CN114283397A - 全局重定位方法、装置、设备及存储介质 - Google Patents
全局重定位方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114283397A CN114283397A CN202111407917.XA CN202111407917A CN114283397A CN 114283397 A CN114283397 A CN 114283397A CN 202111407917 A CN202111407917 A CN 202111407917A CN 114283397 A CN114283397 A CN 114283397A
- Authority
- CN
- China
- Prior art keywords
- semantic
- observation
- feature
- pose
- features
- 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
- 238000012937 correction Methods 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 37
- 230000009466 transformation Effects 0.000 claims description 33
- 238000000513 principal component analysis Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 19
- 235000019580 granularity Nutrition 0.000 abstract description 6
- 238000013461 design Methods 0.000 description 21
- 238000005070 sampling Methods 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 241000283070 Equus zebra Species 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 108010028771 Complement C6 Proteins 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Navigation (AREA)
Abstract
本申请提供了一种全局重定位方法、装置、设备及存储介质，通过获取车辆所处地理空间的观测特征；对比观测特征以及语义数据库中各个参考位置的语义特征，以从各个参考位置中确定满足预设定位要求的目标参考位置；根据特征地图的第一语义元素、观测特征以及目标参考位置，确定车辆相对于特征地图的初始位姿，初始位姿包括：初始位置以及初始姿态；根据初始位姿、观测特征、特征地图，确定车辆在全局范围内的当前位姿。不依赖外部定位源，通过三个不同颗粒度的定位步骤减少了定位配准计算量，解决了现有重定位技术中存在的重定位容易失效且计算量大的技术问题。
Description
技术领域
本申请涉及定位技术领域，尤其涉及一种全局重定位方法、装置、设备及存储介质。
背景技术
定位技术是自动驾驶等智能机器应用技术的基础和核心技术之一，为智能机器或车辆提供位置和姿态，即位姿信息。重定位是在无先验位姿信息的情况下，在全局范围内确定机器人或车辆的位姿信息的过程。目前主要有两种重定位技术，分别为几何重定位和特征重定位。
几何重定位对已知位置的参考设备测距或测角，再通过几何计算确定机器人或车辆的位置。但是由于参考设备信号的不稳定，其重定位/定位可能失效。例如基于GPS(Global Positioning System，全球定位系统)的定位，其在楼宇内、隧道中、高架下等场景中可能会失效。
特征重定位是通过观测特征和事先建立的特征地图的匹配，确定机器人或车辆的位姿。其缺点：一是当场景、环境、遮挡等因素导致预先建立的特征地图或实时获取的观测特征的质量下降时，特征重定位容易失效；二是在全局范围内的所有特征中去查找和当前观测特征匹配的特征，是一个计算量很大的过程。
因此，现有重定位技术中存在容易失效且计算量大的技术问题。
发明内容
本申请提供一种全局重定位方法、装置、设备及存储介质，以解决现有重定位技术中存在的容易失效且计算量大的技术问题。
第一个方面，本申请提供一种全局重定位方法，包括：
获取车辆所处地理空间的观测特征；
对比观测特征以及语义数据库中各个参考位置的语义特征，以从各个参考位置中确定满足预设定位要求的目标参考位置；
根据特征地图的第一语义元素、观测特征以及目标参考位置，确定车辆相对于特征地图的初始位姿，初始位姿包括：初始位置以及初始姿态；
根据初始位姿、观测特征、特征地图，确定车辆在全局范围内的当前位姿。
可选的，获取车辆所处地理空间的观测特征，包括：
在没有历史位姿信息的情况下，在多个观测点获取车辆所处地理空间的观测特征，并将多个观测特征拼接成一个多帧观测特征。
在一种可能的设计中，语义数据库包括多个参考特征集，参考特征集用于表征：在同一个参考位置观测到的多个语义特征与参考位置的第一相对位置关系；
对比观测特征以及语义数据库中各个参考位置的语义特征，以从各个参考位置中确定满足预设定位要求的目标参考位置，包括：
利用语义描述模型对观测特征进行语义描述，以确定对应的语义描述子，语义描述子用于表征观测特征中各个第二语义元素与当前观测点的第二相对位置关系，当前观测点为最新的观测点；
将语义描述子与各个参考特征集进行对比，以确定对比结果；
若对比结果满足预设定位要求，则将与参考特征集对应的参考位置确定为目标参考位置。
在一种可能的设计中，第一相对位置关系包括：语义特征所对应的第一位置与参考位置的第一距离，第二相对位置关系包括：第二语义元素所对应的第二位置与当前观测点的第二距离；
对应的，将语义描述子与各个参考特征集进行对比，以确定对比结果，包括：
根据第一距离以及第二距离，确定语义描述子与每个参考特征集的配准距离；
将配准距离作为对比结果；
对应的，若对比结果满足预设定位要求，则将与参考特征集对应的参考位置确定为目标参考位置，包括：
筛选出对比结果中的最小值，将与最小值对应的参考位置确定为目标参考位置。
在一种可能的设计中，根据第一距离以及第二距离，确定语义描述子与每个参考特征集的配准距离，包括：
计算语义描述子中每个第一距离与参考特征集中各个第二距离的差值；
判断每个第二语义元素与各个语义特征的类型是否相同；
若相同，则将差值乘以第一修正系数，以确定第一修正差值；
若不相同，则将差值乘以第二修正系数，以确定第二修正差值，第一修正系数小于第二修正系数；
对所有第一修正差值以及所有第二修正差值进行求和，以确定配准距离。
在一种可能的设计中，根据特征地图的第一语义元素、观测特征以及目标参考位置，确定车辆相对于特征地图的初始位姿，包括：
对观测特征进行主成分分析，以确定第一变换矩阵；
对第一语义元素进行主成分分析，以确定第二变换矩阵，第一语义元素与观测特征相对应；
根据第一变换矩阵以及第二变换矩阵对应的逆矩阵，确定车辆相对于特征地图的相对位姿；
根据相对位姿确定初始位姿。
在一种可能的设计中，观测特征包括多个第二语义元素，特征地图中包括多个第一语义元素，第一语义元素与第二语义元素相对应；
对应的，根据初始位姿、观测特征、特征地图，确定车辆在全局范围内的当前位姿，包括：
根据初始位姿，计算各个第二语义元素与对应的第一语义元素之间的距离；
以与距离对应的观测置信度为权重，对各个距离进行加权求和，以确定优化参考指标；
根据优化参考指标，调整初始位姿的取值，当使优化参考指标取得最小值时，将初始位姿的当前取值作为当前位姿。
在一种可能的设计中，观测特征包括：由多个单帧观测特征拼接而成的多帧观测特征，获取车辆所处地理空间的观测特征，包括：
获取多个单帧观测特征；
计算每个单帧观测特征与最新的单帧观测特征的第一相对位姿；
根据各个第一相对位姿，将每个单帧观测特征转换为待组合观测特征，待组合观测特征为在最新位姿下描述的单帧观测特征，最新位姿为最新的单帧观测特征对应的位姿；
将所有待组合观测特征进行叠加组合，以确定多帧观测特征。
第二方面，本申请提供一种全局重定位装置，包括：
获取模块，用于获取车辆所处地理空间的观测特征；
字典定位层模块，用于对比所述观测特征以及语义数据库中各个参考位置的语义特征，以从各个所述参考位置中确定满足预设定位要求的目标参考位置；
维度定位层模块，用于根据特征地图的第一语义元素、所述观测特征以及所述目标参考位置，确定所述车辆相对于所述特征地图的初始位姿，所述初始位姿包括：初始位置以及初始姿态；
高精定位层模块，用于根据所述初始位姿、所述观测特征、所述特征地图，确定所述车辆在全局范围内的当前位姿。
在一种可能的设计中，语义数据库包括多个参考特征集，参考特征集用于表征：在同一个参考位置观测到的多个语义特征与参考位置的第一相对位置关系；
字典定位层模块，用于：
利用语义描述模型对观测特征进行语义描述，以确定对应的语义描述子，语义描述子用于表征观测特征中各个第二语义元素与当前观测点的第二相对位置关系，当前观测点为最新的观测点；
将语义描述子与各个参考特征集进行对比，以确定对比结果；
若对比结果满足预设定位要求，则将与参考特征集对应的参考位置确定为目标参考位置。
在一种可能的设计中，第一相对位置关系包括：语义特征所对应的第一位置与参考位置的第一距离，第二相对位置关系包括：第二语义元素所对应的第二位置与当前观测点的第二距离；
对应的，字典定位层模块，用于：
根据第一距离以及第二距离，确定语义描述子与每个参考特征集的配准距离；
将配准距离作为对比结果；
对应的，若对比结果满足预设定位要求，则将与参考特征集对应的参考位置确定为目标参考位置，包括：
筛选出对比结果中的最小值，将与最小值对应的参考位置确定为目标参考位置。
在一种可能的设计中，字典定位层模块，用于：
计算语义描述子中每个第一距离与参考特征集中各个第二距离的差值；
判断每个第二语义元素与各个语义特征的类型是否相同；
若相同，则将差值乘以第一修正系数，以确定第一修正差值；
若不相同，则将差值乘以第二修正系数，以确定第二修正差值，第一修正系数小于第二修正系数；
对所有第一修正差值以及所有第二修正差值进行求和，以确定配准距离。
在一种可能的设计中，维度定位层模块，用于：
对观测特征进行主成分分析，以确定第一变换矩阵；
对第一语义元素进行主成分分析，以确定第二变换矩阵，第一语义元素与观测特征相对应；
根据第一变换矩阵以及第二变换矩阵对应的逆矩阵，确定车辆相对于特征地图的相对位姿；
根据相对位姿确定初始位姿。
在一种可能的设计中，观测特征包括多个第二语义元素，特征地图中包括多个第一语义元素，第一语义元素与第二语义元素相对应；
对应的，高精定位层模块，用于：
根据初始位姿，计算各个第二语义元素与对应的第一语义元素之间的距离；
以与距离对应的观测置信度为权重，对各个距离进行加权求和，以确定优化参考指标；
根据优化参考指标，调整初始位姿的取值，当使优化参考指标取得最小值时，将初始位姿的当前取值作为当前位姿。
在一种可能的设计中，观测特征包括：由多个单帧观测特征拼接而成的多帧观测特征，获取模块，用于：
获取多个单帧观测特征；
计算每个单帧观测特征与最新的单帧观测特征的第一相对位姿；
根据各个第一相对位姿，将每个单帧观测特征转换为待组合观测特征，待组合观测特征为在最新位姿下描述的单帧观测特征，最新位姿为最新的单帧观测特征对应的位姿；
将所有待组合观测特征进行叠加组合，以确定多帧观测特征。
第三个方面，本申请提供一种电子设备，包括：
存储器，用于存储程序指令；
处理器，用于调用并执行所述存储器中的程序指令，执行第一方面所提供的任意一种可能的全局重定位方法。
第四方面，本申请提供一种车辆，包括第三方面所提供的电子设备。
第五个方面，本申请提供一种存储介质，所述可读存储介质中存储有计算机程序，该计算机程序用于执行第一方面所提供的任意一种可能的全局重定位方法。
第六方面，本申请还提供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第一方面所提供的任意一种可能的全局重定位系统方法。
本申请提供了一种全局重定位方法、装置、设备及存储介质，通过获取车辆所处地理空间的观测特征；对比观测特征以及语义数据库中各个参考位置的语义特征，以从各个参考位置中确定满足预设定位要求的目标参考位置；根据特征地图的第一语义元素、观测特征以及目标参考位置，确定车辆相对于特征地图的初始位姿，初始位姿包括：初始位置以及初始姿态；根据初始位姿、观测特征、特征地图，确定车辆在全局范围内的当前位姿。解决了现有重定位技术中存在的重定位容易失效且计算量大的技术问题。实现了不依赖外部定位源，通过三个不同颗粒度的定位步骤减少定位配准计算量，达到了提高定位准确度和定位效率，有效避免定位失效的技术效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种全局重定位的数据流示意图；
图2为本申请提供的一种高精度的特征地图的示意图；
图3为本申请提供的一种语义描述子的构建示意图；
图4为本申请实施例提供的一种全局重定位方法的流程示意图；
图5为本申请实施提供的另一种全局重定位方法的流程示意图；
图6为本申请实施例提供的一种全局重定位装置的结构示意图；
图7为本申请提供的一种电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，包括但不限于对多个实施例的组合，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面首先对本申请所涉及到的专业名词的定义作解释介绍：
定位技术：是自动驾驶等智能机器(或者车辆)应用技术的基础和核心技术之一，为智能机器(或者车辆)提供位置和姿态信息，即位姿信息。按定位原理的不同，定位技术可以分为几何定位、航位推算、特征定位。
几何定位：是对已知位置的参考设备进行测距或者测角，再通过几何计算确定自身位置。包括GNSS(Global navigation satellite system,全球导航卫星系统)、UWB(Ultra Wide Band，超宽带，一种无线载波通信技术)、蓝牙、5G等技术，提供绝对定位信息。在智能汽车应用中以GNSS技术应用最广。GNSS定位基于卫星定位技术，分为单点定位、差分GPS(Global Positioning System，全球定位系统)定位、RTK(Real-time kinematic，实时差分定位)定位，其中单点定位提供3～10米定位精度，差分GPS提供0.5～2米定位精度，RTKGPS提供厘米级定位精度。其局限性是依赖定位设施，受信号遮挡、反射等影响，在隧道、高架等场景下失效。
航位推算(Dead Reckoning)：是从上一时刻位置出发，根据IMU(InertialMeasurement Unit，惯性测量单元)和轮速计等传感器的运动数据推算下一时刻的位置，提供的是相对定位信息。其局限性是随着推算距离的增加，定位误差会不断累积增大。
特征定位：是指首先获取周围环境的若干特征，如基站ID(Identity Document，身份识别号)、Wifi指纹、图像、LiDAR(Laser Detection and Ranging，激光雷达)点云等。然后将观测特征和事先建立的特征地图进行匹配，确定在特征地图中的位置，可提供绝对定位信息。影响特征定位的直接因素是特征的数量、质量和区分度。其局限性是因为场景、环境等因素影响特征观测时，定位精度和稳定性下降。
重定位：是在无先验位姿信息的情况下，在全局范围内确定机器人或车辆的位姿信息的过程。重定位一般认为是定位的一种或一部分。一般重定位分为两种情况，一种是机器人或车辆从休眠状态转到工作状态时的初始化定位，即确定工作状态开始时的初始位姿；另一种是由于机器人或车辆上安装的传感器存在暂时性功能故障、实时观测的环境特征因某种不可预知的原因导致存在缺失等问题，从而导致的定位位姿失效后，即无法得到有效的上一时刻的历史位姿，从而需要进行重新定位。
全局范围：是个相对概念，指的时所有机器人或车辆可能存在或运行的位置范围，比如：室内或室外的全局地图。
本申请发明人发现，目前主要有两种重定位技术，分别为几何重定位和特征重定位，几何重定位对已知位置的参考设备测距或测角，再通过几何计算确定机器人或车辆的位置。但是由于参考设备信号的不稳定，其重定位/定位可能失效。例如基于GPS(GlobalPositioning System，全球定位系统)的定位，其在楼宇内、隧道中、高架下等场景中可能会失效。
特征重定位是通过观测特征和事先建立的特征地图的匹配，确定机器人或车辆的位姿。其缺点：一是当场景、环境、遮挡等因素导致预先建立的特征地图或实时获取的观测特征的质量下降时，特征重定位容易失效；二是在全局范围内的所有特征中去查找和当前观测特征匹配的特征，是一个计算量很大的过程。
因此，现有重定位技术中存在容易失效且计算量大的技术问题
为解决上述技术问题，本申请的发明构思是：
提出一种基于语义和几何特征信息的全局重定位方法。该方法通过三个不同颗粒度的重定位步骤，实现快速全局重定位。三个重定位步骤分别为字典定位层、维度定位层、高精定位层，最终实现全局范围内的快速高精重定位。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图1为本申请实施例提供的一种全局重定位的数据流示意图。如图1所示，IMU惯性测量单元101以及轮速/车速传感器102将检测到的数据传输给DR航位推算系统103，由DR航位推算系统103计算出车辆的相对位姿推算参数。
同时，环境观测传感器104逐帧获取周围环境的三维观测特征105，并通过相对位姿推算参数将多个三维观测特征进行拼接，得到三维多帧观测特征106，再将三维多帧观测特征106输入到定位模块108中经过字典定位层、维度定位层以及高精定位层的多层次定位，从低精度的3自由度的三维坐标，到6自由度的初始位姿，最终再精确定位到高精度的6自由度的当前位姿109。
下面对如何实现本申请所提供的全局重定位方法进行详细介绍。
需要说明的是，为便于对本申请各个实施例所提供的方案进行阐述，首先需要明确坐标的定义，本申请涉及到如下坐标系的定义：
(1)定义世界坐标系W，其与实际地理位置保持固定关系，比如可采用地球地心坐标系ECEF(Earth-Centered,Earth-Fixed)。
(2)定义载体坐标系B，对车辆或车辆而言亦可称为车体坐标系，其固定于车辆的某一固定位置，比如车辆后轴中心。车辆位姿即为车体坐标系在世界坐标系中的6Dof(Degree of Freedom，自由度)位姿TWB。
(3)定义传感器坐标S，也称观测坐标系。传感器获取的测量数据均基于传感器坐标系。通常传感器固定在车辆上，随车辆做刚体运动，因此传感器坐标系与载体坐标系之间有一个固定的转换关系，即位姿TBS，也称为外参。
还需要说明的是，对于下面的实施例所需要用到的高精度的特征地图，其建立过程如下：
通过高精度定位设备和传感器采集获取道路信息，并建立高精地图。高精地图以矢量信息的方式存储来道路语义信息。包括但不限于以点、线、面等矢量信息存储路面上的灯杆、路牌、路沿等路面物体信息，以及实线、虚线、箭头、文字等路面标识信息。
图2为本申请提供的一种高精度的特征地图的示意图。如图2所示，特征地图中的语义元素，或者称为第一语义元素，包括：指示箭头201、灯杆202、停止线203、实线车道线204、虚线车道线205、斑马线206。
对于下面的实施例所需要用到的语义字典，其包含了在全局范围内的多个键值对，该键值对的格式为：“语义描述子-位置”。其中，语义描述子是特定观测位置，如在三维坐标为(x、y、z)的观测点，其周围预设范围内的所有语义信息的数学描述。语义字典的建立过程如下：
图3为本申请提供的一种语义描述子的构建示意图。如图3所示，在高精度的特征地图中，特征采集车301沿着车道中心线行驶，并以预设的采样间隔(比如10m)进行采样，每次采样所在的位置即为采样点。然后，在每个采样点，提取周围某一预设的有效观测范围(比如50m为观测半径)内的所有语义元素，如：灯杆302、分道线303、停车线304、斑马线305等等。需要说明的是，观测半径的具体数值可以与传感器的有效观测距离一致。
语义元素包括环境中固定的标志物，标志物包括但不限于路面上的灯杆、路牌、路沿等物体，以及以实线、虚线、箭头、文字等构成的路面标识。将语义元素按照与当前采样点的距离从小到大的顺序排列为：语义元素1、语义元素2、语义元素3……语义元素n。然后以预定格式，为基本单元(以下称之为元组)，构成语义描述子，
例如：基本单元＝(语义元素类别，语义元素与当前采样点的距离)。如图3所示，灯柱A与当前采样点的距离DA所构成的基本单元可以记为(302,DA)，分道线B与当前采样点的距离DA所构成的基本单元可以记为(301,DB)。
其中，语义元素的识别和分类类别的判断可采用：检测、分割、识别等业内成熟方法，目前一般采用深度学习方法。具体的识别模型本领域技术人员可以根据实际情况进行选用，本申请不作限定。
则语义描述子为多个基本单元，即多个元组所组成的集合：{(类型1，距离1)，(类型2，距离2)，(类型3，距离3)……(类型n，距离n)}。
然后将当前采样点的位置，与语义描述子一同构成一条字典条目：“语义描述子-位置”。在高精度的特征地图内的所有采样点所形成的各个字典条目：“语义描述子-位置”，构成了语义字典。
图4为本申请实施例提供的一种全局重定位方法的流程示意图。如图4所示，该全局重定位方法的具体步骤，包括：
S401、获取车辆所处地理空间的观测特征。
在本步骤中，观测特征为三维多帧观测特征。
具体的，在没有历史位姿信息的情况下，在多个观测点获取车辆所处地理空间的三维观测特征，并将多个三维观测特征拼接成一个三维多帧观测特征，每次采集到的三维观测特征为单帧的特征。三维观测特征包括：由点、线、面表示的几何形状或者标识、包含抽象信息的特征点、包含语义信息的点、线、面。
在本实施例中，获取三维多帧观测特征的过程可以分为以下几个个步骤：
获取多个单帧观测特征；
计算每个单帧观测特征与最新的单帧观测特征的第一相对位姿；
根据各个第一相对位姿，将每个单帧观测特征转换为待组合观测特征，待组合观测特征为在最新位姿下描述的单帧观测特征，最新位姿为最新的单帧观测特征对应的位姿；
将所有待组合观测特征进行叠加组合，以确定多帧观测特征。
具体的，第一步，在车辆或机器人，配备的传感器包括：相机、LiDAR(LaserDetection and Ranging，激光雷达)或其他传感器中的至少一种，或这些传感器的组合。通过上述的各类传感器或传感器组合，获取观测数据，然后对观测数据进行检测、分割、识别等步骤，从而获取到各个道路语义信息，或称为语义元素。
通过传感器外参，即位姿TBS，将这些道路语义信息即语义元素转换到车辆坐标系下。具体而言，设传感器A在传感器坐标的观测为PA,传感器外参为TBS,则车辆坐标系下的观测PB＝TBS*PA。
需要说明的是，因这些道路语义信息包含有三维信息，也称之为三维语义特征，即三维观测特征中包含有语义信息和三维信息。
其中，语义和三维是对信息的两个方面的描述。一方面，获取的信息是具有语义的，比如观测到的该物体为路灯。另一方面，“三维”指该物体信息是在三个维度(即x，y，z)上描述的，比如获取到路灯在车体坐标系下的三维坐标。
在定位的实施过程中，三维的信息有利于配准等操作的直接进行，语义则提供了另一维的信息，有利于减少类似于无配准结果这类情况的发生，或者说确保配准结果的可获得性，还可以说是。即，本申请所描述的三维观测特征包括了至少四个维度的信息，确保了配准结果非空。
第二步，在获取三维观测特征的同时，还获取车辆的相对位姿推算参数，如上述的位姿TWB。
具体的，在车辆或机器人上，配备IMU(Inertial Measurement Unit，惯性测量单元)、轮速计或车速计等传感器。通过DR(Dead Reckoning，航位推算)获取车辆的相对位姿推算参数。该相对位姿推算参数指的是DR提供的从a点到b点的相对位姿。具体而言，在DR坐标系(该坐标系由DR自定义，一般可取DR获取第一帧观测时的位姿作为原点)中，a点位姿为Ta，b点位姿为Tb，则可获取a和b之间的相对位姿Tba＝Ta-inverse*Tb。
进一步的，相对位姿推算参数Ta-inverse的一种可能的实现方式为位姿Ta的逆矩阵。
需要说明的是，第一步与第二步可以是同步进行的，没有顺序的要求。
第三步，通过上述的相对位姿推算参数，将多个观测点获取到的三维观测特征拼接到一起，从而得到三维多帧观测特征。
其中，一个三维多帧观测特征对应的三维观测特征的数量，即帧数，需要根据处理器的计算能力以及算法或处理器的计算效率来综合权衡确定。每一帧的信息密度越大，帧数越多，则整体需要的计算能力越大，最后导致计算效率下降。所以，需要结合计算平台的计算能力、硬件参数、算法参数等来确定。
还需要说明的是，相邻两个三维观测特征的采样时间间隔可以是不固定的，因为三维观测特征以空间间隔进行帧采样，比如每间隔5m取一个采样帧。而在车辆或机器人的不同行驶速度下，经过相同空间间隔的时间可能是不相同的。并且帧采样的空间间隔，需要结合传感器特性来确定。以Lidar为例，多线激光的对环境的扫描较密集，因此多帧的采样空间间隔可以适当降低。本领域技术人员可以根据实际情况进行选用，本申请不作限定。
在一种可能的设计中，本步骤具体包括：
(1)获取的多个道路单帧观测特征为F1,F2…Fn,对应的DR航位推算所提供的位姿为T1,T2…Tn。其中Fn为最新的道路单帧观测特征。
(2)计算每个道路单帧观测特征与最新的道路单帧观测特征的相对位姿。对第i帧而言，相对位姿Tni＝Ti-inverse*Tn。
(3)通过相对位姿，将每个道路单帧观测特征转换到最新的道路单帧观测特征。对第i帧而言，其转换到最新帧后的观测nFi＝Tni*Fi，其中nFi中的n，代表以最新的道路单帧观测特征为参考。
(4)将所有转换后的道路单帧观测特征直接进行累加，即可得到拼接后的道路多帧观测特征。即nF1+nF2+……+nFn
相比较于单帧的三维观测特征，三维多帧观测特征包含更大的观测范围以及更丰富的道路语义特征信息。
下面就进入本申请实施例的三个不同粒度的定位步骤：
S402、对比观测特征以及语义数据库中各个参考位置的语义特征，以从各个参考位置中确定满足预设定位要求的目标参考位置。
在本步骤中，对比三维多帧观测特征以及语义数据库(也称为语义字典)中的各个语义特征，以从各个参考位置中确定满足预设定位要求的目标参考位置，语义特征是在参考位置观测到的各种几何形状和/或标识信息，如图2中的各种语义元素。语义数据库(也称为语义字典)包括多个参考特征集，参考特征集用于表征：在同一个参考位置观测到的多个语义特征与参考位置的第一相对位置关系。
在本实施例中，利用语义描述模型对多帧观测特征进行语义描述，以确定对应的语义描述子，语义描述子用于表征多帧观测特征中各个语义元素与当前观测点的第二相对位置关系，当前观测点为最新的观测点；
将语义描述子与各个参考特征集进行对比，以确定对比结果；
若对比结果满足预设定位要求，则将与参考特征集对应的参考位置确定为目标参考位置。
需要说明的是，本步骤是多层不同粒度定位的第一步，其作用是：以语义数据库(也称为语义字典)中的预设的参考位置为基准，快速查找到与车辆或机器人当前位置最为接近的参考位置，得到车辆或机器人的低精度的位置信息。这样比一开始就去查找高精度位置效率更高，并且，能够有效减少计算量。因此，本步骤也可以称为字典定位层的定位，用于确定低精度的三维位置坐标。
S403、根据特征地图的第一语义元素、观测特征以及目标参考位置，确定车辆相对于特征地图的初始位姿。
在本步骤中，在特征地图(也称为高精地图)上，根据三维多帧观测特征以及目标参考位置，确定车辆的初始位姿，初始位姿包括：初始位置以及初始姿态。
具体的，利用预设分析算法，根据三维多帧观测特征，确定第一变换矩阵；利用预设分析算法，根据特征地图中的地图特征，确定第二变换矩阵，地图特征与三维多帧观测特征相对应，即地图特征是三维多帧观测特征所对应的各个语义元素在特征地图中收录观测形态；
根据第一变换矩阵以及第二变换矩阵对应的逆矩阵，确定车辆相对于特征地图的相对位姿，并对相对位姿进行分解，以确定初始位姿。
需要说明的是，预设分析算法的作用是将各个特征以数学分析的方式转换为矩阵式的数学表达式，以便于后续的计算。初始位姿是一个六自由度的数据，包括了初始位置的三维坐标：x,y,z。同时也包括了在对应坐标轴上的转动参数，即另外三个维度的姿态信息：roll、pitch、yaw，这六个维度的信息共同构成了初始位姿。
还需要说明的是，本步骤是在S402定位到的低精度的三维位置坐标的基础上，利用数学分析，得到低精度的三维位置坐标所对应的三维旋转姿态，因此，本步骤也称为维度定位层的定位，用于补全6个自由度或者称为6个维度的初始位姿。
通过S402和S403，解决了重定位中没有历史位姿的问题，把低精度的6自由度的初始位姿作为最新历史位姿，下面就可以进入到正常的定位过程了。
S404、根据初始位姿、观测特征、特征地图，确定车辆在全局范围内的当前位姿。
在本步骤中，利用预设配准算法，根据初始位姿、多帧观测特征、特征地图，确定车辆在全局范围内的当前位姿，多帧观测特征即观测特征，包括多个第二语义元素，特征地图中包括多个第一语义元素，第一语义元素与第二语义元素相对应。
具体的，在得到6自由度的初始位姿后，即可采用正常的特征定位方式，结合事先建立的特征地图进行特征定位，以对初始位姿进行修正，并且通过高精度的特征地图，提高定位的精确度。
因此，本步骤也可以称为高精定位层的定位，其作用是将低精度的初始位姿转化为高精度的当前位姿进行输出。这样通过三个层次的定位，即参考定位层、维度定位层和高精定位层的定位，实现由3维到6维，由低精度到高精度的全局快速高精重定位。
本实施例提供了一种全局重定位方法，通过获取车辆所处地理空间的观测特征；对比观测特征以及语义数据库中各个参考位置的语义特征，以从各个参考位置中确定满足预设定位要求的目标参考位置；根据特征地图的第一语义元素、观测特征以及目标参考位置，确定车辆相对于特征地图的初始位姿，初始位姿包括：初始位置以及初始姿态；根据初始位姿、观测特征、特征地图，确定车辆在全局范围内的当前位姿。解决了现有重定位技术中存在的重定位容易失效且计算量大的技术问题。实现了不依赖外部定位源，通过三个不同颗粒度的定位步骤减少定位配准计算量，达到了提高定位准确度和定位效率，有效避免定位失效的技术效果。
为了便于理解，下面以另一实施例对S402-S404中一种可能的实施方式进行更为详细的介绍。
图5为本申请实施提供的另一种全局重定位方法的流程示意图。如图5所示，该全局重定位方法的具体步骤包括：
S501、获取车辆所处地理空间的观测特征。
在本步骤中，在没有历史位姿信息的情况下，在多个观测点获取车辆所处地理空间的三维观测特征，并将多个三维观测特征拼接成一个三维多帧观测特征。
本步骤的具体名词解释以及原理解释可以参考S401，在此不再赘述。
下面对字典定位层的具体定位步骤进行更加细致的说明，其包括步骤S502～S504。
S502、利用语义描述模型对观测特征进行语义描述，以确定对应的语义描述子。
在本实施例中，语义数据库(也称为语义字典)包括多个参考特征集，参考特征集用于表征：在同一个参考位置观测到的多个语义特征与参考位置的第一相对位置关系，第一相对位置关系包括：语义特征所对应的第一位置与参考位置的第一距离。
在本步骤中，利用语义描述模型对多帧观测特征进行语义描述，以确定对应的语义描述子，语义描述子用于表征多帧观测特征中各个第二语义元素与当前观测点的第二相对位置关系，第二相对位置关系包括：第二语义元素所对应的第二位置与当前观测点的第二距离，当前观测点为车辆或机器人采集观测数据的最新的观测点。
具体的，多帧观测特征是在载体坐标系B下的。取周围一定范围range-distance内的所有观测到的语义元素，比如50m内的所有语义元素，该范围与生成语义数据库(也称为语义字典)时采用的有效观测范围range-distance是一致的。
将每个语义元素按照与车辆或机器人的距离从小到大的顺序排列为：语义元素1、语义元素2、语义元素3……语义元素m。
然后以格式：“语义元素类别，语义元素与当前采样点的距离”为基本元组排列，构成语义描述子。即多帧观测特征的语义描述子的格式为：“(类型1，距离1)；(类型2，距离2)；(类型3，距离3)……(类型m，距离m)”。
S503、根据第一距离以及第二距离，确定语义描述子与每个参考特征集的配准距离，并将配准距离作为对比结果。
在本步骤中，利用预设距离算法，根据第一距离以及第二距离，确定语义描述子与每个参考特征集的配准距离，并将配准距离作为语义描述子与各个参考特征集的对比结果。
预设距离算法的一种可能的实施方式包括：
计算语义描述子中每个第一距离与参考特征集中各个第二距离的差值；
判断每个第二语义元素与各个语义特征的类型是否相同；
若相同，则将差值乘以第一修正系数，以确定第一修正差值；
若不相同，则将差值乘以第二修正系数，以确定第二修正差值，第一修正系数小于第二修正系数；
对所有第一修正差值以及所有第二修正差值进行求和，以确定配准距离。
例如，依次求三维多帧观测特征的语义描述子分别与语义字典中的所有参考特征集的配准距离。假设三维多帧观测特征的语义描述子为“(Tc1,Dc1)，(Tc2,Dc2)，(Tc3,Dc3)……(Tcm,Dcm)”，语义字典中的某一个参考特征集a为“(Ta1,Da1)，(Ta2,Da2)，(Ta3,Da3)……(Tan,Dan)”，这里T表示语义元素的类型，D表示距离，下标c表示三维多帧观测特征的语义描述子c，a表示参考特征集a。则三维多帧观测特征的语义描述子与参考特征集a的配准距离的求取方法如下：
(i)对三维多帧观测特征的语义描述子中的语义元素i，其对应的元组为(Tci,Dci)。遍历参考特征集a的所有语义元素即所有语义特征，找到与语义元素i的距离分量Dci最接近(即，距离分量最小)的语义元素，记为j，其对应的元组为(Taj,Daj)。
(ii)求多帧观测特征的语义描述子c与参考特征集a的配准距离，可以用公式(1)来表示：
Dist(c，a)＝ SUM{(Dci - Daj) * TYPE-CHECK(Tci, Taj)} (1)
其中SUM{*}为求和函数，对多帧观测特征的语义描述子的所有语义元素i的((Dci-Daj)*TYPE-CHECK(Tci,Taj))值进行求和；
TYPE-CHECK(Tci,Taj)为类型校验函数，当语义元素Tci与Taj的类型相同时取值为1，不同时取值为2。需要说明的是，对于类型相同与类型不同时的取值，也可以为其它的数值，本申请不作限定，本领域技术人员可以根据实际需要进行选用。
S504、若对比结果满足预设定位要求，则将与参考特征集对应的参考位置确定为目标参考位置。
在本步骤中，预设定位要求包括：筛选出对比结果中的最小值，将与最小值对应的参考位置确定为目标参考位置，具体的，选取最小的配准距离对应的参考特征集中的参考位置作为车辆或机器人的当前位置，该位置为3自由度的位置，即位置的坐标为x、y、z。
需要说明的是，在生成语义数据库时，沿着车道中心线，以一定间隔(比如10m)取采样点。采样间隔决定了参考定位层的定位精度。采样间隔越大，参考中包含的条目越少，有利于检索速度，但定位精度降低。采样间隔越小，参考包含条目越多，检索速度越慢，但定位精度提高。实际中本领域技术人员需要根据计算量与精度要求做权衡。可选的取采样间隔5m-20m，例如取值10m，15m等等。
下面对于维度定位层的具体定位步骤作更为详细的介绍：
S505、根据特征地图的第一语义元素、观测特征以及目标参考位置，确定车辆相对于特征地图的初始位姿。
在本实施例中，在特征地图(也称为高精地图)上，根据多帧观测特征以及目标参考位置，确定车辆的初始位姿，利用预设分析算法，根据多帧观测特征，确定第一变换矩阵；
利用预设分析算法，根据特征地图中的地图特征，确定第二变换矩阵，地图特征与多帧观测特征相对应；
根据第一变换矩阵以及第二变换矩阵对应的逆矩阵，确定车辆相对于特征地图的相对位姿，并对相对位姿进行分解，以确定初始位姿。
可选的，预设分析算法包括主成分分析算法。
即，在一种可能的设计中，本步骤包括：
对观测特征进行主成分分析，以确定第一变换矩阵；
对第一语义元素进行主成分分析，以确定第二变换矩阵，第一语义元素与观测特征相对应；
根据第一变换矩阵以及第二变换矩阵对应的逆矩阵，确定车辆相对于特征地图的相对位姿；
根据相对位姿确定初始位姿。
具体的，例如：
在上一步中，仅确定了车辆或机器人的目标参考位置的坐标，即x、y、z。在维度定位层中，确定另外三个维度的参数值，即roll、pitch、yaw。
(a)对多帧观测特征做PCA(Principal Component Analysis，主成分分析)变换。该多帧观测特征是在载体坐标系B下的。对多帧观测特征，取周围一定范围range-distance内的所有语义元素，做PCA变换，得到变换矩阵为Tcn。
需要说明的是，PCA变换的具体步骤为本领域技术人员熟知的或者可以检索到的，为节省篇幅，在此不再展开介绍。
(b)对在特征地图中与多帧观测特征对应的地图特征做PCA变换。在S503中，确定了车辆或机器人的目标参考位置的坐标，即x、y、z。取该位置周围一定范围range-distance内所有的地图特征，做PCA变换，得到变换矩阵为Tmn。
(c)计算车辆或机器人相比较于特征地图的相对位姿Tcm，如公式(2)所示：
Tcm＝Tcn*Tmn-inverse (2)
其中，Tmn-inverse为相对位姿Tmn的逆矩阵。对相对位姿Tcm做分解，即可到车辆或机器人的包含6个自由度的初始位姿TWB。
下面对高精定位层的具体定位步骤作更为详细的介绍：
S506、根据初始位姿，计算各个第二语义元素与对应的第一语义元素之间的距离。
在本实施例中，根据初始位姿，计算各个语义元素与对应的第一语义元素之间的重投影误差即距离，多帧观测特征即观测特征，包括多个第二语义元素，特征地图中包括多个第一语义元素，第一语义元素与观测特征中的第二语义元素相对应。
在本步骤中，假设多帧观测特征中的所有第二语义元素包括：BP1,BP2,BP5……BPn，特征地图中与各个第二语义元素对应的第一语义元素为WP1,WP2,WP5……WPn。任一语义元素BPi与特征地图中的第一语义元素WPi之间的重投影误差εi可以用公式(3)来表示：
εi＝DIST(TWB*BPi，WPi) (3)
其中，DIST(*)表示观测元素BPi与特征地图中的特征元素WPi之间的重投影误差，TWB为初始位姿。
S507、以与距离对应的观测置信度为权重，对各个距离进行加权求和，以确定优化参考指标。
在本步骤中，观测置信度是指观测特征的检测准确度，在实际的工程实践中，不同的语义信息的质量是不一样的，比如路面上的车道线，因为是白色的规则形状，其检测的准确度较高。而空中的一些要素，如杆、牌、灯等，其检测的准确度较低。检测的准确度在实践中以准召率表示，所以在本申请所提供的重定位方法中，以该准召率作为置信度的取值。
在本实施例中，优化参考指标，用数学语言描述时，也可以称为代价函数。
具体的，代价函数F(TWB)可以用公式(4)来表示：
F(TWB)＝SUM(ρi*εi) (4)
其中，每个重投影误差εi与置信度ρi相对应。
S508、根据优化参考指标，调整初始位姿的取值，当使优化参考指标取得最小值时，将初始位姿的当前取值作为当前位姿。
在本步骤中，利用预设优化算法，根据代价函数，对初始位姿进行优化调，以确定待选位姿。
优化求解的过程可以用公式(5)来表示：
TWB-calculate＝argmin(F(TWB)) (5)
其中，argmin(*)表示求取最优的TWB，使代价函数的值最小。
需要说明的是，在优化求解过程中，需要循环重复地以新的待选位姿TWB-calculate来替换就的待选位姿，并且以新的待选位姿TWB-calculate来重新计算待机函数，即将公式(4)中的TWB替换为TWB-calculate。
当代价函数取到最小值时，将当前最新的待选位姿确定为当前位姿。完成对低精度的初始位姿的高精度配准定位，得到高精度的当前位姿。
本实施例提供了一种全局重定位方法，通过获取车辆所处地理空间的观测特征；对比观测特征以及语义数据库中各个参考位置的语义特征，以从各个参考位置中确定满足预设定位要求的目标参考位置；根据特征地图的第一语义元素、观测特征以及目标参考位置，确定车辆相对于特征地图的初始位姿，初始位姿包括：初始位置以及初始姿态；根据初始位姿、观测特征、特征地图，确定车辆在全局范围内的当前位姿。解决了现有重定位技术中存在的重定位容易失效且计算量大的技术问题。实现了不依赖外部定位源，通过三个不同颗粒度的定位步骤减少定位配准计算量，达到了提高定位准确度和定位效率，有效避免定位失效的技术效果。
图6为本申请实施例提供的一种全局重定位装置的结构示意图。该全局重定位装置600可以通过软件、硬件或者两者的结合实现。
如图6所示，该全局重定位装置600包括：
获取模块601，用于获取车辆所处地理空间的观测特征；
字典定位层模块602，用于对比所述观测特征以及语义数据库中各个参考位置的语义特征，以从各个所述参考位置中确定满足预设定位要求的目标参考位置；
维度定位层模块603，用于根据特征地图的第一语义元素、所述观测特征以及所述目标参考位置，确定所述车辆相对于所述特征地图的初始位姿，所述初始位姿包括：初始位置以及初始姿态；
高精定位层模块604，用于根据所述初始位姿、所述观测特征、所述特征地图，确定所述车辆在全局范围内的当前位姿。
在一种可能的设计中，语义数据库包括多个参考特征集，参考特征集用于表征：在同一个参考位置观测到的多个语义特征与参考位置的第一相对位置关系；
字典定位层模块602，用于：
利用语义描述模型对观测特征进行语义描述，以确定对应的语义描述子，语义描述子用于表征观测特征中各个第二语义元素与当前观测点的第二相对位置关系，当前观测点为最新的观测点；
将语义描述子与各个参考特征集进行对比，以确定对比结果；
若对比结果满足预设定位要求，则将与参考特征集对应的参考位置确定为目标参考位置。
在一种可能的设计中，第一相对位置关系包括：语义特征所对应的第一位置与参考位置的第一距离，第二相对位置关系包括：第二语义元素所对应的第二位置与当前观测点的第二距离；
对应的，字典定位层模块602，用于：
根据第一距离以及第二距离，确定语义描述子与每个参考特征集的配准距离；
将配准距离作为对比结果；
对应的，若对比结果满足预设定位要求，则将与参考特征集对应的参考位置确定为目标参考位置，包括：
筛选出对比结果中的最小值，将与最小值对应的参考位置确定为目标参考位置。
在一种可能的设计中，字典定位层模块602，用于：
计算语义描述子中每个第一距离与参考特征集中各个第二距离的差值；
判断每个第二语义元素与各个语义特征的类型是否相同；
若相同，则将差值乘以第一修正系数，以确定第一修正差值；
若不相同，则将差值乘以第二修正系数，以确定第二修正差值，第一修正系数小于第二修正系数；
对所有第一修正差值以及所有第二修正差值进行求和，以确定配准距离。
在一种可能的设计中，维度定位层模块603，用于：
对观测特征进行主成分分析，以确定第一变换矩阵；
对第一语义元素进行主成分分析，以确定第二变换矩阵，第一语义元素与观测特征相对应；
根据第一变换矩阵以及第二变换矩阵对应的逆矩阵，确定车辆相对于特征地图的相对位姿；
根据相对位姿确定初始位姿。
在一种可能的设计中，观测特征包括多个第二语义元素，特征地图中包括多个第一语义元素，第一语义元素与第二语义元素相对应；
对应的，高精定位层模块604，用于：
根据初始位姿，计算各个第二语义元素与对应的第一语义元素之间的距离；
以与距离对应的观测置信度为权重，对各个距离进行加权求和，以确定优化参考指标；
根据优化参考指标，调整初始位姿的取值，当使优化参考指标取得最小值时，将初始位姿的当前取值作为当前位姿。
在一种可能的设计中，观测特征包括：由多个单帧观测特征拼接而成的多帧观测特征，获取模块601，用于：
获取多个单帧观测特征；
计算每个单帧观测特征与最新的单帧观测特征的第一相对位姿；
根据各个第一相对位姿，将每个单帧观测特征转换为待组合观测特征，待组合观测特征为在最新位姿下描述的单帧观测特征，最新位姿为最新的单帧观测特征对应的位姿；
将所有待组合观测特征进行叠加组合，以确定多帧观测特征。
值得说明的是，图6所示实施例提供的装置，可以执行上述任一方法实施例中所提供的方法，其具体实现原理、技术特征、专业名词解释以及技术效果类似，在此不再赘述。
图7为本申请实施例提供的一种电子设备的结构示意图。如图7所示，该电子设备700，可以包括：至少一个处理器701和存储器702。图7示出的是以一个处理器为例的电子设备。
存储器702，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。
存储器702可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
处理器701用于执行存储器702存储的计算机执行指令，以实现以上各方法实施例所述的方法。
其中，处理器701可能是一个中央处理器(central processing unit，简称为CPU)，或者是特定集成电路(application specific integrated circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
可选地，存储器702既可以是独立的，也可以跟处理器701集成在一起。当所述存储器702是独立于处理器701之外的器件时，所述电子设备700，还可以包括：
总线703，用于连接所述处理器701以及所述存储器702。总线可以是工业参考体系结构(industry standard architecture，简称为ISA)总线、外部设备互连(peripheralcomponent，PCI)总线或扩展工业参考体系结构(extended industry standardarchitecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器702和处理器701集成在一块芯片上实现，则存储器702和处理器701可以通过内部接口完成通信。
在一种可能的设计中，处理器701和存储器702集成在车载的中央计算平台架构、或中央超级大脑、或中央计算机、或中央域控制器、或集成式ECU、或驾驶脑、或SPB，或车机、或DHU、或IHU、或IVI(In-Vehicle Infotainment，车载信息娱乐系统)等任意车载信息交互终端。
其中，SPB(super brain)，是一种定义为汽车大脑的中央域控制器
IHU(Infotainment Head Unit)信息娱乐主机，指采用车载专用中央处理器，基于车身总线系统和互联网服务，形成的车载综合信息处理设备，其可以实现包括三维导航、实时路况、IPTV、辅助驾驶、故障检测、车辆信息、车身控制、移动办公、无线通讯、基于在线的娱乐功能及TSP(Telematics Service Provider，内容服务提供者)等一系列应用，极大的提升了车辆电子化、网络化和智能化水平。
DHU(Driver Head Unit)智能座舱控制器，DHU＝IHU+DIM，DHU就是将IHU和DIM合在一起的缩写，取DIM的“D”换掉了IHU的“I”，变成了“DHU”。
DIM(Driver Information Module或Dash Integration Module)驾驶员信息模块，也称“仪表”，用来显示和车辆行驶与功能相关信息的显示屏，一般置于方向盘之后，驾驶员最容易看到的位置。
本申请实施例还提供一种车辆，包括图7所示的实施例中任意一种可能的电子设备。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random accessmemory，RAM)、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有程序指令，程序指令用于上述各方法实施例中的方法。
本申请实施例还提供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方法。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (11)
1.一种全局重定位方法，其特征在于，包括：
获取车辆所处地理空间的观测特征；
对比所述观测特征以及语义数据库中各个参考位置的语义特征，以从各个所述参考位置中确定满足预设定位要求的目标参考位置；
根据特征地图的第一语义元素、所述观测特征以及所述目标参考位置，确定所述车辆相对于所述特征地图的初始位姿，所述初始位姿包括：初始位置以及初始姿态；
根据所述初始位姿、所述观测特征、所述特征地图，确定所述车辆在全局范围内的当前位姿。
2.根据权利要求1所述的全局重定位方法，其特征在于，所述语义数据库包括多个参考特征集，所述参考特征集用于表征：在同一个所述参考位置观测到的多个所述语义特征与所述参考位置的第一相对位置关系；
所述对比所述观测特征以及语义数据库中各个参考位置的语义特征，以从各个所述参考位置中确定满足预设定位要求的目标参考位置，包括：
利用语义描述模型对所述观测特征进行语义描述，以确定对应的语义描述子，所述语义描述子用于表征所述观测特征中各个第二语义元素与当前观测点的第二相对位置关系，所述当前观测点为最新的所述观测点；
将所述语义描述子与各个所述参考特征集进行对比，以确定对比结果；
若所述对比结果满足所述预设定位要求，则将与所述参考特征集对应的所述参考位置确定为所述目标参考位置。
3.根据权利要求2所述的全局重定位方法，其特征在于，所述第一相对位置关系包括：所述语义特征所对应的第一位置与所述参考位置的第一距离，所述第二相对位置关系包括：所述第二语义元素所对应的第二位置与所述当前观测点的第二距离；
对应的，将所述语义描述子与各个所述参考特征集进行对比，以确定对比结果，包括：
根据所述第一距离以及所述第二距离，确定所述语义描述子与每个所述参考特征集的配准距离；
将所述配准距离作为所述对比结果；
对应的，若所述对比结果满足所述预设定位要求，则将与所述参考特征集对应的所述参考位置确定为所述目标参考位置，包括：
筛选出所述对比结果中的最小值，将与所述最小值对应的所述参考位置确定为所述目标参考位置。
4.根据权利要求3所述的全局重定位方法，其特征在于，所述根据所述第一距离以及所述第二距离，确定所述语义描述子与每个所述参考特征集的配准距离，包括：
计算所述语义描述子中每个所述第一距离与所述参考特征集中各个所述第二距离的差值；
判断每个所述第二语义元素与各个所述语义特征的类型是否相同；
若相同，则将所述差值乘以第一修正系数，以确定第一修正差值；
若不相同，则将所述差值乘以第二修正系数，以确定第二修正差值，所述第一修正系数小于所述第二修正系数；
对所有所述第一修正差值以及所有所述第二修正差值进行求和，以确定所述配准距离。
5.根据权利要求1所述的全局重定位方法，其特征在于，所述根据特征地图的第一语义元素、所述观测特征以及所述目标参考位置，确定所述车辆相对于所述特征地图的初始位姿，包括：
对所述观测特征进行主成分分析，以确定第一变换矩阵；
对所述第一语义元素进行所述主成分分析，以确定第二变换矩阵，所述第一语义元素与所述观测特征相对应；
根据所述第一变换矩阵以及所述第二变换矩阵对应的逆矩阵，确定所述车辆相对于所述特征地图的相对位姿；
根据所述相对位姿确定所述初始位姿。
6.根据权利要求1所述的全局重定位方法，其特征在于，所述观测特征包括多个第二语义元素，所述特征地图中包括多个所述第一语义元素，所述第一语义元素与所述第二语义元素相对应；
对应的，所述根据所述初始位姿、所述观测特征、所述特征地图，确定所述车辆在全局范围内的当前位姿，包括：
根据所述初始位姿，计算各个所述第二语义元素与对应的所述第一语义元素之间的距离；
以与所述距离对应的观测置信度为权重，对各个所述距离进行加权求和，以确定优化参考指标；
根据所述优化参考指标，调整所述初始位姿的取值，当使所述优化参考指标取得最小值时，将所述初始位姿的当前取值作为所述当前位姿。
7.根据权利要求1-6中任意一项所述的全局重定位方法，其特征在于，所述观测特征包括：由多个单帧观测特征拼接而成的多帧观测特征，所述获取车辆所处地理空间的观测特征，包括：
获取多个所述单帧观测特征；
计算每个所述单帧观测特征与最新的所述单帧观测特征的第一相对位姿；
根据各个所述第一相对位姿，将每个所述单帧观测特征转换为待组合观测特征，所述待组合观测特征为在最新位姿下描述的所述单帧观测特征，所述最新位姿为所述最新的所述单帧观测特征对应的位姿；
将所有所述待组合观测特征进行叠加组合，以确定所述多帧观测特征。
8.一种全局重定位装置，其特征在于，包括：
获取模块，用于获取车辆所处地理空间的观测特征；
字典定位层模块，用于对比所述观测特征以及语义数据库中各个参考位置的语义特征，以从各个所述参考位置中确定满足预设定位要求的目标参考位置；
维度定位层模块，用于根据特征地图的第一语义元素、所述观测特征以及所述目标参考位置，确定所述车辆相对于所述特征地图的初始位姿，所述初始位姿包括：初始位置以及初始姿态；
高精定位层模块，用于根据所述初始位姿、所述观测特征、所述特征地图，确定所述车辆在全局范围内的当前位姿。
9.一种电子设备，其特征在于，包括：处理器以及存储器；
所述存储器，用于存储所述处理器的计算机程序；
所述处理器配置为经由执行所述计算机程序来执行权利要求1至7任一项所述的全局重定位方法。
10.一种车辆，其特征在于，包括权利要求9所述的电子设备。
11.一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7任一项所述的全局重定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111407917.XA CN114283397A (zh) | 2021-11-24 | 2021-11-24 | 全局重定位方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111407917.XA CN114283397A (zh) | 2021-11-24 | 2021-11-24 | 全局重定位方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114283397A true CN114283397A (zh) | 2022-04-05 |
Family
ID=80870291
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111407917.XA Pending CN114283397A (zh) | 2021-11-24 | 2021-11-24 | 全局重定位方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114283397A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116258769A (zh) * | 2023-05-06 | 2023-06-13 | 亿咖通(湖北)技术有限公司 | 一种定位校验方法、装置、电子设备和存储介质 |
-
2021
- 2021-11-24 CN CN202111407917.XA patent/CN114283397A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116258769A (zh) * | 2023-05-06 | 2023-06-13 | 亿咖通(湖北)技术有限公司 | 一种定位校验方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108399218B (zh) | 基于Walsh内核投影技术的自动驾驶车辆定位 | |
| EP3505869B1 (en) | Method, apparatus, and computer readable storage medium for updating electronic map | |
| CN108225348B (zh) | 地图创建以及运动实体定位的方法和装置 | |
| CN108802785B (zh) | 基于高精度矢量地图和单目视觉传感器的车辆自定位方法 | |
| JP6595182B2 (ja) | マッピング、位置特定、及び姿勢補正のためのシステム及び方法 | |
| EP2450667B1 (en) | Vision system and method of analyzing an image | |
| CN111912416B (zh) | 用于设备定位的方法、装置及设备 | |
| CN110386142A (zh) | 用于自动驾驶车辆的俯仰角校准方法 | |
| US20190226851A1 (en) | Driver assistance system for determining a position of a vehicle | |
| CN108089572A (zh) | 用于稳健且有效的车辆定位的算法和基础设施 | |
| EP3644013B1 (en) | Method, apparatus, and system for location correction based on feature point correspondence | |
| US20220011117A1 (en) | Positioning technology | |
| CN109086278A (zh) | 一种消除误差的地图构建方法、系统、移动终端及存储介质 | |
| CN114459471B (zh) | 定位信息确定方法、装置、电子设备及存储介质 | |
| CN114299464A (zh) | 车道定位方法、装置及设备 | |
| CN114111774B (zh) | 车辆的定位方法、系统、设备及计算机可读存储介质 | |
| CN116997771A (zh) | 车辆及其定位方法、装置、设备、计算机可读存储介质 | |
| CN113865581B (zh) | 基于多层级地图的封闭场景定位方法 | |
| CN114283397A (zh) | 全局重定位方法、装置、设备及存储介质 | |
| CN113838129A (zh) | 一种获得位姿信息的方法、装置以及系统 | |
| CN112651991B (zh) | 视觉定位方法、装置及计算机系统 | |
| CN112629547A (zh) | 用于创建定位地图的方法和设备 | |
| CN114708321B (zh) | 一种基于语义的相机位姿估计方法及系统 | |
| CN115345944A (zh) | 外参标定参数确定方法、装置、计算机设备和存储介质 | |
| CN112802095B (zh) | 定位方法、装置及设备、以及自动驾驶定位系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |