CN117227706A - 一种记忆泊车定位方法、装置、设备及介质 - Google Patents
一种记忆泊车定位方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117227706A CN117227706A CN202311009058.8A CN202311009058A CN117227706A CN 117227706 A CN117227706 A CN 117227706A CN 202311009058 A CN202311009058 A CN 202311009058A CN 117227706 A CN117227706 A CN 117227706A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- pose
- semantic information
- map
- difference
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000008447 perception Effects 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Navigation (AREA)
Abstract
本申请公开了一种记忆泊车定位方法、装置、设备及介质,其方法包括:基于车体传感器,获取车辆相对于初始位置的位姿;基于该车辆的位姿,提取该车辆当前时刻周边的感知语义信息,并与该车辆周边的地图语义信息进行地图匹配,获取感知语义信息与地图语义信息的位姿差;基于该位姿差,对所述位姿进行修正,得到精确位姿。本申请可提供厘米级的定位能力,实时的车位定位点坐标,及鲁棒的位置跟踪,不额外增加硬件成本,不依赖商用高精度地图。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种记忆泊车定位方法、装置、设备及介质。
背景技术
记忆泊车是自动驾驶车辆的特殊应用,可解决用户最后1公里的自动驾驶需求,而定位技术则是其中最关键的技术之一。当前记忆泊车定位技术主流方案涉及场端改造(停车场加装传感器及通信设施等)和多传感器融合,前者成本较高,后者要求自车配备较多的传感器,算法复杂度提升,算力需求大,同样提高了记忆泊车的使用成本。
发明内容
本申请实施例针对上述情况,提出一种记忆泊车定位方法、装置、设备及介质,针对现有问题,该方案可提高泊车定位精度,促进自主泊车的量产实施。
第一方面,本申请实施例提供了一种记忆泊车定位方法,所述方法包括:
基于车体传感器,获取车辆相对于初始位置的位姿;
基于该车辆的位姿,提取该车辆当前时刻周边的感知语义信息,并与该车辆周边的地图语义信息进行地图匹配,获取感知语义信息与地图语义信息的位姿差;
基于该位姿差,对所述位姿进行修正,得到精确位姿。
在一可能的实施例中,所述基于车体传感器,获取车辆相对于初始位置的位姿进一步包括:
获取该车辆的脉冲计数器在当前采样周期的脉冲数;
获取脉冲计数器当前采样周期相对于前一个采样周期的脉冲增量;
基于脉冲增量计算该车辆的行驶距离和航向的增量;
基于行驶距离和航向的增量获取车辆相对于初始位置的所述位姿。
在一可能的实施例中,所述基于该车辆的位姿,提取该车辆当前时刻周边的感知语义信息,并与该车辆周边的地图语义信息进行地图匹配,获取感知语义信息与地图语义信息的位姿差进一步包括:
获取该车辆周围车辆半径范围内所有地图语义信息与该车辆当前时刻获取的感知语义信息进行匹配,得到该车辆周围每一感知语义和地图语义的位姿差。
在一可能的实施例中,基于该位姿差,对所述位姿进行修正,得到精确位姿进一步包括:
基于每一个感知语义信息,遍历当前时刻的地图语义信息找到感知语义信息与地图语义信息之间的位姿差;
判断所述位姿差是否位于阈值范围内,若是,找出所述最小位姿差对应的感知语义信息与地图语义信息;
具有最小位姿差的感知语义信息与地图语义信息为所找的语义信息;
对获取的每一所述语义信息进行修正差值累加运算得到修正差值;
基于所述修正差值、所述车姿得到所述精确位姿。
在一可能的实施例中,将所述精确位姿、车辆角速度ω和速度v组合成状态集合,利用EKF卡尔曼滤波获取车辆定位。
在一可能的实施例中,基于脉冲增量计算该车辆的行驶距离和航向的增量进一步包括:基于车辆左后轮的脉冲增量δRL1和车辆左后轮的脉冲增量δRR1计算该车辆的行驶距离ΔS和航向的增量Δθ。
第二方面,本申请实施例还提供了一种记忆泊车定位装置,所述装置包括:
初始位姿获取模块,基于车体传感器,获取车辆相对于初始位置的位姿;
匹配模块,基于该车辆的位姿,提取该车辆当前时刻周边的感知语义信息,并与该车辆周边的地图语义信息进行地图匹配,获取感知语义信息与地图语义信息的位姿差;
修正模块,基于该位姿差,对所述位姿进行修正,得到精确位姿。
第三方面,本申请实施例还提供了一种电子设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行上述任一的方法。
第四方面,本申请实施例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存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行上述任一的方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
本申请通过车体传感器,获取车辆相对于初始位置的位姿,将车辆当前时刻的感知语义信息与该车辆周边的地图语义信息进行地图匹配,基于获取感知语义信息与地图语义信息的位姿差,利用该位姿差,车辆粗定位结果被修正得到较为精确的车辆位姿。本申请可提供厘米级的定位能力,实时的车位定位点坐标,及鲁棒的位置跟踪,不额外增加硬件成本,不依赖商用高精度地图。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,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示出根据本申请的一个实施例的记忆泊车定位方法的流程示意图;
图2示出根据本申请的一个实施例的记忆泊车定位装置的结构示意图;
图3为本申请实施例中一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,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,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
目前现有技术采用轮速传感器和图像传感器检测车辆的运动速度,分别计算两传感器获取到的泊车速度和位置坐标,代入卡尔曼滤波算法,对车辆的泊车速度和位置坐标进行修正,获得全局坐标系中车辆运动位置。光流法估计自车运动需要满足亮度恒定不变的假设,泊车场景难以保证光照变化恒定,光照变化会导致错误的位姿估计结果。该方法计算量大,计算耗时长,难以保证实时性。
现有技术还采用车辆利用激光雷达、图像采集装置、IMU和轮速计等传感器采集的数据,经过处理计算,实现自车定位,该方法需要激光雷达和IMU提供周边环境及自车信息,所需传感器较多,硬件成本较高。
基于上述缺陷,本申请提供了一种记忆泊车定位方法及***,本申请的主要构思是通过车体信息和语义信息为自车提供高精度定位,具体技术手段为:(1)通过车体传感器(轮编码器、陀螺仪,方向盘转角信息等)建立里程计模型,进行航迹推算获得自车粗定位(车辆位姿)。(2)基于自车粗定位结果,对其做地图匹配。地图匹配的过程是使用已经建立的语义地图,结合自车环视摄像头,搜索出地图中车辆半径范围内所有地图语义信息和车辆当前时刻实时感知的感知语义信息,对两者做匹配,得到车辆周围每一个感知语义信息和地图语义信息的位姿差。利用该位姿差,车辆粗定位结果(位姿)被修正得到较为精确的车辆位姿。(3)结合上一步地图匹配后的车辆位姿和从自车底盘CAN信号得到的角速度和速度信息组成5维状态量[x,y,v,θ,ω],使用ekf卡尔曼滤波对该状态量进行滤波,得到精确、平滑且符合车辆动力学的自车轨迹,从而获得车辆定位结果。
图1示出根据本申请的一个实施例的记忆泊车定位方法的流程示意图,从图1可以看出,本申请至少包括步骤S110~步骤S140:
步骤S110:基于车体传感器,获取车辆相对于初始位置的位姿。
在本申请中,车体传感器例如为轮编码器、陀螺仪,方向盘转角信息等,利用该车体传感器建立里程计算模型,进行航迹推算获得车辆的位姿。
基于车体传感器,获取车辆的位姿进一步包括步骤S111,获取该车辆的脉冲计数器在当前采样周期的脉冲数;
步骤S112,获取脉冲计数器当前采样周期相对于前一个采样周期的脉冲增量;
步骤S113,基于脉冲增量计算该车辆的行驶距离和航向的增量;
步骤S114,基于行驶距离和航向的增量获取车辆相对于初始位置的所述位姿。
于一应用场景中,当***提示车辆周围环境满足记忆泊车条件时,用户按下自动泊车按键,***进入记忆泊车状态,ECU从车辆CAN线读出轮编码器RL和RR的值,RL、RR分别表示车辆左后轮和右后轮的脉冲计数器的脉冲数。
在每个采样点,计算出脉冲计数器相对于前一个采样周期的车辆左后轮的脉冲增量δRL1和车辆左后轮的脉冲增量δRR1。
基于脉冲增量计算该车辆的行驶距离和航向的增量进一步包括:基于车辆左后轮的脉冲增量δRL1和车辆左后轮的脉冲增量δRR1计算该车辆的行驶距离ΔS和航向的增量Δθ,车辆的行驶距离ΔS、航向的增量Δθ计算公式如下:
ΔS=(δRL+δRR)*2*pi*Kn*R/2/n
Δθ=(δRL-δRR)*2*pi*Kn*R/n/kwb/wb
其中pi为圆周率,Kn为车辆半径调节系数,R为车轮半径,n为车轮转一圈的脉冲增量,Kwb分别为和后轮轮距调节系数,wb为后轮轮距。
基于车辆的行驶距离ΔS、航向的增量Δθ,获取车辆相对于初始位置的位姿,即可得到自车粗定位。
位姿公式如下:
x(i)=x(i-1)+ΔSi*sin(∑Δθi)
y(i)=y(i-1)+ΔSi*cos(∑Δθi)
heading(i)=∑Δθi
其中i表示每个计算时刻,x(i)、y(i),heading(i)表示对应时刻下的自车坐标及朝向角。
步骤S120:基于该车辆的位姿,提取该车辆当前时刻周边的感知语义信息,并与该车辆周边的地图语义信息进行地图匹配,获取感知语义信息与地图语义信息的位姿差。获取感知语义信息与地图语义信息的位姿差具体为:基于每一个感知语义信息,遍历当前时刻的地图语义信息找到感知语义信息与地图语义信息之间的位姿差。
本申请中,基于所述语义信息和目的位置的地图语义进行地图匹配进一步包括:
步骤S121,获取该车辆周围车辆半径范围内所有地图语义信息与该车辆当前时刻获取的感知语义信息进行匹配,得到该车辆周围每一感知语义和地图语义的位姿差。
地图语义包含丰富的地面标示等语义信息,示例性,地图语义指地图中的车位,对车辆而言,特别是自动驾驶车辆而言,语义信息是指那些能让无人车更好地理解行车规则、感知路面交通状况、规划行车路线,且被涵盖在地图语义里的多层次、富维度的信息。语义信息则帮助车辆在行车过程中对周围环境进行理解。
感知语义信息可通过环视相机提取,具体为ECU通过环视相机提取,示例性,若位于停车场环境,该感知语义信息包括库位、库位号、地面箭头、减速带等。
步骤S130,基于该位姿差,对所述位姿进行修正,得到精确位姿。
基于该位姿差,对所述位姿进行修正,得到精确位姿进一步包括:
步骤S131,判断所述位姿差是否位于阈值范围内,若是,找出所述最小位姿差对应的感知语义信息与地图语义信息;
步骤S132,具有最小位姿差的感知语义信息与地图语义信息为所找的语义信息;
步骤S133,对获取的每一所述语义信息进行修正差值累加运算得到修正差值;
步骤S134,基于所述修正差值、所述车姿得到所述精确位姿。
车辆粗定位结果(位姿)被修正得到较为车辆的精确位姿。对所述位姿进行修正的具体公式为:
其中,该公式为贝叶斯后验概率公式,为在t时刻车辆周围存在Zt语义信息时,得到修正的较为精确的车辆位姿/>展开可得:
该式为当前时刻观测到的语义的位姿信息为之前所有车辆位姿下观测到的语义位姿信息的累加,其中P(Xi)为各时刻车辆位姿,P(Zti|Xi)为对应时刻位姿下观测到的语义位姿信息,其原理为贝叶斯定理。
最终的来求解最大化后验概率得到/>
在时刻t,我们从航迹推算得到的(位姿)粗定位结果,以适当车辆半径R搜索地图语义信息,获得地图语义信息集合(语义信息可以是库位,地面箭头,减速带等),结合从环视相机提取的感知语义信息集合(语义信息可以是库位,地面箭头,减速带等),对每一个感知语义信息,遍历当前时刻的地图语义信息,找到两者之间锚点距离(位姿差)小于阈值且锚点距离最小的同种语义信息,该语义信息作为地图和感知语义匹配的结果,对每一组匹配结果,做修正差值Errori累加运算,其中包含旋转差值Ri和距离差值ti。修正差值的计算公式为:
最终地图匹配后验计算结果为,
其中CR为旋转差值的权重因子,Ct,为距离差值的权重因子为精确位姿。
步骤S140,将所述精确位姿、车辆角速度ω和速度v组合成状态集合,利用EKF卡尔曼滤波获取车辆定位。
将地图匹配的车辆位姿和来自底盘CAN信息的角速度ω和速度v组合成状态集合{x,y,θ,ω,v},使用EKF(Extended Kalman Filter)滤波得精确定位结果。扩展卡尔曼滤波的主要作用是得到精确、平滑且符合车辆动力学的轨迹。其状态转移方程和观测方程为:
其中,Xk为状态矩阵,f(xk-1)为状态转移矩阵,wk为过程噪音向量,表示预测误差;ZK为观测矩阵,h(wk)测量矩阵,VK为观测数据误差
EKF(Extended Kalman Filter)滤波过程分为匀速直线运动和圆周运动两个过程。两类运动的评判依据为角速度omega的值。角速度较小,则线性化为匀速直线运动,角速度较大,则线性化为圆周运动。在实际算法中,五个状态量{x,y,θ,ω,v}的观测值一般不会同时得到,比如地图匹配只提供五个状态量其中的{x,y,θ},EKF(Extended KalmanFilter)滤波通过不同的观测值来维护五个状态量的更新,最后输出车辆定位的更新值。
图2示出根据本申请的一个实施例的记忆泊车定位装置的结构示意图,从图2可以看出,记忆泊车定位装置200包括:
初始位姿获取模块210,基于车体传感器,获取车辆相对于初始位置的位姿;
匹配模块220,基于该车辆的位姿,提取该车辆当前时刻周边的感知语义信息,并与该车辆周边的地图语义信息进行地图匹配,获取感知语义信息与地图语义信息的位姿差;
修正模块230,基于该位姿差,对所述位姿进行修正,得到精确位姿。
在一可能的实施方式中,初始位姿获取模块210进一步包括:
获取该车辆的脉冲计数器在当前采样周期的脉冲数;
获取脉冲计数器当前采样周期相对于前一个采样周期的脉冲增量;
基于脉冲增量计算该车辆的行驶距离和航向的增量;
基于行驶距离和航向的增量获取车辆相对于初始位置的所述位姿。
在一可能的实施方式中,匹配模块220进一步包括:获取该车辆周围车辆半径范围内所有地图语义信息与该车辆当前时刻获取的感知语义信息进行匹配,得到该车辆周围每一感知语义和地图语义的位姿差。
在一可能的实施方式中,修正模块230进一步包括:基于每一个感知语义信息,遍历当前时刻的地图语义信息找到感知语义信息与地图语义信息之间的位姿差;
判断所述位姿差是否位于阈值范围内,若是,找出所述最小位姿差对应的感知语义信息与地图语义信息;
具有最小位姿差的感知语义信息与地图语义信息为所找的语义信息;
对获取的每一所述语义信息进行修正差值累加运算得到修正差值;
基于所述修正差值、所述车姿得到所述精确位姿。
在一可能的实施方式中,还包括定位计算模块240:将所述精确位姿、车辆角速度ω和速度v组合成状态集合,利用EKF卡尔曼滤波获取车辆定位。
在一可能的实施方式中,感知语义信息通过环视相机提取。
在一可能的实施方式中,基于脉冲增量计算该车辆的行驶距离和航向的增量进一步包括:基于车辆左后轮的脉冲增量δRL1和车辆左后轮的脉冲增量δRR1计算该车辆的行驶距离ΔS和航向的增量Δθ。
上述装置与方法实施例相对应,与该方法实施例具有同样的技术效果,具体说明参见方法实施例。装置实施例是基于方法实施例得到的,具体的说明可以参见方法实施例部分,此处不再赘述。本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本申请所必须的。
需要说明的是,上述的记忆泊车定位装置可一一实现前述的记忆泊车定位方法,这里不再赘述。
图3是本申请的一个实施例电子设备的结构示意图。请参考图3,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成记忆泊车定位装置。处理器,执行存储器所存放的程序,并具体用于执行前述方法。
上述如本申请图2所示实施例揭示的记忆泊车定位装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图3中记忆泊车定位装置执行的方法,并实现记忆泊车定位装置在图3所示实施例的功能,本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行图3所示实施例中记忆泊车定位装置执行的方法,并具体用于执行前述方法。
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。
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(flash RAM)。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,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的同一要素。
本领域技术人员应明白,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。
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 (10)
1.一种记忆泊车定位方法,其特征在于,所述方法包括:
基于车体传感器,获取车辆相对于初始位置的位姿;
基于该车辆的位姿,提取该车辆当前时刻周边的感知语义信息,并与该车辆周边的地图语义信息进行地图匹配,获取感知语义信息与地图语义信息的位姿差;
基于该位姿差,对所述位姿进行修正,得到精确位姿。
2.根据权利要求1所述的方法,其特征在于,所述基于车体传感器,获取车辆相对于初始位置的位姿进一步包括:
获取该车辆的脉冲计数器在当前采样周期的脉冲数;
获取脉冲计数器当前采样周期相对于前一个采样周期的脉冲增量;
基于脉冲增量计算该车辆的行驶距离和航向的增量;
基于行驶距离和航向的增量获取车辆相对于初始位置的所述位姿。
3.根据权利要求1所述的方法,其特征在于,所述基于该车辆的位姿,提取该车辆当前时刻周边的感知语义信息,并与该车辆周边的地图语义信息进行地图匹配,获取感知语义信息与地图语义信息的位姿差进一步包括:
获取该车辆周围车辆半径范围内所有地图语义信息与该车辆当前时刻获取的感知语义信息进行匹配,得到该车辆周围每一感知语义和地图语义的位姿差。
4.根据权利要求1所述的方法,其特征在于,基于该位姿差,对所述位姿进行修正,得到精确位姿进一步包括:
基于每一个感知语义信息,遍历当前时刻的地图语义信息找到感知语义信息与地图语义信息之间的位姿差;
判断所述位姿差是否位于阈值范围内,若是,找出所述最小位姿差对应的感知语义信息与地图语义信息;
具有最小位姿差的感知语义信息与地图语义信息为所找的语义信息;
对获取的每一所述语义信息进行修正差值累加运算得到修正差值;
基于所述修正差值、所述车姿得到所述精确位姿。
5.根据权利要求1所述的方法,其特征在于,将所述精确位姿、车辆角速度ω和速度v组合成状态集合,利用EKF卡尔曼滤波获取车辆定位。
6.根据权利要求3所述的方法,其特征在于,感知语义信息通过环视相机提取。
7.根据权利要求1所述的方法,其特征在于,基于脉冲增量计算该车辆的行驶距离和航向的增量进一步包括:基于车辆左后轮的脉冲增量δRL1和车辆左后轮的脉冲增量δRR1计算该车辆的行驶距离ΔS和航向的增量Δθ。
8.一种记忆泊车定位装置,其特征在于,所述装置包括:
初始位姿获取模块,基于车体传感器,获取车辆相对于初始位置的位姿;
匹配模块,基于该车辆的位姿,提取该车辆当前时刻周边的感知语义信息,并与该车辆周边的地图语义信息进行地图匹配,获取感知语义信息与地图语义信息的位姿差;
修正模块,基于该位姿差,对所述位姿进行修正,得到精确位姿。
9.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行所述权利要求1~7所述方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行所述权利要求1~7所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311009058.8A CN117227706A (zh) | 2023-08-10 | 2023-08-10 | 一种记忆泊车定位方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311009058.8A CN117227706A (zh) | 2023-08-10 | 2023-08-10 | 一种记忆泊车定位方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117227706A true CN117227706A (zh) | 2023-12-15 |
Family
ID=89083355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311009058.8A Pending CN117227706A (zh) | 2023-08-10 | 2023-08-10 | 一种记忆泊车定位方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117227706A (zh) |
-
2023
- 2023-08-10 CN CN202311009058.8A patent/CN117227706A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11440537B2 (en) | Apparatus and method for estimating position in automated valet parking system | |
US9283967B2 (en) | Accurate curvature estimation algorithm for path planning of autonomous driving vehicle | |
JP5747787B2 (ja) | 車線認識装置 | |
KR102441073B1 (ko) | 자이로 센싱값 보상 장치, 그를 포함한 시스템 및 그 방법 | |
CN103847733B (zh) | 对车辆的驾驶进行辅助的方法和装置 | |
CN108466621B (zh) | 车辆和用于控制车辆的至少一个功能的*** | |
US11221230B2 (en) | System and method for locating the position of a road object by unsupervised machine learning | |
CN114088114B (zh) | 车辆位姿校准方法、装置和电子设备 | |
CN111427373B (zh) | 一种位姿确定方法、装置、介质和设备 | |
KR20190040818A (ko) | 차량 내부 센서, 카메라, 및 gnss 단말기를 이용한 3차원 차량 항법 시스템 | |
CN112433531A (zh) | 一种自动驾驶车辆的轨迹跟踪方法、装置及计算机设备 | |
US20180347993A1 (en) | Systems and methods for verifying road curvature map data | |
CN113009539A (zh) | 一种车辆自动变道处理方法、车辆及设备 | |
CN114754778B (zh) | 一种车辆定位方法以及装置、电子设备、存储介质 | |
CN115184976A (zh) | 自动驾驶车辆的定位方法、装置及电子设备、存储介质 | |
Bersani et al. | Robust vehicle pose estimation from vision and INS fusion | |
JP6790951B2 (ja) | 地図情報学習方法及び地図情報学習装置 | |
CN115950441B (zh) | 自动驾驶车辆的融合定位方法、装置及电子设备 | |
US20230322236A1 (en) | Vehicle pose assessment | |
CN110637211B (zh) | 车辆用信息处理装置 | |
CN117227706A (zh) | 一种记忆泊车定位方法、装置、设备及介质 | |
CN116295490A (zh) | 车辆定位方法、装置及电子设备、存储介质 | |
CN113532417A (zh) | 一种针对停车场的高精地图采集方法 | |
JP6907952B2 (ja) | 自己位置補正装置及び自己位置補正方法 | |
CN116559899B (zh) | 自动驾驶车辆的融合定位方法、装置和电子设备 |
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 |