CN109931939A - 车辆的定位方法、装置、设备及计算机可读存储介质 - Google Patents

Abstract

本公开提供一种车辆的定位方法、装置、设备及计算机可读存储介质，方法包括获取惯性导航***确定车辆的初始位置；获取车道图像，根据初始位置、车道图像确定第一修正量；获取激光雷达扫描数据，根据初始位置、激光雷达扫描数据、确定位置修正量；根据初始位置、第一修正量、位置修正量，确定车辆的实时定位信息。本公开提供的车辆的定位方法、装置、设备及计算机可读存储介质，根据采集到的数据与惯性导航***得到的定位结果进行比对，并基于比对结果确定修正量，再在初始位置的基础上，融合该修正量，从而得到当前的实时位置。

Description

车辆的定位方法、装置、设备及计算机可读存储介质

技术领域

本公开涉及车辆定位技术，尤其涉及一种车辆的定位方法、装置、设备及计算机可读存储介质。

背景技术

随着自动驾驶技术的发展，自动驾驶车辆已经被应用到实际生活中。为了保证车辆的安全形式，自动驾驶车辆需要实时定位，从而根据当前的定位确定行驶方向。

现有技术中，通过在自动驾驶车辆上搭载高精度RTK(Real-time kinematic，实时动态)设备，实现实时定位的需求。RTK设备采用的是载波相位差分技术，这种技术是实时处理两个测量站载波相位观测量的差分方法，再将基准站采集的载波相位发给用户接收机，进行求差解算坐标。

但是，载波相位差分技术对于卫星信号的准确性有很强的依赖性。而在自动驾驶车辆的行驶过程中，经常出现信号丢失问题，例如在隧道中，就极易造成信号丢失。

发明内容

本公开提供一种车辆的定位方法、装置、设备及计算机可读存储介质，以解决现有技术中的定位方案对卫星信号依赖性过强的技术问题。

本公开的第一个方面是提供一种车辆的定位方法，包括：

获取惯性导航***确定车辆的初始位置；

获取车道图像，根据所述初始位置、所述车道图像确定第一修正量；

获取激光雷达扫描数据，根据所述初始位置、所述激光雷达扫描数据、确定位置修正量；

根据所述初始位置、所述第一修正量、所述位置修正量，确定所述车辆的实时定位信息。

本公开的另一个方面是提供一种车辆的定位装置，包括：

获取模块，用于获取惯性导航***确定车辆的初始位置；

第一确定模块，用于获取车道图像，根据所述初始位置、所述车道图像确定第一修正量；

第二确定模块，用于获取激光雷达扫描数据，根据所述初始位置、所述激光雷达扫描数据、确定位置修正量；

定位模块，用于根据所述初始位置、所述第一修正量、所述位置修正量，确定所述车辆的实时定位信息。

本公开的又一个方面是提供一种车辆的定位设备，包括：

存储器；

处理器；以及

计算机程序；

其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如上述第一方面所述的车辆的定位方法。

本公开的又一个方面是提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现如上述第一方面所述的车辆的定位方法。

本公开提供的车辆的定位方法、装置、设备及计算机可读存储介质的技术效果是：

本公开提供的车辆的定位方法、装置、设备及计算机可读存储介质，方法包括获取惯性导航***确定车辆的初始位置；获取车道图像，根据初始位置、车道图像确定第一修正量；获取激光雷达扫描数据，根据初始位置、激光雷达扫描数据、确定位置修正量；根据初始位置、第一修正量、位置修正量，确定车辆的实时定位信息。本公开提供的车辆的定位方法、装置、设备及计算机可读存储介质，根据采集到的数据与惯性导航***得到的定位结果进行比对，并基于比对结果确定修正量，再在初始位置的基础上，融合该修正量，从而得到当前的实时位置。本公开提供的方法、装置、设备及计算机可读存储介质，根据车辆的实际行驶情况在惯性导航得到的初始位置基础上进行调整，从而得到准确的当前的车辆位置，能够实现实时定位的功能。

附图说明

图1为本发明一示例性实施例示出的车辆的定位方法的流程图；

图2为本发明另一示例性实施例示出的车辆的定位方法的流程图；

图3为本发明一示例性实施例示出的车辆的定位装置的结构图；

图4为本发明另一示例性实施例示出的车辆的定位装置的结构图；

图5为本发明一示例性实施例示出的车辆的定位设备的结构图。

具体实施方式

目前的无人驾驶车辆中，需要安装RTK设备，用于实时定位。但是，当无人驾驶车辆经过卫星信号较差或卫星信号丢失的区域时，会造成RTK设备定位不准确的问题，例如，在隧道中，车辆无法接收到卫星信号。

图1为本发明一示例性实施例示出的车辆的定位方法的流程图。

如图1所示，本实施例提供的车辆的定位方法包括：

步骤101，根据惯性导航***确定车辆的初始位置。

其中，本实施例提供的方法由具备计算能力的电子设备执行，例如处理器。该电子设备可以设置在无人驾驶车辆中，用于对车辆进行实时定位。

具体的，本实施例提供的方法，基于惯性导航***得到的定位信息为基础，对其进行修正，从而得到实时的车辆定位信息。惯性导航***是一种不依赖于外部信息、也不向外部辐射能量的自主式导航***。惯性导航***的基本工作原理是以牛顿力学定律为基础，通过测量载体在惯性参考系的加速度，将它对时间进行积分，且把它变换到导航坐标系中，就能够得到在导航坐标系中的速度、偏航角和位置等信息。

进一步的，惯性导航***可以设置在执行本实施例提供的方法的电子设备中，也可以设置在其他电子设备中，该***与电子设备能够交互，从而使其向电子设备发送初始位置。也可以由电子设备向惯性导航***发送获取定位信息的请求，从而使其向电子设备反馈初始位置。

实际应用时，由于导航信息经过积分而产生，定位误差随时间而增大，长期精度差。因此，若直接采用惯性导航***确定的定位结果，存在精度差的问题。本实施例提供的方法中，根据车辆感知的周围环境信息，对该初始位置进行修正，从而得到准确的实时位置信息。

此外，还可以将修正后的实时位置输入到惯性导航***中，使其基于当前的该位置确定出下一刻的初始位置。

步骤102，获取车道图像，根据初始位置、车道图像确定第一修正量。

其中，自动驾驶车辆一般都设置有环境感知***，具体通过摄像头、传感器等设备获取周围的环境信息，从而进行环境感知。本实施例提供的方法中，利用自动驾驶车辆中的环境感知设备，确定车辆周围环境，并根据车辆周围环境对初始位置进行修正。

具体的，可以在无人驾驶车辆上可以设置有用于拍摄车道图像的图像采集模块，例如摄像头。摄像头的数量可以根据需求进行设置。例如，为了获得信息更丰富的环境信息，则可以设置多个摄像头。这些摄像头的拍摄方向可以是朝向车头方向的，从而通过这些车道图像确定车辆前方的道路信息。

进一步的，执行本实施例的电子设备可以控制摄像头采集图像，再获取摄像头采集的图像。为了在车辆行驶过程中，实时根据拍摄的车道图像进行定位，可以控制这些摄像头以较高的频率进行拍摄照片，或是进行连续的录像。

实际应用时，若摄像头拍摄的是录像，那么电子设备可以接收该录像，并以一定的频率从中抽取帧图像，对帧图像进行处理。

其中，电子设备可以根据车道图像与初始位置信息，确定第一修正量。

电子设备在获取了车道图像后，可以对车道图像进行识别。确定其中的标志物，再基于标志物，确定车辆在道路中的位置信息，从而根据该位置信息，确定出与初始位置的第一修正量。标志物例如可以是车道线，还可以是路边的建筑物等，如高楼，还可以是道路中的指示牌。还可以设置标志物的优先级，例如车道线优先级最高为5、标志牌优先级次高为4、建筑物的优先级为3等，可以基于优先级顺去在车道图像中确定标志物，进而基于标志物确定车辆的位置信息。

进一步的，由于车道图像是设置在车辆上的图像采集模块拍摄的，因此，根据该图像采集模块的参数，可以确定出车辆相较于标志物的距离。当标志物是车道线时，可以确定车辆与每条车道线的相对位置。当标志物是其他物体时，可以确定车辆与其他物体间的相对位置。

实际应用时，根据车辆与标志物间的相对位置，可以确定车辆当前的位置信息，例如，车辆在第二条车道线与第三条车道线之间。再例如，车辆前方100米有交通指示牌，即可以认为车辆在交通指示牌后方100米，还可以确定车辆与交通指示牌的相对方向。

其中，可以使用根据车道图像确定的位置信息，对初始位置中的相应信息进行修正。可以认为，根据初始位置也能够确定出车辆与标志物间的位置信息，因此，可以基于这两个位置信息确定第一修正量，再根据该修正量对初始位置进行修正。

进一步的，无人驾驶车辆在行驶时，依赖于高精地图。高精地图包含大量的驾驶辅助信息。例如交叉路口和路标位置、红绿灯信息，道路周围的环境信息。

实际应用时，可以根据车辆的初始位置，在高精地图中确定相应的位置。并根据该位置，确定在高精地图中，车辆与车道图像中的标志物的相对位置。可以根据这两个相对位置，确定出第一修正量。

其中，该第一修正信息可以包括距离、角度、方向等。例如，标志物是车道线，则相对位置包括车辆与每条车道线的相对距离，还可以包括距离车辆最近的车道线的朝向。若标志物是建筑物等，则相对位置可以包括车辆与建筑物间的距离，还可以包括车辆与建筑物间的相对方向。可以比对这两个相对位置，从而得到第一修正量。还可以对这两个相对位置进行加权处理，再确定第一修正量。

步骤103，获取激光雷达扫描数据，根据初始位置、激光雷达扫描数据、确定位置修正量。

进一步的，本实施例提供的方法中，车辆上还可以设置激光雷达扫描装置，用于获取周围的环境数据。电子设备可以获取该装置扫描得到的激光雷达扫描数据。

实际应用时，高精地图是基于高精度RTK设备与激光雷达采集的数据绘制而得，因此，高精地图中包括激光雷达扫描数据。可以在高精地图中根据初始位置确定出基于惯性导航***得到的车辆当前位置，可以获取该位置周围的激光雷达数据。

其中，还可以在高精地图中，以车辆初始位置为中心划定搜索范围，在该搜索范围内，确定与当前获取的激光雷达扫描数据相匹配的位置，并将该位置，确定为当前车辆的可能位置，此时，可以基于该可能位置以及车辆的初始位置，确定出位置修正量。具体可以计算两个位置的加权求和结果。

具体的，为了提高匹配精度，本实施例提供的方法中，高精度地图中包括高精度激光点云反射率地图以及高精度激光点云高度地图。在高精度激光点云反射率地图中，包括地面或周围景物的发射率信息，在高精度激光点云高度地图中，包括地面以及周围景物的高度信息。

进一步的，在高精地图中确定当前车辆的可能位置时，可以基于获取的激光雷达扫描数据中，包括的反射率信息以及高度信息，分别于高精地图中的这些信息进行比对，从而更准确的确定车辆可能位置。

步骤102与步骤103的时序不进行限制，可以先执行步骤102，也可以先执行步骤103。还可以同时执行这两个步骤。

步骤104，根据初始位置、第一修正量、位置修正量，确定车辆的实时定位信息。

实际应用时，可以在初始位置的基础上，叠加得到的第一修正量、位置修正量，从而得到实时定位信息。该实时定位信息是对初始位置修正后的位置信息。

其中，为了使定位结果更加平滑，还可以设置扩展卡尔曼滤波框架，将初始位置与得到的第一修正量、位置修正量进行融合，从而得到最终的实时定位信息。

具体的，由于确定第一修正量和确定位置修正量所耗费的时长可能不同，因此，可以将先确定的修正量以及初始位置输入卡尔曼滤波框架，使其先进行融合。后得到的修正量则后输入卡尔曼滤波框架，与已经得到的融合结果进行再次融合，从而使实时定位响应速度更快。

进一步的，在确定了实时位置后，还可以将其输入惯性导航***中。以使惯性导航***基于计算的实时位置，确定下一时刻的车辆位置。即下一个车辆的初始位置。实际应用时，由于现有的处理器计算速度很快，从获取初始位置到最终计算出实时位置的时间非常短，一般来说小于0.01秒，对于使用该实时定位信息的车辆来说，计算所产生的时间误差不会影响车辆的正常行驶，因此，可以忽略不计由于计算带来的时间损耗。

其中，本实施例提供的方法中，初始位置可以是通过GPS信号得到的，此后的位置信息不依赖于GPS的定位结果。

本实施例提供的方法用于对车辆进行实时定位，该方法由设置有本实施例提供的方法的设备执行，该设备通常以硬件和/或软件的方式来实现。

本实施例提供的车辆的定位方法，包括获取惯性导航***确定车辆的初始位置；获取车道图像，根据初始位置、车道图像确定第一修正量；获取激光雷达扫描数据，根据初始位置、激光雷达扫描数据、确定位置修正量；根据初始位置、第一修正量、位置修正量，确定车辆的实时定位信息。本实施例提供的车辆的定位方法、装置、设备及计算机可读存储介质，根据采集到的数据与惯性导航***得到的定位结果进行比对，并基于比对结果确定修正量，再在初始位置的基础上，融合该修正量，从而得到当前的实时位置。本实施例提供的方法、装置、设备及计算机可读存储介质，根据车辆的实际行驶情况在惯性导航得到的初始位置基础上进行调整，从而得到准确的当前的车辆位置，能够实现实时定位的功能。

图2为本发明另一示例性实施例示出的车辆的定位方法的流程图。

如图2所示，本实施例提供的车辆的定位方法，包括：

步骤201，获取惯性导航***确定车辆的初始位置。

步骤201与步骤101的具体原理和实现方式类似，此处不再赘述。

步骤202，获取车道图像。

步骤202与步骤102中的获取车道图像的具体原理和实现方式类似，此处不再赘述。

步骤203，根据预设车道线识别模块识别车道图像中的车道线信息。

本实施例提供的方法中，获取车道图像后，可以在车道图像中确定车辆与标志物之间的相对位置，从而得到车辆的位置信息，本实施例中，采用的标志物是车道线。由于车道线不会被轻易改变，且大部分道路中都设置有车道线，因此，可以识别车道图像中的车道线信息，基于车道线信息确定车辆在道路中的位置信息。

其中，可以预先训练得到车道线识别模块，用于识别车道图像中的车道线。

具体的，可以准备训练数据集，用于训练车道线识别模块。可以预先准备图像，并在预设图像中标注车道中心线，该车道中心线可以是以车辆视角进行标注的，例如，预先确定车辆中图像采集模块的位置，并在预设图像中先确定车辆所在位置，再以车辆中图像采集模块的角度，标注车道中心线。

进一步的，还可以根据车道中心线在预设图像中进行像素扩充，形成车道线，若车道线是白色的，则可以以车道中心线为中心，向与车道中心线垂直的两侧同时将像素点的颜色设置为白色，形成具有一定宽度的车道线。在像素扩充扩充中，扩充的像素数量随着距离车辆位置变远而减少。例如，在1920*1200尺寸的彩色图像中，靠近车辆最近的位置，像素扩充量为80，每当车道线上的位置远离车辆16个像素，像素扩充量就减少1，从而使得得到的带有车道线的预设图像更加符合车辆视角。

实际应用时，还可以标注预设图像中的车道线在图像中的第一位置、车道线相对于车辆的相对位置、车道线类型。其中，车道线在图像中的第一位置是指车道线在图像中所占的像素位置。在图像中，可以设置二维坐标系，横坐标用于标注像素点在横向上的位置值，纵坐标用于标注像素点在纵向上的位置值，例如，在图像中(5,4)则表示横向上第5行与纵向上第4列相交的像素点。

其中，车道线相对于车辆的相对位置是指，以车辆为参照物，车道线的位置，例如，相对于车辆来说，左边第1条车道线、左边第2条车道线、右边第1条车道线、右边第2条车道线等。若车辆处于一条车道线至上，则还可以包括中间车道线。

具体的，车道线类型可以包括多种，例如白色虚线、白色实线、黄色虚线、黄色实线、双白虚线、双黄实线、黄色虚实线、双白实线等。

进一步的，可以标注预设图像中车道线在图像中的第一位置、车道线相对于车辆的第二位置、车道线类型等信息，并根据预设图像及其标注信息训练神经网络，得到车道线识别模块。

实际应用时，可以构建联合损失函数，并将预设图像输入神经网络架构中，结合损失函数进行迭代的反向传播优化过程，不断增强神经网络对于车道线在图像中的第一位置、车道线相对于车辆的相对位置、车道线类型等信息的理解程度。当神经网络的理解程度达到一定水平后，就可以结束训练，得到车道线识别模块。

其中，将获取的车道图像输入训练好的车道线识别模块，能够使该模块输出该车道图像的车道线信息，车道线信息包括车道线相对于车辆的相对位置和/或车道线类型。具体可以输出对于不同车道线类型的结果图，还可以输出车道线相对于车辆位置的结果图。

具体的，对于每个类型的车道线，例如虚线车道线来说，可以输出一幅结果图，该类型结果图中，包括车道图像中每个像素是否是虚线车道线的结果。

进一步的，对于车道线相对于车辆的位置，例如相对于车辆左边第1条车道线来说，可以输出一幅结果图，该位置结果图中，包括车道图像中每个像素是否是左边第1条车道线的结果。

实际应用时，可以结合多幅结果图，确定出车道图像中的车道线信息。例如，对于一个像素来说，在结果图中显示，其属于车辆左边第1条车道线，且是虚线，可以综合车道图像中的多个像素，确定最终的车道线。

其中，还可以先确定车道图像中相对于车辆来说的车道线位置，即确定出每条车道线，再基于每条车道线中像素对应的车道线类别，确定该车道线的最终类别。

步骤204，根据所述车道线信息、采集所述车道图像的图像采集模块参数确定车辆与所述车道线之间的第一相对位置。

具体的，由于车道线均是印刷在地面上的，因此，可以认为车道线的高度值是0，而车辆是在路面上行驶的，因此车辆与车道线的相对高度不便，进而车辆上的图像采集模块与车道线的相对高度也不变。此时，可以根据车道线在图像坐标系中的位置以及图像采集模块参数，确定车辆与自动驾驶车辆之间的相对位置信息。

进一步的，还可以根据车辆上设置的图像采集模块在车辆的相对位置，更准确的确定车辆与自动驾驶车辆的相对位置。例如，车辆的左侧与靠近左侧的车道线间距，车辆的右侧与靠近右侧的车道线间距等。

实际应用时，第一相对位置可以认为是根据车辆当前采集的车道图像，得到的车辆与车道线间的相对位置。

步骤205，根据初始位置确定车辆与车道线之间的第二相对位置。

其中，在预设高精地图中确定初始位置，并确定车辆在初始位置时，车辆与车道线之间的第二相对位置。

具体的，与第一相对位置中包括的内容相同，第二相对位置也包括车辆与车道线的距离、相对位置等信息。可以直接在高精地图中采集到相关数据。例如，以车辆在初始位置的视角获取高精地图中的视角图像，并基于该视角图像得到第二相对位置。

可以认为第二相对位置是基于惯性导航***得到的车辆与车道线的相对位置。

确定第一相对位置和确定第二相对位置的时序不做限制。

步骤206，根据第一相对位置、第二相对位置确定第一修正量。

进一步的，本实施例提供的方法中，可以基于第一相对位置、第二相对位置确定出第一修正量。也就是根据惯性导航***得到的车辆与车道线的相对位置，以及根据车辆获取的车道图像得到的车辆与车道线的相对位置，得到的第一修正量。

实际应用时，通过车辆与车道线的相对位置信息可以得到车辆与车道线的夹角，基于该夹角可以确定出车辆的朝向，此外，该相对位置还可以包括车辆与车道线的间距。因此，本实施例提供的方法中，第一修正量可以包括朝向角修正量、间距修正量两种。

其中，可以根据第一相对位置确定与车辆距离最近的目标车道线。

具体的，可以根据确定出的车道线与车辆的相对位置，确定出与车辆距离最近的目标车道线。即通过当前采集的车道图像确定目标车道线。

其中，该第一相对位置中，可以包括车道线与车辆之间的相对方向以及相对距离，例如，车道线在车辆右侧0.2米处，车道线在车辆左侧0.8米处。可以在其中确定出距离车辆最近的车道线。

具体的，还可以根据车道图像确定目标车道线的第一朝向角信息。

进一步的，可以认为车道图像的垂直方向是车辆视线方向，该方向可以与车头朝向相同。因此，可以在车辆视角获取的车道图像中，确定车道线相对于该车道图像的垂直方向的角度，作为第一朝向角信息。若车辆与目标车道线平行，可以认为角度是0。

实际应用时，在车道图像中，目标车道线是一条完整的车道线，可以获取目标车道线与车道图像垂直方向的夹角，作为第一朝向角信息。

在预设高精地图中，根据第二相对位置确定目标车道线的第二朝向角信息。

其中，可以在预设高精地图中，在初始位置，以车辆视角确定目标车道线的第二朝向角信息。例如，可以预先确定车辆中用于获取车道图像的图像采集模块与车辆的相对位置。根据初始位置在高精地图中确定出车辆位置，再预测图像采集模块的位置，并基于该位置，确定出目标车道线的第二朝向角信息。具体可以是，以车辆视角确定的目标车道线与该视角纵向的夹角。

具体的，还可以根据第一朝向角信息、第二朝向角信息确定朝向角修正量。

第一朝向角信息可以认为是基于车道图像确定的当前时刻目标车道线与车辆朝向的夹角，第二朝向角信息可以认为是基于惯性导航***确定的当前时刻目标车道线与车辆朝向的夹角。可以根据不同途径获取的数据，得到两个朝向角，并根据这两个朝向角确定朝向角修正量。例如，可以将这两个朝向角进行相减，得到朝向角修正量。

进一步的，本实施例提供的方法中，还可以根据第一相对位置、第二相对位置确定出车辆与车道线之间的距离修正量。

实际应用时，可以根据第一相对位置确定每条车道线与车辆间的第一距离。

具体可以先根据车道图像中确定的第一相对位置，确定每条车道线与车辆间的第一距离。例如，车辆与左侧第一条车道线的距离，车辆与左侧第二条车道线的距离，车辆与右侧第一条车道线的距离。

可以先根据第一相对位置确定车辆与车道线间的图像间距，再将其转换为世界坐标系的间距。例如，可以根据车道线所占像素以及车道线实际宽度，确定一个像素对应的实际距离，从而可以基于该对应关系，确定出车辆与车道线之间的实际距离。

根据第二相对位置确定每条车道线与车辆间的第二距离。

其中，可以在预设高精地图中，找到车辆对应的初始位置，并确定车辆在该位置时，车辆与各个车道线的第二距离。此处的位置可以包括车辆的坐标位置、朝向等信息。此时，车道线应与确定第一距离中的车道线对应。例如，上述左侧第一条车道线为车道线A，则在高精地图中，确定车辆在初始位置时，车辆与车道线A的间距；再例如，上述左侧第二条车道线为车道线B，则在高精地图中，确定车辆在初始位置时，车辆与车道线B的间距。

可以认为，第一间距是根据车道图像确定的当前车辆与各个车道线的间距，第二间距可以认为是根据惯性导航定位结果确定的当前车辆与各个车道线的间距。

确定第一距离与确定第二距离的时序不进行限制。

具体的，还可以根据第一距离、第二距离，确定车辆的距离修正量。

进一步的，可以根据第一距离、第二距离，确定出车辆在相对于车道线的垂直方向上，不同距离之间的差异。例如，可以计算第一距离与第二距离间的差值，还可以基于惯性导航***的稳定性以及图像识别结果的稳定性确定权重值，基于权重在确定二者的差值。

步骤207，获取激光雷达扫描数据。

步骤207与步骤103中获取激光雷达扫描数据的具体原理和实现方式类似，此处不再赘述。

步骤208，根据初始位置在预设高精地图中确定搜索区域。

进一步的，初始位置是惯性导航***确定出的车辆位置，因此，可以认为车辆获取的激光雷达扫描数据与该初始位置周围的位置相符。由于惯性导航的不稳定性，有可能激光雷达扫描数据与初始位置对应的数据不符，但是，不会距离该位置特别远。因此，可以基于初始位置划定搜索区域，在该区域内确定与激光雷达扫描数据相匹配的位置。

实际应用时，具体划定范围的大小可以基于惯性导航***的稳定性来确定，若该***的精度较高，例如可以以初始位置为中心，划定5米*5米的范围。若该***精度较低，则例如可以以初始位置为中心，划定20米*20米的范围。该范围也可以是圆心、长方形等，不对其进行限制。

比值即癖207与步骤208的时序不进行限制。

步骤209，根据激光雷达扫描数据在搜索区域内确定匹配位置，并根据匹配位置、初始位置确定位置修正量。

可以在该搜索区域内，确定出与激光雷达扫描数据最匹配的位置，将其作为根据激光雷达扫描数据确定的车辆的当前位置。

进一步的，可以比对初始位置与匹配位置，从而确定出位置修正量。

实际应用时，激光雷达扫描数据中可以包括反射率信息，还可以包括高度信息。因此，本实施例提供的方法中，可以根据反射率信息、高度信息共同在高精地图中确定出匹配位置。

其中，可以在搜索区域内，确定出与反射率信息匹配度最高的第一匹配值。可以在高精地图的搜索区域内，比对各个位置的反射率信息与激光雷达扫描数据中的反射率信息，从而确定出每个位置的匹配度。本实施例提供的方法中，可以基于车辆视角在预设高精地图中获取周围的反射率信息，并与激光雷达扫描数据中的反射率信息进行比对。

具体的，可以在匹配度中确定出最高的第一匹配值，还可以将该第一匹配值对应的位置确定为第一匹配位置。

进一步的，还可以在搜索区域内，确定出与高度信息匹配度最高的第二匹配值。可以获取激光雷达扫描数据中的高度信息，并比对高精地图的搜索区域内，各个位置的高度信息与获取的高度信息，从而确定出各个位置的匹配度。相似的，也可以以车辆视角在预设高精地图中获取搜索区域内各个位置周围的高度信息。

实际应用时，可以获取其中匹配度最高的第二匹配值，还可以将该第二匹配值对应的位置确定为第二匹配位置。

其中，可以根据第一匹配值、第二匹配值、初始位置确定位置修正量。

具体的，可以根据第一匹配值、第二批配置确定出最终的匹配位置，再根据该匹配位置、初始确定位置修正量。

进一步的，可以根据第一匹配值、第二匹配值确定第一权重值、第二权重值。例如，第一匹配值是90％，第二匹配值是60％，则第一权重值可以是第二权重值可以是本实施例提供的方法中，可以融合这两个匹配值，并确定二者的平方占比，然后将占比确定为两个匹配值对应的权重值。

具体的，还可以根据确定的权重值衡量两个匹配值的准确度，此时，还可以设置权重阈值，若计算得到的权重值低于权重阈值，则抛弃其对应的权重值，并直接将另一个权重值对应的匹配位置作为目标位置，即根据雷达扫描数据确定的车辆当前位置。

进一步的，若两个权重值均大于权重阈值，则还可以根据第一匹配值对应的第一匹配位置、第二匹配值对应的第二匹配位置、第一权重值、第二权重值确定目标位置。

实际应用时，第一匹配位置或第二匹配位置均可以以数字形式表示，例如，x坐标、y坐标等信息。可以计算第一匹配位置与第二匹配位置的加权求和结果，从而得到目标位置。

其中，可以分别计算第一匹配位置与第二匹配位置的x坐标加权求和结果，第一匹配位置与第二匹配位置的y坐标加权求和结果，作为目标位置的坐标。根据需要，还可以增加z坐标参数。第一权重值是第一匹配位置的权重值，第二权重值是第二匹配位置的权重值。

具体的，在得到目标位置后，还可以根据初始位置、目标位置确定位置修正量。例如可以计算两个位置的位置差，得到位置修正量。

步骤210，将第一修正信息、位置修正信息与初始位置进行融合，得到实时定位信息。

进一步的，本实施例提供的方法中，为了保证定位结果的平滑性，还可以对确定得到的第一修正信息、位置修正信息与初始位置进行融合。具体可以设置卡尔曼滤波框架，将初始位置、第一修正量、位置修正量均输入该框架中，从而得到融合后的实时定位信息。

实际应用时，若第一修正量与位置修正量得到的时间不同，则可以将先得到的修正量与初始位置输入卡尔曼滤波框架。

其中，第一修正量中可以进一步的包括朝向角修正量以及距离修正量，此时，若朝向角修正量与距离修正量得到的时间不同，也可以将先得到的修正结果输入卡尔曼滤波框架。

图3为本发明一示例性实施例示出的车辆的定位装置的结构图。

如图3所示，本实施例提供的车辆的定位装置，包括：

获取模块31，用于获取惯性导航***确定车辆的初始位置；

第一确定模块32，用于获取车道图像，根据所述初始位置、所述车道图像确定第一修正量；

第二确定模块33，用于获取激光雷达扫描数据，根据所述初始位置、所述激光雷达扫描数据、确定位置修正量；

定位模块34，用于根据所述初始位置、所述第一修正量、所述位置修正量，确定所述车辆的实时定位信息。

获取模块31与第一确定模块32、第二确定模块33分别连接，定位模块34与第一确定模块32、第二确定模块33分别连接。

本实施例提供的车辆的定位装置，包括：

获取模块，用于获取惯性导航***确定车辆的初始位置；第一确定模块，用于获取车道图像，根据初始位置、车道图像确定第一修正量；第二确定模块，用于获取激光雷达扫描数据，根据初始位置、激光雷达扫描数据、确定位置修正量；定位模块，用于根据初始位置、第一修正量、位置修正量，确定车辆的实时定位信息。本实施例提供的车辆的定位装置，根据采集到的数据与惯性导航***得到的定位结果进行比对，并基于比对结果确定修正量，再在初始位置的基础上，融合该修正量，从而得到当前的实时位置。本实施例提供的装置，根据车辆的实际行驶情况在惯性导航得到的初始位置基础上进行调整，从而得到准确的当前的车辆位置，能够实现实时定位的功能。

本实施例提供的车辆的定位装置的具体原理和实现方式均与图1所示的实施例类似，此处不再赘述。

图4为本发明另一示例性实施例示出的车辆的定位装置的结构图。

如图4所示，在上述实施例的基础上，本实施例提供的车辆的定位装置，所述第一确定模块32，包括：

识别单元321，用于根据预设车道线识别模块识别所述车道图像中的车道线信息；

相对位置确定单元322，用于根据所述车道线信息、采集所述车道图像的图像采集模块参数确定车辆与所述车道线之间的第一相对位置；

所述相对位置确定单元322还用于根据所述初始位置确定所述车辆与所述车道线之间的第二相对位置；

第一修正量确定单元323，用于根据所述第一相对位置、所述第二相对位置确定所述第一修正量。

可选的，所述车道线信息包括车道线相对于所述车辆的相对位置和/或车道线类型。

所述装置，还包括训练模块35，用于：

在预设图像中标注车道中心线，根据所述车道中心线在所述预设图像中进行像素扩充，形成车道线；

标注所述预设图像中所述车道线在图像中的第一位置、所述车道线相对于车辆的所述相对位置、所述车道线类型；

根据所述预设图像及其标注信息训练神经网络，得到所述车道线识别模块。

可选的，所述相对位置确定单元322具体用于：

在预设高精地图中确定所述初始位置，并确定车辆在所述初始位置时，车辆与所述车道线之间的第二相对位置。

可选的，所述第一修正量确定单元323，具体用于：

根据所述第一相对位置确定与所述车辆距离最近的目标车道线；

根据所述车道图像确定所述目标车道线的第一朝向角信息；

在预设高精地图中，根据所述第二相对位置确定所述目标车道线的第二朝向角信息；

根据所述第一朝向角信息、所述第二朝向角信息确定朝向角修正量。

所述第一修正量确定单元323，还用于：

根据所述第一相对位置确定每条所述车道线与所述车辆间的第一距离；

根据所述第二相对位置确定每条所述车道线与所述车辆间的第二距离；

根据所述第一距离、所述第二距离，确定所述车辆的距离修正量。

所述第二确定模块33包括：

区域确定单元331，用于根据所述初始位置在预设高精地图中确定搜索区域；

位置修正量确定单元332，用于根据所述激光雷达扫描数据在所述搜索区域内确定匹配位置，并根据所述匹配位置、所述初始位置确定所述位置修正量。

所述位置修正量确定单元332具体用于：

在所述搜索区域内，确定出与反射率信息匹配度最高的第一匹配值；

获取所述激光雷达扫描数据中的高度信息，在所述搜索区域内，确定出与所述高度信息匹配度最高的第二匹配值；

根据所述第一匹配值、所述第二匹配值、所述初始位置确定所述位置修正量。

所述位置修正量确定单元332具体用于：

根据所述第一匹配值、所述第二匹配值确定第一权重值、第二权重值；

根据所述第一匹配值对应的第一匹配位置、所述第二匹配值对应的第二匹配位置、所述第一权重值、所述第二权重值确定目标位置；

根据所述初始位置、所述目标位置确定所述位置修正量。

所述定位模块34具体用于：

将所述第一修正量、所述位置修正量与所述初始位置进行融合，得到所述实时定位信息。

本实施例提供的车辆的定位装置的具体原理和实现方式均与图2所示的实施例类似，此处不再赘述。

图5为本发明一示例性实施例示出的车辆的定位设备的结构图。

如图5所示，本实施例提供的车辆的定位设备包括：

存储器51；

处理器52；以及

计算机程序；

其中，所述计算机程序存储在所述存储器51中，并配置为由所述处理器52执行以实现如上所述的任一种车辆的定位方法。

本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，

所述计算机程序被处理器执行以实现如上所述的任一种车辆的定位方法。

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

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (14)

1.一种车辆的定位方法，其特征在于，包括：

获取惯性导航***确定车辆的初始位置；

获取车道图像，根据所述初始位置、所述车道图像确定第一修正量；

获取激光雷达扫描数据，根据所述初始位置、所述激光雷达扫描数据、确定位置修正量；

根据所述初始位置、所述第一修正量、所述位置修正量，确定所述车辆的实时定位信息。

2.根据权利要求1所述的方法，其特征在于，所述根据所述初始位置、所述车道图像确定第一修正量，包括：

根据预设车道线识别模块识别所述车道图像中的车道线信息；

根据所述车道线信息、采集所述车道图像的图像采集模块参数确定车辆与所述车道线之间的第一相对位置；

根据所述初始位置确定所述车辆与所述车道线之间的第二相对位置；

根据所述第一相对位置、所述第二相对位置确定所述第一修正量。

3.根据权利要求2所述的方法，其特征在于，所述车道线信息包括车道线相对于所述车辆的相对位置和/或车道线类型。

4.根据权利要求3所述的方法，其特征在于，还包括：

在预设图像中标注车道中心线，根据所述车道中心线在所述预设图像中进行像素扩充，形成车道线；

标注所述预设图像中所述车道线在图像中的第一位置、所述车道线相对于车辆的所述相对位置、所述车道线类型；

根据所述预设图像及其标注信息训练神经网络，得到所述车道线识别模块。

5.根据权利要求2所述的方法，其特征在于，所述根据所述初始位置确定所述车辆与所述车道线之间的第二相对位置，包括：

在预设高精地图中确定所述初始位置，并确定车辆在所述初始位置时，车辆与所述车道线之间的第二相对位置。

6.根据权利要求2所述的方法，其特征在于，所述根据所述第一相对位置、所述第二相对位置确定所述第一修正量，包括：

根据所述第一相对位置确定与所述车辆距离最近的目标车道线；

根据所述车道图像确定所述目标车道线的第一朝向角信息；

在预设高精地图中，根据所述第二相对位置确定所述目标车道线的第二朝向角信息；

根据所述第一朝向角信息、所述第二朝向角信息确定朝向角修正量。

7.根据权利要求6所述的方法，其特征在于，所述根据所述第一相对位置、所述第二相对位置确定所述第一修正量，还包括：

根据所述第一相对位置确定每条所述车道线与所述车辆间的第一距离；

根据所述第二相对位置确定每条所述车道线与所述车辆间的第二距离；

根据所述第一距离、所述第二距离，确定所述车辆的距离修正量。

8.根据权利要求1所述的方法，其特征在于，所述根据所述初始位置、所述激光雷达扫描数据、确定位置修正量，包括：

根据所述初始位置在预设高精地图中确定搜索区域；

根据所述激光雷达扫描数据在所述搜索区域内确定匹配位置，并根据所述匹配位置、所述初始位置确定所述位置修正量。

9.根据权利要求8所述的方法，其特征在于，所述根据所述激光雷达扫描数据在所述搜索区域内确定匹配位置，包括：

在所述搜索区域内，确定出与反射率信息匹配度最高的第一匹配值；

获取所述激光雷达扫描数据中的高度信息，在所述搜索区域内，确定出与所述高度信息匹配度最高的第二匹配值；

根据所述第一匹配值、所述第二匹配值、所述初始位置确定所述位置修正量。

10.根据权利要求9所述的方法，其特征在于，所述根据所述第一匹配值、所述第二匹配值、所述初始位置确定所述位置修正量，还包括：

根据所述第一匹配值、所述第二匹配值确定第一权重值、第二权重值；

根据所述第一匹配值对应的第一匹配位置、所述第二匹配值对应的第二匹配位置、所述第一权重值、所述第二权重值确定目标位置；

根据所述初始位置、所述目标位置确定所述位置修正量。

11.根据权利要求1-10任一项所述的方法，其特征在于，所述根据所述初始位置、所述第一修正量、所述位置修正量，确定所述车辆的实时定位信息，包括：

将所述第一修正量、所述位置修正量与所述初始位置进行融合，得到所述实时定位信息。

12.一种车辆的定位装置，其特征在于，包括：

获取模块，用于获取惯性导航***确定车辆的初始位置；

第一确定模块，用于获取车道图像，根据所述初始位置、所述车道图像确定第一修正量；

第二确定模块，用于获取激光雷达扫描数据，根据所述初始位置、所述激光雷达扫描数据、确定位置修正量；

定位模块，用于根据所述初始位置、所述第一修正量、所述位置修正量，确定所述车辆的实时定位信息。

13.一种车辆的定位设备，其特征在于，包括：

存储器；

处理器；以及

计算机程序；

其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如权利要求1-11任一种所述的方法。

14.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，

所述计算机程序被处理器执行以实现如权利要求1-11任一种所述的方法。