，存储器910上存储有指令，当指令被处理器920执行时，实现上述定位方法的步骤。

其中，处理器920可以根据存储在存储器910中的指令执行各种动作和处理。具体地，处理器920可以是一种集成电路芯片，具有信号的处理能力。上述处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，可以是X86架构或者是ARM架构等。

存储器910存储有可执行指令，该指令在被处理器920执行上文所述的植物病虫害诊断方法。存储器910可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(SDRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、增强型同步动态随机存取存储器(ESDRAM)、同步连接动态随机存取存储器(SLDRAM)和直接内存总线随机存取存储器(DR RAM)。应注意，本文描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

本公开还提供了一种车辆，包括上述定位装置。

本公开还提供了一种计算机可读存储介质，计算机可读介质存储有指令，当指令被执行时，实现上述定位方法的步骤。

类似地，本公开实施例中的计算机可读存储介质可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。应注意，本文描述的计算机可读存储介质旨在包括但不限于这些和任意其它适合类型的存储器。

在说明书及权利要求中的词语“前”、“后”、“顶”、“底”、“之上”、“之下”等，如果存在的话，用于描述性的目的而并不一定用于描述不变的相对位置。应当理解，这样使用的词语在适当的情况下是可互换的，使得在此所描述的本公开的实施例，例如，能够在与在此所示出的或另外描述的那些取向不同的其他取向上操作。

如在此所使用的，词语“示例性的”意指“用作示例、实例或说明”，而不是作为将被精确复制的“模型”。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。

如在此所使用的，词语“基本上”意指包含由设计或制造的缺陷、器件或元件的容差、环境影响和/或其它因素所致的任意微小的变化。词语“基本上”还允许由寄生效应、噪声以及可能存在于实际的实现方式中的其它实际考虑因素所致的与完美的或理想的情形之间的差异。

另外，前面的描述可能提及了被“连接”或“耦接”在一起的元件或节点或特征。如在此所使用的，除非另外明确说明，“连接”意指一个元件/节点/特征与另一种元件/节点/特征在电学上、机械上、逻辑上或以其它方式直接地连接(或者直接通信)。类似地，除非另外明确说明，“耦接”意指一个元件/节点/特征可以与另一元件/节点/特征以直接的或间接的方式在机械上、电学上、逻辑上或以其它方式连结以允许相互作用，即使这两个特征可能并没有直接连接也是如此。也就是说，“耦接”意图包含元件或其它特征的直接连结和间接连结，包括利用一个或多个中间元件的连接。

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，并且因而并非意图限定。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。

在本公开中，术语“提供”从广义上用于涵盖获得对象的所有方式，因此“提供某对象”包括但不限于“购买”、“制备/制造”、“布置/设置”、“安装/装配”、和/或“订购”对象等。

本领域技术人员应当意识到，在上述操作之间的边界仅仅是说明性的。多个操作可以结合成单个操作，单个操作可以分布于附加的操作中，并且操作可以在时间上至少部分重叠地执行。而且，另选的实施例可以包括特定操作的多个实例，并且在其他各种实施例中可以改变操作顺序。但是，其它的修改、变化和替换同样是可能的。因此，本说明书和附图应当被看作是说明性的，而非限制性的。

虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。在此公开的各实施例可以任意组合，而不脱离本公开的精神和范围。本领域的技术人员还应理解，可以对实施例进行多种修改而不脱离本公开的范围和精神。本公开的范围由所附权利要求来限定。

Claims (16)

1.一种定位方法，其特征在于，所述方法包括：

获取感测数据，其中，所述感测数据根据待定位对象的周围的环境生成；

根据所述感测数据，生成第一签名高斯混合模型，其中，第一签名高斯混合模型包括一个或多个第一高斯聚类和与每个第一高斯聚类对应的第一签名，第一签名与至少部分感测数据的视觉特征相关；

获取与所述待定位对象的候选位置对应的第二签名高斯混合模型，其中，第二签名高斯混合模型根据地图数据生成，地图数据至少覆盖候选位置，第二签名高斯混合模型包括一个或多个第二高斯聚类和与每个第二高斯聚类对应的第二签名，第二签名与至少部分地图数据的视觉特征相关；以及

基于第一签名和第二签名，比对第一签名高斯混合模型和第二签名高斯混合模型，以从候选位置中确定所述待定位对象的位置。

2.根据权利要求1所述的方法，其特征在于，基于第一签名和第二签名，比对第一签名高斯混合模型和第二签名高斯混合模型，以从候选位置中确定所述待定位对象的位置包括：

基于第一签名和第二签名，计算第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度；

比对所述模型匹配度和匹配度阈值；以及

当所述模型匹配度大于所述匹配度阈值时，将与所述第二签名高斯混合模型对应的候选位置确定为所述待定位对象的位置。

3.根据权利要求1所述的方法，其特征在于，候选位置的数目为至少两个；

基于第一签名和第二签名，比对第一签名高斯混合模型和第二签名高斯混合模型，以从候选位置中确定所述待定位对象的位置包括：

针对每个候选位置，基于第一签名和第二签名，计算第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度；

从针对每个候选位置所计算的模型匹配度中选择具有最大值的模型匹配度；以及

将与具有最大值的模型匹配度对应的候选位置确定为所述待定位对象的位置。

4.根据权利要求2或3所述的方法，其特征在于，基于第一签名和第二签名，计算第一签名高斯混合模型和第二签名高斯混合模型之间的模型匹配度包括：

针对所述第一签名高斯混合模型所包括的每个第一高斯聚类，比对与第一高斯聚类对应的第一签名和与所述第二签名高斯混合模型所包括的一个或多个第二高斯聚类中的每个第二高斯聚类对应的第二签名；

当第一签名和第二签名相匹配时，计算与所述第一签名对应的第一高斯聚类和与所述第二签名对应的第二高斯聚类之间的聚类匹配度；以及

根据聚类匹配度，计算所述第一签名高斯混合模型和所述第二签名高斯混合模型之间的模型匹配度。

5.根据权利要求4所述的方法，其特征在于，当第一签名和第二签名相同时，确定为第一签名和第二签名相匹配；或

当与同一个第一高斯聚类对应的第一签名的数目为至少两个，且任意一个第一签名和第二签名相同时，确定为第一签名和第二签名相匹配；或

当第一签名和/或第二签名为模糊签名时，确定为第一签名和第二签名相匹配，其中，所述模糊签名指示未确定的视觉特征。

6.根据权利要求4所述的方法，其特征在于，根据聚类匹配度，计算所述第一签名高斯混合模型和所述第二签名高斯混合模型之间的模型匹配度包括：

针对每个第一高斯聚类，从该第一高斯聚类和第二高斯聚类之间的聚类匹配度中选择具有最大值的聚类匹配度；以及

计算所述第一签名高斯混合模型所包括的第一高斯聚类的被选择的聚类匹配度的总和，作为所述第一签名高斯混合模型和所述第二签名高斯混合模型之间的模型匹配度。

7.根据权利要求4所述的方法，其特征在于，根据聚类匹配度，计算所述第一签名高斯混合模型和所述第二签名高斯混合模型之间的模型匹配度包括：

针对每个第一高斯聚类，计算该第一高斯聚类和第二高斯聚类之间的聚类匹配度的平均匹配度；以及

计算所述第一签名高斯混合模型所包括的第一高斯聚类的平均匹配度的总和，作为所述第一签名高斯混合模型和所述第二签名高斯混合模型之间的模型匹配度。

8.根据权利要求1所述的方法，其特征在于，所述感测数据包括根据待定位对象的周围的环境生成的点云数据。

9.根据权利要求1所述的方法，其特征在于，根据所述感测数据，生成第一签名高斯混合模型包括：

提取所述感测数据中的一个或多个图像要素；

根据图像要素，生成与所述图像要素对应的第一高斯聚类。

10.根据权利要求9所述的方法，其特征在于，所述感测数据包括根据待定位对象的周围的环境生成的成像数据；

根据所述感测数据，生成第一签名高斯混合模型还包括：

对成像数据或第一高斯聚类进行坐标变换，以使成像数据的坐标与第一高斯聚类的坐标对应；

对成像数据的视觉特征进行图像识别，以生成与第一高斯聚类对应的第一签名。

11.根据权利要求9所述的方法，其特征在于，根据所述感测数据，生成第一签名高斯混合模型还包括：

利用预先建立的签名模型，生成与第一高斯聚类对应的第一签名；

其中，所述签名模型是基于机器学习建立的。

12.根据权利要求1所述的方法，其特征在于，获取与所述待定位对象的候选位置对应的第二签名高斯混合模型包括：

利用一个或多个传感器获取所述待定位对象的定位区域和/或移动路径；

根据所述定位区域和/或所述移动路径确定所述待定位对象的候选位置；以及

根据所述地图数据生成与所述待定位对象的候选位置对应的第二签名高斯混合模型。

13.根据权利要求13所述的方法，其特征在于，所述传感器包括卫星定位传感器、速度传感器、加速度传感器和方向传感器中的至少一种。

14.一种定位装置，其特征在于，所述定位装置包括存储器和处理器，其中，所述存储器上存储有指令，当所述指令被所述处理器执行时，实现如权利要求1至13中任一项所述的定位方法的步骤。

15.一种计算机可读存储介质，其特征在于，所述计算机可读介质存储有指令，当所述指令被执行时，实现如权利要求1至13中任一项所述的定位方法的步骤。

16.一种车辆，包括权利要求14所述的定位装置。

Images