CN114993328A - 车辆定位评估方法、装置、设备和计算机可读介质 - Google Patents

Abstract

本公开的实施例公开了车辆定位评估方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括：获取测量位姿矩阵序列、定位位姿矩阵和点云数据集；对各个点云数据进行拼接处理，得到点云地图；对各个测量位姿矩阵进行插值处理，得到目标测量位姿矩阵；对点云地图和高精地图语义提取，得到点云地图语义信息集和高精地图语义信息集；对点云地图坐标和高精地图坐标坐标转换处理，得到目标点云地图语义信息集和目标高精地图语义信息集；对每个目标点云地图语义信息和各个目标高精地图语义信息分组处理，得到目标语义信息集；对每个目标语义信息检测处理，得到车辆误差信息集；生成车辆误差评估信息集。该实施方式可以提高车辆定位评估的准确度。

Description

车辆定位评估方法、装置、设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及车辆定位评估方法、装置、设备和计算机可读介质。

背景技术

车辆定位评估对车辆的稳定安全行驶有着重要意义。目前，在对车辆定位进行评估时，通常采用的方式为：首先，将车辆传感器数据输入到车辆定位算法，输出车辆位姿；然后，通过与车辆真值系统输出的真值比较，得到车辆位姿的误差评估结果；最后，通过车辆位姿的误差评估结果，进行车辆定位评估。

然而，当采用上述方式进行车辆定位评估时，经常会存在如下技术问题：

第一，基于地图的定位值与基于全局绝对定位的真值之间存在偏差，若使用该真值对车辆定位进行评估，则无法消除偏差，从而，降低车辆定位评估的准确度，进而，导致降低车辆驾驶安全；

第二，未充分考虑车辆与周边固定物体的相对位置关系，导致车辆定位评估不够全面；

第三，若车辆未装置高精设备，则无法输出一个误差较小的值与全局绝对定位得到的真值比较，导致车辆定位评估误差较大。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了车辆定位评估方法、装置、设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种车辆定位评估方法，该方法包括：获取当前车辆的测量位姿矩阵序列、定位位姿矩阵和点云数据集；对上述点云数据集中的各个点云数据进行拼接处理，得到点云地图；对上述测量位姿矩阵序列中的各个测量位姿矩阵进行插值处理，得到目标测量位姿矩阵；基于上述目标测量位姿矩阵和上述定位位姿矩阵，对上述点云地图和预设的高精地图分别进行语义提取，得到点云地图语义信息集和高精地图语义信息集，其中，上述点云地图语义信息集中的点云地图语义信息包括：点云地图坐标，上述高精地图语义信息集中的高精地图语义信息包括：高精地图坐标；基于上述目标测量位姿矩阵和上述定位位姿矩阵，对上述点云地图语义信息集中各个点云地图语义信息包括的点云地图坐标和上述高精地图语义信息集中各个高精地图语义信息包括的高精地图坐标分别进行坐标转换处理，得到目标点云地图语义信息集和目标高精地图语义信息集；对上述目标点云地图语义信息集中的每个目标点云地图语义信息和上述目标高精地图语义信息集中的各个目标高精地图语义信息进行分组处理以生成目标语义信息，得到目标语义信息集；对上述目标语义信息集中的每个目标语义信息进行检测处理以生成车辆误差信息，得到车辆误差信息集；基于上述车辆误差信息集，生成车辆误差评估信息集。

第二方面，本公开的一些实施例提供了一种车辆定位评估装置，装置包括：获取单元，被配置成获取当前车辆的测量位姿矩阵序列、定位位姿矩阵和点云数据集；拼接处理单元，被配置成对上述点云数据集中的各个点云数据进行拼接处理，得到点云地图；插值处理单元，被配置成对上述测量位姿矩阵序列中的各个测量位姿矩阵进行插值处理，得到目标测量位姿矩阵；语义提取单元，被配置成基于上述目标测量位姿矩阵和上述定位位姿矩阵，对上述点云地图和预设的高精地图分别进行语义提取，得到点云地图语义信息集和高精地图语义信息集，其中，上述点云地图语义信息集中的点云地图语义信息包括：点云地图坐标，上述高精地图语义信息集中的高精地图语义信息包括：高精地图坐标；坐标转换单元，被配置成基于上述目标测量位姿矩阵和上述定位位姿矩阵，对上述点云地图语义信息集中各个点云地图语义信息包括的点云地图坐标和上述高精地图语义信息集中各个高精地图语义信息包括的高精地图坐标分别进行坐标转换处理，得到目标点云地图语义信息集和目标高精地图语义信息集；分组处理单元，被配置成对上述目标点云地图语义信息集中的每个目标点云地图语义信息和上述目标高精地图语义信息集中的各个目标高精地图语义信息进行分组处理以生成目标语义信息，得到目标语义信息集；检测处理单元，被配置成对上述目标语义信息集中的每个目标语义信息进行检测处理以生成车辆误差信息，得到车辆误差信息集；生成单元，被配置成基于上述车辆误差信息集，生成车辆误差评估信息集。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的车辆定位评估方法，提高了车辆定位评估的准确度。具体来说，车辆定位评估准确度不足的原因在于：基于地图的定位值与基于全局绝对定位的真值之间存在偏差，若使用该真值对车辆定位进行评估，则无法消除偏差。基于此，本公开的一些实施例的车辆定位评估方法，首先，获取当前车辆的测量位姿矩阵序列、定位位姿矩阵和点云数据集。由此，便于后续通过上述测量位姿矩阵序列对点云数据进行拼接处理；也可以通过上述定位位姿矩阵获取当前车辆的位置坐标，进而获取高精地图上当前车辆周围的高精地图语义信息集。其次，对上述点云数据集中的各个点云数据进行拼接处理，得到点云地图。由此，构建了以点云数据集为数据来源的真值系统，以及便于后续在点云地图上获取当前车辆周围的点云地图语义信息集。接着，对上述测量位姿矩阵序列中的各个测量位姿矩阵进行插值处理，得到目标测量位姿矩阵。由此，可以得到当前时刻的目标测量位姿矩阵。其中，该当前时刻和定位位姿矩阵生成时刻一致。这将便于消除车辆定位评估时可能的时间误差，从而提高车辆定位评估的准确度。而后，基于上述目标测量位姿矩阵和上述定位位姿矩阵，对上述点云地图和预设的高精地图分别进行语义提取，得到点云地图语义信息集和高精地图语义信息集。其中，上述点云地图语义信息集中的点云地图语义信息包括：点云地图坐标，上述高精地图语义信息集中的高精地图语义信息包括：高精地图坐标。由此通过获取点云地图和高精地图上当前车辆周围的语义信息，便于后续确定当前车辆和周围语义信息的相对关系在定位算法下与真值间的误差，从而得到当前车辆定位误差。另外，基于上述目标测量位姿矩阵和上述定位位姿矩阵，对上述点云地图语义信息集中各个点云地图语义信息包括的点云地图坐标和上述高精地图语义信息集中各个高精地图语义信息包括的高精地图坐标分别进行坐标转换处理，得到目标点云地图语义信息集和目标高精地图语义信息集。由此，便于后续在相对稳定一致的坐标系下获取当前车辆与周围语义信息相对关系的误差。然后，对上述目标点云地图语义信息集中的每个目标点云地图语义信息和上述目标高精地图语义信息集中的各个目标高精地图语义信息进行分组处理以生成目标语义信息，得到目标语义信息集。由此，便于后续对目标高精地图语义信息以及和它对应的目标点云地图语义信息进行检测，从而生成车辆误差信息。再然后，对上述目标语义信息集中的每个目标语义信息进行检测处理以生成车辆误差信息，得到车辆误差信息集。之后，生成的车辆误差信息集将用于对车辆定位进行评估。最后，基于上述车辆误差信息集，生成车辆误差评估信息集。因此，本公开的上述实施例的车辆定位评估方法未使用全局绝对定位的真值对车辆定位进行评估，从而消除了偏差，提高了车辆定位评估的准确度，进而，提高了车辆驾驶安全。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是本公开的一些实施例的车辆定位评估方法的一个应用场景的示意图；

图2是根据本公开的车辆定位评估方法的一些实施例的流程图；

图3是根据本公开的一些实施例的车辆定位评估方法的另一些实施例的流程图；

图4是根据本公开的车辆定位评估装置的一些实施例的结构示意图；

图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是本公开一些实施例的车辆定位评估方法的一个应用场景的示意图。

在图1的应用场景中，首先，计算设备101可以获取当前车辆的测量位姿矩阵序列102、定位位姿矩阵103和点云数据集104。例如，点云数据集104可以包括但不限于以下至少一项：车道线点云数据、灯杆点云数据、路牌点云数据。接着，计算设备101可以对上述点云数据集104中的各个点云数据进行拼接处理，得到点云地图105。计算设备101可以对上述测量位姿矩阵序列102中的各个测量位姿矩阵进行插值处理，得到目标测量位姿矩阵106。计算设备101可以基于上述目标测量位姿矩阵106和上述定位位姿矩阵103，对上述点云地图105和预设的高精地图分别进行语义提取，得到点云地图语义信息集107和高精地图语义信息集108。其中，上述点云地图语义信息集107中的点云地图语义信息包括：点云地图坐标，上述高精地图语义信息集108中的高精地图语义信息包括：高精地图坐标。计算设备101可以基于上述目标测量位姿矩阵106和上述定位位姿矩阵103，对上述点云地图语义信息集107中各个点云地图语义信息包括的点云地图坐标和上述高精地图语义信息集108中各个高精地图语义信息包括的高精地图坐标分别进行坐标转换处理，得到目标点云地图语义信息集109和目标高精地图语义信息集110。计算设备101可以对上述目标点云地图语义信息集109中的每个目标点云地图语义信息和上述目标高精地图语义信息集110中的各个目标高精地图语义信息进行分组处理以生成目标语义信息，得到目标语义信息集111。计算设备101可以对上述目标语义信息集111中的每个目标语义信息进行检测处理以生成车辆误差信息，得到车辆误差信息集112。计算设备101可以基于上述车辆误差信息集112，生成车辆误差评估信息集113。

需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。

继续参考图2，示出了根据本公开的车辆定位评估方法的一些实施例的流程200。该车辆定位评估方法，包括以下步骤：

步骤201，获取当前车辆的测量位姿矩阵序列、定位位姿矩阵和点云数据集。

在一些实施例中，车辆定位评估方法的执行主体(例如图1所示的计算设备101)可以通过有线连接方式或者无线连接方式分别获取高精组合导航设备、定位算法和激光雷达输出的当前车辆的测量位姿矩阵序列、定位位姿矩阵和点云数据集。其中，上述定位算法可以是基于Geo(geospatial，地理空间)的地图定位算法。上述当前车辆可以是装载有高精组合导航设备、定位算法和激光雷达的正在行驶中的车辆。上述测量位姿矩阵序列可以是连续帧的测量位姿矩阵的集合。上述测量位姿矩阵可以用于表征上述高精组合导航设备检测到的上述当前车辆的位置和姿态。上述定位位姿矩阵可以用于表征上述定位算法下的当前车辆的位置和姿态。上述点云数据集可以是连续帧点云数据的集合。上述点云数据集中的点云数据可以是某一时刻激光雷达对上述当前车辆周围环境测得的数据集合。

作为示例，点云数据可以包括但不限于以下至少一项：车道线点云数据、灯杆点云数据或路牌点云数据等。例如，车道线点云数据可以是表征车道线的点云集合。

步骤202，对点云数据集中的各个点云数据进行拼接处理，得到点云地图。

在一些实施例中，上述执行主体可以对上述点云数据集中的各个点云数据进行拼接处理，得到点云地图。其中，上述点云地图可以是上述当前车辆在一段时间内经过的道路环境的点云数据的集合。可以通过预设的点云拼接处理算法，对上述点云数据集中的各个点云数据进行拼接处理，得到上述点云地图。

作为示例，预设的点云拼接处理算法可以包括但不限于以下至少一项：ICP(iterative closest point，迭代最近点)算法、GICP(generalized ICP，广义迭代最近点)算法、VGICP(voxelized generalized ICP，体素化的广义迭代最近点)算法等。

步骤203，对测量位姿矩阵序列中的各个测量位姿矩阵进行插值处理，得到目标测量位姿矩阵。

在一些实施例中，上述执行主体可以对上述测量位姿矩阵序列中的各个测量位姿矩阵进行插值处理，得到目标测量位姿矩阵。其中，上述目标测量位姿矩阵可以是在当前时刻生成的用于表征当前车辆位置和姿态的测量位姿矩阵。上述当前时刻可以是上述定位位姿矩阵生成时的时刻。可以通过预设的插值算法，对上述测量位姿矩阵序列中的各个测量位姿矩阵进行插值处理，得到上述目标测量位姿矩阵。

作为示例，预设的插值算法可以包括但不限于以下至少一项：最近邻插值法、线性插值法、三次样条插值法等。

步骤204，基于目标测量位姿矩阵和定位位姿矩阵，对点云地图和预设的高精地图分别进行语义提取，得到点云地图语义信息集和高精地图语义信息集。

在一些实施例中，上述执行主体可以基于上述目标测量位姿矩阵和上述定位位姿矩阵，对上述点云地图和预设的高精地图分别进行语义提取，得到点云地图语义信息集和高精地图语义信息集。其中，上述点云地图语义信息集中的点云地图语义信息可以包括：点云地图坐标。上述高精地图语义信息集中的高精地图语义信息可以包括：高精地图坐标。上述高精地图可以是包括至少一个预先标注的高精地图物体坐标集的集合。每个高精地图物体坐标集可以用于表征一个物体(例如，车道线、灯杆、车牌等)。上述点云地图语义信息集中的点云地图语义信息可以用于表征使用激光雷达测得的当前车辆周围的一个物体(例如，车道线、灯杆、车牌等)。上述点云地图坐标可以是表征一个物体的点云数据坐标集中的最大值点云坐标。上述最大值点云坐标可以是在激光雷达坐标系下的坐标。上述最大值点云坐标可以是上述点云数据坐标集中的点到原点距离最远的点的坐标。上述激光雷达坐标系可以是以激光雷达坐标为原点，过原点以车辆行驶方向为横轴，以垂直于横轴水平向右的方向为纵轴，以垂直向上的方向为竖轴建立的坐标系。上述高精地图语义信息集中的高精地图语义信息可以用于表征定位算法下的当前车辆周围的一个物体(例如，车道线、灯杆、车牌等)。上述高精地图坐标可以是用于表征一个物体的高精地图数据坐标集中的最大值高精地图坐标。上述最大值高精地图坐标可以是点在站心坐标系下的坐标。上述最大值高精地图坐标可以是上述高精地图数据坐标集中的点到原点距离最远的点的坐标。上述站心坐标系可以是以当前车辆所在位置为原点，过原点以地球自转指向东的方向为横轴，以子午线指向北的方向为纵轴，以垂直于地平面向上的方向为竖轴建立的坐标系。可以通过预设的点云提取算法，对上述点云地图进行语义提取，得到点云地图语义信息集。可以通过获取高精地图上当前车辆周围至少一个高精地图语义信息，得到高精地图语义信息集。

作为示例，上述预设的点云提取算法可以包括但不限于以下至少一项：CRF(Conditional Random Fields，条件随机场)、欧几里德聚类、RANSAC(RANDOM SAMPLE ANDCONSENSUS，随机抽样一致)算法等。

步骤205，基于目标测量位姿矩阵和定位位姿矩阵，对点云地图语义信息集中各个点云地图语义信息包括的点云地图坐标和高精地图语义信息集中各个高精地图语义信息包括的高精地图坐标分别进行坐标转换处理，得到目标点云地图语义信息集和目标高精地图语义信息集。

在一些实施例中，上述执行主体可以基于上述目标测量位姿矩阵和上述定位位姿矩阵，通过各种坐标转换方法，对上述点云地图语义信息集中各个点云地图语义信息包括的点云地图坐标和上述高精地图语义信息集中各个高精地图语义信息包括的高精地图坐标分别进行坐标转换处理，得到目标点云地图语义信息集和目标高精地图语义信息集。其中，上述目标点云地图语义信息集可以是包括至少一个当前车辆周边物体目标最大值点云坐标的集合。每个目标点云地图语义信息可以表征当前车辆周边的一个物体。每个目标点云地图语义信息可以包括目标最大值点云坐标。上述目标最大值点云坐标可以是上述最大值点云坐标从上述激光雷达坐标系变换到车辆坐标系后的坐标。上述目标高精地图语义信息集可以是包括至少一个当前车辆周边物体目标最大值高精地图坐标的集合。每个目标高精地图语义信息可以表征当前车辆周边的一个物体。每个目标高精地图语义信息可以包括目标最大值高精地图坐标。上述目标最大值高精地图坐标可以是上述最大值高精地图坐标从上述站心坐标系变换到车辆坐标系后的坐标。

作为示例，上述坐标转换方法可以包括但不仅限于以下至少一项：转换矩阵法、欧拉角法、四元数法等。

步骤206，对目标点云地图语义信息集中的每个目标点云地图语义信息和目标高精地图语义信息集中的各个目标高精地图语义信息进行分组处理以生成目标语义信息，得到目标语义信息集。

在一些实施例中，上述执行主体可以对上述目标点云地图语义信息集中的每个目标点云地图语义信息和上述目标高精地图语义信息集中的各个目标高精地图语义信息进行分组处理以生成目标语义信息。其中，上述目标语义信息可以是满足分组条件的上述目标点云地图语义信息和上述目标高精地图语义信息的组合。上述分组条件可以是目标高精地图语义信息和目标点云地图语义信息二者坐标的误差估计在(0,0.05)范围内。可以通过预设的分组处理算法，对上述目标点云地图语义信息集中的每个目标点云地图语义信息和上述目标高精地图语义信息集中的各个目标高精地图语义信息进行分组处理以生成目标语义信息。

作为示例，上述分组处理算法可以包括但不限于以下至少一项：最近邻域分类法、最大后验概率法、特征值法等。

步骤207，对目标语义信息集中的每个目标语义信息进行检测处理以生成车辆误差信息，得到车辆误差信息集。

在一些实施例中，上述执行主体可以对上述目标语义信息集中的每个目标语义信息进行检测处理以生成车辆误差信息，得到车辆误差信息集。其中，上述车辆误差信息集中的每个车辆误差信息可以表征上述目标高精地图语义信息和上述当前车辆相对位置关系与上述目标点云地图语义信息和上述当前车辆相对位置关系间的误差。可以对上述目标语义信息集中的每个目标语义信息执行以下步骤：

第一步，获取上述目标语义信息中的目标高精地图语义信息包括的目标最大值高精地图坐标。

第二步，获取上述目标语义信息中的目标点云地图语义信息包括的目标最大值点云坐标。

第三步，将上述目标最大值高精地图坐标和上述目标最大值点云坐标间的距离值确定为车辆误差信息。

步骤208，基于车辆误差信息集，生成车辆误差评估信息集。

在一些实施例中，上述执行主体可以基于上述车辆误差信息集，生成车辆误差评估信息集。其中，上述车辆误差评估信息集可以是上述车辆误差信息集中各个车辆误差信息的统计结果。可以通过预设的评估方法，生成车辆误差评估信息集。

作为示例，预设的评估方法可以包括但不限于以下至少一项：最大值法、最小值、均值法、标准差和均方根差等。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的车辆定位评估方法，提高了车辆定位评估的准确度。具体来说，车辆定位评估准确度不足的原因在于：基于地图的定位值与基于全局绝对定位的真值之间存在偏差，若使用该真值对车辆定位进行评估，则无法消除偏差。基于此，本公开的一些实施例的车辆定位评估方法，首先，获取当前车辆的测量位姿矩阵序列、定位位姿矩阵和点云数据集。由此，便于后续通过上述测量位姿矩阵序列对点云数据进行拼接处理；也可以通过上述定位位姿矩阵获取当前车辆的位置坐标，进而获取高精地图上当前车辆周围的高精地图语义信息集。其次，对上述点云数据集中的各个点云数据进行拼接处理，得到点云地图。由此，构建了以点云数据集为数据来源的真值系统，以及便于后续在点云地图上获取当前车辆周围的点云地图语义信息集。接着，对上述测量位姿矩阵序列中的各个测量位姿矩阵进行插值处理，得到目标测量位姿矩阵。由此，可以得到当前时刻的目标测量位姿矩阵。其中，该当前时刻和定位位姿矩阵生成时刻一致。这将便于消除车辆定位评估时可能的时间误差，从而提高车辆定位评估的准确度。而后，基于上述目标测量位姿矩阵和上述定位位姿矩阵，对上述点云地图和预设的高精地图分别进行语义提取，得到点云地图语义信息集和高精地图语义信息集。其中，上述点云地图语义信息集中的点云地图语义信息包括：点云地图坐标，上述高精地图语义信息集中的高精地图语义信息包括：高精地图坐标。由此通过获取点云地图和高精地图上当前车辆周围的语义信息，便于后续确定当前车辆和周围语义信息的相对关系在定位算法下与真值间的误差，从而得到当前车辆定位误差。另外，基于上述目标测量位姿矩阵和上述定位位姿矩阵，对上述点云地图语义信息集中各个点云地图语义信息包括的点云地图坐标和上述高精地图语义信息集中各个高精地图语义信息包括的高精地图坐标分别进行坐标转换处理，得到目标点云地图语义信息集和目标高精地图语义信息集。由此，便于后续在相对稳定一致的坐标系下获取当前车辆与周围语义信息相对关系的误差。然后，对上述目标点云地图语义信息集中的每个目标点云地图语义信息和上述目标高精地图语义信息集中的各个目标高精地图语义信息进行分组处理以生成目标语义信息，得到目标语义信息集。由此，便于后续对目标高精地图语义信息以及和它对应的目标点云地图语义信息进行检测，从而生成车辆误差信息。再然后，对上述目标语义信息集中的每个目标语义信息进行检测处理以生成车辆误差信息，得到车辆误差信息集。之后，生成的车辆误差信息集将用于对车辆定位进行评估。最后，基于上述车辆误差信息集，生成车辆误差评估信息集。因此，本公开的上述实施例的车辆定位评估方法未使用全局绝对定位的真值对车辆定位进行评估，从而消除了偏差，提高了车辆定位评估的准确度，进而，提高了车辆驾驶安全。

进一步参考图3，其示出了车辆定位评估方法的另一些实施例的流程300。该车辆定位评估方法的流程300，包括以下步骤：

步骤301，获取当前车辆的测量位姿矩阵序列、定位位姿矩阵和点云数据集。

在一些实施例中，步骤301的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤201，在此不再赘述。

步骤302，对点云数据集中的各个点云数据进行拼接处理，得到点云地图。

在一些实施例中，上述执行主体可以对上述点云数据集中的各个点云数据进行拼接处理，得到点云地图。其中，可以通过以下步骤，对上述点云数据集中的各个点云数据进行拼接处理，得到点云地图：

第一步，对上述点云数据集中的各个点云数据进行矫正处理，得到目标点云数据集。其中，上述目标点云数据集可以是消除激光雷达运动畸变后的点云数据的集合。可以通过ICP算法对上述点云数据集中的各个点云数据进行矫正处理，得到目标点云数据集。

第二步，对上述目标点云数据集中的各个目标点云数据进行拼接，得到点云地图。其中，可以将上述目标点云数据集中的各个点云数据叠加到同一坐标系，得到点云地图。

步骤303，对测量位姿矩阵序列中的各个测量位姿矩阵进行插值处理，得到目标测量位姿矩阵。

在一些实施例中，上述执行主体可以对上述测量位姿矩阵序列中的各个测量位姿矩阵进行插值处理，得到目标测量位姿矩阵。其中，可以通过线性差值法，对上述测量位姿矩阵序列中的各个测量位姿矩阵进行插值处理，得到上述目标测量位姿矩阵。

步骤304，对点云地图进行语义识别，得到原始点云地图语义信息集。

在一些实施例中，上述执行主体可以对上述点云地图进行语义识别，得到原始点云地图语义信息集。其中，上述原始点云地图语义信息集可以是预设语义信息类型的物体的集合。预设语义信息类型可以是车道线语义类型、灯杆语义类型或路牌语义类型。每个原始点云地图语义信息可以表征预设语义信息类型的一个物体。可以通过预设的感知算法，对上述点云地图进行语义识别，得到原始点云地图语义信息集。

作为示例，上述预设的感知算法可以包括但不限于以下至少一项：RCNN(Regin-Based CNN feature，基于区域的卷积神经网络)算法、Faster RCNN(Faster Regin-BasedCNN feature，速度更快的基于区域的卷积神经网络)算法、SSD(Single Shot MultiBoxDetector，一阶多尺度检测策略)算法等。

步骤305，基于目标测量位姿矩阵和原始点云地图语义信息集，对点云地图进行语义提取，得到点云地图语义信息集。

在一些实施例中，上述执行主体可以基于上述目标测量位姿矩阵和上述原始点云地图语义信息集，对上述点云地图进行语义提取，得到点云地图语义信息集。其中，可以通过以下步骤，对上述点云地图进行语义提取，得到点云地图语义信息集：

第一步，获取上述目标测量位姿矩阵对应的位置坐标。

第二步，通过上述坐标转换方法，将上述位置坐标变换到点云地图局部坐标系，得到局部坐标。其中，点云地图局部坐标系可以是上述激光雷达坐标系。可以通过上述坐标转换方法，将上述位置坐标变换到点云地图局部坐标系，得到局部坐标。

第三步，提取上述局部坐标在周边距离值范围内的至少一个原始点云地图语义信息，得到点云地图语义信息集。其中，上述周边距离值可以是一个数字。例如，上述数字可以是100。

第四步，若上述点云地图语义信息集中点云地图语义信息的数量小于预设数量阈值，则重新设置上述周边距离值，再次执行对原始点云地图语义信息进行提取的第三步。其中，预设数量阈值可以是针对不同类型原始点云地图语义信息设置的目标数量。例如，目标数量可以是车道线点云地图语义信息2个、灯杆点云地图语义信息1个和路牌点云地图语义信息1个。

步骤306，对高精地图进行语义识别，得到原始高精地图语义信息集。

在一些实施例中，上述执行主体可以对上述高精地图进行语义识别，得到原始高精地图语义信息集。其中，上述原始高精地图语义信息集可以是高精地图中上述预设语义信息类型的物体的集合。每个原始高精地图语义信息可以是高精地图中上述预设语义信息类型的一个物体。可以通过预设的高精算法，对上述高精地图进行语义识别，得到原始高精地图语义信息集。

作为示例，上述预设的高精算法可以包括但不限于以下至少一项：图像全景分割算法、矢量化及建模算法、多级随机聚合网络算法等。

步骤307，基于定位位姿矩阵和原始高精地图语义信息集，对高精地图进行语义提取，得到高精地图语义信息集。

在一些实施例中，上述执行主体可以基于上述定位位姿矩阵和上述原始高精地图语义信息集，对上述高精地图进行语义提取，得到高精地图语义信息集。其中，可以通过以下步骤，对上述高精地图进行语义提取，得到高精地图语义信息集：

第一步，获取上述定位位姿矩阵对应的定位位置坐标。

第二步，将上述定位位置坐标输入上述高精地图。

第三步，提取上述定位位置坐标上述周边距离值范围内的至少一个原始高精地图语义信息，得到高精地图语义信息集。

第四步，若上述高精地图语义信息集中高精地图语义信息的数量小于上述预设数量阈值，则重新设置上述周边距离值，再次执行对原始高精地图语义信息进行提取的第三步。

上述步骤304-307及其相关内容，作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“车辆定位评估不够全面”。导致车辆定位评估不够全面的因素往往如下：现有的车辆定位评估往往只考虑车辆自身的位置和姿态，却未充分考虑车辆与周边固定物体的相对位置关系，从而导致车辆定位评估不够全面。如果解决了上述因素，就能达到车辆定位评估更全面的效果。为了达到这一效果，本公开在以点云数据集作为车辆定位真值来源的前提下，通过提取车辆周边多类型的固定物体，为后续获取车辆与周边固定物体间多个类型相对位置关系的定位误差创造条件，从而使得车辆定位评估更全面。

步骤308，基于目标测量位姿矩阵和定位位姿矩阵，对点云地图语义信息集中各个点云地图语义信息包括的点云地图坐标和高精地图语义信息集中各个高精地图语义信息包括的高精地图坐标分别进行坐标转换处理，得到目标点云地图语义信息集和目标高精地图语义信息集。

在一些实施例中，步骤308的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤205，在此不再赘述。

步骤309，对目标点云地图语义信息集中的每个目标点云地图语义信息和目标高精地图语义信息集中的各个目标高精地图语义信息进行分组处理以生成目标语义信息，得到目标语义信息集。

在一些实施例中，上述执行主体可以对上述目标点云地图语义信息集中的每个目标点云地图语义信息和上述目标高精地图语义信息集中的各个目标高精地图语义信息进行分组处理以生成目标语义信息，得到目标语义信息集。其中，可以通过以下步骤生成目标语义信息：

第一步，将上述目标点云地图语义信息与上述目标高精地图语义信息集中的每个目标高精地图语义信息确定为待确认语义信息，得到待确认语义信息集。其中，上述待确认语义信息可以是上述语义信息类型一致的目标点云地图语义信息和目标高精地图语义信息的组合。首先，提取与上述目标点云地图语义信息类型一致的所有目标高精地图语义信息，得到待分组目标高精地图语义信息集。然后，将上述待分组目标高精地图语义信息集中的每个待分组目标高精地图语义信息与上述目标点云地图语义信息确定为待确认语义信息。最后，得到待确认语义信息集。

第二步，对上述待确认语义信息集中的至少一个待确认语义信息进行提取处理，生成目标语义信息。其中，可以通过最大后验概率法，对上述待确认语义信息集中的至少一个待确认语义信息进行提取处理，生成上述目标语义信息。

步骤310，对目标语义信息集中的每个目标语义信息进行检测处理以生成车辆误差信息，得到车辆误差信息集。

在一些实施例中，上述执行主体可以对上述目标语义信息集中的每个目标语义信息进行检测处理以生成车辆误差信息，得到车辆误差信息集。其中，目标语义信息包括语义信息类型。该语义信息类型可以是车道线类型、灯杆类型或路牌类型。上述目标点云地图语义信息集中目标点云地图语义信息包括：点云类型数据集。上述点云类型数据集中的各个点云类型数据对应同一语义信息类型。上述目标高精地图语义信息集中目标高精地图语义信息包括：高精类型数据集。上述高精类型数据集中的各个高精类型数据对应同一语义信息类型。可以通过以下步骤，对上述目标语义信息集中的每个目标语义信息进行检测处理以生成车辆误差信息，得到车辆误差信息集：

第一步，响应于确定上述语义信息类型为车道线类型，执行以下步骤：

第一子步骤，对上述目标语义信息对应的点云数据进行拟合处理，得到点云地图车道线曲线。其中，与上述目标语义信息对应的点云数据是上述目标语义信息包括的点云类型数据集。上述点云地图车道线曲线可以是用于表征激光雷达测得的车道线的曲线方程。可以通过预设的拟合算法，对上述目标点云地图语义信息包括的点云数据进行拟合处理，得到上述点云地图车道线曲线。作为示例，上述预设的拟合算法可以包括但不仅限于以下至少一项：最小二乘线性最优拟合算法、三次样条插值、RANSAC(Random SampleConsensus，随机采样算法)。

第二子步骤，对上述目标语义信息对应的轮廓点数据进行拟合处理，得到高精地图车道线曲线。其中，与上述目标语义信息对应的轮廓点数据是上述目标语义信息包括的高精类型数据集。上述高精地图车道线曲线可以是用于表征定位算法下的车道线的曲线方程。可以通过上述预设的拟合算法，对上述目标高精地图语义信息包括的轮廓点数据进行拟合处理，得到高精地图车道线曲线。

第三子步骤，将上述当前车辆的质心点云地图坐标与上述点云地图车道线曲线相应位置点的坐标之间的距离确定为点云地图横向距离值。其中，上述质心点云地图坐标可以是第一车辆坐标系的原点坐标。上述第一车辆坐标系可以是上述目标测量位姿矩阵对应坐标系。上述第一车辆坐标系可以是以上述目标测量位姿矩阵对应的位置点为原点，过原点以车辆行驶方向为横轴，以垂直于横轴水平向右的方向为纵轴，以垂直向上的方向为竖轴建立的坐标系。上述点云地图车道线曲线相应位置点可以是上述点云地图车道线曲线上到质心点云地图坐标的距离最短的点。上述点云地图横向距离值可以表征实际测量得到的上述当前车辆和上述点云地图车道线之间的横向距离相对关系。

第四子步骤，将上述当前车辆的质心高精地图坐标与上述高精地图车道线曲线相应位置点的坐标之间的距离确定为高精地图横向距离值。其中，上述质心高精地图坐标可以是上述第二车辆坐标系的原点坐标。上述第二车辆坐标系可以是上述定位位姿矩阵对应坐标系。上述第二车辆坐标系可以是以上述定位位姿矩阵对应的位置点为原点，过原点以车辆行驶方向为横轴，以垂直于横轴水平向右的方向为纵轴，以垂直向上的方向为竖轴建立的坐标系。上述高精地图车道线曲线相应位置点可以是上述高精地图车道线曲线上到质心高精地图坐标的距离最短的点。上述高精地图横向距离值可以表征上述定位算法下的上述当前车辆和上述高精地图车道线之间的横向距离相对关系。

第五子步骤，确定上述高精地图横向距离值和上述点云地图横向距离值的差值，得到横向距离误差值。其中，上述横向距离误差值可以表征上述定位算法下的横向距离相对关系与实际测量得到的横向距离相对关系间的误差。

第六子步骤，将上述当前车辆的点云行驶方向与上述点云地图车道线曲线相应位置点处的切线之间的夹角确定为点云地图车辆航向角度。其中，上述点云行驶方向可以是上述第一车辆坐标系中平行于地面指向车辆前方的坐标轴方向。例如，上述夹角可以是小于90度的角。上述点云地图车辆航向角度可以表征实际测量得到的上述当前车辆与上述点云地图车道线间的偏航相对关系。

第七子步骤，将上述当前车辆的定位行驶方向与上述高精地图车道线曲线相应位置点处的切线之间的夹角确定为高精地图车辆航向角度。其中，上述定位行驶方向可以是上述第二车辆坐标系中平行于地面指向车辆前方的坐标轴方向。上述高精地图车辆航向角度可以表征上述定位算法下的上述当前车辆与上述点云地图车道线间的偏航相对关系。

第八子步骤，确定上述高精地图车辆航向角度和上述点云地图车辆航向角度的差值，得到偏航角度误差值。其中，上述偏航角度误差值可以表征上述定位算法下的偏航相对关系与实际测量得到的偏航相对关系间的误差。

第二步，响应于确定上述语义信息类型为灯杆类型或路牌类型，执行以下步骤：

第一子步骤，对上述目标语义信息包括的目标点云地图语义信息对应的点云数据进行中心提取，得到中心点云地图坐标。其中，中心点云地图坐标可以是上述目标点云地图语义信息对应的点云数据各点坐标的均值。

第二子步骤，对上述目标语义信息包括的目标高精地图语义信息对应的轮廓点数据进行中心提取，得到中心高精地图坐标。其中，中心高精地图坐标可以是上述目标高精地图语义信息对应的轮廓点数据各点坐标的均值。

第三子步骤，将上述质心点云地图坐标与上述中心点云地图坐标之间的距离确定为点云地图纵向距离值。其中，上述点云地图纵向距离值可以表征实际测量得到的上述当前车辆和上述点云地图灯杆或路牌之间的纵向距离相对关系。

第四子步骤，将上述质心高精地图坐标与上述中心高精地图坐标之间的距离确定为高精地图纵向距离值。其中，上述高精地图纵向距离值可以表征上述定位算法下的上述当前车辆和上述高精地图灯杆或路牌之间的纵向距离相对关系。

第五子步骤，确定上述高精地图纵向距离值和上述点云地图纵向距离值的差值，得到纵向距离误差值。其中，上述纵向距离误差值可以表征上述定位算法下的纵向距离相对关系与实际测量得到的纵向距离相对关系间的误差。

可以将上述目标语义信息集中每个目标语义信息生成的横向距离误差值、航向角度误差值或纵向距离误差值确定为车辆误差信息，得到车辆误差信息集。

上述310步骤及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题三“车辆定位评估误差较大”。导致车辆定位评估误差较大的因素往往如下：车辆未装置高精设备，则无法输出一个误差较小的值与全局绝对定位得到的真值比较，导致车辆定位评估误差较大。如果解决了上述因素，就能达到缩小车辆定位评估误差的效果。为了达到这一效果，本公开引入了对上述定位算法下的当前车辆与周边固定物体的相对位置关系与激光雷达实际测得的当前车辆与周边固定物体的相对位置关系进行比较，从而就可以在车辆未装置高精设备时，仍能生成误差较小的车辆误差信息集。

步骤311，基于车辆误差信息集，生成车辆误差评估信息集。

在一些实施例中，上述执行主体可以基于上述车辆误差信息集，生成车辆误差评估信息集。其中，上述车辆误差信息集中的每个车辆误差信息可以包括：上述横向距离误差值、上述纵向距离误差值或上述偏航角度误差值。可以通过以下步骤，基于上述车辆误差信息集，生成车辆误差评估信息集：

第一步，将上述车辆误差信息集中的各个车辆误差信息包括的横向距离误差值确定为横向距离误差信息集。

第二步，将上述车辆误差信息集中的各个车辆误差信息包括的纵向距离误差值确定为纵向距离误差信息集。

第三步，将上述车辆误差信息集中的各个车辆误差信息包括的偏航角度误差值确定为偏航角度误差信息集。

第四步，基于上述横向距离误差信息集、上述纵向距离误差信息集和上述偏航角度误差信息集，生成车辆误差评估信息集。其中，可以通过以下步骤，生成车辆误差评估信息集：

第一子步骤，将上述横向距离误差信息集中各个横向距离误差值的最大值、最小值、均值、标准差和均方根差，分别确定为横向误差最大值、横向误差最小值、横向误差均值、横向误差标准差和横向误差均方根差，得到横向误差评估集。其中，上述横向误差评估集可以是上述当前车辆与车道线间横向定位距离误差的各种评估信息的集合。上述横向定位距离误差可以是定位算法得到的横向距离与实际测量得到的横向距离之间的差值。

第二子步骤，将上述纵向距离误差信息集中各个纵向距离误差值的最大值、最小值、均值、标准差和均方根差，分别确定为纵向误差最大值、纵向误差最小值、纵向误差均值、纵向误差标准差和纵向误差均方根差，得到纵向误差评估集。其中，上述纵向误差评估集可以是上述当前车辆与灯杆或路牌间纵向定位距离误差的各种评估信息的集合。上述纵向定位距离误差可以是定位算法得到的纵向距离与实际测量得到的纵向距离之间的差值。

第三子步骤，将上述偏航角度误差信息集中各个偏航角度误差值的最大值、最小值、均值、标准差和均方根差，分别确定为偏航角度误差最大值、偏航角度误差最小值、偏航角度误差均值、偏航角度误差标准差和偏航角度误差均方根差，得到偏航角度误差评估集。其中，上述偏航角度误差评估集可以是上述当前车辆与车道线间定位偏航角度误差的各种评估信息的集合。上述定位偏航角度误差可以是定位算法得到的偏航角度与实际测量得到的偏航角度之间的差值。

第四子步骤，可以将上述横向误差评估集、上述纵向误差评估集和上述偏航角度误差评估集分别作为车辆误差评估信息，得到车辆误差评估信息集。其中，上述车辆误差评估信息可以是上述当前车辆的横向相对位置、偏航角度或纵向相对位置的误差估计信息。上述横向相对位置可以是与周围车道线的相对位置关系。上述偏航角度可以是偏离车道线航道的的相对偏航关系。上述纵向相对位置可以是与周围灯杆或路牌的相对位置关系。

从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的车辆定位评估方法的流程300体现了生成车辆周围语义信息集的步骤。由此，这些实施例描述的方案可以充分考虑车辆与周边固定物体的相对位置关系，从而提高了车辆定位评估的全面性。

进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种生成车辆定位评估装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，一些实施例的车辆定位评估装置400包括：获取单元401、拼接处理单元402、插值处理单元403、语义提取单元404、坐标转换单元405、分组处理单元406、检测处理单元407和生成单元408。其中，获取单元401，被配置成获取当前车辆的测量位姿矩阵序列、定位位姿矩阵和点云数据集；拼接处理单元402，被配置成对上述点云数据集中的各个点云数据进行拼接处理，得到点云地图；插值处理单元403，被配置成对上述测量位姿矩阵序列中的各个测量位姿矩阵进行插值处理，得到目标测量位姿矩阵；语义提取单元404，被配置成基于上述目标测量位姿矩阵和上述定位位姿矩阵，对上述点云地图和预设的高精地图分别进行语义提取，得到点云地图语义信息集和高精地图语义信息集，其中，上述点云地图语义信息集中的点云地图语义信息包括：点云地图坐标，上述高精地图语义信息集中的高精地图语义信息包括：高精地图坐标；坐标转换单元405，被配置成基于上述目标测量位姿矩阵和上述定位位姿矩阵，对上述点云地图语义信息集中各个点云地图语义信息包括的点云地图坐标和上述高精地图语义信息集中各个高精地图语义信息包括的高精地图坐标分别进行坐标转换处理，得到目标点云地图语义信息集和目标高精地图语义信息集；分组处理单元406，被配置成对上述目标点云地图语义信息集中的每个目标点云地图语义信息和上述目标高精地图语义信息集中的各个目标高精地图语义信息进行分组处理以生成目标语义信息，得到目标语义信息集；检测处理单元407，被配置成对上述目标语义信息集中的每个目标语义信息进行检测处理以生成车辆误差信息，得到车辆误差信息集；生成单元408，被配置成基于上述车辆误差信息集，生成车辆误差评估信息集。

可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。

进一步参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备101)500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取当前车辆的测量位姿矩阵序列、定位位姿矩阵和点云数据集；对上述点云数据集中的各个点云数据进行拼接处理，得到点云地图；对上述测量位姿矩阵序列中的各个测量位姿矩阵进行插值处理，得到目标测量位姿矩阵；基于上述目标测量位姿矩阵和上述定位位姿矩阵，对上述点云地图和预设的高精地图分别进行语义提取，得到点云地图语义信息集和高精地图语义信息集，其中，上述点云地图语义信息集中的点云地图语义信息包括：点云地图坐标，上述高精地图语义信息集中的高精地图语义信息包括：高精地图坐标；基于上述目标测量位姿矩阵和上述定位位姿矩阵，对上述点云地图语义信息集中各个点云地图语义信息包括的点云地图坐标和上述高精地图语义信息集中各个高精地图语义信息包括的高精地图坐标分别进行坐标转换处理，得到目标点云地图语义信息集和目标高精地图语义信息集；对上述目标点云地图语义信息集中的每个目标点云地图语义信息和上述目标高精地图语义信息集中的各个目标高精地图语义信息进行分组处理以生成目标语义信息，得到目标语义信息集；对上述目标语义信息集中的每个目标语义信息进行检测处理以生成车辆误差信息，得到车辆误差信息集；基于上述车辆误差信息集，生成车辆误差评估信息集。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、拼接处理单元、插值处理单元、语义提取单元、坐标转换单元、分组处理单元、检测处理单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取当前车辆的测量位姿矩阵序列、定位位姿矩阵和点云数据集”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种车辆定位评估方法，包括：

获取当前车辆的测量位姿矩阵序列、定位位姿矩阵和点云数据集；

对所述点云数据集中的各个点云数据进行拼接处理，得到点云地图；

对所述测量位姿矩阵序列中的各个测量位姿矩阵进行插值处理，得到目标测量位姿矩阵；

基于所述目标测量位姿矩阵和所述定位位姿矩阵，对所述点云地图和预设的高精地图分别进行语义提取，得到点云地图语义信息集和高精地图语义信息集，其中，所述点云地图语义信息集中的点云地图语义信息包括：点云地图坐标，所述高精地图语义信息集中的高精地图语义信息包括：高精地图坐标；

基于所述目标测量位姿矩阵和所述定位位姿矩阵，对所述点云地图语义信息集中各个点云地图语义信息包括的点云地图坐标和所述高精地图语义信息集中各个高精地图语义信息包括的高精地图坐标分别进行坐标转换处理，得到目标点云地图语义信息集和目标高精地图语义信息集；

对所述目标点云地图语义信息集中的每个目标点云地图语义信息和所述目标高精地图语义信息集中的各个目标高精地图语义信息进行分组处理以生成目标语义信息，得到目标语义信息集；

对所述目标语义信息集中的每个目标语义信息进行检测处理以生成车辆误差信息，得到车辆误差信息集；

基于所述车辆误差信息集，生成车辆误差评估信息集。

2.根据权利要求1所述的方法，其中，所述方法还包括：

将所述车辆误差评估信息集发送至终端以供显示。

3.根据权利要求1所述的方法，其中，所述对所述点云数据集中的各个点云数据进行拼接处理，得到点云地图，包括：

对所述点云数据集中的各个点云数据进行矫正处理，得到目标点云数据集；

对所述目标点云数据集中的各个目标点云数据进行拼接，得到点云地图。

4.根据权利要求1所述的方法，其中，所述基于所述目标测量位姿矩阵和所述定位位姿矩阵，对所述点云地图和预设的高精地图分别进行语义提取，得到点云地图语义信息集和高精地图语义信息集，包括：

对所述点云地图进行语义识别，得到原始点云地图语义信息集；

基于所述目标测量位姿矩阵和所述原始点云地图语义信息集，对所述点云地图进行语义提取，得到点云地图语义信息集。

5.根据权利要求4所述的方法，其中，所述基于所述目标测量位姿矩阵和所述定位位姿矩阵，对所述点云地图和预设的高精地图分别进行语义提取，得到点云地图语义信息集和高精地图语义信息集，还包括：

对所述高精地图进行语义识别，得到原始高精地图语义信息集；

基于所述定位位姿矩阵和所述原始高精地图语义信息集，对所述高精地图进行语义提取，得到高精地图语义信息集。

6.根据权利要求1所述的方法，其中，所述对所述目标点云地图语义信息集中的每个目标点云地图语义信息和所述目标高精地图语义信息集中的各个目标高精地图语义信息进行分组处理以生成目标语义信息，包括：

将所述目标点云地图语义信息与所述目标高精地图语义信息集中的每个目标高精地图语义信息确定为待确认语义信息，得到待确认语义信息集；

对所述待确认语义信息集中的至少一个待确认语义信息进行提取处理，生成目标语义信息。

7.根据权利要求6所述的方法，其中，所述目标语义信息集中的每个目标语义信息包括：语义信息类型，所述语义信息类型包括：车道线类型、灯杆类型或路牌类型，所述目标点云地图语义信息集中的目标点云地图语义信息包括：点云类型数据集，所述目标高精地图语义信息集中的目标高精地图语义信息包括：高精类型数据集；以及

所述对所述目标语义信息集中的每个目标语义信息进行检测处理以生成车辆误差信息，包括：

响应于确定所述语义信息类型为车道线类型，执行以下步骤：

对所述目标语义信息对应的点云数据进行拟合处理，得到点云地图车道线曲线，其中，与所述目标语义信息对应的点云数据是所述目标语义信息包括的点云类型数据集；

对所述目标语义信息对应的轮廓点数据进行拟合处理，得到高精地图车道线曲线，其中，与所述目标语义信息对应的轮廓点数据是所述目标语义信息包括的高精类型数据集；

将所述当前车辆的质心点云地图坐标与所述点云地图车道线曲线相应位置点的坐标之间的距离确定为点云地图横向距离值，其中，所述质心点云地图坐标是所述目标测量位姿矩阵对应坐标系的原点坐标；

将所述当前车辆的质心高精地图坐标与所述高精地图车道线曲线相应位置点的坐标之间的距离确定为高精地图横向距离值，其中，所述质心高精地图坐标是所述定位位姿矩阵对应坐标系的原点坐标；

确定所述高精地图横向距离值和所述点云地图横向距离值的差值，得到横向距离误差值；

将所述当前车辆的点云行驶方向与所述点云地图车道线曲线相应位置点处的切线之间的夹角确定为点云地图车辆航向角度，其中，所述点云行驶方向是所述目标测量位姿矩阵对应坐标系中平行于地面指向车辆前方的坐标轴方向；

将所述当前车辆的定位行驶方向与所述高精地图车道线曲线相应位置点处的切线之间的夹角确定为高精地图车辆航向角度，其中，所述定位行驶方向是所述定位位姿矩阵对应坐标系中平行于地面指向车辆前方的坐标轴方向；

确定所述高精地图车辆航向角度和所述点云地图车辆航向角度的差值，得到偏航角度误差值。

8.根据权利要求7所述的方法，其中，所述对所述目标语义信息集中的每个目标语义信息进行检测处理以生成车辆误差信息，还包括：

响应于确定所述语义信息类型为灯杆类型或路牌类型，执行以下步骤：

对所述目标语义信息对应的点云数据进行中心提取，得到中心点云地图坐标；

对所述目标语义信息对应的轮廓点数据进行中心提取，得到中心高精地图坐标；

将所述质心点云地图坐标与所述中心点云地图坐标之间的距离确定为点云地图纵向距离值；

将所述质心高精地图坐标与所述中心高精地图坐标之间的距离确定为高精地图纵向距离值；

确定所述高精地图纵向距离值和所述点云地图纵向距离值的差值，得到纵向距离误差值；

将所述横向距离误差值、所述航向角度误差值或所述纵向距离误差值确定为车辆误差信息。

9.根据权利要求8所述的方法，其中，所述基于所述车辆误差信息集，生成车辆误差评估信息集，包括：

将所述车辆误差信息集中的各个车辆误差信息包括的横向距离误差值确定为横向距离误差信息集；

将所述车辆误差信息集中的各个车辆误差信息包括的纵向距离误差值确定为纵向距离误差信息集；

将所述车辆误差信息集中的各个车辆误差信息包括的偏航角度误差值确定为偏航角度误差信息集；

基于所述横向距离误差信息集、所述纵向距离误差信息集和所述偏航角度误差信息集，生成车辆误差评估信息集。

10.一种车辆定位评估的装置，包括：

获取单元，被配置成获取当前车辆的测量位姿矩阵序列、定位位姿矩阵和点云数据集；

拼接处理单元，被配置成对所述点云数据集中的各个点云数据进行拼接处理，得到点云地图；

插值处理单元，被配置成对所述测量位姿矩阵序列中的各个测量位姿矩阵进行插值处理，得到目标测量位姿矩阵；

语义提取单元，被配置成基于所述目标测量位姿矩阵和所述定位位姿矩阵，对所述点云地图和预设的高精地图分别进行语义提取，得到点云地图语义信息集和高精地图语义信息集，其中，所述点云地图语义信息集中的点云地图语义信息包括：点云地图坐标，所述高精地图语义信息集中的高精地图语义信息包括：高精地图坐标；

坐标转换单元，被配置成基于所述目标测量位姿矩阵和所述定位位姿矩阵，对所述点云地图语义信息集中各个点云地图语义信息包括的点云地图坐标和所述高精地图语义信息集中各个高精地图语义信息包括的高精地图坐标分别进行坐标转换处理，得到目标点云地图语义信息集和目标高精地图语义信息集；

分组处理单元，被配置成对所述目标点云地图语义信息集中的每个目标点云地图语义信息和所述目标高精地图语义信息集中的各个目标高精地图语义信息进行分组处理以生成目标语义信息，得到目标语义信息集；

检测处理单元，被配置成对所述目标语义信息集中的每个目标语义信息进行检测处理以生成车辆误差信息，得到车辆误差信息集；

生成单元，被配置成基于所述车辆误差信息集，生成车辆误差评估信息集。

Images