CN115127563A - 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 PDFInfo
- Publication number
- CN115127563A CN115127563A CN202210837535.9A CN202210837535A CN115127563A CN 115127563 A CN115127563 A CN 115127563A CN 202210837535 A CN202210837535 A CN 202210837535A CN 115127563 A CN115127563 A CN 115127563A
- Authority
- CN
- China
- Prior art keywords
- road surface
- data
- precision map
- map data
- surface identification
- 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
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
-
- 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
- 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
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
- G01C21/3822—Road feature data, e.g. slope 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
- G01C21/3859—Differential updating map data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Navigation (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:获取车辆的初始位姿数据、初始位姿数据对应的高精地图数据和路面标识分割数据;根据高精地图数据和路面标识分割数据,确定车辆相对于路面的角度变化;基于车辆相对于路面的角度变化,利用高精地图数据和路面标识分割数据构建优化模型,利用优化模型确定路面标识分割数据与高精地图数据之间的相对偏差;根据路面标识分割数据与高精地图数据之间的相对偏差和初始位姿数据确定定位结果。本申请基于高精地图数据确定了车辆相对于路面的角度变化,提高了路面标识分割数据在车辆坐标系下的计算精度,利用基于视觉技术得到的路面标识分割数据辅助定位,提高了定位精度。
Description
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
在自动驾驶领域,自动驾驶车辆的位置和姿态等数据的精度对于自动驾驶功能的实现至关重要,这些数据是车辆感知单元和控制单元进行感知决策的先决条件,行驶过程中自动驾驶车辆在车道中的位姿的精确度关系到自动驾驶车辆的安全行驶,因此需要特别关注。
随着自动驾驶技术的快速发展,涌现了多种自动驾驶车辆的定位方法,其中以惯导/卫星组合定位以及里程计(Odometry)等方法最为常见。然而,由于受到卫星可用性、惯导性能、里程计累计误差等影响,目前的定位方法在隧道、城市峡谷等场景下的定位精度仍然很难满足自动驾驶的需求。
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的定位精度。
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:
获取自动驾驶车辆的初始位姿数据,以及所述初始位姿数据对应的高精地图数据和路面标识分割数据;
根据所述高精地图数据和所述路面标识分割数据,确定所述自动驾驶车辆相对于路面的角度变化;
基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建优化模型,并利用所述优化模型确定所述路面标识分割数据与所述高精地图数据之间的相对偏差;
根据所述路面标识分割数据与所述高精地图数据之间的相对偏差,以及所述初始位姿数据,确定所述自动驾驶车辆的定位结果。
可选地,所述根据所述高精地图数据和所述路面标识分割数据,确定所述自动驾驶车辆相对于路面的角度变化包括:
将所述高精地图数据和所述路面标识分割数据分别转换到车辆坐标系下,得到车辆坐标系下的高精地图数据和车辆坐标系下的路面标识分割数据;
将所述车辆坐标系下的高精地图数据和所述车辆坐标系下的路面标识分割数据进行匹配;
根据匹配结果确定所述自动驾驶车辆相对于路面的角度变化。
可选地,所述根据匹配结果确定所述自动驾驶车辆相对于路面的角度变化包括:
获取与所述车辆坐标系下的路面标识分割数据相匹配的高精地图数据中的车道线拟合方程;
根据所述路面标识分割数据中的车道线点和所述车道线拟合方程,构建点-线误差模型;
基于所述点-线误差模型,确定所述自动驾驶车辆相对于路面的角度变化。
可选地,所述自动驾驶车辆相对于路面的角度变化包括所述自动驾驶车辆相对于路面的俯仰角,所述基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建优化模型包括:
基于相机参数和所述自动驾驶车辆相对于路面的俯仰角,对所述车辆坐标系下的路面标识分割数据进行修正,得到修正后的车辆坐标系下的路面标识分割数据;
根据所述车辆坐标系下的高精地图数据和所述修正后的车辆坐标系下的路面标识分割数据,构建所述优化模型。
可选地,所述基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建优化模型包括:
确定所述路面标识分割数据的路面标识属性;
基于所述自动驾驶车辆相对于路面的角度变化以及所述路面标识分割数据的路面标识属性,利用所述高精地图数据和所述路面标识分割数据构建所述路面标识属性对应的优化模型。
可选地,所述基于所述自动驾驶车辆相对于路面的角度变化以及所述路面标识分割数据的路面标识属性,利用所述高精地图数据和所述路面标识分割数据构建所述路面标识属性对应的优化模型包括:
若所述路面标识属性为线型路面标识,则基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建点-线误差模型;
若所述路面标识属性为非线型路面标识,则基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建3D点-3D点误差模型。
可选地,所述根据所述路面标识分割数据与所述高精地图数据之间的相对偏差,以及所述初始位姿数据,确定所述自动驾驶车辆的定位结果包括:
根据所述路面标识分割数据与所述高精地图数据之间的相对偏差,对所述初始位姿数据进行修正,得到修正后的位姿数据;
根据所述修正后的位姿数据,确定所述自动驾驶车辆的定位结果。
第二方面,本申请实施例还提供一种自动驾驶车辆的定位装置,其中,所述装置包括:
获取单元,用于获取自动驾驶车辆的初始位姿数据,以及所述初始位姿数据对应的高精地图数据和路面标识分割数据;
第一确定单元,用于根据所述高精地图数据和所述路面标识分割数据,确定所述自动驾驶车辆相对于路面的角度变化;
优化单元,用于基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建优化模型,并利用所述优化模型确定所述路面标识分割数据与所述高精地图数据之间的相对偏差;
第二确定单元,用于根据所述路面标识分割数据与所述高精地图数据之间的相对偏差,以及所述初始位姿数据,确定所述自动驾驶车辆的定位结果。
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,先获取自动驾驶车辆的初始位姿数据,以及初始位姿数据对应的高精地图数据和路面标识分割数据;然后根据高精地图数据和路面标识分割数据,确定自动驾驶车辆相对于路面的角度变化;之后基于自动驾驶车辆相对于路面的角度变化,利用高精地图数据和路面标识分割数据构建优化模型,并利用优化模型确定路面标识分割数据与高精地图数据之间的相对偏差;最后根据路面标识分割数据与高精地图数据之间的相对偏差,以及初始位姿数据,确定自动驾驶车辆的定位结果。本申请实施例的自动驾驶车辆的定位方法基于高精地图数据确定了车辆相对于路面的角度变化,提高了路面标识分割数据在车辆坐标系下的计算精度,利用基于视觉技术得到的路面标识分割数据辅助定位,提高了车辆在城市峡谷、隧道等场景下的定位精度。
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,获取自动驾驶车辆的初始位姿数据,以及所述初始位姿数据对应的高精地图数据和路面标识分割数据。
本申请实施例的自动驾驶车辆的定位方法在进行定位时,需要先获取自动驾驶车辆的初始位姿数据,初始位姿数据可以基于车辆上的惯导设备测量的数据计算得到,例如可以根据惯导设备测量的角速度和线加速度,通过预积分或者其他方法,预测出车辆的初始位姿。当然也可以通过惯导设备与GPS定位信号或者里程计数据进行融合之后得到车辆的初始位姿。
由于初始位姿数据易受到惯导性能、卫星定位信号好坏等的影响,在一些定位场景下的定位精度难以满足自动驾驶需求,因此本申请实施例需要进一步对初始位姿数据进行校正,这里需要先获取初始位姿数据对应的高精地图数据和路面标识分割数据。
高精地图数据中包含的信息不仅有高精度的位置坐标,同时还有准确的道路形状,并且每个车道的坡度、曲率、航向、高程,侧倾的数据也都包含在内,另外,每条车道上的标识类型、车道线的颜色、道路的隔离带、道路上的指示牌上的箭头和文字等都会在高精地图中呈现。因此基于高精地图数据能够为自动驾驶车辆的定位提供有力支撑。为了提高后续匹配和定位效率,这里可以基于初始位姿数据获取小范围内的局部高精地图数据。
在获取路面标识分割数据时,可以先获取车载相机采集的道路图像,然后利用训练好的预设语义分割模型对道路图像中包含的路面标识进行语义分割,得到路面标识分割结果,预设语义分割模型可以基于现有技术中的卷积神经网络训练得到,例如可以采用U-NET或者LaneNet模型等,当然具体采用何种形式的语义分割模型,本领域技术人员可以根据实际需求灵活选择,在此不作具体限定。
步骤S120,根据所述高精地图数据和所述路面标识分割数据,确定所述自动驾驶车辆相对于路面的角度变化。
自动驾驶车辆的定位通常是以车辆坐标系为基准实现的,车辆坐标系是一个以车辆本身为原点的欧式坐标系,即建立在“欧几里德几何”上的坐标系。具体地,车辆坐标系可以是以车辆后轴中心为原点,车头方向为x轴正方向,车身左侧为y轴正方向,竖直向上为z轴正方向(符合右手定则)的车身坐标系。由于高精地图数据是在静态情况下以地面为0平面构建的世界坐标系下的数据,而车辆在运动过程中,构建的车辆坐标系所参照的0平面会发生变化,因此需要对这个变化所带来的偏差进行补偿。
基于此,本申请实施例可以根据高精地图数据和路面标识分割数据之间的匹配情况,来确定自动驾驶车辆相对于路面的角度变化,从而提高路面标识分割数据在车辆坐标系中的计算精度。
步骤S130,基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建优化模型,并利用所述优化模型确定所述路面标识分割数据与所述高精地图数据之间的相对偏差。
在得到自动驾驶车辆相对于路面的角度变化后,可以基于此对路面标识分割数据在车辆坐标系下的计算偏差进行补偿,进而再根据补偿后的路面标识分割数据与高精地图数据之间的偏差来构建优化模型,优化模型例如可以是非线性优化模型,利用一定求解算法如最小二乘法等进行求解,从而可以得到优化后的路面标识分割数据与高精地图数据之间的相对偏差。
步骤S140,根据所述路面标识分割数据与所述高精地图数据之间的相对偏差,以及所述初始位姿数据,确定所述自动驾驶车辆的定位结果。
基于路面标识分割数据与高精地图数据之间的相对偏差可以对初始位姿数据进行修正,从而提高位姿计算的精度,进而提高自动驾驶车辆的定位精度。
本申请实施例的自动驾驶车辆的定位方法基于高精地图数据确定了车辆相对于路面的角度变化,提高了路面标识分割数据在车辆坐标系下的计算精度,利用基于视觉技术得到的路面标识分割数据辅助定位,提高了车辆在城市峡谷、隧道等场景下的定位精度。
在本申请的一些实施例中,所述根据所述高精地图数据和所述路面标识分割数据,确定所述自动驾驶车辆相对于路面的角度变化包括:将所述高精地图数据和所述路面标识分割数据分别转换到车辆坐标系下,得到车辆坐标系下的高精地图数据和车辆坐标系下的路面标识分割数据;将所述车辆坐标系下的高精地图数据和所述车辆坐标系下的路面标识分割数据进行匹配;根据匹配结果确定所述自动驾驶车辆相对于路面的角度变化。
本申请实施例在确定车辆相对于路面的角度变化时,可以先将高精地图数据和路面标识分割数据统一转换到车辆坐标系下,由于车辆坐标系本质上可以看作是一种以车辆自身为原点建立的局部世界坐标系,而高精地图数据是位于全局世界坐标系下的,因此高精地图数据到车辆坐标系的转换可以看作是一种刚性变换,而路面标识分割数据是位于图像坐标系下的,因此其到车辆坐标系的转换属于透视变换,可以基于相机参数来进行转换。
在得到车辆坐标系下的高精地图数据和路面标识分割数据后,在车辆坐标系中将路面标识分割数据用点云表示,从而便于后续处理。之后可以将车辆坐标系下的高精地图数据中的路面标识数据与路面标识分割数据进行匹配,以车道线为例,具体匹配的维度可以包括车道线拟合方程、车道线属性以及车道线之间的几何关系等,车道线属性具体可以包括车道线颜色如白色或者黄色,以及车道线类型如实线或者虚线,单线或者双线等等,车道线之间的几何关系例如可以包括图像中分割出的多个车道线之间的相对位置关系,如果车道线拟合方程的参数相同或者相近,车道线颜色和类型也相同,车道线几何关系也相同,那么可以认为是相匹配的车道线。
实际场景下,受到一些外界因素等的影响,高精地图数据和路面标识分割数据之间不会完全匹配上,因此本申请实施例的匹配结果可以理解为是车辆坐标系下的路面标识分割数据与相匹配的高精地图数据在位置和姿态等方面的偏差程度,进而可以以此来计算车辆相对于路面的角度偏差。
在本申请的一些实施例中,所述根据匹配结果确定所述自动驾驶车辆相对于路面的角度变化包括:获取与所述车辆坐标系下的路面标识分割数据相匹配的高精地图数据中的车道线拟合方程;根据所述路面标识分割数据中的车道线点和所述车道线拟合方程,构建点-线误差模型;基于所述点-线误差模型,确定所述自动驾驶车辆相对于路面的角度变化。
本申请实施例在将高精地图数据与路面标识分割数据进行匹配之后,能够找出与路面标识分割数据最匹配的高精地图数据,进而可以从该高精地图数据中获取到相匹配的车道线的拟合方程,然后在基于路面标识分割数据中的车道线点和车道线拟合方程构建点-线误差模型,采用非线性优化的方式进行优化,待优化量主要是车辆相对于路面的角度变化如俯仰角(pitch),从而可以得到优化后的车辆相对于路面的角度变化。
在本申请的一些实施例中,所述自动驾驶车辆相对于路面的角度变化包括所述自动驾驶车辆相对于路面的俯仰角,所述基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建优化模型包括:基于相机参数和所述自动驾驶车辆相对于路面的俯仰角,对所述车辆坐标系下的路面标识分割数据进行修正,得到修正后的车辆坐标系下的路面标识分割数据;根据所述车辆坐标系下的高精地图数据和所述修正后的车辆坐标系下的路面标识分割数据,构建所述优化模型。
本申请实施例在得到车辆相对于路面的角度变化后,可以以地面为0平面,结合相机内外参,将路面标识分割数据重新转换到车辆坐标系下,由于有了车辆相对于路面的角度偏差的修正,因此转换后得到的路面标识分割数据相比修正之前具有更高的精度,也即提高了车辆坐标系下的路面标识分割数据的计算精度。
基于修正后的车辆坐标系下的路面标识分割数据和前述实施例中已经转换到车辆坐标系下的高精地图数据,可以构建非线性优化模型,进而得到更准确的优化结果。
在本申请的一些实施例中,所述基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建优化模型包括:确定所述路面标识分割数据的路面标识属性;基于所述自动驾驶车辆相对于路面的角度变化以及所述路面标识分割数据的路面标识属性,利用所述高精地图数据和所述路面标识分割数据构建所述路面标识属性对应的优化模型。
本申请实施例在构建优化模型时,还可以进一步结合路面标识属性的不同,分别构建不同的优化模型,最后再联合不同的优化模型共同优化,从而提高优化效率和优化效果。路面标识属性例如可以将路面标识区分为线型路面标识和非线型路面标识,线型路面标识例如可以包括车道线和停止线等,非线型路面标识例如可以包括箭头等。路面标识属性可以从路面标识的语义分割结果中得到。当然,具体还包括哪些属性的路面标识,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。
在本申请的一些实施例中,所述基于所述自动驾驶车辆相对于路面的角度变化以及所述路面标识分割数据的路面标识属性,利用所述高精地图数据和所述路面标识分割数据构建所述路面标识属性对应的优化模型包括:若所述路面标识属性为线型路面标识,则基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建点-线误差模型;若所述路面标识属性为非线型路面标识,则基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建3D点-3D点误差模型。
如果是线型路面标识如车道线或者停止线,则可以基于相匹配的车道线对或者停止线对构建点-线误差模型,如果是非线型路面标识如箭头,则可以基于相匹配的箭头点对构建3D点-3D点误差模型,对于3D点-3D点之间的匹配算法可以通过ICP(IterativeClosest Point,最近迭代算法)等点云配准方式来实现。最后结合点-线误差模型和3D点-3D点误差模型进行联合优化,通过最小二乘法等非线性优化模型的求解方式求解得到车辆坐标系下的路面标识分割数据与高精地图数据之间的相对偏差。
在本申请的一些实施例中,所述根据所述路面标识分割数据与所述高精地图数据之间的相对偏差,以及所述初始位姿数据,确定所述自动驾驶车辆的定位结果包括:根据所述路面标识分割数据与所述高精地图数据之间的相对偏差,对所述初始位姿数据进行修正,得到修正后的位姿数据;根据所述修正后的位姿数据,确定所述自动驾驶车辆的定位结果。
基于路面标识分割数据与高精地图数据之间的相对偏差可以对初始位姿数据进行修正,修正后的位姿数据具有更高的定位精度,因此这里可以直接将修正后的位姿数据作为自动驾驶车辆的最终定位结果,当然也可以进一步结合其他传感器的定位数据,利用卡尔曼滤波器或者扩展卡尔曼滤波器进行融合处理后输出最终的定位结果。
综上所述,本申请的自动驾驶车辆的定位方法至少取得了如下的技术效果:
1)基于视觉语义分割得到的路面标识分割数据,在城市峡谷、隧道等场景下辅助惯导设备等定位方案,提高了定位精度;
2)基于高精地图数据计算车辆相对于路面的角度变化,提高了车辆坐标系下的路面标识分割数据的计算精度;
3)根据不同属性的路面标识构建不同的误差优化模型,对所有误差优化模型联合优化,提高了优化效率和优化效果。
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包括:获取单元210、第一确定单元220、优化单元230以及第二确定单元240,其中:
获取单元210,用于获取自动驾驶车辆的初始位姿数据,以及所述初始位姿数据对应的高精地图数据和路面标识分割数据;
第一确定单元220,用于根据所述高精地图数据和所述路面标识分割数据,确定所述自动驾驶车辆相对于路面的角度变化;
优化单元230,用于基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建优化模型,并利用所述优化模型确定所述路面标识分割数据与所述高精地图数据之间的相对偏差;
第二确定单元240,用于根据所述路面标识分割数据与所述高精地图数据之间的相对偏差,以及所述初始位姿数据,确定所述自动驾驶车辆的定位结果。
在本申请的一些实施例中,所述第一确定单元220具体用于:将所述高精地图数据和所述路面标识分割数据分别转换到车辆坐标系下,得到车辆坐标系下的高精地图数据和车辆坐标系下的路面标识分割数据;将所述车辆坐标系下的高精地图数据和所述车辆坐标系下的路面标识分割数据进行匹配;根据匹配结果确定所述自动驾驶车辆相对于路面的角度变化。
在本申请的一些实施例中,所述第一确定单元220具体用于:获取与所述车辆坐标系下的路面标识分割数据相匹配的高精地图数据中的车道线拟合方程;根据所述路面标识分割数据中的车道线点和所述车道线拟合方程,构建点-线误差模型;基于所述点-线误差模型,确定所述自动驾驶车辆相对于路面的角度变化。
在本申请的一些实施例中,所述自动驾驶车辆相对于路面的角度变化包括所述自动驾驶车辆相对于路面的俯仰角,所述优化单元230具体用于:基于相机参数和所述自动驾驶车辆相对于路面的俯仰角,对所述车辆坐标系下的路面标识分割数据进行修正,得到修正后的车辆坐标系下的路面标识分割数据;根据所述车辆坐标系下的高精地图数据和所述修正后的车辆坐标系下的路面标识分割数据,构建所述优化模型。
在本申请的一些实施例中,所述优化单元230具体用于:确定所述路面标识分割数据的路面标识属性;基于所述自动驾驶车辆相对于路面的角度变化以及所述路面标识分割数据的路面标识属性,利用所述高精地图数据和所述路面标识分割数据构建所述路面标识属性对应的优化模型。
在本申请的一些实施例中,所述优化单元230具体用于:若所述路面标识属性为线型路面标识,则基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建点-线误差模型;若所述路面标识属性为非线型路面标识,则基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建3D点-3D点误差模型。
在本申请的一些实施例中,所述第二确定单元240具体用于:根据所述路面标识分割数据与所述高精地图数据之间的相对偏差,对所述初始位姿数据进行修正,得到修正后的位姿数据;根据所述修正后的位姿数据,确定所述自动驾驶车辆的定位结果。
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:
获取自动驾驶车辆的初始位姿数据,以及所述初始位姿数据对应的高精地图数据和路面标识分割数据;
根据所述高精地图数据和所述路面标识分割数据,确定所述自动驾驶车辆相对于路面的角度变化;
基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建优化模型,并利用所述优化模型确定所述路面标识分割数据与所述高精地图数据之间的相对偏差;
根据所述路面标识分割数据与所述高精地图数据之间的相对偏差,以及所述初始位姿数据,确定所述自动驾驶车辆的定位结果。
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:
获取自动驾驶车辆的初始位姿数据,以及所述初始位姿数据对应的高精地图数据和路面标识分割数据;
根据所述高精地图数据和所述路面标识分割数据,确定所述自动驾驶车辆相对于路面的角度变化;
基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建优化模型,并利用所述优化模型确定所述路面标识分割数据与所述高精地图数据之间的相对偏差;
根据所述路面标识分割数据与所述高精地图数据之间的相对偏差,以及所述初始位姿数据,确定所述自动驾驶车辆的定位结果。
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:
获取自动驾驶车辆的初始位姿数据,以及所述初始位姿数据对应的高精地图数据和路面标识分割数据;
根据所述高精地图数据和所述路面标识分割数据,确定所述自动驾驶车辆相对于路面的角度变化;
基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建优化模型,并利用所述优化模型确定所述路面标识分割数据与所述高精地图数据之间的相对偏差;
根据所述路面标识分割数据与所述高精地图数据之间的相对偏差,以及所述初始位姿数据,确定所述自动驾驶车辆的定位结果。
2.如权利要求1所述方法,其中,所述根据所述高精地图数据和所述路面标识分割数据,确定所述自动驾驶车辆相对于路面的角度变化包括:
将所述高精地图数据和所述路面标识分割数据分别转换到车辆坐标系下,得到车辆坐标系下的高精地图数据和车辆坐标系下的路面标识分割数据;
将所述车辆坐标系下的高精地图数据和所述车辆坐标系下的路面标识分割数据进行匹配;
根据匹配结果确定所述自动驾驶车辆相对于路面的角度变化。
3.如权利要求2所述方法,其中,所述根据匹配结果确定所述自动驾驶车辆相对于路面的角度变化包括:
获取与所述车辆坐标系下的路面标识分割数据相匹配的高精地图数据中的车道线拟合方程;
根据所述路面标识分割数据中的车道线点和所述车道线拟合方程,构建点-线误差模型;
基于所述点-线误差模型,确定所述自动驾驶车辆相对于路面的角度变化。
4.如权利要求2所述方法,其中,所述自动驾驶车辆相对于路面的角度变化包括所述自动驾驶车辆相对于路面的俯仰角,所述基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建优化模型包括:
基于相机参数和所述自动驾驶车辆相对于路面的俯仰角,对所述车辆坐标系下的路面标识分割数据进行修正,得到修正后的车辆坐标系下的路面标识分割数据;
根据所述车辆坐标系下的高精地图数据和所述修正后的车辆坐标系下的路面标识分割数据,构建所述优化模型。
5.如权利要求1所述方法,其中,所述基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建优化模型包括:
确定所述路面标识分割数据的路面标识属性;
基于所述自动驾驶车辆相对于路面的角度变化以及所述路面标识分割数据的路面标识属性,利用所述高精地图数据和所述路面标识分割数据构建所述路面标识属性对应的优化模型。
6.如权利要求5所述方法,其中,所述基于所述自动驾驶车辆相对于路面的角度变化以及所述路面标识分割数据的路面标识属性,利用所述高精地图数据和所述路面标识分割数据构建所述路面标识属性对应的优化模型包括:
若所述路面标识属性为线型路面标识,则基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建点-线误差模型;
若所述路面标识属性为非线型路面标识,则基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建3D点-3D点误差模型。
7.如权利要求1所述方法,其中,所述根据所述路面标识分割数据与所述高精地图数据之间的相对偏差,以及所述初始位姿数据,确定所述自动驾驶车辆的定位结果包括:
根据所述路面标识分割数据与所述高精地图数据之间的相对偏差,对所述初始位姿数据进行修正,得到修正后的位姿数据;
根据所述修正后的位姿数据,确定所述自动驾驶车辆的定位结果。
8.一种自动驾驶车辆的定位装置,其中,所述装置包括:
获取单元,用于获取自动驾驶车辆的初始位姿数据,以及所述初始位姿数据对应的高精地图数据和路面标识分割数据;
第一确定单元,用于根据所述高精地图数据和所述路面标识分割数据,确定所述自动驾驶车辆相对于路面的角度变化;
优化单元,用于基于所述自动驾驶车辆相对于路面的角度变化,利用所述高精地图数据和所述路面标识分割数据构建优化模型,并利用所述优化模型确定所述路面标识分割数据与所述高精地图数据之间的相对偏差;
第二确定单元,用于根据所述路面标识分割数据与所述高精地图数据之间的相对偏差,以及所述初始位姿数据,确定所述自动驾驶车辆的定位结果。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210837535.9A CN115127563A (zh) | 2022-07-15 | 2022-07-15 | 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 |
---|---|---|---|
CN202210837535.9A CN115127563A (zh) | 2022-07-15 | 2022-07-15 | 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 |
---|---|
CN115127563A true CN115127563A (zh) | 2022-09-30 |
Family
ID=83383745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210837535.9A Pending CN115127563A (zh) | 2022-07-15 | 2022-07-15 | 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) | CN115127563A (zh) |
-
2022
- 2022-07-15 CN CN202210837535.9A patent/CN115127563A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805934B (zh) | 一种车载摄像机的外部参数标定方法及装置 | |
CN110530372B (zh) | 定位方法、路径确定方法、装置、机器人及存储介质 | |
CN114088114B (zh) | 车辆位姿校准方法、装置和电子设备 | |
CN115184976B (zh) | 自动驾驶车辆的定位方法、装置及电子设备、存储介质 | |
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 | |
CN114705121B (zh) | 车辆位姿测量方法、装置及电子设备、存储介质 | |
CN115493602A (zh) | 语义地图构建方法、装置及电子设备、存储介质 | |
CN115143952A (zh) | 基于视觉辅助的自动驾驶车辆定位方法、装置 | |
CN115376090A (zh) | 高精地图构建方法、装置及电子设备、存储介质 | |
CN114323050A (zh) | 车辆定位方法、装置和电子设备 | |
CN113609148A (zh) | 一种地图更新的方法和装置 | |
CN116997771A (zh) | 车辆及其定位方法、装置、设备、计算机可读存储介质 | |
CN114677663A (zh) | 车辆定位方法、装置及电子设备、计算机可读存储介质 | |
CN111982132B (zh) | 数据处理方法、装置和存储介质 | |
CN115546315A (zh) | 自动驾驶车辆的传感器在线标定方法、装置及存储介质 | |
CN115112125A (zh) | 自动驾驶车辆的定位方法、装置及电子设备、存储介质 | |
CN115950441B (zh) | 自动驾驶车辆的融合定位方法、装置及电子设备 | |
CN114755663A (zh) | 车辆传感器的外参校准方法、装置及计算机可读存储介质 | |
CN115127563A (zh) | 自动驾驶车辆的定位方法、装置及电子设备、存储介质 | |
CN111351497A (zh) | 一种车辆的定位方法、装置、地图的构建方法和装置 | |
CN115031755A (zh) | 自动驾驶车辆定位方法、装置及电子设备、存储介质 | |
CN114910083A (zh) | 定位方法以及定位装置、电子设备、存储介质 | |
CN114739416A (zh) | 自动驾驶车辆定位方法、装置及电子设备、存储介质 | |
CN114677448A (zh) | 车载相机的外参校正方法、装置及电子设备、存储介质 | |
CN114705199A (zh) | 一种车道级融合定位方法及系统 |
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 |