CN115014329A - 一种定位初始化方法及自动驾驶系统 - Google Patents

一种定位初始化方法及自动驾驶系统 Download PDF

Info

Publication number
CN115014329A
CN115014329A CN202210657795.8A CN202210657795A CN115014329A CN 115014329 A CN115014329 A CN 115014329A CN 202210657795 A CN202210657795 A CN 202210657795A CN 115014329 A CN115014329 A CN 115014329A
Authority
CN
China
Prior art keywords
vehicle
point cloud
cloud data
frame
precision map
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.)
Withdrawn
Application number
CN202210657795.8A
Other languages
English (en)
Inventor
张金凤
孔旗
王鹏飞
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.)
Jiuzhizhixing Beijing Technology Co ltd
Original Assignee
Jiuzhizhixing 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 Jiuzhizhixing Beijing Technology Co ltd filed Critical Jiuzhizhixing Beijing Technology Co ltd
Priority to CN202210657795.8A priority Critical patent/CN115014329A/zh
Publication of CN115014329A publication Critical patent/CN115014329A/zh
Withdrawn legal-status Critical Current

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
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/43—Determining position using carrier phase measurements, e.g. kinematic positioning; using long or short baseline interferometry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5018—Thread allocation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Navigation (AREA)

Abstract

本申请提供一种定位初始化方法及自动驾驶系统。所述方法包括：当车辆上电后，通过车辆上的定位系统获取车辆的初始位置；采集当前时刻所述车辆所处环境的至少一帧点云数据，根据预先构建的障碍物模型对所述至少一帧点云数据进行过滤，并得到过滤后的至少一帧点云数据；根据第一高精度地图和过滤后的至少一帧点云数据对车辆的初始位置进行修正以获得车辆的初始位姿。在本申请中，通过将至少一帧点云数据中的第一障碍物点云数据过滤掉，可以过滤掉环境中的大多数临时障碍物，然后对车辆的初始位置进行修正，以获得车辆的初始位姿，使得在保证定位初始化成功的同时，提高定位初始化算法的环境鲁棒性。

Description

一种定位初始化方法及自动驾驶系统
技术领域
本申请涉及自动驾驶技术领域，更具体地涉及一种定位初始化方法及自动驾驶系统。
背景技术
近年来，自动驾驶技术发展非常迅速，为提高自动驾驶环境鲁棒性发展的需求，快速、高精度、稳定的定位初始化至关重要。目前大多数公司的自动驾驶定位初始化需要在环境相对简单、相对空旷的区域且依赖高精度RTK GPS设备完成。即使采用多线激光雷达与高精度地图匹配SLAM方式实现定位初始化，也要求环境相对简单，当环境中有较多临时障碍物时，定位初始化成功率会降低。
因此，需要进行改进，以解决上述问题。
发明内容
为了解决上述问题中而提出了本申请。根据本申请一方面，提供了一种定位初始化方法，所述方法包括：
当车辆上电后，通过所述车辆上的定位系统获取所述车辆的初始位置；
采集当前时刻所述车辆所处环境的至少一帧点云数据，根据预先构建的障碍物模型对所述至少一帧点云数据进行过滤，并得到过滤后的至少一帧点云数据；
根据第一高精度地图和所述过滤后的至少一帧点云数据对所述车辆的所述初始位置进行修正，以获得所述车辆的初始位姿。
在本申请的一个实施例中，当车辆上电后，通过车辆上的定位系统获取所述车辆的初始位姿之前，所述方法还包括：
采集第二障碍物点云数据，根据所述第二障碍物点云数据，采用深度学习算法构建所述障碍物模型。
在本申请的一个实施例中，其中，所述第一高精度地图具有第一预设范围；
当车辆上电后，通过车辆上的定位系统获取所述车辆的初始位置之后，所述方法还包括：
根据所述初始位置获取第二预设范围内的第二高精度地图；
其中所述第二预设范围不小于所述第一预设范围。
在本申请的一个实施例中，根据第一高精度地图和所述过滤后的至少一帧点云数据对所述车辆的所述初始位置进行修正，以获得所述车辆的初始位姿，包括：
将所述至少一帧点云数据投影到二维坐标系，以获得投影数据；
根据所述第二高精度地图获取第一高精度地图；
将所述投影数据与所述第一高精度地图通过NDT算法进行匹配，以获得匹配结果。
在本申请的一个实施例中，根据所述第二高精度地图获取第一高精度地图，包括：
以所述初始位置为中心，按预设半径截取所述第二高精度地图，以得到所述第一高精度地图。
在本申请的一个实施例中，所述初始位置包括所述车辆位置处的经度和纬度。
在本申请的一个实施例中，其中，所述定位系统的定位误差小于预设误差。
在本申请的一个实施例中，所述定位系统包括GPS定位系统。
在本申请的一个实施例中，所述障碍物包括以下至少一种：车辆、行人、动物、房屋和植物。
根据本申请另一方面，提供一种自动驾驶系统，所述自动驾驶系统包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现上述的定位初始化方法；
其中，所述自动驾驶系统还包括用于采集车辆所处环境中的至少一帧点云数据的激光雷达。
根据本申请的定位初始化方法，通过获取车辆初始位置处的环境中至少一帧点云数据，并将至少一帧点云数据中的第一障碍物点云数据过滤掉，这样可以过滤掉环境中的大多数临时障碍物，再将过滤后的至少一帧点云数据与第一高精度地图匹配，以根据过滤后的至少一帧点云数据对车辆的初始位置进行修正，以获得车辆的初始位姿，使得在保证定位初始化成功的同时，提高定位初始化算法的环境鲁棒性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1示出根据本申请实施例的定位初始化方法的示意性流程图；
图2示出根据本申请实施例的自动驾驶系统的示意性框图。
具体实施方式
为了使得本申请的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请中描述的本申请实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本申请的保护范围之内。
自动驾驶领域现有定位初始化方式有高精度RTK GPS设备直接给出车辆的初始位姿，或者由GPS设备结合多线激光雷达与高精度地图匹配实现。其中高精度RTK GPS方式对环境要求比较严格，需要车辆处于相对空旷的环境中。GPS设备结合多线激光雷达与高精度地图匹配的方式要求环境中临时障碍物(例如，车辆、行人、其他临时堆积物品等)比较少，当环境中临时障碍物比较多时，容易导致定位初始化失败。
基于前述的技术问题，本申请提供了一种定位初始化方法，所述方法包括：当车辆上电后，通过所述车辆上的定位系统获取所述车辆的初始位置；采集当前时刻所述车辆所处环境的至少一帧点云数据，将所述至少一帧点云数据与预先构建的障碍物模型进行匹配，以根据匹配结果过滤所述至少一帧点云数据中的第一障碍物点云数据，并得到过滤后的至少一帧点云数据；根据第一高精度地图和所述过滤后的至少一帧点云数据对所述车辆的所述初始位置进行修正，以获得所述车辆的初始位姿。根据本申请的定位初始化方法，通过获取车辆初始位置处的环境中至少一帧点云数据，并将至少一帧点云数据中的第一障碍物点云数据过滤掉，这样可以过滤掉环境中的大多数临时障碍物再将过滤后的至少一帧点云数据与第一高精度地图匹配，以根据过滤后的至少一帧点云数据对车辆的初始位置进行修正，以获得车辆的初始位姿，使得在保证定位初始化成功的同时，提高定位初始化算法的环境鲁棒性。
下面结合附图来详细描述根据本申请实施例的定位初始化方法的方案。在不冲突的前提下，本申请的各个实施例的特征可以相互结合。
图1示出了根据本申请实施例的定位初始化方法的示意性流程图；结合图1，根据本申请实施例的定位初始化方法100可以包括：
S101，当车辆上电后，通过所述车辆上的定位系统获取所述车辆的初始位置。
其中，所述定位系统包括GPS定位系统(Global Positioning System，定位系统全球)。GPS定位系统是一种以人造地球卫星为基础的高精度无线电导航的定位系统，它在全球任何地方以及近地空间都能够提供准确的地理位置、车行速度及精确的时间信息。
当前，传统技术通常依赖高精度卫星定位(如GPS定位系统)或激光雷达，来实现自动驾驶车辆定位初始化。但在具体实施时，当卫星定位需要接收卫星信号时，由于卫星信号受到遮挡或干扰，定位无法正常工作；此外卫星定位还存在多路径效应，定位精度无法保证，导致定位初始化的结果置信度不高。而激光雷达定位利用点云确定当前时刻在已构建地图中的位置，当车辆周围比较空旷或实时采集的点云和已构建地图中点云有较大差异时，匹配定位误差比较大，会导致定位初始化失败。上述定位方式效果并理想。
本申请的技术方案首先利用GPS定位系统对车辆进行定位，以确定车辆的初始位置。然后再利用激光雷达系统对车辆的初始位置进行修正，以此实现准确的定位初始化。
其中，所述定位系统的定位误差小于预设误差。例如，误差小于50米。这是由于如果误差过大，则定位初始化的误差也会增大，因此为减小定位初始化的误差，要求定位系统的误差小于50米。
另外，在本实施例中，不要求GPS定位系统提供车辆的初始姿态，即航向角。GPS定位系统仅提供车辆的位置信息即可。
其中，所述初始位置包括所述车辆位置处的经度和纬度。
S102，采集当前时刻所述车辆所处环境的至少一帧点云数据，根据预先构建的障碍物模型对所述至少一帧点云数据进行过滤，并得到过滤后的至少一帧点云数据。
在一个实施例中，在所述车辆上可以设置有激光雷达，可以通过激光雷达获取车辆所处环境的点云数据。其中，激光雷达可以是单线激光雷达或多线激光雷达。在其他实施例中，也可以通过能生成点云数据的双目立体摄像头来获取点云数据，在此不再赘述。
在本申请的一个具体的实施例中，在车辆上设置采用多线激光雷达来采集点云数据。
在一个实施例中，可以仅获取一帧点云数据，由于车辆在上电后，开始移动之前，车辆处于静止状态，车辆所处环境中的房屋、树、电线杆等均为静止状态，因此，仅获取一帧点云数据可以用于识别周围的障碍物。
在一个实施例中，当车辆上电后，通过所述车辆上的定位系统获取所述车辆的初始位置之前，所述方法还包括：A1,采集第二障碍物点云数据，根据所述第二障碍物点云数据，采用深度学习算法构建所述障碍物模型。
本申请在具体实施时，当车辆在行驶过程中，可以积累多种障碍物(例如，车辆、行人等)的点云数据，然后将不断积累的点云数据，采用深度学习算法(深度学习算法的模型网络不限)进行训练，以得到障碍物模型，例如，车辆模型、行人模型、动物模型等。所构建的障碍物模型可以存储在本地，也可以在本地构建完成之后存储到云端。
在另一个实施例中，当车辆上电后，通过所述车辆上的定位系统获取所述车辆的初始位置之后，所述方法还包括：A2，根据所述初始位置获取第二预设范围内的第二高精度地图。
其中，所述第一高精度地图具有第一预设范围；所述第二预设范围不小于所述第一预设范围。
本申请中，车载地图模块可以向地图服务端请求获取第二精度地图。其中，第二高精度地图可以为，以车辆的初始位置为中心，半径为300米的范围的地图。其中，地图服务端可以来自于网络，例如，能够提供地图的网站或应用程序等。
S103，根据第一高精度地图和所述过滤后的至少一帧点云数据对所述车辆的所述初始位置进行修正，以获得所述车辆的初始位姿。
在一个实施例中，步骤S103具体包括：B1，将所述至少一帧点云数据投影到二维坐标系，以获得投影数据；B2，根据所述第二高精度地图获取第一高精度地图；B3，将所述投影数据与所述第一高精度地图通过NDT算法进行匹配，以获得匹配结果。
在一个实施例中，根据所述第二高精度地图获取第一高精度地图，包括：B4，以所述初始位置为中心，按预设半径截取所述第二高精度地图，以得到所述第一高精度地图。
例如，可以将获取的第二高精度地图存储在本地，然后从本地调用第二高精度地图，然后从中截取第一高精度地图。将第二高精度地图存储在本地，可以提高获取第一高精度地图的速度。其中，第一高精度地图可以是以初始位置为中心，半径例如可以为150米至200米的范围内的地图。
其中，高精度地图是实现无人驾驶大规模部署的必要技术之一。高精度地图也称自动驾驶地图、高分辨率地图，是一种面向自动驾驶汽车的新的地图数据范式。它一般由含有语义信息的车道模型、道路部件、道路属性三类矢量信息，以及用于多传感器定位的特征图层构成。
由于高精度地图包含了丰富的道路交通信息元素，跟普通的导航电子地图相比，高精度地图不仅能提供高精度的地理位置坐标，还能描述准确的道路形状、车道的数目、各车道的坡度、曲率、航向、侧倾等。这些丰富的信息和相关定位技术的结合可以确保自动驾驶的安全性和良好的乘坐体验。
一般的导航地图由于信息量比较小，可以离线存储在汽车上并给司机提供导航服务。与一般的导航地图不同，高精度地图所描述信息的丰富性决定了高精度地图需要占用比较大的存储空间(例如某公司用激光雷达扫描出的图经过标注后形成的高精度地图每英里需要占用大约1G字节的存储空间)。由于自动驾驶车辆上存储高精度地图的存储设备容量有限，覆盖一个较大区域的高精度地图无法在一般的自动驾驶汽车上被全部存储。
本申请首先获取占用存储空间较小的第二高精度地图，将第二高精度地图存储在本地，然后由第二高精度地图来截取第一高精度地图可以提高定位初始化的时间，减少延迟。
在传统技术中，定位是导航技术中非常重要的基础技术，在自动驾驶、仓储搬运、无人快递等领域都将有十分广阔的应用。现有的定位初始化方法有多种方式，其中使用激光雷达点云数据进行匹配是比较常见的方式，点云匹配数据一般采用NDT或ICP算法。
这里NDT算法(Normal Distributions Transform，正态分布变换算法)的原理是将激光雷达产生的目标点云和高精度点云地图信息转换为多维变量的正态分布，通过计算分布概率，若两者匹配度较高，则认为扫描点云和地图位姿相匹配。
而迭代最近点(Iterative ClosestPoint，ICP)算法本质上是基于最小二乘法的最优配准方法。该算法重复进行选择对应关系点对，计算最优刚体变换这一过程，直到满足正确配准的收敛精度要求。ICP是一个广泛使用的配准算法，主要目的就是找到旋转和平移参数，将两个不同坐标系下的点云，以其中一个点云坐标系为全局坐标系，另一个点云经过旋转和平移后两组点云重合部分完全重叠。
在一个具体的实施例中，采用NDT算法进行匹配。
下面介绍NDT算法的原理。
NDT算法的基本思想是先根据参考数据(reference scan)来构建多维变量的正态分布，如果变换参数能使得两幅激光数据匹配的很好，那么变换点在参考系中的概率密度将会很大。因此，可以考虑用优化的方法求出使得概率密度之和最大的变换参数，此时两幅激光点云数据将匹配的最好。
其中，NDT算法关键点包括：1、将二维空间划分为预设尺寸的网格，每个网格至少包括3个点(一般5个)；2、计算网格中点集的均值μ；3、计算网格中点集的协方差矩阵Σ；4、网格中的观测到点x的概率p(x)服从正态分布N(μ,Σ)。
NDT代码实现的基本思路如下：1、加载目标点云数据，例如以PCD文件的形式进行加载；2、加载需要配准的点云数据，例如以PCD文件的形式进行加载；3、去除二者周边的点云数据，例如用最近距离以及最低距离两个阈值进行挑选，类似于点云数据的裁剪；4、将输入的扫描过滤到原始点云数据的10％，这里主要使用体素滤波器，主要进行点云数据的下采样工作；5、初始化正态分布NDT对象；6、设置NDT的依赖参数以及迭代终止条件；7、设置NDT的初始化矩阵参数；8、将下采样后的点云数据与初始化矩阵进行相乘；9、得到NDT的标准正态分布与分数；10、使用创建的变换对未过滤的点云数据进行变换；11、保存转换后的输入点云数据；12、初始化点云数据的可视化界面；13、加载点云数据。
其中，位置数据包括车辆的位置数据和姿态数据。该位置数据包括车辆的地理位置坐标，该姿态数据包括车辆的俯仰角、横滚角和偏航角等。相应地，本申请中的初始位姿即指车辆在刚上电后的初始位置数据和姿态数据。
其中，所述障碍物包括以下至少一种：车辆、行人、动物、房屋和植物等，还可以包括其他障碍物，在此不做限定。
根据本申请的定位初始化方法，通过获取车辆初始位置处的环境中至少一帧点云数据，并将至少一帧点云数据中的第一障碍物点云数据过滤掉，这样可以过滤掉环境中的大多数临时障碍物，然后根据过滤后的至少一帧点云数据对车辆的初始位置进行修正，以获得车辆的初始位姿，使得在保证定位初始化成功的同时，提高定位初始化算法的环境鲁棒性。
下面结合图2对本申请的自动驾驶系统进行描述，其中，图2示出根据本申请实施例的自动驾驶系统的示意性框图。
如图2所示，所述自动驾驶系统200包括一个或多个存储器201和一个或多个处理器202。
存储器201和处理器202，所述存储器201上存储有由所述处理器202运行的计算机程序，所述计算机程序在被所述处理器202运行时，使得所述处理器202执行前文所述的定位初始化方法。
其中，所述自动驾驶系统200还包括用于采集车辆所处环境中的至少一帧点云数据的激光雷达203。
自动驾驶系统200可以是可以通过软件、硬件或者软硬件结合的方式实现定位初始化方法的部分或者全部。
如图2所示，自动驾驶系统200包括一个或多个存储器201、一个或多个处理器202、显示器(未示出)和通信接口等，这些组件通过总线系统和/或其它形式的连接机构(未示出)互连。应当注意，图2所示的自动驾驶系统200的组件和结构只是示例性的，而非限制性的，根据需要，自动驾驶系统200也可以具有其他组件和结构。
存储器201用于存储相关车辆运行过程中产生的各种数据和可执行程序指令，例如用于存储各种应用程序或实现各种具体功能的算法。可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
处理器202可以是中央处理单元(CPU)、图像处理单元(GPU)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以列车控制系统300中的其它组件以执行期望的功能。
在一个示例中，自动驾驶系统200还包括输出装置可以向外部(例如用户)输出各种信息(例如图像或声音)，并且可以包括显示装置、扬声器等中的一个或多个。
根据本申请的自动驾驶系统具有和前述的定位初始化方法相同的优点。
尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本申请的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本申请的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本申请的范围之内。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本申请的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的一些模块的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述，仅为本申请的具体实施方式或对具体实施方式的说明，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种定位初始化方法，其特征在于，所述方法包括：
当车辆上电后，通过所述车辆上的定位系统获取所述车辆的初始位置；
采集当前时刻所述车辆所处环境的至少一帧点云数据，根据预先构建的障碍物模型对所述至少一帧点云数据进行过滤，并得到过滤后的至少一帧点云数据；
根据第一高精度地图和所述过滤后的至少一帧点云数据对所述车辆的所述初始位置进行修正，以获得所述车辆的初始位姿。
2.如权利要求1所述的定位初始化方法，其特征在于，当车辆上电后，通过车辆上的定位系统获取所述车辆的初始位姿之前，所述方法还包括：
采集第二障碍物点云数据，根据所述第二障碍物点云数据，采用深度学习算法构建所述障碍物模型。
3.如权利要求1所述的定位初始化方法，其特征在于，其中，所述第一高精度地图具有第一预设范围；
当车辆上电后，通过车辆上的定位系统获取所述车辆的初始位置之后，所述方法还包括：
根据所述初始位置获取第二预设范围内的第二高精度地图；
其中所述第二预设范围不小于所述第一预设范围。
4.如权利要求3所述的定位初始化方法，其特征在于，根据第一高精度地图和所述过滤后的至少一帧点云数据对所述车辆的所述初始位置进行修正，以获得所述车辆的初始位姿，包括：
将所述至少一帧点云数据投影到二维坐标系，以获得投影数据；
根据所述第二高精度地图获取第一高精度地图；
将所述投影数据与所述第一高精度地图通过NDT算法进行匹配，以获得匹配结果。
5.如权利要求4所述的定位初始化方法，其特征在于，根据所述第二高精度地图获取第一高精度地图，包括：
以所述初始位置为中心，按预设半径截取所述第二高精度地图，以得到所述第一高精度地图。
6.如权利要求1所述的定位初始化方法，其特征在于，所述初始位置包括所述车辆位置处的经度和纬度。
7.如权利要求1所述的定位初始化方法，其特征在于，其中，所述定位系统的定位误差小于预设误差。
8.如权利要求1所述的定位初始化方法，其特征在于，所述定位系统包括GPS定位系统。
9.如权利要求1所述的定位初始化方法，其特征在于，所述障碍物包括以下至少一种：车辆、行人、动物、房屋和植物。
10.一种自动驾驶系统，其特征在于，所述自动驾驶系统包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现权利要求1至权利要求9任一所述的定位初始化方法；
其中，所述自动驾驶系统还包括用于采集车辆所处环境中的至少一帧点云数据的激光雷达。
CN202210657795.8A 2022-06-10 2022-06-10 一种定位初始化方法及自动驾驶系统 Withdrawn CN115014329A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210657795.8A CN115014329A (zh) 2022-06-10 2022-06-10 一种定位初始化方法及自动驾驶系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210657795.8A CN115014329A (zh) 2022-06-10 2022-06-10 一种定位初始化方法及自动驾驶系统

Publications (1)

Publication Number Publication Date
CN115014329A true CN115014329A (zh) 2022-09-06

Family

ID=83075708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210657795.8A Withdrawn CN115014329A (zh) 2022-06-10 2022-06-10 一种定位初始化方法及自动驾驶系统

Country Status (1)

Country Link
CN (1) CN115014329A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116772894A (zh) * 2023-08-23 2023-09-19 小米汽车科技有限公司 定位初始化方法、装置、电子设备、车辆和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116772894A (zh) * 2023-08-23 2023-09-19 小米汽车科技有限公司 定位初始化方法、装置、电子设备、车辆和存储介质
CN116772894B (zh) * 2023-08-23 2023-11-14 小米汽车科技有限公司 定位初始化方法、装置、电子设备、车辆和存储介质

Similar Documents

Publication Publication Date Title
CN108763287B (zh) 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法
CN109214248B (zh) 用于识别无人驾驶车辆的激光点云数据的方法和装置
CN110954113B (zh) 一种车辆位姿的修正方法和装置
AU2022275479A1 (en) Computer vision systems and methods for detecting and modeling features of structures in images
US9576200B2 (en) Background map format for autonomous driving
CN113341397A (zh) 反射值地图构建方法和装置
US20220197301A1 (en) Vehicle Localization Based on Radar Detections
CN112414417B (zh) 自动驾驶地图生成方法、装置、电子设备及可读存储介质
CN114485698B (zh) 一种交叉路口引导线生成方法及系统
CN114485619A (zh) 基于空地协同的多机器人定位和导航方法及装置
CN113238251B (zh) 一种基于车载激光雷达的目标级语义定位方法
WO2024012211A1 (zh) 自动驾驶环境感知方法、介质及车辆
CN117576652B (zh) 道路对象的识别方法、装置和存储介质及电子设备
CN114127738A (zh) 自动地图制作和定位
CN116997771A (zh) 车辆及其定位方法、装置、设备、计算机可读存储介质
CN115273027A (zh) 环境感知方法、域控制器、存储介质及车辆
CN115014329A (zh) 一种定位初始化方法及自动驾驶系统
CN117671013B (zh) 点云定位方法、智能设备及计算机可读存储介质
CN114419573A (zh) 动态占据栅格估计方法及装置
CN114341939A (zh) 作为数据增强方法的真实世界图像道路曲率生成
CN117031456A (zh) 基于车库中的雷达检测的交通工具定位
KR102130687B1 (ko) 다중 센서 플랫폼 간 정보 융합을 위한 시스템
CN113505725A (zh) 一种无人驾驶中二维体素级别的多传感器语义融合方法
CN112241016A (zh) 一种泊车地图地理坐标的确定方法和装置
CN118050010B (zh) 车辆的定位方法、装置、车辆、存储介质和程序产品

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220906