CN114323020B - 车辆的定位方法、系统、设备及计算机可读存储介质 - Google Patents
车辆的定位方法、系统、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114323020B CN114323020B CN202111478456.5A CN202111478456A CN114323020B CN 114323020 B CN114323020 B CN 114323020B CN 202111478456 A CN202111478456 A CN 202111478456A CN 114323020 B CN114323020 B CN 114323020B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- current moment
- pose
- filter
- parking space
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 claims abstract description 65
- 238000012937 correction Methods 0.000 claims abstract description 55
- 230000004927 fusion Effects 0.000 claims abstract description 54
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 16
- 238000000546 chi-square test Methods 0.000 description 10
- 230000000007 visual effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- MZAGXDHQGXUDDX-JSRXJHBZSA-N (e,2z)-4-ethyl-2-hydroxyimino-5-nitrohex-3-enamide Chemical compound [O-][N+](=O)C(C)C(/CC)=C/C(=N/O)/C(N)=O MZAGXDHQGXUDDX-JSRXJHBZSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Landscapes
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车辆的定位方法、系统、设备及计算机可读存储介质，定位方法包括：实时获取车辆于多个时刻的位姿；将实时获取的多个时刻的位姿定义为观测数据依次接收至预先构建的校正模型，其中，预设校正模型包括若干用于预测车辆位姿的滤波器；在当前时刻预先构建的校正模型接收到第i+1个观测数据时，对前i个滤波器分别进行融合检测，若前i个滤波器中的滤波器检测通过，则利用第i+1个观测数据，更新检测通过的滤波器，并提取出校正后的车辆于当前时刻的位姿；第i+1个观测数据非第一个观测数据。本发明适用于任何有车位号的停车场，且通过已经考虑到错误信息的可能，通过过滤掉错误信息，可以保证正确且高精度的获取车辆于地图中的初始定位。
Description
技术领域
本发明属于多传感器融合定位技术领域，涉及一种定位方法及系统，特别是涉及一种车 辆的定位方法、系统、设备及计算机可读存储介质。
背景技术
无人系统实现自主导航定位时，初始位置的获取至关重要。GPS，视觉重定位，蓝牙， 二维码等方式都可以实现特定条件下的初始定位。其中，GPS通过卫星定位可以在空旷场景 获得绝对位置信息；视觉重定位是基于提前建好的视觉地图，通过计算图像相似性获取初始 位置；蓝牙定位是通过预先建立的信号基站，通过实时接收蓝牙信息,结算当前位置信息；二 维码定位则是在特定位置，通过扫描带有位置信息的二维码获取位置。
但是以上者集中获取位置的方法存在以下缺陷：
GPS定位需要在室外空旷场景下才能获得稳定的定位结果,室内场景无法使用；
视觉重定位通过图像相似性计算位置,图片易受环境光照影响,影响相似性计算,且停车场 场景，重复场景较多，误匹配较多，导致定位失败；
蓝牙定位需要事先覆盖蓝牙信号，且信号弱时定位精度低；
二维码则只能在特定位置获取定位信息，且直接用于定位，精度低。
现有技术中视觉重定位方式使用较广泛，但是，针对视觉特征易受环境影响的情况。虽 然已通过只提取场景中长期固定的特征、利用深度学习的方法提取特征，减弱环境光的影响 及融合不同光照情况下特征点等方式来改善视觉重定位技术。
因此，如何提供一种车辆的定位方法、系统、设备及计算机可读存储介质，以解决现有 技术仍存在停车场初始定位时，无法于室内室外都适用，且不可以在场景内任意有车位的地 点实现初始定位，更无法获取高精度的初始定位等缺陷，实已成为本领域技术人员亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种车辆的定位方法、系统、设 备及计算机可读存储介质，用于解决现有技术存在停车场初始定位时，无法于室内室外都适 用，且不可以在场景内任意有车位的地点实现初始定位，更无法获取高精度的初始定位的问题。
为实现上述目的及其他相关目的，本发明提供一种车辆的定位方法，适应于指定区域内； 所述车辆的定位方法包括：当所述车辆进入所述指定区域时，实时获取车辆于多个时刻的位 姿；将实时获取的多个时刻的位姿定义为观测数据依次接收至预先构建的校正模型，其中，所述预设校正模型包括若干用于预测车辆位姿的滤波器；在当前时刻所述预先构建的校正模 型接收到第i+1个观测数据时，对前i个滤波器分别进行融合检测，若前i个滤波器中的滤波 器检测通过，则利用第i+1个观测数据，更新检测通过的滤波器，并提取出校正后的车辆于 当前时刻的位姿；其中，i大于等于0，且第i+1个观测数据非第一个观测数据。
于本发明的一实施例中，所述指定区域内为停车场时，当所述车辆进入所述停车场时， 实时获取车辆于当前时刻的位姿的步骤包括：在所述车辆进入所述停车场时，从车辆的环视 图像数据中检测车位框；所述车位框包括较近横边，较远横边，较近纵边及较远纵边；从车位框中识别该车位框对应的车位号信息；根据所述车位号信息，于预存停车场的地图中查找 车辆经过的车位框的坐标；获取车辆于当前时刻的位姿。
于本发明的一实施例中，所述位姿包括位置量和速度矢量，位置量包括车辆于当前时刻 的位置坐标及车辆的偏向角度；速度矢量包括车辆于当前时刻的线速度和角速度；所述获取 车辆于当前时刻的位姿的步骤包括：根据车位框中四个顶角的坐标，计算车辆于当前时刻的位置坐标及判断所述车位框位于车辆的左侧还是右侧，计算车辆的偏向角度；及于车身传感 器中获取车辆于当前时刻的线速度和角速度；其中，通过公式car.x＝abx+λ*diffx/length计 算车辆于当前时刻的位置量中X轴坐标；其中，car.x为车辆于当前时刻的位置量中X轴坐 标，abx为较近纵边中点的X轴坐标，diffx为较近纵边中点的X坐标与较远纵边的X坐标的 偏差，diffx＝abx-cdx；λ为经验值；
通过公式car.y＝aby+3*diffy/length计算车辆于当前时刻的位置量中Y轴坐标；其中，car.y 为车辆于当前时刻的位置量中Y轴坐标，aby为较近纵边中点的Y轴坐标，diffy为较近纵边 中点的Y坐标与较远纵边中点的Y坐标的偏差，diffy＝aby-cdy；length＝sqrt(diffx*diffx+ diffy*diffy)，length为偏差长度；所述车位框位于车辆的左侧时，车辆的偏向角度通过计算公式car.angle＝atan2(b.y-a.y,b.x-a.x)计算；a.x和a.y，b.x和b.y分别为较近纵边的两个端点的 坐标；所述车位框位于车辆的右侧时，车辆的偏向角度通过计算公式car.angle＝atan2(a.y-b.y, a.x-b.x)计算。
于本发明的一实施例中，所述车辆的定位方法还包括：在当前时刻所述预先构建的校正 模型接收到第一个观测数据时，初始化第一个滤波器，以预测车辆于当前时刻的位姿及与之 对应的预测可信度。
于本发明的一实施例中，在当前时刻所述预先构建的校正模型接收到第i+1个观测数据 时，对前i个滤波器分别进行融合检测的步骤包括：利用所述滤波器，分别预测车辆于当前 时刻的位姿；分别利用所述滤波器预测的车辆于当前时刻的位姿预测数据，计算与之对应的 预测可信度；基于所述滤波器预测的车辆于当前时刻的位姿预测数据与于当前时刻的接收的第i+1个观测数据之间的差值、车辆于当前时刻的位姿预测数据的可信度，计算车辆于当前 时刻的位姿的预测数据和于当前时刻的接收的第i+1个观测数据之间的融合度，将车辆于当 前时刻的位姿的预测数据和第i+1个观测数据之间的融合度与预设融合度阈值进行比较，当 车辆于当前时刻的位姿的预测数据和第i+1个观测数据之间的融合度小于预设融合度阈值时， 则表示检测通过，转入更新检测通过的滤波器的步骤；当车辆于当前时刻的位姿的预测数据和第i+1个观测数据之间的融合度大于等于预设融合度阈值时，则表示检测未通过，累计该 滤波器融合检测未通过次数；当该滤波器融合检测未通过次数超过未通过次数阈值时，则终 止该滤波器。
于本发明的一实施例中，若前i个滤波器中的滤波器检测通过，利用第i+1个观测数据， 更新检测通过的滤波器的步骤包括：基于所述滤波器预测的车辆于当前时刻的位姿预测数据 的可信度，生成用于校正车辆于当前时刻的位姿预测数据的校正参数，以基于所述校正参数， 计算所述滤波器更新后的车辆于当前时刻的位姿更新数据及与其对应的可信度。
于本发明的一实施例中，提取出校正后的车辆于当前时刻的位姿的步骤包括：若前i个 滤波器中仅有一个滤波器检测通过，则将该滤波器更新的车辆于当前时刻的位姿更新数据定 义为校正后的车辆于当前时刻的位姿；若前i个滤波器中至少两个滤波器检测通过，则为不 同滤波器分配权重，基于为不同滤波器分配的权重，对与不同滤波器对应的更新后的车辆于 当前时刻的位姿更新数据进行加权平均计算，以获取校正后的车辆于当前时刻的位姿。
于本发明的一实施例中，若前i个滤波器融合检测未通过时，初始化第i+1个滤波器，继 续预测下一时刻车辆位姿的预测数据。
本发明另一方面提供一种车辆的定位系统，适应于指定区域内；所述车辆的定位系统包 括：获取模块，用于当所述车辆进入所述指定区域时，实时获取车辆于多个时刻的位姿；接 收模块，用于将实时获取的多个时刻的位姿定义为观测数据依次接收至预先构建的校正模型，其中，所述预设校正模型包括若干用于预测车辆位姿的滤波器；校正模块，用于在当前时刻 所述预先构建的校正模型接收到第i+1个观测数据时，对前i个滤波器分别进行融合检测，若 前i个滤波器中的滤波器检测通过，则利用第i+1个观测数据，更新检测通过的滤波器，并提 取出校正后的车辆于当前时刻的位姿；其中，i大于等于0，且第i+1个观测数据非第一个观 测数据。
本发明又一方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理 器执行时实现所述车辆的定位方法。
本发明最后一方面提供一种车辆的定位设备，包括：处理器及存储器；所述存储器用于 存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述车辆的定位 设备执行所述车辆的定位方法。
如上所述，本发明所述的车辆的定位方法、系统、设备及计算机可读存储介质，具有以 下有益效果：
本发明所述车辆的定位方法、系统、设备及计算机可读存储介质适用于任何有车位号的 停车场，且不受室内室外场景限制，且通过已经考虑到错误信息的可能，通过过滤掉错误信 息，可以保证正确且高精度的获取车辆于地图中的初始定位。
附图说明
图1显示为本发明的车辆的定位方法于一实施例中的流程示意图。
图2显示为本发明的一种应用场景示意图。
图3显示为本发明预设校正模型于一实施例中的原理结构示意图。
图4A显示为本发明的车辆的定位方法中S13的流程示意图。
图4B显示为本发明的车辆的定位方法应用于预设校正模型中流程示意图。
图5显示为本发明的车辆的定位系统于一实施例中的原理结构示意图。
元件标号说明
5 车辆的定位系统
51 获取模块
52 接收模块
53 校正模块
S11～S13 步骤
S131～S138 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露 的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加 以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征 可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图 式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实 际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
实施例一
本实施例提供一种车辆的定位方法，适应于指定区域内；所述车辆的定位方法包括：
当所述车辆进入所述指定区域时，实时获取车辆于多个时刻的位姿；
将实时获取的多个时刻的位姿定义为观测数据依次接收至预先构建的校正模型，其中， 所述预设校正模型包括若干用于预测车辆位姿的滤波器；
在当前时刻所述预先构建的校正模型接收到第i+1个观测数据时，对前i个滤波器分别进 行融合检测，若前i个滤波器中的滤波器检测通过，则利用第i+1个观测数据，更新检测通过 的滤波器，并提取出校正后的车辆于当前时刻的位姿；其中，i大于等于0，且第i+1个观测 数据非第一个观测数据。
以下将结合图示对本实施例所提供的车辆的定位方法进行详细描述。本实施例所述车辆 的定位方法适用于指定区域内，例如，室内停车场，室外停车场等。
请参阅图1，显示为车辆的定位方法于一实施例中的流程示意图。如图1所示，所述车 辆的定位方法具体包括以下步骤：
S11，当所述车辆进入所述指定区域时，实时获取车辆于多个时刻的位姿。
在本实施例中，所述指定区域为如图2所示停车场时，所述S11包括如下步骤：
S111，在所述车辆进入所述停车场时，从车辆的环视图像数据中检测车位框；所述车位 框包括较近横边(例如，图2中的ab边)，较远横边(例如，图2中的dc边)，较近纵边 (例如，图2中的ad边)及较远纵边(例如，图2中的bc)。
S112，从车位框中识别该车位框对应的车位号信息。所述车位号信息包括数字编号、字 母编号等。
S113，根据所述车位号信息，于预存停车场的地图中查找车辆经过的车位框的坐标。在 本实施例中，预存停车场的地图为预存于所述车机端中该停车场的高精度地图或者为根据当 前地理位置于云服务器下载的停车场的高精度地图。
S114，获取车辆于当前时刻的位姿。所述位姿包括位置量和速度矢量，位置量包括车辆 于当前时刻的位置坐标及车辆的偏向角度，速度矢量包括车辆于当前时刻的线速度及车辆的 角速度。
在本实施例中，S114包括：根据车位框中四个顶角(即顶角a，b，c，d)的坐标，计算车辆于当前时刻的位置量(xk，yk)；判断所述车位框位于车辆的左侧还是右侧，计算车辆 的偏向角度θk及于车身传感器中获取车辆于当前时刻的线速度v和角速度ω。
其中，通过公式car.x＝abx+λ*diffx/length计算车辆于当前时刻的位置量中X轴坐标； 其中，car.x为车辆于当前时刻的位置量中X轴坐标，abx为较近纵边中点的X轴坐标，diffx 为较近纵边中点的X坐标与较远纵边的X坐标的偏差，diffx＝abx-cdx；λ为经验值，于本实施例中，λ为3；
通过公式car.y＝aby+3*diffy/length计算车辆于当前时刻的位置量中Y轴坐标；其中， car.y为车辆于当前时刻的位置量中Y轴坐标，aby为较近纵边中点的Y轴坐标，diffy为较近 纵边中点的Y坐标与较远纵边中点的Y坐标的偏差，diffy＝aby-cdy；
length＝sqrt(diffx*diffx+diffy*diffy)，length为偏差长度；
所述车位框位于车辆的左侧时，通过计算公式car.angle＝atan2(b.y-a.y,b.x-a.x)计算车辆 的偏向角度；a.x和a.y，b.x和b.y分别为较近纵边的两个端点的坐标；
所述车位框位于车辆的右侧时，通过计算公式car.angle＝atan2(a.y-b.y,a.x-b.x)计算车辆 的偏向角度。
S12，将实时获取的多个时刻的位姿定义为观测数据依次接收至预先构建的校正模型，其 中，所述预设校正模型包括若干用于预测车辆位姿的滤波器，请参阅图3，显示为预设校正 模型于一实施例中的原理结构示意图。如图3所示，所述预设校正模型包括n个滤波器，n个滤波器分别用于接收不同时刻的观测数据。
S13，在当前时刻所述预先构建的校正模型接收到第i+1个观测数据时，对前i个滤波器 分别进行融合检测。其中，i大于等于0。在本实施例中，利用观测观测数据可以减小预测的 状态的误差，获取更加准确的定位位置。
请参阅图4A，显示为S13的流程示意图。如图4A所示，
所述S13包括：
S131，在当前时刻所述预先构建的校正模型接收到第一个观测数据时，初始化第一个滤 波器，以预测车辆于下一时刻的位姿及与之对应的预测可信度。
在本实施例中，初始化第一个滤波器是指根据给定的初始时刻位置量及车辆的初始速 度矢量w0预测车辆于第一时刻的位姿/>即/>其中，Φ为位置量的预存 运动模型/>G为速度矢量的预存运动模型/>
预测车辆于第一时刻的位姿的预测可信度P0为初始时刻位置 量/>的可信度/>Q0为初始速度矢量w0的置信度。
当第i+1个观测数据非第一观测数据时，所述S13还包括：
S132，利用所述滤波器，分别预测车辆于当前时刻的位姿。
具体地，通过其中，/>为车辆于上一时刻的位置量wk-1为车辆于上一时刻的速度矢量/>Φk/k-1为车辆于上一时刻的位置量的预 存运动模型/>Gk-1为车辆于上一时刻的速度矢量/>的预存运动模型/>
S133，分别利用所述滤波器预测的车辆于当前时刻的位姿预测数据计算与之对应 的预测可信度Pk/k-1。
具体地，
S134，基于所述滤波器预测的车辆于当前时刻的位姿预测数据与于当前时刻的接收 的第i+1个观测数据Zk之间的差值、车辆于当前时刻的位姿预测数据的可信度Pk/k-1，计算车 辆于当前时刻的位姿的预测数据/>和于当前时刻的接收的第i+1个观测数据Zk之间的融 合度γ。在本实施例中，接下来的更新过程是融合观测量与状态量的过程,但是只有观测量和 状态量接近的时候才有融合的意义，如果两者相差很大，说明车辆于当前时刻的位姿预测数 据/>与于当前时刻的接收的第i+1个观测数据Zk其中一个可能是错的，如果观测是错的, 则不更新。
车辆于当前时刻的位姿的预测数据和于当前时刻的接收的第i+1个观测数据Zk之 间的融合度γ根据公式γ＝rT(H·P·HT+R)-1·r(融合检测于本实施例为卡方检验)，其中，r 为于当前时刻的接收的第i+1个观测数据Zk与车辆于当前时刻的位姿预测数据/>
S135，将车辆于当前时刻的位姿的预测数据和第i+1个观测数据之间的融合度γ与预设融 合度阈值进行比较，当车辆于当前时刻的位姿的预测数据和第i+1个观测数据之间的融合度 小于预设融合度阈值时，则表示检测通过，转入更新检测通过的滤波器的步骤S136；当车辆 于当前时刻的位姿的预测数据和第i+1个观测数据之间的融合度大于等于预设融合度阈值时， 则表示检测未通过，执行S137，即累计该滤波器融合检测未通过次数；当该滤波器融合检测 未通过次数超过未通过次数阈值时，则终止该滤波器；其中，若前i个滤波器融合检测未通 过时，初始化第i+1个滤波器，继续预测下一时刻车辆位姿的预测数据。
S136，若前i个滤波器中的滤波器检测通过，利用第i+1个观测数据，更新检测通过的滤 波器。
所述S136包括基于所述滤波器预测的车辆于当前时刻的位姿预测数据的可信度，生成用 于校正车辆于当前时刻的位姿预测数据的校正参数，以基于所述校正参数，计算所述滤波器 更新后的车辆于当前时刻的位姿更新数据及与其对应的可信度。
其中，用于校正车辆于当前时刻的位姿预测数据的校正参数其中，Hk，Rk为单位矩阵/>
滤波器根据公式来更新车辆于当前时刻的位姿及根据公式 Pk＝(I-KkHk)Pk/k-1，其中，Zk为S114计算的到的车辆于当前时刻的位置坐标及车辆的偏向 角度，I为单位矩阵。
S138，基于检测通过的滤波器，提取出校正后的车辆于当前时刻的位姿。
所述S138包括：
若前i个滤波器中仅有一个滤波器检测通过，则将该滤波器更新的车辆于当前时刻的位 姿更新数据定义为校正后的车辆于当前时刻的位姿；
若前i个滤波器中至少两个滤波器检测通过，则为不同滤波器分配权重，基于为不同滤 波器分配的权重，对与不同滤波器对应的更新后的车辆于当前时刻的位姿更新数据进行加权 平均计算，以获取校正后的车辆于当前时刻的位姿。
具体地，为不同滤波器分配权重为各滤波器更新的与车辆于当前时刻的位姿更新数据对 应可信度的逆。
以接收第三个观测数据，接收第四个观测数据为例，具体描述步骤S13：
请参阅图4B，显示为应用于预设校正模型中流程示意图。如图4B所示，当接收到第三 次观测数据时：
更新滤波器1：若卡方检验未通过，累计次数；若卡方检验通过,计算得到更新后的滤波 器1的更新数据；
更新滤波器2：若卡方检验未通过，累计次数；若卡方检验通过,计算得到更新后的滤波 器2的更新数据；
如果滤波器1和2都未通过卡方检验,则初始化滤波3，
如果,存在滤波器累计3次未通过检验,则终止该滤波器.
假设滤波1终止,并初始化了滤波器3。其中，在两次观测信息之间，通过输入的v,w进 行预测。
当接收到第四次观测数据时：
更新滤波器2：若卡方检验未通过，累计次数；若卡方检验通过,计算得到更新后的滤波 器2的更新数据；
更新滤波器3：若卡方检验未通过，累计次数；若卡方检验通过,计算得到更新后的滤波 器3的更新数据
如果，滤波器2和3都未通过检验,则初始化滤波4.
如果，存在滤波器累计3次未通过检验,则终止该滤波器。其中，两次观测信息之间，通 过输入的v,w进行预测。
本实施例所述车辆的定位方法适用于任何有车位号的停车场，且不受室内室外场景限制 ，且通过已经考虑到错误信息的可能，通过过滤掉错误信息，可以保证正确且高精度的获取车辆 于地图中的初始定位。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执 行时实现如图2所述的车辆的定位方法。
在任何可能的技术细节结合层面，本申请可以是系统、方法和/或计算机程序产品。计算 机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本申请的各个方面的 计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计 算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子 (非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、 可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只 读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有 指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存 储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。 这里所描述的计算机可读程序可以从计算机可读存储介质下载到各个计算/处理设备，或者通 过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络 可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边 缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。 用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、 机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或者以一种或多种编 程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如 Smalltalk、C++等，以及过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程 序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件 包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上 执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN) 或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性 化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)， 该电子电路可以执行计算机可读程序指令，从而实现本申请的各个方面。
实施例二
本实施例提供一种车辆的定位系统，适应于指定区域内；所述车辆的定位系统包括：
获取模块，用于当所述车辆进入所述指定区域时，实时获取车辆于多个时刻的位姿；
接收模块，用于将实时获取的多个时刻的位姿定义为观测数据依次接收至预先构建的校 正模型，其中，所述预设校正模型包括若干用于预测车辆位姿的滤波器；
校正模块，用于在当前时刻所述预先构建的校正模型接收到第i+1个观测数据时，对前i 个滤波器分别进行融合检测，若前i个滤波器中的滤波器检测通过，则利用第i+1个观测数据， 更新检测通过的滤波器，并提取出校正后的车辆于当前时刻的位姿；其中，i大于等于0，且 第i+1个观测数据非第一个观测数据。
以下将结合图示对本实施例所提供的车辆的定位系统进行详细描述。请参阅图5，显示 为车辆的定位系统于一实施例中原理结构示意图。如图5所示，所述车辆的定位系统5包括 获取模块51、接收模块52及校正模块53。
所述获取模块51用于当所述车辆进入所述指定区域时，实时获取车辆于多个时刻的位姿。
具体地，所述获取模块51在所述车辆进入所述停车场时，从车辆的环视图像数据中检测 车位框；所述车位框包括较近横边，较远横边，较近纵边及较远纵边；从车位框中识别该车 位框对应的车位号信息；根据所述车位号信息，于预存停车场的地图中查找车辆经过的车位框的坐标；获取车辆于当前时刻的位姿。
所述位姿包括位置量和速度矢量，位置量包括车辆于当前时刻的位置坐标及车辆的偏向 角度；速度矢量包括车辆于当前时刻的线速度和角速度。
具体地，所述获取模块51根据车位框中四个顶角的坐标，计算车辆于当前时刻的位置 坐标及判断所述车位框位于车辆的左侧还是右侧，计算车辆的偏向角度；及于车身传感器中 获取车辆于当前时刻的线速度和角速度；
其中，所述获取模块51通过公式car.x＝abx+λ*diffx/length计算车辆于当前时刻的位 置量中X轴坐标；其中，car.x为车辆于当前时刻的位置量中X轴坐标，abx为较近纵边中点 的X轴坐标，diffx为较近纵边中点的X坐标与较远纵边的X坐标的偏差，diffx＝abx-cdx；λ为经验值；
所述获取模块51通过公式car.y＝aby+3*diffy/length计算车辆于当前时刻的位置量中Y 轴坐标；其中，car.y为车辆于当前时刻的位置量中Y轴坐标，aby为较近纵边中点的Y轴坐 标，diffy为较近纵边中点的Y坐标与较远纵边中点的Y坐标的偏差，diffy＝aby-cdy；
length＝sqrt(diffx*diffx+diffy*diffy)，length为偏差长度；
所述车位框位于车辆的左侧时，所述获取模块51通过计算公式car.angle＝atan2(b.y-a.y, b.x-a.x)计算车辆的偏向角度；a.x和a.y，b.x和b.y分别为较近纵边的两个端点的坐标；
所述车位框位于车辆的右侧时，所述获取模块51通过计算公式car.angle＝atan2(a.y-b.y, a.x-b.x)计算车辆的偏向角度。
所述接收模块52用于将实时获取的多个时刻的位姿定义为观测数据依次接收至预先构 建的校正模型，其中，所述预设校正模型包括若干用于预测车辆位姿的滤波器。
所述校正模块53用于在当前时刻所述预先构建的校正模型接收到第i+1个观测数据时， 对前i个滤波器分别进行融合检测。其中，i大于等于0。
具体地，所述校正模块53在当前时刻所述预先构建的校正模型接收到第一个观测数据时， 初始化第一个滤波器，以预测车辆于下一时刻的位姿及与之对应的预测可信度。
具体地，所述校正模块53在当前时刻所述预先构建的校正模型接收到第i+1个观测数据 时，利用所述滤波器，分别预测车辆于当前时刻的位姿；分别利用所述滤波器预测的车辆于 当前时刻的位姿预测数据，计算与之对应的预测可信度；基于所述滤波器预测的车辆于当前 时刻的位姿预测数据与于当前时刻的接收的第i+1个观测数据之间的差值、车辆于当前时刻 的位姿预测数据的可信度，计算车辆于当前时刻的位姿的预测数据和于当前时刻的接收的第 i+1个观测数据之间的融合度，将车辆于当前时刻的位姿的预测数据和第i+1个观测数据之间的融合度与预设融合度阈值进行比较，当车辆于当前时刻的位姿的预测数据和第i+1个观测 数据之间的融合度小于预设融合度阈值时，则表示检测通过，转入更新检测通过的滤波器的 步骤；当车辆于当前时刻的位姿的预测数据和第i+1个观测数据之间的融合度大于等于预设 融合度阈值时，则表示检测未通过，累计该滤波器融合检测未通过次数；当该滤波器融合检测未通过次数超过未通过次数阈值时，则终止该滤波器。其中，若前i个滤波器融合检测未 通过时，初始化第i+1个滤波器，继续预测下一时刻车辆位姿的预测数据。
所述校正模块53若前i个滤波器中的滤波器检测通过，利用第i+1个观测数据，基于所 述滤波器预测的车辆于当前时刻的位姿预测数据的可信度，生成用于校正车辆于当前时刻的 位姿预测数据的校正参数，以基于所述校正参数，计算所述滤波器更新后的车辆于当前时刻 的位姿更新数据及与其对应的可信度来更新检测通过的滤波器。
所述校正模块53若前i个滤波器中仅有一个滤波器检测通过，则将该滤波器更新的车辆 于当前时刻的位姿更新数据定义为校正后的车辆于当前时刻的位姿；或若前i个滤波器中至 少两个滤波器检测通过，则为不同滤波器分配权重，基于为不同滤波器分配的权重，对与不 同滤波器对应的更新后的车辆于当前时刻的位姿更新数据进行加权平均计算，以获取校正后 的车辆于当前时刻的位姿。
需要说明的是，应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实 现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软 件通过处理元件调用的形式实现，也可以全部以硬件的形式实现，还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如：x模块可以为单独设立的 处理元件，也可以集成在上述系统的某一个芯片中实现。此外，x模块也可以以程序代码的 形式存储于上述系统的存储器中，由上述系统的某一个处理元件调用并执行以上x模块的功 能。其它模块的实现与之类似。这些模块全部或部分可以集成在一起，也可以独立实现。这 里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的 各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完 成。以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，一个或多个微处理器 (Digital Singnal Processor，简称DSP)，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。当以上某个模块通过处理元件调度程序代码的形式实现时，该 处理元件可以是通用处理器，如中央处理器(Central Processing Unit，简称CPU)或其它可 以调用程序代码的处理器。这些模块可以集成在一起，以片上系统(System-on-a-chip，简称 SOC)的形式实现。
实施例三
本实施例提供一种车辆的定位设备，该定位设备包括：处理器、存储器、收发器、通信 接口或/和系统总线；存储器和通信接口通过系统总线与处理器和收发器连接并完成相互间的 通信，存储器用于存储计算机程序，通信接口用于和其他设备进行通信，处理器和收发器用于运行计算机程序，使车辆的定位设备执行如实施例一所述车辆的定位方法的各个步骤。
上述提到的系统总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称 PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。 该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表 示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他 设备(如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，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。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、 网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、 现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、 分立门或者晶体管逻辑器件、分立硬件组件。
本发明所述的车辆的定位方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根 据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护 范围内。
本发明还提供一种车辆的定位系统，所述车辆的定位系统可以实现本发明所述的车辆的 定位方法，但本发明所述的车辆的定位方法的实现装置包括但不限于本实施例列举的车辆的 定位系统的结构，凡是根据本发明的原理所做的现有技术的结构变形和替换，都包括在本发明的保护范围内。
综上所述，本发明所述车辆的定位方法、系统、设备及计算机可读存储介质适用于任何 有车位号的停车场，且不受室内室外场景限制，且通过已经考虑到错误信息的可能，通过过 滤掉错误信息，可以保证正确且高精度的获取车辆于地图中的初始定位。因此，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技 术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡 所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (9)
1.一种车辆的定位方法，其特征在于，适应于指定区域内；所述车辆的定位方法包括：
当所述车辆进入所述指定区域时，实时获取车辆于多个时刻的位姿，其中，具体包括：在所述车辆进入停车场时，从车辆的环视图像数据中检测车位框；所述车位框包括较近横边，较远横边，较近纵边及较远纵边；从车位框中识别该车位框对应的车位号信息；根据所述车位号信息，于预存停车场的地图中查找车辆经过的车位框的坐标；获取车辆于当前时刻的位姿；
所述位姿包括位置量和速度矢量，位置量包括车辆于当前时刻的位置坐标及车辆的偏向角度；速度矢量包括车辆于当前时刻的线速度和角速度；所述获取车辆于当前时刻的位姿的步骤包括：根据车位框中四个顶角的坐标，计算车辆于当前时刻的位置坐标及判断所述车位框位于车辆的左侧还是右侧，计算车辆的偏向角度；及于车身传感器中获取车辆于当前时刻的线速度和角速度；其中，通过公式car.x＝abx+λ*diffx/length计算车辆于当前时刻的位置量中X轴坐标；其中，car.x为车辆于当前时刻的位置量中X轴坐标，abx为较近纵边中点的X轴坐标，diffx为较近纵边中点的X坐标与较远纵边的X坐标的偏差，diffx＝abx-cdx；λ为经验值；通过公式car.y＝aby+3*diffy/length计算车辆于当前时刻的位置量中Y轴坐标；其中，car.y为车辆于当前时刻的位置量中Y轴坐标，aby为较近纵边中点的Y轴坐标，diffy为较近纵边中点的Y坐标与较远纵边中点的Y坐标的偏差，diffy＝aby-cdy；length＝sqrt(diffx*diffx+diffy*diffy)，length为偏差长度；所述车位框位于车辆的左侧时，车辆的偏向角度通过计算公式car.angle＝atan2(b.y-a.y,b.x-a.x)计算；a.x和a.y，b.x和b.y分别为较近纵边的两个端点的坐标；所述车位框位于车辆的右侧时，车辆的偏向角度通过计算公式car.angle＝atan2(a.y-b.y,a.x-b.x)计算；
将实时获取的多个时刻的位姿定义为观测数据依次接收至预先构建的校正模型，其中，所述校正模型包括若干用于预测车辆位姿的滤波器；
在当前时刻所述预先构建的校正模型接收到第i+1个观测数据时，对前i个滤波器分别进行融合检测，若前i个滤波器中的滤波器检测通过，则利用第i+1个观测数据，更新检测通过的滤波器，并提取出校正后的车辆于当前时刻的位姿；其中，i大于等于0，且第i+1个观测数据非第一个观测数据。
2.根据权利要求1所述的车辆的定位方法，其特征在于，所述车辆的定位方法还包括：在当前时刻所述预先构建的校正模型接收到第一个观测数据时，初始化第一个滤波器，以预测车辆于当前时刻的位姿及与之对应的预测可信度。
3.根据权利要求1所述的车辆的定位方法，其特征在于，在当前时刻所述预先构建的校正模型接收到第i+1个观测数据时，对前i个滤波器分别进行融合检测的步骤包括：
利用所述滤波器，分别预测车辆于当前时刻的位姿；
分别利用所述滤波器预测的车辆于当前时刻的位姿预测数据，计算与之对应的预测可信度；
基于所述滤波器预测的车辆于当前时刻的位姿预测数据与于当前时刻的接收的第i+1个观测数据之间的差值、车辆于当前时刻的位姿预测数据的可信度，计算车辆于当前时刻的位姿的预测数据和于当前时刻的接收的第i+1个观测数据之间的融合度，将车辆于当前时刻的位姿的预测数据和第i+1个观测数据之间的融合度与预设融合度阈值进行比较，当车辆于当前时刻的位姿的预测数据和第i+1个观测数据之间的融合度小于预设融合度阈值时，则表示检测通过，转入更新检测通过的滤波器的步骤；当车辆于当前时刻的位姿的预测数据和第i+1个观测数据之间的融合度大于等于预设融合度阈值时，则表示检测未通过，累计该滤波器融合检测未通过次数；当该滤波器融合检测未通过次数超过未通过次数阈值时，则终止该滤波器。
4.根据权利要求3所述的车辆的定位方法，其特征在于，若前i个滤波器中的滤波器检测通过，利用第i+1个观测数据，更新检测通过的滤波器的步骤包括：
基于所述滤波器预测的车辆于当前时刻的位姿预测数据的可信度，生成用于校正车辆于当前时刻的位姿预测数据的校正参数，以基于所述校正参数，计算所述滤波器更新后的车辆于当前时刻的位姿更新数据及与其对应的可信度。
5.根据权利要求4所述的车辆的定位方法，其特征在于，提取出校正后的车辆于当前时刻的位姿的步骤包括：
若前i个滤波器中仅有一个滤波器检测通过，则将该滤波器更新的车辆于当前时刻的位姿更新数据定义为校正后的车辆于当前时刻的位姿；
若前i个滤波器中至少两个滤波器检测通过，则为不同滤波器分配权重，基于为不同滤波器分配的权重，对与不同滤波器对应的更新后的车辆于当前时刻的位姿更新数据进行加权平均计算，以获取校正后的车辆于当前时刻的位姿。
6.根据权利要求3所述的车辆的定位方法，其特征在于，若前i个滤波器融合检测未通过时，初始化第i+1个滤波器，继续预测下一时刻车辆位姿的预测数据。
7.一种车辆的定位系统，其特征在于，适应于指定区域内；所述车辆的定位系统包括：
获取模块，用于当所述车辆进入所述指定区域时，实时获取车辆于多个时刻的位姿，其中，具体包括：在所述车辆进入停车场时，从车辆的环视图像数据中检测车位框；所述车位框包括较近横边，较远横边，较近纵边及较远纵边；从车位框中识别该车位框对应的车位号信息；根据所述车位号信息，于预存停车场的地图中查找车辆经过的车位框的坐标；获取车辆于当前时刻的位姿；所述位姿包括位置量和速度矢量，位置量包括车辆于当前时刻的位置坐标及车辆的偏向角度；速度矢量包括车辆于当前时刻的线速度和角速度；所述获取车辆于当前时刻的位姿的步骤包括：根据车位框中四个顶角的坐标，计算车辆于当前时刻的位置坐标及判断所述车位框位于车辆的左侧还是右侧，计算车辆的偏向角度；及于车身传感器中获取车辆于当前时刻的线速度和角速度；其中，通过公式car.x＝abx+λ*diffx/length计算车辆于当前时刻的位置量中X轴坐标；其中，car.x为车辆于当前时刻的位置量中X轴坐标，abx为较近纵边中点的X轴坐标，diffx为较近纵边中点的X坐标与较远纵边的X坐标的偏差，diffx＝abx-cdx；λ为经验值；通过公式car.y＝aby+3*diffy/length计算车辆于当前时刻的位置量中Y轴坐标；其中，car.y为车辆于当前时刻的位置量中Y轴坐标，aby为较近纵边中点的Y轴坐标，diffy为较近纵边中点的Y坐标与较远纵边中点的Y坐标的偏差，diffy＝aby-cdy；length＝sqrt(diffx*diffx+diffy*diffy)，length为偏差长度；所述车位框位于车辆的左侧时，车辆的偏向角度通过计算公式car.angle＝atan2(b.y-a.y,b.x-a.x)计算；a.x和a.y，b.x和b.y分别为较近纵边的两个端点的坐标；所述车位框位于车辆的右侧时，车辆的偏向角度通过计算公式car.angle＝atan2(a.y-b.y,a.x-b.x)计算；
接收模块，用于将实时获取的多个时刻的位姿定义为观测数据依次接收至预先构建的校正模型，其中，所述校正模型包括若干用于预测车辆位姿的滤波器；
校正模块，用于在当前时刻所述预先构建的校正模型接收到第i+1个观测数据时，对前i个滤波器分别进行融合检测，若前i个滤波器中的滤波器检测通过，则利用第i+1个观测数据，更新检测通过的滤波器，并提取出校正后的车辆于当前时刻的位姿；其中，i大于等于0，且第i+1个观测数据非第一个观测数据。
8.一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，该程序被处理器执行时实现权利要求1至6中任一项所述车辆的定位方法。
9.一种车辆的定位设备，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述车辆的定位设备执行如权利要求1至6中任一项所述车辆的定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111478456.5A CN114323020B (zh) | 2021-12-06 | 2021-12-06 | 车辆的定位方法、系统、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111478456.5A CN114323020B (zh) | 2021-12-06 | 2021-12-06 | 车辆的定位方法、系统、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114323020A CN114323020A (zh) | 2022-04-12 |
| CN114323020B true CN114323020B (zh) | 2024-02-06 |
Family
ID=81048829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111478456.5A Active CN114323020B (zh) | 2021-12-06 | 2021-12-06 | 车辆的定位方法、系统、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114323020B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013234902A (ja) * | 2012-05-08 | 2013-11-21 | Alpine Electronics Inc | 走行レーン認識装置および走行レーン認識方法 |
| CN108426581A (zh) * | 2018-01-08 | 2018-08-21 | 深圳市易成自动驾驶技术有限公司 | 车辆位姿确定方法、装置及计算机可读存储介质 |
| CN109211251A (zh) * | 2018-09-21 | 2019-01-15 | 北京理工大学 | 一种基于激光和二维码融合的即时定位与地图构建方法 |
| CN110147094A (zh) * | 2018-11-08 | 2019-08-20 | 北京初速度科技有限公司 | 一种基于车载环视系统的车辆定位方法及车载终端 |
| CN110361008A (zh) * | 2019-07-10 | 2019-10-22 | 北京智行者科技有限公司 | 地下车库自动泊车的定位方法及装置 |
| CN110555884A (zh) * | 2018-05-31 | 2019-12-10 | 海信集团有限公司 | 一种车载双目相机的标定方法、装置及终端 |
| CN110580325A (zh) * | 2019-08-28 | 2019-12-17 | 武汉大学 | 一种泛在定位信号多源融合方法及系统 |
| CN110789529A (zh) * | 2019-11-12 | 2020-02-14 | 深圳创维数字技术有限公司 | 车辆的控制方法、装置及计算机可读存储介质 |
| CN111207740A (zh) * | 2020-01-13 | 2020-05-29 | 北京京东乾石科技有限公司 | 车辆定位的方法、装置、设备和计算机可读介质 |
| CN111854678A (zh) * | 2020-07-17 | 2020-10-30 | 浙江工业大学 | 一种单目视觉下基于语义分割和卡尔曼滤波的位姿测量方法 |
| CN112116654A (zh) * | 2019-06-20 | 2020-12-22 | 杭州海康威视数字技术股份有限公司 | 一种车辆位姿确定方法、装置及电子设备 |
| US10897600B1 (en) * | 2019-09-09 | 2021-01-19 | Texas Instruments Incorporated | Sensor fusion based perceptually enhanced surround view |
| CN112631288A (zh) * | 2020-12-09 | 2021-04-09 | 上海欧菲智能车联科技有限公司 | 泊车定位方法、装置、车辆及存储介质 |
| CN113375656A (zh) * | 2020-03-09 | 2021-09-10 | 杭州海康威视数字技术股份有限公司 | 定位方法和设备 |
| CN113483769A (zh) * | 2021-08-17 | 2021-10-08 | 清华大学 | 基于粒子滤波器的车辆自定位方法、系统、设备和介质 |
| CN113643544A (zh) * | 2021-10-13 | 2021-11-12 | 南通东信车厢制造有限公司 | 一种基于物联网的停车场内违规泊车智能检测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114030463B (zh) * | 2021-11-23 | 2024-05-14 | 上海汽车集团股份有限公司 | 一种自动泊车系统的路径规划方法及装置 |
-
2021
- 2021-12-06 CN CN202111478456.5A patent/CN114323020B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013234902A (ja) * | 2012-05-08 | 2013-11-21 | Alpine Electronics Inc | 走行レーン認識装置および走行レーン認識方法 |
| CN108426581A (zh) * | 2018-01-08 | 2018-08-21 | 深圳市易成自动驾驶技术有限公司 | 车辆位姿确定方法、装置及计算机可读存储介质 |
| CN110555884A (zh) * | 2018-05-31 | 2019-12-10 | 海信集团有限公司 | 一种车载双目相机的标定方法、装置及终端 |
| CN109211251A (zh) * | 2018-09-21 | 2019-01-15 | 北京理工大学 | 一种基于激光和二维码融合的即时定位与地图构建方法 |
| CN110147094A (zh) * | 2018-11-08 | 2019-08-20 | 北京初速度科技有限公司 | 一种基于车载环视系统的车辆定位方法及车载终端 |
| CN112116654A (zh) * | 2019-06-20 | 2020-12-22 | 杭州海康威视数字技术股份有限公司 | 一种车辆位姿确定方法、装置及电子设备 |
| CN110361008A (zh) * | 2019-07-10 | 2019-10-22 | 北京智行者科技有限公司 | 地下车库自动泊车的定位方法及装置 |
| CN110580325A (zh) * | 2019-08-28 | 2019-12-17 | 武汉大学 | 一种泛在定位信号多源融合方法及系统 |
| US10897600B1 (en) * | 2019-09-09 | 2021-01-19 | Texas Instruments Incorporated | Sensor fusion based perceptually enhanced surround view |
| CN110789529A (zh) * | 2019-11-12 | 2020-02-14 | 深圳创维数字技术有限公司 | 车辆的控制方法、装置及计算机可读存储介质 |
| CN111207740A (zh) * | 2020-01-13 | 2020-05-29 | 北京京东乾石科技有限公司 | 车辆定位的方法、装置、设备和计算机可读介质 |
| CN113375656A (zh) * | 2020-03-09 | 2021-09-10 | 杭州海康威视数字技术股份有限公司 | 定位方法和设备 |
| CN111854678A (zh) * | 2020-07-17 | 2020-10-30 | 浙江工业大学 | 一种单目视觉下基于语义分割和卡尔曼滤波的位姿测量方法 |
| CN112631288A (zh) * | 2020-12-09 | 2021-04-09 | 上海欧菲智能车联科技有限公司 | 泊车定位方法、装置、车辆及存储介质 |
| CN113483769A (zh) * | 2021-08-17 | 2021-10-08 | 清华大学 | 基于粒子滤波器的车辆自定位方法、系统、设备和介质 |
| CN113643544A (zh) * | 2021-10-13 | 2021-11-12 | 南通东信车厢制造有限公司 | 一种基于物联网的停车场内违规泊车智能检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于主动视觉的车辆实时检测;李政;赵汉青;刘大学;贺汉根;;计算机仿真(第05期);50-55 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114323020A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111442722B (zh) | 定位方法、装置、存储介质及电子设备 | |
| KR102382420B1 (ko) | 차량 위치 결정 방법, 전자 기기 및 저장 매체 | |
| CN110470333B (zh) | 传感器参数的标定方法及装置、存储介质和电子装置 | |
| CN113723141B (zh) | 车辆的定位方法、装置、电子设备、车辆及存储介质 | |
| CN110501036A (zh) | 传感器参数的标定检查方法及装置 | |
| CN114111774B (zh) | 车辆的定位方法、系统、设备及计算机可读存储介质 | |
| CN111220164A (zh) | 定位方法、装置、设备及存储介质 | |
| KR20220004203A (ko) | 기기 포지셔닝을 위한 방법, 장치 및 기기 | |
| CN111680596B (zh) | 基于深度学习的定位真值校验方法、装置、设备及介质 | |
| CN112800159B (zh) | 地图数据处理方法及装置 | |
| CN113091736B (zh) | 机器人定位方法、装置、机器人及存储介质 | |
| CN113859264A (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
| CN115711616B (zh) | 一种室内室外穿越无人机的平顺定位方法及装置 | |
| CN112699765A (zh) | 评估视觉定位算法的方法、装置、电子设备及存储介质 | |
| CN114018269B (zh) | 定位方法、装置、电子设备、存储介质以及自动驾驶车辆 | |
| Chen et al. | Fault‐Tolerant Optical Flow Sensor/SINS Integrated Navigation Scheme for MAV in a GPS‐Denied Environment | |
| CN114323020B (zh) | 车辆的定位方法、系统、设备及计算机可读存储介质 | |
| CN112304322B (zh) | 一种视觉定位失效后的重启方法及车载终端 | |
| CN109489658B (zh) | 一种运动目标定位方法、装置及终端设备 | |
| CN112987707A (zh) | 一种车辆的自动驾驶控制方法及装置 | |
| CN112729349B (zh) | 里程计在线标定的方法、装置、电子设备及存储介质 | |
| CN116106869A (zh) | 自动驾驶车辆的定位评价方法、装置及电子设备 | |
| CN113917506A (zh) | 模糊度固定方法、装置、电子设备及自动驾驶设备 | |
| CN114140512A (zh) | 一种图像处理方法以及相关设备 | |
| Asl Sabbaghian Hokmabadi et al. | Shaped-Based Tightly Coupled IMU/Camera Object-Level SLAM |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |