CN112179359B - 一种地图匹配方法、装置、电子设备和存储介质 - Google Patents
一种地图匹配方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112179359B CN112179359B CN202011031457.0A CN202011031457A CN112179359B CN 112179359 B CN112179359 B CN 112179359B CN 202011031457 A CN202011031457 A CN 202011031457A CN 112179359 B CN112179359 B CN 112179359B
- Authority
- CN
- China
- Prior art keywords
- semantic
- candidate
- map
- semantic features
- positioning information
- 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
- G01C21/26—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
- G01C21/32—Structuring or formatting of map data
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3848—Data obtained from both position sensors and additional sensors
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3859—Differential updating map data
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3863—Structures of map data
- G01C21/387—Organisation of map data, e.g. version management or database structures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Navigation (AREA)
Abstract
本公开实施例涉及一种地图匹配方法、装置、电子设备和存储介质。本公开实施例中,基于车辆传感器数据确定多个观测语义特征,并基于车辆的初始定位信息获取局部地图信息和多个候选定位信息,局部地图信息包括多个地图语义特征;进而针对每个候选定位信息,均进行观测语义特征和候选地图语义特征的匹配,得到匹配对;从而基于每个候选定位信息对应的匹配对,确定车辆的最优候选定位信息和最优候选定位信息对应的匹配对。本公开实施例适用于矢量语义地图,仅利用矢量语义地图的矢量信息,实现观测特征与地图特征的实时匹配,不依赖于额外的描述子、强度等额外数据,在降低储存需求和算力使用的基础上,实现良好的匹配效果。
Description
技术领域
本公开实施例涉及智能驾驶技术领域,具体涉及一种地图匹配方法、装置、电子设备和非暂态计算机可读存储介质。
背景技术
在智能驾驶技术领域中,无论是辅助驾驶还是自动驾驶,车辆定位技术占有重要地位。目前,主流的车辆定位技术包括基于视觉的vslam(visual simultaneouslocalization and mapping,视觉即时定位与地图构建)技术以及基于激光雷达的lslam(laser simultaneous localization and mapping,激光即时定位与地图构建)技术等,这些方法通常需要事先建立稠密的定位地图,并且储存描述子、强度等用于匹配的信息,对储存资源的占用较大。
为了降低定位地图的尺寸,同时提高某些场景下的鲁棒性,一些定位方案基于矢量语义地图进行定位。然而,尽管矢量地图的稀疏性使其尺寸大大减小,描述子等信息的缺失也对如何实现高效且高正确率的实时匹配提出了挑战。
上述对问题的发现过程的描述,仅用于辅助理解本公开的技术方案,并不代表承认上述内容是现有技术。
发明内容
为了解决现有技术存在的至少一个问题,本公开的至少一个实施例提供了一种地图匹配方法、装置、电子设备和非暂态计算机可读存储介质。
第一方面,本公开实施例提出一种地图匹配方法,所述方法包括:
获取车辆的初始定位信息和车辆传感器数据;
基于所述初始定位信息,确定多个候选定位信息;
基于所述车辆传感器数据,确定多个观测语义特征;
基于所述初始定位信息,获取局部地图信息,所述局部地图信息包括多个地图语义特征;
针对每个所述候选定位信息:
基于该候选定位信息,将所述多个地图语义特征转换至所述车辆传感器的坐标系下,得到该坐标系下的多个候选地图语义特征;
将所述多个观测语义特征和所述多个候选地图语义特征进行匹配,得到匹配对;
基于每个所述候选定位信息对应的匹配对,确定所述车辆的最优候选定位信息和所述最优候选定位信息对应的匹配对。
第二方面,本公开实施例还提出一种地图匹配装置,所述装置包括:
获取单元,用于获取车辆的初始定位信息和车辆传感器数据;基于所述初始定位信息,获取局部地图信息,所述局部地图信息包括多个地图语义特征;
第一确定单元,用于基于所述初始定位信息,确定多个候选定位信息;基于所述车辆传感器数据,确定多个观测语义特征;
匹配单元,用于针对每个所述候选定位信息:
基于该候选定位信息,将所述多个地图语义特征转换至所述车辆传感器的坐标系下,得到该坐标系下的多个候选地图语义特征;
将所述多个观测语义特征和所述多个候选地图语义特征进行匹配,得到匹配对;
第二确定单元,用于基于每个所述候选定位信息对应的匹配对,确定所述车辆的最优候选定位信息和所述最优候选定位信息对应的匹配对。
第三方面,本公开实施例还提出一种电子设备,包括:处理器和存储器;所述处理器通过调用所述存储器存储的程序或指令,用于执行如第一方面所述地图匹配方法的步骤。
第四方面,本公开实施例还提出一种非暂态计算机可读存储介质,用于存储程序或指令,所述程序或指令使计算机执行如第一方面所述地图匹配方法的步骤。
可见,本公开的至少一个实施例中,基于车辆传感器数据,确定多个观测语义特征,并基于车辆的初始定位信息,获取局部地图信息(局部地图信息包括多个地图语义特征)以及确定多个候选定位信息(包括初始定位信息);进而针对每个候选定位信息,均进行观测语义特征和候选地图语义特征的匹配,得到匹配对;从而基于每个候选定位信息对应的匹配对,确定车辆的最优候选定位信息和最优候选定位信息对应的匹配对。
本公开实施例适用于矢量语义地图,仅利用矢量语义地图的矢量信息(例如地图语义特征的信息),实现观测特征与地图特征的实时匹配,不依赖于额外的描述子、强度等额外数据,在降低储存需求和算力使用的基础上,实现良好的匹配效果。另外,本公开实施例对传感器类型没有特殊要求(摄像头、激光雷达等均可以适用)。
附图说明
为了更清楚地说明本公开实施例的技术方案,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公开的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种匹配问题的示例性场景图;
图2是本公开实施例提供的一种智能驾驶车辆的示例性架构图;
图3是本公开实施例提供的一种智能驾驶***的示例性框图;
图4是本公开实施例提供的一种地图匹配装置的示例性框图;
图5是本公开实施例提供的一种电子设备的示例性框图;
图6是本公开实施例提供的一种地图匹配方法的示例性流程图;
图7是本公开实施例提供的一种语义-欧式距离矩阵的示例图;
图8是基于图7所示的语义-欧式距离矩阵确定的距离排序矩阵示例图;
图9是更新图8所示的距离排序矩阵后得到的矩阵示例图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本公开,而非对本公开的限定。基于所描述的本公开的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
为了在智能驾驶过程中实时进行地图匹配,本公开实施例结合图1,对匹配问题进行如下描述:
图1中,给定集合M{m1,m2}与集合M’{m’1,m’2},在最小距离的约束下,为M中的元素在M’中找到尽可能多的匹配元素,形成匹配对,每个匹配对中包括M中的一个元素和M’中的一个元素。
图1中,存在两个匹配对:(m1,m’2)与(m2,m’1),可以理解,由于在最小距离的约束下,因此,m1和m’2之间的距离小于m1和m’1之间的距离,同样的,m2和m’1之间的距离小于m2和m’2之间的距离。
基于匹配问题的如上描述,应用到地图匹配中,集合M可以理解为观测特征的集合,集合M’可以理解为地图特征的集合。在一些实施例中,观测特征可以为实时观测特征,不论是观测特征还是地图特征均为语义特征,也即观测特征为观测语义特征,地图特征为地图语义特征。
观测语义特征可以理解为基于车辆传感器数据,确定的用于定位的目标的观测语义特征,例如,车辆传感器数据为图像数据,通过目标检测算法对图像数据进行处理,可以确定图像中所包括的目标的类别及位置,所述目标即可理解为观测语义特征。举例说明,图像中包括车道线、交通标线(例如直行、左转、右转等)、交通信号灯(即红绿灯)、交通指示牌等,均为用于定位的目标的观测语义特征。
地图语义特征可以理解为地图(例如矢量地图)中所包括的用于定位的目标的语义特征,例如地图中的车道线、交通标线、交通信号灯、交通指示牌等,均为用于定位的目标的地图语义特征。在一些实施例中,为了便于从地图中获取地图语义特征,可对地图进行预处理,使得地图中包括地图语义特征的信息,例如地图中包括地图语义特征的语义标签和位置等与地图语义特征相关的信息,以便在获取到地图的同时,就可从地图中得到地图语义特征的信息。
在地图匹配中,按照一定约束条件找到最多的匹配对,进而确定不同的观测特征各自对应的地图特征,从而为后续车辆定位提供依据。需要说明的是,在地图匹配中,约束条件不仅包括最小距离的约束,还可包括其他的约束条件,这些约束条件共同决定匹配对的确定,约束条件包括的内容将在下文中详细说明。
因此,本公开实施例提供一种地图匹配方案,基于车辆传感器数据,确定多个观测语义特征,并基于车辆的初始定位信息,获取局部地图信息(局部地图信息包括多个地图语义特征)以及确定多个候选定位信息(包括初始定位信息);进而针对每个候选定位信息,均进行观测语义特征和候选地图语义特征的匹配,得到匹配对;从而基于每个候选定位信息对应的匹配对,确定车辆的最优候选定位信息和最优候选定位信息对应的匹配对。
本公开实施例适用于矢量语义地图,仅利用矢量语义地图的矢量信息(例如地图语义特征的信息),实现观测特征与地图特征的实时匹配,不依赖于额外的描述子、强度等额外数据,在降低储存需求和算力使用的基础上,实现良好的匹配效果。另外,本公开实施例对传感器类型没有特殊要求(摄像头、激光雷达等均可以适用)。
在一些实施例中,可确定地图语义特征和观测语义特征之间的语义-欧式距离,进而可确定距离矩阵,从而基于距离矩阵实现矢量语义地图匹配。在一些实施例中,基于距离矩阵的匹配方法广泛适用于各种可以定义度量距离的匹配场景。
本公开实施例可以应用于智能驾驶车辆,还可以应用于电子设备。所述智能驾驶车辆为搭载不同等级智能驾驶***的车辆,智能驾驶***例如包括:无人驾驶***、辅助驾驶***、驾驶辅助***、高度自动驾驶***、完全自动驾驶车辆等等。所述电子设备安装有智能驾驶***,例如电子设备可用于测试智能驾驶算法,又例如电子设备可以为车载设备,在一些实施例中,电子设备还可以应用到其他领域。应当理解的是,本公开实施例的应用场景仅仅是本公开的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以将本公开应用于其他类似情景。以下为了能够更清楚无误的阐述,本公开实施例以智能驾驶车辆为例对地图匹配方法、地图匹配装置、电子设备或非暂态计算机可读存储介质进行说明。
图2为本公开实施例提供的一种智能驾驶车辆的示例性架构图。如图2所示,智能驾驶车辆包括:传感器组、智能驾驶***200、车辆底层执行***以及其他可用于驱动车辆和控制车辆运行的部件,例如制动踏板、方向盘和油门踏板。
传感器组,用于采集车辆外界环境的数据和探测车辆的位置数据。传感器组例如包括但不限于摄像头、激光雷达、毫米波雷达、超声波雷达、GPS(Global PositioningSystem,全球定位***)和IMU(Inertial Measurement Unit,惯性测量单元)中的至少一个。
在一些实施例中,传感器组,还用于采集车辆的动力学数据,传感器组例如还包括但不限于车轮转速传感器、速度传感器、加速度传感器、方向盘转角传感器、前轮转角传感器中的至少一个。
智能驾驶***200,用于获取传感器组的传感数据,其中,所述传感数据包括但不限于图像、视频、激光点云、毫米波、GPS信息、车辆状态等。在一些实施例中,智能驾驶***200基于所述传感数据进行环境感知和车辆定位,生成感知信息和车辆位姿;智能驾驶***200基于所述感知信息和车辆位姿进行规划和决策,生成规划和决策信息;智能驾驶***200基于规划和决策信息生成车辆控制指令,并下发给车辆底层执行***。
在一些实施例中,智能驾驶***200可以为软件***、硬件***或者软硬件结合的***。例如,智能驾驶***200是运行在操作***上的软件***,车载硬件***是支持操作***运行的硬件***。
在一些实施例中,智能驾驶***200可以与云端服务器进行交互。在一些实施例中,智能驾驶***200与云端服务器通过无线通讯网络(例如包括但不限于GPRS网络、Zigbee网络、Wifi网络、3G网络、4G网络、5G网络等无线通讯网络)进行交互。
在一些实施例中,云端服务器用于与车辆进行交互。其中,所述云端服务器可以向车辆发送环境信息、定位信息、控制信息及车辆智能驾驶过程中需要的其他信息。在一些实施例中,所述云端服务器可以接收来自车端的传感数据、车辆状态信息、车辆行驶信息以及车辆请求的相关信息。在一些实施例中,云端服务器可以基于用户设置或车辆请求对所述车辆进行远程控制。在一些实施例中,云端服务器可以是一个服务器,也可以是一个服务器群组。服务器群组可以是集中式的,也可以是分布式的。在一些实施例中,云端服务器可以是本地的或远程的。
车辆底层执行***,用于接收车辆控制指令,并基于所述车辆控制指令控制车辆行驶。在一些实施例中,车辆底层执行***包括但不限于:转向***、制动***和驱动***。在一些实施例中,所述车辆底层执行***还可包括底层控制器,用于可以解析车辆控制指令,并将其分别下发至转向***、制动***和驱动***等对应***。
在一些实施例中,智能驾驶车辆还可包括图1中未示出的车辆CAN总线,车辆CAN总线连接车辆底层执行***。智能驾驶***200与车辆底层执行***之间的信息交互通过车辆CAN总线进行传递。
图3为本公开实施例提供的一种智能驾驶***300的示例性框图。在一些实施例中,智能驾驶***300可以实现为图2中的智能驾驶***200或者智能驾驶***200的一部分,用于控制车辆行驶。
如图3所示,智能驾驶***300可划分为多个模块,例如可包括:感知模块301、规划模块302、控制模块303、地图匹配模块304以及其他一些可用于智能驾驶的模块。
感知模块301用于进行环境感知与定位。在一些实施例中,感知模块301用于获取传感器数据、V2X(Vehicle to X,车用无线通信)数据、高精度地图等数据并基于以上至少一种数据进行环境感知与定位,生成感知信息和定位信息。其中,感知信息可包括但不限于以下至少一个:障碍物信息、道路标志/标记、行人/车辆信息、可行驶区域。定位信息包括车辆位姿。
规划模块302用于进行路径规划和决策。在一些实施例中,规划模块302基于感知模块301生成的感知信息和定位信息,生成规划和决策信息。在一些实施例中,规划模块202还可以结合V2X数据、高精度地图等数据中的至少一种,生成规划和决策信息。其中,规划信息可包括但不限于规划路径等;决策信息可包括但不限于以下至少一种:行为(例如包括但不限于跟车、超车、停车、绕行等)、车辆航向、车辆速度、车辆的期望加速度、期望的方向盘转角等。
控制模块303用于基于规划和决策信息生成车辆底层执行***的控制指令,并下发控制指令,以使车辆底层执行***控制车辆行驶。其中,控制指令可包括但不限于:方向盘转向、横向控制指令、纵向控制指令等。
地图匹配模块304用于基于车辆传感器数据,确定多个观测语义特征,并基于车辆的初始定位信息,获取局部地图信息(局部地图信息包括多个地图语义特征)以及确定多个候选定位信息(包括初始定位信息);进而针对每个候选定位信息,均进行观测语义特征和候选地图语义特征的匹配,得到匹配对;从而基于每个候选定位信息对应的匹配对,确定车辆的最优候选定位信息和最优候选定位信息对应的匹配对。
在一些实施例中,地图匹配模块304的功能可集成到感知模块301、规划模块302或控制模块303中,也可配置为与智能驾驶***300相独立的模块,地图匹配模块304可以为软件模块、硬件模块或者软硬件结合的模块。例如,地图匹配模块304是运行在操作***上的软件模块,车载硬件***是支持操作***运行的硬件***。
图4为本公开实施例提供的一种地图匹配装置400的示例性框图。在一些实施例中,地图匹配装置400可以实现为图3中的地图匹配模块304或者地图匹配模块304的一部分。
如图4所示,地图匹配装置400可包括但不限于以下单元:获取单元401、第一确定单元402、匹配单元403和第二确定单元404。
获取单元401
获取单元401,用于获取车辆的相关信息,相关信息例如包括初始定位信息和车辆传感器数据等与车辆有直接或间接关联关系的信息。其中,初始定位信息可以来自车辆外部的先验信息,也可以来自第二确定单元404的估计;车辆传感器数据可通过与安装在车辆上的传感器进行数据交互来获取。
在一些实施例中,获取单元404可基于初始定位信息,获取局部地图信息。在一些实施例中,获取单元404可基于初始定位信息,从预先建立的矢量语义地图中获取局部地图信息,局部地图信息是矢量语义地图的一部分。在一些实施例中,获取单元404可基于初始定位信息,通过快速最近邻等算法对矢量语义地图进行索引获取局部地图信息。
预先建立的矢量语义地图中包括地图语义特征的信息,例如地图中的车道线、交通标线、交通信号灯、交通指示牌等,均为地图语义特征。地图语义特征的信息例如包括地图语义特征的语义标签和位置等与地图语义特征相关的信息。
本实施例中,获取单元404在获取到局部地图信息的同时,就可从局部地图信息中得到地图语义特征的信息,也即,可以得到局部地图信息所包括的多个地图语义特征。
第一确定单元402
第一确定单元402,用于基于初始定位信息,确定多个候选定位信息,这多个候选定位信息中包括初始定位信息。本实施例中,考虑初始定位信息一般存在较大误差,同时地图语义特征又具有较强的稀疏性,如果直接使用初始定位信息进行地图匹配会存在匹配正确率低或者有效匹配特征少的情况,因此,通过确定多个候选定位信息,可提高后续地图匹配的正确率或者增加有效匹配特征的数量。
在一些实施例中,第一确定单元402可对初始定位信息一定范围内的空间进行离散随机采样,得到多个候选定位信息。在一些实施例中,第一确定单元402通过蒙特卡洛随机采样,在初始定位信息一定空间范围r内按一定概率分布生成包括初始定位信息在内的n个候选定位信息。其中,空间范围r和候选定位信息的数量n均与初始定位信息的不确定度相关,初始定位信息的不确定度越高,r和n的取值一般也越大。
在一些实施例中,第一确定单元402可基于车辆传感器数据,确定多个观测语义特征,这多个观测语义特征为实时观测语义特征。例如,车辆传感器数据为图像数据,第一确定单元402通过目标检测算法对图像数据进行处理,可以确定图像中所包括的目标的类别及位置,所述目标即可理解为观测语义特征。举例说明,图像中包括车道线、交通标线(例如直行、左转、右转等)、交通信号灯(即红绿灯)、交通指示牌等,均为观测语义特征。值得说明的是,上述对传感器数据的举例仅用于说明,并不用于限定本申请,在实际应用中,所述车辆传感器数据可以是任意形式的(例如,激光雷达数据),只要能够从所述传感器数据中识别出观测语义特征即可。
匹配单元403
匹配单元403,用于针对每个候选定位信息,均进行地图匹配。在一些实施例中,匹配单元403针对每个候选定位信息:基于该候选定位信息,将多个地图语义特征转换至车辆传感器的坐标系下,得到该坐标系下的多个候选地图语义特征;进而将多个观测语义特征和多个候选地图语义特征进行匹配,得到匹配对。在一些实施例中,匹配单元403将多个观测语义特征也转换至同一车辆传感器的坐标系下,进而将转换至同一车辆传感器的坐标系下的多个观测语义特征和多个候选地图语义特征进行匹配,得到匹配对。
在一些实施例中,匹配单元403对每个候选地图语义特征进行可观测性筛选,也即判断候选地图语义特征是否处于所述车辆传感器的盲区内,若处于,则判定该候选地图语义特征不会被观测语义特征匹配到,应当被滤除,不参与后续的匹配。
具体地,匹配单元403针对每个候选定位信息:基于该候选定位信息,将多个地图语义特征转换至车辆传感器的坐标系下,得到该坐标系下的多个候选地图语义特征后,去除所述车辆传感器的盲区内的候选地图语义特征;进而将观测语义特征和剩余的候选地图语义特征进行匹配,得到匹配对。
在一些实施例中,为了提高地图匹配的正确率或者增加有效匹配特征的数量,本实施例中明确匹配对满足如下条件1至条件4:
条件1:候选地图语义特征和与其匹配的观测语义特征一一对应。也即,一个候选地图语义特征只能匹配一个观测语义特征,一个观测语义特征只能匹配一个候选地图语义特征。
条件2:候选地图语义特征的语义标签和与其匹配的观测语义特征的语义标签相同。
条件3:候选地图语义特征和与其匹配的观测语义特征之间的语义-欧式距离小于或等于欧式距离阈值;所述语义-欧式距离用于表征一个候选地图语义特征和一个观测语义特征的相近程度;所述欧式距离阈值和所述候选地图语义特征与候选定位信息之间的欧式距离反相关。其中,候选地图语义特征与候选定位信息之间的欧式距离可以理解为候选地图语义特征对应的位置(坐标值)与候选定位信息(坐标值)之间的欧式距离。
在一些实施例中,欧式距离阈值通过下式确定:
th=th0×f(t)
其中,th为欧式距离阈值,th0为设置的固定先验阈值,t为候选地图语义特征与候选定位信息之间的欧式距离,f(t)为与t反相关的映射函数。候选地图语义特征与候选定位信息之间的欧式距离t越大(即候选地图语义特征距离候选定位信息越远),更容易造成匹配错误,因此,欧式距离阈值th越小,以提高正确匹配的几率。
条件4:候选地图语义特征和与其匹配的观测语义特征之间的语义-欧式距离在所述候选地图语义特征对应的所有语义-欧式距离中最小,且在所述观测语义特征对应的所有语义-欧式距离中最小。在一些实施例中,该候选地图语义特征与每个观测语义特征计算一个语义-欧式距离。在一些实施例中,某个语义-欧式距离在该候选语义特征对应的多个语义-欧式距离中最小,但在观测语义特征对应的多个语义-欧式距离中不是最小,则二者不是匹配对。
在一些实施例中,匹配对还需满足如下条件5:
条件5:若候选地图语义特征具有上级语义特征,则所述候选地图语义特征的上级语义特征的语义标签和与其匹配的观测语义特征的上级语义特征的语义标签相同。在一些实施例中,所述候选地图语义特征的上级语义特征和与其匹配的观测语义特征的上级语义特征之间的语义-欧式距离小于或等于所述欧式距离阈值。
在一些实施例中,上级语义特征表征用于定位的目标的整体信息,下级语义特征表征用于定位的目标的局部或端点。例如,上级语义特征为车道线,下级语义特征为车道线的端点。
设置条件5的目的在于减少匹配错误的几率,例如,减少类似某一条车道线的端点匹配到了另一条车道线端点这种情况的几率。
需要说明的是,目前的一些匹配算法,如最近邻匹配或者暴力匹配,都不能满足如上条件1至条件5。
在一些实施例中,匹配单元403对任一候选地图语义特征与任一观测语义特征的语义-欧式距离通过以下方式确定:
若该观测语义特征的语义标签与该候选地图语义特征的语义标签不同,则所述语义-欧式距离为无效值INF;
若该观测语义特征的语义标签与该候选地图语义特征的语义标签相同:
确定该观测语义特征对应的坐标值和该候选地图语义特征对应的坐标值之间的欧式距离和欧式距离阈值;
若该观测语义特征对应的坐标值和该候选地图语义特征对应的坐标值之间的欧式距离小于或等于所述欧式距离阈值,则所述语义-欧式距离为该观测语义特征对应的坐标值和该候选地图语义特征对应的坐标值之间的欧式距离;
若该观测语义特征对应的坐标值和该候选地图语义特征对应的坐标值之间的欧式距离大于所述欧式距离阈值,则所述语义-欧式距离为无效值INF。
在一些实施例中,语义-欧式距离通过下式确定:
其中,d为语义-欧式距离;INF为无限大的值(即无效值);th为欧式距离阈值;de=f(m,m’),f(m,m’)为欧式距离计算函数,其具体形式与m,m’的几何形态有关,例如,点与点的距离度量,线与线的距离度量有所差异,但都能获得一种欧拉距离值;m为观测语义特征,m’为候选地图语义特征,label为观测语义特征的语义标签,label’为候选地图语义特征的语义标签。
在一些实施例中,为了满足条件5,若观测语义特征的语义标签与候选地图语义特征的语义标签相同,且所述观测语义特征或所述候选地图语义特征具有上级语义特征,则判断所述观测语义特征的上级语义特征的语义标签与所述候选地图语义特征的上级语义特征的语义标签是否相同,若不同,则确定所述观测语义特征与所述地图语义特征之间的语义-欧式距离为无效值INF。
在一些实施例中,匹配单元403可确定多个观测语义特征和多个候选地图语义特征构成的语义-欧式距离矩阵。如图7所示的语义-欧式距离矩阵中,m1、m2、m3、m4和m5为观测语义特征,m’1、m’2、m’3、m’4和m’5为候选地图语义特征。图7中,m1与m’1之间的语义-欧式距离为0.5,m1与m’2之间的语义-欧式距离为INF;m1与m’3之间的语义-欧式距离为0.1,可见,图7所示的语义-欧式距离矩阵中每个元素表示语义-欧式距离。在一些实施例中,图7所示的语义-欧式距离矩阵中存在无效值INF,因此,语义-欧式距离矩阵为稀疏矩阵,不需要存储无效值INF,仅存储有效值,进而提升后续的匹配效率。
在一些实施例中,匹配单元403可基于语义-欧式距离矩阵,确定距离排序矩阵;所述距离排序矩阵中每个元素为二元组,所述二元组表示语义-欧式距离所在行和列的排序,距离越小,排序值越小,排序值为1表示距离最近。如图8所示的距离排序矩阵为基于图7所示的语义-欧式距离矩阵确定的距离排序矩阵。例如,在图7中,由于m1与m’1之间的语义-欧式距离所在行和列的排序分别为1和3,因此,在图8中,m1与m’1对应元素的取值为(1,3)。
在一些实施例中,匹配单元403可将距离排序矩阵中二元组为(1,1)所对应的观测语义特征和候选地图语义特征,确定为匹配对。例如,在图8中,m1与m’3确定为匹配对,m5与m’5也确定为匹配对。
在一些实施例中,匹配单元403将距离排序矩阵中二元组为(1,1)所对应的观测语义特征和候选地图语义特征,确定为匹配对后,将所述二元组为(1,1)所对应的行和列的所有元素均修改为无效值INF,并更新距离排序矩阵。
图9是更新图8所示的距离排序矩阵后得到的矩阵示例图。为满足条件1,将图8中二元组为(1,1)所对应的行和列的所有元素均修改为无效值INF,修改为INF的元素使得与其相同行列的元素的取值改变,形成新的如图9所示的矩阵。需要说明的是,修改为无效值INF仅仅是更新距离排序矩阵的中间操作,不代表语义-欧式距离为无效值INF。
在一些实施例中,匹配单元403可将更新后的距离排序矩阵中二元组为(1,1)所对应的观测语义特征和地图语义特征,确定为匹配对。例如在图9中,m3与m’2、m4与m’4均确定为匹配对。
匹配单元403可重复更新距离排序矩阵并确定匹配对,直至更新后的距离排序矩阵中没有二元组为(1,1)。
在一些实施例中,在任意匹配场景中,只要定义了度量距离的方式,就可以构建距离矩阵,进而进行匹配获得匹配结果,因此本公开实施例提出的基于距离矩阵的匹配方式具有广泛的应用性。
第二确定单元404
第二确定单元404,用于基于每个候选定位信息对应的匹配对,确定车辆的最优候选定位信息和最优候选定位信息对应的匹配对。在一些实施例中,最优候选定位信息可以作为初始定位信息,以便对实时获取的观测语义特征进行地图匹配。
在一些实施例中,第二确定单元404选取匹配对数量最多的候选定位信息为车辆的最优候选定位信息。
在一些实施例中,第二确定单元404可基于不同候选地图语义特征对于车辆定位的先验贡献度和每个候选定位信息对应的匹配对,确定每个候选定位信息的评价值。其中,先验贡献度可预先配置,例如,地面的语义特征如车道线等,对车辆定位提供的贡献大于非地面特征,如路牌等,因此,可设置车道线的先验贡献度高于路牌的先验贡献度。
在一些实施例中,候选定位信息的评价值通过下式确定:
score=λc∑ci+λd∑f(di)
其中,score为候选定位信息的评价值;λc和λd为先验分配权重,本实施例不限定具体取值;ci为第i个匹配对中候选地图语义特征对于车辆定位的先验贡献度;di为第i个匹配对的语义-欧式距离;f(di)为与di反相关的映射函数,即di越小,f(di)越大。
在一些实施例中,第二确定单元404可选取评价值最高的候选定位信息为车辆的最优候选定位信息。
在一些实施例中,第二确定单元404选取评价值最高的候选定位信息后,判断最高的评价值是否小于评价值阈值,若小于,则确定地图匹配失败。其中,评价值阈值为先验值,也即预先确定的值,本实施例不限定其具体取值,本领域技术人员可根据实际需要进行设置。
在一些实施例中,地图匹配装置400中各单元的划分仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如获取单元401、第一确定单元402、匹配单元403和第二确定单元404中的至少两个单元可以实现为一个单元;获取单元401、第一确定单元402、匹配单元403或第二确定单元404也可以划分为多个子单元。可以理解的是,各个单元或子单元能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用场景来使用不同方法来实现所描述的功能。
图5是本公开实施例提供的一种电子设备的结构示意图。
如图5所示,电子设备包括:至少一个处理器501、至少一个存储器502和至少一个通信接口503。电子设备中的各个组件通过总线***504耦合在一起。通信接口503,用于与外部设备之间的信息传输。可理解地,总线***504用于实现这些组件之间的连接通信。总线***504除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但为了清楚说明起见,在图5中将各种总线都标为总线***504。
可以理解,本实施例中的存储器502可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
在一些实施方式中,存储器502存储了如下的元素,可执行单元或者数据结构,或者他们的子集,或者他们的扩展集:操作***和应用程序。
其中,操作***,包含各种***程序,例如框架层、核心库层、驱动层等,用于实现各种基础任务以及处理基于硬件的任务。应用程序,包含各种应用程序,例如媒体播放器(Media Player)、浏览器(Browser)等,用于实现各种应用任务。实现本公开实施例提供的地图匹配方法的程序可以包含在应用程序中。
在本公开实施例中,处理器501通过调用存储器502存储的程序或指令,具体的,可以是应用程序中存储的程序或指令,处理器501用于执行本公开实施例提供的地图匹配方法各实施例的步骤。
本公开实施例提供的地图匹配方法可以应用于处理器501中,或者由处理器501实现。处理器501可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器501中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器501可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本公开实施例提供的地图匹配方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器502,处理器501读取存储器502中的信息,结合其硬件完成方法的步骤。
图6为本公开实施例提供的一种地图匹配方法的示例性流程图。该方法的执行主体为电子设备,在一些实施例中,该方法的执行主体还可以为车载设备所支持的智能驾驶***。为便于描述,以下实施例中以电子设备为执行主体说明地图匹配方法的流程。
如图6所示,在步骤601中,电子设备获取车辆的初始定位信息和车辆传感器数据。
在步骤602中,电子设备基于所述初始定位信息,确定多个候选定位信息。
在步骤603中,电子设备基于所述车辆传感器数据,确定多个观测语义特征。
在步骤604中,电子设备基于所述初始定位信息,获取局部地图信息,所述局部地图信息包括多个地图语义特征。
在步骤605中,电子设备针对每个所述候选定位信息:
6051、基于该候选定位信息,将所述多个地图语义特征转换至所述车辆传感器的坐标系下,得到该坐标系下的多个候选地图语义特征;
6052、将所述多个观测语义特征和所述多个候选地图语义特征进行匹配,得到匹配对。
在步骤606中,电子设备基于每个所述候选定位信息对应的匹配对,确定所述车辆的最优候选定位信息和所述最优候选定位信息对应的匹配对。
在一些实施例中,所述将所述多个观测语义特征和所述多个候选地图语义特征进行匹配前,所述方法还包括:
去除所述车辆传感器的盲区内的候选地图语义特征。
在一些实施例中,所述匹配对满足如下条件1至4:
条件1:候选地图语义特征和与其匹配的观测语义特征一一对应。
条件2:候选地图语义特征的语义标签和与其匹配的观测语义特征的语义标签相同。
条件3:候选地图语义特征和与其匹配的观测语义特征之间的语义-欧式距离小于或等于欧式距离阈值;所述语义-欧式距离用于表征一个候选地图语义特征和一个观测语义特征的相近程度;所述欧式距离阈值和所述候选地图语义特征与候选定位信息之间的欧式距离反相关。
条件4:候选地图语义特征和与其匹配的观测语义特征之间的语义-欧式距离在所述候选地图语义特征对应的所有语义-欧式距离中最小,且在所述观测语义特征对应的所有语义-欧式距离中最小。
在一些实施例中,所述匹配对还满足如下条件5:
条件5:若候选地图语义特征具有上级语义特征,则所述候选地图语义特征的上级语义特征的语义标签和与其匹配的观测语义特征的上级语义特征的语义标签相同。
在一些实施例中,所述候选地图语义特征的上级语义特征和与其匹配的观测语义特征的上级语义特征之间的语义-欧式距离小于或等于所述欧式距离阈值。
在一些实施例中,任一候选地图语义特征与任一观测语义特征的语义-欧式距离通过以下方式确定:
若该观测语义特征的语义标签与该候选地图语义特征的语义标签不同,则所述语义-欧式距离为无效值INF;
若该观测语义特征的语义标签与该候选地图语义特征的语义标签相同:
确定该观测语义特征对应的坐标值和该候选地图语义特征对应的坐标值之间的欧式距离和欧式距离阈值;
若该观测语义特征对应的坐标值和该候选地图语义特征对应的坐标值之间的欧式距离小于或等于所述欧式距离阈值,则所述语义-欧式距离为该观测语义特征对应的坐标值和该候选地图语义特征对应的坐标值之间的欧式距离;
若该观测语义特征对应的坐标值和该候选地图语义特征对应的坐标值之间的欧式距离大于所述欧式距离阈值,则所述语义-欧式距离为无效值INF。
在一些实施例中,所述欧式距离阈值通过下式确定:
th=th0×f(t)
其中,th为欧式距离阈值,th0为设置的固定先验阈值,t为候选地图语义特征与候选定位信息之间的欧式距离,f(t)为与t反相关的映射函数。
在一些实施例中,若观测语义特征的语义标签与候选地图语义特征的语义标签相同,且所述观测语义特征或所述候选地图语义特征具有上级语义特征,则判断所述观测语义特征的上级语义特征的语义标签与所述候选地图语义特征的上级语义特征的语义标签是否相同,若不同,则确定所述观测语义特征与所述地图语义特征之间的语义-欧式距离为无效值INF。
在一些实施例中,所述将所述多个观测语义特征和所述多个候选地图语义特征进行匹配,得到匹配对包括:
确定所述多个观测语义特征和所述多个候选地图语义特征构成的语义-欧式距离矩阵;
基于所述语义-欧式距离矩阵,确定距离排序矩阵;所述距离排序矩阵中每个元素为二元组,所述二元组表示语义-欧式距离所在行和列的排序;
将所述距离排序矩阵中二元组为(1,1)所对应的观测语义特征和候选地图语义特征,确定为匹配对。
在一些实施例中,所述将所述距离排序矩阵中二元组为(1,1)所对应的观测语义特征和候选地图语义特征,确定为匹配对后,所述方法还包括:
将所述二元组为(1,1)所对应的行和列的所有元素均修改为无效值INF,并更新距离排序矩阵;
将更新后的距离排序矩阵中二元组为(1,1)所对应的观测语义特征和候选地图语义特征,确定为匹配对;
重复执行以上两个步骤,直至更新后的距离排序矩阵中没有二元组为(1,1)。
在一些实施例中,基于每个所述候选定位信息对应的匹配对,确定所述车辆的最优候选定位信息和所述最优候选定位信息对应的匹配对包括:
选取匹配对数量最多的候选定位信息为所述车辆的最优候选定位信息。
在一些实施例中,基于每个所述候选定位信息对应的匹配对,确定所述车辆的最优候选定位信息和所述最优候选定位信息对应的匹配对包括:
基于不同候选地图语义特征对于车辆定位的先验贡献度和每个所述候选定位信息对应的匹配对,确定每个所述候选定位信息的评价值;
选取评价值最高的候选定位信息为所述车辆的最优候选定位信息。
在一些实施例中,所述候选定位信息的评价值通过下式确定:
score=λc∑ci+λd∑f(di)
其中,score为候选定位信息的评价值,λc和λd为先验分配权重,ci为第i个匹配对中候选地图语义特征对于车辆定位的先验贡献度,di为第i个匹配对的语义-欧式距离,f(di)为与di反相关的映射函数。
在一些实施例中,选取评价值最高的候选定位信息后,所述方法还包括:
判断最高的评价值是否小于评价值阈值,若小于,则确定地图匹配失败。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员能够理解,本公开实施例并不受所描述的动作顺序的限制,因为依据本公开实施例,某些步骤可以采用其他顺序或者同时进行。另外,本领域技术人员能够理解,说明书中所描述的实施例均属于可选实施例。
本公开实施例还提出一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如地图匹配方法各实施例的步骤,为避免重复描述,在此不再赘述。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。
本领域的技术人员能够理解,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
虽然结合附图描述了本公开的实施方式,但是本领域技术人员可以在不脱离本公开的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (16)
1.一种地图匹配方法,其特征在于,所述方法包括:
获取车辆的初始定位信息和车辆传感器数据;
基于所述初始定位信息,确定多个候选定位信息;
基于所述车辆传感器数据,确定多个观测语义特征;
基于所述初始定位信息,获取局部地图信息,所述局部地图信息包括多个地图语义特征;
针对每个所述候选定位信息:
基于该候选定位信息,将所述多个地图语义特征转换至所述车辆传感器的坐标系下,得到该坐标系下的多个候选地图语义特征;
将所述多个观测语义特征和所述多个候选地图语义特征进行匹配,得到匹配对;
基于每个所述候选定位信息对应的匹配对,确定所述车辆的最优候选定位信息和所述最优候选定位信息对应的匹配对;
其中,所述匹配对满足如下条件:
候选地图语义特征和与其匹配的观测语义特征一一对应;
候选地图语义特征的语义标签和与其匹配的观测语义特征的语义标签相同;
候选地图语义特征和与其匹配的观测语义特征之间的语义-欧式距离小于或等于欧式距离阈值;所述语义-欧式距离用于表征一个候选地图语义特征和一个观测语义特征的相近程度;所述欧式距离阈值和所述候选地图语义特征与候选定位信息之间的欧式距离反相关;
候选地图语义特征和与其匹配的观测语义特征之间的语义-欧式距离在所述候选地图语义特征对应的所有语义-欧式距离中最小,且在所述观测语义特征对应的所有语义-欧式距离中最小。
2.根据权利要求1所述的方法,其特征在于,所述将所述多个观测语义特征和所述多个候选地图语义特征进行匹配前,所述方法还包括:
去除所述车辆传感器的盲区内的候选地图语义特征。
3.根据权利要求1所述的方法,其特征在于,所述匹配对还满足如下条件:
若候选地图语义特征具有上级语义特征,则所述候选地图语义特征的上级语义特征的语义标签和与其匹配的观测语义特征的上级语义特征的语义标签相同。
4.根据权利要求3所述的方法,其特征在于,所述候选地图语义特征的上级语义特征和与其匹配的观测语义特征的上级语义特征之间的语义-欧式距离小于或等于所述欧式距离阈值。
5.根据权利要求1所述的方法,其特征在于,任一候选地图语义特征与任一观测语义特征的语义-欧式距离通过以下方式确定:
若该观测语义特征的语义标签与该候选地图语义特征的语义标签不同,则所述语义-欧式距离为无效值INF;
若该观测语义特征的语义标签与该候选地图语义特征的语义标签相同:
确定该观测语义特征对应的坐标值和该候选地图语义特征对应的坐标值之间的欧式距离和欧式距离阈值;
若该观测语义特征对应的坐标值和该候选地图语义特征对应的坐标值之间的欧式距离小于或等于所述欧式距离阈值,则所述语义-欧式距离为该观测语义特征对应的坐标值和该候选地图语义特征对应的坐标值之间的欧式距离;
若该观测语义特征对应的坐标值和该候选地图语义特征对应的坐标值之间的欧式距离大于所述欧式距离阈值,则所述语义-欧式距离为无效值INF。
6.根据权利要求1所述的方法,其特征在于,所述欧式距离阈值通过下式确定:
th=th0×f(t)
其中,th为欧式距离阈值,th0为设置的固定先验阈值,t为候选地图语义特征与候选定位信息之间的欧式距离,f(t)为与t反相关的映射函数。
7.根据权利要求5所述的方法,其特征在于,若观测语义特征的语义标签与候选地图语义特征的语义标签相同,且所述观测语义特征或所述候选地图语义特征具有上级语义特征,则判断所述观测语义特征的上级语义特征的语义标签与所述候选地图语义特征的上级语义特征的语义标签是否相同,若不同,则确定所述观测语义特征与所述地图语义特征之间的语义-欧式距离为无效值INF。
8.根据权利要求1所述的方法,其特征在于,所述将所述多个观测语义特征和所述多个候选地图语义特征进行匹配,得到匹配对包括:
确定所述多个观测语义特征和所述多个候选地图语义特征构成的语义-欧式距离矩阵;
基于所述语义-欧式距离矩阵,确定距离排序矩阵;所述距离排序矩阵中每个元素为二元组,所述二元组表示语义-欧式距离所在行和列的排序;
将所述距离排序矩阵中二元组为(1,1)所对应的观测语义特征和候选地图语义特征,确定为匹配对。
9.根据权利要求8所述的方法,其特征在于,所述将所述距离排序矩阵中二元组为(1,1)所对应的观测语义特征和候选地图语义特征,确定为匹配对后,所述方法还包括:
将所述二元组为(1,1)所对应的行和列的所有元素均修改为无效值INF,并更新距离排序矩阵;
将更新后的距离排序矩阵中二元组为(1,1)所对应的观测语义特征和候选地图语义特征,确定为匹配对;
重复执行以上两个步骤,直至更新后的距离排序矩阵中没有二元组为(1,1)。
10.根据权利要求1所述的方法,其特征在于,基于每个所述候选定位信息对应的匹配对,确定所述车辆的最优候选定位信息和所述最优候选定位信息对应的匹配对包括:
选取匹配对数量最多的候选定位信息为所述车辆的最优候选定位信息。
11.根据权利要求1所述的方法,其特征在于,基于每个所述候选定位信息对应的匹配对,确定所述车辆的最优候选定位信息和所述最优候选定位信息对应的匹配对包括:
基于不同候选地图语义特征对于车辆定位的先验贡献度和每个所述候选定位信息对应的匹配对,确定每个所述候选定位信息的评价值;
选取评价值最高的候选定位信息为所述车辆的最优候选定位信息。
12.根据权利要求11所述的方法,其特征在于,所述候选定位信息的评价值通过下式确定:
score=λc∑ci+λd∑f(di)
其中,score为候选定位信息的评价值,λc和λd为先验分配权重,ci为第i个匹配对中候选地图语义特征对于车辆定位的先验贡献度,di为第i个匹配对的语义-欧式距离,f(di)为与di反相关的映射函数。
13.根据权利要求11所述的方法,其特征在于,选取评价值最高的候选定位信息后,所述方法还包括:
判断最高的评价值是否小于评价值阈值,若小于,则确定地图匹配失败。
14.一种地图匹配装置,其特征在于,所述装置包括:
获取单元,用于获取车辆的初始定位信息和车辆传感器数据;基于所述初始定位信息,获取局部地图信息,所述局部地图信息包括多个地图语义特征;
第一确定单元,用于基于所述初始定位信息,确定多个候选定位信息;基于所述车辆传感器数据,确定多个观测语义特征;
匹配单元,用于针对每个所述候选定位信息:
基于该候选定位信息,将所述多个地图语义特征转换至所述车辆传感器的坐标系下,得到该坐标系下的多个候选地图语义特征;
将所述多个观测语义特征和所述多个候选地图语义特征进行匹配,得到匹配对;
第二确定单元,用于基于每个所述候选定位信息对应的匹配对,确定所述车辆的最优候选定位信息和所述最优候选定位信息对应的匹配对;
其中,所述匹配对满足如下条件:
候选地图语义特征和与其匹配的观测语义特征一一对应;
候选地图语义特征的语义标签和与其匹配的观测语义特征的语义标签相同;
候选地图语义特征和与其匹配的观测语义特征之间的语义-欧式距离小于或等于欧式距离阈值;所述语义-欧式距离用于表征一个候选地图语义特征和一个观测语义特征的相近程度;所述欧式距离阈值和所述候选地图语义特征与候选定位信息之间的欧式距离反相关;
候选地图语义特征和与其匹配的观测语义特征之间的语义-欧式距离在所述候选地图语义特征对应的所有语义-欧式距离中最小,且在所述观测语义特征对应的所有语义-欧式距离中最小。
15.一种电子设备,其特征在于,包括:处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如权利要求1至13任一项所述方法的步骤。
16.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如权利要求1至13任一项所述方法的步骤。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011031457.0A CN112179359B (zh) | 2020-09-27 | 2020-09-27 | 一种地图匹配方法、装置、电子设备和存储介质 |
US18/028,565 US20230358547A1 (en) | 2020-09-27 | 2020-10-23 | Map matching method and apparatus, electronic device and storage medium |
EP20954865.0A EP4206610A4 (en) | 2020-09-27 | 2020-10-23 | CARD MATCHING METHOD AND APPARATUS, ELECTRONIC DEVICE AND RECORDING MEDIUM |
PCT/CN2020/123162 WO2022062019A1 (zh) | 2020-09-27 | 2020-10-23 | 一种地图匹配方法、装置、电子设备和存储介质 |
KR1020237009778A KR20230086664A (ko) | 2020-09-27 | 2020-10-23 | 맵 매칭 방법, 장치, 전자기기 및 저장 매체 |
JP2023516484A JP2023541167A (ja) | 2020-09-27 | 2020-10-23 | マップマッチング方法、装置、電子機器および記憶媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011031457.0A CN112179359B (zh) | 2020-09-27 | 2020-09-27 | 一种地图匹配方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112179359A CN112179359A (zh) | 2021-01-05 |
CN112179359B true CN112179359B (zh) | 2022-09-23 |
Family
ID=73944130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011031457.0A Active CN112179359B (zh) | 2020-09-27 | 2020-09-27 | 一种地图匹配方法、装置、电子设备和存储介质 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230358547A1 (zh) |
EP (1) | EP4206610A4 (zh) |
JP (1) | JP2023541167A (zh) |
KR (1) | KR20230086664A (zh) |
CN (1) | CN112179359B (zh) |
WO (1) | WO2022062019A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022212704A1 (de) | 2022-11-28 | 2024-05-29 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Abgleichen einer digitalen Straßenkarte |
CN116105603B (zh) * | 2023-04-13 | 2023-09-19 | 安徽蔚来智驾科技有限公司 | 用于确定移动物体在场所中的位置的方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102313547A (zh) * | 2011-05-26 | 2012-01-11 | 东南大学 | 基于手绘轮廓语义地图的移动机器人视觉导航方法 |
CN107990899A (zh) * | 2017-11-22 | 2018-05-04 | 驭势科技(北京)有限公司 | 一种基于slam的定位方法和*** |
CN108732582A (zh) * | 2017-04-20 | 2018-11-02 | 百度在线网络技术(北京)有限公司 | 车辆定位方法和装置 |
CN109145171A (zh) * | 2018-07-23 | 2019-01-04 | 广州市城市规划勘测设计研究院 | 一种多尺度地图数据更新方法 |
CN110807412A (zh) * | 2019-10-30 | 2020-02-18 | 驭势科技(北京)有限公司 | 一种车辆激光定位的方法、车载设备和存储介质 |
CN110866079A (zh) * | 2019-11-11 | 2020-03-06 | 桂林理工大学 | 一种智慧景区实景语义地图的生成与辅助定位方法 |
Family Cites Families (7)
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 |
KR102463702B1 (ko) * | 2016-12-15 | 2022-11-07 | 현대자동차주식회사 | 차량 정밀 위치 추정 장치, 그 방법, 그를 위한 맵 구축 장치, 및 그를 위한 맵 구축 방법 |
CN107144285B (zh) * | 2017-05-08 | 2020-06-26 | 深圳地平线机器人科技有限公司 | 位姿信息确定方法、装置和可移动设备 |
US10983526B2 (en) * | 2018-09-17 | 2021-04-20 | Huawei Technologies Co., Ltd. | Method and system for generating a semantic point cloud map |
CN109733383B (zh) * | 2018-12-13 | 2021-07-20 | 初速度(苏州)科技有限公司 | 一种自适应的自动泊车方法及*** |
CN111323029B (zh) * | 2018-12-16 | 2022-05-27 | 北京魔门塔科技有限公司 | 导航方法及车载终端 |
CN111323004B (zh) * | 2018-12-16 | 2022-05-13 | 北京魔门塔科技有限公司 | 初始位置的确定方法及车载终端 |
-
2020
- 2020-09-27 CN CN202011031457.0A patent/CN112179359B/zh active Active
- 2020-10-23 EP EP20954865.0A patent/EP4206610A4/en active Pending
- 2020-10-23 KR KR1020237009778A patent/KR20230086664A/ko unknown
- 2020-10-23 WO PCT/CN2020/123162 patent/WO2022062019A1/zh unknown
- 2020-10-23 JP JP2023516484A patent/JP2023541167A/ja active Pending
- 2020-10-23 US US18/028,565 patent/US20230358547A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102313547A (zh) * | 2011-05-26 | 2012-01-11 | 东南大学 | 基于手绘轮廓语义地图的移动机器人视觉导航方法 |
CN108732582A (zh) * | 2017-04-20 | 2018-11-02 | 百度在线网络技术(北京)有限公司 | 车辆定位方法和装置 |
CN107990899A (zh) * | 2017-11-22 | 2018-05-04 | 驭势科技(北京)有限公司 | 一种基于slam的定位方法和*** |
CN109145171A (zh) * | 2018-07-23 | 2019-01-04 | 广州市城市规划勘测设计研究院 | 一种多尺度地图数据更新方法 |
CN110807412A (zh) * | 2019-10-30 | 2020-02-18 | 驭势科技(北京)有限公司 | 一种车辆激光定位的方法、车载设备和存储介质 |
CN110866079A (zh) * | 2019-11-11 | 2020-03-06 | 桂林理工大学 | 一种智慧景区实景语义地图的生成与辅助定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112179359A (zh) | 2021-01-05 |
JP2023541167A (ja) | 2023-09-28 |
EP4206610A4 (en) | 2024-02-28 |
US20230358547A1 (en) | 2023-11-09 |
WO2022062019A1 (zh) | 2022-03-31 |
KR20230086664A (ko) | 2023-06-15 |
EP4206610A1 (en) | 2023-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
JP7239703B2 (ja) | 領域外コンテキストを用いたオブジェクト分類 | |
US10072936B2 (en) | Estimating a street type using sensor-based surroundings data | |
CN110386142A (zh) | 用于自动驾驶车辆的俯仰角校准方法 | |
CN111874006A (zh) | 路线规划处理方法和装置 | |
US20210331671A1 (en) | Travel lane estimation device, travel lane estimation method, and computer-readable non-transitory storage medium | |
CN112567439B (zh) | 一种交通流信息的确定方法、装置、电子设备和存储介质 | |
CN112179359B (zh) | 一种地图匹配方法、装置、电子设备和存储介质 | |
CN114061581A (zh) | 通过相互重要性对自动驾驶车辆附近的智能体排名 | |
CN111062405A (zh) | 训练图像识别模型的方法和装置以及图像识别方法和装置 | |
CN110765224A (zh) | 电子地图的处理方法、车辆视觉重定位的方法和车载设备 | |
CN114694123B (zh) | 交通信号灯感知方法、装置、设备及存储介质 | |
CN114639085A (zh) | 交通信号灯识别方法、装置、计算机设备和存储介质 | |
EP4388509A1 (en) | Detected object path prediction for vision-based systems | |
CN111210411B (zh) | 图像中灭点的检测方法、检测模型训练方法和电子设备 | |
CN112446466A (zh) | 在深度神经网络中测量置信度 | |
CN111174796B (zh) | 一种基于单灭点的导航方法、电子设备和存储介质 | |
CN115578716A (zh) | 一种车载数据的处理方法、装置、设备及介质 | |
CN113753038B (zh) | 一种轨迹预测方法、装置、电子设备和存储介质 | |
US20210383213A1 (en) | Prediction device, prediction method, computer program product, and vehicle control system | |
CN110446106B (zh) | 一种前置摄像头文件的识别方法、电子设备及存储介质 | |
US11544899B2 (en) | System and method for generating terrain maps | |
CN111077893B (zh) | 一种基于多灭点的导航方法、电子设备和存储介质 | |
CN116724315A (zh) | 确定神经网络的编码器架构的方法 | |
CN115482679B (zh) | 一种自动驾驶盲区预警方法、装置和消息服务器 |
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 |