CN114485654A - 一种基于高精地图的多传感器融合定位方法及装置 - Google Patents
一种基于高精地图的多传感器融合定位方法及装置 Download PDFInfo
- Publication number
- CN114485654A CN114485654A CN202210172662.1A CN202210172662A CN114485654A CN 114485654 A CN114485654 A CN 114485654A CN 202210172662 A CN202210172662 A CN 202210172662A CN 114485654 A CN114485654 A CN 114485654A
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- camera
- map
- inertial navigation
- 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
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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
- G01C21/1656—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with passive imaging devices, e.g. cameras
-
- 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
- G01C21/32—Structuring or formatting of map data
Abstract
本发明公开了一种基于高精地图的多传感器融合定位方法及装置,包括步骤:根据车载惯性导航采集的信息获取第一车载惯导定位信息;根据所述第一车载惯导定位信息确定车辆当前位置的高精地图,所述当前位置的高精地图中包含第一地图道路信息;根据前视相机采集的信息获取第一车载相机图像道路信息;将所述第一地图道路信息和所述第一车载相机图像道路信息进行数据关联,生成关联数据信息;融合所述关联数据信息和第一车载惯导定位信息,得到车辆当前位置的高精定位,融合了多个传感器输出的信息包括车载惯导定位信息和车载相机图像道路信息,解决单个设备的应用的局限性,结合高精地图提供的静态信息,通过多个数据融合,保证定位的精度。
Description
技术领域
本发明涉及一种定位技术领域,具体为一种基于高精地图的多传感器融合定位方法及装置。
背景技术
智能驾驶提供了出行便利,近年来逐步得到了生产和应用,自车的位置和朝向即定位,对自动驾驶其他模块如感知、决策和控制等都有着重要的作用,错误的定位信息将带来不可预估的后果。
为了解决车辆定位问题,目前提出了各种各样的解决方法。从传感器层面,有基于纯视觉摄像头、有基于激光雷达、有采用摄像头+毫米波雷达、有结合多个传感器,目前,自动驾驶汽车获取车道线信息的方式是通过智能摄像头;智能摄像头能够从视频图像中检测识别出车道线,实时输出给自动驾驶控制器;摄像头的优点是感知实时性强,检测较为准确。但摄像头也有易受天气、光线等的影响,视野范围有限,易被障碍物遮挡等缺点。当前的视频图像检测识别技术在弯道、路面阴影和路面标线复杂等特殊工况下的性能不能保证。由于当前摄像头的这些特性,在复杂的行驶工况下,自动驾驶汽车的行驶安全性并不能得到保障;从地图层面,有基于高精地图、有不基于高精地图的,而且高精地图的定位格式和表达方式又存在差异;定位技术在自动驾驶领域又是至关重要,因此,如何结合现有的摄像头以及高精地图来提高定位精度十分有必要。
发明内容
为了克服现有技术存在的缺点与不足,本发明公开一种基于高精地图的多传感器融合定位方法及装置,多传感器的设置能够解决单个设备的应用局限性,并结合高精地图提供的丰富的静态信息,得到一个高精度定位,该方法包括步骤:
根据车载惯性导航采集的信息获取第一车载惯导定位信息;
根据所述第一车载惯导定位信息确定车辆当前位置的高精地图,所述当前位置的高精地图中包含第一地图道路信息;
根据前视相机采集的信息获取第一车载相机图像道路信息;
将所述第一地图道路信息和所述第一车载相机图像道路信息进行数据关联,生成关联数据信息;
融合所述关联数据信息和第一车载惯导定位信息,得到车辆当前位置的高精定位。
更进一步地,所述车载惯性导航采集的信息获取第一车载惯导定位信息包括步骤:
获取惯导标定信息,所述惯导标定信息为惯导坐标系与车体坐标系之间的变换矩阵;
根据所述惯导标定信息对所述车载惯性导航进行标定,使得所述车载惯性导航采集车载惯导定位信息;
将所述车载惯导定位信息由所述惯导坐标系转换为所述车体坐标系,生成第一车载惯导定位信息。
更进一步地,所述根据所述第一车载惯导定位信息确定车辆当前位置的高精地图包括步骤:
将所述第一车载惯导定位信息转换至与所述高精地图相同的坐标系,生成第二车载惯导定位信息;
根据所述第二车载惯导定位信息获取车辆在所述当前位置的高精地图。
更进一步地,所述根据前视相机采集的信息获取第一车载相机图像道路信息包括步骤:
获取相机标定信息,所述相机标定信息包括第一标定信息与第二标定信息,所述第一相机标定信息为车体坐标系与前视相机坐标系之间的变换矩阵;所述第二标定信息至少包括标定畸变系数;
根据所述相机标定信息对前视相机进行标定,使得所述前视相机采集所述车载相机图像道路信息;
将所述车载相机图像道路信息由相机坐标系转换为车体坐标系,生成第一车载相机图像道路信息。
更进一步地,将所述第一地图道路信息和所述第一车载相机图像道路信息进行数据关联,生成关联数据信息包括步骤:
将所述第一地图道路信息和所述第一车载相机图像道路信息统一为预设坐标系,并设置为时间同步,生成所述数据关联信息;所述数据关联信息包括第二地图道路信息和第二车载相机图像道路信息;
所述第二车载相机图像道路信息至少包括第二相机车道线信息和第二相机交通标志信息;
所述第二地图道路信息至少包括第二地图车道线信息和第二地图交通标志信息。
更进一步地,融合所述关联数据信息和第一车载惯导定位信息,得到车辆当前位置的高精定位包括:
根据所述第二相机车道线信息和第二所述地图车道线信息确定车辆当前横轴定位;
根据所述第二相机交通标志信息和所述第二地图交通标志信息确定车辆当前纵轴定位;
将第一车载惯导定位信息转换至与所述高精地图相同坐标系并与所述车辆当前横轴定位和所述车辆当前纵轴定位融合输出,得到车辆当前位置的高精定位。
更进一步地,所述根据所述第二相机车道线信息和第二所述地图车道线信息确定车辆当前横轴定位,包括提取所述第二相机车道线信息的高阶曲线方程;
所述提取所述第二相机车道线信息的高阶曲线方程包括:
采集多个车道线轮廓点;
将所述车道线轮廓点进行拟合,生成所述高阶曲线方程。
更进一步地,所述第二相机车道线信息包括相机左车道线与相机右车道线;
所述第二地图车道线信息包括地图左车道线与地图右车道线;
所述根据所述第二相机车道线信息和第二所述地图车道线信息确定车辆当前横轴定位包括步骤:
获取车辆分别与所述地图左车道线和地图右车道线的距离之和;
获取比例因子,所述比例因子为车辆分别与所述相机左车道线和所述相机右车道线的距离之比;
所述车辆分别与所述地图左车道线和地图右车道线的距离之和再乘以所述比例因子,得到所述辆当前横轴定位。
更进一步地,所述预设坐标系为车体坐标系;
所述第一地图道路信息至少包括第一地图交通标志信息;
所述根据所述第二相机交通标志信息和所述第二地图交通标志信息确定车辆当前纵轴定位包括步骤:
当所述第二相机交通标志信息和所述第二地图交通标志信息之间的距离小于阈值时,确定所述第二相机交通标志信息为当前相机交通标志信息;
通过ICP匹配所述当前相机交通标志信息和所述第一地图交通标志信息,得到纵轴定位。
另一方面,本身还提供一种基于高精地图的多传感器融合定位装置,包括:
惯导信息获取模块:用于根据车载惯性导航采集的信息获取第一车载惯导定位信息;
高精地图确定模块:用于根据所述第一车载惯导定位信息确定车辆当前位置的高精地图,所述当前位置的高精地图中包含第一地图道路信息;
图像道路信息获取模块:用于根据前视相机采集的信息获取第一车载相机图像道路信息;
关联数据信息生成模块:用于将所述地图道路信息和所述车载相机图像道路信息进行数据关联,生成关联数据信息;
高精定位确定模块:用于融合所述关联数据信息和第一车载惯导定位信息,得到车辆当前位置的高精定位。
实施本发明,具有如下有益效果:
1.融合了多个传感器输出的信息包括车载惯导定位信息和车载相机图像道路信息,解决单个设备的应用的局限性,结合高精地图提供的静态信息,通过多个数据融合,保证定位的精度。
2.天气情况受到影响时,前视相机视野范围有限,结合高精地图里的道路信息和车载惯导定位信息,可以弥补天气对前视相机视野受限的影响。
3.通过前视相机观测到道路信息与高精地图上的道路信息融合确定车辆的横轴定位与纵轴定位,以横轴定位与纵轴定位修正车载惯导定位信息的定位以此提高定位精度。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例提供的基于高精地图的多传感器融合定位方法流程图;
图2为本发明实施例提供的生成高精定位的原理框图;
图3为本发明实施例提供的得到车辆当前位置的高精定位方法流程;
图4为本发明实施例提供的纵轴定位获取方法;
图5为本发明实施例提供的基于高精地图的多传感器融合定位装置。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,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,都应当属于本申请保护的范围。
实施例
本实施例中,本发明所要解决的技术问题在于结合高精地图与多传感器提高定位精度,解决单个设备应用的局限性,并结合高精地图提供丰富的静态信息,其中多传感器指车载惯性导航和前视相机,还可以结合毫米波雷达,如图1所示,该方法,包括步骤:
S1:根据车载惯性导航采集的信息获取第一车载惯导定位信息;
车载惯性导航采集的信息为车载惯导定位信息,车载惯性导航的原理是根据加速度计输出解算出运载体在导航坐标系中的速度和位置,通过车载惯性导航可以得出车辆定位,车载惯导定位信息通过转换得到第一车载惯导定位信息,获取第一车载惯导定位信息包括步骤:
S11:获取惯导标定信息,惯导标定信息为惯导坐标系与车体坐标系之间的变换矩阵;
由于车载惯导定位信息是车载惯性导航所采集的信息,而车载惯性导航处于惯导坐标系,因此车载惯导定位信息也处于惯导坐标系,而车辆处于车体坐标系上,车辆行驶移动确定车辆定位,需要将车载惯性导航与车辆统一坐标系,因此需要将惯导坐标系下的车载惯性导航转换为车体坐标系下的车载惯性导航,这个过程即为标定,车载惯性导航进行标定生成惯导标定信息,惯导标定信息为惯导坐标系与车体坐标系之间的变化后的矩阵。
S12:根据惯导标定信息对车载惯性导航进行标定,使得车载惯性导航采集车载惯导定位信息;
车载惯性导航经过标定后所输出的信息为车载惯导定位信息,车载惯性导航处于车体坐标系,因此车载惯性导航输出的数据依然是处于惯导坐标系,即车载惯导定位信息处于惯导坐标系上,因此需要将车载惯导定位信息转换为车体坐标系。
S13:将车载惯导定位信息由惯导坐标系转换为车体坐标系,生成第一车载惯导定位信息。
S2:根据第一车载惯导定位信息确定车辆当前位置的高精地图,当前位置的高精地图中包含第一地图道路信息;
高精地图是一个大范围地图,确定车辆当前位置时可以根据第一车载惯导定位信息来确定车辆当前位置的高精地图,将地图范围缩小,根据第一车载惯导定位信息确定车辆当前位置的高精地图包括步骤:
S21:将第一车载惯导定位信息转换至与高精地图相同的坐标系,生成第二车载惯导定位信息;
对行驶的车辆进行指定路径规划时,为保证路径最佳,需要保证定位精度,高精地图为地图数据库,高精地图的坐标系选择不会随着车辆行驶而发生改变的笛卡尔坐标系,车辆定位就是在高精地图中标记出车辆当前位置,第一车载惯导定位信息为车体坐标系,为了确定当前位置的高精地图,将第一车载惯导定位信息与高精地图统一坐标系,即生成第二车载惯导定位信息,第二车载惯导定位信息处于高精地图中的笛卡尔坐标系。
S22:根据第二车载惯导定位信息获取车辆在当前位置的高精地图,当前位置的高精地图中包含第一地图道路信息;
第二车载惯导定位信息与高精地图的坐标系统一,可以在高精地图中查找车辆所在区域,并提取所在区域的高精地图,为后续的定位修正缩小范围。
高精地图中至少包含第一地图道路信息,作为具体的,第一地图道路信息至少包括第一地图车道线信息,第一地图交通标识信息,还可以包括建筑物等可以作为参照物具体实物。
S3:根据前视相机采集的信息获取第一车载相机图像道路信息;
由于车载惯导定位信息经过积分而产生,虽然不受环境影响,但若只通过车载惯性导航确定车辆定位,定位误差随时间而增大,长期定位精度差,因此需要再获取前视相机采集信息,通过比对高精地图与车载相机图像道路信息,能弥补车载惯性导航误差大的问题,同时也能弥补相机在天气状态不好时候拍摄时,视野范围有限的问题,获取车载相机图像道路信息包括步骤:
S31:获取相机标定信息,相机标定信息包括第一标定信息与第二标定信息,第一相机标定信息为车体坐标系与前视相机坐标系之间的变换矩阵;第二标定信息至少包括标定畸变系数;
相似于对车载惯性导航进行标定,前视相机此时在相机坐标系下,需要将前视相机从相机坐标系转换到车体坐标系,根据相机标定信息对前视相机进行标定;
S32:根据相机标定信息对前视相机进行标定,使得前视相机采集车载相机图像道路信息;
对前视相机的标定包括外参标定和内参标定,相机标定信息包括第一相机标定信息和第二相机标定信息,对前视相机进行外参标定,生成第一相机标定信息,第一相机标定信息为车体坐标系与前视相机坐标系之间的变换矩阵;对前视相机进行内参标定,内参标定即对前视相机内部参数的标定,生成第二相机标定信息,第二相机标定信息至少包括标定畸变系数,根据相机标定信息对前视相机标进行标定,使得车载相机图像道路信息能够以车轮后中心视角输出。
S33:将车载相机图像道路信息由相机坐标系转换为车体坐标系,生成第一车载相机图像道路信息。
虽然车载相机图像道路信息能够以车轮后中心视角输出,仅代表前视相机处于车体坐标系下,但车载相机图像道路信息仍处于相机坐标系下,因此需要将车载相机图像道路信息转换为车体坐标系,生成车体坐标系下的第一车载相机图像道路信息。
S4:将第一地图道路信息和第一车载相机图像道路信息进行数据关联,生成关联数据信息;
第一地图道路信息也处于高精地图中的笛卡尔坐标系下,而第一车载相机图像道路信息处于车体坐标系,这两个信息此时并不处于同一个坐标系,并且车辆是在行驶过程中,随着时间的变化,第一车载相机图像道路信息在进行变化,因此无法将这几个数据直接融合,而是先进行数据关联,换算到同一坐标系下的同一时间内的第一地图道路信息和第一车载相机图像道路信息,生成关联道路信息,不依赖于任何外部信息,也不受限于天气状态,数据更新率高、短期精度和稳定性好,生成关联数据信息包括步骤:
S41:将第一地图道路信息和第一车载相机图像道路信息统一为预设坐标系,并设置为时间同步,生成数据关联信息;数据关联信息包括第二地图道路信息和第二车载相机图像道路信息;
第二车载相机图像道路信息至少包括第二相机车道线信息和第二相机交通标志信息;
第二地图道路信息至少包括第二地图车道线信息和第二地图交通标志信息。
车辆在行驶过程中,每个时间段对应的定位不同,导致每个时间段对应的第一车载相机图像道路信息不同,因此还需要将第一地图道路信息和第一车载相机图像道路信息时间同步,生成关联数据信息,关联数据信息为第二地图道路信息和第二车载相机图像道路信息。
作为优选的,预设坐标系选用车体坐标系,以车辆后轮中心视角输出的定位参数去修正第一车载惯导定位信息,需要将第一地图道路信息转换为车体坐标系下。由于高精地图是通过第一车载惯导定位信息得到,因此在将高精地图中的第一地图道路信息转换为车体坐标系时,需要获取第一车载惯导定位信息,并通过第一车载惯导定位信息得到车体坐标系下的第二地图道路信息。
高精地图得到定位信息后,能够获取指定范围内的信息,如车道线、交通标志,车道线在高精地图中的存储方式为一系列经纬度点,将这一系列的经纬点转换到高精地图中的笛卡尔坐标系下,高精地图中的笛卡尔坐标系以站心(如GPS接收天线中心)为坐标系原点O,Z轴与椭球法线重合,向上为正(天向),y与椭球短半轴重合(北向),x轴与地球椭球的长半轴重合(东向),以此得到第一地图道路信息的坐标,再结合车体坐标系到笛卡尔坐标系的变换矩阵,最终可得到第二地图道路信息,第二地图道路信息在车体坐标系下,车体坐标系采用二维坐标系即可,以车辆后轮中心为原点,以道路上的车道线作为横轴坐标,交通标志作为纵轴坐标,也可根据需求采用三维坐标系,将建筑物作为竖轴坐标;再利用最小二乘拟合方法得到解析出的高精地图中与第二相机车道线信息在车体坐标系表达方式相同的第二地图车道线信息;利用相同的方法可以解析出高精地图中与第二相机交通标志信息的表达方式相同的第二地图交通标志信息,第二相机车道线信息与第二地图车道线信息表达式相同,第二相机交通标志信息与第二地图交通标志信息表达式相同,便可以生成数据关联信息。
S5:融合关联数据信息和第一车载惯导定位信息,得到车辆当前位置的高精定位。
第二地图道路信息至少包括第二地图车道线信息和第二地图交通标志信息;将道路中的第二车道线信息作为横轴定位,道路中的第二交通坐标信息作为纵轴定位,根据横轴定位与纵轴定位校正第二车载惯导定位信息,最终得到车辆高精定位,确定车辆高精定位方法的系统框图具体如图2所示,高精定位需要获取横轴定位、纵轴定位和车载惯导定位信息,根据关联数据信息,如图3所示,得到车辆当前位置的高精定位包括:
S51:根据第二相机车道线信息和第二地图车道线信息确定车辆当前横轴定位;
车道线信息融合需要先将相机车道线提取出来,因此,根据第二相机车道线信息和第二地图车道线信息确定车辆当前横轴定位,包括提取第二相机车道线信息的高阶曲线方程;
提取第二相机车道线信息的高阶曲线方程包括:
采集多个车道线轮廓点;
由于车道线是白色的,而路面是灰色的,车道线和路面存在稳定的灰度梯度差,通过设定合理的阈值,就可以将车道线的轮廓点提取出来,找到同一水平位置相邻的车道线的边缘点,取他们的中点作为车道线上的一点,依次方法得到整个车道线的点。
将车道线轮廓点进行拟合,生成所述高阶曲线方程。
车道一般由直线、圆弧和缓和曲线构成,缓和曲线通常是不同曲率的圆弧或直线的连接过渡,其曲率均匀变化,螺旋曲线是缓和曲线常用形式,本实施例选用螺旋曲线模型,使用三阶的螺旋曲线,该道路模型的精度较高,其第二相机车道线信息在车体坐标系x、y方向的表达方式为:
y=C0+C1*x+C2*x2+C3*x3
其中,C0代表截距,C1代表斜率,C2代表2倍曲率变化,C3代表6倍曲率变化。
提取第二相机交通标志信息,其表达方式为其在车体坐标系下x、y方向的距离。
第二相机车道线信息包括相机左车道线与相机右车道线;
第二地图车道线信息包括地图左车道线与地图右车道线;
根据相机车道线信息和地图车道线信息确定车辆当前横轴定位包括步骤:
S511:获取车辆分别与地图左车道线和地图右车道线的距离之和;
表达公式为:
dis=C0left+C0right
C0left为高精地图上车辆与地图左车道线距离,C0right为高精地图上车辆与地图右车道线距离,dis为高精地图上车辆分别与地图左车道线和地图右车道线的距离之和;
S512:获取比例因子,比例因子为车辆分别与相机左车道线和相机右车道线的距离之比;
表达公式为:
f=C0camera_left/C0camera_right
C0camera_left前视相机观测到车辆与相机左车道线的距离,C0camera_right前视相机观测到车辆与相机右车道线的距离,f是比例因子;
S513:车辆分别与高精地图左车道线和高精地图右车道线的距离之和再乘以比例因子,得到车辆当前横轴定位。
表达公式为:
disleft=dis*f
disleft为修正后的高精地图上车辆距地图左车道线的距离,
S52:根据第二相机交通标志信息和第二地图交通标志信息确定车辆当前纵轴定位;
预设坐标系为车体坐标系;
第一地图道路信息至少包括第一地图交通标志信息
如图4所示,根据第二相机交通标志信息和第二地图交通标志信息确定车辆当前纵轴定位包括步骤:
S521:当第二相机交通标志信息和第二地图交通标志信息之间的距离小于阈值时,确定第二相机交通标志信息为当前相机交通标志信息;
S522:通过ICP匹配当前相机交通标志信息和第一地图交通标志信息,得到纵轴定位。
如前所述高精地图可以解析出第二地图交通标志信息在车体坐标系和笛卡尔坐标系下的坐标,即第二地图交通标志信息和第一地图交通标志信息,分别为pbody和penu,相机解析出第二相机交通标志信息的坐标为pcamera_body,当pbody和pcamera_body两者的距离小于给定的阈值时,认为两者匹配,将pcamera_body确定为当前相机交通标志,penu确定为当前地图交通标志,最后利用传统的ICP匹配的方式可以得到纵轴定位。
S53:将第一车载惯导定位信息转换至与高精地图相同坐标系并与车辆当前横轴定位和车辆当前纵轴定位融合输出,得到车辆当前位置的高精定位;
第一车载惯导定位信息转换至与高精地图相同坐标系即第二车载惯导定位信息,根据横轴定位与纵轴定位修正在高精地图中的笛卡尔坐标系下的第二车载惯导定位信息,得到高精定位,需要注意的是,车辆行驶时,第二车载惯导定位信息也在不停变化,所以在将横轴定位与纵轴定位对第二车载惯导定位信息进行修正时,需要将各自信息戳作时间同步。
本实施例该提供一种基于高精地图的多传感器融合定位装置,该装置能够实现上所有的方法步骤,该装置包括:
惯导信息获取模块:用于根据车载惯性导航采集的信息获取第一车载惯导定位信息;
高精地图确定模块:用于根据第一车载惯导定位信息确定车辆当前位置的高精地图,当前位置的高精地图中包含第一地图道路信息;
图像道路信息获取模块:用于根据前视相机采集的信息获取第一车载相机图像道路信息;
关联数据信息生成模块:用于将地图道路信息和车载相机图像道路信息进行数据关联,生成关联数据信息;
高精定位确定模块:用于融合关联数据信息和第一车载惯导定位信息,得到车辆当前位置的高精定位。
实施本实施例,具有如下效果:
1.融合了多个传感器输出的信息包括车载惯导定位信息和车载相机图像道路信息,解决单个设备的应用的局限性,结合高精地图提供的静态信息,通过多个数据融合,保证定位的精度。
2.天气情况受到影响时,前视相机视野范围有限,结合高精地图里的道路信息和车载惯导定位信息,可以弥补天气对前视相机视野受限的影响。
3.通过前视相机观测到道路信息与高精地图上的道路信息融合确定车辆的横轴定位与纵轴定位,以横轴定位与纵轴定位修正车载惯导定位信息的定位以此提高定位精度。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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,以便这里描述的本发明的实施例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、产品或服务器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。
上述说明已经充分揭露了本发明的具体实施方式。需要指出的是,熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应地,本发明的权利要求的范围也并不仅仅局限于前述具体实施方式。
Claims (10)
1.一种基于高精地图的多传感器融合定位方法,其特征在于,包括步骤:
根据车载惯性导航采集的信息获取第一车载惯导定位信息;
根据所述第一车载惯导定位信息确定车辆当前位置的高精地图,所述当前位置的高精地图中包含第一地图道路信息;
根据前视相机采集的信息获取第一车载相机图像道路信息;
将所述第一地图道路信息和所述第一车载相机图像道路信息进行数据关联,生成关联数据信息;
融合所述关联数据信息和所述第一车载惯导定位信息,得到车辆当前位置的高精定位。
2.根据权利要求1所述的一种基于高精地图的多传感器融合定位方法,其特征在于,所述车载惯性导航采集的信息获取第一车载惯导定位信息包括步骤:
获取惯导标定信息,所述惯导标定信息为惯导坐标系与车体坐标系之间的变换矩阵;
根据所述惯导标定信息对所述车载惯性导航进行标定,使得所述车载惯性导航采集车载惯导定位信息;
将所述车载惯导定位信息由所述惯导坐标系转换为所述车体坐标系,生成第一车载惯导定位信息。
3.根据权利要求1所述的一种基于高精地图的多传感器融合定位方法,其特征在于,所述根据所述第一车载惯导定位信息确定车辆当前位置的高精地图包括步骤:
将所述第一车载惯导定位信息转换至与所述高精地图相同的坐标系,生成第二车载惯导定位信息;
根据所述第二车载惯导定位信息获取车辆在所述当前位置的高精地图。
4.根据权利要求1所述的一种基于高精地图的多传感器融合定位方法,其特征在于,所述根据前视相机采集的信息获取第一车载相机图像道路信息包括步骤:
获取相机标定信息,所述相机标定信息包括第一标定信息与第二标定信息,所述第一相机标定信息为车体坐标系与前视相机坐标系之间的变换矩阵;所述第二标定信息至少包括标定畸变系数;
根据所述相机标定信息对前视相机进行标定,使得所述前视相机采集所述车载相机图像道路信息;
将所述车载相机图像道路信息由相机坐标系转换为车体坐标系,生成第一车载相机图像道路信息。
5.根据权利要求3所述的一种基于高精地图的多传感器融合定位方法,其特征在于,将所述第一地图道路信息和所述第一车载相机图像道路信息进行数据关联,生成关联数据信息包括步骤:
将所述第一地图道路信息和所述第一车载相机图像道路信息统一为预设坐标系,并设置为时间同步,生成所述数据关联信息;所述数据关联信息包括第二地图道路信息和第二车载相机图像道路信息;
所述第二车载相机图像道路信息至少包括第二相机车道线信息和第二相机交通标志信息;
所述第二地图道路信息至少包括第二地图车道线信息和第二地图交通标志信息。
6.根据权利要求5所述的一种基于高精地图的多传感器融合定位方法,其特征在于,
融合所述关联数据信息和第一车载惯导定位信息,得到车辆当前位置的高精定位包括:
根据所述第二相机车道线信息和第二所述地图车道线信息确定车辆当前横轴定位;
根据所述第二相机交通标志信息和所述第二地图交通标志信息确定车辆当前纵轴定位;
将第一车载惯导定位信息转换至与所述高精地图相同坐标系并与所述车辆当前横轴定位和所述车辆当前纵轴定位融合输出,得到车辆当前位置的高精定位。
7.根据权利要求6所述的一种基于高精地图的多传感器融合定位方法,其特征在于,
所述根据所述第二相机车道线信息和第二所述地图车道线信息确定车辆当前横轴定位,包括提取所述第二相机车道线信息的高阶曲线方程;
所述提取所述第二相机车道线信息的高阶曲线方程包括:
采集多个车道线轮廓点;
将所述车道线轮廓点进行拟合,生成所述高阶曲线方程。
8.根据权利要求6所述的一种基于高精地图的多传感器融合定位方法,其特征在于,所述第二相机车道线信息包括相机左车道线与相机右车道线;
所述第二地图车道线信息包括地图左车道线与地图右车道线;
所述根据所述第二相机车道线信息和第二所述地图车道线信息确定车辆当前横轴定位包括步骤:
获取车辆分别与所述地图左车道线和地图右车道线的距离之和;
获取比例因子,所述比例因子为车辆分别与所述相机左车道线和所述相机右车道线的距离之比;
所述车辆分别与所述地图左车道线和地图右车道线的距离之和再乘以所述比例因子,得到所述辆当前横轴定位。
9.根据权利要求6所述的一种基于高精地图的多传感器融合定位方法,其特征在于,
所述预设坐标系为车体坐标系;
所述第一地图道路信息至少包括第一地图交通标志信息;
所述根据所述第二相机交通标志信息和所述第二地图交通标志信息确定车辆当前纵轴定位包括步骤:
当所述第二相机交通标志信息和所述第二地图交通标志信息之间的距离小于阈值时,确定所述第二相机交通标志信息为当前相机交通标志信息;
通过ICP匹配所述当前相机交通标志信息和所述第一地图交通标志信息,得到纵轴定位。
10.一种基于高精地图的多传感器融合定位装置,其特征在于,包括:
惯导信息获取模块:用于根据车载惯性导航采集的信息获取第一车载惯导定位信息;
高精地图确定模块:用于根据所述第一车载惯导定位信息确定车辆当前位置的高精地图,所述当前位置的高精地图中包含第一地图道路信息;
图像道路信息获取模块:用于根据前视相机采集的信息获取第一车载相机图像道路信息;
关联数据信息生成模块:用于将所述地图道路信息和所述车载相机图像道路信息进行数据关联,生成关联数据信息;
高精定位确定模块:用于融合所述关联数据信息和第一车载惯导定位信息,得到车辆当前位置的高精定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210172662.1A CN114485654A (zh) | 2022-02-24 | 2022-02-24 | 一种基于高精地图的多传感器融合定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210172662.1A CN114485654A (zh) | 2022-02-24 | 2022-02-24 | 一种基于高精地图的多传感器融合定位方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114485654A true CN114485654A (zh) | 2022-05-13 |
Family
ID=81483597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210172662.1A Pending CN114485654A (zh) | 2022-02-24 | 2022-02-24 | 一种基于高精地图的多传感器融合定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114485654A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115265561A (zh) * | 2022-09-27 | 2022-11-01 | 小米汽车科技有限公司 | 车辆定位方法、装置、车辆及介质 |
CN115523929A (zh) * | 2022-09-20 | 2022-12-27 | 北京四维远见信息技术有限公司 | 一种基于slam的车载组合导航方法、装置、设备及介质 |
CN116592908A (zh) * | 2023-05-17 | 2023-08-15 | 浙江高信技术股份有限公司 | 一种基于高精地图定位导航方法及系统 |
-
2022
- 2022-02-24 CN CN202210172662.1A patent/CN114485654A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115523929A (zh) * | 2022-09-20 | 2022-12-27 | 北京四维远见信息技术有限公司 | 一种基于slam的车载组合导航方法、装置、设备及介质 |
CN115265561A (zh) * | 2022-09-27 | 2022-11-01 | 小米汽车科技有限公司 | 车辆定位方法、装置、车辆及介质 |
CN116592908A (zh) * | 2023-05-17 | 2023-08-15 | 浙江高信技术股份有限公司 | 一种基于高精地图定位导航方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111522043B (zh) | 一种无人车激光雷达快速重新匹配定位方法 | |
CN107505644B (zh) | 基于车载多传感器融合的三维高精度地图生成系统及方法 | |
CN109696663B (zh) | 一种车载三维激光雷达标定方法和系统 | |
CN109934920B (zh) | 基于低成本设备的高精度三维点云地图构建方法 | |
CN110428467B (zh) | 一种相机、imu和激光雷达联合的机器人定位方法 | |
CN106767853B (zh) | 一种基于多信息融合的无人驾驶车辆高精度定位方法 | |
CN107389064B (zh) | 一种基于惯性导航的无人车变道控制方法 | |
CN108868268B (zh) | 基于点到面距离和互相关熵配准的无人车位姿估计方法 | |
CN114485654A (zh) | 一种基于高精地图的多传感器融合定位方法及装置 | |
CN107084727B (zh) | 一种基于高精度三维地图的视觉定位系统及方法 | |
CN108801274B (zh) | 一种融合双目视觉和差分卫星定位的地标地图生成方法 | |
CN110859044A (zh) | 自然场景中的集成传感器校准 | |
CN111065043B (zh) | 一种基于车路通信的隧道内车辆融合定位系统及方法 | |
CN110187375A (zh) | 一种基于slam定位结果提高定位精度的方法及装置 | |
US20200341150A1 (en) | Systems and methods for constructing a high-definition map based on landmarks | |
WO2019208101A1 (ja) | 位置推定装置 | |
CN114755662A (zh) | 一种路车融合感知的激光雷达和gps的标定方法和装置 | |
CN115451948A (zh) | 一种基于多传感器融合的农业无人车定位里程计方法及系统 | |
CN117111085A (zh) | 一种自动驾驶汽车车路云融合感知方法 | |
CN113673386A (zh) | 一种交通信号灯在先验地图中的标注方法 | |
WO2020113425A1 (en) | Systems and methods for constructing high-definition map | |
CN112577499B (zh) | 一种vslam特征地图尺度恢复方法及系统 | |
CN114966793A (zh) | 三维测量系统、方法及gnss系统 | |
CN114037968A (zh) | 基于深度雷达点云和图像数据融合的车道线检测方法 | |
CN113390422B (zh) | 汽车的定位方法、装置及计算机存储介质 |
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 |