CN115267861B - 自动驾驶的融合定位精度测试方法、装置及电子设备 - Google Patents

Abstract

本申请公开了一种自动驾驶的融合定位精度测试方法、装置及电子设备，该方法包括：获取当前真实场景的第一原始卫星定位数据，当前真实场景为卫星定位信号正常的场景；确定当前测试场景，并利用当前测试场景的卫星定位误差模型和第一原始卫星定位数据模拟当前测试场景的卫星定位数据，当前测试场景为卫星定位信号异常的场景；根据当前测试场景的卫星定位数据确定融合定位数据；根据第一原始卫星定位数据和融合定位数据确定当前测试场景的融合定位精度。本申请基于卫星定位信号正常场景采集的原始卫星定位数据及事先构建的卫星定位误差模型模拟测试场景，无需测试人员实际在测试场景进行定位数据的采集，降低了测试成本，提高了测试效率。

Description

自动驾驶的融合定位精度测试方法、装置及电子设备

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的融合定位精度测试方法、装置及电子设备。

背景技术

传统的用于自动驾驶的融合定位精度评估方案一般需要依赖于高精度的惯导设备来实现，而这类高精惯导设备最基本的也需要几十万，成本高昂，且安装麻烦，需要事先标定，可移植性差，无法进行大规模推广。

例如，在某辆车辆上安装好了高精惯导设备并进行融合定位精度评估后，当需要评估另一辆车辆时，需要拆卸高精惯导设备并进行二次安装和标定，并且实际测试场景往往需要测试多种车型、多个车辆，如果每次均需要重新安装和标定，将需要付出大量的人力、物力和时间成本。

此外，多传感器融合定位往往需要测试各个车辆在隧道、高架桥、城市峡谷等不同工况下的融合定位效果，直接去现场测试同样费时费力，直接采取拔天线和网线的方式来模拟上述特殊工况也并不符合实际情况。

发明内容

本申请实施例提供了一种自动驾驶的融合定位精度测试方法、装置及电子设备，以提高自动驾驶的融合定位精度的测试效率，降低测试成本。

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的融合定位精度测试方法，其中，所述方法包括：

获取当前真实场景的第一原始卫星定位数据，所述当前真实场景为卫星定位信号正常的场景；

确定当前测试场景，并利用所述当前测试场景对应的卫星定位误差模型和所述当前真实场景的第一原始卫星定位数据模拟当前测试场景的卫星定位数据，所述当前测试场景为卫星定位信号异常的场景；

根据所述当前测试场景的卫星定位数据确定当前测试场景的融合定位数据；

根据所述当前真实场景的第一原始卫星定位数据和所述当前测试场景的融合定位数据，确定所述当前测试场景的融合定位精度。

可选地，在确定当前测试场景，并利用所述当前测试场景对应的卫星定位误差模型和所述当前真实场景的第一原始卫星定位数据模拟当前测试场景的卫星定位数据之前，所述方法还包括：

获取多个测试场景的高精惯导定位数据和第二原始卫星定位数据；

根据各个待测试场景的高精惯导定位数据和所述第二原始卫星定位数据分别确定各个测试场景的卫星定位误差模型。

可选地，所述利用所述当前测试场景对应的卫星定位误差模型和所述当前真实场景的第一原始卫星定位数据模拟当前测试场景的卫星定位数据包括：

将所述第一原始卫星定位数据输入所述卫星定位误差模型，得到所述第一原始卫星定位数据对应的卫星定位误差；

根据所述第一原始卫星定位数据和所述第一原始卫星定位数据对应的卫星定位误差模拟所述当前测试场景的卫星定位数据。

可选地，所述根据所述当前真实场景的第一原始卫星定位数据和所述当前测试场景的融合定位数据，确定所述当前测试场景的融合定位精度包括：

根据所述当前真实场景的第一原始卫星定位数据和所述当前测试场景的融合定位数据，确定当前测试场景的融合定位误差；

根据所述当前测试场景的融合定位误差，确定所述当前测试场景的融合定位精度。

可选地，所述根据所述当前测试场景的融合定位误差，确定所述当前测试场景的融合定位精度包括：

根据所述当前测试场景的融合定位误差确定预设精度指标的指标值，所述预设精度指标包括均方根和标准差中的至少一种；

根据所述预设精度指标的指标值确定所述当前测试场景的融合定位精度。

可选地，在确定当前测试场景，并利用所述当前测试场景对应的卫星定位误差模型和所述当前真实场景的第一原始卫星定位数据模拟当前测试场景的卫星定位数据之前，所述方法还包括：

获取多个测试场景的传感器使用情况数据，所述传感器使用情况数据包括各个传感器的实际使用率和实际延迟时间中的至少一种；

将所述传感器使用情况数据发送至云端，以使所述云端根据所述传感器使用情况数据确定各个传感器的实际使用情况。

第二方面，本申请实施例还提供一种自动驾驶的融合定位精度测试装置，其中，所述装置包括：

第一获取单元，用于获取当前真实场景的第一原始卫星定位数据，所述当前真实场景为卫星定位信号正常的场景；

模拟单元，用于确定当前测试场景，并利用所述当前测试场景对应的卫星定位误差模型和所述当前真实场景的第一原始卫星定位数据模拟当前测试场景的卫星定位数据，所述当前测试场景为卫星定位信号异常的场景；

第一确定单元，用于根据所述当前测试场景的卫星定位数据确定当前测试场景的融合定位数据；

第二确定单元，用于根据所述当前真实场景的第一原始卫星定位数据和所述当前测试场景的融合定位数据，确定所述当前测试场景的融合定位精度。

可选地，所述模拟单元具体用于：

将所述第一原始卫星定位数据输入所述卫星定位误差模型，得到所述第一原始卫星定位数据对应的卫星定位误差；

根据所述第一原始卫星定位数据和所述第一原始卫星定位数据对应的卫星定位误差模拟所述当前测试场景的卫星定位数据。

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的融合定位精度测试方法，先获取当前真实场景的第一原始卫星定位数据，当前真实场景为卫星定位信号正常的场景；然后确定当前测试场景，并利用当前测试场景对应的卫星定位误差模型和当前真实场景的第一原始卫星定位数据模拟当前测试场景的卫星定位数据，当前测试场景为卫星定位信号异常的场景；之后根据当前测试场景的卫星定位数据确定当前测试场景的融合定位数据；最后根据当前真实场景的第一原始卫星定位数据和当前测试场景的融合定位数据，确定当前测试场景的融合定位精度。本申请实施例基于卫星定位信号正常的场景下采集的原始卫星定位数据以及事先构建好的不同测试场景下的卫星定位误差模型对各个卫星定位信号异常的场景进行模拟，并基于各个模拟场景下的卫星定位数据进行融合定位精度评估，无需测试人员实际在卫星定位信号异常的场景进行定位数据的采集，降低了融合定位精度的测试成本，提高了测试效率。

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的融合定位精度测试方法的流程示意图；

图2为本申请实施例中一种自动驾驶的融合定位精度测试装置的结构示意图；

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的融合定位精度测试方法，如图1所示，提供了本申请实施例中一种自动驾驶的融合定位精度测试方法的流程示意图，所述方法至少包括如下的步骤S110至步骤S140：

步骤S110，获取当前真实场景的第一原始卫星定位数据，所述当前真实场景为卫星定位信号正常的场景。

本申请实施例在测试自动驾驶的融合定位精度时，需要先获取当前真实场景的第一原始卫星定位数据，当前真实场景是指自动驾驶车辆或者其他数据采集车辆当前所处的卫星定位信号良好的道路场景，第一原始卫星定位数据例如可以是RTK（Real-timekinematic，实时动态差分）定位数据，在卫星定位信号良好的场景下，采集到的RTK定位数据具有较高定位精度，一般可以达到厘米级别，因此可以作为后续衡量融合定位数据的定位精度的基准。

步骤S120，确定当前测试场景，并利用所述当前测试场景对应的卫星定位误差模型和所述当前真实场景的第一原始卫星定位数据模拟当前测试场景的卫星定位数据，所述当前测试场景为卫星定位信号异常的场景。

在隧道、高架桥、城市峡谷等一些特殊场景下，卫星定位信号易受到干扰，甚至无法获取到卫星定位信号，这些场景下往往需要结合其他传感器如激光雷达、相机等来实现自动驾驶车辆的融合定位，因此本申请实施例的自动驾驶的融合定位精度测试方法主要用于对上述这些卫星定位信号异常的道路场景的传感器融合定位效果进行评估，当然具体还包括哪些场景，本领域技术人员可以根据实际需求灵活扩充，在此不作具体限定。

具体地，本申请实施例可以先确定当前需要测试的场景，然后加载当前测试场景对应的卫星定位误差模型，卫星定位误差模型可以针对不同的测试场景事先构建好，例如可以针对短隧道\桥洞、长隧道、高架桥、城市峡谷等场景分别构建对应的卫星定位误差模型，用来确定不同测试场景下不同的卫星定位数据的定位误差大小。

由于卫星定位误差模型是针对各个测试场景构建的，因此基于当前测试场景对应的卫星定位误差模型和当前真实场景的第一原始卫星定位数据可以对当前测试场景的卫星定位数据进行模拟，而无需测试人员真正去到当前测试场景进行卫星定位数据的采集，降低了人力、物力以及时间成本。

步骤S130，根据所述当前测试场景的卫星定位数据确定当前测试场景的融合定位数据。

在模拟出当前测试场景的卫星定位数据后，可以进一步结合其它激光雷达、相机等传感器采集的数据生成当前测试场景的融合定位数据，也即融合定位数据是基于卫星定位信号异常的情况下模拟出的卫星定位数据以及其他传感器数据得到的，通过进一步对当前测试场景的融合定位数据的定位精度进行评估能够确定融合定位数据在一些卫星定位信号异常的场景下的定位效果。

步骤S140，根据所述当前真实场景的第一原始卫星定位数据和所述当前测试场景的融合定位数据，确定所述当前测试场景的融合定位精度。

由于在当前真实场景采集的第一原始卫星定位数据具有较高的定位精度，因此可以将其作为衡量融合定位数据定位精度的基准，例如，如果融合定位数据与第一原始卫星定位数据之间的偏差越大，说明融合定位的精度越低，反之则越高，如果融合定位数据的定位精度不满足定位要求，那么可以对融合定位算法或者硬件等进行改进和调整，以保证自动驾驶车辆在短隧道\桥洞、长隧道、高架桥、城市峡谷等场景下的融合定位效果。

需要说明的是，本申请实施例的上述步骤S110至步骤S140对于算力需求并不高，因此可以由车端来执行，车端在得到当前测试场景的融合定位精度后可以同步给云端进行存储。或者也可以是部分步骤如步骤S110和步骤S130由车端来执行，部分步骤如步骤S120和步骤S140由云端来执行，即通过车云交互实现融合定位精度的测试。当然，具体如何定义执行主体，本领域技术人员可以根据实际需求灵活调整，在此不作具体限定。

本申请实施例基于卫星定位信号正常的场景下采集的原始卫星定位数据以及事先构建好的不同测试场景下的卫星定位误差模型对各个卫星定位信号异常的场景进行模拟，并基于各个模拟场景下的卫星定位数据进行融合定位精度评估，无需测试人员实际在卫星定位信号异常的场景进行定位数据的采集，降低了融合定位精度的测试成本，提高了测试效率。

在本申请的一些实施例中，在确定当前测试场景，并利用所述当前测试场景对应的卫星定位误差模型和所述当前真实场景的第一原始卫星定位数据模拟当前测试场景的卫星定位数据之前，所述方法还包括：获取多个测试场景的高精惯导定位数据和第二原始卫星定位数据；根据各个待测试场景的高精惯导定位数据和所述第二原始卫星定位数据分别确定各个测试场景的卫星定位误差模型。

本申请在加载当前测试场景对应的卫星定位误差模型之前，可以先构建卫星定位误差模型，由于不同测试场景的定位误差存在差异，因此可以针对不同测试场景分别构建对应的卫星定位误差模型。

具体地，可以先利用高精惯导设备采集不同测试场景下的高精惯导定位数据，高精惯导设备可以由高精度闭环光纤陀螺以及高精度加速度计构成，采集到的定位数据具有厘米级别的定位精度。此外，同步采集不同测试场景下的第二原始卫星定位数据，由于在构建模型阶段，车辆需要实际行驶到短隧道\桥洞、长隧道、高架桥、城市峡谷等测试场景，因此这里的第二原始卫星定位数据会因为受到这些场景下卫星定位信号质量的影响而存在定位误差，因此可以基于高精惯导定位数据来确定第二原始卫星定位数据的定位误差大小，并通过拟合或者深度学习模型如BP（Back Propagation，反向传播）网络的方式构建起高精惯导定位数据与卫星定位误差之间的对应关系。上述构建好的不同测试场景的卫星定位误差模型可以上传至云端进行存储，后续使用时可以从云端加载，当然如果车端内存满足要求，也可以直接存储在车端本地。

由于高精惯导设备成本高昂，且安装麻烦，因此一般不适用于大规模推广。而本申请实施例是在构建卫星定位误差模型的过程中才需要用到高精惯导设备采集的定位数据，因此只需要在构建模型阶段在一台车辆上安装一个高精惯导设备即可，后续测试过程可以在卫星定位信号良好的场景采集得到精度同样较高的RTK定位数据，无需再依赖高精惯导设备，进而也就不存在上述问题。当然，如果后续测试场景具备安装高精惯导设备的条件，也可以以高精惯导设备采集的高精惯导定位数据作为实际测试阶段的定位基准。

需要说明的是，虽然本申请实施例在构建卫星定位误差模型阶段需要车辆实际行驶到对应的测试场景中进行数据采集，但在后续实际测试过程中，不论是测试多个车辆还是多个车型，都不需要车辆实际行驶到对应的测试场景，卫星定位误差模型构建好后即可重复利用，模拟出不同测试场景的卫星定位数据。

在本申请的一些实施例中，所述利用所述当前测试场景对应的卫星定位误差模型和所述当前真实场景的第一原始卫星定位数据模拟当前测试场景的卫星定位数据包括：将所述第一原始卫星定位数据输入所述卫星定位误差模型，得到所述第一原始卫星定位数据对应的卫星定位误差；根据所述第一原始卫星定位数据和所述第一原始卫星定位数据对应的卫星定位误差模拟所述当前测试场景的卫星定位数据。

由于卫星定位误差模型本质上表征的是高精惯导定位数据与卫星定位误差之间的对应关系，而在实际测试场景下，由于第一原始卫星定位数据是在卫星定位信号良好的情况下采集的，因此第一原始卫星定位数据就可以看作是精度较高的高精惯导定位数据，将其输入到卫星定位误差模型中，就可以得到对应的卫星定位误差。

上述卫星定位误差表征了车辆如果实际行驶到当前测试场景时采集到的卫星定位数据所存在的定位偏差大小，因此将当前测试场景采集的第一原始定位数据加上该卫星定位误差，即可还原出实际测试场景下采集到的卫星定位数据，节省了实地采集卫星定位数据所需要花费的人力、物力和时间成本。此外，在模拟卫星定位数据时还可以进一步引入一个随机噪声误差如-0.5~0.5m，以保证模拟出的卫星定位数据更加准确且符合实际测试场景。

上述过程由于不需要车辆实际行驶到对应的测试场景，也不需要安装高精惯导设备，因此可以实时大批量进行测试，大大降低了测试成本，提高了测试效率。

在本申请的一些实施例中，所述根据所述当前真实场景的第一原始卫星定位数据和所述当前测试场景的融合定位数据，确定所述当前测试场景的融合定位精度包括：根据所述当前真实场景的第一原始卫星定位数据和所述当前测试场景的融合定位数据，确定当前测试场景的融合定位误差；根据所述当前测试场景的融合定位误差，确定所述当前测试场景的融合定位精度。

本申请实施例在确定当前测试场景的融合定位精度时，可以先将当前真实场景的第一原始卫星定位数据与对应的融合定位数据进行比较，计算得到当前测试场景的融合定位误差，融合定位误差越大，说明融合定位精度越低，反之则越高，因此可以根据融合定位误差的大小来评估融合定位精度。

在本申请的一些实施例中，所述根据所述当前测试场景的融合定位误差，确定所述当前测试场景的融合定位精度包括：根据所述当前测试场景的融合定位误差确定预设精度指标的指标值，所述预设精度指标包括均方根和标准差中的至少一种；根据所述预设精度指标的指标值确定所述当前测试场景的融合定位精度。

由于实际测试场景中，会采集得到一段时间内的多个第一原始定位数据以及对应的多个融合定位数据，基于此可以计算得到多个融合定位误差，因此可以对这多个融合定位误差数据进行综合处理，例如可以采用均方根和标准差等预设精度指标来计算融合定位误差的均方根（Root Mean Square，简称RMS）和标准差（Standard Deviation，简称STD），从而根据融合定位误差的均方根大小和标准差大小来确定融合定位数据的定位精度。当然，本领域技术人员也可以根据实际需求灵活设置其他类型的精度指标，在此不一一列举。

在本申请的一些实施例中，在确定当前测试场景，并利用所述当前测试场景对应的卫星定位误差模型和所述当前真实场景的第一原始卫星定位数据模拟当前测试场景的卫星定位数据之前，所述方法还包括：获取多个测试场景的传感器使用情况数据，所述传感器使用情况数据包括各个传感器的实际使用率和实际延迟时间中的至少一种；将所述传感器使用情况数据发送至云端，以使所述云端根据所述传感器使用情况数据确定各个传感器的实际使用情况。

本申请实施例除了可以对多传感器的融合定位精度进行评估，还可以对各个传感器在不同场景下的实际使用情况进行评估，因为不同场景对于不同类型的传感器使用需求是不同的，例如，在开阔的道路场景下，需要尽可能使用RTK定位数据，在桥洞/隧道等场景，需要更多依赖于激光雷达和视觉相机以及轮速计的数据，在高架桥场景，则更多依赖于视觉相机采集的数据，在高速场景，则主要依赖RTK定位数据和视觉相机的数据。

基于此，本申请实施例可以先获取各个测试场景下的传感器使用情况数据，具体可以包括各个传感器的实际使用率和实际延迟时间等指标，实际使用率可以通过传感器实际使用时间除以车辆在各个测试场景下行驶的总时间得到，表征了不同传感器在不同场景下的实际使用时长，例如，如果在桥洞/隧道等场景，激光雷达或者视觉相机的实际使用率未达到预设使用率要求，那么说明这两个传感器在桥洞/隧道等场景下的实际使用效果有待进一步优化。

此外，实际延迟时间是指各个传感器在从产生定位数据到将其发送至融合定位模块所经历的时间，如果实际延迟时间越长，那么对后续融合定位结果的精度以及稳定性的影响也就越大，因此通过实际延迟时间这个指标也能够反映出各个传感器在不同场景下的数据延迟情况。当然，不同场景对于延迟时间的容忍度可能是不同的，因此可以分别针对不同场景定义不同的延迟时间阈值，作为不同场景下衡量各个传感器数据延迟情况的基准。

本申请实施例还提供了一种自动驾驶的融合定位精度测试装置，如图2所示，提供了本申请实施例中一种自动驾驶的融合定位精度测试装置的结构示意图，所述装置包括：第一获取单元210、模拟单元220、第一确定单元230以及第二确定单元240，其中：

第一获取单元210，用于获取当前真实场景的第一原始卫星定位数据，所述当前真实场景为卫星定位信号正常的场景；

模拟单元220，用于确定当前测试场景，并利用所述当前测试场景对应的卫星定位误差模型和所述当前真实场景的第一原始卫星定位数据模拟当前测试场景的卫星定位数据，所述当前测试场景为卫星定位信号异常的场景；

第一确定单元230，用于根据所述当前测试场景的卫星定位数据确定当前测试场景的融合定位数据；

第二确定单元240，用于根据所述当前真实场景的第一原始卫星定位数据和所述当前测试场景的融合定位数据，确定所述当前测试场景的融合定位精度。

在本申请的一些实施例中，所述装置还包括：第二获取单元，用于获取多个测试场景的高精惯导定位数据和第二原始卫星定位数据；第三确定单元，用于根据各个待测试场景的高精惯导定位数据和所述第二原始卫星定位数据分别确定各个测试场景的卫星定位误差模型。

在本申请的一些实施例中，所述模拟单元220具体用于：将所述第一原始卫星定位数据输入所述卫星定位误差模型，得到所述第一原始卫星定位数据对应的卫星定位误差；根据所述第一原始卫星定位数据和所述第一原始卫星定位数据对应的卫星定位误差模拟所述当前测试场景的卫星定位数据。

在本申请的一些实施例中，所述第二确定单元240具体用于：根据所述当前真实场景的第一原始卫星定位数据和所述当前测试场景的融合定位数据，确定当前测试场景的融合定位误差；根据所述当前测试场景的融合定位误差，确定所述当前测试场景的融合定位精度。

在本申请的一些实施例中，所述第二确定单元240具体用于：根据所述当前测试场景的融合定位误差确定预设精度指标的指标值，所述预设精度指标包括均方根和标准差中的至少一种；根据所述预设精度指标的指标值确定所述当前测试场景的融合定位精度。

在本申请的一些实施例中，所述装置还包括：第三获取单元，用于获取多个测试场景的传感器使用情况数据，所述传感器使用情况数据包括各个传感器的实际使用率和实际延迟时间中的至少一种；发送单元，用于将所述传感器使用情况数据发送至云端，以使所述云端根据所述传感器使用情况数据确定各个传感器的实际使用情况。

能够理解，上述自动驾驶的融合定位精度测试装置，能够实现前述实施例中提供的自动驾驶的融合定位精度测试方法的各个步骤，关于自动驾驶的融合定位精度测试方法的相关阐释均适用于自动驾驶的融合定位精度测试装置，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的融合定位精度测试装置。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：

获取当前真实场景的第一原始卫星定位数据，所述当前真实场景为卫星定位信号正常的场景；

确定当前测试场景，并利用所述当前测试场景对应的卫星定位误差模型和所述当前真实场景的第一原始卫星定位数据模拟当前测试场景的卫星定位数据，所述当前测试场景为卫星定位信号异常的场景；

根据所述当前测试场景的卫星定位数据确定当前测试场景的融合定位数据；

根据所述当前真实场景的第一原始卫星定位数据和所述当前测试场景的融合定位数据，确定所述当前测试场景的融合定位精度。

上述如本申请图1所示实施例揭示的自动驾驶的融合定位精度测试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（CentralProcessing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific IntegratedCircuit，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中自动驾驶的融合定位精度测试装置执行的方法，并实现自动驾驶的融合定位精度测试装置在图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的融合定位精度测试装置执行的方法，并具体用于执行：

获取当前真实场景的第一原始卫星定位数据，所述当前真实场景为卫星定位信号正常的场景；

确定当前测试场景，并利用所述当前测试场景对应的卫星定位误差模型和所述当前真实场景的第一原始卫星定位数据模拟当前测试场景的卫星定位数据，所述当前测试场景为卫星定位信号异常的场景；

根据所述当前测试场景的卫星定位数据确定当前测试场景的融合定位数据；

根据所述当前真实场景的第一原始卫星定位数据和所述当前测试场景的融合定位数据，确定所述当前测试场景的融合定位精度。

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 (8)

1.一种自动驾驶的融合定位精度测试方法，其中，所述方法包括：

获取当前真实场景的第一原始卫星定位数据，所述当前真实场景为车辆当前所处的卫星定位信号正常的场景；

确定当前测试场景，并利用所述当前测试场景对应的卫星定位误差模型和所述当前真实场景的第一原始卫星定位数据模拟当前测试场景的卫星定位数据，所述当前测试场景为卫星定位信号异常的场景；

根据所述当前测试场景的卫星定位数据确定当前测试场景的融合定位数据，所述融合定位数据是对卫星定位信号异常的情况下模拟出的卫星定位数据与其他传感器数据融合后得到的；

根据所述当前真实场景的第一原始卫星定位数据和所述当前测试场景的融合定位数据，确定所述当前测试场景的融合定位精度；

在所述确定当前测试场景，并利用所述当前测试场景对应的卫星定位误差模型和所述当前真实场景的第一原始卫星定位数据模拟当前测试场景的卫星定位数据之前，所述方法还包括：

获取多个测试场景的高精惯导定位数据和第二原始卫星定位数据；

根据各个待测试场景的高精惯导定位数据和所述第二原始卫星定位数据分别确定各个测试场景的卫星定位误差模型；

所述卫星定位误差模型是指通过拟合或者深度学习模型构建得到的高精惯导定位数据与卫星定位误差之间的对应关系；

所述利用所述当前测试场景对应的卫星定位误差模型和所述当前真实场景的第一原始卫星定位数据模拟当前测试场景的卫星定位数据包括：

将所述第一原始卫星定位数据输入所述卫星定位误差模型，得到所述第一原始卫星定位数据对应的卫星定位误差；

根据所述第一原始卫星定位数据和所述第一原始卫星定位数据对应的卫星定位误差模拟所述当前测试场景的卫星定位数据。

2.如权利要求1所述方法，其中，所述根据所述当前真实场景的第一原始卫星定位数据和所述当前测试场景的融合定位数据，确定所述当前测试场景的融合定位精度包括：

根据所述当前真实场景的第一原始卫星定位数据和所述当前测试场景的融合定位数据，确定当前测试场景的融合定位误差；

根据所述当前测试场景的融合定位误差，确定所述当前测试场景的融合定位精度。

3.如权利要求2所述方法，其中，所述根据所述当前测试场景的融合定位误差，确定所述当前测试场景的融合定位精度包括：

根据所述当前测试场景的融合定位误差确定预设精度指标的指标值，所述预设精度指标包括均方根和标准差中的至少一种；

根据所述预设精度指标的指标值确定所述当前测试场景的融合定位精度。

4.如权利要求1所述方法，其中，在所述确定当前测试场景，并利用所述当前测试场景对应的卫星定位误差模型和所述当前真实场景的第一原始卫星定位数据模拟当前测试场景的卫星定位数据之前，所述方法还包括：

获取多个测试场景的传感器使用情况数据，所述传感器使用情况数据包括各个传感器的实际使用率和实际延迟时间中的至少一种；

将所述传感器使用情况数据发送至云端，以使所述云端根据所述传感器使用情况数据确定各个传感器的实际使用情况。

5.一种自动驾驶的融合定位精度测试装置，其中，所述装置包括：

第一获取单元，用于获取当前真实场景的第一原始卫星定位数据，所述当前真实场景为车辆当前所处的卫星定位信号正常的场景；

模拟单元，用于确定当前测试场景，并利用所述当前测试场景对应的卫星定位误差模型和所述当前真实场景的第一原始卫星定位数据模拟当前测试场景的卫星定位数据，所述当前测试场景为卫星定位信号异常的场景；

第一确定单元，用于根据所述当前测试场景的卫星定位数据确定当前测试场景的融合定位数据，所述融合定位数据是对卫星定位信号异常的情况下模拟出的卫星定位数据与其他传感器数据融合后得到的；

第二确定单元，用于根据所述当前真实场景的第一原始卫星定位数据和所述当前测试场景的融合定位数据，确定所述当前测试场景的融合定位精度；

所述装置还包括：

第二获取单元，用于获取多个测试场景的高精惯导定位数据和第二原始卫星定位数据；

第三确定单元，用于根据各个待测试场景的高精惯导定位数据和所述第二原始卫星定位数据分别确定各个测试场景的卫星定位误差模型；

所述卫星定位误差模型是指通过拟合或者深度学习模型构建得到的高精惯导定位数据与卫星定位误差之间的对应关系；

所述模拟单元具体用于：

将所述第一原始卫星定位数据输入所述卫星定位误差模型，得到所述第一原始卫星定位数据对应的卫星定位误差；

根据所述第一原始卫星定位数据和所述第一原始卫星定位数据对应的卫星定位误差模拟所述当前测试场景的卫星定位数据。

6.如权利要求5所述装置，其中，所述模拟单元具体用于：

将所述第一原始卫星定位数据输入所述卫星定位误差模型，得到所述第一原始卫星定位数据对应的卫星定位误差；

根据所述第一原始卫星定位数据和所述第一原始卫星定位数据对应的卫星定位误差模拟所述当前测试场景的卫星定位数据。

7.一种电子设备，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权利要求1~4之任一所述方法。

8.一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权利要求1~4之任一所述方法。

Images