CN116134338A - 车辆定位系统和方法 - Google Patents

车辆定位系统和方法 Download PDF

Info

Publication number
CN116134338A
CN116134338A CN202180060262.5A CN202180060262A CN116134338A CN 116134338 A CN116134338 A CN 116134338A CN 202180060262 A CN202180060262 A CN 202180060262A CN 116134338 A CN116134338 A CN 116134338A
Authority
CN
China
Prior art keywords
vehicle
sensor
data
map
processor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180060262.5A
Other languages
English (en)
Inventor
莫斯塔法·萨克尔
阿德尔·穆萨
穆罕默德·埃尔谢赫
瓦利德·阿卜杜勒法塔赫
纳瑟·埃尔-舍米
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Far Reaching Positioning Co ltd
Original Assignee
Far Reaching Positioning Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Far Reaching Positioning Co ltd filed Critical Far Reaching Positioning Co ltd
Publication of CN116134338A publication Critical patent/CN116134338A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3848—Data obtained from both position sensors and additional sensors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3863—Structures of map data
    • G01C21/3867—Geometry of map features, e.g. shape points, polygons or for simplified maps
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/865—Combination of radar systems with lidar systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/867—Combination of radar systems with cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

一种车辆定位系统和方法，包括：从第一传感器获取指示车辆的第一导航状态的第一数据；从第二传感器获取指示该车辆附近的环境的第二数据；使用通信地耦接到该第一传感器和该第二传感器的处理器，基于将该第二数据匹配到该环境的已知地图来生成第二导航状态；以及使用该处理器，基于该第一导航状态和该第二导航状态来生成当前导航状态。

Description

车辆定位系统和方法
技术领域
本披露内容总体上涉及车辆定位系统和方法，并且更具体地涉及将测距传感器与导航传感器结合进行车辆定位。
背景技术
GNSS接收器是用于确定室外车辆位置的最常见解决方案。GNSS接收器提供从几厘米到几米不等的精度，该精度可能会基于不同的模式和操作条件而变化。例如，在差分模式(其需要在流动站GNSS接收器或虚拟参考站网络的特定距离内的本地参考站)或精确点定位(PPP)模式下操作的GNSS接收器可以提供厘米、分米或亚米级别的精度。然而，在没有清晰的天空视野以及到多颗卫星的直接视线的情况下，GNSS接收器不能保持其精度。结果，在高楼林立的市区中、在穿过地下隧道时、在立交桥下行进时、或在树冠或其他障碍物下驾驶时，GNSS性能会大大降低。
自主和联网车辆可以采用多传感器融合方法进行车辆定位，以克服仅GNSS方法中固有的局限性。这种多传感器融合方法可以将来自GNSS的数据与比如惯性传感器、相机和LiDAR设备等其他传感器系统结合。这种方法同样地受到基于比如低能见度(夜间或有雾的环境)、雨(它可以散射LiDAR信号并且覆盖相机镜头)、以及雪(它可以阻挡相机镜头和LiDAR发射器)等操作条件的不同性能的影响。
车辆定位的进一步方法依赖于嵌入环境中的外部传感器基础设施来监测和跟踪车辆。这种方法在封闭或受控的室内或室外环境中很普遍。然而，需要在感兴趣区域中安装和维护专门的基础设施，这大大增加了车辆定位系统的成本和复杂性，并且将车辆定位系统的应用限制在具有所需的外部传感器基础设施的特定区域。
仍然期望在车辆定位方面进行进一步的改进和进展，以克服已知技术的缺陷，并且提供额外的优势。
本节旨在介绍可能与本披露内容相关联的本领域的各个方面。这种讨论被认为有助于提供参照标准以促进更好地理解本披露内容的特定方面。相应地，应当理解的是，本节应该从这个角度被解读，而不一定是承认其为现有技术。
附图说明
现在将参考附图仅通过示例来描述实施例。
图1是使用如本文披露的基于RADAR的车辆定位系统以及基于由在车辆上配备的RADAR传感器生成的RADAR数据的对应点地图操作的车辆的简图。
图2是在图1所描绘的车辆上配备的基于RADAR的车辆定位系统的实施例的框图。
图3是图1中描绘的车辆的简图，该简图包括用于每个RADAR传感器参考系、车辆参考系、以及导航参考系的x-y坐标系的叠加。
图4A至图4D是根据如本文披露的车辆定位系统和方法在车辆上提供一个或多个RADAR传感器的实施例。
图5是用于存储RADAR传感器数据、相对车辆位姿变换、以及时间戳(time epoch)的FIFO结构实施例的简图。
图6A是包括多个物体的已知地图的实施例。
图6B是图6A所示的、进一步被划分为四个地图区域的已知地图。
图6C是6B中描绘的西南角地图区域的图示。
图6D是图6C中描绘的地图区域的图示，该地图区域包括当从车辆看时可见的地图元素和不可见的地图元素。
图6E展示了图6D中描绘的、进一步被细分为单元格的地图区域，以为每个单元格生成概率分布函数。
图7是图6A和图6B所示的已知地图的状态转换图的实施例，用于确定到不同地图和不同地图区域的转换。
图8是基于图2所示的车辆定位系统的基于RADAR的车辆定位方法的框图。
图9是展示了图8中描绘的基于RADAR的车辆定位方法的进一步步骤的系统框图。
图10是被表达为密集点云的地下停车场的已知地图，被用于穿过图11所示的测试轨迹的车辆，其中，该车辆配备有根据本文披露内容的基于RADAR的车辆定位系统的实施例。
图11是车辆测试轨迹在图10所示的密集点云上的叠加图。车辆穿过配备有如本文披露的基于RADAR的车辆定位系统的实施例的测试轨迹。
图12A展示了在图11中所示的车辆测试轨迹的过程中生成的未处理的RADAR点云。
图12B展示了图12A中描绘的、经过处理以去除噪声的RADAR点云。
图13A是基于在进入测试轨迹的离散时间点(25秒)生成的RADAR数据的点云，如图12B中标记的那样。
图13B是基于在进入测试轨迹的离散时间点(60秒)生成的RADAR数据的点云，如图12B中标记的那样。
图14展示了用于第二车辆测试的环境。环境被展示为四张地图，包括室内区域的地图、室外区域的地图、以及使室内区域和室外区域互连的匝道的两张地图。配备有如本文披露的车辆定位系统和方法的车辆穿过四个区域，如图15中进一步所示。
图15展示了叠加在图14所示的四张地图上的车辆轨迹。车辆轨迹反映了车辆上提供的车辆定位系统和方法所产生的导航状态。
在整个附图中，有时仅为简单起见和避免混乱，视图中可见的元素的仅一个实例或少于所有实例由引导线和参考字符指定。然而，应当理解的是，在这种情况下，根据对应的描述，所有其他实例被同样指定并包含在对应的描述中。
具体实施方式
下面是如本文披露的车辆定位系统和方法的示例。
在一方面中，本文披露的车辆定位系统包括第一传感器，该第一传感器被配置成生成指示车辆的第一导航状态的第一数据；第二传感器，该第二传感器被配置成生成指示该车辆附近的环境的第二数据；以及处理器，该处理器通信地耦接到该第一传感器和该第二传感器，该处理器被配置成：基于将该第二数据匹配到该环境的已知地图来生成第二导航状态，以及基于该第一导航状态和该第二导航状态来生成当前导航状态。
在实施例中，该处理器被配置成基于该第二数据来生成点云，其中，该第二导航状态基于将该点云与该已知地图进行匹配。在实施例中，该点云包括指示该车辆附近的物体的多个反射点。在实施例中，该处理器被配置成去除指示动态物体的反射点。在实施例中，该处理器被配置成基于使用从该第一数据得到的相对车辆位姿变换将该第二数据累积到共同参考系中来生成该点云。在实施例中，该共同参考系是导航参考系。
在实施例中，该第一导航状态包括第一车辆位姿，该第一车辆位姿包括第一车辆位置和第一车辆前进方向。在实施例中，该相对车辆位姿变换是车辆位姿从先前车辆位姿到该第一车辆位姿的变化。
在实施例中，该处理器被配置成基于对该点云进行变换以匹配该已知地图来生成地图变换函数。在实施例中，该第二导航状态是基于该地图变换函数的。在实施例中，该变换是包括变换参数的迭代变换。在实施例中，该变换参数包括最大迭代次数和最小迭代步长。在实施例中，该变换参数包括地图分辨率。
在实施例中，该处理器被配置成基于该点云与该已知地图之间的匹配来生成匹配似然性得分。在实施例中，该匹配似然性得分是基于贝叶斯匹配方法或点云配准方法生成的。在实施例中，该点云配准方法为迭代最近点方法或正态分布变换方法。
在实施例中，该已知地图包括表示该环境中的物体的多个地图元素。在实施例中，该多个地图元素包括线段或点中的至少一者。在实施例中，该处理器被配置成基于该第一车辆导航状态来从该已知地图中去除不可见的地图元素。在实施例中，该处理器被配置成基于在与新地图相邻的边界区域中检测到该第一导航状态来获得该新地图。
在实施例中，该第一传感器被配置成在第一参考系中生成该第一数据，并且该第二传感器被配置成在第二参考系中生成该第二数据。在实施例中，该处理器被配置成将该第一数据和该第二数据变换到车辆参考系中。
在实施例中，该第二传感器是测距传感器，并且该第二数据是由该测距传感器生成的测距数据。
在实施例中，该测距传感器是无线电探测和测距(RADAR)传感器，并且该测距数据是由该RADAR传感器生成的RADAR数据。在实施例中，该RADAR传感器是多个RADAR传感器。在实施例中，该RADAR数据包括距离信息和方位信息。在实施例中，该RADAR数据包括相对速度信息。
在实施例中，该测距传感器是光探测和测距(LiDAR)传感器，并且该测距数据是由该LIDAR传感器生成的LIDAR数据。
在实施例中，该第一传感器是导航传感器，该导航传感器被配置成生成导航数据。在实施例中，该导航传感器包括车轮滴答编码器、惯性传感器、以及方向盘传感器。在实施例中，该导航传感器进一步包括相机。在实施例中，该相机是多个相机。在实施例中，该导航传感器进一步包括GNSS设备。
在实施例中，该车辆定位系统进一步包括存储器，该存储器通信地耦接到该处理器，其中，该已知地图被存储在该存储器中。在实施例中，该存储器是数据库、远程服务器或云服务器。在实施例中，该存储器对于该系统而言是本地的、对于该系统而言是远程的、或是它们的组合。
在一方面中，用于车辆定位的计算机实施的方法包括：从第一传感器获取指示车辆的第一导航状态的第一数据；从第二传感器获取指示该车辆附近的环境的第二数据；使用通信地耦接到该第一传感器和该第二传感器的处理器，基于将该第二数据匹配到该环境的已知地图来生成第二导航状态；以及使用该处理器，基于该第一导航状态和该第二导航状态来生成当前导航状态。
在实施例中，该计算机实施的车辆定位方法进一步包括：使用该处理器，基于对该第二数据进行累积来生成点云，其中，生成该第二导航状态基于将该点云匹配到该已知地图。
在实施例中，该计算机实施的车辆定位方法进一步包括：使用该处理器，基于该第一导航状态与先前的第一导航状态之间的导航状态变化来生成相对车辆位姿变换；并且其中，该处理器基于使用该相对车辆位姿变换以相对于该第一导航状态对该第二数据进行累积来生成该点云。
在实施例中，该已知地图包括多个物体，其中，该计算机实施的车辆定位方法进一步包括：使用该处理器来将该已知地图细分为多个单元格并且评估每个单元格以生成对应的概率分布函数，该概率分布函数指示该多个物体的对应子集占据对应的单元格。
在实施例中，将该点云与该已知地图进行匹配是基于针对该多个单元格中的每个单元格的该对应的概率分布函数来评估该点云。在实施例中，将该点云匹配到该已知地图进一步包括对该点云进行迭代地变换并且评估每个迭代点云匹配该已知地图的似然性，其中，该第二导航状态基于该迭代点云具有匹配该已知地图的最高似然性。在实施例中，评估该匹配的似然性包括正态分布变换方法。
在实施例中，当前导航状态基于使用贝叶斯滤波器来对该第一导航状态和该第二导航状态进行融合。
在实施例中，该第一传感器是导航传感器，并且该第二传感器是无线电探测和测距(RADAR)传感器。在实施例中，该RADAR传感器是多个RADAR传感器。
在一方面中是计算机可读介质，其上存储有计算机可执行指令，这些计算机可执行指令在由计算机执行时执行根据本文披露内容的用于车辆定位的计算机实施的方法。
为了简化和便于解释，本文提供的描述和说明是涉及二维x-y笛卡尔坐标系的，该笛卡尔坐标系通常是关于本地传感器参考系、车辆参考系和/或导航参考系表达的。然而，本领域技术人员将理解的是，本发明不限于此，并且可以在不脱离披露内容的教导的情况下，以不同的自由度、不同的坐标系和不同的参考系来实施如本文披露的车辆定位系统和方法。
如本文披露的车辆定位系统和方法包括用于无缝室内-室外车辆定位的多传感器方法。该系统和方法包括在车辆上提供第一传感器，用于生成指示车辆的导航状态的数据；并且在车辆上提供第二传感器，用于生成指示车辆附近的环境的数据。与第一传感器和第二传感器通信地耦接的处理器被配置成生成第一车辆导航状态和第二车辆导航状态。第一车辆导航状态是基于第一传感器数据的，并且独立于第二传感器得到。第二车辆导航状态基于使用从第一传感器数据得到的第一导航状态和变换函数来将第二传感器数据累积到与已知地图共同的参考系中。针对环境的已知地图评估所累积的第二传感器数据以用于生成第二导航状态估计。随后处理器基于评估第一车辆导航状态和第二车辆导航状态来生成当前车辆状态。本文披露的车辆定位系统和方法不需要GNSS，也不需要嵌入周围环境中的预先存在的传感器基础设施。然而，如果这样的定位系统和传感器是可用的，则本文披露的系统和方法仍然可以使用这样的系统和传感器。第一传感器可以包括，但不限于导航传感器，该导航传感器包括车轮滴答编码器、惯性测量单元、加速度计、陀螺仪、一个或多个相机、方向盘传感器、GNSS接收器、以及它们的组合。第二传感器可以包括，但不限于测距传感器，该测距传感器包括飞行时间传感器，包括无线电探测和测距(RADAR)传感器、光探测和测距(LiDAR)传感器、以及它们的组合。
本文披露的系统和方法实时生成第一传感器数据和第二传感器数据。处理器可以针对表示多个时间戳的时间窗口累积传感器数据。时间窗口可以是固定宽度的滑动窗口，包括滑动窗口是非重叠滑动窗口的实施例以及滑动窗口是重叠滑动窗口的实施例。处理器可以直接从第一传感器数据获得第一车辆导航状态，或者间接地，例如通过将第一传感器数据输入车辆运动模型来生成第一导航状态。处理器可以基于两个时间戳之间的车辆导航状态变化来进一步得到车辆位姿变换函数。处理器使用车辆位姿变换函数来整合和累积第二传感器数据。处理器使用第一导航状态来将所累积的第二传感器数据变换到与已知地图共有的参考系中。在实施例中，已知地图以导航参考系表达。
作为示例，处理器可以接收针对当前时间戳的第一传感器数据，用于生成第一导航状态。处理器基于在第一导航状态与先前导航状态之间的车辆导航状态变化来进一步生成车辆位姿变换函数。处理器使用车辆位姿变换函数来将累积到先前导航状态的第二传感器数据变换到第一导航状态中。以这种方式，本文披露的系统和方法通过使用车辆位姿的对应变化迭代地变换第二传感器数据来将第二传感器数据累积到共同参考系中。
累积第二传感器数据可以说明性地类似于云。例如，RADAR数据可以包括对于给定物体的多个反射点。随着时间的推移累积这样的反射点可能会导致反射点云，由此RADAR数据类似于物体的模糊版本或云状版本。这样的点云只是描述和/或说明反射点的一种方式。例如，原始RADAR数据可能会经过处理步骤，以将反射点变换为线段、多边形、或其他构造。相应地，点云不仅限于将数据表达为点的云；相反，点云包含随时间推移的数据累积，无论数据被表示为点、线段、多边形还是其他形式。
本文披露的系统和方法将点云与环境的已知地图进行对照。对照是基于对点云进行变换以匹配已知地图。在实施例中，对照是基于使用不同的车辆位姿对点云进行变换以使与已知地图匹配的似然性最大化。在实施例中，匹配是基于点云配准方法，该点云配准方法包括迭代最近点(ICP)方法或正态分布变换(NDT)方法。所产生的车辆位姿变换表征了第二车辆导航状态估计。第一导航状态和第二导航状态被评估，以生成当前车辆导航状态。在实施例中，第一导航状态和第二导航状态基于贝叶斯方法融合在一起。如本文进一步披露的实施例包括基于点云与已知地图匹配的似然性生成似然性得分，以用于估计第二导航状态的确定性。
图1和图2展示了如本文披露的基于RADAR的车辆定位系统和方法。图1展示了在包括多个物体142的环境140中操作的车辆110。物体本质上可以是静态的或动态的。静态物体可以包括但不限于柱状物、墙壁、栅栏、障碍物、树木、以及停放的车辆。动态物体可以包括但不限于人、动物、以及移动的车辆。车辆110配备有车辆定位系统100，该车辆定位系统包括通信地耦接到处理器150的第一传感器120。第一传感器120生成指示车辆的导航状态的数据。如图2所描绘的，第一传感器120包括多个导航传感器122，该多个导航传感器包括惯性传感器122a、车轮滴答编码器122b、方向盘传感器122c、GNSS设备122d、以及一个或多个相机122e。其他实施例包括独立式导航传感器122，比如惯性测量单元，包括加速度计和陀螺仪。导航传感器122生成关于比如本地传感器参考系、车辆参考系、或导航参考系等参考系的车辆导航数据。车辆导航数据可以包括但不限于绝对车辆位置(例如，经度、纬度、以及高度)、相对车辆位置、车辆取向(例如，俯仰、滚动、以及偏航)、车辆速度、以及车辆位姿。例如，GNSS设备122d可以生成指示地理参考系中的绝对车辆位置的导航数据；惯性传感器122a可以生成指示车辆位置和取向的变化的导航数据；方向盘传感器122c可以生成指示车辆前进方向的变化的导航数据；等等。处理器150从导航传感器122接收导航数据，以存储在比如本地存储器152a或远程存储器152b等存储器152中。远程存储器152b包括但不限于移动设备上的存储设备、数据库、远程服务器、或云服务器。处理器可以直接或间接地从导航数据生成车辆的第一导航状态。车辆导航状态包括但不限于车辆位姿(位置和前进方向)。
作为生成第一导航状态的示例，车轮滴答编码器122b可以被配置成生成指示车辆导航状态的导航数据，该导航数据包括车辆位移和前进方向。处理器122b可以直接从导航数据生成第一导航状态，或者基于用于将导航数据映射到位置或相对位置的车辆运动模型来生成第一导航状态。车辆运动模型可以包括基于与先前导航状态的相对变化来生成第一导航状态，如可以是航位推算导航系统中的情况。车轮滴答编码器122b捕获车轮旋转数据，处理器150可以将车轮旋转数据与车辆的车轮的已知参数结合，以生成车辆导航状态的相对变化。例如，处理器150可以根据下面的等式(1)至(4)从先前导航状态得到车辆位移和前进方向的相对变化。车辆位移和前进方向的相对变化基于左后轮位移的变化ΔdL和右后轮位移的变化ΔdR，可以从车轮滴答编码器数据和已知车轮参数中得到：
ΔdL＝NLSL#(1)
ΔdR＝NRSR#(2)
NL和NR分别是左轮和右轮自先前导航状态以来车轮脉冲计数的变化。SL和SR分别是左轮和右轮的以(米/脉冲)为单位定义的车轮标度。使用车轮位移的变化ΔdL和ΔdR，处理器150可以基于等式(3)和(4)来确定相对于先前导航状态的车辆距离的变化Δd和前进方向的变化Δθ：
Figure BDA0004113746930000091
Figure BDA0004113746930000092
其中，b是车轮之间的距离或轮距，该距离对于给定的车辆是常数。因此处理器150可以使用由车轮滴答编码器122b生成的导航数据来基于相对于先前导航状态的车辆距离的变化Δd和车辆前进方向的变化Δθ而生成第一导航状态。
如图3所展示的，数据可以以不同的参考系(比如本地RADAR传感器参考系Or1、Or2、Or3和Or4；车辆参考系Ov、以及导航参考系On)来表达。结果，可能需要进一步的步骤来将第一传感器数据和第二传感器数据变换到不同的参考系中，比如变换到导航参考系On中。例如，车辆前进方向θ可以被表达为车辆参考系Ov的y轴与导航参考系On的y轴之间的角度。按照惯例，当车辆参考系Ov与导航参考系On重合时，车辆前进方向θ为零度。前进方向的正变化Δθ按照惯例表示车辆顺时针旋转。其他惯例也是可能的。使用规定的惯例，第一导航状态可以根据等式(5)至(7)以导航系On表达：
θk＝θk-1+Δθk-1#(5)
xk＝xk-1+Δdk-1sin(θk-1)#(6)
yk＝yk-1+Δdk-1cos(θk-1)#(7)
其中，xk和yk是导航系On中的水平车辆位置，并且θk是对应的车辆前进方向。车辆位置(x,y)和前进方向θ共同表示对应的车辆导航状态的车辆位姿。因此，等式(5)至(7)基于来自先前时间戳k-1的先前车辆位姿来生成当前车辆位姿。
车辆110进一步配备有第二传感器130，该第二传感器通信地耦接到处理器150。第二传感器130生成指示车辆附近的环境的数据。具体如图2和图3所展示的，车辆110配备有第二传感器130，该第二传感器包括设置在车辆110上的四个相应的位置111、112、113和114处的相应的第一RADAR传感器131、第二RADAR传感器132、第三RADAR传感器133以及第四RADAR传感器134。在车辆110上设置RADAR传感器的进一步实施例被展示在分别描绘了单个RADAR传感器实施例、两个RADAR传感器实施例、不同的两个RADAR传感器实施例、以及三个RADAR传感器实施例的图4A至图4D中。本领域的技术人员将理解的是，将传感器配备到车辆以扫描车辆附近的环境的方式不限于本文披露的实施例。例如，第二传感器130可以包括四个以上的RADAR传感器，或者可以将RADAR传感器放置在车辆上的不同位置处。
每个RADAR传感器131、132、133和134发射和接收RADAR信号，以用于生成关于相应的本地传感器参考系Or1、Or2、Or3和Or4的RADAR数据。本文披露的系统和方法进一步包括将来自对应的本地传感器参考系Or1、Or2、Or3和Or4的RADAR数据变换为车辆参考系Ov，以及随后变换为导航参考系On以与已知地图进行对照。该变换可以结合从本地传感器参考系Or1、Or2、Or3和Or4的设置得到的校准数据，以用于将RADAR数据变换到不同的参考系中。校准数据可以例如在操作车辆110之前和/或在车辆110的操作期间获得。
RADAR传感器131、132、133和134发射信号并且接收已从物体142反射的发射信号的反射。反射信号被处理以生成RADAR数据。RADAR数据可以包括测距数据，比如但不限于，物体的距离、方位、角度和/或相对速度。这样，RADAR传感器131、132、133和134可以检测和表征车辆110附近的物体，以生成指示车辆110附近的环境140的对应的RADAR数据。处理器150接收用于存储在存储器152中并且用于其他车辆定位步骤的RADAR数据。例如，处理器150使用导航数据来变换RADAR数据以生成点云160，用于生成第二车辆导航状态。第一车辆导航状态和第二车辆导航状态被用于生成当前车辆导航状态。在实施例中，处理器150首先将来自对应的本地传感器系Or1、Or2、Or3和Or4的RADAR数据变换到与导航传感器122共同的参考系中。
在生成点云160之前，处理器150可以细化、滤波或以其他方式预处理RADAR数据。例如，处理器150可以评估RADAR数据以去除噪声、去除离群数据、下采样和/或识别有效目标。有效目标可以仅包括静态物体。相应地，本文披露的实施例包括配置处理器150以在生成点云160之前预处理RADAR数据。预处理的优点包括但不限于减小存储RADAR数据所需的存储器的大小并且改善RADAR数据的质量，这可能会在车辆定位估计方面提供对应的改善。
在实施例中，处理器150被配置成生成导航参考系On中的点云160，用于与比如图6A中所展示的已知地图180等已知地图进行对照。点云160包括随时间的推移累积的多个物体反射点162，该多个物体反射点指示车辆110附近的环境140。物体反射点162基于RADAR数据，该数据包括关于由RADAR传感器131、132、133和134检测到的物体142的数据。处理器150基于使用导航数据累积RADAR数据并且将该数据变换到导航参考系On中来生成点云160，以共同地表达在与已知地图180相同的参考系中的多个物体反射点162。以这种方式，根据车辆导航状态的对应变化，变换和累积在多个时间戳内获取的RADAR数据。
在实施例中，处理器150被配置成使用如图5的示例实施例中所描绘的比如队列等先进先出(FIFO)数据结构170将数据划分到存储器152中。数据结构170可以用作数据的实时滑动窗口。数据结构170可以具有固定的窗口大小或长度N，用于保持N个帧或数据单元。数据结构170可以从第一帧i＝0至最后一帧i＝N-1顺序地被索引，其中，每个帧对应于时间戳t。作为说明性示例，连续时间戳之间的差Δt可以与传感器扫描速率成反比。因此，以20Hz速率扫描的传感器可以对应于0.05秒长的时间戳。相应地，大小为N＝40的数据结构将提供2秒的窗口。大小为N＝20的数据结构将提供1秒的窗口。等等。结果，点云160表达在特定长度或时间窗内获得的物体反射点162。因此，选择窗口大小N是综合练习。RADAR传感器131、132、133和134可能需要几次扫描以生成具有足够密度的物体反射点162的RADAR数据，而实时处理和硬件限制可能会限制数据结构170的大小。
在实施例中，RADAR数据174以车辆参考系Ov表达，以在进一步的步骤中与车辆导航数据175一起使用。处理器150将RADAR数据174划分成第一FIFO数据结构171，其包括用于存储在存储器152中的多个RADAR数据帧Fk至Fk-N+1。每个RADAR数据帧Fk至Fk-N+1表示为在对应时间戳tk至tk-N+1内生成的RADAR数据174。每个RADAR数据帧Fk至Fk-N+1包括可变的复数m个物体反射点p，比如物体反射点162。例如，RADAR数据帧Fk包括在当前时间戳tk期间获取的复数m(k)个物体反射点p，即，Fk＝{p0,…,pm-1}。类似地，RADAR数据帧Fk-1包括在当前时间戳tk之前的时间戳tk-1期间获取的复数m(k-1)个物体反射点p，即Fk-1＝{p0,…,pm-1}。每个时间戳t的物体反射点p的数目m可变地取决于由RADAR传感器131、132、133和134在对应的时间戳期间生成的RADAR数据174。
导航数据175包括指示车辆导航状态的数据，用于将RADAR数据变换到导航参考系On中。可以通过评估导航状态之间的变化来得到相对车辆位姿变换。例如，在第一时间戳内的导航数据175包括第一车辆位姿；以及在第二时间戳内的导航数据175包括第二车辆位姿。相对车辆位姿变换基于车辆位姿从第一车辆位姿到第二车辆位姿的变化。相应地，处理器评估导航数据175，以生成时间戳t之间的相对车辆位姿变换T，用于变换在第一时间戳收集的RADAR数据174和第一车辆位姿，以与在第二时间戳收集的数据和第二车辆位姿进行累积。处理器150可以递归地得到车辆位姿变换以在随后的时间戳中连续累积RADAR数据。以这种方式，处理器150将导航数据175划分成第二FIFO数据结构172，其包括用于存储在存储器152的多个相对车辆位姿变换
Figure BDA0004113746930000131
至
Figure BDA0004113746930000132
每个车辆位姿变换
Figure BDA0004113746930000133
至
Figure BDA0004113746930000134
表示两个连续时间戳t之间的相对位姿变换。例如，车辆位姿变换
Figure BDA0004113746930000135
表示时间戳tk与tk-1之间的相对车辆位姿变换。处理器150可以使用对应的车辆位姿变换
Figure BDA0004113746930000136
至
Figure BDA0004113746930000137
递归地对每个RADAR数据帧Fk至Fk-N+1进行变换以将RADAR数据174累积到关于当前车辆位姿Pk的导航参考系On中，从而根据以下伪代码生成点云160：
Figure BDA0004113746930000138
处理器150迭代地生成新的相对车辆位姿变换，用于累积对应的新RADAR数据帧并且用于表达关于新车辆位姿Pk的点云。
处理器150将点云160与周围环境140的已知地图180进行对照，以用于进一步的车辆定位步骤。本文披露的系统和方法可以预先获取已知地图180并且将其存储在比如本地存储器152a或远程存储器152b等存储器152中。在实施例中，实时获取已知地图180。在实施例中，通信地耦接到存储器152的通信设备154从比如移动设备、数据库、远程服务器、或云服务器等远程存储器152b获得已知地图180。处理器150可能需要对已知地图180进行格式化来以易于与点云对照的格式来表达已知地图180。可对照的格式可以包括但不限于以形状文件格式包括的地理空间矢量地图、或点云。
如图6A和图6B的说明性实施例中所描绘的，已知地图180以二维x-y坐标系表达、以导航参考系提供、以及进一步包括叠加在该已知地图上的车辆110。已知地图180包括多个物体142并且被分成四个相应的地图区域180a、180b、180c和180d，每个地图区域表示已知地图180内的不同区域。如在图6C中特别展示的，地图区域180a包括多个物体142，描绘方形柱状物142a、142b、142c及142d、两侧屏障142e、以及栅栏142f，每个物体被表达为多个地图元素144，即线段146。地图元素可以包括但不限于线段、点、多边形、点云、以及表示或以其他方式构成地图中表达的物体的部分或全部的其他构造。
车辆110配备有如本文披露的车辆定位系统，该车辆定位系统包括处理器150，进一步被配置成评估已知地图180。例如，处理器150可以评估车辆导航状态以评定车辆110占据了哪个地图区域。如图6A和图6B所展示的，车辆110占据已知地图180的地图区域180a。处理器还可以评估车辆导航状态以生成对车辆110可见的地图元素子集144a。图6C展示了地图区域180a，并且图6D展示了基于车辆导航状态的可见地图元素集144a和不可见地图元素集144b。这样的预处理步骤有利地降低了后续车辆定位步骤的计算复杂度，并且可以进一步改善车辆导航状态估计。进一步地，将点云160与可见地图元素集144a匹配可以提供变换点云160以匹配已知地图180的容易程度。例如，RADAR传感器131、132、133、134的能力可能受限于为不在其视野内的物体或物体的一部分生成RADAR数据。结果，点云160可以固有地排除在给定导航状态下对RADAR传感器不可见的物体和/或物体的一部分。因此点云160可以更容易地与可见地图元素集144a相匹配，该可见地图元素集类似地从相同导航状态排除对车辆不可见的物体和/或物体的一部分。
随着车辆110移动，处理器150可以基于新的车辆导航状态重新生成或更新可见元素集144a。处理器还可以评估车辆导航状态以确定是否需要新的地图进行评估，或者是否需要不同的地图区域进行评估。例如，处理器可以评估车辆导航状态以确定车辆110是否在已知地图180的边缘或边界区域处，以预期车辆移动到新地图。类似地，处理器可以评估车辆导航状态以确定车辆110是否在地图区域的边缘或边界区域处，以预期车辆移动到新地图区域或新地图。当车辆在地图或不同地图区域之间转换时，处理器150更新用于与点云160进行对照的地图元素集。在实施例中，在车辆保持在与当前地图和新地图重叠的转换区域中的同时，处理器150针对新地图元素和当前地图元素评估点云160。在实施例中，在车辆保持在与当前地图区域和新地图区域重叠的转换区域中的同时，处理器150针对新地图元素和当前地图元素评估点云160。由于新地图和当前地图可以以不同的参考系提供，因此本文披露的实施例包括将车辆导航状态和点云变换到与新地图共同的参考系中。
新地图可以类似地预加载或存储在通信地耦接到处理器150的本地存储器152a中，或者可以从比如移动设备、数据库、远程服务器、或云服务器等远程存储器152b得到。在实施例中，在地图之间的关系和地图区域之间的关系可以被编码在比如状态转换图等图形结构中。图7是图6A和图6B中所展示的已知地图180的状态转换图185的说明性实施例。每个顶点180a、180b、180c和180d表示已知地图180的对应地图区域。每个方向边缘181、182和183表示地图区域之间的可能转换。顶点190表示不同的已知地图190，并且方向边缘184表示地图190与已知地图180的地图区域180d之间的可能转换。相应地，当车辆在地图区域180a中操作时，处理器150可以评估车辆导航状态以确定车辆110是否保持在地图区域180a中；车辆是否处于地图区域180a与地图区域180b之间的转换区域中；或者，车辆是否处于地图区域180a与地图区域180c之间的转换区域中。类似地，当车辆110在地图区域180c中操作时，处理器150可以评估车辆导航状态以确定车辆110是否保持在地图区域180c中；或者，车辆是否处于地图区域180c与地图区域180a之间的转换区域中。等等。
本文披露的系统和方法将点云160与已知地图180进行对照，以生成第二车辆导航状态。对照基于对点云160进行变换以匹配已知地图180。在实施例中，对照基于对点云160进行迭代地变换以使点云160与已知地图180进行匹配的似然性最大化，其中，变换参数包括最大迭代次数和最小变换迭代次数。所产生的点云变换表征了第二导航状态。由于点云最初是基于第一导航状态表达的，因此对点云进行变换本质上反映了第一导航状态的变换。在实施例中，处理器被配置成基于用点云160与已知地图180进行匹配所产生的变换而对第一导航状态进行变换来生成第二导航状态。在实施例中，处理器150为每个迭代点云变换生成似然性得分，其中，似然性得分反映了迭代点云160与已知地图180进行匹配的似然性。在本文进一步披露的实施例中，似然性得分基于点云配准方法，包括迭代最近点(ICP)方法或正态分布变换(NDT)。在实施例中，已知地图180是地图区域。
在实施例中，处理器150被配置成使用贝叶斯方法来评估似然性得分。在实施例中，处理器被配置成使用点云配准方法评估似然性得分。在实施例中，点云配准方法为迭代最近点方法(ICP)或正态分布变换(NDT)方法。例如，正态分布变换包括将已知地图分为多个单元格148，如图6E中进一步展示的。每个单元格148的概率分布函数149表征在每个单元格148中找到对应的物体142的概率。以这种方式，处理器使用特定单元格的概率分布函数评估与该单元格相对应的点云中的点，以评估匹配的似然性。在实施例中，多个单元格是大小相等的方形。
在实施例中，概率分布函数可以被表达为多元正态分布(其中，点云中的单个点p的似然性p(xi)属于该分布)，并且通过扩展匹配到单元格中的对应障碍物点，其可以根据等式(8)确定：
Figure BDA0004113746930000161
其中，μ和Σ分别是单元格内障碍物点概率密度函数的平均值和方差。并且，xi是点p的坐标，例如xi＝(xi,yi)；并且，其中，单元格内的平均值μ和方差Σ可以根据等式9和10来评估：
Figure BDA0004113746930000162
Figure BDA0004113746930000163
其中，yj是单元格中障碍物点j的位置，并且m是单元格内的障碍物点的数目。NDT算法的目的是找到车辆的位姿Pv，以使每个点的似然性函数Φ最大化的方式对点云中的点进行变换。
Figure BDA0004113746930000171
其中，n是点云中的点的数目，而T(Pv,xi)是使用位姿Pv对点xi进行变换的函数。
图8和图9展示了根据如本文披露的比如图2中展示的车辆定位系统100等车辆定位系统的基于RADAR的车辆定位方法200。该方法包括以下步骤：210获取导航数据；220基于导航数据来生成第一车辆导航状态；230获取RADAR数据；240基于使用第一导航状态来累积RADAR数据而生成点云；250预处理已知地图；260基于对点云和已知地图进行对照来生成第二车辆导航状态；以及270基于对第一车辆导航状态和第二车辆导航状态进行融合来生成当前车辆导航状态。
方法步骤210的实施例包括从比如导航传感器122等一个或多个导航传感器获取指示车辆导航状态的导航数据。方法步骤220包括基于在步骤210中获得的导航数据来以导航参考系生成第一车辆导航状态。第一车辆导航状态可以是直接从导航数据获得的，或者可能需要附加的处理步骤，比如用于确定相对于先前导航状态的变化的航位推算方法步骤222。方法步骤224包括基于车辆位姿在第一导航状态与先前车辆导航状态之间的相对变化来得到相对车辆位姿变换。将相对车辆位姿变换应用于对应的RADAR数据，符合并累积RADAR数据以生成点云。在实施例中，方法步骤226包括将在方法步骤224中生成的相对车辆位姿变换存储在FIFO结构中。
获取指示车辆附近的环境的RADAR数据的方法步骤230的实施例包括从设置在车辆上的一个或多个RADAR传感器131、132、135等获取RADAR数据。实施例包括通过方法步骤232、234和/或236处理所获取的RADAR数据。方法步骤232包括将RADAR数据变换到车辆参考系中。方法步骤234包括评估RADAR数据以识别静态物体并且丢弃、删除或去除属于动态物体的RADAR数据。方法步骤236包括将RADAR数据存储在FIFO数据结构中。
方法步骤240基于使用在方法步骤224中得到的相对车辆位姿变换来累积RADAR数据而生成点云，并且进一步使用在方法步骤220中得到的第一导航状态来将所累积的RADAR数据变换到导航系中。
方法步骤250总体上涉及预处理已知地图并且包括从比如本地存储器152a或远程存储器152b等存储器152取得已知地图的方法步骤252。实施例可以进一步包括通过方法步骤254处理已知地图以基于在方法步骤220中得到的第一导航状态来从已知地图去除不可见地图元素。方法步骤256包括将已知地图细分为多个单元格并生成每个单元格中的障碍物点的对应概率密度函数(PDF)。在实施例中，每个单元格都是等宽的方形。
方法步骤260包括将由方法步骤240生成的点云与由方法步骤250输出的已知地图进行对照。对照是基于对点云进行变换以匹配已知地图。所产生的点云变换表征了第二导航状态。由于点云最初是在第一导航状态下表达的，因此第二导航状态本质上反映了第一导航状态的变换。在实施例中，方法步骤260包括对点云进行迭代地变换以匹配已知地图，其中，为每次迭代生成似然性得分，以评估迭代点云匹配已知地图的似然性。在实施例中，方法步骤260包括使点云与已知地图进行匹配的似然性最大化，其中，变换参数包括最大迭代次数和最小变换迭代次数。
方法步骤270包括基于由方法步骤220输出的第一导航状态和由方法步骤260输出的第二车辆导航状态来生成当前车辆导航状态。进一步的实施例包括使用贝叶斯滤波器以对第一车辆导航状态和第二车辆导航状态进行融合。
图10至图13涉及在地下停车场中操作的车辆的第一工作示例，该车辆配备有根据本文披露内容的车辆定位系统。图10以二维点云地图的形式展示了地下停车场的已知地图，并且图11包括叠加在图10所展示的已知地图上的车辆测试轨迹。车辆测试轨迹跨越大约300米，历时约3分钟。车辆测试轨迹从起点A开始，然后大致向西前进，朝向地图的东北角。车辆在东北角完成多点转弯，然后向南移动，然后大致向西前进，朝向终点B。
车辆配备有四个RADAR传感器和航位推算系统，用于根据本文披露的系统和方法定位车辆位置。具体地，在车辆的四个不同角上安装四个RADAR传感器，如图3中类似地展示的。航位推算系统包括车轮编码器。图12A展示了在车辆测试轨迹的总体中生成的未处理的RADAR点云。图12B展示了图12A中描绘的、经过处理以去除噪声的RADAR点云。图13A和图13B展示了在进入车辆轨迹的两个离散时间戳(25秒和60秒下)的RADAR点云，在图12B中分别被标记为13A和13B。
图14至图15涉及在多级室内-室外环境中操作的车辆的第二工作示例，该车辆配备有如本文所披露的车辆定位系统和方法。特别地，图14展示了室内区域、室外区域、以及用于使室内区域和室外区域互连的两个匝道的四个互连地图。图15展示了从行进通过地图的车辆实施的定位系统和方法得到的产生的车辆轨迹。轨迹包括完成环路，从室内地图上的点X处开始。环路继续，其中车辆大体向东行进朝向出口匝道以转换到室外区域。环路在室外区域中继续，其中车辆大体向西行进朝向入口匝道，返回室内区域以完成第一环路。车辆继续行驶并第二次完成环路，最终车辆停在标有Y的地点附近。车辆轨迹特别展示了车辆定位系统和方法在不同地图和海拔之间无缝解析车辆导航状态(包括在室内环境与室外环境之间无缝转换)的能力。
在前面的描述中，为了进行解释，阐述了很多细节以提供对实施例的透彻理解。然而，对于本领域技术人员而言将显而易见的是，这些具体细节不是必需的。在其他实例中，为了不模糊理解，采用框图的形式示出了众所周知的电气结构和电路。例如，没有提供关于本文描述的实施例是被实施为软件例程、硬件电路、固件还是其组合的具体细节。权利要求书的范围不应受到在此阐述的特定实施例的限制，而是应以与说明书整体一致的方式来解释。
本披露内容的实施例可以被表示为存储在机器可读介质(也被称为计算机可读介质、处理器可读介质或具有在其中具体化的计算机可读程序代码的计算机可用介质)中的计算机程序产品。机器可读介质可以是任何适当的有形的非暂态介质(包括磁性的、光学的或电气的存储介质(包括磁盘、光盘只读存储器(CD-ROM)、存储器设备(易失的或非易失的)或类似的存储机制))。机器可读介质可以包含各种指令集、代码序列、配置信息或其他数据，其在执行时使处理器执行根据本披露内容的实施例的方法中的步骤。本领域的普通技术人员将理解，实施所描述的实施方式所必需的其他指令和操作也可以存储在机器可读介质上。在机器可读介质上存储的指令可以由处理器或其他适当的处理设备来执行，并且可以与电路系统接口连接以执行所描述的任务。
上述实施例仅旨在作为示例。在不脱离仅由所附权利要求界定的范围的情况下，本领域的普通技术人员可以实现对具体实施例的更改、修改和变型。

Claims (46)

1.一种用于车辆的定位系统，包括
第一传感器，该第一传感器被配置成生成指示该车辆的第一导航状态的第一数据；
第二传感器，该第二传感器被配置成生成指示该车辆附近的环境的第二数据；
处理器，该处理器通信地耦接到该第一传感器和该第二传感器，该处理器被配置成：
基于将该第二数据匹配到该环境的已知地图来生成第二导航状态，以及
基于该第一导航状态和该第二导航状态来生成当前导航状态。
2.如权利要求1所述的系统，其中，该处理器被配置成基于该第二数据来生成点云，其中，该第二导航状态基于将该点云与该已知地图进行匹配。
3.如权利要求2所述的系统，其中，该点云包括指示该车辆附近的物体的多个反射点。
4.如权利要求3所述的系统，其中，该处理器被配置成去除指示动态物体的反射点。
5.如权利要求2至4中任一项所述的系统，其中，该处理器被配置成基于使用从该第一数据得到的相对车辆位姿变换将该第二数据累积到共同参考系中来生成该点云。
6.如权利要求5所述的系统，其中，该共同参考系是导航参考系。
7.如权利要求5或6所述的系统，其中，该第一导航状态包括第一车辆位姿，该第一车辆位姿包括第一车辆位置和第一车辆前进方向。
8.如权利要求7所述的系统，其中，该相对车辆位姿变换是车辆位姿从先前车辆位姿到该第一车辆位姿的变化。
9.如权利要求1至8中任一项所述的系统，其中，该处理器被配置成基于对该点云进行变换以匹配该已知地图来生成地图变换函数。
10.如权利要求9所述的系统，其中，该第二导航状态是基于该地图变换函数的。
11.如权利要求9或10所述的系统，其中，该变换是包括变换参数的迭代变换。
12.如权利要求11所述的系统，其中，该变换参数包括最大迭代次数和最小迭代步长。
13.如权利要求11或12所述的系统，其中，该变换参数包括地图分辨率。
14.如权利要求9至13中任一项所述的系统，其中，该处理器被配置成基于该点云与该已知地图之间的匹配来生成匹配似然性得分。
15.如权利要求14所述的系统，其中，该匹配似然性得分是基于贝叶斯匹配方法或点云配准方法生成的。
16.如权利要求14所述的系统，其中，该点云配准方法为迭代最近点方法或正态分布变换方法。
17.如权利要求1至16中任一项所述的系统，其中，该已知地图包括表示该环境中的物体的多个地图元素。
18.如权利要求17所述的系统，其中，该多个地图元素包括线段、点、或多边形中的至少一者。
19.如权利要求17或18所述的系统，其中，该处理器被配置成基于该第一车辆导航状态来从该已知地图中去除不可见的地图元素。
20.如权利要求17至19中任一项所述的系统，其中，该处理器被配置成基于在与新地图相邻的边界区域中检测到该第一导航状态来获得该新地图。
21.如权利要求1至20中任一项所述的系统，其中，该第一传感器被配置成在第一参考系中生成该第一数据，并且该第二传感器被配置成在第二参考系中生成该第二数据。
22.如权利要求21所述的系统，其中，该处理器被配置成将该第一数据和该第二数据变换到车辆参考系中。
23.如权利要求1至22中任一项所述的系统，其中，该第二传感器是测距传感器，并且该第二数据是由该测距传感器生成的测距数据。
24.如权利要求23所述的系统，其中，该测距传感器是无线电探测和测距(RADAR)传感器，并且该测距数据是由该RADAR传感器生成的RADAR数据。
25.如权利要求24所述的系统，其中，该RADAR传感器是多个RADAR传感器。
26.如权利要求24或25所述的系统，其中，该RADAR数据包括距离信息和方位信息。
27.如权利要求24至26中任一项所述的系统，其中，该RADAR数据包括相对速度信息。
28.如权利要求23所述的系统，其中，该测距传感器是光探测和测距(LiDAR)传感器，并且该测距数据是由该LIDAR传感器生成的LIDAR数据。
29.如权利要求1至28中任一项所述的系统，其中，该第一传感器是导航传感器，该导航传感器被配置成生成导航数据。
30.如权利要求29所述的系统，其中，该导航传感器包括车轮滴答编码器、惯性传感器、以及方向盘传感器。
31.如权利要求30所述的系统，其中，该导航传感器进一步包括相机。
32.如权利要求31所述的系统，其中，该相机是多个相机。
33.如权利要求30至32中任一项所述的系统，其中，该导航传感器进一步包括GNSS设备。
34.如权利要求1至33中任一项所述的系统，进一步包括存储器，该存储器通信地耦接到该处理器，其中，该已知地图被存储在该存储器中。
35.如权利要求34所述的系统，其中，该存储器对于该系统而言是本地的、对于该系统而言是远程的、或是它们的组合。
36.一种用于车辆定位的计算机实施的方法，包括：
从第一传感器获取指示车辆的第一导航状态的第一数据；
从第二传感器获取指示该车辆附近的环境的第二数据；
使用通信地耦接到该第一传感器和该第二传感器的处理器，基于将该第二数据匹配到该环境的已知地图来生成第二导航状态，以及
使用该处理器，基于该第一导航状态和该第二导航状态来生成当前导航状态。
37.如权利要求36所述的计算机实施的方法，进一步包括：
使用该处理器，基于对该第二数据进行累积来生成点云，其中，生成该第二导航状态基于将该点云匹配到该已知地图。
38.如权利要求37所述的计算机实施的方法，进一步包括：
使用该处理器，基于该第一导航状态与先前的第一导航状态之间的导航状态变化来生成相对车辆位姿变换，并且
其中，该处理器基于使用该相对车辆位姿变换以相对于该第一导航状态对该第二数据进行累积来生成该点云。
39.如权利要求37或38所述的计算机实施的方法，其中，该已知地图包括多个物体，该方法进一步包括：
使用该处理器来将该已知地图细分为多个单元格并且评估每个单元格以生成对应的概率分布函数，该概率分布函数指示该多个物体的对应子集占据对应的单元格。
40.如权利要求39所述的计算机实施的方法，其中，将该点云与该已知地图进行匹配是基于针对该多个单元格中的每个单元格的该对应的概率分布函数来评估该点云。
41.如权利要求37至40中任一项所述的计算机实施的方法，其中，将该点云匹配到该已知地图进一步包括：
对该点云进行迭代地变换并且评估每个迭代点云匹配该已知地图的似然性，其中，该第二导航状态基于该迭代点云具有匹配该已知地图的最高似然性。
42.如权利要求41所述的计算机实施的方法，其中，评估该匹配的似然性包括正态分布变换方法。
43.如权利要求36至42中任一项所述的计算机实施的方法，其中，该当前导航状态基于使用贝叶斯滤波器来对该第一导航状态和该第二导航状态进行融合。
44.如权利要求36至43中任一项所述的计算机实施的方法，其中，该第一传感器是导航传感器，并且该第二传感器是无线电探测和测距(RADAR)传感器。
45.如权利要求44所述的计算机实施的方法，其中，该RADAR传感器是多个RADAR传感器。
46.一种计算机可读介质，其上存储有计算机可执行指令，这些计算机可执行指令在由计算机执行时执行根据权利要求36至45中任一项所述的方法。
CN202180060262.5A 2020-05-22 2021-05-20 车辆定位系统和方法 Pending CN116134338A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202063029021P 2020-05-22 2020-05-22
US63/029,021 2020-05-22
PCT/CA2021/050687 WO2021232160A1 (en) 2020-05-22 2021-05-20 Vehicle localization system and method

Publications (1)

Publication Number Publication Date
CN116134338A true CN116134338A (zh) 2023-05-16

Family

ID=78708879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180060262.5A Pending CN116134338A (zh) 2020-05-22 2021-05-20 车辆定位系统和方法

Country Status (6)

Country Link
US (1) US20230194269A1 (zh)
EP (1) EP4136406A4 (zh)
JP (1) JP2023525927A (zh)
KR (1) KR20230014724A (zh)
CN (1) CN116134338A (zh)
WO (1) WO2021232160A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11428815B2 (en) * 2018-05-03 2022-08-30 Metawave Corporation Non-line-of-sight correction for target detection and identification in point clouds
US20230004170A1 (en) * 2021-06-30 2023-01-05 Delta Electronics Int'l (Singapore) Pte Ltd Modular control system and method for controlling automated guided vehicle
CN114061591B (zh) * 2021-11-18 2022-07-12 东南大学 一种基于滑动窗数据回溯的等值线匹配方法
US20230194301A1 (en) * 2021-12-16 2023-06-22 Univrses Ab High fidelity anchor points for real-time mapping with mobile devices

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016118672A2 (en) * 2015-01-20 2016-07-28 Solfice Research, Inc. Real time machine vision and point-cloud analysis for remote sensing and vehicle control
US11085775B2 (en) * 2016-09-28 2021-08-10 Tomtom Global Content B.V. Methods and systems for generating and using localisation reference data
EP3645972A4 (en) * 2017-06-30 2021-01-13 SZ DJI Technology Co., Ltd. CARD GENERATION SYSTEMS AND METHODS
US10684372B2 (en) * 2017-10-03 2020-06-16 Uatc, Llc Systems, devices, and methods for autonomous vehicle localization
US11294060B2 (en) * 2018-04-18 2022-04-05 Faraday & Future Inc. System and method for lidar-based vehicular localization relating to autonomous navigation
US11726208B2 (en) * 2018-06-15 2023-08-15 Uatc, Llc Autonomous vehicle localization using a Lidar intensity map
US11422253B2 (en) * 2018-11-19 2022-08-23 Tdk Corportation Method and system for positioning using tightly coupled radar, motion sensors and map information

Also Published As

Publication number Publication date
US20230194269A1 (en) 2023-06-22
KR20230014724A (ko) 2023-01-30
EP4136406A1 (en) 2023-02-22
EP4136406A4 (en) 2024-05-22
JP2023525927A (ja) 2023-06-19
WO2021232160A1 (en) 2021-11-25

Similar Documents

Publication Publication Date Title
US11675084B2 (en) Determining yaw error from map data, lasers, and cameras
KR102404155B1 (ko) 위치파악 참조 데이터를 생성 및 사용하기 위한 방법 및 시스템
CN109313031B (zh) 车载处理装置
EP3137850B1 (en) Method and system for determining a position relative to a digital map
US10604156B2 (en) System and method for adjusting a road boundary
CN116134338A (zh) 车辆定位系统和方法
CN110082753B (zh) 确定车辆位置的方法
JP2022106924A (ja) 自律的な自己位置推定のためのデバイス及び方法
JP5162849B2 (ja) 不動点位置記録装置
Yoneda et al. Vehicle localization using 76GHz omnidirectional millimeter-wave radar for winter automated driving
EP3707466A1 (en) Method of computer vision based localisation and navigation and system for performing the same
CN114199240B (zh) 无gps信号下二维码、激光雷达与imu融合定位系统及方法
JP4984659B2 (ja) 自車両位置推定装置
Khoshelham et al. Vehicle positioning in the absence of GNSS signals: Potential of visual-inertial odometry
Suganuma et al. Map based localization of autonomous vehicle and its public urban road driving evaluation
CN117234203A (zh) 一种多源里程融合slam井下导航方法
Deusch et al. Improving localization in digital maps with grid maps
JP7298882B2 (ja) 車両の自己位置推定装置、及び車両
RU2807978C1 (ru) Способ визуальной локализации городского рельсового транспорта на основе фильтров частиц калмана и данных о картировании
US20230140324A1 (en) Method of creating 3d volumetric scene
JP7302966B2 (ja) 移動体
Wagner et al. A Robust Localization Solution for an Uncrewed Ground Vehicle in Unstructured Outdoor GNSS-Denied Environments
JP2022028588A (ja) 位置取得装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination