CN116772858A - 车辆定位方法、装置、定位设备及存储介质 - Google Patents
车辆定位方法、装置、定位设备及存储介质 Download PDFInfo
- Publication number
- CN116772858A CN116772858A CN202310748392.9A CN202310748392A CN116772858A CN 116772858 A CN116772858 A CN 116772858A CN 202310748392 A CN202310748392 A CN 202310748392A CN 116772858 A CN116772858 A CN 116772858A
- Authority
- CN
- China
- Prior art keywords
- pose information
- information
- vehicle
- lane line
- determining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 238000001914 filtration Methods 0.000 claims abstract description 39
- 238000004590 computer program Methods 0.000 claims description 16
- 239000004973 liquid crystal related substance Substances 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000000926 separation method Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本发明公开了一种车辆定位方法、装置、定位设备及存储介质,该方法包括:获取车辆的里程计信息和可信初始位姿信息,根据里程计信息和可信初始位姿信息确定目标预测位姿信息;获取车辆上的图像采集设备和目标预测位姿信息对应的道路车道线之间的相对距离,以及相对距离和目标预测位姿信息之间的函数关系式;对函数关系式的各状态量分别求导,获得卡尔曼滤波算法的观测矩阵;基于卡尔曼滤波算法,根据观测矩阵和相对距离对目标预测位姿信息进行更新,获得车辆的定位位姿信息。在不依赖高精地图的情况下,结合基于相对距离所约束的卡尔曼滤波算法实现了精确的车辆定位,降低了车辆定位的计算资源消耗和成本,提升了车辆定位的实时性和稳定性。
Description
技术领域
本发明涉及自动驾驶车辆技术领域,尤其涉及一种车辆定位方法、装置、定位设备及存储介质。
背景技术
在自动驾驶系统中,车辆定位的精确性和实时性至关重要。在车辆定位技术中,高精度车辆定位是自动驾驶不断追求的目标。
目前,常见的车辆定位方法主要基于车辆组合导航设备提供的载波相位差分(Real Time Kinematic,RTK)定位信息和高精地图的匹配实现车辆定位,这种方法过度依赖于高精地图的先验信息。而高精地图未实现全范围覆盖,在高精地图不覆盖的场景下无法实现车辆准确的定位;同时高精地图的成本高且算力消耗大,导致车辆定位的实时性和经济性受到影响。
发明内容
本发明提供一种车辆定位方法、装置、定位设备及存储介质,在不依赖高精地图的情况下,利用一般精度的定位信息和里程计信息结合基于图像采集设备与道路车道线之间的相对距离所约束的卡尔曼滤波算法,实现精确的车辆定位,降低车辆定位的计算资源消耗和成本,提升车辆定位的实时性、经济性和稳定性。
根据本发明的一方面,提供了一种车辆定位方法,包括:
获取车辆的里程计信息和可信初始位姿信息,根据所述里程计信息和所述可信初始位姿信息确定目标预测位姿信息;
获取所述车辆上的图像采集设备和所述目标预测位姿信息对应的道路车道线之间的相对距离,以及所述相对距离和所述目标预测位姿信息之间的函数关系式;
对所述函数关系式的各状态量分别求导,获得卡尔曼滤波算法的观测矩阵;所述函数关系式的状态量包括:所述目标预测位姿信息对应的位置参数和姿态参数;
基于卡尔曼滤波算法,根据所述观测矩阵和所述相对距离对所述目标预测位姿信息进行更新,获得所述车辆的定位位姿信息。
根据本发明的另一方面,提供了一种车辆定位装置,包括:
第一获取模块,用于获取车辆的里程计信息和可信初始位姿信息,根据所述里程计信息和所述可信初始位姿信息确定目标预测位姿信息;
第二获取模块,用于获取所述车辆上的图像采集设备和所述目标预测位姿信息对应的道路车道线之间的相对距离,以及所述相对距离和所述目标预测位姿信息之间的函数关系式;
观测矩阵确定模块,用于对所述函数关系式的各状态量分别求导,获得卡尔曼滤波算法的观测矩阵;所述函数关系式的状态量包括:所述目标预测位姿信息对应的位置参数和姿态参数;
车辆定位模块,用于基于卡尔曼滤波算法,根据所述观测矩阵和所述相对距离对所述目标预测位姿信息进行更新,获得所述车辆的定位位姿信息。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的车辆定位方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的车辆定位方法。
本发明实施例的技术方案,通过获取车辆的里程计信息和可信初始位姿信息,根据里程计信息和可信初始位姿信息确定目标预测位姿信息;获取车辆上的图像采集设备和目标预测位姿信息对应的道路车道线之间的相对距离,以及相对距离和目标预测位姿信息之间的函数关系式;对函数关系式的各状态量分别求导,获得卡尔曼滤波算法的观测矩阵;函数关系式的状态量包括:目标预测位姿信息包含的位置参数和姿态参数;基于卡尔曼滤波算法,根据观测矩阵和相对距离对目标预测位姿信息进行更新,获得车辆的定位位姿信息。在不依赖高精地图的情况下,利用可信初始定位位姿信息和里程计信息,结合基于图像采集设备与道路车道线之间的相对距离所约束的卡尔曼滤波算法,实现了精确的车辆定位,降低了车辆定位的计算资源消耗和成本,提升了车辆定位的实时性、经济性和稳定性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种车辆定位方法的流程图;
图2是本发明实施例提供的另一种车辆定位方法的流程图;
图3是本发明实施例提供的又一种车辆定位方法的流程图;
图4是本发明实施例提供的一种车辆定位装置的结构示意图;
图5是实现本发明实施例的车辆定位方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有技术中,根据车辆组合导航模块提供的定位信息以及车辆当前行驶方向,在高精地图数据中提取当前行驶道路的车道线信息;将当前行驶道路的车道线信息与将当前行驶道路的图像经过全景分割后得到的分割结果中进行匹配,当前行驶道路的图像根据车辆视觉感知模块得到;基于当前行驶道路的车道线信息与当前行驶道路的图像经过全景分割后得到的分割结果中的车道线信息全景分割的匹配结果,确定车辆所在车道;根据车辆所在车道进行车道线点云匹配,实现对车辆位置的横向定位和航向角的纠正。但现有定位方法依赖车辆组合导航设备提供的定位信息在高精地图中进行车道线匹配,且仅在RTK定位信息为固定解时可用,除此之外,车道线点云匹配进行定位的横向及航向角的纠正依赖于高精地图的先验完整点云信息,并且只能降低标注成本,提高车道线匹配的正确率,而不是提高车辆定位的准确性。
由此,本发明提供的定位方法,在不依赖高精地图的情况下,结合基于相对距离所约束的卡尔曼滤波算法实现了精确的车辆定位,降低了车辆定位的计算资源消耗和成本,提升了车辆定位的实时性和稳定性。图1是本发明实施例提供的一种车辆定位方法的流程图,本实施例可适用于利用车道线对车辆进行定位的情况,该方法可以由车辆定位置来执行,该车辆定位装置可以采用硬件和/或软件的形式实现,该车辆定位装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取车辆的里程计信息和可信初始位姿信息,根据里程计信息和可信初始位姿信息确定目标预测位姿信息。
其中,车辆的里程计信息可以包括:底盘轮速和转角角速度。车辆的可信初始位姿信息可以理解为可以被信任,或者说足够精度的初始位姿信息;初始位姿信息可以包括:初始位置信息(x0,y0)和初始姿态信息θ0。在ROS中,里程计是指利用从车辆上的移动传感器获得的数据估计车辆位置随时间变化而改变的方法。
目标预测位姿信息可以理解为车辆在目标帧预测得到的位姿信息。由于目标预测位姿信息是预测得到的位姿信息,还需要经过解算才能得到精确的定位位姿信息,因此,目标预测位姿信息也可以理解为待解算的位姿信息。
具体的,通过车辆的传感器获取车辆的底盘轮速和转向角速度等里程计信息,并获取车辆的可信初始位姿信息,结合里程计信息和可信初始位姿信息的帧间递推得到目标预测位姿信息。
示例性的,获取车辆的可信初始位姿信息的方式可以为:通过对获取到的一般精度初始位姿信息(如GPS定位信息)进行初始化操作、预处理等方式获得精确度满足要求的可信初始位姿信息;或者可以直接获取精度足够高的位姿信息作为可信初始位姿信息,如上一帧时刻获得的定位位姿信息,或者其他方式获取到的具有一定精度的定位信息。
S120、获取车辆上的图像采集设备和目标预测位姿信息对应的道路车道线之间的相对距离,以及相对距离和目标预测位姿信息之间的函数关系式。
其中,图像采集设备是具有图像采集功能的设备,例如可以是相机和雷达摄像头等,用于采集地面道路的图像。图像采集设备设置在车辆上的固定位置,本发明实施例对图像采集设备在车辆上的设置位置不作限定,一般相机设置在车辆的车头方向,可以设置在车头方向的中心轴上,也可以设置在车头方向的中心轴的一侧。
目标预测位姿信息对应的道路车道线可以理解为车辆处于目标预测位姿信息对应的位姿时所在道路上的车道线。一般为了方便计算,可以选择所在道路上距离车辆最近的车道线作为目标预测位姿信息对应的道路车道线。可以理解的是,该道路车道线一般是指道路或车道两侧纵向车道线。
具体的,获取车辆在处于目标预测位姿信息对应的位姿时,车辆上的图像采集设备与车辆所在道路上的道路车道线之间的相对距离。另外,由于图像采集设备在车辆的安装位置固定,且道路车道线的轨迹固定,图像采集设备与道路车道线之间的相对距离可以由车辆的目标预测位姿信息所决定。因此,可以确定车辆上的图像采集设备和目标预测位姿信息对应的道路车道线的相对距离,与目标预测位姿信息之间的函数关系式。
示例性的,获取车辆上的图像采集设备和目标预测位姿信息对应的道路车道线之间的相对距离的方式可以为:提取车辆上的图像采集设备采集得到的道路采集图像中的感知车道线;根据感知车道线的坐标、图像采集设备的参数(如内参、外参、畸变参数)确定图像采集设备和道路车道线的相对距离。
本步骤无需依赖高精地图,通过获取可信初始定位位姿信息、里程计信息以及车辆上的图像采集设备和目标预测位姿信息对应的道路车道线之间的相对距离就可以实现精确的车辆定位,降低了车辆定位技术的数据获取成本和计算力。
S130、对函数关系式的各状态量分别求导,获得卡尔曼滤波算法的观测矩阵;函数关系式的状态量包括:目标预测位姿信息对应的位置参数和姿态参数。
其中,相对距离与目标预测位姿信息之间的函数关系式的状态量是目标预测位姿信息对应的位置参数(x″i,y″i)和姿态参数θ″i。示例性的,函数关系式为z1=f(x″i,y″i,θ″i),其中,z1为车辆上的图像采集设备和目标预测位姿信息对应的道路车道线之间的相对距离。
具体的,对函数关系式的各状态量(x″i,y″i,θ″i)分别进行求导,得到函数关系相对与于各状态量的导数,并将函数关系式z=f(x″i,y″i,θ″i)相对于各状态量(x″i,y″i,θ″i)的导数构成的矩阵作为卡尔曼滤波算法的观测矩阵H。
S140、基于卡尔曼滤波算法,根据观测矩阵和相对距离对目标预测位姿信息进行更新,获得车辆的定位位姿信息。
其中,车辆的定位位姿信息可以理解为最终解算得到的精确的位姿信息。
卡尔曼滤波(Kalman)算法是一种在线性系统中获取最优估计的方法。卡尔曼滤波算法的基本思想是对测量值的不确定性和系统状态的不确定性进行有效的权衡,用观测到的时变数据情况更新当前估计值,从而得到最佳状态估计结果。卡尔曼滤波算法可以分为三个阶段:预测、更新和融合。预测过程是预测状态估计值;更新过程是根据从系统中获取到的最新观察信息,更新预测的状态估计值;融合步骤是将预测结果和更新结果进行综合估计,得出最终的状态估计值。
在本实施例中,预测的状态估计值为目标预测位姿信息,最终的状态估计值为车辆的定位位姿信息。最新观察信息为车辆上的图像采集设备和目标预测位姿信息对应的道路车道线之间的相对距离。
具体的,将获取到的车辆上的图像采集设备和目标预测位姿信息对应的道路车道线之间的相对距离输入卡尔曼滤波算法,根据卡尔曼滤波算法的观测矩阵的更新目标预测位姿信息,获得车辆的定位位姿信息。
示例性的,在卡尔曼滤波算法的具体步骤为:(1)根据目标预测位姿信息确定状态矩阵的预测量X′和协方差矩阵的预测量P′;
(2)根据协方差矩阵的预测量P′、观测矩阵H和卡尔曼滤波器的观测噪声矩阵R确定卡尔曼增益K为:
K=P′HT(HP′HT+R)-1;
(3)根据卡尔曼增益K、目标预测位姿信息(x,y,θ)和相对距离z1=f(x,y,θ)更新状态矩阵的预测量X′得到所述状态矩阵的更新量X为:
X=X′+X(z-HX′);
z=[z1,z2];z1=f(x″i,y″i,θ″i);z2=θ″i;
(4)根据卡尔曼增益K和观测矩阵H更新协方差矩阵的预测量P′得到协方差矩阵的更新量P为:
P=(I-KH)P′。
通过以上步骤,可知更新后的X即为当前帧的定位位姿信息,之后利用更新的P进行下一帧的预测,获得下一帧的定位位姿信息,如此循环,获得不同时刻下的定位位姿信息。
本步骤根据车辆上的图像采集设备和目标预测位姿信息对应的道路车道线的相对距离以及目标预测位姿信息之间的函数关系式,确定卡尔曼滤波算法的观测矩阵,实现基于图像采集设备与道路车道线之间的相对距离的约束构建优化问题并采用卡尔曼滤波解算方法进行解算。由于观测矩阵来源于车辆上的图像采集设备与道路车道线之间的相对距离,即点与直线之间的距离,相对于传统算法中采用多个离散点对车辆中心点之间的约束构建优化问题进行解算,无论在稳定性还是精确度上都有一定程度的提高,且简单易实现,改善了定位导航效果。
本发明实施例的技术方案,通过获取车辆的里程计信息和可信初始位姿信息,根据里程计信息和可信初始位姿信息确定目标预测位姿信息;获取车辆上的图像采集设备和目标预测位姿信息对应的道路车道线之间的相对距离,以及相对距离和目标预测位姿信息之间的函数关系式;对函数关系式的各状态量分别求导,获得卡尔曼滤波算法的观测矩阵;函数关系式的状态量包括:目标预测位姿信息包含的位置参数和姿态参数;基于卡尔曼滤波算法,根据观测矩阵和相对距离对目标预测位姿信息进行更新,获得车辆的定位位姿信息。在不依赖高精地图的情况下,利用可信初始定位位姿信息和里程计信息,结合基于图像采集设备与道路车道线之间的相对距离所约束的卡尔曼滤波算法,实现了精确的车辆定位,降低了车辆定位的计算资源消耗和成本,提升了车辆定位的实时性、经济性和稳定性。
在一个可选的实施例中,在S120中的获取所述相对距离和所述目标预测位姿信息之间的函数关系式,包括:
S121、获取先验道路地图中的先验车道线的轨迹参数,以及所述图像采集设备与所述车辆的后轴中心点之间的间隔距离,所述间隔距离包括:横向间隔距离和纵向间隔距离。
其中,先验道路地图可以理解为包含道路车道线的位置信息的地图,该先验道路地图是轻量化的语义地图即可,而无需是高精度的地图,降低了对地图的精度要求。
图像采集设备与车辆的后轴中心之间的间隔距离包括:横向间隔距离LH以及纵向间隔距离LV;横向间隔距离LH是指图像采集设备与车辆的纵向中心线之间的距离;纵向间隔距离LV是指图像采集设备与车辆的后轴线之间的距离。
具体的,获取先验道路地图,并从先验道路地图中解析得到目标预测位姿信息所在道路的先验车道线的轨迹参数,如先验车道线的轨迹方程可以采用直线方程表示为y=ax+b,轨迹参数即为a和b。
由于车辆的位姿信息一般以车辆的后轴中心为参考位置点,而图像采集设备一般设置在前轴中心附近,因此,需要获取车辆上的图像采集设备与车辆的后轴中心之间的横向间隔距离LH以及纵向间隔距离LV。
S122、根据所述目标预测位姿信息、所述轨迹参数和所述间隔距离确定所述相对距离和目标预测位姿信息之间的函数关系式。
具体的,在确定图像采集设备和车辆的后轴中心之间的间隔距离(横向间隔距离LH以及纵向间隔距离LV)之后,根据车辆的目标预测位姿信息也即车辆的后轴中心点的预测位姿信息,以及道路车道线对应的先验道路地图中的先验车道线的轨迹参数a和b,确定车辆上的图像采集设备和目标预测位姿信息对应的道路车道线之间的相对距离与目标预测位姿信息之间的函数关系式为:
在上述实施例的基础上,步骤S130、对函数关系式的各状态量分别求导,获得卡尔曼滤波算法的观测矩阵为:
且z2=θ″;
于是,
从而,观测矩阵H为:
在本实施例中,由于车辆定位过程无需依赖高精地图,只需获取轻量化的语义地图即可实现精确的车辆定位,因此本发明实施例提供的车辆定位方法可以适用于没有完全覆盖高精度地图的区域,拓宽了基于车辆定位方法的适用场景。
图2是本发明实施例提供的另一种车辆定位方法的流程图。在本发明中需要经过卡尔曼滤波进行解算的目标预测位姿信息是根据里程计信息和可信初始位姿信息确定的。因此需要获取可信初始位姿信息,而获取高精度的RTK定位信息的成本较高。针对上述问题,本实施例在上述实施例的基础上,对步骤S110中“获取可信初始位姿信息”的步骤进一步细化为:根据所述里程计信息和所述初始位姿信息确定第一预测位姿信息;获取先验道路地图中的先验车道线,以及所述第一预测位姿信息对应的道路采集图像中的感知车道线;对所述感知车道线和所述先验车道线进行一致性校验,获得可信初始位姿信息。本实施例中获取可信初始位姿信息以应用在车辆定位的起始阶段。
如图2所示,该方法包括:
S210、获取车辆的里程计信息和初始位姿信息。
其中,初始位姿信息是车辆在初始状态下没有被信任的位姿信息,初始位姿信息例如可以是一般精度的GPS定位信息。
S220、根据里程计信息和初始位姿信息确定第一预测位姿信息。
其中,第一预测位姿信息可以理解为用于对初始位姿信息进行初始化的预测位姿信息,初始化过程也可以理解为对初始位姿信息是否可信进行验证的过程。第一预测位姿信息可以是初始位姿信息对应的帧时间之后的一个或多个帧时间预测得到的位姿信息。
具体的,在获取到的车辆的里程计信息(包括:底盘轮速和转角角速度)和初始位姿信息之后,根据里程计信息和初始位姿信息利用帧间运动模型进行帧间递推,获得第一预测位姿信息。
示例性的,根据底盘轮速vcan、转角角速度ω和初始位姿信息(x0,y0,θ0)第一预测位姿信息(x′,y′,θ′)的帧间递推过程为:
θ′=θ0+ωdt;
x′=x0+vcandt×cosθ′;
y′=y0+vcandt×sinθ′。
S230、获取先验道路地图中的先验车道线,以及第一预测位姿信息对应的道路采集图像中的感知车道线。
其中,先验车道线是指从先验道路地图中所提取得到的车道线;感知车道线是指从车辆上的图像采集装置采集到的道路采集图像中所提取得到的车道线。
具体的,从获取到的先验道路地图中提取先验车道线,获取车辆位于第一预测位姿信息对应的位姿时,通过图像采集设备采集大的道路采集图像,并从道路采集图像中提取感知车道线。
示例性的,从道路采集图像中提取感知车道线的方式可以为:首先通过逆透视变化算法(Inverse Perspective Mapping,IPM)消除图像视角的影响,创建基于鸟瞰图(Bird's Eye View,BEV)视角的图像,再对BEV视角下的图像进行全景分割,获得感知车道线。因为道路车道线是覆盖程度最广的一种标志,且对于自动驾驶车辆来说,车辆在横向定位上的准确度和稳定性更为重要,因此本发明实施例中优先使用车道或道路两侧的纵向车道线,而不选用在道路上出现比率较低的纵向路标,如车辆停止线或箭头等。
S240、对感知车道线和先验车道线进行一致性校验,获得可信初始位姿信息。
具体的,获取到初始位姿信息之后需要对初始位姿信息进行验证,以确定可信初始位姿信息,才能进一步根据可信初始位姿信息和里程计信息确定目标预测位姿信息。对初始位姿信息是否可信采用的方式为:确定先验道路地图中的先验车道线,以及根据初始位姿信息帧间递推得到的第一预测位姿信息对应的道路采集图像中的感知车道线二者之间的一致性。若一致性校验通过,则根据初始位姿信息确定可信初始位姿信息。
示例性的,若一致性校验通过,则根据初始位姿信息确定可信初始位姿信息的方式可以为:若采用单帧第一预测位姿信息对应的感知车道线和先验车道线进行一致性校验,且一致性校验通过,则可以直接将初始位姿信息确定为初始位姿信息;或者可以为若采用多帧第一预测位姿信息对应的感知车道线和先验车道线进行一致性校验,则根据初始位姿信息和里程计信息确定多帧第一预测位姿信息,且一致性校验通过,则将多帧第一预测位姿信息中的最后一帧预测位姿信息确定为可信初始位姿信息。
S250、根据里程计信息和可信初始位姿信息确定目标预测位姿信息。
具体的,基于一致性校验,有初始位姿信息确定的可信初始位姿信息可以认为是足够准确的,因此,可以根据里程计信息和可信初始位姿信息递推得到相对比较准确的目标预测位姿信息。目标预测位姿信息再经过步骤S260至S280的基于图像采集设备与道路车道线之间的相对距离的约束的卡尔曼滤波算法的更新,可以获得精确的定位位姿信息。
示例性的,初始位姿信息(x0,y0,θ0)在经过里程计信息预测得到n帧第一预测位姿信息(x′1,y′1,θ′1)至(x′n,y′n,θ′n)对应的感知车道线和先验车道线的一致性校验后,当一致性校验成功后,将第n帧第一预测位姿信息(x′n,y′n,θ′n)确定可信初始位姿信息。根据可信初始位姿信息(x′n,y′n,θ′n)和车辆里程计信息确定第n+1帧的目标预测位姿信息(x″n+1,y″n+1,θ″n+1)。
在本发明中可以采用如下两种方式根据里程计信息和可信初始位姿信息确定目标预测位姿信息的方式。
在一个可选的实施例中,根据里程计信息和可信初始位姿信息确定目标预测位姿信息,包括:根据里程计信息和可信初始位姿信息进行帧间递推得到第二预测位姿信息,将第二预测位姿信息确定为目标预测位姿信息。
具体的,根据里程计信息和可信初始位姿信息(x′n,y′n,θ′n)进行帧间递推得到第二预测位姿信息(x′n+1,y′n+1,θ′n+1),将第二预测位姿信息(x′n+1,y′n+1,θ′n+1)确定为目标预测位姿信息(x′ n ′ +1,y′ n ′ +1,θ′ n ′ +1)。
在另一个可选的实施例中,根据里程计信息和可信初始位姿信息确定目标预测位姿信息,包括:根据所述里程计信息和所述可信初始位姿信息确定第二预测位姿信息;根据所述第二预测位姿信息和与所述第二预测位姿信息对应的初始位姿信息确定目标预测位姿信息。
具体的,根据里程计信息和可信初始位姿信息(x′n,y′n,θ′n)进行帧间递推得到第二预测位姿信息(x′n+1,y′n+1,θ′n+1);获取第二预测位姿信息(x′n+1,y′n+1,θ′n+1)对应的初始位姿信息(xn+1,yn+1,θn+1);根据第二预测位姿信息(x′n+1,y′n+1,θ′n+1)和与第二预测位姿信息对应的初始位姿信息(xn+1,yn+1,θn+1)确定目标预测位姿信息(x″n+1,y″n+1,θ″n+1)。
S260、获取车辆上的图像采集设备和目标预测位姿信息对应的道路车道线之间的相对距离,以及相对距离和目标预测位姿信息之间的函数关系式。
S270、对函数关系式的各状态量分别求导,获得卡尔曼滤波算法的观测矩阵;函数关系式的状态量包括:目标预测位姿信息对应的位置参数和姿态参数。
S280、基于卡尔曼滤波算法,根据观测矩阵和相对距离对目标预测位姿信息进行更新,获得车辆的定位位姿信息。
S280、将定位位姿信息确定为可信初始位姿信息。
具体的,在获得车辆的定位位姿信息之后,将定位位姿信息确定为可信初始位姿信息,并返回执行S250以确定车辆在下一帧的定位位姿信息。
本发明实施例的技术方案,通过利用先验道路地图中的先验车道线以及图像采集装置采集的道路采集图像中的感知车道线之间的一致性,对初始位姿信息进行初始化得到可信初始位姿信息,根据里程计信息和可信初始位姿信息确定目标预测位姿信息,基于图像采集设备与道路车道线之间的相对距离的约束的卡尔曼滤波算法对目标预测位姿信息进行更新,获得精确的定位位姿信息。在不依赖高精度的RTK定位技术和高精地图的情况下,利用先验道路地图中的先验车道线和道路采集图像中的感知车道线之间的一致性校验对初始位姿信息进行初始化得到可信初始位姿信息,保证了车辆定位过程中使用的初始位姿信息的精确度,进而保证了车辆定位的精确度,实现了基于低精度的GPS定位信息和低精度的先验道路地图,就可得到鲁棒的定位位姿信息,在保证车辆定位精度的同时,降低了车辆定位的成本。
在一个可选的实施中,S220、根据里程计信息和初始位姿信息确定第一预测位姿信息,包括:
根据所述里程计信息和所述初始位姿信息采用滑动窗口确定各帧第一预测位姿信息。
具体的,在对感知车道线和先验车道线进行一致性校验,获得可信初始位姿信息的过程中,可以采用单帧的车道线一致性校验,也可以采用多帧的车道线一致性校验。但是,无论是先验道路地图中的先验车道线,还是从道路采集图像中提取到的感知车道线都可能存在一定误差,因此,单帧车道线的一致性校验结果可能存在较大的误差。因而,本发明实施例采用多帧车道线的一致性校验对初始位姿信息进行初始化,获得可信初始位姿信息。
在本实施例中,主要利用滑动窗口确定多帧第一预测位姿信息,其中,滑动窗口的窗口宽度可以根据实际需求设定为n帧。滑动窗口确定n帧第一预测位姿信息的具体方式可以为:获取滑动窗口的n帧对应的里程计信息,根据初始帧的初始位姿信息(x0,y0,θ0)和里程计信息进行帧间递推得到第1帧的第一预测位姿信息(x′1,y′1,θ′1),根据第1帧的第一预测位姿信息(x′1,y′1,θ′1)和里程计信息确定下一帧的第一预测位姿信息,依此类推获得滑动窗口的第n帧对应的第一预测位姿信息(x′n,y′n,θ′n),其中,初始位姿信息为GPS在初始帧的位姿信息。
在上述可选实施例的基础上,步骤S240、对感知车道线和先验车道线进行一致性校验,获得可信初始位姿信息,包括:
S241、对所述滑动窗口内的每一帧第一预测位姿信息对应的感知车道线,基于迭代最近点算法确定所述感知车道线与所述先验车道线之间的车道线距离。
具体的,在上述实施例的基础上,对于滑动窗口内的每一帧第一预测位姿信息,第一预测位姿信息对应的感知车道线与先验车道线输入迭代最近点算法(ICP),基于最近点算法对,获得感知车道线与先验车道线进行对齐后二者之间的车道线距离。从而,可以获得滑动窗口内的n帧第一预测位姿信息对应的感知车道线与先验车道线之间的车道线距离。
S242、根据各帧车道线距离确定一致性误差。
其中,一致性误差可以理解为用于表示感知车道线和先验车道线的之间的车道线位置信息的误差程度的评价指标。
具体的,根据各帧感知车道线和先验车道线之间的车道线距离,确定感知车道线和先验车道线之间的一致性误差。
在一个可选的实施例中,确定各帧感知车道线和先验车道线之间的车道线距离的平均值,将该平均值确定为感知车道线和先验车道线之间的一致性误差。
在另一个可选的实施中,将各帧感知车道线与先验车道线之间的车道线距离的最大值确定为感知车道线与先验车道线之间的一致性误差。
在一个优选的实施例中,根据各帧车道线距离确定一致性误差,包括:去除各帧车道线距离中的最大车道线距离和最小车道线距离,获得剩余车道线距离;将所述剩余车道线距离的平均值确定为所述一致性误差。
S243、若一致性误差小于预设误差阈值,则将滑动窗口中的最后一帧第一预测位姿信息作为可信初始位姿信息。
其中,预设误差阈值是允许感知车道线与先验车道线之间的车道线距离存在的最小误差,预设误差阈值可以根据实际需求设定,本实施例对此不设限制。
具体的,在上述实施例的基础上,若第一预测位姿信息对应的感知车道线与先验车道线之间的一致性误差小于预设误差阈值,表示滑动窗口内的n帧第一预测位姿信息对应的感知车道线和先验车道线能够通过一致性校验,可以认为滑动窗口内预测得到的n帧第一预测位姿信息均是可信的。因此,可以将滑动窗口中的最后一帧(即第n帧)第一预测位姿信息作为可信初始位姿信息,用于确定下一帧对应的目标预测位姿信息。
S244、若一致性误差大于或等于预设误差阈值,获取滑动窗口中的最后一帧第一预测位姿信息对应的初始位姿信息,并返回执行根据里程计信息和初始位姿信息采用滑动窗口确定各帧第一预测位姿信息的步骤,直到获得可信初始位姿信息。
具体的,在上述实施例的基础上,若一致性误差大于或等于预设误差阈值,表示滑动窗口内的n帧第一预测位姿信息对应的感知车道线和先验车道线没有通过一致性校验,需要获取滑动窗口中的最后一帧(即第n帧)第一预测位姿信息(x′n,y′n,θ′n)对应的初始位姿信息(xn,yn,θn),以滑动步长为n帧,向下一帧时刻的方向移动滑动窗口,并返回执行步骤S220,根据里程计信息和初始位姿信息(xn,yn,θn)采用滑动窗口确定第n+1帧至第2(n+1)帧的第一预测位姿信息,并继续执行步骤S230至步骤S240。以此类推,直到获得可信初始位姿信息。每次都需要对滑动窗口中第一预测位姿信息对应的感知车道线与先验车道线之间的车道线距离进行一致性校验。
图3是本发明实施例提供的又一种车辆定位方法的流程图。上述实施例针对车辆的定位启动阶段,由于初始位姿信息不一定准确,因此需要对初始位姿信息进行初始化后才能用于递推得到目标预测位姿信息。如果初始位姿信息如果是已获得的定位位姿信息,则不需要执行对初始位姿信息进行初始获得可信定位位姿信息的过程,直接将定位位姿信息作为可信初始位姿信息,结合里程计信息确定目标预测位姿信息。因此,本实施例在上述实施例的步骤S140中“基于卡尔曼滤波算法,根据所述观测矩阵和所述相对距离对所述目标预测位姿信息进行更新,获得所述车辆的定位位姿信息”之后,进一步增加新的技术特征“将所述车辆的定位位姿信息确定为所述可信初始位姿信息”。本实施例可以应用在车辆获得至少一个定位位姿信息的情况下的车辆定位。
如图3所示,该方法包括:
S310、获取车辆的里程计信息,并将车辆定位位姿信息确定为可信初始位姿信息。
具体的,定位位姿信息经过基于图像采集设备与道路车道线之间的相对距离的约束的卡尔曼滤波算法的更新,因此,可以信任定位位姿信息是足够准确的。从而,可以将车辆的定位位姿信息确定为初始位姿信息。
S320、根据里程计信息和可信初始位姿信息确定目标预测位姿信息。
在本实施例中,确定目标预测位姿信息的方法和上述实施例相同,本实施例对此不再赘述。
S330、获取车辆上的图像采集设备和目标预测位姿信息对应的道路车道线之间的相对距离,以及相对距离和目标预测位姿信息之间的函数关系式。
S340、对函数关系式的各状态量分别求导,获得卡尔曼滤波算法的观测矩阵;函数关系式的状态量包括:目标预测位姿信息对应的位置参数和姿态参数。
S350、基于卡尔曼滤波算法,根据观测矩阵和相对距离对目标预测位姿信息进行更新,获得车辆的定位位姿信息。
具体的,在获得车辆的定位位姿信息之后,可以将定位位姿信息确定下一帧的可信初始位姿信息,并返回执行根据里程计信息和可信初始位姿信息确定目标预测位姿信息的步骤,最终得到下一帧的定位位姿信息。
本发明实施例,通过将车辆的定位位姿信息确定为初始位姿信息,根据所述里程计信息和可信初始位姿信息确定目标预测位姿信息;获取车辆上的图像采集设备和目标预测位姿信息对应的道路车道线之间的相对距离,以及相对距离和目标预测位姿信息之间的函数关系式;对函数关系式的各状态量分别求导,获得卡尔曼滤波算法的观测矩阵;基于卡尔曼滤波算法,根据观测矩阵和相对距离对所述目标预测位姿信息进行更新,获得车辆的定位位姿信息。在基于低精度的GPS定位信息和低精度的先验道路地图,就可得到鲁棒且精确的定位位姿信息的基础上,通过将车辆的定位位姿信息确定为初始位姿信息,进一步省去了可信初始位姿信息的初始化过程,降低了车辆定位的计算量,提高了车辆定位的速度,满足了对车辆定位的实时性需求。
图4是本发明实施例提供的一种车辆定位装置的结构示意图。如图4所示,该装置包括:
第一获取模块410,用于获取车辆的里程计信息和可信初始位姿信息,根据所述里程计信息和所述可信初始位姿信息确定目标预测位姿信息;
第二获取模块420,用于获取所述车辆上的图像采集设备和所述目标预测位姿信息对应的道路车道线之间的相对距离,以及所述相对距离和所述目标预测位姿信息之间的函数关系式;
观测矩阵确定模块430,用于对所述函数关系式的各状态量分别求导,获得卡尔曼滤波算法的观测矩阵;所述函数关系式的状态量包括:所述目标预测位姿信息对应的位置参数和姿态参数;
车辆定位模块440,用于基于卡尔曼滤波算法,根据所述观测矩阵和所述相对距离对所述目标预测位姿信息进行更新,获得所述车辆的定位位姿信息。
可选的,第二获取模块420包括:
参数获取单元,用于获取先验道路地图中的先验车道线的轨迹参数,以及所述图像采集设备与所述车辆的后轴中心点之间的间隔距离,所述间隔距离包括:横向间隔距离和纵向间隔距离;
函数确定单元,用于根据所述目标预测位姿信息、所述轨迹参数和所述间隔距离确定所述相对距离和目标预测位姿信息之间的函数关系式。
第一位姿确定单元,用于根据所述里程计信息和所述初始位姿信息确定第一预测位姿信息;
可选的,第一获取模块410包括:
初始位姿获取单元,用于获取车辆的初始位姿信息;
车道线获取单元,用于获取先验道路地图中的先验车道线,以及所述第一预测位姿信息对应的道路采集图像中的感知车道线;
校验单元,用于对所述感知车道线和所述先验车道线进行一致性校验,获得可信初始位姿信息。
可选的,目标位姿确定单元,具体用于:
根据所述里程计信息和所述可信初始位姿信息确定第二预测位姿信息;
根据所述第二预测位姿信息和与所述第二预测位姿信息对应的初始位姿信息确定目标预测位姿信息。
可选的,第一位姿确定单元,具体用于:
根据所述里程计信息和所述初始位姿信息采用滑动窗口确定各帧第一预测位姿信息;
相应的,校验单元,包括:
距离计算子单元,用于对所述滑动窗口内的每一帧第一预测位姿信息对应的感知车道线,基于迭代最近点算法确定所述感知车道线与所述先验车道线之间的车道线距离;
误差确定子单元,用于根据各帧车道线距离确定一致性误差;
第一可信位姿确定子单元,用于若所述一致性误差小于预设误差阈值,则将所述滑动窗口中的最后一帧第一预测位姿信息作为可信初始位姿信息;
第二可信位姿确定子单元,用于若所述一致性误差大于或等于所述预设误差阈值,获取所述滑动窗口中的最后一帧第一预测位姿信息对应的初始位姿信息,并返回执行根据所述里程计信息和所述初始位姿信息采用滑动窗口确定各帧第一预测位姿信息的步骤,直到获得所述可信初始位姿信息。
可选的,误差确定子单元,具体用于:
去除各帧车道线距离中的最大车道线距离和最小车道线距离,获得剩余车道线距离;
将所述剩余车道线距离的平均值确定为所述一致性误差。
可选的,还包括:
可信位姿确定模块,用于将所述车辆的定位位姿信息确定为所述可信初始位姿信息。
本发明实施例所提供的车辆定位装置可执行本发明任意实施例所提供的车辆定位方法,具备执行方法相应的功能模块和有益效果。
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)、车载设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如车辆定位方法。
在一些实施例中,车辆定位方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的车辆定位方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车辆定位方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种车辆定位方法,其特征在于,包括:
获取车辆的里程计信息和可信初始位姿信息,根据所述里程计信息和所述可信初始位姿信息确定目标预测位姿信息;
获取所述车辆上的图像采集设备和所述目标预测位姿信息对应的道路车道线之间的相对距离,以及所述相对距离和所述目标预测位姿信息之间的函数关系式;
对所述函数关系式的各状态量分别求导,获得卡尔曼滤波算法的观测矩阵;所述函数关系式的状态量包括:所述目标预测位姿信息对应的位置参数和姿态参数;
基于卡尔曼滤波算法,根据所述观测矩阵和所述相对距离对所述目标预测位姿信息进行更新,获得所述车辆的定位位姿信息。
2.根据权利要求1所述的方法,其特征在于,获取所述相对距离和所述目标预测位姿信息之间的函数关系式,包括:
获取先验道路地图中的先验车道线的轨迹参数,以及所述图像采集设备与所述车辆的后轴中心点之间的间隔距离,所述间隔距离包括:横向间隔距离和纵向间隔距离;
根据所述目标预测位姿信息、所述轨迹参数和所述间隔距离确定所述相对距离和目标预测位姿信息之间的函数关系式。
3.根据权利要求1所述的方法,其特征在于,获取可信初始位姿信息,包括:
获取车辆的初始位姿信息;
根据所述里程计信息和所述初始位姿信息确定第一预测位姿信息;
获取先验道路地图中的先验车道线,以及所述第一预测位姿信息对应的道路采集图像中的感知车道线;
对所述感知车道线和所述先验车道线进行一致性校验,获得可信初始位姿信息。
4.根据权利要求1或3所述的方法,其特征在于,所述根据所述里程计信息和所述可信初始位姿信息确定目标预测位姿信息,包括:
根据所述里程计信息和所述可信初始位姿信息确定第二预测位姿信息;
根据所述第二预测位姿信息和与所述第二预测位姿信息对应的初始位姿信息确定目标预测位姿信息。
5.根据权利要求3所述的方法,其特征在于,所述根据所述里程计信息和所述初始位姿信息确定第一预测位姿信息,包括:
根据所述里程计信息和所述初始位姿信息采用滑动窗口确定各帧第一预测位姿信息;
相应的,所述对所述感知车道线和所述先验车道线进行一致性校验,获得可信初始位姿信息,包括:
对所述滑动窗口内的每一帧第一预测位姿信息对应的感知车道线,基于迭代最近点算法确定所述感知车道线与所述先验车道线之间的车道线距离;
根据各帧车道线距离确定一致性误差;
若所述一致性误差小于预设误差阈值,则将所述滑动窗口中的最后一帧第一预测位姿信息作为可信初始位姿信息;
若所述一致性误差大于或等于所述预设误差阈值,获取所述滑动窗口中的最后一帧第一预测位姿信息对应的初始位姿信息,并返回执行根据所述里程计信息和所述初始位姿信息采用滑动窗口确定各帧第一预测位姿信息的步骤,直到获得所述可信初始位姿信息。
6.根据权利要求5所述的方法,其特征在于,所述根据各帧车道线距离确定一致性误差,包括:
去除各帧车道线距离中的最大车道线距离和最小车道线距离,获得剩余车道线距离;
将所述剩余车道线距离的平均值确定为所述一致性误差。
7.根据权利要求1所述的方法,其特征在于,在获得所述车辆的定位位姿信息之后,还包括:将所述定位位姿信息确定为所述可信初始位姿信息。
8.一种车辆定位装置,其特征在于,包括:
第一获取模块,用于获取车辆的里程计信息和可信初始位姿信息,根据所述里程计信息和所述可信初始位姿信息确定目标预测位姿信息;
第二获取模块,用于获取所述车辆上的图像采集设备和所述目标预测位姿信息对应的道路车道线之间的相对距离,以及所述相对距离和所述目标预测位姿信息之间的函数关系式;
观测矩阵确定模块,用于对所述函数关系式的各状态量分别求导,获得卡尔曼滤波算法的观测矩阵;所述函数关系式的状态量包括:所述目标预测位姿信息对应的位置参数和姿态参数;
车辆定位模块,用于基于卡尔曼滤波算法,根据所述观测矩阵和所述相对距离对所述目标预测位姿信息进行更新,获得所述车辆的定位位姿信息。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的车辆定位方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的车辆定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310748392.9A CN116772858A (zh) | 2023-06-21 | 2023-06-21 | 车辆定位方法、装置、定位设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310748392.9A CN116772858A (zh) | 2023-06-21 | 2023-06-21 | 车辆定位方法、装置、定位设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116772858A true CN116772858A (zh) | 2023-09-19 |
Family
ID=87994303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310748392.9A Pending CN116772858A (zh) | 2023-06-21 | 2023-06-21 | 车辆定位方法、装置、定位设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116772858A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117471513A (zh) * | 2023-12-26 | 2024-01-30 | 合众新能源汽车股份有限公司 | 一种车辆定位方法、定位装置、电子设备及存储介质 |
-
2023
- 2023-06-21 CN CN202310748392.9A patent/CN116772858A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117471513A (zh) * | 2023-12-26 | 2024-01-30 | 合众新能源汽车股份有限公司 | 一种车辆定位方法、定位装置、电子设备及存储介质 |
CN117471513B (zh) * | 2023-12-26 | 2024-03-15 | 合众新能源汽车股份有限公司 | 一种车辆定位方法、定位装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111656136B (zh) | 使用激光雷达的车辆定位系统 | |
CN109061703B (zh) | 用于定位的方法、装置、设备和计算机可读存储介质 | |
EP2399239B1 (en) | Estimation of panoramic camera orientation relative to a vehicle coordinate frame | |
CN111652952B (zh) | 车道线生成方法、装置、计算机设备和存储介质 | |
CN111649739B (zh) | 定位方法和装置、自动驾驶车辆、电子设备和存储介质 | |
CN113519019B (zh) | 自身位置推断装置、配备其的自动驾驶系统以及自身生成地图共享装置 | |
CN113916243A (zh) | 目标场景区域的车辆定位方法、装置、设备和存储介质 | |
CN111959495A (zh) | 车辆的控制方法、装置及车辆 | |
JP7173471B2 (ja) | 3次元位置推定装置及びプログラム | |
CN113933818A (zh) | 激光雷达外参的标定的方法、设备、存储介质及程序产品 | |
CN111721305B (zh) | 定位方法和装置、自动驾驶车辆、电子设备和存储介质 | |
CN116772858A (zh) | 车辆定位方法、装置、定位设备及存储介质 | |
CN110637209B (zh) | 估计机动车的姿势的方法、设备和具有指令的计算机可读存储介质 | |
JP2023021994A (ja) | 自動運転車両に対するデータ処理方法及び装置、電子機器、記憶媒体、コンピュータプログラム、ならびに自動運転車両 | |
WO2021056339A1 (zh) | 定位方法、系统及可移动平台 | |
CN112902911B (zh) | 基于单目相机的测距方法、装置、设备及存储介质 | |
CN116777966A (zh) | 一种农田路面环境下车辆航向角的计算方法 | |
CN116958452A (zh) | 三维重建方法和系统 | |
CN114037977B (zh) | 道路灭点的检测方法、装置、设备及存储介质 | |
CN116883460A (zh) | 一种视觉感知定位方法、装置、电子设备及存储介质 | |
CN111553342A (zh) | 一种视觉定位方法、装置、计算机设备和存储介质 | |
CN115792985A (zh) | 一种车辆定位方法、装置、电子设备、存储介质及车辆 | |
CN106441282B (zh) | 一种星敏感器星跟踪方法 | |
CN115727871A (zh) | 一种轨迹质量检测方法、装置、电子设备和存储介质 | |
CN115560744A (zh) | 机器人以及基于多传感器的三维建图方法、存储介质 |
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 |