CN113587915A - 一种高精密度导航配置方法 - Google Patents
一种高精密度导航配置方法 Download PDFInfo
- Publication number
- CN113587915A CN113587915A CN202110636884.XA CN202110636884A CN113587915A CN 113587915 A CN113587915 A CN 113587915A CN 202110636884 A CN202110636884 A CN 202110636884A CN 113587915 A CN113587915 A CN 113587915A
- Authority
- CN
- China
- Prior art keywords
- data
- precision
- navigated
- map
- navigation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 230000007547 defect Effects 0.000 claims abstract description 7
- 230000008447 perception Effects 0.000 claims abstract description 7
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 230000000295 complement effect Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
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
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- 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
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种高精密度导航配置方法,包括以下步骤:S1,高精密地图配置:S11,实地数据采集:S12,数据加工:人工处理S11中采集的数据信息,深度学习感知算法补偿数据缺陷;S13,数据更新:通过众包数据方式或实时交通管理部分合作更新地图;S2,被导航体配置;S3,高精密地图与被导航体的智能结合;匹配道路,将定位点向道路做投影,通过被导航体航向与道路方向、被导航体与各道路的接近程度得到准确的地图匹配点。本方法通过数据采集‑加工‑更新形成一个高精密的地图信息,并在装备两个相互配合的系统中的导航提高容错率,使两个系统呈现为优势互补但成本较为低廉的导航系统,导航更为精准。
Description
技术领域
本发明涉及导航配置技术领域,尤其涉及一种高精密度导航配置方法。
背景技术
目前手机可以为我们提供一定的定位和导航能力,利用手机提供的能力,在数字地图上,你能看到自己的位置。开车时可以依据地图上的位置沿着导航指引的路径前进。但是目前的手机提供的定位和导航能力比较初级,主要原因是手机提供的定位精度依赖于手机基站和GPS系统,导致定位精度不高。特别是在城市里,由于高大建筑等物体的遮挡效应,导致定位偏差很大。
为此,我们提出一种高精密度导航配置方法来解决上述问题。
发明内容
本发明意在提供一种高精密度导航配置方法来解决背景技术中提出的问题。
为了实现上述目的,本发明采用了如下技术方案:
一种高精密度导航配置方法,包括以下步骤:
S1,高精密地图配置:
S11,实地数据采集:
S12,数据加工:人工处理S11中采集的数据信息,深度学习感知算法补偿数据缺陷;
S13,数据更新:通过众包数据方式或实时交通管理部分合作更新地图;
S2,被导航体配置;
S3,高精密地图与被导航体的智能结合;
匹配道路,将定位点向道路做投影,通过被导航体航向与道路方向、被导航体与各道路的接近程度得到准确的地图匹配点;
通过被导航体的定位、高精密地图的信息以及路径规划算法实现高精密导航。
优选地,所述S11中数据信息包括路牙、护栏、互通式立交桥、隧道、龙门架、交通标志、可变信息标志、轮廓标志、收费站、电线杆、交通灯、箭头、文字、方向、符号等。
优选地,所述S13中的众包数据方式为安装有性能相对一般的车载传感器的智能网联汽车收集路况与道路特征,通过深度学习和图像识别算法转化为结构化数据,进一步更新地图数据信息。
优选地,所述S1中数据采集为通过装备有激光雷达、高精度差分-惯导-卫星定位系统的采集车,利用激光反射形成点云对环境中各物体采集,记录行驶轨迹和环境中各物体的高精度位置信息。
优选地,所述S1中数据采集为通过装备有激光、视觉、红外等传感器的机器人,在移动过程中检测环境特征,识别行驶过程中环境特征类似部分,并将检测到的信息特征进行拼接。
优选地,所述S2中的被导航体配置为被导航体中装备GPS与DR系统:通过两个局部传感器分别处理GPS与DR系统的定位数据,将两者的状态估计输送至主滤波器进行最优融合并产生高精度的全局估计,按照信息分配系数对局部滤波器进行状态反馈重置,提高定位精度。
优选地,所述S2中的被导航体配置为被导航体中装备GNSS与INS系统:INS通过安装在被导航体上的惯性器件敏感载体的运动,输出载体姿态和位置信息,GNSS是更新频率较低但定位相对准确的定位传感器,INS定位误差随时间增大,但为高频传感器,提供稳定的实时位置更新。
与现有技术相比,本发明的有益效果是:
本方法通过数据采集-加工-更新形成一个高精密的地图信息,并在装备两个相互配合的系统中的导航提高容错率,使两个系统呈现为优势互补但成本较为低廉的导航系统,导航更为精准。
具体实施方式
下面对本发明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发明一部分实施例,而不是全部的实施例。
实施例1
一种高精密度导航配置方法,包括包括以下步骤:
S1,高精密地图配置:
S11,实地数据采集:
S11中数据信息包括路牙、护栏、互通式立交桥、隧道、龙门架、交通标志、可变信息标志、轮廓标志、收费站、电线杆、交通灯、箭头、文字、方向、符号等;
S12,数据加工:人工处理S11中采集的数据信息,深度学习感知算法补偿数据缺陷;
S13,数据更新:通过众包数据方式或实时交通管理部分合作更新地图;
S13中的众包数据方式为安装有性能相对一般的车载传感器的智能网联汽车收集路况与道路特征,通过深度学习和图像识别算法转化为结构化数据,进一步更新地图数据信息;
S2,被导航体配置;
S3,高精密地图与被导航体的智能结合;
匹配道路,将定位点向道路做投影,通过被导航体航向与道路方向、被导航体与各道路的接近程度得到准确的地图匹配点;
通过被导航体的定位、高精密地图的信息以及路径规划算法实现高精密导航。
S1中数据采集为通过装备有激光雷达、高精度差分-惯导-卫星定位系统的采集车,利用激光反射形成点云对环境中各物体采集,记录行驶轨迹和环境中各物体的高精度位置信息。
S2中的被导航体配置为被导航体中装备GPS与DR系统:通过两个局部传感器分别处理GPS与DR系统的定位数据,将两者的状态估计输送至主滤波器进行最优融合并产生高精度的全局估计,按照信息分配系数对局部滤波器进行状态反馈重置,提高定位精度。
实施例2
一种高精密度导航配置方法,包括包括以下步骤:
S1,高精密地图配置:
S11,实地数据采集:
S11中数据信息包括路牙、护栏、互通式立交桥、隧道、龙门架、交通标志、可变信息标志、轮廓标志、收费站、电线杆、交通灯、箭头、文字、方向、符号等;
S12,数据加工:人工处理S11中采集的数据信息,深度学习感知算法补偿数据缺陷;
S13,数据更新:通过众包数据方式或实时交通管理部分合作更新地图;
S13中的众包数据方式为安装有性能相对一般的车载传感器的智能网联汽车收集路况与道路特征,通过深度学习和图像识别算法转化为结构化数据,进一步更新地图数据信息;
S2,被导航体配置;
S3,高精密地图与被导航体的智能结合;
匹配道路,将定位点向道路做投影,通过被导航体航向与道路方向、被导航体与各道路的接近程度得到准确的地图匹配点;
通过被导航体的定位、高精密地图的信息以及路径规划算法实现高精密导航。
S1中数据采集为通过装备有激光、视觉、红外等传感器的机器人,在移动过程中检测环境特征,识别行驶过程中环境特征类似部分,并将检测到的信息特征进行拼接。
S2中的被导航体配置为被导航体中装备GPS与DR系统:通过两个局部传感器分别处理GPS与DR系统的定位数据,将两者的状态估计输送至主滤波器进行最优融合并产生高精度的全局估计,按照信息分配系数对局部滤波器进行状态反馈重置,提高定位精度。
实施例3
一种高精密度导航配置方法,包括包括以下步骤:
S1,高精密地图配置:
S11,实地数据采集:
S11中数据信息包括路牙、护栏、互通式立交桥、隧道、龙门架、交通标志、可变信息标志、轮廓标志、收费站、电线杆、交通灯、箭头、文字、方向、符号等;
S12,数据加工:人工处理S11中采集的数据信息,深度学习感知算法补偿数据缺陷;
S13,数据更新:通过众包数据方式或实时交通管理部分合作更新地图;
S13中的众包数据方式为安装有性能相对一般的车载传感器的智能网联汽车收集路况与道路特征,通过深度学习和图像识别算法转化为结构化数据,进一步更新地图数据信息;
S2,被导航体配置;
S3,高精密地图与被导航体的智能结合;
匹配道路,将定位点向道路做投影,通过被导航体航向与道路方向、被导航体与各道路的接近程度得到准确的地图匹配点;
通过被导航体的定位、高精密地图的信息以及路径规划算法实现高精密导航。
S1中数据采集为通过装备有激光雷达、高精度差分-惯导-卫星定位系统的采集车,利用激光反射形成点云对环境中各物体采集,记录行驶轨迹和环境中各物体的高精度位置信息。
S2中的被导航体配置为被导航体中装备GNSS与INS系统:INS通过安装在被导航体上的惯性器件敏感载体的运动,输出载体姿态和位置信息,GNSS是更新频率较低但定位相对准确的定位传感器,INS定位误差随时间增大,但为高频传感器,提供稳定的实时位置更新。
实施例4
一种高精密度导航配置方法,包括包括以下步骤:
S1,高精密地图配置:
S11,实地数据采集:
S11中数据信息包括路牙、护栏、互通式立交桥、隧道、龙门架、交通标志、可变信息标志、轮廓标志、收费站、电线杆、交通灯、箭头、文字、方向、符号等;
S12,数据加工:人工处理S11中采集的数据信息,深度学习感知算法补偿数据缺陷;
S13,数据更新:通过众包数据方式或实时交通管理部分合作更新地图;
S13中的众包数据方式为安装有性能相对一般的车载传感器的智能网联汽车收集路况与道路特征,通过深度学习和图像识别算法转化为结构化数据,进一步更新地图数据信息;
S2,被导航体配置;
S3,高精密地图与被导航体的智能结合;
匹配道路,将定位点向道路做投影,通过被导航体航向与道路方向、被导航体与各道路的接近程度得到准确的地图匹配点;
通过被导航体的定位、高精密地图的信息以及路径规划算法实现高精密导航。
S1中数据采集为通过装备有激光、视觉、红外等传感器的机器人,在移动过程中检测环境特征,识别行驶过程中环境特征类似部分,并将检测到的信息特征进行拼接。
S2中的被导航体配置为被导航体中装备GNSS与INS系统:INS通过安装在被导航体上的惯性器件敏感载体的运动,输出载体姿态和位置信息,GNSS是更新频率较低但定位相对准确的定位传感器,INS定位误差随时间增大,但为高频传感器,提供稳定的实时位置更新。
本方法通过数据采集-加工-更新形成一个高精密的地图信息,并在装备两个相互配合的系统中的导航提高容错率,使两个系统呈现为优势互补但成本较为低廉的导航系统,导航更为精准。
其中采用采集车亦或是机器人,均是通过智能元件来采集环境中的各物体信息,两者均可使用,但只需两者中的一种;
其中的GPS/DR系统,通过联合卡尔曼滤波器实现信息融合,去除参考系统并使主滤波器无信息分配,即使其中一个传感器发生故障,也不会影响整个定位;
其中的GNSS/INS系统,两者具有互补性,短时间内INS的误差比GNSS小,长时间内,需通过GNSS离散测量值修正,抓取系统漂移量来达到快速估计状态参数与收敛的目的;
本方法中的高精密地图相较于传统地图,其地图信息的丰富性以及准确性显著提升,并具备将道路数据转化为连续曲线进行存储,在无车道线划分的部分抽象成道路参考线,在地图数据库中体现,记录无车道线划分的拓扑结构,包括几何特性与道路模型,道路模型包括位置、形状和属性值。
本方法为被导航体(车辆)提供更精确的交通信息,用于导航、路径规划、辅助车载传感器实现高精度定位。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种高精密度导航配置方法,其特征在于,包括以下步骤:
S1,高精密地图配置:
S11,实地数据采集:
S12,数据加工:人工处理S11中采集的数据信息,深度学习感知算法补偿数据缺陷;
S13,数据更新:通过众包数据方式或实时交通管理部分合作更新地图;
S2,被导航体配置;
S3,高精密地图与被导航体的智能结合;
匹配道路,将定位点向道路做投影,通过被导航体航向与道路方向、被导航体与各道路的接近程度得到准确的地图匹配点;
通过被导航体的定位、高精密地图的信息以及路径规划算法实现高精密导航。
2.根据权利要求1所述的一种高精密度导航配置方法,其特征在于:所述S11中数据信息包括路牙、护栏、互通式立交桥、隧道、龙门架、交通标志、可变信息标志、轮廓标志、收费站、电线杆、交通灯、箭头、文字、方向、符号等。
3.根据权利要求1所述的一种高精密度导航配置方法,其特征在于:所述S13中的众包数据方式为安装有性能相对一般的车载传感器的智能网联汽车收集路况与道路特征,通过深度学习和图像识别算法转化为结构化数据,进一步更新地图数据信息。
4.根据权利要求1所述的一种高精密度导航配置方法,其特征在于:
所述S1中数据采集为通过装备有激光雷达、高精度差分-惯导-卫星定位系统的采集车,利用激光反射形成点云对环境中各物体采集,记录行驶轨迹和环境中各物体的高精度位置信息。
5.根据权利要求1所述的一种高精密度导航配置方法,其特征在于:
所述S1中数据采集为通过装备有激光、视觉、红外等传感器的机器人,在移动过程中检测环境特征,识别行驶过程中环境特征类似部分,并将检测到的信息特征进行拼接。
6.根据权利要求1所述的一种高精密度导航配置方法,其特征在于:
所述S2中的被导航体配置为被导航体中装备GPS与DR系统:通过两个局部传感器分别处理GPS与DR系统的定位数据,将两者的状态估计输送至主滤波器进行最优融合并产生高精度的全局估计,按照信息分配系数对局部滤波器进行状态反馈重置,提高定位精度。
7.根据权利要求1所述的一种高精密度导航配置方法,其特征在于:
所述S2中的被导航体配置为被导航体中装备GNSS与INS系统:INS通过安装在被导航体上的惯性器件敏感载体的运动,输出载体姿态和位置信息,GNSS是更新频率较低但定位相对准确的定位传感器,INS定位误差随时间增大,但为高频传感器,提供稳定的实时位置更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110636884.XA CN113587915A (zh) | 2021-06-08 | 2021-06-08 | 一种高精密度导航配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110636884.XA CN113587915A (zh) | 2021-06-08 | 2021-06-08 | 一种高精密度导航配置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113587915A true CN113587915A (zh) | 2021-11-02 |
Family
ID=78243494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110636884.XA Pending CN113587915A (zh) | 2021-06-08 | 2021-06-08 | 一种高精密度导航配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113587915A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114413914A (zh) * | 2022-01-18 | 2022-04-29 | 上汽通用五菱汽车股份有限公司 | 高精度地图的精度提升方法、系统和计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571400A (zh) * | 2009-01-04 | 2009-11-04 | 四川川大智胜软件股份有限公司 | 基于动态交通信息的嵌入式车载组合导航系统 |
CN101952688A (zh) * | 2008-02-04 | 2011-01-19 | 电子地图北美公司 | 用于与传感器检测到的对象进行地图匹配的方法 |
CN106225789A (zh) * | 2016-07-12 | 2016-12-14 | 武汉理工大学 | 一种具有高安全性的车载导航系统及其引导方法 |
CN106441319A (zh) * | 2016-09-23 | 2017-02-22 | 中国科学院合肥物质科学研究院 | 一种无人驾驶车辆车道级导航地图的生成系统及方法 |
CN111930872A (zh) * | 2020-08-17 | 2020-11-13 | 武汉中海庭数据技术有限公司 | 一种高精度地图更新方法、服务器及可读存储介质 |
CN112766670A (zh) * | 2021-01-07 | 2021-05-07 | 武汉四维图新科技有限公司 | 基于高精度地图数据众包更新系统的评估方法及装置 |
-
2021
- 2021-06-08 CN CN202110636884.XA patent/CN113587915A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101952688A (zh) * | 2008-02-04 | 2011-01-19 | 电子地图北美公司 | 用于与传感器检测到的对象进行地图匹配的方法 |
CN101571400A (zh) * | 2009-01-04 | 2009-11-04 | 四川川大智胜软件股份有限公司 | 基于动态交通信息的嵌入式车载组合导航系统 |
CN106225789A (zh) * | 2016-07-12 | 2016-12-14 | 武汉理工大学 | 一种具有高安全性的车载导航系统及其引导方法 |
CN106441319A (zh) * | 2016-09-23 | 2017-02-22 | 中国科学院合肥物质科学研究院 | 一种无人驾驶车辆车道级导航地图的生成系统及方法 |
CN111930872A (zh) * | 2020-08-17 | 2020-11-13 | 武汉中海庭数据技术有限公司 | 一种高精度地图更新方法、服务器及可读存储介质 |
CN112766670A (zh) * | 2021-01-07 | 2021-05-07 | 武汉四维图新科技有限公司 | 基于高精度地图数据众包更新系统的评估方法及装置 |
Non-Patent Citations (1)
Title |
---|
刘经南等: "智能高精地图数据逻辑结构与关键技术", 《测绘学报》, vol. 48, no. 8, 15 August 2019 (2019-08-15), pages 939 - 953 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114413914A (zh) * | 2022-01-18 | 2022-04-29 | 上汽通用五菱汽车股份有限公司 | 高精度地图的精度提升方法、系统和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109341706B (zh) | 一种面向无人驾驶汽车的多特征融合地图的制作方法 | |
CN110160542B (zh) | 车道线的定位方法和装置、存储介质、电子装置 | |
CN106441319B (zh) | 一种无人驾驶车辆车道级导航地图的生成系统及方法 | |
CN110702091B (zh) | 一种沿地铁轨道移动机器人的高精度定位方法 | |
CN100533066C (zh) | 一种用于地面车辆gps导航的惯性补偿方法 | |
KR101209062B1 (ko) | 영상인식 정보를 이용한 gps 보정 시스템 및 방법 | |
US20210248768A1 (en) | Generation of Structured Map Data from Vehicle Sensors and Camera Arrays | |
CN109946730A (zh) | 一种车路协同下基于超宽带的车辆高可靠融合定位方法 | |
CN109708632B (zh) | 一种面向移动机器人的激光雷达/ins/地标松组合导航系统及方法 | |
CN112923931A (zh) | 一种基于固定路线下的特征地图匹配与gps定位信息融合方法 | |
CN111006655A (zh) | 机场巡检机器人多场景自主导航定位方法 | |
CN113269878B (zh) | 一种基于多传感器的建图方法及系统 | |
US11874366B2 (en) | High-precision vehicle positioning method based on ultra-wideband in intelligent vehicle infrastructure cooperative systems | |
CN114889606B (zh) | 一种基于多传感融合的低成本高精定位方法 | |
CN114485654A (zh) | 一种基于高精地图的多传感器融合定位方法及装置 | |
CN107764273B (zh) | 一种车辆导航定位方法及系统 | |
CN113587915A (zh) | 一种高精密度导航配置方法 | |
CN114841188A (zh) | 一种基于二维码的车辆融合定位方法及装置 | |
CN115683124A (zh) | 确定行驶轨迹的方法 | |
CN113311452A (zh) | 一种基于多传感器的定位方法及其系统 | |
CN117152958A (zh) | 一种车辆轨迹识别方法、装置、识别设备及可读存储介质 | |
CN114690231A (zh) | 车辆定位方法 | |
CN112378384A (zh) | 一种测绘工程中车载特殊地形的测绘系统及方法 | |
CN112179356A (zh) | 一种基于智能航迹推算的弱网环境导航的方法及系统 | |
CN111693042A (zh) | 一种自动驾驶装置精准定位的方法及系统 |
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 |