CN114972829A - 车辆定位方法、装置、设备及存储介质 - Google Patents

车辆定位方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114972829A
CN114972829A CN202210540507.0A CN202210540507A CN114972829A CN 114972829 A CN114972829 A CN 114972829A CN 202210540507 A CN202210540507 A CN 202210540507A CN 114972829 A CN114972829 A CN 114972829A
Authority
CN
China
Prior art keywords
target
lane line
lane
coordinate set
positioning information
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
Application number
CN202210540507.0A
Other languages
English (en)
Inventor
张希言
孟祥雨
赵学岩
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.)
Guoqi Intelligent Control Beijing Technology Co Ltd
Original Assignee
Guoqi Intelligent Control 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 Guoqi Intelligent Control Beijing Technology Co Ltd filed Critical Guoqi Intelligent Control Beijing Technology Co Ltd
Priority to CN202210540507.0A priority Critical patent/CN114972829A/zh
Publication of CN114972829A publication Critical patent/CN114972829A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Remote Sensing (AREA)
  • Navigation (AREA)

Abstract

本申请是关于一种车辆定位方法、装置、设备及存储介质，具体涉及计算机视觉技术领域。所述方法包括：获取初始定位信息；根据所述初始定位信息确定目标车道地图中的目标区域，并获取所述目标区域内的第一车道线坐标集；获取目标图像上的车道线的目标坐标集；基于所述目标采集参数，将所述目标坐标集转换为所述世界坐标系下的第二车道线坐标集；基于所述第一车道线坐标集以及所述第二车道线坐标集，对所述初始定位信息进行更新，获得目标定位信息。上述方案可以将高精度地图上的车道线与图像采集设备采集到的车道线进行对应，从而对定位信息进行矫正，提高了车辆定位的准确性。

Description

车辆定位方法、装置、设备及存储介质
技术领域
本发明涉及智能驾驶技术领域，具体涉及一种车辆定位方法、装置、设备及存储介质。
背景技术
自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。
在自动驾驶过程中，汽车中的控制器需要实时获取汽车的精确定位信息。而常用的定位方法为GPS(Global Positioning System，全球定位系统)和IMU(InertialMeasurement Unit，惯性测量单元)组合惯导实现汽车的精准定位，其中GPS为测量出已知位置的卫星到用户接收机之间的距离，然后综合多颗卫星的数据得知接收机的具体位置，而IMU为通过汽车运行过程中的姿态计算加速度，并通过积分得到车辆的具体位置。当通过IMU组合惯导以及GPS的融合结果实时输出车辆位置信息后，可以根据实时输出的车辆位置信息实现自动驾驶。
上述方案中，IMU中姿态不准导致重力影响的误差持续累积、器件本身漂移不能去除，GPS会受到电磁波的干扰，因此通过GPS和IMU组合惯导实现汽车定位的准确率仍然较低。
发明内容
本申请提供了一种车辆定位方法、装置、计算机设备及存储介质，提高了汽车定位的准确率，该技术方案如下。
一方面，提供了一种车辆定位方法，所述方法包括：
获取初始定位信息；所述初始定位信息为通过目标车辆上的定位设备获得的；
根据所述初始定位信息确定目标车道地图中的目标区域，并获取所述目标区域内的第一车道线坐标集；所述目标车道地图中包含有各个车道线在世界坐标系下的坐标集；
获取目标图像上的车道线的目标坐标集；所述目标图像为通过目标车辆上配置目标采集参数的图像采集设备获得的；
基于所述目标采集参数，将所述目标坐标集转换为所述世界坐标系下的第二车道线坐标集；
基于所述第一车道线坐标集以及所述第二车道线坐标集，对所述初始定位信息进行更新，获得目标定位信息。
又一方面，提供了一种车辆定位装置，所述装置包括：
初始定位获取模块，用于获取初始定位信息；所述初始定位信息为通过目标车辆上的定位设备获得的；
第一坐标获取模块，用于根据所述初始定位信息确定目标车道地图中的目标区域，并获取所述目标区域内的第一车道线坐标集；所述目标车道地图中包含有各个车道线在世界坐标系下的坐标集；
目标坐标集获取模块，用于获取目标图像上的车道线的目标坐标集；所述目标图像为通过目标车辆上配置目标采集参数的图像采集设备获得的；
第二坐标获取模块，用于基于所述目标采集参数，将所述目标坐标集转换为所述世界坐标系下的第二车道线坐标集；
定位更新模块，用于基于所述第一车道线坐标集以及所述第二车道线坐标集，对所述初始定位信息进行更新，获得目标定位信息。
在一种可能的实现方式中，所述初始定位信息为GPS定位信息以及惯导定位信息中的至少一者。
在一种可能的实现方式中，所述目标车道地图中包含目标道路中的车道线位置、车道线类型以及车道线宽度信息。
在一种可能的实现方式中，所述第一坐标获取模块，还用于，
确定目标车道地图上，与所述初始定位信息对应的初始位置；
将与所述初始位置在指定距离内的区域，确定为所述目标区域。
在一种可能的实现方式中，所述第一车道线坐标集中包含至少一种车道线类型的第一车道线子坐标集；所述第二车道线坐标集中包含至少一种车道线类型的第二车道线子坐标集；
所述定位更新模块，还用于，
将所述第一车道线坐标集与所述第二车道线坐标集中进行车道线类型匹配；
获取车道线类型相匹配的第一车道线子坐标集与第二车道线子坐标集之间的距离误差，并根据所述距离误差对所述初始定位信息进行更新，获得所述目标定位信息。
在一种可能的实现方式中，所述定位更新模块，还用于，
将所述距离误差转换为经纬度误差，并根据所述经纬度误差对所述初始定位信息中的经纬度信息进行校正，获得所述目标定位信息。
在一种可能的实现方式中，所述装置还包括：
横向控制模块，用于根据所述距离误差，对所述目标车辆的横向控制因子进行迭代更新直至检测到所述距离误差小于阈值，以便所述目标车辆根据迭代更新后的横向控制因子对车辆进行横向控制。
在一种可能的实现方式中，所述目标坐标集获取模块，用于，
获取所述目标图像；
对所述目标图像进行图像分割处理，获得目标图像上的车道线的目标坐标集。
在一种可能的实现方式中，所述目标坐标集获取模块，还用于，
将所述目标图像输入车道线分割模型进行处理，获得目标图像上的车道线上的车道坐标值，并将所述车道坐标值构建为所述目标坐标集。
在一种可能的实现方式中，所述目标坐标集获取模块，还用于，
基于各个所述车道坐标值以及所述各个所述车道坐标值对应的像素值，构建各个坐标向量；
将各个所述坐标向量进行聚类处理，以获得所述目标图像上的车道线的目标坐标集。
再一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述的车辆定位方法。
又一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述的车辆定位方法。
再一方面，提供了一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质中读取所述计算机指令，处理器执行所述计算机指令，使得所述计算机设备执行上述车辆定位方法。
本申请提供的技术方案可以包括以下有益效果：
计算机设备可以先获取到目标车辆上的定位设备获取到的初始定位信息，再根据初始定位信息，在目标车道地图上进行查询，查询到目标车辆附件的目标区域，并获取到目标区域内的车道线所构成的第一车道线坐标集；此时计算机设备再获取目标车辆上的图像采集设备锁采集到的目标图像，并得到目标图像上的车道线的目标图像坐标集，此时计算机设备将目标图像坐标集，按照目标采集设备的目标采集参数进行坐标系转换，获取到目标图像上的车道线在世界坐标系上的第二车道线坐标集；此时计算机设备再将第一车道线坐标集与第二车道线坐标集进行对比，从而对初始定位信息进行更新，将高精度地图上的车道线与图像采集设备采集到的车道线进行对应，从而对定位信息进行矫正，提高了车辆定位的准确性。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本申请的一些实施方式，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他的附图。
图1是根据一示例性实施例示出的一种车辆定位系统的结构示意图。
图2是根据一示例性实施例示出的一种车辆定位方法的方法流程图。
图3是根据一示例性实施例示出的一种车辆定位方法的方法流程图。
图4示出了本申请实施例涉及的一种车辆定位逻辑框图。
图5是根据一示例性实施例示出的一种车辆定位装置的结构方框图。
图6示出了本申请一示例性实施例示出的计算机设备的结构框图。
具体实施方式
下面将结合附图对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应理解，在本申请的实施例中提到的“指示”可以是直接指示，也可以是间接指示，还可以是表示具有关联关系。举例说明，A指示B，可以表示A直接指示B，例如B可以通过A获取；也可以表示A间接指示B，例如A指示C，B可以通过C获取；还可以表示A和B之间具有关联关系。
在本申请实施例的描述中，术语“对应”可表示两者之间具有直接对应或间接对应的关系，也可以表示两者之间具有关联关系，也可以是指示与被指示、配置与被配置等关系。
本申请实施例中，“预定义”可以通过在设备(例如，包括终端设备和网络设备)中预先保存相应的代码、表格或其他可用于指示相关信息的方式来实现，本申请对于其具体的实现方式不做限定。
图1是根据一示例性实施例示出的一种车辆定位系统的结构示意图。该车辆定位系统中包含服务器110以及目标车辆120。其中，该目标车辆120中可以包括数据处理设备、图像采集设备以及数据存储模块等模块。
可选的，该目标车辆120中包括图像采集设备以及数据存储模块，该图像采集设备可以在目标车辆的运行过程中，对目标车辆周围的环境进行图像采集，并将采集到的图像保存在目标车辆中的数据存储模块中。
可选的，该目标车辆120通过传输网络(如无线通信网络)与服务器110实现通信连接，该目标车辆120可以通过无线通信网络，将数据存储模块中存储的各个数据(如采集到的图像)上传至服务器110，以便服务器110对采集到的图像进行处理，并根据采集到的图像，对应用于智能行驶等方面的卷积神经网络模型进行训练。
可选的，该目标车辆120中还包括有状态采集设备(图1未示出)，该状态采集设备可以实时采集到目标车辆120在行驶过程中的行驶状态，并将行驶状态作为时序数据保存在目标车辆120中的数据存储设备中，此时目标车辆还可以通过无线通信网络，将数据存储模块中的行驶状态，上传至服务器110，以便服务器110根据目标车辆采集到的图像以及目标车辆的行驶状态，对应用于智能行驶等方面的卷积神经网络模型进行训练。
可选的，该目标车辆中还包含有数据处理设备，该数据处理设备可以在目标车辆120的图像采集设备采集到图像时，对图像进行识别，获取到图像中的车道线信息，此时根据图像中的车道线信息即可以确定目标车辆在车道行驶过程中的位置信息，根据该位置信息可以对目标车辆上的定位设备所采集到的定位信息进行校正，从而提高目标车辆的定位准确性。
可选的，该服务器110还可以通过无线通信网络向包括该目标车辆120在内的，与该服务器110建立通信连接的各个新能源车辆(例如可以包括目标车辆120)进行无线通信连接，并向该各个新能源车辆发送对应的算法信息，例如服务器110中可以将训练好的卷积神经网络模型的模型参数，通过无线通信网络发送至目标车辆120中，此时目标车辆120中的智能行驶应用程序可以加载训练好的卷积神经网络模型，以实现对实时采集到的图像的实时处理，并判断此时目标车辆的行驶模式，从而实现智能驾驶。
可选的，上述服务器可以是由多个物理服务器构成的服务器集群或者是分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等技术运计算服务的云服务器。
可选的，该系统还可以包括管理设备，该管理设备用于对该系统进行管理(如管理各个模块与服务器之间的连接状态等)，该管理设备与服务器之间通过通信网络相连。可选的，该通信网络是有线网络或无线网络。
可选的，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网，但也可以是其他任何网络，包括但不限于局域网、城域网、广域网、移动、有限或无线网络、专用网络或者虚拟专用网络的任何组合。在一些实施例中，使用包括超文本标记语言、可扩展标记语言等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层、传输层安全、虚拟专用网络、网际协议安全等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
由于常用的定位方法为GPS和IMU组合惯导实现汽车的精准定位，其中GPS为测量出已知位置的卫星到用户接收机之间的距离，然后综合多颗卫星的数据得知接收机的具体位置，而IMU为通过汽车运行过程中的姿态计算加速度，并通过积分得到车辆的具体位置。而IMU中姿态不准导致重力影响的误差持续累积、器件本身漂移不能去除，GPS会受到电磁波的干扰，因此仅依靠IMU以及GPS进行定位，在智能驾驶等对定位具有高精度要求的应用场景中仍然存在安全隐患。因此本申请中可以在使用定位设备进行定位的同时，通过图像采集设备所采集到的车道线图像，对定位结果进行校正，提高目标车辆定位的准确性。
图2是根据一示例性实施例示出的一种车辆定位方法的流程图。该方法由计算机设备执行，该计算机设备可以是如图2中所示的目标车辆中的数据处理设备。如图2所示，该车辆定位方法可以包括如下步骤：
步骤201，获取初始定位信息。
该初始定位信息为通过目标车辆上的定位设备获得的。
例如，目标车辆上可以安装有GPS定位设备或网络定位设备，GPS定位设备可以通过卫星信号实现对目标车辆的定位，而网络定位设备可以与周围的基站发送信号，根据周围基站的反馈结果确定当前目标车辆的定位数据。
可选的，该目标车辆上还可以安装有惯导定位设备，即惯导定位设备通过车辆运行中采集到的加速度信息以及姿态变换信息，可以实现对目标车辆的实时定位。
步骤202，根据该初始定位信息确定目标车道地图中的目标区域，并获取该目标区域内的第一车道线坐标集。
该目标车道地图中包含有各个车道线在世界坐标系下的坐标集。
即在通过目标车辆上的定位设备获取到当前目标车辆的定位信息(即初始定位信息)时，计算机设备可以根据该初始定位信息，先在高精度的地图(即目标车道地图)中进行查询，确定当前目标车辆所处的大致位置，并在该位置处选取出一个目标区域。
在一种可能的实现方式中，该目标车道地图中包含有各个区域中的车道线的坐标集，从而将各个区域中的车道线标记出来。
此时选取出的目标区域，即为该目标车辆周围的区域，并且当该目标区域在目标车道地图中包含有车道线时，计算机设备还可以在目标车道地图中获取到目标区域内的各个车道线的车道线坐标集(即第一车道线坐标集)。
步骤203，获取目标图像上的车道线的目标坐标集。
该目标图像为通过目标车辆上配置目标采集参数的图像采集设备获得的。
在本申请实施例中，该目标坐标集为目标图像上的车道线，在目标图像的坐标系上的坐标所构成的集合，即目标坐标集中包含目标图像上的车道线在目标图像的坐标系上的坐标。
可选的，该目标采集参数包括图像采集设备的内参以及外参。
例如，当该目标采集设备为相机时，该相机的内参包括相机的焦距、畸变参数等，该相机的外参包括旋转矩阵以及平移矩阵，且该旋转矩阵描述了世界坐标系的坐标轴相对于相机坐标轴的方向，该平移矩阵描述了相机坐标系下，空间原点的位置。
步骤204，基于该目标采集参数，将该目标坐标集转换为该世界坐标系下的第二车道线坐标集。
可选的，当目标采集设备为相机时，该相机的目标采集参数(也就是内参和外参)是不变的，即图像采集设备是在固定的焦距、旋转矩阵、平移矩阵等参数下进行图像采集的，而当上述参数固定时，世界坐标系与相机坐标系(也就是目标图像的坐标系)之间的坐标转换关系也是固定的，因此根据焦距、旋转矩阵、平移矩阵、以及目标车辆在世界坐标系下的当前坐标等参数，可以将目标坐标集上的各个车道线坐标，转换至世界坐标系下，从而构建为第二车道线坐标集。
步骤205，基于该第一车道线坐标集以及该第二车道线坐标集，对该初始定位信息进行更新，获得目标定位信息。
由于第一车道线坐标集表征的是目标车辆周围的目标区域内的车道线，而第二车道线坐标集表征的是通过目标车辆上的图像采集设备所采集到的图像识别出的车道线，因此第一车道线坐标集与第二车道线坐标集所表征的车道线中可能会存在同一车道线。
而此时由于第一车道线坐标集是通过目标车辆上的定位设备所获取到的，在目标车辆周围的车道线在世界坐标系下的坐标；而第二车道线坐标集为目标车辆采集到的目标图像上的车道线，根据通过目标车辆的当前定位信息转换得到的世界坐标系下的坐标；此时计算机设备可以根据相同车道线，在第一车道线坐标集与第二车道线坐标集之间的距离差，确定当前目标车辆的初始定位信息的误差，并根据该距离差对该初始定位信息进行校正(例如校正初始定位信息直至相同车道线在第一车道线坐标集与第二车道线坐标集之间的距离之差小于阈值)，从而得到校正后的目标定位信息，此时目标定位信息同时考虑了定位设备所采集到的定位信息，也参考到了实际行驶过程中车道线与车辆之间的位置关系，从而减小了定位设备受到干扰时的定位误差，提高了车辆定位的准确性。
综上所述，计算机设备可以先获取到目标车辆上的定位设备获取到的初始定位信息，再根据初始定位信息，在目标车道地图上进行查询，查询到目标车辆附件的目标区域，并获取到目标区域内的车道线所构成的第一车道线坐标集；此时计算机设备再获取目标车辆上的图像采集设备锁采集到的目标图像，并得到目标图像上的车道线的目标图像坐标集，此时计算机设备将目标图像坐标集，按照目标采集设备的目标采集参数进行坐标系转换，获取到目标图像上的车道线在世界坐标系上的第二车道线坐标集；此时计算机设备再将第一车道线坐标集与第二车道线坐标集进行对比，从而对初始定位信息进行更新，将高精度地图上的车道线与图像采集设备采集到的车道线进行对应，从而对定位信息进行矫正，提高了车辆定位的准确性。
图3是根据一示例性实施例示出的一种车辆定位方法的方法流程图。该方法由计算机设备执行，该计算机设备可以是如图1中所示的目标车辆中的数据处理设备。如图3所示，该车辆定位方法可以包括如下步骤：
步骤301，获取初始定位信息。
在本申请实施例的一种可能的实现方式中，该初始定位信息为GPS定位信息以及惯导定位信息中的至少一者。
其中，GPS定位是通过测量出已知位置的卫星到用户接收机之间的距离，综合多颗卫星的数据从而得知接收机的具体位置。而IMU(惯导定位)一般有两种方式进行定位，一种是通过acc(加速度传感器)+gyr(陀螺仪)：acc+gyr得到比较准确姿态，去除acc重力分量影响；二次积分则可以得到具体的定位信息；另一种是通过acc+gyr+mag(磁力计)方式得到比较准确的姿态，再通过二次积分得到具体的定位信息。
由于IMU中姿态不准导致重力影响的误差持续累积、器件本身漂移不能去除，导致惯导定位容易存在误差。GPS会受到电波、高楼等的影响，还包括卫星时钟误差、电离层转播延时，导致GPS定位也容易存在误差。因此在本申请实施例的一种可能的实现方式中，目标车辆的初始定位信息还可以是通过GPS定位以及惯导定位同时实现的，即目标车辆即通过GPS定位获取到GPS定位信息，同时再通过惯导定位获取到惯导定位信息，此时目标车辆中的计算机设备通过GPS定位信息与惯导定位信息综合考量(例如选择GPS定位与惯导定位的定位中点作为初始定位信息中的目标车辆的定位坐标)，避免了GPS定位以及惯导定位中的一方受到严重干扰时，对初始定位信息造成较大影响。
步骤302，根据该初始定位信息确定目标车道地图中的目标区域，并获取该目标区域内的第一车道线坐标集。
在获取到目标车辆的初始定位信息后，则计算机设备可以将目标车辆的初始定位信息，与目标车道地图进行比对，从而确定出在目标车辆周围的目标区域中的车道线。
在一种可能的实现方式中，该目标车道地图中包含目标道路中的车道线位置、车道线类型以及车道线宽度信息。
可选的，车道线位置即为目标道路中的车道线在目标车道地图中包含的中心坐标；根据车道线中的中心坐标、以及车道线宽度信息即可以在目标车道地图中确定目标道路中的车道线的覆盖区域；车道线类型可以包括白色单实线、白色虚线、白色双实线、白色双虚线、左白虚线右白实线、左白实线右白虚线、黄色单虚线、黄色单实线、黄色双虚线、黄色双实线、左黄虚线右黄实线、左黄实线右黄虚线12种类别。
可选的，该目标车道地图可以是预先存储于目标车辆的计算机设备中，即在获取到目标车辆的初始定位信息后，可以直接将初始定位信息与计算机设备中的目标车道地图进行比较。
可选的，该目标车道地图还可以是其他服务提供商在线提供的，即目标车辆可以在启动时向服务提供商请求当前区域的目标车道地图，并将其中的部分或全部数据缓存至计算机设备的数据存储模块中。
为了在目标车道地图上确定目标区域，在一种可能的实现方式中，计算机设备先确定目标车道地图上，与该初始定位信息对应的初始位置；再将与该初始位置在指定距离内的区域，确定为该目标区域。
也就是说，计算机设备在获取到定位设备采集到的初始定位信息后，先将初始定位信息确定为该目标车辆的大致位置，并在目标车道地图上查询到与该初始定位信息对应的坐标点(即初始位置)，再选取与该初始位置在指定距离之内的区域，以确定为目标区域，此时目标车辆上的图像采集设备所采集到的图像，大概率为该目标区域中的图像。
步骤303，获取该目标图像。
在本申请实施例中，定位设备采集初始定位信息的时刻，与图像采集设备采集目标图像的时刻相同。
步骤304，对该目标图像进行图像分割处理，获得目标图像上的车道线的目标坐标集。
将原图数据进行编码并且分为分割和像素矢量化两部分，其中分割部分使用经典的图像分割方式，将车道线与背景进行分割。在一种可能的实现方式中，将该目标图像输入车道线分割模型进行处理，获得目标图像上的车道线上的车道坐标值，并将该车道坐标值构建为该目标坐标集。
该车道线分割模型可以是通过样本图像、以及样本图像上的车道线标注区域训练出的神经网络模型，且该在训练过程中，可以通过softmax交叉熵损失函数计算每一类车道线的损失函数值，具体的，每一类车道线的分割损失可以用如下公式计算：
Figure BDA0003648022330000121
Figure BDA0003648022330000122
其中，C是车道线数量，Nc是属同—条车道线的像素点数量，μc是车道线的均值向量，xi是像素向量(即各个像素点的像素值所构建的向量，作为神经网络模型的输入),[x]+＝max(O,x)。注意这里先执行加法操作，再执行平方操作
像素矢量化部分，将所有的像素升维成高维向量，不仅保存了本身的位置、颜色信息，还将更高维的向量进行补充，使得每一个像素可以被聚类，从而将不同的车道线分离开。在一种可能的实现方式中，基于各个该车道坐标值以及该各个该车道坐标值对应的像素值，构建各个坐标向量；将各个该坐标向量进行聚类处理，以获得该目标图像上的车道线的目标坐标集。
即通过神经网络模型实现将像素矢量化后的特征向量聚类后，可以利用任意聚类算法完成实例分割的目标。聚类前先使用mean shift聚类，将簇中心沿着密度上升的方向一定，防止将离群点误选入簇中。完成后将向量进行划分，以每一个簇中心为圆心，选中指定大小的区域内像素归为同一车道线。然后重复该步骤，直到将所有的车道线像素分配给对应车道。
步骤305，基于该目标采集参数，将该目标坐标集转换为该世界坐标系下的第二车道线坐标集。
在一种可能的实现方式中，首先将实时的GPS+IMU的坐标转换为车体坐标。将当前感知算法输入的车道线实时与定位信息输出周围的高精地图车道线进行匹配。
摄像头与车体坐标之间的转换可以使用摄像头与世界坐标系的转换：
Figure BDA0003648022330000131
其中R是3x3正交单位矩阵，t是三位平移向量，M1是两个坐标之间的联系矩阵。
且由于摄像机的透视投影，可以近似于针孔成像模型，则摄像机坐标与成像平面坐标系之间的关系为：
Figure BDA0003648022330000132
Figure BDA0003648022330000133
其中，(x,y)为P点在成像平面坐标系下的坐标，为空间点P在摄像机坐标系下的坐标。次矩阵可以表示为：
Figure BDA0003648022330000134
带入公式后可以得到：
Figure BDA0003648022330000141
K为相机内参矩阵，[R t]由相机与世界坐标系方位决定(外参)，P则是投影矩阵。经过坐标转换后，将相机识别出的车道线与高精度地图坐标进行比对，主要比较的内容为车道线类型、车道线坐标(尤其是当车道线曲率较大时)。根据车道线坐标差，实时修正目前定位信息偏差。
步骤306，基于该第一车道线坐标集以及该第二车道线坐标集，对该初始定位信息进行更新，获得目标定位信息。
在一种可能的实现方式中，该第一车道线坐标集中包含至少一种车道线类型的第一车道线子坐标集；该第二车道线坐标集中包含至少一种车道线类型的第二车道线子坐标集；将该第一车道线坐标集与该第二车道线坐标集中进行车道线类型匹配；获取车道线类型相匹配的第一车道线子坐标集与第二车道线子坐标集之间的距离误差，并根据该距离误差对该初始定位信息进行更新，获得该目标定位信息。
即在实现车道线对齐的过程中，可以最先将两者的车道线类别进行比对，类别包括白色单实线、白色虚线、白色双实线、白色双虚线、左白虚线右白实线、左白实线右白虚线、黄色单虚线、黄色单实线、黄色双虚线、黄色双实线、左黄虚线右黄实线、左黄实线右黄虚线12种类别。多元化的车道线类别可以增大匹配的时候的准确度。
在一种可能的实现方式中，将该距离误差转换为经纬度误差，并根据该经纬度误差对该初始定位信息中的经纬度信息进行校正，获得该目标定位信息。
进一步的，计算机设备还可以根据该距离误差，对该目标车辆的横向控制因子进行迭代更新直至检测到该距离误差小于阈值，以便该目标车辆根据迭代更新后的横向控制因子对车辆进行横向控制。
例如，计算机设备可以将摄像头输出车道线(即第二车道线坐标集)与高精地图车道线(即第一车道线坐标集)同时投射至BEV(鸟瞰图)视角中，使用IPM(逆透视变换)即可将摄像头中所得到的图像映射到BEV视角中，如下公式所示：
Figure BDA0003648022330000151
其中xy是BEV视角中的坐标，αf2b是摄像头图像与BEV的缩放比，Rθ则是俯相机外参中的仰旋转矩阵，K是相机内参矩阵，h为相机所在高度。
视角统一为鸟瞰图后，最先将两者的车道线类别进行比对，类别包括白色单实线、白色虚线、白色双实线、白色双虚线、左白虚线右白实线、左白实线右白虚线、黄色单虚线、黄色单实线、黄色双虚线、黄色双实线、左黄虚线右黄实线、左黄实线以及右黄虚线12种类别。多元化的车道线类别可以增大匹配的时候的准确度。若匹配到了相同类型车道线，则进行下一步的动态车辆调整操作。因摄像头与高精地图已在同一视角下，且只关注鸟瞰图中的2D信息情况下，可以方便的对比两者输出的车道线差，若地图的车道线相比摄像头投影的输出偏左则说明车辆定位整体偏左，通过上述公式中的投射比αf2b，将两者车道线的误差Δs投射回原始比例中，再将距离差转换为经纬度误差，实时调整当前组合惯导的坐标与高精度地图的坐标进行对比，然后将当前定位的结果与将车道线偏移量与车辆横向控制使用PID模型进行关联，实时控制车辆使其横向控制因子与车道线偏移量相关，达到实时修正车辆当前的位置误差，直至地图车道线与摄像头输出车道线重合为止，从而达到实时修正定位误差的效果。
请参考图4，其示出了本申请实施例涉及的一种车辆定位逻辑框图。如图4所示，本申请实施例所示方案，由于现已出现了大批量高精度地图。高精度地图信息包含了海量信息，其中就包括车道线的坐标点，因此通过GPS以及IMU融合定位得到初始定位信息后，可以通过高精度地图以及通过图像采集设备采集到的车道线图像之间的距离差，对初始定位信息进行校准，并对自动驾驶汽车进行控制。也就是说通过本申请实施例所示方案，在高速行驶的自动驾驶汽车中不仅可以实时修正定位误差，也可以通过修正定位误差来使车辆在行驶过程中更好的保持在车道内的正确位置，增强了自动驾驶感知、定位、控制融合的高鲁棒性驾驶。
综上所述，计算机设备可以先获取到目标车辆上的定位设备获取到的初始定位信息，再根据初始定位信息，在目标车道地图上进行查询，查询到目标车辆附件的目标区域，并获取到目标区域内的车道线所构成的第一车道线坐标集；此时计算机设备再获取目标车辆上的图像采集设备锁采集到的目标图像，并得到目标图像上的车道线的目标图像坐标集，此时计算机设备将目标图像坐标集，按照目标采集设备的目标采集参数进行坐标系转换，获取到目标图像上的车道线在世界坐标系上的第二车道线坐标集；此时计算机设备再将第一车道线坐标集与第二车道线坐标集进行对比，从而对初始定位信息进行更新，将高精度地图上的车道线与图像采集设备采集到的车道线进行对应，从而对定位信息进行矫正，提高了车辆定位的准确性。
图5是根据一示例性实施例示出的一种车辆定位装置的结构方框图。该车辆定位装置包括：
初始定位获取模块501，用于获取初始定位信息；所述初始定位信息为通过目标车辆上的定位设备获得的；
第一坐标获取模块502，用于根据所述初始定位信息确定目标车道地图中的目标区域，并获取所述目标区域内的第一车道线坐标集；所述目标车道地图中包含有各个车道线在世界坐标系下的坐标集；
目标坐标集获取模块503，用于获取目标图像上的车道线的目标坐标集；所述目标图像为通过目标车辆上配置目标采集参数的图像采集设备获得的；
第二坐标获取模块504，用于基于所述目标采集参数，将所述目标坐标集转换为所述世界坐标系下的第二车道线坐标集；
定位更新模块505，用于基于所述第一车道线坐标集以及所述第二车道线坐标集，对所述初始定位信息进行更新，获得目标定位信息。
在一种可能的实现方式中，所述初始定位信息为GPS定位信息以及惯导定位信息中的至少一者。
在一种可能的实现方式中，所述目标车道地图中包含目标道路中的车道线位置、车道线类型以及车道线宽度信息。
在一种可能的实现方式中，所述第一坐标获取模块，还用于，
确定目标车道地图上，与所述初始定位信息对应的初始位置；
将与所述初始位置在指定距离内的区域，确定为所述目标区域。
在一种可能的实现方式中，所述第一车道线坐标集中包含至少一种车道线类型的第一车道线子坐标集；所述第二车道线坐标集中包含至少一种车道线类型的第二车道线子坐标集；
所述定位更新模块，还用于，
将所述第一车道线坐标集与所述第二车道线坐标集中进行车道线类型匹配；
获取车道线类型相匹配的第一车道线子坐标集与第二车道线子坐标集之间的距离误差，并根据所述距离误差对所述初始定位信息进行更新，获得所述目标定位信息。
在一种可能的实现方式中，所述定位更新模块，还用于，
将所述距离误差转换为经纬度误差，并根据所述经纬度误差对所述初始定位信息中的经纬度信息进行校正，获得所述目标定位信息。
在一种可能的实现方式中，所述装置还包括：
横向控制模块，用于根据所述距离误差，对所述目标车辆的横向控制因子进行迭代更新直至检测到所述距离误差小于阈值，以便所述目标车辆根据迭代更新后的横向控制因子对车辆进行横向控制。
在一种可能的实现方式中，所述目标坐标集获取模块，用于，
获取所述目标图像；
对所述目标图像进行图像分割处理，获得目标图像上的车道线的目标坐标集。
在一种可能的实现方式中，所述目标坐标集获取模块，还用于，
将所述目标图像输入车道线分割模型进行处理，获得目标图像上的车道线上的车道坐标值，并将所述车道坐标值构建为所述目标坐标集。
在一种可能的实现方式中，所述目标坐标集获取模块，还用于，
基于各个所述车道坐标值以及所述各个所述车道坐标值对应的像素值，构建各个坐标向量；
将各个所述坐标向量进行聚类处理，以获得所述目标图像上的车道线的目标坐标集。
综上所述，计算机设备可以先获取到目标车辆上的定位设备获取到的初始定位信息，再根据初始定位信息，在目标车道地图上进行查询，查询到目标车辆附件的目标区域，并获取到目标区域内的车道线所构成的第一车道线坐标集；此时计算机设备再获取目标车辆上的图像采集设备锁采集到的目标图像，并得到目标图像上的车道线的目标图像坐标集，此时计算机设备将目标图像坐标集，按照目标采集设备的目标采集参数进行坐标系转换，获取到目标图像上的车道线在世界坐标系上的第二车道线坐标集；此时计算机设备再将第一车道线坐标集与第二车道线坐标集进行对比，从而对初始定位信息进行更新，将高精度地图上的车道线与图像采集设备采集到的车道线进行对应，从而对定位信息进行矫正，提高了车辆定位的准确性。
图6示出了本申请一示例性实施例示出的计算机设备600的结构框图。该计算机设备可以实现为本申请上述方案中的服务器。所述计算机设备600包括中央处理单元(Central Processing Unit，CPU)601、包括随机存取存储器(Random Access Memory，RAM)602和只读存储器(Read-Only Memory，ROM)603的系统存储器604，以及连接系统存储器604和中央处理单元601的系统总线605。所述计算机设备600还包括用于存储操作系统609、应用程序610和其他程序模块611的大容量存储设备606。
所述大容量存储设备606通过连接到系统总线605的大容量存储控制器(未示出)连接到中央处理单元601。所述大容量存储设备606及其相关联的计算机可读介质为计算机设备600提供非易失性存储。也就是说，所述大容量存储设备606可以包括诸如硬盘或者只读光盘(Compact Disc Read-Only Memory，CD-ROM)驱动器之类的计算机可读介质(未示出)。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读寄存器(Erasable Programmable Read Only Memory，EPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-OnlyMemory，EEPROM)闪存或其他固态存储其技术，CD-ROM、数字多功能光盘(DigitalVersatile Disc，DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器604和大容量存储设备606可以统称为存储器。
根据本公开的各种实施例，所述计算机设备600还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备600可以通过连接在所述系统总线605上的网络接口单元607连接到网络608，或者说，也可以使用网络接口单元607来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括至少一条计算机程序，所述至少一条计算机程序存储于存储器中，中央处理单元601通过执行该至少一条计算机程序来实现上述各个实施例所示的方法中的全部或部分步骤。
在一示例性实施例中，还提供了一种计算机可读存储介质，用于存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行以实现上述方法中的全部或部分步骤。例如，该计算机可读存储介质可以是只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)、磁带、软盘和光数据存储设备等。
在一示例性实施例中，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述图2或图3任一实施例所示方法的全部或部分步骤。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
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来限制。

Claims (13)

1.一种车辆定位方法，其特征在于，所述方法包括：
获取初始定位信息；所述初始定位信息为通过目标车辆上的定位设备获得的；
根据所述初始定位信息确定目标车道地图中的目标区域，并获取所述目标区域内的第一车道线坐标集；所述目标车道地图中包含有各个车道线在世界坐标系下的坐标集；
获取目标图像上的车道线的目标坐标集；所述目标图像为通过目标车辆上配置目标采集参数的图像采集设备获得的；
基于所述目标采集参数，将所述目标坐标集转换为所述世界坐标系下的第二车道线坐标集；
基于所述第一车道线坐标集以及所述第二车道线坐标集，对所述初始定位信息进行更新，获得目标定位信息。
2.根据权利要求1所述的方法，其特征在于，所述初始定位信息为GPS定位信息以及惯导定位信息中的至少一者。
3.根据权利要求1所述的方法，其特征在于，所述目标车道地图中包含目标道路中的车道线位置、车道线类型以及车道线宽度信息。
4.根据权利要求3所述的方法，其特征在于，所述根据所述初始定位信息确定目标车道地图中的目标区域，包括：
确定目标车道地图上，与所述初始定位信息对应的初始位置；
将与所述初始位置在指定距离内的区域，确定为所述目标区域。
5.根据权利要求3所述的方法，其特征在于，所述第一车道线坐标集中包含至少一种车道线类型的第一车道线子坐标集；所述第二车道线坐标集中包含至少一种车道线类型的第二车道线子坐标集；
所述基于所述第一车道线坐标集以及所述第二车道线坐标集，对所述初始定位信息进行更新，获得目标定位信息，包括：
将所述第一车道线坐标集与所述第二车道线坐标集中进行车道线类型匹配；
获取车道线类型相匹配的第一车道线子坐标集与第二车道线子坐标集之间的距离误差，并根据所述距离误差对所述初始定位信息进行更新，获得所述目标定位信息。
6.根据权利要求5所述的方法，其特征在于，所述根据所述距离误差对所述初始定位信息进行更新，获得所述目标定位信息，包括：
将所述距离误差转换为经纬度误差，并根据所述经纬度误差对所述初始定位信息中的经纬度信息进行校正，获得所述目标定位信息。
7.根据权利要求5所述的方法，其特征在于，所述方法还包括：
根据所述距离误差，对所述目标车辆的横向控制因子进行迭代更新直至检测到所述距离误差小于阈值，以便所述目标车辆根据迭代更新后的横向控制因子对车辆进行横向控制。
8.根据权利要求1至7任一所述的方法，其特征在于，所述获取目标图像上的车道线的目标坐标集，包括：
获取所述目标图像；
对所述目标图像进行图像分割处理，获得目标图像上的车道线的目标坐标集。
9.根据权利要求7所述的方法，其特征在于，所述对所述目标图像进行图像分割处理，获得目标图像上的车道线的目标坐标集，包括：
将所述目标图像输入车道线分割模型进行处理，获得目标图像上的车道线上的车道坐标值，并将所述车道坐标值构建为所述目标坐标集。
10.根据权利要求8所述的方法，其特征在于，所述将所述车道坐标值构建为所述目标坐标集，包括：
基于各个所述车道坐标值以及所述各个所述车道坐标值对应的像素值，构建各个坐标向量；
将各个所述坐标向量进行聚类处理，以获得所述目标图像上的车道线的目标坐标集。
11.一种车辆定位装置，其特征在于，所述装置包括；
初始定位获取模块，用于获取初始定位信息；所述初始定位信息为通过目标车辆上的定位设备获得的；
第一坐标获取模块，用于根据所述初始定位信息确定目标车道地图中的目标区域，并获取所述目标区域内的第一车道线坐标集；所述目标车道地图中包含有各个车道线在世界坐标系下的坐标集；
目标坐标集获取模块，用于获取目标图像上的车道线的目标坐标集；所述目标图像为通过目标车辆上配置目标采集参数的图像采集设备获得的；
第二坐标获取模块，用于基于所述目标采集参数，将所述目标坐标集转换为所述世界坐标系下的第二车道线坐标集；
定位更新模块，用于基于所述第一车道线坐标集以及所述第二车道线坐标集，对所述初始定位信息进行更新，获得目标定位信息。
12.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如权利要求1至10任一所述的车辆定位方法。
13.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至10任一所述的车辆定位方法。
CN202210540507.0A 2022-05-17 2022-05-17 车辆定位方法、装置、设备及存储介质 Pending CN114972829A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210540507.0A CN114972829A (zh) 2022-05-17 2022-05-17 车辆定位方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210540507.0A CN114972829A (zh) 2022-05-17 2022-05-17 车辆定位方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114972829A true CN114972829A (zh) 2022-08-30

Family

ID=82983418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210540507.0A Pending CN114972829A (zh) 2022-05-17 2022-05-17 车辆定位方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114972829A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115713555A (zh) * 2022-11-09 2023-02-24 中国南方电网有限责任公司超高压输电公司昆明局 图像采集设备安装位置确定方法、装置和计算机设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115713555A (zh) * 2022-11-09 2023-02-24 中国南方电网有限责任公司超高压输电公司昆明局 图像采集设备安装位置确定方法、装置和计算机设备
CN115713555B (zh) * 2022-11-09 2023-12-08 中国南方电网有限责任公司超高压输电公司昆明局 图像采集设备安装位置确定方法、装置和计算机设备

Similar Documents

Publication Publication Date Title
CN110146869B (zh) 确定坐标系转换参数的方法、装置、电子设备和存储介质
CN110148185B (zh) 确定成像设备坐标系转换参数的方法、装置和电子设备
CN109920246B (zh) 一种基于v2x通信与双目视觉的协同局部路径规划方法
CN109579843B (zh) 一种空地多视角下的多机器人协同定位及融合建图方法
US20220292711A1 (en) Pose estimation method and device, related equipment and storage medium
US20190392228A1 (en) Integrated sensor calibration in natural scenes
DE102018109371A1 (de) Kalibrierungsvalidierung für den betrieb von autonomen fahrzeugen
US10291898B2 (en) Method and apparatus for updating navigation map
DE102018121597A1 (de) Boden-referenzbestimmung für den betrieb von autonomen fahrzeugen
CN110703268B (zh) 一种自主定位导航的航线规划方法和装置
US20150142248A1 (en) Apparatus and method for providing location and heading information of autonomous driving vehicle on road within housing complex
US20200341150A1 (en) Systems and methods for constructing a high-definition map based on landmarks
CN113419245B (zh) 一种基于v2x的实时建图系统及建图方法
CN110850894A (zh) 一种无人机自动返航的方法、装置、无人机及存储介质
CN114279434B (zh) 一种建图方法、装置、电子设备和存储介质
CN114972829A (zh) 车辆定位方法、装置、设备及存储介质
US11460302B2 (en) Terrestrial observation device having location determination functionality
CN113744308B (zh) 位姿优化方法、装置、电子设备、介质及程序产品
CN110411449B (zh) 一种航空侦察载荷目标定位方法、系统及终端设备
CN112632415A (zh) 一种Web地图实时生成方法及图像处理服务器
CN113312403A (zh) 地图获取方法、装置、电子设备及存储介质
US20210406558A1 (en) Systems and methods to aggregate and distribute dynamic information of crowdsourcing vehicles for edge-assisted live map service
CN113034538B (zh) 一种视觉惯导设备的位姿跟踪方法、装置及视觉惯导设备
CN113269827A (zh) 一种实现自动化标定的方法和计算装置
EP4220580A1 (en) Method for vehicle driving assistance within delimited area

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