CN115077541A - 自动驾驶车辆的定位方法、装置及电子设备、存储介质 - Google Patents

自动驾驶车辆的定位方法、装置及电子设备、存储介质 Download PDF

Info

Publication number
CN115077541A
CN115077541A CN202210775334.0A CN202210775334A CN115077541A CN 115077541 A CN115077541 A CN 115077541A CN 202210775334 A CN202210775334 A CN 202210775334A CN 115077541 A CN115077541 A CN 115077541A
Authority
CN
China
Prior art keywords
point cloud
positioning
laser
pose
preset
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
CN202210775334.0A
Other languages
English (en)
Inventor
费再慧
李岩
张海强
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.)
Zhidao Network Technology Beijing Co Ltd
Original Assignee
Zhidao Network Technology Beijing 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 Zhidao Network Technology Beijing Co Ltd filed Critical Zhidao Network Technology Beijing Co Ltd
Priority to CN202210775334.0A priority Critical patent/CN115077541A/zh
Publication of CN115077541A publication Critical patent/CN115077541A/zh
Pending 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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G01C21/32—Structuring or formatting of map data
    • 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
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G01C21/1652—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with ranging devices, e.g. LIDAR or RADAR
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
    • 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
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本申请公开了一种自动驾驶车辆的定位方法、装置及电子设备、存储介质，该方法包括：在自动驾驶车辆即将进入预设定位区域时，获取云端发送的预设定位区域对应的激光点云地图，预设定位区域为无可用卫星定位信号的区域，激光点云地图基于高精惯导数据构建得到；获取当前的IMU定位数据，以此对激光点云地图进行局部滤波，得到局部激光点云地图；获取当前的激光点云数据，结合局部激光点云地图确定当前的激光里程计位姿；基于当前的激光里程计位姿，利用预设图优化算法进行优化得到优化后的位姿，以此进行融合定位。本申请利用基于高精惯导数据构建得到的激光点云地图进行定位，定位精度高，通过对激光点云地图进行局部滤波处理，提高了定位实时性。

Description

自动驾驶车辆的定位方法、装置及电子设备、存储介质
技术领域
本申请涉及自动驾驶技术领域，尤其涉及一种自动驾驶车辆的定位方法、装置及电子设备、存储介质。
背景技术
同步定位与地图构建(Simultaneous Localization and Mapping，简称SLAM)技术可以很精确地实现环境的地图构建、定位以及多点导航。目前的SLAM技术可以分为激光SLAM(Lidar SLAM)和视觉SLAM(Visual SLAM)，激光SLAM采用的传感器为激光雷达，而视觉SLAM则采用深度摄像头。激光SLAM技术较为成熟、误差少，且足以满足当前环境的使用。
然而，基于现有的激光SLAM技术构建的地图难以适用于一些特殊场景如隧道等场景下的车辆定位，其定位精度无法满足自动驾驶车辆的要求，而基于ICP(IterativeClosest Point，迭代最近点算法)、NDT(Normal Distributions Transform，正态分布变换)全局匹配的SLAM定位方案在隧道等场景下的输出频率低，无法满足实时定位的要求，且精度较差。
发明内容
本申请实施例提供了一种自动驾驶车辆的定位方法、装置及电子设备、存储介质，以提高自动驾驶车辆在特定场景下的定位精度和定位实时性。
本申请实施例采用下述技术方案：
第一方面，本申请实施例提供一种自动驾驶车辆的定位方法，其中，所述方法包括：
在自动驾驶车辆即将进入预设定位区域的情况下，获取云端发送的所述预设定位区域对应的激光点云地图，所述预设定位区域为无可用卫星定位信号的区域，所述激光点云地图基于高精惯导数据构建得到；
获取当前的IMU定位数据，并根据所述当前的IMU定位数据对所述激光点云地图进行局部滤波，得到局部激光点云地图；
获取当前的激光点云数据，并根据所述当前的激光点云数据和所述局部激光点云地图，确定当前的激光里程计位姿；
基于所述当前的激光里程计位姿，利用预设图优化算法进行优化，得到优化后的位姿，并根据所述优化后的位姿进行融合定位，得到所述自动驾驶车辆的融合定位结果。
可选地，所述在自动驾驶车辆即将进入预设定位区域的情况下，获取云端发送的所述预设定位区域对应的激光点云地图包括：
在所述自动驾驶车辆即将进入预设定位区域的情况下，确定卫星定位信号的定位状态；
在所述卫星定位信号的定位状态为可用状态的情况下，获取对应的惯导定位数据；
将所述惯导定位数据发送给云端，并接收所述云端发送的所述惯导定位数据对应的预设定位区域的激光点云地图。
可选地，所述激光点云地图包括角点特征点云地图和面特征点云地图，所述根据所述当前的IMU定位数据对所述激光点云地图进行局部滤波，得到局部激光点云地图包括：
根据所述当前的IMU定位数据对所述角点特征点云地图进行局部滤波，得到角点特征局部点云地图；
根据所述当前的IMU定位数据对所述面特征点云地图进行局部滤波，得到面特征局部点云地图。
可选地，所述当前的IMU定位数据为IMU推算得到的当前的经纬高信息，所述根据所述当前的IMU定位数据对所述激光点云地图进行局部滤波，得到局部激光点云地图包括：
基于所述当前的经纬高信息，对所述激光点云地图进行截取，得到预设大小的局部激光点云地图块，作为所述局部激光点云地图。
可选地，所述基于所述当前的激光里程计位姿，利用预设图优化算法进行优化，得到优化后的位姿包括：
确定预设图优化算法的因子，所述因子包括IMU预积分因子以及轮速因子中的至少一种；
根据所述当前的激光里程计位姿和所述预设图优化算法的因子进行优化，得到优化后的位姿。
可选地，在基于所述当前的激光里程计位姿，利用预设图优化算法进行优化之前，所述方法还包括：
获取所述云端发送的初始参考点信息，所述初始参考点信息包括初始参考点的经纬高信息和点云数据；
根据所述初始参考点信息，确定激光雷达坐标系与世界坐标系之间的变换关系；
所述优化后的位姿为激光雷达坐标系下的位姿，所述根据所述优化后的位姿进行融合定位，得到所述自动驾驶车辆的融合定位结果包括：
基于所述激光雷达坐标系与世界坐标系之间的变换关系，将所述激光雷达坐标系下的位姿变换到世界坐标系下，得到世界坐标系下的位姿。
可选地，所述基于所述当前的激光里程计位姿，利用预设图优化算法进行优化，得到优化后的位姿包括：
获取所述云端发送的预设定位区域的状态标识；
根据所述预设定位区域的状态标识对所述优化后的位姿进行标注，以根据标注好的优化后的位姿进行融合定位。
第二方面，本申请实施例还提供了一种自动驾驶车辆的定位装置，其中，所述装置包括：
第一获取单元，用于在自动驾驶车辆即将进入预设定位区域的情况下，获取云端发送的所述预设定位区域对应的激光点云地图，所述预设定位区域为无可用卫星定位信号的区域，所述激光点云地图基于高精惯导数据构建得到；
局部滤波单元，用于获取当前的IMU定位数据，并根据所述当前的IMU定位数据对所述激光点云地图进行局部滤波，得到局部激光点云地图；
第一确定单元，用于获取当前的激光点云数据，并根据所述当前的激光点云数据和所述局部激光点云地图，确定当前的激光里程计位姿；
融合定位单元，用于基于所述当前的激光里程计位姿，利用预设图优化算法进行优化，得到优化后的位姿，并根据所述优化后的位姿进行融合定位，得到所述自动驾驶车辆的融合定位结果。
第三方面，本申请实施例还提供一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行前述之任一所述方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行前述之任一所述方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请实施例的自动驾驶车辆的定位方法，先在自动驾驶车辆即将进入预设定位区域的情况下，获取云端发送的预设定位区域对应的激光点云地图，预设定位区域为无可用卫星定位信号的区域；然后获取当前的IMU定位数据，并根据当前的IMU定位数据对激光点云地图进行局部滤波，得到局部激光点云地图；之后获取当前的激光点云数据，并根据当前的激光点云数据和局部激光点云地图，确定当前的激光里程计位姿；最后基于当前的激光里程计位姿，利用预设图优化算法进行优化，得到优化后的位姿，并根据优化后的位姿进行融合定位，得到自动驾驶车辆的融合定位结果。本申请实施例的自动驾驶车辆的定位方法利用基于高精惯导数据构建得到的激光点云地图进行自动驾驶车辆的定位，具有较高的定位精度，且通过对激光点云地图进行局部滤波处理，相比于全局匹配的方式，大大提高了定位实时性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例中一种自动驾驶车辆的定位方法的流程示意图；
图2为本申请实施例中一种自动驾驶车辆的定位装置的结构示意图；
图3为本申请实施例中一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅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。
以下结合附图，详细说明本申请各实施例提供的技术方案。
本申请实施例提供了一种自动驾驶车辆的定位方法，如图1所示，提供了本申请实施例中一种自动驾驶车辆的定位方法的流程示意图，所述方法至少包括如下的步骤S110至步骤S140：
步骤S110，在自动驾驶车辆即将进入预设定位区域的情况下，获取云端发送的所述预设定位区域对应的激光点云地图，所述预设定位区域为无可用卫星定位信号的区域，所述激光点云地图基于高精惯导数据构建得到。
本申请实施例的自动驾驶车辆的定位方法可以由车端来执行，其主要针对自动驾驶车辆在预设定位区域中的实时定位，这里的预设定位区域是指无可用卫星定位信号的区域，如隧道或者其他类似的定位场景。在自动驾驶车辆即将进入到预设定位区域内时，从云端获取预设定位区域对应的激光点云地图，也即在进入预设定位区域之前，预先加载好用于定位的激光点云地图，可以提高后续的定位效率和定位实时性。
此外，为了保证预加载地图的准确性，可以在自动驾驶车辆的当前位置与预设定位区域的边界小于一定距离时，执行预加载的操作，具体距离大小的设定，本领域技术人员可以根据实际需求灵活设置，在此不作具体限定。当然，也可以在自动驾驶车辆已经行驶到预设定位区域的边界位置时再即时加载地图。
本申请实施例的激光点云地图是基于高精惯导设备采集的高精惯导数据构建得到的，通过高精惯导数据构建高精惯导因子来参与预设图优化算法的优化过程，避免了特定场景下由于特征点数量较少而导致激光SLAM建图出现的退化现象，提高了激光SLAM的建图精度。
步骤S120，获取当前的IMU定位数据，并根据所述当前的IMU定位数据对所述激光点云地图进行局部滤波，得到局部激光点云地图。
整个预设定位区域对应的激光点云地图的数据量非常大，直接利用传统的基于ICP或者NDP算法进行全局匹配的方式来说，匹配效率低下，因此本申请实施例可以进一步获取当前的IMU(Inertial Measurement Unit，惯性测量单元)定位数据，然后利用当前的IMU定位数据对激光点云地图进行局部滤波处理，得到局部激光点云地图，减小地图的数据量，提高匹配效率和定位实时性。
步骤S130，获取当前的激光点云数据，并根据所述当前的激光点云数据和所述局部激光点云地图，确定当前的激光里程计位姿。
在得到局部激光点云地图之后，可以进一步获取当前的激光点云数据，然后将激光点云数据与对应的局部激光点云地图进行特征匹配，从而可以确定当前的激光里程计位姿。
步骤S140，基于所述当前的激光里程计位姿，利用预设图优化算法进行优化，得到优化后的位姿，并根据所述优化后的位姿进行融合定位，得到所述自动驾驶车辆的融合定位结果。
由于特征匹配后得到的激光里程计位姿会存在一定的匹配误差，为了提高定位精度，本申请实施例可以基于当前的激光里程计位姿进一步利用预设图优化算法进行位姿优化，从而得到优化后的位姿，优化后的位姿可以作为观测信息输入到卡尔曼滤波器或者扩展卡尔曼滤波器中进行融合定位，进而得到自动驾驶车辆的融合定位结果。
本申请实施例的自动驾驶车辆的定位方法利用基于高精惯导数据构建得到的激光点云地图进行自动驾驶车辆的定位，具有较高的定位精度，且通过对激光点云地图进行局部滤波处理，相比于全局匹配的方式，大大提高了定位实时性。
在本申请的一些实施例中，所述在自动驾驶车辆即将进入预设定位区域的情况下，获取云端发送的所述预设定位区域对应的激光点云地图包括：在所述自动驾驶车辆即将进入预设定位区域的情况下，确定卫星定位信号的定位状态；在所述卫星定位信号的定位状态为可用状态的情况下，获取对应的惯导定位数据；将所述惯导定位数据发送给云端，并接收所述云端发送的所述惯导定位数据对应的预设定位区域的激光点云地图。
本申请实施例在自动驾驶车辆即将进入预设定位区域时，可以先确定卫星定位信号的定位状态，因为在未进入预设定位区域时，一般能够获取到卫星定位信号，但需要确定卫星定位信号的质量，例如可以根据获取到的卫星定位信号的RTK(Real-time kinematic，实时差分)差分状态以及卫星数量来判断，如果差分状态为固定解42，且卫星数量>20时，可以认为当前的卫星定位信号的质量较好，即为可用状态。
在卫星定位信号的定位状态为可用状态的情况下，可以进一步获取对应的惯导定位数据，惯导定位数据可以理解为是将IMU定位数据和RTK差分数据融合后得到的精度更高的定位数据。将该惯导定位数据发送给云端，从而可以便于云端更准确地确定自动驾驶车辆的当前位置以及其即将要进入的预设定位区域，进而可以将事先构建好的预设定位区域对应的激光点云地图发送给车端进行后续定位。
在本申请的一些实施例中，所述激光点云地图包括角点特征点云地图和面特征点云地图，所述根据所述当前的IMU定位数据对所述激光点云地图进行局部滤波，得到局部激光点云地图包括：根据所述当前的IMU定位数据对所述角点特征点云地图进行局部滤波，得到角点特征局部点云地图；根据所述当前的IMU定位数据对所述面特征点云地图进行局部滤波，得到面特征局部点云地图。
本申请实施例事先构建好的激光点云地图主要分为基于角点特征构建得到的角点特征点云地图以及基于面特征构建得到的面特征点云地图，在进行局部滤波时，可以分别对角点特征点云地图和面特征点云地图进行局部滤波处理，从而得到角点特征局部点云地图和面特征局部点云地图。在后续特征匹配阶段，可以将当前的激光点云数据分别与角点特征局部点云地图和面特征局部点云地图进行匹配，再将两个匹配结果融合得到一个激光里程计位姿。
当然，为了进一步提高匹配效率，本申请实施例在进行局部滤波处理之前，还可以对角点特征点云地图和面特征点云地图进行整体滤波，即从整体上减少点云地图的数据量。
在本申请的一些实施例中，所述当前的IMU定位数据为IMU推算得到的当前的经纬高信息，所述根据所述当前的IMU定位数据对所述激光点云地图进行局部滤波，得到局部激光点云地图包括：基于所述当前的经纬高信息，对所述激光点云地图进行截取，得到预设大小的局部激光点云地图块，作为所述局部激光点云地图。
本申请实施例的当前的IMU定位数据具体可以是指IMU推算得到的当前的经纬高信息，以该经纬高信息对应的定位点为基准，可以从激光点云地图中截取出一个预设大小的局部激光点云地图块，例如，可以以该经纬高信息对应的定位点为中心点，基于该定位点上下、左右、前后各50m的距离，截取到一个长、宽、高分为100m的局部激光点云地图块。当然，这里可以对前述实施例中的角点特征点云地图和面特征点云地图分别进行截取，从而得到两个局部激光点云地图块。
因此，局部滤波与整体滤波的区别在于，局部滤波是从整体的激光点云地图中截取一小块点云地图，变化的是地图的尺寸，而整体滤波则是对整个激光点云地图中的数据量进行滤波，变化的是点的稠密程度。
另外，需要说明的是，虽然IMU定位数据本身会存在随时间累计误差变大的问题，但由于本申请实施例仅仅是基于IMU定位的位置确定出一个大概的点云地图块，因此对于位置精度的要求相对不高，也并不会影响后续的匹配和定位精度。
在本申请的一些实施例中，所述基于所述当前的激光里程计位姿，利用预设图优化算法进行优化，得到优化后的位姿包括：确定预设图优化算法的因子，所述因子包括IMU预积分因子以及轮速因子中的至少一种；根据所述当前的激光里程计位姿和所述预设图优化算法的因子进行优化，得到优化后的位姿。
本申请实施例的预设图优化算法可以采用因子图优化的方式来实现，因此可以先确定预设图优化算法的因子，例如可以包括IMU预积分因子、轮速因子等。通过IMU定位数据计算预积分，获得位姿变换，进而可以构建得到IMU预积分因子，基于轮速仪实时采集的前进方向的速度，推算出各个时刻对应的位置，基于这些位置数据可以构建位置约束，进而得到轮速因子。
结合上述因子中一种或多种以及当前的激光里程计位姿进行位姿优化，可以提高优化效率和优化效果，进而提高定位精度和定位实时性。
在本申请的一些实施例中，在基于所述当前的激光里程计位姿，利用预设图优化算法进行优化之前，所述方法还包括：获取所述云端发送的初始参考点信息，所述初始参考点信息包括初始参考点的经纬高信息和点云数据；根据所述初始参考点信息，确定激光雷达坐标系与世界坐标系之间的变换关系；所述优化后的位姿为激光雷达坐标系下的位姿，所述根据所述优化后的位姿进行融合定位，得到所述自动驾驶车辆的融合定位结果包括：基于所述激光雷达坐标系与世界坐标系之间的变换关系，将所述激光雷达坐标系下的位姿变换到世界坐标系下，得到世界坐标系下的位姿。
由于本申请实施例事先构建的激光点云地图是建立在激光雷达坐标系下的，基于此得到的优化后的位姿也是激光雷达坐标系下的，而在自动驾驶场景下，往往需要确定车辆在世界坐标系下的绝对位置和姿态，因此这里就存在将优化后的位姿转换到世界坐标系下的需要。
基于此，本申请实施例可以从云端获取初始参考点信息，这里的初始参考点可以理解为是自动驾驶车辆在进入预设定位区域之前所确定的一个定位点，因此其在世界坐标系下的绝对位置即经纬高信息以及其对应的激光雷达坐标系下的点云数据均可获知，那么根据这两个维度的信息，就可以计算出激光雷达坐标系与世界坐标系之间的旋转和平移的变换关系，进而可以基于该变换关系，将激光雷达坐标系下的位姿转换到世界坐标系下。
在本申请的一些实施例中，所述基于所述当前的激光里程计位姿，利用预设图优化算法进行优化，得到优化后的位姿包括：获取所述云端发送的预设定位区域的状态标识；根据所述预设定位区域的状态标识对所述优化后的位姿进行标注，以根据标注好的优化后的位姿进行融合定位。
由于本申请实施例的预设定位区域主要针对的是一些特殊的定位场景，因此云端在地图构建的过程中针对不同预设定位区域定义了对应的状态标识，例如，如果是隧道场景，则对应有隧道定位区域的唯一标识，用于标区分不同的定位区域和定位结果来源。
基于此，本申请实施例在位姿的优化和融合定位阶段，可以获取云端针对该预设定位区域定义的状态标识，然后基于该状态标识对此次的定位结果进行标注，用以表征此次的定位结果是在何种定位场景下获得的。由于本申请实施例获得的定位结果的精度是较高的，因此相比于在相同或者类似的定位场景下没有被标注状态标识的定位结果来说，其对应的置信度更高，那么在融合定位阶段，就可以根据该状态标识赋予其更高的置信度，进而提高融合定位的精度和效果。
为了便于对本申请各实施例的理解，进一步介绍了本申请的激光点云地图的构建过程，具体包括：获取车端在预设定位区域采集的建图数据，所述预设定位区域为无可用卫星定位信号的区域，所述建图数据包括高精惯导数据和激光点云数据；对所述高精惯导数据进行后处理，得到后处理后的高精惯导数据，所述后处理后的高精惯导数据包括高精惯导位姿；根据所述后处理后的高精惯导数据和所述激光点云数据，构建预设图优化算法的因子，所述预设图优化算法的因子包括激光里程计因子和高精惯导因子；基于所述预设图优化算法的因子进行优化，得到优化后的位姿，并根据优化后的位姿进行地图构建。
本申请实施例的激光SLAM建图方法可以由云端来执行，在进行激光SLAM建图时，需要先获取车端在预设定位区域内采集到的建图数据，这里的预设定位区域是指卫星定位信号不可用的区域，并且这些区域的特征点数量较少。上述建图数据主要包括在整个预设定位区域采集到的高精惯导数据和激光点云数据。为了避免在特定场景下由于从激光点云数据中提取出的特征点数量较少而出现的退化现象，本申请实施例可以利用车端安装的高精惯导设备来采集高精度的惯导定位数据，相比于传统的惯导设备，可以减小定位数据随着时间而变大的累积误差。
之后还需要对高精惯导数据进行后处理，以进一步提高高精惯导数据的精度，这里的后处理操作主要是对高精惯导设备采集的高精惯导数据进行解算，得到位置、姿态和速度等数据。
本申请实施例可以采用预设图优化算法来优化建图的位姿，具体可以采用因子图优化的方式，因此在得到后处理后的高精惯导数据后，需要根据后处理后的高精惯导数据构建对应的高精惯导因子，根据激光点云数据可以构建对应的激光雷达里程计因子，作为后续优化的基础。此外，由于不同传感器输出数据的频率不同，为了便于后续处理，这里还可以利用一定的时间同步算法如插值法将后处理后的高精惯导数据和激光点云数据进行时间同步处理。
基于上述激光里程计因子和高精惯导因子可以进行位姿的优化，得到优化后的位姿，进而可以基于优化后的位姿进行激光点云数据的拼接，从而得到构建好的激光点云地图。通过引入高精惯导因子的优化约束，可以避免激光里程计因子由于特征点数量较少而出现的退化现象，减小了建图误差。
上述激光SLAM建图过程针对特定定位区域的现有激光SLAM建图方案进行了优化，通过构建高精惯导因子来参与预设图优化算法的优化过程，避免了特定场景下由于特征点数量较少而导致激光SLAM建图出现的退化现象，提高了激光SLAM的建图精度。
在本申请的一些实施例中，所述后处理后的高精惯导数据还包括IMU数据，所述根据所述后处理后的高精惯导数据和所述激光点云数据，构建预设图优化算法的因子包括：基于所述IMU数据进行IMU预积分处理，得到IMU预积分因子，作为所述预设图优化算法的因子；所述基于所述预设图优化算法的因子进行优化，得到优化后的位姿包括：基于所述IMU预积分因子、所述激光里程计因子和所述高精惯导因子进行优化，得到优化后的位姿。
本申请实施例的后处理后的高精惯导数据还包括IMU数据，这里的IMU数据可以是指去除了零偏和加表零偏等误差之后的IMU数据，通过IMU数据可以计算预积分，获得位姿变换，从而可以构建IMU预积分因子。将IMU预积分因子和激光里程计因子、高精惯导因子共同作为预设图优化算法的因子进行后端优化，得到优化后的位姿，以此进一步提高优化效率和优化效果。
在本申请的一些实施例中，所述基于所述IMU预积分因子、所述激光里程计因子和所述高精惯导因子进行优化，得到优化后的位姿包括：基于所述高精惯导因子，调整所述IMU预积分因子、所述激光里程计因子和所述高精惯导因子的位姿置信度；根据调整后的IMU预积分因子的位姿置信度、调整后的激光里程计因子的位姿置信度以及调整后的高精惯导因子的位姿置信度进行优化，得到优化后的位姿。
本申请实施例在基于IMU预积分因子、激光里程计因子和高精惯导因子进行位姿优化时，由于不同因子对应的协方差大小不同，进而在优化过程中对应的位姿置信度也不同，协方差越大，位姿置信度越低，而协方差越小，对应的位姿置信度越高。
由于本申请实施例的高精惯导因子是基于高精惯导设备采集的高精惯导数据构建得到的，其不依赖于环境中提取出的特征点的数量和丰富程度，也不存在累积误差随时间变大的问题，因此其对应的协方差应当更小，进而可以在位姿优化过程中赋予其更高的位姿置信度，同时降低IMU预积分因子和激光里程计因子对应的位姿置信度，也即相比于IMU预积分因子和激光里程计因子，有更大的概率相信高精惯导因子对应的位姿。
上述过程本质上是在位姿优化的过程中，基于前述实施例构建得到的高精惯导因子自适应调整不同优化因子的协方差大小或者置信度大小，使精度更高的因子在优化过程中占有更高的权重，精度较低的因子在优化过程中占有相对更小的权重，更能适用于隧道等特征点数量较小的建图场景。
另外，还需要说明的是，由于IMU预积分因子的协方差大小主要受到时间累积的影响，因此对于IMU预积分因子的置信度大小的调整可以随着时间累积逐渐减小。
在本申请的一些实施例中，所述后处理后的高精惯导数据还包括IMU数据，所述根据所述后处理后的高精惯导数据和所述激光点云数据，构建预设图优化算法的因子包括：利用所述IMU数据对所述激光点云数据进行去畸变处理，得到去畸变后的激光点云数据；提取所述去畸变后的激光点云数据中的角点特征和面特征；根据提取出的角点特征和面特征构建所述激光里程计因子。
本申请实施例在构建激光里程计因子时，可以先对激光点云数据进行去畸变的校正处理，具体可以利用当前帧的激光点云数据对应的IMU数据来计算旋转增量，利用IMU预积分计算平移增量，进而对该帧激光点云数据每一时刻的激光点进行运动畸变校正，同时用IMU数据的姿态角、IMU预积分对应的位姿，对当前帧激光点云数据的位姿进行粗略初始化，由此完成激光点云数据的去畸变处理。
之后对经过运动畸变校正之后的激光点云数据，计算每个点的曲率，进而可以基于曲率的大小提取角点特征和面特征，并根据角点特征和面特征计算激光点云数据的位姿，以此构建激光里程计因子。
在本申请的一些实施例中，在基于所述预设图优化算法的因子进行优化，得到优化后的位姿之前，所述方法还包括：根据所述激光点云数据进行回环检测；根据回环检测结果构建回环因子，作为所述预设图优化算法的因子。
本申请实施例在实现特定场景下的激光SLAM建图时，还可以通过加入回环约束来进一步提高优化效率和优化效果，前期可以控制车辆按照回环轨迹行驶，以此采集到的建图数据就可以用于后续的回环检测。具体可以利用现有的回环检测算法如词袋模型或者基于深度学习的方法进行回环检测，从而可以基于回环检测结果建立位姿约束关系，并结合其他因子共同进行位姿优化，提高位姿优化效率和优化效果。
在本申请的一些实施例中，所述建图数据还包括轮速数据，在基于所述预设图优化算法的因子进行优化，得到优化后的位姿之前，所述方法还包括：基于所述轮速数据确定各帧轮速数据对应的位置数据；根据各帧轮速数据对应的位置数据构建轮速因子，作为所述预设图优化算法的因子。
在隧道等特定建图场景下，基于车辆上的轮速计采集到的轮速数据受外界因素的影响较小，也具有较高的精度，因此本申请实施例可以基于轮速数据进一步构建轮速因子，从而为后续位姿优化提供更丰富的约束信息。
具体地，在建图场景下可以认为轮速计采集到的轮速数据中的测向速度和径向速度均为0，即只有前进方向的速度，由于车辆在进入预设定位区域之前的初始化位置已知，那么基于轮速仪实时采集的前进方向的速度，可以推算出各个时刻对应的位置，基于这些位置数据可以构建位置约束，从而为后续优化过程提供更多的参考信息，进一步提高了优化效率和优化效果。
在本申请的一些实施例中，在基于所述预设图优化算法的因子进行优化，得到优化后的位姿，并根据优化后的位姿进行地图构建之后，所述方法还包括：将所述优化后的位姿与所述高精惯导位姿进行比较；根据比较结果确定所述优化后的位姿的建图精度；将所述优化后的位姿的建图精度返回至所述车端，以使所述车端根据所述优化后的位姿的建图精度确定是否需要重新建图。
为了评估建图质量，本申请实施例在得到优化后的位姿后，还可以将用于建图的优化后位姿和高精惯导数据进行对比，由于高精惯导数据的精度较高，因此其对应的位姿数据可以作为判断优化后位姿的误差大小的依据。
根据二者的对比结果可以确定优化后的位姿的建图精度，例如，如果姿态角中的水平角度误差小于0.1，航向角度误差小于0.2，同时对应的统计误差小于两倍的标准差(2sigma)，位置误差小于0.15m，同时对应的统计误差小于两倍的标准差(2sigma)，则认为精度较高，通过此种方式可以对建图结果进行打分，或者用其他形式表示建图结果是否满足预设精度要求，并将结果返回给车端，车端可以以此判断是否需要二次建图。
本申请实施例还提供了一种自动驾驶车辆的定位装置200，如图2所示，提供了本申请实施例中一种自动驾驶车辆的定位装置的结构示意图，所述装置200至少包括：第一获取单元210、局部滤波单元220、第一确定单元230以及融合定位单元240，其中：
第一获取单元210，用于在自动驾驶车辆即将进入预设定位区域的情况下，获取云端发送的所述预设定位区域对应的激光点云地图，所述预设定位区域为无可用卫星定位信号的区域，所述激光点云地图基于高精惯导数据构建得到；
局部滤波单元220，用于获取当前的IMU定位数据，并根据所述当前的IMU定位数据对所述激光点云地图进行局部滤波，得到局部激光点云地图；
第一确定单元230，用于获取当前的激光点云数据，并根据所述当前的激光点云数据和所述局部激光点云地图，确定当前的激光里程计位姿；
融合定位单元240，用于基于所述当前的激光里程计位姿，利用预设图优化算法进行优化，得到优化后的位姿，并根据所述优化后的位姿进行融合定位，得到所述自动驾驶车辆的融合定位结果。
在本申请的一些实施例中，所述第一获取单元210具体用于：在所述自动驾驶车辆即将进入预设定位区域的情况下，确定卫星定位信号的定位状态；在所述卫星定位信号的定位状态为可用状态的情况下，获取对应的惯导定位数据；将所述惯导定位数据发送给云端，并接收所述云端发送的所述惯导定位数据对应的预设定位区域的激光点云地图。
在本申请的一些实施例中，所述激光点云地图包括角点特征点云地图和面特征点云地图，所述局部滤波单元220具体用于：根据所述当前的IMU定位数据对所述角点特征点云地图进行局部滤波，得到角点特征局部点云地图；根据所述当前的IMU定位数据对所述面特征点云地图进行局部滤波，得到面特征局部点云地图。
在本申请的一些实施例中，所述当前的IMU定位数据为IMU推算得到的当前的经纬高信息，所述局部滤波单元220具体用于：基于所述当前的经纬高信息，对所述激光点云地图进行截取，得到预设大小的局部激光点云地图块，作为所述局部激光点云地图。
在本申请的一些实施例中，所述融合定位单元240具体用于：确定预设图优化算法的因子，所述因子包括IMU预积分因子以及轮速因子中的至少一种；根据所述当前的激光里程计位姿和所述预设图优化算法的因子进行优化，得到优化后的位姿。
在本申请的一些实施例中，所述装置还包括：第二获取单元，用于获取所述云端发送的初始参考点信息，所述初始参考点信息包括初始参考点的经纬高信息和点云数据；第二确定单元，用于根据所述初始参考点信息，确定激光雷达坐标系与世界坐标系之间的变换关系；所述优化后的位姿为激光雷达坐标系下的位姿，所述融合定位单元具体用于：基于所述激光雷达坐标系与世界坐标系之间的变换关系，将所述激光雷达坐标系下的位姿变换到世界坐标系下，得到世界坐标系下的位姿。
在本申请的一些实施例中，所述融合定位单元240具体用于：获取所述云端发送的预设定位区域的状态标识；根据所述预设定位区域的状态标识对所述优化后的位姿进行标注，以根据标注好的优化后的位姿进行融合定位。
能够理解，上述自动驾驶车辆的定位装置，能够实现前述实施例中提供的自动驾驶车辆的定位方法的各个步骤，关于自动驾驶车辆的定位方法的相关阐释均适用于自动驾驶车辆的定位装置，此处不再赘述。
图3是本申请的一个实施例电子设备的结构示意图。请参考图3，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成自动驾驶车辆的定位装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
在自动驾驶车辆即将进入预设定位区域的情况下，获取云端发送的所述预设定位区域对应的激光点云地图，所述预设定位区域为无可用卫星定位信号的区域，所述激光点云地图基于高精惯导数据构建得到；
获取当前的IMU定位数据，并根据所述当前的IMU定位数据对所述激光点云地图进行局部滤波，得到局部激光点云地图；
获取当前的激光点云数据，并根据所述当前的激光点云数据和所述局部激光点云地图，确定当前的激光里程计位姿；
基于所述当前的激光里程计位姿，利用预设图优化算法进行优化，得到优化后的位姿，并根据所述优化后的位姿进行融合定位，得到所述自动驾驶车辆的融合定位结果。
上述如本申请图1所示实施例揭示的自动驾驶车辆的定位装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中自动驾驶车辆的定位装置执行的方法，并实现自动驾驶车辆的定位装置在图1所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1所示实施例中自动驾驶车辆的定位装置执行的方法，并具体用于执行：
在自动驾驶车辆即将进入预设定位区域的情况下，获取云端发送的所述预设定位区域对应的激光点云地图，所述预设定位区域为无可用卫星定位信号的区域，所述激光点云地图基于高精惯导数据构建得到；
获取当前的IMU定位数据，并根据所述当前的IMU定位数据对所述激光点云地图进行局部滤波，得到局部激光点云地图；
获取当前的激光点云数据，并根据所述当前的激光点云数据和所述局部激光点云地图，确定当前的激光里程计位姿；
基于所述当前的激光里程计位姿，利用预设图优化算法进行优化，得到优化后的位姿，并根据所述优化后的位姿进行融合定位，得到所述自动驾驶车辆的融合定位结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种自动驾驶车辆的定位方法，其中，所述方法包括：
在自动驾驶车辆即将进入预设定位区域的情况下，获取云端发送的所述预设定位区域对应的激光点云地图，所述预设定位区域为无可用卫星定位信号的区域，所述激光点云地图基于高精惯导数据构建得到；
获取当前的IMU定位数据，并根据所述当前的IMU定位数据对所述激光点云地图进行局部滤波，得到局部激光点云地图；
获取当前的激光点云数据，并根据所述当前的激光点云数据和所述局部激光点云地图，确定当前的激光里程计位姿；
基于所述当前的激光里程计位姿，利用预设图优化算法进行优化，得到优化后的位姿，并根据所述优化后的位姿进行融合定位，得到所述自动驾驶车辆的融合定位结果。
2.如权利要求1所述方法，其中，所述在自动驾驶车辆即将进入预设定位区域的情况下，获取云端发送的所述预设定位区域对应的激光点云地图包括：
在所述自动驾驶车辆即将进入预设定位区域的情况下，确定卫星定位信号的定位状态；
在所述卫星定位信号的定位状态为可用状态的情况下，获取对应的惯导定位数据；
将所述惯导定位数据发送给云端，并接收所述云端发送的所述惯导定位数据对应的预设定位区域的激光点云地图。
3.如权利要求1所述方法，其中，所述激光点云地图包括角点特征点云地图和面特征点云地图，所述根据所述当前的IMU定位数据对所述激光点云地图进行局部滤波，得到局部激光点云地图包括：
根据所述当前的IMU定位数据对所述角点特征点云地图进行局部滤波，得到角点特征局部点云地图；
根据所述当前的IMU定位数据对所述面特征点云地图进行局部滤波，得到面特征局部点云地图。
4.如权利要求1所述方法，其中，所述当前的IMU定位数据为IMU推算得到的当前的经纬高信息，所述根据所述当前的IMU定位数据对所述激光点云地图进行局部滤波，得到局部激光点云地图包括：
基于所述当前的经纬高信息，对所述激光点云地图进行截取，得到预设大小的局部激光点云地图块，作为所述局部激光点云地图。
5.如权利要求1所述方法，其中，所述基于所述当前的激光里程计位姿，利用预设图优化算法进行优化，得到优化后的位姿包括：
确定预设图优化算法的因子，所述因子包括IMU预积分因子以及轮速因子中的至少一种；
根据所述当前的激光里程计位姿和所述预设图优化算法的因子进行优化，得到优化后的位姿。
6.如权利要求1所述方法，其中，在基于所述当前的激光里程计位姿，利用预设图优化算法进行优化之前，所述方法还包括：
获取所述云端发送的初始参考点信息，所述初始参考点信息包括初始参考点的经纬高信息和点云数据；
根据所述初始参考点信息，确定激光雷达坐标系与世界坐标系之间的变换关系；
所述优化后的位姿为激光雷达坐标系下的位姿，所述根据所述优化后的位姿进行融合定位，得到所述自动驾驶车辆的融合定位结果包括：
基于所述激光雷达坐标系与世界坐标系之间的变换关系，将所述激光雷达坐标系下的位姿变换到世界坐标系下，得到世界坐标系下的位姿。
7.如权利要1所述方法，其中，所述基于所述当前的激光里程计位姿，利用预设图优化算法进行优化，得到优化后的位姿包括：
获取所述云端发送的预设定位区域的状态标识；
根据所述预设定位区域的状态标识对所述优化后的位姿进行标注，以根据标注好的优化后的位姿进行融合定位。
8.一种自动驾驶车辆的定位装置，其中，所述装置包括：
第一获取单元，用于在自动驾驶车辆即将进入预设定位区域的情况下，获取云端发送的所述预设定位区域对应的激光点云地图，所述预设定位区域为无可用卫星定位信号的区域，所述激光点云地图基于高精惯导数据构建得到；
局部滤波单元，用于获取当前的IMU定位数据，并根据所述当前的IMU定位数据对所述激光点云地图进行局部滤波，得到局部激光点云地图；
第一确定单元，用于获取当前的激光点云数据，并根据所述当前的激光点云数据和所述局部激光点云地图，确定当前的激光里程计位姿；
融合定位单元，用于基于所述当前的激光里程计位姿，利用预设图优化算法进行优化，得到优化后的位姿，并根据所述优化后的位姿进行融合定位，得到所述自动驾驶车辆的融合定位结果。
9.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1～7之任一所述方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述权利要求1～7之任一所述方法。
CN202210775334.0A 2022-07-01 2022-07-01 自动驾驶车辆的定位方法、装置及电子设备、存储介质 Pending CN115077541A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210775334.0A CN115077541A (zh) 2022-07-01 2022-07-01 自动驾驶车辆的定位方法、装置及电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210775334.0A CN115077541A (zh) 2022-07-01 2022-07-01 自动驾驶车辆的定位方法、装置及电子设备、存储介质

Publications (1)

Publication Number Publication Date
CN115077541A true CN115077541A (zh) 2022-09-20

Family

ID=83258084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210775334.0A Pending CN115077541A (zh) 2022-07-01 2022-07-01 自动驾驶车辆的定位方法、装置及电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN115077541A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115493603A (zh) * 2022-11-17 2022-12-20 安徽蔚来智驾科技有限公司 地图对齐方法、计算机设备及计算机可读存储介质
CN116592888A (zh) * 2023-05-08 2023-08-15 五八智能科技(杭州)有限公司 一种巡逻机器人全局定位的方法、系统、装置和介质
CN116678423A (zh) * 2023-05-26 2023-09-01 小米汽车科技有限公司 多源融合定位方法、装置及车辆
CN117570973A (zh) * 2023-11-17 2024-02-20 中科智驰(安庆)智能科技有限公司 一种用于多场景无人驾驶车辆的融合定位系统及方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115493603A (zh) * 2022-11-17 2022-12-20 安徽蔚来智驾科技有限公司 地图对齐方法、计算机设备及计算机可读存储介质
CN115493603B (zh) * 2022-11-17 2023-03-10 安徽蔚来智驾科技有限公司 地图对齐方法、计算机设备及计算机可读存储介质
CN116592888A (zh) * 2023-05-08 2023-08-15 五八智能科技(杭州)有限公司 一种巡逻机器人全局定位的方法、系统、装置和介质
CN116678423A (zh) * 2023-05-26 2023-09-01 小米汽车科技有限公司 多源融合定位方法、装置及车辆
CN116678423B (zh) * 2023-05-26 2024-04-16 小米汽车科技有限公司 多源融合定位方法、装置及车辆
CN117570973A (zh) * 2023-11-17 2024-02-20 中科智驰(安庆)智能科技有限公司 一种用于多场景无人驾驶车辆的融合定位系统及方法
CN117570973B (zh) * 2023-11-17 2024-04-26 中科智驰(安庆)智能科技有限公司 一种用于多场景无人驾驶车辆的融合定位系统及方法

Similar Documents

Publication Publication Date Title
US11624827B2 (en) Method for generating a high precision map, apparatus and storage medium
CN115077541A (zh) 自动驾驶车辆的定位方法、装置及电子设备、存储介质
CN104833370B (zh) 用于映射、定位和位姿校正的系统和方法
CN107167826B (zh) 一种自动驾驶中基于可变网格的图像特征检测的车辆纵向定位系统及方法
CN114279453B (zh) 基于车路协同的自动驾驶车辆定位方法、装置及电子设备
CN114111774B (zh) 车辆的定位方法、系统、设备及计算机可读存储介质
CN114034307A (zh) 基于车道线的车辆位姿校准方法、装置和电子设备
CN113920198B (zh) 一种基于语义边缘对齐的由粗到精的多传感器融合定位方法
CN114111775A (zh) 一种多传感器融合定位方法、装置、存储介质及电子设备
US20220398825A1 (en) Method for generating 3d reference points in a map of a scene
US20220406015A1 (en) Correcting or expanding an existing high-definition map
CN115493602A (zh) 语义地图构建方法、装置及电子设备、存储介质
CN115376090A (zh) 高精地图构建方法、装置及电子设备、存储介质
CN114547222A (zh) 语义地图构建方法、装置及电子设备
CN113012197A (zh) 一种适用于动态交通场景的双目视觉里程计定位方法
CN114241062A (zh) 自动驾驶的相机外参确定方法、装置和计算机可读存储介质
CN116399324A (zh) 建图方法、装置及控制器、无人驾驶车辆
WO2022099620A1 (zh) 三维点云分割方法和装置、可移动平台
CN115014332A (zh) 激光slam建图方法、装置及电子设备、计算机可读存储介质
CN112965076A (zh) 一种用于机器人的多雷达定位系统及方法
CN112767545A (zh) 一种点云地图构建方法、装置、设备及计算机存储介质
CN115950441A (zh) 自动驾驶车辆的融合定位方法、装置及电子设备
CN114754782A (zh) 地图构建方法、装置及电子设备、计算机可读存储介质
CN115371663A (zh) 激光建图方法、装置及电子设备、计算机可读存储介质
CN112348903B (zh) 行车记录仪外参数标定方法、装置及电子设备

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