车道定位方法及车辆定位系统技术方案

本申请公开了一种车道定位方法及车辆定位系统，涉及自动驾驶技术领域，可应用于自主泊车领域。具体实现方案为：通过获取车辆的历史状态信息；根据所述历史状态信息，获取车辆位置初值数据；获取车辆视觉感知信息；获取与所述车辆位置初值数据对应的局部地图信息；对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行车道定位处理，得到所述车辆的车道定位结果，由此以车辆位置初值数据结合车辆视觉感知信息以及局部地图信息，作为车道定位的数据依据，提高了车道定位的定位精度和鲁棒性。

Lane location method and vehicle location system

The application discloses a lane positioning method and a vehicle positioning system, which relates to the technical field of automatic driving and can be applied to the field of autonomous parking. The specific implementation scheme is as follows: obtain the historical state information of the vehicle; obtain the initial value data of the vehicle position according to the historical state information; obtain the visual perception information of the vehicle; obtain the local map information corresponding to the initial value data of the vehicle position; locate the lane of the initial value data of the vehicle position, the visual perception information of the vehicle and the local map information The initial value of vehicle position data combined with vehicle visual perception information and local map information is used as the data basis of lane positioning, which improves the accuracy and robustness of lane positioning.

【技术实现步骤摘要】
车道定位方法及车辆定位系统
本申请涉及数据处理领域，具体涉及自动驾驶技术。
技术介绍
对车辆的车道定位是确定车辆在高精地图中车道序号的技术。在自动驾驶过程中，车道内定位模块需要接收车道定位模块输出的车道序号，然后实现车道内的精细化车道内定位。相关技术中通过粒子滤波进行车道定位，用多个粒子模拟车辆运动状态，算法的泛化性与粒子数目成正相关，但是粒子数量过多会导致计算量急剧增大。而粒子多样性匮乏，经过长时间若干次迭代之后，所有粒子都趋向同一个粒子，导致粒子的多样性丧失，即跟踪多模态的能力减弱，对车道错检即时纠正的能力降低。可见，现有的车道定位技术可靠性不够高。
技术实现思路
本申请的目的是提供一种车道定位方法及车辆定位系统。根据本申请的第一方面，提供了一种车道定位方法，包括：获取车辆的历史状态信息；根据所述历史状态信息，获取车辆位置初值数据；获取车辆视觉感知信息；获取与所述车辆位置初值数据对应的局部地图信息；对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行车道定位处理，得到所述车辆的车道定位结果。本申请实施例根据车辆位置初值数据结合车辆视觉感知信息以及局部地图信息，作为车道定位的数据依据，提高了车道定位的定位精度和鲁棒性。在一些实施例中，所述获取车辆视觉感知信息，包括：获取在多个历史定位时段中拍摄的行车记录图像；对所述行车记录图像进行特征提取，获取各历史定位时段中的车辆视觉感知信息，其中，所述车辆视觉感知信息包括视觉车道线类型特征、视觉车道线颜色特征、视觉车道线质量特征和/或视觉车道线形状特征。本申请实施例以多个历史定位时段中拍摄行车记录图像中提取的车道相关特征作为车辆视觉感知信息。综合利用历史数据，提高对车道定位的稳定性和准确性。在一些实施例中，所述获取与所述车辆位置初值数据对应的局部地图信息，包括：在预设的地图数据中，获取包含有所述车辆位置初值数据对应位置的局部车道地图；对所述局部车道地图进行特征提取，获取局部地图信息，其中，所述局部地图信息包括地图车道线类型特征、地图车道类型特征、地图车道线颜色特征、地图车道线质量特征和/或地图车道线形状特征。本申请实施例以车辆位置初值数据，获取到大致范围的局部地图，提取局部地图中车道相关特征，提高对车道定位的精确度。在一些实施例中，所述获取车辆的历史状态信息，包括：获取车辆在前一个历史定位时段中采集的历史状态信息，其中，所述历史状态信息包括全球定位系统GPS信息、车辆控制信息、车辆视觉感知信息以及惯性测量单元IMU信息。本申请实施例综合多种历史状态信息，为车辆位置初值数据的计算提供了准确而丰富的数据基础。在一些实施例中，所述车辆位置初值数据包括：当前定位时段的融合里程计横向位置、当前定位时段的置信度以及里程计相对运动状态信息；所述根据所述历史状态信息，获取车辆位置初值数据，包括：以预设扩展卡尔曼滤波模型，对前一个历史定位时段中采集的所述全球定位系统GPS信息、车辆控制信息、车辆视觉感知信息以及惯性测量单元IMU信息进行融合处理，获取当前定位时段的融合里程计位置和置信度；在预设的地图数据中，确定与所述融合里程计位置对应的局部车道地图中的基准车道线；将所述融合里程计位置相对于所述基准车道线的距离，作为融合里程计横向位置；根据所述当前定位时段的融合里程计位置与前一个历史定位时段中得到的历史融合里程计位置，获取里程计相对运动状态信息，其中，所述里程计相对运动状态信息包括相对横向运动距离、相对纵向运动距离以及相对航向运动角度。本申请实施例利用扩展卡尔曼滤波对车辆位置初值数据进行推算，为车道定位提供更加准确的初值，提高车道定位准确性。在一些实施例中，所述对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行车道定位处理，得到所述车辆的车道定位结果，包括：以预设的长短期记忆神经网络模型对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行处理，得到所述车辆的车道定位结果。本申请实施例结合长短期记忆神经网络模型进行车道定位，算法时间复杂度与空间复杂度较低，定位稳定性较好。在一些实施例中，在所述以预设的长短期记忆神经网络模型对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行处理，得到所述车辆的车道定位结果之前，还包括：以历史车辆位置初值数据、历史车辆视觉感知信息以及历史局部地图信息为训练样本，并以基于惯性定位系统CPT和/或基于粒子滤波模型得到的车道号作为训练样本的真值标签，对所述长短期记忆神经网络模型进行模型训练。本申请实施例的长短期记忆神经网络模型的训练数据，通过结合了CPT和粒子滤波模型获取真值标签，提高了样本真值的准确性，进而提高了模型的定位精度。在一些实施例中，在所述以预设的长短期记忆神经网络模型对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行处理，得到所述车辆的车道定位结果之后，还包括：根据多个历史定位时段中得到的车道定位结果，对当前定位时段中得到的所述车道定位结果进行评价，得到评价结果；若所述评价结果大于训练集评价阈值，则将所述当前定位时段中得到的所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息作为新增训练样本，并将当前定位时段中得到的所述车道定位结果作为所述新增训练样本的真值标签。本申请实施例随着训练数据集自我更新与路测的推进，长短期记忆神经网络模型能处理的场景越来越多，学习到的特征越来越丰富，提高了长短期记忆神经网络模型的适应性。根据本申请的第二方面，提供了一种车道定位装置，包括：第一采集模块，用于获取车辆的历史状态信息；初值获取模块，用于根据所述历史状态信息，获取车辆位置初值数据；第二采集模块，用于获取车辆视觉感知信息；第三采集模块，用于获取与所述车辆位置初值数据对应的局部地图信息；处理模块，用于对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行车道定位处理，得到所述车辆的车道定位结果。根据本申请的第三方面，提供了一种车辆定位系统，包括车道定位模块和车道内定位模块；其中，所述车道定位模块，用于执行本申请第一方面及第一方面各种可能的实施例中任一项所述的车道定位方法；所述车道内定位模块，用于从所述车道定位模块获取到车道定位结果，并在所述车道定位结果指示的车道内进行车辆定位。根据本申请的第四方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请第一方面及第一方面各种可能的实施例中任一项所述的车道定位方法。根据本申请的第五方本文档来自技高网...

【技术保护点】
1.一种车道定位方法，其特征在于，包括：/n获取车辆的历史状态信息；/n根据所述历史状态信息，获取车辆位置初值数据；/n获取车辆视觉感知信息；/n获取与所述车辆位置初值数据对应的局部地图信息；/n对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行车道定位处理，得到所述车辆的车道定位结果。/n

【技术特征摘要】
1.一种车道定位方法，其特征在于，包括：
获取车辆的历史状态信息；
根据所述历史状态信息，获取车辆位置初值数据；
获取车辆视觉感知信息；
获取与所述车辆位置初值数据对应的局部地图信息；
对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行车道定位处理，得到所述车辆的车道定位结果。


2.根据权利要求1所述的方法，其特征在于，所述获取车辆视觉感知信息，包括：
获取在多个历史定位时段中拍摄的行车记录图像；
对所述行车记录图像进行特征提取，获取各历史定位时段中的车辆视觉感知信息，其中，所述车辆视觉感知信息包括视觉车道线类型特征、视觉车道线颜色特征、视觉车道线质量特征和/或视觉车道线形状特征。


3.根据权利要求1所述的方法，其特征在于，所述获取与所述车辆位置初值数据对应的局部地图信息，包括：
在预设的地图数据中，获取包含有所述车辆位置初值数据对应位置的局部车道地图；
对所述局部车道地图进行特征提取，获取局部地图信息，其中，所述局部地图信息包括地图车道线类型特征、地图车道类型特征、地图车道线颜色特征、地图车道线质量特征和/或地图车道线形状特征。


4.根据权利要求1所述的方法，其特征在于，所述获取车辆的历史状态信息，包括：
获取车辆在前一个历史定位时段中采集的历史状态信息，其中，所述历史状态信息包括全球定位系统GPS信息、车辆控制信息、车辆视觉感知信息以及惯性测量单元IMU信息。


5.根据权利要求4所述的方法，其特征在于，所述车辆位置初值数据包括：当前定位时段的融合里程计横向位置、当前定位时段的置信度以及里程计相对运动状态信息；
所述根据所述历史状态信息，获取车辆位置初值数据，包括：
以预设扩展卡尔曼滤波模型，对前一个历史定位时段中采集的所述全球定位系统GPS信息、车辆控制信息、车辆视觉感知信息以及惯性测量单元IMU信息进行融合处理，获取当前定位时段的融合里程计位置和置信度；
在预设的地图数据中，确定与所述融合里程计位置对应的局部车道地图中的基准车道线；
将所述融合里程计位置相对于所述基准车道线的距离，作为融合里程计横向位置；
根据所述当前定位时段的融合里程计位置与前一个历史定位时段中得到的历史融合里程计位置，获取里程计相对运动状态信息，其中，所述里程计相对运动状态信息包括相对横向运动距离、相对纵向运动距离以及相对航向运动角度。


6.根据权利要求1至5任一所述的方法，其特征在于，所述对所述车辆位置初值数据、所述车辆视觉感知信息以及所述局部地图信息进行车道定位处理，得到所述车辆的车道定位...

【专利技术属性】
技术研发人员：王俊，方立，杨鹏斌，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11