CN109297500B - 基于车道线特征匹配的高精度定位装置及方法 - Google Patents
基于车道线特征匹配的高精度定位装置及方法 Download PDFInfo
- Publication number
- CN109297500B CN109297500B CN201811023537.4A CN201811023537A CN109297500B CN 109297500 B CN109297500 B CN 109297500B CN 201811023537 A CN201811023537 A CN 201811023537A CN 109297500 B CN109297500 B CN 109297500B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- map
- lane line
- information
- lane
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
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
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3423—Multimodal routing, i.e. combining two or more modes of transportation, where the modes can be any of, e.g. driving, walking, cycling, public transport
-
- 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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
-
- 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
- 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
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于车道线特征匹配的高精度定位装置及方法;方法包括:通过定位模块匹配车辆在高精度地图的地图位置;根据地图位置在高精度地图获取地图车道线信息;通过车载相机采集车道真实的在先车道线信息;根据地图车道线信息及在先车道线信息的匹配,确定车辆的在先估计位置;在在先估计位置周围随机配置若干样本点;根据车辆的运动状态及运动学方程预测下一采集时刻样本点的预测位置;车载相机在下一采集时刻采集车辆的在后车道线信息,并根据在后车道线信息与地图车道线信息的匹配确定车辆的采样位置;根据接近采样位置的预测位置对应样本点的集合估计车辆的在后估计位置。本发明能够获取具有较高精度的车辆位置。
Description
技术领域
本发明涉及主动安全及自动驾驶领域,具体而言,涉及一种基于车道线特征匹配的高精度定位装置及方法。
背景技术
目前车辆的高精度定位一般是采用RTK和多源传感器的定位融合。RTK需要建立基站成本高且一般需要配合高频率输出IMU进行数据融合。多源传感器主要包括相机、雷达、IMU、GNSS等。
其中,相机不能独立实现对车道线的高精度定位;雷达需要离线生成栅格感知特征地图且特征地图有鲜度要求,开发及维护的成本较高。GNSS与IMU的组合算法实现复杂且需要解决时间同步、IMU累积误差、数据延迟及解算耗时等问题,难以工业化应用。
发明内容
本发明实施例至少提供一种基于车道线特征匹配的高精度定位方法,
能够解决现有技术中现有技术中采用高精度地图或多源传感器对车辆定位,精度不高且应用成本高的问题。
上述实施例的具体实现,如下所述。
所述方法包括:
Step110、通过定位模块匹配车辆在所述高精度地图的地图位置;
Step120、根据所述地图位置在所述高精度地图获取地图车道线信息;
Step200、通过车载相机采集车道真实的在先车道线信息;
Step300、根据所述地图车道线信息及在先车道线信息的匹配,确定车辆的在先估计位置;
Step410、在所述在先估计位置周围随机配置若干样本点;
Step420、根据车辆的运动状态及运动学方程预测下一采集时刻样本点的预测位置;
Step430、车载相机在所述下一采集时刻采集车辆的在后车道线信息,并根据所述在后车道线信息与所述地图车道线信息的匹配确定车辆的采样位置;
Step440、根据接近采样位置的预测位置对应所述样本点的集合估计车辆的在后估计位置。
在本实施例中较佳方案是,所述Step110,包括:
Step111、通过定位模块输入至少包括车辆的定位信息及角度信息的概略信息;
Step112、根据所述概略信息在所述高精度地图匹配车辆所在的地图位置。
在本实施例中较佳方案是,所述Step120,包括:
Step121、根据所述地图位置在所述高精度地图获取车辆所在车道的模型数据;
Step122、在所述高精度地图根据所述模型数据获取车道的形点数据;
Step123、建立车辆坐标系并配置所述车辆坐标系与所述高精度地图的大地坐标系的第一坐标关系;
Step124、基于所述第一坐标关系,坐标转换所述形点数据至所述车辆坐标系;
Step125、根据坐标转换后的所述形点数据建立地图车道线信息。
在本实施例中较佳方案是,所述Step200,包括:
Step210、根据车载相机配置的内参数及外参数确定相机坐标系;
Step220、配置所述车辆坐标系与所述相机坐标系的第二坐标关系;
Step230、基于第二坐标关系,通过车载相机采集位于所述车辆坐标系的在先车道线信息。
在本实施例中较佳方案是,所述Step300,包括:
Step310、所述在先车道线信息为至少一条所述车载相机检测的真实三次多项式方程;
Step320、基于最小二乘法拟合地图车道线信息为地图三次多项式方程;
Step330、采用曲线重合度及相似度算法,匹配所述地图三次多项式方程与至少一条所述真实三次多项式方程,提取最优匹配的所述真实三次多项式方程;
Step340、根据最优匹配的所述真实三次多项式方程估计所述车辆坐标系的原点位置,所述原点位置为车辆在车道的所述在先估计位置。
在本实施例中较佳方案是,所述Step410,配置为:
在所述在先估计位置周围采用高斯分布在所述车辆坐标系内配置若干样本点。
在本实施例中较佳方案是,所述Step420,包括:
Step421、通过惯性测量单元采集车辆的当前速度及当前角度;
Step422、以所述当前速度及所述当前角度作为车辆运动学方程的输入参数,预测下一采集时刻所有所述样本点的预测位置。
在本实施例中较佳方案是,所述Step440,包括:
Step441、以所有预测位置及采样位置进行贝叶斯滤波,提取有效匹配的样本点的样本集;
Step442、加权平均样本集中的所有样本点,估计车辆的在后估计位置。
在本实施例中较佳方案是,所述Step441,包括:
Step4411、以所有预测位置及采样位置进行贝叶斯滤波,估计样本点作为所述估计位置的权重,
Step4412、将所述样本点根据权重划分为不满足最小权重要求的小样本点及满足最小权重要求的大样本点,
Step4413、剔除小样本点并对大样本点进行加权复制,获取重样本点,
Step4414、根据所有重样本点进行权重更新并剔除更新后不满足最小权重要求的重样本点;
所述Step442,配置为对满足最小权重要求的所有重样本点进行加权平均,估计车辆的在后估计位置。
本发明实施例另公开一种基于车道线特征匹配的高精度定位装置,所述装置包括:
地图匹配模块,配置为
通过定位模块输入的定位信息匹配车辆在所述高精度地图的地图位置,
根据所述地图位置在所述高精度地图匹配车道,
根据匹配的车道建立或更新车道模型;
车道线匹配模块,配置为
根据车道模型获取位于车辆坐标系的地图车道线信息,
通过车载相机输入的当前车道线信息与所述地图车道线信息匹配,确定车辆的在先估计位置;
定位估计模块,配置为
在所述在先估计位置周围随机配置若干样本点,
根据车辆的运动状态及运动学方程预测下一采集时刻样本点的预测位置;
车载相机在所述下一采集时刻采集车辆的在后车道线信息,并根据所述在后车道线信息与所述地图车道线信息的匹配确定车辆的采样位置;
根据接近采样位置的预测位置对应所述样本点的集合估计车辆的在后估计位置。
针对上述方案,本发明通过以下参照附图对公开的示例性实施例作详细描述,亦使本发明实施例的其它特征及其优点清楚。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为实施例一的流程图;
图2为实施例一的模块图;
图3为实施例二的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本实施例公开一种基于车道线特征匹配的高精度定位方法,能够通过Ublox提供包括定位数据、速度数据及航向数据的概略信息,通过高精度地图数据与上述概略信息的匹配获取地图车道线信息;再通过MobilEye采集在先车道线信息并与地图车道线信息进行匹配,获取具有较高横向精度及一般纵向精度的车辆位置。
本发明在获取上述车辆位置后通过对所有样本点在下一采集时刻的位置预测以及MobilEye在下一采集时刻的位置观测匹配有效的样本点集合作为对车辆真实位置的高精度定位。
为了实现上述方案,请参考图1,本实施例的方法采用如下步骤。
Step110、通过Ublox匹配车辆在高精度地图的地图位置:优选地配置如下。
Step111、接收Ublox输入的车辆的定位数据、速度数据及航向数据的概略信息。
Step112、并根据前述的概略信息在高精度地图中位于定位数据可调的阈值范围内查找与车辆位置距离最近且与车辆航向符合的车道所在地图位置。
Step120、根据地图位置在高精度地图获取地图车道线信息:优选地配置如下。
Step121、根据查找到的地图位置提取车道信息并根据车道信息建立车道模型。
Step122、在高精度地图根据模型数据获取车道线的形点串,高精度地图一般采用的是大地坐标系,则车道线的形点串可以表示为shapePointWGS84[]={pt1,pt2,pt3…},其中pt1、pt2为车道线的形点坐标。
Step123、建立车辆坐标系并配置车辆坐标系与高精度地图的大地坐标系的第一坐标关系。
本实施例优先确定大地坐标系与高斯平面坐标系的第一转换关系,再确定高斯平面坐标系与车辆坐标系的第二转换关系;根据第一转换关系和第二转换关系配置上述的第一坐标关系。
Step124、基于第一坐标关系,坐标转换形点数据至车辆坐标系,那么在车辆坐标系下的上述形点串为shapePoint[]={ptA,ptB,ptC…}。
Step125、获得车辆坐标系的形点串后建立地图车道线信息。
Step200、通过MobilEye结合车道线检测算法采集当前时刻车辆在行驶过程中车道真实的在先车道线信息:优选地配置如下。
Step210、根据MobilEye配置的内参数及外参数确定相机坐标系。
Step220、配置车辆坐标系与相机坐标系的第二坐标关系。
Step230、基于第二坐标关系,通过MobilEye结合车道线检测算法采集位于车辆坐标系的在先车道线信息。
Step300、根据地图车道线信息及在先车道线信息的匹配,确定车辆的在先估计位置:优选地配置如下。
Step310、根据采集的在先车道线信息包括的多条车道线拟合多条真实三次多项式方程。
Step320、拟合地图车道线信息为地图三次多项式方程。
优选地,基于最小二乘法拟合真实三次多项式方程及地图三次多项式方程为三次多项式方程;
一般地三次多项式方程的表达式为:
y=C0+C1*X+C2*X*X+C3*X*X*X,X的取值范围为MinX到MinX,
其中方程参数包括,C0、C1、C3、C4为系数,X、Y为车辆坐标系坐标,Minx为X的最小取值,MaxX为X的最大取值。
Step330、采用曲线重合度及相似度算法对地图三次多项式方程与所有真实三次多项式方程进行匹配,提取最优匹配的至少一条真实三次多项式方程。
Step340、在车辆坐标系下根据最优匹配的至少一条真实三次多项式方程,可以估计车辆坐标系的原点位置的概率,原点位置为车辆在车道的在先估计位置。
Step410、为了进一步提高纵向定位精度,采用高斯分布在上述在先估计位置的周围配置若干位于车辆坐标系下的样本点,样本点随机分布车道及相邻车道上。
Step420、根据车辆的运动状态及运动学方程预测下一采集时刻样本点的预测位置;优选地配置如下。
Step421、同步惯性测量单元及MobilEye的时间,再通过惯性测量单元输入车辆的当前行驶速度及当前航向角度;
Step422、以当前行驶速度及当前航向角度作为车辆运动学方程的输入参数,预测下一采集时刻所有样本点在车辆坐标系下的预测位置。
Step430、MobilEye在下一采集时刻采集车辆的在后车道线信息;并在下一采样时刻以所有采样点为车辆位置在高精度地图采用如Step300及具体步骤,获取所有采样点的地图车道线信息;再通过所有采样点的地图车道线信息与在后车道线信息的匹配,获取所有样本点的预测位置;
Step440、查找相对采样位置位于距离阈值内的所有预测位置对应样本点的集合估计车辆的在后估计位置;优选地配置如下。
Step4411、以所有预测位置及采样位置进行贝叶斯滤波,估计样本点作为在后估计位置的权重,
Step4412、将样本点根据权重划分为不满足最小权重要求的小样本点及满足最小权重要求的大样本点。最小权重要求可以认为设定,具体是根据车载GPS的定位误差范围。
Step4413、剔除小样本点并对大样本点进行加权复制,获取重样本点。
Step4414、考虑到所有重样本的权值相加为1,则所有重样本点的权重必要的需要进行更新,同时在权重更新后剔除不满足最小权重要求的重样本点;
Step442,将权重更新后且满足最小权重要求的所有重样本点进行加权平均,估计车辆的在后估计位置。
通过上述步骤,本实施例的在后估计位置,能够较为真实的反映车辆在车道的实际位置;相比现有技术,其在横向及纵向的误差均较小。同时,本实施例方法的实现仅需要结合高精度地图数据、MobilEye相机及消费级Ublox芯片的输出,硬件成本低。
请参考图2,本实施例另公开一种基于车道线特征匹配的高精度定位装置,包括地图匹配模块、车道线匹配模块及定位估计模块。
其中,地图匹配模块,配置为通过定位模块输入的定位信息匹配车辆在高精度地图的地图位置,根据地图位置在高精度地图匹配车道,根据匹配的车道建立或更新车道模型;
车道线匹配模块,配置为根据车道模型获取位于车辆坐标系的地图车道线信息,通过MobilEye输入的当前车道线信息与地图车道线信息匹配,确定车辆的在先估计位置;
定位估计模块,配置为在前述在先估计位置周围随机配置若干样本点,根据车辆的运动状态及运动学方程预测下一采集时刻样本点的预测位置;MobilEye在下一采集时刻采集车辆的在后车道线信息,并根据在后车道线信息与地图车道线信息的匹配确定车辆的采样位置;根据接近采样位置的预测位置对应样本点的集合估计车辆的在后估计位置。
实施例二
请参考图3,本实施例公开一种基于车道线特征匹配的高精度定位方法;本实施例相比实施例一的区别是,在接收Ublox输入的概略信息前先确定车辆的匹配状态,本实施例的匹配状态分为搜索状态及跟踪状态。
本实施例的搜索状态配置如下。
Step110、接收Ublox输入的车辆的定位数据、速度数据及航向数据的概略信息。
Step120、根据前述的概略信息在高精度地图中查找与车辆位置的距离满足一定的阈值范围,且最接近且与车辆航向相同或相近的车道。
Step130、如果匹配车道不成功,则返回判断车辆所处的搜索状态或跟踪状态。
如果匹配车道成功,匹配车道后获取车道的车道信息并建立车道模型,并设置匹配状态为跟踪状态。
Step140、根据车道模型建立车道的拓扑连接关系并进入实施例一的Step122。
本实施例的跟踪状态配置如下。
Step110、接收Ublox输入的车辆的定位数据、速度数据及航向数据的概略信息。
Step120、直接从车道的拓扑连接关系中查找与车辆位置的距离满足一定阈值范围的车道,并找出距离最近的车道作为匹配车道。
Step130、如果匹配车道不成功,则返回匹配状态为上述搜索状态;如果匹配车道成功,获取拓扑连接关系对应的车道信息并建立新的车道模型,并设置匹配状态为跟踪状态。
Step140、根据车道信息及建立的车道模型更新车道的拓扑连接关系并进入实施例一的Step122。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于车道线特征匹配的高精度定位方法,其特征在于,
所述方法包括:
Step110、通过定位模块匹配车辆在所述高精度地图的地图位置;
Step121、根据所述地图位置在所述高精度地图获取车辆所在车道的模型数据;
Step122、在所述高精度地图根据所述模型数据获取车道的形点数据;
Step123、建立车辆坐标系并配置所述车辆坐标系与所述高精度地图的大地坐标系的第一坐标关系;
Step124、基于所述第一坐标关系,坐标转换所述形点数据至所述车辆坐标系;
Step125、根据坐标转换后的所述形点数据建立地图车道线信息;
Step200、通过车载相机采集车道真实的在先车道线信息;
Step310、所述在先车道线信息为至少一条所述车载相机检测的真实三次多项式方程;
Step320、基于最小二乘法拟合地图车道线信息为地图三次多项式方程;
Step330、采用曲线重合度及相似度算法,匹配所述地图三次多项式方程与至少一条所述真实三次多项式方程,提取最优匹配的所述真实三次多项式方程;
Step340、根据最优匹配的所述真实三次多项式方程估计所述车辆坐标系的原点位置,所述原点位置为车辆在车道的在先估计位置;
Step410、在所述在先估计位置周围随机配置若干样本点;
Step420、根据车辆的运动状态及运动学方程预测下一采集时刻样本点的预测位置;
Step430、车载相机在所述下一采集时刻采集车辆的在后车道线信息,并根据所述在后车道线信息与所述地图车道线信息的匹配确定车辆的采样位置;
Step440、根据接近采样位置的预测位置对应所述样本点的集合估计车辆的在后估计位置。
2.如权利要求1所述的基于车道线特征匹配的高精度定位方法,其特征在于,所述Step110,包括:
Step111、通过定位模块输入至少包括车辆的定位信息及角度信息的概略信息;
Step112、根据所述概略信息在所述高精度地图匹配车辆所在的地图位置。
3.如权利要求2所述的基于车道线特征匹配的高精度定位方法,其特征在于,所述Step200,包括:
Step210、根据车载相机配置的内参数及外参数确定相机坐标系;
Step220、配置所述车辆坐标系与所述相机坐标系的第二坐标关系;
Step230、基于第二坐标关系,通过车载相机采集位于所述车辆坐标系的在先车道线信息。
4.如权利要求1所述的基于车道线特征匹配的高精度定位方法,其特征在于,所述Step410,配置为:
在所述在先估计位置周围采用高斯分布在所述车辆坐标系内配置若干样本点。
5.如权利要求2所述的基于车道线特征匹配的高精度定位方法,其特征在于,所述Step420,包括:
Step421、通过惯性测量单元采集车辆的当前速度及当前角度;
Step422、以所述当前速度及所述当前角度作为车辆运动学方程的输入参数,预测下一采集时刻所有所述样本点的预测位置。
6.如权利要求1所述的基于车道线特征匹配的高精度定位方法,其特征在于,所述Step440,包括:
Step441、以所有预测位置及采样位置进行贝叶斯滤波,提取有效匹配的样本点的样本集;
Step442、加权平均样本集中的所有样本点,估计车辆的在后估计位置。
7.如权利要求6所述的基于车道线特征匹配的高精度定位方法,其特征在于,
所述Step441,包括:
Step4411、以所有预测位置及采样位置进行贝叶斯滤波,估计样本点作为所述估计位置的权重,
Step4412、将所述样本点根据权重划分为不满足最小权重要求的小样本点及满足最小权重要求的大样本点,
Step4413、剔除小样本点并对大样本点进行加权复制,获取重样本点,
Step4414、根据所有重样本点进行权重更新并剔除更新后不满足最小权重要求的重样本点;
所述Step442,配置为对满足最小权重要求的所有重样本点进行加权平均,估计车辆的在后估计位置。
8.一种基于车道线特征匹配的高精度定位装置,其特征在于,
所述装置包括:
地图匹配模块,配置为
通过定位模块输入的定位信息匹配车辆在所述高精度地图的地图位置,
根据所述地图位置在所述高精度地图匹配车道,
根据匹配的车道建立或更新车道模型;
车道线匹配模块,配置为
根据所述地图位置在所述高精度地图获取车辆所在车道的模型数据;
在所述高精度地图根据所述模型数据获取车道的形点数据;
建立车辆坐标系并配置所述车辆坐标系与所述高精度地图的大地坐标系的第一坐标关系;
基于所述第一坐标关系,坐标转换所述形点数据至所述车辆坐标系;
根据坐标转换后的所述形点数据建立地图车道线信息;
通过车载相机输入的当前车道线信息;
所述当前车道线信息为至少一条所述车载相机检测的真实三次多项式方程;
基于最小二乘法拟合地图车道线信息为地图三次多项式方程;
采用曲线重合度及相似度算法,匹配所述地图三次多项式方程与至少一条所述真实三次多项式方程,提取最优匹配的所述真实三次多项式方程;
根据最优匹配的所述真实三次多项式方程估计所述车辆坐标系的原点位置,所述原点位置为车辆在车道的在先估计位置;
定位估计模块,配置为
在所述在先估计位置周围随机配置若干样本点,
根据车辆的运动状态及运动学方程预测下一采集时刻样本点的预测位置;
车载相机在所述下一采集时刻采集车辆的在后车道线信息,并根据所述在后车道线信息与所述地图车道线信息的匹配确定车辆的采样位置;
根据接近采样位置的预测位置对应所述样本点的集合估计车辆的在后估计位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811023537.4A CN109297500B (zh) | 2018-09-03 | 2018-09-03 | 基于车道线特征匹配的高精度定位装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811023537.4A CN109297500B (zh) | 2018-09-03 | 2018-09-03 | 基于车道线特征匹配的高精度定位装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109297500A CN109297500A (zh) | 2019-02-01 |
CN109297500B true CN109297500B (zh) | 2020-12-15 |
Family
ID=65166250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811023537.4A Active CN109297500B (zh) | 2018-09-03 | 2018-09-03 | 基于车道线特征匹配的高精度定位装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109297500B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111742326A (zh) * | 2019-05-22 | 2020-10-02 | 深圳市大疆创新科技有限公司 | 车道线的检测方法、电子设备与存储介质 |
CN110147382B (zh) * | 2019-05-28 | 2022-04-12 | 北京百度网讯科技有限公司 | 车道线更新方法、装置、设备、***及可读存储介质 |
CN110954113B (zh) * | 2019-05-30 | 2021-10-15 | 北京初速度科技有限公司 | 一种车辆位姿的修正方法和装置 |
CN110160540B (zh) * | 2019-06-12 | 2020-12-18 | 禾多科技(北京)有限公司 | 基于高精度地图的车道线数据融合方法 |
CN110398713A (zh) * | 2019-07-29 | 2019-11-01 | 相维(北京)科技有限公司 | 一种利用无线信号检测接收机运动状态的方法 |
CN111256711B (zh) * | 2020-02-18 | 2022-05-20 | 北京百度网讯科技有限公司 | 车辆位姿矫正方法、装置、设备及存储介质 |
CN112001456B (zh) * | 2020-10-28 | 2021-07-30 | 北京三快在线科技有限公司 | 一种车辆定位方法、装置、存储介质及电子设备 |
CN112560680A (zh) * | 2020-12-16 | 2021-03-26 | 北京百度网讯科技有限公司 | 车道线处理方法、装置、电子设备及存储介质 |
CN113175938B (zh) * | 2021-03-16 | 2024-05-17 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种基于高精度地图的车辆定位增强***及方法 |
CN115143996B (zh) * | 2022-09-05 | 2023-01-17 | 北京智行者科技股份有限公司 | 定位信息修正方法及电子设备和存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104180801B (zh) * | 2014-08-20 | 2017-06-06 | 广州海格通信集团股份有限公司 | 基于ads‑b***航迹点的预测方法和*** |
KR102239483B1 (ko) * | 2014-10-28 | 2021-04-13 | 현대모비스 주식회사 | 차량의 맵매칭 방법 및 그 장치 |
CN105783936B (zh) * | 2016-03-08 | 2019-09-24 | 武汉中海庭数据技术有限公司 | 用于自动驾驶中的道路标识制图及车辆定位方法及*** |
CN106225790B (zh) * | 2016-07-13 | 2018-11-02 | 百度在线网络技术(北京)有限公司 | 一种无人车定位精度的确定方法及装置 |
CN108303103B (zh) * | 2017-02-07 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 目标车道的确定方法和装置 |
CN107782321B (zh) * | 2017-10-10 | 2020-10-30 | 武汉迈普时空导航科技有限公司 | 一种基于视觉和高精度地图车道线约束的组合导航方法 |
CN108413971B (zh) * | 2017-12-29 | 2021-12-14 | 驭势科技(北京)有限公司 | 基于车道线的车辆定位技术及应用 |
CN108303721B (zh) * | 2018-02-12 | 2020-04-03 | 北京经纬恒润科技有限公司 | 一种车辆定位方法及*** |
-
2018
- 2018-09-03 CN CN201811023537.4A patent/CN109297500B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109297500A (zh) | 2019-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109297500B (zh) | 基于车道线特征匹配的高精度定位装置及方法 | |
JP7186607B2 (ja) | 電子地図を更新する方法、装置、およびコンピュータ読み取り可能な記憶媒体 | |
CN108225348B (zh) | 地图创建以及运动实体定位的方法和装置 | |
CN105957342B (zh) | 基于众包时空大数据的车道级道路测图方法及*** | |
EP3104361A1 (en) | Map information generation system, method, and program | |
CN106558219B (zh) | 车辆轨迹预测方法及装置 | |
JP6656886B2 (ja) | 情報処理装置、制御方法、プログラム及び記憶媒体 | |
CN111551186A (zh) | 一种车辆实时定位方法、***及车辆 | |
JP6589570B2 (ja) | センター処理装置、地図生成システム、及びプログラム | |
CN110889808A (zh) | 一种定位的方法、装置、设备及存储介质 | |
CN110210384B (zh) | 一种道路全局信息实时提取与表示*** | |
AU2020356082A1 (en) | Vehicle and method for generating map corresponding to three-dimensional space | |
CN114565674B (zh) | 自动驾驶车辆城市结构化场景纯视觉定位方法及装置 | |
CN110717918A (zh) | 行人检测方法和装置 | |
CN102981160B (zh) | 一种确定空中目标航迹的方法及装置 | |
CN115728803A (zh) | 一种城市驾驶车辆连续定位***及方法 | |
CN104422426A (zh) | 在高架道路区域内提供车辆导航信息的方法和设备 | |
CN114593739A (zh) | 基于视觉检测与参考线匹配的车辆全局定位方法及装置 | |
CN112965076B (zh) | 一种用于机器人的多雷达定位***及方法 | |
JP2019174191A (ja) | データ構造、情報送信装置、制御方法、プログラム及び記憶媒体 | |
CN114076595B (zh) | 道路高精度地图生成方法、装置、设备及存储介质 | |
WO2020118623A1 (en) | Method and system for generating an environment model for positioning | |
CN113850909B (zh) | 点云数据处理方法、装置、电子设备及自动驾驶设备 | |
Jametoni et al. | A Study on Autonomous Drone Positioning Method | |
CN114119465B (zh) | 一种点云数据处理方法及装置 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A high-precision positioning device and method based on lane line feature matching Granted publication date: 20201215 Pledgee: Productivity Promotion Center of Wuhan East Lake New Technology Development Zone Pledgor: WUHHAN KOTEL BIG DATE Corp. Registration number: Y2024980005100 |