CN113963319A - 定位方法和定位装置 - Google Patents
定位方法和定位装置 Download PDFInfo
- Publication number
- CN113963319A CN113963319A CN202010698905.6A CN202010698905A CN113963319A CN 113963319 A CN113963319 A CN 113963319A CN 202010698905 A CN202010698905 A CN 202010698905A CN 113963319 A CN113963319 A CN 113963319A
- Authority
- CN
- China
- Prior art keywords
- search tree
- positioning method
- feature
- tree
- positioning
- 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 52
- 239000000203 mixture Substances 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000002310 reflectometry Methods 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003936 working memory Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000005358 geomagnetic field Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/387—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Electromagnetism (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Library & Information Science (AREA)
- Navigation (AREA)
Abstract
本公开涉及定位方法和定位装置。一种定位方法,对待定位对象附近环境的感测数据进行聚类以识别至少一个第一对象;根据所述感测数据为每个第一对象生成概率分布模型;根据所述感测数据确定与所述至少一个第一对象对应的特征;获取查找树,所述查找树的节点的属性包含所述待定位对象附近的至少一个第二对象的所述特征,其中,所述至少一个第二对象的所述特征是根据所述地图数据生成的;根据所述查找树确定所述至少一个第二对象中与所述至少一个第一对象对应的第三对象;以及根据第三对象确定所述待定位对象的位置。
Description
技术领域
本公开涉及定位方法和定位装置。
背景技术
随着芯片技术和人工智能技术的进步,自动驾驶技术再次成为人们关注的焦点。在自动驾驶技术中,最重要的技术之一就是待定位对象(例如车辆或机器人等)的定位。现有技术中,基于通信基站、卫星等的定位技术不能为自动驾驶提供足够的精度。因此,人们需要一种能够准确地确定待定位对象的位置的技术。
发明内容
根据本公开的一个方面,提供了一种定位方法,包括:
对待定位对象附近环境的感测数据进行聚类以识别至少一个第一对象;
根据所述感测数据为每个第一对象生成概率分布模型;
根据所述感测数据确定与所述至少一个第一对象对应的特征;
获取查找树,所述查找树的节点的属性包含所述待定位对象附近的至少一个第二对象的所述特征,其中,所述至少一个第二对象的所述特征是根据所述地图数据生成的;
根据所述查找树确定所述至少一个第二对象中与所述至少一个第一对象对应的第三对象;以及
根据第三对象确定所述待定位对象的位置。
根据本公开的另一个方面,提供了一种定位装置,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,实现上述根据本公开的定位方法的步骤。
根据本公开的又一个方面,提供了一种定位装置,包括:
对象识别单元,被配置为对待定位对象附近环境的感测数据进行聚类以识别至少一个第一对象;
概率分布模型生成单元,被配置为根据所述感测数据为每个第一对象生成概率分布模型;
特征确定单元,被配置为根据所述感测数据确定与各个第一对象对应的特征;
查找树获取单元,被配置为获取查找树,其中所述查找树的节点的属性包含待定位对象附近的至少一个第二对象的特征,并且至少一个第二对象的所述特征是根据所述地图数据生成的;
查找单元,被配置为根据查找树确定第二对象中与第一对象对应的第三对象;以及
定位单元,被配置为根据第三对象确定待定位对象的位置。
根据本公开的又一个方面,提供了一种车辆,包括上述根据本公开的定位装置。
根据本公开的又一个方面,提供了一种存储有指令的非暂态计算机可读存储介质,当所述指令被执行时,实现上述根据本公开的定位方法的步骤。
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是根据本公开的实施例的定位方法的流程图。
图2是实际道路的示意图。
图3是由激光雷达扫描车辆周围环境获得的点云的示意图。
图4是利用高斯混合模型来表示点云中的各个簇的示意图。
图5是根据本公开的实施例的查找树的示意图。
图6是根据本公开的一个实施例的定位装置600的示意图。
图7是根据本公开的一种示例性实施例的计算设备的框图。
图8是根据本公开的实施例的查找树的示意图。
图9是根据本公开的实施例的查找树的示意图。
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。
目前,多种地图被应用于自动驾驶技术中,以对待定位对象进行定位。例如,由激光点组成的点地图;将环境分为栅格的栅格地图(每个栅格单元记录其是否被占用以及占用概率);利用一种或多种几何图元来表示环境中的实体的几何图元地图;特征地图,由特征点以及从其它类型的数据(例如点云、相机图像等)中提取的对应描述符组成;利用单一加权的高斯混合模型来表示环境的正态分布变换地图,其中,每个高斯分布模拟环境的一个唯一栅格单元;将环境氛围栅格的正态分布变换占用地图,在每个栅格单元内的数据点之间计算高斯分布,并且保持高斯分布的表示该单元的占用概率的权重。
在例如车辆的自动驾驶过程中,需要根据车辆的当前位置来操纵车辆,这就要求实时地定位车辆。
图1示出了根据本公开的一些实施例的定位方法的流程图。如图1所示,确定待定位对象的位置的定位方法主要包括以下步骤:
对待定位对象附近环境的感测数据进行聚类以识别至少一个第一对象(步骤101);
根据所述感测数据为每个第一对象生成概率分布模型(步骤102);
根据所述感测数据确定与各个第一对象对应的特征(步骤103);
获取查找树,所述查找树的节点的属性包含所述待定位对象附近的至少一个第二对象的所述特征,其中,所述至少一个第二对象的所述特征是根据所述地图数据生成的(步骤104);
根据所述查找树确定所述至少一个第二对象中与所述至少一个第一对象对应的第三对象(步骤105);以及
根据第三对象确定所述待定位对象的位置(步骤106)。
下面将结合具体示例详细描述和解释根据本公开的定位方法的具体步骤。
首先,对待定位对象附近环境的感测数据进行聚类以识别至少一个第一对象(步骤101)。
在车辆/机器人等待定位对象的定位时,可以通过待定位对象上的环境传感器来感测待定位对象附近的环境。例如,可以通过激光雷达扫描待定位对象的周围环境,从而得到周围环境的点云;或者可以通过相机拍摄周围环境的图像(点云)。
点云是目标对象表面特性的大量点的集合。例如,根据激光测量原理(激光雷达)得到的点云,每个点可以包括三维坐标和激光反射强度等信息。根据摄影测量原理(相机)得到的点云,每个点可以包括三维坐标和颜色信息(例如RGB)。此外,可以结合激光测量和摄影测量原理得到点云,每个点可以包括三维坐标、激光反射强度和颜色等信息。
根据环境传感器获得的点云,可以对点云中的各个点进行聚类(clustering)。聚类试图将数据集(点云)中的样本(点)划分为若干个通常不相交的子集,每个子集称为一个“簇”(cluster)或“对象”(即第一对象)。一种聚类算法是原型聚类,也称为基于原型的聚类(prototype-based clustering)。在原型聚类算法中,假设聚类结构能够通过一组模型描述。通常情形下,在原型聚类算法中,先对模型进行初始化,然后对模型进行迭代更新求解。采用不同的模型表示、不同的求解方式,将产生不同的算法。常见的原型算法包括:k均值(k-means)算法、学习向量量化(Learning Vector Quantization)算法、概率密度混合算法等。
然后,可以根据感测数据为每个簇(即第一对象)生成概率分布模型(步骤102)。
常见的概率分布模型包括:高斯混合(Gaussian Mixture)模型、泊松分布模型、伯努利分布(Bernoulli distribution)模型、拉普拉斯分布(Laplace distribution)模型等。在下面的描述中,将以高斯混合模型为例来详细描述根据本公开的各个示例性实施例。应当理解,也可以采用其它合适的概率分布模型。
高斯分布的定义如下,对n维样本空间中的随机向量x,若x服从高斯分布,其概率密度函数为
其中,μ是n维均值向量,Σ是n×n的协方差矩阵。由公式(1)可以看出,高斯分布完全由均值向量μ和协方差矩阵Σ这两个参数确定。为了明确表示高斯分布与相应参数的关系,可以将高斯分布的概率密度函数表示为p(x|μ,Σ)。
这样,可以定义高斯混合分布为
通过求解上述高斯混合分布中的各个参数{(αi,μi,Σi)|1≤i≤k},就可以得到高斯混合模型。
图2示出了实际道路的示意图。如图2所示,在道路两侧具有树木、路灯、交通指示牌、栏杆等物体。图3示出了由激光雷达扫描车辆周围环境获得的点云的示意图。该点云也可以由例如相机来获得。图4示出了利用高斯混合模型来表示点云中的各个簇的示意图。如图4所示,点云中的各个簇已经分别由高斯混合模型表示。
接下来,在根据本公开的定位方法中,根据感测数据确定与各个第一对象对应的特征(步骤103)。
如上所述,通过聚类,可以把点云中的点划分成一个或多个簇。每个簇可以被识别为一个对象(第一对象)。如图2所示,限速板201规定了速度上限为50公里/小时。在图4中,与该限速板201对应的点被划分到两个簇401和402中。其中,簇401对应于限速板201的圆形部分,簇402对应于限速板201的杆状的直线段部分。也就是说,可以从图3所示的点云中至少识别到两个第一对象,即簇401和簇402。
此外,可以为每个第一对象确定一个特征(步骤103)。该特征可以为例如类型、形状、反射率、平坦度、尺寸、颜色和纹理等。仍然如图4所示,在根据本公开的一些实施例中,可以选择形状作为第一对象的特征。这样,簇401的特征为圆形,簇402的特征为直线段。对于高斯混合模型,这里描述的特征也可以称为签名。
利用签名,就可以生成签名高斯混合模型。其中,签名高斯混合模型可以包括高斯混合模型、以及与该高斯混合模型对应的簇(第一对象)的签名。
此外,上述特征(签名)可以包含第一对象的多个属性。例如,在一个示例性实施例中,签名可以包括形状和反射率。在另一个示例性实施例中,签名可以包括形状、反射率、平坦度、尺寸、颜色和纹理等。
接下来,在根据本公开的实施例的定位方法中,可以获取查找树(步骤104)。查找树的节点的属性包含待定位对象附近的至少一个第二对象的特征。其中,第二对象的特征可以是根据地图数据生成的。
查找树可以为二叉树或多路树。二叉树是每个节点最多只能有两个子节点的查找树。多路树(也称多叉树),是节点的子节点数量大于两个的查找树。
查找树可以根据地图数据生成。地图数据中包括了预先测量的各个物体(第二对象)的精确位置。例如,可以从地图服务供应商处获得地图数据。地图数据可以被预先存储在待定位对象(例如车辆/机器人)上,并且根据需要从待定位对象自身的存储介质中读取地图数据。此外,待定位对象也可以通过有线或无线网络(例如Wifi,3G,4G,5G等)从地图供应商的服务器远程获取地图数据。
对地图数据也可以进行上述处理,即可以根据地图数据生成概率分布模型;根据概率分布模型识别各个对象(即第二对象)以及与第二对象对应的特征。这样,可以基于地图数据得到具有特征的概率分布模型,例如签名高斯混合模型。为了便于查找,可以将概率分布模型的特征组织起来,形成一个查找树。
图8示出了根据本公开的实施例的查找树。如图8所示的查找树为k维树(k-dimensional tree)。k维树是每个节点都为k维点的二叉树,也就是说,k维树中的每个节点的属性有k个分量。上面图8所示的查找树为1维树,每个节点的属性仅具有1个分量(即特征m)。例如,特征m可以为形状。通过将不同的形状赋予不同的数值,使得m的取值范围在0到10之间。例如,在一些示意性的示例中,m=10表示圆形,m=5表示六角形,m=3表示矩形,m=1表示三角形,等等。借助图8所示的查找树,可以将各个第二对象按照其特征m(即签名)划分到查找树的各个节点中。例如,7个第二对象的特征m分别等于2,3,4,5,7,8,9,则特征m等于5的第二对象存储在节点1中,特征m等于8的第二对象存储在节点2中,特征等于3的第二对象存储在节点3中,特征m等于9的第二对象存储在节点4中,特征m等于7的第二对象存储在节点5中,特征m等于4的第二对象存储在节点6中,特征m等于2的第二对象存储在节点7中。
此外,图8所示的查找树有三个层级,其中第一层级包括节点1,第二层级包括节点2和节点3,第三层级包括节点4至节点7。应当理解,查找树可以包含更多或更少的层级,本公开对此不做限制。
在根据本公开的一些实施例中,概率分布模型可以具有多个特征,因此,k维树中的每个节点的属性也具有对应的分量。
图9示出了根据本公开的另一个实施例的查找树。该查找树为2维树,包括两个特征m和n。其中,特征m可以为例如形状,其取值范围0-10。特征n可以为例如颜色,其取值范围0-10,数值不同的特征n表示不同的颜色。
对于15个第二对象,每个第二对象都具有特征(m,n)的组合。按照特征m和n,可以把这15个第二对象存储在该2维树的各个节点1-15中。具体地说,节点1中存储的第二对象的特征为(5,2);节点2中存储的第二对象的特征为(7,5);节点3中存储的第二对象的特征为(3,5);节点4中存储的第二对象的特征为(8,6);节点5中存储的第二对象的特征为(8,3);节点6中存储的第二对象的特征为(3,7);节点7中存储的第二对象的特征为(3,3);节点8中存储的第二对象的特征为(9,7);节点9中存储的第二对象的特征为(7,9);节点10中存储的第二对象的特征为(9,4);节点11中存储的第二对象的特征为(6,4);节点12中存储的第二对象的特征为(4,8);节点13中存储的第二对象的特征为(2,9);节点14中存储的第二对象的特征为(4,4);节点15中存储的第二对象的特征为(2,2)。
除了根据地图数据得到的概率分布模型的特征以外,查找树中的每个节点的属性还可以包括第二对象的位置和朝向等。例如,对于在地面上行驶的车辆,位置信息可以包含水平面上的两个互相垂直的坐标轴的坐标,朝向信息可以包含第二对象与水平面的夹角。这样,根据第二对象的位置和朝向生成的查找树可以为3维树。
由于地图数据通常比较大,为了满足车辆等待定位对象在例如高速行驶过程中能够实时确定位置,查找树可以由地图服务供应商预先生成并提供给待定位对象。例如,地图服务供应商可以将全部地图数据和查找树预先存储在待定位对象的存储介质中。这样,待定位对象可以随时从自身的存储介质中获得所需的地图数据和查找树。
此外,在根据本公开的一些示例中,待定位对象具有网络连接能力,地图服务供应商可以通过网络将一部分地图数据和对应的查找树发送给待定位对象。例如,待定位对象可以根据位置传感器(例如卫星定位传感器、基站定位传感器等)确定的当前位置,从地图服务供应商接收当前位置附近预定范围内的地图数据和对应的查找树。这样,待定位对象接收的查找树可以仅包括预定范围内的第二对象的特征和/或位置和/或朝向。当待定位对象移动超出该预定范围时,可以基于更新的当前位置从地图服务供应商接收更新的地图数据和查找树。
此外,在根据本公开的一些实施例中,待定位对象可以仅从地图服务供应商处获取地图数据,然后由待定位对象基于地图数据生成查找树。例如,待定位对象从地图服务供应商接收到地图数据后,立即开始生成查找树的处理。在根据本公开的一些实施例中,待定位对象接收到地图数据后,可以等到以后适当的时候再处理地图数据,以生成查找树。例如,当车辆正在基于旧的地图数据自主行驶中,并且车辆接收到的新的地图数据不涉及车辆周围预定范围内的地图数据的更新,则可以延迟生成新的查找树,例如当车辆停止时再启动生成查找树的处理。这样,可以保证车辆的车载处理器高效地处理自主行驶过程中的各种判断和操作,避免因为车载处理器超负荷运行而出现错误或导致交通事故。
此外,新的地图数据可能涉及到车辆周围区域的更新。在根据本公开的一些实施例中,仍然可以延迟生成新的查找树。通常,地图服务供应商提供的地图数据会经常更新。即使新的地图数据涉及到车辆周围区域,但是一般变化不大。因此,基于旧的地图数据和查找树仍然可以准确地确定车辆的位置。但是,如果判断旧的地图数据已经很长时间没有更新(例如两年以上),则可以在接收到新的地图数据后立即生成新的查找树,以避免定位错误。同时,为了减小车载处理器的负载,可以仅为车辆附近预定范围的地图数据生成新的查找树,其它新的地图数据可以等到车辆停止行驶后再继续生成对应的新的查找树。
此外,在上面的描述中,“预定范围”可以是一个固定的范围,例如车辆周围10公里的区域。在根据本公开的一些实施例中,“预定范围”也可以是一个变化的值。例如,在车辆安装有导航设备的情况下,可以根据导航设备提供的导航信息来确定预定范围。导航信息可以包括例如:起点、终点、途经点、规划路径等信息。根据这些信息,可以预测车辆将行驶经过的范围,并且可以将该范围或者该范围的一部分作为上述预定范围。
回到图1所示的定位方法,在获取到查找树后,可以根据查找树确定根据地图数据得到的对象(第二对象)中与根据感测数据得到的对象(第一对象)对应的对象(第三对象)(步骤105)。
如上所述,在根据本公开的一些实施例中,查找树的节点的属性可以包括位置。在查找过程中,可以根据待定位对象的位置确定一个查找区域,然后仅在该查找区域内查找与第一对象的特征相似的第二对象的特征。以车辆为例,可以根据车辆上的位置传感器(例如卫星定位传感器)确定车辆的当前位置,然后以车辆的当前位置为中心的预定范围内的区域作为查找区域。例如,该预定范围可以设置为100米、200米或400米等的圆形区域。
此外,在根据本公开的一些实施例中,查找树的节点的属性可以包括位置和朝向。在查找过程中,可以根据待定位对象的位置和朝向确定一个查找区域,然后仅将该查找区域内的第二对象的特征与第一对象的特征进行比较。以车辆为例,可以根据车辆上的位置传感器(例如卫星定位传感器)和方位传感器(例如可以包括加速度计和地磁场传感器)确定车辆的当前位置和朝向,然后以车辆的当前位置为中心的预定范围内的扇形区域作为查找区域。该扇形区域的角度范围可以根据车辆的当前朝向确定,例如可以是包括车辆的当前朝向的预定角度范围。或者,该扇形区域的角度范围可以根据车辆的当前朝向和车辆的环境传感器的扫描范围确定。例如,在激光雷达的扫描范围为车辆前方的左侧45度至侧45度的情况下,可以将扇形区域的角度范围确定为从车辆的当前朝向左侧45度至右侧45度。
应当理解,查找区域的形状不限于上述圆形和扇形,可以为任何其它合适的形状。例如,当待定位对象为车辆的情况下,查找区域可以为沿着车辆所在道路延伸的一段区域。
此外,在根据本公开的一些实施例中,如果查找树是根据较小范围内的地图数据生成的,则查找树的节点的属性也可以不包括位置和/或方位。在查找过程中,可以根据第一对象的特征在查找树中查找相似的第二对象的特征。
可以计算每个第二对象的特征与第一对象的特征的相似度,并且根据相似度确定第二对象的特征是否与第一对象的特征相似。例如,当相似度大于预定阈值时,可以确定第二对象的特征与第一对象的特征相似。
在一些示例中,可以将待定位对象的特征构造为包括对象的多个属性的矢量。这样,在确定特征的相似度时,用于确定矢量相似度的度量(例如距离)可以用来匹配特征。
在一些情况下,查找结果中可能一个第一对象的特征与多个第二对象的特征相似,也就是说,在查找树中查找到多个第二对象具有与第一对象的特征相似的特征;查找结果中也可能多个第一对象的特征与一个第二对象的特征相似;或者,查找结果中可能一个第一对象的特征仅与一个第二对象的特征相似。
如果查找结果中一个第一对象的特征仅与一个第二对象的特征相似,则可以直接将该第二对象作为与第一对象对应的对象(即第三对象)。
如果查找结果中一个第一对象的特征与多个第二对象的特征相似,或者多个第一对象的特征与一个第二对象的特征相似,则需要进一步确定与第一对象对应的第二对象。
在根据本公开的一些实施例中,基于查找结果,可以进一步计算每个第一对象的概率分布模型与特征相似的第二对象的概率分布模型的相似度。例如,可以将欧几里得距离作为确定概率分布模型的相似度的度量。
在根据本公开的一些实施例中,可以基于查找结果建立起第一对象与第二对象之间的可能的对应关系。例如,查找结果中,第一对象a的特征与第二对象A的特征和第二对象B的特征相似,并且第一对象b的特征与第二对象A的特征和第二对象B的特征相似。由此确定的第一对象a和b与第二对象A和B的对应关系可以如图5A-图5F所示。
图5A表示的对应关系为:
第一对象a对应于第二对象A;且
第一对象b对应于第二对象B。
图5B表示的对应关系为:
第一对象a对应于第二对象A和B;且
第一对象b没有对应的第二对象。
图5C表示的对应关系为:
第一对象a对应于第二对象A;且
第一对象b对应于第二对象A。
图5D表示的对应关系为:
第一对象a没有对应的第二对象;且
第一对象b对应于第二对象A和B。
图5E表示的对应关系为:
第一对象a对应于第二对象B;且
第一对象b对应于第二对象A。
图5F表示的对应关系为:
第一对象a对应于第二对象B;且
第一对象b对应于第二对象B。
根据上面列出的可能的对应关系,计算每种对应关系中第一对象与第二对象的相似度之和,选择相似度之和最小的对应关系,并根据选择的对应关系确定第二对象中与第一对象对应的对象(即第三对象)。
应当理解,相似度的度量不限于上述欧几里得距离,也可以采用其它度量,例如曼哈顿距离等。
最后,可以根据确定的第三对象确定待定位对象的位置(步骤106)。当在上面的步骤104中确定了与第一对象对应的第三对象后,可以认为待定位对象上的环境传感器感测到的第一对象就是地图数据中的第三对象。这样,从地图数据可以获得第三对象的准确位置。此外,待定位对象相对于第一对象的准确的相对位置(等价于相对第三对象的相对位置)也可以通过环境传感器获得。根据第三对象的准确位置和待定位对象的相对位置,就可以得到待定位对象的准确位置。
根据本公开的一个示例性实施例,还提供了一种定位装置。该定位装置例如可以是车载计算机。定位装置可以包括存储器和与该存储器耦接的处理器,在存储器中存储有可由处理器执行的指令。当处理器执行该指令时,定位装置可以实现上述参照图1描述的定位方法,从而确定待定位对象的位置。
图6示出了根据本公开的一个实施例的定位装置600的示意图。定位装置600包括概率分布模型生成单元601、对象识别单元602、特征确定单元603、查找树获取单元604、查找单元605以及定位单元606。
其中,对象识别单元602可以对待定位对象附近环境的感测数据进行聚类处理,从而根据聚类的结果识别至少一个第一对象。概率分布模型生成单元601可以根据待定位对象附近环境的感测数据为每个第一对象生成概率分布模型。特征确定单元603可以根据感测数据确定与各个第一对象对应的特征。
查找树获取单元604可以获取查找树。查找树的节点的属性包含待定位对象附近的至少一个第二对象的特征,其中,至少一个第二对象的所述特征是根据地图数据生成的。例如,在根据本公开的一些实施例中,查找树获取单元604可以通过有线网络或无线网络从远程服务器获取查找树。此外,在根据本公开的一些实施例中,查找树获取单元604可以包含查找树生成单元。查找树生成单元可以根据地图数据生成查找树。
查找单元605可以根据查找树确定第二对象中与第一对象对应的第三对象。例如,查找单元605可以根据第一对象的特征在查找树中查找,以确定其特征与第一对象的特征匹配的第二对象。如果每个第一对象仅具有一个匹配的第二对象,则可以直接将匹配的第二对象作为与第一对象对应的第三对象。如果有一些第一对象存在多个匹配的第二对象,则查找单元605还可以进一步根据第一对象和第二对象之间可能的对应关系来计算相似度之和,选择相似度之和最小的对应关系并根据选择的对应关系确定第二对象中与第一对象对应的对象(即第三对象)。
定位单元606可以根据第三对象确定待定位对象的位置。
根据本公开的一些实施例,定位装置600可以安装在车辆上。这样,车辆在行驶过程中通过定位装置600可以知道车辆的准确位置。
根据本公开的一些实施例,提出了一种存储有指令的非暂态计算机可读存储介质。当所述指令被计算机的处理器执行时,计算机可以实施上述根据本公开的定位方法。
图7示出根据本公开的一种示例性实施例的计算设备的框图,该计算设备是可应用于本公开的各方面的硬件设备的一个示例。
参考图7,现在将描述一种计算设备700,该计算设备是可应用于本公开的各方面的硬件设备的一个示例。计算设备700可以是被配置用于实现处理和/或计算的任何机器,可以是但并不局限于工作站、服务器、桌上型计算机、膝上型计算机、平板计算机、个人数字助理、智能手机、车载计算机或者是它们的任何组合。前述的各种装置/服务器/客户端设备可全部地或者至少部分地由计算设备700或者类似设备或系统来实施。
计算设备700可包括可能经由一个或多个接口与总线702连接或通信的组件。例如,计算设备700可包括总线702、一个或多个处理器704、一个或多个输入设备706以及一个或多个输出设备708。所述一个或多个处理器704可以是任何类型的处理器并且可以包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(例如专门的处理芯片)。输入设备706可以是任何类型的能够向计算设备输入信息的设备并且可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或远程控制器。输出设备708可以是任何类型的能够呈现信息的设备并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。计算设备700也可包括非瞬态存储设备710或者与所述非瞬态存储设备连接,所述非瞬态存储设备可以是非瞬态的并且能够实现数据存储的任何存储设备,并且所述非瞬态存储设备可以包括但不限于磁盘驱动器、光存储设备、固态存储器、软盘、软磁盘、硬盘、磁带或任何其它磁介质、光盘或任何其它光介质、ROM(只读存储器)、RAM(随机存取存储器)、高速缓冲存储器和/或任何存储芯片或盒式磁带、和/或计算机可从其读取数据、指令和/或代码的任何其它介质。非瞬态存储设备710可从接口分离。非瞬态存储设备710可具有用于实施上述方法和步骤的数据/指令/代码。计算设备700也可包括通信设备712。通信设备712可以是任何类型的能够实现与内部装置通信和/或与网络通信的设备或系统并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信设备和/或芯片组,例如BluetoothTM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似设备。
当计算设备700被用作车载设备时,它也可与外部设备、例如GPS接收机、用于感测不同环境数据的传感器(例如加速度传感器、车轮速度传感器、陀螺仪等)连接。以这种方式,计算设备700例如可接收定位数据和表明车辆行驶状况的传感器数据。当计算设备700被用作车载设备时,它也可与用于控制车辆的行驶和操作的其它设备(例如发动机系统、雨刮器、防抱死制动系统等)连接。
此外,非瞬态存储设备710可具有地图信息和软件组件,从而处理器704可实现路线引导处理。此外,输出设备706可以包括用于显示地图、显示车辆的定位标记亦及显示表明车辆行驶状况的图像的显示器。输出设备706也可包括扬声器或耳机接口用于音频引导。
总线702可以包括但不局限于工业标准结构(ISA)总线、微通道结构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)局部总线和外部设备互连(PCI)总线。特别地,对于车载设备,总线702也可包括控制器局域网(CAN)总线或者为汽车上的应用所设计的其它结构。
计算设备700还可包括工作存储器714,该工作存储器可以是任何类型的能够存储有利于处理器704的工作的指令和/或数据的工作存储器并且可以包括但不局限于随机存取存储器和/或只读存储设备。
软件组件可位于工作存储器714中,这些软件组件包括但不限于操作系统716、一个或多个应用程序718、驱动程序和/或其它数据和代码。用于实现上述方法和步骤的指令可包含在所述一个或多个应用程序718中,并且前述各种装置/服务器/客户端设备的模块/单元/组件可通过处理器704读取和执行所述一个或多个应用程序718的指令来实现。
也应该认识到可根据具体需求做出变化。例如,也可使用定制硬件,和/或特定组件可在硬件、软件、固件、中间件、微代码、硬件描述语言或其任何组合中实现。此外,可采用与其它计算设备、例如网络输入/输出设备等的连接。例如,可通过具有汇编语言或硬件编程语言(例如VERILOG、VHDL、C++)的编程硬件(例如,包括现场可编程门阵列(FPGA)和/或可编程逻辑阵列(PLA)的可编程逻辑电路)利用根据本公开的逻辑和算法来实现所公开的方法和设备的部分或全部。
尽管目前为止已经参考附图描述了本公开的各方面,但是上述方法、系统和设备仅是示例性的例子,并且本公开的范围不限于这些方面,而是仅由所附的权利要求及其等同物来限定。各种组件可被省略或者也可被等同组件替代。另外,也可在与本公开中所描述的顺序不同的顺序实现所述步骤。此外可以以各种方式组合各种组件。也重要的是,随着技术的发展,所描述的组件中的许多组件可以被在本公开之后出现的等同组件所替代。
Claims (19)
1.一种定位方法,包括:
对待定位对象附近环境的感测数据进行聚类以识别至少一个第一对象;
根据所述感测数据为每个第一对象生成概率分布模型;
根据所述感测数据确定与所述至少一个第一对象对应的特征;
获取查找树,所述查找树的节点的属性包含所述待定位对象附近的至少一个第二对象的所述特征,其中,所述至少一个第二对象的所述特征是根据所述地图数据生成的;
根据所述查找树确定所述至少一个第二对象中与所述至少一个第一对象对应的第三对象;以及
根据第三对象确定所述待定位对象的位置。
2.根据权利要求1所述的定位方法,其中,所述概率分布模型包括:泊松分布模型、伯努利分布模型、拉普拉斯分布模型以及高斯混合模型。
3.根据权利要求1所述的定位方法,其中,所述特征包括:类型、形状、反射率、平坦度、尺寸、颜色和纹理。
4.根据权利要求1所述的定位方法,其中,所述概率分布模型为高斯混合模型,所述特征为签名。
5.根据权利要求1所述的定位方法,其中,所述查找树是二叉树。
6.根据权利要求5所述的定位方法,其中,所述查找树是K维树,K为大于或等于1的整数。
7.根据权利要求1所述的定位方法,其中,所述感测数据包括利用所述待定位对象上的环境传感器获取的所述待定位对象的周围环境的点云。
8.根据权利要求7所述的定位方法,其中,所述环境传感器包括激光雷达和相机中的至少一种。
9.根据权利要求1所述的定位方法,其中,所述查找树的节点的属性包括预定范围内的至少一个第二对象的特征。
10.根据权利要求1所述的定位方法,其中,所述查找树的节点的属性包括所述至少一个第二对象的位置和/或朝向。
11.根据权利要求9所述的定位方法,还包括:
根据待定位对象的当前位置确定所述预定范围。
12.根据权利要求11所述的定位方法,还包括:
更新待定位对象的当前位置;
确定待定位对象的更新的当前位置超出所述预定范围;
基于更新的待定位对象的当前位置获取新的查找树。
13.根据权利要求9所述的定位方法,还包括:
根据导航信息确定所述预定范围。
14.根据权利要求13所述的定位方法,其中,所述导航信息包括以下至少一种:起点、终点、途经点、规划路径。
15.根据权利要求1所述的定位方法,其中,根据所述查找树确定所述至少一个第二对象中与所述至少一个第一对象对应的第三对象包括:
在所述查找树中查找与所述待定位对象附近的所述至少一个第一对象的特征相似的一个或多个特征;
计算所述一个或多个特征与所述待定位对象附近的所述至少一个第一对象的特征的相似度;以及
根据所述相似度确定所述至少一个第二对象中与所述至少一个第一对象对应的第三对象。
16.一种定位装置,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15中任一项所述的定位方法的步骤。
17.一种定位装置,包括:
对象识别单元,被配置为对待定位对象附近环境的感测数据进行聚类以识别至少一个第一对象;
概率分布模型生成单元,被配置为根据所述感测数据为每个第一对象生成概率分布模型;
特征确定单元,被配置为根据所述感测数据确定与各个第一对象对应的特征;
查找树获取单元,被配置为获取查找树,其中所述查找树的节点的属性包含待定位对象附近的至少一个第二对象的特征,并且至少一个第二对象的所述特征是根据所述地图数据生成的;
查找单元,被配置为根据查找树确定第二对象中与第一对象对应的第三对象;以及
定位单元,被配置为根据第三对象确定待定位对象的位置。
18.一种车辆,包括权利要求16或17所述的定位装置。
19.一种存储有指令的非暂态计算机可读存储介质,当所述指令被执行时,实现如权利要求1至15中任一项所述的定位方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010698905.6A CN113963319A (zh) | 2020-07-20 | 2020-07-20 | 定位方法和定位装置 |
EP21185653.9A EP3944137A1 (en) | 2020-07-20 | 2021-07-14 | Positioning method and positioning apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010698905.6A CN113963319A (zh) | 2020-07-20 | 2020-07-20 | 定位方法和定位装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113963319A true CN113963319A (zh) | 2022-01-21 |
Family
ID=76942800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010698905.6A Pending CN113963319A (zh) | 2020-07-20 | 2020-07-20 | 定位方法和定位装置 |
Country Status (2)
Country | Link |
---|---|
EP (1) | EP3944137A1 (zh) |
CN (1) | CN113963319A (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107709930B (zh) * | 2015-06-18 | 2021-08-31 | 宝马股份公司 | 用于表示地图要素的方法和装置以及用于定位车辆/机器人的方法和装置 |
WO2018218506A1 (en) * | 2017-05-31 | 2018-12-06 | Bayerische Motoren Werke Aktiengesellschaft | Method and apparatus for constructing an environment model |
US10846511B2 (en) * | 2018-12-20 | 2020-11-24 | Here Global B.V. | Automatic detection and positioning of pole-like objects in 3D |
-
2020
- 2020-07-20 CN CN202010698905.6A patent/CN113963319A/zh active Pending
-
2021
- 2021-07-14 EP EP21185653.9A patent/EP3944137A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3944137A1 (en) | 2022-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10643103B2 (en) | Method and apparatus for representing a map element and method and apparatus for locating a vehicle/robot | |
CN110226186B (zh) | 表示地图元素的方法和装置以及定位的方法和装置 | |
US10339669B2 (en) | Method, apparatus, and system for a vertex-based evaluation of polygon similarity | |
US11580755B2 (en) | Method, apparatus, and system for determining polyline homogeneity | |
EP3361278B1 (en) | Autonomous vehicle localization based on walsh kernel projection technique | |
US11506769B2 (en) | Method and device for detecting precision of internal parameter of laser radar | |
CN112313703B (zh) | 点云的增量分割 | |
CN110906954A (zh) | 一种基于自动驾驶平台的高精度地图测试评估方法和装置 | |
CN110663060B (zh) | 一种用于表示环境元素的方法、装置、系统、以及车辆/机器人 | |
US11055862B2 (en) | Method, apparatus, and system for generating feature correspondence between image views | |
CN112703368B (zh) | 车辆定位的方法和装置、定位图层生成的方法和装置 | |
US20230236038A1 (en) | Position estimation method, position estimation device, and position estimation program | |
JP2018072316A (ja) | ジオアーク(geoarc)を使用したビークルの二次元位置の特定 | |
US20190051013A1 (en) | Method, apparatus, and system for an asymmetric evaluation of polygon similarity | |
CN112823353A (zh) | 使用机器学习进行对象定位 | |
CN113822944A (zh) | 一种外参标定方法、装置、电子设备及存储介质 | |
KR102249381B1 (ko) | 3차원 영상 정보를 이용한 모바일 디바이스의 공간 정보 생성 시스템 및 방법 | |
CN110720025B (zh) | 移动物体的地图的选择方法、装置、系统和车辆/机器人 | |
CN110770540B (zh) | 用于构建环境模型的方法和装置 | |
CN113963319A (zh) | 定位方法和定位装置 | |
CN112805534B (zh) | 定位目标对象的系统和方法 | |
CN112198523A (zh) | 用于点云分割的方法和装置 | |
CN112116698A (zh) | 用于点云融合的方法和装置 | |
CN118254761A (zh) | 一种车辆增程器功率优化控制方法、装置、设备以及介质 | |
CN113865598A (zh) | 一种定位地图生成方法、定位方法及装置 |
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 |