CN115494533A - 车辆定位方法、装置、存储介质及定位*** - Google Patents
车辆定位方法、装置、存储介质及定位*** Download PDFInfo
- Publication number
- CN115494533A CN115494533A CN202211167811.1A CN202211167811A CN115494533A CN 115494533 A CN115494533 A CN 115494533A CN 202211167811 A CN202211167811 A CN 202211167811A CN 115494533 A CN115494533 A CN 115494533A
- Authority
- CN
- China
- Prior art keywords
- vector
- point cloud
- local
- vehicle
- point
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种车辆定位方法、装置、存储介质及定位***,其中,该方法包括:获取车辆的点云数据和全局矢量地图,获取点云数据中各个点的局部曲率,根据局部曲率提取特征点云,并且根据特征点云确定激光里程计残差,从全局矢量地图中提取出局部矢量区域,车辆的标识位于局部矢量区域内,将特征点云与矢量特征进行匹配,确定矢量地图匹配残差,矢量特征是从局部矢量区域中的矢量数据中筛选出来的,根据激光里程计残差和矢量地图匹配残差确定车辆的位姿数据。本申请解决了现有技术中单一传感器难以满足自动驾驶车辆的定位精度和鲁棒性要求的问题。
Description
技术领域
本申请涉及自动驾驶技术领域,具体而言,涉及一种车辆定位方法、装置、存储介质及定位***。
背景技术
近年来,自动驾驶技术研究已成为热点和趋势。自动驾驶技术包含环境感知、定位导航、路径规划和决策控制等,而车辆高精度定位技术是实现车辆决策与控制的前提。
自动驾驶车辆常用定位技术分为两类:1)基于全球卫星导航***(GNSS,GlobalNavigation Satellite System)定位。GNSS定位精度较高,但容易受到高楼、隧道、高架和地下车库等使用环境的遮蔽影响而失效。2)基于自主式传感器定位。SLAM(SimultaneousLocalization and Mapping,同时定位与地图构建)算法是利用激光雷达或相机实现自动驾驶车辆实时定位,存在累计漂移的问题,而基于IMU(Inertial Measurement Unit,惯性测量单元)或轮速计的航迹推算是一种低成本定位方式,其优点是能根据传感器数据在短时间内提供较高精度的车辆定位信息,但航迹推算定位算法的误差会随时间不断累积,并不适合长时间单独定位。因此,现有技术中单一传感器难以满足自动驾驶车辆的定位精度和鲁棒性要求。
发明内容
本申请的主要目的在于提供一种车辆定位方法、装置、存储介质及定位***,以解决现有技术中单一传感器难以满足自动驾驶车辆的定位精度和鲁棒性要求的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种车辆定位方法,该方法包括:获取车辆的点云数据和全局矢量地图;获取所述点云数据中各个点的局部曲率,根据所述局部曲率提取特征点云,并且根据所述特征点云确定激光里程计残差;从全局矢量地图中提取出局部矢量区域,所述车辆的标识位于所述局部矢量区域内,将所述特征点云与矢量特征进行匹配,确定矢量地图匹配残差,所述矢量特征是从所述局部矢量区域中的矢量数据中筛选出来的;根据所述激光里程计残差和所述矢量地图匹配残差确定所述车辆的位姿数据。
进一步地,根据所述特征点云确定激光里程计残差包括:从所述特征点云中提取多个目标帧点云;根据所述多个目标帧点云构建局部地图;将所述特征点云的当前帧点云数据与所述局部地图匹配,得到激光里程计残差。
进一步地,获取所述点云数据中各个点的局部曲率包括:获取所述点云数据中各个点的邻域范围内的邻域点,所述邻域范围包括所述点云数据中各个点的左邻域与右邻域;根据所述邻域点计算所述点云数据中各个点的局部曲率。
进一步地,在获取所述点云数据中各个点的邻域范围内的邻域点之前,所述方法还包括:对所述点云数据进行畸变校正。
进一步地,根据所述激光里程计残差和所述矢量地图匹配残差确定所述车辆的位姿数据包括:以所述激光里程计残差和所述矢量地图匹配残差为变量,构建代价函数:
f=η{∑||rl(zl,Xj)||2+∑||rm(zm,Xj)||2}
其中,rl(zl,Xj)表示所述激光里程计残差,zl表示所述激光里程计残差的第一坐标值,Xj表示所述激光里程计残差的第二坐标值,rm(zm,Xj)表示所述矢量地图匹配残差,zm表示所述矢量地图匹配残差的第一坐标值,Xj表示所述矢量地图匹配残差的第二坐标值,η表示对应残差的权值;将所述激光里程计残差和所述矢量地图匹配残差代入所述代价函数中,得到所述代价函数的最小值,根据所述代价函数的最小值得到所述车辆的位姿数据。
进一步地,在根据所述激光里程计残差和所述矢量地图匹配残差确定所述车辆的位姿数据之后,所述方法还包括:根据所述车辆的位姿更新所述局部地图,得到更新后的局部地图。
进一步地,所述特征点云包括角点和平面点,所述角点为所述局部曲率大于曲率阈值的点,所述平面点为所述局部曲率小于所述曲率阈值的点。
根据本申请的另一方面,提供了一种车辆定位装置,该装置包括:第一获取模块,获取车辆的点云数据和全局矢量地图;第二获取模块,获取所述点云数据中各个点的局部曲率,根据所述局部曲率提取特征点云,并且根据所述特征点云确定激光里程计残差;第三获取模块,从全局矢量地图中提取出局部矢量区域,将所述特征点云与所述矢量特征进行匹配,确定矢量地图匹配残差,所述矢量特征是从所述局部矢量区域中的矢量数据中筛选出来的;确定模块,根据所述激光里程计残差和所述矢量地图匹配残差确定所述车辆的位姿数据。
根据本申请的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种上述的车辆定位方法。
根据本申请的另一方面,还提供了一种定位***,该***包括:一个或多个处理器,存储器,以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行任意一项上述的车辆定位方法。
应用本申请的技术方案,首先获取车辆的点云数据和全局矢量地图,之后获取所述点云数据中各个点的局部曲率,根据所述局部曲率提取特征点云,并且根据所述特征点云确定激光里程计残差,从全局矢量地图中提取出局部矢量区域,所述车辆的标识位于所述局部矢量区域内,将所述特征点云与矢量特征进行匹配,确定矢量地图匹配残差,所述矢量特征是从所述局部矢量区域中的矢量数据中筛选出来的,根据所述激光里程计残差和所述矢量地图匹配残差确定所述车辆的位姿数据。本申请通过融合激光里程计残差和矢量地图匹配残差数据,提高了自动驾驶车辆定位的精度和鲁棒性,解决了现有技术中单一传感器难以满足自动驾驶车辆的定位精度和鲁棒性要求的问题。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了根据本申请的实施例的车辆定位方法的流程示意图;
图2示出了根据本申请的实施例的具体的获取上述点云数据中各个点的局部曲率,根据上述局部曲率提取特征点云,并且根据上述特征点云确定激光里程计残差的流程示意图;
图3示出了根据本申请的实施例的具体的根据上述激光里程计残差和上述矢量地图匹配残差确定上述车辆的位姿数据的流程示意图;
图4示出了根据本申请的实施例的车辆定位方法的***架构图;
图5示出了根据本申请的实施例的具体的车辆定位方法的流程示意图;
图6示出了根据本申请的实施例的车辆定位装置的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应该理解的是,当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时,该元件可直接在该另一元件上,或者也可存在中间元件。而且,在说明书以及权利要求书中,当描述有元件“连接”至另一元件时,该元件可“直接连接”至该另一元件,或者通过第三元件“连接”至该另一元件。
正如背景技术中所介绍的,现有技术中的单一传感器难以满足自动驾驶车辆的定位精度和鲁棒性要求,为了解决上述问题,本申请的一种典型的实施方式中,提供了一种车辆定位方法、装置、存储介质及定位***。
根据本申请的实施例,提供了一种车辆定位方法,该方法可以用于自动驾驶车辆。
图1是根据本申请的实施例的车辆定位方法的流程示意图。如图1所示,该方法包括以下步骤:
步骤S101,获取车辆的点云数据和全局矢量地图。
在本实施例中,可以通过感知环境和车辆状态的主要传感器激光雷达获取车辆的点云数据,获取到的全局矢量地图为高精度矢量地图。
基于高精度矢量地图的信息辅助,在面对复杂交通场景的情况下,自动驾驶车辆更易判断自身位置、可行驶区域、行驶方向、前车相对位置,同时能够获得超视距的感知能力,探知前方坡度、曲率、横坡。高精度矢量地图能够为自动驾驶***提供感知、定位、决策、路径规划、控制的全链路辅助。
步骤S102,获取上述点云数据中各个点的局部曲率,根据上述局部曲率提取特征点云,并且根据上述特征点云确定激光里程计残差。
其中,如图2所示,步骤S102中获取上述点云数据中各个点的局部曲率的具体实现步骤如下:
步骤S1021,获取上述点云数据中各个点的邻域范围内的邻域点,上述邻域范围包括上述点云数据中各个点的左邻域与右邻域;
步骤S1022,根据上述邻域点计算上述点云数据中各个点的局部曲率;
在一个可选的实施例中,可以根据角度信息确定点云所属线束关系,在每条扫描线上利用邻域点集合S进行各点的局部曲率计算,如公式1所示:
另一具体的实施例中,上述特征点云包括角点和平面点,上述角点为上述局部曲率大于曲率阈值的点,上述平面点为上述局部曲率小于上述曲率阈值的点。上述两类特征点可以通过曲率值和参考点周围的分布情况提取。本实例中曲率阈值设定为0.1,其还可以根据实际情况设定为其他参数。
在双重邻域范围内计算局部曲率并依此提取同时满足阈值的角点和平面点特征。双邻域特征提取算法降低了邻域尺寸对局部曲率的影响,提高了特征提取的精度和稳定性。
为实现特征点的均匀采样,另一实施例中,还可以将每条线束均匀划分为若干个区域,每个区域提供若干个角点和平面点。在选择特征点时希望避免选取以下几类点:1)可能被遮挡的点;2)已经选过点周围的点;3)位于激光线接***行的平面点。
为了保证后续步骤中点云匹配的准确性,具体的一种实施例中,在获取上述点云数据中各个点的邻域范围内的邻域点之前,上述方法还包括:对上述点云数据进行畸变校正。具体地,基于匀速运动假设,通过线性插值方法矫正激光点云的运动畸变。进行畸变校正后的点云为目标点云数据,上述目标点云数据用于后续局部曲率计算和点云匹配。
步骤S102中,根据上述特征点云确定激光里程计残差的具体实现步骤如下:
步骤S1023,从上述特征点云中提取多个目标帧点云,根据上述多个目标帧点云构建局部地图;
示例性地,局部地图用于确定准确的特征对应关系,根据平移和旋转的变化量筛选点云的目标帧,采用固定数量m的目标帧点云构建局部地图,同时为保证特征规模及匹配搜索效率,对于局部地图点云进行降采样操作。历史目标帧对应角点特征集合和平面点特征集合根据不同时刻间相对位姿统一变换到目标帧k对应激光雷达坐标系,实现角点局部地图和平面点局部地图的构建。其中,k为m个目标帧的中值所对应索引。
步骤S1024,将上述特征点云的当前帧点云数据与上述局部地图匹配,得到激光里程计残差。
在一个可选的实施例中,利用当前帧与局部地图的相对约束关系进行特征点云的位姿变换。在局部地图中利用KD树(k-dimensional tree)算法快速寻找出角点特征对应的直线以及平面点特征对应的平面,从而利用点到直线以及点到平面的距离构建激光里程计残差。集体的,判断特征点云的当前帧是否为目标帧,若为目标帧,则基于上一时刻优化的车辆位姿更新局部地图
基于已构建局部地图和车辆位姿初始估计,采用特征点云的当前帧点云数据与局部地图匹配构建激光里程计残差。当前时刻特征点云集合和中的点云根据相对位姿关系实现点云投影,即,特征点云转换到k时刻对应激光雷达坐标系。基于两类局部地图中的特征点云,构建对应KD树并寻找角点对应的特征线和平面点对应的特征面,即,1)点线ICP(Iterative Closest Point,迭代最近点):使用KD树算法快速寻找每个角点的两个最近点,利用最近点构造直线并计算点到直线的垂足坐标2)点面ICP:使用kd树算法快速寻找每个平面点的三个最近点,利用最近点构造平面并计算点到平面的垂足坐标
如公式2所示,对于j时刻激光点云中的特征点,将其投影到k时刻激光雷达坐标系下的值为:
其中,下标l表示三维激光雷达坐标系。表示j时刻激光特征点在激光雷达坐标系下的三维坐标。表示将j时刻激光特征点转换到k时刻激光雷达坐标系下的理论值。W表示世界(GPS)坐标系,b表示车辆坐标系,表示k时刻车辆坐标系与世界(GPS)坐标系的转换关系。T表示两个坐标系间的变换矩阵,包含旋转矩阵R和平移向量p,即如公式3所示:
三维坐标形式如公式4所示:
通过约束同一时刻激光雷达的测量值构建激光里程计残差,利用点到直线和点到平面的距离表示激光里程计残差rl,如公式5所示:
其中,rl表示通过帧与局部地图匹配确定的特征点云对应关系,zl表示上述激光里程计残差的第一坐标值,Xj表示上述激光里程计残差的第二坐标值。表示将j时刻激光测量点转换到k时刻激光雷达坐标系下的投影点。表示投影点在k时刻激光雷达坐标系中的对应点。
通过激光里程计残差对***状态量求偏导构建雅克比矩阵Jl,如公式6所示:
推导可得公式7:
步骤S103,从全局矢量地图中提取出局部矢量区域,上述车辆的标识位于上述局部矢量区域内,将上述特征点云与矢量特征进行匹配,确定矢量地图匹配残差,上述矢量特征是从上述局部矢量区域中的矢量数据中筛选出来的。
其中,示例性地,步骤S103中从全局矢量地图中提取出局部矢量区域可以由如下步骤实现:基于上一时刻联合优化位姿,从全局矢量地图数据库中搜索并提取当前车辆位置附近的矢量地图;以当前帧对应激光点云数据中x,y,z三项的最大值和最小值为基础并设置缓冲区,从而保证构建的长方体符合范围要求,符合范围要求的长方体即为局部矢量区域,所有位于长方体内的矢量均属于候选矢量。
为了保证矢量匹配的有效性和高效性,需要对候选矢量数据进行筛选。在一实例中,根据当前帧对应的激光点云信息确定待选矢量有效性,同时统计有效矢量的数量以及空间分布的均匀性。对于空间区域进行均匀划分并统计每个区域内的矢量数量,基于方差公式实现空间分布均匀性的计算,以下几种情况,待选矢量属于无效:1)矢量对应的平面范围小于阈值;2)矢量对应的线段长度小于阈值;3)矢量对应的平面与激光扫描线接***行;4)矢量对应的位置在一定范围内不存在点云信息;5)矢量对应的属性与周围点云分布存在明显差异;6)矢量对应标签无法提供有效、稳定的线或面特征;7)矢量对应标签为车道线和人行横道等对SLAM贡献较小的元素。
由于矢量地图格式的多样性,在本实例中还需进行分类讨论,为提取用于矢量匹配的线段和平面,针对几种典型障碍物进行相应处理:1)对于立柱和路灯的特征提取,i)给定圆柱体中心线和半径,需要根据车辆位姿、中心线位置以及半径推算出激光扫描点对应的线段。ii)给定圆柱体中心线和横截面,对于尺寸较小的物体,可以直接利用其截面方程;2)对于红绿灯的特征提取,i)给定物体的相切平面,需要进行栅格化并利用该平面对应的激光点云进行投影,基于最小二乘法,利用平面点拟合矢量平面。ii)给定截面方程,不需要进行额外处理;3)对于房屋墙壁和墙角的特征提取,i)给定两个平面,利用平面相交计算出直线方程。ii)表现形式为平面,利用平面k近邻算法在平面点中寻找平面的对应点。
在实际操作过程中,还可能存在其他的障碍物类型,需要针对不同的障碍物类型进行针对性分析,从而可以充分利用矢量地图提供的信息,保证车辆定位的准确性和鲁棒性。
在一可选的实施例中,将上述特征点云与矢量特征进行匹配确定矢量地图匹配残差可以通过如下步骤实现:
1)对于立柱和路灯的匹配,i)表现形式为直线方程,利用线段k近邻算法在角点中寻找直线的对应点。在迭代优化过程中,需要重新寻找对应的直线。ii)表现形式为平面方程,利用平面最近邻算法在平面点中寻找平面的对应点。
2)对于红绿灯的匹配,表现形式为平面,利用平面k近邻算法在平面点中寻找平面的对应点。
3)对于房屋墙壁和墙角的匹配,i)表现形式为直线方程,利用线段k近邻算法在角点中寻找直线的对应点。ii)表现形式为平面方程,利用平面最近邻算法在平面点中寻找平面的对应点。
为了实现矢量地图的有效利用,同时提高了该融合定位***的适用范围,该实例中针对不同障碍物选用不同类型特征与之匹配,通过利用点到直线和点到平面的距离构建矢量地图匹配残差rm(zm,Xj),其中,zm表示上述矢量地图匹配残差的第一坐标值,Xj表示上述矢量地图匹配残差的第二坐标值。
步骤S104,根据上述激光里程计残差和上述矢量地图匹配残差确定上述车辆的位姿数据。
如图3所示,上述步骤S104具体实施步骤如下:
步骤S1041,以上述激光里程计残差和上述矢量地图匹配残差为变量,构建代价函数,如公式8所示:
f=η{∑||rl(zl,Xj)||2+∑||rm(zm,Xj)||2} (公式8)
其中,rl(zl,Xj)表示上述激光里程计残差,zl表示上述激光里程计残差的第一坐标值,Xj表示上述激光里程计残差的第二坐标值,rm(zm,Xj)表示上述矢量地图匹配残差,zm表示上述矢量地图匹配残差的第一坐标值,Xj表示上述矢量地图匹配残差的第二坐标值,η表示对应残差的权值;
步骤S1042,将上述激光里程计残差和上述矢量地图匹配残差代入上述代价函数中,得到上述代价函数的最小值,根据上述代价函数的最小值得到上述车辆的位姿数据。
具体地,上述两种残差均可用马氏距离表示,协方差矩阵Σv由激光雷达和矢量地图的精度确定。η表示对应残差的权值,两项权值的大小可以设定为ηl=0.5,在实际操作过程中,两项权值的大小也可以设定为其他参数,需要注意的是,对于矢量地图匹配残差对应权值ηv的设定需要充分考虑矢量的有效数量和空间分布均匀性。即如公式9:
ηv=0.1α-0.25β (公式9)
其中,α表示矢量的有效数量。β表示有效矢量空间分布对应的方差。联合优化算法利用激光里程计残差和矢量地图匹配残差构建融合定位***代价函数,通过计算***代价函数最小值获取待优化***状态量Xj的最大后验估计。通过优化求解器进行两项残差的非线性联合优化,实现自动驾驶车辆准确、可靠的实时定位,从而强化数据间约束以提高自动驾驶车辆定位准确性与鲁棒性。
在一可选的实施例中,在根据上述激光里程计残差和上述矢量地图匹配残差确定上述车辆的位姿数据之后,上述方法还包括:根据上述车辆的位姿更新上述局部地图,得到更新后的局部地图,上述更新后的局部地图可以用于下一次车辆位姿的计算。
具体地,在j时刻,待优化***状态量定义如公式10所示:
其中,w表示世界坐标系,l表示激光雷达坐标系。Xj包含当前时刻激光雷达在世界坐标系中的位姿。表示j时刻激光雷达坐标系到世界坐标系的平移变换。表示j时刻激光雷达坐标系与世界坐标系间旋转矩阵对应的李代数。即如公式11所示:
另一实施例中,如图4所示,通过激光雷达获取车辆的点云数据和全局矢量地图,之后将点云数据和全局矢量地图输入激光里程计进行特征点云的当前帧与局部地图匹配得到激光里程计残差,进行特征点云与矢量特征匹配得到矢量地图匹配残差,之后将上述激光里程计残差和上述矢量地图匹配残差进行联合优化,得到车辆的位姿数据。
具体地,如图5所示,车辆定位的方法具体为:首先通过激光雷达获取车辆的点云数据和全局矢量地图,之后通过激光里程计对点云数据进行点云畸变校正,从校正后的点云数据中提取所需的特征点云,之后使用特征点云的当前帧与局部地图进行匹配,得到激光里程计残差;从全局矢量地图中提取局部矢量区域,在上述局部矢量区域中的矢量数据中筛选出矢量特征,之后将上述特征点云与矢量特征进行匹配得到矢量地图匹配残差,之后将上述激光里程计残差和上述矢量地图匹配残差进行联合优化,得到车辆的位姿数据,并根据优化后的位姿更新局部地图,更新后的局部地图用于下一次车辆位姿的计算。
应用上述车辆定位的方法,首先获取车辆的点云数据和全局矢量地图,之后获取上述点云数据中各个点的局部曲率,根据上述局部曲率提取特征点云,并且根据上述特征点云确定激光里程计残差,从全局矢量地图中提取出局部矢量区域,上述车辆的标识位于上述局部矢量区域内,将上述特征点云与矢量特征进行匹配,确定矢量地图匹配残差,上述矢量特征是从上述局部矢量区域中的矢量数据中筛选出来的,根据上述激光里程计残差和上述矢量地图匹配残差确定上述车辆的位姿数据。上述方法通过融合激光里程计残差和矢量地图匹配残差数据,提高了自动驾驶车辆定位的精度和鲁棒性,解决了现有技术中单一传感器难以满足自动驾驶车辆的定位精度和鲁棒性要求的问题。
本申请实施例还提供了一种车辆定位装置,需要说明的是,本申请实施例的车辆定位装置可以用于执行本申请实施例所提供的用于车辆定位方法。以下对本申请实施例提供的车辆定位装置进行介绍。
图6是根据本申请实施例的车辆定位装置的示意图。如图6所示,该装置包括:
第一获取模块01,用于获取车辆的点云数据和全局矢量地图;
第二获取模块02,用于获取上述点云数据中各个点的局部曲率,根据上述局部曲率提取特征点云,并且根据上述特征点云确定激光里程计残差;
第三获取模块03,用于从全局矢量地图中提取出局部矢量区域,将上述特征点云与上述矢量特征进行匹配,确定矢量地图匹配残差,上述矢量特征是从上述局部矢量区域中的矢量数据中筛选出来的;
确定模块04,用于根据上述激光里程计残差和上述矢量地图匹配残差确定上述车辆的位姿数据,通过融合激光里程计残差和矢量地图匹配残差数据,提高了自动驾驶车辆定位的精度和鲁棒性。
在一个可选的实施例中,第二获取模块包括第一获取单元、第一计算单元、构建单元和第二计算单元,上述第一获取单元用于获取上述点云数据中各个点的邻域范围内的邻域点,上述邻域范围包括上述点云数据中各个点的左邻域与右邻域;上述第一计算用于根据上述邻域点计算上述点云数据中各个点的局部曲率;上述构建单元用于从上述特征点云中提取多个目标帧点云,根据上述多个目标帧点云构建局部地图;上述第二计算单元用于将上述特征点云的当前帧点云数据与上述局部地图匹配,得到激光里程计残差,双邻域特征提取算法降低了邻域尺寸对局部曲率的影响,提高了特征提取的精度和稳定性。
具体地,上述第二获取模块还包括校正单元,上述校正单元用于对上述点云数据进行畸变校正,可以保证后续步骤中点云匹配的准确性。
另一实施例中,上述确定模块包括构建单元和第三计算单元,上述构建单元用于以上述激光里程计残差和上述矢量地图匹配残差为变量,构建代价函数;上述第三计算单元用于将上述激光里程计残差和上述矢量地图匹配残差代入上述代价函数中,得到上述代价函数的最小值,根据上述代价函数的最小值得到上述车辆的位姿数据,通过融合激光里程计残差和矢量地图匹配残差数据,提高了自动驾驶车辆定位的精度和鲁棒性。
具体地,上述装置还包括更新模块,上述更新模块用于根据上述车辆的位姿更新上述局部地图,得到更新后的局部地图。
应用上述车辆定位装置,可以获取车辆的点云数据和全局矢量地图,之后获取上述点云数据中各个点的局部曲率,根据上述局部曲率提取特征点云,并且根据上述特征点云确定激光里程计残差,从全局矢量地图中提取出局部矢量区域,上述车辆的标识位于上述局部矢量区域内,将上述特征点云与矢量特征进行匹配,确定矢量地图匹配残差,上述矢量特征是从上述局部矢量区域中的矢量数据中筛选出来的,根据上述激光里程计残差和上述矢量地图匹配残差确定上述车辆的位姿数据。上述装置实现了激光雷达和矢量地图两者的数据融合,紧耦合算法保证自动驾驶车辆定位精度,解决了现有技术中单一传感器难以满足自动驾驶车辆的定位精度和鲁棒性要求的问题。
本发明实施例提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述车辆定位的方法。
本发明实施例提供了一种定位***,该***包括:一个或多个存储器,以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,上述一个或多个程序包括用于执行上述任一种车辆定位的方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
存储器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)。存储器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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
从以上的描述中,可以看出,本申请上述的实施例实现了如下技术效果:
1)、应用上述车辆定位的方法,首先获取车辆的点云数据和全局矢量地图,之后获取上述点云数据中各个点的局部曲率,根据上述局部曲率提取特征点云,并且根据上述特征点云确定激光里程计残差,从全局矢量地图中提取出局部矢量区域,上述车辆的标识位于上述局部矢量区域内,将上述特征点云与矢量特征进行匹配,确定矢量地图匹配残差,上述矢量特征是从上述局部矢量区域中的矢量数据中筛选出来的,根据上述激光里程计残差和上述矢量地图匹配残差确定上述车辆的位姿数据。上述方法通过融合激光里程计残差和矢量地图匹配残差数据,提高了自动驾驶车辆定位的精度和鲁棒性,解决了现有技术中单一传感器难以满足自动驾驶车辆的定位精度和鲁棒性要求的问题。
2)、应用上述车辆定位装置,可以获取车辆的点云数据和全局矢量地图,之后获取上述点云数据中各个点的局部曲率,根据上述局部曲率提取特征点云,并且根据上述特征点云确定激光里程计残差,从全局矢量地图中提取出局部矢量区域,上述车辆的标识位于上述局部矢量区域内,将上述特征点云与矢量特征进行匹配,确定矢量地图匹配残差,上述矢量特征是从上述局部矢量区域中的矢量数据中筛选出来的,根据上述激光里程计残差和上述矢量地图匹配残差确定上述车辆的位姿数据。上述装置实现了激光雷达和矢量地图两者的数据融合,紧耦合算法保证自动驾驶车辆定位精度,解决了现有技术中单一传感器难以满足自动驾驶车辆的定位精度和鲁棒性要求的问题。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种车辆定位方法,其特征在于,包括:
获取车辆的点云数据和全局矢量地图;
获取所述点云数据中各个点的局部曲率,根据所述局部曲率提取特征点云,并且根据所述特征点云确定激光里程计残差;
从全局矢量地图中提取出局部矢量区域,所述车辆的标识位于所述局部矢量区域内,将所述特征点云与矢量特征进行匹配,确定矢量地图匹配残差,所述矢量特征是从所述局部矢量区域中的矢量数据中筛选出来的;
根据所述激光里程计残差和所述矢量地图匹配残差确定所述车辆的位姿数据。
2.根据权利要求1所述的方法,其特征在于,根据所述特征点云确定激光里程计残差,包括:
从所述特征点云中提取多个目标帧点云;
根据所述多个目标帧点云构建局部地图;
将所述特征点云的当前帧点云数据与所述局部地图匹配,得到激光里程计残差。
3.根据权利要求1所述的方法,其特征在于,获取所述点云数据中各个点的局部曲率,包括:
获取所述点云数据中各个点的邻域范围内的邻域点,所述邻域范围包括所述点云数据中各个点的左邻域与右邻域;
根据所述邻域点计算所述点云数据中各个点的局部曲率。
4.根据权利要求3所述的方法,其特征在于,在获取所述点云数据中各个点的邻域范围内的邻域点之前,所述方法还包括:
对所述点云数据进行畸变校正。
5.根据权利要求1所述的方法,其特征在于,根据所述激光里程计残差和所述矢量地图匹配残差确定所述车辆的位姿数据,包括:
以所述激光里程计残差和所述矢量地图匹配残差为变量,构建代价函数:
f=η{∑||rl(zl,Xj)||2+∑||rm(zm,Xj)||2}
其中,rl(zl,Xj)表示所述激光里程计残差,zl表示所述激光里程计残差的第一坐标值,Xj表示所述激光里程计残差的第二坐标值,rm(zm,Xj)表示所述矢量地图匹配残差,zm表示所述矢量地图匹配残差的第一坐标值,Xj表示所述矢量地图匹配残差的第二坐标值,η表示对应残差的权值;
将所述激光里程计残差和所述矢量地图匹配残差代入所述代价函数中,得到所述代价函数的最小值,根据所述代价函数的最小值得到所述车辆的位姿数据。
6.根据权利要求2所述的方法,其特征在于,在根据所述激光里程计残差和所述矢量地图匹配残差确定所述车辆的位姿数据之后,所述方法还包括:
根据所述车辆的位姿更新所述局部地图,得到更新后的局部地图。
7.根据权利要求1至5中任一项所述的方法,其特征在于,
所述特征点云包括角点和平面点,所述角点为所述局部曲率大于曲率阈值的点,所述平面点为所述局部曲率小于所述曲率阈值的点。
8.一种车辆定位装置,其特征在于,包括:
第一获取模块,获取车辆的点云数据和全局矢量地图;
第二获取模块,获取所述点云数据中各个点的局部曲率,根据所述局部曲率提取特征点云,并且根据所述特征点云确定激光里程计残差;
第三获取模块,从全局矢量地图中提取出局部矢量区域,将所述特征点云与矢量特征进行匹配,确定矢量地图匹配残差,所述矢量特征是从所述局部矢量区域中的矢量数据中筛选出来的;
确定模块,根据所述激光里程计残差和所述矢量地图匹配残差确定所述车辆的位姿数据。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的方法。
10.一种定位***,其特征在于,包括:一个或多个存储器,以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,所述一个或多个程序包括用于执行权利要求1至7中任意一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211167811.1A CN115494533A (zh) | 2022-09-23 | 2022-09-23 | 车辆定位方法、装置、存储介质及定位*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211167811.1A CN115494533A (zh) | 2022-09-23 | 2022-09-23 | 车辆定位方法、装置、存储介质及定位*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115494533A true CN115494533A (zh) | 2022-12-20 |
Family
ID=84471331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211167811.1A Pending CN115494533A (zh) | 2022-09-23 | 2022-09-23 | 车辆定位方法、装置、存储介质及定位*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115494533A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116678423A (zh) * | 2023-05-26 | 2023-09-01 | 小米汽车科技有限公司 | 多源融合定位方法、装置及车辆 |
CN117570994A (zh) * | 2023-12-01 | 2024-02-20 | 广州大学 | 利用柱状结构辅助slam的地图表征方法 |
CN118031983A (zh) * | 2024-04-11 | 2024-05-14 | 江苏集萃清联智控科技有限公司 | 自动驾驶融合定位方法及*** |
-
2022
- 2022-09-23 CN CN202211167811.1A patent/CN115494533A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116678423A (zh) * | 2023-05-26 | 2023-09-01 | 小米汽车科技有限公司 | 多源融合定位方法、装置及车辆 |
CN116678423B (zh) * | 2023-05-26 | 2024-04-16 | 小米汽车科技有限公司 | 多源融合定位方法、装置及车辆 |
CN117570994A (zh) * | 2023-12-01 | 2024-02-20 | 广州大学 | 利用柱状结构辅助slam的地图表征方法 |
CN117570994B (zh) * | 2023-12-01 | 2024-05-28 | 广州大学 | 利用柱状结构辅助slam的地图表征方法 |
CN118031983A (zh) * | 2024-04-11 | 2024-05-14 | 江苏集萃清联智控科技有限公司 | 自动驾驶融合定位方法及*** |
CN118031983B (zh) * | 2024-04-11 | 2024-06-25 | 江苏集萃清联智控科技有限公司 | 自动驾驶融合定位方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7398506B2 (ja) | ローカライゼーション基準データを生成及び使用する方法及びシステム | |
US11030803B2 (en) | Method and apparatus for generating raster map | |
CN108763287B (zh) | 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法 | |
CN113168717B (zh) | 一种点云匹配方法及装置、导航方法及设备、定位方法、激光雷达 | |
JP6595182B2 (ja) | マッピング、位置特定、及び姿勢補正のためのシステム及び方法 | |
KR20200121274A (ko) | 전자 지도를 업데이트하기 위한 방법, 장치 및 컴퓨터 판독 가능한 저장 매체 | |
CN115494533A (zh) | 车辆定位方法、装置、存储介质及定位*** | |
CN107167826B (zh) | 一种自动驾驶中基于可变网格的图像特征检测的车辆纵向定位***及方法 | |
CN111220993A (zh) | 目标场景定位方法、装置、计算机设备和存储介质 | |
CN114964212B (zh) | 面向未知空间探索的多机协同融合定位与建图方法 | |
CN115690338A (zh) | 地图构建方法、装置、设备及存储介质 | |
CN114485698B (zh) | 一种交叉路口引导线生成方法及*** | |
CN114111775A (zh) | 一种多传感器融合定位方法、装置、存储介质及电子设备 | |
CN114898314A (zh) | 驾驶场景的目标检测方法、装置、设备及存储介质 | |
CN113838129B (zh) | 一种获得位姿信息的方法、装置以及*** | |
CN112965076B (zh) | 一种用于机器人的多雷达定位***及方法 | |
WO2022151011A1 (zh) | 一种定位方法、装置和车辆 | |
KR102371852B1 (ko) | 포인트 클라우드 정보에 기반한 맵 업데이트 방법 및 장치 | |
Meis et al. | A new method for robust far-distance road course estimation in advanced driver assistance systems | |
KR20220050507A (ko) | Nd 맵 생성방법 및 그를 활용한 맵 업데이트 방법 | |
WO2023222671A1 (en) | Position determination of a vehicle using image segmentations | |
CN113227713A (zh) | 生成用于定位的环境模型的方法和*** | |
CN115963508A (zh) | 激光雷达和imu的紧耦合slam方法及*** | |
CN112184906A (zh) | 一种三维模型的构建方法及装置 | |
Vatavu et al. | Real-time environment representation based on occupancy grid temporal analysis using a dense stereo-vision system |
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 |