全局初始化定位方法、装置和自动驾驶车辆制造方法及图纸

一种全局初始化定位方法、装置和自动驾驶车辆，所述方法用于图形处理单元，所述方法包括：获取不同分辨率的至少两个高斯混合模型地图，所述高斯混合模型地图是通过将三维点云数据压缩到二维网格结构所得到的，所述二维网格结构中的每个网格维护一个高斯混合模型，所述高斯混合模型用于表征所述网格中点云的高度分布；获取激光雷达采集的点云数据；基于所述点云数据，并行地对多个候选解在所述至少两个高斯混合模型地图下的配准得分进行分支计算，当最高得分为所述候选解在最高分辨率的高斯混合模型地图下的得分时，将所述最高得分对应的候选解作为初始定位结果输出。本发明专利技术的全局初始化定位方法能够提高定位速度。初始化定位方法能够提高定位速度。初始化定位方法能够提高定位速度。

【技术实现步骤摘要】
全局初始化定位方法、装置和自动驾驶车辆


[0001]本专利技术涉及自动驾驶车辆领域，更具体地，涉及一种全局初始化定位方法、装置和自动驾驶车辆。

技术介绍

[0002]实现高精度全局初始化定位通常有以下几个方案：一是基于高精度惯导的全局初始化定位；二是基于深度学习的全局定位初始化方案；三是基于高精度地图的匹配方案。
[0003]依靠高精度惯导的全局定位初始化方案在一些特殊的场景(例如遮挡、高楼林立等)下由于误差过大会导致失效，而这些场景在实际中经常碰到，同时高精度惯导也需要在空旷的场景下待够一定的时间进行初始化，进而进入组合导航状态，效率偏低，同时高精度惯导的成本非常昂贵。
[0004]基于深度学习的全局定位方法需要收集车辆不同位姿下的周围场景信息和当前车辆准确位姿，然后进行模型的训练，这个过程需要消耗大量的成本来才能实现。同时由于开放场景中可能存在各种障碍物，对模型的准确性提出更高的要求。针对全局初始化定位而言，这种方案的成本消耗过大。
[0005]基于高精度地图的匹配方案往往采用当前感知的环境信息和高精度地图进行匹配，从而实现全局的初始化定位。一般的实现方法为基于图像或者基于激光雷达的方法。基于图像的方法在室外场景中由于的光线变化，往往效果不好；基于激光雷达的方法虽然不受光照等影响，但往往需要一个比较精确的初始值才能搜索到高精度全局定位，若是在大范围的搜索条件的前提下，计算时间会成几何倍数增加。

技术实现思路

[0006]在
技术实现思路
部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本专利技术的
技术实现思路
部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
[0007]针对现有技术的不足，本专利技术实施例第一方面提出了一种全局初始化定位方法，所述方法用于图形处理单元，所述方法包括：
[0008]获取不同分辨率的至少两个高斯混合模型地图，所述高斯混合模型地图是通过将三维点云数据压缩到二维网格结构所得到的，所述二维网格结构中的每个网格维护一个高斯混合模型，所述高斯混合模型用于表征所述网格中点云的高度分布；
[0009]获取激光雷达采集的点云数据；
[0010]基于所述点云数据，并行地对多个候选解在所述至少两个高斯混合模型地图下的配准得分进行分支计算，当最高得分为所述候选解在最高分辨率的高斯混合模型地图下的得分时，将所述最高得分对应的候选解作为初始定位结果输出。
[0011]在一些实施例中，所述并行地对多个候选解在所述至少两个高斯混合模型地图下的配准得分进行分支计算，包括：
[0012]通过所述图形处理单元，并行地计算所述多个候选解在最低分辨率的高斯混合模型地图下的得分，并根据所述候选解的得分对所述候选解进行排序，以得到候选解得分队列；
[0013]在所述候选解得分队列中选择得分最高的N个候选解，计算其在下一层高斯混合模型地图下的得分，并按照所述得分添加到所述得分队列中；
[0014]重复计算所述得分队列中得分最高的N个候选解在下一层高斯混合模型地图下的得分，直到所述得分队列中的最高得分为所述候选解在最高分辨率的高斯混合模型地图下的得分。
[0015]在一些实施例中，所述候选解包括所述激光雷达的横纵坐标的范围和偏航角的范围。
[0016]在一些实施例中，所述方法还包括：
[0017]获取激光雷达采集的三维点云地图；
[0018]并行地将所述三维点云地图压缩为二维网格结构，以得到所述最高分辨率的高斯混合模型地图，所述二维网格结构中的每个网格维护一个高斯混合模型，所述高斯混合模型用于表征所述网格中点云的高度分布；
[0019]计算所述二维网格结构中每相邻的多个网格的联合分布上界，以得到降低分辨率的高斯混合模型地图；
[0020]重复计算每个所述高斯混合模型地图中的所述每相邻的多个网格的联合分布上界，直到获得预定层数的高斯混合模型地图。
[0021]在一些实施例中，所述并行地将所述三维点云地图压缩为二维网格结构，包括：
[0022]通过所述图形处理单元的多个并行运算单元，并行地估计所述二维网格结构中每个网格中的多核高斯分布的均值和方差。
[0023]在一些实施例中，所述计算所述二维网格结构中每相邻的多个网格的联合分布上界，包括：
[0024]通过预设尺寸的滑窗对所述二维网格结构进行滑动处理，计算所述滑窗当前覆盖的所有网格的所述联合分布上界。
[0025]在一些实施例中，所述方法用于自动驾驶车辆，所述图形处理单元为车载图形处理单元。
[0026]本专利技术实施例第二方面提供一种全局初始化定位装置，所述装置包括存储器和图形处理单元，所述存储器上存储有由所述图形处理单元运行的计算机程序，所述计算机程序在被所述图形处理单元运行时执行如上所述的全局初始化定位方法。
[0027]本专利技术实施例第三方面提供一种自动驾驶车辆，所述自动驾驶车辆包括：
[0028]车身；
[0029]搭载在所述车身上的激光雷达，所述激光雷达用于采集点云数据；
[0030]如上所述的全局初始化定位装置，连接所述激光雷达，用于执行如上所述的全局初始化定位方法。
[0031]本专利技术实施例第四方面提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序在运行时执行如上所述的全局初始化定位方法。
[0032]本专利技术实施例的全局初始化定位方法、装置、自动驾驶车辆和存储介质在定位过
程基于图形处理单元实现并行运算，大幅度提高了初始化定位的速度。
附图说明
[0033]通过结合附图对本专利技术的实施例进行更详细的描述，本专利技术的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本专利技术实施例的进一步理解，并且构成说明书的一部分，与本专利技术实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0034]图1为根据本专利技术一个实施例的全局初始化定位方法的示意性流程图；
[0035]图2为根据本专利技术一个实施例的全局初始化定位装置的示意性框图；
[0036]图3为根据本专利技术一个实施例的自动驾驶车辆的示意性框图。
具体实施方式
[0037]为了使得本申请的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请中描述的本申请实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本申请的保护范围之内。
[0038]在下文的描述中，给出了大量具体的细节以便提供对本申请更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本申请可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本申请发生混淆，对于本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种全局初始化定位方法，其特征在于，所述方法用于图形处理单元，所述方法包括：获取不同分辨率的至少两个高斯混合模型地图，所述高斯混合模型地图是通过将三维点云数据压缩到二维网格结构所得到的，所述二维网格结构中的每个网格维护一个高斯混合模型，所述高斯混合模型用于表征所述网格中点云的高度分布；获取激光雷达采集的点云数据；基于所述点云数据，并行地对多个候选解在所述至少两个高斯混合模型地图下的配准得分进行分支计算，当最高得分为所述候选解在最高分辨率的高斯混合模型地图下的得分时，将所述最高得分对应的候选解作为初始定位结果输出。2.根据权利要求1所述的全局初始化定位方法，其特征在于，所述并行地对多个候选解在所述至少两个高斯混合模型地图下的配准得分进行分支计算，包括：通过所述图形处理单元，并行地计算所述多个候选解在最低分辨率的高斯混合模型地图下的得分，并根据所述候选解的得分对所述候选解进行排序，以得到候选解得分队列；在所述候选解得分队列中选择得分最高的N个候选解，计算其在下一层高斯混合模型地图下的得分，并按照所述得分添加到所述得分队列中；重复计算所述得分队列中得分最高的N个候选解在下一层高斯混合模型地图下的得分，直到所述得分队列中的最高得分为所述候选解在最高分辨率的高斯混合模型地图下的得分。3.根据权利要求1所述的全局初始化定位方法，其特征在于，所述候选解包括所述激光雷达的横纵坐标的范围和偏航角的范围。4.根据权利要求1所述的全局初始化定位方法，其特征在于，所述方法还包括：获取激光雷达采集的三维点云地图；并行地将所述三维点云地图压缩为二维网格结构，以得到所述最高分辨率的高斯混合模型地图，所述二维网格结构中的每个网格维护一个高斯混合模型，所述高斯混合模型用于表征...

【专利技术属性】
技术研发人员：王鹏飞，
申请(专利权)人：九识苏州智能科技有限公司，
类型：发明
国别省市：