CN115267868B - 一种定位点处理方法、装置及计算机可读存储介质 - Google Patents

Abstract

本申请实施例公开了一种定位点处理方法、装置及计算机可读存储介质，本申请实施例可应用于地图领域，通过当检测到进入预设路段时，获取当前的第一状态量；根据第一状态量进行运动状态预测，得到预测后的第二状态量；根据车道线作为参照，对第二状态量进行运动状态补偿，得到补偿后的第三状态量；根据第三状态量确定目标定位点。以此，在进入无GPS的预设路段时，可以通过车道线作为参照，对预测的第二状态量的状态进行补偿，得到补偿后更贴合车道线的第三状态量进行目标定位点确定，避免定位点漂移，使得导航更准确，极大的提升了定位点处理的精确度，用户体验更好。

Description

一种定位点处理方法、装置及计算机可读存储介质

技术领域

本申请涉及计算机技术领域，具体涉及一种定位点处理方法、装置及计算机可读存储介质。

背景技术

随着终端的不断发展与普及，导航应用技术在人们日常生活中发挥着越来越重要的作用。在用户导航过程中，定位点是否精确会直接影响用户的驾驶体验。

传统的终端导航应用技术主要依赖于自带的惯性测量单元(InertialMeasurement Unit，IMU)和全球定位系统（Global Positioning System，GPS）的组合方式，实现定位点的不断预测。

在对相关技术的研究和实践过程中，本申请的发明人发现，相关技术中，没有GPS信号进行补充的特殊路段，例如隧道以及偏远公路等路段，惯性导航推算的误差会逐渐积累，导致严重的定位点漂移，给用户带来极大的不便。

发明内容

本申请实施例提供一种定位点处理方法、装置及计算机可读存储介质，可以提升定位点处理的精确度，极大的提升用户体验。

为解决上述技术问题，本申请实施例提供以下技术方案：

一种定位点处理方法，包括：

当检测到进入预设路段时，获取当前的第一状态量；

根据所述第一状态量进行运动状态预测，得到预测后的第二状态量；

根据车道线作为参照，对所述第二状态量进行运动状态补偿，得到补偿后的第三状态量；

根据所述第三状态量确定目标定位点。

一种定位点处理装置，包括：

获取单元，用于当检测到进入预设路段时，获取当前的第一状态量；

运动预测单元，用于根据所述第一状态量进行运动状态预测，得到预测后的第二状态量；

补偿单元，用于根据车道线作为参照，对所述第二状态量进行运动状态补偿，得到补偿后的第三状态量；

确定单元，用于根据所述第三状态量确定目标定位点。

在一些实施方式中，所述补偿单元，包括：

确定子单元，用于根据所述车道线确定对应的车道中心线；

获取子单元，用于获取所述车道中心线的坐标集合，生成对应的观测矩阵；

计算子单元，用于计算所述观测矩阵和第二状态量之间的补偿量；

补偿子单元，用于根据所述补偿量对所述第二状态量进行状态补偿，得到补偿后的第三状态量。

在一些实施例中，所述计算子单元，包括：

获取子模块，用于获取转换矩阵；

转换子模块，用于根据所述转换矩阵对所述第二状态量进行转换，得到转换后的第二状态量；

确定子模块，用于确定所述观测矩阵和所述转换后的第二状态量之间的补偿量。

在一些实施例中，所述确定子模块，用于：

根据所述第二状态量计算出对应的雅可比矩阵；

基于所述雅可比矩阵计算出对应的卡尔曼增益；

计算所述观测矩阵和所述转换后的第二状态量之间的差异量；

根据所述卡尔曼增益对所述差异量进行加权处理，得到处理后的补偿量。

在一些实施例中，所述确定单元，用于：

获取所述第三状态量中的横轴坐标信息以及纵轴坐标信息；

基于所述横轴坐标信息以及纵轴坐标信息确定目标定位点。

在一些实施例中，所述装置，还包括：

第一设置单元，用于当检测到所述第一状态量中的速度信息小于第一预设阈值时，将所述速度信息的大小设置为第一预设阈值；

第二设置单元，用于当检测到所述第一状态量中的速度信息大于第二预设阈值时，将所述速度信息的大小设置为第二预设阈值；

其中，所述第二预设阈值大于所述第一预设阈值。

在一些实施例中，所述运动预测单元，包括：

获取子单元，用于根据行驶状态获取对应的状态预测方程；

预测子单元，用于根据所述状态预测方程对所述第一状态量进行状态预测，得到预测后的第二状态量。

在一些实施例中，所述获取子单元，用于：

当检测到行驶状态为转弯状态时，获取所述恒定转率和速度模型对应的第一状态预测方程；

所述预测子单元，还用于：

根据所述第一状态预测方程对所述第一状态量进行状态预测，得到预测后的第二状态量。

在一些实施例中，所述获取子单元，还用于：

当检测到行驶状态为非转弯状态时，获取所述恒定速度模型对应的第二状态预测方程；

所述预测子单元，还用于：

根据所述第二状态预测方程对所述第一状态量进行状态预测，得到预测后的第二状态量。

一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行上述定位点处理方法中的步骤。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可以在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述定位点处理方法中的步骤。

一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在存储介质中。计算机设备的处理器从存储介质读取所述计算机指令，处理器执行所述计算机指令，使得所述计算机上述定位点处理方法中的步骤。

本申请实施例通过当检测到进入预设路段时，获取当前的第一状态量；根据第一状态量进行运动状态预测，得到预测后的第二状态量；根据车道线作为参照，对第二状态量进行运动状态补偿，得到补偿后的第三状态量；根据第三状态量确定目标定位点。以此，在进入无GPS的预设路段时，可以通过车道线作为参照，对预测的第二状态量的状态进行补偿，得到补偿后更贴合车道线的第三状态量进行目标定位点确定，避免定位点漂移，使得导航更准确，相对于惯性导航推算的方案，极大的提升了定位点处理的精确度，用户体验更好。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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是本申请实施例提供的定位点处理系统的场景示意图；

图2是本申请实施例提供的定位点处理方法的流程示意图；

图3是本申请实施例提供的定位点处理方法的另一流程示意图；

图4a为本申请实施例提供的定位点处理方法的场景示意图；

图4b为本申请实施例提供的定位点处理方法的另一场景示意图；

图4c为本申请实施例提供的定位点处理方法的另一场景示意图；

图4d为本申请实施例提供的定位点处理方法的另一场景示意图；

图4e为本申请实施例提供的定位点处理方法的另一场景示意图；

图4f为本申请实施例提供的定位点处理方法的另一场景示意图；

图4g为本申请实施例提供的定位点处理方法的另一场景示意图；

图4h为本申请实施例提供的定位点处理方法的另一场景示意图；

图5是本申请实施例提供的定位点处理装置的结构示意图；

图6是本申请实施例提供的终端的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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，本领域技术人员在没有作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。

本申请实施例提供一种定位点处理方法、装置、及计算机可读存储介质。

请参阅图1，图1为本申请实施例所提供的信息处理系统的场景示意图，包括：终端11和服务器20，终端11和服务器20之间可以通过通信网络连接，该通信网络，包括无线网络以及有线网络，其中无线网络包括无线广域网、无线局域网、无线城域网、以及无线个人网中的一种或多种的组合。网络中包括路由器、网关等等网络实体，图中并未示意出。终端11可以通过通信网络与服务器20进行信息交互，例如，服务器20将地图数据发送至终端11上。

该信息处理系统可以包括信息处理装置，该信息处理装置具体可以集成在终端中，该终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、车载终端、智能电视等。在图1中，该终端即为图1中的终端11，该终端11中可以安装有各种用户所需的客户端，比如地图客户端。该终端11可以当检测到进入预设路段时，获取当前的第一状态量；根据该第一状态量进行运动状态预测，得到预测后的第二状态量；根据车道线作为参照，对该第二状态量进行运动状态补偿，得到补偿后的第三状态量；根据该第三状态量确定目标定位点。

该信息处理系统还可以包括服务器20，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器，用于存储和更新地图数据。

需要说明的是，图1所示的信息处理系统的场景示意图仅仅是一个示例，本申请实施例描述的信息处理系统以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着信息处理系统的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

以下分别进行详细说明。

本申请实施例提供了一种定位点处理方法，该方法可以由终端或服务器执行，也可以由终端和服务器共同执行；本申请实施例以定位点处理方法由终端执行为例来进行说明。

请参阅图2，图2是本申请实施例提供的定位点处理方法的流程示意图。该定位点处理方法包括：

在步骤101中，当检测到进入预设路段时，获取当前的第一状态量。

为了更好的说明本申请实施例，以下对一些相关概念进行介绍：

高精地图(High Definitation Map，HD MAP)：和普通导航电子地图的主要区别是精度更高、信息更丰富。精度更高主要体现在高精地图的绝对坐标精度更高(指的是地图上某个目标和外部的真实世界事物所在位置之间的精度)，可以精确到厘米级别；信息更丰富主要体现在高精地图不仅包含了道路信息，还涵盖了几乎所有与交通相关的周围静态信息。相比于普通导航电子地图，高精度地图所包含的道路交通信息更丰富和准确。除此以外，在应用场景方面，普通导航地图主要供驾驶员使用，而高精度地图是面向机器的、供自动驾驶汽车使用的地图。

卡尔曼滤波：卡尔曼滤波（Kalman filtering）是通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。数据滤波是去除噪声还原真实数据的一种数据处理技术，Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。由于它便于计算机编程实现，并能够对现场采集的数据进行实时的更新和处理，Kalman滤波是目前应用最为广泛的滤波方法，在通信，导航，制导与控制等多领域得到了较好的应用。

惯性导航：惯性导航系统属于一种推算导航方式．即从一已知点的位置根据连续测得的运载体航向角和速度推算出其下一点的位置．因而可连续测出运动体的当前位置。惯性导航系统中的陀螺仪用来形成一个导航坐标系使加速度计的测量轴稳定在该坐标系中并给出航向和姿态角；加速度计用来测量运动体的加速度经过对时间的一次积分得到速度，速度再经过对时间的一次积分即可得到距离。惯性导航系统有如下主要优点．（1）由于它是不依赖于任何外部信息．也不向外部辐射能量的自主式系统．故隐蔽性好且不受外界电磁干扰的影响；（2）可全天侯全球、全时间地工作于空中地球表面乃至水下．（3）能提供位置、速度、航向和姿态角数据，所产生的导航信息连续性好而且噪声低．（4）数据更新率高、短期精度和稳定性好．其缺点是：（1）由于导航信息经过积分而产生，定位误差随时间而增大，长期精度差；（2）每次使用之前需要较长的初始对准时间；（3）设备的价格较昂贵；（4）不能给出时间信息。

扩展卡尔曼滤波（EKF）:卡尔曼最初提出的滤波理论只适用于线性系统，Bucy，Sunahara等人提出并研究了扩展卡尔曼滤波(Extended Kalman Filter，简称EKF)，将卡尔曼滤波理论进一步应用到非线性领域。EKF的基本思想是将非线性系统线性化，然后进行卡尔曼滤波，因此EKF是一种次优滤波。

其中，该预设路段指没有GPS信号的特殊路段，例如隧道以及偏远公路，此处举例不作为具体限定，在进入该预设路段之前，可以采用IMU数据和GPS数据组合进行定位点的不断预测，实现导航。

然而，进入没有GPS信号的预设路段，只由惯性导航推算定位点，会导致误差逐渐积累，最终造成定位点的严重漂移，给用户造成极大的不便，以此，本申请实施例在检测到进入预设路段时，可以获取当前IMU数据对应的第一状态量，该状态量指描述物质系统状态的物理量，该第一状态量至少包括横坐标信息、纵坐标信息、速度信息、偏航角信息以及角速度信息，该偏航角指质心沿机头方向在水平面上的投影与预定轨迹的切线方向之间的夹角。该角速度信息指速度假设某质点做圆周运动，在变化时间内转过的角，描述了物体绕圆心运动的快慢，这个比值叫做角速度信息，该第一状态量可以代表目前交通工具的运动状态。

可以理解的是，在本申请的具体实施方式中，涉及到用户信息和状态量等相关的数据，当本申请以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

在步骤102中，根据第一状态量进行运动状态预测，得到预测后的第二状态量。

其中，该运动状态预测指对交通工具等目标的运动状态进行预测，为通过运动模型实现运动状态预测，该运动模型包括恒定加速度模型（Constant Acceleration，CA模型）、恒定速度模型（Constant Velocity，CV模型）、恒定转率和速度模型（Constant TurnRate and Velocity，CTRV模型）、恒定转率和加速度模型（Constant Turn Rate andAcceleration，CTRA模型）等。

本申请实施例采用CTRV模型进行运动状态预测，该CTRV也成为匀速圆周运动。假设交通工具沿直线前进，同时还能以固定的转弯速率和恒定的速度大小移动。可以看做一段圆弧运动。该CTRV模型下的第一状态量可以表达如下：

其中，该即为当前的第一状态量，该x为横坐标信息，该y为纵坐标信息，该v为速度信息，该/>为偏航角信息，该/>为角速度信息。

可以理解的是，该CTRV模型下的状态预测方程可以如下：

其中，该即为预测后的第二状态量，该/>为当前的第一状态量，该/>为时间点，该sin为正弦函数，该cos为余弦函数，以此，通过上述状态预测方程，可以不断的预测下一时间点的第二状态量。

在一实施方式中，该根据第一状态量进行运动状态预测，得到预测后的第二状态量，包括：

（1）根据行驶状态获取对应的状态预测方程；

（2）根据该状态预测方程对该第一状态量进行状态预测，得到预测后的第二状态量。

其中，由于不同的行驶状态对应不同的运动模型，因此不同的行驶状态可以获取不同的状态预测方程，例如对于转弯的行驶状态，可以通过CTRV模型的状态预测方程来对下一状态量进行状态预测。

相应的，对于非转向状态，即角速度信息为0时，由于的值会无穷大，此时，为了解决这个问题，可以采用CV状态下状态预测方程来对下一状态量进行状态预测，该CV状态下的状态预测方程可以如下：

其中，该即为预测后的第二状态量，该/>为当前的第一状态量，该/>为时间点，该sin为正弦函数，该cos为余弦函数。

以此，通过不同行驶状态，可以采用不同的上述状态预测方程，不断的预测下一时间点的第二状态量，该第二状态量包括的信息和第一状态量相同。

在步骤103中，根据车道线作为参照，对第二状态量进行运动状态补偿，得到补偿后的第三状态量。

其中，由于该第二状态量为状态预测方程预测出来的测试值，因此，该测试值会存在噪声，即该测试值与真实值会存在差异，在相关技术中，由于没有GPS信息的辅助，因此，无法知道该测试值是否准确，即无法知道预测出来的定位点是否偏移，

为了解决上述问题，本申请实施例引入车道线作为参考，该车道线指地图中分隔不同行驶车道的实线或者虚线，在一些实施方式中，该地图可以为普通地图或者高精地图，此处不作具体限定。

因为车辆在实际的行驶过程中，会在车道线形成的车道中行驶，即会在该车道线附近行驶，不可能会偏移该车道线太大的距离，因此，该车道线完全可以作为真实值进行参考，基于此，可以通过观察该第二状态量的位置和该车道线之间的距离，进行运动状态补偿，例如假设该第二状态量的位置偏移该车道线的距离过远，可以通过运动状态补偿第二状态量的位置离该车道线的距离更近，以此，得到更符合实际的第三状态量，该第三状态量包含的信息与第一状态量和第二状态量相同，具体的补偿方式可以通过卡尔曼滤波增益的方式进行补偿，具体请继续参阅如下步骤。

在一些实施方式中，该根据高精地图的车道中心线作为参照，对第二状态量进行运动状态补偿，得到补偿后的第三状态量，包括：

（1）根据该车道线确定对应的车道中心线；

（2）获取该车道中心线的坐标集合，生成对应的观测矩阵；

（3）计算该观测矩阵和第二状态量之间的补偿量；

（4）根据该补偿量对该第二状态量进行状态补偿，得到补偿后的第三状态量。

其中，该车道中心线可以为高精地图中的车道中心线，之所以引入高精地图，因为高精地图相对普通导航电子地图的精度更高、信息更丰富，可以实现更精准的定位。

该车道中心线指车道的中间线，车辆在实际行驶过程中，会尽可能贴近车道中心线行驶，在本申请实施例中，由于该车道线之间可以形成车道，所以可以通过车道线的位置计算得到车道的宽度，进而计算出对应的车道中心线，该车道中心线完全可以作为更为准确的真实值进行参考。

以此，可以获取高精地图中相关的车道中心线的坐标集合作为观测值，生成对应的观测矩阵，该观测矩阵可以定义为Z，仅包含位置信息，Z = [Zx Zy ]。以此，可以通过计算该观测矩阵和第二状态量指示的位置的差异来确定补偿量，该补偿量用于使得该第二状态量的位置更贴合该车道中心线，

进一步的，可以根据该补偿量对该第二状态量进行状态补偿，得到补偿后的第三状态量，该补偿后的第三状态量更贴近车道中心线，以此，通过补偿量可以抑制车辆定位在没有GPS信号下的漂移。

在一些实施方式中，该计算该观测矩阵和第二状态量之间的补偿量，包括：

（1.1）获取转换矩阵；

（1.2）根据该转换矩阵对该第二状态量进行转换，得到转换后的第二状态量；

（1.3）确定该观测矩阵和该转换后的第二状态量之间的补偿量。

其中，该转换矩阵可以表达为H，用于描述两个坐标系的相对姿态，用于将第二状态量映射到测量值车道中心线的观测矩阵所在的向量空间，以此，可以根据该转换矩阵H将该第二状态量映射到观测矩阵Z所在的向量空间，实现转换，得到转换后的第二状态量。

进一步的，由于该转换后第二状态量和该观测矩阵属于相同的向量空间，因此，两者可以进行计算，即可以直接计算出该观测矩阵和该转换后的第二状态量之间的补偿量，以实现对该第二状态量进行状态补偿。

在一些方式中，该确定该观测矩阵和该转换后的第二状态量之间的补偿量，包括：

（2.1）根据该第二状态量计算出对应的雅可比矩阵；

（2.2）基于该雅可比矩阵计算出对应的卡尔曼增益；

（2.3）计算该观测矩阵和该转换后的第二状态量之间的差异量；

（2.4）根据该卡尔曼增益对该差异量进行加权处理，得到处理后的补偿量。

其中，该第二状态量由非线性的状态预测方程预测得到，因此该第二状态量为非线性的，由于该卡尔曼滤波只适用于线性系统，因此，需要对该第二状态量求雅可比矩阵，即求偏导数，以实现将非线形问题线性化。

对于行驶状态为转弯状态下的第二状态量，令，雅可比矩阵可表示为：

其中，该即为雅可比矩阵，该/>为变化时间，其他参数请参考上述转弯状态下的状态预测方程的描述。

相应的，在非转弯状态下的第二状态量，雅可比矩阵可表示为：

其中，该即为雅可比矩阵，该/>为变化时间，其他参数请参考上述非转弯状态下的状态预测方程的描述。

进一步的，在本申请实施例中，由于该预测值，即第二状态量有高斯噪声（即误差），而该观测值（即观测矩阵）也具有高斯噪声（即误差），这两个噪声相互独立，单独利用任一个都不能很好的得到真实值，所以两者之间有信赖度的问题，应该相信谁多些，这就是卡尔曼算法的核心，这个信赖度即为卡尔曼增益，即通过该卡尔曼增益来动态调整权重，该卡尔曼增益的计算方式如下：

该，即为卡尔曼增益，该/>代表为/>的转置矩阵，该/>为观测值和预测值之间误差的协方差矩阵，该R代表测量值的高斯噪声的协方差阵，代表着传感器测量的误差，本申请实施例通过使得协方差矩阵最小，即两者误差最小来求取卡尔曼增益，该卡尔曼增益越大，说明预测值和观测值的方差越大，越相信观测值，该卡尔曼增益越小，说明预测值和观测值的方差越小，越相信预测值。

以此，在得到卡尔曼增益之后，可以计算观测矩阵和该转换后的第二状态量之间的差异值，具体可以通过如下公式计算：

其中，该可以为补偿后的第三状态量，该/>在此为第二状态量，该/>为观测矩阵和转换后的第二状态量之间的差异量，该/>即为卡尔曼增益，以此，实现通过卡尔曼增益/>对该差异量/>进行加权处理，得到处理后的补偿量，该补偿量可以使得补偿后的第三状态量更贴合车道中心线，位置精确。

在步骤104中，根据第三状态量确定目标定位点。

其中，该第三状态量为补偿之后的状态量，更贴合车道中心线，即更符合真实的导航情况，由于该第三状态量包含横坐标信息和纵坐标信息，因此，可以将该第三状态量包含的横坐标信息和纵坐标信息直接作为预测的下一时刻的目标定位点，并将该目标定位点对应的位置传递给地图的渲染引擎进行渲染，实现准确的车道级的展示。

由上述可知，本申请实施例通过当检测到进入预设路段时，获取当前的第一状态量；根据第一状态量进行运动状态预测，得到预测后的第二状态量；根据车道线作为参照，对第二状态量进行运动状态补偿，得到补偿后的第三状态量；根据第三状态量确定目标定位点。以此，在进入无GPS的预设路段时，可以通过车道线作为参照，对预测的第二状态量的状态进行补偿，得到补偿后更贴合车道线的第三状态量进行目标定位点确定，避免定位点漂移，使得导航更准确，相对于惯性导航推算的方案，极大的提升了定位点处理的精确度，用户体验更好。

结合上述实施例所描述的方法，以下将举例作进一步详细说明。

在本实施例中，将以该定位点处理装置具体集成在终端中为例进行说明，具体参照以下说明。

请参阅图3，图3为本申请实施例提供的定位点处理方法的另一流程示意图。该方法流程可以包括：

在步骤201中，当终端检测到进入预设路段时，获取当前的第一状态量。

其中，该预设路段指没有GPS信号的特殊路段，例如隧道以及偏远公路，在本申请实施例中，为了更好的进行说明，以该预设路段为隧道进行说明，请一并参阅图4a所示，在进隧道前，终端采用IMU数据和GPS数据组合通过常规15维滤波器输出位置、速度和姿态信息，实现导航。

然后，当进入隧道后，需要获取当前的第一状态量，该第一状态量至少包括横坐标信息、纵坐标信息、速度信息、偏航角信息以及角速度信息，该第一状态量可以表达如下：

其中，该即为当前的第一状态量，该x为横坐标信息，该y为纵坐标信息，该v为速度信息，该/>为偏航角信息，该/>为角速度信息。

请一并参阅图4b所示，该w即为角速度信息。即，进入隧道后，需要根据子滤波器基于当前的位置、速度、姿态信息和高精地图的数据联合输出对应的位置、速度和姿态信息，实现导航，具体过程请参照下述描述。

在一些实施方式中，该获取当前的第一状态量之后，还包括：

（1）当检测到该第一状态量中的速度信息小于第一预设阈值时，将该速度信息的大小设置为第一预设阈值；

（2）当检测到该第一状态量中的速度信息大于第二预设阈值时，将该速度信息的大小设置为第二预设阈值；

其中，请一并参阅图4c所示，由于高速上的隧道中有速度要求，为了实现进隧道前速度平滑，会对第一状态量中的速度信息进行判定，该第一预设阈值可以为隧道中的最小行驶速度，如30KM（公里）/h（小时），该第二预设阈值可以为隧道中的最大行驶速度，如80KM/h。

以此，当检测到该第一状态中的速度信息小于第一预设阈值时，会将隧道内速度信息赋值为30，相反的，当检测到该第一状态中的速度信息大于第二预设阈值时，会将隧道内的速度信息赋值为80，以此，实现进隧道前速度平滑。

在步骤202中，当终端检测到行驶状态为转弯状态时，获取恒定转率和速度模型对应的第一状态预测方程。

其中，由于不同的行驶状态对应不同的运动模型，因此不同的行驶状态可以获取不同的状态预测方程，请一并参阅图4d所示，终端会进行转弯判定，当终端检测到行驶状态为转弯时，可以通过CTRV模型的状态预测方程来对下一状态量进行状态预测。

该CTRV的第一状态预测方程可以为如下：

其中，该即为预测后的第二状态量，该/>为当前的第一状态量，该/>为时间点，该sin为正弦函数，该cos为余弦函数，以此，通过上述状态预测方程，可以不断的预测下一时间点的第二状态量。

在步骤203中，终端根据第一状态预测方程对第一状态量进行状态预测，得到预测后的第二状态量。

其中，通过上述第一状态预测方程可以对第一状态量进行进行状态预测，得到预测后的第二状态量/>。

在步骤204中，当终端检测到行驶状态为非转弯状态时，获取恒定速度模型对应的第二状态预测方程。

其中，请一并参阅图4d所示，当终端检测到行驶状态为转弯时，可以通过CV模型的状态预测方程来对下一状态量进行状态预测。

该CV的第二状态预测方程可以为如下：

其中，该即为预测后的第二状态量，该/>为当前的第一状态量，该/>为时间点，该sin为正弦函数，该cos为余弦函数。

在步骤205中，终端根据第二状态预测方程对第一状态量进行状态预测，得到预测后的第二状态量。

其中，通过上述第二状态预测方程可以对第一状态量进行进行状态预测，得到预测后的第二状态量/>。

在步骤206中，终端根据车道线确定对应的车道中心线，获取车道中心线的坐标集合，生成对应的观测矩阵。

其中，由于该第二状态量为状态预测方程预测出来的测试值，因此，该测试值会存在噪声，即该测试值与真实值会存在差异，在相关技术中，由于没有GPS信息的辅助，因此，无法知道该测试值是否准确，即无法知道预测出来的定位点是否偏移。

为了解决上述问题，本申请实施例引入高精地图中的当前车辆所处的车道的车道中心线作为参照，该车道中心线可以通过车辆所处的车道的车道线的坐标位置计算得到车道的宽度，进而计算出对应的车道中心线，因为在车辆在实际的行驶过程中，会贴近该车道中心线行驶，不可能会偏移该车道中心线太大的距离，因此，该车道中心线完全可以作为真实值进行参考，以此，可以获取高精地图中相关的车道中心线的坐标集合作为观测值，生成对应的观测矩阵，该观测矩阵可以定义为Z，仅包含位置信息，Z = [Zx Zy ]。

在步骤207中，终端获取转换矩阵，根据转换矩阵对第二状态量进行转换，得到转换后的第二状态量。

其中，该转换矩阵可以表达为H，用于描述两个坐标系的相对姿态，用于将第二状态量映射到测量值车道中心线的观测矩阵所在的向量空间，以此，可以根据该转换矩阵H将该第二状态量映射到观测矩阵Z所在的向量空间，实现转换，得到转换后的第二状态量。

在步骤208中，终端根据第二状态量计算出对应的雅可比矩阵，基于雅可比矩阵计算出对应的卡尔曼增益。

其中，该第二状态量由非线性的状态预测方程预测得到，因此该第二状态量为非线性的，由于该卡尔曼滤波只适用于线性系统，因此，需要对该第二状态量求雅可比矩阵，即求偏导数，以实现将非线形问题线性化。

对于行驶状态为转弯状态下的第二状态量，令，雅可比矩阵可表示为：

其中，该即为雅可比矩阵，该/>为变化时间，其他参数请参考上述转弯状态下的状态预测方程的描述。

相应的，在非转弯状态下的第二状态量，雅可比矩阵可表示为：

其中，该即为雅可比矩阵，该/>为变化时间，其他参数请参考上述非转弯状态下的状态预测方程的描述。

进一步的，在本申请实施例中，由于该预测值，即第二状态量有高斯噪声（即误差），而该观测值（即观测矩阵）也具有高斯噪声（即误差），这两个噪声相互独立，单独利用任一个都不能很好的得到真实值，所以两者之间有信赖度的问题，应该相信谁多些，这就是卡尔曼算法的核心，这个信赖度即为卡尔曼增益，即通过该卡尔曼增益来动态调整权重，该卡尔曼增益的计算方式如下：

该，即为卡尔曼增益，该/>代表为/>的转置矩阵，该/>为观测值和预测值之间误差的协方差矩阵，该R代表测量值的高斯噪声的协方差阵，代表着传感器测量的误差，本申请实施例通过使得协方差矩阵最小，即两者误差最小来求取卡尔曼增益，该卡尔曼增益越大，说明预测值和观测值的方差越大，越相信观测值，该卡尔曼增益越小，说明预测值和观测值的方差越小，越相信预测值。

在步骤209中，终端计算观测矩阵和转换后的第二状态量之间的差异量，根据卡尔曼增益对差异量进行加权处理，得到处理后的补偿量。

在步骤210中，终端根据补偿量对第二状态量进行状态补偿，得到补偿后的第三状态量。

以此，在得到卡尔曼增益之后，可以计算观测矩阵和该转换后的第二状态量之间的差异值，具体可以通过如下公式计算：

其中，该可以为补偿后的第三状态量，该/>在此为第二状态量，该为观测矩阵和转换后的第二状态量之间的差异量，该/>即为卡尔曼增益，以此，实现通过卡尔曼增益/>对该差异量/>进行加权处理，得到处理后的补偿量，该补偿量可以使得补偿后的第三状态量更贴合车道中心线，使得补偿后的第三状态量在隧道内不会漂移，位置精确。

在步骤211中，终端获取第三状态量中的横轴坐标信息以及纵轴坐标信息，基于横轴坐标信息以及纵轴坐标信息确定目标定位点。

其中，该第三状态量为通过卡尔曼增益补偿之后的状态量，更贴合隧道内车道中心线，即更符合隧道内真实的导航情况，由于该第三状态量包含横轴坐标信息和纵轴坐标信息，因此，可以将该第三状态量包含的横轴坐标信息和纵轴坐标信息直接作为预测的下一时刻的目标定位点，并将该目标定位点对应的位置传递给地图的渲染引擎进行渲染，实现准确的车道级的展示。

以此类推，可以将第三状态量作为当前的第一状态量循环通过上述方法对下一时刻的状态量进行预测，实现定位点的不断更新，直至退出隧道。

请一并参阅图4e，在相关技术中，地图20中，隧道部分21中由于无GPS信号，所以无准确的定位点，请一并参阅图4f，本申请实施例通过上述方法，可以实现在隧道内仍然有准确的定位点的输出。

请一并参阅图4g和图4h的导航效果展示，本申请实施例即使在隧道内仍然可以实现准确的车道级导航展示。

由上述可知，本申请实施例通过当检测到进入预设路段时，获取当前的第一状态量；根据第一状态量进行运动状态预测，得到预测后的第二状态量；根据车道线作为参照，对第二状态量进行运动状态补偿，得到补偿后的第三状态量；根据第三状态量确定目标定位点。以此，在进入无GPS的预设路段时，可以通过车道线作为参照，对预测的第二状态量的状态进行补偿，得到补偿后更贴合车道线的第三状态量进行目标定位点确定，避免定位点漂移，使得导航更准确，相对于惯性导航推算的方案，极大的提升了定位点处理的精确度，用户体验更好。

请参阅图5，图5为本申请实施例提供的定位点处理装置的结构示意图，其中该定位点处理装置可以包括获取单元301、运动预测单元302、补偿单元303和确定单元304，该定位点处理装置应用于终端。

获取单元301，用于当检测到进入预设路段时，获取当前的第一状态量。

在一些实施例中，该装置，还包括：

第一设置单元，用于当检测到该第一状态量中的速度信息小于第一预设阈值时，将该速度信息的大小设置为第一预设阈值；

第二设置单元，用于当检测到该第一状态量中的速度信息大于第二预设阈值时，将该速度信息的大小设置为第二预设阈值；

其中，该第二预设阈值大于该第一预设阈值。

运动预测单元302，用于根据该第一状态量进行运动状态预测，得到预测后的第二状态量。

在一些实施例中，该运动预测单元302，包括：

获取子单元，用于根据行驶状态获取对应的状态预测方程；

预测子单元，用于根据该状态预测方程对该第一状态量进行状态预测，得到预测后的第二状态量。

在一些实施例中，该获取子单元，用于：

当检测到行驶状态为转弯状态时，获取该恒定转率和速度模型对应的第一状态预测方程；

该预测子单元，还用于：

根据该第一状态预测方程对该第一状态量进行状态预测，得到预测后的第二状态量。

在一些实施例中，该获取子单元，还用于：

当检测到行驶状态为非转弯状态时，获取该恒定速度模型对应的第二状态预测方程；

该预测子单元，还用于：

根据该第二状态预测方程对该第一状态量进行状态预测，得到预测后的第二状态量。

补偿单元303，用于根据车道线作为参照，对该第二状态量进行运动状态补偿，得到补偿后的第三状态量。

在一些实施方式中，该补偿单元303，包括：

确定子单元，用于根据该车道线确定对应的车道中心线；

获取子单元，用于获取该车道中心线的坐标集合，生成对应的观测矩阵；

计算子单元，用于计算该观测矩阵和第二状态量之间的补偿量；

补偿子单元，用于根据该补偿量对该第二状态量进行状态补偿，得到补偿后的第三状态量。

在一些实施例中，该计算子单元，包括：

获取子模块，用于获取转换矩阵；

转换子模块，用于根据该转换矩阵对该第二状态量进行转换，得到转换后的第二状态量；

确定子模块，用于确定该观测矩阵和该转换后的第二状态量之间的补偿量。

在一些实施例中，该确定子模块，用于：

根据该第二状态量计算出对应的雅可比矩阵；

基于该雅可比矩阵计算出对应的卡尔曼增益；

计算该观测矩阵和该转换后的第二状态量之间的差异量；

根据该卡尔曼增益对该差异量进行加权处理，得到处理后的补偿量。

确定单元304，用于根据该第三状态量确定目标定位点。

在一些实施例中，该确定单元，用于：

获取该第三状态量中的横轴坐标信息以及纵轴坐标信息；

基于该横轴坐标信息以及纵轴坐标信息确定目标定位点。

以上各个单元的具体实施可参见前面的实施例，在此不再赘述。

由上述可知，本申请实施例通过获取单元301当检测到进入预设路段时，获取当前的第一状态量；运动预测单元302根据第一状态量进行运动状态预测，得到预测后的第二状态量；补偿单元303根据车道线作为参照，对第二状态量进行运动状态补偿，得到补偿后的第三状态量；确定单元304根据第三状态量确定目标定位点。以此，在进入无GPS的预设路段时，可以通过车道线作为参照，对预测的第二状态量的状态进行补偿，得到补偿后更贴合车道线的第三状态量进行目标定位点确定，避免定位点漂移，使得导航更准确，相对于惯性导航推算的方案，极大的提升了定位点处理的精确度，用户体验更好。

本申请实施例还提供一种计算机设备，该计算机设备可以为终端，如图6所示，其示出了本申请实施例所涉及的终端的结构示意图，具体来讲：

该计算机设备可以包括射频（RF，Radio Frequency）电路401、包括有一个或一个以上计算机可读存储介质的存储器402、输入单元403、显示单元404、传感器405、音频电路406、无线保真（WiFi，Wireless Fidelity)模块407、包括有一个或者一个以上处理核心的处理器408、以及电源409等部件。本领域技术人员可以理解，图6中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

RF电路401可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器408处理；另外，将涉及上行的数据发送给基站。通常，RF电路401包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块（SIM， Subscriber Identity Module）卡、收发信机、耦合器、低噪声放大器（LNA，Low Noise Amplifier）、双工器等。此外，RF电路401还可以通过无线通信与网络和其他设备通信。无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统（GSM，Global System of Mobile communication）、通用分组无线服务（GPRS ，GeneralPacket Radio Service）、码分多址（CDMA，Code Division Multiple Access）、宽带码分多址（WCDMA，Wideband Code Division Multiple Access）、长期演进（LTE，Long TermEvolution)、电子邮件、短消息服务（SMS，Short Messaging Service)等。

存储器402可用于存储软件程序以及模块，处理器408通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及信息回复。存储器402可主要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、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据终端的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器402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、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器408和输入单元403对存储器402的访问。

输入单元403可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，在一个具体的实施例中，输入单元403可包括触敏表面以及其他输入设备。触敏表面，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作），并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器408，并能接收处理器408发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元403还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元404可用于显示由用户输入的信息或提供给用户的信息以及终端的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元404可包括显示面板，可选的，可以采用液晶显示器（LCD，Liquid Crystal Display）、有机发光二极管（OLED，Organic Light-Emitting Diode）等形式来配置显示面板。进一步的，触敏表面可覆盖显示面板，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器408以确定触摸事件的类型，随后处理器408根据触摸事件的类型在显示面板提供相应的视觉输出。虽然在图6中，触敏表面与显示面板是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面与显示面板集成而实现输入和输出功能。

终端还可包括至少一种传感器405，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板的亮度，接近传感器可在终端移动到耳边时，关闭显示面板和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上（一般为三轴）加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用（比如横竖屏切换、相关游戏、磁力计姿态校准）、振动识别相关功能（比如计步器、敲击）等; 至于终端还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路406、扬声器，传声器可提供用户与终端之间的音频接口。音频电路406可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路406接收后转换为音频数据，再将音频数据输出处理器408处理后，经RF电路401以发送给比如另一终端，或者将音频数据输出至存储器402以便进一步处理。音频电路406还可能包括耳塞插孔，以提供外设耳机与终端的通信。

WiFi属于短距离无线传输技术，终端通过WiFi模块407可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图6示出了WiFi模块407，但是可以理解的是，其并不属于终端的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

处理器408是终端的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行终端的各种功能和处理数据，从而对手机进行整体监测。可选的，处理器408可包括一个或多个处理核心；优选的，处理器408可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器408中。

终端还包括给各个部件供电的电源409（比如电池），优选的，电源可以通过电源管理系统与处理器408逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源409还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

尽管未示出，终端还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，终端中的处理器408会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器408来运行存储在存储器402中的应用程序，从而实现各种功能：

当检测到进入预设路段时，获取当前的第一状态量；根据该第一状态量进行运动状态预测，得到预测后的第二状态量；根据车道线作为参照，对该第二状态量进行运动状态补偿，得到补偿后的第三状态量；根据该第三状态量确定目标定位点。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对定位点处理方法的详细描述，此处不再赘述。

由上述可知，本申请实施例的计算机设备可以通过当检测到进入预设路段时，获取当前的第一状态量；根据第一状态量进行运动状态预测，得到预测后的第二状态量；根据车道线作为参照，对第二状态量进行运动状态补偿，得到补偿后的第三状态量；根据第三状态量确定目标定位点。以此，在进入无GPS的预设路段时，可以通过车道线作为参照，对预测的第二状态量的状态进行补偿，得到补偿后更贴合车道线的第三状态量进行目标定位点确定，避免定位点漂移，使得导航更准确，相对于惯性导航推算的方案，极大的提升了定位点处理的精确度，用户体验更好。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种定位点处理方法中的步骤。例如，该指令可以执行如下步骤：

当检测到进入预设路段时，获取当前的第一状态量；根据该第一状态量进行运动状态预测，得到预测后的第二状态量；根据车道线作为参照，对该第二状态量进行运动状态补偿，得到补偿后的第三状态量；根据该第三状态量确定目标定位点。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例提供的各种可选实现方式中提供的方法。

其中，该计算机可读存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取记忆体（RAM，Random Access Memory）、磁盘或光盘等。

由于该计算机可读存储介质中所存储的指令，可以执行本申请实施例所提供的任一种定位点处理方法中的步骤，因此，可以实现本申请实施例所提供的任一种定位点处理方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

以上对本申请实施例所提供的一种定位点处理方法、装置及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (6)

1.一种定位点处理方法，其特征在于，包括：

当检测到进入无GPS信号的隧道路段时，获取当前的第一状态量；所述第一状态量至少包括当前的横坐标信息、纵坐标信息、速度信息、偏航角信息以及角速度信息；

当检测到所述第一状态量中的速度信息小于第一预设阈值时，将所述速度信息的大小设置为第一预设阈值；

当检测到所述第一状态量中的速度信息大于第二预设阈值时，将所述速度信息的大小设置为第二预设阈值，所述第一预设阈值为隧道中的最小行驶速度，所述第二预设阈值为隧道中的最大行驶速度；

当检测到行驶状态为转弯状态时，获取恒定转率和速度模型对应的第一状态预测方程；

根据所述第一状态预测方程对所述第一状态量进行状态预测，得到预测后的第二状态量，所述第二状态量为非线性的状态量，所述第二状态量至少包括预测的横坐标信息、纵坐标信息、速度信息、偏航角信息以及角速度信息；

根据进入所述隧道路段前的GPS信号以及高精度地图，确定车道线对应的车道中心线，所述车道中心线为高精地图中的车道中心线；

获取所述车道中心线的坐标集合，生成对应的观测矩阵；

获取转换矩阵；

根据所述转换矩阵对所述第二状态量进行转换，得到转换后的第二状态量；

根据所述第二状态量计算出对应的雅可比矩阵；

基于所述雅可比矩阵计算出对应的卡尔曼增益；

计算所述观测矩阵和所述转换后的第二状态量之间的差异量；

根据所述卡尔曼增益对所述差异量进行加权处理，得到处理后的补偿量；所述补偿量用于使得该第二状态量中的位置信息更贴合所述车道中心线；

根据所述补偿量对所述第二状态量进行状态补偿，得到补偿后的第三状态量；

根据所述第三状态量确定目标定位点。

2.根据权利要求1所述的定位点处理方法，其特征在于，所述根据所述第三状态量确定目标定位点，包括：

获取所述第三状态量中的横轴坐标信息以及纵轴坐标信息；

基于所述横轴坐标信息以及纵轴坐标信息确定目标定位点。

3.根据权利要求1所述的定位点处理方法，其特征在于，所述方法，还包括：

当检测到行驶状态为非转弯状态时，获取所述恒定速度模型对应的第二状态预测方程；

所述根据所述状态预测方程对所述第一状态量进行状态预测，得到预测后的第二状态量，包括：

根据所述第二状态预测方程对所述第一状态量进行状态预测，得到预测后的第二状态量。

4.一种定位点处理装置，其特征在于，包括：

获取单元，用于当检测到进入无GPS信号的隧道路段时，获取当前的第一状态量；所述第一状态量至少包括当前的横坐标信息、纵坐标信息、速度信息、偏航角信息以及角速度信息；

第一设置单元，用于当检测到所述第一状态量中的速度信息小于第一预设阈值时，将所述速度信息的大小设置为第一预设阈值；

第二设置单元，用于当检测到所述第一状态量中的速度信息大于第二预设阈值时，将所述速度信息的大小设置为第二预设阈值，所述第一预设阈值为隧道中的最小行驶速度，所述第二预设阈值为隧道中的最大行驶速度；

运动预测单元，用于根据所述第一状态量进行运动状态预测，得到预测后的第二状态量；

所述运动预测单元，包括：

获取子单元，用于根据行驶状态获取对应的状态预测方程；

预测子单元，用于根据所述状态预测方程对所述第一状态量进行状态预测，得到预测后的第二状态量；

所述获取子单元，用于：

当检测到行驶状态为转弯状态时，获取所述恒定转率和速度模型对应的第一状态预测方程；

所述预测子单元，还用于：

根据所述第一状态预测方程对所述第一状态量进行状态预测，得到预测后的第二状态量，所述第二状态量为非线性的状态量，所述第二状态量至少包括预测的横坐标信息、纵坐标信息、速度信息、偏航角信息以及角速度信息；

补偿单元，用于根据车道线作为参照，对所述第二状态量进行运动状态补偿，得到补偿后的第三状态量；

所述补偿单元，包括：

确定子单元，用于根据进入所述隧道路段前的GPS信号以及高精度地图，确定车道线对应的车道中心线，所述车道中心线为高精地图中的车道中心线；

获取子单元，用于获取所述车道中心线的坐标集合，生成对应的观测矩阵；

计算子单元，用于计算所述观测矩阵和第二状态量之间的补偿量；

补偿子单元，用于根据所述补偿量对所述第二状态量进行状态补偿，得到补偿后的第三状态量；

所述计算子单元，包括：

获取子模块，用于获取转换矩阵；

转换子模块，用于根据所述转换矩阵对所述第二状态量进行转换，得到转换后的第二状态量；

确定子模块，用于确定所述观测矩阵和所述转换后的第二状态量之间的补偿量；

所述确定子模块，用于：

根据所述第二状态量计算出对应的雅可比矩阵；

基于所述雅可比矩阵计算出对应的卡尔曼增益；

计算所述观测矩阵和所述转换后的第二状态量之间的差异量；

根据所述卡尔曼增益对所述差异量进行加权处理，得到处理后的补偿量；所述补偿量用于使得该第二状态量中的位置信息更贴合所述车道中心线；

确定单元，用于根据所述第三状态量确定目标定位点。

5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至3任一项所述的定位点处理方法中的步骤。

6.一种计算机设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可以在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至3任一项所述的定位点处理方法中的步骤。