CN111649740B - 一种基于imu进行车辆高精度定位的方法及*** - Google Patents
一种基于imu进行车辆高精度定位的方法及*** Download PDFInfo
- Publication number
- CN111649740B CN111649740B CN202010514777.5A CN202010514777A CN111649740B CN 111649740 B CN111649740 B CN 111649740B CN 202010514777 A CN202010514777 A CN 202010514777A CN 111649740 B CN111649740 B CN 111649740B
- Authority
- CN
- China
- Prior art keywords
- deceleration strip
- vehicle
- network model
- data
- time
- 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
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
- G01C21/10—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
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)
Abstract
本发明涉及一种基于IMU(Inertial measurement unit,惯性测量单元)进行车辆高精度定位的方法及***,该方法包括:获取HAD(Highly Automated Driving,高度自动化驾驶)地图;获取初步定位信息;使用IMU进行车辆通过减速带的识别,基于所述初步定位信息将识别出的减速带信息与所述HAD地图进行匹配,获得所述车辆的纵向定位信息;定位结果不受场景变化的影响、不受环境光照影响、在夜间能可靠定位,比视觉定位精度更高、比GNSS/RTK定位更稳定;只使用矢量高精度地图进行定位的方式保证了地图数据规模可控,能够在车上存储全国范围地图、加载、更新简单;相比现有技术方案更满足车规级所要求的可靠性、可量产的需求,具有较大的技术价值和市场竞争力。
Description
技术领域
本发明涉及智能/辅助驾驶技术领域,尤其涉及一种基于IMU进行车辆高精度定位的方法及***。
背景技术
车道级定位模块是L2-L4级辅助驾驶汽车的重要组成部分,智能驾驶汽车需要获取自车在道路上的精确横纵向位置,完成变道、超车、上下匝道等功能。若车道级定位模块性能不可靠,有可能会导致辅助驾驶汽车出现撞击路测、错过分岔路口等危险。
现有主要的辅助驾驶汽车定位方案包括“GPS(Global Positioning System,全球定位***)/RTK(Real-time kinematic,实时动态载波相位差分技术)定位”、“视觉感知+HAD匹配定位”、使用视觉/毫米波/激光雷达特征图层定位”这三类方法及三类方法的融合。
1)GNSS(Global Navigation Satellite System,全球导航卫星***)/RTK定位:获取卫星传输的GNSS信号+RTK服务商通过4G传过来的RTK信号。由于复杂环境(如隧道、山区、城市建筑物峡谷)下存在遮挡和干扰,定位场景受限。且受法律约束和地图数据采集技术的影响,车辆上存储的地图存在一定的偏移,GPS/RTK定出的绝对位置往往无法与地图的位置准确关联。且RTK定位技术使用成本较高,在车辆上量产推广存在难度。2)基于视觉匹配定位方式:通过摄像头识别车道线、交通看板等信息,使用车道线与HAD匹配进行横向定位、使用交通看板与HAD匹配进行纵向定位。由于摄像头容易受到逆光环境的影响、夜间很难有效观测远处交通看板,视觉定位方案在复杂光照或夜间可靠性不足。且摄像头(单目相机)测距误差大于50cm,难以实现较高的纵向定位精度。3)使用视觉/毫米波/激光雷达特征图层的定位:从图像、毫米波雷达、激光雷达数据中抽取出图像特征、雷达特征,然后建立图像及雷达特征定位图层,该种方式的主要确定为数据体量过大(如仅中国高速即达TB级),车端存储、下载、解析加载成本极高,量产可行性较低。
发明内容
本发明针对现有技术中存在的技术问题,提供一种基于IMU进行车辆高精度定位的方法,解决现有技术中高精度定位成本高难以量产的问题。
本发明解决上述技术问题的技术方案如下:一种基于IMU进行车辆高精度定位的方法,该方法包括:获取HAD地图;获取初步定位信息;使用IMU进行车辆通过减速带的识别,基于所述初步定位信息将识别出的减速带信息与所述HAD地图进行匹配,获得所述车辆的纵向定位信息。
本发明的有益效果是:本发明提供的一种基于IMU进行车辆高精度定位的方法,考虑现有技术基于视觉匹配定位方式中使用交通看板与HAD匹配进行纵向定位时,由于摄像头受光线等因素的影响较大造成难以实现高精度的纵向定位的问题,考虑车辆通过减速带时位于车身底盘上的IMU的纵向加速带的波形图会有很大波动,呈现出周期性的特点,并且明显区别于不通过减速带时的波形图,考虑到仅仅纵向加速度都可以分辨出是否经过减速带,那么增加与通过减速带时振动相关的观测数据可作为判断是否经过减速带的推断依据,因此使用该IMU进行车辆是否通过减速带的识别,并根据车辆的初步定位信息以及HAD地图确定车辆的精确纵向定位信息,纵向定位精度可达10-20cm,定位结果不受场景变化的影响、不受环境光照影响、在夜间能可靠定位,比视觉定位精度更高、比GNSS/RTK定位更稳定;只使用矢量高精度地图进行定位的方式保证了地图数据规模可控,能够在车上存储全国范围地图、加载、更新简单;相比现有技术方案更满足车规级所要求的可靠性、可量产的需求,具有较大的技术价值和市场竞争力。
一种基于IMU进行车辆高精度定位的***,包括:HAD地图获取模块、初步定位模块和纵向定位信息确定模块;
所述HAD地图获取模块用于获取HAD地图;
所述初步定位模获用于获取初步定位信息;
所述纵向定位信息确定模块,用于使用IMU进行车辆通过减速带的识别,基于所述初步定位信息将识别出的减速带信息与所述HAD地图进行匹配,获得所述车辆的纵向定位信息。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述使用IMU进行车辆通过减速带的识别的过程包括:
获取减速带位置、减速带类型与IMU纵向振动数据、车速、轴距的对应数据,作为样本代入机器学习模型中进行训练,得到减速带识别网络模型;
实时获取IMU纵向振动数据、车速和轴距数据,输入所述减速带识别网络模型,输出得到实时的减速带位置和减速带类型。
进一步,所述减速带识别模型包括减速带检测网络模型和减速带检测二分类网络模型,训练得到所述减速带检测网络模型和减速带检测二分类网络模型的过程包括:
采集观测数据和减速带真值数据;所述观测数据包括:车辆的速度,三轴加速度、车辆姿态角、车辆长度以及轴距;所述减速带真值数据为减速带的矢量数据;
对所述观测数据的时序数据进行滑动窗口切片处理,对所述观测数据的时序数据按照设定的时间间隔Δt和时间重叠比例进行切片;
获取所述减速带检测网络模型的真值,所述减速带检测网络模型的真值为一个时间片内是否通过减速带的二分类问题真值;
构建所述减速带检测二分类网络模型,所述减速带检测二分类网络模型的输入为车辆的所述观测数据,所述减速带检测二值分类网络训练的真值数据由数据真值0以及真值1数据片比例调整训练得到;
训练所述减速带检测网络模型,所述减速带检测网络模型训练的输入为每个时间片中固定频率的时序观测数据和该时间片观测数据所对应的真值数据,输出为减速带检测网络模型权重文件。
进一步,所述减速带识别模型还包括前轮压上减速带时间回归网络模型,训练得到所述前轮压上减速带时间回归网络模型的过程包括:
采集所述观测数据和减速带真值数据;
获取所述前轮压上减速带时间回归网络模型的真值,所述前轮压上减速带时间回归网络模型的真值为一个时间片中前轮压在减速带上时刻相对该时间片的偏移;
构建所述前轮压上减速带时间回归网络模型;
训练所述前轮压上减速带时间回归网络模型,所述前轮压上减速带时间回归网络模型的输入为所述时间片中固定频率的时序观测数据和对应时间片数据中车辆前轮压上减速带时间,输出为前轮压上减速带时间回归网络模型权重。
进一步,所述初步定位信息根据GPS、IMU及车身CAN获取的运动信息融合确定。
进一步,使用相机识别车道线与所述HAD地图匹配获得所述车辆的横向定位信息,根据所述车辆的横向定位信息和纵向定位信息确定所述车辆的定位信息。
进一步,所述方法还包括:使用相机识别道路上的交通标示或使用毫米波雷达识别道路边界和/或交通标示信息,与所述HAD地图匹配定位,获取所述车辆的纵向定位信息的冗余备份。
采用上述进一步方案的有益效果是:采用减速带检测网络模型和前轮压上减速带时间回归网络模型两个网络模型可以减少计算资源消耗,因为减速带在整个行进时间中所占的比例较小,回归问题可以只在确定有减速带的情况下才进行。
附图说明
图1为本发明提供的一种基于IMU进行车辆高精度定位的方法的实施例的流程图;
图2为本发明提供的一种基于IMU进行车辆高精度定位的***的实施例的结构框图;
图3为本发明实施例提供的一种电子设备的实体结构示意图。
附图中,各标号所代表的部件列表如下:
101、HAD地图获取模块,102、初步定位模块,103、纵向定位信息确定模块,201、处理器,202、通信接口,203、存储器,204、通信总线。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明解决上述技术问题的技术方案如下:一种基于IMU进行车辆高精度定位的方法,包括:获取HAD地图;通过测绘车/地图众包采集车进行地图采集,制作得到包含车道边线、道路边线、交通标示、车道中心线、减速带的高精度地图。获取初步定位信息;使用IMU进行车辆通过减速带的识别,基于初步定位信息将识别出的减速带信息与HAD地图进行匹配,获得车辆的纵向定位信息。
该减速带包括HAD地图中记录的信息减速带信息和非减速带信息(如道路上的坑洼变化情况)。
本发明提供的一种基于IMU进行车辆高精度定位的方法,考虑现有技术基于视觉匹配定位方式中使用交通看板与HAD匹配进行纵向定位时,由于摄像头受光线等因素的影响较大造成难以实现高精度的纵向定位的问题,考虑车辆通过减速带时位于车身底盘上的IMU的纵向加速带的波形图会有很大波动,呈现出周期性的特点,并且明显区别于不通过减速带时的波形图,考虑到仅仅纵向加速度都可以分辨出是否经过减速带,那么增加与通过减速带时振动相关的观测数据可作为判断是否经过减速带的推断依据,因此使用该IMU进行车辆是否通过减速带的识别,并根据车辆的初步定位信息以及HAD地图确定车辆的精确纵向定位信息,纵向定位精度可达10-20cm,定位结果不受场景变化的影响、不受环境光照影响、在夜间能可靠定位,比视觉定位精度更高、比GNSS/RTK定位更稳定;只使用矢量高精度地图进行定位的方式保证了地图数据规模可控,能够在车上存储全国范围地图、加载、更新简单;相比现有技术方案更满足车规级所要求的可靠性、可量产的需求,具有较大的技术价值和市场竞争力。
实施例1
本发明提供的实施例1为本发明提供的一种基于IMU进行车辆高精度定位的方法的实施例,如图1所示为本发明提供的一种基于IMU进行车辆高精度定位的方法的实施例的流程图,由图1可知,该方法的实施例包括:
获取HAD地图。
获取初步定位信息。具体的,该初步定位信息根据GPS、IMU及车身CAN获取的运动信息融合确定。
使用IMU进行车辆通过减速带的识别,基于初步定位信息将识别出的减速带信息与HAD地图进行匹配,获得车辆的纵向定位信息。
优选的,使用IMU进行车辆通过减速带的识别的过程包括:
获取减速带位置、减速带类型与IMU纵向振动数据、车速、轴距的对应数据,作为样本代入机器学习模型中进行训练,得到减速带识别网络模型;
实时获取IMU纵向振动数据、车速和轴距数据,输入减速带识别网络模型,输出得到实时的减速带位置和减速带类型。
具体的,减速带识别模型包括减速带检测网络模型和减速带检测二分类网络模型,训练得到减速带检测网络模型和减速带检测二分类网络模型的过程包括:
采集观测数据和减速带真值数据;观测数据从卫星惯性导航***以及车身CAN数据获取,包括:车辆的速度,三轴加速度(纵向加速度,横向加速度,垂直地面方向加速度)、车辆姿态角(横滚角Roll、俯仰角Pitch、偏航角Yaw)、车辆长度以及轴距;减速带真值数据为通过测绘行业外业的方式采集的减速带的矢量数据。
对观测数据的时序数据进行滑动窗口切片处理,对观测数据的时序数据按照设定的时间间隔Δt和时间重叠比例进行切片。
获取减速带检测网络模型的真值,减速带检测网络模型的真值为一个时间片内是否通过减速带的二分类问题真值。
具体实施过程:获取减速带检测网络模型的真值时,可以设置为通过减速带则取值为1,不通过减速带取值为0。
构建减速带检测二分类网络模型,减速带检测二分类网络模型的输入为车辆的观测数据,减速带检测二值分类网络训练的真值数据数据真值0以及真值1数据片比例调整训练得到。
减速带检测二分类网络模型的网络主体采用双向的长短期记忆BiLSTM结构来捕获时间片观测数据的周期信息,并且通过注意力机制池化操作来着重学习时间片中通过减速带时刻的特征。输入为车辆的速度,三轴加速度(纵向加速度,横向加速度,垂直地面方向加速度)、车辆姿态角(横滚角Roll、俯仰角Pitch、偏航角Yaw)、车辆长度、轴距观测数据,以及这些观测数据的衍生变量,通过串联的方式输入到BiLSTM层中。BiLSTM输出层采用隐藏状态全输出,通过注意力池化操作来进行特征压缩。其后通过全连接层降维,最后连接输出分类层。输出分类层采用Sigmoid激活函数。损失函数采用Binary cross entropy。
训练减速带检测网络模型,减速带检测网络模型训练的输入为每个时间片中固定频率的时序观测数据和该时间片观测数据所对应的真值数据,输出为减速带检测网络模型权重文件。
具体实施过程:通过cross-validation将得到的减速带检测二分类网络的真值数据进行处理,推送到减速带检测二分类网络模型中进行训练,通过调整超参数的方式,得到并保存减速带检测精度最高的权重文件。
获得该减速带检测网络模型和减速带检测二分类网络模型后,根据该减速带检测网络模型和减速带检测二分类网络模型对实时数据进行处理的过程包括:输入任意一个时间片中固定频率的时序观测数据和减速带检测网络模型权重文件,输出该时间片对应的观测数据是否通过减速带,1表示通过减速带,0表示未通过减速带。将输入数据输入到减速带检测二分类网络模型中,网络模型加载与训练好的权重,得到是否通过减速带的推断。
减速带实时检测算法嵌入式移植:减速带检测网络模型通过剪枝、精度转化、量化、模型固化和模型部署的流程。
减速带识别模型还包括前轮压上减速带时间回归网络模型,训练得到前轮压上减速带时间回归网络模型的过程包括:
采集观测数据和减速带真值数据。
获取前轮压上减速带时间回归网络模型的真值,前轮压上减速带时间回归网络模型的真值为一个时间片中前轮压在减速带上时刻相对该时间片的偏移。
具体实施过程中获取前轮压上减速带时间回归网络模型的真值的步骤为:一、计算所有时间片对应的前轮经纬度坐标轨迹形点串。根据组合惯导和前轮的平移矩阵和车身经纬度坐标轨迹计算出车辆前轮的经纬度坐标轨迹形点串。二、将所有时间片对应前轮轨迹形点串与上文获取的减速带检测网络模型的真值时数据对比,如果前轮轨迹压在减速带上,则摘出该时间点(相对该时间片起点的时间偏移量),该时间点即为前轮通过减速带时间回归网络的真值。
构建前轮压上减速带时间回归网络模型。
前轮压上减速带时间回归网络的网络主体采用双向的长短期记忆BiLSTM网络层。采用多头注意力机制,特征输入层和BiLSTM输出层都采用注意力机制。BiLSTM输出层的注意力机制与减速带检测二分类网络不同,BiLSTM输出的所有隐藏层状态通过注意力层,注意力层输出所有特征进行拼接,后连接全连接层进行维度压缩,最后加入一个输出层。输出层采用线性激活函数和均方差损失函数。
训练前轮压上减速带时间回归网络模型,前轮压上减速带时间回归网络模型的输入为时间片中固定频率的时序观测数据和对应时间片数据中车辆前轮压上减速带时间,输出为前轮压上减速带时间回归网络模型权重。
具体实施过程中,车辆前轮压上减速带时间通过相对该时间片起点的时间偏移量得到,将时序的观测数据输入到该前轮压上减速带时间回归网络模型中,并且输入真值车辆前轮压上减速带的时间,网络通过反向传播机制拟合出前轮压上减速带的时间偏移量。输出该网络模型的权重文件。
获得该前轮压上减速带时间回归网络模型后,根据该减速带检测网络模型和减速带检测二分类网络模型对实时数据进行处理的过程包括:输入任意一个时间片中固定频率的时序观测数据和前轮压上减速带时间回归网络模型的权重文件,输出该时间片对应的前轮压上减速带的时间偏移量。该时间偏移量加上该时间片的起始时间即可得到通过减速带的时刻。从而辅助车辆纵向定位,减小纵向定位误差。实时前轮压上减速带时间推断嵌入式移植:此流程与减速带检测的流程完全相同。
本发明实施例采用深度学习网络来训练减速带识别网络模型,通过对观测数据以及观测数据推算出的衍生数据作为网络模型的输入(即特征增强),采用Long Short TermMemory长短期记忆网络来捕获时间序列观测数据的周期性特征,如此一来对于给定时长的时间片段Δt的时序观测数据,就可以通过训练好的网络模型判断,该Δt时间内是否经过减速带,从而达到检测减速带的目的。对于通过减速带的Δt时间片段观测数据,再经过另外一个网络模型对前轮通过减速带的时间(相对该时间片段起始时间戳的偏移量)进行回归。该过程涉及两个深度神经网络:减速带检测网络以及前轮通过减速带时间回归网络。采用两个网络原因是可以减少计算资源消耗。因为减速带在整个行进时间中所占的比例较小,回归问题可以只在确定有减速带的情况下才进行。这两个网络采用tensorflowLite的框架,适用于模型的嵌入式移植。
优选的,本发明实施例提供的一种基于IMU进行车辆高精度定位的方法,还可以包括:
使用相机识别车道线与HAD地图匹配获得车辆的横向定位信息,根据车辆的横向定位信息和纵向定位信息确定车辆的定位信息。
优选的,该方法还可以包括:使用相机识别道路上的交通标示或使用毫米波雷达识别道路边界和/或交通标示信息,与HAD地图匹配定位,获取车辆的纵向定位信息的冗余备份。
使用传感器进行横向匹配定位,包括ADAS相机输出的车道线与地图中的车道线匹配、激光雷达识别的马路牙栅栏等与地图中的对应要素匹配、毫米波雷达识别的道路围栏与地图中的围栏匹配,确定车辆的横向位置和朝向;使用相机识别道路上的交通标示的方案对ADAS相机成本要求较高、HAD地图制作成本较高。使用毫米波雷达识别道路边界和/或交通标示信息车辆加装毫米波雷达、且要求毫米波雷达具备相应的目标探测能力。
优选的,确定纵向定位信息后,还可以包括纵向匹配定位修正的过程:根据车辆的位置和方向,将局部高精度地图元素的位置由绝对坐标反算为车辆自车坐标系下坐标,根据车辆距交通标示的距离,修正车辆在局部地图的纵向位置,最后将修正后的位置反算到绝对坐标系下。
确定定位信息之后还包括:输出位姿持续预测,结合车身信息(转角、轮速、加速度)、匹配定位结果、GNSS定位值,融入卡尔曼滤波模型,进行位姿更新滤波和车辆位姿预测,输出20-100HZ车辆位姿。
在车辆进行过初次定位后,重复上述步骤持续更新和输出车辆位姿。
本方案提出一种多源传感器融合定位方案,已被广泛适用于L2-L4级辅助驾驶汽车,***部署难度较低。针对目前投放市场的主流量产车使用的传感器(如mobileye)只能输出线性目标(如车道边线、道路边线),可以用来做横向定位而无法实现纵向的精准定位;能够同时实现横纵方向上的精准匹配定位,从而更好地支撑结构化道路的辅助驾驶行为(如上下匝道、变道超车),可广泛搭载在现有量产车上,不需对感知***提出额外需求。安全性更强:由于现有车道级定位技术主要依赖视觉识别可用于纵向定位的目标(如交通标示、杆等),一旦视觉***发生失效(如夜间、逆光环境),则无法有效识别,从而无法进行纵向定位。而本方案方法的纵向定位使用IMU,不受环境的影响,能够全天候稳定工作,鲁棒性更高。定位精度更高:现有基于视觉纵向定位的方案,视觉单目深度估计精度不稳定且受到相机授时精度的限制,纵向定位只能达到30cm以上。而使用本发明方法,纵向定位精度可达10cm以内。相比现有技术,显著提升了纵向定位精度。
实施例2
本发明提供的实施例2为本发明提供的一种基于IMU进行车辆高精度定位的***的实施例,如图2所示为本发明提供的一种基于IMU进行车辆高精度定位的***的实施例的结构框图,由图2可知,该***包括:HAD地图获取模块101、初步定位模块102和纵向定位信息确定模块103。
HAD地图获取模块101用于获取HAD地图。
初步定位模获102用于获取初步定位信息。
纵向定位信息确定模块103,用于使用IMU进行车辆通过减速带的识别,基于初步定位信息将识别出的减速带信息与HAD地图进行匹配,获得车辆的纵向定位信息。
图3为本发明实施例提供的一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器201、通信接口202、存储器203和通信总线204,其中,处理器201,通信接口202,存储器203通过通信总线204完成相互间的通信。处理器201可以调用存储在存储器203上并可在处理器201上运行的计算机程序,以执行上述各实施例提供的基于IMU进行车辆高精度定位的方法,例如包括:获取HAD地图;获取初步定位信息;使用IMU进行车辆通过减速带的识别,基于初步定位信息将识别出的减速带信息与HAD地图进行匹配,获得车辆的纵向定位信息。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的基于IMU进行车辆高精度定位的方法,例如包括:获取HAD地图;获取初步定位信息;使用IMU进行车辆通过减速带的识别,基于初步定位信息将识别出的减速带信息与HAD地图进行匹配,获得车辆的纵向定位信息。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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IMU进行车辆高精度定位的方法,其特征在于,所述方法包括:
获取HAD地图;获取初步定位信息;使用IMU进行车辆通过减速带的识别,基于所述初步定位信息将识别出的减速带信息与所述HAD地图进行匹配,获得所述车辆的纵向定位信息;
所述使用IMU进行车辆通过减速带的识别的过程包括:
获取减速带位置、减速带类型与IMU纵向振动数据、车速、轴距的对应数据,作为样本代入机器学习模型中进行训练,得到减速带识别网络模型;
实时获取IMU纵向振动数据、车速和轴距数据,输入所述减速带识别网络模型,输出得到实时的减速带位置和减速带类型;
所述减速带识别模型包括减速带检测网络模型和减速带检测二分类网络模型,训练得到所述减速带检测网络模型和减速带检测二分类网络模型的过程包括:
采集观测数据和减速带真值数据;所述观测数据包括:车辆的速度,三轴加速度、车辆姿态角、车辆长度以及轴距;所述减速带真值数据为减速带的矢量数据;
对所述观测数据的时序数据进行滑动窗口切片处理,对所述观测数据的时序数据按照设定的时间间隔Δt和时间重叠比例进行切片;
获取所述减速带检测网络模型的真值,所述减速带检测网络模型的真值为一个时间片内是否通过减速带的二分类问题真值;
构建所述减速带检测二分类网络模型,所述减速带检测二分类网络模型的输入为车辆的所述观测数据,所述减速带检测二值分类网络训练的真值数据由数据真值0以及真值1数据片比例调整训练得到;
训练所述减速带检测网络模型,所述减速带检测网络模型训练的输入为每个时间片中固定频率的时序观测数据和该时间片观测数据所对应的真值数据,输出为减速带检测网络模型权重文件。
2.根据权利要求1所述的方法,其特征在于,所述减速带识别模型还包括前轮压上减速带时间回归网络模型,训练得到所述前轮压上减速带时间回归网络模型的过程包括:
采集所述观测数据和减速带真值数据;
获取所述前轮压上减速带时间回归网络模型的真值,所述前轮压上减速带时间回归网络模型的真值为一个时间片中前轮压在减速带上时刻相对该时间片的偏移;
构建所述前轮压上减速带时间回归网络模型;
训练所述前轮压上减速带时间回归网络模型,所述前轮压上减速带时间回归网络模型的输入为所述时间片中固定频率的时序观测数据和对应时间片数据中车辆前轮压上减速带时间,输出为前轮压上减速带时间回归网络模型权重。
3.根据权利要求1所述的方法,其特征在于,所述初步定位信息根据GPS、IMU及车身CAN获取的运动信息融合确定。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:使用相机识别车道线与所述HAD地图匹配获得所述车辆的横向定位信息,根据所述车辆的横向定位信息和纵向定位信息确定所述车辆的定位信息。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:使用相机识别道路上的交通标示或使用毫米波雷达识别道路边界和/或交通标示信息,与所述HAD地图匹配定位,获取所述车辆的纵向定位信息的冗余备份。
6.一种基于IMU进行车辆高精度定位的***,其特征在于,所述***包括:HAD地图获取模块、初步定位模块和纵向定位信息确定模块;
所述HAD地图获取模块用于获取HAD地图;
所述初步定位模获用于获取初步定位信息;
所述纵向定位信息确定模块,用于使用IMU进行车辆通过减速带的识别,基于所述初步定位信息将识别出的减速带信息与所述HAD地图进行匹配,获得所述车辆的纵向定位信息;
所述纵向定位信息确定模块使用IMU进行车辆通过减速带的识别的过程包括:
获取减速带位置、减速带类型与IMU纵向振动数据、车速、轴距的对应数据,作为样本代入机器学习模型中进行训练,得到减速带识别网络模型;
实时获取IMU纵向振动数据、车速和轴距数据,输入所述减速带识别网络模型,输出得到实时的减速带位置和减速带类型;
所述减速带识别模型包括减速带检测网络模型和减速带检测二分类网络模型,训练得到所述减速带检测网络模型和减速带检测二分类网络模型的过程包括:
采集观测数据和减速带真值数据;所述观测数据包括:车辆的速度,三轴加速度、车辆姿态角、车辆长度以及轴距;所述减速带真值数据为减速带的矢量数据;
对所述观测数据的时序数据进行滑动窗口切片处理,对所述观测数据的时序数据按照设定的时间间隔Δt和时间重叠比例进行切片;
获取所述减速带检测网络模型的真值,所述减速带检测网络模型的真值为一个时间片内是否通过减速带的二分类问题真值;
构建所述减速带检测二分类网络模型,所述减速带检测二分类网络模型的输入为车辆的所述观测数据,所述减速带检测二值分类网络训练的真值数据由数据真值0以及真值1数据片比例调整训练得到;
训练所述减速带检测网络模型,所述减速带检测网络模型训练的输入为每个时间片中固定频率的时序观测数据和该时间片观测数据所对应的真值数据,输出为减速带检测网络模型权重文件。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述基于IMU进行车辆高精度定位的方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于IMU进行车辆高精度定位的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010514777.5A CN111649740B (zh) | 2020-06-08 | 2020-06-08 | 一种基于imu进行车辆高精度定位的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010514777.5A CN111649740B (zh) | 2020-06-08 | 2020-06-08 | 一种基于imu进行车辆高精度定位的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111649740A CN111649740A (zh) | 2020-09-11 |
CN111649740B true CN111649740B (zh) | 2022-09-20 |
Family
ID=72345085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010514777.5A Active CN111649740B (zh) | 2020-06-08 | 2020-06-08 | 一种基于imu进行车辆高精度定位的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111649740B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112698302B (zh) * | 2020-12-16 | 2023-11-07 | 南京航空航天大学 | 一种颠簸路况下的传感器融合目标检测方法 |
CN112991400B (zh) * | 2021-04-07 | 2022-02-01 | 广东工业大学 | 一种无人艇的多传感器辅助定位方法 |
CN113033463B (zh) * | 2021-04-09 | 2023-08-01 | 腾讯科技(深圳)有限公司 | 减速带检测方法、装置、电子设备及存储介质 |
CN113763702A (zh) * | 2021-08-03 | 2021-12-07 | 信通院车联网创新中心(成都)有限公司 | 一种基于v2v的宜人化的前方碰撞预警***及预警方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11118913B2 (en) * | 2016-10-19 | 2021-09-14 | Huawei Technologies Co., Ltd. | Vehicle positioning correction method and mobile device |
US20190316914A1 (en) * | 2018-04-17 | 2019-10-17 | Faraday&Future Inc. | Speed-bump based localization enhancement |
CN110967023B (zh) * | 2018-09-30 | 2023-11-10 | 华为技术有限公司 | 汽车定位方法及汽车定位装置 |
CN110208793B (zh) * | 2019-04-26 | 2022-03-11 | 纵目科技(上海)股份有限公司 | 基于毫米波雷达的辅助驾驶***、方法、终端和介质 |
-
2020
- 2020-06-08 CN CN202010514777.5A patent/CN111649740B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111649740A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111649740B (zh) | 一种基于imu进行车辆高精度定位的方法及*** | |
CN107235044B (zh) | 一种基于多传感数据实现对道路交通场景和司机驾驶行为的还原方法 | |
CN109945858B (zh) | 用于低速泊车驾驶场景的多传感融合定位方法 | |
US11802769B2 (en) | Lane line positioning method and apparatus, and storage medium thereof | |
Vivacqua et al. | Self-localization based on visual lane marking maps: An accurate low-cost approach for autonomous driving | |
CN108801276B (zh) | 高精度地图生成方法及装置 | |
CN102208035B (zh) | 图像处理***及位置测量*** | |
CN102208012B (zh) | 风景匹配参考数据生成***及位置测量*** | |
CN102208036B (zh) | 车辆位置检测*** | |
CN112904395B (zh) | 一种矿用车辆定位***及方法 | |
CN107229063A (zh) | 一种基于gnss和视觉里程计融合的无人驾驶汽车导航定位精度矫正方法 | |
CN106184220B (zh) | 一种基于车辆定位轨迹的车道内异常驾驶检测方法 | |
CN113252051A (zh) | 一种地图构建方法及装置 | |
CN113920198B (zh) | 一种基于语义边缘对齐的由粗到精的多传感器融合定位方法 | |
CN113252022A (zh) | 一种地图数据处理方法及装置 | |
CN115235452A (zh) | 基于uwb/imu和视觉信息融合的智能泊车定位***及方法 | |
Zhou et al. | DeepVIP: Deep learning-based vehicle indoor positioning using smartphones | |
Huang et al. | Combining low-cost inertial measurement unit (IMU) and deep learning algorithm for predicting vehicle attitude | |
CN113405555B (zh) | 一种自动驾驶的定位传感方法、***及装置 | |
CN111401255A (zh) | 用于识别分歧路口的方法和装置 | |
CN114889606A (zh) | 一种基于多传感融合的低成本高精定位方法 | |
CN111103578B (zh) | 一种基于深度卷积神经网络的激光雷达在线标定方法 | |
KR102596297B1 (ko) | 정밀 지도를 이용한 센서 퓨전의 인지 성능 향상을 위한 장치 및 방법 | |
CN110967023A (zh) | 汽车定位方法及汽车定位装置 | |
US20210357667A1 (en) | Methods and Systems for Measuring and Mapping Traffic Signals |
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 |