CN114332225A - 车道线匹配定位方法、电子设备及存储介质 - Google Patents
车道线匹配定位方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114332225A CN114332225A CN202111646702.3A CN202111646702A CN114332225A CN 114332225 A CN114332225 A CN 114332225A CN 202111646702 A CN202111646702 A CN 202111646702A CN 114332225 A CN114332225 A CN 114332225A
- Authority
- CN
- China
- Prior art keywords
- lane line
- positioning
- map
- error
- matching
- 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.)
- Pending
Links
Images
Landscapes
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种车道线匹配定位方法、电子设备及存储介质,方法包括:获取车辆摄像装置识别的车道线,将车辆摄像装置识别的车道线的点作为拍摄车道线点;获取地图中车辆定位位置的地图车道线,将地图车道线上的点,作为地图车道线点;对拍摄车道线点与地图车道线点进行匹配;构建误差函数、目标函数;对目标函数进行迭代求解;基于迭代结束时求解得到的变换矩阵对车辆定位位置进行修正,并得到定位位置的置信度。本发明通过优化目标函数,得到最优的匹配结果。并且,本发明能够使用优化结束后的匹配误差,实时的计算车道线识别的置信度,并根据实时的置信度调整摄像头车道线识别结果在融合定位中的权重,降低识别误差随机性对融合定位精度的影响。
Description
技术领域
本发明涉及汽车相关技术领域,特别是一种车道线匹配定位方法、电子设备及存储介质。
背景技术
高级别自动驾驶依赖于高精度地图,为了保证车辆能够准确定位到高精度地图上,可利用基于车道线与地图匹配的多传感器融合定位方法。
使用摄像头对车道线的识别结果进行车辆定位时,定位效果受到车道线识别误差的影响,因此需要在定位时修正识别误差。众所周知,摄像头识别车道线的误差存在随机性,尤其是在天气、光照、地面积水积灰、车道线磨损模糊等场合,误差变化更加明显。
现行车道线匹配定位方法,将地图离散点集与车道线点集匹配。然而,现有的车道线匹配定位方法,由于直道上的车道线没有纵向定位特征,影响置信度计算,离散点集的采样距离会影响匹配精度。因此,目前定位的评价方法不能有效评价的实时评价定位效果。
发明内容
基于此,有必要针对现有技术的车道线匹配定位匹配精度不高的方法,技术问题,提供一种车道线匹配定位方法、电子设备及存储介质。
本发明提供一种车道线匹配定位方法,包括:
获取车辆摄像装置识别的车道线,将车辆摄像装置识别的车道线的点作为拍摄车道线点;
获取地图中车辆定位位置的地图车道线,将地图车道线上的点,作为地图车道线点;
对拍摄车道线点与地图车道线点进行匹配;
构建以变换矩阵为变量,关于拍摄车道线点与匹配的地图车道线点的横向位置误差的误差函数、以及构建关于所述误差函数的目标函数;
通过梯度下降算法对目标函数进行迭代求解;
基于迭代结束时求解得到的变换矩阵对车辆定位位置进行修正,得到基于摄像装置识别的车道线对车辆定位位置进行修正的修正定位位置,并得到修正定位位置的置信度。
进一步地,所述对拍摄车道线点与地图车道线点进行匹配,具体包括:
对于每个拍摄车道线点,作拍摄车道线点到地图车道线的垂线,将地图车道线上的垂足的点作为该拍摄车道线点对应的地图车道线点。
进一步地,所述变换矩阵包括旋转矩阵和横向平移变量,所述构建以变换矩阵为变量,关于拍摄车道线点与匹配的地图车道线点的横向位置误差的误差函数,具体包括:
构建误差函数其中n为拍摄车道线点的数量,R为旋转矩阵,t为横向平移变量,pi为第i个拍摄车道线点的坐标,qi为第i个拍摄车道线点对应的地图车道线点的坐标,以拍摄车道线点与对应的地图车道线点作为点对,wi为第i个点对的权重,wi=(1-pix/MaxX)/SumW,pix为第i个车道线点的纵向距离,MaxX为所有对点里最大的纵向距离,
更进一步地,所述构建关于所述误差函数的目标函数,具体包括:
更进一步地,所述基于迭代结束时求解得到的变换矩阵对车辆定位位置进行修正,得到基于摄像装置识别的车道线对车辆定位位置进行修正的修正定位位置,具体包括:
基于迭代结束时求解得到的旋转矩阵R和横向平移变量t构建变换矩阵,根据所述变换矩阵对车辆定位位置进行修正,得到基于摄像装置识别的车道线对车辆定位位置进行修正的修正定位位置。
进一步地,所述得到修正定位位置的置信度,具体包括:
计算所述变换矩阵的置信度作为修正定位位置的置信度。
更进一步地,所述计算所述变换矩阵的置信度,具体包括:
获取对目标函数进行最后一次迭代求解时,误差函数的误差值作为数据误差;
根据所述数据误差,基于目标函数相对于变换矩阵的海森矩阵表示,构建定位误差求解方程;
根据定位误差求解方程,确定定位误差,根据定位误差确定所述变换矩阵的置信度。
更进一步地,还包括:
将修正定位位置与其他定位来源进行位置融合,其中,修正定位位置的融合权重根据所述置信度计算得到。
本发明提供一种电子设备,包括:
至少一个处理器;以及,
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被至少一个所述处理器执行的指令,所述指令被至少一个所述处理器执行,以使至少一个所述处理器能够执行如前所述的车道线匹配定位方法。
本发明提供一种存储介质,所述存储介质存储计算机指令,当计算机执行所述计算机指令时,用于执行如前所述的车道线匹配定位方法的所有步骤。
本发明利用地图点集和摄像头车道线识别结果之间的横向匹配位置误差构建误差函数,通过降低误差函数,得到最优的匹配结果。最优匹配结果与卫星定位、惯导定位等结合,得到车辆位置姿态的估计,作为车辆融合定位结果。更进一步的,本发明能够使用优化后的残余匹配误差,实时的计算车道线识别的置信度,并根据实时的置信度调整摄像头车道线识别结果在融合定位中的权重,降低识别误差随机性对融合定位精度的影响。
附图说明
图1为本发明一种车道线匹配定位方法的工作流程图;
图2为本发明一实施例中一种车道线匹配定位方法的工作流程图;
图3为本发明最佳实施例匹配定位模块的工作流程图;
图4为本发明最佳实施例置信度评估模块的工作流程图;
图5为本发明最佳实施例一种车道线匹配定位的工作流程图;
图6为采用本发明车道线匹配定位的车道线修正仿真测试结果;
图7为采用本发明车道线匹配定位的GPS修正仿真测试结果;
图8为本发明一种电子设备的硬件结构示意图。
具体实施方式
下面结合附图来进一步说明本发明的具体实施方式。其中相同的零部件用相同的附图标记表示。需要说明的是,下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向,词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
实施例一
如图1所示为本发明一种车道线匹配定位方法的工作流程图,包括:
步骤S101,获取车辆摄像装置识别的车道线,将车辆摄像装置识别的车道线的点作为拍摄车道线点;
步骤S102,获取地图中车辆定位位置的地图车道线,将地图车道线上的点,作为地图车道线点;
步骤S103,对拍摄车道线点与地图车道线点进行匹配;
步骤S104,构建以变换矩阵为变量,关于拍摄车道线点与匹配的地图车道线点的横向位置误差的误差函数、以及构建关于所述误差函数的目标函数;
步骤S105,通过梯度下降算法对目标函数进行迭代求解;
步骤S106,基于迭代结束时求解得到的变换矩阵对车辆定位位置进行修正,得到基于摄像装置识别的车道线对车辆定位位置进行修正的修正定位位置,并得到修正定位位置的置信度。
具体来说,本发明可以应用在车辆的电子控制器单元(Electronic ControlUnit,ECU)上。
步骤S101通过例如相机拍摄车外的车道线,将拍摄得到的车道线的点作为拍摄车道线点。所有的拍摄车道线点作为一个点集。然后,步骤S102同时获取车辆定位位置,例如全球定位***(Global Positioning System,GPS)定位信息,并从预置的高精度地图中,获取该定位位置的地图车道线,将地图车道线上的点,作为地图车道线点。所有的地图车道线点作为另一个点集。然后步骤S103确定每个拍摄车道线点对应的地图车道线点,并由步骤S104构建误差函数。误差函数以变换矩阵为变量,计算拍摄车道线点与匹配的地图车道线点的横向位置误差。并同时构建关于误差函数的目标函数,目标函数为求解使得误差函数的值最小时的变换矩阵。
通过步骤S105,采用梯度下降算法,对目标函数进行迭代求解,在迭代次数大于阈值或误差小于阈值时,迭代结束,迭代结束时得到的变换矩阵,即为使得误差函数的值最小的变换矩阵。
最后,步骤S106基于变换矩阵,对车辆定位位置进行修正,例如将变换矩阵与车辆定位位置相乘,得到修正定位位置,并计算修正定位位置的置信度。
该模块利用相机识别的车道线、GPS定位信息、预置高精度地图,将车道线与高精度地图进行横向位置匹配,获得车辆位于地图的位置。
本发明利用点集间的横向位置误差构建误差函数,估计出置信度误差,能够消除由于车道线没有纵向定位特征带来的置信度计算误差,准确衡量定位效果。
实施例二
如图2所示为本发明一实施例中一种车道线匹配定位方法的工作流程图,包括:
步骤S201,获取车辆摄像装置识别的车道线,将车辆摄像装置识别的车道线的点作为拍摄车道线点。
步骤S202,获取地图中车辆定位位置的地图车道线,将地图车道线上的点,作为地图车道线点。
步骤S203,对于每个拍摄车道线点,作拍摄车道线点到地图车道线的垂线,将地图车道线上的垂足的点作为该拍摄车道线点对应的地图车道线点。
步骤S204,所述变换矩阵包括旋转矩阵和横向平移变量,构建误差函数其中n为拍摄车道线点的数量,R为旋转矩阵,t为横向平移变量,pi为第i个拍摄车道线点的坐标,qi为第i个拍摄车道线点对应的地图车道线点的坐标,以拍摄车道线点与对应的地图车道线点作为点对,wi为第i个点对的权重,wi=(1-pix/MaxX)/SumW,pix为第i个车道线点的纵向距离,MaxX为所有对点里最大的纵向距离,
步骤S206,通过梯度下降算法对目标函数进行迭代求解。
步骤S207,基于迭代结束时求解得到的旋转矩阵R和横向平移变量t构建变换矩阵,根据所述变换矩阵对车辆定位位置进行修正,得到基于摄像装置识别的车道线对车辆定位位置进行修正的修正定位位置;
步骤S208,计算所述变换矩阵的置信度作为修正定位位置的置信度。
在其中一个实施例中,计算所述变换矩阵的置信度,具体包括:
获取对目标函数进行最后一次迭代求解时,误差函数的误差值作为数据误差;
根据所述数据误差,基于目标函数相对于变换矩阵的海森矩阵表示,构建定位误差求解方程;
根据定位误差求解方程,确定定位误差,根据定位误差确定所述变换矩阵的置信度。
步骤S209,将修正定位位置与其他定位来源进行位置融合,其中,修正定位位置的融合权重根据所述置信度计算得到。
具体来说,本实施例由匹配定位模块、置信度评估模块组成,其中:
匹配定位模块:该模块利用相机识别的车道线、GPS定位信息、预置高精度地图,将车道线与高精度地图进行横向位置匹配,获得车辆位于地图的位置。
1)车道线点与地图矢量匹配,步骤S201到步骤S203将拍摄车道线点通过地图矢量与地图车道线点进行匹配,具体为:将拍摄车道线点,与预置高精度地图的矢量特征进行匹配,地图中的车道线特征利用线段表示,线段表示为端点与方程,相机拍摄的车道线的点会输出在车辆坐标系,然后通过车辆坐标系和GPS转到地图的坐标系,再在地图坐标系中将相机识别的拍摄车道线点与线段做垂线,线段上垂足对应的点则为地图上与该拍摄车道线点对应的匹配点,即该拍摄车道线点对应的地图车道线点。一般来说,GPS的定位误差不会超出一个车道,因此可以根据GPS定位到地图上后,会在该车道内寻找匹配点。在相机识别车道线的时候区分左右车道线,然后在地图中选择对应的左车道线或者右车道线做垂线。
2)误差函数构建,步骤S204至步骤S206构建误差函数、目标函数并进行迭代计算得到变换矩阵,具体为:利用以上所有拍摄车道线点p与其对应地图车道线点q,构建误差函数E,误差函数为两点集之间的横向位置误差,误差函数其中n为拍摄车道线点的数量,R为旋转矩阵,t为横向平移变量,pi为第i个拍摄车道线点的坐标,qi为第i个拍摄车道线点对应的地图车道线点的坐标,以拍摄车道线点与对应的地图车道线点作为点对,wi为第i个点对的权重,wi=(1-pix/MaxX)/SumW,pix为第i个车道线点的纵向距离,MaxX为所有对点里最大的纵向距离,
目标函数利用梯度下降算法,对目标函数迭代求解,当误差函数的误差值小于阈值或达到迭代次数时,可认为求解完成,获得最优变换矩阵,即所需变换矩阵T。利用变换矩阵T对GPS初始位置进行变换,可以得到车辆在地图上的定位位置。
由于车道线匹配为直线特征,纵向位移不可观,因此,求解过程中,将点集匹配方式更改为拍摄车道线点与地图车道线矢量的横向距离匹配,在迭代求解和协方差求解中,去除纵向不可观方向。其中横向指的是与车辆当前行驶方向垂直的方向,纵向为车辆当前行驶方向。
步骤S207为置信度评估模块:该模块利用所求定位结果及定位的数据误差COV(Z)获得定位的定位误差COV(X),并基于定位误差COV(X)确定定位的置信度。可以采用现有的置信度与误差的转换方式将定位误差转换为对应的置信度。
具体地:
1)获取数据误差COV(Z):数据误差包括车道线识别误差、车道线与地图匹配误差,当匹配定位模块对目标函数迭代次数满足条件,或迭代时误差函数的误差值满足阈值时,退出迭代。可以认为最后一次迭代时的误差函数的误差值包含了无法消除的识别误差和算法的数学误差,因此将数据误差COV(Z)设置为最后一次时,误差函数归一化后的误差值。
2)由于目标函数表示为最小二乘,因此数据误差COV(Z)与定位误差COV(X)之间的关系,可以利用目标函数J相对于变换矩阵T的海森矩阵表示,则可以得到如下定位误差求解方程:
具体求解方式如下:
设总体目标函数J=Σ||G||^2,设F=||G||;
平移向量和旋转矩阵:
T=[x;y;];
R=[cos(a) -sin(a);
sin(a) cos(a)];
X为车辆纵向平移量在地图表坐标下的表示,Y为车辆横向平移量在地图坐标系下的表示,a:为车辆航向角的变化量,通过前后两次迭代求得。
对应的车道线点和地图点:Pi=[pix;piy];Qi=[qix;qiy];pi和Qi代表点在地图中的坐标。
两个点之间的误差:G=wi·(Rpi+t-qi);此处R和矩阵中的R相同,wi为每个点对的权重,wi=(1-pix/MaxX)/SumW,pix为第i个车道线点的纵向距离,MaxX为所有对点里最大的纵向距离,
此处X代表状态量,是个矢量;
则对Ji求解偏导数
又,由于不考虑纵向位移,则x为0,表示为:
展开求导并带入,由于不考虑纵向x,同理可求解y和a的雅可比矩阵,例如:
同理,可以根据雅可比矩阵求解海森矩阵:
该公式中X代表状态量
同理,求解G对于pi,qi的雅可比矩阵JG(qx),JG(qy),JG(px),JG(py),然后求解其二阶导
最后,构建cov(Z)
最后,步骤S208将修正定位位置用于多传感器融合定位,置信度用于融合定位的权重。例如直接将置信度作为修正定位位置的权重。多传感器融合定位可以采用现有的融合定位方式,修正定位位置作为其中一个定位来源。
具体的融合方式可以采用现有的位置融合方式实现。
本发明提出的方法,利用车道线点与地图特征匹配,获取准确匹配点;利用地图点集和摄像头车道线识别结果之间的横向匹配位置误差构建误差函数,通过降低误差函数,得到最优的匹配结果。并且,能够使用优化后的残余匹配误差,实时的计算车道线识别的置信度,并根据实时的置信度调整摄像头车道线识别结果在后续融合定位中的权重,降低识别误差随机性对融合定位精度的影响。
如图3所示为本发明最佳实施例匹配定位模块的工作流程图,包括:
步骤S301,接收到相机识别的车道线;
步骤S302,利用GPS定位信息进行定位初始化;
步骤S303,获取相应位置的地图矢量数据;
步骤S304,将车道线点逐一与地图矢量匹配,获得匹配地图点;
步骤S305,构建误差函数,误差函数为车道线点集与地图点集的横向位置误差;
步骤S306,利用梯度下降算法,迭代求解车道线到地图的变换矩阵;
步骤S307,如果误差小于阈值,在执行步骤S308,否则重新执行步骤S306;
步骤S308,得到所求变换矩阵,利用变换矩阵及GPS的初始位置,获得车辆在地图上的位置;
步骤S309,求解定位置信度。
如图4所示为本发明最佳实施例置信度评估模块的工作流程图,包括:
步骤S401,将车道线识别、匹配存在的数据误差表示为COV(Z);
步骤S402,将所求定位误差表示为COV(X),由于目标函数是最小二乘,所以数据误差COV(Z)和定位误差COV(X)之间的关系,可利用目标函数J对于定位结果X的海森矩阵来表示:
步骤S403,误差函数的结果和数据误差都会反应到定位误差COV(X)中,并根据定位误差COV(X)确定置信度。当定位误差大时,置信度相对较小,融合时基于更小的权重,使得融合定位结果更加精确。
如图5所示,本发明最佳实施例一种车道线匹配定位的工作流程图,包括:
步骤S501,获取相机识别的车道线;
步骤S502,将车道线点与地图矢量匹配获得匹配点,构建两点集的横向位置误差函数和目标函数;
步骤S503,迭代求解目标函数,获得定位结果;
步骤S504,利用目标函数的海森矩阵,获得定位置信度。
如图6所示为采用本发明车道线匹配定位的车道线修正仿真测试结果,包括地图车道线61、GPS扰动后识别车道线62、以及修正后识别车道线63。
其中,地图车道线61为车道线在图像上的投影显示;GPS扰动后识别车道线62为相机识别车道线利用加误差后的GPS定位到地图上,再投影回图像上的显示;修正后识别车道线63相机识别车道线利用修正后的GPS定位到地图上,再投影回图像上的显示。可以看到在GPS出现误差后,采用本发明的车道线匹配定位方法修正得到的修正后识别车道线63与地图车道线61一致。
如图7所示为采用本发明车道线匹配定位的GPS修正仿真测试结果,包括:真值GPS71、修正GPS 72、扰动后GPS 73。
其中真值GPS 71为真值定位。扰动后GPS 72为GPS加误差的定位。修正GPS 72为相机识别车道线后修正的定位。可以看到在GPS出现误差后,采用本发明的车道线匹配定位方法修正得到的修正GPS 72与真值GPS71重叠一致。
在高级别自动驾驶中,将会融合多传感器进行定位,需要确定不同传感器的融合权重,因此需要不同来源的定位信息提供其置信度。
本发明提出的方法,利用车道线点与地图特征匹配,获取准确匹配点;利用地图点集和摄像头车道线识别结果之间的横向匹配位置误差构建误差函数,通过降低误差函数,得到最优的匹配结果。并且,能够使用优化后的残余匹配误差,实时的计算车道线识别的置信度,并根据实时的置信度调整摄像头车道线识别结果在后续融合定位中的权重,降低识别误差随机性对融合定位精度的影响。
实施例六
如图8所示为本发明一种电子设备的硬件结构示意图,包括:
至少一个处理器801;以及,
与至少一个所述处理器801通信连接的存储器802;其中,
所述存储器802存储有可被至少一个所述处理器执行的指令,所述指令被至少一个所述处理器执行,以使至少一个所述处理器能够执行如前所述的车道线匹配定位方法。
图8中以一个处理器801为例。
电子设备还可以包括:输入装置803和显示装置804。
处理器801、存储器802、输入装置803及显示装置804可以通过总线或者其他方式连接,图中以通过总线连接为例。
存储器802作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的车道线匹配定位方法对应的程序指令/模块,例如,图1所示的方法流程。处理器801通过运行存储在存储器802中的非易失性软件程序、指令以及模块,从而执行各种功能应用以及数据处理,即实现上述实施例中的车道线匹配定位方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据车道线匹配定位方法的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至执行车道线匹配定位方法的装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置803可接收输入的用户点击,以及产生与车道线匹配定位方法的用户设置以及功能控制有关的信号输入。显示装置804可包括显示屏等显示设备。
在所述一个或者多个模块存储在所述存储器802中,当被所述一个或者多个处理器801运行时,执行上述任意方法实施例中的车道线匹配定位方法。
本发明提出的方法,利用车道线点与地图特征匹配,获取准确匹配点;利用地图点集和摄像头车道线识别结果之间的横向匹配位置误差构建误差函数,通过降低误差函数,得到最优的匹配结果。并且,能够使用优化后的残余匹配误差,实时的计算车道线识别的置信度,并根据实时的置信度调整摄像头车道线识别结果在后续融合定位中的权重,降低识别误差随机性对融合定位精度的影响。
本发明一实施例提供一种存储介质,所述存储介质存储计算机指令,当计算机执行所述计算机指令时,用于执行如前所述的车道线匹配定位方法的所有步骤。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车道线匹配定位方法,其特征在于,包括:
获取车辆摄像装置识别的车道线,将车辆摄像装置识别的车道线的点作为拍摄车道线点;
获取地图中车辆定位位置的地图车道线,将地图车道线上的点,作为地图车道线点;
对拍摄车道线点与地图车道线点进行匹配;
构建以变换矩阵为变量,关于拍摄车道线点与匹配的地图车道线点的横向位置误差的误差函数、以及构建关于所述误差函数的目标函数;
通过梯度下降算法对目标函数进行迭代求解;
基于迭代结束时求解得到的变换矩阵对车辆定位位置进行修正,得到基于摄像装置识别的车道线对车辆定位位置进行修正的修正定位位置,并得到修正定位位置的置信度。
2.根据权利要求1所述的车道线匹配定位方法,其特征在于,所述对拍摄车道线点与地图车道线点进行匹配,具体包括:
对于每个拍摄车道线点,作拍摄车道线点到地图车道线的垂线,将地图车道线上的垂足的点作为该拍摄车道线点对应的地图车道线点。
5.根据权利要求3所述的车道线匹配定位方法,其特征在于,所述基于迭代结束时求解得到的变换矩阵对车辆定位位置进行修正,得到基于摄像装置识别的车道线对车辆定位位置进行修正的修正定位位置,具体包括:
基于迭代结束时求解得到的旋转矩阵R和横向平移变量t构建变换矩阵,根据所述变换矩阵对车辆定位位置进行修正,得到基于摄像装置识别的车道线对车辆定位位置进行修正的修正定位位置。
6.根据权利要求1所述的车道线匹配定位方法,其特征在于,所述得到修正定位位置的置信度,具体包括:
计算所述变换矩阵的置信度作为修正定位位置的置信度。
7.根据权利要求6所述的车道线匹配定位方法,其特征在于,所述计算所述变换矩阵的置信度,具体包括:
获取对目标函数进行最后一次迭代求解时,误差函数的误差值作为数据误差;
根据所述数据误差,基于目标函数相对于变换矩阵的海森矩阵表示,构建定位误差求解方程;
根据定位误差求解方程,确定定位误差,根据定位误差确定所述变换矩阵的置信度。
8.根据权利要求6所述的车道线匹配定位方法,其特征在于,还包括:
将修正定位位置与其他定位来源进行位置融合,其中,修正定位位置的融合权重根据所述置信度计算得到。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被至少一个所述处理器执行的指令,所述指令被至少一个所述处理器执行,以使至少一个所述处理器能够执行如权利要求1至8任一项所述的车道线匹配定位方法。
10.一种存储介质,其特征在于,所述存储介质存储计算机指令,当计算机执行所述计算机指令时,用于执行如权利要求1~8任一项所述的车道线匹配定位方法的所有步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111646702.3A CN114332225A (zh) | 2021-12-30 | 2021-12-30 | 车道线匹配定位方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111646702.3A CN114332225A (zh) | 2021-12-30 | 2021-12-30 | 车道线匹配定位方法、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114332225A true CN114332225A (zh) | 2022-04-12 |
Family
ID=81016967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111646702.3A Pending CN114332225A (zh) | 2021-12-30 | 2021-12-30 | 车道线匹配定位方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332225A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114889633A (zh) * | 2022-06-13 | 2022-08-12 | 东风汽车集团股份有限公司 | 用于智能驾驶汽车前方车道线与前车显示的显示方法 |
CN115203352A (zh) * | 2022-09-13 | 2022-10-18 | 腾讯科技(深圳)有限公司 | 车道级定位方法、装置、计算机设备和存储介质 |
CN115267868A (zh) * | 2022-09-27 | 2022-11-01 | 腾讯科技(深圳)有限公司 | 一种定位点处理方法、装置及计算机可读存储介质 |
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 |
CN116793369A (zh) * | 2023-02-10 | 2023-09-22 | 北京斯年智驾科技有限公司 | 路径规划方法、装置、设备及计算机可读存储介质 |
CN117330097A (zh) * | 2023-12-01 | 2024-01-02 | 深圳元戎启行科技有限公司 | 车辆定位优化方法、装置、设备及存储介质 |
-
2021
- 2021-12-30 CN CN202111646702.3A patent/CN114332225A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114889633A (zh) * | 2022-06-13 | 2022-08-12 | 东风汽车集团股份有限公司 | 用于智能驾驶汽车前方车道线与前车显示的显示方法 |
CN115203352A (zh) * | 2022-09-13 | 2022-10-18 | 腾讯科技(深圳)有限公司 | 车道级定位方法、装置、计算机设备和存储介质 |
CN115267868A (zh) * | 2022-09-27 | 2022-11-01 | 腾讯科技(深圳)有限公司 | 一种定位点处理方法、装置及计算机可读存储介质 |
CN115267868B (zh) * | 2022-09-27 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 一种定位点处理方法、装置及计算机可读存储介质 |
CN116793369A (zh) * | 2023-02-10 | 2023-09-22 | 北京斯年智驾科技有限公司 | 路径规划方法、装置、设备及计算机可读存储介质 |
CN116793369B (zh) * | 2023-02-10 | 2024-03-08 | 北京斯年智驾科技有限公司 | 路径规划方法、装置、设备及计算机可读存储介质 |
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 |
CN117330097A (zh) * | 2023-12-01 | 2024-01-02 | 深圳元戎启行科技有限公司 | 车辆定位优化方法、装置、设备及存储介质 |
CN117330097B (zh) * | 2023-12-01 | 2024-05-10 | 深圳元戎启行科技有限公司 | 车辆定位优化方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114332225A (zh) | 车道线匹配定位方法、电子设备及存储介质 | |
CN110686677B (zh) | 一种基于几何信息的全局定位方法 | |
CN111208492B (zh) | 车载激光雷达外参标定方法及装置、计算机设备及存储介质 | |
CN109708649B (zh) | 一种遥感卫星的姿态确定方法及*** | |
JP6760114B2 (ja) | 情報処理装置、データ管理装置、データ管理システム、方法、及びプログラム | |
EP2434256B1 (en) | Camera and inertial measurement unit integration with navigation data feedback for feature tracking | |
US20090110267A1 (en) | Automated texture mapping system for 3D models | |
Olson et al. | Maximum likelihood rover localization by matching range maps | |
US20060256200A1 (en) | Method and system for improving video metadata through the use of frame-to-frame correspondences | |
CN110033489A (zh) | 一种车辆定位准确性的评估方法、装置及设备 | |
CN111044037B (zh) | 一种光学卫星影像的几何定位方法及装置 | |
CN114252082B (zh) | 车辆定位方法、装置和电子设备 | |
CN111538029A (zh) | 一种视觉与雷达融合的测量方法及终端 | |
CN112629558A (zh) | 车辆惯导匹配矫正方法和装置、设备及存储介质 | |
CN115164900A (zh) | 一种基于全向相机的城市环境下视觉辅助导航方法及*** | |
CN110989619A (zh) | 用于定位对象的方法、装置、设备和存储介质 | |
US20230350418A1 (en) | Position determination by means of neural networks | |
CN113012084A (zh) | 无人机影像实时拼接方法、装置及终端设备 | |
CN110411449B (zh) | 一种航空侦察载荷目标定位方法、***及终端设备 | |
El-Ashmawy | A comparison study between collinearity condition, coplanarity condition, and direct linear transformation (DLT) method for camera exterior orientation parameters determination | |
CN112113564A (zh) | 一种基于图像传感器和惯性传感器的定位方法及*** | |
CN112633043B (zh) | 一种车道线确定方法、装置、电子设备及存储介质 | |
US20140044341A1 (en) | Using gravity measurements within a photogrammetric adjustment | |
CN108981700B (zh) | 一种定位定姿方法及装置 | |
Xiong et al. | Position estimation algorithm based on natural landmark and fish-eyes' lens for indoor mobile robot |
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 |