CN115063769A - 车道定位方法、装置、设备及自动驾驶车辆 - Google Patents

Abstract

本公开提供了一种车道定位方法、装置、设备及自动驾驶车辆，涉及人工智能领域，尤其涉及自动驾驶、智能交通等技术领域。具体实现方案为：接收路侧单元广播的地图消息集；从地图消息集中获取当前路段的车道宽度；通过自动驾驶车辆的感知测距技术测量自动驾驶车辆的一侧边缘与同侧道路边界之间的第一感知距离；基于车道宽度、第一感知距离和自动驾驶车辆的宽度，确定自动驾驶车辆所在的车道。可以在无定位信号的情况下，准确定位车道。

Description

车道定位方法、装置、设备及自动驾驶车辆

技术领域

本公开涉及人工智能领域，尤其涉及自动驾驶、智能交通等技术领域。

背景技术

自动驾驶车辆在行驶过程中，可以实时获取自身位置和道路信息，从而进行自动驾驶决策。

发明内容

本公开提供了一种车道定位方法、装置、设备及自动驾驶车辆。

根据本公开的第一方面，提供了一种车道定位方法，包括：

接收路侧单元广播的地图消息集；

从所述地图消息集中获取当前路段的车道宽度；

通过自动驾驶车辆的感知测距技术测量所述自动驾驶车辆的一侧边缘与同侧道路边界之间的第一感知距离；

基于所述车道宽度、所述第一感知距离和所述自动驾驶车辆的宽度，确定所述自动驾驶车辆所在的车道。

根据本公开的第二方面，提供了一种车道定位装置，包括：

接收模块，用于接收路侧单元广播的地图消息集；

获取模块，用于从所述地图消息集中获取当前路段的车道宽度；

测量模块，用于通过自动驾驶车辆的感知测距技术测量所述自动驾驶车辆的一侧边缘与同侧道路边界之间的第一感知距离；

确定模块，用于基于所述车道宽度、所述第一感知距离和所述自动驾驶车辆的宽度，确定所述自动驾驶车辆所在的车道。

根据本公开的第三方面，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上述第一方面所述的方法。

根据本公开的第四方面，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，其中，所述计算机指令用于使所述计算机执行上述第一方面所述的方法。

根据本公开的第五方面，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上述第一方面所述的方法。

根据本公开的第六方面，提供了一种自动驾驶车辆，包括如第三方面所述的电子设备，其中所述电子设备中的处理器能够执行上述第一方面所述的方法。

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是本公开实施例提供的地图消息集组成示意图；

图2是本公开实施例提供的一种车道定位方法的流程示意图；

图3是本公开实施例提供的一种路侧单元广播地图消息集的场景示意图；

图4是本公开实施例提供的另一种车道定位方法的流程示意图；

图5是本公开实施例提供的一种车道定位方法的示例性示意图；

图6是本公开实施例提供的另一种车道定位方法的示例性示意图；

图7是本公开实施例提供的一种车道定位装置的结构示意图；

图8是用来实现本公开实施例的车道定位方法的电子设备的框图。

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。

自动驾驶车辆在行驶过程中，可以依靠全球导航卫星系统(Global NavigationSatellite System，GNSS)获取车辆的实时地理位置，结合高精度地图，确定自动驾驶车辆所在车道，以便于进行自动驾驶决策。但是因场景遮挡等因素，比如自动驾驶车辆在隧道中行驶时，可能会出现无法获取GNSS信号或者GNSS信号较弱的情况，导致无法定位或者定位精度较差，无法确定自动驾驶车辆所在的车道。另外，在无法获取高精度地图的情况下，也无法确定自动驾驶车辆所在的车道。

目前在无GNSS定位信号的情况下，可以根据自动驾驶车辆的车载惯性导航系统实时预测车辆位置。

惯性导航是指从一已知点的位置，根据连续测量得到的运动物体航向角和速度，推算出下一点的位置，从而可以连续测出自动驾驶车辆的位置。在惯性导航系统中，可以通过陀螺仪形成一个导航坐标系，利用陀螺仪可以测量出自动驾驶车辆的行驶方向和姿态角。加速度计的测量轴稳定在导航坐标系中，用于测量自动驾驶车辆的加速度，根据加速度对时间进行一次积分可以得到自动驾驶车辆的速度，再基于速度对时间进行一次积分可以得到位移。

然而，惯性导航系统是通过对时间积分的方式进行定位，定位误差会随着时间的增大而增大，定位精度较差，且由于惯性导航存在漂移率，会默认车辆按照原有方向行驶，在道路存在弯曲等情况下，惯性导航系统无法根据道路弯曲的情况进行预测，导致惯性导航系统的预测的自动驾驶车辆位置存在较大误差，进而无法准确定位自动驾驶车辆所在车道。

为了便于理解本公开实施例，下面对本公开实施例中涉及到的概念进行说明。

车路协同是自动驾驶和智能交通领域的未来发展趋势，通过车辆、路侧单元和云控平台之间相互配合，进行协同感知、协同计算和协同决策控制，可以实现道路基础设施和交通管理的数字化和智能化，可以构建深度融合、高度协同、安全高效的一体化系统。

车路协同技术中的地图(MAP)消息集由路侧基础设施进行广播，从而向自动驾驶车辆传递局部区域的地图信息。地图消息集包括包括局部区域的路口信息、路段信息、车道信息和道路之间的连接关系等。单个地图消息可以包括多个路口或多个区域的地图数据。

如图1所示，图1为本公开实施例提供的MAP消息集的主体结构示意图。MAP消息集具体包括以下字段：

timeStamp(时间戳)，为地图消息集的时间戳。

msgCount(消息编号)，为地图消息集的编号。

nodes(节点)，是指地图节点。节点是地图的最基本组成部分，可以是交叉路口，也可以是一个路段的端点。两个相邻且有上下游关系的节点可以标识一条有向路段。一个节点的地图消息集中包含的路段信息指示的路段，均将该节点作为下游端点。

其中，nodes中包括Seq of Node(地图节点列表)，每个node的信息具体包括以下字段：

name(名称)，指节点名称；

id，指节点的id，节点id由一个全局唯一的地区ID和一个地区内部唯一的ID组成；

refPos(3D)(参考位置)，为节点的位置信息，单位是10的负七次方度，该点应尽量选取在接近路口中心的位置。

inLinks(路段)，从一个节点到相邻另一个节点的道路称为一个有向路段。

其中，inLinks中包括Seq of Link(路段列表)，每个路段的信息具体包括以下字段：

name(名称)，为路段的名称；

upstreamNodeId(上游节点id)，表示路段的上游节点ID；

speedLimits(速度限制)，表示路段的限速信息；

LinkWidth(路段宽度)，表示两个节点之间连接的路段的宽度，单位厘米；

Lanes(车道)，表示路段包括的车道；

Points(位置点)，为拟合该路段中心线的位置点列表；

Movements(移动参数)，描述路段与下游路段的连接关系，以及该连接对应的本地路口处信号灯相位ID。

其中，Movements包括Seq of Movement(移动参数列表)，每个Movement的信息具体包括以下字段：

remoteIntersection(远端交叉路口)，表示下游路段出口节点；

phaseId(相位ID)，表示信号灯相位ID。

lanes包括Seq of Lane(车道列表)，每个lane的信息具体包括以下字段：

laneWidth(车道宽度)，表示该车道的宽度；

laneID(车道ID)，每一条有向路段上的每个车道，都拥有一个单独的ID，数值0表示无效ID；

laneAttributes(车道属性)，包括车道共享情况以及车道本身所属的类别特性。包含shareWith(共享属性)和laneType(车道类型)两个属性；

Maneuvers(机动)，用于定义一个(机动车)车道的允许转向行为；

connectsTo(连接关系)，定义路段中每条车道，在下游路口处与下游路段中车道的转向连接关系列表；

Points(位置点)，表示拟合车道中心线的位置点列表，列表中所有位置点按上游至下游顺序排列。Points包括Seq of RoadPoint(道路位置点列表)，每个point的信息具体包括posOffset，posOffset表示位置偏移；

speedLimits(速度限制)，表示车道上的限速信息。

其中，connectsTo包括Seq of Connection(连接关系列表)，每个Connection的信息具体包括以下字段：

remoteIntersection(远端交叉路口)，表示下游路段出口节点；

connectingLane(连接车道)，用于定位上游车道转向连接的下游车道。包括下游车道ID以及该转向的允许行驶行为，下游车道ID的作用范围是该车道所在的路段；

phaseId(相位ID)，表示信号灯相位ID。

关于MAP消息集的具体字段定义可参考V2X标准协议的规定，本公开实施例中不再详细描述。

为了解决上述技术问题，本公开实施例提供了一种车道定位方法，该方法应用于自动驾驶车辆，如图2所示，该方法包括：

S201、接收路侧单元广播的地图消息集。

本公开实施例中，路侧单元(Road Side Unit，RSU)为设置在道路旁的基础设施，RSU可以广播地图消息集，行驶在RSU广播范围内的自动驾驶车辆可以接收到地图消息集。

如图3所示，图3为本公开实施例提供的一种RSU广播地图消息集的示意图，图中1、2、3、4、5、6为路口编号，L1、L1'、L2、L3、L4、L5和L6为路段编号。RSU被设置在路段L2旁，P点为RSU在路段L2上的投影点，RSU的广播范围为覆盖起点S1至覆盖终点E1之间的路段，以及覆盖起点S2至覆盖终点E2之间的路段，行驶在该范围内的自动驾驶车辆可以接收到RSU广播的地图消息集。其中，覆盖起点S1至投影点P之间的距离d1为RSU的投影点P的上游道路距离，投影点P至覆盖终点E1之间的距离d2为RSU的投影点P的下游道路距离。

上述RSU广播的地图消息集可以包括多个区域的道路信息。

S202、从地图消息集中获取当前路段的车道宽度。

S203、通过自动驾驶车辆的感知测距技术测量自动驾驶车辆的一侧边缘与同侧道路边界之间的第一感知距离。

可选地，可以测量自动驾驶车辆的左侧边缘与道路的左侧边界之间的第一感知距离；或者，也可以测量自动驾驶车辆的右侧边缘与道路的右侧边界之间的第一感知距离。

一种实现方式中，可以通过感知测距技术识别道路边界，然后测量车辆一侧边缘至同侧道路边界的第一感知距离。

其中，自动驾驶车辆上可以安装有摄像机、激光雷达和毫米波雷达等测距设备。

例如，自动驾驶车辆可以通过自身安装的激光雷达向道路边界发送光信号，根据道路边界反射的光信号计算第一感知距离。

再例如，自动驾驶车辆可以通过自身安装的毫米波雷达向道路边界发射电磁波，利用道路边界反射回的电磁波，进行放大与信号解析计算，可以计算出第一感知距离。

或者，自动驾驶车辆还可以基于摄像机拍摄到的画面和激光雷达采集到的点云协同计算第一感知距离。

需要说明的是，各自动驾驶车辆所采用的感知测距技术可以不同，相应地，所安装的测距设备也不同，本公开实施例对此不作限制。

S204、基于车道宽度、第一感知距离和自动驾驶车辆的宽度，确定自动驾驶车辆所在的车道。

其中，自动驾驶车辆的宽度可以预先测量并被保存在自动驾驶车辆中。

在确定自动驾驶车辆所在的车道后，可以基于该车道进行自动驾驶的决策。

采用本公开实施例，自动驾驶车辆可以从路侧单元广播的地图消息集中获取当前路段的车道宽度，还可以通过感知测距技术测量自动驾驶车辆的一侧边缘与同侧道路边界之间的第一感知距离，进而，根据车道宽度、第一感知距离和自动驾驶车辆宽度，可以确定自动驾驶车辆所在车道。可见，上述过程中无需使用定位信号和高精度地图进行定位，可以实现在无定位信号或无高精度地图的情况下，准确定位自动驾驶车辆所在车道。

此外，若利用惯性导航系统进行定位，需要基于定位信号消失前的定位信息，进行初始对准计算，以确定车辆的行驶方向和加速度等信息，需要较长的初始对准时间，而本公开无需进行初始对准操作，也不需要额外安装惯性导航系统，无需花费昂贵的设备费用，可以节约时间成本和经济成本。并且，相比于惯性导航系统通过积分运算产生的误差，和由于固定漂移率产生的运动误差，本公开实施例中无需进行积分运算，且是根据地图消息集中的信息定义车道，不受固定漂移率的影响，定位误差不会随时间增大，可以提高定位精度，从而更准确地辅助驾驶决策。

结合图1所示的MAP消息集的示意图，在上述S202中，自动驾驶车辆可以从地图消息集的路段Link字段中，获取车道宽度LaneWidth字段的值，从而得到当前路段的车道宽度。如此，在无GNSS定位信号的情况下，也可以获取定位车道所需的参数，使得自动驾驶车辆可以在无GNSS定位信号的情况下，准确定位车道。

在本公开另一实施例中，如图4所示，上述S204、基于车道宽度、第一感知距离和自动驾驶车辆的宽度，确定自动驾驶车辆所在的车道，具体可以实现为：

S2041、基于第一感知距离和车道宽度，计算自动驾驶车辆的一侧边缘所在的第一车道。

该步骤具体可以实现为：通过以下公式计算自动驾驶车辆的一侧边缘所在的第一车道：

若M₁＞0，则将k的取值加1，即k＝k+1，直至M₁≤0时，确定x＝k。

其中，x为第一车道的序号，D为第一感知距离，k的初始取值为1，k小于等于当前路段的车道总数，i表示车道数。

车道总数为路段宽度与车道宽度的比值。

例如，如图5所示，图5为本公开实施例提供的一种车道定位方法的示例性示意图；图5中，自动驾驶车辆行驶的路段上共有4个车道，车道序号为1、2、3和4，每一车道的宽度lw为3.5m，第一感知距离D为3.8m。

k初始取值为1，

即M₁＞0，则说明图5中的第一感知距离D大于1个车道的宽度，车辆的一侧边缘不在图5中序号为1的车道内。

进而将k的取值加1，以判断车道一侧的边缘是否在图5中序号为2的车道内。即k＝k+1＝2，

M₁<0，则说明图5中的第一感知距离D小于图5中序号为1和序号为2的车道的宽度之和，车辆的一侧边缘位于序号为2的车道内，所以x＝k＝2。

通过以上公式可以计算出车辆一侧边缘所在的第一车道的序号为2。

需要说明的是，本公开实施例中的车道的序号为从上述S203中道路边界的一侧开始进行编号得到的序号，例如，第一感知距离为道路左侧边界与车辆左侧边缘的距离，则计算得到的第一车道的序号为从道路左侧边界开始对车道编号得到的序号。比如，第一车道的序号为2，则第一车道为从道路左侧边界开始的第2个车道。

S2042、将第一感知距离与自动驾驶车辆的宽度相加，得到自动驾驶车辆的另一侧边缘与道路边界之间的第二感知距离。

如图5所示，第二感知距离为第一感知距离D+车辆宽度W_AV，即图5中车辆右侧边缘至左侧道路边界之间的距离。

S2043、基于第二感知距离和车道宽度，计算自动驾驶车辆的另一侧边缘所在的第二车道。

S2043具体可以实现为：根据以下公式计算自动驾驶车辆的另一侧边缘所在的第二车道：

若M₂＞0，则将j的取值加1，即，j＝j+1，直到M₂≤0时，确定y＝j；

其中，y为第二车道的序号；W_AV为自动驾驶车辆的宽度，D+W_AV为第二感知距离，j初始取值为x。

延续S2041中的例子，在S2041中，计算得到的x＝2，所以本步骤中j的初始取值为2，假设图5中自动驾驶车辆的宽度W_AV＝2m，则

M₂<0，说明图5中第二感知距离小于序号为1和序号为2的车道宽度之和，车辆另一侧边缘位于序号为2的车道内，所以y＝2。

通过上述公式可以计算出自动驾驶车辆另一侧边缘所在的第二车道的序号为2。

S2044、若第一车道和第二车道为同一车道，则确定自动驾驶车辆位于第一车道。

延续S2041和S2043中的例子，由于第一车道和第二车道的序号均为2，所以可以确定自动驾驶车辆位于序号为2的车道上。

S2045、若第一车道和第二车道为不同车道，则确定自动驾驶车辆一侧位于第一车道，另一侧位于第二车道。

本公开实施例中，当第一车道和第二车道的序号不同时，则可以说明第一车道和第二车道为不同的车道。

如图6所示，图6为本公开实施例提供的另一种车道定位方法的示例性示意图，图6中车辆一侧所在第一车道的序号为2，另一侧所在第二车道的序号为3，则此时第一车道和第二车道为不同的车道，确定自动驾驶车辆一侧位于第一车道，另一侧位于第二车道，即自动驾驶车辆压线行驶。

采用本公开实施例，可以分别计算车辆的两个边缘所在的车道，进而确定车辆实际所处的车道，在车辆压线形式的情况下，通过本公开实施例的方法也可以准确计算出车辆的两侧分别位于哪一车道，实现了在无定位信号和无高精度地图情况下的准确定位。

另外，本公开实施例中，可以基于第一感知距离与车道宽度的差值，准确计算出车辆一侧边缘所处的车道，并基于第二感知距离与车道宽度的差值，准确计算出车辆另一侧边缘所处的车道，相比于通过积分的方式进行定位，本公开实施例计算过程产生的误差更小，可以提高车道定位的准确性。

可以理解的是，本公开实施例中，路段宽度LW、车辆一侧与道路一侧边界距离D1、车辆另一侧与道路另一侧边界距离D2、车辆宽度W_AV、测量误差δ、车道宽度lw和车道数为n之间，满足以下公式：

基于上述公式的原理，本公开实施例中还可以通过计算第一感知距离D1与车道宽度的比值，对计算得到的比值进行向上取整，得到车辆的一侧边缘所处的车道。并且，还可以测量或计算车辆另一侧边缘与另一侧道路边界之间的距离D2，计算D2与车道宽度的比值，对计算得到的比值进行向上取取整，得到车辆的另一侧边缘所处的车道。

例如，在图5中，第一感知距离D1＝3.8m，车道宽度lw＝3.5m，D/lw＝3.8/3.5，向上取整之后为2，即车辆左侧边缘位于从左侧道路边界开始的第2个车道中。

基于上述公式，在不考虑测量误差的情况下，可以确定车辆右侧边缘与右侧道路边界之间的距离为D2＝LW-D1-W_AV＝14-3.8-2＝8.2，D2/lw＝8.2/3.5＝2.3，向上取整之后为3，即车辆位于从右侧道路边界开始的第3个车道中。

因该路段一共有4个车道，则可确定左侧道路边界开始的第2个车道，与右侧道路边界开始的第3个车道为同一车道，则可确定车辆位于该车道中。因测量误差远小于一个车道的宽度，所以在不考虑测量误差的情况下，也可以准确地对车道进行定位。

在本公开另一实施例中，在定位信号没有被遮挡的情况下，自动驾驶车辆可以实时获取GNSS定位信号，并根据GNSS定位信号确定自动驾驶车辆所在的车道；当无法获取到GNSS定位信号时，执行从地图消息集中获取当前路段的车道宽度的步骤，即执行图2所示的方法流程。若后续GNSS定位信号恢复，则可切换回通过GNSS定位信号进行定位的方法。如此，自动驾驶车辆在无定位信号时，通过地图消息集获取车道宽度，计算自动驾驶车辆所在车道，可以提高车道定位准确度。

基于相同的发明构思，本公开实施例还提供了一种车道定位装置，该装置应用于自动驾驶车辆，如图7所示，该装置包括：

接收模块701，用于接收路侧单元广播的地图消息集；

获取模块702，用于从地图消息集中获取当前路段的车道宽度；

测量模块703，用于通过自动驾驶车辆的感知测距技术测量自动驾驶车辆的一侧边缘与同侧道路边界之间的第一感知距离；

确定模块704，用于基于车道宽度、第一感知距离和自动驾驶车辆的宽度，确定自动驾驶车辆所在的车道。

可选的，确定模块704，具体用于：

基于第一感知距离和车道宽度，计算自动驾驶车辆的一侧边缘所在的第一车道；

将第一感知距离与自动驾驶车辆的宽度相加，得到自动驾驶车辆的另一侧边缘与道路边界之间的第二感知距离；

基于第二感知距离和车道宽度，计算自动驾驶车辆的另一侧边缘所在的第二车道；

若第一车道和第二车道为同一车道，则确定自动驾驶车辆位于第一车道；

若第一车道和第二车道为不同车道，则确定自动驾驶车辆一侧位于第一车道，另一侧位于第二车道。

可选的，确定模块704，具体用于：

通过以下公式计算自动驾驶车辆的一侧边缘所在的第一车道：

若M₁＞0，则将k的取值加1，直至M₁≤0时，确定x＝k；

其中，x为所述第一车道的序号，D为所述第一感知距离，k的初始取值为1，k小于等于当前路段的车道总数，i表示车道数；

根据以下公式计算自动驾驶车辆的另一侧边缘所在的第二车道；

若M₂＞0，则将j的取值加1，直到M₂≤0时，确定y＝j；

其中，y为所述第二车道的序号；W_AV为所述自动驾驶车辆的宽度，D+W_AV为所述第二感知距离，j初始取值为x。

可选的，获取模块702，还用于：

实时获取GNSS定位信号，并根据GNSS定位信号确定自动驾驶车辆所在的车道；

当无法获取到GNSS定位信号时，执行从地图消息集中获取当前路段的车道宽度的步骤。

可选的，获取模块702，具体用于：

从地图消息集的路段Link字段中，获取车道宽度LaneWidth字段的值。

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，均符合相关法律法规的规定，且不违背公序良俗。

需要说明的是，本实施例中的地图消息集来自于公开数据集。

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8示出了可以用来实施本公开的实施例的示例电子设备800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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801执行上文所描述的各个方法和处理，例如车道定位方法。例如，在一些实施例中，车道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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的车道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801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行车道定位方法。

本公开实施例还提供一种自动驾驶车辆，包括上述电子设备，电子设备的处理器能够执行上述方法实施例中的方法步骤。

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)、复杂可编程逻辑设备(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 (14)

1.一种车道定位方法，包括：

接收路侧单元广播的地图消息集；

从所述地图消息集中获取当前路段的车道宽度；

通过自动驾驶车辆的感知测距技术测量所述自动驾驶车辆的一侧边缘与同侧道路边界之间的第一感知距离；

基于所述车道宽度、所述第一感知距离和所述自动驾驶车辆的宽度，确定所述自动驾驶车辆所在的车道。

2.根据权利要求1所述的方法，其中，所述基于所述车道宽度、所述第一感知距离和所述自动驾驶车辆的宽度，确定所述自动驾驶车辆所在的车道，包括：

基于所述第一感知距离和所述车道宽度，计算所述自动驾驶车辆的一侧边缘所在的第一车道；

将所述第一感知距离与所述自动驾驶车辆的宽度相加，得到所述自动驾驶车辆的另一侧边缘与所述道路边界之间的第二感知距离；

基于所述第二感知距离和所述车道宽度，计算所述自动驾驶车辆的另一侧边缘所在的第二车道；

若所述第一车道和所述第二车道为同一车道，则确定所述自动驾驶车辆位于所述第一车道；

若所述第一车道和所述第二车道为不同车道，则确定所述自动驾驶车辆一侧位于所述第一车道，另一侧位于所述第二车道。

3.根据权利要求2所述的方法，其中，所述基于所述第一感知距离和所述车道宽度，计算所述自动驾驶车辆的一侧边缘所在的第一车道，包括：

通过以下公式计算所述自动驾驶车辆的一侧边缘所在的第一车道：

若M₁＞0，则将k的取值加1，直至M₁≤0时，确定x＝k；

其中，x为所述第一车道的序号，D为所述第一感知距离，k的初始取值为1，k小于等于当前路段的车道总数，i表示车道数；

所述基于所述第二感知距离和所述车道宽度，计算所述自动驾驶车辆的另一侧边缘所在的第二车道，包括：

根据以下公式计算所述自动驾驶车辆的另一侧边缘所在的第二车道：

若M₂＞0，则将j的取值加1，直到M₂≤0时，确定y＝j；

其中，y为所述第二车道的序号；W_AV为所述自动驾驶车辆的宽度，D+W_AV为所述第二感知距离，j初始取值为x。

4.根据权利要求1所述的方法，所述方法还包括：

实时获取GNSS定位信号，并根据所述GNSS定位信号确定所述自动驾驶车辆所在的车道；

当无法获取到GNSS定位信号时，执行从所述地图消息集中获取当前路段的车道宽度的步骤。

5.根据权利要求1所述的方法，其中，所述从所述地图消息集中获取当前路段的车道宽度，包括：

从所述地图消息集的路段Link字段中，获取车道宽度LaneWidth字段的值。

6.一种车道定位装置，包括：

接收模块，用于接收路侧单元广播的地图消息集；

获取模块，用于从所述地图消息集中获取当前路段的车道宽度；

测量模块，用于通过自动驾驶车辆的感知测距技术测量所述自动驾驶车辆的一侧边缘与同侧道路边界之间的第一感知距离；

确定模块，用于基于所述车道宽度、所述第一感知距离和所述自动驾驶车辆的宽度，确定所述自动驾驶车辆所在的车道。

7.根据权利要求6所述的装置，其中，所述确定模块，具体用于：

基于所述第一感知距离和所述车道宽度，计算所述自动驾驶车辆的一侧边缘所在的第一车道；

将所述第一感知距离与所述自动驾驶车辆的宽度相加，得到所述自动驾驶车辆的另一侧边缘与所述道路边界之间的第二感知距离；

基于所述第二感知距离和所述车道宽度，计算所述自动驾驶车辆的另一侧边缘所在的第二车道；

若所述第一车道和所述第二车道为同一车道，则确定所述自动驾驶车辆位于所述第一车道；

若所述第一车道和所述第二车道为不同车道，则确定所述自动驾驶车辆一侧位于所述第一车道，另一侧位于所述第二车道。

8.根据权利要求7所述的装置，其中，所述确定模块，具体用于：

通过以下公式计算所述自动驾驶车辆的一侧边缘所在的第一车道：

若M₁＞0，则将k的取值加1，直至M₁≤0时，确定x＝k；

其中，x为所述第一车道的序号，D为所述第一感知距离，k的初始取值为1，k小于等于当前路段的车道总数，i表示车道数；

所述基于所述第二感知距离和所述车道宽度，计算所述自动驾驶车辆的另一侧边缘所在的第二车道，包括：

根据以下公式计算所述自动驾驶车辆的另一侧边缘所在的第二车道：

若M₂＞0，则将j的取值加1，直到M₂≤0时，确定y＝j；

其中，y为所述第二车道的序号；W_AV为所述自动驾驶车辆的宽度，D+W_AV为所述第二感知距离，j初始取值为x。

9.根据权利要求6所述的装置，所述获取模块，还用于：

实时获取GNSS定位信号，并根据所述GNSS定位信号确定所述自动驾驶车辆所在的车道；

当无法获取到GNSS定位信号时，执行从所述地图消息集中获取当前路段的车道宽度的步骤。

10.根据权利要求6所述的装置，其中，所述获取模块，具体用于：

从所述地图消息集的路段Link字段中，获取车道宽度LaneWidth字段的值。

11.一种电子设备，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1-5中任一项所述的方法。

12.一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1-5中任一项所述的方法。

13.一种计算机程序产品，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1-5中任一项所述的方法。

14.一种自动驾驶车辆，包括如权利要求11所述的电子设备，其中所述电子设备中的处理器能够执行权利要求1-5中任一项所述的方法。

Images