CN115950441A - 自动驾驶车辆的融合定位方法、装置及电子设备 - Google Patents

Abstract

本申请公开了一种自动驾驶车辆的融合定位方法、装置及电子设备，该方法包括：获取自动驾驶车辆的视觉定位结果和对应的激光雷达感知结果，视觉定位结果包括横向校正后的车辆位置，激光雷达感知结果包括静态元素的属性以及自动驾驶车辆到静态元素的第一距离；根据视觉定位结果和激光雷达感知结果及高精地图数据，确定自动驾驶车辆到静态元素的第二距离；根据自动驾驶车辆到静态元素的第一距离及第二距离，对横向校正后的车辆位置进行纵向校正；根据纵向校正后的车辆位置进行融合定位，得到自动驾驶车辆的融合定位结果。本申请基于视觉横向校正结果，结合激光雷达感知结果及高精地图数据对车辆位置进行校正，提高了融合定位结果的精度和稳定性。

Description

自动驾驶车辆的融合定位方法、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车辆的融合定位方法、装置及电子设备。

背景技术

随着自动驾驶车辆落地的场景越来越复杂，传统的组合导航定位即IMU（Inertial Measurement Unit，惯性测量单元）+ GNSS（Global Navigation SatelliteSystem，全球卫星导航系统）/RTK（Real-time kinematic，实时动态差分）已经无法满足自动驾驶车辆定位稳定性的需求，特别是在信号受干扰严重的区域如隧道、城市峡谷等，在没有其他辅助信息时，车辆定位很容易发生米级误差，导致自动驾驶车辆偏离预期行驶路线，进一步产生人工接管或事故。

基于此，激光SLAM（Simultaneous Localization And Mapping，同步定位与建图）和视觉SLAM技术也越来越多的成为主流技术，在多传感器融合定位系统中，作为辅助的观测信息来增强定位的稳定性。

出于安全性考虑，自动驾驶运营车辆需要配置高端的激光雷达和相机，以保障感知结果的稳定性。因此，一方面，在算力一定的情况下，需要SLAM相关算法所需的算力低且稳定性高，这就导致在很多低算力的自动驾驶车辆上，SLAM的频率很低（甚至低于5Hz）且延迟过大。另一方面，由于SLAM算法本身的缺陷，在某些困难场景无法得到有效的定位信息，如激光SLAM会在缺少结构化特征的环境下退化，视觉SLAM会在光照变化大的环境下失效等。

发明内容

本申请实施例提供了一种自动驾驶车辆的融合定位方法、装置及电子设备，以提高自动驾驶车辆的融合定位精度和稳定性。

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车辆的融合定位方法，其中，所述方法包括：

获取自动驾驶车辆的视觉定位结果和对应的激光雷达感知结果，所述视觉定位结果包括横向校正后的车辆位置，所述激光雷达感知结果包括静态元素的属性以及自动驾驶车辆到静态元素的第一距离；

根据所述视觉定位结果和所述激光雷达感知结果以及高精地图数据，确定自动驾驶车辆到静态元素的第二距离；

根据所述自动驾驶车辆到静态元素的第一距离以及自动驾驶车辆到静态元素的第二距离，对所述横向校正后的车辆位置进行纵向校正，得到纵向校正后的车辆位置；

根据所述纵向校正后的车辆位置进行融合定位，得到自动驾驶车辆的融合定位结果。

可选地，所述根据所述视觉定位结果和所述激光雷达感知结果以及高精地图数据，确定自动驾驶车辆到静态元素的第二距离包括：

根据所述横向校正后的车辆位置确定目标线段，所述目标线段经过所述横向校正后的车辆位置且平行于所述自动驾驶车辆所在的当前车道的车道线；

确定自动驾驶车辆在所述目标线段上的多个目标位置；

根据所述自动驾驶车辆在所述目标线段上的多个目标位置和所述激光雷达感知结果以及高精地图数据中的静态元素位置，确定所述自动驾驶车辆到静态元素的第二距离。

可选地，所述根据所述自动驾驶车辆在所述目标线段上的多个目标位置和所述激光雷达感知结果以及高精地图数据中的静态元素位置，确定所述自动驾驶车辆到静态元素的第二距离包括：

根据所述静态元素的属性确定目标静态元素，所述目标静态元素包括地图元素和识别过的非地图元素；

根据所述自动驾驶车辆在所述目标线段上的多个目标位置和所述激光雷达感知结果以及目标静态元素位置，确定所述自动驾驶车辆到目标静态元素的第二距离。

可选地，所述确定自动驾驶车辆在所述目标线段上的多个目标位置包括：

根据预设精度要求在所述目标线段上确定多个候选点；

将各个候选点的位置作为所述自动驾驶车辆在所述目标线段上的各个目标位置。

可选地，所述根据所述自动驾驶车辆到静态元素的第一距离以及自动驾驶车辆到静态元素的第二距离，对所述横向校正后的车辆位置进行纵向校正，得到纵向校正后的车辆位置包括：

根据所述自动驾驶车辆到静态元素的第一距离以及所述自动驾驶车辆到静态元素的第二距离构建损失函数；

利用预设优化算法对所述损失函数求解，得到所述纵向校正后的车辆位置。

可选地，所述根据所述自动驾驶车辆到静态元素的第一距离以及所述自动驾驶车辆到静态元素的第二距离构建损失函数包括：

确定所述自动驾驶车辆到静态元素的第一距离与对应的所述自动驾驶车辆到静态元素的第二距离的差值；

根据所述静态元素的属性确定所述自动驾驶车辆到静态元素的第一距离与对应的所述自动驾驶车辆到静态元素的第二距离的差值对应的权重；

根据所述自动驾驶车辆到静态元素的第一距离与对应的所述自动驾驶车辆到静态元素的第二距离的差值及对应的权重构建所述损失函数。

可选地，在根据所述自动驾驶车辆到静态元素的第一距离以及自动驾驶车辆到静态元素的第二距离，对所述横向校正后的车辆位置进行纵向校正，得到纵向校正后的车辆位置之后，所述方法还包括：

根据所述静态元素的属性确定初次识别的非地图元素；

根据所述纵向校正后的车辆位置以及自动驾驶车辆到初次识别的非地图元素的第一距离，确定所述初次识别的非地图元素的绝对位置。

可选地，所述方法还包括：

确定是否能够获取到所述激光雷达感知结果；

若无法获取到所述激光雷达感知结果，则直接将所述视觉定位结果作为观测信息输入到滤波器中进行融合定位。

第二方面，本申请实施例还提供一种自动驾驶车辆的融合定位装置，其中，所述装置包括：

获取单元，用于获取自动驾驶车辆的视觉定位结果和对应的激光雷达感知结果，所述视觉定位结果包括横向校正后的车辆位置，所述激光雷达感知结果包括静态元素的属性以及自动驾驶车辆到静态元素的第一距离；

第一确定单元，用于根据所述视觉定位结果和所述激光雷达感知结果以及高精地图数据，确定自动驾驶车辆到静态元素的第二距离；

校正单元，用于根据所述自动驾驶车辆到静态元素的第一距离以及自动驾驶车辆到静态元素的第二距离，对所述横向校正后的车辆位置进行纵向校正，得到纵向校正后的车辆位置；

第一融合定位单元，用于根据所述纵向校正后的车辆位置进行融合定位，得到自动驾驶车辆的融合定位结果。

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车辆的融合定位方法，先获取自动驾驶车辆的视觉定位结果和对应的激光雷达感知结果，视觉定位结果包括横向校正后的车辆位置，激光雷达感知结果包括静态元素的属性以及自动驾驶车辆到静态元素的第一距离；然后根据视觉定位结果和激光雷达感知结果以及高精地图数据，确定自动驾驶车辆到静态元素的第二距离；之后根据自动驾驶车辆到静态元素的第一距离以及自动驾驶车辆到静态元素的第二距离，对横向校正后的车辆位置进行纵向校正，得到纵向校正后的车辆位置；最后根据纵向校正后的车辆位置进行融合定位，得到自动驾驶车辆的融合定位结果。本申请实施例的自动驾驶车辆的融合定位方法基于视觉横向校正结果，结合激光雷达感知结果以及高精地图数据对车辆位置进行校正，将校正后的车辆位置作为额外的观测信息输入到滤波器中进行融合定位，提高了融合定位结果的精度和稳定性，且降低了传统的激光SLAM算法对于算力的需求。

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车辆的融合定位方法的流程示意图；

图2为本申请实施例中一种目标线段的示意图；

图3为本申请实施例中一种自动驾驶车辆的融合定位装置的结构示意图；

图4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车辆的融合定位方法，如图1所示，提供了本申请实施例中一种自动驾驶车辆的融合定位方法的流程示意图，所述方法至少包括如下的步骤S110至步骤S140：

步骤S110，获取自动驾驶车辆的视觉定位结果和对应的激光雷达感知结果，所述视觉定位结果包括横向校正后的车辆位置，所述激光雷达感知结果包括静态元素的属性以及自动驾驶车辆到静态元素的第一距离。

本申请实施例在进行自动驾驶车辆的融合定位时，需要先获取自动驾驶车辆当前的视觉定位结果和对应的激光雷达感知结果，视觉定位结果主要包括经过横向校正后的车辆位置，在计算横向校正后的车辆位置时，可以先获取组合导航模块输出的当前车辆位置，将其作为先验信息，结合视觉识别出的车道线匹配结果计算得到横向校正后的车辆位置。

激光雷达感知结果主要包括激光雷达感知到的道路中的静态元素的属性，和自动驾驶车辆到静态元素的第一距离，静态元素的属性例如可以包括地图元素如路杆等，以及非地图元素如路边停靠的车辆等，非地图元素还可以进一步划分为初次识别到的非地图元素和已识别过的非地图元素。

步骤S120，根据所述视觉定位结果和所述激光雷达感知结果以及高精地图数据，确定自动驾驶车辆到静态元素的第二距离。

在获取到视觉定位结果和激光雷达感知结果后，还可以进一步获取高精地图数据，高精地图数据中可以提供各个路段的地图元素的绝对位置信息，结合视觉定位结果、激光雷达感知结果以及高精地图数据可以计算出自动驾驶车辆到静态元素的第二距离。

步骤S130，根据所述自动驾驶车辆到静态元素的第一距离以及自动驾驶车辆到静态元素的第二距离，对所述横向校正后的车辆位置进行纵向校正，得到纵向校正后的车辆位置。

前述步骤中的自动驾驶车辆到静态元素的第一距离是指激光雷达自身感知到的距离，但由于激光雷达的感知结果可能存在感知误差，因此直接根据自动驾驶车辆到静态元素的第一距离并无法保证最终得到的自动驾车辆的位置是足够准确的，这也就引入了前述步骤中计算的自动驾驶车辆到静态元素的第二距离。

自动驾驶车辆到静态元素的第二距离是进一步结合高精地图数据提供的静态元素的绝对位置信息计算得到的，那么自动驾驶车辆到静态元素的第一距离与对应的自动驾驶车辆到静态元素的第二距离之间应该是越接近越好，也即通过自动驾驶车辆到各静态元素的距离之间的相互约束，计算出一个最优的车辆位置，该最优的车辆位置即相当于是对横向校正后的车辆位置进一步进行纵向校正后得到的位置。

步骤S140，根据所述纵向校正后的车辆位置进行融合定位，得到自动驾驶车辆的融合定位结果。

前述步骤得到的车辆位置即为横向和纵向均进行了校正的位置，因此可以将其作为额外的观测信息输入到滤波器中进行融合定位，从而得到自动驾驶车辆的融合定位结果。

本申请实施例的自动驾驶车辆的融合定位方法基于视觉横向校正结果，结合激光雷达感知结果以及高精地图数据对车辆位置进行校正，将校正后的车辆位置作为额外的观测信息输入到滤波器中进行融合定位，提高了融合定位结果的精度和稳定性，且降低了传统的激光SLAM算法对于算力的需求。

在本申请的一些实施例中，所述根据所述视觉定位结果和所述激光雷达感知结果以及高精地图数据，确定自动驾驶车辆到静态元素的第二距离包括：根据所述横向校正后的车辆位置确定目标线段，所述目标线段经过所述横向校正后的车辆位置且平行于所述自动驾驶车辆所在的当前车道的车道线；确定自动驾驶车辆在所述目标线段上的多个目标位置；根据所述自动驾驶车辆在所述目标线段上的多个目标位置和所述激光雷达感知结果以及高精地图数据中的静态元素位置，确定所述自动驾驶车辆到静态元素的第二距离。

在确定自动驾驶车辆到静态元素的第二距离时，可以先根据横向校正后的车辆位置P1确定一条目标线段P0P2，该目标线段的要求是经过P1且平行于车辆所在的当前车道的车道线，之所以这样设置目标线段是因为P1是经过横向校正后的车辆位置，其更多地是存在纵向上的位置偏差，因此经过P1且平行于车辆所在车道的车道线的线段上的任意一点都有可能是更接近于车辆实际位置的位置点。此外，由于纵向位置偏差的方向既可能位于车辆位置P1的前方，也可能位于车辆位置P1的后方，因此可以设置P0P1=P1P2，当然，具体如何确定P1在目标线段P0P2上的具体位置，也可以根据实际情况灵活设置，在此不作具体限定。

由于自动驾驶车辆的纵向位置偏差并不会特别大，因此可以根据实际需求适当确定目标线段的长度，例如可以根据当前车速和滤波器时间频率来设定，具体可以将车速的3倍乘以滤波器时间频率作为目标线段的长度，如果车速为15m/s，频率为10hz，那么目标线段的长度即为0.1s*15m/s*3 = 4.5m。

如图2所示，提供了本申请实施例中一种目标线段的示意图。虚线为车道线，V为路边静止汽车，S为路杆，P1为横向校正后的车辆位置点，P0P2为计算得到的目标线段，P_K为纵向校正后的最终车辆位置点。

在本申请的一些实施例中，所述根据所述自动驾驶车辆在所述目标线段上的多个目标位置和所述激光雷达感知结果以及高精地图数据中的静态元素位置，确定所述自动驾驶车辆到静态元素的第二距离包括：根据所述静态元素的属性确定目标静态元素，所述目标静态元素包括地图元素和识别过的非地图元素；根据所述自动驾驶车辆在所述目标线段上的多个目标位置和所述激光雷达感知结果以及目标静态元素位置，确定所述自动驾驶车辆到目标静态元素的第二距离。

本申请实施例中的静态元素的属性主要包括地图元素和非地图元素，非地图元素还可以包括初次识别的非地图元素和已识别过的非地图元素，地图元素可以从高精地图数据中确定相应的绝对位置等信息，如路杆、道路两侧的标志牌等，非地图元素往往是一些临时出现在道路中的静态目标，如路旁临时停靠的车辆，这类非地图元素在高精地图数据中没有绝对位置信息，需要基于激光雷达和视觉的感知识别结果来确定，但由于识别存在一定程度的误差，因此非地图元素的位置精度相对于地图元素的位置精度会低。

由于地图元素可以从高精地图数据中直接获取到相应的绝对位置信息，已经识别过的非地图元素也可以基于之前的识别结果得到相应的绝对位置信息，而初次识别的非地图元素还没有被赋予绝对位置，无法为自动驾驶车辆到静态元素之间的距离计算提供可靠信息，因此本申请实施例可以将地图元素和已经识别过的非地图元素作为目标静态元素，用于计算自动驾驶车辆到静态元素之间的第二距离，已经识别过的非地图元素虽然会引入一定的识别误差，但在BEV（Bird’s Eye View，鸟瞰）视角下，静态元素的数量越多，得到的位置也越准确，从而可以弥补识别误差带来的影响。

在本申请的一些实施例中，所述确定自动驾驶车辆在所述目标线段上的多个目标位置包括：根据预设精度要求在所述目标线段上确定多个候选点；将各个候选点的位置作为所述自动驾驶车辆在所述目标线段上的各个目标位置。

由于目标线段P0P2上的任意一点P_K都有可能是纵向校正后的车辆位置，为了加快计算速度，本申请实施例可以根据预设精度要求在目标线段P0P2上预先确定出多个候选点，例如目标线段P0P2的距离为4.5m，精度要求20cm，那么可以从横向校正后的车辆位置P1开始，每隔20cm的步长选取一个点作为候选点，当然，具体如何选择候选点，本领域技术人员可以结合精度要求灵活设置，在此不作具体限定。

之后直接根据预先确定的多个候选点进行距离计算即可，相比于直接根据目标线段进行迭代计算的方式来说，可以在保证精度要求的情况下进一步提高计算效率。

在本申请的一些实施例中，所述根据所述自动驾驶车辆到静态元素的第一距离以及自动驾驶车辆到静态元素的第二距离，对所述横向校正后的车辆位置进行纵向校正，得到纵向校正后的车辆位置包括：根据所述自动驾驶车辆到静态元素的第一距离以及所述自动驾驶车辆到静态元素的第二距离构建损失函数；利用预设优化算法对所述损失函数求解，得到所述纵向校正后的车辆位置。

构建损失函数的原则是使自动驾驶车辆到每一个静态元素的第一距离与对应的自动驾驶车辆到每一个静态元素的第二距离之间的偏差越小越好，相当于是通过多个静态元素的绝对位置信息约束自动驾驶车辆感知的车辆位置，具体可以利用预设优化算法如高斯-牛顿、LM（Levenberg-Marquardt，列文伯格-马夸尔特）等算法对损失函数求解，从而得到使损失函数的函数值最小的最优车辆位置。

在本申请的一些实施例中，所述根据所述自动驾驶车辆到静态元素的第一距离以及所述自动驾驶车辆到静态元素的第二距离构建损失函数包括：确定所述自动驾驶车辆到静态元素的第一距离与对应的所述自动驾驶车辆到静态元素的第二距离的差值；根据所述静态元素的属性确定所述自动驾驶车辆到静态元素的第一距离与对应的所述自动驾驶车辆到静态元素的第二距离的差值对应的权重；根据所述自动驾驶车辆到静态元素的第一距离与对应的所述自动驾驶车辆到静态元素的第二距离的差值及对应的权重构建所述损失函数。

本申请实施例根据自动驾驶车辆到静态元素的第一距离以及自动驾驶车辆到静态元素的第二距离构建的损失函数

例如可以表示为如下形式：

， i≥1

其中，i为静态元素的数量，Dⁱ为自动驾驶车辆到静态元素的第一距离，DISⁱ为自动驾驶车辆到静态元素的第二距离，可以用欧氏距离来表示，

为权重，由于高精地图精度高，地图元素的绝对位置相对准确，因此可以将地图元素的权重设置的较高，如设置为1，非地图元素主要基于感知识别结果确定，绝对位置存在一定误差，因此可以将地图元素的权重适当降低，如降低识别的置信度。

由于Dⁱ为激光雷达感知到的车辆位置到每一个静态元素i的距离，DISⁱ为根据高精地图数据中的静态元素的绝对位置以及目标线段上的任意一点（或候选点）P_K计算出的距离，因此对于每一个静态元素来说，激光雷达感知到的第一距离与基于静态元素的绝对位置计算出的第二距离之间的差值应该越小越好，因此通过上述损失函数，可以约束所有静态元素i对应的距离差值之和即损失函数值为

最小值，那么此时

最小值对应的P_K即为当前最优的车辆位置，作为纵向校正后的车辆位置。

在本申请的一些实施例中，在根据所述自动驾驶车辆到静态元素的第一距离以及自动驾驶车辆到静态元素的第二距离，对所述横向校正后的车辆位置进行纵向校正，得到纵向校正后的车辆位置之后，所述方法还包括：根据所述静态元素的属性确定初次识别的非地图元素；根据所述纵向校正后的车辆位置以及自动驾驶车辆到初次识别的非地图元素的第一距离，确定所述初次识别的非地图元素的绝对位置。

如前述实施例，自动驾驶车辆的激光雷达感知结果中可能还会包括初次识别的非地图元素，即第一次进入车辆感知视野的非地图元素，这些初次识别的非地图元素由于缺少绝对位置信息，因此不能直接参与损失函数的计算。

基于此，本申请实施例可以将初次识别的非地图元素加入跟踪队列进行跟踪，在计算得到纵向校正后的车辆位置P_K后，可以根据P_K的位置和激光雷达的感知结果，对初次识别到的非地图元素赋予一个绝对位置，后续再次识别到该非地图元素时即可作为已识别过的非地图元素用于后续损失函数的计算。考虑到非地图元素的尺寸不一，这个绝对位置可以选择非地图元素识别框的中心点或者某一个角点，并根据识别置信度设定一个0-1之间的权重。

在根据P_K的位置和激光雷达的感知结果确定初次识别到的非地图元素的绝对位置时，具体可以根据激光雷达感知到的自动驾驶车辆到初次识别到的非地图元素的距离以及当前修正后得到的P_K的位置反推出初次识别到的非地图元素的绝对位置。

需要说明的是，虽然激光雷达存在感知误差，但激光雷达的感知误差主要体现在置信度上，如果置信度低于可接受的误差范围，可以选择不使用，目前的激光雷达感知算法可融合其它的传感器如相机一起进行识别，精度可靠性高，在有地图元素的地方，按照置信度，还是以地图元素为主，在没有地图元素的地方，卫星定位信号失效导致长时间的航迹推演会有累计误差，如果有一个或多个静止的物体做参考，即使有感知误差，也会小于单纯依靠航迹推演所带来的误差。

在本申请的一些实施例中，所述方法还包括：确定是否能够获取到所述激光雷达感知结果；若无法获取到所述激光雷达感知结果，则直接将所述视觉定位结果作为观测信息输入到滤波器中进行融合定位。

前述实施例主要是基于视觉感知结果对组合导航输出的车辆位置进行横向校正，基于激光雷达感知结果对横向校正后的车辆位置进行纵向校正，从而得到更加准确的车辆位置。但由于激光雷达的输出并不总是稳定的，可能会受到遮挡和干扰，因此本申请实施例可以先判断当前是否能够获取到激光雷达感知结果，如果没有获取到，可以直接将视觉定位结果作为额外的观测信息输入到滤波器中进行融合定位。

综上所述，本申请的自动驾驶车辆的融合定位方法至少取得了如下的技术效果：

1）使用激光雷达的感知结果作为纵向位置修正的基准，保证了自动驾驶车辆在车辆前进方向有可靠且足量的观测信息，即使在缺少结构化特征的环境下，仍能进行正确的修正；

2）不受高精地图元素的约束，即使没有路边地图元素，仍可根据静态的非地图元素进行定位，如路边停靠的车辆、垃圾桶、水马等；

3）使用视觉定位结果和激光雷达识别结果相结合的方式替代传统的激光SLAM算法，有效降低了算力要求。

本申请实施例还提供了一种自动驾驶车辆的融合定位装置300，如图3所示，提供了本申请实施例中一种自动驾驶车辆的融合定位装置的结构示意图，所述装置300包括：获取单元310、第一确定单元320、校正单元330以及第一融合定位单元340，其中：

获取单元310，用于获取自动驾驶车辆的视觉定位结果和对应的激光雷达感知结果，所述视觉定位结果包括横向校正后的车辆位置，所述激光雷达感知结果包括静态元素的属性以及自动驾驶车辆到静态元素的第一距离；

第一确定单元320，用于根据所述视觉定位结果和所述激光雷达感知结果以及高精地图数据，确定自动驾驶车辆到静态元素的第二距离；

校正单元330，用于根据所述自动驾驶车辆到静态元素的第一距离以及自动驾驶车辆到静态元素的第二距离，对所述横向校正后的车辆位置进行纵向校正，得到纵向校正后的车辆位置；

第一融合定位单元340，用于根据所述纵向校正后的车辆位置进行融合定位，得到自动驾驶车辆的融合定位结果。

在本申请的一些实施例中，所述第一确定单元320具体用于：根据所述横向校正后的车辆位置确定目标线段，所述目标线段经过所述横向校正后的车辆位置且平行于所述自动驾驶车辆所在的当前车道的车道线；确定自动驾驶车辆在所述目标线段上的多个目标位置；根据所述自动驾驶车辆在所述目标线段上的多个目标位置和所述激光雷达感知结果以及高精地图数据中的静态元素位置，确定所述自动驾驶车辆到静态元素的第二距离。

在本申请的一些实施例中，所述第一确定单元320具体用于：根据所述静态元素的属性确定目标静态元素，所述目标静态元素包括地图元素和识别过的非地图元素；根据所述自动驾驶车辆在所述目标线段上的多个目标位置和所述激光雷达感知结果以及目标静态元素位置，确定所述自动驾驶车辆到目标静态元素的第二距离。

在本申请的一些实施例中，所述第一确定单元320具体用于：根据预设精度要求在所述目标线段上确定多个候选点；将各个候选点的位置作为所述自动驾驶车辆在所述目标线段上的各个目标位置。

在本申请的一些实施例中，所述校正单元330具体用于：根据所述自动驾驶车辆到静态元素的第一距离以及所述自动驾驶车辆到静态元素的第二距离构建损失函数；利用预设优化算法对所述损失函数求解，得到所述纵向校正后的车辆位置。

在本申请的一些实施例中，所述校正单元330具体用于：确定所述自动驾驶车辆到静态元素的第一距离与对应的所述自动驾驶车辆到静态元素的第二距离的差值；根据所述静态元素的属性确定所述自动驾驶车辆到静态元素的第一距离与对应的所述自动驾驶车辆到静态元素的第二距离的差值对应的权重；根据所述自动驾驶车辆到静态元素的第一距离与对应的所述自动驾驶车辆到静态元素的第二距离的差值及对应的权重构建所述损失函数。

在本申请的一些实施例中，所述装置还包括：第二确定单元，用于根据所述静态元素的属性确定初次识别的非地图元素；第三确定单元，用于根据所述纵向校正后的车辆位置以及自动驾驶车辆到初次识别的非地图元素的第一距离，确定所述初次识别的非地图元素的绝对位置。

在本申请的一些实施例中，所述装置还包括：第四确定单元，用于确定是否能够获取到所述激光雷达感知结果；第二融合定位单元，用于若无法获取到所述激光雷达感知结果，则直接将所述视觉定位结果作为观测信息输入到滤波器中进行融合定位。

能够理解，上述自动驾驶车辆的融合定位装置，能够实现前述实施例中提供的自动驾驶车辆的融合定位方法的各个步骤，关于自动驾驶车辆的融合定位方法的相关阐释均适用于自动驾驶车辆的融合定位装置，此处不再赘述。

图4是本申请的一个实施例电子设备的结构示意图。请参考图4，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4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车辆的融合定位装置。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：

获取自动驾驶车辆的视觉定位结果和对应的激光雷达感知结果，所述视觉定位结果包括横向校正后的车辆位置，所述激光雷达感知结果包括静态元素的属性以及自动驾驶车辆到静态元素的第一距离；

根据所述视觉定位结果和所述激光雷达感知结果以及高精地图数据，确定自动驾驶车辆到静态元素的第二距离；

根据所述自动驾驶车辆到静态元素的第一距离以及自动驾驶车辆到静态元素的第二距离，对所述横向校正后的车辆位置进行纵向校正，得到纵向校正后的车辆位置；

根据所述纵向校正后的车辆位置进行融合定位，得到自动驾驶车辆的融合定位结果。

上述如本申请图1所示实施例揭示的自动驾驶车辆的融合定位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中自动驾驶车辆的融合定位装置执行的方法，并实现自动驾驶车辆的融合定位装置在图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车辆的融合定位装置执行的方法，并具体用于执行：

获取自动驾驶车辆的视觉定位结果和对应的激光雷达感知结果，所述视觉定位结果包括横向校正后的车辆位置，所述激光雷达感知结果包括静态元素的属性以及自动驾驶车辆到静态元素的第一距离；

根据所述视觉定位结果和所述激光雷达感知结果以及高精地图数据，确定自动驾驶车辆到静态元素的第二距离；

根据所述自动驾驶车辆到静态元素的第一距离以及自动驾驶车辆到静态元素的第二距离，对所述横向校正后的车辆位置进行纵向校正，得到纵向校正后的车辆位置；

根据所述纵向校正后的车辆位置进行融合定位，得到自动驾驶车辆的融合定位结果。

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 (10)

1.一种自动驾驶车辆的融合定位方法，其中，所述方法包括：

获取自动驾驶车辆的视觉定位结果和对应的激光雷达感知结果，所述视觉定位结果包括横向校正后的车辆位置，所述激光雷达感知结果包括静态元素的属性以及自动驾驶车辆到静态元素的第一距离；

根据所述视觉定位结果和所述激光雷达感知结果以及高精地图数据，确定自动驾驶车辆到静态元素的第二距离；

根据所述自动驾驶车辆到静态元素的第一距离以及自动驾驶车辆到静态元素的第二距离，对所述横向校正后的车辆位置进行纵向校正，得到纵向校正后的车辆位置；

根据所述纵向校正后的车辆位置进行融合定位，得到自动驾驶车辆的融合定位结果。

2.如权利要求1所述方法，其中，所述根据所述视觉定位结果和所述激光雷达感知结果以及高精地图数据，确定自动驾驶车辆到静态元素的第二距离包括：

根据所述横向校正后的车辆位置确定目标线段，所述目标线段经过所述横向校正后的车辆位置且平行于所述自动驾驶车辆所在的当前车道的车道线；

确定自动驾驶车辆在所述目标线段上的多个目标位置；

根据所述自动驾驶车辆在所述目标线段上的多个目标位置和所述激光雷达感知结果以及高精地图数据中的静态元素位置，确定所述自动驾驶车辆到静态元素的第二距离。

3.如权利要求2所述方法，其中，所述根据所述自动驾驶车辆在所述目标线段上的多个目标位置和所述激光雷达感知结果以及高精地图数据中的静态元素位置，确定所述自动驾驶车辆到静态元素的第二距离包括：

根据所述静态元素的属性确定目标静态元素，所述目标静态元素包括地图元素和识别过的非地图元素；

根据所述自动驾驶车辆在所述目标线段上的多个目标位置和所述激光雷达感知结果以及目标静态元素位置，确定所述自动驾驶车辆到目标静态元素的第二距离。

4.如权利要求2所述方法，其中，所述确定自动驾驶车辆在所述目标线段上的多个目标位置包括：

根据预设精度要求在所述目标线段上确定多个候选点；

将各个候选点的位置作为所述自动驾驶车辆在所述目标线段上的各个目标位置。

5.如权利要求1所述方法，其中，所述根据所述自动驾驶车辆到静态元素的第一距离以及自动驾驶车辆到静态元素的第二距离，对所述横向校正后的车辆位置进行纵向校正，得到纵向校正后的车辆位置包括：

根据所述自动驾驶车辆到静态元素的第一距离以及所述自动驾驶车辆到静态元素的第二距离构建损失函数；

利用预设优化算法对所述损失函数求解，得到所述纵向校正后的车辆位置。

6.如权利要求5所述方法，其中，所述根据所述自动驾驶车辆到静态元素的第一距离以及所述自动驾驶车辆到静态元素的第二距离构建损失函数包括：

确定所述自动驾驶车辆到静态元素的第一距离与对应的所述自动驾驶车辆到静态元素的第二距离的差值；

根据所述静态元素的属性确定所述自动驾驶车辆到静态元素的第一距离与对应的所述自动驾驶车辆到静态元素的第二距离的差值对应的权重；

根据所述自动驾驶车辆到静态元素的第一距离与对应的所述自动驾驶车辆到静态元素的第二距离的差值及对应的权重构建所述损失函数。

7.如权利要求1所述方法，其中，在根据所述自动驾驶车辆到静态元素的第一距离以及自动驾驶车辆到静态元素的第二距离，对所述横向校正后的车辆位置进行纵向校正，得到纵向校正后的车辆位置之后，所述方法还包括：

根据所述静态元素的属性确定初次识别的非地图元素；

根据所述纵向校正后的车辆位置以及自动驾驶车辆到初次识别的非地图元素的第一距离，确定所述初次识别的非地图元素的绝对位置。

8.如权利要求1所述方法，其中，所述方法还包括：

确定是否能够获取到所述激光雷达感知结果；

若无法获取到所述激光雷达感知结果，则直接将所述视觉定位结果作为观测信息输入到滤波器中进行融合定位。

9.一种自动驾驶车辆的融合定位装置，其中，所述装置包括：

获取单元，用于获取自动驾驶车辆的视觉定位结果和对应的激光雷达感知结果，所述视觉定位结果包括横向校正后的车辆位置，所述激光雷达感知结果包括静态元素的属性以及自动驾驶车辆到静态元素的第一距离；

第一确定单元，用于根据所述视觉定位结果和所述激光雷达感知结果以及高精地图数据，确定自动驾驶车辆到静态元素的第二距离；

校正单元，用于根据所述自动驾驶车辆到静态元素的第一距离以及自动驾驶车辆到静态元素的第二距离，对所述横向校正后的车辆位置进行纵向校正，得到纵向校正后的车辆位置；

第一融合定位单元，用于根据所述纵向校正后的车辆位置进行融合定位，得到自动驾驶车辆的融合定位结果。

10.一种电子设备，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所述权利要求1~8之任一所述方法。

Images