CN110632626A - 一种基于车联网的定位方法及*** - Google Patents

Abstract

本发明公开了一种基于车联网的定位方法及***，属于车联网领域。该方法包括：路侧单元获取目标车辆观测量信息，其中，所述目标车辆是经过信息认证的车辆；利用预设的虚拟基准站，基于所述目标车辆的观测量信息，进行差分解算，获得所述目标车辆的增强位置信息，其中，所述预设的虚拟基准站是目标区域内的一个或多个路侧单元；基于所述增强位置信息，获得所述目标车辆的精确位置信息。本说明书实施例提供的基于车联网的定位方法及***，能够实现车辆的高精度定位和/或能够识别信号伪装、信号诱导等信息攻击。

Description

一种基于车联网的定位方法及***

技术领域

本申请涉及车联网领域，尤其涉及一种基于车联网的定位方法及***。

背景技术

智能网联汽车，即ICV(全称Intelligent Connected Vehicle)，是指车联网与智能车的有机联合，是搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信与网络技术，实现车与人、车、路、后台等智能信息交换共享，实现安全、舒适、节能、高效行驶，并最终可替代人来操作的新一代汽车。随着智能网联汽车的发展，车辆的精准可靠的定位是实现自动驾驶或无人驾驶及智能网联的必要条件。

现有技术中，车辆的高精度定位常采用载波相位差分技术(Real-timekinematic,RTK)和IMU(Inertial measurement unit,惯性测量单元)融合以获得高精度、高频率的位置信息。这种采用RTK和IMU融合进行车辆定位的方法，由于计算输入比较单一，因此难以抵挡信号伪装、信号诱导等信息攻击，且车辆的天线等体积成本难以得到有效的控制。

因此，需要一种新的车辆定位方法，能够实现车辆的高精度定位和/或能够识别信号伪装、信号诱导等信息攻击。

发明内容

鉴于上述现有技术中的不足之处，本说明书实施例提供一种基于车联网的定位方法及***，用于解决以下技术问题：能够实现车辆的高精度定位和/或能够识别信号伪装、信号诱导等信息攻击。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供的一种基于车联网的定位方法，包括：

路侧单元获取目标车辆观测量信息，其中，所述目标车辆是经过信息认证的车辆；

利用预设的虚拟基准站，基于所述目标车辆的观测量信息，进行差分解算，获得所述目标车辆的增强位置信息，其中，所述预设的虚拟基准站是目标区域内的一个或多个路侧单元；

基于所述增强位置信息，获得所述目标车辆的精确位置信息。

进一步地，所述方法进一步包括：

基于所述目标车辆的精确位置信息，判断所述精确位置信息是否异常。

进一步地，所述路侧单元获取目标车辆观测量信息，具体包括：

所述路侧单元，通过蜂窝和/或V2V网络获取所述目标车辆的观测量信息，其中，所述观测量信息包括目标车辆的位置信息、GNSS观测点观测的卫星信息，所述GNSS观测点为所述路侧单元。

进一步地，所述预设的虚拟基准站是基于路侧单元获得的，具体包括：

以目标区域内的路侧单元作为GNSS观测点，通过云端联合计算，将预设作为虚拟基准站的一个或多个路侧单元的卫星信息进行增强，获得虚拟基准站。

进一步地，所述路侧单元获取目标车辆的观测量信息，进一步包括：

基于所述目标车辆的观测量信息，判断所述目标车辆的观测量信息是否异常；

若所述目标车辆的观测量信息异常，则剔除所述异常的观测量信息，将所述剔除异常的观测量信息后得到的观测量信息作为目标车辆的观测量信息。

进一步地，所述基于所述目标车辆的观测量信息，判断所述目标车辆的观测量信息是否异常，具体包括：

所述目标车辆或所述路侧单元将所述目标车辆的观测量信息上传至云端，所述云端判断所述目标车辆的观测量信息是否异常；

和/或

所述路侧单元根据所述目标车辆的观测量信息，判断所述目标车辆的观测量信息是否异常。

进一步地，所述基于所述目标车辆的观测量信息，进行差分解算，获得所述目标车辆的增强位置信息，具体包括：

根据差分修正信息，对所述观测量信息进行差分解算，获得所述目标车辆的增强位置信息，其中，所述差分修正信息由所述云端下发给所述路侧单元。

进一步地，所述基于所述增强位置信息，获得所述目标车辆的精确位置信息，具体包括：

所述路侧单元或所述云端将所述增强位置信息发送给所述目标车辆，所述目标车辆将所述增强位置信息与所述目标车辆自身的轨迹信息进行融合，获得所述目标车辆的精确位置信息，其中，所述目标车辆自身的轨迹信息是基于所述目标车辆的IMU***获得的信息。

本说明书实施例提供的一种基于车联网的定位***，包括：

获取单元，路侧单元获取目标车辆观测量信息，其中，所述目标车辆是经过信息认证的车辆；

计算单元，利用预设的虚拟基准站，基于所述目标车辆的观测量信息，进行差分解算，获得所述目标车辆的增强位置信息，其中，所述预设的虚拟基准站是目标区域内的一个或多个路侧单元；

精确定位单元，基于所述增强位置信息，获得所述目标车辆的精确位置信息。

进一步地，所述***进一步包括：

基于所述目标车辆的精确位置信息，判断所述精确位置信息是否异常。

进一步地，所述路侧单元获取目标车辆观测量信息，具体包括：

所述路侧单元，通过蜂窝和/或V2V网络获取所述目标车辆的观测量信息，其中，所述观测量信息包括目标车辆的位置信息、GNSS观测点观测的卫星信息，所述GNSS观测点为所述路侧单元。

进一步地，所述预设的虚拟基准站是基于路侧单元获得的，具体包括：

以目标区域内的路侧单元作为GNSS观测点，通过云端联合计算，将预设作为虚拟基准站的一个或多个路侧单元的卫星信息进行增强，获得虚拟基准站。

进一步地，所述路侧单元获取目标车辆的观测量信息，进一步包括：

基于所述目标车辆的观测量信息，判断所述目标车辆的观测量信息是否异常；

若所述目标车辆的观测量信息异常，则剔除所述异常的观测量信息，将所述剔除异常的观测量信息后得到的观测量信息作为目标车辆的观测量信息。

进一步地，所述基于所述目标车辆的观测量信息，判断所述目标车辆的观测量信息是否异常，具体包括：

所述目标车辆或所述路侧单元将所述目标车辆的观测量信息上传至云端，所述云端判断所述目标车辆的观测量信息是否异常；

和/或

所述路侧单元根据所述目标车辆的观测量信息，判断所述目标车辆的观测量信息是否异常。

进一步地，所述基于所述目标车辆的观测量信息，进行差分解算，获得所述目标车辆的增强位置信息，具体包括：

根据差分修正信息，对所述观测量信息进行差分解算，获得所述目标车辆的增强位置信息，其中，所述差分修正信息由所述云端下发给所述路侧单元。

进一步地，所述基于所述增强位置信息，获得所述目标车辆的精确位置信息，具体包括：

所述路侧单元或所述云端将所述增强位置信息发送给所述目标车辆，所述目标车辆将所述增强位置信息与所述目标车辆自身的轨迹信息进行融合，获得所述目标车辆的精确位置信息，其中，所述目标车辆自身的轨迹信息是基于所述目标车辆的IMU***获得的信息。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

本说明书通过路侧单元获取目标车辆观测量信息，其中，所述目标车辆是经过信息认证的车辆；利用预设的虚拟基准站，基于所述目标车辆的观测量信息，进行差分解算，获得所述目标车辆的增强位置信息，其中，所述预设的虚拟基准站是目标区域内的一个或多个路侧单元；基于所述增强位置信息，获得所述目标车辆的精确位置信息，从而能够实现车辆的高精度定位和/或能够识别信号伪装、信号诱导等信息攻击。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书实施例提供的一种基于车联网的定位方法的流程示意图；

图2为本说明书实施例提供的一种安全感知示意图；

图3为本说明书实施例提供的一种基于车联网的定位方法的框架图；

图4为本说明书实施例提供的又一种基于车联网的定位方法的流程示意图；

图5为本说明书实施例提供的一种基于车联网的定位***的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本申请保护的范围。

图1为本说明书实施例提供的一种基于车联网的定位方法的流程示意图，该方法包括：

步骤S101：路侧单元获取目标车辆观测量信息，其中，所述目标车辆是经过信息认证的车辆。

在本申请中，用于定位的车辆为目标车辆。目标车辆驶入目标区域后，首先进行车辆的信息认证，其中，目标区域为具有路侧单元的区域。在本申请中，车辆的信息认证包括：目标车辆的id和/或目标车辆是否适合GNSS***。

GNSS(Global navigation satellite system，全球导航卫星***)泛指所有的卫星导航***，包括全球的、区域的和增强的卫星导航***。

在本申请中，目标车辆驶入目标区域经过信息认证后，目标车辆GNSS模块接收星历信息，对目标车辆进行初始定位。星历信息包括但不限于：卫星信息的信息、位置、仰角等。

经过初始定位的目标车辆，在目标区域，基于路侧单元，获得目标车辆的观测量信息。在具体实施过程中，可以采用如下方法实现：

路侧单元，通过蜂窝和/或V2V网络获取所述目标车辆的观测量信息，其中，所述观测量信息包括目标车辆的位置信息、GNSS观测点观测的卫星信息，所述GNSS观测点为所述路侧单元。

在本申请中，蜂窝网络可以采用CV2X或其他蜂窝网络进行联合定位解算。

在本申请中，GNSS观测点是指可以用于观测GNSS的设备。

CV2X(全称cellular vehicle-to-everything)即蜂窝车联网通信，该技术利用LTE实现道路使用者间的通信，CV2X主要包含V2V、V2I、V2N以V2P。其中，V2V(车-车)可以用做车辆间信息交互和提醒；V2I(车-基础设施)，车辆可以与道路甚至其它基础设施，例如交通灯、路障等通信，获取交通灯信号等道路管理信息；V2N(车-互联网)是目前应用最广泛的车联网形式，其主要功能是使车辆通过移动网络，连接到云服务器，使用云服务器提供的导航、娱乐、防盗等应用功能；V2P(车-行人)是用做给道路上行人或非机动车安全警告。

在具体实施过程中，云端根据卫星观测站信息和/或路侧单元观测站信息，计算路侧单元所在点所在的星历信息，与路侧单元自身的观测量信息进行匹配，选择最佳的参考观测卫星，以便于记录起始观测量信息。

在本申请中，路侧单元获取目标车辆的观测量信息后，对目标车辆的观测量信息进行差分解算。

步骤S103：利用预设的虚拟基准站，基于所述目标车辆的观测量信息，进行差分解算，获得所述目标车辆的增强位置信息，其中，所述预设的虚拟基准站是目标区域内的一个或多个路侧单元。

为了获得目标车辆的增强位置信息，需要进一步基于目标车辆的观测量信息，进行差分解算，以实现观测量信息的修正。

虚拟基准站能够帮助实现高精度定位。虚拟基准站是利用地面布设的多个基准站组成GPS差分网，综合利用各站的测量信息，通过反解算、数据打包发送等，产生虚拟基准站，以实现精确测定目标的位置和速度。虚拟基准站是虚拟的，在物理上是不存在的。由于传统的虚拟基准站需要经过反解算、数据打包发送等操作实现，计算过程繁琐。

本申请中，采用目标区域内的路侧单元作为虚拟基准站。由于各个路侧单元的观测值变化较小，将各个路侧单元作为GNSS观测点，通过网络将GNSS观测点的观测值传送到云端，进一步，云端通过联合计算，为预设作为虚拟基准站的路侧单元生成一个虚拟基准站，以实现目标区域内目标车辆的精确定位。在本申请中，进行联合计算需要考虑的内容包括但不限于：GNSS的位置、相位差、大气、潮汐、仰俯角等。

在本申请中，目标区域为路侧单元覆盖的区域和/或目标车辆行驶的含有路侧单元的区域。

在本申请实施例中，虚拟基准站可以为一个，也可以为多个，虚拟基准站的个数根据目标区域的范围而定。

在本申请实施例中，预设作为虚拟基准站的一个路侧单元或多个路侧单元，由于受GNSS信号强度、位置等的影响，路侧单元作为GNSS观察点并不能观察到位于路侧单元上方区域内的GNSS，因此，为了保证精准定位，需要对路侧单元观测不到的GNSS进行联合解算，以获得GNSS观测量信息。在本申请中，采用目标区域内的路侧单元作为GNSS观测点，通过网络将GNSS观测点的观测值传送到云端，进一步，云端通过联合计算，获得作为虚拟基准站的路侧单元观测不到的GNSS的观测量信息。在本申请的一个实施例中，将位置A的路侧单元作为虚拟基准站，位置A的路侧单元可以观测到22颗GNSS卫星，其中，12颗卫星信号较强，路侧单元可以直接获得GNSS观测量信息，而对于另外10颗卫星信号较弱，无法获得GNSS观测量信息。对着这种位于位置A的路侧单元无法获得GNSS观测量信息的卫星，基于目标区域内的其它路侧单元的GNSS观测量信息，通过云端联合解算可以获得GNSS观测量信息，从而位于位置A的路侧单元可以作为虚拟基准站使用。

在具体实施过程中，由于GPS欺骗攻击的存在，如伪造不同卫星的PRN码信息欺骗攻击车辆上的GPS接收器。PRN(pseudo random nois code，伪随机噪声码)，C/A和P码均为伪噪声码。伪噪声码是一个具有一定周期的取值0和1的离散符号串，它具有类似于白噪声的自相关函数。为了保证车辆不受GPS欺骗攻击，因此，在具体实施过程中，路侧单元获得目标车辆的观测量信息后，需要进一步判断目标车辆的观测量信息是否异常。若目标车辆的观测量信息正常，则对观测量信息进行纠正，将纠正后的观测量信息作为目标车辆的观测量信息。若目标车辆的观测量信息异常，则对观测量信息进行异常处理后，对观测量信息进行纠正，将纠正后的观测量信息作为目标车辆的观测量信息。

在具体实施过程中，目标车辆或路侧单元将目标车辆的观测量信息上传至云端，云端判断目标车辆的观测量信息是否异常；

和/或

路侧单元根据目标车辆的观测量信息，判断目标车辆的观测量信息是否异常。

在本申请的一个实施例中，云端根据星历信息及其它GNSS观测点、车辆等历史信息数据和数字模型判断目标车辆的观测量信息是否异常；

和/或

路侧单元根据历史信息判断目标车辆的观测量信息是否异常。

为了便于理解观测量信息异常的判断，图2为本说明书实施例提供的一种安全感知示意图。如图2所示，在目标区域内，路侧单元将目标车辆的观测量信息上传至云端，云端判断目标车辆的观测量信息是否异常，或者路侧单元根据目标车辆的观测量信息，进行分析，判断伪装和/或攻击，进行观测量异常判断。在目标区域外的目标车辆将观测量信息上传至云端，云端判断目标车辆的观测量信息是否异常。在具体实施过程中，云端也可在CORS中心(参考站网络)实现观测量信息的数据交换。

在本申请的一个实施例中，路侧单元判断到目标车辆的观测量信息异常，将异常的观测量信息上传至云端，云端对异常区域中的GPS欺骗攻击进行处理。在本申请的一个实施例中，由于GPS欺骗攻击时，必须逐渐增加虚假信号功率，因此，如果信号频率增加太快，则可能为虚假信号，需要将基于这种信号获得的目标车辆的观测量信息进行舍弃，重新获得目标车辆的观测量信息。

若目标车辆的观测量信息正常，则云端将差分修正信息发送给路侧单元，以便路侧单元对目标车辆的观测量信息进行纠正。在本申请的一个实施例中，云端将差分修正信息发送给路侧单元，可采用Ntrip协议进行传输。Ntrip协议(Networked Transport ofRTCM via Internet Protocol，通过互联网进行RTCM网络传输的协议)能够实现RTK数据的传输。

作为虚拟工作站的路侧单元接收差分修正信息后，基于目标车辆的观测量信息，进行差分解算，获得目标车辆的增强位置信息。需要特别说明的是，目标车辆的增强位置信息是在路侧单元通过差分解算获得的。

步骤S105：基于所述增强位置信息，获得所述目标车辆的精确位置信息。

在具体实施过程中，路侧单元将目标车辆的增强位置信息发送至云端，云端或路侧单元将目标车辆的增强信息发送给目标车辆。

目标车辆获取增强信息后，将目标车辆的增强位置信息与目标车辆自身的轨迹信息进行融合，获得目标车辆的精确定位信息。在本申请的一个实施例中，目标车辆自身的轨迹信息是基于目标车辆的IMU***获得的。

在实施过程中，步骤S105获得的目标车辆的精确位置信息，需要进一步进行判断，判断目标车辆的精确位置信息是否异常。若目标车辆的精确位置异常，则需要进行异常处理并上报至云端和/或路侧单元。若目标车辆的精确位置信息正常，则将目标车辆的精确位置信息进行输出。在本申请的一个实施例中，目标车辆的精确位置信息采用播报的方式进行输出。

车辆定位的精准性与星历信息的完整度、通讯信息的覆盖强度、视觉增强、雷达增强、融合信息均密切相关，在具体实施过程中，为了实现定位的精准性，应尽量保证星历信息的完整度，通讯信息的全覆盖，且实现视觉增强、雷达增强及融合信息的准确性。

为便于理解本申请提供的基于车联网的定位方法，图3为本说明书实施例提供的一种基于车联网的定位方法的框架图。

为进一步理解本申请提供的基于车联网的定位方法，图4为本说明书实施例提供的又一种基于车辆网的定位方法的流程图。

本申请实施例提供的基于车联网的定位方法，通过车路云协同差分解算获得目标车辆的增强位置信息，以实现目标车辆的精确定位；通过车路云协同实现GPS信号攻击，能够实现车辆的高精度定位和/或能够识别信号伪装、信号诱导等信息攻击。

上述内容详细说明了一种基于车联网的定位方法，与之对应的，本申请还提供了一种基于车联网的定位***，如图5所示。图5为本说明书实施例提供的一种基于车联网的定位***的示意图，具体包括：

获取单元501，路侧单元获取目标车辆观测量信息，其中，所述目标车辆是经过信息认证的车辆；

计算单元503，利用预设的虚拟基准站，基于所述目标车辆的观测量信息，进行差分解算，获得所述目标车辆的增强位置信息，其中，所述预设的虚拟基准站是目标区域内的一个或多个路侧单元；

精确定位单元505，基于所述增强位置信息，获得所述目标车辆的精确位置信息。

进一步地，所述***进一步包括：

判断单元507，基于所述目标车辆的精确位置信息，判断所述精确位置信息是否异常。

进一步地，所述路侧单元获取目标车辆观测量信息，具体包括：

所述路侧单元，通过蜂窝和/或V2V网络获取所述目标车辆的观测量信息，其中，所述观测量信息包括目标车辆的位置信息、GNSS观测点观测的卫星信息，所述GNSS观测点为所述路侧单元。

进一步地，所述预设的虚拟基准站是基于路侧单元获得的，具体包括：

以目标区域内的路侧单元作为GNSS观测点，通过云端联合计算，将预设作为虚拟基准站的一个或多个路侧单元的卫星信息进行增强，获得虚拟基准站。

进一步地，所述路侧单元获取目标车辆的观测量信息，进一步包括：

基于所述目标车辆的观测量信息，判断所述目标车辆的观测量信息是否异常；

若所述目标车辆的观测量信息异常，则剔除所述异常的观测量信息，将所述剔除异常的观测量信息后得到的观测量信息作为目标车辆的观测量信息。

进一步地，所述基于所述目标车辆的观测量信息，判断所述目标车辆的观测量信息是否异常，具体包括：

所述目标车辆或所述路侧单元将所述目标车辆的观测量信息上传至云端，所述云端判断所述目标车辆的观测量信息是否异常；

和/或

所述路侧单元根据所述目标车辆的观测量信息，判断所述目标车辆的观测量信息是否异常。

进一步地，所述基于所述目标车辆的观测量信息，进行差分解算，获得所述目标车辆的增强位置信息，具体包括：

根据差分修正信息，对所述观测量信息进行差分解算，获得所述目标车辆的增强位置信息，其中，所述差分修正信息由所述云端下发给所述路侧单元。

进一步地，所述基于所述增强位置信息，获得所述目标车辆的精确位置信息，具体包括：

所述路侧单元或所述云端将所述增强位置信息发送给所述目标车辆，所述目标车辆将所述增强位置信息与所述目标车辆自身的轨迹信息进行融合，获得所述目标车辆的精确位置信息，其中，所述目标车辆自身的轨迹信息是基于所述目标车辆的IMU***获得的信息。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书实施例可提供为方法、***、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (16)

1.一种基于车联网的定位方法，其特征在于，所述方法包括：

路侧单元获取目标车辆观测量信息，其中，所述目标车辆是经过信息认证的车辆；

利用预设的虚拟基准站，基于所述目标车辆的观测量信息，进行差分解算，获得所述目标车辆的增强位置信息，其中，所述预设的虚拟基准站是目标区域内的一个或多个路侧单元；

基于所述增强位置信息，获得所述目标车辆的精确位置信息。

2.如权利要求1所述的方法，其特征在于，所述方法进一步包括：

基于所述目标车辆的精确位置信息，判断所述精确位置信息是否异常。

3.如权利要求1所述的方法，其特征在于，所述路侧单元获取目标车辆观测量信息，具体包括：

所述路侧单元，通过蜂窝和/或V2V网络获取所述目标车辆的观测量信息，其中，所述观测量信息包括目标车辆的位置信息、GNSS观测点观测的卫星信息，所述GNSS观测点为所述路侧单元。

4.如权利要求1所述的方法，其特征在于，所述预设的虚拟基准站是基于路侧单元获得的，具体包括：

以目标区域内的路侧单元作为GNSS观测点，通过云端联合计算，将预设作为虚拟基准站的一个或多个路侧单元的卫星信息进行增强，获得虚拟基准站。

5.如权利要求1所述的方法，其特征在于，所述路侧单元获取目标车辆的观测量信息，进一步包括：

基于所述目标车辆的观测量信息，判断所述目标车辆的观测量信息是否异常；

若所述目标车辆的观测量信息异常，则剔除所述异常的观测量信息，将所述剔除异常的观测量信息后得到的观测量信息作为目标车辆的观测量信息。

6.如权利要求5所述的方法，其特征在于，所述基于所述目标车辆的观测量信息，判断所述目标车辆的观测量信息是否异常，具体包括：

所述目标车辆或所述路侧单元将所述目标车辆的观测量信息上传至云端，所述云端判断所述目标车辆的观测量信息是否异常；

和/或

所述路侧单元根据所述目标车辆的观测量信息，判断所述目标车辆的观测量信息是否异常。

7.如权利要求1所述的方法，其特征在于，所述基于所述目标车辆的观测量信息，进行差分解算，获得所述目标车辆的增强位置信息，具体包括：

根据差分修正信息，对所述观测量信息进行差分解算，获得所述目标车辆的增强位置信息，其中，所述差分修正信息由所述云端下发给所述路侧单元。

8.如权利要求1至7任一项所述的方法，其特征在于，所述基于所述增强位置信息，获得所述目标车辆的精确位置信息，具体包括：

所述路侧单元或所述云端将所述增强位置信息发送给所述目标车辆，所述目标车辆将所述增强位置信息与所述目标车辆自身的轨迹信息进行融合，获得所述目标车辆的精确位置信息，其中，所述目标车辆自身的轨迹信息是基于所述目标车辆的IMU***获得的信息。

9.一种基于车辆网的定位***，其特征在于，所述***包括：

获取单元，路侧单元获取目标车辆观测量信息，其中，所述目标车辆是经过信息认证的车辆；

计算单元，利用预设的虚拟基准站，基于所述目标车辆的观测量信息，进行差分解算，获得所述目标车辆的增强位置信息，其中，所述预设的虚拟基准站是目标区域内的一个或多个路侧单元；

精确定位单元，基于所述增强位置信息，获得所述目标车辆的精确位置信息。

10.如权利要求9所述的***，其特征在于，所述***进一步包括：

基于所述目标车辆的精确位置信息，判断所述精确位置信息是否异常。

11.如权利要求9所述的***，其特征在于，所述路侧单元获取目标车辆观测量信息，具体包括：

所述路侧单元，通过蜂窝和/或V2V网络获取所述目标车辆的观测量信息，其中，所述观测量信息包括目标车辆的位置信息、GNSS观测点观测的卫星信息，所述GNSS观测点为所述路侧单元。

12.如权利要求9所述的***，其特征在于，所述预设的虚拟基准站是基于路侧单元获得的，具体包括：

以目标区域内的路侧单元作为GNSS观测点，通过云端联合计算，将预设作为虚拟基准站的一个或多个路侧单元的卫星信息进行增强，获得虚拟基准站。

13.如权利要求9所述的***，其特征在于，所述路侧单元获取目标车辆的观测量信息，进一步包括：

基于所述目标车辆的观测量信息，判断所述目标车辆的观测量信息是否异常；

若所述目标车辆的观测量信息异常，则剔除所述异常的观测量信息，将所述剔除异常的观测量信息后得到的观测量信息作为目标车辆的观测量信息。

14.如权利要求13所述的***，其特征在于，所述基于所述目标车辆的观测量信息，判断所述目标车辆的观测量信息是否异常，具体包括：

所述目标车辆或所述路侧单元将所述目标车辆的观测量信息上传至云端，所述云端判断所述目标车辆的观测量信息是否异常；

和/或

所述路侧单元根据所述目标车辆的观测量信息，判断所述目标车辆的观测量信息是否异常。

15.如权利要求9所述的***，其特征在于，所述基于所述目标车辆的观测量信息，进行差分解算，获得所述目标车辆的增强位置信息，具体包括：

根据差分修正信息，对所述观测量信息进行差分解算，获得所述目标车辆的增强位置信息，其中，所述差分修正信息由所述云端下发给所述路侧单元。

16.如权利要求9至15任一项所述的***，其特征在于，所述基于所述增强位置信息，获得所述目标车辆的精确位置信息，具体包括：

所述路侧单元或所述云端将所述增强位置信息发送给所述目标车辆，所述目标车辆将所述增强位置信息与所述目标车辆自身的轨迹信息进行融合，获得所述目标车辆的精确位置信息，其中，所述目标车辆自身的轨迹信息是基于所述目标车辆的IMU***获得的信息。

Images