CN107024216B - 引入全景地图的智能车辆融合定位***及方法 - Google Patents

引入全景地图的智能车辆融合定位***及方法 Download PDF

Info

Publication number
CN107024216B
CN107024216B CN201710150551.XA CN201710150551A CN107024216B CN 107024216 B CN107024216 B CN 107024216B CN 201710150551 A CN201710150551 A CN 201710150551A CN 107024216 B CN107024216 B CN 107024216B
Authority
CN
China
Prior art keywords
image
positioning
intelligent vehicle
module
inertial navigation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710150551.XA
Other languages
English (en)
Other versions
CN107024216A (zh
Inventor
岑明
张洁
曾素华
任凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201710150551.XA priority Critical patent/CN107024216B/zh
Publication of CN107024216A publication Critical patent/CN107024216A/zh
Application granted granted Critical
Publication of CN107024216B publication Critical patent/CN107024216B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G01C21/32—Structuring or formatting of map data
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)

Abstract

本发明请求保护一种引入全景地图的智能车辆融合定位***及方法，涉及智能车辆定位技术领域。包括数据采集模块、道路筛选模块、图像匹配模块和融合定位模块。数据采集模块通过车载卫星定位设备、惯性导航设备和摄像机分别采集当前时刻车辆的卫星定位数据、惯性导航定位数据和环境图像；道路筛选模块结合智能车辆状态估计(在***初始化时为卫星定位数据)和ADAS地图筛选、识别出智能车辆当前时刻所在道路；图像匹配模块将数据采集模块获得的实时环境图像与当前时刻所在道路的全景地图图像进行匹配，得到智能车辆位置的图像定位结果；融合定位模块将卫星定位数据、惯性导航定位数据和图像定位结果进行融合滤波，获得智能车辆的精确定位结果。

Description

引入全景地图的智能车辆融合定位***及方法
技术领域
本发明涉及计算机和自动化技术，特别是智能车辆定位技术领域。
背景技术
智能车辆的准确定位是智能车辆辅助驾驶/自动驾驶研究中的重要问题。
中国专利申请：车辆GPS与电子地图动态定位方法及车辆智能管理***(申请号：201210210213.8)公开了一种车辆GPS与电子地图动态定位方法，该方法仅采用GPS单一传感器，没有采用融合定位方法。中国专利申请：车辆定位的实现方法(申请号：200910302287.2)公开了一种将GPS和DR相结合，与电子地图匹配定位的方法，该方法没有引入惯性导航及全景地图图像匹配。中国专利申请：一种基于路面图像特征匹配的车辆定位方法(申请号：201310406668.1)公开了一种对连续两帧路面图像进行特征匹配定位的方法，该方法要求路面有足够多的特征点(路标)，并且没有考虑帧帧匹配会带来累计误差的问题，也没有与其他传感器进行融合。中国专利申请：一种基于车载全景影像与街景地图匹配的视觉定位方法(申请号：201510094595.6)本发明公开了一种采用车载全景实时环境图像与街景地图匹配的定位方法，该方法仅适用于GPS失效的时候作为替补，没有考虑将两者进行融合以提高精度。
本发明针对目前的智能车辆定位***中，使用单一传感器时定位精度及可靠性不高的问题，提出一种引入全景地图的智能车辆融合定位***及方法，首先将智能车辆车载摄像机采集的实时环境图像与全景地图进行匹配得到图像定位结果，再将图像定位结果与卫星定位结果、惯性导航定位结果通过联邦滤波器进行融合滤波来提高智能车辆定位精度及可靠性。
发明内容
本发明旨在解决以上现有技术的问题，提出了一种提高定位精度及可靠性的方法。本发明的技术方案如下：
一种引入全景地图的智能车辆融合定位***，其包括数据采集模块、道路筛选模块、图像匹配模块和融合定位模块，其中：
所述数据采集模块，通过车载卫星定位设备、惯性导航设备和摄像机分别采集智能车辆当前时刻的卫星定位数据、惯性导航定位数据和环境图像；
所述道路筛选模块用于结合智能车辆状态估计(在***初始化时为卫星定位数据)和ADAS(Advanced Driver Assistance Systems,高级驾驶员辅助***)地图，筛选并识别出智能车辆当前时刻所在道路；
所述图像匹配模块用于将智能车辆数据采集***的车载摄像机获得的当前环境图像与当前时刻所在道路的全景地图图像进行匹配，获得图像定位结果；
所述融合定位模块以惯性导航***为参考***，惯性导航/卫星定位和惯性导航/摄像机为两个子***，用卫星定位数据、惯性导航定位数据和图像定位结果构造联邦滤波器进行融合滤波，得到智能车辆的精确定位结果。
进一步的，一种基于所述***的引入全景地图的智能车辆融合定位方法，其包括以下步骤：
(1)数据采集：数据采集模块在智能车辆行驶的过程中，实时采集当前时刻k的卫星定位数据、惯性导航定位数据以及环境图像；
(2)当前时刻所在道路筛选：道路筛选模块根据上一时刻智能车辆状态估计
Figure GDA0001311143470000021
进行一步预测，利用一步预测结果
Figure GDA0001311143470000022
中的位置信息(在***初始化时为步骤(1)所述的卫星定位数据)，通过ADAS地图接口，筛选并识别出智能车辆当前时刻所在道路的编号；
(3)实时环境图像与全景地图匹配：图像匹配模块以步骤(2)获得智能车辆位置信息以及当前时刻所在道路编号为约束，构造约束条件，将实时环境图像与满足约束条件的全景地图图像进行匹配，得到智能车辆的图像定位结果；
(4)融合滤波：融合定位模块利用联邦滤波器融合估计由步骤(1)获得的卫星定位数据、惯性导航定位数据和由步骤(3)获得的图像定位结果，得到智能车辆的精确定位结果。
进一步的，所述图像匹配模块将智能车辆当前的实时环境图像与全景地图图像进行匹配的步骤包括：
(1)对智能车辆数据采集模块的车载摄像机获得的实时环境图像进行预处理，根据摄像机内部参数去除图像畸变，得到修正的实时环境图像c；
(2)以智能车辆状态的一步预测
Figure GDA0001311143470000031
中的位置信息(在***初始化时为步骤2.1所述的卫星定位数据)为中心、给定参数r为半径，构造搜索区间，从全景地图中检索出该搜索区间内并且属于当前时刻所在道路的n帧全景地图图像作为参考图像集合，记为c1,c2,...,cn，对应的地理位置为Pi(xi,yi)，i＝1,2,...,n；
(3)利用图像匹配算法对由步骤(1)预处理后的实时环境图像与步骤(2)中获得的参考图像集合中的n帧参考图像逐一进行匹配，计算出实时环境图像与每帧参考图像之间的相似度γi(c,ci)，i＝1,2,...,n；
(4)以步骤(3)所述的n个相似度γi(c,ci)为权值，利用加权最小二乘算法对n帧参考图像所对应的地理位置Pi(xi,yi)进行融合，得到智能车辆位置的图像定位结果。
进一步的，所述融合定位模块的融合滤波步骤包括：
(1)以惯性导航定位数据和卫星定位数据作为惯性导航/卫星定位子滤波器(记为LF1)的量测值，通过Kalman滤波得到局部估计
Figure GDA0001311143470000032
及其协方差阵P1；
(2)以惯性导航定位数据和图像匹配模块获得的图像定位结果作为惯性导航/摄像机子滤波器(记为LF2)的量测值，通过Kalman滤波得到局部估计
Figure GDA0001311143470000033
及其协方差阵P2；
(3)将步骤(1)和步骤(2)中各子滤波器LF1及LF2的局部估计及其协方差阵送入到联邦滤波器，与主滤波器的估计
Figure GDA0001311143470000034
及其协方差阵Pm一起进行融合，得到全局最优估计
Figure GDA0001311143470000035
及其协方差阵Pf；
(4)根据信息分配原理确定信息分配系数，以步骤(3)获得的全局估计
Figure GDA0001311143470000036
协方差阵Pf以及信息分配系数重置各子滤波器的估计及主滤波器的误差协方差。
本发明的优点及有益效果如下：
本发明提出一种引入全景地图的智能车辆融合定位***及方法。通过引入全景地图，利用图像匹配技术进行图像定位，再结合卫星定位与惯性导航定位进行融合滤波，提高智能车辆定位精度与可靠性。利用ADAS地图对当前时刻智能车辆所在道路进行筛选与识别，可避免多层及交叉道路环境下难以有效选择全景图像的问题。
附图说明
图1.本发明提供优选实施例引入全景地图的智能车辆融合定位***总体架构；
图2.本发明引入全景地图的智能车辆融合定位方法流程图；
图3.本发明图像匹配模块流程图；
图4.本发明融合定位模块联邦滤波器结构。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
本发明提出的引入全景地图的智能车辆融合定位方法，利用图像匹配技术，将智能车辆实时环境图像与全景地图匹配，获取车辆的位置信息，并与卫星定位技术、惯性导航定位技术相结合，以提高定位精度及可靠性，为实现智能车辆辅助驾驶/自主驾驶奠定基础。
以下结合附图和具体实例对本发明的具体实施方式进行描述。
如图1所示为本发明提出的一种引入全景地图的智能车辆融合定位***的总体架构。该***由数据采集模块、道路筛选模块、图像匹配模块和融合定位模块组成。其中：数据采集模块通过车载卫星定位设备、惯性导航设备和摄像机分别采集智能车辆当前时刻的卫星定位数据、惯性导航定位数据和环境图像；道路筛选模块用于结合智能车辆状态估计(在***初始化时为卫星定位数据)和ADAS地图，筛选并识别出智能车辆当前时刻所在道路；图像匹配模块用于将智能车辆车载摄像机获得的当前环境图像与当前时刻所在道路的全景地图图像进行匹配，获得图像定位结果；融合定位模块以惯性导航***为参考***，惯性导航/卫星定位和惯性导航/摄像机为两个子***，用卫星定位数据、惯性导航定位数据和图像定位结果构造联邦滤波器进行融合滤波，得到智能车辆的精确定位结果
如图2所示为本发明提出的一种引入全景地图的智能车辆融合定位方法流程，该方法包括以下步骤：
(1)数据采集：数据采集模块在智能车辆行驶的过程中，实时采集当前时刻k的卫星定位数据z1、惯性导航定位数据x1以及环境图像；
(2)当前时刻所在道路筛选：道路筛选模块根据上一时刻智能车辆状态估计
Figure GDA0001311143470000051
进行一步预测，利用一步预测结果
Figure GDA0001311143470000052
中的位置信息(在***初始化时为步骤(1)所述的卫星定位数据)，通过ADAS地图接口，筛选并识别出智能车辆当前时刻所在道路的编号；
(3)实时环境图像与全景地图匹配：图像匹配模块以步骤(2)获得智能车辆位置信息以及当前时刻所在道路编号为约束，构造约束条件，将实时环境图像与满足约束条件的全景地图图像进行匹配，得到智能车辆的图像定位结果z2；
(4)融合滤波：融合定位模块利用联邦滤波器融合估计由步骤(1)获得的卫星定位数据、惯性导航定位数据和由步骤(3)获得的图像定位结果，得到智能车辆的精确定位结果。
如图3所示为本发明提出的一种引入全景地图的智能车辆融合定位***的图像匹配模块流程，其步骤包括：
(1)对智能车辆数据采集模块的车载摄像机获得的实时环境图像进行预处理，根据摄像机内部参数去除图像畸变，得到修正的实时环境图像c；
(2)以智能车辆状态的一步预测
Figure GDA0001311143470000053
中的位置信息(在***初始化时为步骤2.1所述的卫星定位数据)为中心、给定参数r为半径，构造搜索区间，从全景地图中检索出该搜索区间内并且属于当前时刻所在道路的n帧全景地图图像作为参考图像集合，记为c1,c2,...,cn，对应的地理位置为Pi(xi,yi)，i＝1,2,...,n；
(3)利用图像匹配算法对由步骤(1)预处理后的实时环境图像与步骤(2)中获得的参考图像集合中的n帧参考图像逐一进行匹配，计算出实时环境图像与每帧参考图像之间的相似度γi(c,ci)，i＝1,2,...,n。匹配过程的具体实施步骤如下：
a.提取全景地图图像的SIFT(Scale-Invariant Feature Transform，尺度不变特征变换)特征；
b.利用K-Means算法对步骤a所提取的大量的SIFT特征进行聚类处理，构建视觉词汇；
c.构建实时环境图像c和n帧参考图像的词汇分布频率直方图，分别记为A和Bi，i＝1,2,...,n；
d.按照式(1)，利用余弦相似性准则分别计算实时环境图像c与参考图像ci的相似度：
Figure GDA0001311143470000061
其中，Aj表示实时环境图像c的词汇分布频率直方图中第j个视觉词汇的统计数量；Bij表示参考图像ci的词汇分布频率直方图中第j个视觉词汇的统计数量，m为视觉词典中词汇的总数量。
(4)以步骤(3)所述的n个相似度γi(c,ci)为权值，按照式(2)利用加权最小二乘算法对n帧参考图像所对应的地理位置Pi(xi,yi)进行融合，得到智能车辆位置的图像定位结果z2：
Figure GDA0001311143470000062
本发明提出的一种引入全景地图的智能车辆融合定位***的融合定位模块结构，融合定位模块采用联邦滤波器结构，其中参考***采用惯性导航定位***，其输出x1直接送入主滤波器进行滤波；利用惯性导航/卫星定位***构成子滤波器LF1，惯性导航/摄像机构成子滤波器LF2。
融合滤波方法包括以下步骤：
(1)以惯性导航定位数据和卫星定位数据作为惯性导航/卫星定位子滤波器LF1的量测值，通过Kalman滤波得到局部估计
Figure GDA0001311143470000071
及其协方差阵P1(k)；
(2)以惯性导航定位数据和图像匹配模块获得的图像定位结果作为惯性导航/摄像机子滤波器LF2的量测值，通过Kalman滤波得到局部估计
Figure GDA0001311143470000072
及其协方差阵P2(k)；
(3)将步骤(1)和步骤(2)中各子滤波器LF1及LF2的局部估计及其协方差阵送入到联邦滤波器，与主滤波器的估计
Figure GDA0001311143470000073
及其协方差阵Pm(k)一起进行融合，得到全局最优估计
Figure GDA0001311143470000074
及其协方差阵Pf(k)：
Figure GDA0001311143470000075
Figure GDA0001311143470000076
(4)根据信息分配原理确定信息分配系数，以步骤(3)获得的全局估计
Figure GDA0001311143470000077
协方差阵Pf(k)以及信息分配系数重置各子滤波器的估计及主滤波器的误差协方差：
Figure GDA0001311143470000078
Figure GDA0001311143470000079
Figure GDA00013111434700000710
其中i＝1,2，Qi(k)是LFi的过程噪声协方差阵，Q(k)是***的过程噪声协方差阵，βi是信息分配系数，满足：
Figure GDA00013111434700000711
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (2)

1.一种基于引入全景地图的智能车辆融合定位***的定位方法，所述***包括包括数据采集模块、道路筛选模块、图像匹配模块和融合定位模块，其中：
所述数据采集模块，通过车载卫星定位设备、惯性导航设备和摄像机分别采集智能车辆当前时刻的卫星定位数据、惯性导航定位数据和环境图像；
所述道路筛选模块用于结合智能车辆状态估计和高级驾驶员辅助***ADAS地图，筛选并识别出智能车辆当前时刻所在道路；
所述图像匹配模块用于将智能车辆车载摄像机获得的当前环境图像与当前时刻所在道路的全景地图图像进行匹配，获得图像定位结果；
所述融合定位模块以惯性导航***为参考***，惯性导航/卫星定位和惯性导航/摄像机为两个子***，用卫星定位数据、惯性导航定位数据和图像定位结果构造联邦滤波器进行融合滤波，得到智能车辆的精确定位结果；其特征在于，定位方法包括以下步骤：
2.1数据采集：数据采集模块在智能车辆行驶的过程中，实时采集当前时刻k的卫星定位数据、惯性导航定位数据以及环境图像；
2.2当前时刻所在道路筛选：道路筛选模块根据上一时刻智能车辆状态估计
Figure FDA0002490210920000011
进行一步预测，利用一步预测结果
Figure FDA0002490210920000012
中的位置信息，在***初始化时为步骤2.1所述的卫星定位数据，通过ADAS地图接口，筛选并识别出智能车辆当前时刻所在道路的编号；
2.3实时环境图像与全景地图匹配：图像匹配模块以步骤2.2获得智能车辆位置信息以及当前时刻所在道路编号为约束，构造约束条件，将实时环境图像与满足约束条件的全景地图图像进行匹配，得到智能车辆的图像定位结果；
所述步骤2.3中图像匹配模块通过实时环境图像与全景地图匹配来对智能车辆进行图像定位，包括以下步骤：
3.1对数据采集模块获得的实时环境图像进行预处理；
3.2以步骤2.3中获得的智能车辆状态的一步预测
Figure FDA0002490210920000013
中的位置信息为中心、给定参数r为半径，构造搜索区间，从全景地图中检索出该搜索区间内并且属于当前时刻所在道路的n帧全景地图图像作为参考图像集合；
3.3利用图像匹配算法对由步骤3.1预处理后的实时环境图像与步骤3.2中获得的参考图像集合中的n帧参考图像逐一进行匹配，计算出实时环境图像与每帧参考图像之间的相似度；
3.4以步骤3.3所述的相似度为权值，利用加权最小二乘算法对n帧参考图像所对应的地理位置进行融合，得到智能车辆位置的图像定位结果；
2.4融合滤波：融合定位模块利用联邦滤波器融合估计由步骤2.1获得的卫星定位数据、惯性导航定位数据和由步骤2.3获得的图像定位结果，得到智能车辆的精确定位结果。
2.根据权利要求1所述的引入全景地图的智能车辆融合定位方法，其特征在于，所述融合定位模块采用联邦滤波器结构，融合滤波方法包括以下步骤：
4.1以惯性导航定位数据和卫星定位数据作为惯性导航/卫星定位子滤波器的量测值，记为LF1，通过Kalman滤波得到局部估计
Figure FDA0002490210920000021
及其协方差阵P1；
4.2以惯性导航定位数据和图像匹配模块获得的图像定位结果作为惯性导航/摄像机子滤波器的量测值，记为LF2，通过Kalman滤波得到局部估计
Figure FDA0002490210920000022
及其协方差阵P2；
4.3将步骤4.1和步骤4.2中各子滤波器LF1及LF2的局部估计及其协方差阵送入到联邦滤波器，与主滤波器的估计一起进行融合，得到全局最优估计
Figure FDA0002490210920000023
及其协方差阵Pf；
4.4根据信息守恒原则确定信息分配系数，用步骤4.3获得的全局估计
Figure FDA0002490210920000024
协方差阵Pf以及信息分配系数重置各子滤波器的估计及主滤波器的误差协方差。
CN201710150551.XA 2017-03-14 2017-03-14 引入全景地图的智能车辆融合定位***及方法 Active CN107024216B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710150551.XA CN107024216B (zh) 2017-03-14 2017-03-14 引入全景地图的智能车辆融合定位***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710150551.XA CN107024216B (zh) 2017-03-14 2017-03-14 引入全景地图的智能车辆融合定位***及方法

Publications (2)

Publication Number Publication Date
CN107024216A CN107024216A (zh) 2017-08-08
CN107024216B true CN107024216B (zh) 2020-08-04

Family

ID=59525620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710150551.XA Active CN107024216B (zh) 2017-03-14 2017-03-14 引入全景地图的智能车辆融合定位***及方法

Country Status (1)

Country Link
CN (1) CN107024216B (zh)

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
PL232897B1 (pl) * 2017-09-13 2019-08-30 Politechnika Slaska Sposób i układ do identyfikacji elektronicznych podsystemów ADAS
CN108654094A (zh) * 2018-04-18 2018-10-16 张月云 旋转木马客满状态分析平台
CN109188486A (zh) * 2018-06-27 2019-01-11 北斗星通（重庆）汽车电子有限公司 一种高精度定位***
CN108957505A (zh) * 2018-06-27 2018-12-07 四川斐讯信息技术有限公司 一种定位方法、定位***和手携式智能穿戴设备
CN110658539B (zh) * 2018-06-29 2022-03-18 比亚迪股份有限公司 车辆定位方法、装置、车辆和计算机可读存储介质
CN108845343B (zh) * 2018-07-03 2020-04-28 河北工业大学 一种基于视觉、gps与高精度地图融合的车辆定位方法
CN108802786A (zh) * 2018-07-20 2018-11-13 北斗星通（重庆）汽车电子有限公司 一种车载定位方法
CN109084786B (zh) * 2018-08-09 2020-12-25 北京智行者科技有限公司 一种地图数据的处理方法
CN110148170A (zh) * 2018-08-31 2019-08-20 北京初速度科技有限公司 一种应用于车辆定位的定位初始化方法及车载终端
CN111121744A (zh) * 2018-10-30 2020-05-08 千寻位置网络有限公司 基于传感单元的定位方法及装置、定位***及移动终端
TWI674393B (zh) * 2018-11-09 2019-10-11 財團法人車輛研究測試中心 多定位系統切換與融合校正方法及其裝置
CN109612455A (zh) * 2018-12-04 2019-04-12 天津职业技术师范大学 一种室内定位方法及***
CN109581441B (zh) * 2018-12-18 2019-11-08 武汉大学 基于站间相关性空间结构函数构建的gnss成像方法
CN109655075B (zh) * 2019-01-16 2021-09-14 北京百度网讯科技有限公司 无人车定位方法及设备
CN109781120B (zh) * 2019-01-25 2023-04-14 长安大学 一种基于同步定位构图的车辆组合定位方法
CN109883433B (zh) * 2019-03-21 2023-07-18 中国科学技术大学 基于360度全景视图的结构化环境中车辆定位方法
CN109931945B (zh) * 2019-04-02 2021-07-06 百度在线网络技术（北京）有限公司 Ar导航方法、装置、设备和存储介质
CN111352141B (zh) * 2019-04-24 2022-06-21 贵州宽凳智云科技有限公司 一种基于高精地图的车载卫星精密单点实时定位方法
CN112577479B (zh) * 2019-09-27 2024-04-12 北京魔门塔科技有限公司 基于地图元素数据的多传感器融合车辆定位方法及装置
CN111065043B (zh) * 2019-10-25 2021-03-19 重庆邮电大学 一种基于车路通信的隧道内车辆融合定位***及方法
CN110967018B (zh) * 2019-11-25 2024-04-12 斑马网络技术有限公司 停车场定位方法、装置、电子设备及计算机可读介质
TWI724686B (zh) * 2019-12-13 2021-04-11 國立成功大學 應用高精地圖之定位定向系統與定位定向方法
CN111077557B (zh) * 2020-01-02 2022-09-23 东南大学 一种用于机场地勤车辆的定位***及方法
CN111551976A (zh) * 2020-05-20 2020-08-18 四川万网鑫成信息科技有限公司 一种结合多种数据对异常定位进行自动补全的方法
CN112466142B (zh) * 2020-11-13 2022-06-21 浙江吉利控股集团有限公司 一种车辆调度方法、装置、***及存储介质
CN112711055B (zh) * 2020-12-08 2024-03-19 重庆邮电大学 一种基于边缘计算的室内外无缝定位***及方法
CN112689234B (zh) * 2020-12-28 2023-10-17 北京爱笔科技有限公司 室内车辆定位方法、装置、计算机设备和存储介质
CN112985425A (zh) * 2021-02-02 2021-06-18 恒大新能源汽车投资控股集团有限公司 基于异构感知数据融合的车辆定位方法、装置及***
CN113310487B (zh) * 2021-05-25 2022-11-04 云南电网有限责任公司电力科学研究院 一种面向地面移动机器人的组合导航方法和装置
WO2023019509A1 (zh) * 2021-08-19 2023-02-23 浙江吉利控股集团有限公司 基于环境匹配的车辆定位方法、装置、车辆及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809126A (zh) * 2016-03-04 2016-07-27 重庆邮电大学 Dsrc与车载传感器融合的智能车辆目标跟踪***及方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101082496A (zh) * 2006-05-31 2007-12-05 陈周俊 有效减小车辆gps导航误差的***
CN101476894B (zh) * 2009-02-01 2011-06-29 哈尔滨工业大学 车载sins/gps组合导航***性能增强方法
WO2014149043A1 (en) * 2013-03-20 2014-09-25 International Truck Intellectual Property Company, Llc Smart cruise control system
US9170115B2 (en) * 2013-06-03 2015-10-27 Hyundai Motor Company Method and system for generating road map using data of position sensor of vehicle
KR101573764B1 (ko) * 2014-07-28 2015-12-02 현대모비스 주식회사 차량의 주행 차로 인식 시스템 및 방법
US20160146616A1 (en) * 2014-11-21 2016-05-26 Alpine Electronics, Inc. Vehicle positioning by map matching as feedback for ins/gps navigation system during gps signal loss
CN104990555B (zh) * 2015-02-17 2018-07-03 上海安吉四维信息技术有限公司 实景导航***的工作方法
CN104729485B (zh) * 2015-03-03 2016-11-30 北京空间机电研究所 一种基于车载全景影像与街景地图匹配的视觉定位方法
CN105654064A (zh) * 2016-01-25 2016-06-08 北京中科慧眼科技有限公司 车道线检测方法和装置及高级驾驶辅助***
CN205498764U (zh) * 2016-03-07 2016-08-24 郑州精益达汽车零部件有限公司 一种基于视觉的集成后部主动安全预警的adas***
CN106096525B (zh) * 2016-06-06 2019-07-19 重庆邮电大学 一种复合型车道识别***及方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809126A (zh) * 2016-03-04 2016-07-27 重庆邮电大学 Dsrc与车载传感器融合的智能车辆目标跟踪***及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Collision avoidance support in roads with lateral and longitudinal maneuver prediction by fusing GPS/IMU and digital maps;Rafael Toledo-Moreo, Miguel A. Zamora-Izquierdo;《Transportation Research Part C: Emerging Technologies》;20100831;全文 *
复杂城市环境下智能车导航定位方法研究;张奕然;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160315(第03期);全文 *

Also Published As

Publication number Publication date
CN107024216A (zh) 2017-08-08

Similar Documents

Publication Publication Date Title
CN107024216B (zh) 引入全景地图的智能车辆融合定位***及方法
CN102426019B (zh) 一种无人机景象匹配辅助导航方法及***
US20200401617A1 (en) Visual positioning system
WO2018133851A1 (zh) 一种点云数据处理方法、装置及计算机存储介质
WO2022007776A1 (zh) 目标场景区域的车辆定位方法、装置、设备和存储介质
CN115717894B (zh) 一种基于gps和普通导航地图的车辆高精度定位方法
CN108846333B (zh) 标志牌地标数据集生成及车辆定位方法
CN106525057A (zh) 高精度道路地图的生成***
CN109099929B (zh) 基于场景指纹的智能车定位装置及方法
CN111340855A (zh) 一种基于轨迹预测的道路移动目标检测方法
WO2018041475A1 (en) Driver assistance system for determining a position of a vehicle
WO2021017211A1 (zh) 一种基于视觉的车辆定位方法、装置及车载终端
CN115205559A (zh) 一种跨域车辆重识别及连续轨迹构建方法
CN114663852A (zh) 车道线图的构建方法、装置、电子设备及可读存储介质
CN116839600A (zh) 一种基于轻量化点云地图的视觉测绘导航定位方法
WO2018131546A1 (ja) 情報処理装置、情報処理システム、情報処理方法、および情報処理プログラム
CN115135963A (zh) 用于在场景地图中生成3d参考点的方法
CN113838129B (zh) 一种获得位姿信息的方法、装置以及***
CN108921896B (zh) 一种融合点线特征的下视视觉罗盘
Yan et al. Long-term visual localization with mobile sensors
CN108981728B (zh) 一种智能车辆导航地图建立方法
Wang et al. Salient-VPR: Salient weighted global descriptor for visual place recognition
Dai et al. Road surface detection and recognition for route recommendation
CN110927765B (zh) 激光雷达与卫星导航融合的目标在线定位方法
Sadekov et al. Road sign detection and recognition in panoramic images to generate navigational maps

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant