CN116086469B - 一种车道定位方法及装置 - Google Patents

Abstract

本发明公开了一种车道定位方法及装置。所述车道定位方法包括：获取通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度；获取通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度；获取通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度；获取隐马尔科夫模型；获取最终车辆落在各个车道的概率；获取最终车辆落在各个车道的概率中概率最高的一个为当前车辆所在车道。本申请的车道定位方法通过不同信息来源进行融合，从而实现最为精准的车道的定位，能够使车辆准确的知道自己所在车道位置。

Description

一种车道定位方法及装置

技术领域

本申请涉及车道定位技术领域，具体涉及一种车道定位方法以及车道定位装置。

背景技术

随着自动驾驶技术的逐步发展，车道估计成为了自动驾驶中极其重要的一环。目前车道定位主要依靠全球定位系统（GPS）、感知车道线、感知车道边缘距离等方案，结合高精度地图进行车道定位操作，但无论使用以上哪种定位方案，都存在一定概率定错车道，难以保证完全不出现错误。当出现定错车道的情况，将会为自驾系统带来极其严重的后果，所以我们需要有一套稳定的方法来及时发现车辆是否定错车道，并且在发现定错车道后及时纠正或者退出自驾功能。

因此，希望有一种技术方案来解决或至少减轻现有技术的上述不足。

发明内容

本发明的目的在于提供一种车道定位方法来克服或至少减轻现有技术的至少一个上述缺陷。

本发明的一个方面，提供一种车道定位方法，基于感知信息、高精地图信息以及GNSS信息，所述车道定位方法包括：

获取通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度；

获取通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度；

获取通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度；

获取隐马尔科夫模型；

将所述通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度、通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度以及通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度输入至所述隐马尔可夫模型，从而获取最终车辆落在各个车道的概率；

获取最终车辆落在各个车道的概率中概率最高的一个为当前车辆所在车道。

可选地，所述获取通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度包括：

关联感知车道线和高精地图车道线，根据线型(虚实线)匹配结果计算出车辆落在各个车道的概率；

实时跟踪感知车道线的前后关联，计算出线型的传感器可信度。

可选地，所述获取通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度包括：

关联感知道路边界和高精地图道路边界的重投影误差计算出各个车道的概率；

跟踪感知道路边界的前后关联，计算出道路边界的传感器可信度。

可选地，所述获取通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度包括：

使用当前Gnss的位置投影到高精度地图上，计算具体的车道，得到对应车道的概率；

跟踪使用Gnss锁定车道的一致性，得到Gnss的传感器可信度。

可选地，所述将所述通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度、通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度以及通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度输入至所述隐马尔可夫模型，从而获取最终车辆落在各个车道的概率包括：

多帧更新hmm_state后,得到最终的车道概率:

；其中，

表示最终的车道概率、/>为条件转移概率、LineTypeTentativeVector为据线型匹配结果计算出车辆落在各个车道的概率、LineTypeSensorScore表示线型的传感器可信度、RoadEdgeTentativeVector表示关联感知道路边界和高精地图道路边界的重投影误差计算出各个车道的概率、RoadEdgeSensorScore表示道路边界的传感器可信度、GnssTentativeVector表示对应车道的概率、GnssSensorScore表示Gnss的传感器可信度、/>表示t秒的前一秒的车道概率、/>表示归一化函数。

可选地，所述车道定位方法进一步包括：

获取车辆定位信息；

判断车辆定位信息与当前车辆所在车道是否相同，若否，则

重复将所述通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度、通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度以及通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度输入至所述隐马尔可夫模型，从而获取最终车辆落在各个车道的概率。

本申请还提供了一种车道定位装置，述车道定位装置包括：

感知模块，所述感知模块用于获取通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度；

高精地图模块，所述高精地图模块用于获取通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度；

GNSS模块，所述GNSS模块用于获取通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度；

隐马尔科夫模型获取模块，所述隐马尔科夫模型获取模块用于获取隐马尔科夫模型；

输入模块，所述输入模块用于将所述通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度、通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度以及通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度输入至所述隐马尔可夫模型，从而获取最终车辆落在各个车道的概率；

获取模块，所述获取模块用于获取最终车辆落在各个车道的概率中概率最高的一个为当前车辆所在车道。

有益效果

本申请具有如下优点：

本申请的车道定位方法通过不同信息来源进行融合，从而实现最为精准的车道的定位，能够使车辆准确的知道自己所在车道位置。具体而言，本申请使用 GNSS（全球导航卫星系统）、感知线型、感知路沿信息以及高精度地图，结合隐马尔科夫模型（Hidden MarkovModel, HMM）得到的车道定位方案，相对于现有的技术具有如下优点：

1、精度高：相对于使用单纯的 GNSS 定位或者基于道路地图的定位方案，使用感知线型信息和路沿线型信息可以提高定位精度。

2、可靠性高：使用隐马尔科夫模型可以有效地处理定位信息的不确定性，从而提高定位的可靠性。

3、能够处理复杂的道路情况：使用感知线型信息和感知路沿信息可以帮助车辆在复杂的道路环境中进行定位，比如拐弯、分岔、道路改变等情况。这在使用单纯的 GNSS 定位或者基于道路地图的定位方案时可能会存在问题。

4、实时性高：使用 GNSS 可以获得实时的位置信息，这对于自动驾驶汽车来说是非常重要的。

5、使用成本低：相对于其他复杂的定位方案，使用 GNSS 和感知信息进行车道定位的成本相对较低。

附图说明

图1为本申请第一实施例的车道定位方法的流程示意图；

图2是一种电子设备，用于实现图1所示的车道定位方法；

图3是本申请一实施例的车道定位方法的具体流程示意图；

图4是本申请一实施例的车道定位方法的感知线与地图线示意图；

图5是本申请一实施例中的车道定位方法中的车道纠正流程示意图。

具体实施方式

为使本申请实施的目的、技术方案和优点更加清楚，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更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本申请一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。基于本申请中的实施例，本领域普通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。下面结合附图对本申请的实施例进行详细说明。

图1为本申请第一实施例的车道定位方法的流程示意图。

本申请的车道定位方法基于感知信息、高精地图信息以及GNSS信息获取。

如图1所示的车道定位方法包括：

步骤1：获取通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度；

步骤2：获取通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度；

步骤3：获取通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度；

步骤4：获取隐马尔科夫模型；

步骤5：将所述通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度、通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度以及通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度输入至所述隐马尔可夫模型，从而获取最终车辆落在各个车道的概率；

步骤6：获取最终车辆落在各个车道的概率中概率最高的一个为当前车辆所在车道。

本申请的车道定位方法通过不同信息来源进行融合，从而实现最为精准的车道的定位，能够使车辆准确的知道自己所在车道位置。

在本实施例中，所述获取通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度包括：

关联感知车道线和高精地图车道线，根据线型(虚实线)匹配结果计算出车辆落在各个车道的概率；

具体步骤如下：

1.根据当前车辆的位置，查询该位置的高精度数据。

2.获取所有候选车道及其各自的边界线型。

3.遍历感知车道线的线型类型和高精地图线型，筛选出能完全匹配成功的车道。

4.给予这些车道一个概率，并输出各个车道的概率。

实时跟踪感知车道线的前后关联，计算出线型的传感器可信度。

具体步骤如下：

1.对每个感知线，根据其各自的检测可信度、前后帧的位置、线型类型等因数进行车道线跟踪，输出跟踪的 id。

2.对于每个 id，维护其各自的可信度。这个可信度会随着跟踪的次数不断增加或者重置。

3.最终，综合当前所有车道线的可信度，平均来得到最终的当前帧的传感器可信度。在本实施例中，所述获取通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度包括：

关联感知道路边界和高精地图道路边界的重投影误差计算出各个车道的概率；

具体步骤如下：

1.根据当前车辆的位置，查询该位置的高精数据，获取所有候选车道及其各个车道的路沿线坐标。

2.通过当前感知线的选出最贴近车体的感知线作为关联线，使用这个关联感知线遍历所有候选车道，并且关联到的位置，计算出使用各个车道感知路沿线和地图边线的重新投影误差，即横向位置误差。

3.根据这个误差转换成车道概率，最终输出各个车道的概率。

跟踪感知道路边界的前后关联，计算出道路边界的传感器可信度。

具体步骤如下：

1.对每个感知路沿线，根据其各自的检测可信度、前后帧的位置、线型类型等因数进行路沿线跟踪，输出跟踪的 id。

2.对于每个 id，维护其各自的可信度。这个可信度会随着跟踪的次数不断增加或者重置。

3.最终，综合当前所有路沿线的可信度，平均来得到最终的当前帧的传感器可信度。

在本实施例中，所述获取通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度包括：

使用当前Gnss的位置投影到高精度地图上，计算具体的车道，得到对应车道的概率；

具体步骤如下：

1.根据当前GNSS的位置查询高精地图，并且获取这个位置所落在的车道ID。

2.直接给这个车道赋予100%的概率，而其他车道赋予0%的概率。

3.生成各个车道的概率矩阵。

跟踪使用Gnss锁定车道的一致性，得到Gnss的传感器可信度。

具体步骤如下：

1.持续查询当前GNSS的位置所在的车道ID。

2.判断车道是否发生变化。

3.结合当前的GNSS信号、卫星数量等因素，输出当前GNSS的传感器可信度。

在本实施例中，所述车道定位方法进一步包括：

获取车辆定位信息；

判断车辆定位信息与当前车辆所在车道是否相同，若否，则

重复将所述通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度、通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度以及通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度输入至所述隐马尔可夫模型，从而获取最终车辆落在各个车道的概率。

在本实施例中，隐马尔科夫模型（Hidden Markov Model, HMM）是一种用于表示序列的统计模型，它假设序列中的每个元素都由一个隐藏的状态决定。这个状态是无法观测到的，但是可以通过观测到的元素推断出来。

在这个用于描述当前隐马尔科夫状态是如何由上一个隐马尔科夫状态转移而来的。"当前状态向量"则是描述当前观测到的元素的向量，它是由线型概率矩阵、路沿概率矩阵和Gnss概率矩阵加权得到的。最后，"归一化"是指将当前状态向量的所有元素之和归一化为1。

综上所述，这个描述表示了隐马尔科夫模型用于预测序列中下一个元素的过程。在这个过程中，首先用转移矩阵计算出上一次的隐马尔科夫状态的概率，然后用线型概率矩阵、路沿概率矩阵和Gnss概率矩阵计算出当前状态向量的概率，最后将这两者相乘并归一化得到。

下面以举例的方式对本申请进行进一步详细阐述，可以理解的是，该举例并不构成对本申请的任何限制。

参见图3，依赖使用隐马尔科夫模型(HMM)算法来构造车道定位的概率模型，并输出在高精地图上的最佳车道ID，具体实时流程如下:

关联感知车道线和高精地图车道线，根据线型(虚实线)匹配结果计算出车辆落在各个车道的概率 LineTypeTentativeVector。

实时跟踪感知车道线的前后关联，计算出线型的传感器可信度LineTypeSensorScore。

关联感知道路边界和高精地图道路边界的重投影误差计算出各个车道的概率RoadEdgeTentativeVector。

跟踪感知道路边界的前后关联，计算出道路边界的传感器可信度RoadEdgeSensorScore。

使用当前Gnss的位置投影到高精度地图上，计算具体的车道，得到对应车道的GnssTentativeVector。

跟踪使用Gnss锁定车道的一致性，得到Gnss的传感器可信度 GnssSensorScore。

根据车道线跟踪结果来更新TransStateMatrix(条件转移概率)。

多帧更新hmm_state后,得到最终的车道概率:

判断的最佳车道对应分数是否满足输出，若是，则

输出最佳车道在高精度地图上的车道ID。

在本实施例中，获取通过高精地图信息获取的车辆落在各个车道的概率采用如下方式：

图4所示:D1-D6为感知线，而M1-M6为地图线，使用车辆左侧的感知线对地图车道进行轮询，查找出线形(虚实类型)完全匹配的车道，所以我们可以得到线型匹配的概率向量LineTypeTentativeVector为[1,0,0].

通过高精地图信息获取的车辆落在各个车道的概率采用如下方法获取：

图2所示:D1，D6为感知的道路边界，而M1，M6为地图边界，我们对所有车道进行轮询，计算出所有车道D1-M1，D6-M6的投影误差:

；

得到道路边界的误差概率向量RoadEdgeSensorScore。

通过GNSS信息获取的车辆落在各个车道的概率采用如下方法：

使用Gnss所在车道直接生成概率向量GnssTentativeVector。

2. 车道纠错估计

当车道定位错误后，我们需要及时发现并及时纠正，并使用新的车道修复当前的定位坐标，具体流程如下：

1.获取车辆定位信息；

2.判断车辆定位信息与当前车辆所在车道是否相同，若否，则

3.如果不相同，则采用上述方法，通过适应车道估计的结果和当前车身姿态进行重新位置估计；

4.使用新的估计位置重启车身定位，保证车辆重新恢复到正确的车道上。

在本实施例中，本申请可以是周期性重复进行，即在某一时刻进行一轮估计，从而获取到当前车辆所在车道，然后在下一时刻重复进行上述方法，继而重新获取下时刻的当前车辆所在车道。

本申请还提供了一种车道定位装置，所述车道定位装置包括感知模块，高精地图模块、GNSS模块、隐马尔科夫模型获取模块、输入模块以及获取模块，感知模块用于获取通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度；高精地图模块用于获取通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度；GNSS模块用于获取通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度；隐马尔科夫模型获取模块用于获取隐马尔科夫模型；输入模块用于将所述通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度、通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度以及通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度输入至所述隐马尔可夫模型，从而获取最终车辆落在各个车道的概率；获取模块用于获取最终车辆落在各个车道的概率中概率最高的一个为当前车辆所在车道。

需要说明的是，前述对方法实施例的解释说明也适用于本实施例的系统，此处不再赘述。

本申请还提供了一种电子设备，包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序，处理器执行计算机程序时实现如上的车道定位方法。

本申请还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时能够实现如上的车道定位方法。

图2是能够实现根据本申请一个实施例提供的车道定位方法的电子设备的示例性结构图。

如图2所示，电子设备包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505以及输出设备506。其中，输入接口502、中央处理器503、存储器504以及输出接口505通过总线507相互连接，输入设备501和输出设备506分别通过输入接口502和输出接口505与总线507连接，进而与电子设备的其他组件连接。具体地，输入设备504接收来自外部的输入信息，并通过输入接口502将输入信息传送到中央处理器503；中央处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器504中，然后通过输出接口505将输出信息传送到输出设备506；输出设备506将输出信息输出到电子设备的外部供用户使用。

也就是说，图2所示的电子设备也可以被实现为包括：存储有计算机可执行指令的存储器；以及一个或多个处理器，该一个或多个处理器在执行计算机可执行指令时可以实现结合图1描述的车道定位方法。

在一个实施例中，图2所示的电子设备可以被实现为包括：存储器504，被配置为存储可执行程序代码；一个或多个处理器503，被配置为运行存储器504中存储的可执行程序代码，以执行上述实施例中的车道定位方法。

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）、数据多功能光盘（DVD）或其他光学存储、磁盒式磁带、磁带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。

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。

此外，显然“包括”一词不排除其他单元或步骤。装置权利要求中陈述的多个单元、模块或装置也可以由一个单元或总装置通过软件或硬件来实现。第一、第二等词语用来标识名称，而不标识任何特定的顺序。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，模块、程序段、或代码的一部分包括一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地标识的方框实际上可以基本并行地执行，他们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或总流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

在本实施例中所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。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。

存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现装置/终端设备的各种功能。存储器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手机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，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital,SD）卡，闪存卡（Flash Card）、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。

在本实施例中，装置/终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序指令相关的硬件来完成，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，计算机程序包括计算机程序代码，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。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、电载波信号、电信信号以及软件分发介质等。

需要说明的是，计算机可读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。本申请虽然以较佳实施例公开如上，但其实并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此，本申请的保护范围应当以本申请权利要求所界定的范围为准。

虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (2)

1.一种车道定位方法，基于感知信息、高精地图信息以及GNSS信息，其特征在于，所述车道定位方法包括：

获取通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度；

获取通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度；

获取通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度；

获取隐马尔科夫模型；

将所述通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度、通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度以及通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度输入至所述隐马尔可夫模型，从而获取最终车辆落在各个车道的概率；

获取最终车辆落在各个车道的概率中概率最高的一个为当前车辆所在车道；

所述获取通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度包括：

关联感知车道线和高精地图车道线，根据线型匹配结果计算出车辆落在各个车道的概率；

实时跟踪感知车道线的前后关联，计算出线型的传感器可信度；其中，所述实时跟踪感知车道线的前后关联，计算出线型的传感器可信度包括：

对每个感知线，根据其各自的检测可信度、前后帧的位置、线型类型进行车道线跟踪，输出跟踪的id；

对于每个id，维护其各自的可信度；

综合当前所有车道线的可信度，平均来得到最终的当前帧的传感器可信度；

所述获取通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度包括：

关联感知道路边界和高精地图道路边界的重投影误差计算出各个车道的概率；

跟踪感知道路边界的前后关联，计算出道路边界的传感器可信度；其中，所述跟踪感知道路边界的前后关联，计算出道路边界的传感器可信度包括：

对每个感知路沿线，根据其各自的检测可信度、前后帧的位置、线型类型因数进行路沿线跟踪，输出跟踪的id；

对于每个id，维护其各自的可信度；

综合当前所有路沿线的可信度，平均来得到最终的当前帧的传感器可信度；

所述获取通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度包括：

使用当前Gnss的位置投影到高精度地图上，计算具体的车道，得到对应车道的概率；

跟踪使用Gnss锁定车道的一致性，得到Gnss的传感器可信度；其中，所述跟踪使用Gnss锁定车道的一致性，得到Gnss的传感器可信度包括：

持续查询当前GNSS的位置所在的车道ID；

判断车道是否发生变化；

结合当前的GNSS信号、卫星数量，输出当前GNSS的传感器可信度；

所述将所述通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度、通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度以及通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度输入至所述隐马尔可夫模型，从而获取最终车辆落在各个车道的概率包括：

多帧更新hmm_state后,得到最终的车道概率：

，

，

，

；其中，

表示最终的车道概率、/>为条件转移概率、LineTypeTentativeVector为据线型匹配结果计算出车辆落在各个车道的概率、LineTypeSensorScore表示线型的传感器可信度、RoadEdgeTentativeVector表示关联感知道路边界和高精地图道路边界的重投影误差计算出各个车道的概率、RoadEdgeSensorScore表示道路边界的传感器可信度 、GnssTentativeVector表示对应车道的概率、GnssSensorScore表示Gnss的传感器可信度、/>表示t秒的前一秒的车道概率、/>表示归一化函数；

所述车道定位方法进一步包括：

获取车辆定位信息；

判断车辆定位信息与当前车辆所在车道是否相同，若否，则

重复将所述通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度、通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度以及通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度输入至所述隐马尔可夫模型，从而获取最终车辆落在各个车道的概率。

2.一种车道定位装置，其特征在于，所述车道定位装置包括：

感知模块，所述感知模块用于获取通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度；

高精地图模块，所述高精地图模块用于获取通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度；

GNSS模块，所述GNSS模块用于获取通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度；

隐马尔科夫模型获取模块，所述隐马尔科夫模型获取模块用于获取隐马尔科夫模型；

输入模块，所述输入模块用于将所述通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度、通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度以及通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度输入至所述隐马尔可夫模型，从而获取最终车辆落在各个车道的概率；

获取模块，所述获取模块用于获取最终车辆落在各个车道的概率中概率最高的一个为当前车辆所在车道；

所述获取通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度包括：

关联感知车道线和高精地图车道线，根据线型匹配结果计算出车辆落在各个车道的概率；

实时跟踪感知车道线的前后关联，计算出线型的传感器可信度；其中，所述实时跟踪感知车道线的前后关联，计算出线型的传感器可信度包括：

对每个感知线，根据其各自的检测可信度、前后帧的位置、线型类型进行车道线跟踪，输出跟踪的id；

对于每个id，维护其各自的可信度；

综合当前所有车道线的可信度，平均来得到最终的当前帧的传感器可信度；所述获取通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度包括：

关联感知道路边界和高精地图道路边界的重投影误差计算出各个车道的概率；

跟踪感知道路边界的前后关联，计算出道路边界的传感器可信度；其中，所述跟踪感知道路边界的前后关联，计算出道路边界的传感器可信度包括：

对每个感知路沿线，根据其各自的检测可信度、前后帧的位置、线型类型因数进行路沿线跟踪，输出跟踪的id；

对于每个id，维护其各自的可信度；

综合当前所有路沿线的可信度，平均来得到最终的当前帧的传感器可信度；

所述获取通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度包括：

使用当前Gnss的位置投影到高精度地图上，计算具体的车道，得到对应车道的概率；

跟踪使用Gnss锁定车道的一致性，得到Gnss的传感器可信度；其中，所述跟踪使用Gnss锁定车道的一致性，得到Gnss的传感器可信度包括：

持续查询当前GNSS的位置所在的车道ID；

判断车道是否发生变化；

结合当前的GNSS信号、卫星数量，输出当前GNSS的传感器可信度；

所述将所述通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度、通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度以及通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度输入至所述隐马尔可夫模型，从而获取最终车辆落在各个车道的概率包括：

多帧更新hmm_state后,得到最终的车道概率：

，

，

，

；其中，

表示最终的车道概率、/>为条件转移概率、LineTypeTentativeVector为据线型匹配结果计算出车辆落在各个车道的概率、LineTypeSensorScore表示线型的传感器可信度、RoadEdgeTentativeVector表示关联感知道路边界和高精地图道路边界的重投影误差计算出各个车道的概率、RoadEdgeSensorScore表示道路边界的传感器可信度、GnssTentativeVector表示对应车道的概率、GnssSensorScore表示Gnss的传感器可信度、/>表示t秒的前一秒的车道概率、/>表示归一化函数；

车道定位方法进一步包括：

获取车辆定位信息；

判断车辆定位信息与当前车辆所在车道是否相同，若否，则

重复将所述通过感知信息获取的车辆落在各个车道的概率以及该感知信息的可信度、通过高精地图信息获取的车辆落在各个车道的概率以及该高精地图信息的可信度以及通过GNSS信息获取的车辆落在各个车道的概率以及GNSS信息的可信度输入至所述隐马尔可夫模型，从而获取最终车辆落在各个车道的概率。