CN116027375B - 自动驾驶车辆的定位方法、装置及电子设备、存储介质 - Google Patents

Abstract

本申请公开了一种自动驾驶车辆的定位方法、装置及电子设备、存储介质，该方法包括：获取自动驾驶车辆的当前定位数据和预设定位区域的定位地图，当前定位数据包括第一激光点云数据和第一图像数据，定位地图包含路面元素和非路面元素的绝对位置；利用预设点云分割模型对第一激光点云数据进行点云分割，利用预设道路元素识别模型对第一图像数据进行识别；根据点云分割结果或第一图像数据及定位地图进行横向定位；根据点云分割结果、道路元素识别结果及定位地图进行纵向定位。本申请事先基于路面元素和非路面元素构建了预设定位区域的定位地图，基于定位地图，结合视觉识别结果和激光雷达感知结果实现了自动驾驶车辆在特殊道路场景下的定位。

Description

自动驾驶车辆的定位方法、装置及电子设备、存储介质

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定位方法、装置及电子设备、存储介质。

背景技术

随着车载传感器成本越来越低，为了满足更复杂场景的定位需求，传统的组合导航定位即IMU （Inertial Measurement Unit，惯性测量单元）+ GNSS（Global NavigationSatellite System，全球卫星导航系统）/RTK（Real-time kinematic，实时动态差分）已经逐步被多传感器融合替代，其中包括激光SLAM（Simultaneous Localization AndMapping，同步定位与建图）、视觉SLAM、车道线横向定位等技术，都为多传感器融合提供了更可靠的观测信息，上述多种观测信息在不同场景如城市峡谷、有电磁干扰的区域、盘桥等互补协作，使得自动驾驶车辆在城市内路径规划时有更多的路线选择。

虽然多传感器融合定位已经解决了市区内大部分场景的定位需求，但是对于长隧道这个场景，上述提供观测信息的技术都无法达到自动驾驶车辆需要的精度和稳定性，这主要表现为：

1）隧道内无卫星定位信号，导致GNSS/RTK定位完全失效；

2）激光SLAM在隧道内退化快，很难长时间保证有正确的定位输出；

3）视觉SLAM在隧道内无法完成特征点的跟踪，失效率极高；

4）车道线横向定位在光照调节良好的情况下，可以保证车辆的横向定位，但隧道内的车道线识别受光照情况的影响大，同时无法提供正确的纵向位置。

发明内容

本申请实施例提供了一种自动驾驶车辆的定位方法、装置及电子设备、存储介质，以提高自动驾驶车辆在特殊道路场景下的定位精度和定位稳定性。

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定位方法，其中，所述方法包括：

获取自动驾驶车辆的当前定位数据和预设定位区域的定位地图，所述当前定位数据包括第一激光点云数据和第一图像数据，所述预设定位区域的定位地图包含预设定位区域的路面元素和非路面元素的绝对位置；

利用预设点云分割模型对所述第一激光点云数据进行点云分割，得到第一点云分割结果，以及利用预设道路元素识别模型对所述第一图像数据进行识别，得到第一道路元素识别结果；

根据所述第一点云分割结果或所述第一图像数据，以及所述预设定位区域的定位地图进行横向定位，得到所述自动驾驶车辆的横向定位结果；

根据所述第一点云分割结果、所述第一道路元素识别结果以及所述预设定位区域的定位地图进行纵向定位，得到所述自动驾驶车辆的纵向定位结果。

可选地，所述预设定位区域的定位地图通过如下方式构建得到：

获取自动驾驶车辆的高精定位位置和预设定位区域的地图源数据，所述地图源数据包括第二激光点云数据和第二图像数据以及对应的高精地图数据和2D-SLAM地图数据；

利用预设点云分割模型对所述第二激光点云数据进行点云分割，得到第二点云分割结果，以及利用所述预设道路元素识别模型对所述第二图像数据进行识别，得到第二道路元素识别结果，所述第二点云分割结果包括非路面元素，所述第二道路元素识别结果包括路面元素和非路面元素；

根据所述自动驾驶车辆的高精定位位置和所述高精地图数据确定所述路面元素的绝对位置；

将所述第二点云分割结果与所述第二道路元素识别结果进行匹配，并根据匹配结果和所述自动驾驶车辆的高精定位位置确定所述非路面元素的绝对位置；

根据所述路面元素的绝对位置、所述非路面元素的绝对位置、所述高精地图数据以及所述2D-SLAM地图数据构建所述预设定位区域的定位地图。

可选地，所述预设定位区域的定位地图包括2D-SLAM地图数据和高精地图数据，所述根据所述第一点云分割结果或所述第一图像数据，以及所述预设定位区域的定位地图进行横向定位，得到所述自动驾驶车辆的横向定位结果包括：

根据所述第一点云分割结果和所述2D-SLAM地图数据确定所述自动驾驶车辆到预设定位区域的两侧的横向距离，并根据所述自动驾驶车辆到预设定位区域的两侧的横向距离确定所述自动驾驶车辆的横向定位结果；或者，

利用预设车道线识别模型对所述第一图像数据进行车道线识别，并根据车道线识别结果和所述高精地图数据确定所述自动驾驶车辆的横向定位结果。

可选地，所述第一道路元素识别结果包括非路面元素，所述根据所述第一点云分割结果、所述第一道路元素识别结果以及所述预设定位区域的定位地图进行纵向定位，得到所述自动驾驶车辆的纵向定位结果包括：

将所述第一道路元素识别结果中的非路面元素与所述预设定位区域的定位地图进行匹配，得到所述非路面元素的绝对位置；

将所述第一道路元素识别结果中的非路面元素与所述第一点云分割结果进行匹配，得到所述自动驾驶车辆到所述非路面元素的距离；

根据所述非路面元素的绝对位置以及所述自动驾驶车辆到所述非路面元素的距离确定所述自动驾驶车辆的纵向定位结果。

可选地，所述第一道路元素识别结果包括多个车载相机识别到的多个道路元素，所述第一点云分割结果包括自动驾驶车辆到各个道路元素的第一距离，所述根据所述第一点云分割结果、所述第一道路元素识别结果以及所述预设定位区域的定位地图进行纵向定位，得到所述自动驾驶车辆的纵向定位结果包括：

根据所述第一点云分割结果、所述第一道路元素识别结果以及所述预设定位区域的定位地图，确定自动驾驶车辆到各个道路元素的第二距离；

根据所述自动驾驶车辆到各个道路元素的第一距离以及所述自动驾驶车辆到各个道路元素的第二距离对所述自动驾驶车辆的纵向定位结果进行优化，得到所述自动驾驶车辆的优化后的纵向定位结果。

可选地，所述根据所述自动驾驶车辆到各个道路元素的第一距离以及所述自动驾驶车辆到各个道路元素的第二距离对所述自动驾驶车辆的纵向定位结果进行优化，得到所述自动驾驶车辆的优化后的纵向定位结果包括：

根据所述自动驾驶车辆的纵向定位结果、所述自动驾驶车辆到各个道路元素的第一距离以及所述自动驾驶车辆到各个道路元素的第二距离构建优化函数；

利用预设优化求解算法对所述优化函数求解，得到所述自动驾驶车辆的优化后的纵向定位结果。

可选地，在获取自动驾驶车辆的当前定位数据和预设定位区域的定位地图之前，所述方法还包括：

根据所述自动驾驶车辆的当前位置确定所述自动驾驶车辆即将进入的预设定位区域；

根据所述自动驾驶车辆即将进入的预设定位区域确定所述预设定位区域的定位地图和对应的预设道路元素识别模型。

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

获取单元，用于获取自动驾驶车辆的当前定位数据和预设定位区域的定位地图，所述当前定位数据包括第一激光点云数据和第一图像数据，所述预设定位区域的定位地图包含预设定位区域的路面元素和非路面元素的绝对位置；

定位数据处理单元，用于利用预设点云分割模型对所述第一激光点云数据进行点云分割，得到第一点云分割结果，以及利用预设道路元素识别模型对所述第一图像数据进行识别，得到第一道路元素识别结果；

横向定位单元，用于根据所述第一点云分割结果或所述第一图像数据，以及所述预设定位区域的定位地图进行横向定位，得到所述自动驾驶车辆的横向定位结果；

纵向定位单元，用于根据所述第一点云分割结果、所述第一道路元素识别结果以及所述预设定位区域的定位地图进行纵向定位，得到所述自动驾驶车辆的纵向定位结果。

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定位方法，先获取自动驾驶车辆的当前定位数据和预设定位区域的定位地图，当前定位数据包括第一激光点云数据和第一图像数据，预设定位区域的定位地图包含预设定位区域的路面元素和非路面元素的绝对位置；然后利用预设点云分割模型对第一激光点云数据进行点云分割，得到第一点云分割结果，以及利用预设道路元素识别模型对第一图像数据进行识别，得到第一道路元素识别结果；之后根据第一点云分割结果或第一图像数据，以及预设定位区域的定位地图进行横向定位，得到自动驾驶车辆的横向定位结果；最后根据第一点云分割结果、第一道路元素识别结果以及预设定位区域的定位地图进行纵向定位，得到自动驾驶车辆的纵向定位结果。本申请实施例的自动驾驶车辆的定位方法事先基于道路中的路面元素和非路面元素构建了预设定位区域的定位地图，基于预设定位区域的定位地图，结合视觉识别结果和激光雷达感知结果实现自动驾驶车辆在特殊道路场景的定位。

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定位方法的流程示意图；

图2为本申请实施例中一种自动驾驶车辆的定位装置的结构示意图；

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车辆的定位方法，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当前定位数据和预设定位区域的定位地图，所述当前定位数据包括第一激光点云数据和第一图像数据，所述预设定位区域的定位地图包含预设定位区域的路面元素和非路面元素的绝对位置。

在进行自动驾驶车辆的定位时，需要先获取自动驾驶车辆的当前定位数据和预设定位区域的定位地图，当前定位数据主要包括激光雷达感知到的第一激光点云数据以及车载相机采集到的第一图像数据。

本申请实施例针对一些特殊道路场景如长隧道场景事先构建了该定位区域对应的定位地图，定位地图中包含有长隧道区域的车道线、箭头、停止线等路面元素的位置信息，还包含有马路牙子、限速牌、车道管制标识、紧急停车类标识牌、安全提示牌、灯等非路面元素的位置信息。

步骤S120，利用预设点云分割模型对所述第一激光点云数据进行点云分割，得到第一点云分割结果，以及利用预设道路元素识别模型对所述第一图像数据进行识别，得到第一道路元素识别结果。

对于激光雷达感知到的第一激光点云数据，可以利用现有技术中的点云分割模型进行点云分割，从而得到第一激光点云数据中的非路面元素的点云分割结果。对于车载相机采集的第一图像数据，可以利用预设道路元素识别模型对第一图像数据进行识别，从而得到道路图像中包含的路面元素和非路面元素的识别结果。

预设道路元素识别模型可以基于现有的卷积神经网络如YOLO系列的网络训练得到，在训练预设道路元素识别模型时，可以先确定训练样本数据，例如可以使用安装有激光雷达、前视相机、高精度定位设备的车辆进行数据采集，其中的数据具体可以包括不同时段（如白天、黑夜）、不同天气（如晴天、阴天等）的数据，并且可以多次采集。采集完成后，对图像数据进行标注，标注的道路元素主要包括车道线、箭头、停止线等路面元素，还包括马路牙子、限速牌、车道管制标识、紧急停车类标识牌、安全提示牌、灯等非路面元素。当然，这些道路元素可以根据实际情况进行扩充，例如也可在各方允许的情况下，安装定位所需的道路标识。

由于隧道内部场景比较单一，内部物体的类别少，因此可以训练出一个高准召率的过拟合识别模型。此外，由于不同隧道场景内包含的路面元素和非路面元素会有所差别，因此本申请实施例也可以针对不同隧道分别训练不同的道路元素识别模型，也即为每个隧道关联一个轻量化的道路元素识别模型，从而降低模型泛化带来的识别精度损失。

步骤S130，根据所述第一点云分割结果或所述第一图像数据，以及所述预设定位区域的定位地图进行横向定位，得到所述自动驾驶车辆的横向定位结果。

本申请实施例对于自动驾驶车辆的定位主要分为横向定位和纵向定位，横向定位主要是为了保证自动驾驶车辆不偏离车道行驶，尤其是在长隧道场景下，横向定位的精度能够避免车辆偏离车道而撞向隧道侧壁从而引发事故。

因此为了保证自动驾驶车辆的安全性，横向定位需要一直有效，在长时间无法得到纵向定位结果时，需要降级为车道保持，本申请实施例可以使用两种方式进行冗余定位，一种是基于激光雷达的第一点云分割结果和预设定位区域的定位地图实现的横向定位，另一种是基于车载相机的第一图像数据和预设定位区域的定位地图实现的横向定位。

步骤S140，根据所述第一点云分割结果、所述第一道路元素识别结果以及所述预设定位区域的定位地图进行纵向定位，得到所述自动驾驶车辆的纵向定位结果。

纵向定位主要保证自动驾驶车辆在行驶方向上的安全性，本申请实施例可以基于预设定位区域的定位地图中提供的路面元素和非路面元素的绝对位置，结合第一点云分割结果和第一道路元素识别结果进行纵向定位，从而得到自动驾驶车辆的纵向定位结果。

本申请实施例的自动驾驶车辆的定位方法事先基于道路中的路面元素和非路面元素构建了预设定位区域的定位地图，基于预设定位区域的定位地图，结合视觉识别结果和激光雷达感知结果实现自动驾驶车辆在特殊道路场景的定位。

在本申请的一些实施例中，所述预设定位区域的定位地图通过如下方式构建得到：获取自动驾驶车辆的高精定位位置和预设定位区域的地图源数据，所述地图源数据包括第二激光点云数据和第二图像数据以及对应的高精地图数据和2D-SLAM地图数据；利用预设点云分割模型对所述第二激光点云数据进行点云分割，得到第二点云分割结果，以及利用所述预设道路元素识别模型对所述第二图像数据进行识别，得到第二道路元素识别结果，所述第二点云分割结果包括非路面元素，所述第二道路元素识别结果包括路面元素和非路面元素；根据所述自动驾驶车辆的高精定位位置和所述高精地图数据确定所述路面元素的绝对位置；将所述第二点云分割结果与所述第二道路元素识别结果进行匹配，并根据匹配结果和所述自动驾驶车辆的高精定位位置确定所述非路面元素的绝对位置；根据所述路面元素的绝对位置、所述非路面元素的绝对位置、所述高精地图数据以及所述2D-SLAM地图数据构建所述预设定位区域的定位地图。

在预设定位区域的定位地图的构建阶段，可以先通过数据采集车采集预设定位区域的地图源数据，数据采集车与定位阶段的运营车辆的主要区别是数据采集车上除了安装有激光雷达和车载相机，还安装有高精度定位设备，高精度定位设备提供的高精度定位结果主要基于IMU+GNSS/RTK以及后处理算法得到。

本申请实施例的地图源数据主要包含激光雷达感知的第二激光点云数据、车载相机采集的第二图像数据、预设定位区域对应的高精地图数据以及2D-SLAM地图数据等。高精地图数据主要可以提供预设定位区域包含的路面元素的位置等信息，2D-SLAM地图数据主要可以提供预设定位区域如隧道左右墙壁的信息。由于现有技术中已经有关于高精地图和2D-SLAM地图的构建方案，因此在此不作赘述。

在获取到上述地图源数据后，可以利用前述实施例的预设点云分割模型对第二激光点云数据进行点云分割，得到第二点云分割结果，这里主要用到的是点云分割出的非路面元素，利用前述实施例的预设道路元素识别模型对第二图像数据进行识别，得到第二道路元素识别结果，这里主要用到的是图像识别出的路面元素和非路面元素。

对于图像中识别出的路面元素，可以直接结合自动驾驶车辆的高精定位位置对应的高精地图数据确定路面元素的绝对位置，但由于高精地图数据中一般不直接提供非路面元素的绝对位置信息，因此对于图像中识别出的非路面元素，可以通过第二点云分割结果与第二道路元素识别结果进行匹配的方式确定，也即确定出图像中的非路面元素对应的激光点云数据，根据激光点云数据可以确定出自动驾驶车辆到该非路面元素的距离，而由于自动驾驶车辆的位置可以通过高精定位设备得到，因此根据自动驾驶车辆的高精定位位置以及自动驾驶车辆到非路面元素的距离即可计算出非路面元素的绝对位置并赋值给相应的非路面元素。具体赋值方式可根据实际需求选择，例如赋值一个坐标给非路面元素的中心点，这里需要注意的是，坐标应当在非路面元素上且在大概率可感知区域，例如限速牌可设置为牌的中心点，而不设置在限速牌杆上的某个点。

最后将整个预设定位区域内的所有路面元素及对应的绝对位置集合、所有非路面元素及对应的绝对位置集合、高精地图数据及2D-SLAM地图数据共同作为预设定位区域的定位地图数据。针对所有构建好定位地图的预设定位区域可以分别赋予一个全局唯一的定位区域标识，以用于后续定位使用。

在本申请的一些实施例中，所述预设定位区域的定位地图包括2D-SLAM地图数据和高精地图数据，所述根据所述第一点云分割结果或所述第一图像数据，以及所述预设定位区域的定位地图进行横向定位，得到所述自动驾驶车辆的横向定位结果包括：根据所述第一点云分割结果和所述2D-SLAM地图数据确定所述自动驾驶车辆到预设定位区域的两侧的横向距离，并根据所述自动驾驶车辆到预设定位区域的两侧的横向距离确定所述自动驾驶车辆的横向定位结果；或者，利用预设车道线识别模型对所述第一图像数据进行车道线识别，并根据车道线识别结果和所述高精地图数据确定所述自动驾驶车辆的横向定位结果。

本申请实施例在进行自动驾驶车辆的横向定位时，可以采取两种定位方式进行冗余定位，一种方式是基于第一点云分割结果和2D-SLAM地图数据实现的自动驾驶车辆在预设定位区域的横向定位，如根据第一点云分割结果确定自动驾驶车辆到隧道内的马路牙子或者隧道左右墙壁的横向距离，在根据横向距离计算出自动驾驶车辆的横向位置。

另一种方式是基于视觉的车道线匹配定位，可以利用现有的车道线分割模型对第一图像数据进行车道线分割，然后结合高精地图数据计算出自动驾驶车辆的横向位置。基于视觉的车道线匹配定位可以作为主定位选择，但其受光线影响较大，在无法提供可靠感知结果时，可以退为辅助定位。

在本申请的一些实施例中，所述第一道路元素识别结果包括非路面元素，所述根据所述第一点云分割结果、所述第一道路元素识别结果以及所述预设定位区域的定位地图进行纵向定位，得到所述自动驾驶车辆的纵向定位结果包括：将所述第一道路元素识别结果中的非路面元素与所述预设定位区域的定位地图进行匹配，得到所述非路面元素的绝对位置；将所述第一道路元素识别结果中的非路面元素与所述第一点云分割结果进行匹配，得到所述自动驾驶车辆到所述非路面元素的距离；根据所述非路面元素的绝对位置以及所述自动驾驶车辆到所述非路面元素的距离确定所述自动驾驶车辆的纵向定位结果。

本申请实施例在进行自动驾驶车辆的纵向定位时，可以先将图像数据中识别出的非路面元素和预设定位区域的定位地图进行匹配，由于预设定位区域的定位地图中包含了该预设定位区域所有的非路面元素及位置信息，因此通过匹配结果可以确定出当前识别出的非路面元素对应的绝对位置。

由于点云分割结果可以进一步提供自动驾驶车辆到非路面元素的距离，因此通过将第一道路元素识别结果中的非路面元素与点云分割结果进行匹配，可以进一步确定出第一道路元素识别结果中的非路面元素对应的激光点云数据，进而可以确定出该非路面元素与自动驾驶车辆之间的距离。

由于非路面元素的绝对位置以及非路面元素与自动驾驶车辆之间的距离均已确定，那么即可根据二者进一步计算出自动驾驶车辆的纵向位置。

本申请实施例通过将基于视觉的识别结果和基于激光点云的点云分割结果进行融合来实现自动驾驶车辆的纵向定位，一方面充分利用了预设道路元素识别模型在路面元素和非路面元素方面的识别能力，另一方面也充分利用了点云分割结果提供的非路面元素到自动驾驶车辆的距离信息，满足了自动驾驶车辆在长隧道等特殊道路场景下的定位要求。

需要说明的是，由于在隧道内，自动驾驶车辆一般情况下不会进行变道、超车等危险操作，因此对于纵向误差的要求也相对宽松，例如纵向误差在1-2米内都可以接受。

在本申请的一些实施例中，所述第一道路元素识别结果包括多个车载相机识别到的多个道路元素，所述第一点云分割结果包括自动驾驶车辆到各个道路元素的第一距离，所述根据所述第一点云分割结果、所述第一道路元素识别结果以及所述预设定位区域的定位地图进行纵向定位，得到所述自动驾驶车辆的纵向定位结果包括：根据所述第一点云分割结果、所述第一道路元素识别结果以及所述预设定位区域的定位地图，确定自动驾驶车辆到各个道路元素的第二距离；根据所述自动驾驶车辆到各个道路元素的第一距离以及所述自动驾驶车辆到各个道路元素的第二距离对所述自动驾驶车辆的纵向定位结果进行优化，得到所述自动驾驶车辆的优化后的纵向定位结果。

由于依赖单个道路元素的定位误差相对较大，因此在实际的行驶中，可以尽可能的应用所有可视范围内的道路元素，也即自动驾驶车辆的前、后、左、右相机都可以在进入隧道后进行道路元素的识别，进而通过多个道路元素对应的视觉识别结果和激光点云分割结果约束最终的自动驾驶车辆的纵向位置。

具体地，点云分割结果中包含了激光雷达感知到的自动驾驶车辆到所有非路面元素的第一距离，但由于激光雷达的感知结果会存在感知误差，因此直接根据自动驾驶车辆到非路面元素的第一距离并无法保证最终得到的自动驾车辆的纵向位置是足够准确的，这也需要引入自动驾驶车辆到各个道路元素的第二距离。

自动驾驶车辆到各个道路元素的第二距离是进一步结合预设定位区域的定位地图数据提供的道路元素的绝对位置信息计算得到的，那么自动驾驶车辆到道路元素的第一距离与对应的自动驾驶车辆到道路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道路元素的距离之间的相互约束，计算出一个最优的纵向位置。

在具体计算自动驾驶车辆到各个道路元素的第二距离时，可以先根据前述实施例中的自动驾驶车辆的纵向定位位置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。

之后在目标线段上选取多个目标位置，根据自动驾驶车辆在目标线段上的多个目标位置以及预设定位区域的定位地图数据中的道路元素的绝对位置，计算出自动驾驶车辆到道路元素的第二距离。

在本申请的一些实施例中，所述根据所述自动驾驶车辆到各个道路元素的第一距离以及所述自动驾驶车辆到各个道路元素的第二距离对所述自动驾驶车辆的纵向定位结果进行优化，得到所述自动驾驶车辆的优化后的纵向定位结果包括：根据所述自动驾驶车辆的纵向定位结果、所述自动驾驶车辆到各个道路元素的第一距离以及所述自动驾驶车辆到各个道路元素的第二距离构建优化函数；利用预设优化求解算法对所述优化函数求解，得到所述自动驾驶车辆的优化后的纵向定位结果。

构建优化函数的原则是使自动驾驶车辆到每一个道路元素的第一距离与对应的自动驾驶车辆到每一个道路元素的第二距离之间的偏差越小越好，相当于是通过多个道路元素的绝对位置信息约束自动驾驶车辆感知的车辆纵向位置。例如可以对自动驾驶车辆到每一个道路元素的第一距离与第二距离之间的差值进行加权求和，将求得的最小值对应的目标位置作为最终的优化后的纵向位置。

本申请实施例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）等算法对上述优化函数求解，从而得到使优化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，在获取自动驾驶车辆的当前定位数据和预设定位区域的定位地图之前，所述方法还包括：根据所述自动驾驶车辆的当前位置确定所述自动驾驶车辆即将进入的预设定位区域；根据所述自动驾驶车辆即将进入的预设定位区域确定所述预设定位区域的定位地图和对应的预设道路元素识别模型。

本申请实施例事先针对不同的预设定位区域构建了相应的定位地图和预设道路元素识别模型，进而可以根据自动驾驶车辆的实际行驶情况确定对应的定位地图和预设道路元素识别模型，例如可以根据自动驾驶车辆的当前定位位置以及高精地图数据中包含的长隧道等预设定位区域的位置信息确定自动驾驶车辆是否即将进入预设定位区域，在自动驾驶车辆即将进入预设定位区域时，即可进一步确定出该预设定位区域对应的定位地图数据以及预设道路元素识别模型，以用于自动驾驶车辆在进入预设定位区域后的定位使用。

在本申请的一些实施例中，如果预设定位区域的距离较长如长隧道场景，在判断出车辆纵向位置有较大误差时，可以进行报警操作，为保证安全，在出隧道后，GNSS/RTK定位信号恢复且在预设时间内保持稳定，可以择机进行靠边停车操作，直到定位恢复，从而防止定位跳变。

本申请实施例中提供了一种自动驾驶车辆的定位装置200，如图2所示，提供了本申请实施例中一种自动驾驶车辆的定位装置的结构示意图，所述装置200包括：

获取单元210，用于获取自动驾驶车辆的当前定位数据和预设定位区域的定位地图，所述当前定位数据包括第一激光点云数据和第一图像数据，所述预设定位区域的定位地图包含预设定位区域的路面元素和非路面元素的绝对位置；

定位数据处理单元220，用于利用预设点云分割模型对所述第一激光点云数据进行点云分割，得到第一点云分割结果，以及利用预设道路元素识别模型对所述第一图像数据进行识别，得到第一道路元素识别结果；

横向定位单元230，用于根据所述第一点云分割结果或所述第一图像数据，以及所述预设定位区域的定位地图进行横向定位，得到所述自动驾驶车辆的横向定位结果；

纵向定位单元240，用于根据所述第一点云分割结果、所述第一道路元素识别结果以及所述预设定位区域的定位地图进行纵向定位，得到所述自动驾驶车辆的纵向定位结果。

在本申请的一些实施例中，所述预设定位区域的定位地图通过如下方式构建得到：获取自动驾驶车辆的高精定位位置和预设定位区域的地图源数据，所述地图源数据包括第二激光点云数据和第二图像数据以及对应的高精地图数据和2D-SLAM地图数据；利用预设点云分割模型对所述第二激光点云数据进行点云分割，得到第二点云分割结果，以及利用所述预设道路元素识别模型对所述第二图像数据进行识别，得到第二道路元素识别结果，所述第二点云分割结果包括非路面元素，所述第二道路元素识别结果包括路面元素和非路面元素；根据所述自动驾驶车辆的高精定位位置和所述高精地图数据确定所述路面元素的绝对位置；将所述第二点云分割结果与所述第二道路元素识别结果进行匹配，并根据匹配结果和所述自动驾驶车辆的高精定位位置确定所述非路面元素的绝对位置；根据所述路面元素的绝对位置、所述非路面元素的绝对位置、所述高精地图数据以及所述2D-SLAM地图数据构建所述预设定位区域的定位地图。

在本申请的一些实施例中，所述预设定位区域的定位地图包括2D-SLAM地图数据和高精地图数据，所述横向定位单元230具体用于：根据所述第一点云分割结果和所述2D-SLAM地图数据确定所述自动驾驶车辆到预设定位区域的两侧的横向距离，并根据所述自动驾驶车辆到预设定位区域的两侧的横向距离确定所述自动驾驶车辆的横向定位结果；或者，利用预设车道线识别模型对所述第一图像数据进行车道线识别，并根据车道线识别结果和所述高精地图数据确定所述自动驾驶车辆的横向定位结果。

在本申请的一些实施例中，所述第一道路元素识别结果包括非路面元素，所述纵向定位单元240具体用于：将所述第一道路元素识别结果中的非路面元素与所述预设定位区域的定位地图进行匹配，得到所述非路面元素的绝对位置；将所述第一道路元素识别结果中的非路面元素与所述第一点云分割结果进行匹配，得到所述自动驾驶车辆到所述非路面元素的距离；根据所述非路面元素的绝对位置以及所述自动驾驶车辆到所述非路面元素的距离确定所述自动驾驶车辆的纵向定位结果。

在本申请的一些实施例中，所述第一道路元素识别结果包括多个车载相机识别到的多个道路元素，所述第一点云分割结果包括自动驾驶车辆到各个道路元素的第一距离，所述纵向定位单元240具体用于：根据所述第一点云分割结果、所述第一道路元素识别结果以及所述预设定位区域的定位地图，确定自动驾驶车辆到各个道路元素的第二距离；根据所述自动驾驶车辆到各个道路元素的第一距离以及所述自动驾驶车辆到各个道路元素的第二距离对所述自动驾驶车辆的纵向定位结果进行优化，得到所述自动驾驶车辆的优化后的纵向定位结果。

在本申请的一些实施例中，所述纵向定位单元240具体用于：根据所述自动驾驶车辆的纵向定位结果、所述自动驾驶车辆到各个道路元素的第一距离以及所述自动驾驶车辆到各个道路元素的第二距离构建优化函数；利用预设优化求解算法对所述优化函数求解，得到所述自动驾驶车辆的优化后的纵向定位结果。

在本申请的一些实施例中，所述装置还包括：第一确定单元，用于根据所述自动驾驶车辆的当前位置确定所述自动驾驶车辆即将进入的预设定位区域；第二确定单元，用于根据所述自动驾驶车辆即将进入的预设定位区域确定所述预设定位区域的定位地图和对应的预设道路元素识别模型。

能够理解，上述自动驾驶车辆的定位装置，能够实现前述实施例中提供的自动驾驶车辆的定位方法的各个步骤，关于自动驾驶车辆的定位方法的相关阐释均适用于自动驾驶车辆的定位装置，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车辆的定位装置。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当前定位数据和预设定位区域的定位地图，所述当前定位数据包括第一激光点云数据和第一图像数据，所述预设定位区域的定位地图包含预设定位区域的路面元素和非路面元素的绝对位置；

利用预设点云分割模型对所述第一激光点云数据进行点云分割，得到第一点云分割结果，以及利用预设道路元素识别模型对所述第一图像数据进行识别，得到第一道路元素识别结果；

根据所述第一点云分割结果或所述第一图像数据，以及所述预设定位区域的定位地图进行横向定位，得到所述自动驾驶车辆的横向定位结果；

根据所述第一点云分割结果、所述第一道路元素识别结果以及所述预设定位区域的定位地图进行纵向定位，得到所述自动驾驶车辆的纵向定位结果。

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（Central ProcessingUnit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（DigitalSignal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，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中自动驾驶车辆的定位装置执行的方法，并实现自动驾驶车辆的定位装置在图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当前定位数据和预设定位区域的定位地图，所述当前定位数据包括第一激光点云数据和第一图像数据，所述预设定位区域的定位地图包含预设定位区域的路面元素和非路面元素的绝对位置；

利用预设点云分割模型对所述第一激光点云数据进行点云分割，得到第一点云分割结果，以及利用预设道路元素识别模型对所述第一图像数据进行识别，得到第一道路元素识别结果；

根据所述第一点云分割结果或所述第一图像数据，以及所述预设定位区域的定位地图进行横向定位，得到所述自动驾驶车辆的横向定位结果；

根据所述第一点云分割结果、所述第一道路元素识别结果以及所述预设定位区域的定位地图进行纵向定位，得到所述自动驾驶车辆的纵向定位结果。

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 (9)

1.一种自动驾驶车辆的定位方法，其中，所述方法包括：

获取自动驾驶车辆的当前定位数据和预设定位区域的定位地图，所述当前定位数据包括第一激光点云数据和第一图像数据，所述预设定位区域的定位地图包含预设定位区域的路面元素和非路面元素的绝对位置；

利用预设点云分割模型对所述第一激光点云数据进行点云分割，得到第一点云分割结果，以及利用预设道路元素识别模型对所述第一图像数据进行识别，得到第一道路元素识别结果；

根据所述第一点云分割结果或所述第一图像数据，以及所述预设定位区域的定位地图进行横向定位，得到所述自动驾驶车辆的横向定位结果；

根据所述第一点云分割结果、所述第一道路元素识别结果以及所述预设定位区域的定位地图进行纵向定位，得到所述自动驾驶车辆的纵向定位结果；

所述第一道路元素识别结果包括多个车载相机识别到的多个道路元素，所述第一点云分割结果包括自动驾驶车辆到各个道路元素的第一距离，所述根据所述第一点云分割结果、所述第一道路元素识别结果以及所述预设定位区域的定位地图进行纵向定位，得到所述自动驾驶车辆的纵向定位结果包括：

根据所述第一点云分割结果、所述第一道路元素识别结果以及所述预设定位区域的定位地图，确定自动驾驶车辆到各个道路元素的第二距离；

根据所述自动驾驶车辆到各个道路元素的第一距离以及所述自动驾驶车辆到各个道路元素的第二距离对所述自动驾驶车辆的纵向定位结果进行优化，得到所述自动驾驶车辆的优化后的纵向定位结果。

2.如权利要求1所述方法，其中，所述预设定位区域的定位地图通过如下方式构建得到：

获取自动驾驶车辆的高精定位位置和预设定位区域的地图源数据，所述地图源数据包括第二激光点云数据和第二图像数据以及对应的高精地图数据和2D-SLAM地图数据；

利用预设点云分割模型对所述第二激光点云数据进行点云分割，得到第二点云分割结果，以及利用所述预设道路元素识别模型对所述第二图像数据进行识别，得到第二道路元素识别结果，所述第二点云分割结果包括非路面元素，所述第二道路元素识别结果包括路面元素和非路面元素；

根据所述自动驾驶车辆的高精定位位置和所述高精地图数据确定所述路面元素的绝对位置；

将所述第二点云分割结果与所述第二道路元素识别结果进行匹配，并根据匹配结果和所述自动驾驶车辆的高精定位位置确定所述非路面元素的绝对位置；

根据所述路面元素的绝对位置、所述非路面元素的绝对位置、所述高精地图数据以及所述2D-SLAM地图数据构建所述预设定位区域的定位地图。

3.如权利要求1所述方法，其中，所述预设定位区域的定位地图包括2D-SLAM地图数据和高精地图数据，所述根据所述第一点云分割结果或所述第一图像数据，以及所述预设定位区域的定位地图进行横向定位，得到所述自动驾驶车辆的横向定位结果包括：

根据所述第一点云分割结果和所述2D-SLAM地图数据确定所述自动驾驶车辆到预设定位区域的两侧的横向距离，并根据所述自动驾驶车辆到预设定位区域的两侧的横向距离确定所述自动驾驶车辆的横向定位结果；或者，

利用预设车道线识别模型对所述第一图像数据进行车道线识别，并根据车道线识别结果和所述高精地图数据确定所述自动驾驶车辆的横向定位结果。

4.如权利要求1所述方法，其中，所述第一道路元素识别结果包括非路面元素，所述根据所述第一点云分割结果、所述第一道路元素识别结果以及所述预设定位区域的定位地图进行纵向定位，得到所述自动驾驶车辆的纵向定位结果包括：

将所述第一道路元素识别结果中的非路面元素与所述预设定位区域的定位地图进行匹配，得到所述非路面元素的绝对位置；

将所述第一道路元素识别结果中的非路面元素与所述第一点云分割结果进行匹配，得到所述自动驾驶车辆到所述非路面元素的距离；

根据所述非路面元素的绝对位置以及所述自动驾驶车辆到所述非路面元素的距离确定所述自动驾驶车辆的纵向定位结果。

5.如权利要求1所述方法，所述根据所述自动驾驶车辆到各个道路元素的第一距离以及所述自动驾驶车辆到各个道路元素的第二距离对所述自动驾驶车辆的纵向定位结果进行优化，得到所述自动驾驶车辆的优化后的纵向定位结果包括：

根据所述自动驾驶车辆的纵向定位结果、所述自动驾驶车辆到各个道路元素的第一距离以及所述自动驾驶车辆到各个道路元素的第二距离构建优化函数；

利用预设优化求解算法对所述优化函数求解，得到所述自动驾驶车辆的优化后的纵向定位结果。

6.如权利要求1所述方法，其中，在获取自动驾驶车辆的当前定位数据和预设定位区域的定位地图之前，所述方法还包括：

根据所述自动驾驶车辆的当前位置确定所述自动驾驶车辆即将进入的预设定位区域；

根据所述自动驾驶车辆即将进入的预设定位区域确定所述预设定位区域的定位地图和对应的预设道路元素识别模型。

7.一种自动驾驶车辆的定位装置，其中，所述装置包括：

获取单元，用于获取自动驾驶车辆的当前定位数据和预设定位区域的定位地图，所述当前定位数据包括第一激光点云数据和第一图像数据，所述预设定位区域的定位地图包含预设定位区域的路面元素和非路面元素的绝对位置；

定位数据处理单元，用于利用预设点云分割模型对所述第一激光点云数据进行点云分割，得到第一点云分割结果，以及利用预设道路元素识别模型对所述第一图像数据进行识别，得到第一道路元素识别结果；

横向定位单元，用于根据所述第一点云分割结果或所述第一图像数据，以及所述预设定位区域的定位地图进行横向定位，得到所述自动驾驶车辆的横向定位结果；

纵向定位单元，用于根据所述第一点云分割结果、所述第一道路元素识别结果以及所述预设定位区域的定位地图进行纵向定位，得到所述自动驾驶车辆的纵向定位结果；

所述第一道路元素识别结果包括多个车载相机识别到的多个道路元素，所述第一点云分割结果包括自动驾驶车辆到各个道路元素的第一距离，所述纵向定位单元具体用于：

根据所述第一点云分割结果、所述第一道路元素识别结果以及所述预设定位区域的定位地图，确定自动驾驶车辆到各个道路元素的第二距离；

根据所述自动驾驶车辆到各个道路元素的第一距离以及所述自动驾驶车辆到各个道路元素的第二距离对所述自动驾驶车辆的纵向定位结果进行优化，得到所述自动驾驶车辆的优化后的纵向定位结果。

8.一种电子设备，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1~6之任一所述方法。

9.一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所述权利要求1~6之任一所述方法。

Images