CN115237105A - 无人车定位异常检测方法、装置、存储介质及电子设备 - Google Patents
无人车定位异常检测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115237105A CN115237105A CN202110402452.2A CN202110402452A CN115237105A CN 115237105 A CN115237105 A CN 115237105A CN 202110402452 A CN202110402452 A CN 202110402452A CN 115237105 A CN115237105 A CN 115237105A
- Authority
- CN
- China
- Prior art keywords
- track
- unmanned vehicle
- vehicle
- unmanned
- positioning
- 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
- 238000001514 detection method Methods 0.000 title claims description 31
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 230000005856 abnormality Effects 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 241000628997 Flos Species 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本公开涉及一种无人车定位异常检测方法、装置、存储介质及电子设备,涉及无人驾驶车辆技术领域,该方法包括:根据无人车的车辆状态信息、以及无人车的车辆控制量,计算得到无人车在预设时长内的第一行驶轨迹,其中,车辆状态信息用于表征无人车在预设时长的初始时刻的车辆状态,车辆控制量包括无人车在预设时长内的行驶控制量;获取无人车在预设时长内通过定位模块记录的第二行驶轨迹;根据第一行驶轨迹以及第二行驶轨迹,确定无人车的定位模块是否出现异常。本公开的有益效果是:不仅自动化程度高,减少定位模块异常判断的人力成本,而且可以做到实时地对无人车的定位模块是否异常进行监测,从而及时对无人车的自动驾驶策略进行调整。
Description
技术领域
本公开涉及无人驾驶车辆技术领域,具体地,涉及一种无人车定位异常检测方法、装置、存储介质及电子设备。
背景技术
无人车一般包括感知、定位、高精地图、预测、决策、路径规划、控制等功能模块,其中,定位模块负责输出无人车的当前位置和姿态等信息,控制模块基于接收到的无人车的当前位置和姿态等信息,计算车辆的油门、刹车、方向盘转角等车辆控制量,从而控制无人车跟踪期望的轨迹行驶。
然而,在无人车的运营过程中,时常会发生定位模块的输出信息与无人车的真实值存在偏差,或者是定位模块的输出信息突然偏离无人车的真实值的情况,当定位模块的输出信息出现上述异常情况时,会导致无人车出现猛打方向盘、轨迹画龙、偏离规划轨迹等影响无人车安全稳定行驶的问题。由于无人车的自动驾驶***中各个功能模块的高度耦合,当出现定位模块异常时,十分难以确定出现上述问题的原因,往往需要耗费大量的人力分析排查问题。
在一般的技术方案中,要辨别定位模块异常,主要依靠观察激光雷达扫描到的路牙点云线与高精地图上的路牙线是否对齐。当出现明显偏差时,即可确定定位模块出现异常。但是上述检测方法依靠检测人员通过肉眼进行识别,需要耗费大量的人力,而且无法实时对定位模块是否发生定位异常进行检测。当无人车基于定位模块输出的错误的信息进行行驶时,极易出现安全问题。
发明内容
本公开的目的是提供一种无人车定位异常检测方法、装置、存储介质及电子设备,该无人车定位异常检测方法以部分地解决相关技术中存在的上述问题。
根据本公开实施例的第一方面,提供了一种无人车定位异常检测方法,包括:
根据所述无人车的车辆状态信息、以及所述无人车的车辆控制量,计算得到所述无人车在预设时长内的第一行驶轨迹,其中,所述车辆状态信息用于表征所述无人车在所述预设时长的初始时刻的车辆状态,所述车辆控制量包括所述无人车在所述预设时长内的行驶控制量;
获取所述无人车在所述预设时长内通过定位模块记录的第二行驶轨迹;
根据所述第一行驶轨迹以及所述第二行驶轨迹,确定所述无人车的定位模块是否出现异常。
在一些实施例中,所述根据所述第一行驶轨迹以及所述第二行驶轨迹,确定所述无人车的定位模块是否出现异常,包括:
计算所述第一行驶轨迹以及所述第二行驶轨迹之间的轨迹误差;
当所述轨迹误差大于预设阈值时,确定所述无人车的定位模块出现异常。
在一些实施例中,所述计算所述第一行驶轨迹以及所述第二行驶轨迹之间的轨迹误差,包括:
计算所述第一行驶轨迹和所述第二行驶轨迹中处于同一时刻下的轨迹点之间的距离;
根据多个处于同一时刻下的轨迹点之间的距离计算得到所述第一行驶轨迹以及所述第二行驶轨迹之间的轨迹误差。
在一些实施例中,所述计算所述第一行驶轨迹和所述第二行驶轨迹中处于同一时刻下的轨迹点之间的距离,包括:
计算所述第一行驶轨迹中的第一轨迹点在所述第二行驶轨迹在第二轨迹点处的切线方向上的投影与所述第二轨迹点之间的纵向距离,和/或计算所述第一轨迹点在所述第二行驶轨迹在所述第二轨迹点处的法线方向上的投影与所述第二轨迹点之间的横向距离,其中,所述第二轨迹点是所述第二行驶轨迹中的与所述第一轨迹点处于同一时刻下的轨迹点;
所述根据多个处于同一时刻下的轨迹点之间的距离计算得到所述第一行驶轨迹以及所述第二行驶轨迹之间的轨迹误差,包括:
根据多对第一轨迹点和第二轨迹点之间的纵向距离和/或横向距离,得到所述第一行驶轨迹以及所述第二行驶轨迹之间的轨迹误差。
在一些实施例中,所述预设阈值通过以下步骤获得:
获取所述无人车在历史时段中根据所述历史时段的初始时刻的车辆状态信息以及所述历史时段内的车辆控制量计算得到的第三行驶轨迹;
获取所述无人车在所述历史时段中通过所述定位模块采集到的定位数据;
对所述定位数据进行修正,得到所述无人车在所述历史时段中的真实定位数据,并基于所述真实定位数据确定所述无人车在所述历史时段中的第四行驶轨迹;
基于所述第三行驶轨迹与所述第四行驶轨迹之间的差值,确定所述预设阈值。
在一些实施例中,所述根据所述无人车的车辆状态信息、以及所述无人车的车辆控制量,计算得到所述无人车在预设时长内的第一行驶轨迹,包括:
将所述车辆状态信息以及所述车辆控制量输入车辆运动模型,得到所述车辆运动模型输出的所述第一行驶轨迹;
其中,所述车辆控制量包括在所述预设时长内多个采样时刻采样到的车辆控制量,所述车辆运动模型用于针对每一所述采用时刻采集到的车辆控制量,根据该采用时刻采集到的车辆控制量以及所述无人车在该采样时刻下的车辆状态,计算得到从该采用时刻到该采用时刻的下一采样时刻的车辆状态。
在一些实施例中,所述车辆状态信息包括所述无人车的位置信息、姿态信息以及速度信息,所述车辆控制量包括所述无人车的转向信息和加速度信息。
根据本公开实施例的第二方面,提供了一种无人车定位异常检测装置,包括:
轨迹预测模块,配置为根据所述无人车的车辆状态信息、以及所述无人车的车辆控制量,计算得到所述无人车在预设时长内的第一行驶轨迹,其中,所述车辆状态信息用于表征所述无人车在所述预设时长的初始时刻的车辆状态,所述车辆控制量包括所述无人车在所述预设时长内的行驶控制量;
轨迹记录模块,配置为获取所述无人车在所述预设时长内通过定位模块记录的第二行驶轨迹;
检测模块,配置为根据所述第一行驶轨迹以及所述第二行驶轨迹,确定所述无人车的定位模块是否出现异常。
根据本公开实施例的第三方面,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上述实施例中任一项所述方法的步骤。
根据本公开实施例的第四方面,提供了一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现上述实施例中任一项所述方法的步骤。
基于上述技术方案,通过根据无人车在预设时长的初始时刻的车辆状态以及无人车在该预设时长内的车辆控制量,生成无人车的第一行驶轨迹,进而根据第一行驶轨迹以及定位模块记录到的第二行驶轨迹来判断无人车的定位模块是否出现异常,不仅自动化程度高,减少定位模块异常判断的人力成本,而且可以做到实时地对无人车的定位模块是否异常进行监测,从而及时对无人车的自动驾驶策略进行调整。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的常规检测定位模块是否发生的异常的示意图;
图2是根据一示例性实施例示出的一种无人车定位异常检测方法的流程图;
图3是根据另一示例性实施例示出的一种无人车定位异常检测方法的流程图;
图4是根据一示例性实施例示出的轨迹误差的示意图;
图5是根据一示例性实施例示出的计算轨迹误差的流程图;
图6是根据一示例性实施例示出的计算横向距离和/或纵向距离的示意图;
图7是根据一示例性实施例示出的计算预设阈值的流程图;
图8是根据一示例性实施例示出的纵向预设阈值和横向预设阈值的示意图;
图9是根据一示例性实施例示出的一种无人车定位异常检测装置的框图;
图10是根据一示例性实施例示出的一种电子设备700的框图;
图11是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
目前,主要依靠工作人员观测激光雷达扫描的路牙点云线与高精地图上的路牙线是否对齐来检测无人车的定位模块是否出现异常。图1是根据一示例性实施例示出的常规检测定位模块是否发生的异常的示意图,如图1所示,lidar line为激光雷达扫描的路牙点云线,map line为高精地图上的路牙线,当激光雷达扫描的路牙点云线与高精地图上的路牙线出现一定的偏差时,则可以确定无人车的定位模块出现异常。但是,这种检测方法不仅需要依赖大量的人力资源,而且在无人车的运行过程中,无法实时检测定位异常问题,从而导致无人车无法及时对驾驶策略进行调整。同时,这种检测方法需要依靠高精地图以及激光雷达,在缺少激光雷达和高精地图的无人车中并不适用。
本公开正是基于上述技术问题,提出了一种无人车定位异常检测方法、装置、存储介质及电子设备,通过根据无人车在预设时长的初始时刻的车辆状态以及无人车在该预设时长内的车辆控制量,生成无人车的第一行驶轨迹,进而根据第一行驶轨迹以及定位模块记录到的第二行驶轨迹来判断无人车的定位模块是否出现异常,不仅自动化程度高,减少定位模块异常判断的人力成本,而且可以做到实时地对无人车的定位模块是否发生异常进行监测,从而及时对无人车的自动驾驶策略进行调整。
下面结合附图来对本公开提出的一种无人车定位异常检测方法进行详细说明。
图2是根据一示例性实施例示出的一种无人车定位异常检测方法的流程图。本公开实施例提供了一种无人车定位异常检测方法,该方法可以应用于电子设备,该电子设备可以是无人驾驶车辆、服务器、移动终端等设备。如图2所示,该无人车定位异常检测方法可以包括:
在步骤110中,根据所述无人车的车辆状态信息、以及所述无人车的车辆控制量,计算得到所述无人车在预设时长内的第一行驶轨迹,其中,所述车辆状态信息用于表征所述无人车在所述预设时长的初始时刻的车辆状态,所述车辆控制量包括所述无人车在所述预设时长内的行驶控制量。
这里,第一行驶轨迹是基于无人车在预设时长内的初始时刻的车辆状态信息以及无人车在预设时长内的车辆控制量生成的行驶轨迹,该第一行驶轨迹表征无人车在自动驾驶***的控制下的真实行驶轨迹。例如,当前时刻为13:17:00,预设时长为8秒,则可以获取13:16:52的车辆状态信息,以及根据从13:16:52至13:17:00中每个采样时刻采集到的车辆控制量生成无人车在每个采样时刻时的车辆状态信息,从而得到无人的第一行驶轨迹。其中,车辆状态信息包括无人车的位置信息、姿态信息以及速度信息,车辆控制量包括无人车的转向信息和加速度信息。应当理解的是,无人车的转向信息是指无人车的方向盘转角,其用于控制无人车进行转向。加速度信息是指无人车的油门信号、刹车信号等控制无人车速度的信息,加速度信息可以是正值也可以是负值。
其中,在一些实施方式中,可以将无人车的车辆状态信息、以及无人车的车辆控制量作为车辆运动模型的输入,得到第一行驶轨迹。
值得说明的是,在上述实施方式中,通过当前时刻进行举例说明了第一行驶轨迹的生成过程,但是并不用于限制第一行驶轨迹的生成过程。第一行驶轨迹可以是根据历史时间段中的任意一段预设时长内的无人车的车辆状态信息、以及无人车的车辆控制量而生成的,也可以是根据当前时刻下的无人车的车辆状态信息、以及在将来的预设时长内采集到的无人车的车辆控制量来实时生成的行驶轨迹。例如,当前时刻为13:17:00,预设时长为8秒,则可以获取13:17:00时的无人车的车辆状态信息,并在13:17:00至13:17:08的时间段内采集无人车的车辆控制量,生成无人车在13:17:00至13:17:08的时间段内的行驶轨迹。
在步骤120中,获取所述无人车在所述预设时长内通过定位模块记录的第二行驶轨迹。
这里,无人车在行驶过程中,通过定位模块实时记录无人车的定位数据,然后根据记录到的定位数据生成第二行驶轨迹,该第二行驶轨迹表征无人车通过定位数据确定的行驶轨迹。其中,定位模块可以是GPS(Global Positioning System,全球定位***),也可以是BDS(BeiDou Navigation Satellite System,北斗卫星导航***),还可以是GNSS(Global Navigation Satellite System,全球导航卫星***)。
应当理解的是,第二行驶轨迹也可以是基于GNSS采集到的数据、IMU(InertialMeasurement Unit,惯性测量单元)数据以及激光点云数据计算得到的。针对不同的无人车定位方案,其使用的定位模块可以不同,在本公开中不对定位模块的类型进行限定。
值得说明的是,步骤120与步骤110可以同时进行,即可以在生成第一行驶轨迹的同时,也可以通过定位模块记录无人车的第二行驶轨迹。
在步骤130中,根据所述第一行驶轨迹以及所述第二行驶轨迹,确定所述无人车的定位模块是否出现异常。
这里,第一行驶轨迹是根据无人车的车辆状态信息以及车辆控制量生成的无人车的实际行驶轨迹,第二行驶轨迹则是定位模块根据定位数据记录到的行驶轨迹,当第一行驶轨迹和第二行驶轨迹出现偏差,则可以确定无人车的定位模块出现异常。
应当理解的是,在确定无人车的定位模块出现异常之后,可以对无人车的定位模块的定位策略进行修正,使得无人车的定位模块获得的定位数据能够恢复正常。
由此,根据第一行驶轨迹以及第二行驶轨迹来判断无人车的定位模块是否出现异常,不仅自动化程度高,减少定位模块异常判断的人力成本,而且可以做到实时地对无人车的定位模块是否异常进行监测,从而及时对无人车的自动驾驶策略进行调整。同时,本公开提出的无人车定位异常检测方法应用场景跟广,对于缺少高精地图或激光雷达的车辆均适用。
图3是根据另一示例性实施例示出的一种无人车定位异常检测方法的流程图。如图3所示,一种无人车定位异常检测方法可以包括:
在步骤210中,根据所述无人车的车辆状态信息、以及所述无人车的车辆控制量,计算得到所述无人车在预设时长内的第一行驶轨迹,其中,所述车辆状态信息用于表征所述无人车在所述预设时长的初始时刻的车辆状态,所述车辆控制量包括所述无人车在所述预设时长内的行驶控制量。
这里,在上述实施方式中已经对第一行驶轨迹的生成过程进行了详细说明,在此不再赘述。
在步骤220中,获取所述无人车在所述预设时长内通过定位模块记录的第二行驶轨迹。
这里,在上述实施方式中已经对第二行驶轨迹的生成过程进行了详细说明,在此不再赘述。
在步骤230中,计算所述第一行驶轨迹以及所述第二行驶轨迹之间的轨迹误差。
这里,轨迹误差是指第一行驶轨迹与第二行驶轨迹之间的距离偏差。该距离偏差可以是第一行驶轨迹与第二行驶轨迹在经度方向上的距离偏差,也可以是第一行驶轨迹与第二行驶轨迹在纬度方向上的距离偏差。图4是根据一示例性实施例示出的轨迹误差的示意图,如图4所示,图4中的X轴为纬度方向,Y轴为经度方向,轨迹误差可以是第一行驶轨迹与第二行驶轨迹之间的一个或多个轨迹点之间的距离偏差,例如,当第一行驶轨迹与第二行驶轨迹之间连线多个处于同一时刻上的轨迹点之间的距离偏差的之间的平均值作为轨迹误差。轨迹误差也可以是第一行驶轨迹与第二行驶轨迹之间的轨迹整体上的距离偏差。
在步骤240中,当所述轨迹误差大于预设阈值时,确定所述无人车的定位模块出现异常。
这里,当轨迹误差大于预设阈值时,说明定位模块记录到的定位数据已经超过了误差允许范围,则可以确定无人车的定位模块出现异常,该异常情况可以是定位模块的定位策略引起的,也可以是定位数据的缺失引起的定位故障。当轨迹误差等于预设阈值时,则可以确定定位模块正常运行,当轨迹误差小于预设阈值时,则可以确定该轨迹误差是根据无人车的车辆状态信息、以及无人车的车辆控制量计算得到的无人车在预设时长内的第一行驶轨迹的计算策略引起的,如确定是车辆运动模型引起的轨迹误差,从而对车辆运动模型的计算策略进行优化。
其中,预设阈值可以是根据历史定位数据以及历史车辆轨迹来确定的定位模块的最大误差值,其可以包括无人车在经度方向上的最大误差值,也可以包括无人车在纬度方向上的最大误差值,也可以是根据其他方向上的最大误差值,而且该预设阈值的大小可以根据不同定位模块的精度或无人车的实际运行情况进行设定。
图5是根据一示例性实施例示出的计算轨迹误差的流程图。如图5所示,计算所述第一行驶轨迹以及所述第二行驶轨迹之间的轨迹误差,可以包括:
在步骤231中,计算所述第一行驶轨迹和所述第二行驶轨迹中处于同一时刻下的轨迹点之间的距离。
这里,在计算轨迹误差时,可以是计算第一行驶轨迹和第二行驶轨迹中处于同一时刻下的轨迹点之间的距离。其中,处于同一时刻下的轨迹点之间的距离可以是轨迹点之间在经度方向上和/或在纬度方向上的距离。当然,处于同一时刻下的轨迹点之间的距离也可以是通过其他方式计算得到的距离,如将处于同一时刻下的轨迹点投影在坐标系的上,进而计算处于同一时刻下的轨迹点之间的距离。
在步骤232中,根据多个处于同一时刻下的轨迹点之间的距离计算得到所述第一行驶轨迹以及所述第二行驶轨迹之间的轨迹误差。
这里,在第一行驶轨迹和第二行驶轨迹中包括多个处于同一时刻下的轨迹点,通过计算得到的多个处于同一时刻下的轨迹点之间的距离,计算得到第一行驶轨迹和第二行驶轨迹之间的轨迹误差。其中,可以将多个处于同一时刻下的轨迹点之间的距离的平均值作为轨迹误差,也可以选取满足特定条件的轨迹点之间的距离作为轨迹误差。
在一些可以实现的实施方式中,步骤231中,计算所述第一行驶轨迹和所述第二行驶轨迹中处于同一时刻下的轨迹点之间的距离,包括:
计算所述第一行驶轨迹中的第一轨迹点在所述第二行驶轨迹在第二轨迹点处的切线方向上的投影与所述第二轨迹点之间的纵向距离,和/或计算所述第一轨迹点在所述第二行驶轨迹在所述第二轨迹点处的法线方向上的投影与所述第二轨迹点之间的横向距离,其中,所述第二轨迹点是所述第二行驶轨迹中的与所述第一轨迹点处于同一时刻下的轨迹点;
步骤232中,根据多个处于同一时刻下的轨迹点之间的距离计算得到所述第一行驶轨迹以及所述第二行驶轨迹之间的轨迹误差,包括:
根据多对第一轨迹点和第二轨迹点之间的纵向距离和/或横向距离,得到所述第一行驶轨迹以及所述第二行驶轨迹之间的轨迹误差。
这里,图6是根据一示例性实施例示出的计算横向距离和/或纵向距离的示意图。如图6所示,第一行驶轨迹中的第一轨迹点与第二行驶轨迹中的第二轨迹点是处于同一时刻上的轨迹点,在计算纵向距离时,确定出第二轨迹点在第二行驶轨迹上的切线方向,然后将第一轨迹点投影在该切线方向上,得到第一轨迹点在切线方向上的投影,进而计算第一轨迹点在切线方向上的投影与第二轨迹点之间的距离,即为纵向距离。在计算横向距离时,确定出第二轨迹点在第二行驶轨迹上的法线方向,然后将第一轨迹点投影在该法线方向上,进而计算第一轨迹点在法线方向上的投影与第二轨迹点之间的距离,即为纵向距离。在步骤232中,则可以将计算得到的多对第一轨迹点与第二轨迹点的纵向距离和/或横向误差的平均值作为轨迹误差,也可以将计算得到的多对第一轨迹点与第二轨迹点的纵向距离和/或横向误差中的最大值作为轨迹误差,在实际应用场景中可以根据实际需求进行设定。
值得说明的是,第一轨迹点和第二轨迹点中的第一、第二并不用于区分轨迹点的先后顺序,其只是用于区分理解第一行驶轨迹和第二行驶轨迹中处于同一时刻下的轨迹点,在第一行驶轨迹和第二行驶轨迹中可以存在多对处于同一时刻下的轨迹点。
当轨迹误差包括横向距离和/或纵向距离时,步骤240中,当所述轨迹误差大于预设阈值时,确定所述无人车的定位模块出现异常,可以包括:
当第一行驶轨迹和第二行驶轨迹的纵向距离大于纵向预设阈值时,确定无人车的定位模块出现异常;
当第一行驶轨迹和第二行驶轨迹的横向距离大于横向预设阈值时,确定无人车的定位模块出现异常。
其中,预设阈值的设置可以根据选择的纵向距离和/或横向距离中的一个或多个判断条件来确定,例如,在以横向距离作为判断条件时,则预设阈值对应为横向预设阈值,在以纵向距离作为判断条件时,则预设阈值对应为纵向预设阈值,在以纵向距离和横向距离作为判断条件时,则预设阈值包括横向预设阈值和纵向预设阈值。
图7是根据一示例性实施例示出的计算预设阈值的流程图。如图7所示,在一些可实现的实施方式中,预设阈值可以通过以下步骤获得:
在步骤201中,获取所述无人车在历史时段中根据所述历史时段的初始时刻的车辆状态信息以及所述历史时段内的车辆控制量计算得到的第三行驶轨迹。
这里,第三行驶轨迹是根据无人车在历史时段中的初始时刻的车辆状态信息以及无人车在该历史时段中采集到的车辆控制量计算得到的无人车在该历史时段中的行驶轨迹。例如,历史时段为15:14:01至15:15:01,则获取无人车在15:14:01时的车辆状态信息,该车辆状态信息包括无人车的位置信息、姿态信息以及速度信息。同时,获取无人车在15:14:01至15:15:01时段中每个采样时刻采样到的车辆控制量,其中,车辆控制量包括无人车的转向信息和加速度信息,从而生成无人车在15:14:01至15:15:01时段中的行驶轨迹。
应当理解的是,在一些实施方式中,可以将无人车在历史时段中根据历史时段的初始时刻的车辆状态信息以及历史时段内的车辆控制量作为车辆运动模型的输入,生成第三行驶轨迹。
在步骤202中,获取所述无人车在所述历史时段中通过所述定位模块采集到的定位数据。
这里,可以通过无人车的定位模块获取定位模块在历史时段中采集到的定位数据,该定位数据是反映无人车在该历史时段中的定位轨迹。例如,历史时段为15:14:01至15:15:01,则获取无人车的定位模块在15:14:01至15:15:01的时段中定位数据。
在步骤203中,对所述定位数据进行修正,得到所述无人车在所述历史时段中的真实定位数据,并基于所述真实定位数据确定所述无人车在所述历史时段中的第四行驶轨迹。
这里,对定位数据进行修正可以是利用离线后处理技术对定位数据进行处理,得到无人车在该历史时段中的真实定位数据。例如,在原始的定位数据中加入无人车在该历史时段中采集到的基站数据,对定位模块获取到的定位数据进行修正,得到真实定位数据。进而基于真实定位数据生成第四行驶轨迹,该第四行驶轨迹是对定位模块的定位数据进行修正后的获得的能够反映无人车真实行驶轨迹的数据。
在步骤204中,基于所述第三行驶轨迹与所述第四行驶轨迹之间的差值,确定所述预设阈值。
这里,可以将第三行驶轨迹和第四行驶轨迹处于同一时刻下的轨迹点之间的差值作为预设阈值。例如,将第三行驶轨迹和第四行驶轨迹处于同一时刻下的轨迹点之间的差值中的最大值作为预设阈值。或者是,将第三行驶轨迹和第四行驶轨迹所有处于同一时刻下的轨迹点之间的差值的平均值作为预设阈值。
应当理解的是,第三行驶轨迹和第四行驶轨迹处于同一时刻下的轨迹点之间的差值可以包括在经度方向上的距离差值和/或在纬度方向上的距离差值,则预设阈值可以包括横向预设阈值和/或纵向预设阈值。图8是根据一示例性实施例示出的纵向预设阈值和横向预设阈值的示意图。如图8所示,在使用大量历史时段的第三行驶轨迹和第四行驶轨迹进行计算得到的横向预设阈值会收敛在15cm的位置处,纵向预设阈值会收敛在20cm的位置处。
在一些可实现的实施方式中,根据所述无人车的车辆状态信息、以及所述无人车的车辆控制量,计算得到所述无人车在预设时长内的第一行驶轨迹,包括:
将所述车辆状态信息以及所述车辆控制量输入车辆运动模型,得到所述车辆运动模型输出的所述第一行驶轨迹;
其中,所述车辆控制量包括在所述预设时长内多个采样时刻采样到的车辆控制量,所述车辆运动模型用于针对每一所述采用时刻采集到的车辆控制量,根据该采用时刻采集到的车辆控制量以及所述无人车在该采样时刻下的车辆状态,计算得到从该采用时刻到该采用时刻的下一采样时刻的车辆状态。
这里,在预设时长的初始时刻下采集到的车辆状态以及在该预设时长内采样到的车辆控制量作为车辆运动模型的输入,得到无人车的第一行驶轨迹。其中,车辆运动模型是在一定的输入控制下,预测出在每个采样时刻下的车辆状态信息,从而生成行驶轨迹。该车辆运动模型可以包括车辆运动学模型、自行车模型、动力学自行车模型等。
例如,预设时长为13:17:00至13:17:08,采样时刻分别为13:17:03以及13:17:07,则在13:17:00的车辆状态信息以及车辆控制量,得到无人车在13:17:00至13:17:03时间段的行驶轨迹,当无人车在13:17:03采样到新的车辆控制量,则车辆运动模型根据无人车在13:17:03的车辆状态以及在13:17:03采样到新的车辆控制量,生成无人车在13:17:03至13:17:07的行驶轨迹,当无人车在13:17:07采样到新的车辆控制量,则车辆运动模型根据无人车在13:17:07的车辆状态以及在13:17:07采样到新的车辆控制量,生成无人车在13:17:07至13:17:08的行驶轨迹。
值得说明的是,第三行驶轨迹也可以是通过车辆运动模型生成的行驶轨迹,可以将无人车在历史时段的初始时刻的车辆状态信息以及在该历史时段内的车辆控制量作为车辆运动模型的输入,得到第三行驶轨迹。其中,第三行驶轨迹的生成过程与第一行驶轨迹的生成过程相同,在此不再赘述。
图9是根据一示例性实施例示出的一种无人车定位异常检测装置的框图。如图9所示,本公开实施例提供了一种无人车定位异常检测装置,该装置1300包括:
轨迹预测模块1301,配置为根据所述无人车的车辆状态信息、以及所述无人车的车辆控制量,计算得到所述无人车在预设时长内的第一行驶轨迹,其中,所述车辆状态信息用于表征所述无人车在所述预设时长的初始时刻的车辆状态,所述车辆控制量包括所述无人车在所述预设时长内的行驶控制量;
轨迹记录模块1302,配置为获取所述无人车在所述预设时长内通过定位模块记录的第二行驶轨迹;
检测模块1303,配置为根据所述第一行驶轨迹以及所述第二行驶轨迹,确定所述无人车的定位模块是否出现异常。
在一些实施例中,所述检测模块1303包括:
轨迹误差计算单元,配置为计算所述第一行驶轨迹以及所述第二行驶轨迹之间的轨迹误差;
确定单元,配置为当所述轨迹误差大于预设阈值时,确定所述无人车的定位模块出现异常。
在一些实施例中,所述轨迹误差计算单元包括:
距离计算单元,配置为计算所述第一行驶轨迹和所述第二行驶轨迹中处于同一时刻下的轨迹点之间的距离;
误差确定单元,配置为根据多个处于同一时刻下的轨迹点之间的距离计算得到所述第一行驶轨迹以及所述第二行驶轨迹之间的轨迹误差。
在一些实施例中,所述距离计算单元具体配置为:计算所述第一行驶轨迹中的第一轨迹点在所述第二行驶轨迹在第二轨迹点处的切线方向上的投影与所述第二轨迹点之间的纵向距离,和/或计算所述第一轨迹点在所述第二行驶轨迹在所述第二轨迹点处的法线方向上的投影与所述第二轨迹点之间的横向距离,其中,所述第二轨迹点是所述第二行驶轨迹中的与所述第一轨迹点处于同一时刻下的轨迹点;
所述误差确定单元具体配置为:根据多对第一轨迹点和第二轨迹点之间的纵向距离和/或横向距离,得到所述第一行驶轨迹以及所述第二行驶轨迹之间的轨迹误差。
在一些实施例中,所述装置还包括:
获取模块,配置为获取所述无人车在历史时段中根据所述历史时段的初始时刻的车辆状态信息以及所述历史时段内的车辆控制量计算得到的第三行驶轨迹;
采集模块,配置为获取所述无人车在所述历史时段中通过所述定位模块采集到的定位数据;
修正模块,配置为对所述定位数据进行修正,得到所述无人车在所述历史时段中的真实定位数据,并基于所述真实定位数据确定所述无人车在所述历史时段中的第四行驶轨迹;
阈值计算模块,配置为基于所述第三行驶轨迹与所述第四行驶轨迹之间的差值,确定所述预设阈值。
在一些实施例中,所述轨迹预测模块1301具体配置为:
将所述车辆状态信息以及所述车辆控制量输入车辆运动模型,得到所述车辆运动模型输出的所述第一行驶轨迹;
其中,所述车辆控制量包括在所述预设时长内多个采样时刻采样到的车辆控制量,所述车辆运动模型用于针对每一所述采用时刻采集到的车辆控制量,根据该采用时刻采集到的车辆控制量以及所述无人车在该采样时刻下的车辆状态,计算得到从该采用时刻到该采用时刻的下一采样时刻的车辆状态。
在一些实施例中,所述车辆状态信息包括所述无人车的位置信息、姿态信息以及速度信息,所述车辆控制量包括所述无人车的转向信息和加速度信息。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图10是根据一示例性实施例示出的一种电子设备700的框图。如图10所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的无人车定位异常检测方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如无人车的定位模块记录到的第二行驶轨迹、预设阈值等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。
在一示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的无人车定位异常检测方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的无人车定位异常检测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的无人车定位异常检测方法。
图11是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图11,电子设备1900包括处理器1922,其数量可以为一个或多个,以及存储器1932,用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器1922可以被配置为执行该计算机程序,以执行上述的无人车定位异常检测方法。
另外,电子设备1900还可以包括电源组件1926和通信组件1950,该电源组件1926可以被配置为执行电子设备1900的电源管理,该通信组件1950可以被配置为实现电子设备1900的通信,例如,有线或无线通信。此外,该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的无人车定位异常检测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器1932,上述程序指令可由电子设备1900的处理器1922执行以完成上述的无人车定位异常检测方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的无人车定位异常检测方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种无人车定位异常检测方法,其特征在于,包括:
根据所述无人车的车辆状态信息、以及所述无人车的车辆控制量,计算得到所述无人车在预设时长内的第一行驶轨迹,其中,所述车辆状态信息用于表征所述无人车在所述预设时长的初始时刻的车辆状态,所述车辆控制量包括所述无人车在所述预设时长内的行驶控制量;
获取所述无人车在所述预设时长内通过定位模块记录的第二行驶轨迹;
根据所述第一行驶轨迹以及所述第二行驶轨迹,确定所述无人车的定位模块是否出现异常。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一行驶轨迹以及所述第二行驶轨迹,确定所述无人车的定位模块是否出现异常,包括:
计算所述第一行驶轨迹以及所述第二行驶轨迹之间的轨迹误差;
当所述轨迹误差大于预设阈值时,确定所述无人车的定位模块出现异常。
3.根据权利要求2所述的方法,其特征在于,所述计算所述第一行驶轨迹以及所述第二行驶轨迹之间的轨迹误差,包括:
计算所述第一行驶轨迹和所述第二行驶轨迹中处于同一时刻下的轨迹点之间的距离;
根据多个处于同一时刻下的轨迹点之间的距离计算得到所述第一行驶轨迹以及所述第二行驶轨迹之间的轨迹误差。
4.根据权利要求3所述的方法,其特征在于,所述计算所述第一行驶轨迹和所述第二行驶轨迹中处于同一时刻下的轨迹点之间的距离,包括:
计算所述第一行驶轨迹中的第一轨迹点在所述第二行驶轨迹在第二轨迹点处的切线方向上的投影与所述第二轨迹点之间的纵向距离,和/或计算所述第一轨迹点在所述第二行驶轨迹在所述第二轨迹点处的法线方向上的投影与所述第二轨迹点之间的横向距离,其中,所述第二轨迹点是所述第二行驶轨迹中的与所述第一轨迹点处于同一时刻下的轨迹点;
所述根据多个处于同一时刻下的轨迹点之间的距离计算得到所述第一行驶轨迹以及所述第二行驶轨迹之间的轨迹误差,包括:
根据多对第一轨迹点和第二轨迹点之间的纵向距离和/或横向距离,得到所述第一行驶轨迹以及所述第二行驶轨迹之间的轨迹误差。
5.根据权利要求2所述的方法,其特征在于,所述预设阈值通过以下步骤获得:
获取所述无人车在历史时段中根据所述历史时段的初始时刻的车辆状态信息以及所述历史时段内的车辆控制量计算得到的第三行驶轨迹;
获取所述无人车在所述历史时段中通过所述定位模块采集到的定位数据;
对所述定位数据进行修正,得到所述无人车在所述历史时段中的真实定位数据,并基于所述真实定位数据确定所述无人车在所述历史时段中的第四行驶轨迹;
基于所述第三行驶轨迹与所述第四行驶轨迹之间的差值,确定所述预设阈值。
6.根据权利要求1所述的方法,其特征在于,所述根据所述无人车的车辆状态信息、以及所述无人车的车辆控制量,计算得到所述无人车在预设时长内的第一行驶轨迹,包括:
将所述车辆状态信息以及所述车辆控制量输入车辆运动模型,得到所述车辆运动模型输出的所述第一行驶轨迹;
其中,所述车辆控制量包括在所述预设时长内多个采样时刻采样到的车辆控制量,所述车辆运动模型用于针对每一所述采用时刻采集到的车辆控制量,根据该采用时刻采集到的车辆控制量以及所述无人车在该采样时刻下的车辆状态,计算得到从该采用时刻到该采用时刻的下一采样时刻的车辆状态。
7.根据权利要求1所述的方法,其特征在于,所述车辆状态信息包括所述无人车的位置信息、姿态信息以及速度信息,所述车辆控制量包括所述无人车的转向信息和加速度信息。
8.一种无人车定位异常检测装置,其特征在于,包括:
轨迹预测模块,配置为根据所述无人车的车辆状态信息、以及所述无人车的车辆控制量,计算得到所述无人车在预设时长内的第一行驶轨迹,其中,所述车辆状态信息用于表征所述无人车在所述预设时长的初始时刻的车辆状态,所述车辆控制量包括所述无人车在所述预设时长内的行驶控制量;
轨迹记录模块,配置为获取所述无人车在所述预设时长内通过定位模块记录的第二行驶轨迹;
检测模块,配置为根据所述第一行驶轨迹以及所述第二行驶轨迹,确定所述无人车的定位模块是否出现异常。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110402452.2A CN115237105A (zh) | 2021-04-14 | 2021-04-14 | 无人车定位异常检测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110402452.2A CN115237105A (zh) | 2021-04-14 | 2021-04-14 | 无人车定位异常检测方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115237105A true CN115237105A (zh) | 2022-10-25 |
Family
ID=83666239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110402452.2A Pending CN115237105A (zh) | 2021-04-14 | 2021-04-14 | 无人车定位异常检测方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115237105A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957300A (zh) * | 2023-09-19 | 2023-10-27 | 天津万事达物流装备有限公司 | 一种基于无人仓库穿梭车的物流数据管理方法及*** |
-
2021
- 2021-04-14 CN CN202110402452.2A patent/CN115237105A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957300A (zh) * | 2023-09-19 | 2023-10-27 | 天津万事达物流装备有限公司 | 一种基于无人仓库穿梭车的物流数据管理方法及*** |
CN116957300B (zh) * | 2023-09-19 | 2023-12-01 | 天津万事达物流装备有限公司 | 一种基于无人仓库穿梭车的物流数据管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109444932B (zh) | 一种车辆定位方法、装置、电子设备及存储介质 | |
US9630625B2 (en) | Apparatus and method for identifying surrounding vehicles | |
US20200331495A1 (en) | System for steering an autonomous vehicle | |
CN109435955A (zh) | 一种自动驾驶***性能评估方法、装置、设备及存储介质 | |
CN114274972A (zh) | 自主驾驶环境中的场景识别 | |
US11577736B2 (en) | Method and device for ascertaining a highly accurate estimated value of a yaw rate for controlling a vehicle | |
US20220254204A1 (en) | Checkpoint-Based Tracing for Monitoring a Robotic System | |
US20200363214A1 (en) | Method for using a feature-based localization map for a vehicle | |
CN115237105A (zh) | 无人车定位异常检测方法、装置、存储介质及电子设备 | |
CN114812595A (zh) | 用于融合定位的状态预警方法、装置及电子设备、存储介质 | |
CN111192327B (zh) | 用于确定障碍物朝向的方法和装置 | |
CN115856979B (zh) | 自动驾驶车辆的定位方法、装置及电子设备、存储介质 | |
CN113183988B (zh) | 一种车辆自动驾驶的监督方法、装置、设备及存储介质 | |
CN115265566A (zh) | 自动驾驶定位数据收集处理方法、装置、介质及车辆 | |
CN113465590B (zh) | 路径规划方法和装置、自动驾驶方法和装置及作业机械 | |
CN114194201A (zh) | 一种车辆控制方法、装置、电子设备及存储介质 | |
JP7308141B2 (ja) | 自己位置推定方法及び自己位置推定装置 | |
CN115892078A (zh) | 控制列车窗户的方法、电子设备、***和车辆 | |
CN113514069A (zh) | 一种实时自动驾驶定位方法及*** | |
KR100483813B1 (ko) | 전동차의 자동열차운전시스템 및 이 시스템을 이용한자동열차운전 구현방법 | |
US20230071569A1 (en) | Method and device for monitoring operations of an automated driving system of a vehicle | |
CN114485725B (zh) | 数据异常检测方法、自动驾驶平台以及计算机可读存储介质 | |
CN117664182A (zh) | 车辆的融合定位***的监控方法及装置 | |
US20220244059A1 (en) | Method for Determining Whether a Motor Vehicle Has Driven on a Road Included in Digital Map Material | |
US20240190464A1 (en) | Computer-implemented method and system for verifying a software-based behavior planner of an automated driving function |
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 |