CN117990113A - 一种车辆定位方法、系统、设备及介质 - Google Patents
一种车辆定位方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117990113A CN117990113A CN202311842934.5A CN202311842934A CN117990113A CN 117990113 A CN117990113 A CN 117990113A CN 202311842934 A CN202311842934 A CN 202311842934A CN 117990113 A CN117990113 A CN 117990113A
- Authority
- CN
- China
- Prior art keywords
- lane
- longitudinal
- transverse
- distance
- 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 44
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 claims abstract description 13
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 claims abstract description 13
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 54
- 238000005259 measurement Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000007704 transition Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims 2
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种车辆定位方法、系统、设备及介质,涉及自动驾驶领域,方法包括:在所述车辆的ADAS辅助驾驶系统中,利用相机识别车道信息,确定第一横向车道距离以及第一纵向车道距离;基于地图匹配横向车道预测模型确定第二横向车道距离;基于车联网中V2V技术确定第二纵向车道距离;在扩展卡尔曼滤波架构下,根据所述第一横向车道距离以及所述第二横向车道距离确定横向约束;在所述扩展卡尔曼滤波架构下,根据所述第一纵向车道距离以及所述第二纵向车道距离确定纵向约束;融合所述横向约束以及所述纵向约束,定位所述车辆的当前位置。本发明能够提高车辆的定位精度。
Description
技术领域
本发明涉及自动驾驶领域,特别是涉及一种车辆定位方法、系统、设备及介质。
背景技术
在传统驾驶环境中,通常利用车身传感器对周围车辆的行驶数据进行采集,从而分析周围车辆的行驶轨迹,并对驾驶过程中存在的风险进行及时的预警。然而受限于单车传感器数量有限、感知范围较近等问题,车辆行驶过程中,存在许多由于车辆横向及纵向车辆距离未保持安全距离,导致严重的交通事故,因此提高自动驾驶汽车的高精度的定位十分有意义的。
目前,汽车在自身传感器精度较低的情况下难以进行高精度定位,横向上缺少较为精准的车道预测模型,难以准确估算横向车道距离,容易发生行驶车道偏离等危险驾驶问题,在纵向上受限于单车感知,存在的障碍物遮挡、感知精度低等问题,容易与前车发生碰撞事故,造成安全问题,可见,现有车辆定位方式均存在车辆定位精度低的问题。
发明内容
本发明的目的是提供一种车辆定位方法、系统、设备及介质,以解决车辆定位精度低的问题。
为实现上述目的,本发明提供了如下方案:
一种车辆定位方法,包括:
在所述车辆的ADAS辅助驾驶系统中,利用相机识别车道信息,确定第一横向车道距离以及第一纵向车道距离;
基于地图匹配横向车道预测模型确定第二横向车道距离;
基于车联网中V2V技术确定第二纵向车道距离;
在扩展卡尔曼滤波架构下,根据所述第一横向车道距离以及所述第二横向车道距离确定横向约束;
在所述扩展卡尔曼滤波架构下,根据所述第一纵向车道距离以及所述第二纵向车道距离确定纵向约束;
融合所述横向约束以及所述纵向约束,定位所述车辆的当前位置。
可选的,利用相机识别车道信息,确定第一横向车道距离以及第一纵向车道距离,具体包括:
利用车道识别算法输出所述相机识别的车道信息,并提供泰勒展开式形式的横向车道标记参数以及纵向车道标记参数;
基于所述横向车道标记参数以及所述纵向车道标记参数,选择左车道构建第一车道检测模型;
根据所述第一车道检测模型确定第一横向车道距离以及第一纵向车道距离。
可选的,基于地图匹配横向车道预测模型确定第二横向车道距离,具体包括:
基于地图匹配横向车道预测模型,利用GNSS和INS组合导航算法估计IMU的中心位置,并利用杠杆臂补偿法求解位于相机前方的测量点坐标;
提取描绘匹配车道的坐标点,结合相机前方的测量点坐标,采用数学投影法计算相机前方的测量点的投影点坐标;
根据相机前方的测量点坐标以及投影点坐标计算地图匹配的第二横向车道距离。
可选的,基于车联网中V2V技术确定第二纵向车道距离,具体包括:
利用车道识别算法输出所述相机识别的车道信息,并提供泰勒展开式形式的纵向车道标记参数;
通过车联网中V2V技术确定前车位置信息以及前车运动信息;所述前车位置信息包括纵向车长、横向车款以及车身高度;所述前车运动信息包括速度和加速度;
基于所述纵向车道标记参数,构建第二车道检测模型;
根据所述第二车道检测模型、所述前车位置信息以及所述前车运动信息确定第一纵向车道距离。
可选的,在扩展卡尔曼滤波架构下,根据所述第一横向车道距离以及所述第二横向车道距离确定横向约束,具体包括:
根据所述第一横向车道距离确定第一横向车道距离向量;
基于地图匹配横向车道预测模型,根据相机前方的测量点坐标以及投影点坐标确定地图匹配的第二横向车道距离向量;
根据所述第二横向车道距离向量以及所述第一横向车道距离向量确定车道辅助横向测量向量;
基于所述车道辅助横向测量向量,构建横向测量矩阵;
将所述横向测量矩阵输入至扩展卡尔曼滤波架构中,通过状态转移方程和观测方程更新目标的状态估计;
根据更新的状态估计更新横向位置,直至达到所需时间或观测点,确定横向约束。
可选的,在所述扩展卡尔曼滤波架构下,根据所述第一纵向车道距离以及所述第二纵向车道距离确定纵向约束,具体包括:
根据所述第一纵向车道距离确定第一纵向车辆距离向量;
基于地图匹配横向车道预测模型,根据相机前方的测量点坐标以及垂直投影点坐标确定地图匹配的第二纵向车道距离向量;
根据所述第一纵向车辆距离向量以及所述第二纵向车道距离向量确定车道辅助纵向测量向量;
将所述纵向测量矩阵输入至扩展卡尔曼滤波架构中,通过状态转移方程和观测方程更新目标的状态估计;
根据更新的状态估计更新纵向位置,直至达到所需时间或观测点,确定纵向约束。
一种车辆定位系统,包括:
第一横向车道距离以及第一纵向车道距离确定模块,用于在所述车辆的ADAS辅助驾驶系统中,利用相机识别车道信息,确定第一横向车道距离以及第一纵向车道距离;
第二横向车道距离确定模块,用于基于地图匹配横向车道预测模型确定第二横向车道距离;
第二纵向车道距离确定模块,用于基于车联网中V2V技术确定第二纵向车道距离;
横向约束确定模块,用于在扩展卡尔曼滤波架构下,根据所述第一横向车道距离以及所述第二横向车道距离确定横向约束;
纵向约束确定模块,用于在所述扩展卡尔曼滤波架构下,根据所述第一纵向车道距离以及所述第二纵向车道距离确定纵向约束;
定位模块,用于融合所述横向约束以及所述纵向约束,定位所述车辆的当前位置。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述车辆定位方法。
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述车辆定位方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明实施例在ADAS辅助驾驶系统下,根据从相机感知到的第一横向车道距离以及车道级地图匹配得到的第二横向车道距离确定横向约束,根据将相机感知到的第一纵向车道距离以及基于车联网技术中V2V通信技术获得的与前车之间的第二纵向车道距离确定纵向约束,融合横向约束以及纵向约束,定位车辆的当位置,由于分别得到了来自横向和纵向两个方向的高精度约束结果,因此,提高了车辆的定位精度。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的车辆定位方法流程图;
图2为横向车道检测模型示意图;
图3为地图匹配横向车道预测模型示意图;
图4为纵向车道检测模型示意图;
图5为车道辅助模型示意图;
图6为车道预测模型示意图;
图7为车辆定位方法简化流程图。
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做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。
本发明的目的是提供一种车辆定位方法、系统、设备及介质,能够提高车辆的定位精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示,本发明提供了一种车辆定位方法,包括:
步骤101:在所述车辆的ADAS辅助驾驶系统中,利用相机识别车道信息,确定第一横向车道距离以及第一纵向车道距离。
在实际应用中,所述步骤101具体包括:利用车道识别算法输出所述相机识别的车道信息,并提供泰勒展开式形式的横向车道标记参数以及纵向车道标记参数;基于所述横向车道标记参数以及所述纵向车道标记参数,选择左车道构建第一车道检测模型;根据所述第一车道检测模型确定第一横向车道距离以及第一纵向车道距离。
在实际应用中,所述第一横向车道距离的确定过程如下:
1)在高级驾驶辅助系统(Advanced Driving Assistance System,ADAS)系统中,基于车道偏离车道偏离警告系统(LDWS)的发展,本发明利用单目相机采集数据,然后,系统可以使用内置的车道识别算法输出相机识别的车道信息,并提供泰勒展开式形式的车道标记参数
f(x)=m0+m1x+m2x2+m3x3
其中,系数m0、m1、m2和m3分别表示检测到的车道标记的横向距离、斜率、曲率和曲率导数,x代表车道上某一点的横向位置。
选择左车道作为侧车道构建算法,车道检测模型如图2所示,其中O点是IMU的中心,S点表示已安装的单目相机的位置;单目相机使用S点作为相机坐标系的原点;在相机坐标系中,车辆的前进方向是Xc轴,横向是Yc轴,F为IMU中心坐标系前方向坐标轴,R轴为IMU中心坐标系右方向坐标轴。
点P是位于相机前方的测量点,随着车辆的移动而改变。点M是点P在左车道上的投影点。在车道识别过程中,由单目相机系统输出的第一横向车道距离为PM1。点P在相机坐标系中的坐标(x0,0)也可以由单目相机系统输出。
步骤102:基于地图匹配横向车道预测模型确定第二横向车道距离。
在实际应用中,所述步骤102具体包括:基于地图匹配横向车道预测模型,利用GNSS和INS组合导航算法估计IMU的中心位置,并利用杠杆臂补偿法求解位于相机前方的测量点坐标;提取描绘匹配车道的坐标点,结合相机前方的测量点坐标,采用数学投影法计算相机前方的测量点的投影点坐标;根据相机前方的测量点坐标以及投影点坐标计算地图匹配的第二横向车道距离。
在实际应用中,通过构建地图匹配的预测模型利用地图匹配方法计算出第二横向车道距离,地图匹配横向车道预测模型如图3所示。
1)首先,通过对车辆位置进行估计,利用GNSS/INS组合导航算法可以很容易地估计IMU的中心位置,并利用杠杆臂补偿法求解P点的位置:
其中,为点P在纬度、经度和高度坐标系中的坐标,/>为IMU中心在坐标轴的坐标,/>为变换矩阵的逆矩阵,/>为两个坐标轴之间的旋转矩阵,lOP为O点到P点的杠杆臂偏移矢量。
利用地图匹配算法确定高精地图当前车道。
2)根据从高精图中提取的描绘匹配车道的点H1和H2的坐标,结合点P,采用数学投影法计算出P点的投影点M2的坐标。
3)最后,根据P点和投影点M2的坐标计算出地图匹配的第二横向车道距离PM2。
步骤103:基于车联网中V2V技术确定第二纵向车道距离。
在实际应用中,所述步骤103具体包括:利用车道识别算法输出所述相机识别的车道信息,并提供泰勒展开式形式的纵向车道标记参数;通过车联网中V2V技术确定前车位置信息以及前车运动信息;所述前车位置信息包括纵向车长、横向车款以及车身高度;所述前车运动信息包括速度和加速度;基于所述纵向车道标记参数,构建第二车道检测模型;根据所述第二车道检测模型、所述前车位置信息以及所述前车运动信息确定第一纵向车道距离。
在实际应用中,现有的ADAS通常使用车载相机来获取周围环境信息,但单车相机精度不高,于是本发明引入车联网中车对车(Vehicle-to-Vehicle,V2V)通信技术车辆可以获得前车的位置等,提供对车辆的纵向约束,该方法显著提高了驾驶安全性。
通过V2V通信技术,车辆可以获得来自前车的基本安全信息(BSM),BSM的核心内容包括车辆位置信息(纵向车长、横向车宽和车身高度)和车辆运动信息(速度和加速度)。通过这些基础信息,本发明可以计算出当前车辆与前车的纵向距离
1)首先通过在ADAS系统单目相机采集数据,然后,系统使用内置的车道识别算法输出相机识别的车道线位置,并提供泰勒展开式形式的车道标记参数。
f(y)=k0+k1x+k2y2+k3y3
其中,系数k0、k1、k2和k3分别表示检测到的前车标记的纵向距离、斜率、曲率和曲率导数,y代表车道上横向的某一点的位置。
纵向车道检测模型中O点是IMU的中心,S点表示已安装的单目相机的位置。单目相机使用S点作为相机坐标系的原点;在相机坐标系中,车辆的前进方向是X轴,横向是Y轴,如图4所示。
点P是位于相机前方的测量点,随着车辆的移动而改变。点N是点P在前车上的投影点。在车道识别过程中,由单目相机系统输出的第一纵向车道距离为PN1。点P在相机坐标系中的坐标(x0,0)也可以由单目相机系统输出。
2)然后,通过V2V通信得到前车的位置坐标(X、Y),以及长宽高LWH信息,通过计算本发明得到N2点的坐标为
然后根据P点和垂直投影点N2得到基于V2V获得的第二纵向车辆距离PN2。
步骤104:在扩展卡尔曼滤波架构下,根据所述第一横向车道距离以及所述第二横向车道距离确定横向约束。
在实际应用中,所述步骤104具体包括:根据所述第一横向车道距离确定第一横向车道距离向量;基于地图匹配横向车道预测模型,根据相机前方的测量点坐标以及投影点坐标确定地图匹配的第二横向车道距离向量;根据所述第二横向车道距离向量以及所述第一横向车道距离向量确定车道辅助横向测量向量;基于所述车道辅助横向测量向量,构建横向测量矩阵;将所述横向测量矩阵输入至扩展卡尔曼滤波架构中,通过状态转移方程和观测方程更新目标的状态估计;根据更新的状态估计更新横向位置,直至达到所需时间或观测点,确定横向约束。
在实际应用中,利用扩展卡尔曼滤波(ExtendedKalmanFilter,EKF)框架融合横向约束与纵向约束。
首先,利用单目相机识别的横向车道距离和地图匹配的横向车道距离,构建线性化测量模型,应用卡尔曼滤波提高GNSS/INS/ODO的定位精度。相较于以往研究主要关注车道保持的方法,本发明提出的模型旨在通过结合高精地图中的道路车道坐标信息,提高整个导航系统的绝对定位精度。
为了正确的误差补偿,本发明制定了以下限制条件。
1)对传感器安装角度和杠杆臂进行校准和补偿,以保持一致的坐标系,减少空间位置上的影响。
2)各个传感器单元之间必须进行时间同步,以减少时间上的影响。
3)车道辅助模型只基于近似直线,不适用弯曲车道,如图5所示。
求取横向约束:
1)本发明设置地图匹配的横向车道距离向量如下:
x、y和z分别表示前-右-下方向的距离矢量。同时,横向车道距离y被考虑在内:
y=PM2
2)地图匹配的车道距离矢量可以使用点P和M2的已知坐标来计算。
其中,表示点P在纬度、经度和高度坐标系中的坐标,/>为点M2在纬度、经度和高度坐标系中的坐标,/>为从车体坐标系到车道坐标系的转换矩阵。
3)同时,相机识别的横向车道距离向量可以表示为:
其中,PM1是单目相机的识别的横向车道距离。该识别的横向车道距离可以表示为:
Ltrue代表真实的横向车道距离,Δl是相机测量误差。
4)最后,车道辅助的测量向量zLAM表示为:
其中,是地图匹配的车道距离向量,zLAM是其与相机识别的车道距离向量之间的距离差异向量。
其中,为点IMU在纬度、经度和高度坐标系中的坐标,/>为地球纬度,ec为测量误差或噪声。
5)相应的测量矩阵HLAM。
其中,03是一个3x3的零矩阵,是一个占位符,用于填充矩阵的空位,确保矩阵的维度和形状正确。。
6)状态估计更新
将测量矩阵传入EKF模块,目标的状态估计是通过状态转移方程和观测方程来计算的,并且通过车道辅助定位算法补充了顺序EKF,可以有效抑制横向位置误差的发散。在目标时刻k附近进行一阶泰勒展开以进行线性化:
其中,xk为状态向量在时刻k的真实值;为状态向量在时刻k-1的预测值(由上一时刻的估计得出);/>为状态转移函数,它描述了状态如何从k-1时刻转移到k时刻的预测;/>为状态转移函数f对于xk-1的偏导数,也称为雅可比矩阵;ωk为系统的过程噪音。
7)在时刻k=0时,初始化状态估计和协方差矩阵P0。
8)使用状态转移方程进行状态的预测:
计算状态误差协方差矩阵:
9)进行测量更新。
计算卡尔曼增益:
计算状态估计的更新:
更新状态协方差矩阵:
PK=(I-KkHLAM)Pk|k-1
10)横向位置的更新。
观察状态向量中与横向位置相关的分量,例如,y(横向车道距离)。
11)重复步骤9)和步骤10),以及横向位置的更新,直至达到所需的时间或观测点。
步骤105:在所述扩展卡尔曼滤波架构下,根据所述第一纵向车道距离以及所述第二纵向车道距离确定纵向约束。
在实际应用中,所述步骤105具体包括:根据所述第一纵向车道距离确定第一纵向车辆距离向量;基于地图匹配横向车道预测模型,根据相机前方的测量点坐标以及垂直投影点坐标确定地图匹配的第二纵向车道距离向量;根据所述第一纵向车辆距离向量以及所述第二纵向车道距离向量确定车道辅助纵向测量向量;将所述纵向测量矩阵输入至扩展卡尔曼滤波架构中,通过状态转移方程和观测方程更新目标的状态估计;根据更新的状态估计更新纵向位置,直至达到所需时间或观测点,确定纵向约束。
在实际应用中,在相同的EKF框架下对纵向上的数据进行融合,构建线性化测量模型,应用卡尔曼滤波提高纵向上的绝对定位精度。相较于以往研究主要关注车道保持的方法,本发明提出的模型旨在通过结合高精地图中的道路车道坐标信息,提高整个导航系统的绝对定位精度。
1)车道预测模型如图6所示,设置基于V2V的纵向车辆距离向量如下:
x、y和z分别表示前-右-下方向的距离矢量。同时,横向车道距离x被考虑在内:
x=PN2
2)地图匹配的车道距离矢量可以使用点P和N2的已知坐标来计算。
其中,表示点P在纬度、经度和高度坐标系中的坐标。
3)同时,相机识别的纵向车辆距离向量可以表示为:
该识别的第一纵向车辆距离可以表示为:
Ltrue代表真实的纵向车辆距离,Δl则是相机测量误差。
4)最后,车道辅助的测量向量VM可以表示为:
其中,是基于V2V获得的纵向车辆距离,zM是其与相机识别的纵向车辆距离向量之间的距离差异向量。
5)相应的测量矩阵H。
6)状态估计更新。
将测量矩阵传入EKF模块,目标的状态估计是通过状态转移方程和观测方程来计算的,并且通过定位算法补充了顺序EKF,可以有效抑制纵向位置误差的发散。在目标时刻k附近进行一阶泰勒展开以进行线性化:
7)在时刻k=0时,初始化状态估计和协方差矩阵P0。
8)时间更新。
使用状态转移方程进行状态的预测:
计算状态误差协方差矩阵:
9)进行测量更新。
计算卡尔曼增益:
计算状态估计的更新:
更新状态协方差矩阵:
PK=(I-KkHLAM)Pk|k-1
10)横向位置的更新。
观察状态向量中与横向位置相关的分量,例如x(纵向车道距离)。
11)重复步骤8)和步骤9),以及纵向位置的更新,直至达到所需的时间或观测点。
12)在卡尔曼增益计算中,测量矩阵H考虑了地图匹配和相机识别的信息,通过纵向车辆距离的差异向量VM进行纵向位置的更新。纵向位置的更新是通过观测方程实现的,考虑了基于V2V通信获得的纵向车辆距离和相机识别的纵向车辆距离之间的距离差异。
13)进行系统状态估计和纵向约束的融合。
卡尔曼增益的计算确保了基于地图匹配、相机识别和V2V通信的信息有效地融合到状态估计中,抑制了纵向位置误差的发散。
步骤106:融合所述横向约束以及所述纵向约束,定位所述车辆的当前位置。
如图7所示,本发明在横向上建立车道检测模型,ADAS系统相机和地图匹配方法融合确定了高精度的车道线位置与车道线的横向距离,有效的防止车道偏离,提高了驾驶的安全性。在纵向上,ADAS系统可以在自身传感器不是精度很高的情况下,通过车联网中V2V技术,获得来自前车的驾驶信息,确定与前车的距离,并与自车相机感知结果融合获得精准的纵向约束,以定位自车的位置,在驾驶过程中与前车保持安全驾驶速度,保持安全车距。本发明通过横向和纵向上精准定位,对车辆进行高精度定位,增强了绝对定位精度,显著提高了自动驾驶的安全性。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种车辆定位系统。
一种车辆定位系统,包括:
第一横向车道距离以及第一纵向车道距离确定模块,用于在所述车辆的ADAS辅助驾驶系统中,利用相机识别车道信息,确定第一横向车道距离以及第一纵向车道距离。
第二横向车道距离确定模块,用于基于地图匹配横向车道预测模型确定第二横向车道距离。
第二纵向车道距离确定模块,用于基于车联网中V2V技术确定第二纵向车道距离。
横向约束确定模块,用于在扩展卡尔曼滤波架构下,根据所述第一横向车道距离以及所述第二横向车道距离确定横向约束。
纵向约束确定模块,用于在所述扩展卡尔曼滤波架构下,根据所述第一纵向车道距离以及所述第二纵向车道距离确定纵向约束。
定位模块,用于融合所述横向约束以及所述纵向约束,定位所述车辆的当前位置。
实施例三
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述所述的车辆定位方法。
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的车辆定位方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种车辆定位方法,其特征在于,包括:
在所述车辆的ADAS辅助驾驶系统中,利用相机识别车道信息,确定第一横向车道距离以及第一纵向车道距离;
基于地图匹配横向车道预测模型确定第二横向车道距离;
基于车联网中V2V技术确定第二纵向车道距离;
在扩展卡尔曼滤波架构下,根据所述第一横向车道距离以及所述第二横向车道距离确定横向约束;
在所述扩展卡尔曼滤波架构下,根据所述第一纵向车道距离以及所述第二纵向车道距离确定纵向约束;
融合所述横向约束以及所述纵向约束,定位所述车辆的当前位置。
2.根据权利要求1所述的车辆定位方法,其特征在于,利用相机识别车道信息,确定第一横向车道距离以及第一纵向车道距离,具体包括:
利用车道识别算法输出所述相机识别的车道信息,并提供泰勒展开式形式的横向车道标记参数以及纵向车道标记参数;
基于所述横向车道标记参数以及所述纵向车道标记参数,选择左车道构建第一车道检测模型;
根据所述第一车道检测模型确定第一横向车道距离以及第一纵向车道距离。
3.根据权利要求1所述的车辆定位方法,其特征在于,基于地图匹配横向车道预测模型确定第二横向车道距离,具体包括:
基于地图匹配横向车道预测模型,利用GNSS和INS组合导航算法估计IMU的中心位置,并利用杠杆臂补偿法求解位于相机前方的测量点坐标;
提取描绘匹配车道的坐标点,结合相机前方的测量点坐标,采用数学投影法计算相机前方的测量点的投影点坐标;
根据相机前方的测量点坐标以及投影点坐标计算地图匹配的第二横向车道距离。
4.根据权利要求1所述的车辆定位方法,其特征在于,基于车联网中V2V技术确定第二纵向车道距离,具体包括:
利用车道识别算法输出所述相机识别的车道信息,并提供泰勒展开式形式的纵向车道标记参数;
通过车联网中V2V技术确定前车位置信息以及前车运动信息;所述前车位置信息包括纵向车长、横向车款以及车身高度;所述前车运动信息包括速度和加速度;
基于所述纵向车道标记参数,构建第二车道检测模型;
根据所述第二车道检测模型、所述前车位置信息以及所述前车运动信息确定第一纵向车道距离。
5.根据权利要求1所述的车辆定位方法,其特征在于,在扩展卡尔曼滤波架构下,根据所述第一横向车道距离以及所述第二横向车道距离确定横向约束,具体包括:
根据所述第一横向车道距离确定第一横向车道距离向量;
基于地图匹配横向车道预测模型,根据相机前方的测量点坐标以及投影点坐标确定地图匹配的第二横向车道距离向量;
根据所述第二横向车道距离向量以及所述第一横向车道距离向量确定车道辅助横向测量向量;
基于所述车道辅助横向测量向量,构建横向测量矩阵;
将所述横向测量矩阵输入至扩展卡尔曼滤波架构中,通过状态转移方程和观测方程更新目标的状态估计;
根据更新的状态估计更新横向位置,直至达到所需时间或观测点,确定横向约束。
6.根据权利要求1所述的车辆定位方法,其特征在于,在所述扩展卡尔曼滤波架构下,根据所述第一纵向车道距离以及所述第二纵向车道距离确定纵向约束,具体包括:
根据所述第一纵向车道距离确定第一纵向车辆距离向量;
基于地图匹配横向车道预测模型,根据相机前方的测量点坐标以及垂直投影点坐标确定地图匹配的第二纵向车道距离向量;
根据所述第一纵向车辆距离向量以及所述第二纵向车道距离向量确定车道辅助纵向测量向量;
将所述纵向测量矩阵输入至扩展卡尔曼滤波架构中,通过状态转移方程和观测方程更新目标的状态估计;
根据更新的状态估计更新纵向位置,直至达到所需时间或观测点,确定纵向约束。
7.一种车辆定位系统,其特征在于,包括:
第一横向车道距离以及第一纵向车道距离确定模块,用于在所述车辆的ADAS辅助驾驶系统中,利用相机识别车道信息,确定第一横向车道距离以及第一纵向车道距离;
第二横向车道距离确定模块,用于基于地图匹配横向车道预测模型确定第二横向车道距离;
第二纵向车道距离确定模块,用于基于车联网中V2V技术确定第二纵向车道距离;
横向约束确定模块,用于在扩展卡尔曼滤波架构下,根据所述第一横向车道距离以及所述第二横向车道距离确定横向约束;
纵向约束确定模块,用于在所述扩展卡尔曼滤波架构下,根据所述第一纵向车道距离以及所述第二纵向车道距离确定纵向约束;
定位模块,用于融合所述横向约束以及所述纵向约束,定位所述车辆的当前位置。
8.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1-6中任一项所述的车辆定位方法。
9.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的车辆定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311842934.5A CN117990113A (zh) | 2023-12-29 | 2023-12-29 | 一种车辆定位方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311842934.5A CN117990113A (zh) | 2023-12-29 | 2023-12-29 | 一种车辆定位方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117990113A true CN117990113A (zh) | 2024-05-07 |
Family
ID=90892620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311842934.5A Pending CN117990113A (zh) | 2023-12-29 | 2023-12-29 | 一种车辆定位方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117990113A (zh) |
-
2023
- 2023-12-29 CN CN202311842934.5A patent/CN117990113A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109946732B (zh) | 一种基于多传感器数据融合的无人车定位方法 | |
CN102529975B (zh) | 用于精确的分车道车辆定位的系统和方法 | |
Jo et al. | Road slope aided vehicle position estimation system based on sensor fusion of GPS and automotive onboard sensors | |
EP2045577B1 (en) | Positioning device, and navigation system | |
KR101454153B1 (ko) | 가상차선과 센서 융합을 통한 무인 자율주행 자동차의 항법시스템 | |
Jo et al. | GPS-bias correction for precise localization of autonomous vehicles | |
JP2024050990A (ja) | 判定装置 | |
Randeniya et al. | Vision–IMU integration using a slow-frame-rate monocular vision system in an actual roadway setting | |
Jung et al. | Monocular visual-inertial-wheel odometry using low-grade IMU in urban areas | |
CN111742326A (zh) | 车道线的检测方法、电子设备与存储介质 | |
KR102331312B1 (ko) | 차량 내부 센서, 카메라, 및 gnss 단말기를 이용한 3차원 차량 항법 시스템 | |
CN113819905A (zh) | 一种基于多传感器融合的里程计方法及装置 | |
CN114167470A (zh) | 一种数据处理方法和装置 | |
CN115060257B (zh) | 一种基于民用级惯性测量单元的车辆变道检测方法 | |
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 | |
JP2023164553A (ja) | 位置推定装置、推定装置、制御方法、プログラム及び記憶媒体 | |
CN113405555B (zh) | 一种自动驾驶的定位传感方法、系统及装置 | |
Niu et al. | Camera-based lane-aided multi-information integration for land vehicle navigation | |
JP7203805B2 (ja) | 移動体の定位誤差の分析 | |
CN113306559A (zh) | 在路形估计中对于垂直道路曲度的补偿 | |
CN117990113A (zh) | 一种车辆定位方法、系统、设备及介质 | |
CN115683124A (zh) | 确定行驶轨迹的方法 | |
KR20220105076A (ko) | 매설배관의 위치 맵핑을 위한 배관검사시스템 및 그 맵핑 방법 | |
Cantas et al. | Camera based automated lane keeping application complemented by gps localization based path following | |
EP2525303A1 (en) | Lane tracking |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |