JP2019215853A - 測位のための方法、測位のための装置、デバイス及びコンピュータ読み取り可能な記憶媒体 - Google Patents

Abstract

【課題】ＧＰＳ信号が悪いシーンで高精度の測位問題を実現できる測位のための方法、測位のための装置、デバイス及びコンピュータ読み取り可能な記憶媒体を提供する。【解決手段】測位のための方法は、移動体が位置する地理領域に係る視覚特徴マップを取得するステップ含む。視覚特徴マップが第１群の視覚特徴を含み、また第１群の視覚特徴が地理領域の路面に垂直な第１視覚特徴を含む。方法は、移動体が地理領域での運動中に移動体に結合されたカメラによって捕捉された少なくとも一つの画像を取得するステップと、一つの画像から第１群の視覚特徴に対応する第２群の視覚特徴を抽出するステップと、視覚特徴マップ及び第２群の視覚特徴に基づいて、移動体の運動中の少なくとも一つの姿勢を決定するステップを含む。【選択図】図２

Description

本出願は、非仮米国特許出願であり、これは２０１８年６月１１日に出願された中国出願第２０１８１０５９７９６３．２号に対する優先権を主張する。上記出願の全開示は、参照により本明細書に組み込まれる。

本開示の実施例は、全体として測位分野に関し、且つ、より具体的に、測位のための方法、測位のための装置、デバイス及びコンピュータ読み取り可能な記憶媒体に関する。

高精度の測位技術は、無人運転技術の重要な構成部分であって、無人運転乗り物は、経路計画、制御決裁及び感知を行う基礎である。伝統な測位方法は、主にグローバル・ポジショニング・システム（ＧＰＳ）／慣性計測ユニット（ＩＭＵ）に基づく測位方法と、レーザレーダに基づく測位方法と、カメラに基づく測位方法とを含む。

ＧＰＳ／ＩＭＵに基づく測位方法は、ＧＰＳ信号が良好である場合に、高精度の測位サービスを提供できるが、実道路では、ＧＰＳ信号がなく、又はＧＰＳ信号が弱いシーンが多くあるので、このような方法の誤差が速やかに累積して、安定で高精度の測位を取得することができなくなる。レーザレーダに基づく方法は、レーダにより、各場所の位置及び深さを正確に計測することができ、点群マップと整合することにより、高精度の測位を取得することができる。しかしながら、レーダ自体が高価であり、大規模に普及することができず、且つ点群マップの更新周期が短く、メンテナンスのコストが高い。カメラに基づく測位方法は、通常、画像における特徴点を整合することにより、前後フレーの間の相対姿勢を決定し、且つ設定された目的関数を最適化することにより、姿勢推定を取得する。しかしながら、照光、視野角等の問題により、このような方法で抽出された特徴は、安定性が不十分であり、且つ積算誤差があるため、自動運転要求を満足する高精度の測位を実現することができない。

本開示の例示的な実施例によれば、測位用方法を提供する。

本開示の第１形態では、測位のための方法を提供する。当該方法は、移動体が位置する地理領域に係る視覚特徴マップを取得するステップ含む。当該視覚特徴マップは、第１群の視覚特徴を含み、また第１群の視覚特徴は、地理領域の路面に垂直な第１視覚特徴を含む。当該方法は、移動体が地理領域での運動中に移動体に結合されたカメラによって捕捉された少なくとも一つの画像を取得するステップをさらに含む。当該方法は、少なくとも一つの画像から第１群の視覚特徴に対応する第２群の視覚特徴を抽出するステップをさらに含む。更に、当該方法は、少なくとも視覚特徴マップ及び第２群の視覚特徴に基づいて、移動体の運動中の少なくとも一つの姿勢を決定するステップを含む。

本開示の第２形態では、測位のための装置を提供する。当該装置は、移動体が位置する地理領域に係る視覚特徴マップを取得するように構成されるマップ取得モジュールであって、当該視覚特徴マップが第１群の視覚特徴を含み、また第１群の視覚特徴が地理領域の路面に垂直な第１視覚特徴を含むマップ取得モジュールと、移動体が地理領域での運動中に当該移動体に結合されたカメラによって捕捉された少なくとも一つの画像を取得するように構成される画像取得モジュールと、少なくとも一つの画像から第１群の視覚特徴に対応する第２群の視覚特徴を抽出するように構成される特徴抽出モジュールと、少なくとも視覚特徴マップ及び第２群の視覚特徴に基づいて、移動体の運動中の少なくとも一つの姿勢を決定するように構成される姿勢決定モジュールとを含む。

本開示の第３形態では、一つ又は複数のプロセッサ及び記憶装置を含む電子機器を提供する。記憶装置は、一つ又は複数のプログラムを記憶するためのものである。一つ又は複数のプログラムが一つ又は複数のプロセッサによって実行される場合に、一つ又は複数のプロセッサが本開示の第１形態に係る方法を実行させる。

本開示の第４形態では、コンピュータプログラムが記憶されるコンピュータ読み取り可能な媒体を提供し、当該コンピュータプログラムがプロセッサによって実行される場合に、本開示の第１形態に係る方法を実現する。

なお、発明内容部分に説明する内容は、本開示の実施例の肝心又は重要特徴を制限することを意図しておらず、本開示の範囲を制限することを意図していない。本開示の他の特徴は、以下の説明により容易に理解され得る。

図面に組み合わせて以下の詳しい説明を参照して、本開示の各実施例の上記及び付加的な特徴、利点及び形態は、より明らかになる。図面では、同一又は類似する符号は、相同又は類似する要素を表す。
本開示の実施例を実現できる例示的な環境を示す概略図である。 本開示の実施例に係る測位用例示的な方法を示すフローチャートである。 本開示の実施例に係る視覚特徴マップを示す概略図である。 本開示の実施例に係る画像から抽出された視覚特徴を示す概略図である。 本開示の実施例に係る移動体の運動中の姿勢を決定するための例示的な方法を示すフローチャートである。 本開示の実施例に係る粒子フィルタリングの例示的な過程を示すフローチャートである。 本開示の実施例に係る複数の粒子の現時点における対応する状態及び対応する加重値のための例示的な方法を示すフローチャートである。 本開示の実施例に係る粒子の現時点における加重値を決定するための例示的な方法を示すフローチャートである。 本開示の実施例に係る投影された視覚特徴及び抽出された視覚特徴を含む画像を示す概略図である。 本開示の実施例に係る投影された視覚特徴及び抽出された視覚特徴を含む画像を示す概略図である。 本開示の実施例に係る測位のための装置を示す模式的なブロック図である。 本開示の複数の実施例を実施できる算出デバイスを示すブロック図である。

以下に、図面を参照しながら本開示の実施例をさらに詳しく説明する。図面には、本開示の一部の実施例を示したが、本開示は、種々な形式により実現されることができ、ここで説明した実施例に限定されると理解されてはならない。逆に、本開示を明らかで、完全に理解するために、これらの実施例を提供する。なお、本開示の図面及び実施例は、例示的な作用を奏し、本開示の保護範囲を限定するものと理解されてはならない。

本開示の実施例の説明において、「含む」の用語及びその類似用語は、オープンエンド形式として理解され、即ち、「含むがこれらに限定されない」を指す。なお、「基づく」は、「少なくとも部分に基づく」と理解すればよい。なお、「一実施例」又は「当該実施例」は、「少なくとも一つの実施例」とで理解すればよい。「第１」、「第２」等は、異なる又は同一の対象を指す。以下、その他の明確及び暗黙的な定義があることもある。

上述のとおり、高精度の測位を実現して無人運転の要求を満足することが望ましい。伝統な測位方法は、主にグローバル・ポジショニング・システム（ＧＰＳ）／慣性計測ユニット（ＩＭＵ）に基づく測位方法と、レーザレーダに基づく測位方法と、カメラに基づく測位方法とを含む。

ＧＰＳ／ＩＭＵに基づく測位方法は、ＧＰＳ信号が良好である場合に、高精度の測位サービスを提供できるが、実道路では、ＧＰＳ信号がなく、又はＧＰＳ信号が弱いシーンが多くあるので、このような方法の誤差が速やかに累積して、安定で高精度の測位を取得することができなくなる。レーザレーダに基づく方法は、レーダにより、各場所の位置及び深さを正確に計測することができ、点群マップと整合することにより、高精度の測位を取得することができる。しかしながら、レーダ自体が高価であり、大規模に普及することができず、且つ点群マップの更新周期が短く、メンテナンスのコストが高い。カメラに基づく測位方法は、通常、画像における特徴点を整合することにより、前後フレーの間の相対姿勢を決定し、且つ設定された目的関数を最適化することにより、姿勢推定を取得する。しかしながら、照光、視野角等の問題により、このような方法で抽出された特徴は、安定性が不十分であり、且つ積算誤差があるため、自動運転要求を満足する高精度の測位を実現することができない。

本開示の実施例によれば、高精度の測位用方法を提出する。当該方法は、移動体に取り付けられた運動計測装置により、物体の異なる時点間での相対運動を推定することにより、物体の前時点における姿勢及び相対運動に基づいて、当該物体の現時点における姿勢を予測する。現時点で捕捉した画像から検出された視覚特徴と、視覚特徴マップで予測された現在姿勢に対応する視覚特徴とを整合することにより、物体の現時点における最終姿勢を決定する。本方法は、ＧＰＳ信号がなく、又はＧＰＳ信号が悪いシーンに適用でき、且つ低コストでＬ４レベルの自動運転要求を満足する高精度の測位を実現することができる。

以下、図面を参照しながら、本開示の実施例を詳しく説明する。本開示で、「姿勢」の用語とは、物体の特定の座標系での位置及び所作を指す。例えば、二次元座標系では、物体の姿勢が二次元座標及び針路角で示されることができる。三次元座標系では、物体の姿勢が三次元座標、ピッチ角、針路角及び回転角で示されることができる。以下、二次元座標系での姿勢を例として本開示の実施例を検討する。しかしながら、これは例示的なものに過ぎず、本開示の範囲を制限することを意図していないことを理解できる。本開示の実施例は、例えば、三次元座標系での姿勢にも適用できる。更に、「移動体」の用語とは、測位される任意の乗り物又はその他の物体を指す。以下、運転中の車両を移動体の例とする。しかしながら、これは例示的なものに過ぎず、本開示の範囲を制限することを意図していないことを理解できる。本開示の実施例は、類似にその他の移動体、例えば、飛行機等にも適用できる。

図１は、本開示の実施例を実現できる例示的な環境１００を示す概略図である。環境１００は、全体として、移動体１１０及び測位装置１２０を含んでもよい。図１では、測位装置１２０が移動体１１０に離れて示されるが、これは例示的なものに過ぎない。一部の実施例では、測位装置１２０は、移動体１１０に含まれてもよい。例えば、移動体１１０が自動運転する車両である場合に、測位装置１２０は、当該車両での算出装置であってもよい。なお、図１では、例示的な目的として環境１００の構造及び機能を説明するが、本開示の範囲への任意の限制を示唆していない。本開示の実施例は、さらに、異なる構造及び／又は機能を有する環境に適用できる。

測位装置１２０は、移動体１１０の運動中の姿勢を決定するように構成される。図１に示すように、測位装置１２０は、移動体１１０が位置する地理領域に係る視覚特徴マップ１０１を取得することができる。ここで、前記「視覚特徴」とは、目視で見える特定の対象を指し、且つ「視覚特徴マップ」とは、地理領域での視覚特徴に係る情報（例えば、位置及び始点の座標等）を記録するマップを指す。一部の実施例では、視覚特徴マップ１０１は、点群マップから生成され（以下、図３に組み合わせてさらに説明する）、且つグリッドとして測位装置１２０に結合し、又は測位装置１２０から離れる記憶デバイス（図１に示されない）に記憶されることができる。測位装置１２０は、視覚特徴マップ１０１を記憶する記憶デバイスから視覚特徴マップ１０１を取得することができる。

視覚特徴マップ１０１は、１群の視覚特徴（本開示で、「第１群の視覚特徴」とも呼ばれる）を含んでもよい。高精度の測位の安定性と信頼性の要求を考えると、視覚特徴マップ１０１に含まれる第１群の視覚特徴は、十分なロバスト性を有する必要があり、これにより、異なる照光と気象条件で安定に検出されることができ、また、十分な測位制約を提供することができる。

一部の実施例では、第１群の視覚特徴は、路面に垂直な第１視覚特徴を含んでもよい。例えば、第１視覚特徴の例は、路面に垂直なロッド状体、例えば、街灯、電柱、交通表示板等を含んでもよいが、これらに限定されない。付加的に又は代わりに、第１群の視覚特徴は、路面における第２視覚特徴をさらに含んでもよい。例えば、第２視覚特徴の例は、種々な道路標示線、例えば、車線等を含んでもよいがこれらに限定されない。これらの円柱状又は線状の視覚特徴は、異なる照光と気象条件で安定に検出されることができ、また、十分な測位制約を提供することができる。

第１群の視覚特徴は、実線又は破線として視覚特徴マップ１０１に示されてもよい。例えば、視覚特徴マップ１０１には、各視覚特徴を示す線分の位置及び始点の座標を記録することができる。例えば、車線の視覚特徴を破線として示すと、付加的な利点を提供することができる。例えば、移動体１１０の運動に従い、破線で示される車線特徴は、変化しており、これにより、移動体１１０の測位により多くの制約を提供することができる。

図１に示すように、移動体１１０には、運動計測装置１１１とカメラ１１２が取り付けられてもよい。ここで、前記「運動計測装置」は、移動体１１０の運動に係る情報を取得できる任意のセンサ又は計測装置を指し、ＩＭＵ（例えば、加速度計、ジャイロ等を含む）及び速度センサ（例えば、車輪速度計）等を含むがこれらに限定されない。ここで、前記「カメラ」は、画像を捕捉するためのカメラ、高精度カメラ、パノラマカメラ、単眼カメラ等を含んでもよい。

移動体１１０が地理領域で運動する場合に、運動計測装置１１１は、移動体１１０の運動に係る情報１０３を計測することができ、運動情報１０３は、例えば、移動体１１０の角速度と、速度（例えば、車輪回転数）と、加速度と等を含んでもよいがこれらに限定されない。同時に、カメラ１１２は、移動体１１０の運動期間に、少なくとも一つの画像１０２を捕捉することができる。捕捉された少なくとも一つの画像１０２は、例えば、視覚特徴マップ１０１における第１群の視覚特徴に対応する第２群の視覚特徴を含んでもよい。

一部の実施例では、第２群の視覚特徴は、第１視覚特徴に対応する第３視覚特徴（即ち、路面に垂直な視覚特徴）含むことができる。例えば、第３視覚特徴の例は、路面に垂直なロッド状体、例えば、街灯、電柱、交通表示板等を含んでもよいが、これらに限定されない。付加的に又は代わりに、第２群の視覚特徴は、第２視覚特徴に対応する第４視覚特徴（即ち、路面における視覚特徴）をさらに含んでもよい。例えば、第４視覚特徴の例は、種々な道路標示線、例えば、車線等を含んでもよいが、これらに限定されない。

測位装置１２０は、運動情報１０３と画像１０２とを取得し、また視覚特徴マップ１０１と、画像１０２と、運動情報１０３とに基づいて移動体１１０の姿勢を決定することができる。一部の実施例では、測位装置１２０は、運動情報１０３に基づいて移動体１１０の運動を推定することにより、移動体１１０の直前の時点における姿勢と運動に基づいて、当該移動体１１０の現時点における姿勢を予測することができる。測位装置１２０は、画像１０２から第１群の視覚特徴に対応する第２群の視覚特徴を抽出し、且つ現時点における画像から抽出された視覚特徴と、視覚特徴マップ１０１において予測された現在姿勢に対応する視覚特徴とを整合することができる。視覚特徴の整合により、測位装置１２０は、移動体１１０の運動中の姿勢を決定し、且つ測位結果１０４を出力することができる。測位結果１０４は、例えば、ユーザ（例えば、移動体１１０により示される輸送手段の運転手）に示し、又は自動運転での経路計画及び／又は制御決裁等に応用されることができる。

以下、さらに図面に組み合わせて図１に示す測位装置１２０の作動原理を詳しく説明する。

図２は、本開示の実施例に係る測位用例示的な方法２００を示すフローチャートである。例えば、方法２００は、図１に示す測位装置１２０により実行されることができる。以下、図１に組み合わせて方法２００の各動作を詳しく説明する。なお、方法２００は、さらに示されない付加的な動作を含んでもよく、及び／又は示される動作を省略してもよい。本開示の範囲は、これに限定されない。

ブロック２１０では、測位装置１２０は、移動体１１０が位置する地理領域に係る視覚特徴マップ１０１を取得する。

一部の実施例では、視覚特徴マップ１０１は、点群マップから生成され、且つグリッドとして測位装置１２０に結合し、又は測位装置１２０から離れる記憶デバイスに記憶されることができる。測位装置１２０は、当該記憶デバイスから視覚特徴マップ１０１を取得することができる。

図３は、本開示の実施例に係る視覚特徴マップ１０１を示す概略図である。図３に示すように、視覚特徴マップ１０１は、点群マップ３１０から生成されることができる。点群マップ３１０は、レーダスキャンにより得られた地理領域に係る三次元マップである。点群マップ３１０は、二次元投影により二次元反射マップ３２０に変換されることができる。更に、点群マップ３１０は、その中の動的物体を除去することで三次元静的マップ３３０に変換されることができる。一部の実施例では、自動抽出アルゴリズムで静的マップ３３０から路面に垂直な視覚特徴３４０（即ち、第１視覚特徴）、例えば、街灯、電柱、交通表示板等を取得することができる。付加的に又は代わりに、自動抽出アルゴリズムで反射マップ３２０から路面における視覚特徴３５０（即ち、第２視覚特徴）、例えば、車線等を抽出することができる。

抽出された第１視覚特徴３４０及び／又は第２視覚特徴３５０は、実線又は破線として視覚特徴マップ１０１に示されることができる。例えば、視覚特徴マップ１０１には、各視覚特徴を示す線段の位置及び始点の座標を記録することができる。図３に示すように、視覚特徴マップ１０１は、グリッドとして記憶されることができ、これにより、後続管理と使用が便利になる。例えば、その中のセルは、特定の大きさの地理領域（例えば、１２８メートル×１２８メートル）を表すことができる。

図３には、路面に垂直な第１視覚特徴３４０と路面の表面における第２視覚特徴３５０とを含む視覚特徴マップ１０１を示したが、これは例示的なものに過ぎず、本開示の範囲を限定することを意図していないことを理解できる。一部の実施例では、視覚特徴マップ１０１は、路面に垂直な第１視覚特徴３４０のみを含んでもよく、又は路面における第２視覚特徴３５０のみを含んでもよく、又はこれらの組み合わせを含んでもよい。他の一部の実施例では、第１視覚特徴３４０と第２視覚特徴３５０以外、視覚特徴マップ１０１は、その他の視覚特徴をさらに含んでもよく、又は種々な視覚特徴の任意の組み合わせを含んでもよい。本開示の範囲は、これに限定されない。

ブロック２２０では、測位装置１２０は、移動体１１０が地理領域での運動中に移動体１１０に結合されたカメラ１１２によって捕捉された少なくとも一つの画像１０２を取得する。例えば、測位装置１２０は、カメラ１１２から少なくとも一つの画像１０２を取得することができ、また少なくとも一つの画像１０２は、視覚特徴マップ１０１における第１群の視覚特徴に対応する第２群の視覚特徴を含んでもよい。ブロック２３０では、測位装置１２０は、少なくとも一つの画像１０２から第１群の視覚特徴に対応する第２群の視覚特徴を抽出する。

一部の実施例では、第１群の視覚特徴は、路面に垂直な第１視覚特徴を含んでもよく、また第１視覚特徴は、路面に垂直なロッド状体、例えば、街灯、電柱、交通表示板等を含んでもよい。測位装置１２０は、少なくとも一つの画像１０２から第１視覚特徴に対応する第３視覚特徴を抽出することができる。

付加的に又は代わりに、他の一部の実施例では、第１群の視覚特徴は、路面に垂直な第１視覚特徴と路面における第２視覚特徴との組み合わせを含み、第１視覚特徴は、路面に垂直なロッド状体（例えば、街灯、電柱、交通表示板等）を含み、且つ第２視覚特徴は、路面における道路標示線（例えば、車線等）を含む。測位装置１２０は、それぞれ少なくとも一つの画像１０２から第１視覚特徴に対応する第３視覚特徴及び第２視覚特徴に対応する第４視覚特徴を抽出することができる。

一部の実施例では、少なくとも一つの画像１０２から視覚特徴を抽出する過程は、解析過程と特徴フィッティング過程を含んでもよい。例えば、解析過程は、ニューラルネットワーク（例えば、コンボリューショナルニューラルネットワーク）を用いて少なくとも一つの画像１０２の中、各画像における特徴に対して画素レベルの意味分割を行うことができる。分割された画像は、特徴がある画素のみで画素値を有してもよい。特徴フィッティング過程は、解析された画素フォアグラウンドポイントに対してハフ（Ｈｏｕｇｈ）変換によりその中の直線特徴を抽出することができる。上述の説明は、画像１０２に対して特徴抽出を行ういくつかの例に過ぎない。なお、任意の既存又は開発される視覚特徴を用いて抽出アルゴリズムにより少なくとも一つの画像１０２から第１群の視覚特徴に対応する第２群の視覚特徴を抽出することができる。本開示の範囲は、これに限定されない。

図４は、本開示の実施例に係る少なくとも一つの画像１０２のうち抽出された視覚特徴を示す概略図である。画像４００は、例えば、少なくとも一つの画像１０２における一つの画像である。図４において、白い実線で画像４００から抽出された路面に垂直な視覚特徴（例えば、ロッド状体４１０）を表し、且つ白い破線で画像４００から抽出された路面における視覚特徴（例えば、車線４２０）を表してもよい。

図２に戻り、方法２００は、ブロック２４０に進み、ここで、測位装置１２０は、少なくとも視覚特徴マップ１０１及び少なくとも一つの画像１０２から抽出された第２群の視覚特徴に基づいて、移動体１１０の運動中の少なくとも一つの姿勢を決定する。

図５は、本開示の実施例に係る移動体１１０の運動中の少なくとも一つの姿勢を決定するための方法５００を示すフローチャートである。例えば、方法５００は、図２に示す方法２００におけるブロック２４０の例示的な一実現手段と考えられる。なお、方法５００は、示されない付加的な動作を含み、及び／又は示される動作を省略してもよい。本開示の範囲は、これに限定されない。

ブロック５１０では、測位装置１２０は、移動体１１０の運動に係る情報１０３を取得する。一部の実施例では、運動情報１０３は、運動計測装置１１１によって採取される。運動計測装置１１１は、例えば、ＩＭＵ（例えば、包括加速度計、ジャイロ等）及び速度センサ（例えば、車輪速度計）等を含んでもよいがこれらに限定されなく、且つ運動情報１０３は、例えば、移動体１１０の角速度と、速度（例えば、車輪回転数）と、加速度と等を含んでもよいがこれらに限定されない。

ブロック５２０では、測位装置１２０は、視覚特徴マップ１０１と、画像１０２から抽出された第２群の視覚特徴と情報１０３とに基づいて、粒子フィルタリングを用いて移動体１１０の運動中の姿勢を決定する。

画像１０２における視覚特徴は、より疎らであり、例えば、一つの画像において、見えるロッド状体の数は、十分に有限であり、さらに少なく、又は車線特徴は、マップにおいて繰り返す現象（例えば、隣接している車線又は実線で示される車線等）があることがある。更に、円柱状又は線状の視覚特徴の整合は、通常に非線形であるため、安定な観測モデルを確立することができない。一部の実施例では、粒子フィルタリングを用いて上述問題やその他の潜在問題を解決することができる。粒子フィルタリングの基本原理は、一連のランダムなサンプルで種々な可能な状態を表し、各サンプルの事後確率を算出することにより、状態の確率密度分布を近似的にシミュレーションすることができる。

図６は、本開示の実施例に係る粒子フィルタリングの例示的な過程６００を示すフローチャートである。例えば、過程６００は、図５に示す方法５００におけるブロック５２０の例示的な一実現手段と考えられる。なお、過程６００は、さらに示されない付加的な動作を含み、及び／又は示される動作を省略してもよい。本開示の範囲は、これに限定されない。

ブロック６１０では、測位装置１２０は、複数の粒子を用いて、移動体１１０の運動中の現時点での複数の可能な姿勢を表す。

一部の実施例では、初期時点において、ＧＰＳ信号（又はその他の方式）により移動体１１０の初期姿勢を決定することができる。移動体１１０の初期状態及び当該初期状態の共分散が既知であると仮定し、当該共分散に基づいて初期状態付近でランダムにＫ回サンプリングし、Ｋ個の粒子を生成し、その中、各粒子の状態は、可能な一姿勢を示す。二次元座標系での姿勢を例とし、例えば、各粒子の状態可は、針路角φと位置座標（ｘ,ｙ）を含んでもよい。例えば、Ｋ個の粒子のうち、第ｉ粒子の初期状態をＸ^ｉ _０｜０として表し、ただし、１≦ｉ≦Ｋ、且つ、ｉは、当該粒子のインデックスを表す。更に、各粒子に対して、初期加重値、例えば、１／Ｋを分配することができる。時間の推移に伴い、各粒子の状態と加重値は、更新されることができる。

ブロック６２０では、測位装置１２０は、複数の粒子の時点ｋにおける対応する状態と対応する加重値とを決定する。図７は、本開示の実施例に係る複数の粒子の時点ｋにおける対応する状態と対応する加重値とのための方法７００を示すフローチャートである。例えば、方法７００は、図６に示す過程６００におけるブロック６２０の例示的な一実現手段と考えられる。なお、方法７００は、示されない付加的な動作を含み、及び／又は示される動作を省略してもよい。本開示の範囲は、これに限定されない。

ブロック７１０では、Ｋ個の粒子のうち、第ｉ粒子に対して、測位装置１２０は、当該粒子の時点ｋの現時点前であるｋ−１における第１状態と第１加重値とを決定する。その後、ブロック７２０において、測位装置１２０は、運動情報１０３と第１状態とに基づいて当該粒子の時点ｋにおける第２状態を推定する。

一部の実施例では、運動モデル及び粒子の時点ｋの直前の時点ｋ−１における第１状態によって粒子の現時点ｋにおける第２状態を推定することができる。例えば、測位装置１２０は、以下の数式（１）から粒子の現時点ｋにおける第２状態を決定することができる：

ただし、Ｘ^ｉ _{ｋ｜ｋ−１}は、時点ｋ−１における状態に基づいて予測された現時点ｋにおけるｉ番目の粒子の状態を表し、Ｘ^ｉ _{ｋ−１｜ｋ−１}は、当該粒子の時点ｋ−１における状態を表し、且つΔＸは、当該粒子の時点ｋ−１から時点ｋまでの状態変化を表す。以上の数式（１）において、Φ^ｉ _{ｋ−１｜ｋ−１}は、当該粒子の時点ｋ−１における針路角を表し、ｘ^ｉ _{ｋ−１｜ｋ−１}は、当該粒子の時点ｋ−１における横座標を表し、ｙ^ｉ _{ｋ−１｜ｋ−１}は、当該粒子の時点ｋ−１における縦座標を表し、且つΔｔは、時点ｋ−１から時点ｋまでの期間間隔を表す。ω＾^ｉとν＾^ｉとは、それぞれ角速度と速度を表し、それらは、運動計測装置１１１によって計測された運動情報１０３からのものである。

一部の実施例では、計測過程ではノイズがある可能性があるため、ガウスノイズにより近似することができ、例えば、以下の数式（２）のように示すことができる。

ただし、ω_ｇｙｒｏは、例えば、運動計測装置１１１でのＩＭＵに基づいて計測された角速度であり、ν_{ｗｈｅｅｌ}は、例えば、運動計測装置１１１での車輪速度計によって計測された速度であり、ε^ｉ _{σｇｙｒｏ}とε^ｉ _{σｗｈｅｅｌ}とは、それぞれ角速度と速度のノイズのサンプリングである。

ブロック７３０では、測位装置１２０は、第１加重値と第２状態とに基づいて当該粒子の時点ｋにおける第２加重値を決定する。

一部の実施例では、ブロック７２０に示すような時間更新ステップを経て、粒子ｉの時点ｋにおける予測状態Ｘ^ｉ _{ｋ｜ｋ−１}、即ち、移動体１１０の可能な一予測姿勢を決定することができる。この時、測位装置１２０は、視覚特徴マップ１０１における視覚特徴を座標変換により時点ｋで捕捉された画像に投影し、当該画像から抽出された視覚特徴と投影された視覚特徴とのマッチング度を算出することにより、粒子の事後確率を更新することで、当該粒子の時点ｋにおける第２加重値を決定することができる。

例えば、粒子ｉの時点ｋにおける第２加重値は、以下の数式（３）から決定することができる：

ただし、ｗ^ｉ _ｋ−１は、粒子ｉの時点ｋ−１における第１加重値を表し、ｗ^ｉ _ｋは、粒子ｉの時点ｋにおける第２加重値を表し、Ｐ^ｉ（ｚ^ｉ _ｋ|ｘ^ｉ _ｋ|k−１,ｍ）は、マッチング度により算出された当該粒子の現在確率を表す。一部の実施例では、粒子の加重値をよりよく区別するために、ガウス関数により確率をフィッティングすることができ、即ち、数式（４）のように示すことができる。

ただし、平均値μ＝ｍｉｎ（Ｅ_ｉ）であり、分散σ^２＝（Σ（Ｅ_ｉ−μ）^２）／Ｋである。Ｅ_ｉは、粒子ｉへのマッチング度を表し、以下、図８に組み合わせてＥ_ｉを如何に決定することを詳しく説明する。

図８は、本開示の実施例に係る粒子ｉの時点ｋにおける第２加重値を決定するための方法８００を示すフローチャートである。例えば、方法８００は、図７に示す方法７００におけるブロック７３０の例示的な一実現手段と考えられる。なお、方法８００は、さらに示されない付加的な動作を含み、及び／又は示される動作を省略してもよい。本開示の範囲は、これに限定されない。

ブロック８１０では、測位装置１２０は、粒子の現時点ｋにおける第２状態及び視覚特徴マップ１０１に基づいて、時点ｋで捕捉された画像（本開示で、「第１画像」とも呼ばれる）に出現するように予期される少なくとも一つの視覚特徴を決定する。

一部の実施例では、測位装置１２０は、粒子ｉの時点ｋにおける予測状態Ｘ^ｉ _{ｋ｜ｋ−１}に基づいて、視覚特徴マップ１０１における視覚特徴（例えば、第１視覚特徴及び／又は第２視覚特徴）を座標変換により時点ｋで捕捉された第１画像に投影することができる。視覚特徴マップ１０１のうち、第１画像に投影された視覚特徴は、第１画像で出現するように予期される視覚特徴である。例えば、図９Ａは、本開示の実施例に係る投影された視覚特徴及び抽出された視覚特徴を含む第１画像９００を示す概略図である。図９Ａにおいて、白い実線と破線で第１画像９００から抽出された視覚特徴（例えば、路面に垂直な視覚特徴及び路面における視覚特徴を含む）を表す。更に、図９Ａにおいて、黒い実線で視覚特徴マップ１０１のうち、第１画像９００に投影された視覚特徴（例えば、路面に垂直な視覚特徴及び路面における視覚特徴を含む）を表す。

ブロック８２０では、測位装置１２０は、第１画像で出現するように予期される少なくとも一つの視覚特徴と第１画像から抽出された少なくとも一つの視覚特徴との間のマッチング度を決定する。

第１画像に投影された視覚特徴と第１画像から抽出された視覚特徴とのマッチング度を如何に決定することを説明するために、図９Ａでは、例示的な領域９１０を示す。図９Ａに示すように、例示的な領域９１０では、第１画像９００に投影された車線も、そもそも第１画像９００に出現した抽出された車線も含む。説明の便宜上、図９Ｂは、図９Ａでの例示的な領域９１０を拡大して示す。

図９Ｂに示すように、例示的な領域９１０には、そもそも第１画像９００に出現した抽出された車線特徴９０１（以下の数式では添字ｐで表される）及び視覚特徴マップ１０１から第１画像９００に投影された車線特徴９０２（以下の数式では添字ｑで表す）を含む。特徴９０１と９０２との間の誤差メトリックは、角度誤差θ_ｅｒｒ、距離誤差ｄ_ｅｒｒ、及び重なり長さｌの三つ部分を含んでもよい。特徴９０１と９０２との最終マッチング度は、以上の数式（５）から決定することができる：

ただし、Ｅ_ｐｑは、マッチング度を表し、当該値が大きければマッチング度が高くなる。数式（５）でのパラメータｒａｔｉｏは、予め定義された係数である。

第１画像から抽出された特徴総数がＭであり、第１画像に投影されたマップ特徴総数がＮであると仮定する。一部の実施例では、第１画像から抽出されたＭ個の視覚特徴のそれぞれに対して、投影された対応特徴と整合し、対応したマッチング度を決定することができる。このように、値が最も大きいＥ_ｐｑを取得することができ、それが特徴ｐのマッチング度とされ、即ち、数式（６）のように示すことができる。

一部の実施例では、ロッド状体に対して、遮蔽等がある可能性があるため、一部しか検出できず、マッチング度を算出する場合に、重なり長さｌを考えなくてもよい。

その後、第１画像における全ての特徴のマッチング度を加算することにより、粒子ｉへのマッチング度を取得することができる：

ブロック８３０では、測位装置１２０は、粒子ｉの時点ｋ−１における第１加重値とマッチング度とに基づいて、粒子ｉの時点ｋにおける第２加重値を決定することができる。

一部の実施例では、例えば、測位装置１２０は、以上の数式（３）〜数式（７）から粒子ｉの時点ｋにおける第２加重値ｗ^ｉ _ｋを決定することができる。一部の実施例では、決定した粒子の加重値に対して正規化処理を行い、即ち全ての粒子の加重値の合計を１とすることができる。

このように、測位装置１２０は、複数の粒子の時点ｋにおける対応する状態と対応する加重値とを決定することができる。

図６に戻り、過程６００は、ブロック６３０に進み、ここで、測位装置１２０は、複数の粒子の時点ｋにおける対応する状態と対応する加重値とに基づいて、移動体１１０の当該時点ｋにおける姿勢を決定することができる。

一部の実施例では、測位装置１２０は、全ての粒子の分布状態に基づいて粒子を複数クラスタにまとめ、全ての粒子を複数のクラスタに分けることができる。測位装置１２０は、さらにクラスタのそれぞれにおける粒子の加重値の合計を決定することにより、加重値の合計が最も大きいクラスタを決定することができる。加重値の合計が最も大きいクラスタには、粒子集合Φを含むと仮定すれば、移動体１１０の当該時点ｋにおける姿勢は、以下の数式(８)のように決定されることができる。

一部の実施例では、上述の粒子フィルタリング過程において、粒子の劣化（即ち、その確率がゼロになる）により、加重値分布が不均一になることを回避するために、粒子を再度サンプリングすることにより、大部の粒子の確率が有效範囲にあることを保証することができる。

例えば、以下の数式（９）を満足する場合に、再度サンプリングすることができる。

ただし、Ｋは、粒子の数を表す。

図６〜８は、本開示の実施例に係る粒子フィルタリング過程を示す。上述のとおり、粒子フィルタリングは、画像１０２における視覚特徴がより疎らであるという問題を解決することができる。一部の実施例では、測位装置１２０は、さらに、粒子フィルタリングの結果に対して付加的な処理を行うことができる。例えば、粒子フィルタリングの結果と運動情報１０３（例えば、ＩＭＵに基づいて計測された情報）を拡張カルマンフィルタリングに提供することにより、測位結果の品質をさらに向上させることができる。簡略化するために、本開示では説明を省略する。

このように、本開示の実施例は、伝統な測位方法における種々な問題を克服ことができる。例えば、本開示の実施例は、ＧＰＳ信号がなく、又はＧＰＳ信号が悪いシーンで高精度の測位を実現することにより、低いコストでＬ４レベルの自動運転要求を満足することができる。

図１０は、本開示の実施例に係る測位のための装置１０００を示す模式的なブロック図である。図１０に示すように、装置１０００は、移動体が位置する地理領域に係る視覚特徴マップを取得するように構成されるマップ取得モジュール１０１０を含んでもよい。当該視覚特徴マップは、第１群の視覚特徴を含み、また第１群の視覚特徴は、地理領域の路面に垂直な第１視覚特徴を含む。装置１０００は、移動体が地理領域での運動中に移動体に結合されたカメラによって捕捉された少なくとも一つの画像を取得するように構成される、画像取得モジュール１０２０をさらに含んでもよい。装置１０００は、少なくとも一つの画像から第１群の視覚特徴に対応する第２群の視覚特徴を抽出するように構成される特徴抽出モジュール１０３０をさらに含んでもよい。更に、装置１０００は、少なくとも視覚特徴マップ及び第２群の視覚特徴に基づいて、移動体の運動中の少なくとも一つの姿勢を決定するように構成される姿勢決定モジュール１０４０をさらに含んでもよい。

一部の実施例では、第１視覚特徴は、前記地理領域の路面に垂直なロッド状体を含む。

一部の実施例では、第１群の視覚特徴は、地理領域の路面における第２視覚特徴をさらに含む。

一部の実施例では、第２視覚特徴は、地理領域の路面における道路標示線を含む。

一部の実施例では、特徴抽出モジュールは、さらに少なくとも一つの画像から第１視覚特徴と第２視覚特徴とにそれぞれ対応する第３視覚特徴と第４視覚特徴とを抽出するように構成される。姿勢決定モジュールは、さらに、少なくとも視覚特徴マップと、第３視覚特徴と、第４視覚特徴とに基づいて、移動体の運動中の少なくとも一つの姿勢を決定するように構成される。

一部の実施例では、姿勢決定モジュールは、移動体の運動に係る情報を取得するように構成される情報取得ユニットと、粒子視覚特徴マップと、第２群の視覚特徴と、情報とに基づいて、粒子フィルタリングを用いて移動体の運動中の少なくとも一つの姿勢を決定するように構成される粒子フィルタリングユニットとを含む。

一部の実施例では、情報取得ユニットは、さらに、移動体に結合された慣性計測ユニットと速度センサとの少なくとも一つから情報を取得するように構成される。

一部の実施例では、当該情報は、移動体の角速度と速度との少なくとも一つを含む。

一部の実施例では、粒子フィルタリングユニットは、さらに、複数の粒子を用いて移動体の運動中の現時点での複数の可能姿勢を表示し、複数の粒子の当該時点における対応する状態と対応する加重値とを決定し、複数の粒子の当該時点における対応する状態と対応する加重値とに基づいて、移動体の当該時点における姿勢を決定するように構成される。

一部の実施例では、粒子フィルタリングユニットは、さらに、複数の粒子のうち、一つの粒子に基づいて、当該粒子の当該時点の直前の時点における第１状態と第１加重値とを決定し、情報と第１状態とに基づいて、当該粒子の当該時点における第２状態を推定し、第１加重値及び第２状態に基づいて、当該粒子の当該時点における第２加重値を決定することにより、複数の粒子の当該時点における対応する状態と対応する加重値とを決定するように構成される。

一部の実施例では、粒子フィルタリングユニットは、さらに、第２状態と視覚特徴マップとに基づいて、少なくとも一つの画像のうち、移動体に結合されたカメラによって当該時点で捕捉された第１画像に、出現するように予期される第１群の視覚特徴の少なくとも一つの視覚特徴を決定し、第１画像に出現するように予期される少なくとも一つの視覚特徴と、第１画像から抽出された第２群の視覚特徴における少なくとも一つの視覚特徴との間のマッチング度を決定し、第１加重値とマッチング度とに基づいて、第２加重値を決定することにより、当該粒子の当該時点における第２加重値を決定するように構成される。

図１１は、本開示の実施例を実施できるデバイス１１００を示す模式的なブロック図である。デバイス１１００は、図１に示す測位装置１２０を実現するためのものであってもよい。図に示すように、デバイス１１００は、リードオンリーメモリ（ＲＯＭ）１１０２に記憶されるコンピュータプログラム命令又は記憶ユニット１１０８からランダムアクセスメモリ（ＲＡＭ）１１０３にロードされるコンピュータプログラム命令に基づいて、それぞれの適当な動作と処理を実行する中央処理装置（ＣＰＵ）１１０１を備える。ＲＡＭ１１０３には、デバイス１１００の操作に必要な種々なプログラムとデータを記憶することができる。ＣＰＵ１１０１、ＲＯＭ１１０２及びＲＡＭ１１０３は、バス１１０４を介して互いに接続されている。入力／出力（Ｉ／Ｏ）インターフェース１１０５もバス１１０４に接続される。

デバイス１１００において、複数の部材がＩ／Ｏインターフェース１１０５に接続され、複数の部材として、例えば、キーボード、マウス等の入力ユニット１１０６と、例えば、種々なディスプレイ、スピーカ等の出力ユニット１１０７と、例えば、磁気ディスク、光ディスク等の記憶ユニット１１０８と、例えば、ネットワークカード、モデム、無線通信送受信機等の通信ユニット１１０９とを含む。通信ユニット１１０９は、デバイス１１００が例えば、インターネットのようなコンピュータネット及び／又は種々なキャリアネットワークによりその他のデバイスに情報／データを交換することを許可する。

処理ユニット１１０１は、上述の各方法及び処理、例えば、方法２００や、方法５００や、方法６００や、方法７００及び／又は８００を実行する。例えば、一部の実施例では、方法２００と、方法５００と、方法６００と、７００及び／又は８００は、コンピュータソフトウエアプログラムとして実現されることができ、機器読み取り可能な媒体、例えば、記憶ユニット１１０８に有形的に含まれる。一部の実施例では、コンピュータプログラムの一部又は全ては、ＲＯＭ１１０２及び／又は通信ユニット１１０９を経て、デバイス１１００にロード及び／又はインストールされる。コンピュータプログラムがＲＡＭ１１０３にロードされＣＰＵ１１０１によって実行される場合に、上述の方法２００、５００、６００、７００及び／又は８００の一つ又は複数のステップに実行される。或いは、その他の実施例では、ＣＰＵ１１０１は、その他の任意の適当な方式（例えば、ファームウェアを経る）により方法２００や、方法５００や、方法６００や、方法７００及び／又は８００を実行されるように構成される。

本開示で、上記した機能は、少なくとも部分的に一つ又は複数のハードウェア論理装置によって実行されることができる。例えば、非限定的に、使用可能なハードウェア論理装置としては、プログラム可能なゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）、特定用途向け標準品（ＡＳＳＰ）、システムオンチップ（ＳＯＣ）、複雑プログラム可能論理装置（ＣＰＬＤ）等が挙げられる。

本開示の方法を実施するためのプログラムコードは、一つ又は複数のプログラミング言語の任意の組み合わせにより記述されることができる。これらのプログラムコードは、汎用コンピュータや、専門コンピュータ又はその他のプログラミングデータ処理装置的プロセッサ又は制御器に提供し、プログラムコードがプロセッサ又は制御器によって実行される場合に、フローチャート及び／又はブロック図に規定の機能／操作を実施させることができる。プログラムコードは、完全に機器で実行されてもよく、部分に機器で実行されてもよく、独立のパッケージとして部分に機器で実行されるとともに、部分にリモート機器で実行されてもよく、又は完全にリモート機器又はサービス器で実行されてもよい。

本開示の説明において、機器読み取り可能な媒体は、有形な媒体であってもよく、命令実行システム、装置又はデバイスの使用、又は命令実行システム、装置又はデバイスとの併用に提供されるプログラムを含み、又は記憶する。機器読み取り可能な媒体は、機器読み取り可能な信号媒体又は機器読み取り可能な記憶媒体であってもよい。機器読み取り可能な媒体は、電子、磁気、光学、電磁、赤外線、若しくは半導体のシステム、装置、若しくはデバイス、または前述の任意の適切な組み合わせを含んでもよいがこれらに限定されない。機器読み取り可能な記憶媒体のさらなる具体例として、１つ若しくは複数のワイヤーを有する電気的接続、携帯型フロッピー（登録商標）ディスク、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、消去可能プログラム可能ＲＯＭ（ＥＰＲＯＭまたはフラッシュメモリ）、光ファイバー、携帯型コンパクトディスク読み取り専用メモリ（ＣＤ−ＲＯＭ）、光学記憶装置、磁気記憶装置、または前述の任意の組み合わせを含む。

更に、特定の順番で各操作を説明したが、このような操作を、示される特定の順番又は順位で実行することが求められ、又は図示した操作の全てを実行して所望の結果を取得することが求められる。一定の環境において、複数の任務と並列処理が有利である可能性がある。同様に、以上の説明には、若干の具体的な実現詳細を含むが、本開示の範囲を限定するものと理解されてはならない。単独の実施例の前後に説明したある特徴は、一つの実現に組み合わせて実現されることができる。逆に、一つの実現の前後に説明した種々な特徴は、単独又は任意の適合のサブ組み合わせとして複数の実現に実現されることができる。

構造特徴及び／又は方法論理動作を特定した言語により、本対象を説明したが、特許請求の範囲に限定される対象は、上記した特定の特徴又は動作に限らない。逆に、上記した特定特徴と動作は、特許請求の範囲の例を実現するためのものに過ぎない。

Claims (24)

1. 測位のための方法であって、
   移動体が位置する地理領域に係る視覚特徴マップを取得するステップであって、前記視覚特徴マップは第１群の視覚特徴を含み、前記第１群の視覚特徴は前記地理領域の路面に垂直な第１視覚特徴を含むステップと、
   前記移動体の前記地理領域での運動中に前記移動体に結合されたカメラによって捕捉された少なくとも一つの画像を取得するステップと、
   前記少なくとも一つの画像から前記第１群の視覚特徴に対応する第２群の視覚特徴を抽出するステップと、
   少なくとも前記視覚特徴マップと前記第２群の視覚特徴とに基づいて、前記移動体の前記運動中の少なくとも一つの姿勢を決定するステップと、を含むことを特徴とする、
   測位のための方法。
2. 前記第１視覚特徴は、前記地理領域の路面に垂直なロッド状体を含む、
   請求項１に記載の方法。
3. 前記第１群の視覚特徴は、前記地理領域の路面における第２視覚特徴をさらに含む、
   請求項１に記載の方法。
4. 前記第２視覚特徴は、前記地理領域の路面における道路標示線を含む、
   請求項３に記載の方法。
5. 前記第２群の視覚特徴を抽出するステップは、
   前記少なくとも一つの画像から前記第１視覚特徴と前記第２視覚特徴とにそれぞれ対応する第３視覚特徴と第４視覚特徴とを抽出するステップを含み、
   前記移動体の前記運動中の前記少なくとも一つの姿勢を決定するステップは、
   少なくとも前記視覚特徴マップと、前記第３視覚特徴と、前記第４視覚特徴とに基づいて、前記移動体の前記運動中の前記少なくとも一つの姿勢を決定するステップを含む、
   請求項３に記載の方法。
6. 前記移動体の前記運動中の前記少なくとも一つの姿勢を決定するステップは、
   前記移動体の運動に係る情報を取得するステップと、
   前記視覚特徴マップと、前記第２群の視覚特徴と、前記情報とに基づいて、粒子フィルタリングを用いて前記移動体の前記運動中の前記少なくとも一つの姿勢を決定するステップと、を含む、
   請求項１に記載の方法。
7. 前記移動体の運動に係る前記情報を取得するステップは、
   前記移動体に結合された慣性計測ユニットと速度センサとの少なくとも一つから前記情報を取得するステップを含む、
   請求項６に記載の方法。
8. 前記情報は、前記移動体の角速度と速度との少なくとも一つを含む、
   請求項６に記載の方法。
9. 前記粒子フィルタリングを用いて前記移動体の前記運動中の前記少なくとも一つの姿勢を決定するステップは、
   複数の粒子を用いて、前記移動体の前記運動中の現時点における複数の可能な姿勢を表すステップと、
   前記複数の粒子の前記現時点における対応する状態と対応する加重値とを決定するステップと、
   前記複数の粒子の前記現時点における前記対応する状態と前記対応する加重値とに基づいて、前記移動体の前記現時点における姿勢を決定するステップと、を含む、
   請求項６に記載の方法。
10. 前記複数の粒子の前記現時点における対応する状態と対応する加重値とを決定するステップは、
    前記複数の粒子のうち、一つの粒子に対して、
    前記粒子の前記現時点の直前の時点における第１状態と第１加重値とを決定するステップと、
    前記情報と前記第１状態とに基づいて、前記粒子の前記現時点における第２状態を推定するステップと、
    前記第１加重値と前記第２状態とに基づいて、前記粒子の前記現時点における第２加重値を決定するステップと、を含む、
    請求項９に記載の方法。
11. 前記粒子の前記現時点における前記第２加重値を決定するステップは、
    前記第２状態と前記視覚特徴マップとに基づいて、前記少なくとも一つの画像のうちの第１画像において出現するように予期される前記第１群の視覚特徴における少なくとも一つの視覚特徴を決定するステップであって、前記第１画像は前記移動体に結合された前記カメラによって前記現時点で捕捉されたものであるステップと、
    前記第１画像に出現するように予期される前記少なくとも一つの視覚特徴と、前記第１画像から抽出された前記第２群の視覚特徴における少なくとも一つの視覚特徴との間のマッチング度を決定するステップと、
    前記第１加重値と前記マッチング度とに基づいて、前記第２加重値を決定するステップと、を含む、
    請求項１０に記載の方法。
12. 測位のための装置であって、
    移動体が位置する地理領域に係る視覚特徴マップを取得するように構成されるマップ取得モジュールであって、前記視覚特徴マップは第１群の視覚特徴を含み、前記第１群の視覚特徴は前記地理領域の路面に垂直な第１視覚特徴を含むマップ取得モジュールと、
    前記移動体の前記地理領域での運動中に前記移動体に結合されたカメラによって捕捉された少なくとも一つの画像を取得するように構成される画像取得モジュールと、
    前記少なくとも一つの画像から前記第１群の視覚特徴に対応する第２群の視覚特徴を抽出するように構成される特徴抽出モジュールと、
    少なくとも前記視覚特徴マップと前記第２群の視覚特徴とに基づいて、前記移動体の前記運動中の少なくとも一つの姿勢を決定するように構成される姿勢決定モジュールと、を含む、
    測位のための装置。
13. 前記第１視覚特徴は、前記地理領域の路面に垂直なロッド状体を含む、
    請求項１２に記載の装置。
14. 前記第１群の視覚特徴は、前記地理領域の路面における第２視覚特徴をさらに含む、
    請求項１２に記載の装置。
15. 前記第２視覚特徴は、前記地理領域の路面における道路標示線を含む、
    請求項１４に記載の装置。
16. 前記特徴抽出モジュールは、さらに、
    前記少なくとも一つの画像から前記第１視覚特徴と前記第２視覚特徴とにそれぞれ対応する第３視覚特徴と第４視覚特徴とを抽出するように構成され、
    前記姿勢決定モジュールは、さらに、
    少なくとも前記視覚特徴マップと、前記第３視覚特徴と、前記第４視覚特徴とに基づいて、前記移動体の前記運動中の前記少なくとも一つの姿勢を決定するように構成される、
    請求項１４に記載の装置。
17. 前記姿勢決定モジュールは、
    前記移動体の運動に係る情報を取得するように構成される情報取得ユニットと、
    前記視覚特徴マップと、前記第２群の視覚特徴と、前記情報とに基づいて、粒子フィルタリングを用いて、前記移動体の前記運動中の前記少なくとも一つの姿勢を決定するように構成される粒子フィルタリングユニットと、を含む、
    請求項１２に記載の装置。
18. 前記情報取得ユニットは、さらに、
    前記移動体に結合された慣性計測ユニットと速度センサとの少なくとも一つから前記情報を取得するように構成される、
    請求項１７に記載の装置。
19. 前記情報は、前記移動体の角速度と速度との少なくとも一つを含む、
    請求項１７に記載の装置。
20. 前記粒子フィルタリングユニットは、さらに、
    複数の粒子を用いて、前記移動体の前記運動中の現時点における複数の可能な姿勢を表し、
    前記複数の粒子の前記現時点における対応する状態と対応する加重値とを決定し、
    前記複数の粒子の前記現時点における前記対応する状態と対応する加重値とに基づいて、前記移動体の前記現時点における姿勢を決定するように構成される、
    請求項１７に記載の装置。
21. 前記粒子フィルタリングユニットは、さらに、
    前記複数の粒子のうち、一つの粒子に対して、
    前記粒子の前記現時点の直前の時点における第１状態と第１加重値とを決定し、
    前記情報と前記第１状態とに基づいて、前記粒子の前記現時点における第２状態を推定し、
    前記第１加重値と前記第２状態とに基づいて、前記粒子の前記現時点における第２加重値を決定することにより、
    前記複数の粒子の前記現時点における対応する状態と対応する加重値とを決定するように構成される、
    請求項２０に記載の装置。
22. 前記粒子フィルタリングユニットは、さらに、
    前記第２状態と前記視覚特徴マップとに基づいて、前記少なくとも一つの画像のうちの第１画像において出現するように予期される前記第１群の視覚特徴における少なくとも一つの視覚特徴を決定し、前記第１画像は前記移動体に結合された前記カメラによって前記現時点で捕捉されたものであり、
    前記第１画像に出現するように予期される前記少なくとも一つの視覚特徴と、前記第１画像から抽出された前記第２群の視覚特徴における少なくとも一つの視覚特徴との間のマッチング度を決定し、
    前記第１加重値と前記マッチング度とに基づいて、前記第２加重値を決定することにより、
    前記粒子の前記現時点における前記第２加重値を決定するように構成される、
    請求項２１に記載の装置。
23. 電子機器であって、
    一つ又は複数のプロセッサと、
    一つ又は複数のプログラムを記憶するための記憶装置と、を含み、
    前記一つ又は複数のプログラムが前記一つ又は複数のプロセッサによって実行される場合に、前記一つ又は複数のプロセッサに請求項１〜１１のいずれかに記載の方法を実現させる、
    電子機器。
24. コンピュータプログラムが記憶されているコンピュータ読み取り可能な記憶媒体であって、
    前記コンピュータプログラムがプロセッサによって実行される場合に、請求項１〜１１のいずれかに記載の方法を実現する、
    コンピュータ読み取り可能な記憶媒体。