CN115235500B - 基于车道线约束的位姿校正方法及装置、全工况静态环境建模方法及装置 - Google Patents

基于车道线约束的位姿校正方法及装置、全工况静态环境建模方法及装置 Download PDF

Info

Publication number
CN115235500B
CN115235500B CN202211124194.7A CN202211124194A CN115235500B CN 115235500 B CN115235500 B CN 115235500B CN 202211124194 A CN202211124194 A CN 202211124194A CN 115235500 B CN115235500 B CN 115235500B
Authority
CN
China
Prior art keywords
lane line
information
visual
map
parameter information
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.)
Active
Application number
CN202211124194.7A
Other languages
English (en)
Other versions
CN115235500A (zh
Inventor
徐宁
曹菊宁
徐成
张放
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.)
Beijing Idriverplus Technologies Co Ltd
Original Assignee
Beijing Idriverplus Technologies 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 Beijing Idriverplus Technologies Co Ltd filed Critical Beijing Idriverplus Technologies Co Ltd
Priority to CN202211124194.7A priority Critical patent/CN115235500B/zh
Publication of CN115235500A publication Critical patent/CN115235500A/zh
Application granted granted Critical
Publication of CN115235500B publication Critical patent/CN115235500B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Multimedia (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种基于车道线约束的位姿校正方法及装置、全工况静态环境建模方法及装置，位姿校正方法包括：根据获取到的第一参数信息和第二参数信息确定出当前自车位置姿态信息，其中，所述第一参数信息包括自车在前一帧的历史位置姿态信息，第二参数信息包括前一帧和当前帧的定位数据；基于获取到的第三参数信息确定并生成参考车道线，其中，所述第三参数信息包括地图数据；基于获取到的第四参数信息确定出视觉车道线，其中，所述第四参数信息包括视觉检测数据；根据所述参考车道线和视觉车道线对所述当前自车位置姿态信息进行校正。本发明的方案解决了单一方面数据信息精度降低或失效导致的自车定位不准确问题，实现了全工况覆盖。

Description

基于车道线约束的位姿校正方法及装置、全工况静态环境建模方法及装置
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于车道线约束的位姿校正方法、基于车道线约束的位姿校正装置、全工况静态环境建模方法及装置、计算装置以及移动工具和存储介质。
背景技术
自动驾驶车辆的自动驾驶系统(Autonomous Driving System，简称ADS)可分为环境感知、数据融合、决策系统、控制系统、执行系统五部分。其中，环境感知是指通过车载传感系统提取车辆、行人、道路、交通标示等车辆当前行驶环境信息，并将提取到的信息传输给其他系统以实现自动驾驶的路径规划和车辆行为控制。由此可见，环境感知是ADS的信息基础，现阶段对自动驾驶安全的重要要求就是如何能使自动驾驶车辆行驶得像正常车辆，不给环境造成困扰，并且符合人类司机的认知和预判。
由于目前自动驾驶系统均是通过定位方案来获取较为精准的自车定位信息，并以此为基础，结合地图信息，来搭建车身周围环境模型的，因此，显然自车定位已经成为了环境感知的重要部分，更是环境建模的重要依据。目前，以GNSS为主、结合IMU和轮速计的定位方案应用广泛，但在长隧道、高楼耸立遮挡严重的环境下，易产生定位精度下降，甚至定位失效，无法做到结构化道路场景的全工况覆盖。专利CN109186616A《基于高精度地图和场景检索的车道线辅助定位方法》和专利CN107782321A《一种基于视觉和高精度地图车道线约束的组合导航方法》中，均采用视觉检测车道线辅助校正定位，解决GNSS受干扰问题。但在实际应用中，受实际环境状况影响，有可能存在无法检出可用车道线情况，存在一定的场景覆盖缺失，无法实现各种结构化道路场景工况全覆盖，如在车流密度较大及拥堵工况下，就可能会无法检出可用车道线。
此外，目前自动驾驶系统使用的地图信息主要为高精地图，具备精度高、要素全的优点，但采建制成本较高，相对而言导航地图因采建制成本低，已逐渐开始应用在自动驾驶领域中，然而目前暂无一套统一的环境建模方法，能够实现定位精度下降或失效情况下的定位校正，并同时兼容高精地图和导航地图两种地图方案。
发明内容
本发明实施例提供一种基于车道线约束的位姿校正方案，以解决现有技术中的定位方案易受环境影响，在部分极端场景下可能出现精度下降甚至失效情况，无法实现各种结构化道路场景工况全覆盖的问题。
第一方面，本发明实施例提供一种基于车道线约束的位姿校正方法，其包括：
根据获取到的第一参数信息和第二参数信息确定出当前自车位置姿态信息，其中，所述第一参数信息包括自车在前一帧的历史位置姿态信息，第二参数信息包括前一帧和当前帧的定位数据；
基于获取到的第三参数信息确定并生成参考车道线，其中，所述第三参数信息包括地图数据；
基于获取到的第四参数信息确定出视觉车道线，其中，所述第四参数信息包括视觉检测数据；
根据所述参考车道线和视觉车道线对所述当前自车位置姿态信息进行校正。
第二方面，本发明实施例提供一种全工况静态环境建模方法，其包括：
根据本发明第一方面所述的基于车道线约束的位姿校正方法获取当前自车位置姿态信息；
根据所述当前自车位置姿态信息和获取到的地图信息构建静态环境模型，其中，构建的静态环境模型为用于描述周围环境信息的语义信息。
第三方面，本发明实施例提供一种基于车道线约束的位姿校正装置，其包括：
位姿确定模块，用于根据获取到的第一参数信息和第二参数信息确定出当前自车位置姿态信息，其中，所述第一参数信息包括自车在前一帧的历史位置姿态信息，第二参数信息包括前一帧和当前帧的定位数据；
第一辅助模块，用于基于获取到的第三参数信息确定出参考车道线，其中，所述第三参数信息包括地图数据；
第二辅助模块，用于基于获取到的第四参数信息确定并生成视觉车道线，其中，所述第四参数信息包括视觉检测数据；
位姿校正模块，用于根据所述参考车道线和视觉车道线对所述当前自车位置姿态信息进行校正。
第四方面，本发明实施例提供一种全工况静态环境建模装置，其包括：
定位模块，用于根据本发明第一方面所述的基于车道线约束的位姿校正方法获取当前自车位置姿态信息；
模型构建模块，用于根据所述当前自车位置姿态信息和获取到的地图信息构建静态环境模型，其中，构建的静态环境模型为用于描述周围环境信息的语义信息。
第五方面，本发明实施例提供了一种计算装置，其包括：
存储器，用于存储可执行指令；以及
处理器，用于执行存储器中存储的可执行指令，所述可执行指令在由所述处理器执行时实现本发明第一方面或第二方面提供的方法步骤。
第六方面，本发明实施例提供了一种移动工具，其包括根据本发明第五方面所述的计算装置。
第七方面，本发明提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面或第二方面提供的方法的步骤。
本发明实施例的有益效果在于：本发明实施例提供的方法将前一帧的历史数据作为当前帧的补充输入，同时结合定位数据、视觉检测数据和地图数据来实现对当前自车位置姿态信息的确定和校正，解决了单一方面数据信息精度降低或失效导致的自车定位不准确问题，实现了全工况覆盖，即使在定位精度低且受车流密度影响车道线检测效果差的工况下，也能够实现当前自车位置姿态信息的精准定位，能够有效应用于全工况结构道路场景下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施方式的基于车道线约束的位姿校正方法的流程示意图；
图2为本发明一实施方式的确定参考车道线的方法流程示意图；
图3示意性地显示了本发明一实施方式的确定车道线的方法的流程示意图；
图4示意性地示出了本发明一实施方式的根据历史环境模型来生成车道线的方法流程示意图；
图5示意性地显示了本发明一实施方式的根据参考车道线和车道线对所述当前自车位置姿态信息进行校正的方法的流程示意图；
图6示意性地显示了本发明一实施方式的确定校正参数的方法的流程示意图；
图7示意性地显示了本发明另一实施方式的基于车道线约束的位姿校正方法的流程示意图；
图8为本发明一实施方式的全工况静态环境建模方法的流程示意图；
图9示意性地示出了本发明一实施例的基于车道线约束的位姿校正装置的原理框图；
图10为本发明另一实施方式的基于车道线约束的位姿校正装置的原理框图；
图11为本发明一实施方式的全工况静态环境建模装置的原理框图；
图12为本发明一实施方式的计算装置的原理框图；
图13为本发明一实施方式的移动工具的原理框图；
图14为本发明的基于车道线约束的位姿校正装置的一实施例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
在本发明中，“模块”、“装置”、“系统”等指应用于计算机的相关实体，如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说，例如，元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有，运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中，并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间，并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号，例如，来自一个与本地系统、分布式系统中另一元件交互的，和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”，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、物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……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明实施例中的基于车道线约束的位姿校正方法可以应用在任何需要使用定位技术的产品中，特别是基于以GNSS为主、结合IMU、轮速计、高清相机和硬件传感器等感知模块以获取上游输入信息的智能产品中，以使得这些智能产品能够利用本发明实施例的定位方案来实现自车定位和环境建模。这些需要使用定位技术的产品例如包括但不限于能够实现自动行驶或半自动驾驶的移动工具，例如自动驾驶车辆(乘用车、公交车、大巴车、货车、卡车等)、无人扫地机、无人清洁车、机器人、无人扫地车、扫地机器人、其他机器人等智能移动平台，本发明对此不作限定。
图1示意性地显示了根据本发明一实施方式的基于车道线约束的位姿校正方法，该方法的执行主体可以为自动驾驶车辆上的定位装置或控制器，也可以为智能平板、个人PC、计算机、云端服务器等基于车道线约束的位姿校正装置的处理器，还可以为诸如无人清洁车、无人扫地车、扫地机器人、自动驾驶车辆、半自动驾驶设备等智能移动平台的处理器，本发明实施例不对此进行限制。如图1所示，本发明实施例的方法包括：
步骤S10：根据获取到的第一参数信息和第二参数信息确定出当前自车位置姿态信息，其中，所述第一参数信息包括自车在前一帧的历史位置姿态信息，第二参数信息包括前一帧和当前帧的定位数据；
步骤S11：基于获取到的第三参数信息确定并生成参考车道线，其中，所述第三参数信息包括地图数据；
步骤S12：基于获取到的第四参数信息确定出视觉车道线，其中，所述第四参数信息包括视觉检测数据；
步骤S13：根据所述参考车道线和视觉车道线对所述当前自车位置姿态信息进行校正。
在本发明实施例中，确定出的当前自车位置姿态信息是指当前帧下自车的位置姿态信息，其中，位置姿态信息优选是由自车在UTM坐标系(Universal Transverse MercatorGrid System,通用横墨卡托格网系统，用于描述全局定位信息)下的位置横坐标、位置纵坐标和车头朝向共同限定，示例性地，位置姿态信息由(xg,yg,heading)来标识，其中，xg为UTM坐标系下位置横坐标，yg为UTM坐标系下位置纵坐标，heading为UTM坐标系下车头朝向。由于本发明实施例是基于不同帧的数据信息来确定相应帧下的自车位置姿态信息的，因此，在当前帧下，各在前的历史帧的自车位置姿态信息均是已经确定的先验信息，因而本发明实施例在具体实现中可以通过将确定的各个帧下的自车位置姿态信息进行存储，即可在步骤S10中获取到自车在前一帧的历史位置姿态信息。
作为一种优选实施方式，本发明可以基于GNSS(Global Navigation SatelliteSystem，全球导航卫星系统，泛指所有可用的导航定位系统，如GPS、伽利略、北斗等)，并结合IMU(Inertial Measurement Unit，惯性测量单元，用于测量物体在三维空间中的角速度、角速率和加速度等)、轮速计、高清相机和多个传感器来实现车道线检测，以实现对当前自车位置姿态信息的辅助定位。由此，本发明实施例的提供有定位数据的第二参数信息、提供有地图数据的第三参数信息、提供有视觉检测数据的第四参数信息均可以通过GNSS、IMU、轮速计、高清相机和多个传感器等硬件模块获取到。在其他实施例中，第二参数信息、第三参数信息和第四参数信息也可以从其他前置模块获取，本发明实施例对此不进行限制。
示例性地，从上述硬件模块或其他前置模块获取的第二参数信息具体可以为包括定位数据，定位数据例如包括UTM坐标系下定位信息、DR坐标系下定位信息和当前定位精度状态；获取的第三参数信息具体可以为包括高精地图信息或导航地图信息；获取的第四参数信息具体可以为包括视觉检测信息，视觉检测信息例如包括在车体坐标系下的检测到的多个车道点和当前视觉检测状态。
为了方便下文描述，在本发明实施例中，对定位数据和车道线信息的标识方式作出定义如下：将在UTM坐标系下的位置姿态信息定义为由(xg,yg,heading)来标识，并用字符“loc”来区分标记当前帧的定位数据，如(xgloc,ygloc,headingloc)表示当前定位数据中包含的常用位置姿态信息，用字符“env”来区分标记在当前帧下确定出的当前自车的位姿信息，如(xgenv,ygenv,headingenv)表示确定出的当前自车位置姿态信息，用字符“hd”来区分标记高精地图中的车道线信息，用字符“re”来区分标记中间计算过程中用到的参考车道线信息，各类车道线信息内包含的车道点用字符“point”定义，车道点中UTM坐标系下位置姿态信息用(e_xg,e_yg,e_heading)来标识，其中e_xg为在UTM坐标系下位置横坐标，e_yg为在UTM坐标系下位置纵坐标，e_heading为在UTM坐标系下车头朝向；车道点中车体坐标系下位置姿态信息用(e_x,e_y,e_angle)来标识，其中e_x为车体坐标系下横向坐标，沿车头方向为正，e_y为车体坐标系下纵向坐标，沿车头左侧方向为正，e_angle为车体坐标系下相对角度，同时可结合上述定义符号区分定义信息类别，例如参考车道线中车道点在UTM坐标系下位置姿态为(e_xgre,e_ygre,e_headingre)，再如高精地图车道线下包含的多个车道点标识为hd_point，用下角标“-1”来区别标记上一帧数据，例如LOC_data-1表示上一帧的定位数据，(xgloc-1,ygloc-1,headingloc-1)表示上一帧定位数据LOC_data中包含的常用位置姿态信息，用前符号“△”来区别标记当前帧与上一帧历史数据的相对变化，例如△LOC_data＝LOC_data-LOC_data-1，表示当前帧与上一帧定位数据的相对变化，以此类推。另外，由于车道线不只存在一条，其数量和车道数量相关，因此在本发明实施例中，还在定义字符中间插入数字以用于表示车道线编号，例如，车道线编号定义为从0开始累加，高精地图中当前道路下最左侧车道线为HD_0_line。
在本发明实施例中，是基于从前置模块获取的定位数据、视觉检测数据和地图数据，并结合历史记录信息来共同确定出当前自车位置姿态信息的，其包括了初步确定当前自车位置姿态信息的处理过程和对初步确定的当前自车位置姿态信息进行校正的处理过程，由于充分利用了地图信息、定位信息、感知信息和历史信息，因而解决了单一方面数据信息精度降低或失效导致的定位不准确的问题，能够实现全工况覆盖和精确定位。以下将结合具体实施方式对图1中各个步骤的实现过程进行详细描述。
在步骤S10中，主要实现了基于定位数据和历史位置姿态信息对当前自车位置姿态信息的初步确定，即基于获取到的最新的当前帧定位数据对当前自车位置姿态信息的初步更新。具体地，以获取到的定位数据包括DR坐标系下的定位信息为例，根据上一帧DR坐标系下的定位信息DR_data-1和当前帧下的定位信息DR_data计算得到自车的相对移动，并基于上一帧确定出的自车位置姿态信息，即可初步确定出当前自车位置姿态信息(xgenv,ygenv,headingenv)为：
xgenv＝xgenv-1+xgdr-xgdr-1；
ygenv＝ygenv-1+ygdr-ygdr-1；
headingenv＝headingenv-1+headingdr-headingdr-1。
优选地，由于通过定位传感器等硬件模块获取到的定位信息具有频率快、周期短的特点，因此，在本发明的优选实施例中，会先对获取到的参数信息进行预处理，以使得在步骤S10至步骤S13中利用的参数信息具有时间上的同步性，如将基于高清相机获取的第四参数信息和基于定位传感器获取的第二参数信息在时间上进行同步，以确定本发明实施例的方法使用的数据均是在一致的时间节点下的，进而使得最终确定出的当前自车位置姿态信息更加精准。具体地，可以通过缓存多帧定位数据，并在获取到当前最新视觉检测数据时，从缓存的定位数据中选取与当前最新视觉检测数据时间匹配的定位数据作为当前帧的定位数据，以基于选取出的定位数据作为后续处理的依据。
在步骤S11至步骤S13中，主要实现了基于检测到的车道线信息对当前自车位置姿态信息的校正，即实现了基于车道线对当前自车位置姿态信息的辅助定位，以期保证确定出的当前自车位置姿态信息的精准性。
其中，在本发明实施例中，在步骤S11中是基于地图数据来确定参考车道线的。作为一种优选实施方式，本发明实施例可以根据地图数据类型来灵活选择确定参考车道线的策略，从而实现对不同地图场景下的兼容，以使得能够同时基于不同地图类型来进行精准定位，实现结构化道路下的全工况覆盖。图2示意性地显示了本发明一种实施方式的确定参考车道线的方法，如图2所示，步骤S11基于获取到的第三参数信息确定并生成参考车道线，具体可以实现为包括：
步骤S111：根据获取到的地图数据进行判断，根据判断结果在所述地图数据为第一地图信息时，进行步骤S112的处理，在所述地图数据为第二地图信息时，进行步骤S113的处理；
步骤S112：根据第一地图信息中的第一参考车道线信息生成参考车道线，其中，所述第一参考车道线信息包括多个参考线车道点的第一地图位置姿态信息；
步骤S113：根据历史环境模型中包括的前一帧的历史车道线生成参考车道线。
在本发明实施例中，示例性地，第一地图信息为高精地图，第二地图信息为导航地图，在其他实施方式中，第一地图信息也可以为其他的具有高精度特点的地图，第二地图信息也可以为其他的具有精度较低特点的地图，可以理解的是，只要是具有高精地图的元素信息全、精度高、包含高精度车道线位置信息的地图信息都可以作为本发明实施例中的第一地图信息，以实现用于根据第一地图信息来获取参考车道线；相应地，只要是具有所包含的车道线位置信息精度不够、但其拓扑信息是全的这一特点的地图都可以作为本发明实施例中的第二地图信息，以实现在这种情况下根据历史环境模型来获取参考车道线。作为一种优选实施例，当使用的地图为高精地图时，本发明是将参考车道信息等同于高精地图车道线信息，而当使用的地图为导航地图时，本发明则是将参考车道信息等同于上一帧环境建模输出的车道线信息。因此，在步骤S112中，本发明实施例是根据第一地图信息即高精地图中的第一参考车道线信息生成参考车道线，而在步骤S113中，则是根据历史环境模型中包括的前一帧的历史车道线生成参考车道线，由于在先历史环境模型中已经确定出了前一帧的车道线，因而直接从历史环境模型中获取前一帧的车道线作为补充输入，并将其作为参考车道线即可。
具体地，由于高精地图中一般包括有多个参考线车道点的位置姿态信息，本发明实施例称之为参考线车道点的第一地图位置姿态信息，因此，作为一种具体实现方式，可以基于高精地图中的参考线车道点的第一地图位置姿态信息来生成参考车道线，其包括首先对高精地图中的参考线车道点进行坐标转换，将各参考线车道点在UTM坐标系下位置姿态(e_xgre,e_ygre,e_headingre,kre)，经坐标转换以得到其在车体坐标系下的位置姿态为：
e_xre＝(e_xgre-xgenv)×cos(headingenv)+(e_ygre-ygenv)×sin(headingenv)；
e_yre＝-(e_xgre-xgenv)×sin(headingenv)+(e_ygre-ygenv)×cos(headingenv)。
在进行坐标转换之后，则将高精地图中的参考车道线信息下包含的多组参考车道点用进行曲线拟合，以得到拟合后的曲线方程表示为Lre(e_xre,e_yre)，同时用数字表示对应的车道线编号，例如re_0_line对应的曲线方程为Lre0(e_xre,e_yre)。最后，再根据曲线方程计算各参考车道点处相对角度e_anglere为：
e_anglere＝tan-1(Lre(e_xre,e_yre))。
由此以基于高精地图中的参考车道点信息来生成参考车道线。其中，进行曲线拟合优选是采用多项式方法进行拟合，在其他实施例也可以采用诸如高斯拟合等其他拟合方法进行曲线拟合，以得到参考车道线的曲线方程。当然，在其他实施方式中，生成参考车道线的曲线方程也可以不局限于曲线拟合的方式，而是可以采用其他生成曲线方程的方式进行实现，本发明实施例对此不进行限制。
在步骤S12中，本发明实施例优选是基于视觉检测数据来确定视觉车道线的。作为一种优选实施方式，本发明实施例可以根据视觉检测状态来灵活选择确定视觉车道线的策略，从而避免视觉检测信息残缺等极限工况对定位精度和场景覆盖率的不良影响。图3示意性地显示了本发明一种实施方式的确定视觉车道线的方法，如图3所示，以获取的视觉检测数据包括视觉检测状态和多个车道点的环境位置姿态信息为例，步骤S12基于获取到的第四参数信息确定出视觉车道线，具体可以实现为包括：
步骤S121：根据视觉检测状态进行判断，在视觉检测状态为第一取值时，进行步骤S122的处理，在所述视觉检测状态为第二取值时，进行步骤S123的处理；
步骤S122：根据车道点的环境位置姿态信息生成视觉车道线；
步骤S123：根据第一参数信息和第四参数信息生成视觉车道线，其中，所述第一参数信息包括历史环境模型。
其中，根据从前置模块或诸如高清相机等硬件模块获取到的视觉检测数据存在状态良好和状态较差两种情况，其中，第一取值为用于表征车道线检测结果良好的状态，第二取值为用于表征车道线遮挡或模糊等导致的较差状态。由此，在本发明实施例中，当视觉检测状态良好时，由于车道线检测结果清晰，因此可以直接根据视觉检测数据中检测到的多个车道点的环境位置姿态信息来生成视觉车道线，而在视觉检测状态较差，如车道线模糊或被遮挡等工况下，则不直接利用视觉检测数据，而是根据历史环境模型和获取到的地图数据来生成视觉车道线，从而实现全工况场景下的高覆盖高精准的定位和环境信息检测。
示例性地，在步骤S122中，如果状态良好，即说明通过视觉检测能够直接检测到地面车道线并输出，此时将视觉检测数据中包括的多个车道点拟合为曲线，并以拟合得到的曲线作为视觉车道线，示例性地，视觉车道线的曲线方程可以表示为Lv(e_xv,e_yv)。其中，将多个车道点拟合生成用于表征视觉车道线的曲线，具体可以是采用多项式拟合、高斯拟合等拟合方法。
在本发明实施例中，环境模型是对当前移动工具如车辆所处环境的描述，其融合了GNSS导航、IMU、轮速计、高清相机和多传感器等的输入信息，旨在生成对周围环境精确、稳定的描述，并输出相应环境模型为车辆行驶规划等提供支持。示例性地，环境模型一般包含UTM坐标系下、自车坐标系下、frenet坐标系下车道线信息、车辆位置姿态信息、障碍物位置分布信息等，这些信息会在环境建模中存储，因而对于当前帧而言，上一帧的环境模型为已知信息，即历史环境模型信息已知，可作为当前帧的补充输入。在步骤S123中，即是利用了上一帧的历史环境模型来生成视觉车道线的。图4示意性显示了一种实施方式的根据历史环境模型来生成视觉车道线的方法，如图4所示，其实现为包括：
步骤S123A：根据历史环境模型和当前障碍物位置分布信息进行障碍物筛选，提取符合预设条件的障碍物位置信息；
步骤S123B：根据所述障碍物位置信息确定出虚拟车道点的位置；
步骤S123C：根据所述虚拟车道点生成所述视觉车道线。
在步骤S123A中，进行障碍物筛选可以是剔除存在压线行为的障碍物，而将其余的障碍物(即不存在压线行为的障碍物)作为符合预设条件的障碍物，以提取出其位置信息。其中，存在压线行为的障碍物，是指障碍物是至少部分地覆盖了在了车道线上。具体地，可以根据车道线与障碍物位置框之间是否存在穿越关系来判断相应障碍物是否存在压线行为。示例性地，由于历史环境模型中存储有在前一帧确定出的历史车道线对应的曲线方程，因此可以基于此确定出当前时刻历史车道线对应的曲线方程的递推方程，而由于第四参数信息包括了视觉检测数据，视觉检测数据包括了当前帧下的障碍物位置分布情况，因而根据当前帧的视觉检测数据即可确定出各障碍物的当前位置分布信息，例如根据当前帧的视觉检测数据就可以获知到当前帧下各障碍物的位置框信息，因而可以通过当前障碍物的位置框信息与历史车道线对于的曲线方程的递推方程的位置关系来判断历史车道线对应的递推方程曲线是否穿过了当前时刻的障碍物的位置框，并根据判断结果来确定该障碍物是否存在压线行为，如将历史车道线对应的递推方程曲线穿过的位置框标识的障碍物视为压线障碍物。并通过判断各障碍物的位置是否处于车道线上，来筛选出存在明显压线行为的障碍物，并将其剔除，而将余下的障碍物作为符合条件的障碍物并提取其位置信息以供后续处理使用。示例性地，确定出的障碍物的位置框信息可以是由位置框的顶点坐标信息和位置框的范围信息来限定。其中，基于前一帧确定出的历史车道线对应的曲线方程确定当前时刻的递推方程的具体实现方式可以参照现有技术实现，判断历史车道线对应的递推方程是否穿过相应帧的障碍物的外接矩形框的优选是在车体坐标系下进行的，提取出的符合预设条件的障碍物位置信息用障碍物位置坐标(xobj,yobj,angleobj)标识，xobj表示障碍物在车体坐标系下的横向坐标位置，yobj,表示障碍物在车体坐标系下的纵向坐标位置，而angleobj表示障碍物在车体坐标系下的相对角度。
在步骤S123B中，可以通过对障碍物进行移位来确定出虚拟车道点，优选可以是将提取出的障碍物(xobj,yobj,angleobj)的位置沿垂线方向进行平移，以基于选取出的符合预设条件的这些障碍物位置信息推测出车道线的可能位置。其中，在本发明实施例中，由于障碍物位置是由坐标(xobj,yobj,angleobj)标识的具有方向的矢量，因此，可以以障碍物上的点的位置和相对角度作垂线，以基于该垂线进行平移。在其他实施方式中，也可以对提取出的障碍物做其他移位处理，以基于选取出的符合预设条件的这些障碍物位置信息推测出视觉车道线的可能位置。由于剔除了存在压线行为的障碍物，提取出的是未压线的障碍物位置信息，因而可以将这些提取出的障碍物位置视为是处于车道中心线附近，因而在进行平移的实施例中，可以根据通过设置平移参数，以利用平移参数基于垂线方向向左右分别进行坐标平移，从而扩展出车道线的左右车道点位置以达到推断出视觉车道线的目的。作为一种优选实施方式，可以根据地图数据来确定平移参数。具体可以为，对获取的地图数据进行判断，根据判断结果，当判断获取到的地图数据为高精地图时，根据高精地图中记录的车道宽度将平移参数△h确定为记录的车道宽度的一半，而当判断地图为导航地图时，则根据基于视觉检测数据计算出的车道的平均宽度确定平移参数，如将平移参数△h确定为车道的平均宽度的一半。在确定出平移参数△h后，即可将障碍物位置的坐标数据沿垂线按照平移参数的量分别进行左右平移，以根据平移处理确定出左右虚拟车道点。由于提取的障碍物位置坐标为(xobj,yobj,angleobj)，沿垂线的平移参数为△h，因此，通过以下公式即可确定出经平移后得到的左虚拟视觉车道点(e_xvsim,e_yvsim)为：
e_xvsim＝xobj-△h×sin(angleobj)；
e_yvsim＝yobj+△h×cos(angleobj)。
确定出经平移后得到的右虚拟视觉车道点(e_xvsim,e_yvsim)为：
e_xvsim＝xobj+△h×sin(angleobj)；
e_yvsim＝yobj-△h×cos(angleobj)。
在确定出虚拟视觉车道点的位置之后，在步骤S123C中，即可根据经由对提取出的障碍物的移位处理得到的多个虚拟视觉车道点(xvsim,yvsim)，拟合得到视觉虚拟车道线曲线方程Lvsim(e_xvsim,e_yvsim)，其中，在该场景下，本发明实例是将拟合到的的该虚拟车道线曲线方程表征的曲线作为视觉车道线，即该场景下确定出的视觉车道线可以通过曲线方程Lvsim(e_xvsim,e_yvsim)来表示。当然，在其他实施方式中，生成视觉车道线的曲线方程也可以不局限于拟合的方式，而是可以采用其他生成曲线方程的方式进行实现，本发明实施例对此不进行限制。由此，在因周围障碍物遮挡或车道线模糊导致视觉检测状态较差时，本发明的方案即可根据历史环境模型确定出的当前障碍物位置分布，反向推测计算出视觉车道线位置，得到视觉虚拟车道线方程，以用推算出的视觉虚拟车道线来弥补替代当前帧的视觉车道线，使得中途视觉检测信息残缺时，仍可根据周围动态环境获取参考，提高了场景覆盖率，且实现了强/弱定位和强/弱视觉检测结果下的基于高精地图和导航地图的全工况覆盖，避免因单一方面数据信息精度降低或失效导致的定位不准确的问题。
在经过步骤S11和S12确定出参考车道线和视觉车道线后，在步骤S13中，本发明实施例则会根据参考车道线和视觉车道线对所述当前自车位置姿态信息进行校正，以实现对自车当前位姿的辅助定位，提高定位准确率。图5示意性地显示了本发明一种实施方式的根据参考车道线和视觉车道线对所述当前自车位置姿态信息进行校正的方法，如图5所示，步骤S13具体可以实现为包括：
步骤S131：根据所述参考车道线上距离自车位置最近的第一车道线投影点，确定第一曲线距离方程，其中，所述第一曲线距离方程用于表征所述参考车道线上任意点到所述第一车道线投影点的距离；
步骤S132：根据所述视觉车道线上距离自车位置最近的第二车道线投影点，确定第二曲线距离方程，其中，所述第二曲线距离方程用于表征所述视觉车道线上任意点到所述第二车道线投影点的距离；
步骤S133：根据参考车道线、视觉车道线、第一车道线投影点、第一曲线距离方程、第二车道线投影点和第二曲线距离方程确定校正参数修正量，根据校正参数修正量对所述当前自车位置姿态信息进行校正。
在步骤S131中，会首先根据确定出的参考车道线的曲线方程Lre(e_xre,e_yre)和步骤S10中初步确定出的当前自车位置姿态信息，计算出参考车道线上与自车位置最近的第一车道线投影点，并基于该第一车道线投影点构建出第一曲线距离方程，其中，构建出的第一曲线距离方程用于表征所述参考车道线上任意点到所述第一车道线投影点的距离，该距离优选为参考车道线上任意点到所述第一车道线投影点的曲线距离(即沿参考车道线的长度累计距离)，在其他实施方式中，该距离也可以是指地面距离、或直线距离等，本发明实施例对此不进行限制。示例性地，以该距离是指曲线距离、以第一车道线投影点用pre(e_xrecar,e_yrecar)表示为例，参考车道线上任意曲线点到此投影点的第一曲线距离方程Sre可以通过以下公式表示：
Figure GDA0003942236620000151
在步骤S132中，则会根据确定出的视觉车道线的曲线方程和步骤S10中初步确定出的当前自车位置姿态信息，计算出视觉车道线上与自车位置最近的第二车道线投影点，并基于该第二车道线投影点构建出第二曲线距离方程。其中，构建出的第二曲线距离方程用于表征视觉车道线上任意点到所述第二车道线投影点的距离，该距离优选为视觉车道线上任意点到所述第二车道线投影点的曲线距离(即沿视觉车道线的长度累计距离)，在其他实施方式中，该距离也可以是指地面距离、或直线距离等，本发明实施例对此不进行限制。示例性地，以该距离是指曲线距离、以视觉车道线的曲线方程用Lv(e_xv,e_yv)表示，第二车道线投影点用pv(e_xvcar,e_yvcar)表示为例，视觉车道线上任意曲线点到此投影点的第二曲线距离方程Sv可以通过以下公式表示：
Figure GDA0003942236620000161
其中，需要说明的是，根据图3示出的步骤S12的具体实施方式可知，在本发明的优选实施例中，在不同场景下是基于不同的信息来确定视觉车道线的，即确定出的视觉车道线可能是基于视觉检测数据中的多个视觉车道点拟合出的曲线方程Lv(e_xv,e_yv)，也可能是基于历史环境模型信息推测出的虚拟视觉车道点拟合出的虚拟视觉曲线方程Lvsim(e_xvsim,e_yvsim)，因此，本发明实施例在进行步骤S132的处理时，所采用的视觉车道线曲线方程Lv(e_xv,e_yv)可能是前述步骤S122中确定出的曲线方程Lv(e_xv,e_yv)，也可能是步骤S123中确定出的曲线方程Lvsim(e_xvsim,e_yvsim)。
在步骤S133具体可以首先根据确定出的参考车道线、视觉车道线、第一车道线投影点、第一曲线距离方程、第二车道线投影点和第二曲线距离方程确定校正参数修正量，以根据校正参数修正量对当前自车位置姿态信息进行更新。其中，在确定校正参数修正量时，可以通过求解第一曲线距离方程和第二曲线距离方程的夹角，并根据两个曲线方程的夹角来确定校正参数修正量。作为一种优选实施例，求解两个曲线方程的夹角可以通过选择至少一组参考点，并基于选择的至少一组参考点来计算斜率差平均值的方式实现，以此为例，图6示意性地显示了本发明确定校正参数的一种实施方案，如图6所示，步骤S133具体可以实现为包括：
步骤S133A：基于所述第一曲线距离方程选取至少一组第一直线方程参考点，基于第二曲线距离方程选取至少一组第二直线方程参考点，其中选取的第一直线方程参考点和第二直线方程参考点具有一一对应关系；
步骤S133B：根据第一直线方程参考点和第一车道线投影点构建第一直线方程；
步骤S133C：根据第二直线方程参考点和第二车道线投影点构建第二直线方程；
步骤S133D：根据第一直线方程和第二直线方程确定校正参数修正量。
其中，在步骤S133A中选取的第一直线方程参考点为位于第一曲线距离方程上的点，选取的第二直线方程参考点为位于第二曲线距离方程上的点，选取的第一直线方程参考点和第二直线方程参考点优选为包括多组。第一直线方程参考点和第二直线方程参考点的一一对应关系可以根据需求设定，其一一对应关系优选是基于曲线距离来确定的，示例性地，可以将具有相同的曲线距离的参考点视为具有一一对应关系的参考点，也可以将具有设定曲线距离比值的参考点视为具有一一对应关系的参考点，本发明实施例对此不进行限制，只要能够通过设定选取的第一直线方程参考点和第二直线方程参考点的一一对应关系，实现构建具有一一对应关系的能够用于斜率求解的第一直线方程和第二直线方程即可。示例性地，以选取的第一直线方程参考点用(Sre,e_xre)表示，选取的第二直线方程参考点用(Sv,e_xv)表示为例，第一直线方程参考点和第二直线方程参考点优选是通过对应关系Sre＝Sv来实现一一对应的。在步骤S133A中，通过选取多组(Sre,e_xre)和多组具有Sv＝Sre关系的(Sv,e_xv)，来实现对第一曲线距离方程和第二曲线距离方程上的参考点的选取。其中，由于选取的第一直线方程参考点和第二直线方程参考点具有一一对应关系，因此选取的第一直线方程参考点和第二直线方程参考点的组数是相同的。
在步骤S133B中，可以将选取的第一直线方程参考点(Sre,e_xre)和第一车道线投影点pre(e_xrecar,e_yrecar)线性拟合以构建出第一直线方程Kre，其中，优选地，构建出的第一直线方程与选取的第一直线方程参考点具有对应关系，对应关系如可以为构建出的第一直线方程的数量与选取的第一直线方程参考点的组数具有一一对应关系，该一一对应关系例如为构建出的第一直线方程的数量与选取的第一直线方程参考点的组数是相同的且第一直线方程与第一直线方程参考点是一一对应的。在选取的第一直线方程参考点有多组的情况下，优选是将各组第一直线方程参考点分别与第一车道线投影点进行线性拟合，以构建出多组第一直线方程。
在步骤S133C中，可以将第二直线方程参考点(Sv,e_xv)和第二车道线投影点pv(e_xvcar,e_yvcar)线性拟合以构建出第二直线方程Kv，其中，优选地，优选地，构建出的第二直线方程与选取的第二直线方程参考点具有对应关系，对应关系如可以为构建出的第二直线方程的数量与选取的第二直线方程参考点的组数具有一一对应关系，该一一对应关系例如为构建出的第二直线方程的数量与选取的第二直线方程参考点的组数是相同的且第二直线方程与第二直线方程参考点是一一对应的。在选取的第二直线方程参考点有多组的情况下，优选是将各组第二直线方程参考点分别与第二车道线投影点进行线性拟合，以构建出多组第二直线方程。
在步骤S133D中，将构建出的第一直线方程和第二直线方程按照第一直线方程参考点和第二直线方程参考点的一一对应关系进行对应分组，即将基于具有一一对应关系的第一直线方程参考点和第二直线方程参考点对应构建出的第一直线方程和第二直线方程分为一组，并对划分为一组的直线方程求解斜率夹角△θi，以确定校正参数修正量。其中，i为直线方程的组编号，由于构建出的第一直线方程和第二直线方程有多组，以n组为例，在构建出的第二直线方程的数量与选取的第二直线方程参考点的组数一一对应且相同的情况下，则会对应求解出n个斜率夹角，即有1≤i≤n。优选地，根据本发明实施例确定的校正参数为车头朝向，确定的校正参数修正量为Δθ＝∑Δθi。由此，在步骤S133中可以是通过headingenv＝headingenv-1+headingdr-headingdr-1+△θ对当前自车位置姿态的车头朝向进行修正，由此即可得到修正后的最终确定的当前自车位置姿态信息为：
xgenv＝xgenv-1+xgdr-xgdr-1；
ygenv＝ygenv-1+ygdr-ygdr-1；
headingenv＝headingenv-1+headingdr-headingdr-1+△θ。
在其他实施方式中，求解两个曲线方程的夹角也可替换为采用计算两个曲线方程的交叉点处的切线斜率差的方式实现，本发明实施例对此不进行限制，只要能够计算出两个曲线方程的夹角△θi，以便基于该夹角确定出校正参数修正量即可。
在另一优选实施例中，在步骤S133D中，在确定校正参数修正量时，还可以进一步考虑选取出的直线方程参考点与投影点之间的曲线距离的远近，并基于曲线距离的远近来设定距离权重，以通过距离权重来确定校正参数修正量，由此以消除视觉车道线的误差会随距离放大的不良影响，进一步提高定位的准确率。具体地，为每一组第二直线方程均设置一个距离权重，且设定的距离权重的取值大小与第二直线方程参考点距离第二车道线投影点的距离远近相关，即与选取的参考点的Sv的取值相关，且设定的所有距离权重的取值总和为1。示例性，在考虑距离权重的情况下，校正参数修正量具体可以实现为通过Δθ＝∑ki×Δθi确定。
在其他实施方式中，在步骤S133D中，在确定校正参数修正量时，也可以根据需求，为每一组第二直线方程或每一组第一直线方程分别设置一个固定的权重，以对校正参数修正量进行符合期望的调整。其中，设置固定的权重时，也可以不考虑曲线距离的远近，而是为每个参考点设置相同的权重，本发明实施例对此不进行限制。
图7示意性地显示了本发明另一实施方式的基于车道线约束的位姿校正方法，如图7所示，该方法包括：
步骤S70：根据获取到的第一参数信息和第二参数信息确定出当前自车位置姿态信息，其中，所述第一参数信息包括自车在前一帧的历史位置姿态信息，第二参数信息包括前一帧和当前帧的定位数据；
步骤S71：基于获取到的第三参数信息确定并生成参考车道线，其中，所述第三参数信息包括地图数据；
步骤S72：基于获取到的第四参数信息确定出视觉车道线，其中，所述第四参数信息包括视觉检测数据；
步骤S73：根据获取到的第二参数信息和第三参数信息确定出定位状态代价值；
步骤S74：根据所述定位状态代价值，在所述定位状态代价值符合预置条件时，根据所述参考车道线和视觉车道线对所述当前自车位置姿态信息进行校正。
本发明实施例与图1所示的实施例其他步骤均相同，可以参照前文描述，其中，不同之处在于：在本发明实施例中，会通过步骤S73确定出定位状态代价值，而在步骤S74中，是根据确定的定位状态代价值来决定是否要对步骤S70中初步确定出的当前自车位置姿态信息进行校正的。在确定需要对初步确定出的当前自车位置姿态信息进行校正的情况下，本发明实施例是将校正后的当前自车位置姿态信息作为自车的当前定位位姿；否则，在所述定位状态代价值不符合预置条件时，本发明实施例则是直接将所述当前自车位置姿态信息确定为自车的当前定位位姿。
在本发明实施例中，获取到的第二参数信息中的定位数据中还进一步包括有定位精度状态，由此，步骤S73具体可以实现为基于定位精度状态来确定定位状态代价值，示例性地，以定位状态代价值用Loc_cost标识为例，确定定位状态代价值的过程具体可以实现为：在判断定位精度状态良好时，将定位状态代价值设定为Loc_cost＝0；当定位精度状态不好时，根据步骤S71中确定出的视觉车道线计算定位状态代价值Loc_cost，以得到的视觉车道线曲线方程用Lv(e_xv，e_yv)表示为例，根据视觉车道线计算确定定位状态代价值Loc_cost具体可以通过以下公式实现：
Loc_cost＝∑Δy2，其中，Δy2＝(e_yre-e_yv)2。
作为另一种优选实施例，当定位精度状态不好时，也可以基于确定出的视觉车道线曲线方程，采用曲线方程差积分的方式计算确定定位状态代价值。
其中，在判断定位精度状态是否良好时，可以通过为定位精度状态设定阈值，并根据定位精度状态与阈值的比较结果来确定定位精度状态是是否为良好。
在本发明的其中一个实施例中，获取到的第四参数信息中的视觉检测数据中还进一步包括有视觉检测状态，在步骤S74中，具体可以是根据视觉检测状态来设定预置条件，以确定是否要对当前自车位置姿态信息进行校正的，示例性地，可以将预置条件设置成“定位状态代价值大于视觉检测状态”，由此，在步骤S74中可以将经过步骤S73确定出的定位状态代价值与视觉检测状态进行比较，如果满足定位状态代价值大于视觉检测状态则需要进行定位校正，否则不需要进行定位校正，而是直接将在步骤S70中确定出的位置姿态信息作为自车的当前定位位姿。由此，本发明实施例只需要在定位精度状态和/或视觉检测状态有缺陷时，才进行定位校正，在定位精度状态和视觉检测状态良好时，根据前置模块获取到的定位数据即可直接实现准确定位，避免无效的校正和浪费平台计算资源，能够有效优化系统效率，且能真正实现对环境状况的全工况覆盖。
作为一种优选实施例，在具体应用中，还可以基于上述基于车道线约束的位姿校正方法确定的当前自车位置姿态信息来进行静态环境建模，以提供一种能够兼容高精地图和导航地图的静态环境建模方案，实现强弱定位和强弱视觉检测结果下的基于高精地图和导航地图的静态环境模型搭建，解决单一方面数据信息精度降低或失效导致的静态模型不准确问题，实现全工况覆盖，提高系统平台的通用性。
图8示意性地显示了本发明一种实施方式的静态环境建模方法，如图8所示，其实现为包括：
步骤S80：利用基于车道线约束的位姿校正方法确定出当前自车位置姿态信息；
步骤S81：根据所述当前自车位置姿态信息和获取到的地图信息构建静态环境模型，其中，构建的静态环境模型为用于描述周围环境信息的语义信息。
其中，步骤S80的具体实现方式可以参照前文基于车道线约束的位姿校正方法部分的描述，在此不再赘述。而在步骤S81中，具体则会根据获取到的地图信息所对应的地图类型来结合当前自车位置姿态信息构建静态环境模型。示例性地，以地图信息可以为高精地图信息和导航地图信息为例，步骤S81的具体实现中，会首先对地图信息进行判断，并根据判断结果在判断所述地图信息为高精地图信息时，将所述当前自车位置姿态信息与高精地图信息进行匹配，并根据匹配结果从所述高精地图信息中提取第一组语义选项，之后则根据当前自车位置姿态信息和所述高精地图信息，生成第二组语义选项，最后再根据所述第一组语义选项和第二组语义选项构建静态环境模型。而在判断所述地图信息为导航地图信息时，则会将所述当前自车位置姿态信息与获取到的导航地图信息进行匹配，并根据匹配结果从所述导航地图信息中提取第一组语义选项，之后再根据所述车道线拟合形成车道线中心方程，以根据车道线中心方程和所述当前自车位置姿态信息生成第二组语义选项，最后再根据第一组语义选项和第二组语义选项构建静态环境模型。其中，构建的静态环境模型为车身周围语义级描述信息，用于准确描述车身周围的环境信息。示例性地，根据当前自车位置姿态信息(xgenv,ygenv,headingenv)与地图信息的匹配结果，提取的第一组语义选项可以为对周围环境的基本描述的语义信息，例如可以为包括自车当前所在车道、所在道路、拓扑关系等信息。第二组语义选项则是用于补全静态环境模型中的位置信息描述的语义信息，其例如为包括车道中心线参考点，车道附属信息(红绿灯位置、人行横道位置、减速带位置)等。
具体地，在地图信息为高精地图时，可以直接根据当前自车位置姿态信息(xgenv,ygenv,headingenv)和高精地图的匹配结果确定第二组语义选项。而在地图信息为导航地图时，确定第二组语义选项的实现方式则可以为包括：首先根据确定出的视觉车道线方程Lv(e_xv,e_yv)，拟合得到视觉车道中心线方程Lvc(e_xvc,e_yvc)，之后根据视觉车道中心线方程与当前自车位置姿态信息(xgenv,ygenv,headingenv)进行离散处理和UTM坐标转换以得到最终输出的车道中心线，最后再将视觉检测到的车道标识的相对位置转换为UTM坐标系下的绝对位置，从而得到第二组语义选项的内容。其中，将确定出的当前自车位置姿态信息结合到获取的地图信息，通过匹配来提取第一组语义选项或第二组语义选项等语义信息的具体实现可以参照现有技术进行实现，在此不再赘述。其中，可以理解的是，在本发明实施例中，高精地图还可以扩展为任何其他具有与高精地图相同或相似特点的地图，导航地图还可以扩展为任何其他具有与导航地图相同或相似特点的地图。
图9示意性地显示了本发明一种实施方式的基于车道线约束的位姿校正装置，该装置可以应用于诸如自动/半自动驾驶车辆、无人扫地机、机器人等移动工具，以用于对当前自车位姿进行定位。如图9所示，所述装置包括：
位姿确定模块90，用于根据获取到的第一参数信息和第二参数信息确定出当前自车位置姿态信息，其中，所述第一参数信息包括自车在前一帧的历史位置姿态信息，第二参数信息包括前一帧和当前帧的定位数据；
第一辅助模块91，用于基于获取到的第三参数信息确定出参考车道线，其中，所述第三参数信息包括地图数据；
第二辅助模块92，用于基于获取到的第四参数信息确定并生成视觉车道线，其中，所述第四参数信息包括视觉检测数据；
位姿校正模块93，用于根据所述参考车道线和视觉车道线对所述当前自车位置姿态信息进行校正。
作为一种具体实施方式，获取的视觉检测数据具体包括视觉检测状态和多个车道点的环境位置姿态信息，获取的第一参数信息具体包括历史环境模型信息，所述自车在前一帧的历史位置姿态信息具体可以从历史环境模型信息中获取到。所述第一辅助模块具体可以配置为在所述地图数据为第一地图信息时，根据第一地图信息中的第一参考车道线信息生成参考车道线，在所述地图数据为第二地图信息时，根据历史环境模型中包括的前一帧的历史车道线生成参考车道线。其中，示例性地，所述第一参考车道线信息包括多个参考线车道点的第一地图位置姿态信息。所述第二辅助模块具体可以配置为根据视觉检测状态，在视觉检测状态为第一取值时，根据车道点的环境位置姿态信息生成视觉车道线，在所述视觉检测状态为第二取值时，则根据历史环境模型生成视觉车道线。
所述位姿校正模块则具体可以用于：
根据所述参考车道线上距离自车位置最近的第一车道线投影点，确定第一曲线距离方程，其中，所述第一曲线距离方程用于表征所述参考车道线上任意点到所述第一车道投影点的距离；
根据所述视觉车道线上距离自车位置最近的第二车道线投影点，确定第二曲线距离方程，其中，所述第二曲线距离方程用于表征所述视觉车道线上任意点到所述第二车道投影点的距离；
根据参考车道线、视觉车道线、第一车道线投影点、第一曲线距离方程、第二车道线投影点和第二曲线距离方程确定校正参数修正量，根据校正参数修正量对所述当前自车位置姿态信息进行校正。
其中，根据参考车道线、视觉车道线、第一车道线投影点、第一曲线距离方程、第二车道线投影点和第二曲线距离方程确定校正参数修正量，具体可以是通过计算出第一曲线距离方程和和第二曲线距离方程的夹角，并基于两个曲线方程的夹角来实现对校正参数修正量的确定的，其具体实现方式可以参照前文叙述，在此不再赘述。
图10示意性地显示了本发明一种实施方式的基于车道线约束的位姿校正装置，如图10所示，所述装置在图9所示实施例的基础上还包括：
定位状态确定模块94，用于根据获取到的第二参数信息和第四参数信息确定出定位状态代价值；
校正调度模块95，用于根据所述定位状态代价值，在所述定位状态代价值符合预置条件时，调用所述位姿校正模块对所述当前自车位置姿态信息进行校正。
需要说明的是，本发明实施例的基于车道线约束的位姿校正装置中涉及的各个模块的具体实现过程可以参照前文方法部分的描述，在此不再赘述。
图11示意性地显示了本发明一种实施方式的静态环境建模装置，如图11所示，该装置包括：
定位模块100，用于获取当前自车位置姿态信息；
模型构建模块200，用于根据所述当前自车位置姿态信息和获取到的地图信息构建静态环境模型，其中，构建的静态环境模型为用于描述周围环境信息的语义信息。
其中，定位模块具体是采用前述任一实施例的基于车道线约束的位姿校正方法来获取当前自车位置姿态信息，而模型构建模块的具体实现可以参照前文静态环境建模方法部分的叙述，故在此不再赘述。
图12示意性地显示了本发明一实施方式的计算装置，如图所示，其实现为包括：
存储器1，用于存储可执行指令；以及
处理器2，用于执行存储器中存储的可执行指令，所述可执行指令在由所述处理器执行时实现前述任一项实施例所述的基于车道线约束的位姿校正方法或静态环境模型构建方法的步骤。
在具体实践中，示例性地，上述基于车道线约束的位姿校正装置、静态环境建模装置和计算装置均可以应用在自动驾驶车辆、无人驾驶清洁器、无人驾驶扫地机、机器人等自动驾驶设备上或半自动驾驶设备上，以实现对这些设备的定位和环境模型构建，以使得这些半自主驾驶或无人驾驶的工具能够在不同的环境状况下均能基于精准的定位和环境模型信息进行后续的路径规划和驾驶控制等。
图13示意性地显示了本发明一种实施方式的移动工具，如图13所示，该移动工具包括计算装置70，以使得移动工具能够利用所述计算装置提供的功能进行自身定位或静态环境模型构建，进而基于定位信息和环境模型信息进行诸如路径规划等后续处理。其中，计算装置可以为图12所示的计算装置。
可选地，在实际应用中，移动工具还可以包括感知识别模块和其他规划控制模块，如路径规划控制器、底层控制器等，计算装置70的功能也可以在感知识别模块或规划器等中实现，本发明实施例对此不进行限制。
本发明实施例所称的“移动工具”可以是国际自动机工程师学会(Society ofAutomotive Engineers International，SAE International)或中国国家标准《汽车驾驶自动化分级》制定的L0-L5自动驾驶技术等级的车辆。
示例性地，移动工具可以是具有如下各种功能的车辆设备或机器人设备：
(1)载人功能，如家用轿车、公共汽车等；
(2)载货功能，如普通货车、厢式货车、甩挂车、封闭货车、罐式货车、平板货车、集装厢车、自卸货车、特殊结构货车等；
(3)工具功能，如物流配送车、自动导引运输车AGV、巡逻车、起重机、吊车、挖掘机、推土机、铲车、压路机、装载机、越野工程车、装甲工程车、污水处理车、环卫车、吸尘车、洗地车、洒水车、扫地机器人、送餐机器人、导购机器人、割草机、高尔夫球车等；
(4)娱乐功能，如娱乐车、游乐场自动驾驶装置、平衡车等；
(5)特殊救援功能，如消防车、救护车、电力抢修车、工程抢险车等。
在一些实施例中，本发明实施例提供一种非易失性计算机可读存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本发明上述任一项实施例的基于车道线约束的位姿校正方法或静态环境模型构建方法。
在一些实施例中，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任一项实施例的基于车道线约束的位姿校正方法或静态环境模型构建方法。
在一些实施例中，本发明实施例还提供一种电子设备，其包括：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任一实施例的基于车道线约束的位姿校正方法或静态环境模型构建方法。
在一些实施例中，本发明实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项实施例的基于车道线约束的位姿校正方法或静态环境模型构建方法。
图14是本发明另一实施例提供的基于车道线约束的位姿校正装置的硬件结构示意图，上述基于车道线约束的位姿校正装置可以该图所示的结构实现，如图14所示，该基于车道线约束的位姿校正装置包括：
一个或多个处理器610以及存储器620，图14中以一个处理器610为例。
基于车道线约束的位姿校正装置还可以包括：输入装置630和输出装置640。
处理器610、存储器620、输入装置630和输出装置640可以通过总线或者其他方式连接，图14中以通过总线连接为例。
存储器620作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的基于车道线约束的位姿校正方法对应的程序指令/模块。处理器610通过运行存储在存储器620中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的基于车道线约束的位姿校正方法。
存储器620可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于车道线约束的位姿校正方法的使用所创建的数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器620可选包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可接收输入的数字或字符信息，以及产生与图像处理设备的用户设置以及功能控制有关的信号。输出装置640可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器620中，当被所述一个或者多个处理器610执行时，执行上述任意方法实施例中的基于车道线约束的位姿校正方法。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
本发明实施例的电子设备以多种形式存在，包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等，例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (16)

1.一种基于车道线约束的位姿校正方法，其特征在于，所述方法包括：
根据获取到的第一参数信息和第二参数信息确定出当前自车位置姿态信息，其中，所述第一参数信息包括自车在前一帧的历史位置姿态信息和历史环境模型，第二参数信息包括前一帧和当前帧的定位数据；
基于获取到的第三参数信息确定并生成参考车道线，其中，所述第三参数信息包括地图数据，所述地图数据为高精地图或为导航地图，根据第三参数信息包括的地图数据的类型，在地图数据为高精地图时，所述参考车道线基于高精地图确定，在地图数据为导航地图时，所述参考车道线基于历史环境模型确定；
基于获取到的第四参数信息确定出视觉车道线，其中，所述第四参数信息包括视觉检测数据，所述视觉检测数据包括视觉检测状态和多个车道点的环境位置姿态信息，在确定视觉车道线时，根据第四参数信息包括的视觉检测状态，在视觉检测状态为第一取值时，基于车道点的环境位置姿态信息生成所述视觉车道线，在视觉检测状态为第二取值时，基于历史环境模型推测确定所述视觉车道线；
根据所述参考车道线和视觉车道线对所述当前自车位置姿态信息进行校正。
2.根据权利要求1所述的方法，其特征在于，在所述视觉检测状态为第二取值时，所述基于获取到的第四参数信息确定出视觉车道线，包括：
根据第一参数信息和第四参数信息生成所述视觉车道线。
3.根据权利要求2所述的方法，其特征在于，所述视觉检测数据还包括当前障碍物位置分布信息，所述根据第一参数信息和第四参数信息生成所述视觉车道线，包括：
根据历史环境模型和当前障碍物位置分布信息进行障碍物筛选，提取符合预设条件的障碍物位置信息；
根据所述障碍物位置信息确定虚拟车道点；
根据所述虚拟车道点生成所述视觉车道线。
4.根据权利要求2或3所述的方法，其特征在于，所述基于获取到的第三参数信息确定并生成参考车道线，包括：
在所述地图数据为第一地图信息时，根据第一地图信息中的第一参考车道线信息生成参考车道线，其中，所述第一参考车道线信息包括多个参考线车道点的第一地图位置姿态信息；
在所述地图数据为第二地图信息时，根据历史环境模型中包括的前一帧的历史车道线生成参考车道线。
5.根据权利要求4所述的方法，其特征在于，在根据所述参考车道线和视觉车道线对当前自车位置姿态信息进行校正之前，还包括：
根据获取到的第二参数信息和第四参数信息确定出定位状态代价值；
根据所述定位状态代价值，在所述定位状态代价值符合预置条件时，根据所述参考车道线和视觉车道线对所述当前自车位置姿态信息进行校正。
6.根据权利要求5所述的方法，其特征在于，所述根据所述参考车道线和视觉车道线对所述当前自车位置姿态信息进行校正，包括：
根据所述参考车道线上距离自车位置最近的第一车道线投影点，确定第一曲线距离方程，其中，所述第一曲线距离方程用于表征所述参考车道线上任意点到所述第一车道线投影点的距离；
根据所述视觉车道线上距离自车位置最近的第二车道线投影点，确定第二曲线距离方程，其中，所述第二曲线距离方程用于表征所述视觉车道线上任意点到所述第二车道线投影点的距离；
根据参考车道线、视觉车道线、第一车道线投影点、第一曲线距离方程、第二车道线投影点和第二曲线距离方程确定校正参数修正量，根据校正参数修正量对所述当前自车位置姿态信息进行校正。
7.根据权利要求6所述的方法，其特征在于，所述根据参考车道线、视觉车道线、第一车道线投影点、第一曲线距离方程、第二车道线投影点和第二曲线距离方程确定校正参数修正量，包括：
基于所述第一曲线距离方程选取至少一组第一直线方程参考点，基于第二曲线距离方程选取至少一组第二直线方程参考点，其中选取的第一直线方程参考点和第二直线方程参考点具有一一对应关系；
根据第一直线方程参考点和第一车道线投影点构建第一直线方程；
根据第二直线方程参考点和第二车道线投影点构建第二直线方程；
根据第一直线方程和第二直线方程确定校正参数修正量。
8.根据权利要求7所述的方法，其特征在于，所述根据第一直线方程和第二直线方程确定校正参数修正量，还包括；
根据第一直线方程、第二直线方程和设定的权重确定所述校正参数修正量。
9.一种全工况静态环境建模方法，其特征在于，所述方法包括：
根据权利要求1至8任一项所述的基于车道线约束的位姿校正方法获取当前自车位置姿态信息；
根据所述当前自车位置姿态信息和获取到的地图信息构建静态环境模型，其中，构建的静态环境模型为用于描述周围环境信息的语义信息。
10.根据权利要求9所述的方法，其特征在于，根据所述当前自车位置姿态信息和获取到的地图信息构建静态环境模型包括在判断所述地图信息为高精地图信息时，通过以下方式构建静态环境模型：
将所述当前自车位置姿态信息与高精地图信息进行匹配，并根据匹配结果从所述高精地图信息中提取第一组语义选项；
根据当前自车位置姿态信息和所述高精地图信息，生成第二组语义选项；
根据所述第一组语义选项和第二组语义选项构建静态环境模型。
11.根据权利要求9所述的方法，其特征在于，根据所述当前自车位置姿态信息和获取到的地图信息构建静态环境模型包括在判断所述地图信息为导航地图信息时，通过以下方式构建静态环境模型：
将所述当前自车位置姿态信息与获取到的导航地图信息进行匹配，并根据匹配结果从所述导航地图信息中提取第一组语义选项；
根据所述视觉车道线拟合形成视觉车道线中心方程；
根据视觉车道线中心方程和所述当前自车位置姿态信息生成第二组语义选项；
根据第一组语义选项和第二组语义选项构建静态环境模型。
12.一种基于车道线约束的位姿校正装置，其特征在于，所述装置包括：
位姿确定模块，用于根据获取到的第一参数信息和第二参数信息确定出当前自车位置姿态信息，其中，所述第一参数信息包括自车在前一帧的历史位置姿态信息和历史环境模型，第二参数信息包括前一帧和当前帧的定位数据；
第一辅助模块，用于基于获取到的第三参数信息确定并生成参考车道线，其中，所述第三参数信息包括地图数据，所述地图数据为高精地图或为导航地图，根据第三参数信息包括的地图数据的类型，在地图数据为高精地图时，所述参考车道线基于高精地图确定，在地图数据为导航地图时，所述参考车道线基于历史环境模型确定；
第二辅助模块，用于基于获取到的第四参数信息确定出视觉车道线，其中，所述第四参数信息包括视觉检测数据，所述视觉检测数据包括视觉检测状态和多个车道点的环境位置姿态信息，在确定视觉车道线时，根据第四参数信息包括的视觉检测状态，在视觉检测状态为第一取值时，基于车道点的环境位置姿态信息生成所述视觉车道线，在视觉检测状态为第二取值时，基于历史环境模型推测确定所述视觉车道线；
位姿校正模块，用于根据所述参考车道线和视觉车道线对所述当前自车位置姿态信息进行校正。
13.一种全工况静态环境建模装置，其特征在于，包括：
定位模块，用于根据权利要求1至8任一项所述的基于车道线约束的位姿校正方法获取当前自车位置姿态信息；
模型构建模块，用于根据所述当前自车位置姿态信息和获取到的地图信息构建静态环境模型，其中，构建的静态环境模型为用于描述周围环境信息的语义信息。
14. 一种计算装置，其特征在于，包括：
存储器，用于存储可执行指令；以及
处理器，用于执行存储器中存储的可执行指令，所述可执行指令在由所述处理器执行时实现权利要求1至11任一项所述方法的步骤。
15.移动工具，其特征在于，所述移动工具包括：权利要求14所述的计算装置。
16.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-11中任意一项所述方法的步骤。
CN202211124194.7A 2022-09-15 2022-09-15 基于车道线约束的位姿校正方法及装置、全工况静态环境建模方法及装置 Active CN115235500B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211124194.7A CN115235500B (zh) 2022-09-15 2022-09-15 基于车道线约束的位姿校正方法及装置、全工况静态环境建模方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211124194.7A CN115235500B (zh) 2022-09-15 2022-09-15 基于车道线约束的位姿校正方法及装置、全工况静态环境建模方法及装置

Publications (2)

Publication Number Publication Date
CN115235500A CN115235500A (zh) 2022-10-25
CN115235500B true CN115235500B (zh) 2023-04-14

Family

ID=83681855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211124194.7A Active CN115235500B (zh) 2022-09-15 2022-09-15 基于车道线约束的位姿校正方法及装置、全工况静态环境建模方法及装置

Country Status (1)

Country Link
CN (1) CN115235500B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011827A (zh) * 2023-07-11 2023-11-07 禾多科技（北京）有限公司 障碍物纵向距离检测方法、装置、设备和计算机可读介质
CN117093663B (zh) * 2023-10-20 2024-01-30 腾讯科技（深圳）有限公司 电子地图的数据处理方法和相关装置
CN117575920A (zh) * 2023-12-01 2024-02-20 昆易电子科技(上海)有限公司 车道线优化方法、装置及存储介质
CN117392634B (zh) * 2023-12-13 2024-02-27 上海闪马智能科技有限公司 车道线的获取方法、装置、存储介质及电子装置
CN117782114B (zh) * 2024-02-28 2024-06-25 福瑞泰克智能系统有限公司 车辆定位校正方法、装置、计算机设备和存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107403440B (zh) * 2016-05-18 2020-09-08 株式会社理光 用于确定对象的姿态的方法和装置
CN108875603B (zh) * 2018-05-31 2021-06-04 上海商汤智能科技有限公司 基于车道线的智能驾驶控制方法和装置、电子设备
CN110631554B (zh) * 2018-06-22 2021-11-30 北京京东乾石科技有限公司 机器人位姿的确定方法、装置、机器人和可读存储介质
CN114034307B (zh) * 2021-11-19 2024-04-16 智道网联科技(北京)有限公司 基于车道线的车辆位姿校准方法、装置和电子设备
CN114088114B (zh) * 2021-11-19 2024-02-13 智道网联科技(北京)有限公司 车辆位姿校准方法、装置和电子设备
CN114396957B (zh) * 2022-02-28 2023-10-13 重庆长安汽车股份有限公司 基于视觉与地图车道线匹配的定位位姿校准方法及汽车

Also Published As

Publication number Publication date
CN115235500A (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN115235500B (zh) 基于车道线约束的位姿校正方法及装置、全工况静态环境建模方法及装置
CN107246868B (zh) 一种协同导航定位系统及导航定位方法
JP6930600B2 (ja) 車両位置推定装置および車両制御装置
CN106352867B (zh) 用于确定车辆自身位置的方法和设备
US10121367B2 (en) Vehicle lane map estimation
CN105270410B (zh) 用于自主驾驶车辆的路径规划的精确曲率估计算法
KR20180009755A (ko) 차선의 추정 방법
CN111263960B (zh) 用于更新高清晰度地图的设备和方法
JP2019532292A (ja) 車両位置特定の自律走行車両
CN113916242A (zh) 车道定位方法和装置、存储介质及电子设备
WO2018154579A1 (en) Method of navigating an unmanned vehicle and system thereof
US20190163201A1 (en) Autonomous Vehicle Sensor Compensation Using Displacement Sensor
CN114926809A (zh) 可通行区域检测方法及装置、移动工具、存储介质
US20190049252A1 (en) 3d localization device
US20230056589A1 (en) Systems and methods for generating multilevel occupancy and occlusion grids for controlling navigation of vehicles
US20190283760A1 (en) Determining vehicle slope and uses thereof
CN114723903A (zh) 障碍物风险场环境建模方法及其装置、相关产品
Jiménez et al. Improving the lane reference detection for autonomous road vehicle control
Kim et al. Safety evaluation of autonomous vehicles for a comparative study of camera image distance information and dynamic characteristics measuring equipment
Kuhnt et al. Lane-precise localization of intelligent vehicles using the surrounding object constellation
CN117367440A (zh) 越野线路生成系统、方法、电子设备及存储介质
US11315417B2 (en) Method, device and system for wrong-way driver detection
CN115046546A (zh) 一种基于车道线识别的自动驾驶汽车定位系统及方法
US11294385B2 (en) System and method for generating a representation of an environment
US20240151817A1 (en) Systems and methods for static detection based amodalization placement

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
CB02 Change of applicant information

Address after: Room 101-901, 8th Floor, Building 4, Zone 3, No. 22, Jinghai 4th Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing 100176 (Yizhuang Cluster, High end Industrial Zone, Beijing Pilot Free Trade Zone)

Applicant after: Beijing Idriverplus Technology Co.,Ltd.

Address before: 100176 room 2602, 22 / F, building 4, yard 8, Wenhua Park West Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Applicant before: Beijing Idriverplus Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant