CN117405126A - 定位精度估计的方法、装置、电子设备及存储介质 - Google Patents
定位精度估计的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117405126A CN117405126A CN202210837512.8A CN202210837512A CN117405126A CN 117405126 A CN117405126 A CN 117405126A CN 202210837512 A CN202210837512 A CN 202210837512A CN 117405126 A CN117405126 A CN 117405126A
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- position information
- estimation model
- intermediate variable
- 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 147
- 230000008569 process Effects 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims description 134
- 238000005457 optimization Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 description 30
- 238000013473 artificial intelligence Methods 0.000 description 16
- 230000000007 visual effect Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000004807 localization Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 101000912561 Bos taurus Fibrinogen gamma-B chain Proteins 0.000 description 1
- 101150090997 DLAT gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000005433 ionosphere Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 239000005436 troposphere Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
Abstract
本申请实施例提供了一种定位精度估计的方法、装置、设备以及存储介质,应用于地图、导航、自动驾驶、车联网、智能交通以及云计算等领域。该定位精度估计的方法包括:获取传感器采集的车辆的第一行驶信息;根据该第一行驶信息,得到该车辆的第一位置信息,以及在确定该第一位置信息的过程中使用的第一中间变量;根据该第一行驶信息和第一中间变量,在预先训练好的精度估计模型中确定目标精度估计模型;将该第一位置信息和所述第一中间变量输入目标精度估计模型,得到所述车辆的第二位置信息,以及该第一位置信息相对第二位置信息的精度误差。本申请实施例能够有效评估高精度定位的精度误差。
Description
技术领域
本申请涉及交通领域,并且更具体地,涉及定位精度估计的方法、装置、设备以及存储介质。
背景技术
智能化是当下汽车发展的主线之一。汽车智能化进程依赖于车辆传感器、算法软件和决策平台成熟度。高精度定位与高精度地图相结合能够为车辆提供精确的绝对位置信息,其与传感器的相对位置信息相辅相成,共同致力于提高智能驾驶的安全性。随着汽车智能化的程度不断提供,高精度定位的重要性愈发凸显。
精度误差的评估是高精度定位非常重要的一个部分。一次定位的精度误差即本次定位可能包含的误差大小,可以为后续的车辆控制、碰撞避让、智能车速、路径规划和行为决策给予非常大的帮助。但是,当前并没有一种能够有效评估高精度定位的精度误差的方案。
发明内容
本申请实施例提供了一种定位精度估计的方法、装置、设备以及存储介质,能够有效评估高精度定位的精度误差。
第一方面,本申请实施例提供了一种定位精度估计的方法,包括:
获取传感器采集的车辆的第一行驶信息;
根据所述第一行驶信息,得到所述车辆的第一位置信息,以及在确定所述第一位置信息的过程中使用的第一中间变量;
根据所述第一行驶信息和所述第一中间变量,在预先训练好的精度估计模型中确定目标精度估计模型;所述精度估计模型是根据训练样本集对机器学习模型进行训练得到的,所述训练样本集中的训练样本包括样本车辆的位置信息和在确定所述位置信息的过程中采用的中间变量;
将所述第一位置信息和所述第一中间变量输入所述目标精度估计模型,得到所述车辆的第二位置信息,以及所述第一位置信息相对所述第二位置信息的精度误差。
第二方面,本申请实施例提供了一种训练模型的方法,包括:
获取传感器在第一时间采集的样本车辆的第二行驶信息;
根据所述第二行驶信息,得到所述样本车辆的第三位置信息,以及在确定所述第三位置信息的过程中使用的第二中间变量;
获取定位设备在所述第一时间采集的所述样本车辆的第四位置信息;
确定训练样本集,所述训练样本集包括所述第三位置信息、所述第四位置信息和所述第二中间变量;
根据所述训练样本集对所述精度估计模型进行训练。
第三方面,本申请实施例提供了一种定位精度估计的装置,包括:
获取单元,用于获取传感器采集的车辆的第一行驶信息;
处理单元,用于根据所述第一行驶信息,得到所述车辆的第一位置信息,以及在确定所述第一位置信息的过程中使用的第一中间变量;
确定单元,用于根据所述第一行驶信息和所述第一中间变量,在预先训练好的精度估计模型中确定目标精度估计模型;所述精度估计模型是根据训练样本集对机器学习模型进行训练得到的,所述训练样本集中的训练样本包括样本车辆的位置信息和在确定所述位置信息的过程中采用的中间变量;
所述目标精度估计模型,用于输入所述第一位置信息和所述第一中间变量,得到所述车辆的第二位置信息,以及所述第一位置信息相对所述第二位置信息的精度误差。
第四方面,提供了一种训练模型的装置,其特征在于,包括:
第一获取单元,用于获取传感器在第一时间采集的样本车辆的第二行驶信息;
处理单元,用于根据所述第二行驶信息,得到所述样本车辆的第三位置信息,以及在确定所述第三位置信息的过程中使用的第二中间变量;
第二获取单元,用于获取定位设备在所述第一时间采集的所述样本车辆的第四位置信息;
确定单元,用于确定训练样本集,所述训练样本集包括所述第三位置信息、所述第四位置信息和所述第二中间变量;
训练单元,用于根据所述训练样本集对所述精度估计模型进行训练。
第五方面,本申请实施例提供了一种电子设备,包括:
处理器,适于实现计算机指令;以及,
存储器,存储有计算机指令,计算机指令适于由处理器加载并执行上述第一方面或第二方面的方法。
第六方面,本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机指令,该计算机指令被计算机设备的处理器读取并执行时,使得计算机设备执行上述第一方面或第二方面的方法。
第五方面,本申请实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述第一方面或第二方面的方法。
基于以上技术方案,本申请实施例能够根据该第一行驶信息获取车辆的第一位置信息,以及获取在确定该第一位置信息的过程中使用的第一中间变量,然后根据该第一行驶信息和第一中间变量,在预先训练好的精度估计模型中确定目标精度估计模型,以及将该第一位置信息和第一中间变量输入该目标精度估计模型,得到车辆的第二位置信息,以及第一位置信息相对该第二位置信息的精度误差,从而能够有效评估高精度定位的精度误差。
附图说明
图1为本申请实施例涉及的一种系统架构的示意图;
图2为本申请实施例提供的一种训练模型的方法的示意流程图;
图3为一种适用本申请实施例的网络架构的示意图;
图4为本申请实施例提供的一种获取训练样本数据的方法的示意性流程图;
图5为本申请实施例提供的一种定位精度估计的方法的示意流程图;
图6为本申请实施例提供的一种定位精度估计的方法的具体例子;
图7为本申请实施例提供的一种定位精度估计的装置的示意性框图;
图8为本申请实施例提供的一种训练模型的装置的示意性框图;
图9为本申请实施例提供的电子设备的示意性框图。
具体实施方式
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清楚、完整地描述,显然,所描述的实施例仅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的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。
应理解,在本申请实施例中,“与A对应的B”表示B与A相关联。在一种实现方式中,可以根据A确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
在本申请的描述中,除非另有说明,“至少一个”是指一个或多个,“多个”是指两个或多于两个。另外,“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
还应理解,本申请实施例中出现的第一、第二等描述,仅作示意与区分描述对象之用,没有次序之分,也不表示本申请实施例中对设备个数的特别限定,不能构成对本申请实施例的任何限制。
还应理解,说明书中与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
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、产品或服务器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。
本申请实施例应用于人工智能技术领域。
其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
本申请实施例可涉及人工智能技术中的自动驾驶技术。自动驾驶技术依靠人工智能、计算机视觉、雷达、监测装置和全球定位系统的协同合作,让计算机可以在没有任何人类主动操作下,自动安全地操作机动车辆。自动驾驶技术通常包括高精度地图、环境感知、行为决策、路径规划、运动控制等技术。自动驾驶技术有广泛的应用前景。具体的,本申请实施例提供的技术方案涉及一种评估定位的精度误差的技术,具体可以用于自动驾驶的定位精度的评估。
本申请实施例也可以涉及人工智能技术中的机器学习(Machine Learning,ML),ML是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
图1为本申请实施例涉及的一种系统架构示意图,如图1所示,系统架构可以包括用户设备101、数据采集设备102、训练设备103、执行设备104、数据库105和内容库106。
其中,数据采集设备102用于从内容库106中读取训练数据,并将读取的训练数据存储至数据库105中。本申请实施例涉及的训练数据包括样本车辆的位置信息#1、位置信息#2和确定该位置信息#1的过程中采用的中间变量,其中位置信息#1是根据传感器采集的该样本车辆的行驶信息确定的,位置信息#2是定位设备采集的样本车辆的位置信息。
训练设备103基于数据库105中维护的训练数据,对机器学习模型进行训练,使得训练后的机器学习模型可以有效地评估定位精度。训练设备103得到的机器学习模型可以应用到不同的系统或设备中。
另外,参考图1,执行设备104配置有I/O接口107,与外部设备进行数据交互。比如通过I/O接口接收用户设备101发送的传感器采集的车辆的行驶信息。执行设备104中的计算模块109根据该行驶信息,基于训练好的机器模型,获取车辆的定位精度。机器学习模型可以通过I/O接口将相应的结果发送至用户设备101。
其中,用户设备101可以包括智能车辆、车载终端、手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mobile internet device,MID)或其他终端设备。
执行设备104可以为服务器。
示例性的,服务器可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备。该服务器可以是独立的测试服务器,也可以是多个测试服务器所组成的测试服务器集群。
服务器可以是一台或多台。服务器是多台时,存在至少两台服务器用于提供不同的服务,和/或,存在至少两台服务器用于提供相同的服务,比如以负载均衡方式提供同一种服务,本申请实施例对此不加以限定。
其中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。服务器也可以成为区块链的节点。
本实施例中,执行设备104通过网络与用户设备101连接。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobilecommunication,GSM)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi、通话网络等无线或有线网络。
需要说明的是,图1仅是本申请实施例提供的一种系统架构的示意图,图中所示设备、器件、模块等之间的位置关系不构成任何限制。在一些实施例中,上述数据采集设备102与用户设备101、训练设备103和执行设备104可以为同一个设备。上述数据库105可以分布在一个服务器上也可以分布在多个服务器上,上述的内容库106可以分布在一个服务器上也可以分布在多个服务器上。
下面,对本申请实施例涉及的相关术语进行描述。
高精度定位:一般指精度在分米或厘米级别甚至以上的定位,能够为车辆提供较高精度的定位结果,是自动驾驶、远程驾驶等安全行驶中不可或缺的核心技术之一。高精度定位在车辆横向/纵向精确定位、障碍物检测与碰撞避让、智能车速控制、路径规划及行为决策等方面发挥着重要的作用。
高精度定位可以通过高精度的绝对参考系对车辆自身的绝对位置进行精准判断。该高精度的绝对参考系例如可以为高精度地图。高精度地图的地图层中包含大量的厘米级精度的道路的属性要素,包括但不限于道路边缘、车道边缘、中线等信息。车辆在行驶过程中,可以根据高精度地图中的信息进行精确导航。
多源融合定位:是一种基于信息融合策略将多种定位技术相融合的技术,能够将包括卫星定位、无线通信信号定位以及传感器定位等相关定位手段进行融合,从而得到比单一定位方案更好的融合定位结果。通过多源融合定位可以实现高精度定位。
其中,卫星定位是使用卫星(如GNSS)进行定位的技术;无线通信信号定位是使用无线通信信号(如WiFi信号、超带宽(Ultra Wideband,UWB)信号)进行定位的技术;传感器定位是使用传感器(如视觉传感器、车速传感器、惯性测量单元(Inertial MeasurementUnit,IMU)传感器)采集的信息进行定位的技术。
视觉定位:指使用视觉传感器采集的信息进行定位的技术。视觉定位可以通过视觉传感器对高精度地图定位图层中的道路的属性要素进行识别感知,依靠视觉算法推算出车辆位置信息。视觉定位可以高度复用高精度地图和摄像头等传感器,而无需额外部署硬件,在成本上优势明显。
惯性定位:指使用IMU传感器采集的信息进行定位的技术。惯性定位通过IMU传感器测量车辆的角速率和加速度信息,利用牛顿运动定律自动推算载体的瞬时速度和位置信息,具有不依赖外界信息、不向外界辐射能量、不受干扰和隐蔽性好的特点。
全球导航卫星系统(Global Navigation Satellite System,GNSS):泛指卫星导航系统,包括全球卫星导航系统、区域卫星导航系统和增强卫星导航系统,如全球定位系统(Global Positioning System,GPS)、Glonass、欧洲的Galileo、北斗卫星导航系统,以及相关的增强系统,如广域增强系统(Wide Area Augmentation System,WAAS)、欧洲静地导航重叠系统(EGNOS)和多功能运输卫星增强系统(MSAS)等,还可涵盖在建和以后要建设的其他卫星导航系统。国际GNSS系统是个多系统、多层面、多模式的复杂组合系统。
通常,普通卫星定位通过同时接收多个卫星信号实现对位置的定位。但是卫星信号在穿越电离层、对流层时会产生一定的波动从而引起误差,其定位精度在米级。地面增强基站可以使用实时动态(Real-time kinematic,RTK)载波相位差分技术计算卫星定位误差,以进行进一步的位置修正,从而提高定位精度。例如,可以将卫星定位的精度从米级增强至厘米级。
另外,卫星定位在地面有遮蔽物时,容易出现信号弱或丢失的情况。此时,车辆可以利用惯性定位或视觉定位,或其他定位功能保证导航系统继续工作。
RTK载波相位差分技术:是实时处理两个测量站载波相位观测量的差分方法,通过将基准站采集的载波相位发给用户接收机,进行求差解算坐标。RTK载波相位差分技术采用载波相位动态实时差分方法,能够在野外实时得到厘米级定位精度,为工程放样、地形测图,各种控制测量带来了新的测量原理和方法,提高了作业效率。
精度误差的评估是高精度定位非常重要的一个部分。一次定位的精度误差即本次定位可能包含的误差大小,可以为后续的车辆控制、碰撞避让、智能车速、路径规划和行为决策给予非常大的帮助。但是,当前并没有一种能够有效评估高精度定位的精度误差的方案。
有鉴于此,本申请实施例提供了一种定位精度估计的方法、装置、设备以及存储介质,能够有效评估高精度定位的精度误差。
具体而言,本申请实施例可以获取传感器采集的车辆的第一行驶信息,并根据该第一行驶信息,得到车辆的第一位置信息,以及获取在确定该第一位置信息的过程中使用的第一中间变量,然后根据该第一行驶信息和第一中间变量,在预先训练好的精度估计模型中确定目标精度估计模型,并将该第一位置信息和第一中间变量输入该目标精度估计模型,得到该车辆的第二位置信息,以及该第一位置信息相对第二位置信息的精度误差。
其中,该精度估计模型是根据训练样本集对机器学习模型进行训练得到的,所述训练样本集中的训练样本包括样本车辆的位置信息和在确定所述位置信息的过程中采用的中间变量。作为示例,该训练样本集可以包括样本车辆的第三位置信息、第四位置信息和确定该第三位置信息的过程中采用的第二中间变量,该第三位置信息是根据传感器在第一时间采集的样本车辆的第二行驶信息确定的,该第四位置信息包括定位设备在该第一时间采集的样本车辆的位置信息。
因此,本申请实施例能够根据该第一行驶信息获取车辆的第一位置信息,以及获取在确定该第一位置信息的过程中使用的第一中间变量,然后根据该第一行驶信息和第一中间变量,在预先训练好的精度估计模型中确定目标精度估计模型,以及将该第一位置信息和第一中间变量输入该目标精度估计模型,得到车辆的第二位置信息,以及第一位置信息相对该第二位置信息的精度误差,从而能够有效评估高精度定位的精度误差。
本申请实施例中,精度估计模型能够根据传感器采集的车辆的行驶信息确定的车辆的定位位置信息,以及在确定该定位位置信息的过程中使用的中间变量,实现对定位设备采集的车辆的真实位置信息的预测,以及对该定位位置信息相对该真实位置信息的精度误差的估计。
本申请实施例的定位精度估计的方法,可以分为两阶段进行:离线建模阶段和在线估计阶段。离线建模阶段可以根据采集的样本车辆的数据,训练得到精度估计模型;在线估计阶段可以实时采集车辆的行驶信息,并根据该行驶信息和离线建模阶段建立的精度估计模型,估计车辆的定位精度。
以下,分别结合附图对各阶段进行详细描述。
首先,介绍离线建模阶段。
图2为本申请实施例提供的一种训练模型的方法200的示意流程图。方法200可以由任何具有数据处理能力的电子设备执行。例如,该电子设备可实施为服务器或终端设备,又例如,该电子设备可实施为图1中的训练设备103,本申请对此不做限定。
图3是一种适用本申请实施例的网络架构的示意图,其中包括车辆信息采集模块301、实时定位模块302、信息统计模块303、真值采集模块304、建模模块305、信息判断模块306和精度估计模型307。其中,车辆信息采集模块301、实时定位模块302、信息统计模块303、真值采集模块304和建模模块305可以用于离线建模阶段的模型训练。下面,将结合图3对训练模型的方法200进行描述。
如图2所示,方法200包括步骤210至250。
210,获取传感器在第一时间采集的样本车辆的第二行驶信息。
示例性的,可以由图3中的车辆信息采集模块301获取传感器在第一时间采集的样本车辆的第二行驶信息。第一时间可以为当前及之前一段时间,不做限定。车辆信息采集模块301在获取该第二行驶信息后,可以将该第二行驶信息发送给实时定位模块302。可选的,还可以将该第二行驶信息发送给信息统计模块303。
在一些实施例中,上述第二行驶信息包括惯性测量单元IMU传感器、车速传感器和视觉传感器中的至少一种传感器采集的样本车辆的行驶信息。
示例性的,传感器可以为设置在样本车辆上的各种采集车辆行驶信息的传感器,例如GNSS传感器、IMU传感器、车速传感器、视觉传感器等,或者还可以为其他传感器设备。
GNSS传感器采集的样本车辆的行驶信息,例如可以包括当前定位的样本车辆的经度、纬度、DOP值、精度值、当前定位是否有效、当前定位是否固定等。
其中,GNSS传感器在无遮挡或弱遮挡的情况下(比如正常行驶的路上)能够正常接收GNSS信号,从而当前定位有效,此时也可以称GNSS传感器有效。在遮挡比较多的情况下(比如隧道、高架桥或高山路段)GNSS传感器无法正常接收GNSS信号,进而当前定位无效,此时也可以称GNSS传感器无效或失效。
GNSS传感器采用RTK载波相位差分技术得到的解可以称为固定解,GNSS传感器GNSS信号遮挡(比如高山路)的情况,无法采用RTK载波相位差分技术时可以得到其他类型的解,比如浮点解。当前定位是否固定可以指当前定位是否采用了RTK载波相位差分技术得到了固定解。其中,固定解的精度最高,可以达到厘米级。
IMU传感器采集的样本车辆的行驶信息,例如可以包括加速度计x、y、z轴方向上的加速度值,陀螺仪x、y、z轴方向上的角速度等。
车速传感器采集的样本车辆的行驶信息,例如可以包括样本车辆的车速方向和大小。
视觉传感器采集的样本车辆的行驶信息,例如可以包括样本车辆所在车道线的方程、车道线的线型(比如实线、虚线、白线或黄线等)和障碍物的坐标等。
220,根据该第二行驶信息,得到样本车辆的第三位置信息,以及在确定该第三位置信息的过程中使用的第二中间变量。
示例性的,可以由图3中的实时定位模块302根据上述第二行驶信息,得到样本车辆的该第三位置信息,以及在确定该第三位置信息的过程中使用的第二中间变量。实时定位模块302在得到该第三位置信息和第二中间变量后,可以将该第三位置信息和第二中间变量发送给建模模块305。
在一些实施例中,实时定位模块302可以从车辆信息采集模块301获取各传感器采集的样本车辆的第二行驶信息,并可以结合其他信息,获取样本车辆的第三位置信息。示例性的,其他信息可以包括地图信息,比如高精度地图。
在一些实施例中,该第三位置信息可以包括样本车辆的经度、纬度和车辆方向角。
其中,车辆方向角可以为车辆的车头偏离某一预设方向的角度。例如,可以将车辆车头顺时针偏离正北方向的角度作为车辆方向角。
在根据上述第二行驶信息确定样本车辆的第三位置信息的过程中,还可以获取到一些中间变量,即上述第二中间变量。
在一些实施例中,可以根据上述第二行驶信息和地图信息,得到第三位置信息和第二中间变量,其中,该第二中间变量可以包括根据上述第二行驶信息确定的车道信息与样本车辆在地图信息中的车道信息之间的误差信息。
示例性的,第二中间变量可以包括以下两类:
1)基于视觉传感器采集的信息和高精度地图得出的中间变量,比如传感器车道宽度与地图车道宽度差、车道线优化的距离、初始优化误差、最终优化误差等;
2)基于GNSS传感器、视觉传感器采集的信息和高精度地图得出的中间变量,比如定位点在每个车道的概率、定位点概率最大的车道、GNSS传感器给出的车道信息与视觉传感器给出的车道信息是否一致等。
在一些实施例中,该第二中间变量还可以包括用于确定第三位置信息所采用的优化算法的协方差和该第二行驶信息在第二时间段的统计值中的至少一种。
示例性的,第二中间变量还可以包括以下两类:
3)优化算法的协方差,比如速度协方差、IMU传感器偏差的协方差、估计姿态(比如估计的车辆的经度、纬度和车辆方向角)的协方差等;
4)统计传感器在一段时间内采集的参数的统计值,比如20s内GNSS传感器采集信息的统计值,1s内车速的均值和方差,10s内加速度计x、y、z轴方向上的加速度值的均值和方差和陀螺仪x、y、z轴方向上的角速度值的均值和方差,GNSS传感器获得的最后一个定位点的位置和定位结果之间的距离等。
其中,在上述1)中,车道线优化的距离可以指,将视觉定位的得到的车辆所在车道的车道线与高精度地图中车辆所在的车道线对齐时,对视觉定位的得到的车道线优化的距离;初始优化误差可以指,对视觉定位的得到的车辆所在车道的车道线与高精度地图中车辆所在的车道线进行对齐之前,二者的误差;最终优化误差可以指,对视觉定位的得到的车辆所在车道的车道线与高精度地图中车辆所在的车道线进行对齐之后,二者的误差。
在上述2)中,GNSS传感器可以使用RTK载波相位差分技术进行高精度定位,得到车辆定位点在每个车道的概率,可以将定位点概率最大的车道作为车辆所在的车道。视觉传感器基于上述1)中的优化结果,也能够进一步得到车辆定位点在每个车道的概率,以及将定位点概率最大的车道作为车辆所在的车道。
在上述3)中,可以采用不同的优化算法和不同的优化目标,本申请对此不做限定。示例性的,优化算法可以是基于整体优化形式的优化算法,比如对一段时间内所有传感器采集的信息进行优化,或者可以是基于滤波形式的优化算法,比如利用前后时间点传感器采集的信息进行优化。
在上述4)中,20s内GNSS传感器采集的信息的统计值,包括但不限于有效比例、固定比例、精度值的均值和方差、DOP值的均值和方差、最后一个GNSS定位点的精度、DOP值、是否固定以及是否有效等。
其中,有效比例可以指GNSS传感器的有效定位占GNSS传感器所有定位的比例;固定比例可以指GNSS传感器得到定位结果中的固定解占所有定位结果的比例。
示例性的,可以由图3中的信息统计模块303统计车辆信息采集模块301在一段时间内给出的参数的统计值,得到上述4)中的统计值,本申请对此不做限定。信息统计模块303在获取统计值后,可以将该统计值发送给实时定位模块302,或者将该统计值发送给建模模块305。
230,获取定位设备在该第一时间采集的样本车辆的第四位置信息。
示例性的,该定位设备可以为图3中的真值采集模块304,可以布置在样本车辆上。相应的,第四位置信息还可以被称为真值位置信息,即第四位置信息可以认为是样本车辆的真实位置,本申请对此不做限定。
定位设备可以具有较高的定位精度,比如可以为SPAN-ISA-100C或者SPAN-CPT等设备。通常,所采用的定位设备的精度越高,定位精度估计的效果越好。
在一些实施例中,第四位置信息可以包括样本车辆的经度、纬度和车辆方向角。
240,确定训练样本集,该训练样本集包括上述第三位置信息、第四位置信息和第二中间变量。
示例性的,可以由图3中的建模单元305确定训练样本集,训练样本集可以包括大量训练样本,每个训练样本可以包括上述步骤220中得到的第三位置信息、第二中间变量和步骤230中的第四位置信息。
由于不同车辆有不同的操作设计领域(Operational Design Domain,ODD),比如一辆自动驾驶车辆可以有一个在为城市环境中驾驶而设计的控制系统,另一个为在高速路上驾驶而设计的控制系统,因此在不同场景下需要大量采集数据,例如需要至少覆盖如高速路、城市快速路、城市普通道路、高速或城市隧道路段等。
本申请实施例可以在不同的场景下,采集大量的样本车辆在运行过程中产生的数据,以生成训练样本集。例如,可以在高速路、城市快速路、城市普通道路等足够多路段,通过传感器采集样本车辆在运行过程中的行驶信息,以及通过定位设备采集的样本车辆在运行过程中的位置信息。作为示例,在每种场景下可以采集至少5000公里,或10000公里以上路程的数据。
作为一种可能的实现方式,在确定训练样本集时,可以将实时定位模块302得到的定位结果(如第三位置信息)和真值采集模块304得到的定位结果(如第四位置信息)按时间对齐,并提取全部的实时定位模块302的中间变量。作为示例,一个时间点可以生成一个训练样本,即每个训练样本可以包括对应时间点的实时定位模块302得到的定位结果、真值采集模块304得到的定位结果和实时定位模块302的中间变量。
在一些实施例中,对于隧道路段,可以对在正常路段(即不包含隧道的路段)采集的样本车辆的数据进行隧道路段模拟,得到隧道路段对应的训练样本数据。
具体而言,在隧道路段中由于GNSS信号被遮挡而无法获取GNSS传感器采集的数据,而仅仅靠其他传感器,比如IMU传感器,推导产生的累积误差并不能满足精度要求,并且在隧道路段中定位设备采集的位置信息精度会降低。
而通常对于自动驾驶或远程驾驶技术而言,对于隧道路段仅仅要求进入隧道一段时间或一段距离能够保持较高的定位精度即可。因此可以通过人为将GNSS传感器采集到的文件部分置为无效来进行隧道路段模拟,相应的该GNSS传感器采集到的文件中的被置为无效的部分对应的路段可以认为是隧道路段,从而得到隧道路段对应的训练样本数据,并且该训练样本中定位设备采集的样本车辆的第四位置信息相对于在真实的隧道下定位设备采集的位置信息而言,精度是足够高的。
图4示出了获取隧道路段对应的训练样本数据的方法400的示意性流程图。在方法400中,可以通过将GNSS传感器采集的样本车辆的行驶信息按照时间周期性地置为无效和有效,来生成隧道路段对应的训练样本数据。
应理解,图4示出了获取隧道路段对应的训练样本集的方法的步骤或操作,但这些步骤或操作仅是示例,本申请实施例还可以执行其他操作或者图中的各个操作的变形。此外,图4中的各个步骤可以按照与图中呈现的不同的顺序来执行,并且有可能并非要执行图中的全部操作。
如图4所示,方法400包括步骤401至409。
401,获取GNSS传感器采集的全部有效的文件。
示例性的,在路测阶段,可以获取样本车辆在无隧道场景下的一段路程中传感器采集的该样本车辆的行驶信息。这里,GNSS传感器采集的车辆的行驶信息可以以文件形式保存。
402,距离文件开始时间是否大于200s?
这里,文件开始时间可以为样本车辆开始运行,即GNSS传感器开始采集的车辆的行驶信息的时间。通过确定距离文件开始时间大于200s,能够使得获取的模拟隧道的训练样本数据中包含进入隧道之前的200s中GNSS传感器采集的样本车辆的行驶信息。
403,速度是否曾大于过20km/h?
这里,通过确定速度曾大于过20km/h,能够有助于确保车辆处于正常的行驶状态,从而保证传感器获取的车辆的行驶信息是有意义的。
404,将GNSS传感器采集的文件置为无效。
可选的,在将GNSS传感器采集的文件置为无效置为无效时,还可以读取样本车辆上的除GNSS传感器之外的其他传感器(比如IMU传感器、视觉传感器和速度传感器等)采集的车辆的行驶信息形成的文件中的信息,以及获取定位设备采集的样本车辆的位置信息。
405,无效时间是否超过300s?
这里,无效时间为300s,相当于模拟隧道路段的行驶时间为300s。当无效时间超过300s时,下一步执行步骤406。
406,将GNSS传感器采集的文件置为有效。
应理解,在无效时间超过300s之后,将GNSS传感器采集的文件置为有效,相当于模拟车辆从隧道路段驶出之后在正常路段行驶的场景。
407,读取文件信息。
这里,对应于样本车辆在正常路段形式的场景,可以读取车辆上的GNSS传感器和其他传感器采集的样本车辆的行驶信息形成的文件中的信息,以及定位设备采集的样本车辆的位置信息。
408,是否达到文件结尾?
当达到文件结尾时,流程结束。当没有达到文件结尾时,下一步执行步骤409。
409,有效时间是否超过200s?
在有效时间超过200s时,下一步执行步骤404,即继续将GNSS传感器采集的文件置为无效。这样,通过按照时间周期性地(即交替地)将GNSS传感器的文件置为无效300s和有效200s,能够实现根据正常路段采集的样本车辆的数据,生成一段段的隧道路段样本车辆的数据。
通常情况下,在自动驾驶车辆进入隧道路段后,可以由驾驶员对自动驾驶车辆进行接管,因此在隧道路段中最关注的是进入隧道之前的一段时间(如200s)或一段距离传感器采集的车辆的行驶信息,基于此可以通过周期性地将GNSS传感器的文件置为无效300s和有效200s,来生成一段段的隧道路段样本车辆的数据。
应理解,上述时间200s、300s,以及速度20km/h是为了便于理解本申请实施例的方案所举的具体例子,上述各时间或速度值也可以被替换为其他数值,本申请实施例并不限制于此。
因此,本申请实施例通过将GNSS传感器采集到文件按时间周期性地置为无效和有效,能够实现对隧道路段模拟,生成隧道路段对应的样本车辆的数据,即该GNSS传感器采集到的文件中的被置为无效的部分对应的路段可以认为是的隧道路段,从而得到隧道路段对应的训练样本集,并且能够保证训练样本集中的定位设备采集的位置信息的精度足够高。
250,根据训练样本集对精度估计模型进行训练。
示例性的,可以由图3中的建模单元305根据训练样本集对精度估计模型307进行训练。例如,建模单元305可以将训练样本输入精度估计模型307,对精度估计模型307的参数进行更新。
在一些实施例中,可以针对不同的场景分别训练不同的精度估计模型,从而使得在各场景都可以获得最好的精度误差估计效果。示例性的,可以包括以下三种场景。
场景1:非隧道场景+有地图场景
场景2:隧道场景+有地图场景
场景3:非隧道场景+无地图场景
示例性的,上述地图可以为高精地图,本申请对此不做限定。
在上述场景1下,GNSS传感器有效,并且可以将传感器采集的车辆的行驶信息与地图信息结合进行实时定位。
在场景1下,精度估计模型具体可以为第一精度估计模型,该第一精度估计模型对应的训练样本中的第三位置信息和第二中间变量是根据该第二行驶信息和地图信息(如高精地图)确定的,该第二行驶信息包括GNSS传感器采集的样本车辆的行驶信息,该第二中间变量包括根据第二行驶信息确定的车道信息与样本车辆在地图信息中的车道信息之间的误差信息。
作为具体的例子,第一精度估计模型的训练样本中,第二中间变量可以包括上述步骤220中的1)基于视觉传感器采集的信息和高精度地图得出的中间变量、2)基于GNSS传感器、视觉传感器采集的信息和高精度地图得出的中间变量、3)优化算法的协方差和4)统计传感器在一段时间内采集的参数的统计值等四类中间变量。
在上述场景2下,GNSS传感器失效,可以将除GNSS传感器之外的其他传感器采集的车辆的行驶信息与地图信息结合进行实时定位。
在场景2下,精度估计模型具体可以为第二精度估计模型,该第二精度估计模型对应的训练样本中的第三位置信息和第二中间变量是根据第二行驶信息的有效部分和地图信息(如高精地图)确定的,该第二行驶信息中的GNSS传感器采集的样本车辆的行驶信息部分置为无效,该第二中间变量包括根据第二行驶信息确定的车道信息与样本车辆在地图信息中的车道信息之间的误差信息。
可选的,所述第二行驶信息中的GNSS传感器采集的样本车辆的行驶信息按照时间周期性地置为无效和有效。
具体的,GNSS传感器采集的样本车辆的行驶信息被置为无效的方式可以参见上述步骤240中的描述,这里不再赘述。
作为具体的例子,第二精度估计模型的训练样本中,该第二中间变量可以包括上述步骤220中的1)基于视觉传感器采集的信息和高精度地图得出的中间变量、3)优化算法的协方差和4)统计传感器在一段时间内采集的参数的统计值(其中不包含GNSS传感器采集的参数)等四类中间变量。例如,4)中的统计值例如可以为1s内车速的均值和方差,10s内加速度计x、y、z轴方向上的加速度值的均值和方差和陀螺仪x、y、z轴方向上的角速度值的均值和方差。
在上述场景3下,GNSS传感器有效,但是由于没有地图信息,因此不可以将传感器采集的车辆的行驶信息与地图信息结合进行实时定位。
在场景3下,精度估计模型具体可以为第三精度估计模型,该第三精度估计模型对应的训练样本中的第三位置信息和的第二中间变量是根据所述第二行驶信息确定的,该第二行驶信息包括GNSS传感器采集的样本车辆的行驶信息。
作为具体的例子,第三精度估计模型的训练样本中,该第二中间变量可以包括上述步骤220中的3)优化算法的协方差和4)统计传感器在一段时间内采集的参数的统计值等四类中间变量。
在对上述各场景分别准备好训练样本集后,可以分别对上述各场景进行建模,即根据每个场景对应的训练样本集训练该场景下的精度估计模型。这里,精度估计模型可以是机器学习模型,比如随机森林模型、xgboost模型、深度神经网络模型等,不做限定。
如下示出了精度估计模型采用xgboost模型时的一组算法配置的示例:
样本量:30万
'booster':'gbtree'
'objective':'reg:gamma'或者'reg:squarederror'
'gamma':0.1,
'max_depth':6,
'lambda':3,
'subsample':0.7,
'colsample_bytree':0.7,
'min_child_weight':3,
'silent':1,
'eta':0.1
示例性的,可以将各场景下训练样本中的第三位置信息、第四位置信息和第二中间变量输入对应场景的精度估计模型,精度估计模型可以根据该第三位置信息和第二中间变量,得到样本车辆的第五位置信息,以及第三位置信息的精度误差。这里,该精度误差可以是第三位置信息相对第五位置信息的误差,本申请对此不做限定。
可选的,在模型训练的过程中,可以根据该第五位置信息和上述第四位置信息确定模型的第一损失。可选的,在模型训练的过程中,可以根据第三位置信息相对第五位置信息的精度误差和第三位置信息相对第四位置信息的精度误差,确定模型的第二损失。然后,可以根据该第一损失和第二损失中的至少一种,对精度估计模型的参数进行更新。
在一些实施例中,上述精度误差包括横向距离误差、纵向距离误差和方向角误差中的至少一种。
以第三位置信息相对第四位置信息的误差为例,第三位置信息与第四位置信息之间的距离分解到道路垂直方向上的分量称为横向距离误差,分解到道路方向上的分量称为纵向距离误差。作为一个示例,可以将定位设备(比如真值采集设备)的方向作为该道路方向。道路方向也可以称为行驶方向,不做限定。
当第四位置信息包括经度lon0、纬度lat0和车辆方向角heading0,第三位置信息包括经度lon、纬度lat和车辆方向角heading时,可以确定第三位置信息相对第四位置信息的精度误差包括横向距离误差disthorizontal、纵向距离误差distvetical和方向角误差。
其中,方向角误差可以为车辆方向角heading0和车辆方向角heading的差,即heading0-heading。
横向距离误差disthorizontal和纵向距离误差distvetical的计算过程如下:
首先,计算第四位置信息和第三位置信息对应的两个位置的距离dist。具体的,可以基于Haversine公式得到:
dlon=radians(lon)-radians(lon0) (1)
dlat=radians(lat)-radians(lat0) (2)
其中,radians()将经度或纬度转为弧度,r为地球平均半径,r=6371.393,asin()为反正弦运算,sin()为正弦运算,cos()为余弦运算。
然后,可以计算第四位置信息和第三位置信息对应的两个位置的方向角point_degree。该方向角point_degree为第四位置信息和第三位置信息对应的两个位置形成的方向相对于定位设备的方向偏离的角度,其取值范围为0-360°。方向角point_degree的计算过程具体如下:
dlon=radians(lon0)-radians(lon) (4)
y=sin(dlon)·cos(lat0) (5)
x=cos(lat)·sin(lat0)-sin(lat)·cos(lat0)·cos(dlon) (6)
point_degree=(atan2(y,x)+360)%360 (7)
其中,x表示第四位置信息和第三位置信息对应的两个位置的距离在定位设备的垂直方向上的分量,y表示该距离在定位设备的方向上的分量,atan2(y,x)为反余弦计算,可以根据x,y的正负号返回对应的角度,%表示求余运算。公式(5)和(6)中的dlon,可以为根据公式(4)得到的。
最后,可以根据方向角point_degree,计算横向距离误差disthorizontal和纵向距离误差distvetical。具体计算过程可以如下:
θ=|heading0-point_degree| (8)
当θ≤90时,
当90<θ≤180时,
当180<θ≤270时,
当θ>270时,
第三位置信息相对第五位置信息的误差可以参考公式(1)-(14)的计算过程,不再赘述。
另外,还存在一种类型的场景,即隧道场景+无地图场景。该场景下即使高精度的传感器,比如IMU传感器,也无法保证定位结果具有足够高的精度,因此该场景下可以设置定位不可用,也无需对定位精度进行估计。
因此,本申请实施例中,通过使用传感器采集的样本车辆的行驶信息确定的样本车辆的第三位置信息、确定该第三位置信息过程中采用的第二中间变量,以及定位设备采集的该样本车辆的第四位置信息,实现对精度估计模型的训练,得到训练好的精度估计模型。本申请实施例中该精度估计模型融合了根据传感器采集的车辆的行驶信息确定的车辆的位置信息,以及确定该位置信息的过程中采用的中间变量,能够实现对该位置信息的精度误差的估计。
在训练得到精度估计模型后,可以进入在线估计阶段。以下,对在线估计阶段进行描述。
图5为本申请实施例提供的一种定位精度估计的方法500的示意流程图。方法500可以由任何具有数据处理能力的电子设备执行。例如,该电子设备可实施为服务器或终端设备,又例如,该电子设备可实施为图1中的计算模块109,本申请对此不做限定。
一些实施例中,电子设备中可以包括(比如部署)机器学习模型,该机器学习模型可以为上文中的精度估计模型。继续参见图3,车辆信息采集模块301、实时定位模块302、信息统计模块303、信息判断模块306、精度估计模型307和精度估计模块308可以用于进行车辆定位精度的估计。下面,将结合图3对定位精度估计的方法500进行描述。
如图5所示,方法500包括步骤510至540。
510,获取传感器采集的车辆的第一行驶信息。
示例性的,可以由图3中的车辆信息采集模块301获取传感器在采集的车辆的第一行驶信息。传感器可以采集车辆当前及之前一段时间的第一行驶信息,不做限定。车辆信息采集模块301在获取该第一行驶信息后,可以将该第一行驶信息发送给实时定位模块302和信息判断模块306。可选的,还可以将该第一行驶信息发送给信息统计模块303。
在一些实施例中,该第一行驶信息包括惯性测量单元IMU传感器、车速传感器和视觉传感器中的至少一种传感器采集的车辆的行驶信息。
具体的,传感器采集的该第一行驶信息与图2步骤210中传感器采集的第二行驶信息类似,可以参考上文中的描述,这里不再赘述。
520,根据该第一行驶信息,得到车辆的第一位置信息,以及在确定该第一位置信息的过程中使用的第一中间变量。
示例性的,可以由图3中的实时定位模块302根据上述第一行驶信息,得到车辆的第一位置信息,以及在确定该第一位置信息的过程中使用的第一中间变量。实时定位模块302在得到该第一位置信息和第一中间变量后,可以将该第一位置信息和第一中间变量发送给精度估计模型307。
在一些实施例中,第一位置信息包括车辆的经度、纬度和车辆方向角。
在一些实施例中,可以根据第一行驶信息和地图信息,得到第一位置信息和所述第一中间变量,其中,所述第一中间变量包括根据所述第一行驶信息确定的车道信息与所述车辆在所述地图信息中的车道信息之间的误差信息。
在一些实施例中,所述第一中间变量可以包括用于确定所述第一位置信息所采用的优化算法的协方差和所述第一行驶信息在第一时间段的统计值中的至少一种。
示例性的,可以由图3中的信息统计模块303统计车辆信息采集模块301在一段时间内给出的参数的统计值,得到第一行驶信息在第一时间段的统计值。信息统计模块303在获取统计值后,可以将该统计值发送给实时定位模块302,或者将该统计变量发送给精度估计模型307。
具体的,第一位置信息与图2中步骤220的第三位置信息类似,第一中间变量与图2中的步骤220的第二中间变量类似,可以参考上文中的描述,这里不再赘述。
530,根据该第一行驶信息和第一中间变量,在预先训练好的精度估计模型中确定目标精度估计模型;所述精度估计模型是根据训练样本集对机器学习模型进行训练得到的,所述训练样本集中的训练样本包括样本车辆的位置信息和在确定所述位置信息的过程中采用的中间变量。
具体而言,该训练样本集可以包括样本车辆的第三位置信息、第四位置信息和在确定该第三位置信息的过程中采用的第二中间变量,该第三位置信息是根据传感器在第一时间采集的样本车辆的第二行驶信息确定的,该第四位置信息包括定位设备在第一时间采集的样本车辆的位置信息。
具体的,该精度估计模型的训练过程可以参见上文图2中的描述,这里不再赘述。
在一些实施例中,预先训练好的精度估计模型包括针对不同场景分别训练的多个模型。此时,可以根据传感器采集的车辆的第一行驶信息和确定第一位置信息的过程中的第一中间变量,在预先训练好的精度估计模型中确定目标精度估计模型,即根据具体的应用场景确定调用的可适用的目标精度估计模型。
示例性的,可以由图3中的信息判断模块306根据第一行驶信息和第一中间变量,即结合第一行驶信息,以及当前是否有可用的地图信息,比如高精地图,确定调用的可适用的精度估计模型。
作为一个示例,当第一行驶信息包括GNSS传感器采集的所述车辆的行驶信息,且当前有可用的地图信息(如高精地图)时,还可以将第一精度估计模型确定为目标精度估计模型,即确定调用上文中场景1下的第一精度估计模型。
作为另一个示例,当第一行驶信息中不包括GNSS传感器采集的车辆的行驶信息,且当前有可用的地图信息(如高精地图)时,还可以将第二精度估计模型确定为目标精度估计模型,即确定调用上文中场景2下的第二精度估计模型。
作为另一个示例,当第一行驶信息中包括GNSS传感器采集的车辆的行驶信息,且当前没有可用的地图信息(如高精地图)时,还可以将第三精度估计模型确定为目标精度估计模型,即确定调用上文中场景3下的第三精度估计模型。
具体的,第一精度估计模型、第二精度估计模型和第三精度估计模型可以参见图2中步骤250的描述,这里不再赘述。
540,将该第一位置信息和第一中间变量输入该目标精度估计模型,得到车辆的第二位置信息,以及第一位置信息相对该第二位置信息的精度误差。
示例性的,继续参见图3,在信息判断模块306根据车辆信息采集模块301中传感器获取的车辆的第一行驶信息,结合当前是否有可用的地图信息,比如高精地图,确定调用的可适用的目标精度估计模型之后,实时定位模块302和信息统计模块303可以将对标精度估计模型需要的输入相关特征发送给该目标精度估计模型。
例如,对于调用第一精度估计模型的情况,第一中间变量可以包括在确定第一位置信息过程中使用的如下中间变量:1)基于视觉传感器采集的信息和高精度地图得出的中间变量、2)基于GNSS传感器、视觉传感器采集的信息和高精度地图得出的中间变量、3)优化算法的协方差和4)统计传感器在一段时间内采集的参数的统计值。
又例如,对于调用第二精度估计模型的情况,第一中间变量可以包括在确定第一位置信息过程中使用的如下中间变量:1)基于视觉传感器采集的信息和高精度地图得出的中间变量、3)优化算法的协方差和4)统计传感器在一段时间内采集的参数的统计值(其中不包含GNSS传感器采集的参数)。
又例如,对于调用第三精度估计模型的情况,第一中间变量可以包括在确定第一位置信息过程中使用的如下中间变量:3)优化算法的协方差和4)统计传感器在一段时间内采集的参数的统计值。
第一精度估计模型、第二精度估计模型或第三精度估计模型在输入相关特征后,可以输出预测的车辆的第二位置信息,以及第一位置信息相对第二位置的精度误差。
其中,该第二位置信息可以为精度估计模型预测的定位设备采集的车辆的位置信息,或者为精度估计模型预测的车辆的真实位置信息,不做限定。示例性的,第二位置信息包括车辆的经度、纬度和车辆方向角。
示例性的,目标精度估计模型能够通过根据传感器采集的车辆的行驶信息确定的车辆的定位位置信息,以及在确定该定位位置信息的过程中使用的中间变量,实现对定位设备采集的车辆的真实位置信息的预测,以及对该定位位置信息相对该真实位置信息的精度误差的估计。
因此,本申请实施例能够根据该第一行驶信息获取车辆的第一位置信息,以及获取在确定该第一位置信息的过程中使用的第一中间变量,然后根据该第一行驶信息和第一中间变量,在预先训练好的精度估计模型中确定目标精度估计模型,以及将该第一位置信息和第一中间变量输入该目标精度估计模型,得到车辆的第二位置信息,以及第一位置信息相对该第二位置信息的精度误差,从而能够有效评估高精度定位的精度误差。
本申请实施例的定位精度估计的方法与传统的使用优化协方差作为对比,精度误差的cep90和均值均有大幅提升。其中,cep90指将所有的精度误差按从小到大排序,处于90%位置的值。比如,对比20天,每天大约2-3个小时不同路段的数据集上,本申请实施例确定的精度误差的均值相较协方差而言,平均提升约0.5m。
图6示出了本申请实施例提供的一种定位精度估计的方法600的具体例子。方法600可以由任何具有数据处理能力的电子设备执行。例如,该电子设备可实施为服务器或终端设备,又例如,该电子设备可实施为图1中的计算模块109,本申请对此不做限定。
应理解,图6示出了定位精度估计的方法的步骤或操作,但这些步骤或操作仅是示例,本申请实施例还可以执行其他操作或者图中的各个操作的变形。此外,图6中的各个步骤可以按照与图中呈现的不同的顺序来执行,并且有可能并非要执行图6中的全部操作。
如图6所示,方法600包括步骤601至610。
601,获取车辆的第一行驶信息。
具体的,步骤601可以参见步骤510的描述,这里不再赘述。
602,是否隧道?
具体的,可以根据601中的第一行驶信息,确定车辆是否处于隧道路段。例如,当第一行驶信息包括GNSS传感器采集的车辆的行驶信息时,可以确定车辆没有处于隧道路段;当第一行驶信息没有包括GNSS传感器采集的车辆的行驶信息时,可以确定车辆处于隧道路段。
当车辆处于隧道路段时,下一步执行步骤603。当车辆没有处于隧道路段时,下一步执行步骤605。
603,是否有高精地图?
即在隧道场景下,进一步判断是否有高精地图。当有高精地图时,下一步执行步骤604,当没有高精地图时,下一步执行步骤610。
604,调用第二精度估计模型。
605,是否有高精地图?
即在非隧道场景下,进一步判断是否有高精地图。当有高精地图时,下一步执行步骤606,当没有高精地图时,下一步执行步骤607。
606,调用第一精度估计模型。
607,调用第三精度估计模型。
具体的,第一精度估计模型、第二精度估计模型和第三精度估计模型可以参见图2和图5中的描述,这里不再赘述。
608,参数统计。
具体的,可以对步骤601中第一行驶信息中的行驶参数进行统计,得到各行驶参数的统计值。
609,实时定位。
具体的,可以根据步骤601的的第一行驶信息,以及步骤608中得到的统计值,确定车辆的第一位置信息。实时定位结果(即该第一位置信息),以及在确定该第一位置信息过程中采用的中间变量,可以输入对应的精度估计模型中。具体的,不同精度估计模型输入的参数可以参见图5中的描述,这里不再赘述。
610,定位不可用。
即在隧道场景,以及无高精地图的情况下,确定定位不可用。
611,确定精度误差。
具体的,可以根据不同场景下调用精度估计模型的结果,确定不同场景下实时定位结果的精度误差。
因此,本申请实施例能够根据该第一行驶信息获取车辆的第一位置信息,以及获取在确定该第一位置信息的过程中使用的第一中间变量,然后根据该第一行驶信息和第一中间变量,在预先训练好的精度估计模型中确定目标精度估计模型,以及将该第一位置信息和第一中间变量输入该目标精度估计模型,得到车辆的第二位置信息,以及第一位置信息相对该第二位置信息的精度误差,从而能够有效评估高精度定位的精度误差。
以上结合附图详细描述了本申请的具体实施方式,但是,本申请并不限于上述实施方式中的具体细节,在本申请的技术构思范围内,可以对本申请的技术方案进行多种简单变型,这些简单变型均属于本申请的保护范围。例如,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本申请对各种可能的组合方式不再另行说明。又例如,本申请的各种不同的实施方式之间也可以进行任意组合,只要其不违背本申请的思想,其同样应当视为本申请所公开的内容。
还应理解,在本申请的各种方法实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。应理解这些序号在适当情况下可以互换,以便描述的本申请的实施例能够以除了在图示或描述的那些以外的顺序实施。
上文详细描述了本申请的方法实施例,下文结合图7至图9,详细描述本申请的装置实施例。
图7是本申请实施例提供的定位精度估计的装置700的示意性框图。如图7所示,该定位精度估计的装置700可包括获取单元710、处理单元720和精度估计模型730。
获取单元710,用于获取传感器采集的车辆的第一行驶信息;
处理单元720,用于根据所述第一行驶信息,得到所述车辆的第一位置信息,以及在确定所述第一位置信息的过程中使用的第一中间变量;
确定单元730,用于根据所述第一行驶信息和所述第一中间变量,在预先训练好的精度估计模型中确定目标精度估计模型;所述精度估计模型是根据训练样本集对机器学习模型进行训练得到的,所述训练样本集中的训练样本包括样本车辆的位置信息和在确定所述位置信息的过程中采用的中间变量;
目标精度估计模型740,用于输入所述第一位置信息和所述第一中间变量,得到所述车辆的第二位置信息,以及所述第一位置信息相对所述第二位置信息的精度误差。
在一些实施例中,处理单元720具体用于:
根据所述第一行驶信息和地图信息,得到所述第一位置信息和所述第一中间变量,其中,所述第一中间变量包括根据所述第一行驶信息确定的车道信息与所述车辆在所述地图信息中的车道信息之间的误差信息。
在一些实施例中,所述第一行驶信息包括全球导航卫星系统GNSS传感器采集的所述车辆的行驶信息。
其中,确定单元730具体用于:
根据所述第一行驶信息和所述第一中间变量,将第一精度估计模型确定为所述目标精度估计模型,其中,所述第一精度估计模型的训练样本集中的所述位置信息和所述中间变量是根据所述GNSS传感器采集的所述样本车辆的行驶信息和所述地图信息确定的。
在一些实施例中,确定单元730具体用于:
根据所述第一行驶信息和所述第一中间变量,将第二精度估计模型确定为所述目标精度估计模型,其中,所述第二精度估计模型对应的训练样本集中的所述位置信息和所述中间变量是根据所述GNSS传感器采集的所述样本车辆的行驶信息的有效部分和所述地图信息确定的,所述GNSS传感器采集的所述样本车辆的行驶信息部分置为无效。
在一些实施例中,所述GNSS传感器采集的所述样本车辆的行驶信息按照时间周期性地置为无效和有效。
在一些实施例中,所述第一行驶信息包括GNSS传感器采集的所述车辆的行驶信息。
其中,确定单元730具体用于:
所述根据所述第一行驶信息和所述第一中间变量,将第三精度估计模型确定为所述精度估计模型,其中,所述第三精度估计模型对应的训练样本集中的所述位置信息和所述中间变量是根据所述GNSS传感器采集的所述样本车辆的行驶信息确定的。
在一些实施例中,所述第一行驶信息包括惯性测量单元IMU传感器、车速传感器和视觉传感器中的至少一种传感器采集的所述车辆的行驶信息。
在一些实施例中,所述第一中间变量包括用于确定所述第一位置信息所采用的优化算法的协方差和所述第一行驶信息在第一时间段的统计值中的至少一种。
在一些实施例中,所述第一位置信息包括所述车辆的第一经度、第一纬度和第一车辆方向角,所述第二位置信息包括所述车辆的第二经度、第二纬度和第二车辆方向角。
在一些实施例中,所述精度误差包括横向距离误差、纵向距离误差和方向角误差中的至少一种。
应理解,装置实施例与方法实施例可以相互对应,类似的描述可以参照方法实施例。为避免重复,此处不再赘述。具体地,在该实施例中定位精度估计的装置700可以对应于执行本申请实施例的方法500或600的相应主体,并且装置700中的各个模块的前述和其它操作和/或功能分别为了实现上文中的方法500或600中的相应流程,为了简洁,在此不再赘述。
图8是本申请实施例提供的训练模型的装置800的示意性框图。如图8所示,该训练模型的装置800可包括第一获取单元810、处理单元820、第二获取单元830、确定单元840和训练单元850。
第一获取单元810,用于获取传感器在第一时间采集的样本车辆的第二行驶信息;
处理单元820,用于根据所述第二行驶信息,得到所述样本车辆的第三位置信息,以及在确定所述第三位置信息的过程中使用的第二中间变量;
第二获取单元830,用于获取定位设备在所述第一时间采集的所述样本车辆的第四位置信息;
确定单元840,用于确定训练样本集,所述训练样本集包括所述第三位置信息、所述第四位置信息和所述第二中间变量;
训练单元850,用于根据所述训练样本集对精度估计模型进行训练。
在一些实施例中,所述第二行驶信息包括全球导航卫星系统GNSS传感器采集的所述样本车辆的行驶信息;
其中,所述处理单元820具体用于:
根据所述第二行驶信息和地图信息,得到所述第三位置信息和所述第二中间变量,其中,所述第二中间变量包括根据所述第二行驶信息确定的车道信息与所述样本车辆在所述地图信息中的车道信息之间的误差信息;
其中,训练单元850具体用于:
根据所述训练样本集对第一精度估计模型进行训练。
在一些实施例中,所述第二行驶信息包括全球导航卫星系统GNSS传感器采集的所述样本车辆的行驶信息;
所述处理单元820还用于:将所述GNSS传感器采集的所述样本车辆的行驶信息部分置为无效;
根据所述第二行驶信息的有效部分和地图信息,得到所述第三位置信息和所述第二中间变量,其中,所述第二中间变量包括根据所述第二行驶信息确定的车道信息与所述样本车辆在所述地图信息中的车道信息之间的误差信息;
其中,所述训练单元具体用于根据所述训练样本集对第二精度估计模型进行训练。
在一些实施例中,所述第二行驶信息包括全球导航卫星系统GNSS传感器采集的所述样本车辆的行驶信息;其中,训练单元850具体用于:
根据所述训练样本集对第三精度估计模型进行训练。
在一些实施例中,所述第二行驶信息包括惯性测量单元IMU传感器、车速传感器和视觉传感器中的至少一种传感器采集的所述样本车辆的行驶信息。
在一些实施例中,所述第二中间变量包括用于确定所述第三位置信息所采用的优化算法的协方差和所述第二行驶信息在第二时间段的统计值中的至少一种。
应理解,装置实施例与方法实施例可以相互对应,类似的描述可以参照方法实施例。为避免重复,此处不再赘述。具体地,在该实施例中训练模型的装置800可以对应于执行本申请实施例的方法200的相应主体,并且装置800中的各个模块的前述和其它操作和/或功能分别为了实现上文中的方法200中的相应流程,为了简洁,在此不再赘述。
上文中结合附图从功能模块的角度描述了本申请实施例的装置和系统。应理解,该功能模块可以通过硬件形式实现,也可以通过软件形式的指令实现,还可以通过硬件和软件模块组合实现。具体地,本申请实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成,结合本申请实施例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。可选地,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、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。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实施例中的步骤。
如图9是本申请实施例提供的电子设备1100的示意性框图。
如图9所示,该电子设备1100可包括:
存储器1110和处理器1120,该存储器1110用于存储计算机程序,并将该程序代码传输给该处理器1120。换言之,该处理器1120可以从存储器1110中调用并运行计算机程序,以实现本申请实施例中的方法。
例如,该处理器1120可用于根据该计算机程序中的指令执行上述方法200中的步骤。
在本申请的一些实施例中,该处理器1120可以包括但不限于:
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)、现场可编程门阵列(FieldProgrammable 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、分立硬件组件等等。
在本申请的一些实施例中,该存储器1110包括但不限于:
易失性存储器和/或非易失性存储器。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DR RAM)。
在本申请的一些实施例中,该计算机程序可以被分割成一个或多个模块,该一个或者多个模块被存储在该存储器1110中,并由该处理器1120执行,以完成本申请提供的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述该计算机程序在该电子设备1100中的执行过程。
可选的,如图9所示,该电子设备1100还可包括:收发器1130,该收发器1130可连接至该处理器1120或存储器1110。其中,处理器1120可以控制该收发器1130与其他设备进行通信,具体地,可以向其他设备发送信息或数据,或接收其他设备发送的信息或数据。收发器1130可以包括发射机和接收机。收发器1130还可以进一步包括天线,天线的数量可以为一个或多个。
应当理解,该电子设备1100中的各个组件通过总线系统相连,其中,总线系统除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。
根据本申请的一个方面,提供了一种通信装置,包括处理器和存储器,该存储器用于存储计算机程序,该处理器用于调用并运行所述存储器中存储的计算机程序,使得所述编码器执行上述方法实施例的方法。
根据本申请的一个方面,提供了一种计算机存储介质,其上存储有计算机程序,该计算机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者说,本申请实施例还提供一种包含指令的计算机程序产品,该指令被计算机执行时使得计算机执行上述方法实施例的方法。
根据本申请的另一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述方法实施例的方法。
换言之,当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本申请实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
可以理解的是,在本申请的具体实施方式中,可能涉及到用户信息等相关的数据。当本申请以上实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,该模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。例如,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以该权利要求的保护范围为准。
Claims (19)
1.一种定位精度估计的方法,其特征在于,包括:
获取传感器采集的车辆的第一行驶信息;
根据所述第一行驶信息,得到所述车辆的第一位置信息,以及在确定所述第一位置信息的过程中使用的第一中间变量;
根据所述第一行驶信息和所述第一中间变量,在预先训练好的精度估计模型中确定目标精度估计模型;所述精度估计模型是根据训练样本集对机器学习模型进行训练得到的,所述训练样本集中的训练样本包括样本车辆的位置信息和在确定所述位置信息的过程中采用的中间变量;
将所述第一位置信息和所述第一中间变量输入所述目标精度估计模型,得到所述车辆的第二位置信息,以及所述第一位置信息相对所述第二位置信息的精度误差。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一行驶信息,得到所述车辆的第一位置信息,以及在确定所述第一位置信息的过程中使用的第一中间变量,包括:
根据所述第一行驶信息和地图信息,得到所述第一位置信息和所述第一中间变量,其中,所述第一中间变量包括根据所述第一行驶信息确定的车道信息与所述车辆在所述地图信息中的车道信息之间的误差信息。
3.根据权利要求2所述的方法,其特征在于,所述第一行驶信息包括全球导航卫星系统GNSS传感器采集的所述车辆的行驶信息;
其中,所述根据所述第一行驶信息和所述第一中间变量,在预先训练好的精度估计模型中确定目标精度估计模型,包括:
根据所述第一行驶信息和所述第一中间变量,将第一精度估计模型确定为所述目标精度估计模型,其中,所述第一精度估计模型的训练样本集中的所述位置信息和所述中间变量是根据所述GNSS传感器采集的所述样本车辆的行驶信息和所述地图信息确定的。
4.根据权利要求2所述的方法,其特征在于,所述根据所述第一行驶信息和所述第一中间变量,在预先训练好的精度估计模型中确定目标精度估计模型,包括:
根据所述第一行驶信息和所述第一中间变量,将第二精度估计模型确定为所述目标精度估计模型,其中,所述第二精度估计模型对应的训练样本集中的所述位置信息和所述中间变量是根据所述GNSS传感器采集的所述样本车辆的行驶信息的有效部分和所述地图信息确定的,所述GNSS传感器采集的所述样本车辆的行驶信息部分置为无效。
5.根据权利要求4所述的方法,其特征在于,所述GNSS传感器采集的所述样本车辆的行驶信息按照时间周期性地置为无效和有效。
6.根据权利要求1所述的方法,其特征在于,所述第一行驶信息包括GNSS传感器采集的所述车辆的行驶信息;
其中,所述根据所述第一行驶信息和所述第一中间变量,在预先训练好的精度估计模型中确定目标精度估计模型,包括:
所述根据所述第一行驶信息和所述第一中间变量,将第三精度估计模型确定为所述精度估计模型,其中,所述第三精度估计模型对应的训练样本集中的所述位置信息和所述中间变量是根据所述GNSS传感器采集的所述样本车辆的行驶信息确定的。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述第一行驶信息包括惯性测量单元IMU传感器、车速传感器和视觉传感器中的至少一种传感器采集的所述车辆的行驶信息。
8.根据权利要求1-6任一项所述的方法,其特征在于,所述第一中间变量包括用于确定所述第一位置信息所采用的优化算法的协方差和所述第一行驶信息在第一时间段的统计值中的至少一种。
9.根据权利要求1-6任一项所述的方法,其特征在于,所述第一位置信息包括所述车辆的第一经度、第一纬度和第一车辆方向角,所述第二位置信息包括所述车辆的第二经度、第二纬度和第二车辆方向角。
10.根据权利要求1-6任一项所述的方法,其特征在于,所述精度误差包括横向距离误差、纵向距离误差和方向角误差中的至少一种。
11.一种训练模型的方法,其特征在于,包括:
获取传感器在第一时间采集的样本车辆的第二行驶信息;
根据所述第二行驶信息,得到所述样本车辆的第三位置信息,以及在确定所述第三位置信息的过程中使用的第二中间变量;
获取定位设备在所述第一时间采集的所述样本车辆的第四位置信息;
确定训练样本集,所述训练样本集包括所述第三位置信息、所述第四位置信息和所述第二中间变量;
根据所述训练样本集对所述精度估计模型进行训练。
12.根据权利要求11所述的方法,其特征在于,所述第二行驶信息包括全球导航卫星系统GNSS传感器采集的所述样本车辆的行驶信息;
其中,所述根据所述第二行驶信息,得到所述样本车辆的第三位置信息,以及在确定所述第三位置信息的过程中使用的第二中间变量,包括:
根据所述第二行驶信息和地图信息,得到所述第三位置信息和所述第二中间变量,其中,所述第二中间变量包括根据所述第二行驶信息确定的车道信息与所述样本车辆在所述地图信息中的车道信息之间的误差信息;
其中,所述根据所述训练样本集对所述精度估计模型进行训练,包括:
根据所述训练样本集对第一精度估计模型进行训练。
13.根据权利要求11所述的方法,其特征在于,所述第二行驶信息包括全球导航卫星系统GNSS传感器采集的所述样本车辆的行驶信息;
所述方法还包括:将所述GNSS传感器采集的所述样本车辆的行驶信息部分置为无效;
其中,所述根据所述第二行驶信息,得到所述样本车辆的第三位置信息,以及在确定所述第三位置信息的过程中使用的第二中间变量,包括:
根据所述第二行驶信息的有效部分和地图信息,得到所述第三位置信息和所述第二中间变量,其中,所述第二中间变量包括根据所述第二行驶信息确定的车道信息与所述样本车辆在所述地图信息中的车道信息之间的误差信息;
其中,所述根据所述训练样本集对所述精度估计模型进行训练,包括:
根据所述训练样本集对第二精度估计模型进行训练。
14.根据权利要求11所述的方法,其特征在于,所述第二行驶信息包括全球导航卫星系统GNSS传感器采集的所述样本车辆的行驶信息;
其中,所述根据所述训练样本集对所述精度估计模型进行训练,包括:
根据所述训练样本集对第三精度估计模型进行训练。
15.一种定位精度估计的装置,其特征在于,包括:
获取单元,用于获取传感器采集的车辆的第一行驶信息;
处理单元,用于根据所述第一行驶信息,得到所述车辆的第一位置信息,以及在确定所述第一位置信息的过程中使用的第一中间变量;
确定单元,用于根据所述第一行驶信息和所述第一中间变量,在预先训练好的精度估计模型中确定目标精度估计模型;所述精度估计模型是根据训练样本集对机器学习模型进行训练得到的,所述训练样本集中的训练样本包括样本车辆的位置信息和在确定所述位置信息的过程中采用的中间变量;
所述目标精度估计模型,用于输入所述第一位置信息和所述第一中间变量,得到所述车辆的第二位置信息,以及所述第一位置信息相对所述第二位置信息的精度误差。
16.一种训练模型的装置,其特征在于,包括:
第一获取单元,用于获取传感器在第一时间采集的样本车辆的第二行驶信息;
处理单元,用于根据所述第二行驶信息,得到所述样本车辆的第三位置信息,以及在确定所述第三位置信息的过程中使用的第二中间变量;
第二获取单元,用于获取定位设备在所述第一时间采集的所述样本车辆的第四位置信息;
确定单元,用于确定训练样本集,所述训练样本集包括所述第三位置信息、所述第四位置信息和所述第二中间变量;
训练单元,用于根据所述训练样本集对所述精度估计模型进行训练。
17.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储有指令,所述处理器执行所述指令时,使得所述处理器执行权利要求1-14任一项所述的方法。
18.一种计算机存储介质,其特征在于,用于存储计算机程序,所述计算机程序包括用于执行权利要求1-14中任一项所述的方法。
19.一种计算机程序产品,其特征在于,包括计算机程序代码,当所述计算机程序代码被电子设备运行时,使得所述电子设备执行权利要求1-14中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210837512.8A CN117405126A (zh) | 2022-07-15 | 2022-07-15 | 定位精度估计的方法、装置、电子设备及存储介质 |
PCT/CN2023/091078 WO2024012006A1 (zh) | 2022-07-15 | 2023-04-27 | 定位精度估计的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210837512.8A CN117405126A (zh) | 2022-07-15 | 2022-07-15 | 定位精度估计的方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117405126A true CN117405126A (zh) | 2024-01-16 |
Family
ID=89491356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210837512.8A Pending CN117405126A (zh) | 2022-07-15 | 2022-07-15 | 定位精度估计的方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117405126A (zh) |
WO (1) | WO2024012006A1 (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11525688B2 (en) * | 2017-12-15 | 2022-12-13 | Samsung Electronics Co., Ltd. | Method and apparatus for determining object position |
CN108871336B (zh) * | 2018-06-20 | 2019-05-07 | 湘潭大学 | 一种车辆位置估算系统及方法 |
CN111538232B (zh) * | 2020-04-17 | 2023-06-13 | 东南大学 | 基于自适应神经模糊控制的无人行车防摇定位方法及系统 |
CN111767354B (zh) * | 2020-04-26 | 2023-07-14 | 东风汽车集团有限公司 | 一种高精度地图精度评估方法 |
CN111624634B (zh) * | 2020-05-11 | 2022-10-21 | 中国科学院深圳先进技术研究院 | 基于深度卷积神经网络的卫星定位误差评估方法和系统 |
CN112505737B (zh) * | 2020-11-16 | 2024-03-01 | 东南大学 | 一种gnss/ins组合导航方法 |
CN112762933B (zh) * | 2021-04-07 | 2021-07-09 | 智道网联科技(北京)有限公司 | 基于神经网络模型的车辆定位方法及装置 |
-
2022
- 2022-07-15 CN CN202210837512.8A patent/CN117405126A/zh active Pending
-
2023
- 2023-04-27 WO PCT/CN2023/091078 patent/WO2024012006A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2024012006A1 (zh) | 2024-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
El-Sheimy et al. | Indoor navigation: State of the art and future trends | |
Kassas et al. | Robust vehicular localization and map matching in urban environments through IMU, GNSS, and cellular signals | |
Hashemi et al. | A critical review of real-time map-matching algorithms: Current issues and future directions | |
Milanés et al. | Autonomous vehicle based in cooperative GPS and inertial systems | |
CN103453913B (zh) | 停车场中车辆的组合定位方法 | |
CN101285686B (zh) | 一种农业机械导航分级定位的方法和系统 | |
CN108068792A (zh) | 用于自主车辆的自动协同驾驶控制 | |
CN105890592B (zh) | 基于Online-WSVR算法的车辆位置信息预测方法 | |
CN113063425B (zh) | 车辆定位方法、装置、电子设备及存储介质 | |
Liu et al. | Generating enhanced intersection maps for lane level vehicle positioning based applications | |
Abdelrahman et al. | Crowdsensing-based personalized dynamic route planning for smart vehicles | |
Tang et al. | OdoNet: Untethered speed aiding for vehicle navigation without hardware wheeled odometer | |
Williams et al. | Position uncertainty-tolerant cooperative merging application for mixed multilane traffic | |
Iqbal et al. | Experimental results on an integrated GPS and multisensor system for land vehicle positioning | |
Popescu et al. | Lane identification and ego-vehicle accurate global positioning in intersections | |
He et al. | Research on GNSS INS & GNSS/INS integrated navigation method for autonomous vehicles: A survey | |
CN116931005B (zh) | 一种基于v2x辅助的车辆高精度定位方法、装置和存储介质 | |
Sirikonda et al. | Integration of low-cost IMU with MEMS and NAVIC/IRNSS receiver for land vehicle navigation | |
KR20220061092A (ko) | Gps 포지셔닝 방법 및 컴퓨터 프로그램 제품 | |
Dedes et al. | A simulation design of an integrated GNSS/INU, vehicle dynamics, and microscopic traffic flow simulator for automotive safety. | |
CN117405126A (zh) | 定位精度估计的方法、装置、电子设备及存储介质 | |
Kobayashi et al. | Prediction of real-time kinematic positioning availability on road using 3d map and machine learning | |
Toledo-Moreo et al. | Positioning and digital maps | |
Yu | Improved positioning of land vehicle in ITS using digital map and other accessory information | |
Bakirci et al. | Utilization of a Vehicle's On-Board Diagnostics to Reduce GPS-Sourced Positioning Error |
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 |