WO2021016806A1 - 高精度地图定位方法、系统、平台及计算机可读存储介质 - Google Patents

高精度地图定位方法、系统、平台及计算机可读存储介质 Download PDF

Info

Publication number
WO2021016806A1
WO2021016806A1 PCT/CN2019/098185 CN2019098185W WO2021016806A1 WO 2021016806 A1 WO2021016806 A1 WO 2021016806A1 CN 2019098185 W CN2019098185 W CN 2019098185W WO 2021016806 A1 WO2021016806 A1 WO 2021016806A1
Authority
WO
WIPO (PCT)
Prior art keywords
candidate
positioning result
map
grid
offline
Prior art date
Application number
PCT/CN2019/098185
Other languages
English (en)
French (fr)
Inventor
孙路
周游
钟阳
江灿森
Original Assignee
深圳市大疆创新科技有限公司
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 深圳市大疆创新科技有限公司 filed Critical 深圳市大疆创新科技有限公司
Priority to CN201980033297.2A priority Critical patent/CN112154429B/zh
Priority to PCT/CN2019/098185 priority patent/WO2021016806A1/zh
Publication of WO2021016806A1 publication Critical patent/WO2021016806A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location

Definitions

  • the embodiments of the present application relate to the technical field of high-precision maps, and in particular, to a high-precision map positioning method, system, platform, and computer-readable storage medium.
  • high-precision maps have begun to be used in more and more fields.
  • Traditional maps are usually located through the Global Positioning System (GPS), while high-precision maps are difficult to use through traditional positioning methods because their accuracy has exceeded that of GPS.
  • GPS Global Positioning System
  • high-precision map positioning will be carried out by matching, that is, the surrounding environment is obtained through the sensors mounted on the mobile platform and some characteristic information of the surrounding environment is obtained, and then these characteristic information are matched with the characteristic information in the high-precision map , So as to obtain the positioning of the movable platform in the high-precision map.
  • this application provides a high-precision map positioning method, system, platform, and computer-readable storage medium, aiming to improve the accuracy and stability of the high-precision map positioning result.
  • this application provides a high-precision map positioning method, including:
  • the target positioning result is determined from the candidate positioning result set.
  • the present application also provides a driving system, the driving system includes a lidar, a memory, and a processor; the memory is used to store a computer program;
  • the processor is configured to execute the computer program, and when executing the computer program, implement the following steps:
  • the target positioning result is determined from the candidate positioning result set.
  • the present application also provides a movable platform, the movable platform includes a lidar, a memory, and a processor; the memory is used to store a computer program;
  • the processor is configured to execute the computer program, and when executing the computer program, implement the following steps:
  • the target positioning result is determined from the candidate positioning result set.
  • the present application also provides a computer-readable storage medium, wherein the computer-readable storage medium stores a computer program, and when the computer program is executed by a processor, the processor realizes:
  • the target positioning result is determined from the candidate positioning result set.
  • the embodiments of the application provide a high-precision map positioning method, system, platform, and computer-readable storage medium.
  • the online point cloud map is rasterized to obtain each
  • the grid map corresponding to each candidate positioning result is calculated, and the similarity between the grid map corresponding to each candidate positioning result and the offline high-precision map is calculated, and based on the grid map and offline height corresponding to each candidate positioning result.
  • the similarity between the accuracy maps can determine the target positioning results from the candidate positioning results, which can reduce the number of high-precision map mismatches and improve the accuracy and stability of the high-precision map positioning results.
  • FIG. 1 is a schematic flowchart of the steps of a high-precision map positioning method provided by an embodiment of the present application
  • FIG. 2 is a schematic flowchart of sub-steps of the high-precision map positioning method in FIG. 1;
  • Fig. 3 is a schematic flow chart of the steps of another high-precision map positioning method provided by an embodiment of the present application.
  • FIG. 4 is a schematic flowchart of the steps of another high-precision map positioning method provided by an embodiment of the present application.
  • FIG. 5 is a schematic block diagram of the structure of a driving system provided by an embodiment of the present application.
  • Fig. 6 is a schematic block diagram of the structure of a movable platform provided by an embodiment of the present application.
  • FIG. 1 is a schematic flowchart of steps of a high-precision map positioning method provided by an embodiment of the present application.
  • the high-precision map positioning method can be applied to a movable platform or a driving system.
  • movable platforms include vehicles and aircraft.
  • Aircraft include unmanned aerial vehicles and manned aerial vehicles.
  • Vehicles include manned and unmanned vehicles.
  • Unmanned aerial vehicles include rotary-wing unmanned aerial vehicles, such as four-rotor unmanned aerial vehicles and six-rotor unmanned aerial vehicles.
  • Human aircraft, eight-rotor unmanned aerial vehicles, fixed-wing unmanned aerial vehicles, or a combination of rotor-type and fixed-wing unmanned aerial vehicles, are not limited here.
  • the high-precision map positioning method includes steps S101 to S105.
  • the mobile platform uses high-precision lidar to collect three-dimensional point cloud data from the traveled area, and uses high-precision inertial navigation system and point cloud registration algorithm to process the collected three-dimensional point cloud data to generate offline high Accuracy map.
  • use high-precision lidar to collect three-dimensional point cloud data from the traveled area use the Inertial Measurement Unit (IMU) to collect the attitude data of the movable platform, and use the Global Positioning System (GPS) to collect data.
  • IMU Inertial Measurement Unit
  • GPS Global Positioning System
  • the mobile platform acquires offline high-precision maps during the movement, and collects 3D point cloud data of objects around the mobile platform in real time through lidar, and establishes an online point cloud map based on the real-time collected 3D point cloud data.
  • the lidar can determine the three-dimensional point cloud data of the object based on the distance between the laser emission point and the reflection point of the emitted laser light on the object, and the emission direction of the laser at the laser emission point.
  • the three-dimensional point cloud data of objects around the movable platform includes the distance between the object and the movable platform, the angle between the object and the movable platform, and the three-dimensional coordinates of the object.
  • step S102 specifically includes: sub-steps S1021 to S1024.
  • the current position data and current posture data of the movable platform are acquired.
  • the current position data of the movable platform is the position data output by the positioning system of the movable platform at the current moment
  • the current posture data of the movable platform is the posture data output by the inertial measurement unit of the movable platform at the current moment.
  • the position data includes the geographic coordinates of the movable platform
  • the attitude data includes the pitch angle, roll angle, and yaw angle of the movable platform.
  • the movable platform determines the change trend of the current position data, and determines the candidate position set according to the change trend of the current position data.
  • the change trend can be characterized by the gradient value and gradient direction of the current position data, that is, a preset unit gradient is used to obtain a preset number of candidate gradient values along the gradient direction based on the gradient value, and determine The position information corresponding to each candidate gradient value is used to determine the candidate position set.
  • the preset unit gradient and the preset number can be set based on actual conditions, which is not specifically limited in this application.
  • the movable platform determines the position coordinates of the movable platform in the offline high-precision map according to the current position data, that is, obtains the geographical position coordinates of the movable platform from the current position data, and performs the offline high-precision Mark the location coordinates on the map, and then obtain the location coordinates of the surrounding objects in the offline high-precision map, and determine the mobile platform in the offline high-precision map based on the location coordinates of the surrounding objects in the offline high-precision map According to the position coordinates and the preset position error value, determine the candidate position set.
  • the candidate position set can be determined quickly and accurately through the current position data and the preset position error value.
  • the method for determining the candidate position set is specifically: calculating the difference between the abscissa and ordinate in the position coordinates and the preset position error value, and calculating the abscissa and ordinate in the position coordinates respectively and The sum of the preset position error values; determine the candidate abscissa set according to the difference between the abscissa in the position coordinates and the preset position error value and the sum of the abscissa in the position coordinates and the preset position error value; The difference between the ordinate and the preset position error value and the sum of the ordinate in the position coordinate and the preset position error value to determine the candidate ordinate set; each time a candidate abscissa and candidate ordinate are selected from the candidate abscissa set Each candidate ordinate in the collection is combined until all the candidate abscissas in the candidate abscissa group are selected once, and each candidate position coordinate obtained by the collection and combination is used as a candidate position set.
  • the aforementioned preset position error value can be set based on actual conditions, which is not specifically limited in this application. For example, if the preset position error value is 1 and the position coordinates are (10,9), the candidate abscissa is between 9 and 11, that is, the candidate abscissa set is [9,10,11], and the candidate ordinate is between 8 and 10. , That is, the candidate ordinate set is [8,9,10], the candidate position set is ⁇ (9,8),(9,9),(9,10),(10,8),(10,9) ,(10,10),(11,8),(11,9),(11,10) ⁇ .
  • the difference between the attitude angle in the current attitude data and the preset attitude error value is calculated, and the sum of the attitude angle in the current attitude data and the preset attitude error value is calculated, and then based on the attitude angle and the preset attitude error in the current attitude data
  • the difference of the attitude error value and the sum of the attitude angle in the current attitude data and the preset attitude error value is calculated to determine the candidate attitude set, that is, the difference between the attitude angle and the preset attitude error is an endpoint, and the attitude angle is compared with the preset attitude error.
  • Let the sum of the attitude error values be the other end point to obtain the candidate attitude angle range, and obtain multiple candidate attitude angles from the candidate attitude angle range in a preset unit attitude angle, thereby forming a candidate attitude set.
  • the aforementioned preset attitude error value and unit attitude angle can be set based on actual conditions, and this application does not specifically limit this.
  • the preset attitude error value is 0.5
  • the unit attitude angle is 0.1
  • the attitude angle in the current attitude data is A
  • the candidate attitude angle range is A-0.5 to A+0.5
  • the candidate attitude set is [A-05 , A-0.4, A-0.3, A-0.2, A-0.1, A, A+0.1, A+0.2, A+0.3, A+0.4 and A+0.5].
  • the current pose data and preset pose error values can quickly and accurately determine the candidate pose set.
  • each candidate positioning result obtained by the combination is collected As a result set of candidate positioning.
  • the candidate position set is ⁇ (X-1,Y-1),(X,Y),(X+1,Y+1) ⁇
  • the candidate pose set is [A-0.1, A, A+0.1]
  • the candidate positioning result set is:
  • S103 Perform rasterization processing on the online point cloud map according to each candidate positioning result in the candidate positioning result set, to obtain a grid map corresponding to each candidate positioning result.
  • the mobile platform marks each candidate positioning result in the candidate positioning result set in the online point cloud map, and performs rasterization processing on the map area around each marked candidate positioning result to obtain each candidate The grid map corresponding to each positioning result.
  • the grid map is a map based on reflection values and height values, and each grid of the grid map is marked with a height, and the height of the grid is the average height of the point cloud in the grid.
  • the mobile platform performs rasterization processing on the offline high-precision map to obtain the offline raster map corresponding to each raster map; according to the height of each grid in each grid map and each offline grid For the height of each grid in the map, the similarity between each grid map and the offline high-precision map is calculated.
  • the height of each grid in the grid map and the height of each grid in the offline grid map are both the average height of the point cloud in the grid.
  • the similarity calculation method may be as follows: the movable platform calculates the difference between each grid map and each grid based on the height of each grid in each grid map and the height of each grid in each offline grid map. Pearson correlation coefficient between offline high-precision maps; Pearson correlation coefficient between each raster map and offline high-precision map is taken as the similarity between each raster map and offline high-precision map. Among them, the value of the Pearson correlation coefficient is -1 to +1. The closer the Pearson correlation coefficient is to 1, the higher the correlation between the grid map and the offline high-precision map, and the higher the positioning accuracy of the high-precision map. High, the calculation formula of Pearson's correlation coefficient is:
  • ⁇ is the Pearson correlation coefficient
  • x i is the height of the i-th grid in the grid map
  • y i is the height of the i-th grid in the offline grid map
  • N is the number of grids.
  • the similarity calculation method may also be: the movable platform calculates each grid map according to the height of each grid in each grid map and the height of each grid in each offline grid map
  • the regional mutual information coefficient between each grid map and the offline high-precision map is used as the similarity between each grid map and the offline high-precision map.
  • the smaller the regional mutual information coefficient the lower the correlation between the raster map and the offline high-precision map, and the lower the positioning accuracy of the high-precision map.
  • the larger the regional mutual information coefficient the lower the correlation between the grid map and the offline high-precision map.
  • the higher the correlation of the high-precision map the higher the positioning accuracy of the high-precision map.
  • the calculation formula of the regional mutual information coefficient is:
  • MI is the regional mutual information coefficient
  • x i is the height of the i-th grid in the grid map
  • y i is the i-th grid in the offline grid map
  • the height of the grid, P X,Y (x i ,y j ) is a joint distribution, and P X (x i ) and P Y (y i ) are edge distributions.
  • a target positioning result is determined from the candidate positioning results.
  • the mobile platform uses the candidate positioning result corresponding to the largest similarity in the candidate positioning result set as the target positioning result.
  • the candidate positioning result set includes candidate positioning result A, candidate positioning result B, and candidate positioning result C, and in the order of similarity, the resulting arrangement order is candidate positioning result B, candidate positioning result C, and candidate positioning result A. That is, the candidate positioning result corresponding to the greatest similarity is the candidate positioning result B, and the candidate positioning result B is taken as the target positioning result.
  • the online point cloud map is rasterized through each candidate positioning result in the candidate positioning result set to obtain the corresponding raster map of each candidate positioning result, and calculate each The similarity between the raster map corresponding to each candidate positioning result and the offline high-precision map, and based on the similarity between the raster map corresponding to each candidate positioning result and the offline high-precision map, the candidate positioning results are collected Determining the target positioning result can reduce the number of mismatches of high-precision maps and improve the accuracy and stability of the high-precision map positioning results.
  • FIG. 3 is a schematic flowchart of steps of another high-precision map positioning method according to an embodiment of the present application.
  • the high-precision map positioning method includes steps S201 to S206.
  • the movable platform acquires an offline high-precision map during its movement, collects 3D point cloud data of objects around the movable platform in real time through lidar, and establishes an online point cloud map based on the real-time collected 3D point cloud data.
  • the historical positioning result of the movable platform is acquired, and the historical positioning result is the positioning result determined by the movable platform at the last moment, and the last moment is separated from the current moment by a preset time.
  • the aforementioned preset time can be set based on actual conditions, which is not specifically limited in this application.
  • S203 Determine a candidate positioning result set according to the historical positioning result.
  • Calculate the difference between the historical attitude angle and the preset attitude error value and calculate the sum of the historical attitude angle and the preset attitude error value; take the difference between the historical attitude angle and the preset attitude error value as an endpoint, and use the historical attitude angle and The sum of the preset attitude error values is the other end point to obtain the candidate attitude angle range, and obtain multiple candidate attitude angles from the candidate attitude angle range with the preset unit attitude angle, thereby forming a candidate pose set;
  • each candidate positioning result obtained by the collection is used as a candidate positioning result set.
  • preset unit gradient preset number
  • preset attitude error value preset unit attitude angle
  • the method for determining the candidate positioning result set may be: obtaining historical position coordinates and historical attitude angles from the historical positioning results, and calculating the differences between the historical position coordinates and historical attitude angles and the preset positioning error values. And calculate the sum of the historical position coordinates and the historical attitude angle respectively with the preset positioning error value, and then determine the candidate coordinate set based on the difference and the sum of the historical position coordinates and the preset positioning error value, and based on the historical attitude angle and the preset positioning error The difference and sum of the values determine the candidate pose set, and finally based on the candidate coordinate set and the candidate pose set, determine the candidate positioning result set.
  • the aforementioned preset positioning error value can be set based on actual conditions, which is not specifically limited in this application.
  • S204 Perform rasterization processing on the online point cloud map according to each candidate positioning result in the candidate positioning result set, to obtain a grid map corresponding to each candidate positioning result.
  • the mobile platform marks each candidate positioning result in the candidate positioning result set in the online point cloud map, and performs rasterization processing on the map area around each marked candidate positioning result to obtain each candidate The grid map corresponding to each positioning result.
  • the grid map is a map based on reflection values and height values, and each grid of the grid map is marked with a height, and the height of the grid is the average height of the point cloud in the grid.
  • the mobile platform performs rasterization processing on the offline high-precision map to obtain the offline raster map corresponding to each raster map; according to the height of each grid in each grid map and each offline grid For the height of each grid in the map, the similarity between each grid map and the offline high-precision map is calculated.
  • the height of each grid in the grid map and the height of each grid in the offline grid map are both the average height of the point cloud in the grid.
  • the mobile platform uses the candidate positioning result corresponding to the largest similarity in the candidate positioning result set as the target positioning As a result, or obtain the candidate positioning result corresponding to the similarity greater than the preset threshold, and use any obtained candidate positioning result as the target positioning result.
  • the foregoing preset threshold may be set based on actual conditions, which is not specifically limited in this application.
  • the high-precision map positioning method provided by the foregoing embodiment can accurately determine the candidate positioning result set through historical positioning results and positioning error values, and based on the candidate positioning result set, rasterize the online point cloud map to obtain accuracy Then calculate the similarity between each raster map and the offline high-precision map, and based on each similarity, the target positioning result can be determined from the set of accurate candidate positioning results to further improve the high-precision map The accuracy and stability of the positioning results.
  • FIG. 4 is a schematic flowchart of the steps of yet another high-precision map positioning method provided by an embodiment of the present application.
  • the high-precision map positioning method includes steps S301 to S306.
  • the movable platform acquires an offline high-precision map during its movement, collects 3D point cloud data of objects around the movable platform in real time through lidar, and establishes an online point cloud map based on the real-time collected 3D point cloud data.
  • the candidate positioning result set is determined based on the current position and current posture of the movable platform.
  • S303 Perform rasterization processing on the online point cloud map according to each candidate positioning result in the candidate positioning result set, to obtain a grid map corresponding to each candidate positioning result.
  • the mobile platform marks each candidate positioning result in the candidate positioning result set in the online point cloud map, and performs rasterization processing on the map area around each marked candidate positioning result to obtain each candidate The grid map corresponding to each positioning result.
  • the grid map is a map based on reflection values and height values, and each grid of the grid map is marked with a height, and the height of the grid is the average height of the point cloud in the grid.
  • the mobile platform performs rasterization processing on the offline high-precision map to obtain the offline raster map corresponding to each raster map; according to the height of each grid in each grid map and each offline grid For the height of each grid in the map, the similarity between each grid map and the offline high-precision map is calculated.
  • the height of each grid in the grid map and the height of each grid in the offline grid map are both the average height of the point cloud in the grid.
  • S305 Verify the candidate positioning results in the candidate positioning result set according to the similarity between the grid map corresponding to each candidate positioning result and the offline high-precision map.
  • the mobile platform compares the grid map corresponding to each candidate positioning result with the offline high-precision map.
  • the similarity between each candidate positioning result is used as the correlation coefficient corresponding to each candidate positioning result; the correlation coefficient corresponding to each candidate positioning result is compared with the preset threshold. If the correlation coefficient corresponding to the candidate positioning result is greater than the preset threshold, It is determined that the candidate positioning result passes the verification, and if the correlation coefficient corresponding to the candidate positioning result is less than or equal to the preset threshold, it is determined that the candidate positioning result fails the verification.
  • the foregoing preset threshold may be set based on actual conditions, which is not specifically limited in this application.
  • the corresponding similarity of each candidate positioning result that passes the verification is obtained, and the candidate positioning result that passes the verification corresponding to the largest similarity is taken as Target positioning results.
  • the similarity includes Pearson correlation coefficient and regional mutual information coefficient.
  • the online point cloud map is rasterized through each candidate positioning result in the candidate positioning result set to obtain the corresponding raster map of each candidate positioning result, and calculate each The similarity between the grid map corresponding to each candidate positioning result and the offline high-precision map, and based on the similarity between the grid map corresponding to each candidate positioning result and the offline high-precision map, each candidate positioning The result is verified, and finally the candidate positioning result set that passes the verification and has the highest similarity is used as the target positioning result, which further improves the accuracy and stability of the high-precision map positioning result.
  • FIG. 5 is a schematic block diagram of a driving system provided by an embodiment of the present application.
  • the driving system includes an unmanned driving system and a manned driving system.
  • the driving system 400 includes a processor 401, a memory 402, and a lidar 403.
  • the processor 401, the memory 402, and the lidar 403 are connected by a bus 404, such as an I2C (Inter-integrated Circuit) bus.
  • I2C Inter-integrated Circuit
  • the processor 401 may be a micro-controller unit (MCU), a central processing unit (CPU), a digital signal processor (Digital Signal Processor, DSP), or the like.
  • MCU micro-controller unit
  • CPU central processing unit
  • DSP Digital Signal Processor
  • the memory 402 may be a Flash chip, a read-only memory (ROM, Read-Only Memory) disk, an optical disk, a U disk, or a mobile hard disk.
  • the processor 401 and the memory 402 are computing platforms of the driving system.
  • the lidar 403 may be an external device of the driving system or an internal component of the driving system, which is not specifically limited in this application.
  • the processor 401 is configured to run a computer program stored in the memory 402, and implement the following steps when executing the computer program:
  • the target positioning result is determined from the candidate positioning result set.
  • the processor when the processor implements the determination of the candidate positioning result set, it is used to implement:
  • the current position data is the position data output by the positioning system of the movable platform at the current moment
  • the current posture data is the posture data output by the inertial measurement unit of the movable platform at the current moment.
  • the processor when the processor realizes the determination of a candidate position set according to the current position data, it is configured to realize:
  • the change trend of the current location data is determined, and a candidate location set is determined according to the change trend of the current location data.
  • the processor when the processor implements the determination of a candidate pose set according to the current pose data and a preset pose error value, it is used to implement:
  • the candidate pose set is determined according to the difference between the attitude angle in the current attitude data and the preset attitude error value and the sum of the attitude angle in the current attitude data and the preset attitude error value.
  • the processor when the processor implements the determination of a candidate positioning result set according to the candidate position set and the candidate pose set, it is used to implement:
  • each candidate positioning result obtained by the combination is collected As a result set of candidate positioning.
  • the processor when the processor implements the determination of the candidate positioning result set, it is used to implement:
  • the historical positioning result is a positioning result determined by the movable platform at a previous time, and the previous time and the current time are separated by a preset time;
  • the processor realizes the calculation of the similarity between the grid map corresponding to each candidate positioning result and the offline high-precision map, it is used to realize:
  • the processor realizes that, according to the height of each grid in each of the grid maps and the height of each grid in each of the offline grid maps, calculating each grid map and all grids When describing the similarity between offline high-precision maps, it is used to achieve:
  • the Pearson correlation coefficient between each grid map and the offline high-precision map is used as the similarity between each grid map and the offline high-precision map.
  • the processor realizes that, according to the height of each grid in each of the grid maps and the height of each grid in each of the offline grid maps, calculating each grid map and all grids When describing the similarity between offline high-precision maps, it is used to achieve:
  • the area mutual information coefficient between each grid map and the offline high-precision map is taken as the similarity between each grid map and the offline high-precision map.
  • the processor is configured to determine the target positioning result from the candidate positioning result set according to the similarity between the grid map corresponding to each candidate positioning result and the offline high-precision map. achieve:
  • the candidate positioning result corresponding to the largest similarity in the candidate positioning result set is taken as the target positioning result.
  • the processor is configured to determine the target positioning result from the candidate positioning result set according to the similarity between the grid map corresponding to each candidate positioning result and the offline high-precision map. achieve:
  • the similarity corresponding to each candidate positioning result that passed the verification is acquired, and the candidate positioning result that passes the verification corresponding to the largest similarity is used as the target positioning result.
  • the correlation coefficient corresponding to the candidate positioning result is less than or equal to the preset threshold, it is determined that the candidate positioning result fails the verification.
  • FIG. 6 is a schematic block diagram of a movable platform provided by an embodiment of the present application.
  • the mobile platform 500 includes a processor 501, a memory 502, and a lidar 503.
  • the processor 501, the memory 502, and the lidar 503 are connected by a bus 504, which is, for example, an I2C (Inter-integrated Circuit) bus.
  • movable platforms include vehicles and aircraft.
  • Aircraft include unmanned aerial vehicles and manned aerial vehicles.
  • Vehicles include manned and unmanned vehicles.
  • Unmanned aerial vehicles include rotary-wing unmanned aerial vehicles, such as four-rotor unmanned aerial vehicles and hexarotors.
  • Unmanned aerial vehicles, eight-rotor unmanned aerial vehicles can also be fixed-wing unmanned aerial vehicles, or a combination of rotary-wing and fixed-wing unmanned aerial vehicles, which are not limited here.
  • the processor 501 may be a micro-controller unit (MCU), a central processing unit (Central Processing Unit, CPU), a digital signal processor (Digital Signal Processor, DSP), or the like.
  • MCU micro-controller unit
  • CPU Central Processing Unit
  • DSP Digital Signal Processor
  • the memory 502 may be a Flash chip, a read-only memory (ROM, Read-Only Memory) disk, an optical disk, a U disk, or a mobile hard disk.
  • the processor 501 and the memory 502 are the computing platform of the driving system
  • the lidar 503 may be an external device of the driving system or an internal component of the driving system, which is not specifically limited in this application.
  • the processor 501 is configured to run a computer program stored in the memory 502, and implement the following steps when executing the computer program:
  • the target positioning result is determined from the candidate positioning result set.
  • the processor when the processor implements the determination of the candidate positioning result set, it is used to implement:
  • the current position data is the position data output by the positioning system of the movable platform at the current moment
  • the current posture data is the posture data output by the inertial measurement unit of the movable platform at the current moment.
  • the processor when the processor realizes the determination of a candidate position set according to the current position data, it is configured to realize:
  • the change trend of the current location data is determined, and a candidate location set is determined according to the change trend of the current location data.
  • the processor when the processor implements the determination of a candidate pose set according to the current pose data and a preset pose error value, it is used to implement:
  • the candidate pose set is determined according to the difference between the attitude angle in the current attitude data and the preset attitude error value and the sum of the attitude angle in the current attitude data and the preset attitude error value.
  • the processor when the processor implements the determination of a candidate positioning result set according to the candidate position set and the candidate pose set, it is used to implement:
  • each candidate positioning result obtained by the combination is collected As a result set of candidate positioning.
  • the processor when the processor implements the determination of the candidate positioning result set, it is used to implement:
  • the historical positioning result is a positioning result determined by the movable platform at a previous time, and the previous time and the current time are separated by a preset time;
  • the processor realizes the calculation of the similarity between the grid map corresponding to each candidate positioning result and the offline high-precision map, it is used to realize:
  • the processor realizes that, according to the height of each grid in each of the grid maps and the height of each grid in each of the offline grid maps, calculating each grid map and all grids When describing the similarity between offline high-precision maps, it is used to achieve:
  • the Pearson correlation coefficient between each grid map and the offline high-precision map is used as the similarity between each grid map and the offline high-precision map.
  • the processor realizes that, according to the height of each grid in each of the grid maps and the height of each grid in each of the offline grid maps, calculating each grid map and all grids When describing the similarity between offline high-precision maps, it is used to achieve:
  • the area mutual information coefficient between each grid map and the offline high-precision map is taken as the similarity between each grid map and the offline high-precision map.
  • the processor is configured to determine the target positioning result from the candidate positioning result set according to the similarity between the grid map corresponding to each candidate positioning result and the offline high-precision map. achieve:
  • the candidate positioning result corresponding to the largest similarity in the candidate positioning result set is taken as the target positioning result.
  • the processor is configured to determine the target positioning result from the candidate positioning result set according to the similarity between the grid map corresponding to each candidate positioning result and the offline high-precision map. achieve:
  • the similarity corresponding to each candidate positioning result that passed the verification is acquired, and the candidate positioning result that passes the verification corresponding to the largest similarity is used as the target positioning result.
  • the correlation coefficient corresponding to the candidate positioning result is less than or equal to the preset threshold, it is determined that the candidate positioning result fails the verification.
  • the embodiments of the present application also provide a computer-readable storage medium, the computer-readable storage medium stores a computer program, the computer program includes program instructions, and the processor executes the program instructions to implement the foregoing implementation The steps of the high-precision map positioning method provided in the example.
  • the computer-readable storage medium may be the internal storage unit of the movable platform or the driving system described in any of the foregoing embodiments, for example, the hard disk or memory of the movable platform or the driving system.
  • the computer-readable storage medium may also be an external storage device of the movable platform or the driving system, for example, a plug-in hard disk or a smart memory card (Smart Media Card, SMC) equipped on the movable platform or the driving system. , Secure Digital (SD) card, Flash Card (Flash Card), etc.
  • SD Secure Digital
  • Flash Card Flash Card

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Library & Information Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)
  • Image Analysis (AREA)

Abstract

一种高精度地图定位方法、系统、平台及计算机可读存储介质，该方法包括：获取离线高精度地图，并建立在线点云地图（S101）；确定候选定位结果集（S102）；确定所述候选定位结果集中的每个候选定位结果，对所述在线点云地图进行栅格化处理，得到每个候选定位结果各自对应的栅格地图（S103）；计算每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度（S104）；根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果（S105）。该方法提高了定位稳定性。

Description

高精度地图定位方法、系统、平台及计算机可读存储介质 技术领域
本申请实施例涉及高精度地图的技术领域，尤其涉及一种高精度地图定位方法、系统、平台及计算机可读存储介质。
背景技术
随着地图技术的发展，高精度地图开始在越来越多的领域被使用。传统地图通常通过全球定位系统(Global Positioning System，GPS)进行定位，而高精度地图由于其本身精度已经超过GPS的精度，因而难以通过传统的定位方式进行使用。通常，高精度地图定位会通过匹配的方式来进行，即通过可移动平台所搭载的传感器获取周围环境并得到周围环境的一些特征信息，然后将这些特征信息与高精度地图中的特征信息进行匹配，从而得到可移动平台在高精度地图中的定位。
但是，由于通过传感器提取周围环境的特征信息的精度有限，相应的算法可能不稳定，可能导致匹配结果并不准确。并且，由于这种特征匹配比较依赖周围环境的信息丰富程度，在一些缺乏明显特征的场景下可能出现无法定位的情况；以及对于一些环境中存在重复性特征的情况下，可能出现错误的匹配结果。因此，如何提高高精度地图定位结果的精确性和稳定性是目前亟待解决的问题。
发明内容
基于此，本申请提供了一种高精度地图定位方法、系统、平台及计算机可读存储介质，旨在提高高精度地图定位结果的精确性和稳定性。
第一方面，本申请提供了一种高精度地图定位方法，包括：
获取离线高精度地图，并建立在线点云地图；
确定候选定位结果集；
根据所述候选定位结果集中的每个候选定位结果，对所述在线点云地图进行栅格化处理，得到每个候选定位结果各自对应的栅格地图；
计算每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度；
根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果。
第二方面，本申请还提供了一种驾驶系统，所述驾驶系统包括激光雷达、存储器和处理器；所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现如下步骤：
获取离线高精度地图，并通过所述激光雷达采集到的三维点云数据建立在线点云地图；
确定候选定位结果集；
根据所述候选定位结果集中的每个候选定位结果，对所述在线点云地图进行栅格化处理，得到每个候选定位结果各自对应的栅格地图；
计算每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度；
根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果。
第三方面，本申请还提供了一种可移动平台，所述可移动平台包括激光雷达、存储器和处理器；所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现如下步骤：
获取离线高精度地图，并通过所述激光雷达采集到的三维点云数据建立在线点云地图；
确定候选定位结果集；
根据所述候选定位结果集中的每个候选定位结果，对所述在线点云地图进行栅格化处理，得到每个候选定位结果各自对应的栅格地图；
计算每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度；
根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的 相似度，从所述候选定位结果集中确定目标定位结果。
第四方面，本申请还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现：
获取离线高精度地图，并建立在线点云地图；
确定候选定位结果集；
根据所述候选定位结果集中的每个候选定位结果，对所述在线点云地图进行栅格化处理，得到每个候选定位结果各自对应的栅格地图；
计算每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度；
根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果。
本申请实施例提供了一种高精度地图定位方法、系统、平台及计算机可读存储介质，通过候选定位结果集中的每个候选定位结果，对在线点云地图进行栅格化处理，得到每个候选定位结果各自对应的栅格地图，并计算每个候选定位结果各自对应的栅格地图与离线高精度地图之间的相似度，且基于每个候选定位结果各自对应的栅格地图与离线高精度地图之间的相似度，从候选定位结果集中确定目标定位结果，可以减少高精度地图错误匹配的出现次数，提高高精度地图定位结果的精确性和稳定性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请一实施例提供的一种高精度地图定位方法的步骤示意流程图；
图2是图1中的高精度地图定位方法的子步骤示意流程图；
图3是本申请一实施例提供的另一种高精度地图定位方法的步骤示意流程 图；
图4是本申请一实施例提供的又一种高精度地图定位方法的步骤示意流程图；
图5是本申请一实施例提供的一种驾驶系统的结构示意性框图；
图6是本申请一实施例提供的一种可移动平台的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是本申请一实施例提供的一种高精度地图定位方法的步骤示意流程图。该高精度地图定位方法可以应用在可移动平台或驾驶系统中。其中可移动平台包括车辆和飞行器，飞行器包括无人飞行器和有人飞行器，车辆包括有人驾驶车辆和无人驾驶车辆等，无人飞行器包括旋翼型无人飞行器，例如四旋翼无人飞行器、六旋翼无人飞行器、八旋翼无人飞行器，也可以是固定翼无人飞行器，还可以是旋翼型与固定翼无人飞行器的组合，在此不作限定。
具体地，如图1所示，该高精度地图定位方法包括步骤S101至步骤S105。
S101、获取离线高精度地图，并建立在线点云地图。
其中，可移动平台通过高精度的激光雷达对行驶过的区域采集三维点云数据，并通过高精度惯导系统和点云配准算法，对采集到的三维点云数据进行处理，生成离线高精度地图。或者，通过高精度的激光雷达对行驶过的区域采集三维点云数据，通过惯性测量单元(Inertial MeasurementUnit，IMU)采集可移动平台的姿态数据，以及通过全球定位系统(Global PositioningSystem，GPS)采集 可移动平台的位置数据，然后基于姿态数据和位置数据，对采集到的三维点云数据进行校正处理，并基于校正后的三维点云数据生成离线高精度地图。
可移动平台在移动过程中，获取离线高精度地图，并通过激光雷达实时采集可移动平台周围物体的三维点云数据，且基于实时采集到的三维点云数据建立在线点云地图。其中，激光雷达可以基于激光发射点与发射出的激光在物体上的反射点的距离，以及激光发射点的激光的发射方向，确定物体的三维点云数据。可移动平台周边物体的三维点云数据包括物体与可移动平台的距离，物体与可移动平台的角度，以及物体的三维坐标等数据。
S102、确定候选定位结果集。
具体地，获取可移动平台的当前位置和当前姿态，并基于可移动平台的当前位置和当前姿态确定候选定位结果集。在一实施例中，如图2所示，步骤S102具体包括：子步骤S1021至S1024。
S1021、获取可移动平台的当前位置数据和当前姿态数据。
具体地，获取可移动平台的当前位置数据和当前姿态数据。其中，可移动平台的当前位置数据为可移动平台的定位系统在当前时刻输出的位置数据，可移动平台的当前姿态数据为可移动平台的惯性测量单元在当前时刻输出的姿态数据。该位置数据包括可移动平台的地理位置坐标，该姿态数据包括可移动平台的俯仰角、横滚角和偏航角。
S1022、根据所述当前位置数据确定候选位置集。
可移动平台确定当前位置数据的变化趋势，并根据当前位置数据的变化趋势，确定候选位置集。具体地，可以通过当前位置数据的梯度值和梯度方向来表征变化趋势，即以预设的单位梯度，基于该梯度值，沿着该梯度方向，得到预设个数的候选梯度值，并确定每个候选梯度值各自对应的位置信息，从而确定候选位置集。需要说明的是，预设的单位梯度和预设个数可基于实际情况进行设置，本申请对此不作具体限定。
在一实施例中，可移动平台根据当前位置数据，确定可移动平台在该离线高精度地图中的位置坐标，即从当前位置数据中获取可移动平台的地理位置坐标，并在该离线高精度地图中标记该地理位置坐标，然后获取该地理位置坐标周围物体在离线高精度地图中的位置坐标，并基于周围物体在离线高精度地图中的位置坐标，确定可移动平台在离线高精度地图中的位置坐标；根据该位置 坐标和预设位置误差值，确定候选位置集。通过当前位置数据和预设位置误差值可以快速准确的确定候选位置集。
在一实施例中，候选位置集的确定方式具体为：计算该位置坐标中的横坐标和纵坐标分别与预设位置误差值的差值，并计算位置坐标中的横坐标和纵坐标分别与预设位置误差值的和；根据位置坐标中的横坐标与预设位置误差值的差值和位置坐标中的横坐标与预设位置误差值的和，确定候选横坐标集；根据位置坐标中的纵坐标与预设位置误差值的差值和位置坐标中的纵坐标与预设位置误差值的和，确定候选纵坐标集；每次从候选横坐标集中选择一个候选横坐标与候选纵坐标集中的每个候选纵坐标进行组合，直至候选横坐标集中的候选横坐标均被选择一次时，汇集组合得到的每个候选位置坐标作为候选位置集。
需要说明的是，上述预设位置误差值可基于实际情况进行设置，本申请对此不作具体限定。例如，设预设位置误差值为1，位置坐标为(10,9)，则候选横坐标位于9至11，即候选横坐标集为[9,10,11]，候选纵坐标位于8至10，即候选纵坐标集为[8,9,10]，则候选位置集为{(9,8),(9,9),(9,10),(10,8),(10,9),(10,10),(11,8),(11,9),(11,10)}。
S1023、根据所述当前姿态数据和预设姿态误差值确定候选姿态集。
具体地，计算当前姿态数据中的姿态角与预设姿态误差值的差值，并计算当前姿态数据中的姿态角与预设姿态误差值的和，然后基于当前姿态数据中的姿态角与预设姿态误差值的差值以及当前姿态数据中的姿态角与预设姿态误差值的和，确定候选姿态集，即以姿态角与预设姿态误的差值为一个端点，以姿态角与预设姿态误差值的和为另一个端点，得到候选姿态角范围，并以预设的单位姿态角从该候选姿态角范围中获取多个候选姿态角，从而形成候选姿态集。需要说明的是，上述预设姿态误差值和单位姿态角可基于实际情况进行设置，本申请对此不作具体限定。例如，设预设姿态误差值为0.5，单位姿态角为0.1，当前姿态数据中的姿态角为A，则候选姿态角范围为A-0.5至A+0.5，则候选姿态集为[A-05，A-0.4，A-0.3，A-0.2，A-0.1，A，A+0.1，A+0.2，A+0.3，A+0.4和A+0.5]。通过当前姿态数据和预设姿态误差值可以快速准确的确定候选姿态集。
S1024、根据所述候选位置集和所述候选姿态集，确定候选定位结果集。
具体地，可移动平台每次从候选位置集选择一个候选位置与候选姿态集中 的每个候选姿态进行组合，直至候选位置集中的候选位置均被选择一次时，汇集组合得到的每个候选定位结果作为候选定位结果集。例如，候选位置集为{(X-1,Y-1),(X,Y),(X+1,Y+1)}，候选姿态集为[A-0.1，A，A+0.1]，则候选定位结果集为：
{[(X-1,Y-1),A-0.1],[(X-1,Y-1),A],[(X-1,Y-1),A+0.1],[(X,Y),A-0.1],[(X,Y),A],[(X,Y)，A+0.1],[(X+1,Y+1),A-0.1],[(X+1,Y+1),A],[((X+1,Y+1)),A+0.1]}。
S103、根据所述候选定位结果集中的每个候选定位结果，对所述在线点云地图进行栅格化处理，得到每个候选定位结果各自对应的栅格地图。
具体地，可移动平台在该在线点云地图中标记该候选定位结果集中的每个候选定位结果，并对标记的每个候选定位结果周围的地图区域进行栅格化处理，可以得到每个候选定位结果各自对应的栅格地图。其中，该栅格地图为基于反射值和高度值的地图，且该栅格地图的每个栅格标记有高度，栅格的高度为栅格内的点云的平均高度。
S104、计算每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度。
具体地，可移动平台对该离线高精度地图进行栅格化处理，得到每个栅格地图各自对应的离线栅格地图；根据每个栅格地图中各栅格的高度和每个离线栅格地图中各栅格的高度，计算每个栅格地图与所述离线高精度地图之间的相似度。其中，栅格地图中各栅格的高度和离线栅格地图中各栅格的高度均为栅格内的点云的平均高度。
在一实施例中，相似度的计算方式可以为：可移动平台根据每个栅格地图中各栅格的高度和每个离线栅格地图中各栅格的高度，计算每个栅格地图与离线高精度地图之间的皮尔逊相关系数；将每个栅格地图与离线高精度地图之间的皮尔逊相关系数作为每个栅格地图与离线高精度地图之间的相似度。其中，皮尔逊相关系数的取值为-1～+1，皮尔逊相关系数越接近于1，则说明栅格地图与离线高精度地图的相关性越高，则高精度地图的定位精度也越高，皮尔逊相关系数的计算公式为：
Figure PCTCN2019098185-appb-000001
，其中，γ为皮尔逊相关系数，x i为栅格地图中第i个栅格的高度，y i为离线栅 格地图中第i个栅格的高度，N为栅格数量。
在一实施例中，相似度的计算方式还可以为：可移动平台根据每个栅格地图中各栅格的高度和每个离线栅格地图中各栅格的高度，计算每个栅格地图与离线高精度地图之间的区域互信息系数；将每个栅格地图与离线高精度地图之间的区域互信息系数作为每个栅格地图与离线高精度地图之间的相似度。其中，区域互信息系数越小，则说明栅格地图与离线高精度地图的相关性越低，高精度地图的定位精度也越低，而区域互信息系数越大，则说明栅格地图与离线高精度地图的相关性越高，高精度地图的定位精度也越高，区域互信息系数的计算公式为：
Figure PCTCN2019098185-appb-000002
其中，
Figure PCTCN2019098185-appb-000003
MI为区域互信息系数，x i为栅格地图中第i个栅格的高度，y i为离线栅格地图中第i个
栅格的高度，P X,Y(x i,y j)为联合分布，P X(x i)和P Y(y i)为边缘分布。
S105、根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果。
具体地，在计算得到每个候选定位结果各自对应的栅格地图与离线高精度地图之间的相似度之后，可移动平台将该候选定位结果集中最大的相似度对应的候选定位结果作为目标定位结果。
例如，候选定位结果集包括候选定位结果A、候选定位结果B和候选定位结果C，且按照相似度的大小顺序，得到的排列顺序为候选定位结果B、候选定位结果C、候选定位结果A，即最大的相似度对应的候选定位结果为候选定位结果B，则将候选定位结果B作为目标定位结果。
上述实施例提供的高精度地图定位方法，通过候选定位结果集中的每个候选定位结果，对在线点云地图进行栅格化处理，得到每个候选定位结果各自对应的栅格地图，并计算每个候选定位结果各自对应的栅格地图与离线高精度地图之间的相似度，且基于每个候选定位结果各自对应的栅格地图与离线高精度地图之间的相似度，从候选定位结果集中确定目标定位结果，可以减少高精度地图错误匹配的出现次数，提高高精度地图定位结果的精确性和稳定性。
请参阅图3，图3是本申请一实施例提供的另一种高精度地图定位方法的 步骤示意流程图。
具体地，如图3所示，该高精度地图定位方法包括步骤S201至S206。
S201、获取离线高精度地图，并建立在线点云地图。
具体地，可移动平台在移动过程中，获取离线高精度地图，并通过激光雷达实时采集可移动平台周围物体的三维点云数据，且基于实时采集到的三维点云数据建立在线点云地图。
S202、获取可移动平台的历史定位结果，所述历史定位结果为所述可移动平台在上一时刻所确定的定位结果，且上一时刻与当前时刻间隔预设时间。
具体地，获取可移动平台的历史定位结果，该历史定位结果为可移动平台在上一时刻所确定的定位结果，且上一时刻与当前时刻间隔预设时间。需要说明的是，上述预设时间可基于实际情况进行设置，本申请对此不作具体限定。
S203、根据历史定位结果确定候选定位结果集。
具体地，从该历史定位结果中获取历史位置坐标和历史姿态角；对历史位置坐标进行求导处理，以确定历史位置坐标的梯度值和梯度方向，并根据该梯度值和梯度方向，确定候选位置集，即以预设的单位梯度，基于该梯度值，沿着该梯度方向，得到预设个数的候选梯度值，并确定每个候选梯度值各自对应的位置信息，从而确定候选位置集；
计算历史姿态角与预设姿态误差值的差值，并计算历史姿态角与预设姿态误差值的和；以历史姿态角与预设姿态误差值的差值为一个端点，以历史姿态角与预设姿态误差值的和为另一个端点，得到候选姿态角范围，并以预设的单位姿态角从该候选姿态角范围中获取多个候选姿态角，从而形成候选姿态集；
根据该候选位置集和候选姿态集，确定候选定位结果集，即每次从候选位置集选择一个候选位置与候选姿态集中的每个候选姿态进行组合，直至候选位置集中的候选位置均被选择一次时，汇集组合得到的每个候选定位结果作为候选定位结果集。
需要说明的是，上述预设的单位梯度、预设个数、预设姿态误差值和预设的单位姿态角可基于实际情况进行设置，本申请对此不作具体限定。
在一实施例中，候选定位结果集的确定方式可以为：从该历史定位结果中获取历史位置坐标和历史姿态角，并计算历史位置坐标和历史姿态角分别与预设定位误差值的差，且计算历史位置坐标和历史姿态角分别与预设定位误差值 的和，然后基于历史位置坐标与预设定位误差值的差以及和，确定候选坐标集，并基于历史姿态角与预设定位误差值的差以及和，确定候选姿态集，最后基于候选坐标集和候选姿态集，确定候选定位结果集。需要说明的是，上述预设定位误差值可基于实际情况进行设置，本申请对此不作具体限定。
S204、根据所述候选定位结果集中的每个候选定位结果，对所述在线点云地图进行栅格化处理，得到每个候选定位结果各自对应的栅格地图。
具体地，可移动平台在该在线点云地图中标记该候选定位结果集中的每个候选定位结果，并对标记的每个候选定位结果周围的地图区域进行栅格化处理，可以得到每个候选定位结果各自对应的栅格地图。其中，该栅格地图为基于反射值和高度值的地图，且该栅格地图的每个栅格标记有高度，栅格的高度为栅格内的点云的平均高度。
S205、计算每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度。
具体地，可移动平台对该离线高精度地图进行栅格化处理，得到每个栅格地图各自对应的离线栅格地图；根据每个栅格地图中各栅格的高度和每个离线栅格地图中各栅格的高度，计算每个栅格地图与所述离线高精度地图之间的相似度。其中，栅格地图中各栅格的高度和离线栅格地图中各栅格的高度均为栅格内的点云的平均高度。
S206、根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果。
具体地，在计算得到每个候选定位结果各自对应的栅格地图与离线高精度地图之间的相似度之后，可移动平台将该候选定位结果集中最大的相似度对应的候选定位结果作为目标定位结果，或者获取相似度大于预设阈值对应的候选定位结果，并将获取到的任意一个候选定位结果作为目标定位结果。需要说明的是，上述预设阈值可基于实际情况进行设置，本申请对此不作具体限定。
上述实施例提供的高精度地图定位方法，通过历史定位结果和定位误差值，可以准确的确定候选定位结果集，并基于候选定位结果集，对在线点云地图进行栅格化处理，可以得到准确的栅格地图，然后再计算每个栅格地图与离线高精度地图之间的相似度，并基于每个相似度，可以从准确的候选定位结果集中确定目标定位结果，进一步地提高高精度地图定位结果的精确性和稳定性。
请参阅图4，图4是本申请一实施例提供的又一种高精度地图定位方法的步骤示意流程图。
具体地，如图4所示，该高精度地图定位方法包括步骤S301至步骤S306。
S301、获取离线高精度地图，并建立在线点云地图。
具体地，可移动平台在移动过程中，获取离线高精度地图，并通过激光雷达实时采集可移动平台周围物体的三维点云数据，且基于实时采集到的三维点云数据建立在线点云地图。
S302、确定候选定位结果集。
具体地，获取可移动平台的当前位置和当前姿态，并基于可移动平台的当前位置和当前姿态确定候选定位结果集。
S303、根据所述候选定位结果集中的每个候选定位结果，对所述在线点云地图进行栅格化处理，得到每个候选定位结果各自对应的栅格地图。
具体地，可移动平台在该在线点云地图中标记该候选定位结果集中的每个候选定位结果，并对标记的每个候选定位结果周围的地图区域进行栅格化处理，可以得到每个候选定位结果各自对应的栅格地图。其中，该栅格地图为基于反射值和高度值的地图，且该栅格地图的每个栅格标记有高度，栅格的高度为栅格内的点云的平均高度。
S304、计算每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度。
具体地，可移动平台对该离线高精度地图进行栅格化处理，得到每个栅格地图各自对应的离线栅格地图；根据每个栅格地图中各栅格的高度和每个离线栅格地图中各栅格的高度，计算每个栅格地图与所述离线高精度地图之间的相似度。其中，栅格地图中各栅格的高度和离线栅格地图中各栅格的高度均为栅格内的点云的平均高度。
S305、根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，对所述候选定位结果集中的候选定位结果进行校验。
具体地，在计算得到每个候选定位结果各自对应的栅格地图与离线高精度地图之间的相似度之后，可移动平台将每个候选定位结果各自对应的栅格地图与离线高精度地图之间的相似度作为每个候选定位结果各自对应的相关性系数；将每个候选定位结果各自对应的相关性系数与预设阈值进行比较，如果候选定 位结果对应的相关性系数大于预设阈值，则确定候选定位结果通过校验，如果候选定位结果对应的相关性系数小于或等于预设阈值，则确定候选定位结果未通过校验。需要说明的是，上述预设阈值可基于实际情况进行设置，本申请对此不作具体限定。
S306、获取通过校验的每个候选定位结果各自对应的相似度，并将最大的所述相似度对应的通过校验的候选定位结果作为目标定位结果。
具体地，在对候选定位结果集中的候选定位结果进行校验之后，获取通过校验的每个候选定位结果各自对应的相似度，并将最大的相似度对应的通过校验的候选定位结果作为目标定位结果。该相似度包括皮尔逊相关系数和区域互信息系数。其中，当候选定位结果集中的每个候选定位结果均未通过校验时，可移动平台重新定位。
上述实施例提供的高精度地图定位方法，通过候选定位结果集中的每个候选定位结果，对在线点云地图进行栅格化处理，得到每个候选定位结果各自对应的栅格地图，并计算每个候选定位结果各自对应的栅格地图与离线高精度地图之间的相似度，且基于每个候选定位结果各自对应的栅格地图与离线高精度地图之间的相似度，对每个候选定位结果进行校验，最后将通过校验，且相似度最大对应的候选定位结果集作为目标定位结果，进一步地提高高精度地图定位结果的精确性和稳定性。
请参阅图5，图5是本申请一实施例提供的驾驶系统的示意性框图。在一种实施方式中，该驾驶系统包括无人驾驶系统和有人驾驶系统。进一步地，该驾驶系统400包括处理器401、存储器402和激光雷达403，处理器401、存储器402和激光雷达403通过总线404连接，该总线404比如为I2C(Inter-integrated Circuit)总线。
具体地，处理器401可以是微控制单元(Micro-controller Unit，MCU)、中央处理单元(Central Processing Unit，CPU)或数字信号处理器(Digital Signal Processor，DSP)等。
具体地，存储器402可以是Flash芯片、只读存储器(ROM，Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
具体地，处理器401和存储器402为驾驶系统的计算平台，该激光雷达403可以为驾驶系统的外接设备，也可以为驾驶系统的内部组件，本申请对此不作 具体限定。
其中，所述处理器401用于运行存储在存储器402中的计算机程序，并在执行所述计算机程序时实现如下步骤：
获取离线高精度地图，并通过所述激光雷达采集到的三维点云数据建立在线点云地图；
确定候选定位结果集；
根据所述候选定位结果集中的每个候选定位结果，对所述在线点云地图进行栅格化处理，得到每个候选定位结果各自对应的栅格地图；
计算每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度；
根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果。
可选地，所述处理器在实现确定候选定位结果集时，用于实现：
获取可移动平台的当前位置数据和当前姿态数据；
根据所述当前位置数据确定候选位置集；
根据所述当前姿态数据和预设姿态误差值确定候选姿态集；
根据所述候选位置集和所述候选姿态集，确定候选定位结果集。
可选地，所述当前位置数据为所述可移动平台的定位系统在当前时刻输出的位置数据，所述当前姿态数据为所述可移动平台的惯性测量单元在当前时刻输出的姿态数据。
可选地，所述处理器在实现根据所述当前位置数据确定候选位置集时，用于实现：
确定所述当前位置数据的变化趋势，并根据所述当前位置数据的变化趋势，确定候选位置集。
可选地，所述处理器在实现根据所述当前姿态数据和预设姿态误差值确定候选姿态集时，用于实现：
计算所述当前姿态数据中的姿态角与预设姿态误差值的差值，以及计算所述当前姿态数据中的姿态角与预设姿态误差值的和；
根据所述当前姿态数据中的姿态角与预设姿态误差值的差值以及所述当前姿态数据中的姿态角与预设姿态误差值的和，确定候选姿态集。
可选地，所述处理器在实现根据所述候选位置集和所述候选姿态集，确定候选定位结果集时，用于实现：
每次从所述候选位置集选择一个候选位置与所述候选姿态集中的每个候选姿态进行组合，直至所述候选位置集中的候选位置均被选择一次时，汇集组合得到的每个候选定位结果作为候选定位结果集。
可选地，所述处理器在实现确定候选定位结果集时，用于实现：
获取可移动平台的历史定位结果，所述历史定位结果为所述可移动平台在上一时刻所确定的定位结果，且上一时刻与当前时刻间隔预设时间；
根据所述历史定位结果确定候选定位结果集。
可选地，所述处理器在实现计算每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度时，用于实现：
对所述离线高精度地图进行栅格化处理，得到每个所述栅格地图各自对应的离线栅格地图，其中，互相对应的所述栅格地图和所述离线栅格地图的栅格数量相同；
根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的相似度。
可选地，所述处理器在实现根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的相似度时，用于实现：
根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的皮尔逊相关系数；
将每个所述栅格地图与所述离线高精度地图之间的皮尔逊相关系数作为每个所述栅格地图与所述离线高精度地图之间的相似度。
可选地，所述处理器在实现根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的相似度时，用于实现：
根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的区域互信息系数；
将每个所述栅格地图与所述离线高精度地图之间的区域互信息系数作为每个所述栅格地图与所述离线高精度地图之间的相似度。
可选地，所述处理器在实现根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果时，用于实现：
将所述候选定位结果集中最大的所述相似度对应的候选定位结果作为目标 定位结果。
可选地，所述处理器在实现根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果之后，用于实现：
根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，对所述候选定位结果集中的候选定位结果进行校验；
获取通过校验的每个候选定位结果各自对应的相似度，并将最大的所述相似度对应的通过校验的候选定位结果作为目标定位结果。
可选地，所述处理器在实现根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，对所述候选定位结果集中的候选定位结果进行校验时，用于实现：
将每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度作为每个候选定位结果各自对应的相关性系数；
将每个候选定位结果各自对应的相关性系数与预设阈值进行比较；
若所述候选定位结果对应的相关性系数大于预设阈值，则确定所述候选定位结果通过校验；
若所述候选定位结果对应的相关性系数小于或等于预设阈值，则确定所述候选定位结果未通过校验。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的驾驶系统的工作过程，可以参考前述高精度地图定位方法实施例中的对应过程，在此不再赘述。
请参阅图6，图6是本申请一实施例提供的可移动平台的示意性框图。该可移动平台500包括处理器501、存储器502和激光雷达503，处理器501、存储器502和激光雷达503通过总线504连接，该总线504比如为I2C(Inter-integrated Circuit)总线。其中，可移动平台包括车辆和飞行器，飞行器包括无人飞行器和有人飞行器，车辆包括有人驾驶车辆和无人驾驶车辆等，无人飞行器包括旋翼型无人飞行器，例如四旋翼无人飞行器、六旋翼无人飞行器、八旋翼无人飞行器，也可以是固定翼无人飞行器，还可以是旋翼型与固定翼无人飞行器的组合，在此不作限定。
具体地，处理器501可以是微控制单元(Micro-controller Unit，MCU)、中央处理单元(Central Processing Unit，CPU)或数字信号处理器(Digital Signal  Processor，DSP)等。
具体地，存储器502可以是Flash芯片、只读存储器(ROM，Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
具体地，处理器501和存储器502为驾驶系统的计算平台，该激光雷达503可以为驾驶系统的外接设备，也可以为驾驶系统的内部组件，本申请对此不作具体限定。
其中，所述处理器501用于运行存储在存储器502中的计算机程序，并在执行所述计算机程序时实现如下步骤：
获取离线高精度地图，并通过所述激光雷达采集到的三维点云数据建立在线点云地图；
确定候选定位结果集；
根据所述候选定位结果集中的每个候选定位结果，对所述在线点云地图进行栅格化处理，得到每个候选定位结果各自对应的栅格地图；
计算每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度；
根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果。
可选地，所述处理器在实现确定候选定位结果集时，用于实现：
获取可移动平台的当前位置数据和当前姿态数据；
根据所述当前位置数据确定候选位置集；
根据所述当前姿态数据和预设姿态误差值确定候选姿态集；
根据所述候选位置集和所述候选姿态集，确定候选定位结果集。
可选地，所述当前位置数据为所述可移动平台的定位系统在当前时刻输出的位置数据，所述当前姿态数据为所述可移动平台的惯性测量单元在当前时刻输出的姿态数据。
可选地，所述处理器在实现根据所述当前位置数据确定候选位置集时，用于实现：
确定所述当前位置数据的变化趋势，并根据所述当前位置数据的变化趋势，确定候选位置集。
可选地，所述处理器在实现根据所述当前姿态数据和预设姿态误差值确定候选姿态集时，用于实现：
计算所述当前姿态数据中的姿态角与预设姿态误差值的差值，以及计算所述当前姿态数据中的姿态角与预设姿态误差值的和；
根据所述当前姿态数据中的姿态角与预设姿态误差值的差值以及所述当前姿态数据中的姿态角与预设姿态误差值的和，确定候选姿态集。
可选地，所述处理器在实现根据所述候选位置集和所述候选姿态集，确定候选定位结果集时，用于实现：
每次从所述候选位置集选择一个候选位置与所述候选姿态集中的每个候选姿态进行组合，直至所述候选位置集中的候选位置均被选择一次时，汇集组合得到的每个候选定位结果作为候选定位结果集。
可选地，所述处理器在实现确定候选定位结果集时，用于实现：
获取可移动平台的历史定位结果，所述历史定位结果为所述可移动平台在上一时刻所确定的定位结果，且上一时刻与当前时刻间隔预设时间；
根据所述历史定位结果确定候选定位结果集。
可选地，所述处理器在实现计算每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度时，用于实现：
对所述离线高精度地图进行栅格化处理，得到每个所述栅格地图各自对应的离线栅格地图，其中，互相对应的所述栅格地图和所述离线栅格地图的栅格数量相同；
根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的相似度。
可选地，所述处理器在实现根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的相似度时，用于实现：
根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的皮尔逊相关系数；
将每个所述栅格地图与所述离线高精度地图之间的皮尔逊相关系数作为每个所述栅格地图与所述离线高精度地图之间的相似度。
可选地，所述处理器在实现根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的相似度时，用于实现：
根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的区域互信息系数；
将每个所述栅格地图与所述离线高精度地图之间的区域互信息系数作为每个所述栅格地图与所述离线高精度地图之间的相似度。
可选地，所述处理器在实现根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果时，用于实现：
将所述候选定位结果集中最大的所述相似度对应的候选定位结果作为目标定位结果。
可选地，所述处理器在实现根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果之后，用于实现：
根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，对所述候选定位结果集中的候选定位结果进行校验；
获取通过校验的每个候选定位结果各自对应的相似度，并将最大的所述相似度对应的通过校验的候选定位结果作为目标定位结果。
可选地，所述处理器在实现根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，对所述候选定位结果集中的候选定位结果进行校验时，用于实现：
将每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度作为每个候选定位结果各自对应的相关性系数；
将每个候选定位结果各自对应的相关性系数与预设阈值进行比较；
若所述候选定位结果对应的相关性系数大于预设阈值，则确定所述候选定位结果通过校验；
若所述候选定位结果对应的相关性系数小于或等于预设阈值，则确定所述候选定位结果未通过校验。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的可移动平台的工作过程，可以参考前述高精度地图定位方法实施例中的对应过程，在此不再赘述。
本申请的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现上述实施例提供的高精度地图定位方法的步骤。
其中，所述计算机可读存储介质可以是前述任一实施例所述的可移动平台 或驾驶系统的内部存储单元，例如所述可移动平台或驾驶系统的硬盘或内存。所述计算机可读存储介质也可以是所述可移动平台或驾驶系统的外部存储设备，例如所述可移动平台或驾驶系统上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (40)

  1. 一种高精度地图定位方法，其特征在于，包括：
    获取离线高精度地图，并建立在线点云地图；
    确定候选定位结果集；
    根据所述候选定位结果集中的每个候选定位结果，对所述在线点云地图进行栅格化处理，得到每个候选定位结果各自对应的栅格地图；
    计算每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度；
    根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果。
  2. 根据权利要求1所述的高精度地图定位方法，其特征在于，所述确定候选定位结果集，包括：
    获取可移动平台的当前位置数据和当前姿态数据；
    根据所述当前位置数据确定候选位置集；
    根据所述当前姿态数据和预设姿态误差值确定候选姿态集；
    根据所述候选位置集和所述候选姿态集，确定候选定位结果集。
  3. 根据权利要求2所述的高精度地图定位方法，其特征在于，所述当前位置数据为所述可移动平台的定位系统在当前时刻输出的位置数据，所述当前姿态数据为所述可移动平台的惯性测量单元在当前时刻输出的姿态数据。
  4. 根据权利要求2所述的高精度地图定位方法，其特征在于，所述根据所述当前位置数据确定候选位置集，包括：
    确定所述当前位置数据的变化趋势，并根据所述当前位置数据的变化趋势，确定候选位置集。
  5. 根据权利要求2所述的高精度地图定位方法，其特征在于，所述根据所述当前姿态数据和预设姿态误差值确定候选姿态集，包括：
    计算所述当前姿态数据中的姿态角与预设姿态误差值的差值，以及计算所述当前姿态数据中的姿态角与预设姿态误差值的和；
    根据所述当前姿态数据中的姿态角与预设姿态误差值的差值以及所述当前姿态数据中的姿态角与预设姿态误差值的和，确定候选姿态集。
  6. 根据权利要求2所述的高精度地图定位方法，其特征在于，所述根据所述候选位置集和所述候选姿态集，确定候选定位结果集，包括：
    每次从所述候选位置集选择一个候选位置与所述候选姿态集中的每个候选姿态进行组合，直至所述候选位置集中的候选位置均被选择一次时，汇集组合得到的每个候选定位结果作为候选定位结果集。
  7. 根据权利要求1所述的高精度地图定位方法，其特征在于，所述确定候选定位结果集，包括：
    获取可移动平台的历史定位结果，所述历史定位结果为所述可移动平台在上一时刻所确定的定位结果，且上一时刻与当前时刻间隔预设时间；
    根据所述历史定位结果确定候选定位结果集。
  8. 根据权利要求1-7中任一项所述的高精度地图定位方法，其特征在于，所述计算每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，包括：
    对所述离线高精度地图进行栅格化处理，得到每个所述栅格地图各自对应的离线栅格地图，其中，互相对应的所述栅格地图和所述离线栅格地图的栅格数量相同；
    根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的相似度。
  9. 根据权利要求8所述的高精度地图定位方法，其特征在于，所述根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的相似度，包括：
    根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的皮尔逊相关系数；
    将每个所述栅格地图与所述离线高精度地图之间的皮尔逊相关系数作为每个所述栅格地图与所述离线高精度地图之间的相似度。
  10. 根据权利要求8所述的高精度地图定位方法，其特征在于，所述根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的相似度，包括：
    根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的区域互信息系数；
    将每个所述栅格地图与所述离线高精度地图之间的区域互信息系数作为每个所述栅格地图与所述离线高精度地图之间的相似度。
  11. 根据权利要求1-7中任一项所述的高精度地图定位方法，其特征在于，所述根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的 相似度，从所述候选定位结果集中确定目标定位结果，包括：
    将所述候选定位结果集中最大的所述相似度对应的候选定位结果作为目标定位结果。
  12. 根据权利要求1所述的高精度地图定位方法，其特征在于，所述根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果，包括：
    根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，对所述候选定位结果集中的候选定位结果进行校验；
    获取通过校验的每个候选定位结果各自对应的相似度，并将最大的所述相似度对应的通过校验的候选定位结果作为目标定位结果。
  13. 根据权利要求12所述的高精度地图定位方法，其特征在于，所述根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，对所述候选定位结果集中的候选定位结果进行校验，包括：
    将每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度作为每个候选定位结果各自对应的相关性系数；
    将每个候选定位结果各自对应的相关性系数与预设阈值进行比较；
    若所述候选定位结果对应的相关性系数大于预设阈值，则确定所述候选定位结果通过校验；
    若所述候选定位结果对应的相关性系数小于或等于预设阈值，则确定所述候选定位结果未通过校验。
  14. 一种驾驶系统，其特征在于，所述驾驶系统包括激光雷达、存储器和处理器；
    所述存储器用于存储计算机程序；
    所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现如下步骤：
    获取离线高精度地图，并通过所述激光雷达采集到的三维点云数据建立在线点云地图；
    确定候选定位结果集；
    根据所述候选定位结果集中的每个候选定位结果，对所述在线点云地图进行栅格化处理，得到每个候选定位结果各自对应的栅格地图；
    计算每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度；
    根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果。
  15. 根据权利要求14所述的驾驶系统，其特征在于，所述处理器在实现确定候选定位结果集时，用于实现：
    获取可移动平台的当前位置数据和当前姿态数据；
    根据所述当前位置数据确定候选位置集；
    根据所述当前姿态数据和预设姿态误差值确定候选姿态集；
    根据所述候选位置集和所述候选姿态集，确定候选定位结果集。
  16. 根据权利要求15所述的驾驶系统，其特征在于，所述当前位置数据为所述可移动平台的定位系统在当前时刻输出的位置数据，所述当前姿态数据为所述可移动平台的惯性测量单元在当前时刻输出的姿态数据。
  17. 根据权利要求15所述的驾驶系统，其特征在于，所述处理器在实现根据所述当前位置数据确定候选位置集时，用于实现：
    确定所述当前位置数据的变化趋势，并根据所述当前位置数据的变化趋势，确定候选位置集。
  18. 根据权利要求14所述的驾驶系统，其特征在于，所述处理器在实现根据所述当前姿态数据和预设姿态误差值确定候选姿态集时，用于实现：
    计算所述当前姿态数据中的姿态角与预设姿态误差值的差值，以及计算所述当前姿态数据中的姿态角与预设姿态误差值的和；
    根据所述当前姿态数据中的姿态角与预设姿态误差值的差值以及所述当前姿态数据中的姿态角与预设姿态误差值的和，确定候选姿态集。
  19. 根据权利要求15所述的驾驶系统，其特征在于，所述处理器在实现根据所述候选位置集和所述候选姿态集，确定候选定位结果集时，用于实现：
    每次从所述候选位置集选择一个候选位置与所述候选姿态集中的每个候选姿态进行组合，直至所述候选位置集中的候选位置均被选择一次时，汇集组合得到的每个候选定位结果作为候选定位结果集。
  20. 根据权利要求14所述的驾驶系统，其特征在于，所述处理器在实现确定候选定位结果集时，用于实现：
    获取可移动平台的历史定位结果，所述历史定位结果为所述可移动平台在上一时刻所确定的定位结果，且上一时刻与当前时刻间隔预设时间；
    根据所述历史定位结果确定候选定位结果集。
  21. 根据权利要求14-20中任一项所述的驾驶系统，其特征在于，所述处 理器在实现计算每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度时，用于实现：
    对所述离线高精度地图进行栅格化处理，得到每个所述栅格地图各自对应的离线栅格地图，其中，互相对应的所述栅格地图和所述离线栅格地图的栅格数量相同；
    根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的相似度。
  22. 根据权利要求21所述的驾驶系统，其特征在于，所述处理器在实现根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的相似度时，用于实现：
    根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的皮尔逊相关系数；
    将每个所述栅格地图与所述离线高精度地图之间的皮尔逊相关系数作为每个所述栅格地图与所述离线高精度地图之间的相似度。
  23. 根据权利要求21所述的驾驶系统，其特征在于，所述处理器在实现根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的相似度时，用于实现：
    根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的区域互信息系数；
    将每个所述栅格地图与所述离线高精度地图之间的区域互信息系数作为每个所述栅格地图与所述离线高精度地图之间的相似度。
  24. 根据权利要求14-20中任一项所述的驾驶系统，其特征在于，所述处理器在实现根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果时，用于实现：
    将所述候选定位结果集中最大的所述相似度对应的候选定位结果作为目标定位结果。
  25. 根据权利要求14所述的驾驶系统，其特征在于，所述处理器在实现根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果之后，用于实现：
    根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，对所述候选定位结果集中的候选定位结果进行校验；
    获取通过校验的每个候选定位结果各自对应的相似度，并将最大的所述相 似度对应的通过校验的候选定位结果作为目标定位结果。
  26. 根据权利要求25所述的驾驶系统，其特征在于，所述处理器在实现根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，对所述候选定位结果集中的候选定位结果进行校验时，用于实现：
    将每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度作为每个候选定位结果各自对应的相关性系数；
    将每个候选定位结果各自对应的相关性系数与预设阈值进行比较；
    若所述候选定位结果对应的相关性系数大于预设阈值，则确定所述候选定位结果通过校验；
    若所述候选定位结果对应的相关性系数小于或等于预设阈值，则确定所述候选定位结果未通过校验。
  27. 一种可移动平台，其特征在于，所述可移动平台包括激光雷达、存储器和处理器；
    所述存储器用于存储计算机程序；
    所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现如下步骤：
    获取离线高精度地图，并通过所述激光雷达采集到的三维点云数据建立在线点云地图；
    确定候选定位结果集；
    根据所述候选定位结果集中的每个候选定位结果，对所述在线点云地图进行栅格化处理，得到每个候选定位结果各自对应的栅格地图；
    计算每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度；
    根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果。
  28. 根据权利要求27所述的可移动平台，其特征在于，所述处理器在实现确定候选定位结果集时，用于实现：
    获取可移动平台的当前位置数据和当前姿态数据；
    根据所述当前位置数据确定候选位置集；
    根据所述当前姿态数据和预设姿态误差值确定候选姿态集；
    根据所述候选位置集和所述候选姿态集，确定候选定位结果集。
  29. 根据权利要求28所述的可移动平台，其特征在于，所述当前位置数据 为所述可移动平台的定位系统在当前时刻输出的位置数据，所述当前姿态数据为所述可移动平台的惯性测量单元在当前时刻输出的姿态数据。
  30. 根据权利要求28所述的可移动平台，其特征在于，所述处理器在实现根据所述当前位置数据确定候选位置集时，用于实现：
    确定所述当前位置数据的变化趋势，并根据所述当前位置数据的变化趋势，确定候选位置集。
  31. 根据权利要求27所述的可移动平台，其特征在于，所述处理器在实现根据所述当前姿态数据和预设姿态误差值确定候选姿态集时，用于实现：
    计算所述当前姿态数据中的姿态角与预设姿态误差值的差值，以及计算所述当前姿态数据中的姿态角与预设姿态误差值的和；
    根据所述当前姿态数据中的姿态角与预设姿态误差值的差值以及所述当前姿态数据中的姿态角与预设姿态误差值的和，确定候选姿态集。
  32. 根据权利要求28所述的可移动平台，其特征在于，所述处理器在实现根据所述候选位置集和所述候选姿态集，确定候选定位结果集时，用于实现：
    每次从所述候选位置集选择一个候选位置与所述候选姿态集中的每个候选姿态进行组合，直至所述候选位置集中的候选位置均被选择一次时，汇集组合得到的每个候选定位结果作为候选定位结果集。
  33. 根据权利要求27所述的可移动平台，其特征在于，所述处理器在实现确定候选定位结果集时，用于实现：
    获取可移动平台的历史定位结果，所述历史定位结果为所述可移动平台在上一时刻所确定的定位结果，且上一时刻与当前时刻间隔预设时间；
    根据所述历史定位结果确定候选定位结果集。
  34. 根据权利要求27-33中任一项所述的可移动平台，其特征在于，所述处理器在实现计算每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度时，用于实现：
    对所述离线高精度地图进行栅格化处理，得到每个所述栅格地图各自对应的离线栅格地图，其中，互相对应的所述栅格地图和所述离线栅格地图的栅格数量相同；
    根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的相似度。
  35. 根据权利要求34所述的可移动平台，其特征在于，所述处理器在实现根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高 度，计算每个所述栅格地图与所述离线高精度地图之间的相似度时，用于实现：
    根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的皮尔逊相关系数；
    将每个所述栅格地图与所述离线高精度地图之间的皮尔逊相关系数作为每个所述栅格地图与所述离线高精度地图之间的相似度。
  36. 根据权利要求34所述的可移动平台，其特征在于，所述处理器在实现根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的相似度时，用于实现：
    根据每个所述栅格地图中各栅格的高度和每个所述离线栅格地图中各栅格的高度，计算每个所述栅格地图与所述离线高精度地图之间的区域互信息系数；
    将每个所述栅格地图与所述离线高精度地图之间的区域互信息系数作为每个所述栅格地图与所述离线高精度地图之间的相似度。
  37. 根据权利要求27-33中任一项所述的可移动平台，其特征在于，所述处理器在实现根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果时，用于实现：
    将所述候选定位结果集中最大的所述相似度对应的候选定位结果作为目标定位结果。
  38. 根据权利要求27所述的可移动平台，其特征在于，所述处理器在实现根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，从所述候选定位结果集中确定目标定位结果之后，用于实现：
    根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，对所述候选定位结果集中的候选定位结果进行校验；
    获取通过校验的每个候选定位结果各自对应的相似度，并将最大的所述相似度对应的通过校验的候选定位结果作为目标定位结果。
  39. 根据权利要求38所述的可移动平台，其特征在于，所述处理器在实现根据每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度，对所述候选定位结果集中的候选定位结果进行校验时，用于实现：
    将每个候选定位结果各自对应的栅格地图与所述离线高精度地图之间的相似度作为每个候选定位结果各自对应的相关性系数；
    将每个候选定位结果各自对应的相关性系数与预设阈值进行比较；
    若所述候选定位结果对应的相关性系数大于预设阈值，则确定所述候选定位结果通过校验；
    若所述候选定位结果对应的相关性系数小于或等于预设阈值，则确定所述候选定位结果未通过校验。
  40. 一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1-13中任一项所述的高精度地图定位方法。
PCT/CN2019/098185 2019-07-29 2019-07-29 高精度地图定位方法、系统、平台及计算机可读存储介质 WO2021016806A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201980033297.2A CN112154429B (zh) 2019-07-29 2019-07-29 高精度地图定位方法、系统、平台及计算机可读存储介质
PCT/CN2019/098185 WO2021016806A1 (zh) 2019-07-29 2019-07-29 高精度地图定位方法、系统、平台及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/098185 WO2021016806A1 (zh) 2019-07-29 2019-07-29 高精度地图定位方法、系统、平台及计算机可读存储介质

Publications (1)

Publication Number Publication Date
WO2021016806A1 true WO2021016806A1 (zh) 2021-02-04

Family

ID=73891954

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/098185 WO2021016806A1 (zh) 2019-07-29 2019-07-29 高精度地图定位方法、系统、平台及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN112154429B (zh)
WO (1) WO2021016806A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022151011A1 (zh) * 2021-01-13 2022-07-21 华为技术有限公司 一种定位方法、装置和车辆
CN112987763B (zh) * 2021-05-11 2021-09-17 南京理工大学紫金学院 一种基于ros的自主导航机器人控制系统的智能小车
CN115049745B (zh) * 2022-08-16 2022-12-20 江苏魔视智能科技有限公司 一种路侧传感器的标定方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106908775A (zh) * 2017-03-08 2017-06-30 同济大学 一种基于激光反射强度的无人车实时定位方法
CN108445503A (zh) * 2018-03-12 2018-08-24 吉林大学 基于激光雷达与高精度地图融合的无人驾驶路径规划算法
CN109186625A (zh) * 2018-10-24 2019-01-11 北京奥特贝睿科技有限公司 智能车辆利用混合采样滤波进行精确定位的方法及系统
EP3432029A1 (en) * 2017-07-21 2019-01-23 Ebeson AB Underwater mapping method and system
CN109556615A (zh) * 2018-10-10 2019-04-02 吉林大学 基于自动驾驶的多传感器融合认知的驾驶地图生成方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108319655B (zh) * 2017-12-29 2021-05-07 百度在线网络技术（北京）有限公司 用于生成栅格地图的方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106908775A (zh) * 2017-03-08 2017-06-30 同济大学 一种基于激光反射强度的无人车实时定位方法
EP3432029A1 (en) * 2017-07-21 2019-01-23 Ebeson AB Underwater mapping method and system
CN108445503A (zh) * 2018-03-12 2018-08-24 吉林大学 基于激光雷达与高精度地图融合的无人驾驶路径规划算法
CN109556615A (zh) * 2018-10-10 2019-04-02 吉林大学 基于自动驾驶的多传感器融合认知的驾驶地图生成方法
CN109186625A (zh) * 2018-10-24 2019-01-11 北京奥特贝睿科技有限公司 智能车辆利用混合采样滤波进行精确定位的方法及系统

Also Published As

Publication number Publication date
CN112154429B (zh) 2024-03-19
CN112154429A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
CN110426051B (zh) 一种车道线绘制方法、装置及存储介质
CN107481292B (zh) 车载摄像头的姿态误差估计方法和装置
CN110609290B (zh) 激光雷达匹配定位方法及装置
WO2021016806A1 (zh) 高精度地图定位方法、系统、平台及计算机可读存储介质
EP3407294A1 (en) Information processing method, device, and terminal
CN108279670B (zh) 用于调整点云数据采集轨迹的方法、设备以及计算机可读介质
WO2018142900A1 (ja) 情報処理装置、データ管理装置、データ管理システム、方法、及びプログラム
US11043002B2 (en) Obstacle detecting method and obstacle detecting apparatus based on unmanned vehicle, and device, and storage medium
US9797981B2 (en) Moving-object position/attitude estimation apparatus and moving-object position/attitude estimation method
JP6857697B2 (ja) 車両位置決め方法、車両位置決め装置、電子機器及びコンピュータ読み取り可能な記憶媒体
JP6349418B2 (ja) 高精度単眼移動によるオブジェクト位置特定
WO2018133727A1 (zh) 一种正射影像图的生成方法及装置
CN109523579B (zh) 一种无人机视频图像与三维地图的匹配方法和装置
US9816786B2 (en) Method for automatically generating a three-dimensional reference model as terrain information for an imaging device
CN110986956A (zh) 一种基于改进的蒙特卡洛算法的自主学习全局定位方法
WO2021016803A1 (zh) 高精度地图定位方法、系统、平台及计算机可读存储介质
US11629963B2 (en) Efficient map matching method for autonomous driving and apparatus thereof
WO2021051361A1 (zh) 高精度地图定位方法、系统、平台及计算机可读存储介质
JP6673504B2 (ja) 情報処理装置、データベース生成装置、方法、プログラム、及び記憶媒体
JP6188345B2 (ja) 情報処理装置、情報処理方法
JP2017211307A (ja) 測定装置、測定方法およびプログラム
CN110926405B (zh) 一种基于单目视觉灭点检测的arv姿态测量方法
CN109341704B (zh) 一种地图精度确定方法及装置
US20220277480A1 (en) Position estimation device, vehicle, position estimation method and position estimation program
CN108614552B (zh) 一种基于离散位姿的路径规划方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19939843

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19939843

Country of ref document: EP

Kind code of ref document: A1