CN117473455B - 多源定位数据的融合方法、装置和电子设备 - Google Patents
多源定位数据的融合方法、装置和电子设备 Download PDFInfo
- Publication number
- CN117473455B CN117473455B CN202311816570.3A CN202311816570A CN117473455B CN 117473455 B CN117473455 B CN 117473455B CN 202311816570 A CN202311816570 A CN 202311816570A CN 117473455 B CN117473455 B CN 117473455B
- Authority
- CN
- China
- Prior art keywords
- sensor
- positioning data
- dimension
- data
- covariance matrix
- 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.)
- Active
Links
- 238000007500 overflow downdraw method Methods 0.000 title abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 88
- 230000004927 fusion Effects 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 238000009432 framing Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. 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
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Probability & Statistics with Applications (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供了一种多源定位数据的融合方法、装置和电子设备,其中融合方法包括:计算每一种传感器获取的定位数据在每个维度下的标准差;根据每个维度下的标准差计算每个维度的权重因子,包括:定义目标函数,其中,根据公式,在目标函数y取最小值时,得到当前时间戳tp下第N个传感器的第D维度的权重因子;将各传感器的每个维度的权重因子乘以各传感器的第一噪声协方差矩阵,得到各传感器的第二噪声协方差矩阵,第一噪声协方差矩阵为初始设定的噪声协方差矩阵;将各传感器的第二噪声协方差矩阵与各传感器获取的定位数据进行滤波融合。本发明可随着获取的定位数据的标准差自动调节各定位数据的权重因子,提升定位融合输出的精度和稳定性。
Description
技术领域
本发明主要涉及定位数据测量和处理技术领域,尤其涉及一种多源定位数据的融合方法、装置和电子设备。
背景技术
随着科技的飞速发展,汽车智能驾驶技术也在不断的推进和完善,如今,许多汽车制造商都推出了具有自动驾驶功能的汽车。智能驾驶技术是汽车智能化的一项重要研究领域,它主要包括视觉感知、轨迹规划、运动控制等方面。智能驾驶系统可以通过传感器实时监测车辆周围的环境,包括其他车辆、行人、道路状况等,从而提前预警和避免潜在的危险,减少交通事故的发生。汽车智能驾驶是目前研究热点,其中智能驾驶算法分为感知、定位和规控算法。
在智能驾驶系统中,车辆需要精确地知道自身在道路上的位置以及周围环境的位置信息,才能够做出正确的决策和控制。因此,高精度定位技术和定位算法是智能驾驶系统不可或缺的组成部分。在定位算法中,由于单种传感器性能有限,只使用单种传感器很难应付复杂的环境,为了解决该问题,通常使用多种不同类型的传感器进行融合定位,结合不同类型传感器的优势,进行传感器冗余配置。目前主流方案使用组合导航(IMU+GPS)、地图匹配、里程计(轮式里程计、激光里程计、视觉里程计)进行多源传感器融合定位。在此过程中,需要明确各传感器的权重,即在进行多源定位数据融合时,必须给各定位数据源设定合理的融合权重才能使融合中心进行稳定平滑、高精度的结果输出。但由于各传感器性能不同,原始传感器和通信模块存在性能不稳定、时延等问题,各传感器所获取的定位数据在稳定性、连续性等性能上并非一成不变,因此,只依赖于固定的权重,必然不能适应定位数据融合的动态需求,基于固定权重所得定位结果的精度和稳定性相对较低。
发明内容
本发明要解决的技术问题是提供一种多源定位数据的融合方法、装置和电子设备,可随着获取的定位数据的标准差自动调节各定位数据的权重因子,提升定位融合输出的精度和稳定性。
为解决上述技术问题,第一方面,本发明提供了一种多源定位数据的融合方法,包括:计算每一种传感器获取的定位数据在每个维度下的标准差,其中所述定位数据具有以下维度:三轴位置和三轴角度;根据每个维度下的标准差计算每个维度的权重因子,包括:定义目标函数,其中/>,l表示传感器数量,/>表示第N个传感器的第D维度的权重因子,/>表示第N个传感器的第D维度的标准差;根据公式/>,在所述目标函数y取最小值时,得到当前时间戳tp下第N个传感器的第D维度的权重因子/>;将各所述传感器的每个维度的权重因子乘以各所述传感器的第一噪声协方差矩阵,得到各所述传感器的第二噪声协方差矩阵,其中所述第一噪声协方差矩阵为初始设定的噪声协方差矩阵;将各所述传感器的第二噪声协方差矩阵与各所述传感器获取的定位数据进行滤波融合。
可选地,所述传感器包括:惯性传感器与GPS组合导航、地图匹配和里程计。
可选地,计算所述定位数据在每个维度下的标准差包括:计算当前时间戳tp之前从当前帧开始连续的M帧定位数据的标准差。
可选地,计算所述定位数据在每个维度下的标准差包括:连续的定位数据帧数与所述传感器的数据输出频率数值相同。
可选地,还包括:在计算每一种传感器获取的定位数据在每个维度下的标准差之前,判断各所述传感器获取的定位数据是否存在乱序数据,所述乱序数据为时间戳与融合中心的时间戳不同的定位数据。
可选地,判断各所述传感器获取的定位数据是否存在乱序数据包括:将各所述传感器获取的定位数据的时间戳与当前时间戳tp进行比较,小于所述当前时间戳tp的定位数据为乱序数据,其中tp为融合中心的当前时间戳。
可选地,还包括:若存在所述乱序数据,则计算每一种传感器获取的定位数据在每个维度下的标准差步骤中,所述定位数据包括所述乱序数据;将各所述传感器的第二噪声协方差矩阵与各所述传感器获取的定位数据进行滤波融合步骤中,所述定位数据包括修正后的乱序数据。
可选地,将各所述传感器的每个维度的权重因子乘以各所述传感器的第一噪声协方差矩阵步骤中,对于存在所述乱序数据的传感器,以第三噪声协方差矩阵替代所述第一噪声协方差矩阵,其中所述第三噪声协方差矩阵为所述乱序数据的第一噪声协方差矩阵与基准定位数据的第一噪声协方差矩阵的均值加权,所述基准定位数据为各所述传感器的定位数据中标准差最小的定位数据。
可选地,所述修正后的乱序数据包括对所述乱序数据进行补帧后的数据。
可选地,对所述乱序数据进行补帧包括:选定基准定位数据,所述基准定位数据为各所述传感器的定位数据中标准差最小的定位数据;计算时间戳tc到当前时间戳tp之间所述基准定位数据的相对位姿Zr = Zsc -1* Zsp,其中Zsc为所述基准定位数据在时间戳tc的位姿,Zsp为所述基准定位数据在当前时间戳tp的位姿,tc< tp;将所述相对位姿Zr补到所述乱序数据之后,则修正的乱序数据的位姿Zgp = Zgc* Zr,其中Zgc为所述乱序数据在时间戳tc的位姿。
可选地,选定基准定位数据包括:以惯性传感器与GPS组合导航获取的定位数据为所述基准定位数据。
第二方面,本发明提供了一种多源定位数据的融合装置,包括:第一计算模块,用于计算每一种传感器获取的定位数据在每个维度下的标准差,其中所述定位数据具有以下维度:三轴位置和三轴角度;第二计算模块,用于根据每个维度下的标准差计算每个维度的权重因子,包括:定义目标函数,其中/>,l表示传感器数量,/>表示第N个传感器的第D维度的权重因子,/>表示第N个传感器的第D维度的标准差;根据公式,在所述目标函数y取最小值时,得到当前时间戳tp下第N个传感器的第D维度的权重因子/>;第三计算模块,用于将各所述传感器的每个维度的权重因子乘以各所述传感器的第一噪声协方差矩阵,得到各所述传感器的第二噪声协方差矩阵,其中所述第一噪声协方差矩阵为初始设定的噪声协方差矩阵;融合模块,用于将各所述传感器的第二噪声协方差矩阵与各所述传感器获取的定位数据进行滤波融合。
第三方面,本发明提供了一种电子设备,包括:处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的多源定位数据的融合方法的步骤。
第四方面,本发明提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的多源定位数据的融合方法的步骤。
与现有技术相比,本发明具有以下优点:首先计算每一种传感器获取的定位数据在每个维度下的标准差,再根据每个维度下的标准差计算每个维度的权重因子,又将各传感器的每个维度的权重因子乘以各传感器的第一噪声协方差矩阵,得到各传感器的第二噪声协方差矩阵,最后将各传感器的第二噪声协方差矩阵与各传感器获取的定位数据进行滤波融合,进而可随着获取的定位数据的标准差自动调节各定位数据的权重因子,提升定位融合输出的精度和稳定性。
附图说明
包括附图是为提供对本申请进一步的理解,它们被收录并构成本申请的一部分,附图示出了本申请的实施例,并与本说明书一起起到解释本申请原理的作用。附图中:
图1是本发明一实施例多源定位数据的融合方法的流程示意图;
图2是本发明一实施例三源定位数据的融合方法的流程示意图;
图3是本发明另一实施例多源定位数据的融合方法的流程示意图;
图4是本发明另一实施例三源定位数据的融合方法的流程示意图;
图5是本发明另一实施例中乱序数据处理示意图;
图6是本发明一实施例多源定位数据的融合装置的结构示意图;
图7是本发明另一实施例多源定位数据的融合装置的结构示意图;
图8是根据本发明一实施例示出的电子设备示意图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
此外,需要说明的是,使用“第一”、“第二”等词语来限定零部件,仅仅是为了便于对相应零部件进行区别,如没有另行声明,上述词语并没有特殊含义,因此不能理解为对本申请保护范围的限制。此外,尽管本申请中所使用的术语是从公知公用的术语中选择的,但是本申请说明书中所提及的一些术语可能是申请人按他或她的判断来选择的,其详细含义在本文的描述的相关部分中说明。此外,要求不仅仅通过所使用的实际术语,而是还要通过每个术语所蕴含的意义来理解本申请。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各种步骤。同时,或将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
实施例一:图1是本发明一实施例多源定位数据的融合方法的流程示意图,参考图1所示,方法100包括:S110、计算每一种传感器获取的定位数据在每个维度下的标准差,其中所述定位数据具有以下维度:三轴位置和三轴角度;S120、根据每个维度下的标准差计算每个维度的权重因子;S130、将各所述传感器的每个维度的权重因子乘以各所述传感器的第一噪声协方差矩阵,得到各所述传感器的第二噪声协方差矩阵,其中所述第一噪声协方差矩阵为初始设定的噪声协方差矩阵;S140、将各所述传感器的第二噪声协方差矩阵与各所述传感器获取的定位数据进行滤波融合。
且步骤S120包括:定义目标函数,其中/>,l表示传感器数量,表示第N个传感器的第D维度的权重因子,/>表示第N个传感器的第D维度的标准差;根据公式/>,在目标函数y取最小值时,得到当前时间戳tp下第N个传感器的第D维度的权重因子/>。
由于单种传感器性能有限或侧重于某一方面,只使用单种传感器很难应付复杂的环境,因此高精融合定位通常都由几个传感器构成,这些传感器会在各自部分先进行定位,然后将各定位结果传到融合中心进行融合,最终得到高精定位结果。不同的传感器具有不同的精度、稳定性和可靠性,为了获得更准确的定位结果,需要赋予每种传感器(或定位数据)权重,以使更稳定、可靠和精确的定位数据对最终结果产生更大的影响。与传统方式不同,本实施例中根据每个维度下的标准差计算每个维度的权重因子,可随着获取的定位数据的标准差自动调节各定位数据的权重因子,提升定位融合输出的精度和稳定性。
在一示例中,传感器包括惯性传感器与GPS组合导航(简称INS)、地图匹配(简称MM)和里程计。
惯性传感器与GPS组合导航通过融合惯性传感器和GPS的数据,提供更准确、更稳定的定位服务,可以相互补充,降低各自的误差和噪声影响。地图匹配是一种将定位数据与实际道路网络进行匹配的技术,主要用于修正定位误差和提高定位精度。地图匹配的基本原理是将定位数据与数字地图中的道路网络进行比对和分析,找到最匹配的道路,并将定位数据调整到该道路上,得到更准确的位置信息。里程计可通过记录车辆行驶的距离和速度等信息,帮助驾驶员或自动驾驶系统了解车辆的行驶状态和位置。
在一示例中,计算定位数据在每个维度下的标准差可以是计算当前时间戳tp之前从当前帧开始连续的M帧定位数据的标准差。
更优地,计算定位数据在每个维度下的标准差步骤中,连续的定位数据帧数与传感器的数据输出频率数值相同。
由于每种定位数据都具有三轴位置和三轴角度等维度,因此,每种定位数据都具有6个标准差。示例性的,以惯性传感器与GPS组合导航、地图匹配和里程计三种传感器为例,参考图2所示,设当前时间戳为tp(假设时间戳序列为t1、t2、...、tp-1、tp),p>M,M表示P帧数据中的M帧,分别计算组合导航、地图匹配、里程计帧间数据队列,保存从当前帧到历史M帧各传感器输入数据的前后帧差值,共M-1个数据。当然,M可以根据各传感器输出频率设定不同值。由于各传感器输入频率为100HZ~10HZ,可以将M设定为100,这样既保证了标准差计算的准确性,也保证了标准差计算的稳定性。以组合导航(INS)的帧间数据队列为例,计算如下:
首先计算帧间M-1个数据队列的相邻节点的三轴位置、三轴角度差值数组,分别是:
,
,
,
,
;
式中,instp表示组合导航在时间戳tp下的输出,、、、、、分别表示组合导航第2时刻的输出减去第1时刻的输出的X轴
位置、Y轴位置、Z轴位置、X轴角度、Y轴角度、Z轴角度的差值;同理,、、、、、分别表示组合导航第3时刻的输出减去第2时刻的
输出的X轴位置、Y轴位置、Z轴位置、X轴角度、Y轴角度、Z轴角度的差值,其余定义在此不再
赘述。
再计算当前时间戳tp下各传感器的数据标准差,分别得到:
式中,表示利用算出的组合
导航在当前时间戳tp的X轴位置的标准差;同理,表示利用算出的组合导航在当前时间戳tp下的Y轴位置
的标准差,其余定义在此不再赘述。
基于上述计算方式,还可以得到地图匹配和里程计的标准差,分别为:
,
。与组合导
航中各标准差定义同理,能够得知上述地图匹配和里程计的标准差的定义,在此不再赘述。
基于计算的标准差可以知道哪种传感器输出的定位数据更为稳定,则相应的其在定位融合中的权重更大。本实施例可以通过以下方式求解得到不同传感器的权重因子(可简称权重):定义目标函数,其中/>,l表示传感器数量,/>表示第N个传感器的第D维度的权重因子,/>表示第N个传感器的第D维度的标准差;根据公式,在目标函数y取最小值时,得到当前时间戳tp下第N个传感器的第D维度的权重因子/>。
示例性的,以位置在X轴的维度(posX)为例,求解当前时间戳为tp下权重因子,则目标函数为:
其中,,N表示不同的定位传感器,如N=1表示组合导航,N=2表示地图匹配,N=3表示里程计等,当然也可以是其他顺序,/>表示定位传感器N在X轴维度的权重因子,该维度下所有传感器的权重因子相加为1,/>表示定位传感器N在当前时间戳tp下X轴维度的标准差。再根据多元函数求极值理论,当加权因子为:
目标函数y可以取到最小值,得到当前时间戳tp下posX维度的权重因子。其它维度的权重因子也可以按同样的方式计算,在此不再赘述。
最后,在当前时间戳为tp下修正各传感器的测量噪声(即噪声协方差矩阵),将计算出的各传感器对应的权重因子乘以各传感器初始设定的噪声协方差矩阵对应元素进行修正,而后将计算出的噪声协方差矩阵与各传感器的定位数据进行滤波融合,得到高精定位融合输出结果。
本实施例提供的多源定位数据的融合方法,首先计算每一种传感器获取的定位数据在每个维度下的标准差,再根据每个维度下的标准差计算每个维度的权重因子,又将各传感器的每个维度的权重因子乘以各传感器的第一噪声协方差矩阵,得到各传感器的第二噪声协方差矩阵,最后将各传感器的第二噪声协方差矩阵与各传感器获取的定位数据进行滤波融合,进而可随着获取的定位数据的标准差自动调节各定位数据的权重因子,提升定位融合输出的精度和稳定性。
实施例二:图3是本发明另一实施例多源定位数据的融合方法的流程示意图,参考图3所示,方法300包括:S310、判断各所述传感器获取的定位数据是否存在乱序数据,所述乱序数据为时间戳与融合中心的时间戳不同的定位数据;S320、计算每一种传感器获取的定位数据在每个维度下的标准差,其中所述定位数据具有以下维度:三轴位置和三轴角度;S330、根据每个维度下的标准差计算每个维度的权重因子;S340、将各所述传感器的每个维度的权重因子乘以各所述传感器的第一噪声协方差矩阵,得到各所述传感器的第二噪声协方差矩阵,其中所述第一噪声协方差矩阵为初始设定的噪声协方差矩阵;S350、将各所述传感器的第二噪声协方差矩阵与各所述传感器获取的定位数据进行滤波融合。
且步骤S330包括:定义目标函数,其中/>,l表示传感器数量,表示第N个传感器的第D维度的权重因子,/>表示第N个传感器的第D维度的标准差;根据公式/>,在目标函数y取最小值时,得到当前时间戳tp下第N个传感器的第D维度的权重因子/>。
由于各传感器性能不同,原始传感器和通信模块存在性能不稳定、时延等问题,多源融合定位中各传感器定位结果传输到融合中心的时间戳可能会不一致,并且经常会晚于当前融合中心(FC)的时间,即产生乱序数据(乱序定位数据)。常用的乱序数据处理方式是丢弃乱序数据,不对乱序数据做任何处理,这会导致传感器有效数据无法被融合中心充分利用,致使融合中心输出的定位结果精度降低。
本实施例方法可以有效使用乱序数据,提升最终定位结果输出精度。在本实施例中,首先需要判断定位数据是否存在乱序数据,若没有乱序数据即可按照实施例一所示方式进行即可,当有乱序数据时,则需要对乱序数据进行修正等处理,一方面可以充分利用已知数据,避免定位数据不能有效应用,另一方面也需要规避乱序数据对定位结果造成负面影响。
在一示例中,判断各传感器获取的定位数据是否存在乱序数据可以是将各传感器获取的定位数据的时间戳与当前时间戳tp进行比较,小于当前时间戳tp的定位数据为乱序数据,其中tp为融合中心的当前时间戳。
示例性的,以惯性传感器与GPS组合导航、地图匹配和里程计三种传感器为例,参考图4所示,在获取到三种传感器的定位数据之后,判断是否存在乱序数据。此处假设组合导航的定位数据不存在乱序数据,对除组合导航以外的定位数据进行乱序数据判断,记录当前融合中心最新时间戳为tp,将各传感器输入的数据的时间戳与时间戳tp进行比较,将时间戳小于时间戳tp的数据标记为乱序数据。若存在乱序数据,则需要修正乱序数据并采用乱序数据进行定位数据融合。因此,在本实施例中,若存在乱序数据,则计算每一种传感器获取的定位数据在每个维度下的标准差步骤中,定位数据包括乱序数据;将各传感器的第二噪声协方差矩阵与各传感器获取的定位数据进行滤波融合步骤中,定位数据包括修正后的乱序数据。
参考图5所示,乱序数据处理的一种方式包括:进行乱序数据的测量噪声(噪声协方差矩阵)计算;进行乱序处理数据补帧;将计算好的乱序处理后数据和计算出的乱序数据测量噪声代入滤波算法进行滤波融合。
在一示例中,将各传感器的每个维度的权重因子乘以各传感器的第一噪声协方差矩阵步骤中,对于存在乱序数据的传感器,以第三噪声协方差矩阵替代第一噪声协方差矩阵,其中第三噪声协方差矩阵为乱序数据的第一噪声协方差矩阵与基准定位数据的第一噪声协方差矩阵的均值加权,基准定位数据为各传感器的定位数据中标准差最小的定位数据。
示例性的,以地图匹配产生的定位数据为乱序数据为例,首先将地图匹配和产生基准定位数据的传感器(如组合导航)的噪声协方差矩阵Γ6 x 6 ,mm 、Γ 6 x 6 ,ins进行均值加权,得到Γ 6 x 6 ,mm1 = (Γ6 x 6 ,mm+ Γ 6 x 6 ,ins) / 2,然后计算FC(融合中心)帧间数据标准差队列,可以求出Γ 6 x 6 ,mm1权重因子,再直接乘以算出的权重因子,以修正噪声协方差矩阵Γ 6 x 6 ,mm1。
在一示例中,修正后的乱序数据包括对乱序数据进行补帧后的数据。进一步地,对乱序数据进行补帧可以包括:选定基准定位数据,基准定位数据为各传感器的定位数据中标准差最小的定位数据;计算时间戳tc到当前时间戳tp之间基准定位数据的相对位姿Zr =Zsc -1* Zsp,其中Zsc为基准定位数据在时间戳tc的位姿,Zsp为基准定位数据在当前时间戳tp的位姿,tc< tp;将相对位姿Zr补到乱序数据之后,则修正的乱序数据的位姿Zgp = Zgc* Zr,其中Zgc为乱序数据在时间戳tc的位姿。
在处理完乱序数据之后,将计算出的各传感器对应的权重因子乘以各传感器的噪声协方差矩阵对应元素进行修正,而后将计算好的噪声协方差矩阵与各传感器的定位数据进行滤波融合,得到高精定位融合输出结果。
本实施例中各步骤执行的其他操作的细节可以参考前述实施例相同的步骤,在此不再展开。
本实例提供的多源定位数据的融合方法,不仅可以随着获取的定位数据的标准差自动调节各定位数据的权重因子,提升定位融合输出的精度和稳定性,还可以充分利用乱序数据,进一步提升定位结果精度。
实施例三:图6是本发明一实施例多源定位数据的融合装置的结构示意图,装置600主要包括:第一计算模块601,用于计算每一种传感器获取的定位数据在每个维度下的标准差,其中所述定位数据具有以下维度:三轴位置和三轴角度;第二计算模块602,用于根据每个维度下的标准差计算每个维度的权重因子,包括:定义目标函数,其中,l表示传感器数量,/>表示第N个传感器的第D维度的权重因子,/>表示第N个传感器的第D维度的标准差;根据公式/>,在所述目标函数y取最小值时,得到当前时间戳tp下第N个传感器的第D维度的权重因子/>;第三计算模块603,用于将各所述传感器的每个维度的权重因子乘以各所述传感器的第一噪声协方差矩阵,得到各所述传感器的第二噪声协方差矩阵,其中所述第一噪声协方差矩阵为初始设定的噪声协方差矩阵;融合模块604,用于将各所述传感器的第二噪声协方差矩阵与各所述传感器获取的定位数据进行滤波融合。
在一示例中,传感器包括惯性传感器与GPS组合导航、地图匹配和里程计。
在一示例中,计算定位数据在每个维度下的标准差可以是计算当前时间戳tp之前从当前帧开始连续的M帧定位数据的标准差。
在一示例中,计算定位数据在每个维度下的标准差可以是连续的定位数据帧数与传感器的数据输出频率数值相同。
本实施例中各模块执行的其他操作的细节可以参考前述实施例,在此不再展开。
本实例提供的多源定位数据的融合装置,首先计算每一种传感器获取的定位数据在每个维度下的标准差,再根据每个维度下的标准差计算每个维度的权重因子,又将各传感器的每个维度的权重因子乘以各传感器的第一噪声协方差矩阵,得到各传感器的第二噪声协方差矩阵,最后将各传感器的第二噪声协方差矩阵与各传感器获取的定位数据进行滤波融合,进而可随着获取的定位数据的标准差自动调节各定位数据的权重因子,提升定位融合输出的精度和稳定性。
实施例四:图7是本发明另一实施例多源定位数据的融合装置的结构示意图,参考图7所示,装置700主要包括:判断模块701,用于判断各所述传感器获取的定位数据是否存在乱序数据,所述乱序数据为时间戳与融合中心的时间戳不同的定位数据;第一计算模块702,用于计算每一种传感器获取的定位数据在每个维度下的标准差,其中所述定位数据具有以下维度:三轴位置和三轴角度;第二计算模块703,用于根据每个维度下的标准差计算每个维度的权重因子,包括:定义目标函数,其中/>,l表示传感器数量,/>表示第N个传感器的第D维度的权重因子,/>表示第N个传感器的第D维度的标准差;根据公式/>,在所述目标函数y取最小值时,得到当前时间戳tp下第N个传感器的第D维度的权重因子/>;第三计算模块704,用于将各所述传感器的每个维度的权重因子乘以各所述传感器的第一噪声协方差矩阵,得到各所述传感器的第二噪声协方差矩阵,其中所述第一噪声协方差矩阵为初始设定的噪声协方差矩阵;融合模块705,用于将各所述传感器的第二噪声协方差矩阵与各所述传感器获取的定位数据进行滤波融合。
在一示例中,判断各传感器获取的定位数据是否存在乱序数据可以是将各传感器获取的定位数据的时间戳与当前时间戳tp进行比较,小于当前时间戳tp的定位数据为乱序数据,其中tp为融合中心的当前时间戳。
在一示例中,计算每一种传感器获取的定位数据在每个维度下的标准差过程中,定位数据包括乱序数据;将各传感器的第二噪声协方差矩阵与各传感器获取的定位数据进行滤波融合过程中,定位数据包括修正后的乱序数据。
在一示例中,将各传感器的每个维度的权重因子乘以各传感器的第一噪声协方差矩阵过程中,对于存在乱序数据的传感器,以第三噪声协方差矩阵替代第一噪声协方差矩阵,其中第三噪声协方差矩阵为乱序数据的第一噪声协方差矩阵与基准定位数据的第一噪声协方差矩阵的均值加权,基准定位数据为各传感器的定位数据中标准差最小的定位数据
在一示例中,修正后的乱序数据包括对乱序数据进行补帧后的数据。
在一示例中,对乱序数据进行补帧包括:选定基准定位数据,基准定位数据为各传感器的定位数据中标准差最小的定位数据;计算时间戳tc到当前时间戳tp之间基准定位数据的相对位姿Zr = Zsc -1* Zsp,其中Zsc为基准定位数据在时间戳tc的位姿,Zsp为基准定位数据在当前时间戳tp的位姿,tc< tp;将相对位姿Zr补到乱序数据之后,则修正的乱序数据的位姿Zgp = Zgc* Zr,其中Zgc为乱序数据在时间戳tc的位姿。
在一示例中,选定基准定位数据可以是以惯性传感器与GPS组合导航获取的定位数据为基准定位数据。
本实施例中各模块执行的其他操作的细节可以参考前述实施例,在此不再展开。
本实例提供的多源定位数据的融合装置,不仅可以随着获取的定位数据的标准差自动调节各定位数据的权重因子,提升定位融合输出的精度和稳定性,还可以充分利用乱序数据,进一步提升定位结果精度。
本申请实施例中的一种多源定位数据的融合装置可以是装置,也可以是终端中的部件、集成电路、或芯片。本申请实施例中的一种多源定位数据的融合装置可以为具有操作系统的装置。该操作系统可以为安卓操作系统,可以为iOS操作系统,还可以为其他可能的操作系统,本申请实施例不作具体限定。
本申请还提供了一种电子设备,包括:存储器,用于存储可由处理器执行的程序或指令;以及处理器,用于执行上述程序或指令以实现上述多源定位数据的融合方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
图8是根据本发明一实施例示出的电子设备示意图。电子设备800可包括内部通信总线801、处理器(Processor)802、只读存储器(ROM)803、随机存取存储器(RAM)804、以及通信端口805。内部通信总线801可以实现电子设备800组件之间的数据通信。处理器802可以进行判断和发出提示。在一些实施方式中,处理器802可以由一个或多个处理器组成。通信端口805可以实现电子设备800与外部的数据通信。在一些实施方式中,电子设备800可以通过通信端口805从网络发送和接收信息及数据。电子设备800还可以包括不同形式的程序储存单元以及数据储存单元,只读存储器(ROM)803和随机存取存储器(RAM)804,能够存储计算机处理和/或通信使用的各种数据文件,以及处理器802所执行的可能的程序或指令。处理器802处理的结果通过通信端口805传给用户设备,在用户界面上显示。
本申请实施例还提供一种可读存储介质,可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述多源定位数据的融合方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,处理器为上述实施例中电子设备中的处理器。可读存储介质包括计算机可读存储介质,如计算机只读存储器(Read-Only Memory, ROM)、随机存取存储器(RandomAccess Memory,RAM)、磁碟或者光盘等。
对于本领域技术人员来说,上述发明披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
虽然本申请已参照当前的具体实施例来描述,但是本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本申请,在没有脱离本申请精神的情况下还可作出各种等效的变化或替换,因此,只要在本申请的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。
Claims (14)
1.一种多源定位数据的融合方法,其特征在于,包括:
计算每一种传感器获取的定位数据在每个维度下的标准差,其中所述定位数据具有以下维度:三轴位置和三轴角度;
根据每个维度下的标准差计算每个维度的权重因子,包括:定义目标函数,其中/>,l表示传感器数量,/>表示第N个传感器的第D维度的权重因子,/>表示第N个传感器的第D维度的标准差;根据公式/>,在所述目标函数y取最小值时,得到当前时间戳tp下第N个传感器的第D维度的权重因子/>;
将各所述传感器的每个维度的权重因子乘以各所述传感器的第一噪声协方差矩阵,得到各所述传感器的第二噪声协方差矩阵,其中所述第一噪声协方差矩阵为初始设定的噪声协方差矩阵;
将各所述传感器的第二噪声协方差矩阵与各所述传感器获取的定位数据进行滤波融合。
2.如权利要求1所述的多源定位数据的融合方法,其特征在于,所述传感器包括:惯性传感器与GPS组合导航、地图匹配和里程计。
3.如权利要求1所述的多源定位数据的融合方法,其特征在于,计算所述定位数据在每个维度下的标准差包括:计算当前时间戳tp之前从当前帧开始连续的M帧定位数据的标准差。
4.如权利要求3所述的多源定位数据的融合方法,其特征在于,计算所述定位数据在每个维度下的标准差包括:连续的定位数据帧数与所述传感器的数据输出频率数值相同。
5.如权利要求1所述的多源定位数据的融合方法,其特征在于,还包括:在计算每一种传感器获取的定位数据在每个维度下的标准差之前,判断各所述传感器获取的定位数据是否存在乱序数据,所述乱序数据为时间戳与融合中心的时间戳不同的定位数据。
6.如权利要求5所述的多源定位数据的融合方法,其特征在于,判断各所述传感器获取的定位数据是否存在乱序数据包括:将各所述传感器获取的定位数据的时间戳与当前时间戳tp进行比较,小于所述当前时间戳tp的定位数据为乱序数据,其中tp为融合中心的当前时间戳。
7.如权利要求5所述的多源定位数据的融合方法,其特征在于,还包括:若存在所述乱序数据,则:
计算每一种传感器获取的定位数据在每个维度下的标准差步骤中,所述定位数据包括所述乱序数据;
将各所述传感器的第二噪声协方差矩阵与各所述传感器获取的定位数据进行滤波融合步骤中,所述定位数据包括修正后的乱序数据。
8.如权利要求7所述的多源定位数据的融合方法,其特征在于,将各所述传感器的每个维度的权重因子乘以各所述传感器的第一噪声协方差矩阵步骤中,
对于存在所述乱序数据的传感器,以第三噪声协方差矩阵替代所述第一噪声协方差矩阵,其中所述第三噪声协方差矩阵为所述乱序数据的第一噪声协方差矩阵与基准定位数据的第一噪声协方差矩阵的均值加权,所述基准定位数据为各所述传感器的定位数据中标准差最小的定位数据。
9.如权利要求7所述的多源定位数据的融合方法,其特征在于,所述修正后的乱序数据包括对所述乱序数据进行补帧后的数据。
10.如权利要求9所述的多源定位数据的融合方法,其特征在于,对所述乱序数据进行补帧包括:
选定基准定位数据,所述基准定位数据为各所述传感器的定位数据中标准差最小的定位数据;
计算时间戳tc到当前时间戳tp之间所述基准定位数据的相对位姿Zr = Zsc -1* Zsp,其中Zsc为所述基准定位数据在时间戳tc的位姿,Zsp为所述基准定位数据在当前时间戳tp的位姿,tc< tp;
将所述相对位姿Zr补到所述乱序数据之后,则修正的乱序数据的位姿Zgp = Zgc* Zr,其中Zgc为所述乱序数据在时间戳tc的位姿。
11.如权利要求10所述的多源定位数据的融合方法,其特征在于,选定基准定位数据包括:以惯性传感器与GPS组合导航获取的定位数据为所述基准定位数据。
12.一种多源定位数据的融合装置,其特征在于,包括:
第一计算模块,用于计算每一种传感器获取的定位数据在每个维度下的标准差,其中所述定位数据具有以下维度:三轴位置和三轴角度;
第二计算模块,用于根据每个维度下的标准差计算每个维度的权重因子,包括:定义目标函数,其中/>,l表示传感器数量,/>表示第N个传感器的第D维度的权重因子,/>表示第N个传感器的第D维度的标准差;根据公式/>,在所述目标函数y取最小值时,得到当前时间戳tp下第N个传感器的第D维度的权重因子/>;
第三计算模块,用于将各所述传感器的每个维度的权重因子乘以各所述传感器的第一噪声协方差矩阵,得到各所述传感器的第二噪声协方差矩阵,其中所述第一噪声协方差矩阵为初始设定的噪声协方差矩阵;
融合模块,用于将各所述传感器的第二噪声协方差矩阵与各所述传感器获取的定位数据进行滤波融合。
13.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-11任一项所述的多源定位数据的融合方法的步骤。
14.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-11任一项所述的多源定位数据的融合方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311816570.3A CN117473455B (zh) | 2023-12-27 | 2023-12-27 | 多源定位数据的融合方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311816570.3A CN117473455B (zh) | 2023-12-27 | 2023-12-27 | 多源定位数据的融合方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117473455A CN117473455A (zh) | 2024-01-30 |
CN117473455B true CN117473455B (zh) | 2024-03-29 |
Family
ID=89626083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311816570.3A Active CN117473455B (zh) | 2023-12-27 | 2023-12-27 | 多源定位数据的融合方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117473455B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114199259A (zh) * | 2022-02-21 | 2022-03-18 | 南京航空航天大学 | 一种基于运动状态与环境感知的多源融合导航定位方法 |
CN114565010A (zh) * | 2022-01-14 | 2022-05-31 | 山东师范大学 | 一种基于数据融合的自适应卡尔曼噪声估计方法及系统 |
CN115096309A (zh) * | 2022-06-13 | 2022-09-23 | 重庆九洲星熠导航设备有限公司 | 融合定位方法、装置、电子设备及存储介质 |
JP7150229B1 (ja) * | 2022-01-21 | 2022-10-11 | 寧波工程学院 | RSS-AoA測定に基づく無線センサネットワークの目標位置決め方法 |
CN116125370A (zh) * | 2022-11-28 | 2023-05-16 | 中国电子科技集团公司第二十八研究所 | 一种多平台测向快速融合定位方法 |
WO2023116797A2 (zh) * | 2021-12-22 | 2023-06-29 | 比亚迪股份有限公司 | 车载多传感器融合定位方法、计算机设备及存储介质 |
-
2023
- 2023-12-27 CN CN202311816570.3A patent/CN117473455B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023116797A2 (zh) * | 2021-12-22 | 2023-06-29 | 比亚迪股份有限公司 | 车载多传感器融合定位方法、计算机设备及存储介质 |
CN114565010A (zh) * | 2022-01-14 | 2022-05-31 | 山东师范大学 | 一种基于数据融合的自适应卡尔曼噪声估计方法及系统 |
JP7150229B1 (ja) * | 2022-01-21 | 2022-10-11 | 寧波工程学院 | RSS-AoA測定に基づく無線センサネットワークの目標位置決め方法 |
CN114199259A (zh) * | 2022-02-21 | 2022-03-18 | 南京航空航天大学 | 一种基于运动状态与环境感知的多源融合导航定位方法 |
CN115096309A (zh) * | 2022-06-13 | 2022-09-23 | 重庆九洲星熠导航设备有限公司 | 融合定位方法、装置、电子设备及存储介质 |
CN116125370A (zh) * | 2022-11-28 | 2023-05-16 | 中国电子科技集团公司第二十八研究所 | 一种多平台测向快速融合定位方法 |
Non-Patent Citations (4)
Title |
---|
关维国 ; 邹林杰 ; 郝德华 ; 焦萌 ; .基于多属性代价函数的WiFi与蓝牙TLS融合定位算法.传感器与微系统.2018,(第11期),全文. * |
基于多属性代价函数的WiFi与蓝牙TLS融合定位算法;关维国;邹林杰;郝德华;焦萌;;传感器与微系统;20181030(第11期);全文 * |
基于联邦卡尔曼的GPS/基站定位信息融合算法;邓中亮;尹露;杨磊;余彦培;席岳;;北京邮电大学学报;20131215(第06期);全文 * |
邓中亮 ; 尹露 ; 杨磊 ; 余彦培 ; 席岳 ; .基于联邦卡尔曼的GPS/基站定位信息融合算法.北京邮电大学学报.2013,(第06期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117473455A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109444932B (zh) | 一种车辆定位方法、装置、电子设备及存储介质 | |
JP6161942B2 (ja) | カーブ形状モデル化装置、車両情報処理システム、カーブ形状モデル化方法、及びカーブ形状モデル化プログラム | |
CN109491369B (zh) | 车辆实际控制单元的性能评估方法、装置、设备和介质 | |
CN114295126B (zh) | 一种基于惯性测量单元的融合定位方法 | |
EP4345421A2 (en) | Method for calibrating sensor parameters based on autonomous driving, apparatus, storage medium, and vehicle | |
CN113052966A (zh) | 自动驾驶众包高精度地图更新方法、系统及介质 | |
JP2022513511A (ja) | 完全性範囲を特定するための方法 | |
CN111982158A (zh) | 一种惯性测量单元标定方法及装置 | |
KR20230137439A (ko) | 군집 궤적 위치의 정확도를 평가하기 위한 컴퓨터 구현 방법 | |
CN115390086A (zh) | 用于自动驾驶的融合定位方法、装置及电子设备、存储介质 | |
CN115617051A (zh) | 车辆控制方法、装置、设备和计算机可读介质 | |
CN109710594B (zh) | 地图数据的有效性判断方法、装置及可读存储介质 | |
CN117473455B (zh) | 多源定位数据的融合方法、装置和电子设备 | |
JP2019082328A (ja) | 位置推定装置 | |
CN115372020A (zh) | 自动驾驶车辆测试方法、装置、电子设备和介质 | |
CN113884089B (zh) | 一种基于曲线匹配的相机杆臂补偿方法及系统 | |
CN115112125A (zh) | 自动驾驶车辆的定位方法、装置及电子设备、存储介质 | |
CN113012429B (zh) | 一种车路多传感器数据融合方法及系统 | |
CN116777984A (zh) | 用于校准自主交通载具中摄像头的外部参数的系统 | |
CN112595330B (zh) | 车辆定位方法、装置、电子设备和计算机可读介质 | |
CN115014395A (zh) | 用于自动驾驶的车辆航向角实时标定方法、装置 | |
CN115031755A (zh) | 自动驾驶车辆定位方法、装置及电子设备、存储介质 | |
US20180038696A1 (en) | A system for use in a vehicle | |
CN117490705B (zh) | 车辆导航定位方法、系统、装置和计算机可读介质 | |
CN113327456A (zh) | 一种车道结构检测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |