CN115265561A - 车辆定位方法、装置、车辆及介质 - Google Patents
车辆定位方法、装置、车辆及介质 Download PDFInfo
- Publication number
- CN115265561A CN115265561A CN202211183569.7A CN202211183569A CN115265561A CN 115265561 A CN115265561 A CN 115265561A CN 202211183569 A CN202211183569 A CN 202211183569A CN 115265561 A CN115265561 A CN 115265561A
- Authority
- CN
- China
- Prior art keywords
- map
- vehicle
- road
- current moment
- coordinate system
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 claims description 21
- 230000036961 partial effect Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 230000001131 transforming effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000001914 filtration Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000010267 cellular communication Effects 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 230000000979 retarding effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G01C21/26—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
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
-
- 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
Abstract
本公开涉及一种车辆定位方法、装置、车辆及介质，该方法包括：获取车辆上的多个相机在当前时刻采集的道路图像；针对每个相机采集的道路图像，对所述道路图像中的道路元素进行识别，获得所述道路图像中的每个道路元素在图像中的位置；将每个道路元素在图像中的位置转换为所述相机的相机坐标系下的位置，得到所述相机对应的元素位置数据；将所述多个相机对应的所述元素位置数据合并到所述当前时刻的车体坐标系下，得到第一局部地图；根据所述第一局部地图和高精地图，确定车辆在所述当前时刻的位姿。本公开基于多个相机采集道路图像，并将多个相机的数据进行融合，能够准确得到车辆的位姿。
Description
技术领域
本公开涉及自动驾驶技术领域，尤其涉及一种车辆定位方法、装置、车辆及介质。
背景技术
在自动驾驶领域，车辆位姿的计算十分关键，对车辆位姿进行准确定位有利于自动驾驶过程中为车辆提供高精度导航、路线规划等。相比于使用激光雷达、IMU（InertialMeasurement Unit，惯性测量单元）和轮速等传感器对位姿进行定位的方案，使用相机、IMU、轮速等传感器以及矢量化的高精地图的视觉定位方案，具有更低的成本和较高的硬件稳定性。
相关技术中的视觉定位方案，通过相机采集道路图像并对道路图像中的道路元素进行识别，然后将高精地图中的矢量道路元素投影到相机采集的道路图像上，根据投影位置，将投影的矢量道路元素与从道路图像中识别出的道路元素进行关联，根据关联结果来计算相机在高精地图坐标系下的位姿，进而根据相机相对于车体的外参，确定车体在高精地图坐标系下的位姿。
这种方式只适用于单相机采集单帧图像，如通过前视相机采集图像，但在路口附近或前方车辆较多，路面遮挡严重的情况下，前视相机无法提供有效的道路元素结果，定位成功率会大幅降低。
发明内容
为克服相关技术中存在的问题，本公开提供一种车辆定位方法、装置、车辆及介质。
根据本公开实施例的第一方面，提供一种车辆定位方法，包括：
获取车辆上的多个相机在当前时刻采集的道路图像；
针对每个相机采集的道路图像，对所述道路图像中的道路元素进行识别，获得所述道路图像中的每个道路元素在图像中的位置；
将每个道路元素在图像中的位置转换为所述相机的相机坐标系下的位置，得到所述相机对应的元素位置数据；
将所述多个相机对应的所述元素位置数据合并到所述当前时刻的车体坐标系下，得到第一局部地图；
根据所述第一局部地图和高精地图，确定车辆在所述当前时刻的位姿。
可选地，所述道路元素由多个元素点进行表示，所述元素位置数据包括每个道路元素对应的每个元素点在相机坐标系下的位置；所述将所述多个相机对应的所述元素位置数据合并到所述当前时刻的车体坐标系下，得到第一局部地图，包括：
基于所述当前时刻的车体坐标系构建地图立方体，并将所述地图立方体的空间分割为多个预设大小的立方格；
将每个相机对应的所述元素位置数据中的每个元素点的位置转换到所述当前时刻的车体坐标系下；
根据每个元素点在所述当前时刻的车体坐标系下的位置，将每个元素点投影到所述地图立方体中对应位置的立方格中；
针对每个立方格，将所述立方格中属于同一类型的所有元素点合并为一个元素点，该元素点的位置为该类型的所有元素点的位置均值；
根据所述地图立方体中的元素点，确定所述第一局部地图。
可选地，所述根据所述第一局部地图和高精地图，确定车辆在所述当前时刻的位姿，包括：
获取在所述当前时刻前的多个历史时刻的所述第一局部地图；
将所述多个历史时刻的所述第一局部地图，与所述当前时刻的所述第一局部地图合并，得到所述当前时刻的第二局部地图；
根据所述第二局部地图和高精地图，确定车辆在所述当前时刻的位姿。
可选地，所述道路元素由多个元素点进行表示，所述将所述多个历史时刻的所述第一局部地图，与所述当前时刻的所述第一局部地图合并，得到所述当前时刻的第二局部地图，包括：
根据惯性测量单元和轮速传感器的测量数据，确定每个所述历史时刻相对于所述当前时刻的车辆相对旋转和车辆相对位移；
根据每个所述历史时刻相对于所述当前时刻的车辆相对旋转和车辆相对位移，将每个所述历史时刻的所述第一局部地图中的各元素点的位置转换到所述当前时刻的车体坐标系下；
根据各元素点在所述当前时刻的车体坐标系下的位置，将各元素点与所述第一局部地图合并，得到所述当前时刻的第二局部地图。
可选地，所述根据各元素点在所述当前时刻的车体坐标系下的位置，将各元素点与所述第一局部地图合并，得到所述当前时刻的第二局部地图，包括：
确定所述当前时刻的所述第一局部地图对应的地图立方体，其中，所述地图立方体是基于所述当前时刻的车体坐标系构建，且所述地图立方体的空间被分割为多个预设大小的立方格；
根据每个所述历史时刻对应的各元素点在所述当前时刻的车体坐标系下的位置，将各元素点投影到所述地图立方体中对应位置的立方格中；
针对每个立方格，将所述立方格中属于同一类型的所有元素点合并为一个元素点，该元素点的位置为该类型的所有元素点的位置均值；
根据所述地图立方体中的元素点，确定所述第二局部地图。
可选地，所述根据所述第二局部地图和高精地图，确定车辆在所述当前时刻的位姿，包括：
根据车辆的先验位置，从高精地图中确定所述先验位置对应的局部高精地图；
确定优化函数，所述优化函数表示基于车体相对于所述高精地图的地图坐标系的位姿变换关系，对所述第二局部地图中的每个道路元素进行位置变换，变换后的位置与所述局部高精地图中对应道路元素的位置之间的距离；
求解使得所述优化函数最小的所述位姿变换关系，根据所述位姿变换关系确定车辆在所述当前时刻的位姿。
可选地，所述道路元素由多个元素点进行表示，所述优化函数被构造为：
其中，[R,t]表示车体相对于所述高精地图的地图坐标系的位姿变换关系，P local_i_ j 表示第二局部地图中第i个道路元素的第j个元素点，[R,t]*P local_i_ j 表示基于位姿变换关系[R,t]，将第i个道路元素的第j个元素点的位置变换到所述地图坐标系下的运算，P map 表示所述局部高精地图中，距离将第i个道路元素的第j个元素点的位置变换到所述地图坐标系后的位置最近的同一类型的元素点。
根据本公开实施例的第二方面，提供一种车辆定位装置，包括：
图像获取模块，用于获取车辆上的多个相机在当前时刻采集的道路图像；
元素识别模块，用于针对每个相机采集的道路图像，对所述道路图像中的道路元素进行识别，获得所述道路图像中的每个道路元素在图像中的位置；
位置转换模块，用于将每个道路元素在图像中的位置转换为所述相机的相机坐标系下的位置，得到所述相机对应的元素位置数据；
第一合并模块，用于将所述多个相机对应的所述元素位置数据合并到所述当前时刻的车体坐标系下，得到第一局部地图；
位姿确定模块，用于根据所述第一局部地图和高精地图，确定车辆在所述当前时刻的位姿。
根据本公开实施例的第三方面，提供一种车辆，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器用于执行所述存储器中的可执行指令，以实现本公开第一方面所提供的车辆定位方法的步骤。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的车辆定位方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：
在本技术方案中，使用了多个相机对道路环境进行观测，对环境的观测范围更大，当某一个相机的观测被遮挡时，其他相机能够提供另外视角的观测作为补充，同时，将多个相机采集的道路图像的道路元素识别结果进行三维重建，得到道路元素在相机坐标系下的三维位置，再将多个相机的数据统一合并到车体坐标系下，构建局部地图，基于局部地图和高精地图进行匹配和定位，有效利用了局部空间的一致性，最终提升定位的稳定性和精准性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1示出了一示例性实施例中的车辆定位方法的流程图；
图2示出了图1中步骤S104的具体实施方式的流程图；
图3示出了图1中步骤S105的具体实施方式的流程图；
图4示出了图3中步骤S1052的具体实施方式的流程图；
图5示出了图4中步骤S203的具体实施方式的流程图；
图6示出了图3中步骤S1053的具体实施方式的流程图；
图7示出了一示例性实施例中的车辆定位装置的框图；
图8示出了一示例性实施例中的车辆的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是，本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
在相关技术的视觉定位方案中，使用相机、IMU、轮速、全球定位系统以及矢量化的高精地图的视觉定位方法的流程为：首先通过相机采集道路图像，对道路图像中的道路元素进行识别，获得道路元素的识别结果，如车道线、杆状物、交通牌、地面标识等道路元素；基于全球定位系统的定位结果或者上一次定位结果作为先验位置，从高精地图中确定先验位置附近的局部高精地图，将该局部高精图像中的矢量道路元素投影到道路图像上，根据投影位置，将投影的矢量道路元素与从道路图像中识别的道路元素进行关联；根据关联结果和相机投影模型，计算相机在高精地图坐标系下的6DOF位姿，并通过迭代优化的方法，使局部高精地图中的矢量道路元素投影到图像上的结果与从图像上识别到的结果尽可能一致，最终得到相机在高精地图坐标系下的6DOF位姿。这样，在相机相对于车体的外参已知的情况下，可以将相机在高精地图坐标系下的6DOF位姿转换为车体在高精地图坐标系下的6DOF位姿，从而得到车辆的位姿。
但上述方案存在以下问题：
第一，由于需要将高精地图中的矢量道路元素投影到图像上，因此只适用于单相机采集单帧图像，如通过前视相机采集图像，在路口附近或前方车辆较多，路面遮挡严重的情况下，前视相机无法提供有效的道路元素结果，定位成功率会大幅降低；
第二，利用将高精地图中的矢量道路元素投影到单帧图像上的方式，将投影结果与从图像上识别到的道路元素进行关联，这对车辆的先验位置的精度要求高，如果车辆的先验位置误差较大，容易出现误匹配，同时，在图像上同一类型的道路元素比较密集时（例如某个路口附近有较多的杆状物），多个杆状物的矢量元素投影后在图像上的位置接近，很容易出现错误关联；
第三，仅基于单帧的匹配结果进行定位，容易导致噪声的影响被放大，定位结果的抖动会很大。
由此，本公开实施例提供一种车辆定位方法，以提高对车辆位姿的定位准确性。图1示出了一示例性实施例中的车辆定位方法的流程图，如图1所示，该方法包括：
S101，获取车辆上的多个相机在当前时刻采集的道路图像。
在车辆上布置有多个相机，且该多个相机可分别朝向车辆外的不同方向布置，例如，该多个相机可以包括前视相机、后视相机和侧向相机。该多个相机在同一时刻进行曝光，以采集得到同一时刻的道路图像。
S102，针对每个相机采集的道路图像，对该道路图像中的道路元素进行识别，获得该道路图像中的每个道路元素在图像中的位置。
针对每个相机采集的道路图像，对该相机采集的道路图像中的道路元素进行识别，获得该道路图像中的每个道路元素在图像中的位置。应理解，由于不同相机的视野范围不同，因此不同相机采集的道路图像中的道路元素不完全相同。
其中，每个道路图像中可能包括至少一种类型的道路元素。道路元素的类型可以包括车道线、杆状物、交通牌、地面标识等。此外，在具体应用场景中，对于道路元素的类型还可以进行更加细致的划分，如车道线可以进一步细分为白色虚线、黄色实线等。
在从道路图像中识别出道路元素后，可以将该道路元素用多个元素点进行表示，不同类型的道路元素的表示方式可能不同。示例性地，对于交通牌，可以用四个元素点进行表示，对应交通牌的四个角点，对于车道线，可以用一连串的元素点进行表示，对于灯杆，可以用两个元素点进行表示，对应灯杆的上下端点。因此，道路元素在图像中的位置可以由该道路元素对应的每个元素点分别在图像上的位置组成。
S103，将每个道路元素在图像中的位置转换为该相机的相机坐标系下的位置，得到该相机对应的元素位置数据。
在针对每个相机，获得该相机采集的道路图像中的每个道路元素在图像中的位置后，将道路元素在图像中的位置转换到该相机的相机坐标系下，得到道路元素在相机坐标系下的位置，从而得到该相机对应的元素位置数据。具体地，元素位置数据包括每个道路元素对应的每个元素点在相机坐标系下的位置。
在可选的实施例中，针对不同的道路元素，使用不同的三维重建方式，来将每个道路元素在图像上的二维位置重建到相机坐标系下的三维位置。
例如，对于地面上的道路元素，如车道线、地面标识等，可以基于近地平面假设，将道路元素在图像上的二维位置投影到近地平面上，计算得到三维位置。
又例如，对于与地面垂直的道路元素，如灯杆、交通牌等，对同一道路元素进行帧间跟踪，持续记录多帧道路图像上同一道路元素的位置，对于同一道路元素，在累积足够多的帧间位置变化后，使用数学几何的方式进行三维重建，进而得到其在相机坐标系下的位置。
S104，将多个相机对应的元素位置数据合并到当前时刻的车体坐标系下，得到第一局部地图。
在得到多个相机对应的元素位置数据后，由于这些元素位置数据中的位置均在不同相机的相机坐标系下，因此需要统一合并到当前时刻的车体坐标系下，以得到第一局部地图。
S105，根据该第一局部地图和高精地图，确定车辆在当前时刻的位姿。
在得到第一局部地图后，可以根据第一局部地图与高精地图进行三维空间上的匹配，从而确定车辆在当前时刻的位姿，其中，位姿包括车辆的位置和姿态。
在上述过程中，使用了多个相机对道路环境进行观测，对环境的观测范围更大，当某一个相机的观测被遮挡时，其他相机能够提供另外视角的观测作为补充，同时，将多个相机采集的道路图像的道路元素识别结果进行三维重建，得到道路元素在相机坐标系下的三维位置，再将多个相机的数据统一合并到车体坐标系下，构建局部地图，基于局部地图和高精地图进行匹配和定位，有效利用了局部空间的一致性，而且，即使图像上同一类型的道路元素比较密集，但将道路元素的位置转换到三维空间后，可以从三维空间上直观看出这些道路元素之间实际上间隔了一定的距离，从而避免了相关技术中存在的错误关联和误匹配的问题，进而提升定位的稳定性和精准性。
进一步地，由于多个相机对道路环境的观测存在重叠区域，所以将多个相机的元素位置数据直接合并到当前时刻的车体坐标系，形成的局部地图中将会包含较多位置非常接近的相同元素，例如在前视相机中观测到一个灯杆，在侧向相机中也观测到同一个灯杆，因此合并后在局部地图中会同时存在一个前视相机观测到的灯杆元素和一个侧向相机观测到的灯杆元素，导致局部地图中存在较多的重复元素点，但实际上这些重复元素点表示的是同一个灯杆元素，这样后续将局部地图与高精地图进行匹配时，将由于重复信息过多导致计算效率下降，计算复杂度过高。所以在将多个相机的数据进行合并时，使用滤波方法，在充分利用多个相机的数据的前提下，将计算复杂度约束在一定上限内。
由此，图2示出了上述步骤S104的具体实施方式的流程图，参照图2，步骤S104包括：
S1041，基于当前时刻的车体坐标系构建地图立方体，并将该地图立方体的空间分割为多个预设大小的立方格。
首先基于当前时刻的车体坐标系构建地图立方体，并将该地图立方体的空间按照预设大小（如0.5m*0.5m*0.5m）进行分割，将其分割为多个立方格。
S1042，将每个相机对应的元素位置数据中的每个元素点的位置转换到当前时刻的车体坐标系下。
在预先标定每个相机相对于车体的外参的情况下，根据每个相机相对于车体的外参，将每个相机对应的元素位置数据中的每个元素点的位置转换到当前时刻的车体坐标系下，得到每个元素点在当前时刻的车体坐标系下的位置。
S1043，根据每个元素点在当前时刻的车体坐标系下的位置，将每个元素点投影到该地图立方体中对应位置的立方格中。
S1044，针对每个立方格，将该立方格中属于同一类型的所有元素点合并为一个元素点，该元素点的位置为该类型的所有元素点的位置均值。
针对每个立方格，对该立方格中的每一类型的道路元素进行统计，统计属于同一类型的元素点，将属于同一类型的所有元素点合并为一个元素点，该元素点的位置为该类型的所有元素点的位置均值。通过这一滤波操作，使得每个立方格中，同一类型仅保留一个元素点。
S1045，根据该地图立方体中的元素点，确定第一局部地图。
在完成上述滤波操作后，根据该地图立方体中最终保留的元素点，得到第一局部地图，第一局部地图包括基于当前时刻的车体坐标系构建的地图立方体中的各元素点的位置。
通过上述过程，在将多个相机的元素位置数据合并到当前时刻的车体坐标系下的过程中，对各元素位置数据中的元素点进行滤波，这样在尽可能利用多个相机的数据的前提下，得到一个相对稀疏均匀，元素点总数有上限的局部地图，降低后续步骤的计算复杂度，提高计算效率。
可选地，图3示出了上述步骤S105的具体实施方式的流程图，参照图3，步骤S105包括：
S1051，获取在当前时刻前的多个历史时刻的第一局部地图。
S1052，将多个历史时刻的第一局部地图，与当前时刻的第一局部地图合并，得到当前时刻的第二局部地图。
S1053，根据该第二局部地图和高精地图，确定车辆在当前时刻的位姿。
在上述过程中，维护多个历史时刻的第一局部地图，在每次定位时，都利用当前时刻和多个历史时刻的第一局部地图，合并得到第二局部地图，使得定位结果更加平滑，抖动更小。然后可以根据第二局部地图与高精地图进行三维空间上的匹配，从而确定车辆在当前时刻的位姿。相比于直接将第一局部地图与高精地图进行匹配，由于第二局部地图中包含了历史时刻的数据，观测范围更广，所以得到的定位结果会更加准确。
具体地，图4示出了上述步骤S1052的具体实施方式的流程图，参照图4，步骤S1052包括：
S201，根据惯性测量单元和轮速传感器的测量数据，确定每个历史时刻相对于当前时刻的车辆相对旋转和车辆相对位移。
S202，根据每个历史时刻相对于当前时刻的车辆相对旋转和车辆相对位移，将每个历史时刻的第一局部地图中的各元素点的位置转换到当前时刻的车体坐标系下。
S203，根据各元素点在当前时刻的车体坐标系下的位置，将各元素点与第一局部地图合并，得到当前时刻的第二局部地图。
进一步地，由于对道路环境的连续多个时刻的观测存在重叠区域，所以将多个历史时刻的第一局部地图直接与当前时刻的第一局部地图合并，形成的新的局部地图中将会包括较多位置非常接近的相同元素，例如车辆在严格直行时，上一时刻的道路图像中车体前方5~10米范围内的车道线元素点，和车辆行走1米后车体前方的4~9米范围内的点是完全重叠的。这样后续将局部地图与高精地图进行匹配时，将由于重复信息过多导致计算效率下降，计算复杂度过高。所以在将多个历史时刻的数据与当前时刻的数据进行合并时，可同样使用滤波方法，在充分利用多个时刻的数据的前提下，将计算复杂度约束在一定上限内。
由此，图5示出了上述步骤S203的具体实施方式的流程图，参照图5，步骤S203包括：
S2031，确定当前时刻的第一局部地图对应的地图立方体，其中，该地图立方体是基于当前时刻的车体坐标系构建，且该地图立方体的空间被分割为多个预设大小的立方格。
其中，该地图立方体可以是前述步骤S1041所构建的地图立方体，或者在该步骤中基于当前时刻的车体坐标系构建一地图立方体。
S2032，根据每个历史时刻对应的各元素点在当前时刻的车体坐标系下的位置，将各元素点投影到地图立方体中对应位置的立方格中。
S2033，针对每个立方格，将该立方格中属于同一类型的所有元素点合并为一个元素点，该元素点的位置为该类型的所有元素点的位置均值。
针对每个立方格，对该立方格中的每一类型的道路元素进行统计，统计属于同一类型的元素点，将属于同一类型的所有元素点合并为一个元素点，该元素点的位置为该类型的所有元素点的位置均值。通过这一滤波操作，使得每个立方格中，同一类型仅保留一个元素点。
S2034，根据该地图立方体中的元素点，确定第二局部地图。
在完成上述滤波操作后，根据该地图立方体中最终保留的元素点，得到第二局部地图，第二局部地图包括基于当前时刻的车体坐标系构建的地图立方体中的各元素点的位置。可以理解的，第二局部地图与第一局部地图相比，包含了多个历史时刻的道路元素信息。
通过上述过程，在将不同历史时刻的第一局部地图与当前时刻的第一局部地图进行合并的过程中，先将不同历史时刻的第一局部地图中的各元素点的位置从历史时刻的车体坐标系转换到当前时刻的车体坐标系下，再投影到当前时刻的地图立方体中，再对当前时刻的地图立方体中的各元素点进行滤波，这样在尽可能利用历史时刻的道路元素信息的前提下，得到一个相对稀疏均匀，元素点总数有上限的局部地图，降低后续步骤的计算复杂度，提高计算效率。
进一步地，在得到第二局部地图后，在步骤S1053中，根据第二局部地图与高精地图进行三维空间上的匹配，从而确定车辆在当前时刻的位姿。
具体地，图6示出了上述步骤S1053的具体实施方式的流程图，参照图6，S1053包括：
S301，根据车辆的先验位置，从高精地图中确定该先验位置对应的局部高精地图。
其中，可以基于全球定位系统的定位结果或者车辆在上一时刻确定的位姿作为先验位置，从高精地图中确定该先验位置对应的局部高精地图。
S302，确定优化函数，该优化函数表示基于车体相对于高精地图的地图坐标系的位姿变换关系，对第二局部地图中的每个道路元素进行位置变换，变换后的位置与该局部高精地图中对应道路元素的位置之间的距离。
S303，求解使得该优化函数最小的位姿变换关系，根据该位姿变换关系确定车辆在当前时刻的位姿。
可以理解的，车辆在当前时刻的位姿可以通过构建一个优化问题进行求解，找到一个使得第二局部地图与局部高精地图最匹配的车辆位姿，作为最终的定位结果。
在具体的实施例中，可以构建如下的优化问题：
其中，[R,t]表示车体相对于高精地图的地图坐标系的位姿变换关系，R表示车体相对于地图坐标系的姿态，t表示车体相对于地图坐标系的位置，P local_i_ j 表示第二局部地图中第i个道路元素的第j个元素点，[R,t]*P local_i_ j 表示基于位姿变换关系[R,t]，将第i个道路元素的第j个元素点的位置变换到地图坐标系下的运算，P map 表示局部高精地图中，距离将第i个道路元素的第j个元素点的位置变换到地图坐标系后的位置最近的同一类型的元素点。
其中，[R,t]即为所需求解的车辆在当前时刻的位姿。
因此，优化函数被构造为：
图7示出了本公开一示例性实施例提供的车辆定位装置的框图，请参照图7，车辆定位装置400包括：
图像获取模块401，用于获取车辆上的多个相机在当前时刻采集的道路图像；
元素识别模块402，用于针对每个相机采集的道路图像，对所述道路图像中的道路元素进行识别，获得所述道路图像中的每个道路元素在图像中的位置；
位置转换模块403，用于将每个道路元素在图像中的位置转换为所述相机的相机坐标系下的位置，得到所述相机对应的元素位置数据；
第一合并模块404，用于将所述多个相机对应的所述元素位置数据合并到所述当前时刻的车体坐标系下，得到第一局部地图；
位姿确定模块405，用于根据所述第一局部地图和高精地图，确定车辆在所述当前时刻的位姿。
可选地，所述道路元素由多个元素点进行表示，所述元素位置数据包括每个道路元素对应的每个元素点在相机坐标系下的位置；第一合并模块404包括：
立方体构建模块，用于基于所述当前时刻的车体坐标系构建地图立方体，并将所述地图立方体的空间分割为多个预设大小的立方格；
第一坐标系转换模块，用于将每个相机对应的所述元素位置数据中的每个元素点的位置转换到所述当前时刻的车体坐标系下；
第一投影模块，用于根据每个元素点在所述当前时刻的车体坐标系下的位置，将每个元素点投影到所述地图立方体中对应位置的立方格中；
第一滤波模块，用于针对每个立方格，将所述立方格中属于同一类型的所有元素点合并为一个元素点，该元素点的位置为该类型的所有元素点的位置均值；
第一地图确定模块，用于根据所述地图立方体中的元素点，确定所述第一局部地图。
可选地，位姿确定模块405包括：
历史数据获取模块，用于获取在所述当前时刻前的多个历史时刻的所述第一局部地图；
第二合并模块，用于将所述多个历史时刻的所述第一局部地图，与所述当前时刻的所述第一局部地图合并，得到所述当前时刻的第二局部地图；
地图处理模块，用于根据所述第二局部地图和高精地图，确定车辆在所述当前时刻的位姿。
可选地，所述道路元素由多个元素点进行表示，所述第二合并模块包括：
相对数据计算模块，用于根据惯性测量单元和轮速传感器的测量数据，确定每个所述历史时刻相对于所述当前时刻的车辆相对旋转和车辆相对位移；
第二坐标系转换模块，用于根据每个所述历史时刻相对于所述当前时刻的车辆相对旋转和车辆相对位移，将每个所述历史时刻的所述第一局部地图中的各元素点的位置转换到所述当前时刻的车体坐标系下；
第三合并模块，用于根据各元素点在所述当前时刻的车体坐标系下的位置，将各元素点与所述第一局部地图合并，得到所述当前时刻的第二局部地图。
可选地，第三合并模块包括：
立方体确定模块，用于确定所述当前时刻的所述第一局部地图对应的地图立方体，其中，所述地图立方体是基于所述当前时刻的车体坐标系构建，且所述地图立方体的空间被分割为多个预设大小的立方格；
第二投影模块，用于根据每个所述历史时刻对应的各元素点在所述当前时刻的车体坐标系下的位置，将各元素点投影到所述地图立方体中对应位置的立方格中；
第二滤波模块，用于针对每个立方格，将所述立方格中属于同一类型的所有元素点合并为一个元素点，该元素点的位置为该类型的所有元素点的位置均值；
第二地图确定模块，用于根据所述地图立方体中的元素点，确定所述第二局部地图。
可选地，地图处理模块包括：
先验位置确定模块，用于根据车辆的先验位置，从高精地图中确定所述先验位置对应的局部高精地图；
优化目标确定模块，用于确定优化函数，所述优化函数表示基于车体相对于所述高精地图的地图坐标系的位姿变换关系，对所述第二局部地图中的每个道路元素进行位置变换，变换后的位置与所述局部高精地图中对应道路元素的位置之间的距离；
位姿优化求解模块，用于求解使得所述优化函数最小的所述位姿变换关系，根据所述位姿变换关系确定车辆在所述当前时刻的位姿。
可选地，所述道路元素由多个元素点进行表示，所述优化函数被构造为：
其中，[R,t]表示车体相对于所述高精地图的地图坐标系的位姿变换关系，P local_i_ j 表示第二局部地图中第i个道路元素的第j个元素点，[R,t]*P local_i_ j 表示基于位姿变换关系[R,t]，将第i个道路元素的第j个元素点的位置变换到所述地图坐标系下的运算，P map 表示所述局部高精地图中，距离将第i个道路元素的第j个元素点的位置变换到所述地图坐标系后的位置最近的同一类型的元素点。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的车辆定位方法的步骤。
参阅图8，图8是一示例性实施例示出的一种车辆600的功能框图示意图。车辆600可以被配置为完全或部分自动驾驶模式。例如，车辆600可以通过感知系统620获取其周围的环境信息，并基于对周边环境信息的分析得到自动驾驶策略以实现完全自动驾驶，或者将分析结果呈现给用户以实现部分自动驾驶。
车辆600可包括各种子系统，例如，信息娱乐系统610、感知系统620、决策控制系统630、驱动系统640以及计算平台650。可选的，车辆600可包括更多或更少的子系统，并且每个子系统都可包括多个部件。另外，车辆600的每个子系统和部件可以通过有线或者无线的方式实现互连。
在一些实施例中，信息娱乐系统610可以包括通信系统611，娱乐系统612以及导航系统613。
通信系统611可以包括无线通信系统，无线通信系统可以直接地或者经由通信网络来与一个或多个设备无线通信。例如，无线通信系统可使用3G蜂窝通信，例如CDMA、EVD0、GSM/GPRS，或者4G蜂窝通信，例如LTE。或者5G蜂窝通信。无线通信系统可利用WiFi与无线局域网（wireless local area network，WLAN）通信。在一些实施例中，无线通信系统可利用红外链路、蓝牙或ZigBee与设备直接通信。其他无线协议，例如各种车辆通信系统，例如，无线通信系统可包括一个或多个专用短程通信（dedicated short range communications，DSRC）设备，这些设备可包括车辆和/或路边台站之间的公共和/或私有数据通信。
娱乐系统612可以包括显示设备，麦克风和音响，用户可以基于娱乐系统在车内收听广播，播放音乐；或者将手机和车辆联通，在显示设备上实现手机的投屏，显示设备可以为触控式，用户可以通过触摸屏幕进行操作。
在一些情况下，可以通过麦克风获取用户的语音信号，并依据对用户的语音信号的分析实现用户对车辆600的某些控制，例如调节车内温度等。在另一些情况下，可以通过音响向用户播放音乐。
导航系统613可以包括由地图供应商所提供的地图服务，从而为车辆600提供行驶路线的导航，导航系统613可以和车辆的全球定位系统621、惯性测量单元622配合使用。地图供应商所提供的地图服务可以为二维地图，也可以是高精地图。
感知系统620可包括感测关于车辆600周边的环境的信息的若干种传感器。例如，感知系统620可包括全球定位系统621（全球定位系统可以是GPS系统，也可以是北斗系统或者其他定位系统）、惯性测量单元622、激光雷达623、毫米波雷达624、超声雷达625以及摄像装置626。感知系统620还可包括被监视车辆600的内部系统的传感器（例如，车内空气质量监测器、燃油量表、机油温度表等）。来自这些传感器中的一个或多个的传感器数据可用于检测对象及其相应特性（位置、形状、方向、速度等）。这种检测和识别是车辆600的安全操作的关键功能。
全球定位系统621用于估计车辆600的地理位置。
惯性测量单元622用于基于惯性加速度来感测车辆600的位姿变化。在一些实施例中，惯性测量单元622可以是加速度计和陀螺仪的组合。
激光雷达623利用激光来感测车辆600所位于的环境中的物体。在一些实施例中，激光雷达623可包括一个或多个激光源、激光扫描器以及一个或多个检测器，以及其他系统组件。
毫米波雷达624利用无线电信号来感测车辆600的周边环境内的物体。在一些实施例中，除了感测物体以外，毫米波雷达624还可用于感测物体的速度和/或前进方向。
超声雷达625可以利用超声波信号来感测车辆600周围的物体。
摄像装置626用于捕捉车辆600的周边环境的图像信息。摄像装置626可以包括单目相机、双目相机、结构光相机以及全景相机等，例如包括前述实施例中的多个相机，如前视相机、后视相机和侧向相机，摄像装置626获取的图像信息可以包括静态图像，也可以包括视频流信息。
决策控制系统630包括基于感知系统620所获取的信息进行分析决策的计算系统631，决策控制系统630还包括对车辆600的动力系统进行控制的整车控制器632，以及用于控制车辆600的转向系统633、油门634和制动系统635。
计算系统631可以操作来处理和分析由感知系统620所获取的各种信息以便识别车辆600周边环境中的目标、物体和/或特征。目标可以包括行人或者动物，物体和/或特征可包括交通信号、道路边界和障碍物。计算系统631可使用物体识别算法、运动中恢复结构（Structure from Motion，SFM）算法、视频跟踪等技术。在一些实施例中，计算系统631可以用于为环境绘制地图、跟踪物体、估计物体的速度等等。计算系统631可以将所获取的各种信息进行分析并得出对车辆的控制策略。
整车控制器632可以用于对车辆的动力电池和引擎641进行协调控制，以提升车辆600的动力性能。
转向系统633可操作来调整车辆600的前进方向。例如在一个实施例中可以为方向盘系统。
油门634用于控制引擎641的操作速度并进而控制车辆600的速度。
制动系统635用于控制车辆600减速。制动系统635可使用摩擦力来减慢车轮644。在一些实施例中，制动系统635可将车轮644的动能转换为电流。制动系统635也可采取其他形式来减慢车轮644转速从而控制车辆600的速度。
驱动系统640可包括为车辆600提供动力运动的组件。在一个实施例中，驱动系统640可包括引擎641、能量源642、传动系统643和车轮644。引擎641可以是内燃机、电动机、空气压缩引擎或其他类型的引擎组合，例如汽油发动机和电动机组成的混动引擎，内燃引擎和空气压缩引擎组成的混动引擎。引擎641将能量源642转换成机械能量。
能量源642的示例包括汽油、柴油、其他基于石油的燃料、丙烷、其他基于压缩气体的燃料、乙醇、太阳能电池板、电池和其他电力来源。能量源642也可以为车辆600的其他系统提供能量。
传动系统643可以将来自引擎641的机械动力传送到车轮644。传动系统643可包括变速箱、差速器和驱动轴。在一个实施例中，传动系统643还可以包括其他器件，比如离合器。其中，驱动轴可包括可耦合到一个或多个车轮644的一个或多个轴。
车辆600的部分或所有功能受计算平台650控制。计算平台650可包括至少一个处理器651，处理器651可以执行存储在例如存储器652这样的非暂态计算机可读介质中的指令653。在一些实施例中，计算平台650还可以是采用分布式方式控制车辆600的个体组件或子系统的多个计算设备。
处理器651可以是任何常规的处理器，诸如商业可获得的CPU。可替换地，处理器651还可以包括诸如图像处理器（Graphic Process Unit，GPU）、现场可编程门阵列、片上系统（System on Chip，SOC）、专用集成芯片（Application Specific Integrated Circuit，ASIC）或它们的组合。尽管图8功能性地图示了处理器、存储器、和在相同块中的计算机的其它元件，但是本领域的普通技术人员应该理解该处理器、计算机、或存储器实际上可以包括可以或者可以不存储在相同的物理外壳内的多个处理器、计算机、或存储器。例如，存储器可以是硬盘驱动器或位于不同于计算机的外壳内的其它存储介质。因此，对处理器或计算机的引用将被理解为包括对可以或者可以不并行操作的处理器或计算机或存储器的集合的引用。不同于使用单一的处理器来执行此处所描述的步骤，诸如转向组件和减速组件的一些组件每个都可以具有其自己的处理器，处理器只执行与特定于组件的功能相关的计算。
在本公开实施方式中，处理器651可以执行上述的车辆定位方法。
在此处所描述的各个方面中，处理器651可以位于远离该车辆并且与该车辆进行无线通信。在其它方面中，此处所描述的过程中的一些在布置于车辆内的处理器上执行而其它则由远程处理器执行，包括采取执行单一操纵的必要步骤。
在一些实施例中，存储器652可包含指令653（例如，程序逻辑），指令653可被处理器651执行来执行车辆600的各种功能。存储器652也可包含额外的指令，包括向信息娱乐系统610、感知系统620、决策控制系统630、驱动系统640中的一个或多个发送数据、从其接收数据、与其交互和/或对其进行控制的指令。
除了指令653以外，存储器652还可存储数据，例如道路地图、路线信息，车辆的位置、方向、速度以及其它这样的车辆数据，以及其他信息。这种信息可在车辆600在自主、半自主和/或手动模式中操作期间被车辆600和计算平台650使用。
计算平台650可基于从各种子系统（例如，驱动系统640、感知系统620和决策控制系统630）接收的输入来控制车辆600的功能。例如，计算平台650可利用来自决策控制系统630的输入以便控制转向系统633来避免由感知系统620检测到的障碍物。在一些实施例中，计算平台650可操作来对车辆600及其子系统的许多方面提供控制。
可选地，上述这些组件中的一个或多个可与车辆600分开安装或关联。例如，存储器652可以部分或完全地与车辆600分开存在。上述组件可以按有线和/或无线方式来通信地耦合在一起。
可选地，上述组件只是一个示例，实际应用中，上述各个模块中的组件有可能根据实际需要增添或者删除，图8不应理解为对本公开实施例的限制。
在道路行进的自动驾驶汽车，如上面的车辆600，可以识别其周围环境内的物体以确定对当前速度的调整。物体可以是其它车辆、交通控制设备、或者其它类型的物体。在一些示例中，可以独立地考虑每个识别的物体，并且基于物体的各自的特性，诸如它的当前速度、加速度、与车辆的间距等，可以用来确定自动驾驶汽车所要调整的速度。
可选地，车辆600或者与车辆600相关联的感知和计算设备（例如计算系统631、计算平台650）可以基于所识别的物体的特性和周围环境的状态（例如，交通、雨、道路上的冰、等等）来预测识别的物体的行为。可选地，每一个所识别的物体都依赖于彼此的行为，因此还可以将所识别的所有物体全部一起考虑来预测单个识别的物体的行为。车辆600能够基于预测的识别的物体的行为来调整它的速度。换句话说，自动驾驶汽车能够基于所预测的物体的行为来确定车辆将需要调整到（例如，加速、减速、或者停止）何种稳定状态。在这个过程中，也可以考虑其它因素来确定车辆600的速度，诸如，车辆600在行驶的道路中的横向位置、道路的曲率、静态和动态物体的接近度等等。
除了提供调整自动驾驶汽车的速度的指令之外，计算设备还可以提供修改车辆600的转向角的指令，以使得自动驾驶汽车遵循给定的轨迹和/或维持与自动驾驶汽车附近的物体（例如，道路上的相邻车道中的车辆）的安全横向和纵向距离。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的车辆定位方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种车辆定位方法，其特征在于，包括：
获取车辆上的多个相机在当前时刻采集的道路图像；
针对每个相机采集的道路图像，对所述道路图像中的道路元素进行识别，获得所述道路图像中的每个道路元素在图像中的位置；
将每个道路元素在图像中的位置转换为所述相机的相机坐标系下的位置，得到所述相机对应的元素位置数据；
将所述多个相机对应的所述元素位置数据合并到所述当前时刻的车体坐标系下，得到第一局部地图；
根据所述第一局部地图和高精地图，确定车辆在所述当前时刻的位姿。
2.根据权利要求1所述的方法，其特征在于，所述道路元素由多个元素点进行表示，所述元素位置数据包括每个道路元素对应的每个元素点在相机坐标系下的位置；所述将所述多个相机对应的所述元素位置数据合并到所述当前时刻的车体坐标系下，得到第一局部地图，包括：
基于所述当前时刻的车体坐标系构建地图立方体，并将所述地图立方体的空间分割为多个预设大小的立方格；
将每个相机对应的所述元素位置数据中的每个元素点的位置转换到所述当前时刻的车体坐标系下；
根据每个元素点在所述当前时刻的车体坐标系下的位置，将每个元素点投影到所述地图立方体中对应位置的立方格中；
针对每个立方格，将所述立方格中属于同一类型的所有元素点合并为一个元素点，该元素点的位置为该类型的所有元素点的位置均值；
根据所述地图立方体中的元素点，确定所述第一局部地图。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述第一局部地图和高精地图，确定车辆在所述当前时刻的位姿，包括：
获取在所述当前时刻前的多个历史时刻的所述第一局部地图；
将所述多个历史时刻的所述第一局部地图，与所述当前时刻的所述第一局部地图合并，得到所述当前时刻的第二局部地图；
根据所述第二局部地图和高精地图，确定车辆在所述当前时刻的位姿。
4.根据权利要求3所述的方法，其特征在于，所述道路元素由多个元素点进行表示，所述将所述多个历史时刻的所述第一局部地图，与所述当前时刻的所述第一局部地图合并，得到所述当前时刻的第二局部地图，包括：
根据惯性测量单元和轮速传感器的测量数据，确定每个所述历史时刻相对于所述当前时刻的车辆相对旋转和车辆相对位移；
根据每个所述历史时刻相对于所述当前时刻的车辆相对旋转和车辆相对位移，将每个所述历史时刻的所述第一局部地图中的各元素点的位置转换到所述当前时刻的车体坐标系下；
根据各元素点在所述当前时刻的车体坐标系下的位置，将各元素点与所述第一局部地图合并，得到所述当前时刻的第二局部地图。
5.根据权利要求4所述的方法，其特征在于，所述根据各元素点在所述当前时刻的车体坐标系下的位置，将各元素点与所述第一局部地图合并，得到所述当前时刻的第二局部地图，包括：
确定所述当前时刻的所述第一局部地图对应的地图立方体，其中，所述地图立方体是基于所述当前时刻的车体坐标系构建，且所述地图立方体的空间被分割为多个预设大小的立方格；
根据每个所述历史时刻对应的各元素点在所述当前时刻的车体坐标系下的位置，将各元素点投影到所述地图立方体中对应位置的立方格中；
针对每个立方格，将所述立方格中属于同一类型的所有元素点合并为一个元素点，该元素点的位置为该类型的所有元素点的位置均值；
根据所述地图立方体中的元素点，确定所述第二局部地图。
6.根据权利要求3所述的方法，其特征在于，所述根据所述第二局部地图和高精地图，确定车辆在所述当前时刻的位姿，包括：
根据车辆的先验位置，从高精地图中确定所述先验位置对应的局部高精地图；
确定优化函数，所述优化函数表示基于车体相对于所述高精地图的地图坐标系的位姿变换关系，对所述第二局部地图中的每个道路元素进行位置变换，变换后的位置与所述局部高精地图中对应道路元素的位置之间的距离；
求解使得所述优化函数最小的所述位姿变换关系，根据所述位姿变换关系确定车辆在所述当前时刻的位姿。
7.根据权利要求6所述的方法，其特征在于，所述道路元素由多个元素点进行表示，所述优化函数被构造为：
其中，[R,t]表示车体相对于所述高精地图的地图坐标系的位姿变换关系，P local_i_j 表示第二局部地图中第i个道路元素的第j个元素点，[R,t]*P local_i_ j 表示基于位姿变换关系[R,t]，将第i个道路元素的第j个元素点的位置变换到所述地图坐标系下的运算，P map 表示所述局部高精地图中，距离将第i个道路元素的第j个元素点的位置变换到所述地图坐标系后的位置最近的同一类型的元素点。
8.一种车辆定位装置，其特征在于，包括：
图像获取模块，用于获取车辆上的多个相机在当前时刻采集的道路图像；
元素识别模块，用于针对每个相机采集的道路图像，对所述道路图像中的道路元素进行识别，获得所述道路图像中的每个道路元素在图像中的位置；
位置转换模块，用于将每个道路元素在图像中的位置转换为所述相机的相机坐标系下的位置，得到所述相机对应的元素位置数据；
第一合并模块，用于将所述多个相机对应的所述元素位置数据合并到所述当前时刻的车体坐标系下，得到第一局部地图；
位姿确定模块，用于根据所述第一局部地图和高精地图，确定车辆在所述当前时刻的位姿。
9.一种车辆，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器用于执行所述存储器中的可执行指令，以实现权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1~7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211183569.7A CN115265561A (zh) | 2022-09-27 | 2022-09-27 | 车辆定位方法、装置、车辆及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211183569.7A CN115265561A (zh) | 2022-09-27 | 2022-09-27 | 车辆定位方法、装置、车辆及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115265561A true CN115265561A (zh) | 2022-11-01 |
Family
ID=83756783
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211183569.7A Pending CN115265561A (zh) | 2022-09-27 | 2022-09-27 | 车辆定位方法、装置、车辆及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115265561A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115965942A (zh) * | 2023-03-03 | 2023-04-14 | 安徽蔚来智驾科技有限公司 | 位置估计方法、车辆控制方法、设备、介质及车辆 |
| CN116152783A (zh) * | 2023-04-18 | 2023-05-23 | 安徽蔚来智驾科技有限公司 | 目标元素标注数据的获取方法、计算机设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009718A (zh) * | 2019-03-07 | 2019-07-12 | 深兰科技（上海）有限公司 | 一种三维高精度地图生成方法及装置 |
| CN110009741A (zh) * | 2019-06-04 | 2019-07-12 | 奥特酷智能科技(南京)有限公司 | 一种在Unity中生成环境点云地图的方法 |
| CN110619299A (zh) * | 2019-09-12 | 2019-12-27 | 北京影谱科技股份有限公司 | 基于网格的对象识别slam方法和装置 |
| US20200098135A1 (en) * | 2016-12-09 | 2020-03-26 | Tomtom Global Content B.V. | Method and System for Video-Based Positioning and Mapping |
| CN111982133A (zh) * | 2019-05-23 | 2020-11-24 | 北京地平线机器人技术研发有限公司 | 基于高精地图对车辆进行定位的方法、装置及电子设备 |
| CN113554698A (zh) * | 2020-04-23 | 2021-10-26 | 杭州海康威视数字技术股份有限公司 | 车辆位姿信息生成方法、装置及电子设备、存储介质 |
| CN113834492A (zh) * | 2021-09-22 | 2021-12-24 | 广州小鹏自动驾驶科技有限公司 | 地图匹配方法、系统、设备及可读存储介质 |
| CN114018236A (zh) * | 2021-09-30 | 2022-02-08 | 哈尔滨工程大学 | 一种基于自适应因子图的激光视觉强耦合slam方法 |
| CN114485654A (zh) * | 2022-02-24 | 2022-05-13 | 中汽创智科技有限公司 | 一种基于高精地图的多传感器融合定位方法及装置 |
-
2022
- 2022-09-27 CN CN202211183569.7A patent/CN115265561A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200098135A1 (en) * | 2016-12-09 | 2020-03-26 | Tomtom Global Content B.V. | Method and System for Video-Based Positioning and Mapping |
| CN110009718A (zh) * | 2019-03-07 | 2019-07-12 | 深兰科技（上海）有限公司 | 一种三维高精度地图生成方法及装置 |
| CN111982133A (zh) * | 2019-05-23 | 2020-11-24 | 北京地平线机器人技术研发有限公司 | 基于高精地图对车辆进行定位的方法、装置及电子设备 |
| CN110009741A (zh) * | 2019-06-04 | 2019-07-12 | 奥特酷智能科技(南京)有限公司 | 一种在Unity中生成环境点云地图的方法 |
| CN110619299A (zh) * | 2019-09-12 | 2019-12-27 | 北京影谱科技股份有限公司 | 基于网格的对象识别slam方法和装置 |
| CN113554698A (zh) * | 2020-04-23 | 2021-10-26 | 杭州海康威视数字技术股份有限公司 | 车辆位姿信息生成方法、装置及电子设备、存储介质 |
| CN113834492A (zh) * | 2021-09-22 | 2021-12-24 | 广州小鹏自动驾驶科技有限公司 | 地图匹配方法、系统、设备及可读存储介质 |
| CN114018236A (zh) * | 2021-09-30 | 2022-02-08 | 哈尔滨工程大学 | 一种基于自适应因子图的激光视觉强耦合slam方法 |
| CN114485654A (zh) * | 2022-02-24 | 2022-05-13 | 中汽创智科技有限公司 | 一种基于高精地图的多传感器融合定位方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 马开锋，: "《卫星天线形面热变形近景摄影测量与数据处理》", 30 November 2018, 地质出版社 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115965942A (zh) * | 2023-03-03 | 2023-04-14 | 安徽蔚来智驾科技有限公司 | 位置估计方法、车辆控制方法、设备、介质及车辆 |
| CN116152783A (zh) * | 2023-04-18 | 2023-05-23 | 安徽蔚来智驾科技有限公司 | 目标元素标注数据的获取方法、计算机设备及存储介质 |
| CN116152783B (zh) * | 2023-04-18 | 2023-08-04 | 安徽蔚来智驾科技有限公司 | 目标元素标注数据的获取方法、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021026705A1 (zh) | 匹配关系确定方法、重投影误差计算方法及相关装置 | |
| CN115265561A (zh) | 车辆定位方法、装置、车辆及介质 | |
| CN112512887B (zh) | 一种行驶决策选择方法以及装置 | |
| CN114842075B (zh) | 数据标注方法、装置、存储介质及车辆 | |
| CN115042821B (zh) | 车辆控制方法、装置、车辆及存储介质 | |
| CN115330923B (zh) | 点云数据渲染方法、装置、车辆、可读存储介质及芯片 | |
| CN115220449B (zh) | 路径规划的方法、装置、存储介质、芯片及车辆 | |
| US20240017719A1 (en) | Mapping method and apparatus, vehicle, readable storage medium, and chip | |
| CN115147796A (zh) | 评测目标识别算法的方法、装置、存储介质及车辆 | |
| CN115205365A (zh) | 车辆距离检测方法、装置、车辆、可读存储介质及芯片 | |
| CN115222941A (zh) | 目标检测方法、装置、车辆、存储介质、芯片及电子设备 | |
| CN115035494A (zh) | 图像处理方法、装置、车辆、存储介质及芯片 | |
| EP4293630A1 (en) | Method for generating lane line, vehicle, storage medium and chip | |
| CN115222791B (zh) | 目标关联方法、装置、可读存储介质及芯片 | |
| CN115205311B (zh) | 图像处理方法、装置、车辆、介质及芯片 | |
| CN115221151B (zh) | 车辆数据的传输方法、装置、车辆、存储介质及芯片 | |
| CN115202234B (zh) | 仿真测试方法、装置、存储介质和车辆 | |
| CN115100630B (zh) | 障碍物检测方法、装置、车辆、介质及芯片 | |
| CN115205848A (zh) | 目标检测方法、装置、车辆、存储介质及芯片 | |
| CN115205179A (zh) | 图像融合的方法、装置、车辆及存储介质 | |
| CN115170630A (zh) | 地图生成方法、装置、电子设备、车辆和存储介质 | |
| WO2021159397A1 (zh) | 车辆可行驶区域的检测方法以及检测装置 | |
| CN115205461B (zh) | 场景重建方法、装置、可读存储介质及车辆 | |
| CN114822216B (zh) | 生成车位地图的方法、装置、车辆、存储介质及芯片 | |
| CN115082886B (zh) | 目标检测的方法、装置、存储介质、芯片及车辆 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221101 |
|
| RJ01 | Rejection of invention patent application after publication |