CN117647253A - 基于v2v通信技术与高精地图匹配的车辆高精度定位方法 - Google Patents

基于v2v通信技术与高精地图匹配的车辆高精度定位方法 Download PDF

Info

Publication number
CN117647253A
CN117647253A CN202311551310.8A CN202311551310A CN117647253A CN 117647253 A CN117647253 A CN 117647253A CN 202311551310 A CN202311551310 A CN 202311551310A CN 117647253 A CN117647253 A CN 117647253A
Authority
CN
China
Prior art keywords
vehicle
information
position information
feature points
global
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311551310.8A
Other languages
English (en)
Inventor
邹涛
褚文博
周明珂
沈斌
王星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Western Science City Intelligent Connected Vehicle Innovation Center Chongqing Co ltd
Original Assignee
Western Science City Intelligent Connected Vehicle Innovation Center Chongqing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Western Science City Intelligent Connected Vehicle Innovation Center Chongqing Co ltd filed Critical Western Science City Intelligent Connected Vehicle Innovation Center Chongqing Co ltd
Priority to CN202311551310.8A priority Critical patent/CN117647253A/zh
Publication of CN117647253A publication Critical patent/CN117647253A/zh
Pending legal-status Critical Current

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Navigation (AREA)

Abstract

本发明公开了一种基于V2V通信技术与高精地图匹配的车辆高精度定位方法，本发明涉及智能网联技术领域，其中包括：获取待定位车辆与周围其他车辆之间的距离信息和角度信息，以及所述周围其他车辆的位置信息；根据所述周围其他车辆对应的距离信息、角度信息和位置信息，计算所述待定位车辆的初始位置信息；对车载相机拍摄的相机图像进行目标对象检测，并确定所述相机图像中所述目标对象周围的特征点在地图中的全局坐标信息；根据所述特征点的全局坐标信息，解算所述待定位车辆的全局位置信息；基于所述初始位置信息和所述全局位置信息，确定所述待定位车辆的目标位置信息。本发明能够获得高精度、高可靠的车辆定位信息。

Description

基于V2V通信技术与高精地图匹配的车辆高精度定位方法
技术领域
本发明涉及智能网联技术领域，具体而言，涉及一种基于V2V通信技术与高精地图匹配的车辆高精度定位方法。
背景技术
车辆的高精度定位(High-PrecisionPositioning，HPP)是车辆智能系统中环境感知技术的基础构件，通过获取车辆的航向、速度、加速度、位置和所处路段的视觉等信息，为车辆的路径规划、车道保持、自适巡航、智能泊车、盲区检测、自动紧急避障和高级别自动驾驶等车辆智能应用提供技术保障。
目前，通常采用全球导航卫星系统(GlobalNavigationSatelliteSystem，GNSS)来实现车辆定位。然而，GNSS信号抗干扰能力较弱，容易受到建筑物、树木等的遮挡，以及恶劣天气、电磁干扰等的影响，并非在所有路段所有时间都能够得到良好的GNSS信号，因此现有方式难以获得高精度、高可靠的车辆定位信息。
发明内容
本发明提供一种基于V2V通信技术与高精地图匹配的车辆高精度定位方法，主要在于能够获得高精度、高可靠的车辆定位信息。
根据本发明实施例的第一方面，提供一种基于V2V通信技术与高精地图匹配的车辆高精度定位方法，包括：
获取待定位车辆与周围其他车辆之间的距离信息和角度信息，以及所述周围其他车辆的位置信息；
根据所述周围其他车辆对应的距离信息、角度信息和位置信息，计算所述待定位车辆的初始位置信息；
对车载相机拍摄的相机图像进行目标对象检测，并确定所述相机图像中所述目标对象周围的特征点在地图中的全局坐标信息；
根据所述特征点的全局坐标信息，解算所述待定位车辆的全局位置信息；
基于所述初始位置信息和所述全局位置信息，确定所述待定位车辆的目标位置信息。
根据本发明实施例的第二方面，提供一种基于V2V通信技术与高精地图匹配的车辆高精度定位装置，包括：
获取单元，用于获取待定位车辆与周围其他车辆之间的距离信息和角度信息，以及所述周围其他车辆的位置信息；
计算单元，用于根据所述周围其他车辆对应的距离信息、角度信息和位置信息，计算所述待定位车辆的初始位置信息；
确定单元，用于对车载相机拍摄的相机图像进行目标对象检测，并确定所述相机图像中所述目标对象周围的特征点在地图中的全局坐标信息；
解算单元，用于根据所述特征点的全局坐标信息，解算所述待定位车辆的全局位置信息；
所述确定单元，还用于基于所述初始位置信息和所述全局位置信息，确定所述待定位车辆的目标位置信息。
根据本发明实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
获取待定位车辆与周围其他车辆之间的距离信息和角度信息，以及所述周围其他车辆的位置信息；
根据所述周围其他车辆对应的距离信息、角度信息和位置信息，计算所述待定位车辆的初始位置信息；
对车载相机拍摄的相机图像进行目标对象检测，并确定所述相机图像中所述目标对象周围的特征点在地图中的全局坐标信息；
根据所述特征点的全局坐标信息，解算所述待定位车辆的全局位置信息；
基于所述初始位置信息和所述全局位置信息，确定所述待定位车辆的目标位置信息。
根据本发明实施例的第四方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
获取待定位车辆与周围其他车辆之间的距离信息和角度信息，以及所述周围其他车辆的位置信息；
根据所述周围其他车辆对应的距离信息、角度信息和位置信息，计算所述待定位车辆的初始位置信息；
对车载相机拍摄的相机图像进行目标对象检测，并确定所述相机图像中所述目标对象周围的特征点在地图中的全局坐标信息；
根据所述特征点的全局坐标信息，解算所述待定位车辆的全局位置信息；
基于所述初始位置信息和所述全局位置信息，确定所述待定位车辆的目标位置信息。
本发明提供的一种基于V2V通信技术与高精地图匹配的车辆高精度定位方法，与现有技术相比，能够获取待定位车辆与周围其他车辆之间的距离信息和角度信息，以及所述周围其他车辆的位置信息，并根据所述周围其他车辆对应的距离信息、角度信息和位置信息，计算所述待定位车辆的初始位置信息，与此同时，对车载相机拍摄的相机图像进行目标对象检测，并确定所述相机图像中所述目标对象周围的特征点在地图中的全局坐标信息，之后根据所述特征点的全局坐标信息，解算所述待定位车辆的全局位置信息，最终基于所述初始位置信息和所述全局位置信息，确定所述待定位车辆的目标位置信息。由此可知，本发明在GNSS信号较差的环境下，依托车路协同中的V2V技术，使GPS信号缺失的车辆获取GPS信号良好的车辆传递来的相关位置信息，计算得到自身的初始位置，与此同时，基于车载视觉的目标对象检测，将车辆周边特征信息同高精度地图特征匹配，解算出车辆的二次定位结果，最终将两次定位结果进行综合，得到高精度、高可靠的车辆定位信息，从而能够提升车辆定位精度。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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示出了本发明实施例提供的一种基于V2V通信技术与高精地图匹配的车辆高精度定位方法流程示意图；
图2示出了本发明实施例提供的V2V通信示意图；
图3示出了本发明实施例提供的特征点示意图；
图4示出了本发明实施例提供的高精地图匹配定位的示意图；
图5示出了本发明实施例提供的一种基于V2V通信技术与高精地图匹配的车辆高精度定位装置的结构示意图；
图6示出了本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
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付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明实施例及附图中的术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有技术在GNSS信号较弱的环境下，难以获得高精度、高可靠的车辆定位信息。
为了克服上述缺陷，本发明实施例提供了一种基于V2V通信技术与高精地图匹配的车辆高精度定位方法，如图1所示，该方法包括：
步骤101、获取待定位车辆与周围其他车辆之间的距离信息和角度信息，以及所述周围其他车辆的位置信息。
其中，待定位车辆为GPS信号较差的车辆，周围其他车辆为GPS信号良好的车辆，周围其他车辆的位置信息具体包括经度信息和纬度信息。
本发明实施例主要适用于对GPS信号较差的车辆进行精准定位的场景。本发明实施例的执行主体为能够对车辆进行精准定位的装置或者设备，如车载单元(Onboard Unit，OBU)。
对于本发明实施例，车辆行驶在某一路段中，该路段存在GPS信号良好的区域，以及受到周围高楼或高架桥等建筑物遮挡导致GPS信号缺失的区域，此时需要对GPS信号缺失的待定位车辆进行定位，路段上行驶的车辆均安装有GPS接收器和测距传感器，如毫米波雷达传感器和DSRC/WAVE通信设备。
具体地，如图2所示，路段上行驶的车辆每隔Tg个时隙会通过GPS测量自己的位置信息，同时车辆还安装有测距传感器，每隔Tz个时隙测距传感器会测量一次自车与近处其他车辆之间的角度信息和距离信息。因此待定位车辆(GPS信号较差的车辆)可以根据V2X通信技术接收到一定范围内周围所有GPS信号良好的车辆传来的自身GPS坐标数据(位置信息)，以及两车之间的距离信息和角度信息。
步骤102、根据所述周围其他车辆对应的距离信息、角度信息和位置信息，计算所述待定位车辆的初始位置信息。
对于本发明实施例，为了确定待定位车辆的初始位置信息，步骤102具体包括：根据所述周围其他车辆对应的距离信息、角度信息和位置信息，计算所述待定位车辆的多组位置信息；基于所述多组位置信息，利用最小二乘法拟合所述待定位车辆的最优坐标，并将所述最优坐标确定为所述待定位车辆的初始位置信息。
具体地，设定待定位车辆的坐标为(x,y,z)，之后分别计算待定位车辆的坐标与多组位置信息之间的距离，并将计算的各个距离相加，得到总距离，当总距离值最小时，输出待定位车辆的最优坐标，将其作为初始位置信息。
步骤103、对车载相机拍摄的相机图像进行目标对象检测，并确定所述相机图像中所述目标对象周围的特征点在地图中的全局坐标信息。
其中，车载相机可以为车载双目相机，目标对象可以为交通标志、城市建筑物、车道标志等。
对于本发明实施例，在确定待定位车辆的初始位置信息之后，利用高精度地图对待定位车辆进行二次定位，在进行二次定位时，需要先确定目标对象周围的特征点在地图中的全局坐标信息，针对该过程，步骤103具体包括：利用预设图像特征提取算法分别提取所述目标对象在所述相机图像和地图点云数据中的特征点；根据所述相机图像中的特征点对应的描述子和所述地图点云数据中的特征点对应的描述子，对所述相机图像中的特征点和所述地图点云数据中的特征点进行匹配，得到匹配结果；根据所述匹配结果，确定所述相机图像中所述目标对象周围的特征点在地图中的全局坐标信息。其中，预设图像特征提取算法具体可以为ORB(Oriented FAST and Rotated BRIEF)算法。
具体地，根据车载双目相机和高精度地图中所提供的道路环境信息，选择交通标志、城市建筑物、车道标志等作为目标对象。在待定位车辆的双目相机采集图像之后，对双目相机采集的左右图像进行立体矫正与几何对齐，并利用SSD(SingleShotMultiBoxDetector)网络模型对相机图像进行目标对象检测，得到目标对象的集合。针对集合中的每个目标对象，利用预设图像特征提取算法提取相机图像中目标对象周围的特征点，以及地图点云数据中目标对象周围的特征点，并获得特征点的描述子，该特征点如图3所示，之后计算相机图像中特征点的描述子和地图点云数据中特征点的描述子之间的汉明距离，并根据计算的汉明距离，完成特征点之间的匹配。具体地，可以根据阈值选择汉明距离最小的描述子对，并确定该描述子对对应的两个特征点相匹配。进一步地，根据匹配结果，确定特征点在高精度地图上的位置，利用高精度地图自身包含的位置信息，可以得到特征点在地图中的全局坐标信息。由此按照上述方式本发明能够确定目标对象周围的特征点的全局坐标信息。
进一步地，在进行特征点匹配时，由于已经确定了待定位车辆的初步位置信息，当前只需要在地图的局部范围内进行匹配即可，而不需要进行全局匹配，以减少计算量，提高计算效率。基于此，所述方法还包括：根据所述待定位车辆的初始位置信息和所述车载相机的相机参数，确定局部地图区域；确定所述相机图像中所述目标对象周围的特征点在所述局部地图区域中的全局坐标信息。
具体地，双目相机基线越大，能够测量范围越远；相反基线越小，能够测量范围越近，因此可以根据待定位车辆的初始位置信息，综合考虑双目相机的视距范围与不同视距下测量误差的影响，确定局部地图区域。
步骤104、根据所述特征点的全局坐标信息，解算所述待定位车辆的全局位置信息。
对于本发明实施例，为了保证待定位车辆的全局位置信息的解算精度，在解算之前，需要从各个特征点中筛选出满足预设条件的目标特征点参加解算。针对该过程，所述方法包括：确定所述相机图像中目标对象周围的特征点在车辆坐标系下的坐标信息；根据所述特征点在车辆坐标系下的坐标信息和所述特征点在地图中的全局坐标信息，分别构建所述特征点在车辆坐标系下的第一空间特征矩阵和在全局坐标系下的第二空间特征矩阵；根据所述第一空间特征矩阵和第二空间特征矩阵，筛选出目标特征点。
进一步地，所述确定所述相机图像中目标对象周围的特征点在车辆坐标系下的坐标信息，包括：获取所述相机图像中目标对象周围的特征点在像素坐标系下的坐标信息；根据所述车载相机的相机参数，确定所述像素坐标系与车辆坐标系之间的坐标转换关系；基于所述坐标转换关系，以及所述特征点在像素坐标系下的坐标信息，确定所述特征点在车辆坐标系下的坐标信息。
进一步地，根据所述第一空间特征矩阵和第二空间特征矩阵，筛选出目标特征点，包括：计算所述第一空间特征矩阵和所述第二空间特征矩阵中对应位置元素之间的相似度，得到空间分布相似度矩阵；根据所述空间分布相似度矩阵，筛选出满足预设相似度条件的特征点作为所述目标特征点。
具体地，在利用预设图像特征提取算法提取相机图像中目标对象周围的特征点时，可以获得特征点在像素坐标系下的坐标信息。此外，根据车载双目相机的内部参数和外部参数，可以确定像素坐标系到车辆坐标系之间的转换关系，其中，内部参数包括焦距、主点等，外部参数包括相机之间的距离、旋转角度等。之后根据该坐标转换关系和特征点在像素坐标系下的坐标信息，可以确定特征点在车辆坐标系下的坐标信息。
进一步地，根据特征点在车辆坐标系下的坐标信息和在地图中的全局坐标信息，计算特征点之间的欧几里德距离表示空间点的分布情况，以构建特征点在车辆坐标系下的第一空间特征矩阵Dcar和在全局坐标系下的第二空间特征矩阵Dwgs。其中，欧几里德距离可以通过以下公式计算：
其中，dij为特征点i和j之间的欧几里德距离，xik和xjk是特征点i和j在第k个维度上的值，M是特征点的维度，构建出来的第一空间特征矩阵Dcar和第二空间特征矩阵Dwgs如下：
进一步地，用归一化差异法计算第一空间特征矩阵和第二空间特征矩阵对应元素的相似度，即对Dcar和Dwgs进行逐元素比较，计算两个空间特征矩阵对应位置元素之间的相速度，具体可以采用如下公式计算元素(i,j)之间的相似度simij：
simij＝|dij car-dij wgs|/max(dij car,dij wgs)
其中，dij car和dij wgs分别为第一空间特征矩阵和第二空间特征矩阵中对应元素的欧几里德距离，simij值越小说明相似度越高，由此可以得到空间分布相似度矩阵，如下所示：
进一步地，根据空间分布相似度矩阵，分别判定每个特征点是否满足如下公式，如果某特征点e满足如下公式，则确定特征点e满足预设相似度条件，将其作为目标特征点；如果特征点e不满足如下公式，则确定该特征点不满足预设相似度条件，其不是目标特征点。具体公式如下：
其中，θ为预设阈值，可以根据实际的业务需求进行设定，然后收集实际运行数据进行进一步优化，使θ值既能确保匹配准确，又能过滤掉过多噪声。
进一步地，在筛选出目标特征点之后，可以根据目标特征点的全局坐标信息，以及车载相机测量的待定位车辆与目标特征点之间的距离，解算车辆的全局位置信息。
具体地，当相机图像包括第一图像和第二图像时，根据所述第一图像中特征点的描述子和所述第二图像中特征点的描述子，对所述第一图像中的特征点和所述第二图像中的特征点进行匹配，匹配后的特征点；根据所述匹配后的特征点分别在所述第一图像和所述第二图像中的像素位置，计算视差信息；根据所说视差信息和所述车载相机的相机参数，计算所述匹配后的特征点相对于所述待定位车辆的深度信息；根据所述深度信息，以及所述目标特征点的全局坐标信息，解算所述车辆的全局位置信息。
其中，可以采用ORB(Oriented FAST and Rotated BRIEF)算法提取第一图像和第二图像中目标对象周围的特征点，并获得特征点的描述子。此外，可以使用汉明距离对提取的特征点进行描述子匹配，完成第一图像和第二图像中的特征点匹配。特征点匹配之后，依次计算不同特征点在第一图像和第二图像上的像素位置差异，即视差信息，并利用该视差信息和已知的相机参数，使用三角测量法来计算得到特征点相对于待定位车辆的深度信息。如图4所示，最终根据该深度信息，目标特征点的全局坐标信息，以及待定位车辆与目标特征点之间的距离，利用最小二乘法理论解算出车辆的全局位置信息，具体公式如下：
其中，λi,φi为第i个目标特征点的全局坐标信息。为了估计待定位车辆的位置，需要检测3个以上的目标特征点，构建3个及以上的上述方程联立求解车辆的全局位置坐标。/>λveh,φveh为待定位车辆的全局位置坐标，分别表示纬度、经度和海拔。disi是待定位车辆与第i个特征点之间的距离，即深度信息。在上述关系式中，目标特征点的全局坐标信息由高精度地图提供，被视为已知值或样本，车辆的全局坐标信息未知。
步骤105、基于所述初始位置信息和所述全局位置信息，确定所述待定位车辆的目标位置信息。
对于本发明实施例，将待定位车辆的初始位置信息和全局位置信息输入至卡尔曼滤波器中，得到待定位车辆的目标位置信息。
本发明实施例提供的一种基于V2V通信技术与高精地图匹配的车辆高精度定位方法，在GNSS信号较差的环境下，依托车路协同中的V2V技术，使GPS信号缺失的车辆获取GPS信号良好的车辆传递来的相关位置信息，计算得到自身的初始位置，与此同时，基于车载视觉的目标对象检测，将车辆周边特征信息同高精度地图特征匹配，解算出车辆的二次定位结果，最终将两次定位结果进行综合，得到高精度、高可靠的车辆定位信息，从而能够提升车辆定位精度。
进一步地，作为图1的具体实现，本发明实施例提供了一种基于V2V通信技术与高精地图匹配的车辆高精度定位装置，如图5所示，所述装置包括：获取单元31、计算单元32、确定单元33和解算单元34。
所述获取单元31，可以用于获取待定位车辆与周围其他车辆之间的距离信息和角度信息，以及所述周围其他车辆的位置信息。
所述计算单元32，可以用于根据所述周围其他车辆对应的距离信息、角度信息和位置信息，计算所述待定位车辆的初始位置信息.
所述确定单元33，可以用于对车载相机拍摄的相机图像进行目标对象检测，并确定所述相机图像中所述目标对象周围的特征点在地图中的全局坐标信息。
所述解算单元34，可以用于根据所述特征点的全局坐标信息，解算所述待定位车辆的全局位置信息。
所述确定单元33，还可以用于基于所述初始位置信息和所述全局位置信息，确定所述待定位车辆的目标位置信息。
进一步地，所述计算单元32，包括：计算模块和拟合模块。
所述计算模块，可以用于根据所述周围其他车辆对应的距离信息、角度信息和位置信息，计算所述待定位车辆的多组位置信息。
所述拟合模块，可以用于基于所述多组位置信息，利用最小二乘法拟合所述待定位车辆的最优坐标，并将所述最优坐标确定为所述待定位车辆的初始位置信息。
在具体应用场景中，所述确定单元33，可以具体用于利用预设图像特征提取算法分别提取所述目标对象在所述相机图像和地图点云数据中的特征点；根据所述相机图像中的特征点对应的描述子和所述地图点云数据中的特征点对应的描述子，对所述相机图像中的特征点和所述地图点云数据中的特征点进行匹配，得到匹配结果；根据所述匹配结果，确定所述相机图像中所述目标对象周围的特征点在地图中的全局坐标信息。
进一步地，所述确定单元33，还可以具体用于将所述初始位置信息和所述全局位置信息输入至卡尔曼滤波器中，得到所述待定位车辆的目标位置信息。
在具体应用场景中，所述确定单元33，还可以用于根据所述待定位车辆的初始位置信息和所述车载相机的相机参数，确定局部地图区域。
所述确定单元33，还可以具体用于确定所述相机图像中所述目标对象周围的特征点在所述局部地图区域中的全局坐标信息。
在具体应用场景中，所述装置还包括：构建单元和筛选单元。
所述确定单元33，还可以用于确定所述相机图像中目标对象周围的特征点在车辆坐标系下的坐标信息。
所述构建单元，可以用于根据所述特征点在车辆坐标系下的坐标信息和所述特征点在地图中的全局坐标信息，分别构建所述特征点在车辆坐标系下的第一空间特征矩阵和在全局坐标系下的第二空间特征矩阵。
所述筛选单元，可以用于根据所述第一空间特征矩阵和第二空间特征矩阵，筛选出目标特征点。
在具体应用场景中，所述解算单元34，可以具体用于根据所述目标特征点的全局坐标信息，以及所述车载相机测量的所述待定位车辆与所述目标特征点之间的距离，解算所述车辆的全局位置信息。
在具体应用场景中，所述确定单元33，还可以具体用于获取所述相机图像中目标对象周围的特征点在像素坐标系下的坐标信息；根据所述车载相机的相机参数，确定所述像素坐标系与车辆坐标系之间的坐标转换关系；基于所述坐标转换关系，以及所述特征点在像素坐标系下的坐标信息，确定所述特征点在车辆坐标系下的坐标信息。
进一步地，所述筛选单元，可以具体用于计算所述第一空间特征矩阵和所述第二空间特征矩阵中对应位置元素之间的相似度，得到空间分布相似度矩阵；根据所述空间分布相似度矩阵，筛选出满足预设相似度条件的特征点作为所述目标特征点。
在具体应用场景中，所述解算单元34，还可以具体用于当所述相机图像包括第一图像和第二图像时，根据所述第一图像中特征点的描述子和所述第二图像中特征点的描述子，对所述第一图像中的特征点和所述第二图像中的特征点进行匹配，匹配后的特征点；根据所述匹配后的特征点分别在所述第一图像和所述第二图像中的像素位置，计算视差信息；根据所说视差信息和所述车载相机的相机参数，计算所述匹配后的特征点相对于所述待定位车辆的深度信息；根据所述深度信息，以及所述目标特征点的全局坐标信息，解算所述车辆的全局位置信息。
需要说明的是，本发明实施例提供的一种基于V2V通信技术与高精地图匹配的车辆高精度定位装置所涉及各功能模块的其他相应描述，可以参考图1所示方法的对应描述，在此不再赘述。
基于上述如图1所示方法，相应的，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：获取待定位车辆与周围其他车辆之间的距离信息和角度信息，以及所述周围其他车辆的位置信息；根据所述周围其他车辆对应的距离信息、角度信息和位置信息，计算所述待定位车辆的初始位置信息；对车载相机拍摄的相机图像进行目标对象检测，并确定所述相机图像中所述目标对象周围的特征点在地图中的全局坐标信息；根据所述特征点的全局坐标信息，解算所述待定位车辆的全局位置信息；基于所述初始位置信息和所述全局位置信息，确定所述待定位车辆的目标位置信息。
基于上述如图1所示方法和如图5所示装置的实施例，本发明实施例还提供了一种电子设备的实体结构图，如图6所示，该电子设备包括：处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序，其中，存储器42和处理器41均设置在总线43上，所述处理器41执行所述程序时实现以下步骤：获取待定位车辆与周围其他车辆之间的距离信息和角度信息，以及所述周围其他车辆的位置信息；根据所述周围其他车辆对应的距离信息、角度信息和位置信息，计算所述待定位车辆的初始位置信息；对车载相机拍摄的相机图像进行目标对象检测，并确定所述相机图像中所述目标对象周围的特征点在地图中的全局坐标信息；根据所述特征点的全局坐标信息，解算所述待定位车辆的全局位置信息；基于所述初始位置信息和所述全局位置信息，确定所述待定位车辆的目标位置信息。
本发明实施例在GNSS信号较差的环境下，依托车路协同中的V2V技术，使GPS信号缺失的车辆获取GPS信号良好的车辆传递来的相关位置信息，计算得到自身的初始位置，与此同时，基于车载视觉的目标对象检测，将车辆周边特征信息同高精度地图特征匹配，解算出车辆的二次定位结果，最终将两次定位结果进行综合，得到高精度、高可靠的车辆定位信息，从而能够提升车辆定位精度。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (10)

1.一种基于V2V通信技术与高精地图匹配的车辆高精度定位方法，其特征在于，包括：
获取待定位车辆与周围其他车辆之间的距离信息和角度信息，以及所述周围其他车辆的位置信息；
根据所述周围其他车辆对应的距离信息、角度信息和位置信息，计算所述待定位车辆的初始位置信息；
对车载相机拍摄的相机图像进行目标对象检测，并确定所述相机图像中所述目标对象周围的特征点在地图中的全局坐标信息；
根据所述特征点的全局坐标信息，解算所述待定位车辆的全局位置信息；
基于所述初始位置信息和所述全局位置信息，确定所述待定位车辆的目标位置信息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述周围其他车辆对应的距离信息、角度信息和位置信息，计算所述待定位车辆的初始位置信息，包括：
根据所述周围其他车辆对应的距离信息、角度信息和位置信息，计算所述待定位车辆的多组位置信息；
基于所述多组位置信息，利用最小二乘法拟合所述待定位车辆的最优坐标，并将所述最优坐标确定为所述待定位车辆的初始位置信息。
3.根据权利要求1或2所述的方法，其特征在于，确定所述相机图像中所述目标对象周围的特征点在地图中的全局坐标信息，包括：
利用预设图像特征提取算法分别提取所述目标对象在所述相机图像和地图点云数据中的特征点；
根据所述相机图像中的特征点对应的描述子和所述地图点云数据中的特征点对应的描述子，对所述相机图像中的特征点和所述地图点云数据中的特征点进行匹配，得到匹配结果；
根据所述匹配结果，确定所述相机图像中所述目标对象周围的特征点在地图中的全局坐标信息；以及/或者
所述基于所述初始位置信息和所述全局位置信息，确定所述待定位车辆的目标位置信息，包括：
将所述初始位置信息和所述全局位置信息输入至卡尔曼滤波器中，得到所述待定位车辆的目标位置信息。
4.根据权利要求1-3任一项所述的方法，其特征在于，在确定所述相机图像中所述目标对象周围的特征点在地图中的全局坐标信息之前，所述方法还包括：
根据所述待定位车辆的初始位置信息和所述车载相机的相机参数，确定局部地图区域；
确定所述相机图像中所述目标对象周围的特征点在地图中的全局坐标信息，包括：
确定所述相机图像中所述目标对象周围的特征点在所述局部地图区域中的全局坐标信息。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
确定所述相机图像中目标对象周围的特征点在车辆坐标系下的坐标信息；
根据所述特征点在车辆坐标系下的坐标信息和所述特征点在地图中的全局坐标信息，分别构建所述特征点在车辆坐标系下的第一空间特征矩阵和在全局坐标系下的第二空间特征矩阵；
根据所述第一空间特征矩阵和第二空间特征矩阵，筛选出目标特征点；
所述根据所述特征点的全局坐标信息，解算所述待定位车辆的全局位置信息，包括：
根据所述目标特征点的全局坐标信息，以及所述车载相机测量的所述待定位车辆与所述目标特征点之间的距离，解算所述车辆的全局位置信息。
6.根据权利要求5所述的方法，其特征在于，所述确定所述相机图像中目标对象周围的特征点在车辆坐标系下的坐标信息，包括：
获取所述相机图像中目标对象周围的特征点在像素坐标系下的坐标信息；
根据所述车载相机的相机参数，确定所述像素坐标系与车辆坐标系之间的坐标转换关系；
基于所述坐标转换关系，以及所述特征点在像素坐标系下的坐标信息，确定所述特征点在车辆坐标系下的坐标信息；
根据所述第一空间特征矩阵和第二空间特征矩阵，筛选出目标特征点，包括：
计算所述第一空间特征矩阵和所述第二空间特征矩阵中对应位置元素之间的相似度，得到空间分布相似度矩阵；
根据所述空间分布相似度矩阵，筛选出满足预设相似度条件的特征点作为所述目标特征点。
7.根据权利要求5所述的方法，其特征在于，根据所述目标特征点的全局坐标信息，以及所述车载相机测量的所述待定位车辆与所述目标特征点之间的距离，解算所述车辆的全局位置信息，包括：
当所述相机图像包括第一图像和第二图像时，根据所述第一图像中特征点的描述子和所述第二图像中特征点的描述子，对所述第一图像中的特征点和所述第二图像中的特征点进行匹配，匹配后的特征点；
根据所述匹配后的特征点分别在所述第一图像和所述第二图像中的像素位置，计算视差信息；
根据所说视差信息和所述车载相机的相机参数，计算所述匹配后的特征点相对于所述待定位车辆的深度信息；
根据所述深度信息，以及所述目标特征点的全局坐标信息，解算所述车辆的全局位置信息。
8.一种基于V2V通信技术与高精地图匹配的车辆高精度定位装置，其特征在于，包括：
获取单元，用于获取待定位车辆与周围其他车辆之间的距离信息和角度信息，以及所述周围其他车辆的位置信息；
计算单元，用于根据所述周围其他车辆对应的距离信息、角度信息和位置信息，计算所述待定位车辆的初始位置信息；
确定单元，用于对车载相机拍摄的相机图像进行目标对象检测，并确定所述相机图像中所述目标对象周围的特征点在地图中的全局坐标信息；
解算单元，用于根据所述特征点的全局坐标信息，解算所述待定位车辆的全局位置信息；
所述确定单元，还用于基于所述初始位置信息和所述全局位置信息，确定所述待定位车辆的目标位置信息。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202311551310.8A 2023-11-21 2023-11-21 基于v2v通信技术与高精地图匹配的车辆高精度定位方法 Pending CN117647253A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311551310.8A CN117647253A (zh) 2023-11-21 2023-11-21 基于v2v通信技术与高精地图匹配的车辆高精度定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311551310.8A CN117647253A (zh) 2023-11-21 2023-11-21 基于v2v通信技术与高精地图匹配的车辆高精度定位方法

Publications (1)

Publication Number Publication Date
CN117647253A true CN117647253A (zh) 2024-03-05

Family

ID=90048730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311551310.8A Pending CN117647253A (zh) 2023-11-21 2023-11-21 基于v2v通信技术与高精地图匹配的车辆高精度定位方法

Country Status (1)

Country Link
CN (1) CN117647253A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108037484A (zh) * 2017-11-30 2018-05-15 百色学院 一种室内led可见光定位方法、系统及装置
CN110208842A (zh) * 2019-05-28 2019-09-06 长安大学 一种车联网环境下车辆高精度定位方法
KR20200084615A (ko) * 2019-01-03 2020-07-13 부산대학교 산학협력단 모바일 로봇의 초기 위치 추정을 위한 장치 및 방법
CN111949943A (zh) * 2020-07-24 2020-11-17 北京航空航天大学 一种面向高级自动驾驶的v2x和激光点云配准的车辆融合定位方法
CN115769050A (zh) * 2020-07-07 2023-03-07 株式会社电装 本车位置估计装置、行驶控制装置
CN116931005A (zh) * 2023-09-19 2023-10-24 之江实验室 一种基于v2x辅助的车辆高精度定位方法、装置和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108037484A (zh) * 2017-11-30 2018-05-15 百色学院 一种室内led可见光定位方法、系统及装置
KR20200084615A (ko) * 2019-01-03 2020-07-13 부산대학교 산학협력단 모바일 로봇의 초기 위치 추정을 위한 장치 및 방법
CN110208842A (zh) * 2019-05-28 2019-09-06 长安大学 一种车联网环境下车辆高精度定位方法
CN115769050A (zh) * 2020-07-07 2023-03-07 株式会社电装 本车位置估计装置、行驶控制装置
CN111949943A (zh) * 2020-07-24 2020-11-17 北京航空航天大学 一种面向高级自动驾驶的v2x和激光点云配准的车辆融合定位方法
CN116931005A (zh) * 2023-09-19 2023-10-24 之江实验室 一种基于v2x辅助的车辆高精度定位方法、装置和存储介质

Similar Documents

Publication Publication Date Title
CN108693543B (zh) 用于检测信号欺骗的方法及系统
EP3792660B1 (en) Method, apparatus and system for measuring distance
US10909395B2 (en) Object detection apparatus
US20150378015A1 (en) Apparatus and method for self-localization of vehicle
CN106289159B (zh) 基于测距补偿的车辆测距方法及装置
WO2020232648A1 (zh) 车道线的检测方法、电子设备与存储介质
CN111739295B (zh) 一种定位方法及装置
CN112116031B (zh) 基于路侧设备的目标融合方法、系统、车辆及存储介质
US11408989B2 (en) Apparatus and method for determining a speed of a vehicle
CN112346103A (zh) 基于v2x的智能网联汽车动态协同定位方法与装置
CN113743171A (zh) 目标检测方法及装置
CN110018503B (zh) 车辆的定位方法及定位系统
CN114639085A (zh) 交通信号灯识别方法、装置、计算机设备和存储介质
WO2020071995A1 (en) Real time vehicle location system
CN113532499B (zh) 无人系统的传感器安全性检测方法、设备及存储介质
CN115236673A (zh) 一种大型车辆多雷达融合感知系统和方法
US11487293B2 (en) Map-information obstacle-tracking system and method
US20200158520A1 (en) Map update apparatus, map update system, map update method, and program
CN110411499B (zh) 传感器检测识别能力的评估方法及评估系统
US11187815B2 (en) Method of determining location of vehicle, apparatus for determining location, and system for controlling driving
CN113312403B (zh) 地图获取方法、装置、电子设备及存储介质
CN117647253A (zh) 基于v2v通信技术与高精地图匹配的车辆高精度定位方法
Jiang et al. Precise vehicle ego-localization using feature matching of pavement images
JP2020046411A (ja) データ構造、記憶装置、端末装置、サーバ装置、制御方法、プログラム及び記憶媒体
Zhang et al. A Roadside Millimeter-Wave Radar Calibration Method Based on Connected Vehicle Technology

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