CN116358557A - 高精度定位信息确定方法、融合定位模块和高精地图引擎 - Google Patents

Abstract

本说明书实施例公开了一种高精度定位信息确定方法、融合定位模块和高精地图引擎。方案可以包括：分别获取装载于目标车辆的多个不同种类的传感器采集的传感器信息；从高精度地图数据中，获取所述目标车辆的预估位置对应的第一地图信息以及所述预估位置周边预设距离范围内的第二地图信息；基于所述第一地图信息和所述第二地图信息中的至少一者，分别对所述不同种类的传感器采集的传感器信息进行校正，得到校正后的传感器信息；将所述多个不同种类的传感器对应的所述校正后的传感器信息与所述高精度地图数据进行融合，得到所述目标车辆的融合后的高精度定位信息。基于该方案，能够提高定位***的精确性和鲁棒性。

Description

高精度定位信息确定方法、融合定位模块和高精地图引擎

技术领域

本申请涉及地图技术领域，尤其涉及一种高精度定位信息确定方法、融合定位模块和高精地图引擎。

背景技术

随着自动驾驶技术的发展，高精度的实时定位技术愈发重要，如何为自动驾驶提供优质的位姿信息，已经成为了自动驾驶领域的一大要点。

目前高精度定位的方案还没有达到成熟稳定的状态。通常，可以利用各种传感器采集的数据，来融合得到车辆定位。但是，车辆常用的各种传感器，都有着自己的应用局限。例如，惯性测量信息在静止时也会产生漂移，RTK(实时动态载波相位差分技术)信号在有遮挡的地方信号质量会下降，雷达在特征少或不明显的位置无法提供有效的信息，等等。可见，由于各种传感器信息会受到外部环境的种种影响，难以使车辆一直保持在高精度的定位状态。

发明内容

本说明书实施例提供一种高精度定位信息确定方法、融合定位模块和高精地图引擎，以解决现有的高精度定位方法存在的无法使车辆保持高精度定位状态的问题。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供的一种高精度定位信息确定方法，包括：

分别获取装载于目标车辆的多个不同种类的传感器采集的传感器信息；

从高精度地图数据中，获取所述目标车辆的预估位置对应的第一地图信息以及所述预估位置周边预设距离范围内的第二地图信息；所述第一地图信息包括车道属性信息和道路属性信息中的至少一者；所述第二地图信息包括地物属性信息；

基于所述第一地图信息和所述第二地图信息中的至少一者，分别对所述不同种类的传感器采集的传感器信息进行校正，得到校正后的传感器信息；

将所述多个不同种类的传感器对应的所述校正后的传感器信息与所述高精度地图数据进行融合，得到所述目标车辆的融合后的高精度定位信息。

本说明书实施例提供的一种融合定位模块，包括：

传感器信息获取单元，用于分别获取装载于目标车辆的多个不同种类的传感器采集的传感器信息；

高精度地图信息获取单元，用于从高精度地图数据中，获取所述目标车辆的预估位置对应的第一地图信息以及所述预估位置周边预设距离范围内的第二地图信息；所述第一地图信息包括车道属性信息和道路属性信息中的至少一者；所述第二地图信息包括地物属性信息；

校正单元，用于基于所述第一地图信息和所述第二地图信息中的至少一者，分别对所述不同种类的传感器采集的传感器信息进行校正，得到校正后的传感器信息；

数据融合单元，用于将所述多个不同种类的传感器对应的所述校正后的传感器信息与所述高精度地图数据进行融合，得到所述目标车辆的融合后的高精度定位信息。

本说明书实施例提供的一种高精度地图引擎，包括：

前述融合定位模块；

电子地平线模块，用于接收外部高精车辆位置信息并匹配到地图，提供功能性接口供自动驾驶应用进行规控判断；

以及，自动驾驶设计运行域判断模块、地图更新模块、众包预处理和回传模块、路径交叉关联模块、车道级路径规划模块中至少一种；

其中，所述自动驾驶设计运行域判断模块，用于配置自动驾驶区域以及判断要求；

所述地图更新模块，用于基于车辆位置和规划路径，获得高精度地图的地图数据更新信息；

所述众包预处理和回传模块，用于通过对UGC视觉矢量数据进行筛选、融合等预处理，回传云端并更新地图数据中心；

所述路径交叉关联模块，用于由用户发起的全局路径规划结果同步到自动驾驶***，通过和高精度地图进行交叉关联，获得导航路径在高精度地图上的匹配路径；

所述车道级路径规划模块，用于根据导航路径匹配及路线修正的结果，输出车道级别，车辆前方一定长度范围内的局部路径规划。

本说明书一个实施例至少能够达到以下有益效果：通过对于各个传感器产生的用于计算位姿的数据，使用高精度地图数据对这些数据进行修正，之后，使用修正的数据再进行数据融合，由此，能够显著提高定位***的精确性和鲁棒性。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本说明书实施例提供的一种高精度定位信息确定方法的整体方案流程示意图；

图2是本说明书实施例提供的一种高精度定位信息确定方法流程图；

图3是本说明书实施例提供的一种融合定位模块的示意图；

图4是本说明书实施例提供的一种高精度地图引擎的结构示意图。

具体实施方式

随着自动驾驶技术的发展，高精度的实时定位技术愈发重要，如何为自动驾驶提供优质的位姿信息，已经成为了自动驾驶领域的一大要点。

目前高精度定位的方案还没有达到成熟稳定的状态。在高精定位的整个过程中，各个传感器产生用于计算位姿的数据，融合算法利用这些数据进行融合，产生高精位置。车辆常用的各种传感器，都有着自己的应用局限。在实际应用的过程中，各类传感器都可能会出现数据不准的情况。比如惯性测量(InertialMeasurementUnit，IMU)数据在静止时会产生漂移，实时动态(Real-timekinematic，RTK)载波相位差分信号在有遮挡的地方信号质量会下降，雷达在特征少或不明显的位置无法提供有效的信息。

在本说明书的实施例中，可以使用高精度地图对传感器的误差进行修正，使用修正后的数据，再进行融合，大大提高了定位***的精确性和鲁棒性。由于高精度地图可以不受任何外部环境的影响，使得定位***在其他传感器信号质量变差时，结合地图约束，仍然可以保持高精度的定位状态。

为使本说明书一个或多个实施例的目的、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一个或多个实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书的一部分实施例，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，都属于本说明书一个或多个实施例保护的范围。

应当理解，尽管在本申请文件中可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。

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为本说明书实施例中一种高精度定位信息确定方法的整体方案流程示意图。

如图1所示，可以使用高精度地图数据，对诸如IMU、RTK、里程计传感器数据(视觉里程数据或雷达里程数据)、车速数据等传感器数据进行校准，得到校准后的位姿信息及其精度因子信息；进而，将校准后的位姿信息及其精度因子信息输入到后端融合算法中，进行信息融合，得到融合定位结果。

基于图1的方案，在将例如RTK、IMU、车身信号、摄像头等外部传感器数据进行融合前，使用高精度地图数据校准，通过动态估计高精度地图数据与传感器感知的实际场景的位姿偏差，用高精度地图的约束来纠正传感器的数据。据此，能够提供与高精度地图高度契合的位置信息，以供自动驾驶和智能座舱等使用。

接下来，将针对说明书实施例提供的一种高精度定位信息确定方法结合附图进行具体说明。

图2为本说明书实施例提供的一种高精度定位信息确定方法的流程示意图。

从程序角度而言，流程的执行主体可以为搭载于应用服务器的程序。可以理解，该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。

如图2所示，该流程可以包括以下步骤：

步骤202：分别获取装载于目标车辆的多个不同种类的传感器采集的传感器信息。

在本说明书的实施例中，所校正的传感器数据可以是装载于车辆上的传感器采集的数据。可选地，所述传感器可以包括卫星定位装置(例如，GPS装置、RTK装置等)、惯性测量装置(InertialMeasurementUnit，IMU)、车速检测装置、雷达或视觉里程计等。

步骤204：从高精度地图数据中，获取所述目标车辆的预估位置对应的第一地图信息以及所述预估位置周边预设距离范围内的第二地图信息。

其中，所述第一地图信息可以包括道路属性信息或车道属性信息；所述第二地图信息可以包括地物属性信息。在本说明书的实施例中，所述地物可以是位于地表面的固定性物体，可以包括自然形成的和人工建造的，例如，地物可以包括建筑物、道路标牌、树木等。从高精度地图数据中获取的所述地物属性信息，具体可以包括地物的坐标信息、尺寸信息等。

在实际应用时，随着时间的推移或车辆的移动，可以按照预设周期对车辆进行重新定位，例如，可以每若干时间间隔对车辆进行重定位，又如，可以在车辆每移动若干距离后对车辆进行重定位等。并且，每一次的定位可以在前一次定位结果的基础上进行，更具体地，可以基于前一次定位时对于当前的车辆位置的预测结果进行本次定位。如本说明书图2的技术方案，对应于一次车辆定位的过程。

在本说明书的实施例中，当利用高精度地图数据校正传感器数据时，首先需要获取相应的高精度地图数据。具体地，可以根据前一次定位时对于目标车辆的预估位置，来获取相应的高精度地图数据。

另外，在获取高精度地图数据时，可以获取车辆所处预估位置对应的高精数据(在本说明书的实施例中称为第一地图信息)，例如，所在车道相关的数据，如，车道宽度、道路宽度、道路坡度、道路曲率、车道限速、道路限速等等，不限于此。并且，在获取高精度地图数据时，还可以获取车辆周边一定距离范围内的高精数据(在本说明书的实施例中称为第二地图信息)，例如，道路标牌信息、建筑物信息等。

步骤206：基于所述第一地图信息和所述第二地图信息中的至少一者，分别对所述不同种类的传感器采集的传感器信息进行校正，得到校正后的传感器信息。

在本说明书的实施例中，对于不同的传感器的校正，所需要参考的高精度地图数据的具体项目可以不同。在实际应用时，可以仅使用第一地图信息，仅使用第二地图信息，或者同时使用第一地图信息和第二地图信息来实现对传感器信息的校正。例如，可以参考诸如道路属性信息的与目标车辆的预估位置对应的第一地图信息，或者，可以参考目标车辆周边的各种地物的属性信息(例如，坐标信息)，或者，可以既参考目标车辆的预估位置对应的第一地图信息又参考目标车辆周边的各种地物的属性信息。

另外，所述传感器信息可以包括传感数据，还可以包括包括精度因子。在实际应用时，对于传感器信息的校正，可以包括对传感数据本身的校正，也可以包括对传感数据的精度因子的校正。可选地，可以基于所述第一地图信息和所述第二地图信息中的至少一者，对所述传感器信息中的传感数据进行校正，其中，所述传感数据具体包括如下数据中的至少一者：卫星定位数据、惯性测量数据、雷达里程数据、视觉里程数据或车速数据。另外可选地，可以基于所述第一地图信息，对所述传感器信息中的精度因子进行校正。

步骤208：将所述多个不同种类的传感器对应的所述校正后的传感器信息与所述高精度地图数据进行融合，得到所述目标车辆的融合后的高精度定位信息。

在本说明书的实施例中，在使用高精度地图数据对各类传感器做好修正以后，可以将位姿及精度信息，输入给后端融合算法(比如扩展卡尔曼滤波(ExtendedKalmanFilter，EKF))。融合算法依照自身需要，将合适的数据应用于其自身的状态方程以及观测方程里，并产生融合定位结果。

在本说明书的实施例中，通过紧密结合高精度地图，充分利用高精度地图的数据优势，仅使用传统汽车搭配的低成本传感器，即可实现和高精度地图高度契合的定位方案。硬件成本低，实时性好，易于量产。对于使用更丰富的高造价传感器的定位方案，也同样可以提升精度，扩充使用场景。

应当理解，本说明书一个或多个实施例所述的方法中，部分步骤的顺序可以根据实际需要调整，或者可以省略部分步骤。

基于图2的方法，本说明书实施例还提供了该方法的一些具体实施方式，下面进行说明。

在一个或更多个实施例中，采用卫星定位装置采集的卫星定位信息进行数据融合定位前，可以对该卫星定位信息进行校正。其中，卫星定位信息具体可以是GPS信息、RTK信息等。在实际应用时，从卫星接收信息并经芯片解析得到经纬度数据，然后再利用高精度地图数据对于解析出的经纬度数据及其精度因子进行校准，以有利于维持更好的定位状态。

一方面，可以基于高精度地图信息来校正卫星定位数据本身。

具体地，所述传感数据可以包括卫星定位装置采集的所述目标车辆的卫星定位信息；所述第二地图信息具体可以包括地物属性信息。首先，可以获取卫星定位装置采集的所述目标车辆的卫星定位信息；并获取矢量摄像头采集的所述目标车辆的周边地物信息以及所述周边地物相对于所述目标车辆的相对坐标信息；然后，可以获取所述目标车辆在高精度地图中的预估位置周边预设距离范围内的备选地物信息；所述预估位置是基于所述目标车辆的卫星定位信息确定的；并从所述备选地物中，确定出与所述矢量摄像头采集的周边地物匹配的目标地物；之后，可以基于所述目标地物的绝对坐标信息以及所述目标地物相对于所述目标车辆的相对坐标信息，对所述目标车辆的卫星定位信息进行校正，得到校正后的卫星定位信息。

在实际应用时，装载于车辆的摄像头进行环境感知，将识别到的图像信息，使用感知算法，识别出车道线、标牌等矢量信息，作为摄像头数据。通过RTK提供的大概位置并融合车身数据(例如，车速、角速度等车身给的信号)与摄像头采集的视觉里程，能够得到比较准确的车辆位置；通过这个比较准确的车辆位置，在高精度地图中收集高精度车道线信息以及标牌信息等矢量信息；再将摄像头数据与收集的高精度地图信息进行对比，包括对比车道线类型、车道线颜色、标牌种类等信息，并利用概率模型计算出概率最高的匹配结果信息。提供出最佳匹配的结果信息后，首先提取出摄像头数据中各个矢量(例如，车道线、标牌等)相对于车辆的相对位置的点列坐标，然后在高精度地图中取出各个矢量(例如，车道线、标牌等)的绝对坐标，将两组坐标数据进行匹配，计算出经过修正的高精度位置。依照以上方式，定位***可以一直维持稳定的高精定位状态。

另一方面，还可以基于高精度地图信息来校正卫星定位数据的精度因子。

具体地，所述第一地图信息具体可以包括车道属性信息。首先，可以获取卫星定位装置采集的所述目标车辆的卫星定位信息；并获取矢量摄像头采集的所述目标车辆的周边地物信息以及所述周边地物相对于所述目标车辆的相对坐标信息；然后，可以获取所述目标车辆在高精度地图中的预估位置对应的车道属性信息，所述车道属性信息包括车道宽度信息和车道位置信息中的至少一者，所述车道位置信息用于表示目标车道是否邻近道路边界；之后，可以根据所述车道属性信息，判断是否满足预设的定位精度调整条件，得到第一判断结果；并且若所述第一判断结果表示满足预设的定位精度调整条件，则按照与所述预设的定位精度调整条件对应的定位精度调整策略，调节所述目标车辆的卫星定位信息的精度因子。

可选地，所述根据所述车道属性信息，判断是否满足预设的定位精度调整条件，得到第一判断结果，具体可以包括：判断是否：所述目标车辆所在车道的车道宽度小于第一预设阈值，且所述目标车辆的卫星定位信息的精度因子大于第二预设阈值，得到第二判断结果。相应地，所述若所述第一判断结果表示满足预设的定位精度调整条件，则按照与所述预设的定位精度调整条件对应的定位精度调整策略，调节所述目标车辆的卫星定位信息的精度因子，具体可以包括：若所述第二判断结果表示，所述目标车辆所在车道的车道宽度小于第一预设阈值，且所述目标车辆的卫星定位信息的精度因子大于第二预设阈值，则按照预设的精度因子缩小方案对所述目标车辆的卫星定位信息的精度因子进行缩小。

例如，当车辆行驶在一段只有4米宽的路上时，RTK给出了比较准确的位置信息，但是由于外界原因，RTK信号的位置精度数据数值很大，超过了4米。在这样的情形下，通过高精地图的车道信息，就可以对精度因子进行校正，将其合理的缩小。

可选地，所述根据所述车道属性信息，判断是否满足预设的定位精度调整条件，得到第一判断结果，具体可以包括：判断是否：所述目标车辆所在车道邻近道路边界，且所述目标车辆的卫星定位信息的精度因子小于第三预设阈值，得到第三判断结果。相应地，所述若所述第一判断结果表示满足预设的定位精度调整条件，则按照与所述预设的定位精度调整条件对应的定位精度调整策略，调节所述目标车辆的卫星定位信息的精度因子，具体可以包括：若所述第三判断结果表示所述目标车辆所在车道邻近道路边界，且所述目标车辆的卫星定位信息的精度因子小于第三预设阈值，则按照预设的精度因子放大方案对所述目标车辆的卫星定位信息的精度因子进行放大。

例如，当车辆正常行驶在某一临近道路边界的车道时，RTK信号可能出现偏出到车道外的情形，但此时，RTK信号给出的精度数据数值很小，认为车辆处于道路边界以外的位置。在这样的情形下，通过高精地图的车道信息，同样可以对精度因子进行校正，将其合理的放大。

可以理解的是，上述给出的对卫星定位信息(包括定位数据本身及其精度因子)进行校正的示例仅是为了说明的需要，并不构成对本说明书技术方案应用范围的限定，在实际应用中，还可以有其他示例。

在一个或更多个实施例中，采用惯性测量装置采集的惯性测量信息进行数据融合定位前，可以对该惯性测量信息进行校正。

惯性测量装置，又称，惯性测量单元或惯性传感器，主要用来检测和测量加速度与旋转运动。最基础的惯性传感器包括加速度计和角速度计(陀螺仪)。惯性传感器的误差会随着时间的推进而增加，所以只能在很短的时间内依赖惯性传感器进行定位。通常在自动驾驶车辆中与GNSS(全球导航卫星***)配合一起使用，称为组合惯导。

具体地，首先，可以获取惯性测量单元采集的所述目标车辆的惯性测量信息，所述惯性测量信息可以包括加速度和角速度；并且，可以获取所述目标车辆在高精度地图中的预估位置对应的道路属性信息；然后，可以根据所述道路属性信息，确定所述目标车辆的惯性测量信息范围；之后，再根据所述惯性测量信息范围，对所述惯性测量单元采集的惯性测量信息进行校正以得到校正后的惯性测量信息。

其中，所述道路属性信息具体可以包括道路坡度信息。即，所述从高精度地图数据中，获取所述目标车辆的预估位置对应的第一地图信息以及所述预估位置周边预设距离范围内的第二地图信息，具体可以包括：获取所述目标车辆在高精度地图中的预估位置所属道路的道路坡度信息。所述基于所述第一地图信息和所述第二地图信息中的至少一者，分别对所述不同种类的传感器采集的传感器信息进行校正，得到校正后的传感器信息，具体可以包括：基于所述道路坡度信息，确定所述目标车辆的理论加速度范围；根据所述理论加速度范围，对惯性测量单元采集的加速度进行校正。

例如，由于路面起伏等外在因素，造成车辆运动状态剧烈变化，这时候，IMU随车身剧烈摆动摇晃，IMU的加速度信息剧烈变化，进而会导致车辆的预测速度和位置突变严重，这种情况下，使用高精地图中的坡度数据，可以排除这样的干扰，有效地约束车辆位姿。

可以理解的是，上述给出的对IMU数据进行校正的示例仅是为了说明的需要，并不构成对本说明书技术方案应用范围的限定，在实际应用中，还可以有其他示例。例如，还可以基于车辆所在位置的道路属性信息(例如，道路曲率等)，来对车辆的角速度信息进行校正。

在一个或更多个实施例中，采用车速检测装置采集的车速信息进行数据融合定位前，可以对该车速信息进行校正。

具体地，首先，可以获取车速传感器采集的所述目标车辆的车速信息；并且，可以获取所述目标车辆在高精度地图中的预估位置对应的道路属性信息，所述道路属性信息包括道路限速信息、道路曲率信息和道路坡度信息中的至少一者；之后，可以基于所述道路属性信息，确定所述目标车辆的理论速度范围；再根据所述理论速度范围，对所述目标车辆的车速信息进行校正以得到校正后的车速信息，或者，确定所述目标车辆的车速信息的精度因子。

例如，在自动驾驶环境下，当车速传感器获得的车辆速度为125km/h，并从高精度地图中获得车辆当前所在道路的限速信息为60km/h-120km/h，则可以根据60km/h-120km/h这一限度来校正125km/h这一车速(例如，将其调整为120km/h，并进行标记)，或者，可以确定车辆速度的精度因子为5km/h或更大。

在实际应用时，车速信号只能提供车速数值一项数据，并不能提供关于该数值的精度相关信息。在有高精地图的情形下，可以根据限速信息、道路曲率、坡度等信息，合理地推测和约束速度精度，以达到更好的定位效果。

在一个或更多个实施例中，采用里程计传感器采集的同步定位与建图信息进行数据融合定位前，可以对该同步定位与建图信息进行校正。

目前，基于视觉SLAM和激光SLAM(SimultaneousLocalizationandMapping，即时定位与地图构建)来进行车辆定位的解决方案，都没有与高精度地图紧密关联，没有充分发挥高精度地图的优势。

在本说明书的实施例中，具体地，首先，可以获取里程计传感器采集的同步定位与建图信息，所述里程计传感器包括视觉里程计或雷达里程计中的至少一种，所述同步定位与建图信息包括所述目标车辆的周边地物相对于所述目标车辆的相对位置信息；然后，可以获取所述目标车辆在高精度地图中的预估位置周边预设距离范围内的备选地物信息，所述预估位置是基于所述目标车辆的卫星定位信息确定的；并参考所述备选地物信息，确定所述里程计传感器采集的传感信息中包含的实际地物信息；再从所述备选地物中，确定出与所述实际地物对应的目标地物；之后，可以基于所述目标地物的绝对坐标信息以及所述目标地物相对于所述目标车辆的相对坐标信息，对所述目标车辆的车辆位姿信息进行校正；所述车辆位姿信息是基于所述里程计传感器采集的同步定位与建图信息确定的。

在实际应用时，可以利用雷达或者视觉感知信息，在高精地图的辅助下做语义分割和目标提取，提取出感知到的矢量结果(比如标牌、车道线等)，将感知到的矢量结果和高精地图中存储的矢量信息进行匹配；匹配成功后，用高精度地图中的存储的数量信息的位姿与感知到的数量数据的位姿之间的位姿偏差，来约束SLAM方案的位姿，从而维持车辆的高精定位状态。

在一个或更多个实施例中，采用任何传感器采集的数据进行数据融合定位前，可以先基于高精度地图数据对该传感器采集的数据进行校正。由此，能够提升融合定位结果的准确性和车辆导航定位的鲁棒性。

在本说明书的实施例中，致力于为自动驾驶和智能座舱提供高精度位姿信息，结合各种传感器的输入，实时动态融合高精地图的信息，在只依赖传感器的定位方案无法实现高精定位的情形下，依靠高精地图的数据信息，仍然维持高精定位；在传感器数据的置信度不可靠时，使用高精地图，矫正传感器的置信度。

本方案的高精定位能扩大自动驾驶功能的可用范围，于此同时，和高精度地图高度契合的位姿信息更易于自动驾驶和智能座舱使用，以便达到更好的控车效果和座舱展示效果。

基于同样的思路，本说明书实施例还提供了上述方法对应的装置。图3为本说明书实施例提供的对应于图2的一种融合定位模块的结构示意图。如图3所示，该模块可以包括：

传感器信息获取单元302，用于分别获取装载于目标车辆的多个不同种类的传感器采集的传感器信息；

高精度地图信息获取单元304，用于从高精度地图数据中，获取所述目标车辆的预估位置对应的第一地图信息以及所述预估位置周边预设距离范围内的第二地图信息；所述第一地图信息包括车道属性信息和道路属性信息中的至少一者；所述第二地图信息包括地物属性信息；

校正单元306，用于基于所述第一地图信息和所述第二地图信息中的至少一者，分别对所述不同种类的传感器采集的传感器信息进行校正，得到校正后的传感器信息；

数据融合单元308，用于将所述多个不同种类的传感器对应的所述校正后的传感器信息与所述高精度地图数据进行融合，得到所述目标车辆的融合后的高精度定位信息。

可以理解，上述的各模块是指计算机程序或者程序段，用于执行某一项或多项特定的功能。此外，上述各模块的区分并不代表实际的程序代码也必须是分开的。

基于同样的思路，本说明书实施例还提供了上述方法、模块对应的高精度地图引擎。

图4为本说明书实施例提供的一种高精度地图引擎的结构示意图。

如图4所示，高精度地图引擎400可以包括：

包含如图3所示的融合定位模块401；

电子地平线模块402，用于接收外部高精车辆位置信息并匹配到地图，提供功能性接口供自动驾驶应用进行规控判断；

以及，自动驾驶设计运行域判断模块403、地图更新模块404、众包预处理和回传模块405、路径交叉关联模块406、车道级路径规划模块407中至少一种。

其中，所述自动驾驶设计运行域判断模块403，用于配置自动驾驶区域以及判断要求；

所述地图更新模块404，用于基于车辆位置和规划路径，获得高精度地图的地图数据更新信息；

所述众包预处理和回传模块405，用于通过对UGC视觉矢量数据进行筛选、融合等预处理，回传云端并更新地图数据中心；

所述路径交叉关联模块406，用于由用户发起的全局路径规划结果同步到自动驾驶***，通过和高精度地图进行交叉关联，获得导航路径在高精度地图上的匹配路径；

所述车道级路径规划模块407，用于根据导航路径匹配及路线修正的结果，输出车道级别，车辆前方一定长度范围内的局部路径规划。

上述对本说明书特定实施例进行了描述，在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

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。

本说明书实施例提供的装置、设备与方法是对应的，因此，装置、设备也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、设备的有益技术效果。

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(ProgrammableLogicDevice,PLD)(例如现场可编程门阵列(FieldProgrammableGateArray，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符***“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(logiccompiler)”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 DescriptionLanguage，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced BooleanExpressionLanguage)、AHDL(AlteraHardwareDescriptionLanguage)、Confluence、CUPL(CornellUniversityProgrammingLanguage)、HDCal、JHDL(JavaHardwareDescription Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardwareDescriptionLanguage)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegratedCircuitHardwareDescription 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(ApplicationSpecificIntegratedCircuit，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：ARC625D、AtmelAT91SAM、MicrochipPIC18F26K20以及SiliconeLabsC8051F320，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，在实施本申请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(flashRAM)。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)、数字符多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式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(transitorymedia)，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。

本申请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申请，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。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。

Claims (14)

1.一种高精度定位信息确定方法，其特征在于，所述方法包括：

分别获取装载于目标车辆的多个不同种类的传感器采集的传感器信息；

从高精度地图数据中，获取所述目标车辆的预估位置对应的第一地图信息以及所述预估位置周边预设距离范围内的第二地图信息；所述第一地图信息包括车道属性信息和道路属性信息中的至少一者；所述第二地图信息包括地物属性信息；

基于所述第一地图信息和所述第二地图信息中的至少一者，分别对所述不同种类的传感器采集的传感器信息进行校正，得到校正后的传感器信息；

将所述多个不同种类的传感器对应的所述校正后的传感器信息与所述高精度地图数据进行融合，得到所述目标车辆的融合后的高精度定位信息。

2.如权利要求1所述的方法，其特征在于，所述基于所述第一地图信息和所述第二地图信息中的至少一者，分别对所述不同种类的传感器采集的传感器信息进行校正，具体包括：

所述传感器信息包括传感数据；

基于所述第一地图信息和所述第二地图信息中的至少一者，对所述传感器信息中的传感数据进行校正。

3.如权利要求2所述的方法，其特征在于，所述传感数据具体包括如下数据中的至少一种：卫星定位数据、惯性测量数据、雷达里程数据、视觉里程数据或车速数据。

4.如权利要求1所述的方法，其特征在于，所述基于所述第一地图信息和所述第二地图信息中的至少一者，分别对所述不同种类的传感器采集的传感器信息进行校正，具体包括：

所述传感器信息包括精度因子；

基于所述第一地图信息，对所述传感器信息中的精度因子进行校正。

5.权利要求2所述的方法，其特征在于，所述传感数据包括卫星定位装置采集的所述目标车辆的卫星定位信息；

所述基于所述第一地图信息和所述第二地图信息中的至少一者，对所述传感器信息中的传感数据进行校正，具体包括：

从所述目标车辆在高精度地图中的预估位置周边预设距离范围内的备选地物中，确定出与矢量摄像头采集的周边地物匹配的目标地物；所述预估位置是基于所述目标车辆的卫星定位信息确定的；

基于所述目标地物的绝对坐标信息以及所述目标地物相对于所述目标车辆的相对坐标信息，对所述目标车辆的卫星定位信息进行校正。

6.如权利要求4所述的方法，其特征在于，所述车道属性信息包括车道宽度信息和车道位置信息中的至少一者；

所述基于所述第一地图信息，对所述传感器信息中的精度因子进行校正，具体包括：

根据所述车道属性信息，判断是否满足预设的定位精度调整条件，得到第一判断结果；

若所述第一判断结果表示满足预设的定位精度调整条件，则按照与所述预设的定位精度调整条件对应的定位精度调整策略，调节所述目标车辆的卫星定位信息的精度因子。

7.如权利要求6所述的方法，其特征在于，所述根据所述车道属性信息，判断是否满足预设的定位精度调整条件，具体包括：

判断是否所述目标车辆所在车道的车道宽度小于第一预设阈值，且所述目标车辆的卫星定位信息的精度因子大于第二预设阈值；

所述若所述第一判断结果表示满足预设的定位精度调整条件，则按照与所述预设的定位精度调整条件对应的定位精度调整策略，调节所述目标车辆的卫星定位信息的精度因子，具体包括：

若所述目标车辆所在车道的车道宽度小于第一预设阈值，且所述目标车辆的卫星定位信息的精度因子大于第二预设阈值，则按照预设的精度因子缩小方案对所述目标车辆的卫星定位信息的精度因子进行缩小。

8.如权利要求6所述的方法，其特征在于，所述车道位置信息具体为第一信息或第二信息，所述第一信息用于表示目标车道邻近道路边界，所述第二信息用于表示目标车道不邻近道路边界；

所述根据所述车道属性信息，判断是否满足预设的定位精度调整条件，具体包括：

判断是否所述目标车辆所在车道邻近道路边界，且所述目标车辆的卫星定位信息的精度因子小于第三预设阈值；

所述若所述第一判断结果表示满足预设的定位精度调整条件，则按照与所述预设的定位精度调整条件对应的定位精度调整策略，调节所述目标车辆的卫星定位信息的精度因子，具体包括：

若所述目标车辆所在车道邻近道路边界，且所述目标车辆的卫星定位信息的精度因子小于第三预设阈值，则按照预设的精度因子放大方案对所述目标车辆的卫星定位信息的精度因子进行放大。

9.如权利要求2所述的方法，其特征在于，所述传感数据包括惯性测量单元采集的所述目标车辆的惯性测量信息；所述惯性测量信息包括加速度和角速度；

所述基于所述第一地图信息和所述第二地图信息中的至少一者，对所述传感器信息中的传感数据进行校正，具体包括：

根据所述道路属性信息，确定所述目标车辆的惯性测量信息范围；

根据所述惯性测量信息范围，对所述惯性测量单元采集的惯性测量信息进行校正以得到校正后的惯性测量信息。

10.如权利要求9所述的方法，其特征在于，所述道路属性信息具体包括道路坡度信息；

所述基于所述第一地图信息和所述第二地图信息中的至少一者，对所述传感器信息中的传感数据进行校正，具体包括：

基于所述道路坡度信息，确定所述目标车辆的理论加速度范围；

根据所述理论加速度范围，对惯性测量单元采集的加速度进行校正。

11.如权利要求2所述的方法，其特征在于，所述传感数据包括车速传感器采集的所述目标车辆的车速信息；所述道路属性信息包括道路限速信息、道路曲率信息和道路坡度信息中的至少一者；

所述基于所述第一地图信息和所述第二地图信息中的至少一者，对所述传感器信息中的传感数据进行校正，具体包括：

基于所述道路属性信息，确定所述目标车辆的理论速度范围；

根据所述理论速度范围，对所述目标车辆的车速信息进行校正以得到校正后的车速信息，或者，确定所述目标车辆的车速信息的精度因子。

12.如权利要求2所述的方法，其特征在于，所述传感数据包括里程计传感器采集的同步定位与建图信息；所述里程计传感器包括视觉里程计或雷达里程计中的至少一种；所述同步定位与建图信息包括所述目标车辆的周边地物相对于所述目标车辆的相对位置信息；

所述基于所述第一地图信息和所述第二地图信息中的至少一者，对所述传感器信息中的传感数据进行校正，具体包括：

参考所述目标车辆在高精度地图中的预估位置周边预设距离范围内的备选地物，确定所述里程计传感器采集的传感信息中包含的实际地物信息；所述预估位置是基于所述目标车辆的卫星定位信息确定的；

从所述备选地物中，确定出与所述实际地物对应的目标地物；

基于所述目标地物的绝对坐标信息以及所述目标地物相对于所述目标车辆的相对坐标信息，对所述目标车辆的车辆位姿信息进行校正；所述车辆位姿信息是基于所述里程计传感器采集的同步定位与建图信息确定的。

13.一种融合定位模块，其特征在于，所述模块包括：

传感器信息获取单元，用于分别获取装载于目标车辆的多个不同种类的传感器采集的传感器信息；

高精度地图信息获取单元，用于从高精度地图数据中，获取所述目标车辆的预估位置对应的第一地图信息以及所述预估位置周边预设距离范围内的第二地图信息；所述第一地图信息包括车道属性信息和道路属性信息中的至少一者；所述第二地图信息包括地物属性信息；

校正单元，用于基于所述第一地图信息和所述第二地图信息中的至少一者，分别对所述不同种类的传感器采集的传感器信息进行校正，得到校正后的传感器信息；

数据融合单元，用于将所述多个不同种类的传感器对应的所述校正后的传感器信息与所述高精度地图数据进行融合，得到所述目标车辆的融合后的高精度定位信息。

14.一种高精度地图引擎，其特征在于，包括：

权利要求13所述的融合定位模块；

电子地平线模块，用于接收外部高精车辆位置信息并匹配到地图，提供功能性接口供自动驾驶应用进行规控判断；

以及，自动驾驶设计运行域判断模块、地图更新模块、众包预处理和回传模块、路径交叉关联模块、车道级路径规划模块中至少一种；

其中，所述自动驾驶设计运行域判断模块，用于配置自动驾驶区域以及判断要求；

所述地图更新模块，用于基于车辆位置和规划路径，获得高精度地图的地图数据更新信息；

所述众包预处理和回传模块，用于通过对UGC视觉矢量数据进行筛选、融合等预处理，回传云端并更新地图数据中心；

所述路径交叉关联模块，用于由用户发起的全局路径规划结果同步到自动驾驶***，通过和高精度地图进行交叉关联，获得导航路径在高精度地图上的匹配路径；

所述车道级路径规划模块，用于根据导航路径匹配及路线修正的结果，输出车道级别，车辆前方一定长度范围内的局部路径规划。

Images