CN114111817A - 基于slam地图与高精度地图匹配的车辆定位方法及*** - Google Patents

基于slam地图与高精度地图匹配的车辆定位方法及*** Download PDF

Info

Publication number
CN114111817A
CN114111817A CN202111385621.2A CN202111385621A CN114111817A CN 114111817 A CN114111817 A CN 114111817A CN 202111385621 A CN202111385621 A CN 202111385621A CN 114111817 A CN114111817 A CN 114111817A
Authority
CN
China
Prior art keywords
map
vehicle
slam
slam map
precision
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.)
Granted
Application number
CN202111385621.2A
Other languages
English (en)
Other versions
CN114111817B (zh
Inventor
张鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Heading Data Intelligence Co Ltd
Original Assignee
Heading Data Intelligence Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Heading Data Intelligence Co Ltd filed Critical Heading Data Intelligence Co Ltd
Priority to CN202111385621.2A priority Critical patent/CN114111817B/zh
Publication of CN114111817A publication Critical patent/CN114111817A/zh
Application granted granted Critical
Publication of CN114111817B publication Critical patent/CN114111817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road 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
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Navigation (AREA)

Abstract

本发明提供一种基于SLAM地图与高精度地图匹配的车辆定位方法及***，通过实时构建视觉SLAM地图，并利用深度学习技术进行语义分割，提取场景内的要素信息，以SLAM地图要素组成的点集同高精度地图中的同类型地图要素点集进行配准，通过配准结果获取车辆在高精度地图中的定位。该方案具备以下优势：(1)不依赖于GNSS信号；(2)可输出全局定位信息；(3)不需要事先构建并保存SLAM地图，仅依赖高精度地图，而高精度地图通常是自动驾驶车辆所包含的，实用性更高；(4)相较于传统的“视觉特征点‑SLAM地图特征点”匹配方式，使用“SLAM地图要素‑高精度地图要素”的匹配方式，匹配要素更多，成功率更高。

Description

基于SLAM地图与高精度地图匹配的车辆定位方法及***
技术领域
本发明涉及车辆定位技术领域，更具体地，涉及一种基于SLAM地图与高精度地图匹配的车辆定位方法及***。
背景技术
随着自动驾驶技术的发展，自动驾驶车辆对高精度、高鲁棒性的定位***需求越来越迫切。目前车辆的定位方式主要依赖于GNSS***(Global Navigation SatelliteSystem，全球卫星导航***)、惯导、里程计，在隧道、山区、城市道路等无信号或遮挡严重的场景下，GNSS***通常无法准确定位，而惯导与里程计的推算结果存在累积误差，在无外界信号修正的情况下偏差会越来越大。因此，需要有一种不依赖于GNSS信号的定位***，解决上述场景下的高精度定位问题。《基于SLAM地图的定位方法及***》(公开号CN201811472195.4)提出一种基于SLAM地图的定位方法，其方式是建立局部SLAM地图，并通过车辆在该局部地图中进行相对定位的方式，保证车辆定位的连续性。《基于共享SLAM地图的高精度定位方法及***》(公开号CN201910119444.X)使用了类似的定位方法，所不同的是其使用的SLAM地图为网络获取的共享SLAM地图。《基于ORB-SLAM的高精度车辆定位方法》(公开号CN201910075818.2)通过事先构建SLAM视觉地图与特征点，再通过特征点进行车辆匹配定位。
上述方法实际上都是采用的先构建SLAM地图，然后在SLAM地图中进行定位的方式，其主要限制在于：
(1)SLAM地图是一个局部相对关系地图，不包含世界坐标信息，其定位结果也是一个相对信息，无法明确知道车辆处于真实世界中的位置；
(2)在SLAM地图中的匹配定位依赖于单帧或多帧图像的视觉特征点，当场景中特征点稀缺时无法准确定位。
发明内容
本发明需要解决的是现有技术中通过建立局部SLAM地图来进行车辆定位时无法获得全局世界坐标，以及过于依赖视觉特征点导致的定位不可靠等技术问题。
本发明提供了一种基于SLAM地图与高精度地图匹配的车辆定位方法，包括以下步骤：
S1，根据原始未经修正的车辆轨迹及视觉图像构建视觉SLAM地图；
S2，通过深度学习算法对所述SLAM地图进行语义分割，生成不同类别的地图要素信息；
S3，根据车辆当前位置，提取车辆附近一定范围内的SLAM地图要素信息与高精度地图要素信息；
S4，利用经典ICP(Iterative Closest Point，迭代最近点)点集配准算法，进行SLAM地图要素点集与高精度地图要素点集的配准；
S5，将未修正的车辆轨迹通过配准输出的平移参数及旋转参数进行变换，即得到修正后的车辆轨迹，完成一次车辆精确定位。
优选地，所述S1具体包括：通过惯性器件推算车辆轨迹，并由该车辆轨迹与视觉图像实时构建SLAM地图。
优选地，所述惯性器件为加速度计、陀螺仪或里程计中的一种或多种组合。
优选地，所述S1具体包括：通过预先标定相机与车辆之间的相对关系，实时获得相机内图像的坐标信息，并由多帧图像拼接得到视觉图像，然后将车辆轨迹与视觉图像融合以实时构建SLAM地图。
优选地，S1中的车辆轨迹的推算起始位置为上一次定位的记忆位置或GNSS失锁之前的位置。
优选地，所述S2中语义分割具体包括：对所述SLAM地图内的相似点集进行拼接、聚类，以得到不同类别的地图要素信息，所述地图要素信息由要素类别与点集坐标组成，其中，所述地图要素类别包括但不限于车道线、交通灯、交通牌、地面文字箭头及停止线。
优选地，所述S4具体包括：采取搜索最近点、生成配对点集、最小二乘获取变换参数、更新待匹配点集的迭代过程进行配准，且配准对象的搜索只在同类别地图要素中进行。
本发明还提供了一种用于实现基于SLAM地图与高精度地图匹配的车辆定位方法的***，包括：
SLAM地图构建模块，用于根据原始未经修正的车辆轨迹及视觉图像构建视觉SLAM地图；
SLAM地图要素生成模块，用于通过深度学习算法对所述SLAM地图进行语义分割，生成不同类别的地图要素信息；
SLAM地图与高精度地图提取模块，用于根据车辆当前位置，提取车辆附近一定范围内的SLAM地图要素信息与高精度地图要素信息；
SLAM地图与高精度地图配准模块，用于利用经典ICP(Iterative Closest Point，迭代最近点)点集配准算法，进行SLAM地图要素点集与高精度地图要素点集的配准；
车辆轨迹修正模块，用于将未修正的车辆轨迹通过配准输出的平移参数及旋转参数进行变换，即得到修正后的车辆轨迹，完成一次车辆精确定位。
本发明还提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现基于SLAM地图与高精度地图匹配的车辆定位方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现基于SLAM地图与高精度地图匹配的车辆定位方法的步骤。
有益效果：本发明提供的一种基于SLAM地图与高精度地图匹配的车辆定位方法及***，通过实时构建视觉SLAM地图，并利用深度学习技术进行语义分割，提取场景内的要素信息，包括但不限于车道线、交通灯、交通牌、地面文字箭头、停止线，以SLAM地图要素组成的点集同高精度地图中的同类型地图要素点集进行配准，通过配准结果获取车辆在高精度地图中的定位。其过程类似于人眼对车辆前方环境进行观察与辨识，再在高精度地图中搜索与观察结果相似的场景，进而获得当前车辆的位置信息。该方案使用了现有的SLAM建图技术与深度学习语义分割技术，通过将视觉感知的局部地图与高精度地图进行配准的方式进行定位，具备以下优势：(1)不依赖于GNSS信号；(2)可输出全局定位信息；(3)不需要事先构建并保存SLAM地图，仅依赖高精度地图，而高精度地图通常是自动驾驶车辆所包含的，实用性更高；(4)相较于传统的“视觉特征点-SLAM地图特征点”匹配方式，使用“SLAM地图要素-高精度地图要素”的匹配方式，匹配要素更多，成功率更高。
附图说明
图1为本发明提供的一种基于SLAM地图与高精度地图匹配的车辆定位方法流程图；
图2为本发明提供的一种可能的电子设备的硬件结构示意图；
图3为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图；
图4为本发明提供的一种基于SLAM地图与高精度地图匹配的车辆定位***的原理框架图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，本发明实施例提供了一种基于SLAM地图与高精度地图匹配的车辆定位方法，包括以下步骤：
S1，根据原始未经修正的车辆轨迹及视觉图像构建视觉SLAM地图。由惯性器件推算车辆轨迹，并由该车辆轨迹与视觉图像实时构建SLAM地图。其中惯性器件可以为加速度计、陀螺仪、里程计等其中的一种或多种组合，轨迹推算起始位置应为上一次定位的记忆位置或GNSS失锁之前的位置。
通过事先标定相机与车辆之间的相对关系，可以实时获得相机内图像的坐标信息，并由多帧图像拼接实时构建得到SLAM地图，其中包含有大量未进行分类的点集坐标。SLAM地图内的点集与车辆轨迹相对关系保持不变，由于车辆轨迹为未修正值，因此SLAM地图内的点集同样为未修正值。
S2，通过深度学习算法对所述SLAM地图进行语义分割，生成不同类别的地图要素信息。语义分割包括对SLAM地图内的相似点集进行拼接、聚类，并识别其类型，获取得到各类地图要素信息，其组成为要素类别与点集坐标，其中地图要素类别包括但不限于车道线、交通灯、交通牌、地面文字箭头、停止线。
S3，根据车辆当前位置，提取车辆附近一定范围内的SLAM地图要素信息与高精度地图要素信息。在一个具体的实施场景中，根据车辆当前位置(未修正)，提取车辆附近一定范围内的SLAM地图要素信息与高精度地图要素信息，该范围值选取主要考虑后续匹配的计算量与实时性，典型值为500～1000m，其中高精度地图作为SLAM地图的匹配对象，其提取范围应当比SLAM地图更大，该值选取主要考虑惯性器件进行轨迹推算可能产生的误差值，典型值为50～200m。
S4，利用经典ICP(Iterative Closest Point，迭代最近点)点集配准算法，进行SLAM地图要素点集与高精度地图要素点集的配准。具体地，利用经典ICP点集配准算法，进行SLAM地图要素点集与高精度地图要素点集的配准，ICP算法的本质为“搜索最近点-生成配对点集-最小二乘获取变换参数-更新待匹配点集”的迭代过程，为降低误匹配的概率，配准对象的搜索只在同类别要素中进行，配准的迭代停止条件可以是指定迭代次数，或者是变换后的SLAM地图点集与高精度地图点集距离小于指定阈值，配准的输出结果为SLAM地图由初始状态到最终对准状态下的平移+旋转参数。
S5，将未修正的车辆轨迹通过配准输出的平移参数及旋转参数进行变换，即得到修正后的车辆轨迹，完成一次车辆精确定位。由于SLAM地图是使用车辆轨迹构建得到，将未修正的车辆轨迹通过配准输出的平移参数+旋转参数进行变换，即得到修正后的车辆轨迹，完成一次车辆精确定位。
该方案通过实时构建视觉SLAM地图，并利用深度学习技术进行语义分割，提取场景内的要素信息，包括但不限于车道线、交通灯、交通牌、地面文字箭头、停止线，以SLAM地图要素组成的点集同高精度地图中的同类型地图要素点集进行配准，通过配准结果获取车辆在高精度地图中的定位。其过程类似于人眼对车辆前方环境进行观察与辨识，再在高精度地图中搜索与观察结果相似的场景，进而获得当前车辆的位置信息。
该方案使用了现有的SLAM建图技术与深度学习语义分割技术，通过将视觉感知的局部地图与高精度地图进行配准的方式进行定位，具备以下优势：(1)不依赖于GNSS信号；(2)可输出全局定位信息；(3)不需要事先构建并保存SLAM地图，仅依赖高精度地图，而高精度地图通常是自动驾驶车辆所包含的，实用性更高；(4)相较于传统的“视觉特征点-SLAM地图特征点”匹配方式，使用“SLAM地图要素-高精度地图要素”的匹配方式，匹配要素更多，成功率更高。
请查阅图4为基于SLAM地图与高精度地图匹配的车辆定位方法的***，包括：
SLAM地图构建模块，用于根据原始未经修正的车辆轨迹及视觉图像构建视觉SLAM地图；
SLAM地图要素生成模块，用于通过深度学习算法对所述SLAM地图进行语义分割，生成不同类别的地图要素信息；
SLAM地图与高精度地图提取模块，用于根据车辆当前位置，提取车辆附近一定范围内的SLAM地图要素信息与高精度地图要素信息；
SLAM地图与高精度地图配准模块，用于利用经典ICP(Iterative Closest Point，迭代最近点)点集配准算法，进行SLAM地图要素点集与高精度地图要素点集的配准；
车辆轨迹修正模块，用于将未修正的车辆轨迹通过配准输出的平移参数及旋转参数进行变换，即得到修正后的车辆轨迹，完成一次车辆精确定位。
所有模块联动执行以实施前述所有的基于SLAM地图与高精度地图匹配的车辆定位方法。在此不再赘述。
请参阅图2为本发明实施例提供的电子设备的实施例示意图。如图2所示，本发明实施例提了一种电子设备，包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311，处理器1320执行计算机程序1311时实现以下步骤：
S1，根据原始未经修正的车辆轨迹及视觉图像构建视觉SLAM地图；
S2，通过深度学习算法对所述SLAM地图进行语义分割，生成不同类别地图要素信息；
S3，根据车辆当前位置，提取车辆附近一定范围内的SLAM地图要素信息与高精度地图要素信息；
S4，利用经典ICP(Iterative Closest Point，迭代最近点)点集配准算法，进行SLAM地图要素点集与高精度地图要素点集的配准；
S5，将未修正的车辆轨迹通过配准输出的平移参数及旋转参数进行变换，即得到修正后的车辆轨迹，完成一次车辆精确定位。
请参阅图3为本发明提供的一种计算机可读存储介质的实施例示意图。如图3所示，本实施例提供了一种计算机可读存储介质1400，其上存储有计算机程序1411，该计算机程序1411被处理器执行时实现如下步骤：
S1，根据原始未经修正的车辆轨迹及视觉图像构建视觉SLAM地图；
S2，通过深度学习算法对所述SLAM地图进行语义分割，生成不同类别的地图要素信息；
S3，根据车辆当前位置，提取车辆附近一定范围内的SLAM地图要素信息与高精度地图要素信息；
S4，利用经典ICP(Iterative Closest Point，迭代最近点)点集配准算法，进行SLAM地图要素点集与高精度地图要素点集的配准；
S5，将未修正的车辆轨迹通过配准输出的平移参数及旋转参数进行变换，即得到修正后的车辆轨迹，完成一次车辆精确定位。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
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。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、嵌入式计算机或者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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种基于SLAM地图与高精度地图匹配的车辆定位方法，其特征在于，包括以下步骤：
S1，根据原始未经修正的车辆轨迹及视觉图像构建视觉SLAM地图；
S2，通过深度学习算法对所述SLAM地图进行语义分割，生成不同类别的地图要素信息；
S3，根据车辆当前位置，提取车辆附近一定范围内的SLAM地图要素信息与高精度地图要素信息；
S4，利用经典ICP(Iterative Closest Point，迭代最近点)点集配准算法，进行SLAM地图要素点集与高精度地图要素点集的配准；
S5，将未修正的车辆轨迹通过配准输出的平移参数及旋转参数进行变换，即得到修正后的车辆轨迹，完成一次车辆精确定位。
2.根据权利要求1所述的基于SLAM地图与高精度地图匹配的车辆定位方法，其特征在于，所述S1具体包括：通过惯性器件推算车辆轨迹，并由该车辆轨迹与视觉图像实时构建SLAM地图。
3.根据权利要求2所述的基于SLAM地图与高精度地图匹配的车辆定位方法，其特征在于，所述惯性器件为加速度计、陀螺仪或里程计中的一种或多种组合。
4.根据权利要求2所述的基于SLAM地图与高精度地图匹配的车辆定位方法，其特征在于，所述S1具体包括：通过预先标定相机与车辆之间的相对关系，实时获得相机内图像的坐标信息，并由多帧图像拼接得到视觉图像，然后将车辆轨迹与视觉图像融合以实时构建SLAM地图。
5.根据权利要求1所述的基于SLAM地图与高精度地图匹配的车辆定位方法，其特征在于，S1中的车辆轨迹的推算起始位置为上一次定位的记忆位置或GNSS失锁之前的位置。
6.根据权利要求1所述的基于SLAM地图与高精度地图匹配的车辆定位方法，其特征在于，所述S2中语义分割具体包括：对所述SLAM地图内的相似点集进行拼接、聚类，以得到不同类别的地图要素信息，所述地图要素信息由要素类别与点集坐标组成，其中，所述地图要素类别包括但不限于车道线、交通灯、交通牌、地面文字箭头及停止线。
7.根据权利要求6所述的基于SLAM地图与高精度地图匹配的车辆定位方法，其特征在于，所述S4具体包括：采取搜索最近点、生成配对点集、最小二乘获取变换参数、更新待匹配点集的迭代过程进行配准，且配准对象的搜索只在同类别地图要素中进行。
8.一种用于实现如权利要求1至7任一项所述的基于SLAM地图与高精度地图匹配的车辆定位方法的***，其特征在于，包括：
SLAM地图构建模块，用于根据原始未经修正的车辆轨迹及视觉图像构建视觉SLAM地图；
SLAM地图要素生成模块，用于通过深度学习算法对所述SLAM地图进行语义分割，生成不同类别的地图要素信息；
SLAM地图与高精度地图提取模块，用于根据车辆当前位置，提取车辆附近一定范围内的SLAM地图要素信息与高精度地图要素信息；
SLAM地图与高精度地图配准模块，用于利用经典ICP(Iterative Closest Point，迭代最近点)点集配准算法，进行SLAM地图要素点集与高精度地图要素点集的配准；
车辆轨迹修正模块，用于将未修正的车辆轨迹通过配准输出的平移参数及旋转参数进行变换，即得到修正后的车辆轨迹，完成一次车辆精确定位。
9.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的基于SLAM地图与高精度地图匹配的车辆定位方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的基于SLAM地图与高精度地图匹配的车辆定位方法的步骤。
CN202111385621.2A 2021-11-22 2021-11-22 基于slam地图与高精度地图匹配的车辆定位方法及*** Active CN114111817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111385621.2A CN114111817B (zh) 2021-11-22 2021-11-22 基于slam地图与高精度地图匹配的车辆定位方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111385621.2A CN114111817B (zh) 2021-11-22 2021-11-22 基于slam地图与高精度地图匹配的车辆定位方法及***

Publications (2)

Publication Number Publication Date
CN114111817A true CN114111817A (zh) 2022-03-01
CN114111817B CN114111817B (zh) 2023-10-13

Family

ID=80439306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111385621.2A Active CN114111817B (zh) 2021-11-22 2021-11-22 基于slam地图与高精度地图匹配的车辆定位方法及***

Country Status (1)

Country Link
CN (1) CN114111817B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116202538A (zh) * 2023-05-05 2023-06-02 广州小鹏自动驾驶科技有限公司 地图匹配融合方法、装置、设备及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140323148A1 (en) * 2013-04-30 2014-10-30 Qualcomm Incorporated Wide area localization from slam maps
CN111220164A (zh) * 2020-01-21 2020-06-02 北京百度网讯科技有限公司 定位方法、装置、设备及存储介质
CN111380542A (zh) * 2018-12-28 2020-07-07 沈阳美行科技有限公司 一种车辆定位、导航方法和装置及相关***
WO2020199565A1 (zh) * 2019-03-29 2020-10-08 魔门塔(苏州)科技有限公司 一种基于路灯杆的车辆位姿的修正方法和装置
CN111750882A (zh) * 2019-03-29 2020-10-09 北京初速度科技有限公司 一种导航地图在初始化时车辆位姿的修正方法和装置
CN111830953A (zh) * 2019-04-12 2020-10-27 北京四维图新科技股份有限公司 车辆自定位方法、装置及***
WO2020237996A1 (zh) * 2019-05-30 2020-12-03 魔门塔(苏州)科技有限公司 一种车辆位姿的修正方法和装置
US20210104064A1 (en) * 2019-10-07 2021-04-08 Lg Electronics Inc. System, apparatus and method for indoor positioning
WO2021073656A1 (zh) * 2019-10-16 2021-04-22 上海商汤临港智能科技有限公司 图像数据自动标注方法及装置
CN113137973A (zh) * 2020-01-20 2021-07-20 北京初速度科技有限公司 一种图像语义特征点真值确定方法及装置
US20210223789A1 (en) * 2020-01-20 2021-07-22 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for positioning vehicle, electronic device and storage medium
US20210326640A1 (en) * 2020-07-20 2021-10-21 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Method and apparatus for positioning vehicle, electronic device, and storage medium

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140323148A1 (en) * 2013-04-30 2014-10-30 Qualcomm Incorporated Wide area localization from slam maps
CN111380542A (zh) * 2018-12-28 2020-07-07 沈阳美行科技有限公司 一种车辆定位、导航方法和装置及相关***
CN111750881A (zh) * 2019-03-29 2020-10-09 北京初速度科技有限公司 一种基于路灯杆的车辆位姿的修正方法和装置
WO2020199565A1 (zh) * 2019-03-29 2020-10-08 魔门塔(苏州)科技有限公司 一种基于路灯杆的车辆位姿的修正方法和装置
CN111750882A (zh) * 2019-03-29 2020-10-09 北京初速度科技有限公司 一种导航地图在初始化时车辆位姿的修正方法和装置
CN111830953A (zh) * 2019-04-12 2020-10-27 北京四维图新科技股份有限公司 车辆自定位方法、装置及***
WO2020237996A1 (zh) * 2019-05-30 2020-12-03 魔门塔(苏州)科技有限公司 一种车辆位姿的修正方法和装置
US20210104064A1 (en) * 2019-10-07 2021-04-08 Lg Electronics Inc. System, apparatus and method for indoor positioning
WO2021073656A1 (zh) * 2019-10-16 2021-04-22 上海商汤临港智能科技有限公司 图像数据自动标注方法及装置
CN113137973A (zh) * 2020-01-20 2021-07-20 北京初速度科技有限公司 一种图像语义特征点真值确定方法及装置
US20210223789A1 (en) * 2020-01-20 2021-07-22 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for positioning vehicle, electronic device and storage medium
CN111220164A (zh) * 2020-01-21 2020-06-02 北京百度网讯科技有限公司 定位方法、装置、设备及存储介质
US20210326640A1 (en) * 2020-07-20 2021-10-21 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Method and apparatus for positioning vehicle, electronic device, and storage medium

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王一文;钱闯;唐健;温景仁;牛小骥;: "预建高精度地图的封闭区域UGV自动驾驶导航定位", 测绘通报, no. 01, pages 21 - 25 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116202538A (zh) * 2023-05-05 2023-06-02 广州小鹏自动驾驶科技有限公司 地图匹配融合方法、装置、设备及存储介质
CN116202538B (zh) * 2023-05-05 2023-08-29 广州小鹏自动驾驶科技有限公司 地图匹配融合方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN114111817B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
KR102266830B1 (ko) 차선 결정 방법, 디바이스 및 저장 매체
CN111912416B (zh) 用于设备定位的方法、装置及设备
CN113989450B (zh) 图像处理方法、装置、电子设备和介质
CN111830953A (zh) 车辆自定位方法、装置及***
CN113034566B (zh) 高精度地图构建方法、装置、电子设备及存储介质
CN104077760A (zh) 一种航空摄影测量的快速拼接***及其实现方法
CN109214314B (zh) 一种车道线自动融合匹配算法
CN111008660A (zh) 语义地图的生成方法、装置、***、存储介质及电子设备
CN114459471B (zh) 定位信息确定方法、装置、电子设备及存储介质
CN114565863B (zh) 无人机图像的正射影像实时生成方法、装置、介质及设备
CN116255992A (zh) 一种同时定位与建图的方法和装置
CN111274847A (zh) 一种定位方法
CN113012197A (zh) 一种适用于动态交通场景的双目视觉里程计定位方法
CN114663852A (zh) 车道线图的构建方法、装置、电子设备及可读存储介质
CN112862839A (zh) 一种地图要素语义分割鲁棒性增强方法和***
CN114037762A (zh) 基于图像与高精度地图配准的实时高精度定位方法
CN115564865A (zh) 一种众包高精地图的构建方法、***、电子设备及车辆
CN113920198A (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
CN114279434B (zh) 一种建图方法、装置、电子设备和存储介质
CN114111817B (zh) 基于slam地图与高精度地图匹配的车辆定位方法及***
CN113887391A (zh) 用于识别路面标识的方法、装置以及自动驾驶车辆
CN111754388B (zh) 一种建图方法及车载终端
CN111964665A (zh) 基于车载环视图像的智能车定位方法、***及存储介质
CN115937449A (zh) 高精地图生成方法、装置、电子设备和存储介质
CN117011481A (zh) 构建三维地图的方法、装置、电子设备及存储介质

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