CN114216467A - 道路定位方法、装置、计算机设备和存储介质 - Google Patents
道路定位方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114216467A CN114216467A CN202111516918.8A CN202111516918A CN114216467A CN 114216467 A CN114216467 A CN 114216467A CN 202111516918 A CN202111516918 A CN 202111516918A CN 114216467 A CN114216467 A CN 114216467A
- Authority
- CN
- China
- Prior art keywords
- road
- vehicle
- matching
- probability
- information
- 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 89
- 238000009826 distribution Methods 0.000 claims abstract description 159
- 230000007704 transition Effects 0.000 claims abstract description 74
- 239000011159 matrix material Substances 0.000 claims abstract description 68
- 238000004590 computer program Methods 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 description 121
- 230000008569 process Effects 0.000 description 24
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- G01C21/26—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
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Abstract
本申请涉及一种道路定位方法、装置、计算机设备和存储介质。所述方法包括：根据车辆在当前时刻对应的位置信息，从地图库中匹配多条第一匹配道路；根据车辆在当前时刻通过多种传感器采集的道路信息，确定车辆在位置信息对应的多条第一匹配道路上的观测概率分布，将当前时刻对应的观测概率分布添加至概率分布集合；根据当前时刻对应的多条第一匹配道路及前一时刻对应的多条第二匹配道路之间的关联性，确定当前时刻与前一时刻对应的状态转移矩阵，将状态转移矩阵添加至状态转移矩阵集合；根据概率分布集合及状态转移矩阵集合，构建隐马尔科夫链模型；通过隐马尔科夫链模型，确定车辆在当前时刻所处的道路。采用本方法能够提高道路定位精度。
Description
技术领域
本申请涉及导航技术领域，特别是涉及一种道路定位方法、装置、计算机设备和存储介质。
背景技术
随着车载导航功能的日益强大和对于高精度地图的逐渐普遍使用，车辆导航系统已能够实现精确的道路信息和导航提示，包括但不限于道路限速、周边加油站位置及停车场等。
在车辆导航系统中，道路定位(或称为道路级定位)是最基本的功能。道路定位可以通过一定的算法和数据确定车辆当前位于路网中的某一条道路上。随着道路基础设施和城市发展，城市路网已变得愈加复杂，对道路定位提出了巨大的挑战。当道路定位发生匹配错误时，会导致后续的导航错误。
相关道路定位方法，通过GNSS(Global Navigation Satellite System，全球导航卫星系统)获取全局的车辆位置并与地图进行匹配，该方案受到GNSS定位精度的制约，在GNSS定位精度低的情况下，会导致道路定位错误，进而导致道路定位的精度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高道路定位精度的道路定位方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种道路定位方法，所述方法包括：
根据车辆在当前时刻对应的位置信息，从地图库中匹配所述位置信息对应的多条第一匹配道路；
根据所述车辆在所述当前时刻通过多种传感器采集的道路信息，确定所述车辆在所述位置信息对应的多条第一匹配道路上的观测概率分布，将所述当前时刻对应的所述观测概率分布添加至概率分布集合，其中，所述概率分布集合中包括N个时刻对应的观测概率分布，第N个时刻为当前时刻，N为大于0的整数；
根据所述当前时刻对应的所述多条第一匹配道路及前一时刻对应的多条第二匹配道路之间的关联性，确定所述当前时刻与所述前一时刻对应的状态转移矩阵，将所述状态转移矩阵添加至状态转移矩阵集合，其中，所述状态转移矩阵集合中包括N-1个状态转移矩阵，第N-1个状态转移矩阵为所述当前时刻与所述前一时刻对应的状态转移矩阵；
根据所述概率分布集合及所述状态转移矩阵集合，构建隐马尔科夫链模型；
通过所述隐马尔科夫链模型，从所述多条第一匹配道路中确定所述车辆在所述当前时刻所处的道路。
在其中一个实施例中，所述通过所述隐马尔科夫链模型，从所述多条第一匹配道路中确定所述车辆在所述当前时刻所处的道路，包括：
通过所述隐马尔科夫链模型确定所述车辆针对所述多条第一匹配道路的概率分布；
将所述概率分布中概率最大的道路，确定为所述车辆在所述当前时刻所处的道路。
在其中一个实施例中，所述道路信息包括GNSS数据、图像数据和雷达数据中的至少两项；
所述根据所述车辆在所述当前时刻通过多种传感器采集的道路信息，确定所述车辆在所述位置信息对应的多条第一匹配道路上的观测概率分布，包括：
根据所述车辆在所述当前时刻通过多种传感器采集的道路信息，进行道路识别，得到道路识别结果；
针对任一所述道路识别结果，根据所述道路识别结果确定所述车辆在各所述第一匹配道路上的概率；
针对任一所述第一匹配道路，通过对所述第一匹配道路针对各所述道路识别结果的所述概率进行联合处理，得到所述车辆在所述第一匹配道路中的观测概率；
通过所述车辆在各所述第一匹配道路中的观测概率，得到所述车辆在所述位置信息对应的所述多条第一匹配道路上的观测概率分布。
在其中一个实施例中，在所述道路识别结果包括车速和位置信息的情况下，所述根据所述道路识别结果确定所述车辆在各所述第一匹配道路上的概率，包括：
根据所述车速确定所述车辆的行驶方向；
针对任一所述第一匹配道路，获取所述第一匹配道路的方向及所述第一匹配道路的曲线表达；
根据所述车辆的所述行驶方向及各所述第一匹配道路的方向，确定所述车辆在各所述第一匹配道路上的方向概率；
根据所述车辆的所述位置信息及各所述第一匹配道路的曲线表达，确定所述车辆在各所述第一匹配道路上的位置匹配概率；
针对任一所述第一匹配道路，根据所述方向概率及所述位置匹配概率，确定所述车辆在所述第一匹配道路上的概率。
在其中一个实施例中，在所述道路识别结果包括车道线信息的情况下，所述根据所述道路识别结果确定所述车辆在各所述第一匹配道路上的概率，包括：
针对任一所述第一匹配道路，获取所述第一匹配道路的标准车道线信息；
根据所述车道线信息对应的车道线个数及所述第一匹配道路的标准车道线信息对应的车道线个数，确定所述车辆在所述第一匹配道路上的第一车道线概率；
根据所述车道线信息对应的车道线虚实标识及所述第一匹配道路的标准车道线信息对应的车道线虚实标识，确定所述车辆在所述第一匹配道路上的第二车道线概率；
联合所述第一车道线概率及所述第二车道线概率，得到所述车辆在所述第一匹配道路上的概率。
在其中一个实施例中，在所述道路识别结果包括道路边界信息的情况下，所述根据所述道路识别结果确定所述车辆在各所述第一匹配道路上的概率，包括：
针对任一所述第一匹配道路，获取所述第一匹配道路的道路宽度；
根据所述道路边界信息，确定所述车辆与道路边界的第一距离；
根据所述第一匹配道路的道路宽度及所述第一距离，确定所述车辆在所述第一匹配道路上的概率。
在其中一个实施例中，在所述道路识别结果包括车道栅栏信息的情况下，所述根据所述道路识别结果确定所述车辆在各所述第一匹配道路上的概率，包括：
针对任一所述第一匹配道路，获取所述第一匹配道路的道路宽度；
根据所述车道栅栏信息，确定所述车辆与车道栅栏的第二距离；
根据所述第一匹配道路的道路宽度及所述第二距离，确定所述车辆在所述第一匹配道路上的概率。
在其中一个实施例中，在所述道路识别结果包括周围车辆信息的情况下，所述根据所述道路识别结果确定所述车辆在各所述第一匹配道路上的概率，包括：
针对任一所述第一匹配道路，确定所述第一匹配道路的道路宽度；
根据所述周围车辆信息，确定各周围车辆的相对坐标位置；
根据各所述周围车辆的相对坐标位置及所述第一匹配道路的道路宽度，确定所述车辆在所述第一匹配道路上的概率。
在其中一个实施例中，所述根据所述车辆在所述当前时刻通过多种传感器采集的道路信息，进行道路识别，得到道路识别结果，包括：
对所述车辆在所述当前时刻通过多种传感器采集的道路信息，进行过滤处理，得到过滤后的道路信息；
根据所述过滤后的道路信息进行道路识别，得到道路识别结果。
在其中一个实施例中，所述将所述当前时刻对应的观测概率分布集合添加至概率分布集合，包括：
确定将所述当前时刻对应的观测概率分布集合添加至概率分布集合中后，所述概率分布集合中的观测概率分布数量是否大于N；
在所述概率分布集合中的观测概率分布数量大于N的情况下，将所述概率分布集合中的第1个观测概率分布删除。
第二方面，本申请还提供了一种道路定位装置，所述装置包括：
匹配模块，用于根据车辆在当前时刻对应的位置信息，从地图库中匹配所述位置信息对应的多条第一匹配道路；
第一确定模块，用于根据所述车辆在所述当前时刻通过多种传感器采集的道路信息，确定所述车辆在所述位置信息对应的多条第一匹配道路上的观测概率分布，将所述当前时刻对应的所述观测概率分布添加至概率分布集合，其中，所述概率分布集合中包括N个时刻对应的观测概率分布，第N个时刻为当前时刻，N为大于0的整数；
第二确定模块，用于根据所述当前时刻对应的所述多条第一匹配道路及前一时刻对应的多条第二匹配道路之间的关联性，确定所述当前时刻与所述前一时刻对应的状态转移矩阵，将所述状态转移矩阵添加至状态转移矩阵集合，其中，所述状态转移矩阵集合中包括N-1个状态转移矩阵，第N-1个状态转移矩阵为所述当前时刻与所述前一时刻对应的状态转移矩阵；
构建模块，用于根据所述概率分布集合及所述状态转移矩阵集合，构建隐马尔科夫链模型；
第三确定模块，用于通过所述隐马尔科夫链模型，从所述多条第一匹配道路中确定所述车辆在所述当前时刻所处的道路。
在其中一个实施例中，所述第三确定模型，还用于：
通过所述隐马尔科夫链模型确定所述车辆针对所述多条第一匹配道路的概率分布；
将所述概率分布中概率最大的道路，确定为所述车辆在所述当前时刻所处的道路。
在其中一个实施例中，所述道路信息包括GNSS数据、图像数据和雷达数据中的至少两项；所述第一确定模块，还用于：
根据所述车辆在所述当前时刻通过多种传感器采集的道路信息，进行道路识别，得到道路识别结果；
针对任一所述道路识别结果，根据所述道路识别结果确定所述车辆在各所述第一匹配道路上的概率；
针对任一所述第一匹配道路，通过对所述第一匹配道路针对各所述道路识别结果的所述概率进行联合处理，得到所述车辆在所述第一匹配道路中的观测概率；
通过所述车辆在各所述第一匹配道路中的观测概率，得到所述车辆在所述位置信息对应的所述多条第一匹配道路上的观测概率分布。
在其中一个实施例中，在所述道路识别结果包括车速和位置信息的情况下，所述第一确定模块，还用于：
根据所述车速确定所述车辆的行驶方向；
针对任一所述第一匹配道路，获取所述第一匹配道路的方向及所述第一匹配道路的曲线表达；
根据所述车辆的所述行驶方向及各所述第一匹配道路的方向，确定所述车辆在各所述第一匹配道路上的方向概率；
根据所述车辆的所述位置信息及各所述第一匹配道路的曲线表达，确定所述车辆在各所述第一匹配道路上的位置匹配概率；
针对任一所述第一匹配道路，根据所述方向概率及所述位置匹配概率，确定所述车辆在所述第一匹配道路上的概率。
在其中一个实施例中，在所述道路识别结果包括车道线信息的情况下，所述第一确定模块，还用于：
针对任一所述第一匹配道路，获取所述第一匹配道路的标准车道线信息；
根据所述车道线信息对应的车道线个数及所述第一匹配道路的标准车道线信息对应的车道线个数，确定所述车辆在所述第一匹配道路上的第一车道线概率；
根据所述车道线信息对应的车道线虚实标识及所述第一匹配道路的标准车道线信息对应的车道线虚实标识，确定所述车辆在所述第一匹配道路上的第二车道线概率；
联合所述第一车道线概率及所述第二车道线概率，得到所述车辆在所述第一匹配道路上的概率。
在其中一个实施例中，在所述道路识别结果包括道路边界信息的情况下，所述第一确定模块，还用于：
针对任一所述第一匹配道路，获取所述第一匹配道路的道路宽度；
根据所述道路边界信息，确定所述车辆与道路边界的第一距离；
根据所述第一匹配道路的道路宽度及所述第一距离，确定所述车辆在所述第一匹配道路上的概率。
在其中一个实施例中，在所述道路识别结果包括车道栅栏信息的情况下，所述第一确定模块，还用于：
针对任一所述第一匹配道路，获取所述第一匹配道路的道路宽度；
根据所述车道栅栏信息，确定所述车辆与车道栅栏的第二距离；
根据所述第一匹配道路的道路宽度及所述第二距离，确定所述车辆在所述第一匹配道路上的概率。
在其中一个实施例中，在所述道路识别结果包括周围车辆信息的情况下，所述第一确定模块，还用于：
针对任一所述第一匹配道路，确定所述第一匹配道路的道路宽度；
根据所述周围车辆信息，确定各周围车辆的相对坐标位置；
根据各所述周围车辆的相对坐标位置及所述第一匹配道路的道路宽度，确定所述车辆在所述第一匹配道路上的概率。
在其中一个实施例中，所述第一确定模块，还用于：
对所述车辆在所述当前时刻通过多种传感器采集的道路信息，进行过滤处理，得到过滤后的道路信息；
根据所述过滤后的道路信息进行道路识别，得到道路识别结果。
在其中一个实施例中，所述第一确定模块，还用于：
确定将所述当前时刻对应的观测概率分布集合添加至概率分布集合中后，所述概率分布集合中的观测概率分布数量是否大于N；
在所述概率分布集合中的观测概率分布数量大于N的情况下，将所述概率分布集合中的第1个观测概率分布删除。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以上道路定位方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以上道路定位方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以上道路定位方法的步骤。
上述道路定位方法、装置、计算机设备和存储介质，可以根据车辆在当前时刻对应的位置信息，从地图库中匹配位置信息对应的多条第一匹配道路，并根据车辆在当前时刻通过多个传感器采集的道路信息，确定车辆在位置信息对应的多条第一匹配道路上的观测概率分布，将当前时刻对应的观测概率分布添加至概率分布集合中。进一步的，根据当前时刻对应的多条第一匹配道路及前一时刻对应的多条第二匹配道路之间的关联性，确定当前时刻与前一时刻对应的状态转移矩阵，将状态转移矩阵添加至状态转移矩阵集合，并基于概率分布集合及状态转移矩阵集合，构建隐马尔科夫链模型，通过隐马尔科夫链模型，从多条第一匹配道路中确定车辆在当前时刻所处的道路。基于本申请实施例提供的道路定位方法、装置、计算机设备和存储介质，可以基于多种传感器采集的道路信息，确定车辆在各时刻匹配的多条道路上的观测概率分布及相邻时刻之间的状态转移矩阵，进而构建得到隐马尔科夫链模型，通过隐马尔科夫链模型从车辆当前可能所处的多条第一匹配道路中确定车辆当前所处的道路，道路定位不受限于GNSS的精度，可以提高车辆道路定位的精度。
附图说明
图1为一个实施例中道路定位方法的流程示意图；
图2为一个实施例中道路定位方法中步骤110的示意图；
图3为一个实施例中道路定位方法的步骤104的流程示意图；
图4为一个实施例中道路定位方法的步骤304的流程示意图；
图5为一个实施例中道路定位方法的步骤304的流程示意图；
图6为一个实施例中道路定位方法的步骤304的流程示意图；
图7为一个实施例中道路定位方法的步骤304的流程示意图；
图8为一个实施例中道路定位方法的步骤304的流程示意图；
图9为一个实施例中道路定位方法的步骤302的流程示意图；
图10为一个实施例中道路定位方法的示意图；
图11为一个实施例中道路定位方法的示意图；
图12为一个实施例中道路定位装置的结构框图；
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种道路定位方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤102，根据车辆在当前时刻对应的位置信息，从地图库中匹配位置信息对应的多条第一匹配道路。
本申请实施例中，可以通过GNSS或者GPS(Global Positioning System，全球定位系统)等定位系统，获取车辆当前时刻所对应的位置信息。
在得到车辆的位置信息后，可以根据该位置信息从地图库中匹配得到多条第一匹配道路。其中，第一匹配道路为地图库中处于车辆附近，且与车辆的位置信息满足匹配条件的道路。示例性的，可以基于当前车辆的位置信息向道路高精度地图引擎请求数据，在匹配条件为与当前位置信息的距离不超过距离阈值的情况下，道路高精度地图引擎可以从地图库中确定以车辆的位置信息为圆心，距离阈值(预设的数值)为半径的圆周范围，并将位于该圆周范围内的所有道路作为第一匹配道路。其中，地图库中可以包括车辆所在路网的道路连接关系、道路位置朝向、每条道路的语义信息如车道线、道路边缘以及栅栏信息等道路基本要素。
步骤104，根据车辆在当前时刻通过多种传感器采集的道路信息，确定车辆在位置信息对应的多条第一匹配道路上的观测概率分布，将当前时刻对应的观测概率分布添加至概率分布集合，其中，概率分布集合中包括N个时刻对应的观测概率分布，第N个时刻为当前时刻，N为大于0的整数。
本申请实施例中，车辆中可以安装有多种传感器，通过该多种传感器可以获得车辆自身信息以及周围道路环境信息等道路信息。示例性的，传感器包括且不限于：GNSS/GPS、视觉传感器、雷达传感器等，其中，GNSS/GPS，可以用于获得车辆粗略的位置信息及车辆的车速等数据；视觉传感器，可以用于获取车辆周边的图像数据；雷达传感器，用于获取车辆周边的障碍物等雷达数据。
通过多种传感器采集车辆的道路信息后，可以基于采集的多种道路信息进行分析处理，确定车辆在各第一匹配道路上的概率，进而基于车辆在各第一匹配道路上的概率，可以得到车辆在多条第一匹配道路上的观测概率分布，并可以将当前时刻对应的观测概率分布作为第N个观测概率分布存储至概率分布集合中。
在一个实施例中，步骤104中，将当前时刻对应的观测概率分布集合添加至概率分布集合，包括：
确定将当前时刻对应的观测概率分布集合添加至概率分布集合中后，概率分布集合中的观测概率分布数量是否大于N；
在概率分布集合中的观测概率分布数量大于N的情况下，将概率分布集合中的第1个观测概率分布删除。
本申请实施例中，将会根据各个时刻得到的观测概率分布，构建一个表征车辆位于周围各条道路可能性的马尔科夫链。示例性的，本申请实施例中可以以滑动窗口的形式，维护定长的马尔科夫链。假设马尔科夫链的窗口长度为N，则概率分布集合中将保存最近N个时刻得到的观测概率分布，在将当前时刻对应的观测概率分布加入到该概率分布集合中后，若概率分布集合中的长度(概率分布集合中观测概率分布的数量)超过了设定的窗口长度N，则舍弃概率分布集合中最早时刻加入的观测概率分布(也即当前概率分布集合中的第1个观测概率分布)，使得当前时刻的观测概率分布可以作为第N个观测概率分布存储至概率分布集合中，以始终维护概率分布集合为定长N，进而可以保证根据该概率分布集合构建的隐马尔科夫链模型的精度。
步骤106，根据当前时刻对应的多条第一匹配道路及前一时刻对应的多条第二匹配道路之间的关联性，确定当前时刻与前一时刻对应的状态转移矩阵，将状态转移矩阵添加至状态转移矩阵集合，其中，状态转移矩阵集合中包括N-1个状态转移矩阵，第N-1个状态转移矩阵为当前时刻与前一时刻对应的状态转移矩阵。
本申请实施例中，可以基于当前时刻对应的多条第一匹配道路与前一时刻对应的多条第二匹配道路之间的关联性，确定当前时刻与前一时刻对应的状态转移矩阵。其中，关联性可以包括道路之间是否连通或者道路是否同属一条道路等关联关系。
示例性的，假设当前时刻t与前一时刻t-1对应的状态转移矩阵标识为
其维度为 lt-1×lt，其中，lt-1可以表示为t-1时刻对应的第二匹配道路的道路数目，lt可以表示t时刻对应的第一匹配道路的道路数目。可以在一定范围内考虑各第一匹配道路与第二匹配道路之间的连通性，在t-1时刻中的第i条第二匹配道路与t时刻中的第k条第一匹配道路之间存在可通行的连接(例如：同属为一条道路，或存在路口、匝道或高架等)，则可以将状态转移矩阵
中对应的第(i，k)项置为1，并将状态转移矩阵
中的其他项都统一置为0。
例如：若在t-1时刻中共有3条第二匹配道路(R1，R2，R3)，在t时刻也存在3条第一匹配道路(R1，R2，R3)，两个时刻间对应相同标号的道路为同一条道路。同时，R2与R3之间存在可连通的匝道，可由该匝道实现由R2切换至R3。则状态转移矩阵
可以表示为：
在构建完当前时刻与前一时刻对应的状态转移矩阵之后，可以将其加入状态转移矩阵集合中，当马尔科夫链的窗口长度为N的情况下，状态转移矩阵集合的长度为N-1，也即当前时刻与前一时刻对应的状态转移矩阵，为状态转移矩阵集合中的第N-1个状态转移矩阵。
步骤108，根据概率分布集合及状态转移矩阵集合，构建隐马尔科夫链模型；
步骤110，通过隐马尔科夫链模型，从多条第一匹配道路中确定车辆在当前时刻所处的道路。
本申请实施例中，可以根据上述概率分布集合及状态转移矩阵集合，构建得到隐马尔科夫链模型。并通过构建的隐马尔科夫链模型，从多条第一匹配道路中确定车辆在当前时刻所处的道路。
在一个实施例中，步骤110中，通过隐马尔科夫链模型，从所多条第一匹配道路中确定车辆在当前时刻所处的道路，包括：
通过隐马尔科夫链模型确定车辆针对多条第一匹配道路的概率分布；
将概率分布中概率最大的道路，确定为车辆在当前时刻所处的道路。
本申请实施例中，可以基于隐马尔科夫链模型确定车辆针对多条第一匹配道路的概率分布，该概率分布包括车辆处于各第一匹配道路上的概率，则可以将概率最大的第一匹配道路确定为车辆在当前时刻所处的道路。
示例性的，仍以上述示例为例，车辆t时刻对应的第一匹配道路包括(R1，R2，R3)，对应的观测概率分布为{0.3，0.2，0.5}。车辆t-1时刻对应的第二匹配道路包括(R1，R2，R3)，对应的概率分布为{0.2， 0.3，0.5}。状态转移矩阵
表示为：
则，参照图2所示，车辆在t时刻针对第一匹配道路上的概率分布：Pt(R1)＝(0.2×1+0.3×0+0.5×0)×0.3＝0.06，Pt(R2)＝(0.2×0+0.3×1+0.5×1) ×0.2＝0.16，Pt(R3)＝(0.2×0+0.3×0+0.5×1)×0.5＝0.25，则可以确定车辆在t时刻当前所处的道路为 R3。
其中，车辆在t-1时刻对应的概率分布的确定方式，参照前述过程即可，本申请实施例中对此不再赘述。本申请实施例中隐马尔科夫链模型中隐含状态的初始值可以预设为X0＝{a，a，a，…，a}，其中，a为归一化后的概率值，X0的维度与初始时刻对应的匹配道路的数目一致，也即在初始时刻未得到任何输入的前提下，车辆位于各个道路中的概率是相同的。
需要说明的是，上述示例仅作为本申请实施例中隐马尔科夫链模型确定车辆针对多个第一匹配道路的概率分布的一种方式，实际上，本申请针对隐马尔科夫链模型确定车辆针对多条第一匹配道路的概率分布的方式不做具体限定，例如：可以采用维特比算法确定车辆针对多条第一匹配道路的概率分布，其中，维特比算法是一种动态规划算法，可以用于寻找最有可能产生已知的观测事件下的隐含状态序列。
本申请实施例中，在确定车辆在当前时刻所处的道路之后，可以采用车辆当前时刻所处的道路实现车辆定位及导航等操作。
基于本申请实施例提供的道路定位方法，可以基于多种传感器采集的道路信息，确定车辆在各时刻匹配的多条道路上的观测概率分布及相邻时刻的状态转移矩阵，进而构建得到隐马尔科夫链模型，通过隐马尔科夫链模型从车辆当前可能所处的多条第一匹配道路中确定车辆当前所处的道路，道路定位不受限于 GNSS的精度，可以提高车辆道路定位的精度。
在一个实施例中，道路信息可以包括GNSS数据、图像数据和雷达数据中的至少两项；参照图3，上述步骤104，根据车辆在当前时刻通过多种传感器采集的道路信息，确定车辆在位置信息对应的多条第一匹配道路上的观测概率分布，包括：
步骤302，根据车辆在当前时刻通过多种传感器采集的道路信息，进行道路识别，得到道路识别结果；
步骤304，针对任一道路识别结果，根据道路识别结果确定车辆在各第一匹配道路上的概率；
步骤306，针对任一第一匹配道路，通过对第一匹配道路针对各道路识别结果的概率进行联合处理，得到车辆在第一匹配道路中的观测概率；
步骤308，通过车辆在各第一匹配道路中的观测概率，得到车辆在位置信息对应的多条第一匹配道路上的观测概率分布。
本申请实施例中，车辆上可以安装有多种传感器，包括且不限于：GNSS/GPS、视觉传感器、雷达传感器等，可以通过GNSS/GPS获得车辆粗略的位置信息和车辆的速度等GNSS数据，通过视觉传感器获取车辆周边的图像数据，通过雷达传感器获取车辆周边的雷达数据。
在通过多种传感器采集得到多种道路信息后，可以基于各种道路信息进行道路识别，得到对应的道路识别结果，包括且不限于：基于GNSS数据得到的车辆自身信息，包括：车速和位置信息；基于图像信息得到的视觉语义信息，包括：车道线信息和/道路边界信息，基于雷达数据得到的雷达探测信息，包括：车道栅栏信息和/周围车辆信息，本申请实施例中的道路信息可以包括上述道路信息中的至少两项，对应的，道路识别结果可以包括上述道路识别结果中的至少两项。
例如：通过GNSS数据可以提取到车辆的车速和位置信息。通过对图像数据进行道路识别，可以得到车辆周围的道路语义信息，包括但不限于车道线信息、道路边界信息等，其中，车道线信息可以包含车道线条数、车道线线型(实线或虚线)、车道线距车辆中心横向距离、车道线在车体坐标系下的数学表达等，道路边界信息可以包括道路边界在车体坐标系下的数学表达等。通过对雷达数据进行道路识别，得到车道栅栏信息与周围车辆信息，其中，车道栅栏信息可以包括栅栏在车体坐标系下的数学表达，周围车辆信息可以包括周围车辆在车体坐标系下的相对坐标位置等。
需要说明的是，本申请实施例中不对道路识别的方式做具体限定，凡是可以通过对上述道路信息进行识别得到对应的道路识别结果的方式，均适用于本申请实施例中，例如：可以采用相应硬件，或者采用深度学习或图像分割等方法进行道路识别。
在通过道路信息进行道路识别，得到道路识别结果之后，可以分别基于各道路识别结果分析确定在各道路识别结果的角度上，车辆在各第一匹配道路上的概率。例如：针对任一道路识别结果，可以基于该道路识别结果与地图中存储的各第一匹配道路的道路相关信息进行比对分析，确定在该道路识别结果的角度下，车辆处于各第一匹配道路上的概率。假设针对道路识别结果x，可以确定车辆处于第一匹配道路Ri 上的概率为Px(Ri)。
在一个实施例中，上述步骤304中，针对任一所述道路识别结果，根据道路识别结果确定车辆在各第一匹配道路上的概率，包括：
在道路识别结果包括车速和位置信息的情况下，根据车速和位置信息确定车辆在各第一匹配道路上的概率；
和/或，在道路识别结果包括车道线信息的情况下，根据车道线信息确定车辆在各述第一匹配道路上的概率；
和/或，在道路识别结果包括道路边界信息的情况下，根据道路边界信息确定车辆在各第一匹配道路上的概率；
和/或，在道路识别结果包括车道栅栏信息的情况下，根据车道栅栏信息确定车辆在各第一匹配道路上的概率；
和/或，在道路识别结果包括周围车辆信息的情况下，根据周围车辆信息确定车辆在各第一匹配道路上的概率。
示例性的，假设车辆在t时刻的位置信息对应的第一匹配道路包括(R1，R2，R3)，并假设道路识别结果包括车速和位置信息、车道线信息、车道边界信息、车道栅栏信息、周围车辆信息，则针对车速和位置信息可以确定车辆处于R1、R2和R3上的概率分别为：Pvehicle(R1)、Pvehicle(R2)和Pvehicle(R3)；针对车道线信息可以确定车辆处于R1、R2和R3上的概率分别为：Plane(R1)、Plane(R2)和Plane(R3)；针对道路边界信息可以确定车辆处于R1、R2和R3上的概率分别为：Pboundary(R1)、Pboundary(R2)和 Pboundary(R3)；针对车道栅栏信息可以确定车辆处于R1、R2和R3上的概率分别为：Pbarrier(R1)、Pbarrier (R2)和Pbarrier(R3)；针对周围车辆信息可以确定车辆处于R1、R2和R3上的概率分别为：Pcar(R1)、 Pcar(R2)和Pcar(R3)。
需要说明的是，本申请实施例中对于各个时刻得到的道路识别结果不做具体限定，也即不对用于确定观测概率的道路识别结果做具体限定。例如：在t时刻可以通过车速和位置信息、车道线信息、道路边界信息、车道栅栏信息、周围车辆信息等道路识别结果，确定车辆在t时刻位于各第一匹配道路上的观测概率；在t+1时刻未采集到图像数据，则可以通过车速和位置信息、车道栅栏信息、周围车辆信息等道路识别结果，确定车辆在t+1时刻位于各第一匹配道路上的观测概率。
也即，本申请实施例提供的道路定位方法，可以对GNSS采集的数据和视觉传感器对应的视觉语义信息、雷达传感器对应的雷达探测信息进行融合，多角度分析车辆位于各道路上的概率，可以避免对GNSS 精度的依赖，且本申请实施例中用于进行道路定位的架构是松耦合的，各个传感器采集的道路信息并不是缺一不可的关系，本申请实施例具有结构上的灵活性和鲁棒性。
针对任一第一匹配道路Ri，在得到车辆在各道路识别结果下对应的概率后，可以根据对各道路识别结果下的概率进行联合处理，得到车辆在第一匹配道路中的观测概率。其中，联合处理可以包括加权求和、乘积等方式，本申请实施例对于联合处理的方式不做具体限定。
以联合处理为乘积为例，针对第一匹配道路Ri，对车辆在该第一匹配道路Ri上各道路识别结果对应的概率进行联合处理，可以得到车辆位于该第一匹配道路Ri上的观测概率P(Ri)，具体可以参照下述公式(一)。
P(Ri)＝Pvehicle(Ri)×Plane(Ri)×Pboundary(Ri)×Pbarrier(Ri)×Pcar(Ri) 公式(一)
其中，P(Ri)用于表征当前时刻车辆位于第一匹配道路Ri上的观测概率，Pvehicle(Ri)用于表征通过当前时刻的车速和位置信息确定的车辆位于第一匹配道路Ri上的概率(以下称为第一概率)， Plane(Ri)用于表征通过当前时刻的车道线信息确定的车辆位于第一匹配道路Ri上的概率(以下称为第二概率)，Pboundary(Ri)用于表征通过当前时刻的道路边界信息确定的车辆位于第一匹配道路 Ri上的概率(以下称为第三概率)，Pbarrier(Ri)用于表征通过当前时刻的车道栅栏信息确定的车辆位于第一匹配道路Ri上的概率(以下称为第四概率)，Pcar(Ri)用于表征通过当前时刻的周围车辆信息确定的车辆位于第一匹配道路Ri上的概率(以下称为第五概率)，其中，Ri用于标识第i条第一匹配道路。
在得到车辆在各第一匹配道路中的观测概率后，可以根据各第一匹配道路对应的观测概率组成观测序列，将该观测序列作为车辆位于当前的位置信息上对应的多条第一匹配道路的观测概率分布。
基于本申请实施例提供的道路定位方法，可以融合多种传感器采集的道路信息，确定车辆在各时刻匹配的多条道路上的观测概率分布，进而可以基于观测概率分布构建隐马尔科夫链模型，根据隐马尔科夫链模型进行道路定位，确定车辆当前所处的道路，道路定位不受限于GNSS的精度，可以提高车辆道路定位的精度。
在其中一个实施例中，参照图4所示，在道路识别结果包括车速和位置信息的情况下，步骤304中，根据道路识别结果确定车辆在各第一匹配道路上的概率，可以包括：
步骤402，根据车速确定车辆的行驶方向；
步骤404，针对任一第一匹配道路，获取第一匹配道路的方向及第一匹配道路的曲线表达；
步骤406，根据车辆的行驶方向及各第一匹配道路的方向，确定车辆在各第一匹配道路上的方向概率；
步骤408，根据车辆的位置信息及各第一匹配道路的曲线表达，确定车辆在各第一匹配道路上的位置匹配概率；
步骤410，针对任一第一匹配道路，根据车辆的方向概率及位置匹配概率，确定车辆在第一匹配道路上的概率。
本申请实施例中，通过GNSS可以采集得到车辆信息，包括：自身的三维车速和三维的位置信息，进而可以根据车辆信息确定车辆在各第一匹配道路上的概率，本申请实施例中将该概率称为第一概率。示例性的，针对任意第一匹配道路，可以分别基于车辆的速度和位置信息确定方向概率和位置匹配概率，并联合方向概率和位置匹配概率，可以得到车辆在该第一匹配道路上的第一概率。
在确定方向概率的过程中，可以根据车辆的行驶方向与第一匹配道路的方向，确定车辆在该第一匹配道路上的第一概率。示例性的，基于车辆在各个方向上的分速度，可以确定车辆的行驶方向。其中，确定车辆行驶方向的过程可以参照下述公式(二)。
其中，
表征的是车辆在当前时刻的行驶方向，vnorth表征的是车辆在北方向的分速度， veast表征的是车辆在东方向的分速度。
同时，可以从地图库中获取各第一匹配道路的方向和曲线表达，例如：获取第一匹配道路Ri的方向
和曲线表达。进而可以根据车辆的行驶方向与各第一匹配道路的方向的匹配程度，确定车辆在各第一匹配道路上的方向概率。示例性的，车辆的行驶方向和第一匹配道路的方向之间的偏差与方向概率负相关，也即，车辆的行驶方向与第一匹配道路的方向的偏差越大，则对应的方向概率越小，反之，车辆的行驶方向与第一匹配道路的偏差越小，则对应的方向概率越大。其中，确定方向概率的过程，可以参照下述公式(三)。
其中，Pvehicle1(Ri)用于表征通过当前时刻的车速确定的车辆位于第一匹配道路Ri上的方向概率，
表征的是车辆在当前时刻的行驶方向，
表征第一匹配道路Ri的方向。
在确定位置匹配概率的过程中，可以基于车辆的位置信息与第一匹配道路之间的距离，确定车辆位于该第一匹配道路上的位置匹配概率。示例性的，根据车辆的位置信息及各第一匹配道路的曲线表达，可以确定车辆中心与各第一匹配道路的距离，进而可以根据车辆中心与各第一匹配道路的距离，确定车辆在各第一匹配道路上的位置匹配概率。示例性的，车辆中心与第一匹配道路之间的距离与位置匹配概率负相关，也即，车辆中心与第一匹配道路之间的距离越大，则对应的位置匹配概率越小，反之，车辆中心与第一匹配道路之间的距离越小，则对应的位置匹配概率越大。其中，确定位置匹配概率的过程，可以参照下述公式(四)。
其中，Pvehicle2(Ri)表征通过当前时刻车辆的位置信息确定的车辆位于第一匹配道路Ri上的位置匹配概率，d(posvehicle-Ri)表征车辆中心与第一匹配道路Ri的距离绝对值，posvehicle表征车辆的位置信息。其中，公式(三)中的
和公式(四)中的σpos均为常数值，具体取值可以根据场景动态调整。示例性的，当GNSS精度较高，获取的车速和位置信息精度较高的情况下，
和σpos的取值较大，反之，当GNSS精度较低，获取的车速和位置信息精度较低的情况下，
和σpos的取值较小，以降低在GNSS精度较低时，由于GNSS误检对于道路定位产生的影响。
在得到车辆在各第一匹配道路上的方向概率和位置匹配概率后，针对任一第一匹配道路Ri，可以通过车辆在该第一匹配道路Ri上的方向概率和位置匹配概率进行联合处理，得到车辆在该第一匹配道路上的第一概率。示例性的，确定第一概率的过程可以参照下述公式(五)。
Pvehicle(Ri)＝Pvehicle1(Ri)·Pvehicle2(Ri) 公式(五)
基于本申请实施例提供的道路定位方法，可以基于传感器采集的道路信息，识别得到车辆的车速和位置信息，进而根据车辆的车速和位置信息确定车辆在各第一匹配道路上的概率，并根据车辆在各第一匹配道路上的概率，确定车辆在各第一匹配道路上的观测概率分布后，基于观测概率分布构建隐马尔科夫链模型，根据隐马尔科夫链模型进行道路定位，确定车辆当前所处的道路，道路定位不受限于GNSS的精度，可以提高车辆道路定位的精度。
在一个实施例中，参照图5所示，在道路识别结果包括车道线信息的情况下，在步骤304中，根据道路识别结果确定车辆在各第一匹配道路上的概率，，包括：
步骤502，针对任一第一匹配道路，获取第一匹配道路的标准车道线信息；
步骤504，根据车道线信息对应的车道线个数及第一匹配道路的标准车道线信息对应的车道线个数，确定车辆在所述第一匹配道路上的第一车道线概率；
步骤506，根据车道线信息对应的车道线虚实标识及第一匹配道路的标准车道线信息对应的车道线虚实标识，确定车辆在第一匹配道路上的第二车道线概率；
步骤508，联合第一车道线概率及第二车道线概率，得到车辆在第一匹配道路上的概率。
本申请实施例中，通过视觉传感器采集的图像数据得到的道路识别结果中可以包括车道线信息，车道线信息可以包括车道线个数及车道线虚实标识。例如：在当前时刻车辆的车道线信息包括(实线，虚线，虚线，实线)，由车道线信息可知车道线个数为4，各车道线的虚实标识如信息所示，4条车道线可以对应3条车道。
针对任一第一匹配道路Ri，可以从地图库中获取第一匹配道路Ri的标准车道线信息，该标准车道线信息为该第一匹配道路Ri真实的车道线信息，包括真实的车道线个数及真实的车道线虚实线型标识。示例性的，假设第一匹配道路Ri的标准车道线信息为(实线，虚线，虚线，虚线，实线)，由标准车道线信息可知真实的车道线个数为5，各车道线真实的虚实标识如信息所示，5条车道线可以对应4条车道。
针对任一第一匹配道路，基于车道线个数和车道线虚实标识分别可以得到车辆位于该第一匹配道路的第一车道线概率和第二车道线个数，通过联合第一车道线概率和第二车道线概率，可以得到车辆位于该第一匹配道路上的概率(本申请实施例中将该概率称为第二概率)。
在确定第一车道线概率的过程中，根据道路识别结果中车道线信息对应的车道线个数与第一匹配道路 Ri真实的车道线个数的差异，可以确定车辆在第一匹配道路Ri上的第一车道线概率。示例性的，当道路识别结果中车道线个数(或者车道个数)小于或者等于第一匹配道路Ri的车道线个数(或者车道个数) 的情况下，可以确定在车道线信息的角度下，车辆不处于该第一匹配道路Ri，则可以确定车辆位于该第一匹配道路Ri的第一车道线概率为1，使第一车道线概率在后续联合处理确定车辆在第一匹配道路Ri的观测概率时，作为无效数据。否则，可以确定当前的车道线个数(或者车道个数)和第一匹配道路Ri的车道线个数(或者车道个数)之间的差异与第一车道线概率负相关，也即，当前的车道线个数和第一匹配道路Ri的车道线个数之间的差异越大，则对应的第一车道线概率越小，反之，当前的车道线个数和第一匹配道路Ri的车道线个数之间的差异越小，则对应的第一车道线概率越大。其中，确定第一车道线概率的过程，可以参照下述公式(六)。
示例性的，第一车道线概率的确定过程，参照下述公式(六)所示。
其中，Plane1(Ri)表征车辆在第一匹配道路Ri上的第一车道线概率，Minlane表征道路识别结果中车道线个数，Maplane表征第一匹配道路Ri的车道线个数，或者，Minlane表征道路识别结果中车道个数，Maplane表征第一匹配道路Ri的车道个数，σlane为常数值，具体取值可以根据场景动态调整。示例性的，当视觉传感器精度较高，获取图像数据精度较高的情况下，σlane的取值较大，反之，当视觉传感器精度较低，获取的图像数据精度较低的情况下，σlane的取值较小。
同理，在确定第二车道线概率的过程中，可以根据道路识别结果中车道线虚实标识与第一匹配道路 Ri真实的车道线虚实标识是否匹配，确定车道线在第一匹配道路上的第二车道线概率，其中，本申请实施例在此不对具体匹配过程做具体限定，例如：可以采用数组匹配子串等方式实现匹配。
示例性的，当道路识别结果中车道线虚实标识与第一匹配道路Ri的车道线虚实标识一致时(车道线虚实标识符合地图分布)，可以确定在车道线信息的角度下，车辆处于该第一匹配道路Ri，则可以确定车辆位于该第一匹配道路Ri的第二车道线概率为1，使其在后续联合处理确定车辆在第一匹配道路Ri的观测概率时，作为无效数据。否则(车道线虚实标识不符合地图分布)，可以确定第二车道线概率为η。其中，确定第二车道线概率的过程，可以参照下述公式(七)。
其中，η的取值范围是0＜η＜1，Plane2(Ri)表征车辆在第一匹配道路Ri上的第二车道线概率。
在确定第一车道线概率及第二车道线概率后，可以对第一车道线概率及第二车道线概率进行联合，得到在车道线信息的角度下，车辆位于第一匹配道路Ri的第二概率，具体联合处理过程可以参照公式(八) 所示。
Plane(Ri)＝Plane1(Ri)·Plane2(Ri) 公式(八)
基于本申请实施例提供的道路定位方法，可以融合视觉传感器采集的图像信息得到车道线信息，确定车辆在各第一匹配道路上的概率，并根据车辆在各第一匹配道路上的概率，确定车辆在各第一匹配道路上的观测概率分布后，基于观测概率分布构建隐马尔科夫链模型，根据隐马尔科夫链模型进行道路定位，确定车辆当前所处的道路，道路定位不受限于GNSS的精度，可以提高车辆道路定位的精度。
在一个实施例中，参照图6所示，在道路识别结果包括道路边界信息的情况下，在步骤304中，根据道路识别结果确定车辆在各第一匹配道路上的概率，包括：
步骤602，针对任一第一匹配道路，获取第一匹配道路的道路宽度；
步骤604，根据道路边界信息，确定车辆道路边界的第一距离；
步骤606，根据第一匹配道路的道路宽度及第一距离，确定车辆在第一匹配道路上的概率。
本申请实施例中，通过视觉传感器采集的图像数据得到的道路识别结果中可以包括道路边界信息，道路边界信息可以包括道路边界在车体坐标系下的数学表达，可以根据道路边界信息确定车辆与道路边界的第一距离，进而根据该第一距离与各第一匹配道路的道路宽度，确定车辆位于各第一匹配道路上的概率(本申请实施例以下将该概率称为第三概率)。
针对任一第一匹配道路Ri，可以从地图库中获取该第一匹配道路Ri的道路宽度。道路边界在车体坐标系下的数学表达可以表示为：c0+c1x+c2x2+c2x3,则可以确定车辆距离道路边界的第一距离为c0。
在确定车辆距离道路边界的第一距离之后，则可以根据第一匹配道路Ri的道路宽度与第一距离的大小关系，确定车辆在第一匹配道路Ri上的第三概率。示例性的，当第一距离小于或者等于第一匹配道路 Ri的道路宽度的情况下，可以确定车辆位于该第一匹配道路Ri上的第三概率为1，使其在后续联合处理确定车辆在第一匹配道路Ri的观测概率时，作为无效数据。否则，当第一距离大于第一匹配道路Ri的道路宽度的情况下，可以确定第三概率与第一距离和车道宽度的差异大小负相关，也即，车辆到道路边界的第一距离与车道宽度的差异越大，则对应的第三概率越小，反之，车辆到道路边界的第一距离与车道宽度的差异越小，则对应的第三概率越大。其中，确定第三概率的过程，可以参照下述公式(九)。
其中，Pboundary(Ri)表征车辆位于第一匹配道路Ri上的第三概率，dboundary表征车辆与道路边界之间的第一距离，WidthRi表征第一匹配道路Ri的道路宽度，σboundary为常数值，具体取值可以根据场景动态调整。示例性的，当视觉传感器精度较高，获取图像数据精度较高的情况下，σboundary的取值较大，反之，当视觉传感器精度较低，获取的图像数据精度较低的情况下，σboundary的取值较小。
基于本申请实施例提供的道路定位方法，可以融合视觉传感器采集的图像信息得到道路边界信息，确定车辆在各第一匹配道路上的概率，并根据车辆在各第一匹配道路上的概率，确定车辆在各第一匹配道路上的观测概率分布后，基于观测概率分布构建隐马尔科夫链模型，根据隐马尔科夫链模型进行道路定位，确定车辆当前所处的道路，道路定位不受限于GNSS的精度，可以提高车辆道路定位的精度。
在一个实施例中，参照图7所示，在道路识别结果包括车道栅栏信息的情况下，上述步骤304中，根据道路识别结果确定车辆在各第一匹配道路上的概率，包括：
步骤702，针对任一第一匹配道路，获取第一匹配道路的道路宽度；
步骤704，根据车道栅栏信息，确定车辆与车道栅栏的第二距离；
步骤706，根据第一匹配道路的道路宽度及第二距离，确定车辆在第一匹配道路上的概率。
本申请实施例中，通过雷达传感器采集的雷达数据得到的雷达探测信息中可以包括车道栅栏信息，该车道栅栏信息可以包括栅栏在车体坐标系下的数学表达，进而可以根据车道栅栏信息确定车辆与车道栅栏的第二距离，根据第二距离与各第一匹配道路的道路宽度，确定车辆在各第一匹配道路上的概率(本申请实施例中以下将该概率称为第四概率)。
针对任一第一匹配道路Ri，可以从地图库中获取该第一匹配道路Ri的道路宽度。假设栅栏在车体坐标系下的数学表达可以表示为：c4+c5x+c6x2+c7x3,则可以确定车辆距离车道栅栏的第二距离为c4。
在确定车辆距离车道栅栏的第二距离之后，则可以根据第一匹配道路Ri的道路宽度与车辆和车道栅栏之间第二距离的大小关系，确定车辆在第一匹配道路Ri上的第四概率。示例性的，当车辆与车道栅栏的第二距离小于或者等于第一匹配道路Ri的道路宽度的情况下，可以确定车辆位于该第一匹配道路Ri上的第四概率为1，使其在后续联合处理确定车辆在第一匹配道路Ri的观测概率时，作为无效数据。否则，当车辆与车道栅栏的第二距离大于第一匹配道路Ri的道路宽度的情况下，可以确定第四概率与第二距离和车道宽度之间的差异大小负相关，也即，车辆到车道栅栏的第二距离与车道宽度的差异越大，则对应的第四概率越小，反之，车辆到车道栅栏的第二距离与车道宽度的差异越小，则对应的第四概率越大。其中，确定第四概率的过程，可以参照下述公式(十)。
其中，Pbarrier(Ri)表征车辆位于第一匹配道路Ri上的第四概率，dbarrier表征车辆与车道栅栏之间的第二距离，WidthRi表征第一匹配道路Ri的道路宽度，σbarrier为常数值，具体取值可以根据场景动态调整。示例性的，当雷达传感器精度较高，获取雷达数据精度较高的情况下，σbarrier的取值较大，反之，当雷达传感器精度较低，获取的雷达数据精度较低的情况下，σbarrier的取值较小。
基于本申请实施例提供的道路定位方法，可以融合雷达传感器采集的雷达数据得到车道栅栏信息，确定车辆在各第一匹配道路上的概率，并根据车辆在各第一匹配道路上的概率，确定车辆在各第一匹配道路上的观测概率分布后，基于观测概率分布构建马尔科夫链模型，根据马尔科夫链模型进行道路定位，确定车辆当前所处的道路，道路定位不受限于GNSS的精度，可以提高车辆道路定位的精度。
在一个实施例中，参照图8所示，在道路识别结果包括周围车辆信息的情况下，在步骤304中，根据道路识别结果确定车辆在各第一匹配道路上的概率，包括：
步骤802，针对任一第一匹配道路，确定第一匹配道路的道路宽度；
步骤804，根据周围车辆信息，确定各周围车辆的相对坐标位置；
步骤806，根据各周围车辆的相对坐标位置及第一匹配道路的道路宽度，确定车辆在第一匹配道路上的概率。
本申请实施例中，通过雷达传感器采集的雷达数据得到的雷达探测信息中可以包括周围车辆信息，周围车辆信息中可以包括周围车辆的相对坐标位置，进而可以根据周围车辆的相对坐标位置与各第一匹配道路的道路宽度确定车辆在各第一匹配道路上的概率(本申请实施例中以下将该概率称为第五概率)。
针对任一第一匹配道路Ri，可以从地图库中获取该第一匹配道路Ri的道路宽度。从道路识别结果中，可以得到周围车辆的周围车辆信息，周围车辆信息可以包括周围车辆在车体坐标系下的相对坐标位置。
示例性的，假设车辆周围存在n个周围车辆(Car(1)，……，Car(n))，则针对任一周围车辆Car (j)，可以从周围车辆信息中获取该周围车辆Car(j)的相对坐标位置(xj，yj)。并根据周围车辆Car (j)的相对坐标位置(xj，yj)和第一匹配道路Ri的道路宽度，确定在该周围车辆Car(j)的角度上，车辆在第一匹配道路Ri上的第j概率。
示例性的，当周围车辆Car(j)的位置xj小于或者等于第一匹配道路Ri的道路宽度的情况下，可以确定车辆位于该第一匹配道路Ri上的第j概率为1，使其在后续联合处理确定车辆在第一匹配道路Ri的观测概率时，作为无效数据。否则，当周围车辆Car(j)的位置xj大于第一匹配道路Ri的道路宽度的情况下，可以确定第j概率与周围车辆Car(j)的位置xj和车道宽度之间的差异负相关，也即，周围车辆Car (j)的位置xj与车道宽度的差异越大，则对应的第j概率越小，反之，周围车辆Car(j)的位置xj与车道宽度的差异越小，则对应的第j概率越大。其中，确定第j概率的过程，可以参照下述公式(十一)。
其中，Pcar(j)(Ri)表征在该周围车辆Car(j)的角度上，车辆在第一匹配道路Ri上的第j概率，σcar为常数值，具体取值可以根据场景动态调整。示例性的，当雷达传感器精度较高，获取雷达数据精度较高的情况下，σcar的取值较大，反之，当雷达传感器精度较低，获取的雷达数据精度较低的情况下，σcar的取值较小。
在得到各周围车辆的角度下，车辆在第一匹配道路Ri上对应的第j概率后，可以通过各第j概率得到车辆在第一匹配道路Ri上对应的第五概率。示例性的，可以通过各周围车辆对应的第j概率相乘，得到车辆在第一匹配道路Ri上对应的第五概率。其中，确定第五概率的过程可以参照下述公式(十二)。
其中，Pcar(Ri)表征这个车辆在第一匹配道路Ri上对应的第五概率，n为周围车辆的总数。
基于本申请实施例提供的道路定位方法，可以融合雷达传感器采集的雷达数据得到周围车辆信息，确定车辆在各第一匹配道路上的概率，并根据车辆在各第一匹配道路上的概率，确定车辆在各第一匹配道路上的观测概率分布后，基于观测概率分布构建隐马尔科夫链模型，根据隐马尔科夫链模型进行道路定位，确定车辆当前所处的道路，道路定位不受限于GNSS的精度，可以提高车辆道路定位的精度。
在一个实施例中，参照图9，在步骤302中，根据车辆在当前时刻通过多种传感器采集的道路信息，进行道路识别，得到道路识别结果，包括：
步骤902，对车辆在当前时刻通过多种传感器采集的道路信息，进行过滤处理，得到过滤后的道路信息；
步骤904，根据过滤后的道路信息进行道路识别，得到道路识别结果。
本申请实施例中，通过多个传感器采集道路信息后，为了提高道路定位精度，可以对道路信息进行过滤，以将精度较低的道路信息过滤掉，得到符合精度要求的道路信息。示例性的，可以采用预设的判定规则对道路信息进行外点检测及无效值的剔除操作，以降低道路定位过程所受到的传感器的误检干扰，以避免产生错误的道路定位结果。
示例性的，可以采用道路信息的状态位标志判定道路信息是否为外点或者无效值。例如：GNSS数据的状态位标志表示该GNSS数据是固定解时，确定该GNSS数据为有效值；在GNSS数据的状态位标志表示该GNSS数据是浮点数时，确定该GNSS数据为外点或者无效值。
或者，还可以利用道路信息的方差值大小判定其是否为外点或者有效值。由于方差值表征了一个道路信息的可靠性，故可以通过设定过滤阈值，以从道路信息中选择出方差值过大的道路信息，判定其为外点或者无效值。需要说明的是，本申请实施例中不对过滤方式做具体限定，凡是可以对道路信息进行过滤的方式，均适用于本申请实施例。
经过上述过滤操作后，可以将不符合要求的外点或者无效值将从道路信息集合中剔除掉，得到过滤后的道路信息，并采用过滤后的道路信息进行道路识别，可以得到道路识别结果。具体道路识别过程参照前述实施例的相关描述即可，本申请实施例在此对此不做赘述。
本申请实施例提供的道路定位方法，可以通过对道路信息进行过滤，以将不符合精度要求的道路信息过滤掉，进而可以缓解由于传感器误检到精度较差的道路信息，对后续道路定位过程产生干扰的问题，可以提高道路定位的精度，进而提高导航和定位精度。
为使本领域技术人员更好的理解本申请实施例，以下通过具体事例对本申请实施例加以说明。
示例性的，参照图10和图11所示，本示例中道路定位系统可以包括传感器模块、定位模块，其中传感器模块中可以包括：GNSS、视觉传感器和雷达传感器，定位模块可以包括：识别模块和匹配模块，其中识别模块用于对视觉传感器采集的图像数据和雷达传感器采集的雷达数据进行道路识别，得到对应的道路识别结果，匹配模块用于根据道路识别结果和GNSS数据在地图库中的匹配数据进行道路定位，得到车辆当前所在的道路，并输出该车辆当前所在的道路的标识，以根据该道路的标识进行导航和定位等操作。
具体地，GNSS、视觉传感器及雷达传感器实时进行道路信息采集，并可以通过识别模块对实时采集的道路信息进行道路识别，将道路识别结果存储于信息缓存和存储区域中以进行统一的缓存及管理。示例性的，可以将道路信息按照采集的时间戳由老及新的顺序依次缓存于计算机内存介质中，已备后续程序调用时提取。其中，道路识别结果可以包括车辆的位置信息/车速、车道线信息和道路边界信息、周围车辆位置信息及车道栅栏信息等。
在道路定位过程中，可以从该将缓存和存储区域中的相关信息提取出来以供匹配模块使用。示例性的，可以将每次提取出的所有信息构成一个信息集合。信息提取逻辑可以设置为：程序中始终维护一个时间戳变量，每次提取操作中，将该变量所代表时刻之后的所有道路识别信息都提取出来，并更新该时间戳变量为当前时刻。
之后，可以对信息集合中的道路识别结果，进行外点和无效值检测和去除(实际上，也可以先对道路信息进行外点和无效值检测和去除后，进行道路识别并存储对应的道路识别结果，本申请对该流程的先后顺序不做具体限定)。
匹配模块通过GNSS数据及地图库，可以确定车辆当前位置对应的多条第一匹配道路，并可以基于道路识别结果进行概率分析，得到当前车辆位于各第一匹配道路上的观测概率，进而得到车辆在当前时刻的观测概率分布，并基于车辆在当前时刻的观测概率分布，构建对应的隐马尔科夫链模型，并通过该隐马尔科夫链模型进行最大概率路径估计(具体估计过程参照前述实施例的相关描述即可，本示例在此不再赘述)，从第一匹配道路上确定车辆当前所处的道路，输出该道路的标识，例如道路在路网中的道路编号。
本申请实施例提供的道路定位方法，对GNSS数据以及视觉道路语义信息、雷达动静态障碍物探测信息以及高精度地图等多源信息进行融合，最终确定车辆当前位于道路路网中的道路。也即，本申请实施例明通过多源信息融合，克服了单一使用GNSS的缺陷，提高了在受到遮挡以及平行并列道路等困难场景的道路级定位能力。基于批量的历史信息，构建隐马尔科夫链模型，并从该隐马尔科夫链模型中获得最大概率的车辆道路行驶路径，可以降低对GNSS精度的依赖，提高道路级定位精度。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的道路定位方法的道路定位装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个道路定位装置实施例中的具体限定可以参见上文中对于道路定位方法的限定，在此不再赘述。
在一个实施例中，如图12，提供了一种道路定位装置，包括：匹配模块1202、第一确定模块1204、第二确定模块1206、构建模块1208和第三确定模块1210，其中：
匹配模块1202，用于根据车辆在当前时刻对应的位置信息，从地图库中匹配所述位置信息对应的多条第一匹配道路；
第一确定模块1204，用于根据所述车辆在所述当前时刻通过多种传感器采集的道路信息，确定所述车辆在所述位置信息对应的多条第一匹配道路上的观测概率分布，将所述当前时刻对应的所述观测概率分布添加至概率分布集合，其中，所述概率分布集合中包括N个时刻对应的观测概率分布，第N个时刻为当前时刻，N为大于0的整数；
第二确定模块1206，用于根据车辆当前时刻对应的所述多条第一匹配道路及前一时刻对应的多条第二匹配道路之间的关联性，确定所述当前时刻与所述前一时刻对应的状态转移矩阵，将所述状态转移矩阵添加至状态转移矩阵集合，其中，所述状态转移矩阵集合中包括N-1个状态转移矩阵，第N-1个状态转移矩阵为所述当前时刻与所述前一时刻对应的状态转移矩阵；
构建模块1208，用于根据所述概率分布集合及所述状态转移矩阵集合，构建隐马尔科夫链模型；
第三确定模块1210，用于通过所述隐马尔科夫链模型，从所述多条第一匹配道路中确定所述车辆在所述当前时刻所处的道路。
基于本申请实施例提供的道路定位装置，可以基于多种传感器采集的道路信息，确定车辆在各时刻匹配的多条道路上的观测概率分布及相邻时刻之间的状态转移矩阵，进而构建得到隐马尔科夫链模型，通过隐马尔科夫链模型从车辆当前可能所处的多条第一匹配道路中确定车辆当前所处的道路，道路定位不受限于GNSS的精度，可以提高车辆道路定位的精度。
在其中一个实施例中，所述第三确定模型1210，还用于：
通过所述隐马尔科夫链模型确定所述车辆针对所述多条第一匹配道路的概率分布；
将所述概率分布中概率最大的道路，确定为所述车辆在所述当前时刻所处的道路。
在其中一个实施例中，所述道路信息包括GNSS数据、图像数据和雷达数据中的至少两项；所述第一确定模块1204，还用于：
根据所述车辆在所述当前时刻通过多种传感器采集的道路信息，进行道路识别，得到道路识别结果；
针对任一所述道路识别结果，根据所述道路识别结果确定所述车辆在各所述第一匹配道路上的概率；
针对任一所述第一匹配道路，通过对所述第一匹配道路针对各所述道路识别结果的概率进行联合处理，得到所述车辆在所述第一匹配道路中的观测概率；
通过所述车辆在各所述第一匹配道路中的观测概率，得到所述车辆在所述位置信息对应的所述多条第一匹配道路上的观测概率分布。
在其中一个实施例中，在所述道路识别结果包括车速和位置信息的情况下，所述第一确定模块1204，还用于：
根据所述车速确定所述车辆的行驶方向；
针对任一所述第一匹配道路，获取所述第一匹配道路的方向及所述第一匹配道路的曲线表达；
根据所述车辆的行驶方向及各所述第一匹配道路的方向，确定所述车辆在各所述第一匹配道路上的方向概率；
根据所述车辆的位置信息及各所述第一匹配道路的曲线表达，确定所述车辆在各所述第一匹配道路上的位置匹配概率；
针对任一所述第一匹配道路，根据所述方向概率及所述位置匹配概率，确定所述车辆在所述第一匹配道路上的概率。
在其中一个实施例中，在所述道路识别结果包括车道线信息的情况下，所述第一确定模块1204，还用于：
针对任一所述第一匹配道路，获取所述第一匹配道路的标准车道线信息；
根据所述车道线信息对应的车道线个数及所述第一匹配道路的标准车道线信息对应的车道线个数，确定所述车辆在所述第一匹配道路上的第一车道线概率；
根据所述车道线信息对应的车道线虚实标识及所述第一匹配道路的标准车道线信息对应的车道线虚实标识，确定所述车辆在所述第一匹配道路上的第二车道线概率；
联合所述第一车道线概率及所述第二车道线概率，得到所述车辆在所述第一匹配道路上的概率。
在其中一个实施例中，在所述道路识别结果包括道路边界信息的情况下，所述第一确定模块1204，还用于：
针对任一所述第一匹配道路，获取所述第一匹配道路的道路宽度；
根据所述道路边界信息，确定所述车辆与道路边界的第一距离；
根据所述第一匹配道路的道路宽度及所述第一距离，确定所述车辆在所述第一匹配道路上的概率。
在其中一个实施例中，在所述道路识别结果包括车道栅栏信息的情况下，所述第一确定模块1204，还用于：
针对任一所述第一匹配道路，获取所述第一匹配道路的道路宽度；
根据所述车道栅栏信息，确定所述车辆与车道栅栏的第二距离；
根据所述第一匹配道路的道路宽度及所述第二距离，确定所述车辆在所述第一匹配道路上的概率。
在其中一个实施例中，在所述道路识别结果包括周围车辆信息的情况下，所述第一确定模块1204，还用于：
针对任一所述第一匹配道路，确定所述第一匹配道路的道路宽度；
根据所述周围车辆信息，确定各周围车辆的相对坐标位置；
根据各所述周围车辆的相对坐标位置及所述第一匹配道路的道路宽度，确定所述车辆在所述第一匹配道路上的概率。
在其中一个实施例中，所述第一确定模块1204，还用于：
对所述车辆在所述当前时刻通过多种传感器采集的道路信息，进行过滤处理，得到过滤后的道路信息；
根据所述过滤后的道路信息进行道路识别，得到道路识别结果。
在其中一个实施例中，所述第一确定模块1204，还用于：
确定将所述当前时刻对应的观测概率分布集合添加至概率分布集合中后，所述概率分布集合中的观测概率分布数量是否大于N；
在所述概率分布集合中的观测概率分布数量大于N的情况下，将所述概率分布集合中的第1个观测概率分布删除。
上述道路定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种道路定位方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory， SRAM)或动态随机存取存储器(DynamicRandom Access Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (14)
1.一种道路定位方法，其特征在于，所述方法包括：
根据车辆在当前时刻对应的位置信息，从地图库中匹配所述位置信息对应的多条第一匹配道路；
根据所述车辆在所述当前时刻通过多种传感器采集的道路信息，确定所述车辆在所述位置信息对应的多条第一匹配道路上的观测概率分布，将所述当前时刻对应的所述观测概率分布添加至概率分布集合，其中，所述概率分布集合中包括N个时刻对应的观测概率分布，第N个时刻为当前时刻，N为大于0的整数；
根据所述当前时刻对应的所述多条第一匹配道路及前一时刻对应的多条第二匹配道路之间的关联性，确定所述当前时刻与所述前一时刻对应的状态转移矩阵，将所述状态转移矩阵添加至状态转移矩阵集合，其中，所述状态转移矩阵集合中包括N-1个状态转移矩阵，第N-1个状态转移矩阵为所述当前时刻与所述前一时刻对应的状态转移矩阵；
根据所述概率分布集合及所述状态转移矩阵集合，构建隐马尔科夫链模型；
通过所述隐马尔科夫链模型，从所述多条第一匹配道路中确定所述车辆在所述当前时刻所处的道路。
2.根据权利要求1所述的方法，其特征在于，所述通过所述隐马尔科夫链模型，从所述多条第一匹配道路中确定所述车辆在所述当前时刻所处的道路，包括：
通过所述隐马尔科夫链模型确定所述车辆针对所述多条第一匹配道路的概率分布；
将所述概率分布中概率最大的道路，确定为所述车辆在所述当前时刻所处的道路。
3.根据权利要求1或2所述的方法，其特征在于，所述道路信息包括GNSS数据、图像数据和雷达数据中的至少两项；
所述根据所述车辆在所述当前时刻通过多种传感器采集的道路信息，确定所述车辆在所述位置信息对应的多条第一匹配道路上的观测概率分布，包括：
根据所述车辆在所述当前时刻通过多种传感器采集的道路信息，进行道路识别，得到道路识别结果；
针对任一所述道路识别结果，根据所述道路识别结果确定所述车辆在各所述第一匹配道路上的概率；
针对任一所述第一匹配道路，通过对所述第一匹配道路针对各所述道路识别结果的所述概率进行联合处理，得到所述车辆在所述第一匹配道路中的观测概率；
通过所述车辆在各所述第一匹配道路中的观测概率，得到所述车辆在所述位置信息对应的所述多条第一匹配道路上的观测概率分布。
4.根据权利要求3所述的方法，其特征在于，在所述道路识别结果包括车速和位置信息的情况下，所述根据所述道路识别结果确定所述车辆在各所述第一匹配道路上的概率，包括：
根据所述车速确定所述车辆的行驶方向；
针对任一所述第一匹配道路，获取所述第一匹配道路的方向及所述第一匹配道路的曲线表达；
根据所述车辆的所述行驶方向及各所述第一匹配道路的方向，确定所述车辆在各所述第一匹配道路上的方向概率；
根据所述车辆的所述位置信息及各所述第一匹配道路的曲线表达，确定所述车辆在各所述第一匹配道路上的位置匹配概率；
针对任一所述第一匹配道路，根据所述方向概率及所述位置匹配概率，确定所述车辆在所述第一匹配道路上的概率。
5.根据权利要求3所述的方法，其特征在于，在所述道路识别结果包括车道线信息的情况下，所述根据所述道路识别结果确定所述车辆在各所述第一匹配道路上的概率，包括：
针对任一所述第一匹配道路，获取所述第一匹配道路的标准车道线信息；
根据所述车道线信息对应的车道线个数及所述第一匹配道路的标准车道线信息对应的车道线个数，确定所述车辆在所述第一匹配道路上的第一车道线概率；
根据所述车道线信息对应的车道线虚实标识及所述第一匹配道路的标准车道线信息对应的车道线虚实标识，确定所述车辆在所述第一匹配道路上的第二车道线概率；
联合所述第一车道线概率及所述第二车道线概率，得到所述车辆在所述第一匹配道路上的概率。
6.根据权利要求3所述的方法，其特征在于，在所述道路识别结果包括道路边界信息的情况下，所述根据所述道路识别结果确定所述车辆在各所述第一匹配道路上的概率，包括：
针对任一所述第一匹配道路，获取所述第一匹配道路的道路宽度；
根据所述道路边界信息，确定所述车辆与道路边界的第一距离；
根据所述第一匹配道路的道路宽度及所述第一距离，确定所述车辆在所述第一匹配道路上的概率。
7.根据权利要求3所述的方法，其特征在于，在所述道路识别结果包括车道栅栏信息的情况下，所述根据所述道路识别结果确定所述车辆在各所述第一匹配道路上的概率，包括：
针对任一所述第一匹配道路，获取所述第一匹配道路的道路宽度；
根据所述车道栅栏信息，确定所述车辆与车道栅栏的第二距离；
根据所述第一匹配道路的道路宽度及所述第二距离，确定所述车辆在所述第一匹配道路上的概率。
8.根据权利要求3所述的方法，其特征在于，在所述道路识别结果包括周围车辆信息的情况下，所述根据所述道路识别结果确定所述车辆在各所述第一匹配道路上的概率，包括：
针对任一所述第一匹配道路，确定所述第一匹配道路的道路宽度；
根据所述周围车辆信息，确定各周围车辆的相对坐标位置；
根据各所述周围车辆的相对坐标位置及所述第一匹配道路的道路宽度，确定所述车辆在所述第一匹配道路上的概率。
9.根据权利要求3所述的方法，其特征在于，所述根据所述车辆在所述当前时刻通过多种传感器采集的道路信息，进行道路识别，得到道路识别结果，包括：
对所述车辆在所述当前时刻通过多种传感器采集的道路信息，进行过滤处理，得到过滤后的道路信息；
根据所述过滤后的道路信息进行道路识别，得到道路识别结果。
10.根据权利要求1或2所述的方法，其特征在于，所述将所述当前时刻对应的观测概率分布集合添加至概率分布集合，包括：
确定将所述当前时刻对应的观测概率分布集合添加至概率分布集合中后，所述概率分布集合中的观测概率分布数量是否大于N；
在所述概率分布集合中的观测概率分布数量大于N的情况下，将所述概率分布集合中的第1个观测概率分布删除。
11.一种道路定位装置，其特征在于，所述装置包括：
匹配模块，用于根据车辆在当前时刻对应的位置信息，从地图库中匹配所述位置信息对应的多条第一匹配道路；
第一确定模块，用于根据所述车辆在所述当前时刻通过多种传感器采集的道路信息，确定所述车辆在所述位置信息对应的多条第一匹配道路上的观测概率分布，将所述当前时刻对应的所述观测概率分布添加至概率分布集合，其中，所述概率分布集合中包括N个时刻对应的观测概率分布，第N个时刻为当前时刻，N为大于0的整数；
第二确定模块，用于根据所述当前时刻对应的所述多条第一匹配道路及前一时刻对应的多条第二匹配道路之间的关联性，确定所述当前时刻与所述前一时刻对应的状态转移矩阵，将所述状态转移矩阵添加至状态转移矩阵集合，其中，所述状态转移矩阵集合中包括N-1个状态转移矩阵，第N-1个状态转移矩阵为所述当前时刻与所述前一时刻对应的状态转移矩阵；
构建模块，用于根据所述概率分布集合及所述状态转移矩阵集合，构建隐马尔科夫链模型；
第三确定模块，用于通过所述隐马尔科夫链模型，从所述多条第一匹配道路中确定所述车辆在所述当前时刻所处的道路。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10任一项所述的方法的步骤。
13.种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10任一项所述的方法的步骤。
14.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至10任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111516918.8A CN114216467A (zh) | 2021-12-13 | 2021-12-13 | 道路定位方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111516918.8A CN114216467A (zh) | 2021-12-13 | 2021-12-13 | 道路定位方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114216467A true CN114216467A (zh) | 2022-03-22 |
Family
ID=80701253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111516918.8A Pending CN114216467A (zh) | 2021-12-13 | 2021-12-13 | 道路定位方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114216467A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116086469A (zh) * | 2023-01-16 | 2023-05-09 | 禾多科技（北京）有限公司 | 一种车道定位方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106595680A (zh) * | 2016-12-15 | 2017-04-26 | 福州大学 | 一种基于隐马尔可夫模型的车辆gps数据地图匹配方法 |
| CN110260870A (zh) * | 2019-07-18 | 2019-09-20 | 北京百度网讯科技有限公司 | 基于隐马尔可夫模型的地图匹配方法、装置、设备和介质 |
| CN110979346A (zh) * | 2019-11-29 | 2020-04-10 | 北京百度网讯科技有限公司 | 确定车辆所处车道的方法、装置及设备 |
| CN111177285A (zh) * | 2018-11-09 | 2020-05-19 | 厦门雅迅网络股份有限公司 | 一种电子地图精确定位方法、终端设备及存储介质 |
| CN111380546A (zh) * | 2018-12-28 | 2020-07-07 | 沈阳美行科技有限公司 | 基于平行道路的车辆定位方法、装置、电子设备和介质 |
| CN112884837A (zh) * | 2021-03-16 | 2021-06-01 | 百度在线网络技术（北京）有限公司 | 道路定位方法、装置、设备及存储介质 |
-
2021
- 2021-12-13 CN CN202111516918.8A patent/CN114216467A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106595680A (zh) * | 2016-12-15 | 2017-04-26 | 福州大学 | 一种基于隐马尔可夫模型的车辆gps数据地图匹配方法 |
| CN111177285A (zh) * | 2018-11-09 | 2020-05-19 | 厦门雅迅网络股份有限公司 | 一种电子地图精确定位方法、终端设备及存储介质 |
| CN111380546A (zh) * | 2018-12-28 | 2020-07-07 | 沈阳美行科技有限公司 | 基于平行道路的车辆定位方法、装置、电子设备和介质 |
| CN110260870A (zh) * | 2019-07-18 | 2019-09-20 | 北京百度网讯科技有限公司 | 基于隐马尔可夫模型的地图匹配方法、装置、设备和介质 |
| CN110979346A (zh) * | 2019-11-29 | 2020-04-10 | 北京百度网讯科技有限公司 | 确定车辆所处车道的方法、装置及设备 |
| CN112884837A (zh) * | 2021-03-16 | 2021-06-01 | 百度在线网络技术（北京）有限公司 | 道路定位方法、装置、设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116086469A (zh) * | 2023-01-16 | 2023-05-09 | 禾多科技（北京）有限公司 | 一种车道定位方法及装置 |
| CN116086469B (zh) * | 2023-01-16 | 2023-10-24 | 禾多科技（北京）有限公司 | 一种车道定位方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10663305B2 (en) | Map matched aggregation for K-anonymity in trajectory data | |
| US20200019815A1 (en) | Clustering for k-anonymity in location trajectory data | |
| US10546043B1 (en) | Triangulation for K-anonymity in location trajectory data | |
| EP3186662B1 (en) | Measuring traffic speed in a road network | |
| CN110457420B (zh) | 兴趣点位置识别方法、装置、设备及存储介质 | |
| CN111189459B (zh) | 一种定位信息与道路匹配的方法和装置 | |
| Aly et al. | Robust and ubiquitous smartphone-based lane detection | |
| CN113587944B (zh) | 准实时的车辆行驶路线生成方法、系统及设备 | |
| Liang et al. | NetTraj: A network-based vehicle trajectory prediction model with directional representation and spatiotemporal attention mechanisms | |
| CN111259444A (zh) | 一种融合隐私保护的轨迹数据标签聚类方法 | |
| CN114216467A (zh) | 道路定位方法、装置、计算机设备和存储介质 | |
| Yin et al. | Multimodal fusion of satellite images and crowdsourced GPS traces for robust road attribute detection | |
| CN116453371B (zh) | 共享车辆的还车识别方法、装置、计算机设备和存储介质 | |
| CN113689705B (zh) | 车辆闯红灯检测方法、装置、计算机设备和存储介质 | |
| CN114872718A (zh) | 车辆轨迹预测方法、装置、计算机设备和存储介质 | |
| CN115544191A (zh) | 基于三维点云众包式语义地图的更新方法和装置 | |
| CN114283397A (zh) | 全局重定位方法、装置、设备及存储介质 | |
| Yumaganov et al. | Map matching algorithm based on dynamic programming approach | |
| Yumaganov et al. | An improved map matching algorithm based on dynamic programming approach | |
| CN116644585B (zh) | 基于目标车辆危险度的险态场景数据生成方法和装置 | |
| KR102464358B1 (ko) | 머신러닝에 기반하여 이미지에 대응되는 공간 정보를 추정하기 위한 방법 및 이를 이용한 공간 추정 장치 | |
| CN116828397B (zh) | 一种轨迹信息的获取方法、装置、电子设备和存储介质 | |
| CN115994985B (zh) | 一种汽车域控制器及通勤道路上车辆自动建图和定位方法 | |
| CN113837155B (zh) | 图像处理、地图数据更新方法、装置和存储介质 | |
| Boonchoo | Capturing Spatial Relationship Mapping Patterns between GPS Coordinates and Road Network Using Machine Learning and Partitioning Techniques |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220322 |
|
| RJ01 | Rejection of invention patent application after publication |