CN112810625B - 一种轨迹修正的方法及装置 - Google Patents

Abstract

本说明书公开了一种轨迹修正的方法及装置，无人驾驶设备可以获取自身的行驶轨迹以及当前时刻采集到的点云数据，而后，无人驾驶设备可以根据该行驶轨迹，预测无人驾驶设备当前时刻对应的位置，作为待修正位置，以及根据采集到的点云数据，确定该无人驾驶设备当前时刻对应的数据校正参数，无人驾驶设备可以根据该数据校正参数，对该待修正位置进行修正，得到修正后位置。最后，无人驾驶设备可以根据该修正后位置，对行驶轨迹进行修正，以得到该无人驾驶设备的实际行驶轨迹，从而有效地保证了无人驾驶设备定位的准确性。

Description

一种轨迹修正的方法及装置

技术领域

本说明书涉及无人驾驶技术领域，尤其涉及一种轨迹修正的方法及装置。

背景技术

随着计算机技术的不断发展，无人驾驶技术已经应用到诸如无人配送、智能家居等各个领域，从而给人们的日常生活带来极大的便利。

目前，实现对无人驾驶设备的准确定位一直是整个无人驾驶技术中的一个重要环节，其中，无人驾驶设备在进行定位时，可以通过设置的激光雷达，采集到相应的点云数据，并通过将采集到的点云数据与预设的点云地图进行匹配，确定出无人驾驶设备当前所处的位置。

然而在实际应用中，若是出现诸如施工、修路等情况，往往会导致无人驾驶设备所处位置的周围环境发生一些变换，这就导致了无人驾驶设备采集到的点云数据无法与预设的点云地图进行有效地匹配，进而导致无人驾驶设备无法对自身进行定位或是定位准确度较低的情况出现。

所以，如何能够实现无人驾驶设备的准确定位，则是一个亟待解决的问题。

发明内容

本说明书提供一种轨迹修正的方法及装置，以部分地解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种轨迹修正的方法，包括：

获取无人驾驶设备的行驶轨迹以及当前时刻采集到的点云数据；

根据所述行驶轨迹，预测所述无人驾驶设备当前时刻对应的位置，作为待修正位置，以及根据所述点云数据，确定所述无人驾驶设备当前时刻对应的数据校正参数，所述数据校正参数用于表征基于所述点云数据所观测出的所述无人驾驶设备在当前时刻所处的位置，与所述待修正位置之间的重要程度；

根据所述数据校正参数，对所述待修正位置进行修正，得到修正后位置；

根据所述修正后位置，对所述行驶轨迹进行修正，以得到所述无人驾驶设备的实际行驶轨迹。

可选地，基于所述点云数据观测出所述无人驾驶设备在当前时刻所处的位置，具体包括：

根据所述点云数据，确定所述无人驾驶设备当前所处环境的环境特征，所述环境特征包括：所述无人驾驶设备当前时刻所处位置的路面特征，以及所述无人驾驶设备当前时刻所处位置周围的目标物的目标物特征；

根据所述环境特征，观测出所述无人驾驶设备在当前时刻所处的位置。

可选地，基于所述点云数据观测出所述无人驾驶设备在当前时刻所处的位置，具体包括：

根据所述点云数据，构建所述无人驾驶设备在当前时刻所处位置对应的局部点云地图；

根据所述局部点云地图，观测出所述无人驾驶设备在当前时刻所处的位置。

可选地，基于所述点云数据观测出所述无人驾驶设备在当前时刻所处的位置，具体包括：

获取预设的原始全局点云地图；

根据所述原始全局点云地图以及所述点云数据，观测出所述无人驾驶设备在当前时刻所处的位置。

可选地，基于所述点云数据观测出所述无人驾驶设备在当前时刻所处的位置，具体包括：

获取所述无人驾驶设备在当前时刻采集到的参照传感数据；

若确定所述点云数据不满足预设条件，根据所述参照传感数据，观测出所述无人驾驶设备在当前时刻所处的位置。

可选地，所述参照传感数据包括：实时动态定位RTK数据。

可选地，根据所述点云数据，确定所述无人驾驶设备当前时刻对应的数据校正参数，具体包括：

确定状态观测矩阵，以及确定预估协方差矩阵，所述预估协方差矩阵用于表征所述无人驾驶设备在当前时刻实际所处的位置，与所述待修正位置之间的偏差；

根据所述状态观测矩阵以及所述预估协方差矩阵，确定所述无人驾驶设备当前时刻对应的数据校正参数。

可选地，所述方法还包括：

根据所述修正后位置，对所述点云数据中的每个点云点进行修正，得到修正后点云数据；

根据所述修正后点云数据，确定所述无人驾驶设备所处位置对应的修正后局部点云地图；

根据所述修正后局部点云地图，对预设的原始全局点云地图进行更新，得到更新后的全局点云地图。

可选地，所述方法还包括：

将所述更新后的全局点云地图发送给服务器，以使所述服务器根据所述述更新后的全局点云地图以及所述原始全局点云地图，确定所述原始全局点云地图中的变化区域，标注出所述变化区域，得到标注后全局点云地图，并将所述标注后全局点云地图发送给其他无人驾驶设备进行路径规划。

本说明书提供了一种轨迹修正的装置，包括：

获取模块，用于获取无人驾驶设备的行驶轨迹以及当前时刻采集到的点云数据；

参数确定模块，用于根据所述行驶轨迹，预测所述无人驾驶设备当前时刻对应的位置，作为待修正位置，以及根据所述点云数据，确定所述无人驾驶设备当前时刻对应的数据校正参数，所述数据校正参数用于表征基于所述点云数据所观测出的所述无人驾驶设备在当前时刻所处的位置，与所述待修正位置之间的重要程度；

位置修正模块，用于根据所述数据校正参数，对所述待修正位置进行修正，得到修正后位置；

轨迹修正模块，用于根据所述修正后位置，对所述行驶轨迹进行修正，以得到所述无人驾驶设备的实际行驶轨迹。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述轨迹修正的方法。

本说明书提供了一种无人驾驶设备，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，所述处理器执行所述程序时实现上述轨迹修正的方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的轨迹修正的方法及装置中，无人驾驶设备可以获取自身的行驶轨迹以及当前时刻采集到的点云数据，而后，无人驾驶设备可以根据该行驶轨迹，预测无人驾驶设备当前时刻对应的位置，作为待修正位置，以及根据采集到的点云数据，确定该无人驾驶设备当前时刻对应的数据校正参数，无人驾驶设备可以根据该数据校正参数，对该待修正位置进行修正，得到修正后位置，最后，无人驾驶设备可以根据该修正后位置，对行驶轨迹进行修正，以得到该无人驾驶设备的实际行驶轨迹。

从上述方法中可以看出，由于无人驾驶设备在采集到点云数据后，可以确定出无人驾驶设备在当前时刻对应的数据校正参数，并通过该数据校正参数，对确定出的待修正位置进行修正，得到的修正后位置，进而通过该修正后位置，对行驶轨迹进行修正，相比于现有技术，能够对无人驾驶设备进行准确定位，进而保证无人驾驶设备的安全行驶。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书中一种轨迹修正的方法的流程示意图；

图2为本说明书提供的一种变化区域的示意图；

图3为本说明书提供的一种轨迹修正的装置的示意图；

图4为本说明书提供的对应于图1的无人驾驶设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书中一种轨迹修正的方法的流程示意图，具体包括以下步骤：

S101：获取无人驾驶设备的行驶轨迹以及当前时刻采集到的点云数据。

在实际应用中，为了保证无人驾驶设备的行驶安全，在无人驾驶领域中对无人驾驶设备进行准确定位，以及确定无人驾驶设备准确的轨迹是即为重要的。因此，本说明书提供的轨迹修正的方法，目的即是在于使得无人驾驶设备能够对自己进行准确定位，保证自身的行驶安全。

基于此，无人驾驶设备可以获取自身的行驶轨迹以及当前时刻采集到的点云数据，其中，这里提到的行驶轨迹可以是无人驾驶设备基于除激光雷达以外的其他定位传感器所确定出的轨迹，例如，无人驾驶设备采集到的惯性测量单元（Inertial MeasurementUnit，IMU）的传感数据，来确定出该行驶轨迹；再例如，无人驾驶设备可以通过图像采集器（如相机）所采集到的图像数据，来确定出该行驶轨迹。

在本说明书中，无人驾驶设备可以是指诸如无人车、无人机器人等设备，相应的，应用本说明书提供的轨迹修正的方法的无人驾驶设备，可以用于执行配送领域的配送任务，如，使用无人驾驶设备进行快递、物流、外卖等配送的业务场景。

S102：根据所述行驶轨迹，预测所述无人驾驶设备当前时刻对应的位置，作为待修正位置，以及根据所述点云数据，确定所述无人驾驶设备当前时刻对应的数据校正参数，所述数据校正参数用于表征基于所述点云数据所观测出的所述无人驾驶设备在当前时刻所处的位置，与所述待修正位置之间的重要程度。

在本说明书中，无人驾驶设备获取到的上述行驶轨迹中可以包含有历史行驶轨迹，该行驶轨迹中能够表征出无人驾驶设备在各历史时刻的行驶状态，如位置、速度等。基于此，无人驾驶设备可以根据该行驶轨迹，预测出无人驾驶设备在当前时刻所处的位置，作为待修正位置。也就是说，无人驾驶设备可以基于过去的历史状态数据，来预估出当前时刻所处的位置。

之所以将上述预测出的无人驾驶设备在当前时刻所处的位置，称之为是待修正位置，是因为在实际应用中存在各种噪声，这些噪声在预测过程中可以称之为是预测过程噪声，而受到这些预测过程噪声的干扰，无人驾驶设备实际上并不能基于过去的历史数据来准确的确定出无人驾驶设备在当前时刻所处的位置。

而为了保证无人驾驶设备定位的准确性，则需要对上述预测出的待修正位置进行修正，以使得到修正后的位置能够尽可能接近无人驾驶设备在当前时刻所处的真实位置。基于此，在本说明书中，无人驾驶设备在采集到点云数据后，可以根据该点云数据，确定出无人驾驶设备在当前时刻所对应的数据校正参数。

具体的，无人驾驶设备在采集到上述点云数据后，确定出基于该点云数据所观测出的无人驾驶设备在当前时刻所处的位置。其中，由于点云数据是无人驾驶设备通过设置的激光雷达所采集到的，所以，基于该点云数据所确定出的无人驾驶设备在当前时刻所处的位置，可以理解成为无人驾驶设备通过传感器所观测出的位置数据。而上述待修正位置则是基于历史数据（即上述提到的行驶轨迹）所预测出的，这与基于点云数据所确定出的位置数据有着本质的不同。

进一步地，无人驾驶设备可以基于该点云数据所确定出的无人驾驶设备在当前时刻所处的位置，以及上述待修正位置，确定出无人驾驶设备在当前时刻所对应的数据校正参数。该数据校正参数用于表征基于该点云数据所观测出的无人驾驶设备在当前时刻所处的位置，与该待修正位置之间的重要程度。由于前者是基于点云数据观测得到的，所以，可以称之为是观测值，而待修正位置是预测得到的，所以可以称之为是预测值。因此，该数据校正参数也可以解释为观测值与预测值针对无人驾驶设备在当前时刻所处的真实位置（可以称之为是真实值）的重要程度。

也就是说，假设若是上述预测值相较于观测值，更接近于真实值，则可以通过该数据校正参数表征出预测值的重要程度更高，而若是观测值相较于预测值更为接近于真实值，则可以通过该数据校正参数表征出观测值的重要程度更高。

在本说明书中，无人驾驶设备基于点云数据观测出无人驾驶设备当前时刻所处的位置所采用的具体方式可以有多种。例如，无人驾驶设备在采集到上述点云数据后，可以从该点云数据中提取出当前时刻所处环境的环境特征。这里提到的环境特征可以包括无人驾驶设备当前时刻所处位置的路面特征，以及无人驾驶设备当前时刻所处位置周围的目标物的目标物特征。其中，往往需要以较为固定的静态物体作为参照，来对无人驾驶设备当前时刻所处的位置进行修正，所以，这里提到的目标物可以是指树干、电线杆等静态物体。

在本说明书中，可以对采集到的点云数据进行特征提取，并通过对提取出的特征分析，识别出上述目标物。例如，可以在点云数据中确定出若干扫面线，并通过扫面线在点云数据中各点云点处的曲率，提取出各点云点所对应的特征数据，进而通过主成分分析（principal components analysis，PCA），从所述点云数据中识别出诸如树干、电线杆等固定不动的静态目标物。再例如，无人驾驶设备可以针对该点云数据中的每个点云点，确定出该点云点对应的曲率以及平滑度，进而根据各点云点对应的曲率以及平滑度，从该点云数据中提取出无人驾驶设备当前时刻所处环境的路面特征。其中，这里提到的路面特征用于表征无人驾驶设备所处环境的路面的特点，具体可以通过诸如路面的俯仰角、高度等维度的数据来表示。

需要说明的是，在通过该点云数据，提取出上述环境特征之前，由于在无人驾驶设备运动过程中，点云数据可能会因为无人驾驶设备的运动而发生畸变，因此，需要对该点云数据进行预处理，具体无人驾驶设备可以通过诸如IMU数据、图像数据等其他类型的传感器所采集到的传感数据，对该点云数据进行运动补偿，再从补偿后的点云数据，确定出上述数据校正参数以及环境特征。

无人驾驶设备提取出上述环境特征后，可以与历史时刻采集的点云数据中所提取出的环境特征进行特征匹配，进而通过基于点云数据所确定出的无人驾驶设备相对于历史时刻所移动的距离，观测出无人驾驶设备在当前时刻所处的位置（即上述观测值）。

当然，无人驾驶设备还可以通过其他的方式来观测出当前时刻所处的位置。例如，在采集到上述点云数据后，无人驾驶设备可以基于该点云数据，构建出在当前时刻所处位置所对应的局部点云地图，该局部点云地图能够表示无人驾驶设备当前时刻所处位置的局部环境。而后，可以根据该局部点云地图，观测出无人驾驶设备当前时刻所处的位置。

再例如，无人驾驶设备可以获取原始全局点云地图，该原始全局点云地图可以理解成预先构建出的以点云形式呈现出的全局地图。而后，无人驾驶设备可以通过该原始全局点云地图，对上述采集到的点云数据进行匹配，以观测出无人驾驶设备在当前时刻所处的位置。

再例如，在实际应用中，无人驾驶设备所处的环境相较于以往可能会发生一些变化，如，当一段道路涉及修路、街边标识物发生变化等情况时，无人驾驶设备针对实际道路所采集到的点云数据，可能会与原始全局点云地图中相同位置的点云数据有较大的区别，致使无人驾驶设备无法根据获取到的全局点云地图以及采集到的点云数据，观测出当前时刻所处的位置。

对于这种情况来说，无人驾驶设备可以获取到当前时刻所采集到的参照传感数据，这里提到的参照传感数据可以是指除激光雷达方式以外的其他方式所采集到的传感数据，如，实时动态定位（Real Time Kinematic，RTK）、图像采集器（如相机）所采集到的图像数据等。

进一步地，若无人驾驶设备确定点云数据不满足预设条件，则可以根据采集到的参照传感数据，观测出无人驾驶设备当前时刻所处的位置。这里提到的预设条件可以包括多种形式，例如，若确定采集到的点云数据无法与全局点云地图的匹配，则可以确定该点云数据不满足预设条件；再例如，若确定采集到的点云数据包含的噪点点云点的数量超过设定阈值，则可以确定该点云数据不满足预设条件，其他形式在此就不详细举例说明了。

在确定上述数据校正参数的过程中，无人驾驶设备可以先确定状态观测矩阵，以及确定出预估协方差矩阵。其中，状态观测矩阵主要用于真实状态空间映射成无人驾驶设备所对应的观测空间。而预估协方差矩阵则是在上一时刻通过测量更新所得到的协方差矩阵的基础上预估出的。具体过程可以参考下列公式进行计算。

其中，

为上述提到的数据校正参数，

为当前时刻对应的预估协方差矩阵，用 于表征真实值与预测量之间的协方差，H为上述提到的状态观测矩阵，V为噪声。进一步地， 在确定出数据校正参数

，无人驾驶设备可以通过测量更新过程，确定出当前时刻对应的 协方差矩阵，具体可通过下面的公式来计算。

其中，

经过测量更新后的当前时刻的协方差矩阵，用于表征真实值与最优估计 值之间的协方差，I为单位矩阵。

由于数据校正参数

能表征在状态最优估计过程中，预测值与观测值之间的重要 程度（即，如果数据校正参数

趋近于0，说明预测值较为准确，则在状态估计时以预测值 为主，如果数据校正参数

趋近于1，说明观测值较为准确，则在状态估计时以观测值为 主），所以，无人驾驶设备可以在后续过程中，根据数据校正参数，对待修正位置进行修正， 以得到更为接近真实值（即无人驾驶设备在当前时刻所处的真实位置）的修正后位置，该修 正后位置可以理解为无人驾驶设备估计出的当前时刻所处位置的最优估计值。

需要说明的是，由于无人驾驶设备受环境变化影响，以及点云数据存在的噪声的影响，可能无法基于采集到的点云数据得到较为合理的观测值，但这并不影响数据校正参数所起到的位置修正作用，即，如果基于点云数据得到的观测值与真实值的偏离程度，相较于预测值与真实偏离程度较高，则在对待修正位置进行修正时，则更多的参考待修正位置这一预测值本身，而最终更新得到的当前时刻的协方差矩阵所表征出的真实值与最优估计值之间的偏差也不至于较大。进一步地，由于无人驾驶设备若确定出上述点云数据不满足预设条件，则无人驾驶设备还可以根据获取到的参照传感数据，确定出基于参照传感数据所确定出的数据校正参数，并以此来对无人驾驶设备所处的位置进行修正，以及对协方差矩阵进行更新。

也就是说，即使基于点云数据进行测量更新后得到的协方差矩阵所表征出的真实值与最优估计值之间的偏差较大，则无人驾驶设备依然可以基于参照传感数据所确定出的数据校正参数，通过测量更新过程实现对协方差矩阵的进一步更新，使之能够实现协方差矩阵所表征出的真实值与最优估计值之间的偏差有所降低，而随着测量更新过程的不断迭代，最终可以实现无人驾驶设备修正出的位置能够尽可能的接近无人驾驶设备所处的真实位置。

S103：根据所述数据校正参数，对所述待修正位置进行修正，得到修正后位置。

在确定出上述数据校正参数后，无人驾驶设备可以对待修正位置进行修正，这里所谓的修正并不是指最终得到的修正后位置即为无人驾驶设备当前时刻所处的真实位置，而是得到尽可能得到接近当前时刻所处的真实位置的最优估计值。

具体的，在本说明书中，无人驾驶设备可以根据数据校正参数、待修正位置（即上述提到的预测值）、基于点云数据所观测出的无人驾驶设备在当前时刻所处的位置（即上述提到的观测值）以及状态观测矩阵，对待修正位置进行修正，具体可以参考如下公式：

其中，

即表示待修正位置（即预测值），

用于表示基于点云数据所观测出的无 人驾驶设备在当前时刻所处的位置（即观测值），

即为得到的修正后位置，换句话说，可 以理解成估计出的无人驾驶设备当前时刻所处位置的最优估计值。

S104：根据所述修正后位置，对所述行驶轨迹进行修正，以得到所述无人驾驶设备的实际行驶轨迹。

无人驾驶设备根据修正参数，确定出修正后位置后，可以根据该修正后位置，对该行驶轨迹进行修正，从而得到无人驾驶设备的实际行驶轨迹。也就是说，该行驶轨迹中包含的当前时刻所对应的轨迹点可能会发生偏差，该修正后位置为无人驾驶设备确定出的较为准确的位置。因此，可以通过该修正后位置将该行驶轨迹中包含的当前时刻所对应的轨迹点进行修正，当然，该修正后位置也可以用于修正距当前时刻的时间较短的轨迹点。

在实际应用中，若是周围环境突然发生了改变，那么需要对原有的点云地图进行一定地调整。具体的，无人驾驶设备可以根据该修正后位置，对点云数据中的每个点云点进行修正，得到修正后点云数据。而后，无人驾驶设备可以根据该修正后点云数据，确定无人驾驶设备所处位置对应的修正后局部点云地图，以及根据该修正后局部点云地图，对预设的原始全局点云地图进行更新，得到更新后的全局点云地图。

当然，无人驾驶设备也可以将修正后局部点云地图发送给服务器，使服务器来对原始点云地图进行更新，得到更新后的全局点云地图。在这里不对更新原始点云地图的执行主体进行限定。

若是无人驾驶设备对原始点云地图进行更新，则无人驾驶设备可以将更新后的全局点云地图发送给服务器，以使服务器根据更新后的全局点云地图以及原始全局点云地图，确定原始全局点云地图中的变化区域，并标注出变化区域，得到标注后全局点云地图，如图2所示。

图2为本说明书提供的一种变化区域的示意图。

从图2中可以看出，灰色区域为标注出的变化区域，图中的变化区域为商场下方边缘以及A写字楼的上方边缘处，也就是说，在实际道路中，这两处地方可能由于施工、天气原因发生了一些变化，标注出这样的变化区域，能够使无人驾驶设备在经过这样的地方时调整自身的定位策略，或是使无人驾驶设备能够通过已经修正后全局点云地图对自身进行定位，在图2中所用于举例的地图为平面地图，在实际应用中，该地图为点云地图。

其中，可以通过确定原始全局点云地图与修正后局部点云地图之间的相似度，来确定原始全局点云地图中的那些区域发生了变化，从而确定出变化区域。在实际应用中，确定原始全局点云地图与修正后局部点云地图之间的相似度的方式可以有多种，例如，可以通过KL散度的方式，来计算该相似度，具体可以通过下面的公式进行计算。

其中，D为通过KL散度确定出的相似度，p用于表征原始全局点云地图，q用于表征修正后局部点云地图。

服务器可以将上述标注后全局点云地图发送给其他无人驾驶设备进行路径规划。需要说明的是，上述变化区域既可以标注在原始全局点云地图中，也可以标注在更新后的全局点云地图中。在实际应用中，服务器将原始全局点云地图中的变化区域进行标注，得到标注后全局点云地图后，可以将该标注后全局点云地图发送给其他无人驾驶设备，当其他无人驾驶设备行驶到该变化区域附近时，可以通过除了点云定位的其他方式对自身进行定位。

当然，服务器也可以将更新后的全局点云地图进行标注后直接发送给其他无人驾驶设备，其他无人驾驶设备可以直接通过该更新后的全局点云地图对自身进行定位以及进行路径规划。

从上述方法中可以看出，即使无人驾驶设备周围的环境相较于以往发生了变化，无人驾驶设备也可以通过确定出的数据校正参数，对存在一定误差的待修正位置进行修正，从而得到较为正确的定位，保证自身的行驶安全。并且，无人驾驶设备还可以通过修正后的定位，对可能存在误差的点云数据进行修正，以及可以在原始全局点云地图中确定出存在变化的变化区域，以此来提醒其他的无人驾驶设备进行准确的定位。或者，通过本方法将点云数据修正后，可以直接对原始全局点云地图进行调整，得到准确的点云地图，从而使得各无人驾驶设备能够按照准确的点云地图进行定位。

还需说明的是，在本说明书中，无人驾驶设备在确定待修正位置之前，也可以先基于获取到的行驶轨迹，确定出预测状态误差，所谓的预测状态误差是指无人驾驶设备在上一时刻所确定出的最优状态误差的基础上，所估计出的当前时刻无人驾驶设备真实状态与预测状态之间的偏差（这里提到的状态可以是指诸如位置、速度、加速度等数据）。而无人驾驶设备确定出上述数据校正参数后，可以通过测量更新过程中，对该预测状态误差进行修正，以得到修正后的状态误差（即可以理解成估计出的最优状态误差），进而通过修正后的状态误差，对待修正位置进行修正，得到修正后位置。基本原理与上述相似，在此就不详细赘述了。

以上为本说明书的一个或多个实施例提供的轨迹修正的方法，基于同样的思路，本说明书还提供了相应的轨迹修正的装置，如图3所示。

图3为本说明书提供的一种轨迹修正的装置的示意图，具体包括：

获取模块301，用于获取无人驾驶设备的行驶轨迹以及当前时刻采集到的点云数据；

参数确定模块302，用于根据所述行驶轨迹，预测所述无人驾驶设备当前时刻对应的位置，作为待修正位置，以及根据所述点云数据，确定所述无人驾驶设备当前时刻对应的数据校正参数，所述数据校正参数用于表征基于所述点云数据所观测出的所述无人驾驶设备在当前时刻所处的位置，与所述待修正位置之间的重要程度；

位置修正模块303，用于根据所述数据校正参数，对所述待修正位置进行修正，得到修正后位置；

轨迹修正模块304，用于根据所述修正后位置，对所述行驶轨迹进行修正，以得到所述无人驾驶设备的实际行驶轨迹。

可选地，所述参数确定模块302具体用于，根据所述点云数据，确定所述无人驾驶设备当前所处环境的环境特征，所述环境特征包括：所述无人驾驶设备当前时刻所处位置的路面特征，以及所述无人驾驶设备当前时刻所处位置周围的目标物的目标物特征；根据所述环境特征，观测出所述无人驾驶设备在当前时刻所处的位置。

可选地，所述参数确定模块302具体用于，根据所述点云数据，构建所述无人驾驶设备在当前时刻所处位置对应的局部点云地图；根据所述局部点云地图，观测出所述无人驾驶设备在当前时刻所处的位置。

可选地，所述参数确定模块302具体用于，获取预设的原始全局点云地图；根据所述原始全局点云地图以及所述点云数据，观测出所述无人驾驶设备在当前时刻所处的位置。

可选地，所述参数确定模块302具体用于，获取所述无人驾驶设备在当前时刻采集到的参照传感数据；若确定所述点云数据不满足预设条件，根据所述参照传感数据，观测出所述无人驾驶设备在当前时刻所处的位置。

可选地，所述参照传感数据包括：实时动态定位RTK数据。

可选地，所述参数确定模块302具体用于，确定状态观测矩阵，以及确定预估协方差矩阵，所述预估协方差矩阵用于表征所述无人驾驶设备在当前时刻实际所处的位置，与所述待修正位置之间的偏差；根据所述状态观测矩阵以及所述预估协方差矩阵，确定所述无人驾驶设备当前时刻对应的数据校正参数。

可选地，所述装置还包括：

地图更新模块305，用于根据所述修正后位置，对所述点云数据中的每个点云点进行修正，得到修正后点云数据；根据所述修正后点云数据，确定所述无人驾驶设备所处位置对应的修正后局部点云地图；根据所述修正后局部点云地图，对预设的原始全局点云地图进行更新，得到更新后的全局点云地图。

可选地，所述装置还包括：

发送模块306，用于将所述更新后的全局点云地图发送给服务器，以使所述服务器根据所述更新后的全局点云地图以及所述原始全局点云地图，确定所述原始全局点云地图中的变化区域，标注出所述变化区域，得到标注后全局点云地图，并将所述标注后全局点云地图发送给其他无人驾驶设备进行路径规划。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1所示的轨迹修正的方法。

本说明书还提供了图4所示的无人驾驶设备的示意结构图。如图4所述，在硬件层面，该无人驾驶设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的轨迹修正的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

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，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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，磁带磁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。

本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书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本说明书，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的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (11)

1.一种轨迹修正的方法，其特征在于，包括：

获取无人驾驶设备的行驶轨迹以及当前时刻采集到的点云数据；

根据所述行驶轨迹，预测所述无人驾驶设备当前时刻对应的位置，作为待修正位置，以及根据所述点云数据，确定所述无人驾驶设备当前时刻对应的数据校正参数，所述数据校正参数用于表征基于所述点云数据所观测出的所述无人驾驶设备在当前时刻所处的位置，与所述待修正位置之间的重要程度；

根据所述数据校正参数，对所述待修正位置进行修正，得到修正后位置；

根据所述修正后位置，对所述行驶轨迹进行修正，以得到所述无人驾驶设备的实际行驶轨迹；

根据所述修正后位置，对所述点云数据中的每个点云点进行修正，得到修正后点云数据，并根据所述修正后点云数据，确定所述无人驾驶设备所处位置对应的修正后局部点云地图，以及根据所述修正后局部点云地图，对预设的原始全局点云地图进行更新，得到更新后的全局点云地图。

2.如权利要求1所述的方法，其特征在于，基于所述点云数据观测出所述无人驾驶设备在当前时刻所处的位置，具体包括：

根据所述点云数据，确定所述无人驾驶设备当前所处环境的环境特征，所述环境特征包括：所述无人驾驶设备当前时刻所处位置的路面特征，以及所述无人驾驶设备当前时刻所处位置周围的目标物的目标物特征；

根据所述环境特征，观测出所述无人驾驶设备在当前时刻所处的位置。

3.如权利要求1所述的方法，其特征在于，基于所述点云数据观测出所述无人驾驶设备在当前时刻所处的位置，具体包括：

根据所述点云数据，构建所述无人驾驶设备在当前时刻所处位置对应的局部点云地图；

根据所述局部点云地图，观测出所述无人驾驶设备在当前时刻所处的位置。

4.如权利要求1所述的方法，其特征在于，基于所述点云数据观测出所述无人驾驶设备在当前时刻所处的位置，具体包括：

获取预设的原始全局点云地图；

根据所述原始全局点云地图以及所述点云数据，观测出所述无人驾驶设备在当前时刻所处的位置。

5.如权利要求1所述的方法，其特征在于，基于所述点云数据观测出所述无人驾驶设备在当前时刻所处的位置，具体包括：

获取所述无人驾驶设备在当前时刻采集到的参照传感数据；

若确定所述点云数据不满足预设条件，根据所述参照传感数据，观测出所述无人驾驶设备在当前时刻所处的位置。

6.如权利要求5所述的方法，其特征在于，所述参照传感数据包括：实时动态定位RTK数据。

7.如权利要求1或5所述的方法，其特征在于，根据所述点云数据，确定所述无人驾驶设备当前时刻对应的数据校正参数，具体包括：

确定状态观测矩阵，以及确定预估协方差矩阵，所述预估协方差矩阵用于表征所述无人驾驶设备在当前时刻实际所处的位置，与所述待修正位置之间的偏差；

根据所述状态观测矩阵以及所述预估协方差矩阵，确定所述无人驾驶设备当前时刻对应的数据校正参数。

8.如权利要求1所述的方法，其特征在于，所述方法还包括：

将所述更新后的全局点云地图发送给服务器，以使所述服务器根据所述更新后的全局点云地图以及所述原始全局点云地图，确定所述原始全局点云地图中的变化区域，标注出所述变化区域，得到标注后全局点云地图，并将所述标注后全局点云地图发送给其他无人驾驶设备进行路径规划。

9.一种轨迹修正的装置，其特征在于，包括：

获取模块，用于获取无人驾驶设备的行驶轨迹以及当前时刻采集到的点云数据；

参数确定模块，用于根据所述行驶轨迹，预测所述无人驾驶设备当前时刻对应的位置，作为待修正位置，以及根据所述点云数据，确定所述无人驾驶设备当前时刻对应的数据校正参数，所述数据校正参数用于表征基于所述点云数据所观测出的所述无人驾驶设备在当前时刻所处的位置，与所述待修正位置之间的重要程度；

位置修正模块，用于根据所述数据校正参数，对所述待修正位置进行修正，得到修正后位置；

轨迹修正模块，用于根据所述修正后位置，对所述行驶轨迹进行修正，以得到所述无人驾驶设备的实际行驶轨迹。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~8任一项所述的方法。

11.一种无人驾驶设备，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上述权利要求1~8任一项所述的方法。

Images