CN112556701A - 用于定位交通工具的方法、装置、设备和存储介质 - Google Patents

Abstract

根据本公开的示例实施例，提供了用于定位交通工具的方法、装置、设备、计算机可读存储介质和计算机程序产品，可用于自动驾驶领域。在此描述的方法包括：通过交通工具的第一传感器确定交通工具的定位和交通工具的周围物体集合的图像数据；基于与多个定位标志有关的定位标志数据，从多个定位标志中确定与交通工具的定位相关联的至少一个定位标志，定位标志具有关联的外观特征和位置信息；以及基于图像数据、至少一个定位标志的外观特征和位置信息，来修正交通工具的定位的精度。本公开的实施例能够实现基于定位标志的准确定位，提高定位的精度。

Description

用于定位交通工具的方法、装置、设备和存储介质

技术领域

本公开的实施例主要涉及自动驾驶领域，并且更具体地，涉及用于定位交通工具的收集方法、装置、设备、计算机可读存储介质和计算机程序产品。

背景技术

随着汽车电子技术的快速发展，车辆变得越来越智能化。智能车辆是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合***，其使用了计算机、现代传感、信息融合、移动通信、人工智能及自动控制等技术。自动驾驶根据自动化水平高低可以分为以下几个阶段：辅助驾驶、部分自动驾驶、高度自动驾驶以及完全自动驾驶。无论在何种水平或等级的自动驾驶中，都需要交通工具的精确定位。

发明内容

在本公开的第一方面中，提供了一种用于定位交通工具的方法。该方法包括通过交通工具的第一传感器确定交通工具的定位和交通工具的周围物体集合的图像数据；基于与多个定位标志有关的定位标志数据，从多个定位标志中确定与交通工具的定位相关联的至少一个定位标志，定位标志具有关联的外观特征和位置信息；以及基于图像数据、至少一个定位标志的外观特征和位置信息，来修正交通工具的定位的精度。

在本公开的第二方面中，提供了一种用于定位交通工具的装置。该装置包括第一数据收集模块，被配置为通过交通工具的第一传感器确定交通工具的定位和交通工具的周围物体集合的图像数据；第一标志确定模块，被配置为基于与多个定位标志有关的定位标志数据，从多个定位标志中确定与交通工具的定位相关联的至少一个定位标志，定位标志具有关联的外观特征和位置信息；以及第一定位修正模块，被配置为基于图像数据、至少一个定位标志的外观特征和位置信息，来修正交通工具的定位的精度。

在本公开的第三方面中，提供了一种电子设备，包括一个或多个处理器；以及存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现根据本公开的第一方面的方法。

在本公开的第四方面中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。

在本公开的第五方面中，提供了一种计算机程序产品，包括计算机程序指令，该计算机程序指令被处理器实现根据本公开的第一方面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素，其中：

图1示出了本公开的多个实施例能够在其中实现的示例环境的示意图；

图2示出了根据本公开的一些实施例的用于定位交通工具的过程的流程图；

图3示出了根据本公开的一些实施例的修正交通工具的定位的精度的过程的流程图；

图4示出了根据本公开的一些实施例的用于定位交通工具的装置的示意性框图；以及

图5示出了能够实施本公开的多个实施例的计算设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

如上文所简述的，需要确定交通工具的精确定位。在传统方案中，存下以下几种解决方案：

(1)直接利用交通工具上的GPS确定定位。这种方案的主要问题在于，受硬件的成本限制，价格低廉的定位设备的定位精度较差。

(2)利用车载设备采集的图片与GPS数据的对应关系进行定位。这类方法对有高区别度的街景图片有较高识别，但需要人工标注，人工标注成本高且标注水平参差不齐。

(3)利用激光雷达的点云建立高精地图，通过高精地图与GPS联动进行定位。然而这种方法成本较高。

(4)RTS定位，该方案包括建设基站、建设数据中心、连接基站和数据中心的网络，移动站点。基站、移动站点均接收卫星定位信号。基站实时计算卫星信息，与数据中心通信，移动站点从数据中心接收多个基站的实时定位信息，并经过算法处理得到交通工具当前准确的位置。此类方法通常需要基站建设，因此成本比较高。

为了满足大规模应用和成本控制的需求，本公开的各实施例提出了一种用于定位交通工具的方案。根据在此描述的方案，首先通过交通工具的低精度传感器获取交通工具的定位和交通工具周围的图像。然后通过该定位确定相关联的定位标志，定位标志具有外观特征和位置信息。最后通过匹配图像和外观特征，来修正交通工具的定位的精度。根据在此提出的用于定位交通工具的方案，利用定位标志来修正交通工具的定位的精度。以此方式，可以利用低精度的传感器和标志数据来确定交通工具的精准定位。

以下将参照附图来具体描述本公开的若干示例实施例。在本公开中，术语“定位”是指交通工具在特定坐标系中的经度、纬度、俯仰角、航向角和旋转角等。术语“姿态”是指交通工具在特定坐标系中的姿势。例如，在二维坐标系和三维坐标系中，交通工具的姿态可以利用航向角来表示。在三维坐标系中，交通工具的姿态还可以利用俯仰角、航向角和旋转角来表示。在下文中，将以“姿态”为航向角为例来讨论本公开的实施例。然而应当理解，这仅仅出于示例的目的，而无意于限制本公开的范围。

图1示出了本公开的多个实施例能够在其中实现的示例环境100的示意图。图1可以包括测绘车辆150、交通工具110、第一传感器115、第二传感器155、定位标志120-1和120-2、定位标志数据165和计算设备130。

如图1所示，配备有第二传感器155的测绘车辆150正行驶在区域105中。在该区域105中布置有多个定位标志，例如定位标志120-1和120-2。可以理解的是，虽然图1中经示出了两个定位标志，但定位标志的数目可以是任意数目，本公开对此不作限制。测绘车辆150用与于绘制与定位标志120-1和120-2相关联的高精度地图，测绘车辆150仅仅是示例性的，其可以是用于绘制地图的其他类型的移动装置，而不限于车辆，本公开在此不做限制。

第二传感器155为高精度传感器，即，精度超过阈值的传感器。在某些实施例中，第二传感器155可以包括图像传感器和位置传感器。图像传感器用于捕获测绘车辆150周围物理环境的图像信息。位置传感器用于确定测绘车辆150的位姿，即位置和姿态。

图像传感器可以是固定或安装在测绘车辆150上的图像捕获装置，计算设备130可以经由图像捕获装置来捕获周围环境的图像数据。特别地，图像传感器可被配置为捕获与定位标志120-1和120-2相关联的图像数据。在一些实施例中，图像传感器可以为具有一个或多个广角或者超广角的摄像头，这些摄像头能够捕获周围环境360度内的场景。备选地，图像传感器也可以采用可旋转的结构，以便可旋转地检测测绘车辆150外部多个方向的实时场景。

测绘车辆150上的位置传感器能够根据各种数据来确定测绘车辆150的定位，定位包括测绘车辆150的位置和姿态中的至少一项。在一些实施例中，定位包括位置和姿态二者。在一些实施例中，定位可以仅包括位置。

在一些实施例中，位置传感器可以利用各种定位信号如单独利用全球卫星导航***(GNSS)，或是结合GNSS和实时差分定位技术(RTK)这两种定位信号，或是结合GNSS与惯性导航***(INS)等方法来确定定位。在一个示例中，精准导航设备为SPAN-CPT导航设备，由于SPAN-CPT导航设备获得厘米级的定位精度，所以提高了测绘车辆150的定位的准确性。位置传感器也可以利用GPS来确定定位，本公开在此不作限制。

计算设备130可以利用测绘车辆150上的第二传感器155确定测绘车辆150周围物体的图像特征。然后利用该特征确定周围物体与第二传感器155(或测绘车辆150)的相对位置。从而通过测绘车辆150的定位和相对位置来确定周围物体的定位。最后将与周围物体相关联的定位和图像特征相关联地存储以供后续使用。

在一些实施例中，计算设备130可以从图像传感器拍摄的图像数据提取例如定位标志120-1和120-2的图像特征。这例如可以通过SIFT算法或者其他任何适当的算法来实现。然后，计算设备130可以根据所提取的图像特征对周围物体(例如定位标志120-1和120-2)进行三维建模。这例如可以通过SFM算法，利用测绘车辆150在不同位置的所获取的图像特征来确定周围物体的三维模型。在一个备选实施例中，计算设备130还可以使用MVS算法或者其他任何适当的算法对图像特征进行三维建模。计算设备130根据上述构建的三维模型来计算例如定位标志120-1和120-2和第二传感器155(或测绘车辆150)的相对位置。接着，计算设备130利用当前测绘车辆150的GPS信息，计算定位标志120-1和120-2在世界坐标系下的坐标。最后将定位标志120-1和120-2的图像特征和世界坐标系下的坐标上相关联地存储作为定位标志数据165。附加地或者备选地，还可以使测绘车辆150多次扫描道路(例如区域105)，以构建整体道路的定位标志数据165。

在一些实施例中，该图像传感器可以为相机，该相机具有内参和外参。计算设备130可以通过相机的内外参确定投影变换方程，从而将图像(或局部)坐标系下的定位标志的定位转换为世界坐标系下的定位标志的定位。

在本文中，指尺度不变特征转换(SIFT)是是指一种机器视觉的算法，该算法用于侦测与描述影像中的局部性特征，并且在空间尺度中寻找极值点，来提取出其位置、尺度、旋转不变数。SFM算法是一种三维重建的方法，用于从运动中实现3D重建。即从时间系列的2D图像中推算3D信息。MVS算法是指生成密集点云的方法，该方法是上述SFM三维重建算法中的一种具体实现。上述算法仅仅是示例性的，还可以利用其它算法进行图像特征的提取和定位标志的三维重建，本公开在此不做限制。

现在针对交通工具110进行描述。由于成本限制原因，交通工具110配备有精度低于第二传感器155的第一传感器115，也即第一传感器115的精度小于阈值。当交通工具110同样通过该区域105时，计算设备130无法利用第一传感器115准确地确定交通工具110的定位。定位的不准确会对自动驾驶或者用户手动驾驶造成困惑。此时，计算设备130可以利用上述存储的定位标志数据165和第一传感器115采集的数据来修正第一传感器115(低精度传感器)确定的定位，来提升定位的精度。

在一些实施例中，计算设备130可以预先使用第二传感器155(高精度传感器)采集多个定位标志的图像和测绘车辆150的定位数据。然后确定多个定位标志的定位信息，以建立定位标志的特征和定位信息的映射关系保存为特征地图。接着计算设备130获取第二传感器115(低精度传感器)获取的低精度定位和图像数据。计算设备130利用上述获取的低精度定位和图像数据在特征地图中匹配相关联的定位标志的定位信息。最后通过该定位信息来确定交通工具110的精确定位。详细过程将在下文结合图2至图3进行详细描述。

在本文中，特征地图是指利用有关的几何特征(如点、直线、面)表示交通工具的周围环境。特征地图一般通过如GPS、UWB定位工具以及摄像头配合，利用稀疏方式的基于视觉的同步定位与地图构建(VSLAM)而被创建。该特征地图对存储空间要求低，并且在后续图像的匹配、关联过程中对运算量要求较低。特征地图易于被预先计算并且存储在服务器中以供计算设备后续使用。

在一些实施例中，交通工具110可以是配备一定自动驾驶能力的交通工具110，其中自动驾驶能力可以包括但不限于辅助驾驶能力、半自动驾驶能力、高度自动驾驶能力或者完全自动驾驶能力。此外，术语“交通工具”在下文中有时以行驶中的车辆作为交通工具的示例。应当理解，本公开的实施例也可以被类似地应用于其他对象，诸如飞行器等。

应当理解，图1中示出的环境100仅是示例性的，还可以使用多个计算设备来定位交通工具110。计算设备130可以是任何具有计算能力的设备。作为非限制性示例，计算设备130可以是任意类型的固定计算设备、移动计算设备或便携式计算设备，包括但不限于台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、多媒体计算机、移动电话等；计算设备130的全部组件或一部分组件可以分布在云端。

为了便于清楚说明，以下将参考图1的环境100来描述本公开的实施例。应当理解，本公开的实施例还可以包括未示出的附加动作和/或可以省略所示出的动作。本公开的范围在此方面不受限制。为了便于理解，在下文描述中提及的具体数据均是示例性的，并不用于限定本公开的保护范围。

为了更清楚地理解本公开的实施例所提供的用于自动驾驶的仿真方案，将参照图2来进一步描述本公开的实施例。图2示出了根据本公开的实施例的用于定位交通工具的过程200的流程图。过程200可以由图1的计算设备130实现。为便于讨论，将结合图1来描述过程200。

在框210，计算设备130通过交通工具110的第一传感器115确定交通工具110的定位和交通工具110的周围物体集合的图像数据。例如，计算设备130可以利用第一传感器115中包括的图像传感器来获取交通工具110正在通过的区域105的图像。所获取的区域105的图像包括交通工具110的周围物体集合的图像数据，例如多个定位标志120-1和120-2的图像数据。计算设备还可以利用第一传感器115中包括的位置传感器来确定交通工具110的定位，例如交通工具110的经度、纬度、高度、姿态等。

定位标志可以具有一定三维体积(例如，长宽高总和>1.5米)、和/或由易于识别的材质制成(例如，具有易于识别的反射率、颜色等)、和/或在其上具有易于识别的纹理(例如，图案、数字等)。在图1所示的示例中，定位标志120-1为道路边的树木，其与周围道路景色区别度很高(例如绿色的树叶从周围景色突出)，因此易于被交通工具110的图像传感器识别。

在一些实施例中，定位标志可以是区域105中已有的交通基础设施(例如交通标志牌120-2)。该定位标志包括但不限于：电器柜、交通标志、红绿灯、墙壁凸起凹陷、壁画/广告牌、站台、座椅等。

在一些实施例中，定位标志也可以是根据在区域105中的定位精度需求而另外布置的。

备选地，在一些实施例中，定位标志距车道路面的安装高度通常不超过3米且不低于1米。定位标志位也可以安装在区域105的顶部，只要该定位标志可以被交通工具110的第一传感器115识别即可。

交通工具110可以是可以承载人和/或物并且通过发动机等动力***移动的任何类型的车辆，包括但不限于轿车、卡车、巴士、电动车、摩托车、房车、火车等等。本公开在此不做限制。

计算设备130可以对通过第一传感器115获取的定位和图像数据进行进一步处理，将在下文进行阐述。

在框220，计算设备130基于与多个定位标志有关的定位标志数据165，从多个定位标志中确定与交通工具110的定位相关联的至少一个定位标志，定位标志具有关联的外观特征和位置信息。例如，计算设备130可以从数据库中获取在上述图1中确定的定位标志数据165，通过在210获取的数据与定位标志数据165的匹配，来确定相关联的定位标志。

在一些实施例中，计算设备130可以基于在210中获取的交通工具110的定位和多个定位标志的位置信息，从多个定位标志中确定距定位在预定距离内的至少一个定位标志。计算设备130以在210中确定的交通工具的经度和纬度为圆心，以例如10米为半径确定一个圆。然后将定位标志数据165中的坐标落在该圆中的定位标志作为至少一个定位标志。例如，当交通工具110行驶到区域105时，计算设备130通过第一传感器115获取交通工具110的低精度定位，然后通过该定位获取在该区域105中的定位标志120-1和120-2作为与定位相关联的至少一个定位标志。

上述数字仅仅是示例性的。例如，在定位标志较为稀疏的区域可以将预定距离设置为较高(例如50米)，以防止无法确定相关联的定位标志。并且在定位标志较为稠密的区域，可以该预定距离设置为较低(例如5米)，以使后续计算的交通工具110的定位更加精确。同样，也可以根据不同的场景选择不同的预定距离，本公开在此不做限制。

备选地，在一些实施例中，图1所确定的定位标志数据165可以按区域进行存储。当计算设备130检测到交通工具110行驶到区域105中时，计算设备130可以将该区域105中的所有的定位标志作为相关联的至少一个定位标志。

在框230，计算设备130基于图像数据、至少一个定位标志的外观特征和位置信息，来修正交通工具110的定位的精度。例如，计算设备130可以对在210处获取的图像数据和与在220中确定的至少一个定位标志相关联的特征进行匹配，以确定相匹配的定位标志，然后通过该定位标志来修正交通工具110的定位的精度。

将结合图3来详细描述该过程，图3示出了修正交通工具的定位的精度的过程的流程图。

在框310，计算设备130基于图像数据，从至少一个定位标志中确定按照外观特征与周围物体集合中的至少一个周围物体匹配的目标定位标志。

在一个示例中，计算设备130从在210处获取的图像数据提取从周围环境突出的周围物体的特征。这例如可以通过SIFT算法或者其他合适的算法来提取特征。例如，区域105中的交通工具110周围的至少一个周围物体(定位标志120-1)，即树木的黑色从周围环境突出。则计算设备130可以识别该突出，并且提取定位标志120-1的特征点集合。然后，计算设备130可以将该特征点集合与220处确定的至少一个定位标志120-1和120-2的图像特征匹配，以确定与该周围物体相匹配的定位标志为该树木，即定位标志120-1。

在一些实施例中，计算设备130可以使用faiss算法在定位标志数据165中搜索与第一传感器115获取的低精度图像特征相似视角的高精度图像特征。然后计算设备130匹配低精图像特征和高精图像特征，以在定位标志数据165确定与该周围物体相匹配的目标定位标志。

在一些实施例中，计算设备130可以计算周围物体的特征点集合和上述确定的相关联的至少一个定位标志的图像特征之间的欧式距离。如果计算设备130确定该欧氏距离小于阈值，则可以确定与周围物体相匹配的目标定位标志。

备选地，在一些实施例中，计算设备130可以使用深度学习来检测诸如电线杆、交通标识、红绿灯等道路两旁的周围物体，并且提取物体的特征，然后结合基于单峰高斯算法，从定位标志数据165中确定与该周围物体相匹配的目标定位标志。

上述示例仅仅是示意性的，还可以应用已有的或者将来开发的其他算法来确定与周围物体相匹配的定位标志，本公开在此不做限制。

在框320，计算设备130确定至少一个周围物体与交通工具110的相对位置。例如，在计算设备130确定了与该至少一个周围物体相匹配的目标定位标志之后，计算设备130进一步需要确定该周围物体与交通工具110的相对位置。

在一些实施例中，计算设备130基于图像数据，确定至少一个周围物体在包括至少一个周围物体的图像帧中的特征点。然后计算设备130基于特征点和定位来确定相对位置。

例如，交通工具110在行驶经过区域105时在不同位置对周围物体(例如，定位标志120-1)拍摄了多张图片。计算设备130在该多张图片中提取同一物体(例如，定位标志120-1)的特征。然后利用该不同位置的特征对物体进行三维建模。最后计算设备130通过上述构建的三维模型来计算该周围物体(定位标志120-1)和交通工具110的相对位置。可以利用上述的各种算法或者其他合适的方法来进行图像特征提取和三维建模，在此不再赘述。

上述确定相对位置的方法仅仅是示例性的，还可以利用其他合适的方法来确定周围物体与交通工具的相对位置。

在框330，计算设备130基于相对位置和目标定位标志的位置信息，修正定位的精度。例如，计算设备130可以在定位标志数据中获取在310处确定的相匹配的定位标志120-1的高精度位置信息，以作为该至少一个周围物体的位置信息。然后计算设备130通过在320中获取的该周围物体(定位标志120-1)和交通工具110的相对位置，来确定交通工具110的高精确定位，从而修正在210处通过第一传感器115(即低精度传感器)获取的低精度定位。

在一些实施例中，计算设备130可以通过第一传感器115确定交通工具110的姿态。然后计算设备130可以基于相对位置和目标定位标志的位置信息，来修正交通工具110的姿态的精度。修正姿态和修正定位的方法类似，其中详细过程可以参照上述步骤，本公开在此不再赘述。

备选地，在一些实施例中，当计算设备130确定交通工具110与定位标志120-1或者定位标志120-2的距离小于阈值(例如1米)，即交通工具110正好在树木和交通标志牌下方的情况。计算设备130可以直接将定位标志数据165中的定位标志120-1或者定位标志120-2的位置信息作为交通工具110的定位。上述方法在对精度要求不高的场景中，可以节约计算资源(例如用于特征提取和三维建模)，从而更高效地修正定位。

通过本公开的各实施例，可以利用少量高精设备采集的定位标志数据，和交通工具的低精设备确定的交通工具和定位标标志之间的相对位置，来修正交通工具的定位和姿态的精度。该方案允许通过成本低廉的设备来有效地提升交通工具的定位的精度，可以大规模地应用于各种自动驾驶场景。

图4示出了根据本公开的一些实施例的用于定位交通工具的装置400的示意性框图。装置400可以被包括在图1的交通工具110和/或测绘车辆150上。如图4所示，装置400包括第一数据收集模块410，被配置为通过交通工具的第一传感器确定交通工具的定位和交通工具的周围物体集合的图像数据；第一标志确定模块420，被配置为基于与多个定位标志有关的定位标志数据，从多个定位标志中确定与交通工具的定位相关联的至少一个定位标志，定位标志具有关联的外观特征和位置信息；以及第一定位修正模块430，被配置为基于图像数据、至少一个定位标志的外观特征和位置信息，来修正交通工具的定位的精度。

在一些实施例中，第一定位修正模块430可以包括：标志匹配模块，基于图像数据，从至少一个定位标志中确定按照外观特征与周围物体集合中的至少一个周围物体匹配的目标定位标志；第一相对位置确定模块，被配置为确定至少一个周围物体与交通工具的相对位置；以及第二定位修正模块，被配置为基于相对位置和目标定位标志的位置信息，修正定位的精度。

在一些实施例中，相对位置确定模块可以包括：特征点确定模块，被配置为基于图像数据，确定至少一个周围物体在包括至少一个周围物体的图像帧中的特征点；以及第二相对位置确定模块，被配置为基于特征点和定位，确定相对位置。

在一些实施例中，第一标志确定模块420可以包括第二标志确定模块，被配置为基于定位和多个定位标志的位置信息，从多个定位标志中确定距定位在预定距离内的至少一个定位标志。

在一些实施例中，其中与多个定位标志有关的定位标志数据通过第二传感器而被预先确定，第二传感器的精度大于第一传感器的精度。

在一些实施例中，装置400还可以包括：姿态确定模块，被配置为通过第一传感器确定交通工具的姿态；以及第二定位修正模块，被配置为基于相对位置和目标定位标志的位置信息，来修正交通工具的姿态的精度。

图5示出了可以用来实施本公开的实施例的示例设备500的示意性框图。设备500可以用于实现图1的计算设备130或交通工具110、测绘车辆150上的车载设备。如图所示，设备500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的计算机程序指令或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序指令，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理单元501执行上文所描述的各个方法和处理，例如过程200和300中的任一项。例如，在一些实施例中，过程200和300中的任一项可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由CPU 501执行时，可以执行上文描述的过程200和300中的任一项的一个或多个步骤。备选地，在其他实施例中，CPU 501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行过程200和300中的任一项。

本公开可以是方法、设备、***和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所公开的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文公开的各实施例。

Claims (11)

1.一种用于定位交通工具的方法，包括：

通过交通工具的第一传感器确定所述交通工具的定位和所述交通工具的周围物体集合的图像数据；

基于与多个定位标志有关的定位标志数据，从多个定位标志中确定与所述交通工具的所述定位相关联的至少一个定位标志，定位标志具有关联的外观特征和位置信息；以及

基于所述图像数据、所述至少一个定位标志的所述外观特征和位置信息，来修正所述交通工具的所述定位的精度。

2.根据权利要求1所述的方法，其中修正所述交通工具的所述定位的精度包括：

基于所述图像数据，从所述至少一个定位标志中确定按照所述外观特征与所述周围物体集合中的至少一个周围物体匹配的目标定位标志；

确定所述至少一个周围物体与所述交通工具的相对位置；以及

基于所述相对位置和所述目标定位标志的所述位置信息，修正所述定位的精度。

3.根据权利要求2所述的方法，其中确定所述相对位置包括：

基于所述图像数据，确定所述至少一个周围物体在包括所述至少一个周围物体的图像帧中的特征点；以及

基于所述特征点和所述定位，确定所述相对位置。

4.根据权利要求1所述的方法，其中确定与所述交通工具的所述定位相关联的至少一个定位标志包括：

基于所述定位和所述多个定位标志的位置信息，从所述多个定位标志中确定距所述定位在预定距离内的所述至少一个定位标志。

5.根据权利要求1所述的方法，其中与所述多个定位标志有关的所述定位标志数据通过第二传感器而被预先确定，所述第二传感器的精度大于所述第一传感器的精度。

6.根据权利要求2所述的方法，还包括：

通过所述第一传感器确定所述交通工具的姿态；以及

基于所述相对位置和所述目标定位标志的所述位置信息，来修正所述交通工具的所述姿态的精度。

7.一种用于定位交通工具的装置，包括：

第一数据收集模块，被配置为通过交通工具的第一传感器确定所述交通工具的定位和所述交通工具的周围物体集合的图像数据；

第一标志确定模块，被配置为基于与多个定位标志有关的定位标志数据，从多个定位标志中确定与所述交通工具的所述定位相关联的至少一个定位标志，定位标志具有关联的外观特征和位置信息；以及

第一定位修正模块，被配置为基于所述图像数据、所述至少一个定位标志的所述外观特征和位置信息，来修正所述交通工具的所述定位的精度。

8.一种电子设备，所述设备包括：

一个或多个处理器；以及

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一项所述的方法。

9.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1-6中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1-6中任一项所述的方法。

11.一种计算机程序产品，包括计算机程序指令，其特征在于，所述计算机程序指令被处理器实现如权利要求1至6中任一项所述的方法。

Images