CN114910081A - 车辆定位方法、装置及电子设备 - Google Patents

车辆定位方法、装置及电子设备 Download PDF

Info

Publication number
CN114910081A
CN114910081A CN202210583855.6A CN202210583855A CN114910081A CN 114910081 A CN114910081 A CN 114910081A CN 202210583855 A CN202210583855 A CN 202210583855A CN 114910081 A CN114910081 A CN 114910081A
Authority
CN
China
Prior art keywords
road
time point
particle
vehicle
determining
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.)
Granted
Application number
CN202210583855.6A
Other languages
English (en)
Other versions
CN114910081B (zh
Inventor
阚常凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Apollo Zhilian Beijing Technology Co Ltd
Original Assignee
Apollo Zhilian Beijing Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Apollo Zhilian Beijing Technology Co Ltd filed Critical Apollo Zhilian Beijing Technology Co Ltd
Priority to CN202210583855.6A priority Critical patent/CN114910081B/zh
Publication of CN114910081A publication Critical patent/CN114910081A/zh
Application granted granted Critical
Publication of CN114910081B publication Critical patent/CN114910081B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • 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
    • G01C21/20—Instruments for performing navigational calculations

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了一种车辆定位方法、装置及电子设备，涉及人工智能技术领域，尤其涉及自动驾驶、智能交通、车联网、智能座舱、智能搜索技术领域。具体实现方案为：确定车辆的轨迹信息，其中，轨迹信息包括：至少一个时间点上车辆的车辆运动状态；针对第i个时间点，根据第i‑1个时间点上的道路粒子数据和车辆运动状态、以及第i个时间点上的车辆运动状态，预测第i个时间点上的道路粒子数据；其中，i为大于1的整数；根据第i个时间点上的车辆运动状态和粒子运动状态，确定第i个时间点上道路粒子的权重；根据第i个时间点上道路粒子的权重和粒子运动状态，确定第i个时间点上车辆的道路数据，提高车辆定位的准确度。

Description

车辆定位方法、装置及电子设备
技术领域
本公开涉及人工智能技术领域，尤其涉及自动驾驶、智能交通、车联网、智能座舱、智能搜索技术领域，尤其涉及一种车辆定位方法、装置及电子设备。
背景技术
目前，城市智能交通的发展对城市交通发展具有战略意义，车辆定位是城市智能交通管理的重要内容，车辆定位的准确度是值得研究的问题。
相关技术中，对车辆进行道路定位的方法，主要基于车辆的定位位置、道路拓扑信息等，确定车辆所在的道路数据。该方法中，容易存在将车辆定位到并行道路上、分岔的不同道路上的问题，定位准确度差。
发明内容
本公开提供了一种车辆定位方法、装置及电子设备。
根据本公开的一方面，提供了一种车辆定位方法，包括：确定车辆的轨迹信息，其中，所述轨迹信息包括：至少一个时间点上所述车辆的车辆运动状态；针对第i个时间点，根据第i-1个时间点上的道路粒子数据和车辆运动状态、以及第i个时间点上的车辆运动状态，预测第i个时间点上的道路粒子数据；其中，所述道路粒子数据包括：至少一个道路粒子的粒子运动状态；其中，i为大于1的整数；根据第i个时间点上的车辆运动状态和第i个时间点上至少一个所述道路粒子的粒子运动状态，确定第i个时间点上至少一个所述道路粒子的权重；根据第i个时间点上至少一个所述道路粒子的权重和粒子运动状态，确定第i个时间点上所述车辆的道路数据。
根据本公开的另一方面，提供了一种车辆定位装置，包括：第一确定模块，用于确定车辆的轨迹信息，其中，所述轨迹信息包括：至少一个时间点上所述车辆的车辆运动状态；预测模块，用于针对第i个时间点，根据第i-1个时间点上的道路粒子数据和车辆运动状态、以及第i个时间点上的车辆运动状态，预测第i个时间点上的道路粒子数据；其中，所述道路粒子数据包括：至少一个道路粒子的粒子运动状态；其中，i为大于1的整数；第二确定模块，用于根据第i个时间点上的车辆运动状态和第i个时间点上至少一个所述道路粒子的粒子运动状态，确定第i个时间点上至少一个所述道路粒子的权重；第三确定模块，用于根据第i个时间点上至少一个所述道路粒子的权重和粒子运动状态，确定第i个时间点上所述车辆的道路数据。
根据本公开的又一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开上述提出的车辆定位方法。
根据本公开的再一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开上述提出的车辆定位方法。
根据本公开的再一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开上述提出的车辆定位方法的步骤。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是根据本公开第四实施例的示意图；
图5是车辆定位方法的流程示意图；
图6是根据本公开第五实施例的示意图；
图7是用来实现本公开的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
目前，城市智能交通的发展对城市交通发展具有战略意义，车辆定位是城市智能交通管理的重要内容，车辆定位的准确度是值得研究的问题。
相关技术中，对车辆进行道路定位的方法，主要基于车辆的定位位置、道路拓扑信息等，确定车辆所在的道路数据。该方法中，容易存在将车辆定位到并行道路上、分岔的不同道路上的问题，定位准确度差。
针对上述问题，本公开提出一种车辆定位方法、装置及电子设备。
图1是根据本公开第一实施例的示意图，需要说明的是，本公开实施例的车辆定位方法可应用于车辆定位装置，该装置可被配置于电子设备中，以使该电子设备可以执行车辆定位功能。
其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(PersonalComputer，简称PC)、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示，该车辆定位方法可以包括如下步骤：
步骤101，确定车辆的轨迹信息，其中，轨迹信息包括：至少一个时间点上车辆的车辆运动状态。
在本公开实施例中，，车辆运动状态可以包括以下参数中的至少一种：车辆的位置坐标、车辆的行驶方向、车辆的行驶速度。其中，在一种示例中，车辆运动状态所包括的参数还可以由GPS定位得到；在另一种示例中，车辆运动状态可以由惯性传感器(InertialMeasurement Unit，IMU)计算得到。在另一种示例中，车辆运动状态可以根据GPS定位数据以及惯性传感器的惯性定位数据融合得到。
在本公开实施例中，在一种示例中，车辆定位装置执行步骤101的过程例如可以为，确定至少一个时间点上车辆的GPS定位数据以及惯性定位数据；针对第i个时间点，对第i个时间点上的GPS定位数据、第i个时间点上的惯性定位数据、以及第i个时间点之前各个时间点上的惯性定位数据进行融合处理，得到第i个时间点上车辆的车辆运动状态。
在本公开实施例中，在车辆的GPS定位数据和拓扑地图的坐标系为地心地固坐标系(ECEF)的情况下，可以先将车辆的GPS定位数据和拓扑地图，从地心地固坐标系(ECEF)转换到站心坐标系(ENU)中，得到ENU坐标系下的至少一个时间点上车辆的GPS定位数据和ENU坐标系下的拓扑地图；根据惯性传感器计算得到各个时间点上车辆的惯性定位数据；对第i个时间点上的GPS定位数据、第i个时间点上的惯性定位数据、以及第i个时间点之前各个时间点上的惯性定位数据进行融合处理，得到第i个时间点上车辆的车辆运动状态。其中，拓扑地图为多条道路首尾连接，组成的网状结构。
其中，第i个时间点上的惯性定位数据，为第i个时间点相对于第i-1个时间点车辆的相对位移等数据。根据第i个时间点上的惯性定位数据以及第i个时间点之前各个时间点上的惯性定位数据，可以确定第i个时间点上的第一定位数据；对第i个时间点上的第一定位数据和第i个时间点上的GPS定位数据进行加权求和处理，就能够得到第i个时间点上车辆的车辆运动状态，提高了车辆运动状态的准确度。
步骤102，针对第i个时间点，根据第i-1个时间点上的道路粒子数据和车辆运动状态、以及第i个时间点上的车辆运动状态，预测第i个时间点上的道路粒子数据；其中，道路粒子数据包括：至少一个道路粒子的粒子运动状态；其中，i为大于1的整数。
在本公开实施例中，车辆定位装置执行步骤102的过程例如可以为，针对第i个时间点，根据第i-1个时间点上的车辆运动状态以及第i个时间点上的车辆运动状态，确定第i个时间点上的车辆移动距离；针对道路粒子数据中的每个道路粒子，根据车辆移动距离以及随机距离偏差确定道路粒子的粒子移动距离；根据粒子移动距离以及第i-1个时间点上道路粒子的粒子运动状态，确定第i个时间点上道路粒子的粒子运动状态。
在本公开实施例中，随机距离偏差符合高斯分布，随机偏差距离的取值，可以从预设偏差距离范围中的最小值一直取到最大值，其中，预设偏差距离范围中的中心值为零。其中，取值与中心值的差值的绝对值越小，被取中的概率越大，越有可能取到。其中，根据车辆移动距离以及随机距离偏差能够在考虑噪声干扰的情况下确定道路粒子的粒子移动距离，从而能够避免车辆定位过程中噪声干扰的影响，提高车辆定位的准确度。
在本公开实施例中，道路粒子在运动过程中，在遇到分岔路口的情况下，一个粒子可以变成多个粒子，在分岔得到的不同的路上继续运动，比如粒子正在行驶的一条路上有一个分岔路口，一条路分岔得到3条路，该一条路上的粒子行驶经过分岔路口，则该粒子可能沿3条路走。此时，增加两个粒子，即3个粒子分别沿3条路走。
其中，粒子运动状态可以包括以下参数的至少一个：道路粒子所属的道路段的标识、道路段所在的道路的标识、道路粒子在道路段上相对于道路段起点的位置信息、道路粒子所在道路段的周边的道路拓扑信息、道路粒子的运动方向。
步骤103，根据第i个时间点上的车辆运动状态和第i个时间点上至少一个道路粒子的粒子运动状态，确定第i个时间点上至少一个道路粒子的权重。
在本公开实施例中，车辆定位装置执行步骤103的过程例如可以为，针对每个道路粒子，根据第i个时间点上道路粒子的运动状态以及第i个时间点上的车辆运动状态，确定至少一个运动差异参数的数值；根据道路粒子的道路拓扑场景，确定至少一个运动差异参数的权重；根据至少一个运动差异参数的数值以及权重，确定第i个时间点上道路粒子的权重。
在本公开实施例中，运动差异参数包括以下参数中的至少一种：道路粒子与车辆的朝向夹角、车辆与道路粒子之间的距离、以及车辆与道路粒子所属道路段之间的距离。道路拓扑场景可以包括以下场景中的至少一种：共线场景、共岔路口场景以及平行路场景。其中，共线场景指的是，道路粒子所在道路周边存在某个道路，该道路与粒子所在道路的朝向相同，且该道路与粒子所在道路存在共同的道路节点。共岔路口场景，是指道路粒子所在道路周边存在某个道路，该道路与粒子所在道路由相同的分岔路口分岔得到。平行路场景指的是，道路粒子所在道路周边存在某个道路，该道路与粒子所在道路的朝向相同，且该道路与粒子所在道路不存在共同的道路节点。
其中，根据道路粒子的道路拓扑场景，确定至少一个运动差异参数的权重，进而确定道路粒子的权重，从而能够考虑到道路拓扑场景，提高确定得到的道路粒子权重的准确度。
在本公开实施例中，车辆定位装置在根据道路粒子的道路拓扑场景，确定至少一个运动差异参数的权重之前，还可以执行以下过程：在至少一个运动差异参数的数值均大于对应的异常数值阈值时，确定道路粒子的权重为预设权重数值。预设权重数值例如可以为1e-6，使得道路粒子的权重非常小，从而能够降低距离车辆较远的道路粒子对车辆定位的影响，提高车辆的道路数据的确定准确度，提高车辆的定位准确度。
步骤104，根据第i个时间点上至少一个道路粒子的权重和粒子运动状态，确定第i个时间点上车辆的道路数据。
在本公开实施例中，道路数据可以包括：道路段的标识，道路段的权重，车辆在道路段上的映射位置。
本公开实施例的车辆定位方法，通过确定车辆的轨迹信息，其中，轨迹信息包括：至少一个时间点上车辆的车辆运动状态；针对第i个时间点，根据第i-1个时间点上的道路粒子数据和车辆运动状态、以及第i个时间点上的车辆运动状态，预测第i个时间点上的道路粒子数据；其中，道路粒子数据包括：至少一个道路粒子的粒子运动状态；其中，i为大于1的整数；根据第i个时间点上的车辆运动状态和第i个时间点上至少一个道路粒子的粒子运动状态，确定第i个时间点上至少一个道路粒子的权重；根据第i个时间点上至少一个道路粒子的权重和粒子运动状态，确定第i个时间点上车辆的道路数据，从而结合道路粒子的权重和粒子运动状态，确定车辆的道路数据，提高车辆定位的准确度。
针对第一个时间点，可以确定第1个时间点上车辆的道路数据，如图2所示，图2是根据本公开第二实施例的示意图，在本公开实施例中，结合第1个时间点上的道路粒子的权重和粒子运动状态，确定第1个时间点上车辆的道路数据。图2所示实施例可以包括以下步骤：
步骤201，确定车辆的轨迹信息，其中，轨迹信息包括：至少一个时间点上车辆的车辆运动状态。
步骤202，针对第i个时间点，根据第i-1个时间点上的道路粒子数据和车辆运动状态、以及第i个时间点上的车辆运动状态，预测第i个时间点上的道路粒子数据；其中，道路粒子数据包括：至少一个道路粒子的粒子运动状态；其中，i为大于1的整数。
步骤203，根据第i个时间点上的车辆运动状态和第i个时间点上至少一个所述道路粒子的粒子运动状态，确定第i个时间点上至少一个所述道路粒子的权重。
步骤204，根据第i个时间点上至少一个道路粒子的权重和粒子运动状态，确定第i个时间点上车辆的道路数据。
步骤205，针对第1个时间点，根据第1个时间点上的车辆运动状态，确定车辆的至少一个候选道路段。
在本公开实施例中，道路段为对一条道路按照形状或者转弯角度等划分得到的至少一个段。其中，假设有一条道路，该道路的起点为编号0，终点为编号3，该条道路上有2个shape point，编号分别1、2。则该条道路包括3个道路段，即0到1的道路段、1到2的道路段、2到3的道路段。
在本公开实施例中，针对第1个时间点，确定第1个时间点上的车辆运动状态，可以以第1个时间点该车辆所在位置为原点，半径为50米，搜索附近的道路段，例如根据车辆所在位置查询kd tree(k-dimensional树)，以确定候选道路段。其中，kd tree可以根据拓扑地图中多条道路之间的网状结构以及道路中道路段构建。
其中，在一种示例中，第1个时间点上的车辆运动状态中不包括行驶方向，则可以将以第1个时间点该车辆所在位置为原点，半径为50米的道路拓扑范围内的所有道路段，作为候选道路段。
在另一种示例中，第1个时间点上的车辆运动状态中包括行驶方向，则可以将该道路拓扑范围内的所有道路段中朝向与行驶方向一致的道路段，作为候选道路段。
步骤206，在至少一个候选道路段上进行随机撒粒子处理，确定第1个时间点上至少一个道路粒子的粒子运动状态。
在本公开实施例中，在至少一个候选道路段上可以随机撒100个粒子，每个候选道路段被选中的概率可以服从均匀分布，每个粒子在候选道路段上的位置随机，每个粒子的权重可以为0.001，权重总和可以为1.0。
在本公开实施例中，道路段是有朝向的，粒子撒在哪个道路段上，粒子的运动方向就是所在道路段的朝向。
步骤207，根据第1个时间点上的车辆运动状态和第1个时间点上至少一个道路粒子的粒子运动状态，确定第1个时间点上至少一个道路粒子的权重。
在本公开实施例中，针对每个道路粒子，根据第1个时间点上的车辆运动状态和该道路粒子的粒子运动状态，可以确定第1个时间点上的以下参数：道路粒子和车辆的朝向夹角、车辆与道路粒子之间的距离、以及车辆与道路粒子所属道路段之间的距离；根据道路粒子的道路拓扑场景，分别确定上述各个参数的权重；结合权重和上述参数对应的数值，确定道路粒子的权重。
步骤208，根据第1个时间点上至少一个道路粒子的权重和粒子运动状态，确定第1个时间点上车辆的道路数据。
需要说明的是，步骤201、步骤202、步骤203、步骤204的详细内容，可以参考图1所示实施例中的步骤101、步骤102、步骤103和步骤104，此处不再进行详细说明。
本公开实施例的车辆定位方法，通过确定车辆的轨迹信息，其中，轨迹信息包括：至少一个时间点上车辆的车辆运动状态；针对第i个时间点，根据第i-1个时间点上的道路粒子数据和车辆运动状态、以及第i个时间点上的车辆运动状态，预测第i个时间点上的道路粒子数据；其中，道路粒子数据包括：至少一个道路粒子的粒子运动状态；其中，i为大于1的整数；针对每个道路粒子，根据第i个时间点上道路粒子的运动状态以及第i个时间点上的车辆运动状态，确定至少一个运动差异参数的数值；根据道路粒子的道路拓扑场景，确定至少一个运动差异参数的权重；根据至少一个运动差异参数的数值以及权重，确定第i个时间点上道路粒子的权重；根据第i个时间点上至少一个道路粒子的权重和粒子运动状态，确定第i个时间点上车辆的道路数据，从而结合道路粒子的权重和粒子运动状态，确定车辆的道路数据，提高车辆定位的准确度。
为了准确的根据至少一个道路粒子的权重和粒子运动状态，确定车辆的道路数据，可以根据至少一个道路段上道路粒子的权重加和结果，确定至少一个道路段的权重，进而确定车辆的道路数据。如图3所示，图3是根据本公开第三实施例的示意图。图3所示实施例可以包括以下步骤：
步骤301，确定车辆的轨迹信息，其中，轨迹信息包括：至少一个时间点上车辆的车辆运动状态。
步骤302，针对第i个时间点，根据第i-1个时间点上的道路粒子数据和车辆运动状态、以及第i个时间点上的车辆运动状态，预测第i个时间点上的道路粒子数据；其中，道路粒子数据包括：至少一个道路粒子的粒子运动状态；其中，i为大于1的整数。
其中，道路粒子的粒子运动状态包括：道路粒子所属的道路段的标识。
步骤303，根据第i个时间点上的车辆运动状态和第i个时间点上至少一个道路粒子的粒子运动状态，确定第i个时间点上至少一个道路粒子的权重。
步骤304，针对每个道路段，确定包括道路段的标识的至少一个道路粒子的权重的加和结果。
步骤305，根据至少一个道路段的加和结果，确定至少一个道路段的权重。
在本公开实施例中，在本公开实施例中，将至少一个道路段的加和结果，作为至少一个道路段的权重，也就是说，将道路段的标识一致的道路粒子的权重的加和结果，作为该道路段的权重。
例如，若道路粒子所属的道路段的标识一致，将道路段的标识一致的道路粒子聚为一类；针对每类，假设该类中道路粒子的粒子运动状态中都包括道路段A的标识，则将该类中每个道路粒子的权重进行相加，能够得到道路段A的权重。
其中，为了方便计算，可以对所有道路段的权重进行归一化处理，使得所有道路段的权重的总和为1.0。
步骤306，根据至少一个道路段的权重，确定第i个时间点上车辆的道路数据。
在本公开实施例中，车辆定位装置执行步骤306的过程例如可以为，确定至少一个权重中的最大权重；在最大权重大于或者等于第一权重阈值时，将最大权重对应的道路段，作为第i个时间点上车辆所在的道路段；根据第i个时间点上车辆所在的道路段和车辆运动状态，确定车辆在道路段上的映射位置；根据第i个时间点上车辆所在的道路段的标识、映射位置以及车辆所在的道路段的权重，生成第i个时间点上车辆的道路数据。
其中，第一权重阈值例如可以为0.3，可以根据实际需要进行限定。其中，映射位置指的是从车辆位置向所在的道路段做垂直投影，得到车辆位置在道路段上的投影位置。
在本公开实施例中，在最大权重大于或者等于第一权重阈值时，将最大权重对应的道路段，作为第i个时间点上车辆所在的道路段，能够更准确的确定车辆所在的道路段，进而能够结合车辆所在的道路段的标识、映射位置以及车辆所在的道路段的权重，更加准确的确定车辆的道路数据。
在本公开实施例中，车辆定位装置还可以执行以下过程：在最大权重小于第一权重阈值时，根据第i个时间点上的车辆运行状态，确定车辆的至少一个候选道路段；在至少一个候选道路段上进行随机撒粒子处理，重新确定第i个时间点上至少一个道路粒子的粒子运动状态；重新根据第i个时间点上的车辆运动状态以及至少一个道路粒子的粒子运动状态，确定第i个时间点上车辆的道路数据。
在本公开实施例中，在最大权重小于第一权重阈值时，比如小于0.3，进入初始化状态，即放弃目前所有的粒子，重新根据车辆运行状态，确定至少一个候选道路段；在至少一个候选道路段上重新随机撒粒子，进而重新确定第i个时间点上车辆的道路数据，从而进一步提高车辆定位的准确度。
需要说明的是，步骤301、步骤302、步骤303的详细内容，可以参考图1所示实施例中的步骤101、步骤102和步骤103，此处不再进行详细说明。
本公开实施例的车辆定位方法，通过确定车辆的轨迹信息，其中，轨迹信息包括：至少一个时间点上车辆的车辆运动状态；针对第i个时间点，根据第i-1个时间点上的道路粒子数据和车辆运动状态、以及第i个时间点上的车辆运动状态，预测第i个时间点上的道路粒子数据；其中，道路粒子数据包括：至少一个道路粒子的粒子运动状态；其中，i为大于1的整数；根据第i个时间点上的车辆运动状态和第i个时间点上至少一个道路粒子的粒子运动状态，确定第i个时间点上至少一个道路粒子的权重；针对每个道路段，确定包括道路段的标识的至少一个道路粒子的权重的加和结果；根据至少一个道路段的加和结果，确定至少一个道路段的权重；根据至少一个道路段的权重，确定第i个时间点上车辆的道路数据，从而结合道路粒子的权重和粒子运动状态，确定车辆的道路数据，提高车辆定位的准确度。
为了得到更加准确的道路粒子数据，可以对第i个时间点上的道路粒子进行重采样处理，确定道路粒子变动信息；进而根据道路粒子变动信息，对第i个时间点上的道路粒子数据进行调整处理。如图4所示，图4是根据本公开第四实施例的示意图。图4所示实施例可以包括以下步骤：
步骤401，确定车辆的轨迹信息，其中，轨迹信息包括：至少一个时间点上车辆的车辆运动状态。
步骤402，针对第i个时间点，根据第i-1个时间点上的道路粒子数据和车辆运动状态、以及第i个时间点上的车辆运动状态，预测第i个时间点上的道路粒子数据；其中，道路粒子数据包括：至少一个道路粒子的粒子运动状态；其中，i为大于1的整数。
步骤403，根据第i个时间点上的车辆运动状态和第i个时间点上至少一个道路粒子的粒子运动状态，确定第i个时间点上至少一个道路粒子的权重。
步骤404，根据第i个时间点上至少一个道路粒子的权重和粒子运动状态，确定第i个时间点上车辆的道路数据。
步骤405，针对第i个时间点，确定是否满足指定的重采样条件，其中，重采样条件包括以下条件中的至少一种：部分或者全部道路粒子的道路拓扑信息中存在分岔情况、距离历史重采样时间点的时间间隔大于预设时间间隔阈值。
步骤406，在满足指定的重采样条件时，对第一道路粒子进行过滤处理，和/或，在第二道路粒子所属的道路段上进行补充撒粒子处理，得到道路粒子变动信息；其中，第一道路粒子的权重小于或者等于第二权重阈值；第二道路粒子的权重大于或者等于第三权重阈值；第三权重阈值大于第二权重阈值。
在本公开实施例中，在满足指定的重采样条件时，对第一道路粒子进行过滤处理，和/或，在第二道路粒子所属的道路段上进行补充撒粒子处理，可以加快道路粒子的收敛速度，提高道路粒子的集中程度，使得车辆能够尽快定位到准确的道路段上。
其中，第二权重阈值和第三权重阈值，可以根据实际需要进行设定。在第二道路粒子所属的道路段上补充的粒子数量，可以根据道路粒子的总数量，和/或，过滤处理掉的道路粒子的数量确定。
在本公开实施例中，另外，为了避免道路粒子的匮乏现象，加快道路粒子的收敛速度，即提高道路粒子的集中程度，车辆定位装置还可以执行以下过程：在满足指定的重采样条件时，针对每个道路粒子，在道路粒子所属的道路段具有以下关系中至少一个的道路段上进行补充撒粒子处理：平行关系、共线关系和共岔路口关系，对不同关系的道路段，补充撒粒子，可以调整道路粒子数据，减少道路段存在岔路口时定位错误的概率，提高车辆定位的准确度。
步骤407，根据道路粒子变动信息，对第i个时间点上的道路粒子数据进行调整处理。
在本公开实施例中，车辆定位装置可以根据道路粒子变动信息，确定道路粒子数据中需要删除的粒子运动状态，以及需要添加的粒子运动状态；进而根据需要删除的粒子运动状态，以及需要添加的粒子运动状态，对第i个时间点上的道路粒子数据进行调整处理。
本公开实施例的车辆定位方法，通过确定车辆的轨迹信息，其中，轨迹信息包括：至少一个时间点上车辆的车辆运动状态；针对第i个时间点，根据第i-1个时间点上的道路粒子数据和车辆运动状态、以及第i个时间点上的车辆运动状态，预测第i个时间点上的道路粒子数据；其中，道路粒子数据包括：至少一个道路粒子的粒子运动状态；其中，i为大于1的整数；根据第i个时间点上的车辆运动状态和第i个时间点上至少一个道路粒子的粒子运动状态，确定第i个时间点上至少一个道路粒子的权重；根据第i个时间点上至少一个道路粒子的权重和粒子运动状态，确定第i个时间点上车辆的道路数据；针对第i个时间点，确定是否满足指定的重采样条件，其中，重采样条件包括以下条件中的至少一种：部分或者全部道路粒子的道路拓扑信息中存在分岔情况、距离历史重采样时间点的时间间隔大于预设时间间隔阈值；在满足指定的重采样条件时，对第一道路粒子进行过滤处理，和/或，在第二道路粒子所属的道路段上进行补充撒粒子处理，得到道路粒子变动信息；其中，第一道路粒子的权重小于或者等于第二权重阈值；第二道路粒子的权重大于或者等于第三权重阈值；第三权重阈值大于第二权重阈值；根据道路粒子变动信息，对第i个时间点上的道路粒子数据进行调整处理，考虑更多道路的情景，不断对道路粒子数据调整，从而结合道路粒子的权重和粒子运动状态，确定车辆的道路数据，提高车辆定位的准确度。
举例说明，图5是车辆定位方法的流程示意图，在图5中，在车辆的GPS定位数据和拓扑地图的坐标系为地心地固坐标系(ECEF)的情况下，可以先将车辆的GPS定位数据和拓扑地图，从地心地固坐标系(ECEF)转换到站心坐标系(ENU)中，得到ENU坐标系下的至少一个时间点上车辆的GPS定位数据和ENU坐标系下的拓扑地图；其中，拓扑地图中包括拓扑相连的道路段(link)。根据惯性传感器计算得到各个时间点上车辆的惯性定位数据，将GPS定位数据和惯性传感器(imu)的惯性定位数据进行融合(EKF融合)得到车辆运动状态，其中，车辆运动状态包括车辆运行速度(velocity)。针对第1个时间点(第一帧)，确定第1个时间点上的车辆运动状态，可以以第1个时间点该车辆所在位置为原点，半径为50米，搜索附近的道路段(link)，以确定候选道路段。在候选道路段上随机撒粒子(初始化过程)，确定第1个时间点上道路粒子的粒子运动状态，根据车辆运动状态和道路粒子的粒子运动状态，确定道路粒子的权重(更新过程，其中，第一个时间点不需要预测过程)，结合道路粒子的权重和粒子运动状态确定道路数据(根据link聚类过程)，以便进行车辆定位。
针对第i个时间点，根据第i-1个时间点上的道路粒子数据和车辆运动状态、以及第i个时间点上的车辆运动状态，预测第i个时间点上的道路粒子数据(预测过程，其中，第i个时间点不需要初始化过程)，其中，道路粒子数据包括：道路粒子的粒子运动状态，更新的过程为，根据道路粒子和运动状态和车辆运动状态，确定运动差异参数(可以包括：道路粒子与车辆的朝向夹角、车辆与道路粒子之间的距离、以及车辆与道路粒子所属道路段之间的距离)，根据道路粒子的道路拓扑场景(可以包括：共线场景、共岔路口场景以及平行路场景)，确定各个运动差异参数的权重，进而确定第i个时间点上至少一个道路粒子的权重(更新过程)。在满足指定的重采样条件时，对第一道路粒子进行过滤处理，和/或，在第二道路粒子所属的道路段上进行补充撒粒子处理，得到道路粒子变动信息，根据道路粒子变动信息，对第i个时间点上的道路粒子数据进行调整处理(重采样过程)。之后，若道路粒子所属的道路段的标识一致，将道路段的标识一致的道路粒子聚为一类，将道路段的标识一致的道路粒子的权重的加和结果，作为该道路段的权重，将最大权重对应的道路段作为第i个时间点上车辆所在的道路段(根据link聚类过程)，此时，最大权重大于或者等于0.3，根据第i个时间点上至少一个道路粒子的权重和粒子运动状态，确定第i个时间点上车辆的道路数据，最大权重小于0.3时，进行初始化(重新初始化过程)，即放弃目前所有的粒子，重新根据车辆运行状态，确定至少一个候选道路段，在至少一个候选道路段上重新随机撒粒子，进而重新确定第i个时间点上车辆的道路数据。
为了实现上述实施例，本公开还提出一种车辆定位装置。
如图6所示，图6是根据本公开第五实施例的示意图。该车辆定位装置600包括：第一确定模块610、预测模块620、第二确定模块630和第三确定模块640。
其中，第一确定模块610，用于确定车辆的轨迹信息，其中，所述轨迹信息包括：至少一个时间点上所述车辆的车辆运动状态；
预测模块620，用于针对第i个时间点，根据第i-1个时间点上的道路粒子数据和车辆运动状态、以及第i个时间点上的车辆运动状态，预测第i个时间点上的道路粒子数据；其中，所述道路粒子数据包括：至少一个道路粒子的粒子运动状态；其中，i为大于1的整数；
第二确定模块630，用于根据第i个时间点上的车辆运动状态和第i个时间点上至少一个所述道路粒子的粒子运动状态，确定第i个时间点上至少一个所述道路粒子的权重；
第三确定模块640，用于根据第i个时间点上至少一个所述道路粒子的权重和粒子运动状态，确定第i个时间点上所述车辆的道路数据。
作为本公开实施例的一种可能实现方式，所述装置还包括：第四确定模块、第五确定模块、第六确定模块和第七确定模块；所述第四确定模块，用于针对第1个时间点，根据第1个时间点上的车辆运动状态，确定所述车辆的至少一个候选道路段；所述第五确定模块，用于在至少一个所述候选道路段上进行随机撒粒子处理，确定第1个时间点上至少一个道路粒子的粒子运动状态；所述第六确定模块，用于根据第1个时间点上的车辆运动状态和第1个时间点上至少一个道路粒子的粒子运动状态，确定第1个时间点上至少一个所述道路粒子的权重；所述第七确定模块，用于根据第1个时间点上至少一个所述道路粒子的权重和粒子运动状态，确定第1个时间点上所述车辆的道路数据。
作为本公开实施例的一种可能实现方式，所述预测模块620具体用于，针对第i个时间点，根据第i-1个时间点上的车辆运动状态以及第i个时间点上的车辆运动状态，确定第i个时间点上的车辆移动距离；针对所述道路粒子数据中的每个道路粒子，根据所述车辆移动距离以及随机距离偏差确定所述道路粒子的粒子移动距离；根据所述粒子移动距离以及第i-1个时间点上所述道路粒子的粒子运动状态，确定第i个时间点上所述道路粒子的粒子运动状态。
作为本公开实施例的一种可能实现方式，所述第二确定模块630包括：第一确定单元、第二确定单元和第三确定单元；所述第一确定单元，用于针对每个道路粒子，根据第i个时间点上所述道路粒子的运动状态以及第i个时间点上的车辆运动状态，确定至少一个运动差异参数的数值；所述第二确定单元，用于根据所述道路粒子的道路拓扑场景，确定至少一个所述运动差异参数的权重；所述第三确定单元，用于根据至少一个所述运动差异参数的数值以及权重，确定第i个时间点上所述道路粒子的权重。
作为本公开实施例的一种可能实现方式，所述运动差异参数包括以下参数中的至少一种：所述道路粒子与所述车辆的朝向夹角、所述车辆与所述道路粒子之间的距离、以及所述车辆与所述道路粒子所属道路段之间的距离；所述道路拓扑场景包括以下场景中的至少一种：共线场景、共岔路口场景以及平行路场景。
作为本公开实施例的一种可能实现方式，所述装置还包括：第八确定模块；所述第八确定模块，用于在至少一个所述运动差异参数的数值均大于对应的异常数值阈值时，确定所述道路粒子的权重为预设权重数值。
作为本公开实施例的一种可能实现方式，所述道路粒子的粒子运动状态包括：所述道路粒子所属的道路段的标识；所述第三确定模块640包括：第四确定单元、第五确定单元和第六确定单元；所述第四确定单元，用于针对每个所述道路段，确定包括所述道路段的标识的至少一个道路粒子的权重的加和结果；所述第五确定单元，用于根据至少一个所述道路段的所述加和结果，确定至少一个所述道路段的权重；所述第六确定单元，用于根据至少一个所述道路段的权重，确定第i个时间点上所述车辆的道路数据。
作为本公开实施例的一种可能实现方式，所述第六确定单元具体用于，确定至少一个所述权重中的最大权重；在所述最大权重大于或者等于第一权重阈值时，将所述最大权重对应的道路段，作为第i个时间点上所述车辆所在的道路段；根据第i个时间点上所述车辆所在的道路段和车辆运动状态，确定所述车辆在所述道路段上的映射位置；根据第i个时间点上所述车辆所在的道路段的标识、所述映射位置以及所述车辆所在的道路段的权重，生成第i个时间点上所述车辆的道路数据。
作为本公开实施例的一种可能实现方式，所述第六确定单元具体用于，在所述最大权重小于所述第一权重阈值时，根据第i个时间点上的车辆运行状态，确定所述车辆的至少一个候选道路段；在至少一个所述候选道路段上进行随机撒粒子处理，重新确定第i个时间点上至少一个道路粒子的粒子运动状态；重新根据第i个时间点上的车辆运动状态以及至少一个所述道路粒子的粒子运动状态，确定第i个时间点上所述车辆的道路数据。
作为本公开实施例的一种可能实现方式，所述装置还包括：第九确定模块、处理模块和调整模块；所述第九确定模块，用于针对第i个时间点，确定是否满足指定的重采样条件，其中，所述重采样条件包括以下条件中的至少一种：部分或者全部道路粒子的道路拓扑信息中存在分岔情况、距离历史重采样时间点的时间间隔大于预设时间间隔阈值；所述处理模块，用于在满足指定的重采样条件时，对第一道路粒子进行过滤处理，和/或，在第二道路粒子所属的道路段上进行补充撒粒子处理，得到道路粒子变动信息；其中，所述第一道路粒子的权重小于或者等于第二权重阈值；所述第二道路粒子的权重大于或者等于第三权重阈值；所述第三权重阈值大于所述第二权重阈值；所述调整模块，用于根据道路粒子变动信息，对第i个时间点上的道路粒子数据进行调整处理。
作为本公开实施例的一种可能实现方式，所述装置还包括：补充模块；所述补充模块，用于在满足指定的重采样条件时，针对每个道路粒子，在所述道路粒子所属的道路段具有以下关系中至少一个的道路段上进行补充撒粒子处理：平行关系、共线关系和共岔路口关系。
作为本公开实施例的一种可能实现方式，所述第一确定模块610具体用于，确定至少一个时间点上车辆的GPS定位数据以及惯性定位数据；针对第i个时间点，对第i个时间点上的GPS定位数据、第i个时间点上的惯性定位数据、以及第i个时间点之前各个时间点上的惯性定位数据进行融合处理，得到第i个时间点上所述车辆的车辆运动状态。
本公开实施例的车辆定位装置，通过确定车辆的轨迹信息，其中，轨迹信息包括：至少一个时间点上车辆的车辆运动状态；针对第i个时间点，根据第i-1个时间点上的道路粒子数据和车辆运动状态、以及第i个时间点上的车辆运动状态，预测第i个时间点上的道路粒子数据；其中，道路粒子数据包括：至少一个道路粒子的粒子运动状态；其中，i为大于1的整数；根据第i个时间点上的车辆运动状态和第i个时间点上至少一个道路粒子的粒子运动状态，确定第i个时间点上至少一个道路粒子的权重；根据第i个时间点上至少一个道路粒子的权重和粒子运动状态，确定第i个时间点上车辆的道路数据，从而结合道路粒子的权重和粒子运动状态，确定车辆的道路数据，提高车辆定位的准确度。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均在征得用户同意的前提下进行，并且均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如车辆定位方法。例如，在一些实施例中，车辆定位方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的车辆定位方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行车辆定位方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (27)

1.一种车辆定位方法，包括：
确定车辆的轨迹信息，其中，所述轨迹信息包括：至少一个时间点上所述车辆的车辆运动状态；
针对第i个时间点，根据第i-1个时间点上的道路粒子数据和车辆运动状态、以及第i个时间点上的车辆运动状态，预测第i个时间点上的道路粒子数据；其中，所述道路粒子数据包括：至少一个道路粒子的粒子运动状态；其中，i为大于1的整数；
根据第i个时间点上的车辆运动状态和第i个时间点上至少一个所述道路粒子的粒子运动状态，确定第i个时间点上至少一个所述道路粒子的权重；
根据第i个时间点上至少一个所述道路粒子的权重和粒子运动状态，确定第i个时间点上所述车辆的道路数据。
2.根据权利要求1所述的方法，其中，所述方法还包括：
针对第1个时间点，根据第1个时间点上的车辆运动状态，确定所述车辆的至少一个候选道路段；
在至少一个所述候选道路段上进行随机撒粒子处理，确定第1个时间点上至少一个道路粒子的粒子运动状态；
根据第1个时间点上的车辆运动状态和第1个时间点上至少一个道路粒子的粒子运动状态，确定第1个时间点上至少一个所述道路粒子的权重；
根据第1个时间点上至少一个所述道路粒子的权重和粒子运动状态，确定第1个时间点上所述车辆的道路数据。
3.根据权利要求1所述的方法，其中，所述针对第i个时间点，根据第i-1个时间点上的道路粒子数据和车辆运动状态、以及第i个时间点上的车辆运动状态，预测第i个时间点上的道路粒子数据，包括：
针对第i个时间点，根据第i-1个时间点上的车辆运动状态以及第i个时间点上的车辆运动状态，确定第i个时间点上的车辆移动距离；
针对所述道路粒子数据中的每个道路粒子，根据所述车辆移动距离以及随机距离偏差确定所述道路粒子的粒子移动距离；
根据所述粒子移动距离以及第i-1个时间点上所述道路粒子的粒子运动状态，确定第i个时间点上所述道路粒子的粒子运动状态。
4.根据权利要求1所述的方法，其中，所述根据第i个时间点上的车辆运动状态和第i个时间点上至少一个所述道路粒子的粒子运动状态，确定第i个时间点上至少一个所述道路粒子的权重，包括：
针对每个道路粒子，根据第i个时间点上所述道路粒子的运动状态以及第i个时间点上的车辆运动状态，确定至少一个运动差异参数的数值；
根据所述道路粒子的道路拓扑场景，确定至少一个所述运动差异参数的权重；
根据至少一个所述运动差异参数的数值以及权重，确定第i个时间点上所述道路粒子的权重。
5.根据权利要求4所述的方法，其中，所述运动差异参数包括以下参数中的至少一种：所述道路粒子与所述车辆的朝向夹角、所述车辆与所述道路粒子之间的距离、以及所述车辆与所述道路粒子所属道路段之间的距离；
所述道路拓扑场景包括以下场景中的至少一种：共线场景、共岔路口场景以及平行路场景。
6.根据权利要求4所述的方法，其中，在根据所述道路粒子的道路拓扑场景，确定至少一个所述运动差异参数的权重之前，所述方法还包括：
在至少一个所述运动差异参数的数值均大于对应的异常数值阈值时，确定所述道路粒子的权重为预设权重数值。
7.根据权利要求1所述的方法，其中，所述道路粒子的粒子运动状态包括：所述道路粒子所属的道路段的标识；
所述根据第i个时间点上至少一个所述道路粒子的权重和粒子运动状态，确定第i个时间点上所述车辆的道路数据，包括：
针对每个所述道路段，确定包括所述道路段的标识的至少一个道路粒子的权重的加和结果；
根据至少一个所述道路段的所述加和结果，确定至少一个所述道路段的权重；
根据至少一个所述道路段的权重，确定第i个时间点上所述车辆的道路数据。
8.根据权利要求7所述的方法，其中，所述根据至少一个所述道路段的权重，确定第i个时间点上所述车辆的道路数据，包括：
确定至少一个所述权重中的最大权重；
在所述最大权重大于或者等于第一权重阈值时，将所述最大权重对应的道路段，作为第i个时间点上所述车辆所在的道路段；
根据第i个时间点上所述车辆所在的道路段和车辆运动状态，确定所述车辆在所述道路段上的映射位置；
根据第i个时间点上所述车辆所在的道路段的标识、所述映射位置以及所述车辆所在的道路段的权重，生成第i个时间点上所述车辆的道路数据。
9.根据权利要求8所述的方法，其中，所述方法还包括：
在所述最大权重小于所述第一权重阈值时，根据第i个时间点上的车辆运行状态，确定所述车辆的至少一个候选道路段；
在至少一个所述候选道路段上进行随机撒粒子处理，重新确定第i个时间点上至少一个道路粒子的粒子运动状态；
重新根据第i个时间点上的车辆运动状态以及至少一个所述道路粒子的粒子运动状态，确定第i个时间点上所述车辆的道路数据。
10.根据权利要求1所述的方法，其中，所述方法还包括：
针对第i个时间点，确定是否满足指定的重采样条件，其中，所述重采样条件包括以下条件中的至少一种：部分或者全部道路粒子的道路拓扑信息中存在分岔情况、距离历史重采样时间点的时间间隔大于预设时间间隔阈值；
在满足指定的重采样条件时，对第一道路粒子进行过滤处理，和/或，在第二道路粒子所属的道路段上进行补充撒粒子处理，得到道路粒子变动信息；其中，所述第一道路粒子的权重小于或者等于第二权重阈值；所述第二道路粒子的权重大于或者等于第三权重阈值；所述第三权重阈值大于所述第二权重阈值；
根据道路粒子变动信息，对第i个时间点上的道路粒子数据进行调整处理。
11.根据权利要求10所述的方法，其中，所述方法还包括：
在满足指定的重采样条件时，针对每个道路粒子，在所述道路粒子所属的道路段具有以下关系中至少一个的道路段上进行补充撒粒子处理：平行关系、共线关系和共岔路口关系。
12.根据权利要求1所述的方法，其中，所述确定车辆的轨迹信息，包括：
确定至少一个时间点上车辆的GPS定位数据以及惯性定位数据；
针对第i个时间点，对第i个时间点上的GPS定位数据、第i个时间点上的惯性定位数据、以及第i个时间点之前各个时间点上的惯性定位数据进行融合处理，得到第i个时间点上所述车辆的车辆运动状态。
13.一种车辆定位装置，包括：
第一确定模块，用于确定车辆的轨迹信息，其中，所述轨迹信息包括：至少一个时间点上所述车辆的车辆运动状态；
预测模块，用于针对第i个时间点，根据第i-1个时间点上的道路粒子数据和车辆运动状态、以及第i个时间点上的车辆运动状态，预测第i个时间点上的道路粒子数据；其中，所述道路粒子数据包括：至少一个道路粒子的粒子运动状态；其中，i为大于1的整数；
第二确定模块，用于根据第i个时间点上的车辆运动状态和第i个时间点上至少一个所述道路粒子的粒子运动状态，确定第i个时间点上至少一个所述道路粒子的权重；
第三确定模块，用于根据第i个时间点上至少一个所述道路粒子的权重和粒子运动状态，确定第i个时间点上所述车辆的道路数据。
14.根据权利要求13所述的装置，其中，所述装置还包括：
第四确定模块，用于针对第1个时间点，根据第1个时间点上的车辆运动状态，确定所述车辆的至少一个候选道路段；
第五确定模块，用于在至少一个所述候选道路段上进行随机撒粒子处理，确定第1个时间点上至少一个道路粒子的粒子运动状态；
第六确定模块，用于根据第1个时间点上的车辆运动状态和第1个时间点上至少一个道路粒子的粒子运动状态，确定第1个时间点上至少一个所述道路粒子的权重；
第七确定模块，用于根据第1个时间点上至少一个所述道路粒子的权重和粒子运动状态，确定第1个时间点上所述车辆的道路数据。
15.根据权利要求13所述的装置，其中，所述预测模块具体用于，
针对第i个时间点，根据第i-1个时间点上的车辆运动状态以及第i个时间点上的车辆运动状态，确定第i个时间点上的车辆移动距离；
针对所述道路粒子数据中的每个道路粒子，根据所述车辆移动距离以及随机距离偏差确定所述道路粒子的粒子移动距离；
根据所述粒子移动距离以及第i-1个时间点上所述道路粒子的粒子运动状态，确定第i个时间点上所述道路粒子的粒子运动状态。
16.根据权利要求13所述的装置，其中，所述第二确定模块包括：第一确定单元、第二确定单元和第三确定单元；
所述第一确定单元，用于针对每个道路粒子，根据第i个时间点上所述道路粒子的运动状态以及第i个时间点上的车辆运动状态，确定至少一个运动差异参数的数值；
所述第二确定单元，用于根据所述道路粒子的道路拓扑场景，确定至少一个所述运动差异参数的权重；
所述第三确定单元，用于根据至少一个所述运动差异参数的数值以及权重，确定第i个时间点上所述道路粒子的权重。
17.根据权利要求16所述的装置，其中，所述运动差异参数包括以下参数中的至少一种：所述道路粒子与所述车辆的朝向夹角、所述车辆与所述道路粒子之间的距离、以及所述车辆与所述道路粒子所属道路段之间的距离；
所述道路拓扑场景包括以下场景中的至少一种：共线场景、共岔路口场景以及平行路场景。
18.根据权利要求16所述的装置，其中，所述装置还包括：第八确定模块；
所述第八确定模块，用于在至少一个所述运动差异参数的数值均大于对应的异常数值阈值时，确定所述道路粒子的权重为预设权重数值。
19.根据权利要求13所述的装置，其中，所述道路粒子的粒子运动状态包括：所述道路粒子所属的道路段的标识；
所述第三确定模块包括：第四确定单元、第五确定单元和第六确定单元；
所述第四确定单元，用于针对每个所述道路段，确定包括所述道路段的标识的至少一个道路粒子的权重的加和结果；
所述第五确定单元，用于根据至少一个所述道路段的所述加和结果，确定至少一个所述道路段的权重；
所述第六确定单元，用于根据至少一个所述道路段的权重，确定第i个时间点上所述车辆的道路数据。
20.根据权利要求19所述的装置，其中，所述第六确定单元具体用于，
确定至少一个所述权重中的最大权重；
在所述最大权重大于或者等于第一权重阈值时，将所述最大权重对应的道路段，作为第i个时间点上所述车辆所在的道路段；
根据第i个时间点上所述车辆所在的道路段和车辆运动状态，确定所述车辆在所述道路段上的映射位置；
根据第i个时间点上所述车辆所在的道路段的标识、所述映射位置以及所述车辆所在的道路段的权重，生成第i个时间点上所述车辆的道路数据。
21.根据权利要求20所述的装置，其中，所述第六确定单元具体用于，
在所述最大权重小于所述第一权重阈值时，根据第i个时间点上的车辆运行状态，确定所述车辆的至少一个候选道路段；
在至少一个所述候选道路段上进行随机撒粒子处理，重新确定第i个时间点上至少一个道路粒子的粒子运动状态；
重新根据第i个时间点上的车辆运动状态以及至少一个所述道路粒子的粒子运动状态，确定第i个时间点上所述车辆的道路数据。
22.根据权利要求13所述的装置，其中，所述装置还包括：
第九确定模块，用于针对第i个时间点，确定是否满足指定的重采样条件，其中，所述重采样条件包括以下条件中的至少一种：部分或者全部道路粒子的道路拓扑信息中存在分岔情况、距离历史重采样时间点的时间间隔大于预设时间间隔阈值；
处理模块，用于在满足指定的重采样条件时，对第一道路粒子进行过滤处理，和/或，在第二道路粒子所属的道路段上进行补充撒粒子处理，得到道路粒子变动信息；其中，所述第一道路粒子的权重小于或者等于第二权重阈值；所述第二道路粒子的权重大于或者等于第三权重阈值；所述第三权重阈值大于所述第二权重阈值；
调整模块，用于根据道路粒子变动信息，对第i个时间点上的道路粒子数据进行调整处理。
23.根据权利要求22所述的装置，其中，所述装置还包括：补充模块；
所述补充模块，用于在满足指定的重采样条件时，针对每个道路粒子，在所述道路粒子所属的道路段具有以下关系中至少一个的道路段上进行补充撒粒子处理：平行关系、共线关系和共岔路口关系。
24.根据权利要求13所述的装置，其中，所述第一确定模块具体用于，
确定至少一个时间点上车辆的GPS定位数据以及惯性定位数据；
针对第i个时间点，对第i个时间点上的GPS定位数据、第i个时间点上的惯性定位数据、以及第i个时间点之前各个时间点上的惯性定位数据进行融合处理，得到第i个时间点上所述车辆的车辆运动状态。
25.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-12中任一项所述的方法。
27.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-12中任一项所述方法的步骤。
CN202210583855.6A 2022-05-26 2022-05-26 车辆定位方法、装置及电子设备 Active CN114910081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210583855.6A CN114910081B (zh) 2022-05-26 2022-05-26 车辆定位方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210583855.6A CN114910081B (zh) 2022-05-26 2022-05-26 车辆定位方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN114910081A true CN114910081A (zh) 2022-08-16
CN114910081B CN114910081B (zh) 2023-03-10

Family

ID=82768009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210583855.6A Active CN114910081B (zh) 2022-05-26 2022-05-26 车辆定位方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN114910081B (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011120497A1 (de) * 2010-12-13 2012-06-14 Gm Global Technology Operations Llc, ( N.D. Ges. D. Staates Delaware) Systeme und Verfahren zur präzisen Fahrzeugpositionsbestimmung innerhalb einer Fahrspur
CN106017486A (zh) * 2016-05-16 2016-10-12 浙江大学 一种面向无人车导航的基于轨迹拐点滤波的地图定位方法
CN109115209A (zh) * 2018-07-20 2019-01-01 湖南格纳微信息科技有限公司 一种管廊内人员定位方法及装置
CN109313849A (zh) * 2016-06-07 2019-02-05 罗伯特·博世有限公司 用于错路驾驶员识别的方法、设备和系统
US20190129431A1 (en) * 2017-10-30 2019-05-02 Nio Usa, Inc. Visual place recognition based self-localization for autonomous vehicles
CN110542436A (zh) * 2019-09-11 2019-12-06 百度在线网络技术（北京）有限公司 车辆定位系统的评测方法、装置、设备及存储介质
CN110556012A (zh) * 2019-09-16 2019-12-10 北京百度网讯科技有限公司 车道定位方法及车辆定位系统
CN110617825A (zh) * 2019-09-29 2019-12-27 百度在线网络技术（北京）有限公司 一种车辆定位方法、装置、电子设备和介质
US20200249038A1 (en) * 2017-10-24 2020-08-06 Nissan North America, Inc. Localization Determination for Vehicle Operation
CN111623765A (zh) * 2020-05-18 2020-09-04 清华大学 基于多模态数据的室内定位方法及系统
CN111656139A (zh) * 2018-02-27 2020-09-11 雷诺股份公司 用于估算车辆在地图上的位置的方法
US20200386555A1 (en) * 2019-06-10 2020-12-10 DeepMap Inc. Using map-based constraints for determining vehicle state
CN112771352A (zh) * 2020-03-19 2021-05-07 华为技术有限公司 车辆定位方法和装置
CN112967491A (zh) * 2019-12-13 2021-06-15 百度在线网络技术（北京）有限公司 路况发布方法和装置、电子设备、存储介质
CN113221677A (zh) * 2021-04-26 2021-08-06 阿波罗智联(北京)科技有限公司 一种轨迹异常检测方法、装置、路侧设备和云控平台
US20210293976A1 (en) * 2018-02-27 2021-09-23 Renault S.A.S. Method for selecting a restricted or empty set of hypotheses of possible positions of a vehicle
CN113759347A (zh) * 2020-10-30 2021-12-07 北京京东乾石科技有限公司 坐标关系的标定方法、装置、设备及介质
WO2022001773A1 (zh) * 2020-07-02 2022-01-06 华为技术有限公司 轨迹预测方法及装置

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011120497A1 (de) * 2010-12-13 2012-06-14 Gm Global Technology Operations Llc, ( N.D. Ges. D. Staates Delaware) Systeme und Verfahren zur präzisen Fahrzeugpositionsbestimmung innerhalb einer Fahrspur
CN106017486A (zh) * 2016-05-16 2016-10-12 浙江大学 一种面向无人车导航的基于轨迹拐点滤波的地图定位方法
CN109313849A (zh) * 2016-06-07 2019-02-05 罗伯特·博世有限公司 用于错路驾驶员识别的方法、设备和系统
US20200249038A1 (en) * 2017-10-24 2020-08-06 Nissan North America, Inc. Localization Determination for Vehicle Operation
US20190129431A1 (en) * 2017-10-30 2019-05-02 Nio Usa, Inc. Visual place recognition based self-localization for autonomous vehicles
US20210293976A1 (en) * 2018-02-27 2021-09-23 Renault S.A.S. Method for selecting a restricted or empty set of hypotheses of possible positions of a vehicle
CN111656139A (zh) * 2018-02-27 2020-09-11 雷诺股份公司 用于估算车辆在地图上的位置的方法
CN109115209A (zh) * 2018-07-20 2019-01-01 湖南格纳微信息科技有限公司 一种管廊内人员定位方法及装置
US20200386555A1 (en) * 2019-06-10 2020-12-10 DeepMap Inc. Using map-based constraints for determining vehicle state
CN110542436A (zh) * 2019-09-11 2019-12-06 百度在线网络技术（北京）有限公司 车辆定位系统的评测方法、装置、设备及存储介质
CN110556012A (zh) * 2019-09-16 2019-12-10 北京百度网讯科技有限公司 车道定位方法及车辆定位系统
CN110617825A (zh) * 2019-09-29 2019-12-27 百度在线网络技术（北京）有限公司 一种车辆定位方法、装置、电子设备和介质
CN112967491A (zh) * 2019-12-13 2021-06-15 百度在线网络技术（北京）有限公司 路况发布方法和装置、电子设备、存储介质
CN112771352A (zh) * 2020-03-19 2021-05-07 华为技术有限公司 车辆定位方法和装置
CN111623765A (zh) * 2020-05-18 2020-09-04 清华大学 基于多模态数据的室内定位方法及系统
WO2022001773A1 (zh) * 2020-07-02 2022-01-06 华为技术有限公司 轨迹预测方法及装置
CN113759347A (zh) * 2020-10-30 2021-12-07 北京京东乾石科技有限公司 坐标关系的标定方法、装置、设备及介质
CN113221677A (zh) * 2021-04-26 2021-08-06 阿波罗智联(北京)科技有限公司 一种轨迹异常检测方法、装置、路侧设备和云控平台

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ALESSANDRO MARINO 等: "《 new approach to multi-robot harbour patrolling: theory and experiments》", 《2012 IEEE/RSJ INTERNATIONAL CONFERENCE ONINTELLIGENT ROBOTS AND SYSTEMS》 *
ROBOT-G: "《机器人学习--粒子滤波及其在定位中的应用》", 《CSDN》 *

Also Published As

Publication number Publication date
CN114910081B (zh) 2023-03-10

Similar Documents

Publication Publication Date Title
CN110648529B (zh) 一种车辆行驶轨迹的渲染方法、装置、设备及存储介质
KR102282367B1 (ko) 크라우드소싱을 이용한 위치 결정, 매핑 및 데이터 관리 시스템 및 방법
CN113682318B (zh) 车辆行驶控制方法及装置
CN112541437A (zh) 车辆定位方法、装置、电子设备及存储介质
CN115585816B (zh) 车道级地图匹配方法和装置
CN112558072A (zh) 车辆定位方法、装置、系统、电子设备及存储介质
CN114003613A (zh) 高精地图车道线更新方法、装置、电子设备以及存储介质
CN114626169A (zh) 交通路网优化方法、装置、设备、可读存储介质及产品
CN114036253A (zh) 高精地图数据处理方法、装置、电子设备和介质
CN113240175B (zh) 配送路线的生成方法、设备、存储介质和程序产品
CN114910081B (zh) 车辆定位方法、装置及电子设备
CN115797961A (zh) 车道线变更检测方法、装置、电子设备及存储介质
CN113762397B (zh) 检测模型训练、高精度地图更新方法、设备、介质及产品
CN112735130B (zh) 交通数据的处理方法、装置、电子设备和介质
CN113008246B (zh) 地图匹配方法和装置
CN113587937A (zh) 车辆的定位方法、装置、电子设备和存储介质
CN111782744B (zh) 一种通行属性确定方法、装置、设备及存储介质
CN114383600B (zh) 用于地图的处理方法、装置、电子设备和存储介质
CN115938109A (zh) 交通雷达检测车辆横穿的方法、装置、存储介质和设备
CN113987098A (zh) 高精地图道路边界更新方法、装置、电子设备以及存储介质
CN116086475A (zh) 路径规划方法、装置、电子设备及存储介质
CN116229418A (zh) 信息融合方法、装置、设备以及存储介质
CN116753965A (zh) 地图匹配方法、装置、电子设备及存储介质
CN115790632A (zh) 一种轨迹确定方法、装置、电子设备及介质
CN115063769A (zh) 车道定位方法、装置、设备及自动驾驶车辆

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