CN114264301A - 车载多传感器融合定位方法、装置、芯片及终端 - Google Patents
车载多传感器融合定位方法、装置、芯片及终端 Download PDFInfo
- Publication number
- CN114264301A CN114264301A CN202111518614.5A CN202111518614A CN114264301A CN 114264301 A CN114264301 A CN 114264301A CN 202111518614 A CN202111518614 A CN 202111518614A CN 114264301 A CN114264301 A CN 114264301A
- Authority
- CN
- China
- Prior art keywords
- inertial navigation
- information
- positioning information
- vehicle
- combined
- 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 71
- 230000004927 fusion Effects 0.000 title claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims abstract description 57
- 230000033001 locomotion Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 12
- 238000005286 illumination Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 9
- 238000001914 filtration Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 241000764238 Isis Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Abstract
本申请公开了一种车载多传感器融合定位方法、装置、芯片和终端，涉及无人驾驶技术领域。其中，方法包括：通过第一组合惯导设备获取车辆的第一惯导定位信息，通过第二组合惯导设备获取车辆的第二惯导定位信息；根据第一惯导定位信息和第二惯导定位信息的异常情况，确定车辆的目标定位信息。通过本申请的技术方案，使得定位精度和定位稳定性在不同行驶场景下均能够满足无人驾驶车辆要求，保障无人驾驶车辆安全行驶。
Description
技术领域
本申请涉无人驾驶技术领域，尤其是涉及到一种车载多传感器融合定位方法、装置、芯片及终端。
背景技术
目前无人驾驶车辆的定位通常利用单一传感器进行定位，或者，利用多个传感器简单组合进行定位，但是，由于缺乏对GPS信号质量、光照、以及场景几何结构等因素的考虑，使得无人驾驶车辆在不同场景下的定位稳定性不同，存在定位精度较差，无法保证无人驾驶车辆安全行驶的情况。
发明内容
有鉴于此，本申请提供了一种车载多传感器融合定位方法、装置、芯片及终端，使得定位精度和定位稳定性在不同行驶场景下均能够满足无人驾驶车辆要求，保障无人驾驶车辆安全行驶。
根据本申请的第一个方面，提供了一种车载多传感器融合定位方法，该方法包括：
通过第一组合惯导设备获取车辆的第一惯导定位信息，通过第二组合惯导设备获取车辆的第二惯导定位信息；
根据第一惯导定位信息和第二惯导定位信息的异常情况，确定车辆的目标定位信息。
根据本申请的第二个方面，提供了一种车载多传感器融合定位装置，该装置包括：
第一组合惯导设备，用于获取车辆的第一惯导定位信息；
第二组合惯导设备，用于获取车辆的第二惯导定位信息；
处理模块，用于根据第一惯导定位信息和第二惯导定位信息的异常情况，确定车辆的目标定位信息。
根据本申请的第三个方面，提供了一种芯片，所述芯片包括至少一个处理器和通信接口，所述通信接口和所述至少一个处理器耦合，所述至少一个处理器用于运行计算机程序或指令，以实现上述的车载多传感器融合定位方法。
根据本申请的第四个方面，提供了一种终端，所述终端包括上述的车载多传感器融合定位装置。
借由上述技术方案，本申请提供的车载多传感器融合定位方法、装置、芯片及终端，与目前的相关技术相比，通过GNSS和IMU组成第一组合惯导设备，激光雷达和IMU组成第二组合惯导设备，通过第一组合惯导设备和第二组合惯导设备构建冗余定位系统，由于第一组合惯导设备输出的第一惯导定位信息、第二组合惯导设备输出的第二惯导定位信息在不同场景下的异常状态不同，因此，根据第一惯导定位信息和第二惯导定位信息的异常情况，确定车辆的目标定位信息，能大大减少GPS信号质量、光照以及场景几何结构对定位精度的影响，使得定位精度和定位稳定性在不同行驶场景下均能够满足无人驾驶车辆要求，保障无人驾驶车辆安全行驶。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了本申请实施例提供的一种车载多传感器融合定位方法的流程示意图；
图2示出了本申请实施例提供的另一种车载多传感器融合定位方法的流程示意图；
图3示出了本申请实施例提供的又一种车载多传感器融合定位方法的流程示意图；
图4示出了本申请实施例提供的因子图构建的示意图；
图5示出了本申请实施例提供的第一惯导设备工作原理流程示意图；
图6示出了本申请实施例提供的一种车载多传感器融合定位装置的示意框图；
图7示出了本申请实施例提供的另一种车载多传感器融合定位装置的示意框图；
图8示出了本申请实施例提供的一种芯片的示意框图；
图9示出了本申请实施例提供的一种终端的示意框图。
其中，图6至图9中附图标记与部件名称之间的对应关系为：
600车载多传感器融合定位装置，610第一组合惯导设备，611GNSS，612IMU，622融合输出单元，620第二组合惯导设备，621激光雷达，622三维点云地图，623地图匹配单元，624状态预测单元，625位姿确定单元，630处理模块，631异常检测单元，632后端优化单元，633定位输出单元，800芯片，801处理器，802总线，803通信接口，804存储器，900终端。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
目前无人驾驶车辆的定位通常利用单一传感器进行定位，或者，利用多个传感器简单组合进行定位，以提高定位精度。如通过相机获得的车道线观测信息为基础，结合IMU获得的航向观测信息和矢量地图进行对比，得到优化后车辆位姿，或采用激光SLAM(simultaneous localization and mapping，即时定位与地图构建)技术进行定位。但是，上述定位技术无法获得车辆的行驶过程中的全局不同场景下的定位信息，更多的是一种“里程计”功能，随着车辆行驶距离增加，累积误差越来越大。如在依赖相机对车道线检测的结果进行定位的情况下，若GPS信号不好或由于光照等原因出现相机无法准确识别出车道线时，定位稳定性会显著下降。而激光SLAM的方法在缺乏几何结构信息的场景下会发生退化，最终都会导致定位精度下降，因此，上述定位方法由于缺乏对GPS信号质量、光照、以及场景几何结构等因素的考虑，使得无人驾驶车辆在不同场景下的定位稳定性不同，存在定位精度较差，无法保证无人驾驶车辆安全行驶的情况。
针对目前现有技术中存在的问题，本实施例提供了一种无人驾驶车辆的防碰撞方法，结合预先构建的三维点云地图，使用GNSS组合惯导、激光雷达组合惯导构建冗余定位系统，能大大减少GPS信号质量、光照以及场景几何结构对定位精度的影响，使得定位精度和稳定性满足无人驾驶车辆要求，保障无人驾驶车辆安全行驶。如图1所示，该方法包括：
步骤S102：通过第一组合惯导设备获取车辆的第一惯导定位信息。
其中，第一组合惯导设备包括GNSS(Global Navigation Satellite System，全球导航卫星系统)和IMU(Inertial Measurement Unit，惯性传感器)，也就是说，第一组合惯导设备获取车辆的第一惯导定位信息是通过GNSS和IMU获取的，具体地，第一组合惯导设备对GNSS和IMU采集的信息，结合载波相位差分技术，获取第一惯导定位信息，且在开阔环境下，第一惯导定位信息能够实现无人驾驶车辆的精准定位，如能够实现开阔环境下车辆的厘米级定位，进而能够在该种场景下确保定位精度和定位的稳定性。
可以理解的是，在几何结构信息较为丰富的场景中，会影响GNSS获取信息的准确性，如车辆行驶在高楼巷道附近，此时，第一组合惯导设备获取的车辆的第一惯导定位信息会与车辆的实际位置信息的误差较大，存在定位精度较差的问题，进而影响定位的稳定性。
步骤S104：通过第二组合惯导设备获取车辆的第二惯导定位信息。
其中，第二组合惯导设备包括激光雷达和IMU，具体地，第二组合惯导以激光雷达的输出信息、IMU的输出信息、结合预先构建的三维点云地图，通过IEKF(IterativeExtended Kalman Filter，迭代扩展卡尔曼滤波)技术进行位姿估计，以输出第二惯导定位信息。并且，在几何结构信息较为丰富的场景中，第二惯导定位信息能够实现无人驾驶车辆的精准定位，进而能够在该种场景下确保定位精度和定位的稳定性。
可以理解的是，在几何结构信息较为缺乏的场景中，会影响激光雷达获取信息的准确性，如车辆行驶在开阔环境下，由于此时几何结构信息较为缺乏，此时，第二组合惯导设备获取的车辆的第二惯导定位信息会与车辆的实际位置信息的误差较大，存在定位精度较差的问题，进而影响定位的稳定性。
进一步地，由于GPS(Global Positioning System,全球定位系统)信号不好，或光照等原因，会出现激光雷达无法准确识别车辆定位位置信息的问题，进而使得第二组合惯导设备获取的车辆的第二惯导定位信息会与车辆的实际位置信息的误差较大，定位稳定性会显著下降，无法保障无人驾驶车辆安全行驶。
步骤S106：根据第一惯导定位信息和第二惯导定位信息的异常情况，确定车辆的目标定位信息。
其中，车辆的目标定位信息为最终车辆的定位信息。由于车辆在行驶过程中，会经过不同的场景，以车辆在城市场景行驶为例，当车辆行驶到开阔区域，场景缺乏几何结构信息，此时会存在第二组合惯导设备获取的第二惯导定位信息与实际定位信息误差较大的问题，即第二惯导定位信息处于异常状态。当车辆行驶到高楼巷道之间，场景几何结构信息较为丰富，此时，会存在第一组合惯导设备获取的第一惯导定位信息与实际定位信息误差较大的问题，即第一惯导定位信息处于异常状态。同时，在车辆行驶过程中，GPS信号或光照等原因，也会影响第二惯导定位信息异常情况。也就是说，第一惯导定位信息和第二惯导定位信息的异常情况与车辆行驶的场景相关，因此，根据第一惯导定位信息和第二惯导定位信息的异常情况，确定车辆的目标定位信息，使得车辆的目标定位信息能够实时与车辆的行驶场景相关，进一步第，车辆的目标定位信息能够与车辆行驶场景中的几何结构信息、GPS信号、光照等因素有关，进而使得无人驾驶车辆在不同场景下的目标定位信息均能够较为准确、可靠，实现车辆的行驶过程中的全局不同场景下的精准定位，且能够确保定位的稳定性，提高车辆行驶的安全性。
也就是说，本申请提供的车载多传感器融合定位方法，GNSS和IMU组成第一组合惯导设备，激光雷达和IMU组成第二组合惯导设备，通过第一组合惯导设备和第二组合惯导设备构建冗余定位系统，由于第一组合惯导设备输出的第一惯导定位信息、第二组合惯导设备输出的第二惯导定位信息在不同场景的不同因素的影响下异常状态不同，因此，根据第一惯导定位信息和第二惯导定位信息的异常情况，确定车辆的目标定位信息，能够大大减少GPS信号质量、光照以及场景几何结构对定位精度的影响，使得定位精度和定位稳定性在不同行驶场景下均能够满足无人驾驶车辆要求，保障无人驾驶车辆安全行驶。
在本申请提供的一具体示例中，第一组合惯性设备和第二组合惯导设备可以共用一个IMU，这样，使得第一组合惯性设备和第二组合惯导设备相互关联，有利于简化结构，降低制造成本。可以理解的是，在本申请提供的另一具体示例中，第一组合惯导设备和第二组合惯导设备可以分别设置IMU，即第一组合惯导设备可以设置一个IMU，第二组合惯导设备另设置一个IMU。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例中的过程，在本申请提供的一些可能实现的实施例中，上述步骤S106包括如下具体方法和步骤。
S106-2：基于只有第一惯导定位信息处于异常，将第二惯导定位信息确定为目标定位信息。
在该实施例中，如车辆可能行驶在几何结构信息较为集中的场景中，如车辆行驶在高楼巷道之间，此时，第一组合惯导设备的定位精度会发生退化，使得第一惯导定位信息处于异常，而由于几何结构信息较为集中，使得第二惯导定位信息的定位精度较高，即第二惯导定位信息属于正常，因此，将第二惯导定位信息确定为目标定位信息，使得在该种场景下，车辆具有较高的定位精度和稳定性。
S106-4：基于只有第二惯导定位信息处于异常，将第一惯导定位信息确定为目标定位信息。
在该实施例中，当车辆行驶到开阔区域使得场景中缺乏几何结构信息、或CPS信号较弱、光照不足等情况时，第二组合惯导设备的定位精度发生退化，使得第二惯导定位信息处于异常，而由于场景较为开阔，使得第一惯导定位信息的定位精度较高，即第一惯导定位信息属于正常，因此，将第一惯导定位信息确定为目标定位信息，使得在该种场景下，车辆具有较高的定位精度和稳定性。
S106-6：基于第一惯导定位信息和第二惯导定位信息均处于异常，将第一惯导定位信息确定为目标定位信息。
在该实施例中，当第一组合惯导设备和第二组合惯导设备的定位精度均发生退回，即第一惯导定位信息和第二惯导定位信息均处于异常时，可以认为第一组合惯导设备的短时精度要高于第二组合惯导设备的短时精度，因此，将第一惯导定位信息确定为目标定位信息，使得在该种场景下，车辆具有较高的定位精度和稳定性。
S106-8：基于第一惯导定位信息和第二惯导定位信息均处于正常，对第一惯导定位信息和第二惯导定位信息进行融合处理得到车辆的目标定位信息。
在该实施例中，当第一组合惯导设备和第二组合惯导设备的定位精度均在正常范围内，即第一惯导定位信息和第二惯导定位信息均处于正常时，可以对第一惯导定位信息和第二惯导定位信息进行融合处理得到车辆的目标定位信息，使得在该种场景下，车辆具有较高的定位精度和稳定性。
也就是说，本申请提供的车载多传感器融合定位方法，通过对第一惯导定位信息和第二惯导定位信息的异常情况的判断和分析，以确定不同的目标定位信息，使得通过异常处理策略能够在弱GPS环境下稳定工作，并且不受环境光影响，同时，能够改善相关技术中通过激光SLAM(simultaneous localization and mapping，同步定位与建图)算法的定位方法在缺乏几何结构场景下的位姿估计，进而提高了定位系统鲁棒性。
进一步地，本申请实施例提供的定位方法，仅在当第一组合惯导设备和第二组合惯导设备的定位精度均在正常范围内时，需要对第一惯导定位信息和第二惯导定位信息进行融合确定目标定位信息，对于其他第一组合惯导设备和第二组合惯导设备的定位精度处于非正常范围时，将第一惯导定位信息和第二惯导定位信息中的一个作为最终的目标定位信息，与相关技术中，始终将不同进行进行融合确定目标定位信息相比，大大简化了算法程序，有利于提高定位效率，进而提高定位精度。
在本申请提供的一些可能实现的实施例中，上述步骤S106包括如下具体方法和步骤。
根据第一惯导定位信息和第二惯导定位信息的异常情况构建因子图，通过因子图的输出信息确定目标定位信息。
也就是说，本申请根据第一惯导定位信息和第二惯导定位信息的异常情况，通过因子图对第一惯导定位信息和第二惯导定位信息进行融合，以使最终确定的目标定位信息能够保障整个定位系统的精度和稳定性。
具体地，基于第一惯导定位信息和第二惯导定位信息不同的异常情况，可以构建不同的因子图。举例而言，如图4所示，X1、X2、X3、X4为优化变量节点，黑色实心圆表示因子节点，L表示接收到的第二惯导定位信息，G表示接收到的第一惯导定位信息，A、B、C表示三种不同的因子图模型。通常情况下，车辆的定位信息包括里程计因子和先验因子，二者按照不同的权重分配构成车辆的定位信息。其中，构造因子图的策略如下：
当异常检测单元未检测到问题时，即第一惯导定位信息和第二惯导定位信息均正常，构造如图4中的A所示的因子图，其中，第一惯导定位信息为车辆定位信息中的先验因子，第二惯导定位信息为车辆信息中的里程计因子，此时，先验因子的权重系数和里程计因子的权重系数可以根据具体情况进行匹配。
当异常检测单元只检测到第二惯导定位信息异常时，如第二组合惯导设备的定位精度出现问题时，构造如图4中的B所示的因子图，此时，舍弃第二惯导定位信息，将第一惯导定位信息作为里程计因子，即第二惯导定位信息作为先验因子，先验因子的权重系数可以为0，里程计因子的权重系数可以为1。
当异常检测单元只检测到第一惯导定位信息异常时，即第一组合惯导设备的定位精度出现问题时，构造如图4中的C所示的因子图，此时，舍弃第一惯导定位信息，将第二惯导定位信息作为里程计因子，此时，先验因子的权重系数可以为0，里程计因子的权重系数可以为1。
当异常检测单元检测到第一惯导定位信息和第二惯导定位信息均异常时，即第一组合惯导设备和第二组合惯导设备的定位精度均出现了退化的问题，此时认为第一组合惯导设备的短时精度要高于第二组合惯导设备的短时精度，构造如图4中的B所示的因子图，此时，舍弃第二惯导定位信息，将第一惯导定位信息作为里程计因子，即第二惯导定位信息作为先验因子，先验因子的权重系数可以为0，里程计因子的权重系数可以为1。
在本申请提供的一些可能实现的实施例中，如图2所示，上述步骤S102包括如下具体方法和步骤。
S102-2：根据IMU状态预测产生的位姿信息对导航参数进行初始赋值；
S102-4：GNSS采集的测量信息经卡尔曼滤波器后输出第一位置信息；
S102-6：对导航参数和第一位置信息进行组合卡尔曼融合，估算惯导误差并反馈给导航参数进行校正；
S102-8：校正后输出的导航参数为第一惯导定位信息，其中，导航参数包括第一经度信息、第一纬度信息、第一海拔信息、第一姿态信息。
在该实施例中，导航参数可以包括经度信息、纬度信息、海拔信息、姿态信息等参数，首先，根据IMU状态预测产生的位姿信息作为导航参数的初始值，然后，利用GNSS采集的测量信息，经卡尔曼滤波器过滤后输出第一位置信息，其中，第一位置信息可以为速度和位置，然后，将第一位置信息作为测量输入给到组合卡尔曼滤波器，如INS/GNSS组合卡尔曼滤波器，组合卡尔曼滤波器利用第一位置信息对导航参数的初始值进行惯导误差估计，利用该惯导误差进一步对导航参数进行校正，最后，将校正后的导航参数输出，即构成第一惯导定位信息，其中，第一惯导定位信息包括校正后的导航参数中的经度信息、纬度信息、海拔信息、姿态信息。
在具体实施例中，如图5所示，第一组合惯导设备包括GNSS、IMU、INS/GNSS组合卡尔曼滤波器，GNSS包括GNSS接收机、GNSS测距处理器，GNSS卡尔曼滤波器，其中，根据IMU状态预测产生的位姿信息作为惯性导航的导航参数的初始值后，该导航参数的初始值可以作为辅助信息使GNSS测试处理器对GNSS接收机的信息进行处理，上述处理后的信息经GNSS卡尔曼滤波器过滤后形成第一信息传输至INS/GNSS组合卡尔曼滤波器，INS/GNSS组合卡尔曼滤波器利用第一位置信息对导航参数的初始值进行惯导误差估计，利用该惯导误差进一步对导航参数进行INS校正，最后，将校正后的导航参数输出。其中，INS校正构成闭环系统，以提高校正的准确性。
在上述实施例中，校正后输出的导航参数还包括导航参数对应的协方差，如协方差为
第一惯导定位信息处于异常还包括如下方法和步骤。
其中，第一预设阈值可以是一个固定值，也可以是一个范围，如第一预设阈值可以为0.1，0.2、0.3等满足要求的其他数值，或者，第一预设阈值可以为0.1至0.2、0.1至0.3等满足要求的其他范围。当协方差
大于第一预设阈值，说明第一组合惯导设备获取的第一惯导定位信息与实际定位信息的误差较大，第一组合惯导设备的定位精度退化，所以，确定第一惯导定位信息异常，即第一组合惯导设备异常。
在本申请提供的一些可能实现的实施例中，第一惯导定位信息处于异常还包括如下方法和步骤。
步骤S106-2-2：通过GNSS获取搜星数量，若搜星数量小于第二预设阈值，确定第一组合惯导设备异常。
其中，第二预设阈值可以是一个固定值，也可以是一个范围，如第二预设阈值可以为6、7、8等满足要求的其他数值，或者，第二预设阈值可以为6至8等满足要求的其他范围。通过GNSS获取搜星数量，当搜星数量小于第二预设阈值，说明第一组合惯导设备获取的第一惯导定位信息与实际定位信息的误差较大，第一组合惯导设备的定位精度退化，所以，确定第一惯导定位信息异常，即第一组合惯导设备异常。
进一步地，可以利用协方差大于第一预设阈值、搜星数量小于第二预设阈值中的一种方法对第一组合惯导设备异常的情况进行判断。或者，可以利用协方差大于第一预设阈值、搜星数量小于第二预设阈值两种方法同时对第一组合惯导设备异常的情况进行判断，当协方差和搜星数量中的一个先符合条件，如协方差大于第一预设阈值先符合条件，或搜星数量小于第二预设阈值先符合条件，即可确定第一组合惯导设备异常。
在本申请提供的一些可能实现的实施例中，如图3所示，步骤S104具体包括如下方法和步骤。
步骤S104-2：根据IMU状态预测产生的位姿信息确定激光雷达的预估位姿信息；
步骤S104-4：利用激光雷达的相对运动对激光雷达采集的点云数据进行点云运动畸变补偿，获取去畸变后的当前帧点云；
步骤S104-6：将当前帧点云和点云子图进行配准获得激光雷达的位姿信息；其中点云子图是根据预估位姿信息对预设的三维点云地图进行切割获取的；
步骤S104-8：将IMU状态预测产生的位姿信息和激光雷达的位姿信息进行融合确定第二惯导定位信息。
在该实施例中，第二组合惯导设备包括激光雷达、IMU、以及预先构建好的三维点云地图组件，通过IEKF(Iterative Extended Kalman Filter，迭代扩展卡尔曼滤波)技术，对IMU状态预测产生的位姿信息和激光雷达的位姿信息进行位姿融合以确定第二惯导定位信息，以确保第二惯导定位信息的定位精度。
具体地，首先，根据IMU状态预测产生的位姿信息确定激光雷达的预估位姿信息，以确定大致定位范围。接着利用激光雷达的相对运动对激光雷达采集的点云数据进行点云运动畸变补偿，有利于减小激光雷达位姿信息的误差。在此基础上，获取去畸变后的当前帧点云，并根据激光雷达的预估位姿信息对预设的三维点云地图进行切割获取点云子图。然后，将当前帧点云和点云子图进行配准获得激光雷达的位姿信息，进一步提高了激光雷达位姿信息的准确性。最后，将IMU状态预测产生的位姿信息和激光雷达的位姿信息进行融合来确定第二惯导定位信息，能够大大提高第二惯导定位信息的精准性。其中，三维点云地图是预先存储的，三维点云地图中保存着点的三维空间坐标信息，并且三维点云地图都对应一个地图原点，包括经度信息、纬度信息、海拔信息等。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例中的过程，在本申请提供的一些可能实现的实施例中，步骤S104-2具体包括如下方法和步骤。
设定相邻点云时刻分别是k-1时刻和k时刻，以三维点云地图原点为坐标原点，将对应时刻IMU状态预测产生的位姿信息转换为李群中的位姿信息
根据
确定k时刻激光雷达的预估位姿信息
其中
为激光雷达到IMU的外参。步骤S104-4具体包括如下方法和步骤。
根据k-1时刻和k时刻的IMU状态预测产生的位姿信息计算IMU相对运动
根据IMU相对运动和外参，确定激光雷达的相对运动为
获取k时刻点云中每个点pi的相对k-1时刻的相对时间ti，通过插值计算确定点pi的相对运动
进而确定k时刻的位置坐标
实现点云运动畸变补偿。
其中，通过点云运动畸变补偿，能够显著提高定位精度，并能够优化地图质量，例如，对消除路口转弯导致的地图重影有明显效果。
在本申请提供的具体实施例中，获取点云子图具体包括如下方法和步骤。
首次加载三维点云地图时，从激光雷达位姿
获取激光雷达的当前预测位置，以激光雷达的当前位置为中心，以第一线段为边长，在三维点云地图中加载出一个正方体子图作为点云子图，其中，第一线段的长度与激光雷达的量程相关；
依次根据当前时刻的激光雷达的预测位置来确定预测位置和点云子图边界之间的最短距离；
若最短距离小于第三预设阈值，则确定需要更新点云子图，否则，确定不需要更新点云子图。
其中，第一线段的长度与激光雷达的量程相关，如第一线段的长度可以为激光雷达量程的0.75倍、0.8倍、0.85倍、或满足要求的其他关系等。第三预设阈值可以为具体数值或数值范围，如第三预设阈值可以为150米、160米、170米或满足要求的其他数值，或者，第三预设阈值可以为150米至160米、150米至170米、或满足要求的其他数值范围。当最短距离小于第三预设阈值，说明当前帧和点云子图的重合区域较小，因此，需要重新划分点云子图，以保证当前帧和点云子图有足够的重合区域，确保良好的定位精度。可以理解的是，当最短距离小于第三预设阈值，说明当前帧和点云子图的重合区域足够大，不需要重新划分点云子图。
在上述实施例中，步骤S104-6具体包括如下方法和步骤。
步骤S104-6-1：构建当前帧点云到点云子图的距离的最小二乘约束，将IMU状态预测产生的位姿信息作为最小二乘约束的初值，求解最小二乘约束估计激光雷达的位姿信息。
也就是说，本申请的实施例，通过IMU状态预测产生的位姿信息能够辅助确定激光雷达的位姿信息，有利于提高激光雷达的位姿信息确定的准确性。
在上述实施例中，步骤S104-8具体包括如下方法和步骤。
应用迭代扩展卡尔曼滤波算法将IMU状态预测产生的位姿信息和激光雷达的位姿信息进行融合获得第二惯导定位信息。
在该实施例中，由于在确定激光雷达的位姿信息的过程中已经结合了IMU状态预测产生的位姿信息，而在对IMU状态预测产生的位姿信息和激光雷达的位姿信息进行融合确定第二惯导定位信息的过程中，又一次利用了IMU状态预测产生的位姿信息，即在确定第二惯导定位信息的过程中，充分利用了IMU状态预测产生的位姿信息，并结合了激光雷达的位姿信息，有利于提高第二惯导定位信息的准确性。同时，由于迭代扩展卡尔曼滤波算法的收敛性较好，因此，通过迭代扩展卡尔曼滤波算法对IMU状态预测产生的位姿信息和激光雷达的位姿信息进行融合确定第二惯导定位信息，有利于提高第二惯导定位信息的估算精度，即减小第二惯导定位信息的定位误差，提高定位精准性。
在具体实施例中，步骤步骤S104-6-1具体包括如下方法和步骤。
设定当前帧点云第i个点属于点云子图中的某个平面，则第i个点到平面的距离误差如公式(1)表示：
其中，nj为平面法向量，qj为平面上一点。
设定迭代卡尔曼滤波最小二乘误差如公式(2)表示：
其中，优化变量为
用于表示IMU在k时刻的位姿，m表示迭代次数，第一次迭代的初值为
为激光雷达的测量协方差，用于表征激光雷达的测量精度。通过高斯牛顿法迭代求解，输出更新后的激光雷达的位姿信息。
也就是说，本申请通过构建当前帧点云到点云子图的距离约束，通过高斯牛顿法迭代求解对运动状态进行更新，以减小定位误差。
在具体实施例中，根据公式(2)，设
利用公式(3)对公式(2)进行高斯牛顿法迭代求解。其中，公式(3)为
其中，
当有N个点时，公式(3)可写成公式(4)：
记
则公式(4)写为Aξ＝B，进一步得到：ATAξ＝ATB；其中，A为N个Ji的雅可比矩阵。
然后对ATA进行特征值分解，如果在算法第一次迭代时，即首次迭代时，ATA的最小特征值小于第四预设阈值，则认为第二组合惯导设备的定位精度下降，第二组合惯导设备异常。其中，第四预设阈值可以为固定的数值或数值范围，如第四预设阈值可以为0.2、0.3、0.4或满足要求的其他数值，或者，第四预设阈值可以为0.2至0.3、0.2至0.4、或满足要求的其他数值范围。
进一步地，作为图1所示方法的具体实现，本申请实施例提供了车载多传感器融合定位装置600，如图6所示，该车载多传感器融合定位装置600包括：第一组合惯导设备610，用于获取车辆的第一惯导定位信息；第二组合惯导设备620，用于获取车辆的第二惯导定位信息；处理模块630，用于根据第一惯导定位信息和第二惯导定位信息的异常情况，确定车辆的目标定位信息。
在具体的应用场景中，第一组合惯导设备610包括GNSS611和IMU612；第二组合惯导设备620包括激光雷达621和IMU612；其中，第一组合惯性设备和第二组合惯导设备620可以共用一个IMU612。
在具体的应用场景中，如图7所示，处理模块630包括：异常检测单元631，用于基于只有第一惯导定位信息处于异常，将第二惯导定位信息确定为目标定位信息；还用于：基于只有第二惯导定位信息处于异常，将第一惯导定位信息确定为目标定位信息；还用于：基于第一惯导定位信息和第二惯导定位信息均处于异常，将第一惯导定位信息确定为目标定位信息；还用于：基于第一惯导定位信息和第二惯导定位信息均处于正常，对第一惯导定位信息和第二惯导定位信息进行融合处理得到车辆的目标定位信息。
在具体的应用场景中，如图7所示，处理模块630包括还包括：后端优化单元632，用于根据第一惯导定位信息和第二惯导定位信息的异常情况构建因子图；定位输出单元633，通过因子图的信息输出目标定位信息。
在具体的应用场景中，如图7所示，第一组合惯导设备610还包括：卡尔曼滤波器、组合卡尔曼融合单元、校正单元和融合输出单元613；其中，IMU612：用于根据IMU612状态预测产生的位姿信息对导航参数进行初始赋值；GNSS611：用于采集的测量信息；卡尔曼滤波器，用于对GNSS611采集的测量信息过滤后输出第二位置信息；校正单元，用于对导航参数和第二位置信息进行组合卡尔曼融合，估算惯导误差并反馈给导航参数进行校正；融合输出单元613，用于输出校正后的导航参数。
在具体的应用场景中，参数输出单元还用于：输出导航参数对应的协方差；异常检测单元631包括第一确定子单元，用于若协方差大于第一预设阈值，确定第一组合惯导设备610异常。
在具体的应用场景中，异常检测单元631还包括：第二确定子单元，用于通过GNSS611获取搜星数量，若搜星数量小于第二预设阈值，确定第一组合惯导设备610异常。
在具体的应用场景中，如图7所示，第二组合惯导设备620获取车辆还包括：状态预测单元624，用于根据IMU612状态预测产生的位姿信息确定激光雷达621的预估位姿信息；运动畸变补偿单元，用于利用激光雷达621的相对运动对激光雷达621采集的点云数据进行点云运动畸变补偿，获取去畸变后的当前帧点云；地图匹配单元623，用于将当前帧点云和点云子图进行配准获得激光雷达621的位姿信息，其中点云子图是根据预估位姿信息对预设的三维点云地图622进行切割获取的；位姿确定单元625，用于将IMU612状态预测产生的位姿信息和激光雷达621的位姿信息进行融合确定第二惯导定位信息。
在具体的应用场景中，状态预测单元包括：李群转换子单元，设定相邻点云时刻分别是k-1时刻和k时刻，以三维点云地图622原点为坐标原点，将对应时刻IMU612状态预测产生的位姿信息转换为李群中的位姿信息
根据
确定k时刻激光雷达621的预估位姿信息
其中
为激光雷达621到IMU612的外参。
在具体的应用场景中，运动畸变补偿具体包括：第一计算子单元，用于根据k-1时刻和k时刻的IMU612状态预测产生的位姿信息计算IMU相对运动
相对运动确定子单元，用于根据IMU相对运动和外参，确定激光雷达621的相对运动为
第二计算子单元，用于获取k时刻点云中每个点pi的相对k-1时刻的相对时间ti，通过插值计算确定点pi的相对运动
进而确定k时刻的位置坐标
实现点云运动畸变补偿。
在具体的应用场景中，地图匹配单元623具体包括：点云子图确定子单元，用于首次加载三维点云地图622时，从激光雷达621位姿
获取激光雷达621的当前预测位置，以激光雷达621的当前预测位置为中心，以第一线段为边长，在三维点云地图622中加载出一个正方体子图作为点云子图，其中，第一线段的长度与激光雷达621的量程相关；距离约束确定子单元，用于依次根据当前时刻的激光雷达621的预测位置来确定预测位置和点云子图边界之间的最短距离；更新确认子单元，用于若最短距离小于第三预设阈值，则确定需要更新点云子图，否则，确定不需要更新点云子图。
在具体的应用场景中，地图匹配单元623具体还包括：位姿信息估计子单元，用于构建当前帧点云到点云子图的距离的最小二乘约束，将IMU状态预测产生的位姿信息作为最小二乘约束的初值，求解最小二乘约束估计激光雷达的位姿信息。
在具体的应用场景中，位姿确定单元625具体包括：融合子单元，用于应用迭代扩展卡尔曼滤波算法将IMU状态预测产生的位姿信息和激光雷达的位姿信息进行融合获得第二惯导定位信息。
在具体的应用场景中，位姿信息估计子单元具体用于：设定当前帧点云第i个点属于点云子图中的某个平面，则第i个点到平面的距离误差如公式(1)表示：
其中，nj为平面法向量，qj为平面上一点；设定迭代卡尔曼滤波最小二乘误差如公式(2)表示：
其中，优化变量为
用于表示IMU612在k时刻的位姿，m表示迭代次数，第一次迭代的初值为
为激光雷达621的测量协方差，用于表征激光雷达621的测量精度；通过高斯牛顿法迭代求解，输出更新后的激光雷达621的位姿信息。
在具体的应用场景中，异常检测单元631还包括第三确定子单元，第三确定子单元具体还用于：
利用公式(3)对公式(2)进行高斯牛顿法迭代求解，公式(3)为：
其中，
当有N个点时，公式(3)可写成公式(4)：
记
则式(4)写为Aξ＝B，进一步得到：
ATAξ＝ATB，对ATA进行特征值分解，在计算过程中首次迭代时ATA的最小特征值小于第四预设阈值，则确定第二组合惯导设备620异常。
在本申请提供的一个具体实施例中，如图7所示，车载多传感器融合定位装置600包括第一组合惯导设备610、第二组合惯导设备620和处理模块630。
其中，第一组合惯导设备610包括IMU612、GNSS611、状态预测单元624和融合输出单元613，可以理解的是，第一组合惯导设备610还包括其他单元，在此不一一列举。第一组合惯导设备610的大致工作原理为：状态预测单元624利用IMU612采集的第一位姿信息对导航参数进行初始赋值，实现位姿预估，同时，将GNSS611的输出信息经处理后与状态预测单元624的输出结果进行融合，最终经融合输出单元613输出第一惯导定位信息至处理模块630。
其中，第二组合惯导设备620包括三维点云地图622、激光雷达621、IMU612、状态预测单元624、地图匹配单元623、位姿确定单元625等，可以理解的是，第二组合惯导设备620还包括其他单元，在此不一一列举。第二组合惯导设备620的大致工作原理为：状态预测单元624基于IMU612采集的第一位姿信息先进行位姿预估，接着地图匹配单元623根据接收到的三维点云地图622和激光雷达621的输出信息，对三维点云地图622进行运动补偿。随后位姿确定单元625根据状态预测单元624输入的位姿预估信息判断否需要更新三维点云地图622中的点云子图，在需要更新点云子图的情况下，最后构建帧到点云子图的距离约束，通过迭代卡尔曼滤波算法对运动状态进行更新，最终位姿确定单元625输出第二惯导定位信息至处理模块630。
其中，处理模块630包括异常检测单元631、后端优化单元632、定位输出单元633，可以理解的是，处理模块630还可以包括其他单元，在此不一一列举。处理模块630的工作原理大致如下：异常检测单元631负责对接收到的第一惯导定位信息和第二惯导定位信息的工作状态进行检测，以确定第一惯导定位信息和/或第二惯导定位信息是否异常，并将异常结果输出至后端优化单元632。后端优化单元632根据接收到的第一惯导定位信息和/或第二惯导定位信息的异常情况进行干预，通过因子图结构，实现权重分配，并将优化结果传输给定位输出单元633。定位输出单元633根据接收到的优化结果，输出最终的目标定位信息，实现车辆的定位。
进一步地，如图8所示，本申第三个方面的实施例，提供了一种芯片，芯片800包括一个或两个以上(包括两个)处理器801和通信接口803。通信接口803和至少一个处理器801耦合，至少一个处理器801用于运行计算机程序或指令，以实现上述的车载多传感器融合定位方法。
优选地，存储器804存储了如下的元素：可执行模块或者数据结构，或者他们的子集，或者他们的扩展集。
本申请实施例中，存储器804可以包括只读存储器和随机存取存储器，并向处理器901提供指令和数据。存储器804的一部分还可以包括非易失性随机存取存储器(non-volatile random access memory，NVRAM)。
本申请实施例中，存储器804、通信接口803以及存储器804通过总线系统802耦合在一起。其中，总线系统802除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。为了便于描述，在图8中将各种总线都标为总线系统802。
上述本申请实施例描述的方法可以应用于处理器801中，或者由处理器801实现。处理器801可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器801中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器801可以是通用处理器(例如，微处理器或常规处理器)、数字信号处理器(DigitalSignal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门、晶体管逻辑器件或分立硬件组件，处理器801可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。
进一步地，如图9所示，本申请第四个方面的实施例，提供了一种终端，终端900包括上述的车载多传感器融合定位装置400。上述终端900可以通过车载多传感器融合定位装置400执行上述实施例所描述的方法。可以理解，终端900对车载多传感器融合定位装置进行控制的实现方式，可以根据实际应用场景设定，本申请实施例不作具体限定。
终端900包括但不限于：车辆、车载终端、车载控制器、车载模块、车载模组、车载部件、车载芯片、车载单元、车载雷达或车载摄像头等其他传感器，车辆可通过该车载终端、车载控制器、车载模块、车载模组、车载部件、车载芯片、车载单元、车载雷达或摄像头，实施本申请提供的方法。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (10)
1.一种车载多传感器融合定位方法，其特征在于，包括：
通过第一组合惯导设备获取车辆的第一惯导定位信息；
通过第二组合惯导设备获取车辆的第二惯导定位信息；
根据第一惯导定位信息和第二惯导定位信息的异常情况，确定车辆的目标定位信息。
2.根据权利要求1所述的方法，其特征在于，
所述第一组合惯导设备包括GNSS和IMU；
所述第二组合惯导设备包括激光雷达和IMU；
其中，所述第一组合惯性设备和所述第二组合惯导设备可以共用一个所述IMU。
3.根据权利要求2所述的方法，其特征在于，所述根据第一惯导定位信息和第二惯导定位信息，确定车辆的目标定位信息，具体包括：
基于只有所述第一惯导定位信息处于异常，将所述第二惯导定位信息确定为所述目标定位信息；
基于只有所述第二惯导定位信息处于异常，将所述第一惯导定位信息确定为所述目标定位信息；
基于所述第一惯导定位信息和所述第二惯导定位信息均处于异常，将所述第一惯导定位信息确定为所述目标定位信息；
基于所述第一惯导定位信息和所述第二惯导定位信息均处于正常，对所述第一惯导定位信息和所述第二惯导定位信息进行融合处理得到所述车辆的目标定位信息。
4.根据权利要求3所述的方法，其特征在于，所述根据第一惯导定位信息和第二惯导定位信息，确定车辆的目标定位信息，具体包括：
根据所述第一惯导定位信息和所述第二惯导定位信息的异常情况构建因子图，通过所述因子图的输出信息确定所述目标定位信息。
5.根据权利要求3所述的方法，其特征在于，所述通过第一组合惯导设备获取车辆的第一惯导定位信息，具体包括：
根据所述IMU状态预测产生的位姿信息对导航参数进行初始赋值；
所述GNSS采集的测量信息经卡尔曼滤波器后输出第一位置信息；
对所述导航参数和所述第一位置信息进行组合卡尔曼融合，估算惯导误差并反馈给导航参数进行校正；
校正后输出的所述导航参数为所述第一惯导定位信息，其中，所述导航参数包括经度信息、纬度信息、海拔信息、姿态信息。
6.根据权利要求5所述的方法，其特征在于，校正后输出的所述导航参数还包括导航参数对应的协方差，所述第一惯导定位信息处于异常，具体包括：
若所述协方差大于第一预设阈值，确定所述第一组合惯导设备异常。
7.根据权利要求5所述的方法，其特征在于，所述通过第二组合惯导设备获取车辆的第二惯导定位信息，具体包括：
根据所述IMU状态预测产生的位姿信息确定所述激光雷达的预估位姿信息；
利用所述激光雷达的相对运动对所述激光雷达采集的点云数据进行点云运动畸变补偿，获取去畸变后的当前帧点云；
将所述当前帧点云和点云子图进行配准获得所述激光雷达的位姿信息；其中所述点云子图是根据所述预估位姿信息对预设的三维点云地图进行切割获取的；
将所述IMU状态预测产生的位姿信息和所述激光雷达的位姿信息进行融合确定所述第二惯导定位信息。
8.一种车载多传感器融合定位装置，其特征在于，包括：
第一组合惯导设备，用于获取车辆的第一惯导定位信息；
第二组合惯导设备，用于获取车辆的第二惯导定位信息；
处理模块，用于根据第一惯导定位信息和第二惯导定位信息的异常情况，确定车辆的目标定位信息。
9.一种芯片，其特征在于，所述芯片包括至少一个处理器和通信接口，所述通信接口和所述至少一个处理器耦合，所述至少一个处理器用于运行计算机程序或指令，以实现如权利要求1至7中任一项所述的车载多传感器融合定位方法。
10.一种终端，其特征在于，所述终端包括如权利要求8所述的车载多传感器融合定位装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111518614.5A CN114264301A (zh) | 2021-12-13 | 2021-12-13 | 车载多传感器融合定位方法、装置、芯片及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111518614.5A CN114264301A (zh) | 2021-12-13 | 2021-12-13 | 车载多传感器融合定位方法、装置、芯片及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114264301A true CN114264301A (zh) | 2022-04-01 |
Family
ID=80827026
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111518614.5A Pending CN114264301A (zh) | 2021-12-13 | 2021-12-13 | 车载多传感器融合定位方法、装置、芯片及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114264301A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023226154A1 (zh) * | 2022-05-24 | 2023-11-30 | 广东人工智能与先进计算研究院 | 自主定位方法、装置、设备及计算机可读存储介质 |
| CN117570973A (zh) * | 2023-11-17 | 2024-02-20 | 中科智驰(安庆)智能科技有限公司 | 一种用于多场景无人驾驶车辆的融合定位系统及方法 |
| CN117570973B (zh) * | 2023-11-17 | 2024-04-26 | 中科智驰(安庆)智能科技有限公司 | 一种用于多场景无人驾驶车辆的融合定位系统及方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107436444A (zh) * | 2017-06-23 | 2017-12-05 | 北京机械设备研究所 | 一种车载多模式组合导航系统及方法 |
| CN109059906A (zh) * | 2018-06-26 | 2018-12-21 | 上海西井信息科技有限公司 | 车辆定位方法、装置、电子设备、存储介质 |
| CN109781117A (zh) * | 2017-11-15 | 2019-05-21 | 百度在线网络技术（北京）有限公司 | 一种组合定位方法和系统 |
| CN110906923A (zh) * | 2019-11-28 | 2020-03-24 | 重庆长安汽车股份有限公司 | 车载多传感器紧耦合融合定位方法、系统、存储介质及车辆 |
| CN111929699A (zh) * | 2020-07-21 | 2020-11-13 | 北京建筑大学 | 一种顾及动态障碍物的激光雷达惯导里程计与建图方法及系统 |
| CN111982106A (zh) * | 2020-08-28 | 2020-11-24 | 北京信息科技大学 | 导航方法、装置、存储介质及电子装置 |
| CN112904395A (zh) * | 2019-12-03 | 2021-06-04 | 青岛慧拓智能机器有限公司 | 一种矿用车辆定位系统及方法 |
| CN113002396A (zh) * | 2020-04-14 | 2021-06-22 | 青岛慧拓智能机器有限公司 | 一种用于自动驾驶矿用车辆的环境感知系统及矿用车辆 |
| CN113066105A (zh) * | 2021-04-02 | 2021-07-02 | 北京理工大学 | 激光雷达和惯性测量单元融合的定位与建图方法及系统 |
| CN113466890A (zh) * | 2021-05-28 | 2021-10-01 | 中国科学院计算技术研究所 | 基于关键特征提取的轻量化激光雷达惯性组合定位方法和系统 |
| CN113566833A (zh) * | 2021-07-28 | 2021-10-29 | 上海工程技术大学 | 一种多传感器融合的车辆定位方法及系统 |
| WO2021218620A1 (zh) * | 2020-04-30 | 2021-11-04 | 上海商汤临港智能科技有限公司 | 地图构建方法、装置、设备及存储介质 |
-
2021
- 2021-12-13 CN CN202111518614.5A patent/CN114264301A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107436444A (zh) * | 2017-06-23 | 2017-12-05 | 北京机械设备研究所 | 一种车载多模式组合导航系统及方法 |
| CN109781117A (zh) * | 2017-11-15 | 2019-05-21 | 百度在线网络技术（北京）有限公司 | 一种组合定位方法和系统 |
| CN109059906A (zh) * | 2018-06-26 | 2018-12-21 | 上海西井信息科技有限公司 | 车辆定位方法、装置、电子设备、存储介质 |
| CN110906923A (zh) * | 2019-11-28 | 2020-03-24 | 重庆长安汽车股份有限公司 | 车载多传感器紧耦合融合定位方法、系统、存储介质及车辆 |
| CN112904395A (zh) * | 2019-12-03 | 2021-06-04 | 青岛慧拓智能机器有限公司 | 一种矿用车辆定位系统及方法 |
| CN113002396A (zh) * | 2020-04-14 | 2021-06-22 | 青岛慧拓智能机器有限公司 | 一种用于自动驾驶矿用车辆的环境感知系统及矿用车辆 |
| WO2021218620A1 (zh) * | 2020-04-30 | 2021-11-04 | 上海商汤临港智能科技有限公司 | 地图构建方法、装置、设备及存储介质 |
| CN111929699A (zh) * | 2020-07-21 | 2020-11-13 | 北京建筑大学 | 一种顾及动态障碍物的激光雷达惯导里程计与建图方法及系统 |
| CN111982106A (zh) * | 2020-08-28 | 2020-11-24 | 北京信息科技大学 | 导航方法、装置、存储介质及电子装置 |
| CN113066105A (zh) * | 2021-04-02 | 2021-07-02 | 北京理工大学 | 激光雷达和惯性测量单元融合的定位与建图方法及系统 |
| CN113466890A (zh) * | 2021-05-28 | 2021-10-01 | 中国科学院计算技术研究所 | 基于关键特征提取的轻量化激光雷达惯性组合定位方法和系统 |
| CN113566833A (zh) * | 2021-07-28 | 2021-10-29 | 上海工程技术大学 | 一种多传感器融合的车辆定位方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| WEI XU等: "FAST-LIO: A Fast, Robust LiDAR-Inertial Odometry Package by Tightly-Coupled Iterated Kalman Filter", 《IEEE ROBOTICS AND AUTOMATION LETTERS》, pages 3317 - 3324 * |
| 余旭东: "基于多源信息融合的无人车定位方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑 工程科技2辑》, pages 12 - 39 * |
| 彭文正;敖银辉;黄晓涛;王鹏飞;: "多传感器信息融合的自动驾驶车辆定位与速度估计", 传感技术学报, no. 08 * |
| 李毅等编著: "《国外战略导弹及反导武器高新技术发展跟踪》", 31 July 2018, 国防工业出版社, pages: 78 * |
| 杨森森;张伟军;谢一峰;: "基于GPS/INS/Lidar的无人车导航", 机电一体化, no. 02 * |
| 王可东编著: "《Kalman滤波基础及MATLAB仿真》", 31 January 2019, 北京航空航天大学出版社, pages: 256 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023226154A1 (zh) * | 2022-05-24 | 2023-11-30 | 广东人工智能与先进计算研究院 | 自主定位方法、装置、设备及计算机可读存储介质 |
| CN117570973A (zh) * | 2023-11-17 | 2024-02-20 | 中科智驰(安庆)智能科技有限公司 | 一种用于多场景无人驾驶车辆的融合定位系统及方法 |
| CN117570973B (zh) * | 2023-11-17 | 2024-04-26 | 中科智驰(安庆)智能科技有限公司 | 一种用于多场景无人驾驶车辆的融合定位系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111656136B (zh) | 使用激光雷达的车辆定位系统 | |
| EP3875985B1 (en) | Method, apparatus, computing device and computer-readable storage medium for positioning | |
| AU2018282302B2 (en) | Integrated sensor calibration in natural scenes | |
| CN111522043A (zh) | 一种无人车激光雷达快速重新匹配定位方法 | |
| JP2019074505A (ja) | 位置推定方法、装置及びコンピュータプログラム | |
| JP7245084B2 (ja) | 自動運転システム | |
| CN110889808A (zh) | 一种定位的方法、装置、设备及存储介质 | |
| CN114111774B (zh) | 车辆的定位方法、系统、设备及计算机可读存储介质 | |
| CN114111775B (zh) | 一种多传感器融合定位方法、装置、存储介质及电子设备 | |
| CN112946681B (zh) | 融合组合导航信息的激光雷达定位方法 | |
| CN111176270A (zh) | 使用动态地标的定位 | |
| CN114636414A (zh) | 高清晰度城市地图绘制 | |
| CN113984044A (zh) | 一种基于车载多感知融合的车辆位姿获取方法及装置 | |
| WO2020135183A1 (zh) | 点云地图的构建方法、装置、计算机设备和存储介质 | |
| US20220390607A1 (en) | Collaborative estimation and correction of lidar boresight alignment error and host vehicle localization error | |
| CN114264301A (zh) | 车载多传感器融合定位方法、装置、芯片及终端 | |
| US20210156711A1 (en) | Analysis of localization errors in a mobile object | |
| Ren et al. | Adaptive sensor fusion of camera, GNSS and IMU for autonomous driving navigation | |
| WO2022230449A1 (ja) | 移動量推定装置、移動量推定方法、および移動量推定プログラム | |
| CN115546303A (zh) | 室内停车场的定位方法、装置、车辆及存储介质 | |
| CN115046546A (zh) | 一种基于车道线识别的自动驾驶汽车定位系统及方法 | |
| CN113034538B (zh) | 一种视觉惯导设备的位姿跟踪方法、装置及视觉惯导设备 | |
| Das et al. | Pose-graph based crowdsourced mapping framework | |
| CN114279454A (zh) | 用于在环境中导航移动平台的方法和系统 | |
| JP7409037B2 (ja) | 推定装置、推定方法、推定プログラム |
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 |