CN115792943A - 自动驾驶车辆的定位方法、装置、可读存储介质及车辆 - Google Patents

Abstract

本发明涉及自动驾驶技术领域，具体提供一种自动驾驶车辆的定位方法、装置、可读存储介质及车辆，旨在解决如何基于激光雷达进行车辆的精准全局定位的问题。为此目的，本发明根据车辆的融合定位模块获取的初始定位结果，来获取轻量化点云地图，并根据轻量化点云地图和激光雷达采集的点云，获取车辆的全局定位结果。本发明能够通过车辆的激光雷达采集的点云和轻量化点云地图进行匹配实现车辆的全局定位，在RTK信号不好的情况下也能够给出车辆准确地全局定位结果。在对轻量化点云地图和激光雷达采集的点云进行匹配时，能够减少匹配过程计算的复杂度，使得车辆的全局定位结果能够获得更高的精度，可以实现厘米级的定位。

Description

自动驾驶车辆的定位方法、装置、可读存储介质及车辆

技术领域

本发明涉及自动驾驶技术领域，具体提供一种自动驾驶车辆的定位方法、装置、可读存储介质及车辆。

背景技术

自动驾驶车辆一般是通过车辆上设置的融合定位模块输出收敛的定位信息，从而辅助车辆自动驾驶的实现。而在融合定位模块输出收敛的定位信息之前，需要获取车辆信息，如车辆位速度、加速度，同时需要输入车辆的初始相对位姿、全局位姿进行融合滤波，从而获得收敛的定位信息。

在室外环境中，一般是由RTK（Real - time kinematic,实时动态）给出全局位姿。但是在RTK信号不好的情况下（如，车辆位于隧道、地下车库等），则会丢失全局观测信息，从而无法给出准确地车辆的全局位姿。此外，由于受限于车辆硬件，现有技术中没有自动驾驶车辆运用激光雷达实现定位的技术。

相应地，本领域需要一种新的自动驾驶车辆的定位方案来解决上述问题。

发明内容

为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决如何基于激光雷达进行车辆的精准全局定位的问题。

在第一方面，本发明提供一种自动驾驶车辆的定位方法，所述方法包括：

基于所述车辆上设置的融合定位模块，获取所述车辆的初始定位结果；

基于所述初始定位结果，获取所述初始定位结果预设距离范围内的轻量化点云地图；

将所述轻量化点云地图和所述车辆上设置的激光雷达采集的点云进行匹配，获取所述车辆的全局定位结果。

在上述自动驾驶车辆的定位方法的一个技术方案中，“将所述轻量化点云地图和所述车辆上设置的激光雷达采集的点云进行匹配，获取所述车辆的全局定位结果”的步骤包括：

根据所述轻量化点云地图的参数，对所述车辆上设置的激光雷达采集的点云进行处理，获得NDT点云数据；

应用NDT-D2D算法，将所述轻量化点云地图与所述NDT点云数据进行匹配，以获取所述车辆的全局定位结果。

在上述自动驾驶车辆的定位方法的一个技术方案中，“应用NDT-D2D算法，将所述轻量化点云地图与所述NDT点云数据进行匹配，以获取所述车辆的全局定位结果”的步骤包括：

根据所述初始定位结果，获取将所述NDT点云数据转换至所述轻量化点云地图的地图坐标系的转换矩阵；

应用NDT-D2D算法，进行多次迭代，优化所述转换矩阵，使得所述NDT点云数据与所述轻量化点云地图实现匹配，以获取最终的转换矩阵；

根据所述最终的转换矩阵，获取所述车辆的全局定位结果。

在上述自动驾驶车辆的定位方法的一个技术方案中， 所述轻量化点云地图包括多个地图体素，所述NDT点云数据包括多个点云数据体素，“应用NDT-D2D算法，进行多次迭代，优化所述转换矩阵，使得所述NDT点云数据与所述轻量化点云地图实现匹配，以获取最终的转换矩阵”的步骤包括：

针对每次迭代，应用所述NDT-D2D算法，根据所述转换矩阵将所述NDT点云数据转换至所述轻量化点云地图的地图坐标系下，并获取一一对应的地图体素和点云数据体素组成的匹配对；

根据所述匹配对的分布距离，构建当前迭代的残差函数；

根据所述残差函数计算当前迭代的梯度；

应用梯度下降法，根据所述梯度对所述转换矩阵进行更新后，并进行下一次迭代；

当迭代满足预设的截止条件时，结束迭代，以获取所述最终的转换矩阵。

在上述自动驾驶车辆的定位方法的一个技术方案中，“获取一一对应的地图体素和点云数据体素组成的匹配对”的步骤包括：

针对每个转换至所述地图坐标系下的点云数据体素，应用最近邻算法，获取多个匹配的地图体素；

根据所述地图体素和所述点云数据体素的正态分布参数，对多个匹配的地图体素进行相似度分析，获取与所述点云数据体素一一对应的地图体素，以组成匹配对。

在上述自动驾驶车辆的定位方法的一个技术方案中，“根据所述匹配对的分布距离，构建当前迭代的残差函数”的步骤包括：

根据所有匹配对的分布距离，构建当前迭代的残差函数；

其中，所述残差函数与所述分布距离正相关；所述分布距离包括正态分布的均值距离和正态分布的协方差差异；和/或，

所述迭代的截止条件为：迭代的梯度值小于预设的梯度阈值。

在上述自动驾驶车辆的定位方法的一个技术方案中，所述轻量化点云地图为应用正态分布表达形式表征的点云地图，“根据所述轻量化点云地图的参数，对所述车辆上设置的激光雷达采集的点云进行处理，获得NDT点云数据”的步骤包括：

将所述激光雷达采集的点云进行预处理，获得预处理后的点云数据；

基于所述轻量化点云地图的参数，将预处理后的点云数据转换为与所述轻量化点云地图具有相同的正态分布表达形式的NDT点云数据。

在上述自动驾驶车辆的定位方法的一个技术方案中，“将所述激光雷达采集的点云进行预处理，获得预处理后的点云数据”的步骤包括：

对所述点云进行降采样，获得降采样后的点云；

将降采样后的点云进行去畸变处理，获得去畸变后的点云；

将去畸变后的点云进行地面点云分割，以获得地面点云和非地面点云，将所述地面点云和所述非地面点云作为所述预处理后的点云数据。

在上述自动驾驶车辆的定位方法的一个技术方案中，在“将所述轻量化点云地图和所述车辆上设置的激光雷达采集的点云进行匹配，获取所述车辆的全局定位结果”步骤之后，所述方法还包括：

控制所述融合定位模块根据所述全局定位结果以及所述车辆上设置的其他传感器采集的数据进行融合滤波。

在第二方面，提供一种控制装置，该控制装置包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述自动驾驶车辆的定位方法的技术方案中任一项技术方案所述的自动驾驶车辆的定位方法。

在第三方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述自动驾驶车辆的定位方法的技术方案中任一项技术方案所述的自动驾驶车辆的定位方法。

在第四方面，提供一种车辆，所述车辆包括上述控制装置技术方案中的控制装置。

本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：

在实施本发明的技术方案中，本发明根据车辆的融合定位模块获取的初始定位结果，来获取轻量化点云地图，并根据轻量化点云地图和激光雷达采集的点云，获取车辆的全局定位结果。通过上述配置方式，本发明能够通过车辆的激光雷达采集的点云和轻量化点云地图进行匹配实现车辆的全局定位，在RTK信号不好的情况下也能够给出车辆准确地全局定位结果。且由于轻量化点云地图大幅降低了地图的大小，在对轻量化点云地图和激光雷达采集的点云进行匹配时，能够在减少匹配过程计算的复杂度的同时，使得车辆的全局定位结果能够获得更高的精度，可以实现厘米级的定位。

附图说明

参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。其中：

图1是根据本发明的一个实施例的自动驾驶车辆的定位方法的主要步骤流程示意图；

图2是根据本发明实施例的一个实施方式的自动驾驶车辆的定位方法的主要步骤流程示意图。

具体实施方式

下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合，比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似，可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。

参阅附图1，图1是根据本发明的一个实施例的自动驾驶车辆的定位方法的主要步骤流程示意图。如图1所示，本发明实施例中的自动驾驶车辆的定位方法主要包括下列步骤S101-步骤S103。

步骤S101：基于车辆上设置的融合定位模块，获取车辆的初始定位结果。

在本实施例中，可以根据车辆上设置的融合定位模块来获取车辆的初始定位结果。其中，初始定位结果是融合定位模块基于车辆信息获取的车辆的定位的初始状态。

步骤S102：基于初始定位结果，获取初始定位结果预设距离范围内的轻量化点云地图。

在本实施例中，可以根据初始定位结果，获取初始定位结果预设距离范围内的轻量化点云地图。本领域技术人员可以根据实际应用的需要设置预设距离的取值。

一个实施方式中，轻量化点云地图是应用正态分布表达形式表征的点云地图。即，选择预设尺寸的体素，按照体素的大小对点云地图进行划分，并计算每个体素中点云的均值和方差，使用均值和方差表示当前体素内的点云的正态分布，从而获得轻量化点云地图。将点云地图处理成轻量化点云地图的形式，能够在保留地图的几何特征的同时，大幅降低地图的大小。如，以服务区为例，一个平方千米的服务区，轻量化点云地图的大小可以压缩至10MB左右，大大降低了地图下载的流量，提升了大规模应用的可能性。

一个实施方式中，预设距离为150m。

步骤S103：将轻量化点云地图和车辆上设置的激光雷达采集的点云进行匹配，获取车辆的全局定位结果。

在本实施例中，可以将轻量化点云地图与车辆上设置的激光雷达采集的点云进行匹配，以获取车辆的全局定位结果。即通过轻量化点云地图与采集的点云进行匹配，实现车辆的全局定位。其中，全局定位是指车辆在全局地图中的定位。

一个实施方式中，可以应用NDT（Normal-Distributions Transform，正态分布转换）算法实现轻量化点云地图与激光雷达采集的点云的匹配。

一个实施方式中，融合定位模块可以根据车辆上设置的其他传感器采集的数据和全局定位结果来进行融合滤波。其中，车辆上设置的其他传感器采集的数据可以包括车辆的档位速度、加速度、初始定位结果等。

基于上述步骤S101-步骤S103，本发明实施例根据车辆的融合定位模块获取的初始定位结果，来获取轻量化点云地图，并根据轻量化点云地图和激光雷达采集的点云，获取车辆的全局定位结果。通过上述配置方式，本发明实施例能够通过车辆的激光雷达采集的点云和轻量化点云地图进行匹配实现车辆的全局定位，在RTK信号不好的情况下也能够给出车辆准确地全局定位结果。且由于轻量化点云地图大幅降低了地图的大小，在对轻量化点云地图和激光雷达采集的点云进行匹配时，能够在减少匹配过程计算的复杂度的同时，使得车辆的全局定位结果能够获得更高的精度，可以实现厘米级的定位。

下面对步骤S103作进一步地说明。

在本发明实施例对一个实施方式中，步骤S103可以进一步包括以下步骤S1031和步骤S1032：

步骤S1031：根据轻量化点云地图的参数，对车辆上设置的激光雷达采集的点云进行处理，获得NDT点云数据。

在本实施方式中，步骤S1031可以进一步包括以下步骤S10311和步骤S10312：

步骤S10311：将激光雷达采集的点云进行预处理，获得预处理后的点云数据。

在本实施方式中，步骤S10311可以进一步包括以下步骤S103111至步骤S103113：

步骤S103111：对点云进行降采样，获得降采样后的点云。

在本实施方式中，对点云进行降采样能够去除大量冗余的数据，降低计算所消耗的时间。可以应用本领域常用的点云降采样方法进行降采样，如体素网格下采样法、均匀下采样法、几何采样法、随机下采样法等。

步骤S103112：将降采样后的点云进行去畸变处理，获得去畸变后的点云。

在本实施方式中，对点云进行去畸变处理，能够校正由于运动等原因引起的点云畸变的问题。可以应用本领域常用的点云去畸变方法进行去畸变处理，如纯估计法、传感器辅助方法、融合的方法等。

步骤S103113：将去畸变后的点云进行地面点云分割，以获得地面点云和非地面点云，将地面点云和非地面点云作为预处理后的点云数据。

在本实施方式中，可以将去畸变后的点云进行地面点云分割，以获取地面点云和非地面点云，将地面点云和非地面点云作为预处理后的点云数据，以便于在进行匹配时将同类别的点云进行匹配。可以应用本领域常用的地面点云分割方法来进行地面点云分割，如平面栅格法、点云法向量法、模型拟合法、面元网格法等。

步骤S10312：基于所述轻量化点云地图的参数，将预处理后的点云数据转换为与轻量化点云地图具有相同的正态分布表达形式的NDT点云数据。

在本实施方式中，可以根据轻量化点云的体素大小，将预处理后的点云数据转换为轻量化点云地图具有相同的正态分布表达形式，以获取NDT点云数据。将点云数据转换为NDT点云数据，能够在不损失点云数据的几何信息的情况下，降低观测信息量，减少与轻量化点云地图进行匹配的计算复杂度。

步骤S1032：应用NDT-D2D算法，将轻量化点云地图与NDT点云数据进行匹配，以获取车辆的全局定位结果。

在本实施方式中，步骤S1032可以进一步包括以下步骤S10321至步骤S10323：

步骤S10321：根据初始定位结果，获取将NDT点云数据转换至轻量化点云地图的地图坐标系的转换矩阵。

在本实施方式中，可以根据初始定位结果，获取将NDT点云数据转换至轻量化点云地图的地图坐标系的转换矩阵。

步骤S10322：应用NDT-D2D算法，进行多次迭代，优化转换矩阵，使得NDT点云数据与轻量化点云地图实现匹配，以获取最终的转换矩阵。

在本实施方式中，轻量化点云地图包括多个地图体素，NDT点云数据包括多个点云数据体素。NDT-D2D（Distribution to Distribution）算法是分布到分布的NDT算法。NDT-D2D算法对源点云和目标点云进行体素化，并计算源点云和目标点云分布之间的距离，用累计距离误差进行控制。

一个实施方式中，步骤S10322可以进一步包括步骤S103221至步骤S103225：

步骤S103221：针对每次迭代，应用NDT-D2D算法，根据转换矩阵将NDT点云数据转换至轻量化点云地图的地图坐标系下，并获取一一对应的地图体素和点云数据体素组成的匹配对。

在本实施方式中，步骤S103221可以进一步包括以下步骤S1032211和步骤S1032212：

步骤S1032211：针对每个转换至地图坐标系下的点云数据体素，应用最近邻算法，获取多个匹配的地图体素。

步骤S1032212：根据地图体素和点云数据体素的正态分布参数，对多个匹配的地图体素进行相似度分析，获取与点云数据体素一一对应的地图体素，以组成匹配对。

在本实施方式中，针对每个转换至地图坐标系下的点云数据体素，可以先应用最近邻算法，获取多个匹配的地图体素；再根据整体分布参数，对多个匹配的地图体素进行相似度分析，以获取与点云数据体素一一对应的地图体素，这样一一对应的点云数据体素和地图体素就可以组成匹配对。其中，正态分布参数可以包括均值和协方差。

一个实施方式中，可以基于KL（Kullback-Leibler）散度来进行相似度分析，KL散度越小，两者的差异越小。其中，KL散度是根据两个随机变量的概率分布函数获得的，而概率分布函数则可以根据正态分布参数（均值、协方差）获得。

一个实施方式中，NDT点云数据与轻量化点云地图进行匹配时，需要对相同点云类别进行匹配。如，地图体素为地面点云时，则需要与同为地面点云的点云数据体素进行匹配；地图体素为非地面点云时，则需要与同为非地面点云的点云数据体素进行匹配。

步骤S103222：根据匹配对的分布距离，构建当前迭代的残差函数。

在本实施方式中，步骤S103222可以进一步被配置为：

根据所有匹配对的分布距离，构建当前迭代的残差函数；其中，残差函数与分布距离正相关；分布距离包括正态分布的均值距离和正态分布的协方差差异。

一个实施方式中，残差函数为所有匹配对的分布距离的加和。分布距离可以包括匹配对中两个正态分布的物理距离（用均值距离衡量）和KL散度（应用均值距离和协方差差异衡量）。

步骤S103223：根据残差函数计算当前迭代的梯度。

步骤S103224：应用梯度下降法，根据梯度对转换矩阵进行更新后，并进行下一次迭代。

在本实施方式中，可以根据残差函数来计算当前迭代的梯度，并应用梯度下降法，来根据梯度更新转换矩阵，从而进行下一次迭代。

步骤S103225：当迭代满足预设的截止条件时，结束迭代，以获取最终的转换矩阵。

在本实施方式中，若迭代满足截止条件，则可以结束迭代，迭代最终获得的转换矩阵即为最终的转换矩阵。

一个实施方式中，迭代的截止条件为迭代的梯度值小于预设的梯度阈值。本领域技术人员可以根据实际应用的需要设置梯度阈值的取值。

步骤S10323：根据最终的转换矩阵，获取车辆的全局定位结果。

在本实施方式中，可以根据最终的转换矩阵，获取车辆在轻量化点云地图的地图坐标系的全局定位结果。

一个实施方式中，可以参阅附图2，图2是根据本发明实施例的一个实施方式的自动驾驶车辆的定位方法的主要步骤流程示意图。如图2所示，自动驾驶车辆的定位方法可以通过融合定位模块来获取初始定位结果，点云预处理模块对激光雷达采集的点云进行降采样、ROI（region of interest，感兴趣区域）处理、点云去畸变、地面点云分割。地图引擎根据初始化定位结果获取轻量化点云地图。D2D优化配准模块对轻量化点云地图和预处理后的点云进行匹配，获取全局定位结果，并发送至融合定位模块，使其实现融合滤波。全局定位结果可以精确到20cm级别的精度。

其中，融合定位模块与D2D优化配准模块之间采用松耦合的方式进行连接，即融合定位模块为D2D优化配准模块提供初始定位结果，D2D优化配准模块为融合定位模块提供更为精确的全局定位结果。松耦合的目的是使得融合滤波处于健康状态，可以尽最大限度复用车辆上的模块，做到算力优化，可以支持多个业务。

需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时（并行）执行或以其他顺序执行，这些变化都在本发明的保护范围之内。

本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。

进一步，本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中，控制装置包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的自动驾驶车辆的定位方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的自动驾驶车辆的定位方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。

在本发明实施例中控制装置可以是包括各种电子设备形成的控制装置设备。在一些可能的实施方式中，控制装置可以包括多个存储装置和多个处理器。而执行上述方法实施例的自动驾驶车辆的定位方法的程序可以被分割成多段子程序，每段子程序分别可以由处理器加载并运行以执行上述方法实施例的自动驾驶车辆的定位方法的不同步骤。具体地，每段子程序可以分别存储在不同的存储装置中，每个处理器可以被配置成用于执行一个或多个存储装置中的程序，以共同实现上述方法实施例的自动驾驶车辆的定位方法，即每个处理器分别执行上述方法实施例的自动驾驶车辆的定位方法的不同步骤，来共同实现上述方法实施例的自动驾驶车辆的定位方法。

上述多个处理器可以是部署于同一个设备上的处理器，例如上述控制装置可以是由多个处理器组成的高性能设备，上述多个处理器可以是该高性能设备上配置的处理器。此外，上述多个处理器也可以是部署于不同设备上的处理器，例如上述控制装置可以是服务器集群，上述多个处理器可以是服务器集群中不同服务器上的处理器。

进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的自动驾驶车辆的定位方法的程序，该程序可以由处理器加载并运行以实现上述自动驾驶车辆的定位方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。

进一步，本发明还提供一种车辆。在根据本发明一个车辆实施例中，车辆可以包括控制装置实施例中的控制装置。

进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的装置的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。

本领域技术人员能够理解的是，可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (12)

1.一种自动驾驶车辆的定位方法，其特征在于，所述方法包括：

基于所述车辆上设置的融合定位模块，获取所述车辆的初始定位结果；

基于所述初始定位结果，获取所述初始定位结果预设距离范围内的轻量化点云地图；

将所述轻量化点云地图和所述车辆上设置的激光雷达采集的点云进行匹配，获取所述车辆的全局定位结果。

2.根据权利要求1所述的自动驾驶车辆的定位方法，其特征在于， “将所述轻量化点云地图和所述车辆上设置的激光雷达采集的点云进行匹配，获取所述车辆的全局定位结果”的步骤包括：

根据所述轻量化点云地图的参数，对所述车辆上设置的激光雷达采集的点云进行处理，获得NDT点云数据；

应用NDT-D2D算法，将所述轻量化点云地图与所述NDT点云数据进行匹配，以获取所述车辆的全局定位结果。

3.根据权利要求2所述的自动驾驶车辆的定位方法，其特征在于，“应用NDT-D2D算法，将所述轻量化点云地图与所述NDT点云数据进行匹配，以获取所述车辆的全局定位结果”的步骤包括：

根据所述初始定位结果，获取将所述NDT点云数据转换至所述轻量化点云地图的地图坐标系的转换矩阵；

应用NDT-D2D算法，进行多次迭代，优化所述转换矩阵，使得所述NDT点云数据与所述轻量化点云地图实现匹配，以获取最终的转换矩阵；

根据所述最终的转换矩阵，获取所述车辆的全局定位结果。

4.根据权利要求3所述的自动驾驶车辆的定位方法，其特征在于， 所述轻量化点云地图包括多个地图体素，所述NDT点云数据包括多个点云数据体素，“应用NDT-D2D算法，进行多次迭代，优化所述转换矩阵，使得所述NDT点云数据与所述轻量化点云地图实现匹配，以获取最终的转换矩阵”的步骤包括：

针对每次迭代，应用所述NDT-D2D算法，根据所述转换矩阵将所述NDT点云数据转换至所述轻量化点云地图的地图坐标系下，并获取一一对应的地图体素和点云数据体素组成的匹配对；

根据所述匹配对的分布距离，构建当前迭代的残差函数；

根据所述残差函数计算当前迭代的梯度；

应用梯度下降法，根据所述梯度对所述转换矩阵进行更新后，并进行下一次迭代；

当迭代满足预设的截止条件时，结束迭代，以获取所述最终的转换矩阵。

5.根据权利要求4所述的自动驾驶车辆的定位方法，其特征在于， “获取一一对应的地图体素和点云数据体素组成的匹配对”的步骤包括：

针对每个转换至所述地图坐标系下的点云数据体素，应用最近邻算法，获取多个匹配的地图体素；

根据所述地图体素和所述点云数据体素的正态分布参数，对多个匹配的地图体素进行相似度分析，获取与所述点云数据体素一一对应的地图体素，以组成匹配对。

6.根据权利要求4所述的自动驾驶车辆的定位方法，其特征在于， “根据所述匹配对的分布距离，构建当前迭代的残差函数”的步骤包括：

根据所有匹配对的分布距离，构建当前迭代的残差函数；

其中，所述残差函数与所述分布距离正相关；所述分布距离包括正态分布的均值距离和正态分布的协方差差异；和/或，

所述迭代的截止条件为：迭代的梯度值小于预设的梯度阈值。

7.根据权利要求2所述的自动驾驶车辆的定位方法，其特征在于，所述轻量化点云地图为应用正态分布表达形式表征的点云地图，“根据所述轻量化点云地图的参数，对所述车辆上设置的激光雷达采集的点云进行处理，获得NDT点云数据”的步骤包括：

将所述激光雷达采集的点云进行预处理，获得预处理后的点云数据；

基于所述轻量化点云地图的参数，将预处理后的点云数据转换为与所述轻量化点云地图具有相同的正态分布表达形式的NDT点云数据。

8.根据权利要求7所述的自动驾驶车辆的定位方法，其特征在于，“将所述激光雷达采集的点云进行预处理，获得预处理后的点云数据”的步骤包括：

对所述点云进行降采样，获得降采样后的点云；

将降采样后的点云进行去畸变处理，获得去畸变后的点云；

将去畸变后的点云进行地面点云分割，以获得地面点云和非地面点云，将所述地面点云和所述非地面点云作为所述预处理后的点云数据。

9.根据权利要求1所述的自动驾驶车辆的定位方法，其特征在于，在“将所述轻量化点云地图和所述车辆上设置的激光雷达采集的点云进行匹配，获取所述车辆的全局定位结果”步骤之后，所述方法还包括：

控制所述融合定位模块根据所述全局定位结果以及所述车辆上设置的其他传感器采集的数据进行融合滤波。

10.一种控制装置，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至9中任一项所述的自动驾驶车辆的定位方法。

11.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至9中任一项所述的自动驾驶车辆的定位方法。

12.一种车辆，其特征在于，所述车辆包括权利要求10所述的控制装置。

Images