WO2020093939A1

WO2020093939A1 - 定位方法、装置以及电子设备

Info

Publication number: WO2020093939A1
Application number: PCT/CN2019/114961
Authority: WO
Inventors: 陈成; 周帅; 徐强
Original assignee: 阿里巴巴集团控股有限公司
Priority date: 2018-11-09
Filing date: 2019-11-01
Publication date: 2020-05-14
Also published as: CN111174777A; US20210263167A1

Abstract

一种定位方法、装置以及电子设备，其中，方法包括：基于车辆的GNSS定位位置，获取车辆所在道路周边的标准定位数据(S320)；从车辆的激光传感器输出的车辆所在道路周边的激光点云数据中，提取车辆所在道路周边的待匹配定位数据(S330、S340)；标准定位数据和待匹配定位数据均包括车辆所在道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据；基于上一时刻车辆所对应的一个以上的多个采样位置，向前模拟车辆的运动状态，获取本时刻车辆所对应的一个以上的多个采样位置(S350)；基于本时刻车辆所对应的一个以上的采样位置，将待匹配定位数据转换到标准定位数据对应的坐标系中并与标准定位数据进行匹配，得到车辆位于每个采样位置的概率(S360、S370)，并基于车辆位于每个采样位置的概率得到车辆的高精定位位置(S380)。提供的定位方法能够快速且准确地确定出车辆的高精定位位置。

Description

定位方法、装置以及电子设备

本申请要求2018年11月09日递交的申请号为201811333871.X、发明名称为“定位方法、装置以及电子设备”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。

技术领域

本申请涉及定位技术领域，尤其涉及一种定位方法、装置以及电子设备。

背景技术

传统的车辆定位方法，一般基于车辆上搭载的全球导航卫星系统(Global Navigation Satellite System，GNSS)接收机，获取车辆的实时位置，位置精度一般在米级。在高精地图产生之后，出现了基于高精地图的定位方法，即在车辆行驶过程中实时获取车辆周边的环境信息，通过将该环境信息与预先制作的高精定位数据的匹配，获取车辆的高精定位结果，高精定位结果的定位精度一般在厘米级，可以满足自动驾驶的需求。发明人在对现有基于高精地图的定位方法进行研究的过程中发现，如何快速且准确地确定出车辆的高精定位位置是亟待解决的问题。

发明内容

本发明提供了一种定位方法、装置以及电子设备，能够快速且准确地确定出车辆的高精定位位置。

为达到上述目的，本发明的实施例采用如下技术方案：

第一方面，提供了一种定位方法，包括：

获取车辆的GNSS定位位置；

基于车辆的GNSS定位位置，从预置的标准定位数据中，获取车辆所在道路周边的标准定位数据，所述标准定位数据包括道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据；

获取车辆的激光传感器输出的车辆所在道路周边的激光点云数据；

从所述激光点云数据中，提取车辆所在道路周边的待匹配定位数据，所述待匹配定位数据包括车辆所在道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据；

基于上一时刻所述车辆所对应的一个以上的采样位置，前向模拟所述车辆的运动状态，获取本时刻所述车辆所对应的一个以上的采样位置；

基于本时刻所述车辆所对应的一个以上的采样位置，将所述待匹配定位数据转换到标准定位数据对应的坐标系中；

将转换坐标系的待匹配定位数据与标准定位数据进行匹配，基于匹配结果，得到车辆位于每个采样位置的概率；

基于车辆位于每个采样位置的概率，得到车辆的高精定位位置。

第二方面，提供了一种定位装置，包括：

GNSS定位位置获取模块，用于获取车辆的GNSS定位位置；

标准定位数据获取模块，用于基于车辆的GNSS定位位置，从预置的标准定位数据中，获取车辆所在道路周边的标准定位数据，所述标准定位数据包括道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据；

激光点云数据获取模块，用于获取车辆的激光传感器输出的车辆所在道路周边的激光点云数据；

待匹配定位数据提取模块，用于从所述激光点云数据中，提取车辆所在道路周边的待匹配定位数据，所述待匹配定位数据包括车辆所在道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据；

采样位置获取模块，用于基于上一时刻所述车辆所对应的一个以上的采样位置，前向模拟所述车辆的运动状态，获取本时刻所述车辆所对应的一个以上的采样位置；

定位数据转换模块，用于基于本时刻所述车辆所对应的一个以上的采样位置，将所述待匹配定位数据转换到标准定位数据对应的坐标系中；

定位数据匹配模块，用于将转换坐标系的待匹配定位数据与标准定位数据进行匹配，基于匹配结果，得到车辆位于每个采样位置的概率；

高精定位模块，用于基于车辆位于每个采样位置的概率，得到车辆的高精定位位置。

第三方面，提供了一种电子设备，包括：

存储器，用于存储程序；

处理器，耦合至所述存储器，用于执行所述程序，所述程序运行时执行本发明提供的所述定位方法。

本发明提供了一种定位方法、装置以及电子设备，基于获取的车辆的GNSS定位位置，从预置的标准定位数据中，获取车辆所在道路周边的标准定位数据；获取车辆的激光传感器输出的车辆所在道路周边的激光点云数据，并从激光点云数据中，提取车辆所在道路周边的待匹配定位数据；上述标准定位数据以及待匹配定位数据均包括车辆所在道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据；基于上一时刻车辆所对应的一个以上的采样位置，前向模拟车辆的运动状态，获取本时刻车辆所对应的一个以上的采样位置，并基于本时刻车辆所对应的一个以上的采样位置，将待匹配定位数据转换到标准定位数据对应的坐标系中；将转换坐标系的待匹配定位数据与标准定位数据进行匹配，基于匹配结果，得到车辆位于每个采样位置的概率；基于车辆位于每个采样位置的概率，得到车辆的高精定位位置。由于本发明的道路对象是道路上和/或道路两侧易于识别且属性稳定的道路对象，这些道路对象一般不会因为环境变化或者随着时间的推移而发生变化，因此，提取道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据作为高精定位的匹配对象能够保证定位成功率和准确率。同时，本发明仅提取道路对象的关键点的激光点数据进行匹配，所以数据量较少，大大减少了计算量，提高了定位效率。

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

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1a为本发明实施例的激光点云数据采集装置结构示意图；

图1b为本发明实施例的定位数据生成技术方案示意图；

图2为本发明实施例的定位系统结构图；

图3a为本发明实施例的定位方法流程图一；

图3b为本发明实施例的激光点云示意图；

图4a为本发明实施例的待匹配定位数据提取方法流程图一；

图4b为本发明实施例的原始激光点云扫描线图；

图5为本发明实施例的待匹配定位数据提取方法流程图二；

图6为本发明实施例的待匹配定位数据提取方法流程图三；

图7a为本发明实施例的待匹配定位数据提取方法流程图四；

图7b为本发明实施例的道路两侧区域的原始激光点云图；

图8a为本发明实施例的待匹配定位数据提取方法流程图五；

图8b为本发明实施例的道路两侧直立物体点的激光点云图；

图9a为本发明实施例的待匹配定位数据提取方法流程图六；

图9b为本发明实施例的地面标记点、道路两侧边缘点、道路两侧直立物体点的激光点云图；

图10为本发明实施例的车辆的采样位置获取方法流程图一；

图11为本发明实施例的定位方法流程图二；

图12为本发明实施例的定位方法流程图三；

图13为本发明实施例的定位装置结构图一；

图14为本发明实施例的待匹配定位数据提取模块结构图一；

图15为本发明实施例的待匹配定位数据提取模块的拓展结构图；

图16为本发明实施例的待匹配定位数据提取模块结构图二；

图17为本发明实施例的待匹配定位数据提取模块结构图三；

图18为本发明实施例的待匹配定位数据提取模块结构图四；

图19为本发明实施例的待匹配定位数据提取模块结构图五；

图20为本发明实施例的采样位置获取模块结构图；

图21为本发明实施例的定位数据匹配模块结构图；

图22为本发明实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

为了实现汽车的高精定位，需要生成用于高精定位场景的定位数据，该定位数据需要满足以下几个要求：

信息量：定位数据的信息量应足够丰富，尽可能真实的表征汽车行驶的道路及其周边的环境；

数据量：定位数据的数据量应尽量小，以便于存储和传输；

鲁棒性：定位数据对光照、时间、季节、气候、路况等外部环境足够鲁棒，不易受到外部环境变化的影响；

综合考虑以上几个要求，本发明提出了一种定位数据生成方法，该方法包括：

获取道路和/或道路两侧在预设区域范围内的激光点云数据；

从激光点云数据中，提取道路和/或道路两侧的道路对象的关键点的激光点数据，该道路对象是道路上和/或道路两侧易于识别且属性稳定的道路对象；

将提取出的关键点的激光点数据作为道路的定位数据存储。

在实际应用中，前述道路上或道路两侧易于识别且属性稳定的道路对象可以是地面标记、道路边缘、道路侧直立物体。

其中，地面标记可以是道路面上涂画的任何标记，比如，车道线、行驶方向箭头、人行横道等；道路边缘可以由路沿石、防护栏、绿化带等构成；道路侧直立物体是指道路两侧的直立物体，比如，道路两侧的杆(路牌、照明灯、红绿灯等的支持杆)、树干、墙体等。

由于地面标记、道路边缘、道路侧直立物体，这些道路对象不易受到光照、时间、季节、气候以及路况等外部环境的影响，而定位是将车辆行驶过程实时获取的环境信息与定位数据进行匹配，从而确定车辆的位置，因此，提取道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据作为定位数据能够保证定位成功率。同时，本发明仅提取关键点的激光点数据，所以数据量较少，方便存储和传输。

如图1a所示，为本发明实施例中的激光点云数据采集装置结构示意图，包括：采集车辆本体11、安装有轮数计的车轮12、集成有惯性测量单元(Inertial measurement unit，IMU)和全球导航卫星系统的组合定位系统13和用于采集激光点云的激光雷达14。图1a中所示装置结构能够采集到采集车行驶过的道路及道路两侧的所有对象的激光点云数据。将采集到的激光点云数据经图1b所示的定位数据生成的技术方案进行处理，可以得到数据量较少，且定位成功率高的定位数据。

如图1b所示，上述定位数据生成的技术方案包括如下技术特征：

S110，获取道路的激光点云数据。该激光点云数据包括道路和/或道路两侧在预设区域范围内的激光点数据。

S120，将激光点云数据划分为道路面激光点云数据、道路侧激光点云数据。

将激光点云数据划分为位于道路面、道路左侧、道路右侧的激光点云数据，具体划分过程可基于激光雷达扫描时得到的激光点的扫描线上所对应的地面突变点，通过这些突变点来区分道路面、道路两侧的激光点云的边界位置。可以理解的是，步骤S110获取的激光点云数据中如果同时包括道路和道路两侧在预设区域范围内的激光点数据，则步骤S120可以得到道路面激光点云数据和道路侧激光点云数据，步骤S110获取的激光点云数据中如果只包括道路和道路两侧在预设区域范围内的激光点数据中的一种，则步骤S120可以得到道路面激光点云数据或道路侧激光点云数据。

S130，拟合道路面。针对道路面激光点云数据采用随机抽样一致算法(RANdom SAmple Consensus，RANSAC)进行平面拟合得到道路面。

S140，基于拟合出的道路面，将道路面激光点云数据和/或道路侧激光点云数据的高度值修正为相对于道路面的高度值。

当然，如果输入的激光点云数据中每个激光点的高度坐标Z值本身已经是相对于道路面的Z值，则步骤130～140可以省略。然后，从道路面激光点云数据和/或道路侧激光点云数据中，对应提取道路和/或道路两侧的道路对象的关键点的激光点数据。

其中，提取道路和/或道路两侧的道路对象的关键点的激光点数据包括：

S150，提取地面标记的关键点的激光点数据。从道路面激光点云数据中提取地面标记的关键点的激光点数据。

S160，提取道路边缘的关键点的激光点数据。从道路侧激光点云数据中提取道路边缘的关键点的激光点数据。

S170，提取道路侧直立物体的关键点的激光点数据。从道路侧激光点云数据中，提取道路侧直立物体的关键点的激光点数据。

S180，将提取出的关键点的激光点数据作为道路的定位数据存储。

将上述从激光点云数据中提取出的地面标记关键点、道路边缘关键点、位于道路侧的直立物体关键点的激光点云数据作为定位数据进行存储。本发明存储的定位数据可以包括地面标记关键点、道路边缘关键点、位于道路侧的直立物体关键点的激光点云数据中的任意一种、任意两种或三种。

基于上述定位数据生成方法生成的定位数据，本发明提出了一种定位方法，该方法包括：

获取车辆的GNSS定位位置；

基于车辆的GNSS定位位置，从预置的标准定位数据中，获取车辆所在道路周边的标准定位数据，标准定位数据包括道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据；

从激光点云数据中，提取车辆所在道路周边的待匹配定位数据，待匹配定位数据包括车辆所在道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据；

基于上一时刻车辆所对应的一个以上的采样位置，前向模拟车辆的运动状态，获取本时刻车辆所对应的一个以上的采样位置；

基于本时刻车辆所对应的一个以上的采样位置，将待匹配定位数据转换到标准定位数据对应的坐标系中；

本发明提供的定位方法中，可将如图1a所示的专业的激光点云数据采集装置所采集的激光点云数据经图1b所示的定位数据生成的技术方案处理得到的定位数据作为标准定位数据。从待定位的车辆的激传感器输出的车辆所在道路周边的激光点云数据中提取出待匹配定位数据。这两种定位数据均包括道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据，其区别在于，标准定位数据已经在如GNSS坐标系下被明确定位，可以作为定位标准值被使用；而待匹配定位数据只是待定位的车辆的激光传感器输出的相对激光传感器坐标系准确的定位数据，在将二者进行位置匹配得到车辆的高精定位位置之前，还需要确定车辆的粗略位置(GNSS坐标系下)，以将待匹配定位数据转换到标准定位数据对应的坐标系中。

本发明中，通过获取车辆的GNSS定位位置，以从预置的标准定位数据中，获取车辆所在道路周边的标准定位数据；基于上一时刻车辆所对应的一个以上的采样位置，前向模拟车辆的运动状态，以获取本时刻车辆所对应的一个以上的采样位置，然后基于这些采样位置，将待匹配定位数据转换到标准定位数据对应的坐标系中；将转换坐标系的待匹配定位数据与标准定位数据进行匹配，基于匹配结果，得到车辆位于每个采样位置的概率；最后，基于车辆位于每个采样位置的概率，得到车辆的高精定位位置。

如图2所示，为本发明提供的定位系统结构图，包括：激光点云数据采集装置210、标准定位数据库220和定位装置230；其中：

激光点云数据采集装置210可以但不限于为如图1a所示的装置结构(相应的采集车辆本体11可以指待定位的车辆)，用于采集道路及道路两侧的激光点云数据，以及定位车辆的GNSS定位位置。

标准定位数据库220中存储了用于道路定位的标准定位数据。

定位装置230，用于从激光点云数据采集装置210采集的激光点云数据中，提取车辆所在道路周边的待匹配定位数据，同时获取车辆的GNSS定位位置；基于车辆的GNSS定位位置，从预置的标准定位数据中，获取车辆所在道路周边的标准定位数据；基于上一时刻车辆所对应的一个以上的采样位置，前向模拟车辆的运动状态，获取本时刻车辆所对应的一个以上的采样位置，并基于本时刻车辆所对应的一个以上的采样位置，将待匹配定位数据转换到标准定位数据对应的坐标系中；将转换坐标系的待匹配定位数据与标准定位数据进行匹配，基于匹配结果，得到车辆位于每个采样位置的概率，并基于车辆位于每个采样位置的概率，得到车辆的高精定位位置。

其中，标准定位数据和待匹配定位数据均包括道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据。比如，道路对象可以是道路上的地面标记、道路边缘以及位于道路侧的直立物体中的至少一个道路对象，这些道路对象一般不会因为环境变化或者随着时间的推移而发生变化，以这些道路对象的关键点的激光点数据作为道路的定位数据，既可以保证定位成功率，同时，本发明仅提取道路对象的关键点的激光点数据进行匹配，所以数据量较少，大大减少了计算量，提高了定位效率。下面通过多个实施例来进一步说明本申请的技术方案。

实施例一

基于上述定位方案思想，如图3a所示，其为本发明实施例示出的定位方法流程图一，该方法的执行主体可为图2中所示的定位装置230。如图3a所示，该定位方法包括如下步骤：

S310，获取车辆的GNSS定位位置。

通过在需要定位的车辆上设置GNSS系统可以实时对车辆进行定位，获取车辆的GNSS定位位置。

S320，基于车辆的GNSS定位位置，从预置的标准定位数据中，获取车辆所在道路周边的标准定位数据，标准定位数据包括道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据。

在得到车辆的GNSS定位位置后，可以粗略判断车辆所处的地理位置。根据车辆的GNSS定位位置从标准定位数据库中获取车辆所在道路周边的标准定位数据，这些标准定位数据可通过如图1b所示的技术方案获取，具体包括道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据。每个激光点数据都对应有在GNSS系统坐标系中明确的位置坐标。

这些道路对象可包括地面标记、道路边缘、道路侧直立物体。

S330，获取车辆的激光传感器输出的车辆所在道路周边的激光点云数据。

需要说明的是，通常在实际通过激光雷达扫描可以扫描得到很远位置处的激光点云(几十米到上百米的)，距离采集点较远的激光点云精度较低，并且通常不是道路位置处的激光点。因此，在采集激光点云数据时可以车辆本体为中心，将采集到的距离采集车辆本体较远的激光点云直接滤除。该滤除仅仅只做范围限定，以减少冗余的激光点云数据量。这时的激光点云数据不区分是地面还是非地面。

在实际获取车辆所在道路周边的激光点云数据时，可以按照产生高精定位位置的处理周期，周期性从车辆的激光传感器输出的激光点云数据中获取当前时刻车辆所在道路周边的激光点云数据。如图3b所示，为激光点云数据中某一时刻对应的位于车辆所在道路周边预设区域范围内的激光点云图，图中每个激光点数据包括x，y，z三维坐标(位于激光传感器坐标系)，每个激光点的明暗程度表征该激光点的反射率，其中位于中间区域的道路面上的激光点的反射率相对于道路两侧的激光点的反射率较高。

S340，从激光点云数据中，提取车辆所在道路周边的待匹配定位数据，待匹配定位数据包括车辆所在道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据。

为了保证待匹配定位数据与标准定位数据在道路对象上的一致性，在获取到车辆的激光传感器输出的车辆所在道路周边的激光点云数据后，需要从这些激光点云数据中提取出包括车辆所在道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据。

其中，道路对象可以包括但不限于：地面标记、道路边缘和位于道路侧的直立物体。相应的，道路对象的关键点的激光点数据可以为从这些道路对象的激光点云数据中提取的最能体现道路对象形态特征的关键点的激光点数据。

具体地，可以利用激光点的反射率与三维坐标值(特别是激光点的高度值)相结合，可以从道路和/或道路两侧在预设区域范围内的激光点云数据中提取如地面标记、道路边缘和位于道路侧的直立物体的关键点的激光点数据。

具体地，可以采用用于形成标准定位数据的方法，从待定位车辆的激光传感器中输出的车辆所在道路周边的激光点云数据中获取待匹配定位数据。这样，如果待匹配定位数据与标准定位数据是针对同一地理区域内的道路对象的关键点的激光点数据，那么两种定位数据的分布情况的相似度应该很高。唯一不同的是，标准定位数据被明确定位，具有准确的GNSS定位坐标，而待匹配定位数据只是针对激光传感器坐标系有明确定位，而针对如GNSS定位系统的定位是比较粗略(主要因为用户的使用的GNSS定位系统精度不高)的，需要借助待匹配定位数据与标准定位数据的匹配结果，最终确定车辆的高精定位位置。

S350，基于上一时刻车辆所对应的一个以上的采样位置，前向模拟车辆的运动状态，获取本时刻车辆所对应的一个以上的采样位置。

在周期性对车辆的待匹配定位数据与标准定位数据进行匹配时，可以在每个周期内为当前车辆设置一个以上的采样位置，这些采样位置代表了车辆在相应周期内可能出现的位置。

具体地，在确定车辆在当前时刻的一个以上的采样位置时，可以通过前向模拟车辆的运动状态，将上一时刻车辆所对应的一个以上的采样位置移动到当前时刻，从而得到当前时刻的一个以上的采样位置。其中，车辆在初始时刻的采样位置为从初始时刻车辆的GNSS定位位置所在的定位区域中选取的一个以上的位置点。

在实际应用场景中，基于上一时刻车辆所对应的一个以上的采样位置，结合车辆运动学、IMU量测数据、轮数计等装置模拟车辆运动，获取车辆当前时刻可能的采样位置。若当前时刻为获取采样位置的初始时刻，可直接在GNSS系统输出的定位位置所在的定位区域中进行采样获取车辆当前时刻可能的一个以上的采样位置。

其中，前向模拟车辆运动基于车辆运动学方程实现。例如，下面给出一个实现前向模拟的示例：

式(1)中模型假定车辆在短时间内转动角速率以及运动速度是恒定的，其中

分别表征了车辆在k时刻在平面坐标系下x，y向的坐标，υ _k，

分别表征车辆在k时刻的速度，航向角以及航向角的变化率，Δt表征k时刻到k+1时刻的时间差，v _k表征了k时刻的模型噪声。

这样，通过前向模拟车辆运动状态，就可以得到车辆在各时刻(不包含初始时刻)的一个以上的采样位置。

S360，基于本时刻车辆所对应的一个以上的采样位置，将待匹配定位数据转换到标准定位数据对应的坐标系中。

在确定车辆的采样位置在标准定位数据对应的坐标系中的位置坐标后，就可以将对应同一时刻获取的待匹配定位数据转换到标准定位数据对应的坐标系中，得到相应的位置坐标值。

S370，将转换坐标系的待匹配定位数据与标准定位数据进行匹配，基于匹配结果，得到车辆位于每个采样位置的概率。

针对每个采样位置，都会存在一组转换坐标系的待匹配定位数据，将这些待匹配定位数据与标准定位数据进行匹配，基于匹配结果，即转换坐标系的待匹配定位数据与标准定位数据中激光点数据的匹配程度可以判断车辆在该采样位置出现的概率。

S380，基于车辆位于每个采样位置的概率，得到车辆的高精定位位置。

例如，可以将车辆位于每个采样位置的概率中概率最高的采样位置确定为车辆的高精定位位置；

或者，

以车辆位于每个采样位置的概率作为权重，对相应的各采样位置进行加权计算，并将得到的加权位置确定为车辆的高精定位位置。

实施例二

如图4a所示，为本发明实施例的待匹配定位数据提取方法流程图一。本实施例可作为图3a所示方法中，从所述激光点云数据中，提取车辆所在道路周边的待匹配定位数据的一个优选实施方案。如图4a所示，上述步骤S340可具体包括如下步骤：

S410，将激光点云数据划分为道路面激光点云数据和/或道路侧激光点云数据。

具体地，将步骤S330中获取的车辆所在道路周边的激光点云数据按三维坐标值的位置和高度值(三维坐标中的Z值)变化特点划分为道路面激光点云数据和/或道路侧(包括道路左侧和右侧)激光点云数据。

在实际应用场景中，从每一条激光雷达扫描线中找到激光点云的高度突变点。例如，在一个网格内的激光点云数据中，当同一扫描线上的激光点云中最高点和最低点的激光点高度差大于一定阈值，例如0.1m，则认为该网格中存在关于该扫描线上的激光点云的高度突变点。又例如，相邻两个网格中的激光点云数据中，当同一扫描线上的激光点云中最高点和最低点高度差大于一定阈值，也可认为这两个网格中存在关于该扫描线上的激光点云的高度突变点。通过对从车辆所在道路周边的激光点云数据对应的扫描线的中间位置向两侧延展，识别扫描线上的激光点云中的高度突变点，进一步可将一条扫描线上的激光点云数据分割为道路面激光点云数据、道路侧激光点云数据。

需要说明的是，对于每一条扫描线，扫描线与车辆行驶方向近似垂直，从扫描线中心分别向左右两侧扩张，找到左右两侧扫描线上的激光点云中的高度突变点，实现将一条扫描线分割为道路面激光点云数据、道路侧激光点云数据。对多条扫描线都进行同样的操作，实现对车辆所在道路周边的激光点云数据分割为道路面激光点云数据、道路侧激光点云数据。

如图4b所示，从左到右可以看到每一条扫描线近似为圆弧线，扫描线最中间的位置点为车辆已经/即将走过的激光点的位置，该激光点一定是道路面上的激光点。从扫描线的中间向两侧扩张，若相邻两个激光点的高度变化大于指定高度阈值，则认为该激光点的位置达道路边缘，停止扩张，并从该道路边缘的位置对扫描线上的激光点云进行分割。对车辆所在道路周边的激光点云数据对应的所有激光点云的扫描线进行分割，即可得到图4b所示的三个区域的激光点云数据，从左到右依次为道路左侧激光点云数据、道路面激光点云数据和道路右侧激光点云数据。

S420，从道路面激光点云数据和/或道路侧激光点云数据中，提取道路和/或道路两侧的道路对象的关键点的激光点数据。

完成激光点云数据的区域划分后，可在不同区域对应的激光点云数据中提取道路对象的关键点的激光点数据，如在道路面激光点云数据中提取地面标记的关键点的激光点数据、在道路侧激光点云数据中提取道路边缘和直立物体的关键点的激光点数据。

另外，如图5所示，在执行步骤S420之前，还可以执行如下步骤，以便将激光点云数据相对于拟合后的道路面进行高度修正。

S510，根据道路面激光点云数据，拟合出道路的道路面。

例如，可采用随机抽样一致算法对道路面激光点云数据进行平面拟合得到道路的道路面。

具体地，可针对道路面激光点云数据采用RANSAC平面拟合算法拟合出地平面，该地平面位于道路区域的部分即为道路面。具体拟合步骤如下：

a)随机从道路面激光点云数据中抽取3个数据点P ₁，P ₂，P ₃；

b)由这3个数据点生成平面，计算所有道路面激光点数据距离该平面的距离，统计距离在一定范围(如5cm)内的激光点数目。

c)重复以上步骤若干次，距离3点构成的平面一定范围内道路面激光点数据的数量最多的三个点构成的平面确定为地平面。该地平面位于道路区域的部分即为道路面。

S520，基于拟合出的道路面，将道路面激光点云数据和道路侧激光点云数据的高度值修正为相对于道路面的高度值。

例如，将道路面对应的高度值设置为高度0，那么可将道路面激光点云数据和道路侧激光点云数据的高度值修正为该相应激光点到该道路面的距离。

另外，需要补充说明的是，如果输入的激光点云数据中Z值本身已经是相对于道路面的Z值，则不需要额外执行步骤S510～S520。

该实施例在图3a所示实施例基础上，进一步地，通过将激光点云数据划分为道路面激光点云数据和/或道路侧激光点云数据；然后，从道路面激光点云数据和/或道路侧激光点云数据中，提取道路和/或道路两侧的道路对象的关键点的激光点数据，从而实现方便、快速的获取道路对象的关键点的激光点数据，即待匹配定位数据。

另外，在提取道路和/或道路两侧的道路对象的关键点的激光点数据之前，通过根据道路面激光点云数据，拟合出道路的道路面；并基于拟合出的道路面，将道路面激光点云数据和道路侧激光点云数据的高度值修正为相对于道路面的高度值，从而保证激光点云数据的高度位置的准确性。

实施例三

如图6所示，为本发明实施例的待匹配定位数据提取方法流程图三。本实施例与图4a所示方法的区别在于，本实施例采用了当道路对象是道路上的地面标记时，从道路面激光点云数据中，提取道路的道路对象的关键点的激光点数据的一个优选实施方案。如图6所示，在方法初始可执行如下步骤：

S411，将激光点云数据划分为道路面激光点云数据。

本步骤可以为步骤S410中，划分激光点云数据的一种具体划分方式。

S610，按照预设的网格大小，将道路面激光点云数据划分到网格中。

其中，预设的网格可以是设置在水平面上的二维网格，根据道路面激光点云数据与网格的投影关系，可以将所有道路面激光点云数据划分到不同网格中。

S620，若一个网格中的道路面激光点云数据包含地面标记的激光点数据，则基于该网格中的地面标记的激光点数据，获取地面标记的一个关键点的激光点数据。

道路面激光点云数据中，地面标记的激光点云与非地面标记的激光点云之间其反射率区别性比较明显。一般在有地面标记的地面区域通常对应为道路上的车道线、箭头、人行横道等，所以较其他非地面标记的地面区域的激光点云的相比，这部分地面区域的激光点云其反射率偏大。基于这个特点可以从道路面激光点云数据中提取地面标记的激光点数据。

例如，可以统计各网格中的激光点的数目、激光点的反射率的均值和方差；然后，将满足预设条件中规定的数目阈值、反射率的均值阈值和方差阈值的激光点数据确定为地面标记的激光点数据。

具体地，可以根据预先学习或者经验得到包含地面标记的网格中的激光点的特点设定预设条件，该预设条件中可规定包含地面标记的网格中激光点的数目阈值、反射率的均值阈值和方差阈值等指标，当待处理的网格中的激光点满足预设条件的规定时，则确定对应的激光点为地面标记的激光点。例如，若网格内激光点数目、激光点的反射率均值及方差均达到规定预置，且当前激光点的反射率大于均值指定超出值则可判定该激光点为地面标记的激光点。

如果一个网格中的道路面激光点云数据包含地面标记的激光点数据，则可以基于该网格中的地面标记的激光点数据，获取地面标记的一个关键点的激光点数据。例如，当一个网格中的地面标记的激光点数据有多个，则可基于这多个激光点数据的均值得到地面标记的一个关键点的激光点数据。比如计算这些激光点数据中坐标(xyz)的均值，然后以得到的坐标均值作为地面标记的关键点的激光点数据的坐标。

该实施例在图4a所示实施例基础上，进一步地，通过将道路对象确定为道路上的地面标记，并按照预设的网格大小，将道路面激光点云数据划分到网格中；当判断一个网格中的道路面激光点云数据包含地面标记的激光点数据时，则基于该网格中的地面标记的激光点数据，获取地面标记的一个关键点的激光点数据，从而实现方便、快速的获取地面标记的关键点的激光点数据。

实施例四

如图7a所示，为本发明实施例的待匹配定位数据提取方法流程图四。本实施例与图4a所示方法的区别在于，本实施例采用了当道路对象是道路边缘时，从道路侧激光点云数据中，提取道路两侧的道路对象的关键点的激光点数据的一个优选实施方案。如图7a所示，在方法初始可执行如下步骤：

S412，将激光点云数据划分为道路侧激光点云数据。

S710，将道路侧激光点云数据，按照预设的网格大小划分到网格中。

其中，预设的网格可以是设置在水平面上的二维网格，根据道路侧激光点云数据与网格的投影关系，可以将所有道路侧激光点云数据划分到不同网格中。

S720，若一个网格中的道路侧激光点云数据包含道路边缘的激光点数据，则将道路边缘的激光点数据按照激光点数据中的高度值由小到大的顺序排序。

其中，可将道路左侧激光点云数据中与道路衔接的区域附近的激光点数据记为道路左侧边缘的激光点数据，将道路右侧激光点云数据中与道路衔接的区域附近的激光点数据记为道路右侧边缘的激光点数据。

在实际应用场景中，也可分别从道路左侧和道路右侧中获取距离采集车辆行驶轨迹最近的区域附近的激光点数据作为道路边缘的激光点数据。

如图7b所示，为道路两侧的激光点云数据，可从这两侧区域中提取靠近道路最近的边界点附近的激光点数据作为道路边缘的激光点数据。

当一个网格中的道路侧激光点云数据中包含道路边缘的激光点数据时，将这些道路边缘的激光点数据按照激光点数据中的高度值由小到大的顺序排序。在排序过程中，可将道路边缘的激光点数据按其对应的左侧道路边缘和右侧道路边缘分别排序，也可以放在一起统一排序。

S730，若排序后相邻两个激光点的高度值的差值大于预设的差值阈值，则删除相邻两个激光点中排序在后的激光点及其之后的激光点。

在实际应用场景中，如果上述排序后相邻两个激光点的高度值的差值大于预设的差值阈值，则表征这两个激光点所在位置很可能为道路和道路两侧区域之间的边界，而其中排序在后的激光点及其之后的激光点很可能对应为道路两侧的路沿石、防护栏、绿化带等高度突发变化的边缘位置，又或者是悬空点。此时可以删除掉相邻两个激光点中排序在后的激光点及其之后的激光点，即距离道路较远的那部分道路边缘的激光点数据，保留相邻两个激光点中排序在前及之前的激光点，即距离道路较近的那部分道路边缘的激光点数据，以保证后续处理的数据的质量，同时减少待处理的数据量。

S740，基于该网格中保留的道路边缘的激光点数据，获取道路边缘的一个关键点的激光点数据。

例如，可从该网格中保留的道路边缘的激光点数据中任选一个激光点数据作为关键点的激光点数据，或者当一个网格中被保留的道路边缘的激光点数据有多个时，可基于这多个激光点数据的均值得到道路边缘的一个关键点的激光点数据。比如计算这些激光点数据中坐标(xyz)的均值，然后以得到的坐标均值作为道路边缘的关键点的激光点数据的坐标。

该实施例在图4a所示实施例基础上，进一步地，通过将道路对象确定为道路边缘，并将道路侧激光点云数据，按照预设的网格大小划分到网格中；当判断一个网格中的道路侧激光点云数据包含道路边缘的激光点数据时，则将道路边缘的激光点数据按照激光点数据中的高度值由小到大的顺序排序；若排序后相邻两个激光点的高度值的差值大于预设的差值阈值，则删除相邻两个激光点中排序在后的激光点及其之后的激光点；最后，基于该网格中保留的道路边缘的激光点数据，获取道路边缘的一个关键点的激光点数据，从而实现方便、快速的获取道路边缘的关键点的激光点数据。

实施例五

如图8a所示，为本发明实施例的待匹配定位数据提取方法流程图五。本实施例与图4a所示方法的区别在于，本实施例采用了当道路对象是位于道路侧的直立物体时，从道路侧激光点云数据中，提取道路两侧的道路对象的关键点的激光点数据的一个优选实施方案。如图8a所示，在方法初始可执行如下步骤：

S412，将激光点云数据划分为道路侧激光点云数据。

S810，若一个网格中的道路侧激光点云数据中包含道路侧直立物体的激光点数据，则将道路侧直立物体的激光点数据，按照激光点数据中的高度值由小到大的顺序排序。

具体地，可从道路左侧和道路右侧的激光点云数据中提取高度满足预置高度范围内的激光点数据作为道路侧直立物体的激光点数据。

例如，可预先设定一个高度阈值(如大于0.5m且小于2.5m)，以清空道路两侧位于该高度阈值以外的激光点云数据，最终剩下的激光点云数据即为挑选出的位于道路侧直立物体的激光点数据。

如图8b所示，为从道路两侧提取的道路两侧直立物体的激光点云数据。

当一个网格中的道路侧激光点云数据中包含道路侧直立物体的激光点数据时，将这些道路侧直立物体的激光点数据按照激光点数据中的高度值由小到大的顺序排序。在排序过程中，可将道路侧直立物体的激光点数据按其对应的道路左侧直立物体和道路右侧直立物体分别排序，也可以放在一起统一排序。

S820，若排序后相邻两个激光点的高度差值大于预设的差值阈值，则删除相邻两个激光点中排序在后的激光点及其之后的激光点。

在实际应用场景中，如果上述排序后相邻两个激光点的高度值的差值大于预设的差值阈值，则表征这两个激光点所在位置很可能为道路侧区域中两个直立物体的边缘，而其中排序在后的激光点及其之后的激光点很可能对应为杆(路牌、照明灯、红绿灯等的支持杆)、树干、墙体等高度发生突变的位置，又或者是悬空点。此时可以删除掉相邻两个激光点中排序在后的激光点及其之后的激光点，保留相邻两个激光点中排序在前及之前的激光点，以保证后续处理的数据的质量，同时减少待处理的数据量。

S830，判断保留的直立物体的激光点数据中的最低高度值是否小于预设的第一高度阈值，最高高度值是否大于预设的第二高度阈值，如果是，则基于该网格中保留的直立物体的激光点数据，获取直立物体的一个关键点的激光点数据。

其中，第一高度阈值小于第二高度阈值。

本步骤是在保留的直立物体的激光点数据中进一步判断这些数据是否满足对应的直立物体仍满足一定高度范围。如果满足，则基于该网格中保留的直立物体的激光点数据，获取直立物体的一个关键点的激光点数据。

例如，可从该网格中保留的直立物体的激光点数据中任选一个激光点数据作为关键点的激光点数据，或者当一个网格中被保留的直立物体的激光点数据有多个时，可基于这多个激光点数据的均值得到直立物体的一个关键点的激光点数据。比如计算这些激光点数据中坐标(xyz)的均值，然后以得到的坐标均值作为直立物体的关键点的激光点数据的坐标。

该实施例在图4a所示实施例基础上，进一步地，通过将道路对象确定为位于道路侧的直立物体，并将道路侧激光点云数据，按照预设的网格大小划分到网格中；当判断一个网格中的道路侧激光点云数据包含道路侧直立物体的激光点数据时，则将道路侧直立物体的激光点数据按照激光点数据中的高度值由小到大的顺序排序；若排序后相邻两个激光点的高度值的差值大于预设的差值阈值，则删除相邻两个激光点中排序在后的激光点及其之后的激光点；最后，判断保留的直立物体的激光点数据中的最低高度值是否小于预设的第一高度阈值，最高高度值是否大于预设的第二高度阈值，如果是，则基于该网格中保留的直立物体的激光点数据，获取直立物体的一个关键点的激光点数据，从而实现方便、快速的获取道路侧直立物体的关键点的激光点数据。

实施例六

如图9a所示，为本发明实施例的待匹配定位数据提取方法流程图六。本实施例与图4a所示方法的区别在于，本实施例采用了当道路对象包括地面标记、道路边缘和位于道路侧的直立物体时，从道路面激光点云数据和道路侧激光点云数据中，提取道路和道路两侧的道路对象的关键点的激光点数据的一个优选实施方案。如图9a所示，在方法初始可执行如下步骤：

S413，将激光点云数据划分为道路面激光点云数据和道路侧激光点云数据。

S910，将道路面激光点云数据和道路侧激光点云数据，按照预设的网格大小划分到网格中。

S920，若一个网格中的道路面激光点云数据包含地面标记的激光点数据，则基于该网格中的地面标记的激光点数据，获取地面标记的一个关键点的激光点数据。

S930，若一个网格中的道路侧激光点云数据包含道路边缘的激光点数据，则将道路边缘的激光点数据按照激光点数据中的高度值由小到大的顺序排序；

S940，若排序后相邻两个激光点的高度值的差值大于预设的差值阈值，则删除相邻两个激光点中排序在后的激光点及其之后的激光点。

S950，基于该网格中保留的道路边缘的激光点数据，获取道路边缘的一个关键点的激光点数据。

S960，若一个网格中的道路侧激光点云数据中包含道路侧直立物体的激光点数据，则将道路侧直立物体的激光点数据，按照激光点数据中的高度值由小到大的顺序排序。

S970，若排序后相邻两个激光点的高度差值大于预设的差值阈值，则删除相邻两个激光点中排序在后的激光点及其之后的激光点。

S980，判断保留的直立物体的激光点数据中的最低高度值是否小于预设的第一高度阈值，最高高度值是否大于预设的第二高度阈值，如果是，则基于该网格中保留的直立物体的激光点数据，获取直立物体的一个关键点的激光点数据。

步骤S910～S960的具体内容可参见图6、图7a、图8a中相似步骤的内容，在此不做赘述。

在实际应用场景中，为了减少所提取的道路面激光点云数据和道路侧激光点云数据中的悬空点、杂散点，可以在得到激光点云数据后，先滤除这些激光点云数据中的悬空点，以使滤除后的激光点云数据尽可能对应的都是真实有效的环境数据。例如，可将道路面激光点云数据和道路侧激光点云数据划分到网格中后按激光点的高度值进行排序，滤除网格内的悬空点，仅保留从道路面连续向上的实体点。该处理过程可有效滤除如树木主杆之外的树枝等悬空物的激光点数据。.

综上，如图9b所示，为从车辆所在道路周边的激光点云数据中提取出的地面标记、道路边缘以及位于道路侧直立物体的关键点的激光点云示意图。

该实施例在图4a所示实施例基础上，进一步地，通过将道路对象确定为道路上的地面标记、道路边缘和位于道路侧的直立物体，将道路面激光点云数据和道路侧激光点云数据，按照预设的网格大小划分到网格中；并基于网格中的地面标记的激光点数据、道路边缘的激光点数据，位于道路侧的直立物体的激光点数据分别获取相应道路对象的一个关键点的激光点数据，从而实现方便、快速的获取地面标记、道路边缘和位于道路侧的直立物体的关键点的激光点数据。

实施例七

如图10所示，为本发明实施例的车辆的采样位置获取方法流程图一。本实施例可作为图3a所示方法中，基于上一时刻车辆所对应的一个以上的采样位置，前向模拟车辆的运动状态，获取本时刻车辆所对应的一个以上的采样位置的一个优选实施方案。如图10所示，上述步骤S350可具体包括如下步骤：

S101，从上一时刻车辆所对应的一个以上的采样位置中，提取车辆在相应采样位置的概率大于概率阈值的第一采样位置。

具体地，可以在计算上一时刻车辆在各采样位置的概率的结果中，选择概率值大于预设的概率阈值的采样位置，作为第一采样位置，这些第一采样位置相对于其他采样位置，车辆出现在该采样位置的概率会更高。

S103针对第一采样位置，前向模拟车辆的运动状态，获取本时刻车辆所对应的一个以上的采样位置。

基于第一采样位置，前向模拟车辆的运动所产生的本时刻车辆的采样位置相对其他采样位置来说更贴近车辆的真实位置，从而正准确、快速的车辆进行高精定位。另外，在本实施例中，为了维持各时刻所使用的采样位置的数量，如图10所示，还可以在步骤S101之后，S103之前执行如下步骤：

S102，选取第一采样位置附近的多个位置点作为追加的第一采样位置。

在从上一时刻所使用的车辆的一个以上的采样位置中选择出部分采样位置作为第一采样位置用于本时刻车辆的采样位置后，虽然提高了本时刻采样位置的准确度，但是采样位置的数量会有所减少，为了本时刻车辆的采样位置的数量不变，或者维持在第一水平，可以在每次提取出第一采样位置后，在第一采样位置的附近选取多个位置点作为追加的第一采样位置。由于追加的第一采样位置位于原第一采样位置的附近，所以仍可保证这些采样位置的准确度。

该实施例在图3a所示实施例基础上，进一步地，通过从上一时刻车辆所对应的一个以上的采样位置中，提取车辆在相应采样位置的概率大于概率阈值的第一采样位置；并针对第一采样位置，前向模拟车辆的运动状态，获取本时刻车辆所对应的一个以上的采样位置，从而实现方便、快速的获取本时刻所使用的车辆的多个采样位置，并保证采样位置的准确度。另外，通过选取第一采样位置附近的多个位置点作为追加的第一采样位置，可以维持第一采样位置的数目在一定水平，同时保证采样位置的准确度。

实施例八

如图11所示，为本发明实施例的定位方法流程图二。本实施例与图3a至图10中任一种所示定位方法的区别在于，本实施例采用了将转换坐标系的待匹配定位数据与标准定位数据进行匹配，基于匹配结果，得到车辆位于每个采样位置的概率的一个优选实施方案。如图11所示，以图3a为例，在步骤S360之后可执行如下步骤：

S111将转换坐标系的待匹配定位数据与标准定位数据中所属同一类型的道路对象的关键点的激光点数据进行匹配，基于匹配结果，得到车辆位于每个采样位置的概率。

具体地，在将转换坐标系的待匹配定位数据与标准定位数据进行匹配时，可以按照定位数据中包含的道路对象的关键点的激光点数据的类型分类进行匹配。比如，道路对象均为道路上的地面标记的关键点的激光点数据之间、道路对象均为道路边缘的关键点的激光点数据之间、道路对象均为位于道路侧的直立物体的关键点的激光点数据之间分别进行匹配，从而提高匹配结果的准确度。基于匹配结果得到车辆位于每个采样位置的概率，可以提高车辆位于每个采样位置的概率的准确度。

进一步地，如图12所示，为本发明实施例的定位方法流程图三。本实施例与图3a至图10中任一种所示定位方法的区别在于，本实施例采用了将转换坐标系的待匹配定位数据与标准定位数据进行匹配，基于匹配结果，得到车辆位于每个采样位置的概率的一个优选实施方案。如图12所示，在步骤S360之后可执行如下步骤：

S121将转换坐标系的待匹配定位数据中的关键点的激光点数据与标准定位数据中距离最近的关键点的激光点数据进行匹配，计算转换坐标系的待匹配定位数据中的关键点与标准定位数据中距离最近的关键点为同一位置点的概率。

对于每一个车辆可能出现的采样位置，需要计算车辆在该采样位置出现的概率，该概率可对应为的转换坐标系的待匹配定位数据中的关键点的激光点数据与标准定位数据中距离最近的关键点的激光点数据为同一位置点的匹配。

具体地，针对转换坐标系的待匹配定位数据中每一个关键点的激光点云数据，在标准定位数据中找到距离该关键点的激光点云数据空间距离最近的标准定位数据中的关键点的激光点云数据，设这两个关键点的激光点云坐标之差为Δx，Δy，Δz。假定标准定位数据中的每一个关键点的激光点云数据服从均值为

方差为

的三维正态分布。那么每一个待匹配定位数据的关键点的激光点云数据P相对于标准定位数据中距离其最近的关键点的激光点云数据的分布概率为：

S122根据同一采样位置对应的所有转换坐标系的待匹配定位数据中的关键点与标准定位数据中距离最近的关键点为同一位置点的概率得到车辆位于该采样位置的概率。

例如，对于一组车辆的采样位置的数目为500，待匹配定位数据的关键点的激光点云数据的数目为1000的样本空间，如果针对每一个采样位置对应的待匹配定位数据的关键点的激光点云数据，距离该激光点云数据最近的标准定位数据中的关键点的激光点数据为{P ₁,P ₂,...,P _N}，N为1000，那么可以得到车辆在每个采样位置的概率为：

通过以上过程可以计算出车辆在每个采样位置的概率。

该实施例在图3a至图10所示实施例基础上，进一步地，通过将转换坐标系的待匹配定位数据与标准定位数据中所属同一类型的道路对象的关键点的激光点数据进行匹配，基于匹配结果，得到车辆位于每个采样位置的概率，从而在匹配关键点的激光点数据过程中，保证在同一类型的道路对象之间进行比较，以提高匹配结果的准确率，进而提高车辆位于每个采样位置的概率的准确率。

另外，通过将转换坐标系的待匹配定位数据中的关键点的激光点数据与标准定位数据中距离最近的关键点的激光点数据进行匹配，计算转换坐标系的待匹配定位数据中的关键点与标准定位数据中距离最近的关键点为同一位置点的概率；根据同一采样位置对应的所有转换坐标系的待匹配定位数据中的关键点与标准定位数据中距离最近的关键点为同一位置点的概率得到车辆位于该采样位置的概率，可以实现对车辆在每个采样位置的概率进行量化计算，同时提高计算结果的准确性。

在实际应用场景中，图11和图12所示的方法步骤可以相结合的在执行一次定位方法中完成。

另外，传统的基于激光点云的定位方法中，所使用的标准定位数据主要采用如下方法获得，包括：

激光点云三维空间抽稀：原始的激光点云数据量较大，通过将三维空间划分为若干大小的栅格(如10x10x10cm)，在每个栅格内存储一个激光点实现降低激光点云数据量；

激光点云地面抽稀：首先从原始点云中提取地面，再将地面点云在二维空间栅格化，每个栅格内仅存储地面点云反射率的统计信息；

激光点云道路两侧抽稀：首先生成道路参考线，然后将激光点云垂直于参考线向道路两侧投影，在一定高度范围内仅保留距离参考线最近的激光点，对激光点进行栅格化后在定位图层中存储每个栅格。

但是这些方法都存在一定缺陷：

第一种方案数据量过大，不利于存储及匹配定位；环境中的某些数据(如灌木，树枝等)会随着时间、季节及气候变化，难以有效定位。

第二种方案仅保留地面激光点云反射率，在地面有积水或积雪的情况下，难以精准的获取地面反射率，无法进行匹配定位。

第二种方案依赖于参考线，生成地图环节过多；道路两侧部分激光点云(如灌木，树枝等)会随时间、季节及气候变化，难以有效定位；同时由于该方案仅存储道路两侧数据，若自动驾驶汽车两侧有其他车辆会对定位结果产生影响。

本发明提供的定位方法所采用的标准定位数据的获取过程，弥补了现有方法中的缺陷，采用道路上和/或道路两侧易于识别且属性稳定的道路对象作为道路对象，并提取这些道路对象的关键点的激光点数据作为道路的定位数据。这些道路对象一般不会因为环境变化或者随着时间的推移而发生变化，而定位是将车辆行驶过程实时获取的环境信息与定位数据进行匹配，从而确定车辆的位置，因此，提取道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据作为定位数据能够保证定位成功率。同时，本发明仅提取关键点的激光点数据，所以数据量较少，方便存储和传输，在后期对车辆进行高精定位时，也可减少计算量，提高定位效率。

实施例九

如图13所示，为本发明实施例的定位装置结构图一，该定位装置可设置在图2所示的定位系统中，用于执行如图3a所示的方法步骤，其包括：

GNSS定位位置获取模块131，用于获取车辆的GNSS定位位置；

标准定位数据获取模块132，用于基于车辆的GNSS定位位置，从预置的标准定位数据中，获取车辆所在道路周边的标准定位数据，标准定位数据包括道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据；

激光点云数据获取模块133，用于获取车辆的激光传感器输出的车辆所在道路周边的激光点云数据；

待匹配定位数据提取模块134，用于从激光点云数据中，提取车辆所在道路周边的待匹配定位数据，待匹配定位数据包括车辆所在道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据；

采样位置获取模块135，用于基于上一时刻车辆所对应的一个以上的采样位置，前向模拟车辆的运动状态，获取本时刻车辆所对应的一个以上的采样位置；

定位数据转换模块136，用于基于本时刻车辆所对应的一个以上的采样位置，将待匹配定位数据转换到标准定位数据对应的坐标系中；

定位数据匹配模块137，用于将转换坐标系的待匹配定位数据与标准定位数据进行匹配，基于匹配结果，得到车辆位于每个采样位置的概率；

高精定位模块138，用于基于车辆位于每个采样位置的概率，得到车辆的高精定位位置。

进一步地，如图14所示，上述定位装置中，待匹配定位数据提取模块134可包括：

待匹配定位数据划分单元141，用于将激光点云数据划分为道路面激光点云数据和/或道路侧激光点云数据；

待匹配定位数据提取单元142，用于从道路面激光点云数据和/或道路侧激光点云数据中，提取道路和/或道路两侧的道路对象的关键点的激光点数据。

图14所示待匹配定位数据提取模块可用于执行图4a所示方法步骤。

进一步地，如图15所示，在图14所示结构基础上，上述定位装置还可包括：

路面拟合模块151，用于根据道路面激光点云数据，拟合出道路的道路面；

数据修正模块152，用于基于拟合出的道路面，将道路面激光点云数据和/或道路侧激光点云数据的高度值修正为相对于道路面的高度值。

图15所示装置结构可用于执行图5所示方法步骤。

进一步地，如图16所示，在图14或图15所示结构基础上，上述道路对象可以是道路上的地面标记，则待匹配定位数据提取模块134可包括：

路面数据划分单元161，用于按照预设的网格大小，将道路面激光点云数据划分到网格中；

路面数据获取单元162，用于若一个网格中的道路面激光点云数据包含地面标记的激光点数据，则基于该网格中的地面标记的激光点数据，获取地面标记的一个关键点的激光点数据。

图16所示待匹配定位数据提取模块可用于执行图6所示方法步骤。

进一步地，如图17所示，在图14或图15所示结构基础上，上述道路对象可以是道路边缘，则待匹配定位数据提取模块134可包括：

道路侧数据划分单元171，用于将道路侧激光点云数据，按照预设的网格大小划分到网格中；

道路边缘数据排序单元172，用于若一个网格中的道路侧激光点云数据包含道路边缘的激光点数据，则将道路边缘的激光点数据按照激光点数据中的高度值由小到大的顺序排序；

道路边缘数据删除单元173，用于若排序后相邻两个激光点的高度值的差值大于预设的差值阈值，则删除相邻两个激光点中排序在后的激光点及其之后的激光点；

道路边缘数据获取单元174，用于基于该网格中保留的道路边缘的激光点数据，获取道路边缘的一个关键点的激光点数据。

图17所示待匹配定位数据提取模块可用于执行图7a所示方法步骤。

进一步地，如图18所示，在图14或图15所示结构基础上，上述道路对象可以是位于道路侧的直立物体，则待匹配定位数据提取模块134可包括：

直立物体数据排序单元181，用于若一个网格中的道路侧激光点云数据中包含道路侧直立物体的激光点数据，则将道路侧直立物体的激光点数据，按照激光点数据中的高度值由小到大的顺序排序；

直立物体数据删除单元182，用于若排序后相邻两个激光点的高度差值大于预设的差值阈值，则删除相邻两个激光点中排序在后的激光点及其之后的激光点；

直立物体数据获取单元183，用于判断保留的直立物体的激光点数据中的最低高度值是否小于预设的第一高度阈值，最高高度值是否大于预设的第二高度阈值，如果是，则基于该网格中保留的直立物体的激光点数据，获取直立物体的一个关键点的激光点数据。

图18所示待匹配定位数据提取模块可用于执行图8a所示方法步骤。

进一步地，如图19所示，在图14或图15所示结构基础上，上述道路对象可以包括地面标记、道路边缘和位于道路侧的直立物体，则待匹配定位数据提取模块134可包括：

道路面及道路侧数据划分单元191，用于将道路面激光点云数据和道路侧激光点云数据，按照预设的网格大小划分到网格中；

路面数据单元192，用于若一个网格中的道路面激光点云数据包含地面标记的激光点数据，则基于该网格中的地面标记的激光点数据，获取地面标记的一个关键点的激光点数据；

道路边缘数据单元193，用于若一个网格中的道路侧激光点云数据包含道路边缘的激光点数据，则将道路边缘的激光点数据按照激光点数据中的高度值由小到大的顺序排序，若排序后相邻两个激光点的高度值的差值大于预设的差值阈值，则删除相邻两个激光点中排序在后的激光点及其之后的激光点，基于该网格中保留的道路边缘的激光点数据，获取道路边缘的一个关键点的激光点数据；

直立物体数据单元194，用于若一个网格中的道路侧激光点云数据中包含道路侧直立物体的激光点数据，则将道路侧直立物体的激光点数据，按照激光点数据中的高度值由小到大的顺序排序，若排序后相邻两个激光点的高度差值大于预设的差值阈值，则删除相邻两个激光点中排序在后的激光点及其之后的激光点，判断保留的直立物体的激光点数据中的最低高度值是否小于预设的第一高度阈值，最高高度值是否大于预设的第二高度阈值，如果是，则基于该网格中保留的直立物体的激光点数据，获取直立物体的一个关键点的激光点数据。

图19所示待匹配定位数据提取模块可用于执行图9a所示方法步骤。

进一步地，上述车辆在初始时刻的采样位置可为从初始时刻车辆的GNSS定位位置所在的定位区域中选取的一个以上的位置点。

进一步地，如图20所示，上述定位装置中，采样位置获取模块135可包括：

第一采样位置提取单元201，用于从上一时刻车辆所对应的一个以上的采样位置中，提取车辆在相应采样位置的概率大于概率阈值的第一采样位置；

采样位置获取单元203，用于针对第一采样位置，前向模拟所述车辆的运动状态，获取本时刻车辆所对应的一个以上的采样位置。

进一步地，在图20所示的采样位置获取模块中，还可包括：

第一采样位置追加单元202，用于选取第一采样位置附近的多个位置点作为追加的第一采样位置。

图20所示采样位置获取模块可用于执行图10所示方法步骤。

进一步地，在上述任一种所示的定位装置中，定位数据匹配模块137具体可用于，

将转换坐标系的待匹配定位数据与标准定位数据中所属同一类型的道路对象的关键点的激光点数据进行匹配，基于匹配结果，得到车辆位于每个采样位置的概率。

进一步地，如图21所示，上述定位数据匹配模块137可包括：

定位数据匹配单元211，用于将转换坐标系的待匹配定位数据中的关键点的激光点数据与标准定位数据中距离最近的关键点的激光点数据进行匹配，计算转换坐标系的待匹配定位数据中的关键点与标准定位数据中距离最近的关键点为同一位置点的概率；

采样位置匹配单元212，用于根据同一采样位置对应的所有转换坐标系的待匹配定位数据中的关键点与标准定位数据中距离最近的关键点为同一位置点的概率得到车辆位于该采样位置的概率。

图21所示的定位数据匹配模块可用于执行图11、图12所示方法中的步骤S111以及S121～S122的内容。

进一步地，上述高精定位模块138可具体用于，

将车辆位于每个采样位置的概率中概率最高的采样位置确定为车辆的高精定位位置；

或者，

本发明提供了一种定位装置，基于获取的车辆的GNSS定位位置，从预置的标准定位数据中，获取车辆所在道路周边的标准定位数据；获取车辆的激光传感器输出的车辆所在道路周边的激光点云数据，并从激光点云数据中，提取车辆所在道路周边的待匹配定位数据；上述标准定位数据以及待匹配定位数据均包括车辆所在道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据；基于上一时刻车辆所对应的一个以上的采样位置，前向模拟车辆的运动状态，获取本时刻车辆所对应的一个以上的采样位置，并基于本时刻车辆所对应的一个以上的采样位置，将待匹配定位数据转换到标准定位数据对应的坐标系中；将转换坐标系的待匹配定位数据与标准定位数据进行匹配，基于匹配结果，得到车辆位于每个采样位置的概率；基于车辆位于每个采样位置的概率，得到车辆的高精定位位置。由于本发明的道路对象是道路上和/或道路两侧易于识别且属性稳定的道路对象，这些道路对象一般不会因为环境变化或者随着时间的推移而发生变化，因此，提取道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据作为高精定位的匹配对象能够保证定位成功率和准确率。同时，本发明仅提取道路对象的关键点的激光点数据进行匹配，所以数据量较少，大大减少了计算量，提高了定位效率。

进一步地，通过将激光点云数据划分为道路面激光点云数据和/或道路侧激光点云数据；然后，从道路面激光点云数据和/或道路侧激光点云数据中，提取道路和/或道路两侧的道路对象的关键点的激光点数据，从而实现方便、快速的获取道路对象的关键点的激光点数据，即待匹配定位数据。

进一步地，通过将道路对象确定为道路上的地面标记，并按照预设的网格大小，将道路面激光点云数据划分到网格中；当判断一个网格中的道路面激光点云数据包含地面标记的激光点数据时，则基于该网格中的地面标记的激光点数据，获取地面标记的一个关键点的激光点数据，从而实现方便、快速的获取地面标记的关键点的激光点数据。

进一步地，通过将道路对象确定为道路边缘，并将道路侧激光点云数据，按照预设的网格大小划分到网格中；当判断一个网格中的道路侧激光点云数据包含道路边缘的激光点数据时，则将道路边缘的激光点数据按照激光点数据中的高度值由小到大的顺序排序；若排序后相邻两个激光点的高度值的差值大于预设的差值阈值，则删除相邻两个激光点中排序在后的激光点及其之后的激光点；最后，基于该网格中保留的道路边缘的激光点数据，获取道路边缘的一个关键点的激光点数据，从而实现方便、快速的获取道路边缘的关键点的激光点数据。

进一步地，通过将道路对象确定为位于道路侧的直立物体，并将道路侧激光点云数据，按照预设的网格大小划分到网格中；当判断一个网格中的道路侧激光点云数据包含道路侧直立物体的激光点数据时，则将道路侧直立物体的激光点数据按照激光点数据中的高度值由小到大的顺序排序；若排序后相邻两个激光点的高度值的差值大于预设的差值阈值，则删除相邻两个激光点中排序在后的激光点及其之后的激光点；最后，判断保留的直立物体的激光点数据中的最低高度值是否小于预设的第一高度阈值，最高高度值是否大于预设的第二高度阈值，如果是，则基于该网格中保留的直立物体的激光点数据，获取直立物体的一个关键点的激光点数据，从而实现方便、快速的获取道路侧直立物体的关键点的激光点数据。

进一步地，通过将道路对象确定为道路上的地面标记、道路边缘和位于道路侧的直立物体，将道路面激光点云数据和道路侧激光点云数据，按照预设的网格大小划分到网格中；并基于网格中的地面标记的激光点数据、道路边缘的激光点数据，位于道路侧的直立物体的激光点数据分别获取相应道路对象的一个关键点的激光点数据，从而实现方便、快速的获取地面标记、道路边缘和位于道路侧的直立物体的关键点的激光点数据。

进一步地，通过从上一时刻车辆所对应的一个以上的采样位置中，提取车辆在相应采样位置的概率大于概率阈值的第一采样位置；并针对第一采样位置，前向模拟车辆的运动状态，获取本时刻车辆所对应的一个以上的采样位置，从而实现方便、快速的获取本时刻所使用的车辆的多个采样位置，并保证采样位置的准确度。另外，通过选取第一采样位置附近的多个位置点作为追加的第一采样位置，可以维持第一采样位置的数目在一定水平，同时保证采样位置的准确度。

进一步地，通过将转换坐标系的待匹配定位数据与标准定位数据中所属同一类型的道路对象的关键点的激光点数据进行匹配，基于匹配结果，得到车辆位于每个采样位置的概率，从而在匹配关键点的激光点数据过程中，保证在同一类型的道路对象之间进行比较，以提高匹配结果的准确率，进而提高车辆位于每个采样位置的概率的准确率。

实施例十

前面描述了定位装置的整体架构，该装置的功能可借助一种电子设备实现完成，如图22所示，其为本发明实施例的电子设备的结构示意图，具体包括：存储器221和处理器222。

存储器221，用于存储程序。

除上述程序之外，存储器221还可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。

存储器221可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

处理器222，耦合至存储器221，用于执行存储器221中的程序，所述程序运行时执行图3a至图12中任意一种定位方法。

上述的具体处理操作已经在前面实施例中进行了详细说明，在此不再赘述。

进一步，如图22所示，电子设备还可以包括：通信组件223、电源组件224、音频组件225、显示器226等其它组件。图22中仅示意性给出部分组件，并不意味着电子设备只包括图22所示组件。

通信组件223被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件223经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件223还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

电源组件224，为电子设备的各种组件提供电力。电源组件224可以包括电源管理系统，一个或多个电源，及其他与为电子设备生成、管理和分配电力相关联的组件。

音频组件225被配置为输出和/或输入音频信号。例如，音频组件225包括一个麦克风(MIC)，当电子设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器221或经由通信组件223发送。在一些实施例中，音频组件225还包括一个扬声器，用于输出音频信号。

显示器226包括屏幕，其屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部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申请各实施例技术方案的范围。

Claims

一种定位方法，包括：

获取车辆的GNSS定位位置；

基于车辆的GNSS定位位置，从预置的标准定位数据中，获取车辆所在道路周边的标准定位数据，所述标准定位数据包括道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据；

获取车辆的激光传感器输出的车辆所在道路周边的激光点云数据；

从所述激光点云数据中，提取车辆所在道路周边的待匹配定位数据，所述待匹配定位数据包括车辆所在道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据；

基于上一时刻所述车辆所对应的一个以上的采样位置，前向模拟所述车辆的运动状态，获取本时刻所述车辆所对应的一个以上的采样位置；

基于本时刻所述车辆所对应的一个以上的采样位置，将所述待匹配定位数据转换到标准定位数据对应的坐标系中；

将转换坐标系的待匹配定位数据与标准定位数据进行匹配，基于匹配结果，得到车辆位于每个采样位置的概率；

基于车辆位于每个采样位置的概率，得到车辆的高精定位位置。
根据权利要求1所述的方法，其中，所述从所述激光点云数据中，提取车辆所在道路周边的待匹配定位数据包括：

将所述激光点云数据划分为道路面激光点云数据和/或道路侧激光点云数据；

从所述道路面激光点云数据和/或道路侧激光点云数据中，提取道路和/或道路两侧的道路对象的关键点的激光点数据。
根据权利要求2所述的方法，其特征在于，所述方法在提取关键点的激光点数据之前，所述方法进一步包括：

根据所述道路面激光点云数据，拟合出所述道路的道路面；

基于拟合出的道路面，将所述道路面激光点云数据和/或道路侧激光点云数据的高度值修正为相对于所述道路面的高度值。
根据权利要求2或3所述的方法，其特征在于，所述道路对象是道路上的地面标记，则从所述道路面激光点云数据中，提取道路的道路对象的关键点的激光点数据具体包括：

按照预设的网格大小，将所述道路面激光点云数据划分到网格中；

若一个网格中的道路面激光点云数据包含地面标记的激光点数据，则基于该网格中的地面标记的激光点数据，获取所述地面标记的一个关键点的激光点数据。
根据权利要求2或3所述的方法，其特征在于，所述道路对象是道路边缘，则从所述道路侧激光点云数据中，提取道路两侧的道路对象的关键点的激光点数据具体包括：

将所述道路侧激光点云数据，按照预设的网格大小划分到网格中；

若一个网格中的道路侧激光点云数据包含道路边缘的激光点数据，则将所述道路边缘的激光点数据按照激光点数据中的高度值由小到大的顺序排序；

若排序后相邻两个激光点的高度值的差值大于预设的差值阈值，则删除相邻两个激光点中排序在后的激光点及其之后的激光点；

基于该网格中保留的道路边缘的激光点数据，获取道路边缘的一个关键点的激光点数据。
根据权利要求2或3所述的方法，其特征在于，所述道路对象是位于道路侧的直立物体，则从所述道路侧激光点云数据中，提取道路两侧的道路对象的关键点的激光点数据具体包括：

将所述道路侧激光点云数据，按照预设的网格大小划分到网格中；

若一个网格中的道路侧激光点云数据中包含道路侧直立物体的激光点数据，则将所述道路侧直立物体的激光点数据，按照激光点数据中的高度值由小到大的顺序排序；

若排序后相邻两个激光点的高度差值大于预设的差值阈值，则删除相邻两个激光点中排序在后的激光点及其之后的激光点；

判断保留的直立物体的激光点数据中的最低高度值是否小于预设的第一高度阈值，最高高度值是否大于预设的第二高度阈值，如果是，则基于该网格中保留的直立物体的激光点数据，获取直立物体的一个关键点的激光点数据。
根据权利要求2或3所述的方法，其特征在于，所述道路对象包括地面标记、道路边缘和位于道路侧的直立物体，则从所述道路面激光点云数据和道路侧激光点云数据中，提取道路和道路两侧的道路对象的关键点的激光点数据具体包括：

将所述道路面激光点云数据和道路侧激光点云数据，按照预设的网格大小划分到网格中；

若一个网格中的道路面激光点云数据包含地面标记的激光点数据，则基于该网格中的地面标记的激光点数据，获取所述地面标记的一个关键点的激光点数据；

若一个网格中的道路侧激光点云数据包含道路边缘的激光点数据，则将所述道路边缘的激光点数据按照激光点数据中的高度值由小到大的顺序排序，若排序后相邻两个激光点的高度值的差值大于预设的差值阈值，则删除相邻两个激光点中排序在后的激光点及其之后的激光点，基于该网格中保留的道路边缘的激光点数据，获取道路边缘的一个关键点的激光点数据；

若一个网格中的道路侧激光点云数据中包含道路侧直立物体的激光点数据，则将所述道路侧直立物体的激光点数据，按照激光点数据中的高度值由小到大的顺序排序，若排序后相邻两个激光点的高度差值大于预设的差值阈值，则删除相邻两个激光点中排序在后的激光点及其之后的激光点，判断保留的直立物体的激光点数据中的最低高度值是否小于预设的第一高度阈值，最高高度值是否大于预设的第二高度阈值，如果是，则基于该网格中保留的直立物体的激光点数据，获取直立物体的一个关键点的激光点数据。
根据权利要求1所述的方法，其中，所述将转换坐标系的待匹配定位数据与标准定位数据进行匹配，基于匹配结果，得到车辆位于每个采样位置的概率包括：

将所述转换坐标系的待匹配定位数据与所述标准定位数据中所属同一类型的道路对象的关键点的激光点数据进行匹配，基于匹配结果，得到车辆位于每个采样位置的概率。
根据权利要求8所述的方法，其中，所述将转换坐标系的待匹配定位数据与标准定位数据进行匹配，基于匹配结果，得到车辆位于每个采样位置的概率包括：

将所述转换坐标系的待匹配定位数据中的关键点的激光点数据与所述标准定位数据中距离最近的关键点的激光点数据进行匹配，计算所述转换坐标系的待匹配定位数据中的关键点与所述标准定位数据中距离最近的关键点为同一位置点的概率；

根据同一所述采样位置对应的所有所述转换坐标系的待匹配定位数据中的关键点与所述标准定位数据中距离最近的关键点为同一位置点的概率得到车辆位于该采样位置的概率。
根据权利要求1所述的方法，其中，所述基于车辆位于每个采样位置的概率，得到车辆的高精定位位置包括：

将所述车辆位于每个采样位置的概率中概率最高的所述采样位置确定为所述车辆的高精定位位置；

或者，

以所述车辆位于每个采样位置的概率作为权重，对相应的各所述采样位置进行加权计算，并将得到的加权位置确定为所述车辆的高精定位位置。
一种定位装置，包括：

GNSS定位位置获取模块，用于获取车辆的GNSS定位位置；

标准定位数据获取模块，用于基于车辆的GNSS定位位置，从预置的标准定位数据中，获取车辆所在道路周边的标准定位数据，所述标准定位数据包括道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据；

激光点云数据获取模块，用于获取车辆的激光传感器输出的车辆所在道路周边的激光点云数据；

待匹配定位数据提取模块，用于从所述激光点云数据中，提取车辆所在道路周边的待匹配定位数据，所述待匹配定位数据包括车辆所在道路上和/或道路两侧易于识别且属性稳定的道路对象的关键点的激光点数据；

采样位置获取模块，用于基于上一时刻所述车辆所对应的一个以上的采样位置，前向模拟所述车辆的运动状态，获取本时刻所述车辆所对应的一个以上的采样位置；

定位数据转换模块，用于基于本时刻所述车辆所对应的一个以上的采样位置，将所述待匹配定位数据转换到标准定位数据对应的坐标系中；

定位数据匹配模块，用于将转换坐标系的待匹配定位数据与标准定位数据进行匹配，基于匹配结果，得到车辆位于每个采样位置的概率；

高精定位模块，用于基于车辆位于每个采样位置的概率，得到车辆的高精定位位置。
一种电子设备，包括：

存储器，用于存储程序；

处理器，耦合至所述存储器，用于执行所述程序，所述程序运行时执行权利要求1-10中任意一项权利要求所述的定位方法。