CN109146976B - 用于定位无人车的方法和装置 - Google Patents

用于定位无人车的方法和装置 Download PDF

Info

Publication number
CN109146976B
CN109146976B CN201810969118.3A CN201810969118A CN109146976B CN 109146976 B CN109146976 B CN 109146976B CN 201810969118 A CN201810969118 A CN 201810969118A CN 109146976 B CN109146976 B CN 109146976B
Authority
CN
China
Prior art keywords
resolution
point cloud
histogram
map
histogram filter
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
CN201810969118.3A
Other languages
English (en)
Other versions
CN109146976A (zh
Inventor
李�昊
万国伟
周尧
宋适宇
董芳芳
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.)
Apollo Intelligent Technology Beijing Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201810969118.3A priority Critical patent/CN109146976B/zh
Publication of CN109146976A publication Critical patent/CN109146976A/zh
Priority to EP19184311.9A priority patent/EP3614225B1/en
Priority to US16/508,259 priority patent/US11486713B2/en
Priority to JP2019151918A priority patent/JP6858230B2/ja
Application granted granted Critical
Publication of CN109146976B publication Critical patent/CN109146976B/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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/77—Determining position or orientation of objects or cameras using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20068—Projection on vertical or horizontal image axis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Optical Radar Systems And Details Thereof (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请实施例公开了一种用于定位无人车的方法和装置。该方法的一具体实施方式包括：将第一分辨率的当前点云投影图像与第一分辨率的地图匹配，基于匹配结果，生成第一直方图滤波器；基于第一直方图滤波器中元素的概率值，在第一直方图滤波器中确定至少两个第一响应区，其中，第一响应区对应的元素的概率值大于第一直方图滤波器中其余元素的概率值；基于第二分辨率的当前点云投影图像与第二分辨率的地图的匹配结果以及至少两个第一响应区，生成第二直方图滤波器，其中，第一分辨率小于第二分辨率；对第二直方图滤波器中目标元素的概率值进行加权平均，在第二分辨率地图中确定无人车的定位结果。该实施方式降低了无人车定位所消耗的计算资源。

Description

用于定位无人车的方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及用于定位无人车的方法和装置。
背景技术
无人驾驶车辆(以下简称无人车)是一种不需要人工控制即可对其周围环境进行感知，对场景进行决策判断，对其进行控制的现代车辆。
无人车***通常由定位、感知、路径规划等多个模块组成，***中的各模块之间存在计算资源竞争。为了保证整个无人车***能够实时稳定运行，在有限的计算资源下，各模块需要尽可能的减少自身的计算资源占用率。
发明内容
本申请实施例提出了用于定位无人车的方法和装置。
第一方面，本申请实施例提供了一种用于定位无人车的方法，该方法包括：将第一分辨率的当前点云投影图像与第一分辨率的地图匹配，基于匹配结果，生成第一直方图滤波器；基于第一直方图滤波器中元素的概率值，在第一直方图滤波器中确定至少两个第一响应区，其中，第一响应区对应的元素的概率值大于第一直方图滤波器中其余元素的概率值；基于第二分辨率的当前点云投影图像与第二分辨率的地图的匹配结果以及至少两个第一响应区，生成第二直方图滤波器，其中，第一分辨率小于第二分辨率；对第二直方图滤波器中目标元素的概率值进行加权平均，在第二分辨率地图中确定无人车的定位结果。
在一些实施例中，基于第二分辨率的当前点云投影图像与第二分辨率的地图的匹配结果以及至少两个第一响应区，生成第二直方图滤波器，包括：将所确定的至少两个第一响应区映射到预先建立的第二直方图滤波器中，以在第二直方图滤波器中确定出第二响应区；基于第二分辨率的当前点云投影图像与第二分辨率的地图的匹配结果，确定预先建立的第二直方图滤波器中第二响应区对应的元素的概率值以生成第二直方图滤波器。
在一些实施例中，第一直方图滤波器包括第一反射值直方图滤波器和/或第一高度值直方图滤波器。
在一些实施例中，在将第一分辨率的当前点云投影图像与第一分辨率的地图匹配，基于匹配结果，生成第一直方图滤波器之前，方法还包括：获取指定区域的点云数据，对所获取的数据进行栅格化处理得到第一分辨率的地图，其中，第一分辨率的地图包括投影在栅格中的点云的反射值的统计信息和/或高度值的统计信息；获取当前帧点云数据，对当前帧点云数据进行栅格化处理得到第一分辨率的当前点云投影图像，其中，第一分辨率的当前点云投影图像包括投影在栅格中的点云的反射值的统计信息和/或高度值的统计信息。
在一些实施例中，将第一分辨率的当前点云投影图像与第一分辨率的地图匹配，基于匹配结果，生成第一直方图滤波器，包括：基于第一分辨率的当前点云投影图像中的反射值的统计信息和第一分辨率的地图中的反射值的统计信息，将第一分辨率的当前点云投影图像与第一分辨率的地图匹配，基于匹配结果，生成第一反射值直方图滤波器；和/或基于第一分辨率的当前点云投影图像中栅格的高度值的统计信息和第一分辨率的地图中栅格的高度值的统计信息，将第一分辨率的当前点云投影图像与第一分辨率的地图匹配，基于匹配结果，生成第一高度值直方图滤波器。
在一些实施例中，基于第一直方图滤波器中元素的概率值，在第一直方图滤波器中确定至少两个第一响应区，包括：确定第一反射值直方图滤波器和第一高度值直方图滤波器对至少两个第一响应区的贡献比；在第一反射值直方图滤波器和第一高度值直方图滤波器中按照贡献比分别确定与至少两个第一响应区对应的元素，以确定至少两个第一响应区。
在一些实施例中，基于第二分辨率的当前点云投影图像与第二分辨率的地图的匹配结果，确定预先建立的第二直方图滤波器中第二响应区对应的元素的概率值以生成第二直方图滤波器，包括：获取与前一帧点云投影图像对应的第二直方图滤波器；基于与前一帧点云投影图像对应的第二直方图滤波器中的元素的概率值，确定贝叶斯的先验概率；基于第二分辨率的当前点云投影图像与第二分辨率的地图的匹配程度确定贝叶斯的条件概率，利用贝叶斯法则得到第二直方图滤波器中与第二响应区对应的元素的概率值；将第二直方图滤波器中其余元素的概率值设为预设值。
第二方面，本申请实施例提供了一种用于定位无人车的装置，装置包括：第一直方图滤波器生成单元，被配置成将第一分辨率的当前点云投影图像与第一分辨率的地图匹配，基于匹配结果，生成第一直方图滤波器；第一响应区确定单元，被配置成基于第一直方图滤波器中元素的概率值，在第一直方图滤波器中确定至少两个第一响应区，其中，第一响应区对应的元素的概率值大于第一直方图滤波器中其余元素的概率值；第二直方图滤波器生成单元，被配置成基于第二分辨率的当前点云投影图像与第二分辨率的地图的匹配结果以及至少两个第一响应区，生成第二直方图滤波器，其中，第一分辨率小于第二分辨率；定位结果确定单元，被配置成对第二直方图滤波器中目标元素的概率值进行加权平均，在第二分辨率地图中确定无人车的定位结果。
在一些实施例中，第二直方图滤波器生成单元，包括：第二响应区确定模块，被配置成将所确定的至少两个第一响应区映射到预先建立的第二直方图滤波器中，以在第二直方图滤波器中确定出第二响应区；概率值确定模块，被配置成基于第二分辨率的当前点云投影图像与第二分辨率的地图的匹配结果，确定预先建立的第二直方图滤波器中第二响应区对应的元素的概率值以生成第二直方图滤波器。
在一些实施例中，第一直方图滤波器包括第一反射值直方图滤波器和/或第一高度值直方图滤波器。
在一些实施例中，装置还包括：获取单元，被配置成获取指定区域的点云数据，对所获取的数据进行栅格化处理得到第一分辨率的地图，其中，第一分辨率的地图包括投影在栅格中的点云的反射值的统计信息和/或高度值的统计信息；栅格化单元，被配置成获取当前帧点云数据，对当前帧点云数据进行栅格化处理得到第一分辨率的当前点云投影图像，其中，第一分辨率的当前点云投影图像包括投影在栅格中的点云的反射值的统计信息和/或高度值的统计信息。
在一些实施例中，第一直方图滤波器生成单元进一步被配置成：基于第一分辨率的当前点云投影图像中的反射值的统计信息和第一分辨率的地图中的反射值的统计信息，将第一分辨率的当前点云投影图像与第一分辨率的地图匹配，基于匹配结果，生成第一反射值直方图滤波器；和/或基于第一分辨率的当前点云投影图像中栅格的高度值的统计信息和第一分辨率的地图中栅格的高度值的统计信息，将第一分辨率的当前点云投影图像与第一分辨率的地图匹配，基于匹配结果，生成第一高度值直方图滤波器。
在一些实施例中，第一响应区确定单元进一步被配置成：确定第一反射值直方图滤波器和第一高度值直方图滤波器对至少两个第一响应区的贡献比；在第一反射值直方图滤波器和第一高度值直方图滤波器中按照贡献比分别确定与至少两个第一响应区对应的元素，以确定至少两个第一响应区。
在一些实施例中，概率值确定模块进一步被配置成：获取与前一帧点云投影图像对应的第二直方图滤波器；基于与前一帧点云投影图像对应的第二直方图滤波器中的元素的概率值，确定贝叶斯的先验概率；基于第二分辨率的当前点云投影图像与第二分辨率的地图的匹配程度确定贝叶斯的条件概率，利用贝叶斯法则得到第二直方图滤波器中与第二响应区对应的元素的概率值；将第二直方图滤波器中其余元素的概率值设为预设值。
本申请实施例提供的用于定位无人车的方法和装置，通过将第一分辨率的当前点云投影图像与第一分辨率的地图匹配生成第一直方图滤波器，然后基于第一直方图滤波器中各元素的概率值，在第一直方图中确定出至少两个第一响应区，而后基于第二分辨率的当前点云投影图像和第二分辨率的地图的匹配结果以及至少两个第一响应区生成第二直方图滤波器，最后对第二直方图滤波器中目标元素的概率值加权平均确定出无人车在第二分辨率地图中的定位结果，从而降低了无人车定位所消耗的计算资源。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的一个实施例可以应用于其中的示例性***架构图；
图2是根据本申请的用于定位无人车的方法的一个实施例的流程图；
图3是根据本申请的用于定位无人车的方法的又一个实施例的流程图；
图4是根据本申请的用于定位无人车的装置的一个实施例的结构示意图；
图5是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于定位无人车的方法或用于定位无人车的装置的实施例的示例性***架构100。
如图1所示，***架构100可以包括无人车101、网络102和服务器103。网络102用以在无人车101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
无人车101可通过网络102与服务器103交互，以接收或发送消息等。无人车101上可以安装有点云数据采集装置、通信装置、处理器等。
服务器103可以是提供各种服务的服务器，例如对无人车101采集到的点云数据进行处理的服务器，以便于生成当前点云投影图像等。服务器103可以对接收到的点云数据进行分析等处理，并将处理结果(例如无人车的定位结果)反馈给无人车101。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的无人车101、网络102和服务器103的数目仅仅是示意性的。根据实现需要，可以具有任意数目的无人车101、网络102和服务器103。
需要指出的是，本申请实施例所提供的用于定位无人车的方法可以由无人车101执行，或者由服务器103执行，或者一部分步骤由无人车101执行且另一部分步骤由服务器103执行。相应地，用于定位无人车的装置可以设置于服务器103中，或者设置于无人车101中，或者一部分单元模块设置在服务器103中且另一部分设置在无人车101中。
继续参考图2，示出了根据本申请的用于定位无人车的方法的一个实施例的流程200。该用于定位无人车的方法，包括以下步骤：
步骤201，将第一分辨率的当前点云投影图像与第一分辨率的地图匹配，基于匹配结果，生成第一直方图滤波器。
在本实施例中，无人车上的点云数据采集装置可以采集无人车当前位置的点云数据，而后将采集到点云数据进行投影可以生成当前点云投影图像。进一步地，地图可以由预先采集的一组点云数据投影得到。可以理解的是，通过对当前点云投影图像和地图进行分辨率降比例或升比例处理可以得到不同分辨率的当前点云投影图像和地图。用于定位无人车的方法的执行主体(例如图1所示的服务器)可以首先获取第一分辨率的当前点云投影图像和第一分辨率的地图，而后将第一分辨率的当前点云投影图像与第一分辨率的地图进行匹配。具体地，可以以预先确定的位置作为第一分辨率的地图的起始位置，将第一分辨率的当前点云投影图像从第一分辨率的地图的起始位置、以预定的偏移量移动进行匹配，得到对应的概率值即为上述匹配结果。最后，利用匹配得到的概率值可以生成第一直方图滤波器。
在本实施例的一些可选的实现方式中，可以预先获取指定区域的点云数据，并对所获取的点云数据进行栅格化处理得到第一分辨率的地图。其中，第一分辨率的地图可以包括投影在栅格中的点云的反射值的统计信息和/或高度值的统计信息。进一步地，获取当前帧点云数据，对当前帧点云数据进行栅格化处理可以得到第一分辨率的当前点云投影图像。其中，第一分辨率的当前点云投影图像可以包括投影在栅格中的点云的反射值的统计信息和/或高度值的统计信息。
通常，可以通过如下方式生成第一分辨率的当前点云投影图像和第一分辨率的地图：
首先，对于给定某一特定分辨率的地图数据，该地图可以是由预先采集的一组点云数据向例如世界坐标系的平面投影得到的栅格化图像。这里，地图的分辨率通常指栅格化图像中每个栅格的大小。特定分辨率的地图中的各栅格中可以包含投影在该栅格中的点的反射值的统计信息和/或高度值的统计信息。其中，反射值的统计信息可以包括反射值平均值、反射值方差和落在该栅格内的点云的个数等。高度值统计信息可以包括高度平均值、落在该栅格内的点云的个数等。
而后，将当前帧的点云数据以上述特定的分辨率进行投影，可以得到特定分辨率的当前点云投影图像。
最后，由上述特定分辨率的地图和特定分辨率的当前点云投影图像即可以生成第一分辨率的地图和第一分辨率的当前点云投影图像。进一步地，可以重新统计第一分辨率的地图中包括的投影在栅格中的点云的反射值的统计信息和/或高度值的统计信息，以及第一分辨率的当前点云投影图像中包括的投影在栅格中的点云的反射值的统计信息和/或高度值的统计信息。
作为示例，上述特定分辨率的地图或者特定分辨率的当前点云投影图像的大小为n×n，经计算分辨率降低比例为s，则第一分辨率的地图或第一分辨率的当前点云投影图像的大小可以为(n/s)×(n/s)。具体地，可以分别将特定分辨率的地图和特定分辨率的当前点云投影图像中s×s个栅格合并成一个栅格。
在本实施例的一些可选的实现方式中，上述第一直方图滤波器可以包括第一反射值直方图滤波器和/或第一高度值直方图滤波器。
步骤202，基于第一直方图滤波器中元素的概率值，在第一直方图滤波器中确定至少两个第一响应区。
在本实施例中，基于步骤201得到的第一直方图滤波器，上述执行主体可以获取该第一直方图滤波器中各元素的概率值，而后从中选取出至少两个最大的概率值，并将所选取出的概率值所对应的区域确定为第一响应区。可见，所选取的至少两个第一响应区可以为第一分辨率的当前点云投影图像和第一分辨率的地图匹配程度最大的区域，无人车即在第一响应区所对应的位置处，此步骤可以实现无人车的粗定位。
步骤203，基于第二分辨率的当前点云投影图像与第二分辨率的地图的匹配结果以及至少两个第一响应区，生成第二直方图滤波器。
在本实施例中，可以预先生成第二分辨率的当前点云投影图像和第二分辨率的地图。这里，第二分辨率大于第一分辨率。即，与上述第一分辨率的当前点云投影图像和第一分辨率的地图相比，第二分辨率的当前点云投影图像和第二分辨率的地图为高分辨率的当前点云投影图像和高分辨率的地图。而后，对于所确定的至少两个第一响应区使用第二分辨率的当前点云投影图像和第二分辨率的地图的匹配程度，计算得到第二直方图滤波器。与上述第一直方图滤波器的分辨率相比，第二直方图滤波器属于高分辨率直方图滤波器。
步骤204，对第二直方图滤波器中目标元素的概率值进行加权平均，在第二分辨率地图中确定无人车的定位结果。
在本实施例中，基于步骤203生成的第二直方图滤波器，上述执行主体可以在第二直方图滤波器中确定出满足预设条件的目标元素。而后对所确定的目标元素对应的概率值进行加权平均，从而确定出无人车在第二分辨率地图中的位置。这里，满足预设条件的目标元素可以为第二直方图滤波器中概率值最大的元素及其位于该元素周围的元素。
由此可见，本实施例提供的用于定位无人车的方法可以理解为一种由粗到精的无人车点云数据定位方法，其首先用低分辨率(第一分辨率)的当前点云投影图像和地图缩小定位结果在地图中范围，而后，在缩小后的范围内进行更精确的定位，从而减小了无人车定位过程中的计算资源占用率。
本申请的上述实施例提供的用于定位无人车的方法，通过将第一分辨率的当前点云投影图像与第一分辨率的地图匹配生成第一直方图滤波器，然后基于第一直方图滤波器中各元素的概率值，在第一直方图中确定出至少两个第一响应区，而后基于第二分辨率的当前点云投影图像和第二分辨率的地图的匹配结果以及至少两个第一响应区生成第二直方图滤波器，最后对第二直方图滤波器中目标元素的概率值加权平均确定出无人车在第二分辨率地图中的定位结果，从而降低了无人车定位所消耗的计算资源。
进一步参考图3，其示出了用于定位无人车的方法的又一个实施例的流程300。该用于定位无人车的方法的流程300，包括以下步骤：
步骤301，生成第一反射值直方图滤波器。
上述第一反射值直方图滤波器可以利用第一分辨率的当前点云投影图像和第一分辨率的地图匹配得到。第一分辨率的当前点云投影图像可以为栅格化图像，且栅格化的当前点云投影图像的各栅格可以包括投影到该栅格中的点云的反射值的统计信息。同样地，第一分辨率的地图也可以为栅格化图像，且栅格化的当前点云投影图像的各栅格可以包括投影该栅格中的点云的反射值的统计信息。其中，反射值的统计信息可以包括反射值的平均值、反射值的方差等。
在本实施例中，用于定位无人车的方法的执行主体(例如图1所示的服务器)可以预先获取第一分辨率的当前点云投影图像中的反射值的统计信息和第一分辨率的地图中的反射值的统计信息。而后，利用所获取的反射值的统计信息将第一分辨率的当前点云投影图像和第一分辨率的地图进行匹配，并对匹配结果处理得到第一反射值直方图滤波器。
可以理解的是，生成的第一反射值直方图滤波器为l×l的滤波器，这里需要计算出该l×l第一反射值直方图滤波器中各元素的概率值。第一反射值直方图滤波器中的任一元素(x，y)的概率值Pr(x，y)可以通过公式(1)计算得到：
Figure BDA0001775695910000101
其中，SSDr为第一分辨率的当前点云投影图像和第一分辨率的地图的反射值的匹配程度，计算方式见公式(2)，Nz为第一分辨率的当前点云投影图像中栅格的个数，α1为一预设的可调参数，η1为归一化参数，λ1为一预设常数。
Figure BDA0001775695910000102
其中，(i，j)为第一分辨率的地图中第(i，j)个点，
Figure BDA0001775695910000103
为第一分辨率的地图中第(i-x，j-y)个栅格中点云的平均反射值，
Figure BDA0001775695910000104
为第一分辨率的当前点云投影图像中第(i，j)个栅格中点云的平均反射值，
Figure BDA0001775695910000105
为第一分辨率的地图中第(i-x，j-y)个栅格中点云的反射值的标准差，
Figure BDA0001775695910000106
为第一分辨率的当前点云投影图像中第(i，j)个栅格中点云的标准差。
步骤302，生成第一高度值直方图滤波器。
与步骤301类似，上述第一高度值直方图滤波器也可以利用第一分辨率的当前点云投影图像和第一分辨率的地图匹配得到。第一分辨率的当前点云投影图像可以为栅格化图像，且栅格化的当前点云投影图像的各栅格可以包括投影到该栅格中的点云的高度值的统计信息。同样地，第一分辨率的地图也可以为栅格化图像，且栅格化的当前点云投影图像的各栅格可以包括投影该栅格中的点云的高度值的统计信息。其中，高度值的统计信息可以包括高度值的平均值等。
在本实施例中，上述执行主体可以预先获取第一分辨率的当前点云投影图像中的高度值的统计信息和第一分辨率的地图中的高度值的统计信息。而后，利用所获取的高度值的统计信息将第一分辨率的当前点云投影图像和第一分辨率的地图进行匹配，并对匹配结果进行处理，生成第一高度值直方图滤波器。
可以理解的是，生成的第一高度值直方图滤波器为l×l的滤波器，这里需要计算出该l×l第一高度值直方图滤波器中各元素的概率值。第一高度值直方图滤波器中的元素(x，y)的概率值Pa(x，y)可以通过公式(1)计算得到：
Figure BDA0001775695910000111
其中，SSDa为第一分辨率的当前点云投影图像和第一分辨率的地图的高度值的匹配程度，计算方式见公式(4)，Nz为第一分辨率的当前点云投影图像中栅格的个数，α2为一预设的可调参数，η2为归一化参数，λ2为一预设常数。
Figure BDA0001775695910000112
其中，(i，j)为第一分辨率的地图中第(i，j)个点，
Figure BDA0001775695910000113
为第一分辨率的地图中第(i-x，j-y)个栅格中点云的平均高度值，
Figure BDA0001775695910000114
为第一分辨率的当前点云投影图像中第(i，j)个栅格中点云的平均高度值。
步骤303，确定第一反射值直方图滤波器和第一高度值直方图滤波器对至少两个第一响应区的贡献比。
在本实施例中，基于步骤301和步骤302确定出的第一反射值直方图滤波器和第一高度值直方图滤波器，上述执行主体可以对两种第一直方图滤波器中各元素的概率值分布分析，从而确定出第一反射值直方图滤波器和第一高度值直方图滤波器对至少两个第一响应区的贡献比。
可以理解的是，对于第一高度值直方图滤波器的贡献比wa和第一反射值直方图滤波器的贡献比wr，可以采用如下公式(5)和公式(6)进行计算：
Figure BDA0001775695910000121
wa＝1-wr 公式(6)
其中，dcr为第一反射值直方图滤波器的中心位置和质心之间的距离，dca为第一高度值直方图滤波器的中心位置和质心之间的距离，
Figure BDA0001775695910000122
为第一高度值直方图滤波器在x方向上分布的方差，
Figure BDA0001775695910000123
第一高度值直方图滤波器在y方向上分布的方差，
Figure BDA0001775695910000124
为第一反射值直方图滤波器在x方向上分布的方差，
Figure BDA0001775695910000125
第一反射值直方图滤波器在y方向上分布的方差。
进一步地，对于第一高度值直方图滤波器的
Figure BDA0001775695910000126
和
Figure BDA0001775695910000127
可以分别采用如下公式(7)和公式(8)计算得到：
Figure BDA0001775695910000128
Figure BDA0001775695910000129
其中，(x，y)为第一高度值直方图滤波器中的第(x，y)个元素，Pa(x,y)为第一高度值直方图滤波器中的第(x，y)个元素的概率值，β为一预设的可调参数，
Figure BDA00017756959100001210
分别为第一高度值直方图滤波器的质心所对应的值。
同样地，对于第一反射值直方图滤波器的
Figure BDA00017756959100001211
和
Figure BDA00017756959100001212
可以采用同样地方式进行计算，这里不再赘述。
步骤304，在第一反射值直方图滤波器和第一高度值直方图滤波器中按照贡献比分别确定与至少两个第一响应区对应的元素。
在本实施例中，基于步骤303得到的对于第一高度值直方图滤波器的贡献比wa和第一反射值直方图滤波器的贡献比wr，上述执行主体可以按照所得到的贡献比计算出第一反射值直方图滤波器和第一高度值直方图滤波器中的第一响应区的数目。例如，上述执行主体需要确定k个第一响应区，则第一反射值直方图滤波器中的第一响应区的数目为k×wr，第一高度值直方图滤波器中的第一响应区的数目为k×wa。
步骤305，基于第二分辨率的当前点云投影图像与第二分辨率的地图的匹配结果以及至少两个第一响应区，生成第二直方图滤波器。
在本实施例中，可以预先生成第二分辨率的当前点云投影图像和第二分辨率的地图。这里，第二分辨率大于第一分辨率。即，与上述第一分辨率的当前点云投影图像和第一分辨率的地图相比，第二分辨率的当前点云投影图像和第二分辨率的地图为高分辨率的当前点云投影图像和高分辨率的地图。而后，对于所确定的至少两个第一响应区使用第二分辨率的当前点云投影图像和第二分辨率的地图的匹配程度计算得到第二直方图滤波器。与上述第一直方图滤波器的分辨率相比，第二直方图滤波器也属于高分辨率直方图滤波器。
在本实施的一些可选的实现方式中，上述执行主体可以将所确定的至少两个第一响应区映射到预先建立的第二直方图滤波器中，以在第二直方图滤波器中确定出第二响应区。而后，上述执行主体可以将第二分辨率的当前点云投影图像与第二分辨率的地图匹配，并利用匹配的结果计算预先建立的第二直方图滤波器中第二响应区对应的元素的概率值，从而生成第二直方图滤波器。
可以理解的是，上述执行主体在计算当前点云投影图像对应的第二直方图滤波器之前，已经计算出前一帧点云投影图像对应的第二直方图滤波器。上述执行主体可以预先获取前一帧点云投影图像对应的第二直方图滤波器，然后利用所获取的前一帧点云投影图像对应的第二直方图滤波器中各元素的概率值，确定贝叶斯的先验概率。而后，可以基于第二分辨率的当前点云投影图像与第二分辨率的地图的匹配程度确定出贝叶斯的条件概率，从而使得上述执行主体可以利用贝叶斯法则得到第二直方图滤波器中与第二响应区对应的元素的概率值，该概率值为贝叶斯的后验概率。最后，将第二直方图滤波器中的、除第二响应区以外的其它区域对应的元素的概率值设置为预设阈值(例如，零)。具体地，可以采用如下公式(9)计算第二直方图滤波器中第二响应区对应的元素的概率值P(x,y|z,m)：
P(x,y|z,m)＝η3×P(z|x,y,m)×P(x,y) 公式(9)
其中，P(x，y)为贝叶斯的先验概率，P(z|x,y,m)为贝叶斯的条件概率，η3为归一化参数。
进一步地，贝叶斯的先验概率P(x，y)可以采用公式(10)和(11)计算得到：
Figure BDA0001775695910000141
Figure BDA0001775695910000142
其中，(i',j')为前一帧点云投影图像对应的第二直方图滤波器中第(i',j')个元素，P(i',j')为前一帧点云投影图像对应的第二直方图滤波器中元素(i',j')的概率值，η4为归一化参数，K为∑(x,y)P(z|x,y,m)和
Figure BDA0001775695910000143
的KL散度，v表征无人车的速率，该速率可以由无人车采集当前帧点云数据和前一帧点云数据时的速率处理得到。
贝叶斯的条件概率P(z|x,y,m)可以由如下公式(12)计算得到：
Figure BDA0001775695910000144
其中，wa和wr分别由公式(5)和公式(6)计算得到，P(zr|x,y,m)表征第二分辨率的当前点云投影图像和第二分辨率的地图的反射值的匹配程度，P(za|x,y,m)表征第二分辨率的当前点云投影图像和第二分辨率的地图的高度值的匹配程度。因此，上述P(zr|x,y,m)和P(za|x,y,m)的计算方式可以与公式(1)中的Pr(x，y)和公式(3)中的Pa(x，y)计算方式相同，这里不再赘述。
步骤306，对第二直方图滤波器中目标元素的概率值进行加权平均，在第二分辨率地图中确定无人车的定位结果。
在本实施例中，基于步骤305生成的第二直方图滤波器，上述执行主体可以在第二直方图滤波器中确定出满足预设条件的目标元素。而后对所确定的目标元素对应的概率值进行加权平均，从而可以确定出无人车在第二分辨率地图中的位置。这里，满足预设条件的目标元素可以为第二直方图滤波器中概率值最大的元素及其位于该元素周围的元素。
在这里，无人车的最终定位结果
Figure BDA0001775695910000145
可以采用如下公式(13)和公式(14)计算得到：
Figure BDA0001775695910000146
Figure BDA0001775695910000147
其中，(x，y)为第二直方图滤波器中的第(x，y)个元素，Z为第二直方图滤波器中的最大概率点及其周围的区域，β为一预设的可调参数。
在本实施例的一些可选的实现方式中，上述执行主体在计算得到无人车的定位结果后，还可以计算该定位结果的置信度，从而确定出该定位结果的准确度。
在这里，上述执行主体可以采用如下方式计算定位结果的置信度：
首先，将上述获取的第一反射值直方图滤波器和第一高度值直方图滤波器进行融合得到融合后的第一直方图滤波器。融合后的第一直方图滤波器中的元素(x，y)的概率值Pc(x,y)的计算公式(15)如下所示：
Figure BDA0001775695910000151
其中，η6为归一化参数，wa和wr分别由公式(5)和公式(6)计算得到，Pr(x，y)和Pa(x，y)分别由公式(1)和公式(3)计算得到。
而后，计算定位结果
Figure BDA0001775695910000152
中
Figure BDA0001775695910000153
的置信度ux和uy，且ux和uy的计算公式(16)和公式(17)如下所示：
ux＝λ×σx×γratio 公式(16)
uy＝λ×σy×γratio 公式(17)
其中，λ和γ为预设的可变参数，σx和σy分别为融合后的第一直方图滤波器在x和y方向上分布的标准差，ratio表征融合后的第一直方图滤波器的中心位置到质心之间的远近程度。
从图3中可以看出，与图2对应的实施例相比，本实施例中的用于定位无人车的方法的流程300突出了生成第一反射值直方图滤波器、第一高度值直方图滤波器和第二直方图滤波器的步骤。由此，本实施例描述的方案确定出的定位结果更加的稳定和精确。
进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于定位无人车的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例的用于定位无人车的装置400包括：第一直方图滤波器生成单元401、第一响应区确定单元402、第二直方图滤波器生成单元403和定位结果确定单元404。其中，第一直方图滤波器生成单元401被配置成将第一分辨率的当前点云投影图像与第一分辨率的地图匹配，基于匹配结果，生成第一直方图滤波器；第一响应区确定单元402被配置成基于第一直方图滤波器中元素的概率值，在第一直方图滤波器中确定至少两个第一响应区，其中，第一响应区对应的元素的概率值大于第一直方图滤波器中其余元素的概率值；第二直方图滤波器生成单元403被配置成基于第二分辨率的当前点云投影图像与第二分辨率的地图的匹配结果以及至少两个第一响应区，生成第二直方图滤波器，其中，第一分辨率小于第二分辨率；定位结果确定单元404被配置成对第二直方图滤波器中目标元素的概率值进行加权平均，在第二分辨率地图中确定无人车的定位结果。
在本实施例的一些可选的实现方式中，第二直方图滤波器生成单元403包括：第二响应区确定模块，被配置成将所确定的至少两个第一响应区映射到预先建立的第二直方图滤波器中，以在第二直方图滤波器中确定出第二响应区；概率值确定模块，被配置成基于第二分辨率的当前点云投影图像与第二分辨率的地图的匹配结果，确定预先建立的第二直方图滤波器中第二响应区对应的元素的概率值以生成第二直方图滤波器。
在本实施例的一些可选的实现方式中，第一直方图滤波器包括第一反射值直方图滤波器和/或第一高度值直方图滤波器。
在本实施例的一些可选的实现方式中，装置400还包括：获取单元，被配置成获取指定区域的点云数据，对所获取的数据进行栅格化处理得到第一分辨率的地图，其中，第一分辨率的地图包括投影在栅格中的点云的反射值的统计信息和/或高度值的统计信息；栅格化单元，被配置成获取当前帧点云数据，对当前帧点云数据进行栅格化处理得到第一分辨率的当前点云投影图像，其中，第一分辨率的当前点云投影图像包括投影在栅格中的点云的反射值的统计信息和/或高度值的统计信息。
在本实施例的一些可选的实现方式中，第一直方图滤波器生成单元401进一步被配置成：基于第一分辨率的当前点云投影图像中的反射值的统计信息和第一分辨率的地图中的反射值的统计信息，将第一分辨率的当前点云投影图像与第一分辨率的地图匹配，基于匹配结果，生成第一反射值直方图滤波器；和/或基于第一分辨率的当前点云投影图像中栅格的高度值的统计信息和第一分辨率的地图中栅格的高度值的统计信息，将第一分辨率的当前点云投影图像与第一分辨率的地图匹配，基于匹配结果，生成第一高度值直方图滤波器。
在本实施例的一些可选的实现方式中，第一响应区确定单元402进一步被配置成：确定第一反射值直方图滤波器和第一高度值直方图滤波器对至少两个第一响应区的贡献比；在第一反射值直方图滤波器和第一高度值直方图滤波器中按照贡献比分别确定与至少两个第一响应区对应的元素，以确定至少两个第一响应区。
在本实施例的一些可选的实现方式中，概率值确定模块进一步被配置成：获取与前一帧点云投影图像对应的第二直方图滤波器；基于与前一帧点云投影图像对应的第二直方图滤波器中的元素的概率值，确定贝叶斯的先验概率；基于第二分辨率的当前点云投影图像与第二分辨率的地图的匹配程度确定贝叶斯的条件概率，利用贝叶斯法则得到第二直方图滤波器中与第二响应区对应的元素的概率值；将第二直方图滤波器中其余元素的概率值设为预设值。
装置400中记载的诸单元与参考图2和图3描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置400及其中包含的单元，在此不再赘述。
下面参考图5，其示出了适于用来实现本申请实施例的电子设备的计算机***500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，计算机***500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有***500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一直方图滤波器生成单元、第一响应区确定单元、第二直方图滤波器生成单元和定位结果确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一直方图滤波器生成单元可以被描述为“将第一分辨率的当前点云投影图像与第一分辨率的地图匹配，基于匹配结果，生成第一直方图滤波器的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：将第一分辨率的当前点云投影图像与第一分辨率的地图匹配，基于匹配结果，生成第一直方图滤波器；基于第一直方图滤波器中元素的概率值，在第一直方图滤波器中确定至少两个第一响应区，其中，第一响应区对应的元素的概率值大于第一直方图滤波器中其余元素的概率值；基于第二分辨率的当前点云投影图像与第二分辨率的地图的匹配结果以及至少两个第一响应区，生成第二直方图滤波器，其中，第一分辨率小于第二分辨率；对第二直方图滤波器中目标元素的概率值进行加权平均，在第二分辨率地图中确定无人车的定位结果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种用于定位无人车的方法，包括：
将第一分辨率的当前点云投影图像与所述第一分辨率的地图匹配，基于匹配结果，生成第一直方图滤波器；
基于所述第一直方图滤波器中元素的概率值，在所述第一直方图滤波器中确定至少两个第一响应区，其中，第一响应区对应的元素的概率值大于所述第一直方图滤波器中其余元素的概率值；
将所述至少两个第一响应区映射到预先建立的第二直方图滤波器中，以在所述预先建立的直方图滤波器中确定出第二响应区；基于第二分辨率的当前点云投影图像与第二分辨率的地图的匹配结果以及所述第二响应区，生成第二直方图滤波器，其中，所述第一分辨率小于第二分辨率；
对所述第二直方图滤波器中目标元素的概率值进行加权平均，在所述第二分辨率地图中确定所述无人车的定位结果。
2.根据权利要求1所述的方法，其中，所述基于第二分辨率的当前点云投影图像与第二分辨率的地图的匹配结果以及所述第二响应区，生成第二直方图滤波器，包括：
基于所述第二分辨率的当前点云投影图像与所述第二分辨率的地图的匹配结果，确定所述预先建立的第二直方图滤波器中所述第二响应区对应的元素的概率值以生成所述第二直方图滤波器。
3.根据权利要求1所述的方法，其中，所述第一直方图滤波器包括第一反射值直方图滤波器和/或第一高度值直方图滤波器。
4.根据权利要求1所述的方法，其中，在将第一分辨率的当前点云投影图像与所述第一分辨率的地图匹配，基于匹配结果，生成第一直方图滤波器之前，所述方法还包括：
获取指定区域的点云数据，对所获取的数据进行栅格化处理得到所述第一分辨率的地图，其中，所述第一分辨率的地图包括投影在栅格中的点云的反射值的统计信息和/或高度值的统计信息；
获取当前帧点云数据，对所述当前帧点云数据进行栅格化处理得到所述第一分辨率的当前点云投影图像，其中，所述第一分辨率的当前点云投影图像包括投影在栅格中的点云的反射值的统计信息和/或高度值的统计信息。
5.根据权利要求4所述的方法，其中，所述将第一分辨率的当前点云投影图像与所述第一分辨率的地图匹配，基于匹配结果，生成第一直方图滤波器，包括：
基于所述第一分辨率的当前点云投影图像中的反射值的统计信息和所述第一分辨率的地图中的反射值的统计信息，将所述第一分辨率的当前点云投影图像与第一分辨率的地图匹配，基于匹配结果，生成第一反射值直方图滤波器；和/或
基于所述第一分辨率的当前点云投影图像中栅格的高度值的统计信息和所述第一分辨率的地图中栅格的高度值的统计信息，将所述第一分辨率的当前点云投影图像与第一分辨率的地图匹配，基于匹配结果，生成第一高度值直方图滤波器。
6.根据权利要求5所述的方法，其中，所述基于所述第一直方图滤波器中元素的概率值，在所述第一直方图滤波器中确定至少两个第一响应区，包括：
确定所述第一反射值直方图滤波器和所述第一高度值直方图滤波器对所述至少两个第一响应区的贡献比；
在所述第一反射值直方图滤波器和所述第一高度值直方图滤波器中按照所述贡献比分别确定与所述至少两个第一响应区对应的元素，以确定所述至少两个第一响应区。
7.根据权利要求2所述的方法，其中，所述基于所述第二分辨率的当前点云投影图像与所述第二分辨率的地图的匹配结果，确定所述预先建立的第二直方图滤波器中所述第二响应区对应的元素的概率值以生成所述第二直方图滤波器，包括：
获取与前一帧点云投影图像对应的第二直方图滤波器；
基于与前一帧点云投影图像对应的第二直方图滤波器中的元素的概率值，确定贝叶斯的先验概率；
基于所述第二分辨率的当前点云投影图像与所述第二分辨率的地图的匹配程度确定贝叶斯的条件概率，利用贝叶斯法则得到所述第二直方图滤波器中与所述第二响应区对应的元素的概率值；
将所述第二直方图滤波器中其余元素的概率值设为预设值。
8.一种用于定位无人车的装置，包括：
第一直方图滤波器生成单元，被配置成将第一分辨率的当前点云投影图像与所述第一分辨率的地图匹配，基于匹配结果，生成第一直方图滤波器；
第一响应区确定单元，被配置成基于所述第一直方图滤波器中元素的概率值，在所述第一直方图滤波器中确定至少两个第一响应区，其中，第一响应区对应的元素的概率值大于所述第一直方图滤波器中其余元素的概率值；
第二直方图滤波器生成单元，被配置成将所述至少两个第一响应区映射到预先建立的第二直方图滤波器中，以在所述预先建立的直方图滤波器中确定出第二响应区；基于第二分辨率的当前点云投影图像与第二分辨率的地图的匹配结果以及所述第二响应区，生成第二直方图滤波器，其中，所述第一分辨率小于第二分辨率；
定位结果确定单元，被配置成对所述第二直方图滤波器中目标元素的概率值进行加权平均，在所述第二分辨率地图中确定所述无人车的定位结果。
9.根据权利要求8所述的装置，其中，所述第二直方图滤波器生成单元，包括：
概率值确定模块，被配置成基于所述第二分辨率的当前点云投影图像与所述第二分辨率的地图的匹配结果，确定所述预先建立的第二直方图滤波器中所述第二响应区对应的元素的概率值以生成所述第二直方图滤波器。
10.根据权利要求8所述的装置，其中，所述第一直方图滤波器包括第一反射值直方图滤波器和/或第一高度值直方图滤波器。
11.根据权利要求8所述的装置，其中，所述装置还包括：
获取单元，被配置成获取指定区域的点云数据，对所获取的数据进行栅格化处理得到所述第一分辨率的地图，其中，所述第一分辨率的地图包括投影在栅格中的点云的反射值的统计信息和/或高度值的统计信息；
栅格化单元，被配置成获取当前帧点云数据，对所述当前帧点云数据进行栅格化处理得到所述第一分辨率的当前点云投影图像，其中，所述第一分辨率的当前点云投影图像包括投影在栅格中的点云的反射值的统计信息和/或高度值的统计信息。
12.根据权利要求11所述的装置，其中，所述第一直方图滤波器生成单元进一步被配置成：
基于所述第一分辨率的当前点云投影图像中的反射值的统计信息和所述第一分辨率的地图中的反射值的统计信息，将所述第一分辨率的当前点云投影图像与第一分辨率的地图匹配，基于匹配结果，生成第一反射值直方图滤波器；和/或
基于所述第一分辨率的当前点云投影图像中栅格的高度值的统计信息和所述第一分辨率的地图中栅格的高度值的统计信息，将所述第一分辨率的当前点云投影图像与第一分辨率的地图匹配，基于匹配结果，生成第一高度值直方图滤波器。
13.根据权利要求12所述的装置，其中，所述第一响应区确定单元进一步被配置成：
确定所述第一反射值直方图滤波器和所述第一高度值直方图滤波器对所述至少两个第一响应区的贡献比；
在所述第一反射值直方图滤波器和所述第一高度值直方图滤波器中按照所述贡献比分别确定与所述至少两个第一响应区对应的元素，以确定所述至少两个第一响应区。
14.根据权利要求9所述的装置，其中，所述概率值确定模块进一步被配置成：
获取与前一帧点云投影图像对应的第二直方图滤波器；
基于与前一帧点云投影图像对应的第二直方图滤波器中的元素的概率值，确定贝叶斯的先验概率；
基于所述第二分辨率的当前点云投影图像与所述第二分辨率的地图的匹配程度确定贝叶斯的条件概率，利用贝叶斯法则得到所述第二直方图滤波器中与所述第二响应区对应的元素的概率值；
将所述第二直方图滤波器中其余元素的概率值设为预设值。
15.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN201810969118.3A 2018-08-23 2018-08-23 用于定位无人车的方法和装置 Active CN109146976B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201810969118.3A CN109146976B (zh) 2018-08-23 2018-08-23 用于定位无人车的方法和装置
EP19184311.9A EP3614225B1 (en) 2018-08-23 2019-07-04 Method and apparatus for positioning autonomous vehicle
US16/508,259 US11486713B2 (en) 2018-08-23 2019-07-10 Method and apparatus for positioning autonomous vehicle
JP2019151918A JP6858230B2 (ja) 2018-08-23 2019-08-22 無人車を測位するための方法及び装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810969118.3A CN109146976B (zh) 2018-08-23 2018-08-23 用于定位无人车的方法和装置

Publications (2)

Publication Number Publication Date
CN109146976A CN109146976A (zh) 2019-01-04
CN109146976B true CN109146976B (zh) 2020-06-02

Family

ID=64791303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810969118.3A Active CN109146976B (zh) 2018-08-23 2018-08-23 用于定位无人车的方法和装置

Country Status (4)

Country Link
US (1) US11486713B2 (zh)
EP (1) EP3614225B1 (zh)
JP (1) JP6858230B2 (zh)
CN (1) CN109146976B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109708644B (zh) * 2019-01-21 2020-11-27 北京旷视机器人技术有限公司 移动机器人导航方法、装置和移动机器人
CN109725329B (zh) * 2019-02-20 2021-12-07 苏州风图智能科技有限公司 一种无人车定位方法及装置
CN110031825B (zh) * 2019-04-17 2021-03-16 北京智行者科技有限公司 激光定位初始化方法
CN110319832B (zh) * 2019-07-05 2024-05-17 京东科技信息技术有限公司 机器人定位方法、装置、电子设备及介质
CN110989619B (zh) * 2019-12-23 2024-01-16 阿波罗智能技术(北京)有限公司 用于定位对象的方法、装置、设备和存储介质
CN111460375B (zh) * 2020-03-30 2023-07-25 北京百度网讯科技有限公司 定位数据有效性确定方法、装置、设备和介质
DE102020118627A1 (de) 2020-07-15 2022-01-20 Bayerische Motoren Werke Aktiengesellschaft Positionsbestimmung eines Fahrzeugs
CN113761090B (zh) * 2020-11-17 2024-04-05 北京京东乾石科技有限公司 一种基于点云地图的定位方法和装置
CN112731334B (zh) * 2020-12-10 2023-09-12 东风汽车集团有限公司 一种激光定位车辆的方法及装置
CN113593219B (zh) * 2021-06-30 2023-02-28 北京百度网讯科技有限公司 车流的统计方法、装置、电子设备及存储介质

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4934167B2 (ja) 2009-06-18 2012-05-16 クラリオン株式会社 位置検出装置および位置検出プログラム
JP5526643B2 (ja) 2009-08-04 2014-06-18 日産自動車株式会社 車両位置演算装置、運転支援装置及び車両位置演算方法
US9194949B2 (en) * 2011-10-20 2015-11-24 Robert Bosch Gmbh Methods and systems for precise vehicle localization using radar maps
GB2501466A (en) * 2012-04-02 2013-10-30 Univ Oxford Localising transportable apparatus
KR102071575B1 (ko) * 2013-04-23 2020-01-30 삼성전자 주식회사 이동로봇, 사용자단말장치 및 그들의 제어방법
CN103278170B (zh) * 2013-05-16 2016-01-06 东南大学 基于显著场景点检测的移动机器人级联地图创建方法
JP6278790B2 (ja) 2014-03-31 2018-02-14 株式会社デンソーアイティーラボラトリ 車両位置検出装置、車両位置検出方法及び車両位置検出用コンピュータプログラムならびに車両位置検出システム
DE102014220042B4 (de) 2014-10-02 2018-01-04 Volkswagen Ag Zugangssystem für ein Fahrzeug
EP3018448B1 (en) * 2014-11-04 2021-01-06 Volvo Car Corporation Methods and systems for enabling improved positioning of a vehicle
EP3078935A1 (en) * 2015-04-10 2016-10-12 The European Atomic Energy Community (EURATOM), represented by the European Commission Method and device for real-time mapping and localization
KR102388448B1 (ko) * 2015-06-09 2022-04-21 삼성전자주식회사 이동 로봇 및 그 제어 방법
CN107709930B (zh) * 2015-06-18 2021-08-31 宝马股份公司 用于表示地图要素的方法和装置以及用于定位车辆/机器人的方法和装置
EP3332218B1 (en) 2015-08-03 2021-11-03 TomTom Global Content B.V. Methods and systems for generating and using localisation reference data
CN106052697B (zh) * 2016-05-24 2017-11-14 百度在线网络技术（北京）有限公司 无人车、无人车定位方法、装置和***
CN106023210B (zh) * 2016-05-24 2017-12-12 百度在线网络技术（北京）有限公司 无人车、无人车定位方法、装置和***
CN106940704B (zh) * 2016-11-25 2019-12-20 北京儒博科技有限公司 一种基于栅格地图的定位方法及装置
CN108225341B (zh) * 2016-12-14 2021-06-18 法法汽车(中国)有限公司 车辆定位方法
US10309777B2 (en) * 2016-12-30 2019-06-04 DeepMap Inc. Visual odometry and pairwise alignment for high definition map creation
GB2559157A (en) * 2017-01-27 2018-08-01 Ucl Business Plc Apparatus, method and system for alignment of 3D datasets
JP6278544B1 (ja) * 2017-03-22 2018-02-14 国立研究開発法人国立環境研究所 モニタリング装置
CN109781119B (zh) * 2017-11-15 2020-01-21 百度在线网络技术（北京）有限公司 一种激光点云定位方法和***
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
CN110989619B (zh) * 2019-12-23 2024-01-16 阿波罗智能技术(北京)有限公司 用于定位对象的方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN109146976A (zh) 2019-01-04
US20200064137A1 (en) 2020-02-27
EP3614225B1 (en) 2022-09-14
EP3614225A1 (en) 2020-02-26
JP2020030829A (ja) 2020-02-27
US11486713B2 (en) 2022-11-01
JP6858230B2 (ja) 2021-04-14

Similar Documents

Publication Publication Date Title
CN109146976B (zh) 用于定位无人车的方法和装置
CN109781119B (zh) 一种激光点云定位方法和***
US10565442B2 (en) Picture recognition method and apparatus, computer device and computer- readable medium
CN108229419B (zh) 用于聚类图像的方法和装置
CN106997466B (zh) 用于检测道路的方法和装置
US20210090263A1 (en) Method and apparatus for detecting ground point cloud points
CN109407073B (zh) 反射值地图构建方法和装置
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
CN113869293B (zh) 车道线识别方法、装置、电子设备和计算机可读介质
CN109359170B (zh) 用于生成信息的方法和装置
CN113264066A (zh) 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备
CN113607185B (zh) 车道线信息显示方法、装置、电子设备和计算机可读介质
CN114119673B (zh) 初始位姿的确定方法和装置、电子设备和存储介质
CN113780270A (zh) 目标检测方法和装置
CN112183627A (zh) 生成预测密度图网络的方法和车辆年检标数量检测方法
CN113781478B (zh) 油罐图像检测方法、装置、电子设备和计算机可读介质
CN110782472A (zh) 点云地面点的识别方法及装置
CN112630798B (zh) 用于估计地面的方法和装置
CN112558035A (zh) 用于估计地面的方法和装置
CN113870600B (zh) 车道线信息显示方法、装置、电子设备和计算机可读介质
CN113034562B (zh) 用于优化深度信息的方法和装置
CN112116804B (zh) 一种车辆状态量信息确定方法及装置
CN114399555B (zh) 数据在线标定方法、装置、电子设备和计算机可读介质
CN110136181B (zh) 用于生成信息的方法和装置
KR102463890B1 (ko) 위치 정보를 생성하는 방법, 장치, 기기, 매체 및 프로그램

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20211009

Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085

Patentee after: Apollo Intelligent Technology (Beijing) Co.,Ltd.

Address before: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing

Patentee before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd.