一种定位数据处理方法与流程
本发明涉及计算机技术领域，尤其涉及一种定位数据处理方法。
背景技术：
目前，定位系统的初始定位精度通常为5-10米，对于自动驾驶汽车而言，在进行定位时，会在导航地图中产生较大的横向定位误差，即导航地图上显示的定位位置与真实位置之间的定位精度较差。比如，目标车辆在进行自动驾驶的过程中，实际是处于第二车道，但该导航地图中却显示该目标车辆处于第一车道，即存在一个车道的横向定位误差，进而降低了导航地图中所提供的定位数据的准确性。
技术实现要素：
本发明实施例提供一种定位数据处理方法，可以提升车辆的横向定位精度，提高定位数据的准确性。
本发明一方面提供了一种定位数据处理方法，包括：
获取目标车辆对应的车辆运动信息，并基于所述车辆运动信息以及先验概率分布，确定所述目标车辆在待测位置上的第一运动概率分布；所述先验概率分布是基于上一时刻得到的第二运动概率分布与第二量测概率分布进行融合得到的；
将量测到的局部路面参照对象与导航地图中的全局路面参照对象进行匹配，并根据匹配结果以及所述先验概率分布，确定所述目标车辆在所述待测位置上的第一量测概率分布；
将所述第一运动概率分布与所述第一量测概率分布进行融合，得到所述目标车辆在所述待测位置上的后验概率分布；
基于所述后验概率分布确定所述目标车辆对应的最优目标位置信息；所述最优目标位置信息用于后续修正所述目标车辆在所述导航地图中的横向位置。
其中，所述基于所述后验概率分布确定所述目标车辆对应的最优目标位置信息的步骤，包括：
当确定所述后验概率分布满足收敛条件时，执行所述基于所述后验概率分布确定所述目标车辆对应的最优目标位置信息。
其中，所述基于所述后验概率分布确定所述目标车辆对应的最优目标位置信息的步骤，还包括：
当确定所述后验概率分布不满足收敛条件时，将所述后验概率分布确定为所述目标车辆在下一时刻的先验概率分布。
其中，所述确定所述后验概率分布满足收敛条件的步骤，包括：
基于所述后验概率分布，从所述目标车辆对应的所述待测位置中选择具有最大位置概率的待测位置，作为目标位置信息；
当所述后验概率分布满足单峰分布时，基于所述目标位置信息确定所述后验概率分布对应的概率值；
当所述概率值大于收敛概率阈值时，确定所述后验概率分布满足收敛条件。
其中，所述获取目标车辆对应的车辆运动信息，并基于所述车辆运动信息以及先验概率分布，确定所述目标车辆在待测位置上的第一运动概率分布，包括：
获取所述目标车辆基于滤波模型在所述上一时刻得到的滤波输出结果，作为历史滤波输出结果；所述历史滤波输出结果包含所述目标车辆在所述上一时刻基于所述滤波模型所得到的第一最优滤波输出位置对应的第一位姿运动状态和第一协方差矩阵；
获取所述目标车辆对应的目标先验位置误差，并根据所述目标先验位置误差对所述第一最优滤波输出位置进行修正，得到所述目标车辆对应的目标滤波修正位置；所述目标先验位置误差为所述上一时刻得到的历史横向位置误差；
基于所述滤波模型、第一位姿运动状态、第一协方差矩阵、所述车辆运动信息、所述目标滤波修正位置，确定所述目标车辆在所述导航地图中的目标最优滤波输出位置对应的目标滤波输出结果；
基于所述先验概率分布、所述目标滤波输出结果，生成所述目标车辆在待测位置上的第一运动概率分布。
其中，所述获取所述目标车辆对应的目标先验位置误差，包括：
基于所述先验概率分布，从所述目标车辆对应的所述待测位置中选择具有最大位置概率的待测位置，作为历史位置信息，并在所述导航地图中获取所述历史位置信息对应的历史地理位置；
获取所述目标车辆对应的历史滤波修正位置；所述历史滤波修正位置是基于上一时刻的历史先验位置误差对第二最优滤波输出位置进行修正所得到的；
计算所述历史地理位置与所述历史滤波修正位置之间的差值，并将所述差值在一维状态空间中的历史横向投影分量，确定为所述历史位置信息对应的历史横向位置误差；
将所述历史横向位置误差作为所述目标车辆对应的目标先验位置误差。
其中，所述基于所述滤波模型、第一位姿运动状态、第一协方差矩阵、所述车辆运动信息、所述目标滤波修正位置，确定所述目标车辆在所述导航地图中的目标最优滤波输出位置对应的目标滤波输出结果，包括：
基于所述目标滤波修正位置更新所述历史滤波输出结果对应的第一位姿运动状态，并将更新后的第一位姿运动状态作为所述目标滤波修正位置对应的初始位置运动状态；
获取所述目标车辆对应的车辆运动信息，并基于所述车辆运动信息对应的观测误差，得到所述目标车辆对应的第二协方差矩阵；所述车辆运动信息包含所述目标车辆基于所述目标车辆的轮速信息所确定的所述历史车道信息对应的位移变化量；
基于所述滤波模型，分别对所述初始位置运动状态、所述第一协方差矩阵、所述位移变化量以及所述第二协方差矩阵进行滤波处理，得到所述滤波模型对应的目标滤波输出结果；所述目标滤波输出结果中包含所述目标车辆在所述导航地图中的所述目标最优滤波输出位置对应的第二位姿运动状态和目标协方差矩阵。
其中，所述基于所述先验概率分布、所述目标滤波输出结果，生成所述目标车辆在待测位置上的第一运动概率分布，包括：
获取所述目标最优滤波输出位置投影在所述一维状态空间中的横向滤波分量；
基于所述横向滤波分量、所述目标协方差矩阵中与所述横向滤波分量对应的方差，构建滤波概率分布；
基于所述先验概率分布和所述滤波概率分布，得到所述目标车辆在待测位置上的第一运动概率分布。
其中，所述路面参照对象为车道线；
所述将量测到的局部路面参照对象与导航地图中的全局路面参照对象进行匹配，并根据匹配结果以及所述先验概率确定所述目标车辆在所述待测位置上的第一量测概率分布，包括：
获取所述目标车辆对应的量测数据，并对所述量测数据中所包含的车道线进行转换，并将转换后的车道线确定为所述目标车辆对应的局部车道线；
将所述局部车道线与导航地图中的全局车道线进行距离匹配和线型匹配，并根据匹配结果得到所述目标车辆对应的匹配概率分布；
基于所述先验概率分布对所述匹配概率分布进行更新，并将更新后的匹配概率分布作为所述目标车辆在所述待测位置上的第一量测概率分布。
其中，所述将所述局部车道线与导航地图中的全局车道线进行距离匹配和线型匹配，并所述匹配结果得到所述目标车辆对应的匹配概率分布，包括：
将所述局部车道线与所述目标车辆之间的相对距离，作为第一距离值；
获取导航地图中每条全局车道线与所述目标车辆之间的第二距离值，并基于所述第一距离值和所述第二距离值，对所述局部车道线与所述全局车道线进行距离匹配，并根据距离匹配结果确定与所述局部车道线最近的全局车道线；
将确定出的与所述局部车道线最近的全局车道线，作为所述目标车辆对应的地图车道线，计算所述地图车道线与所述局部车道线之间的横向距离；
基于所述横向距离，将所述局部车道线携带的虚实线属性与所述地图车道线携带的虚实线属性进行属性匹配，并根据属性匹配结果确定所述目标车辆对应的匹配概率分布。
本发明实施例可以将多种定位方式(即组合定位方式和匹配定位方式)下获得的定位数据进行融合，以根据融合后的定位数据，在所述导航地图中找到所述目标车辆的准确位置。换言之，通过融合所述组合定位方式对应的第一运动概率分布和所述匹配定位方式对应的第一量测概率分布，可以进一步确定这两组定位方式下获得的定位数据的交叠区域，基于该交叠区域即可确定所述目标车辆在所述待测位置上的后验概率分布，进而可以根据该后验概率分布确定所述目标车辆在所述导航地图中的最优目标位置信息，即可以在所述导航地图中找到所述目标车辆的准确位置，进而基于最优目标位置信息实现所述目标车辆在所述导航地图对应的车道上的横向定位初始化，即实现所述目标车辆的车道级定位，从而提升了车辆的横向定位精度，进而提高了定位数据在所述导航地图中的准确性。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种网络架构的结构示意图；
图2是本发明实施例提供的一种基于全球定位系统进行定位的示意图；
图3是本发明实施例提供的一种定位数据处理方法的流程示意图；
图4是本发明实施例提供的一种组合滤波的示意图；
图5是本发明实施例提供的一种对获取局部车道线的示意图；
图6是本发明实施例提供的一种确定与所述局部车道线最近的全局车道线的示意图；
图7是本发明实施例提供的另一种确定与所述局部车道线最近的全局车道线的示意图；
图8是本发明提供的一种获取后验概率分布的示意图；
图9是本发明实施例提供的一种横向定位初始化的系统框架示意图；
图10是本发明实施例提供的另一种定位数据处理方法的流程示意图；
图11是本发明实施例提供的一种获取所述后验概率分布对应的概率值的示意图；
图12是本发明实施例提供的一种定位数据处理装置的结构示意图；
图13是本发明实施例提供的另一种定位数据处理装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1，是本发明实施例提供的一种网络架构的结构示意图。如图1所示，所述网络架构可以包括服务器2000以及车载终端集群；所述车载终端集群可以包括多个车载终端，如图1所示，具体包括车载终端3000a、车载终端3000b、…、车载终端3000n；为便于理解，本发明实施例可以在图1所示的多个车载终端中选择一个车载终端作为目标车载终端(例如，所述目标车载终端可以为图1所示的车载终端3000a)。
如图1所示，所述服务器2000，可用于存储各车载终端所上传的最优目标位置信息，比如，所述服务器2000可用于接收所述车载终端3000a所上传的最优目标位置信息，然后可以进一步根据该车载终端3000a所上传的最优目标位置信息，在该服务器2000上的导航地图(例如，高精度地图)中对该车载终端3000a所对应的目标车辆进行车辆标识(比如，该目标车辆当前处于第一车道，行车速度95km/h等信息)，并将标识后的导航地图下发给图1所示的其他车载终端，以使其他车载终端能够根据该标识后的导航地图，查看相邻车道上的各车载终端分别对应的车辆标识信息，以确保行车安全。
如图1所示，所述目标车载终端可以包括：单点gps(globalpositioningsystem，全球定位系统)设备，即一个gps接收机，imu(inertialmeasurementunit，惯性传感器)和摄像机等定位设备。
其中，所述目标车载终端集成安装于自动驾驶终端(例如，无人车)上，因此，可以将gps定位到的所述目标车载终端的三维地理位置等效于所述自动驾驶终端的三维地理位置。其中，所述三维地理位置的坐标系为地理坐标系，该地理坐标系可以称之为大地坐标系，也可以称之为三维直角坐标系。而gps所定位到的原始gps位置的坐标系是以地心为原点的球坐标系，即该原始gps位置在该球坐标系下的三个方向上的数据分别表示经度、维度和高度。因此，在实际应用中，需要对得到的gps定位数据(即原始gps位置)进行预处理，即需先将该原始gps位置转换为所述三维直角坐标系下的三维地理位置，并将预处理后得到的三维地理位置作为所述自动驾驶终端对应的定位位置。
进一步地，请参见图2，是本发明实施例提供的一种基于全球定位系统进行定位的示意图。如图2所示，该全球定位系统(gps)包含一个gps接收机，该gps接收机可以为上述图1所对应实施例中的所述目标车载终端中的gps接收机，且该目标车载终端集成于图2所述的自动驾驶终端。此外，该全球定位系统还包含多个gps卫星所构成的卫星群组。如图2所示，集成于该自动驾驶终端上的所述gps接收机可以用于接收所述gps卫星群组所下发的gps定位数据(该gps定位数据中包含所述自动驾驶终端当前的经纬高和航向)。应当理解，集成于该自动驾驶终端上的所述gps接收机，可用于接收到来自环绕地球的24颗gps卫星中的至少3颗所传递的gps定位数据，其中，所述gps定位数据中的经纬高可用于描述所述自动驾驶终端在球坐标系中的原始gps位置，该原始gps位置对应的球坐标为(r，θ，ψ)，其中，r、θ和ψ分别表示该自动驾驶终端对应的原始gps位置的高度、纬度和经度。然后所述目标车载终端可以进一步对这些gps定位数据进行处理，以测定所述自动驾驶终端在所述大地坐标系下的三维地理位置。
比如，如图2所示，该集成于该自动驾驶终端中的目标车载终端可以将得到的携带经度、纬度、高度的gps数据，转换为大地坐标系下的三维地理坐标，进而可以根据该三维地理坐标确定该自动驾驶终端大致处于导航地图上的三维地理位置。其中，由于gps卫星群组所下发的gps信号存在多路径反射的问题，因此，在对该自动驾驶终端进行gps定位时，该gps所定位到的三维地理位置会与真实地理位置之间存在有5～10米的差距。此外，由于gps的更新频率大概在10hz左右(更新频率较低)，因此，在该自动驾驶终端行驶的过程中，为确保该自动驾驶终端的安全行驶，需要借助其他的传感器(例如imu)来进行辅助定位，即可以将gps与imu进行组合，形成imu/gps组合传感系统，以增强定位的精度。
其中，所述imu，是检测加速度与旋转运动的高频(更新频率为1khz)传感器，可以为所述自动驾驶终端提供实时位置信息。一个imu内会装有三轴的陀螺仪和三个方向的加速度计，该imu可用于测量该自动驾驶终端在三维空间中的角速度和加速度，并以此解算出该自动驾驶终端当前的姿态，即该目标车载终端可以对获取到的惯性传感器数据进行处理，以实时得出该自动驾驶终端的位移与转动信息。
其中，在采用所述imu/gps组合传感系统进行组合定位的过程中，可以基于扩展卡尔曼滤波(ekf，extendedkalmanfilter)的传感器融合技术，融合所述gps定位数据与所述imu传感数据，以实现对imu/gps组合传感系统所得到的定位数据进行组合滤波，并根据组合滤波所输出的最优状态估计和最优协方差矩阵，以及所述先验概率分布，确定所述自动驾驶终端在一维状态空间中的待测位置上的运动概率分布。
应当理解，所述一维状态空间为通过对图1所示的多条车道线所对应的车道进行均匀划分而得到的大量的离散点，因此，上述目标车载终端可以将统计出的该目标车辆可能出现在这些离散点上的均匀概率分布称之为先验概率分布，且此时，目标车辆出现在每个离散点上的位置概率相等。然而，随着时间的推移，imu/gps组合传感系统会有一定的误差累计，进而使得所述目标车辆出现在这些离散点上的位置概率不再相等，比如，可以在一维状况空间中所划分出的这些离散点上呈现出类似于正态分布的概率分布，即得到所述目标车辆在这些离散点(这些划分出来的离散点可以统称为待测位置)上的第一运动概率分布。为便于理解，可以将该一维状态空间中这些离散点所构成的位置变量的方向与图2所对应实施例中的x方向保持一致。因此，所述目标车载终端可以将上述imu/gps组合传感系统所定位到的大地坐标系下的三维地理位置投影至上述图1所示的车道上，以便于所述目标车载终端可以进一步确定所述自动驾驶终端在车道内的初始横向位置。
其中，在实际应用中，为提高量测的精度，所述待测位置可以理解为对所述目标车辆所处车道进行划分所得到的大量的离散点，这些离散点均匀分布在所述目标车辆所处的车道上，从而可以统计到目标车辆在上述待测位置上的第一运动概率分布。其中，由于离散点的选择与最终所要求取的车辆的横向定位精度与之间存在一定的关系，所以为了确保该求取的横向定位精度的可靠性，可以将一维状态空间中至少100个离散点所在的位置称之为待测位置。
应当理解，在对imu/gps组合传感系统所得到的定位数据进行组合滤波之前，该一维状态空间中的每个待测位置均服从一维均匀概率分布，因此，每个待测位置均具有相同的初始位置概率，因此，可以将所述初始横向位置对应的一维均匀概率分布，作为所述自动驾驶终端对应的先验概率分布，并将所述初始横向位置所对应的三维地理位置作为所述imu/gps组合传感系统对应的滤波模型的初始滤波位置，以进一步基于该初始滤波位置、和该初始滤波位置对应的先验概率分布，以及车辆运动信息对所述自动驾驶终端在下一刻的位置进行预估。应当理解，该目标车载终端对应的自动驾驶终端可以称之为目标车辆。
其中，所述目标车载终端在通过该imu/gps组合传感系统对应的滤波模型，对该imu/gps组合传感系统所得到的定位数据进行组合滤波之后，所得到的目标滤波输出结果中包含当前时刻(比如，k时刻)下，所述目标车辆在所述导航地图中的目标最优滤波输出位置处的最优状态估计和最优协方差矩阵；即所述当前时刻下的最优状态估计为所述目标车辆对应的第二位姿运动状态，所述当前时刻下的最优协方差矩阵为所述目标车辆对应的目标协方差矩阵。其中，所述目标最优滤波输出位置可以理解为所述目标车载终端基于该滤波模型在k时刻所输出的目标车辆在该导航地图中的三维地理位置；所述第二位姿运动状态可以包括k时刻的15维状态变量对应的最优估计。
应当理解，所述imu/gps组合传感系统在上一时刻(例如，k-1时刻)所得的滤波输出结果为历史滤波输出结果，所述历史滤波输出结果中包含所述目标车辆在k-1时刻的最优滤波输出位置(即第一最优滤波输出位置)对应的第一位姿运动状态和第一协方差矩阵；所述第一最优滤波输出位置，即所述目标车载终端基于该滤波模型在k-1时刻所输出的目标车辆在该导航地图中的三维地理位置；所述第一位姿运动状态可以包括k-1时刻15维状态变量对应的最优估计。
其中，所述第一位姿运动状态和所述第二位姿运动状态均为相应时刻下所述imu/gps组合传感系统基于所述扩展卡尔曼滤波器所输出的最优状态估计，所述最优状态估计均为相应时刻下的15维状态变量对应的最优估计，所述15维状态向量由15个状态变量构成，这15个状态变量分别为：3维位置变量，3维速度变量，3维姿态变量，3维陀螺漂移变量和3维加速度计偏零变量。
所述第一协方差矩阵和所述目标协方差矩阵均为相应时刻下所述imu/gps组合传感系统基于所述扩展卡尔曼滤波器所输出的最优协方差矩阵。因此，所述最优协方差矩阵的对角线上的元素为相同时刻下，上述15个状态变量分别对应的误差，即该对角线上的元素可以为：3维位置变量分别对应的3维位置误差，3维速度变量分别对应的3维速度误差，3维姿态变量分别对应的3维姿态误差，3维陀螺漂移变量分别对应的3维陀螺漂移误差和3维加速度计偏零变量分别对应的3维加速度计偏零误差。
其中，应当理解，所述3维位置误差为以地心为坐标原点的球坐标系下，经纬高三个方向(即3维位置变量对应的方向)上的位置误差，通过对该经纬高三个方向上的原始gps位置进行处理，可以得到所述原始gps位置对应的三维地理位置。其中，该三维地理位置所对应的地理坐标系的三个方向分别为上述图2所示的x方向，y方向和z方向。
为了更好地理解本方案，本发明实施例以转换后的三维地理位置作为imu/gps组合传感系统在当前时刻(例如，k时刻)对应的目标最优滤波输出位置，即所述目标车载终端可以将转换后得到的该地理坐标系下的三个方向称之为所述目标车辆在该目标最优滤波输出位置上的3维位置变量对应的方向，并将该目标最优滤波输出位置在x方向(即自动驾驶终端沿上述图1所示的车道的一维状态空间中的横向方向)上的横向滤波分量确定为所述自动驾驶终端在所述一维状态空间中的第一横向位置，即可以间接地确定出所述自动驾驶终端(例如，上述图1所示的车载终端3000a对应的目标车辆)在上述图1所示的车道(即上述图1所示第一车道，第二车道和第三车道)上的大致位置(比如，预估出该自动驾驶终端当前处于图1所示的第二车道中上，该第二车道中该自动驾驶终端所在的待测位置可以为所述第一横向位置)，并基于所述协方差矩阵中该第一横向位置(即横向滤波分量)对应的方差，构建所述目标车辆在所述一维状态空间中的滤波概率分布，进而可以根据所述先验概率分布和所述滤波概率分布，得到所述目标车辆在待测位置上的第一运动概率分布。
如图1所示，该目标车辆实际处于图1所述的第一车道中，因此，为了修正该目标车辆在车辆启动过程中，横向定位精度较差而导致横向定位不准确的问题，所述目标车载终端中的摄像机可以进一步将采集到的环境图像信息(即量测数据)进行处理，以检测所述量测数据中的车道线，并将检测到的车道线确定为所述目标车辆对应的局部车道线，从而所述目标车载终端可以进一步将所述局部车道线与所述导航地图(例如，高精度地图)中的全局车道线进行匹配，以根据匹配结果以及所述先验概率分布，确定所述目标车辆在所述待测位置上的第一量测概率分布。
然后，该目标车载终端可以进一步将上述得到的所述第一运动概率分布与所述第一量测概率分布进行融合，以得到所述目标车辆在所述待测位置上的后验概率分布，即所述目标车载终端可以进一步基于一维概率滤波器，将所述第一运动概率分布与所述第一量测概率分布相乘，以确定所述目标车辆在所述一维状态空间中的交叠区域，并可以根据该交叠区域生成所述目标车辆在所述待测位置上的后验概率分布，从而可以基于所述后验概率分布确定所述目标车辆对应的最优目标位置信息。所述最优目标位置信息可以在所述横向定位初始化完成之后，用于后续修正所述目标车辆在所述导航地图中的横向位置。
应当理解，在实际应用中，该目标车辆在横向定位初始化阶段中，需要经过多个计算周期后，融合得到的定位结果才会收敛，即所述车载终端在每个计算周期中均需要将相应时刻下的第一运动概率分布与所述第一量测概率分布进行融合，并将融合后的所得的后验概率分布作为下一时刻所对应的计算周期的先验概率分布。因此，对于当前时刻为k时刻而言，所述目标车载终端可以将上一时刻(k-1时刻)所得到的第一运动概率分布称之为第二运动概率分布，并将k-1时刻所得到的第一量测概率分布称之为第二量测概率分布，于是，所述目标车载终端可以将由k-1时刻到k时刻之间的时间段称之为一个计算周期。可见，采用多种定位方式(即所述第一运动概率分布对应的定位方式称之为组合定位方式，并将所述第一量测概率分布对应的定位方式称之为匹配定位方式)相互协作，可以相互纠正各定位方式所获得的定位结果，以达到更精准的定位效果，即可以在完成所述横向定位初始化时，确定该目标车辆对应的最优目标位置信息(即确定所述目标车辆在所述导航地图中的准确位置)。
然后，所述目标车载终端可以进一步将所述目标车辆对应的最优目标位置信息上传给上述图1所示的服务器2000，以使所述服务器2000根据所述目标车辆对应的最优目标位置信息，更新所述导航地图中的所述目标车辆对应的第一车辆标识，所述第一车辆标识可以包括：目标车辆的车速，当前所处车道中的位置等信息，以使上述图1所对应实施例中其他车载终端(例如，车载终端3000b)可以通过上述服务器2000，获得所述目标车辆的第一车辆标识，并可以根据该车载终端3000b对应的第二车辆标识，计算该车载终端3000b与所述车载终端3000a之间的横向行驶距离，并可以根据所述横向行驶距离控制所述车载终端3000b所对应车辆的制动信息(例如，减速行驶)，以确保自动驾驶过程中相邻车道上的各自动驾驶终端的安全性。
其中，所述目标车载终端获取所述第一运动概率分布，所述第一量测概率分布、所述后验概率分布以及所述最优目标位置信息的具体过程，可以参见如下图3至图11对应的实施例。
进一步地，请参见图3，是本发明实施例提供的一种定位数据处理方法的流程示意图。如图3所示，所述方法可以包括：
步骤s101，获取目标车辆对应的车辆运动信息，并基于所述车辆运动信息以及先验概率分布，确定所述目标车辆在待测位置上的第一运动概率分布；
具体地，定位数据处理装置首先获取目标车辆基于滤波模型在所述上一时刻得到的滤波输出结果，作为历史滤波输出结果；所述历史滤波输出结果包含所述目标车辆在所述上一时刻基于所述滤波模型所得到的第一最优滤波输出位置对应的第一位姿运动状态和第一协方差矩阵；其次，所述定位数据装置获取所述目标车辆对应的目标先验位置误差，并根据所述目标先验位置误差对所述第一最优滤波输出位置进行修正，得到所述目标车辆对应的目标滤波修正位置；所述目标先验位置误差为所述上一时刻得到的历史横向位置误差。然后，所述定位数据装置可以进一步基于所述滤波模型、第一位姿运动状态、第一协方差矩阵、所述车辆运动信息、所述目标滤波修正位置，确定所述目标车辆在所述导航地图中的目标最优滤波输出位置对应的目标滤波输出结果；最后，所述定位数据装置可以进一步基于所述先验概率分布、所述目标滤波输出结果，生成所述目标车辆在待测位置上的第一运动概率分布。
其中，所述先验概率分布是基于上一时刻得到的第二运动概率分布与第二量测概率分布进行融合得到的。
其中，所述定位数据处理装置可以为上述图1所对应实施例中的目标车载终端，该目标车载终端在包含上述图1所对应实施例中所列举的gps接收机，imu，和摄像机同时，还可以进一步包含与所述imu相连的轮测距器或里程计，此时，imu/gps组合传感系统可以包含：所述gps接收机，所述imu以及与所述imu相连的轮测距器或里程计。其中，所述轮测距器用于获取所述目标车辆的轮速信息，因此，该轮测距器可以为该imu提供一个速度值(即该速度值是通过该轮速信息所确定的)，进而使该imu可以根据该轮测距器所提供的速度值确定所述目标车辆对应的位移变化量；所述目标车辆可以为上述图2所对应实施例中的自动驾驶终端；所述目标车载终端可以包括上述图1所对应实施例中的imu/gps组合传感系统。
其中，所述轮测距器，可用于推算出所述目标车辆的位置。比如，通过在该目标车辆的前轮安装所述轮测距器，可在该目标车辆的行驶过程中，通过该轮测距器，分别获取左轮与右轮的总转数，以使所述定位数据处理装置通过分析每个时间段里左右轮的转数，得到所述目标车辆对应的位移变化量，并可以同时得到所述目标车辆向左或向右转了多少度。
其中，所述里程计是一种利用从移动传感器获得的数据来估计目标车辆位置随时间的变化而改变的方法，比如，该里程计可以通过对所述imu所提供的速度对时间积分，来估计所述目标车辆当前所处的位置。
应当理解，所述定位数据处理装置在采用该imu/gps组合传感系统进行组合定位时，为了融合所述gps定位设备对应的gps定位数据与所述imu对应的imu传感数据，可以利用上述图1所对应实施例中的扩展卡尔曼滤波的传感器融合技术，将所述gps定位数据与所述imu传感数据进行融合，以实现对imu/gps组合传感系统所得到的定位数据(即所述gps定位数据与所述imu传感数据)进行组合滤波，得到所述目标车辆在所述导航地图中的目标最优滤波输出位置对应的目标滤波输出结果；应当理解，所述目标滤波输出结果为该扩展卡尔曼滤波器在当前时刻输出的最优状态估计和最优协方差矩阵，因此，所述定位数据处理装置可以将当前时刻下的目标最优滤波输出位置所对应的最优状态估计称之为第二位姿运动状态，并将当前时刻下的目标最优滤波输出位置所对应的最优协方差矩阵称之为目标协方差矩阵。
应当理解，在所述imu/gps组合传感系统中，所述gps的更新频率大概在10hz左右，而所述imu的更新频率为1khz，因此，在两次gps定位数据更新期间，可以使用imu所定位到的imu传感数据来进行定位，即在两个gps定位数据之间，存在100个imu传感数据。于是，所述目标车载终端在采用所述扩展卡尔曼滤波器对所述imu/gps组合传感系统对应的定位数据进行滤波之前，可以先将gps所定位到的gps定位数据作为所述目标车辆在当前时刻(t＝t0时刻)的初始位置，并以该初始位置为起点，加入imu传感数据进行精确定位,，得到所述目标车辆在后续各个时刻的目标最优滤波输出位置对应的目标滤波输出结果。
为便于理解，进一步地，请参见图4，是本发明实施例提供的一种组合滤波的示意图；如图4所述，所述滤波模型主要包括预测子模型30a和观测子模型30b，所述预测子模型30a，主要用于对图4所示的滤波输入位置1a(即t＝tk-1时刻，该目标车辆在所述导航地图中的三维地理位置)进行一步状态预测，以得到所述目标车辆在图4所示的预测位置40a。应当理解，该预测位置40a属于该定位数据处理装置基于所述预测子模型30a对所述目标车辆在所述导航地图中的三维地理位置进行粗略地估计。因此，当获取到所述目标车辆的车辆运动信息2a时，可以将该车辆运动信息2a通过图4所示的观测子模型3b得到所述目标车辆的观测位置40b，由于通过传感器得到所述车辆运动信息2a的过程中存在观测噪声，因此，所述定位数据处理装置可以认为当前得到的所述观测位置40b也存在一定的观测误差(该观测误差即为该滤波模型所对应的滤波公式(即公式(1.3))中的rk)。因此，该位数据处理装置可以进一步通过卡尔曼增益(该滤波模型所对应的滤波公式中的kk)为所述观测位置40b和所述预测位置40a分配相应的权重值，即位数据处理装置可以通过图4所示的所述滤波组合4a，得到图所述目标最优滤波输出位置5a(即t＝tk时刻，该目标车辆在所述导航地图中的三维地理位置)。
应当理解，在所述目标车辆的启动过程中，所述滤波输入位置1a可以为所述定位数据处理装置在t0时刻通过gps所定位到的三维地理位置；可选的，在当前时间为tk+1时刻，所述滤波输入位置1a还可以理解为所述定位数据处理装置基于目标先验位置误差，对所述第一最优滤波输出位置进行修正后所得到的目标滤波修正位置，即所述第一最优滤波输出位置即为所述目标车辆在tk时刻基于所述滤波模型所输出的目标最优滤波输出位置。其中，所述目标先验位置误差可以理解为所述tk时刻所得到的历史横向位置误差。所述tk时刻所得到的历史横向位置误差，即为该tk时刻所得到的先验概率分布中所获取到的历史位置信息对应的历史地理位置与tk-1时刻所得到所述历史滤波修正位置之间的差值在一维状态空间中的历史横向投影分量。所述历史滤波修正位置即为tk-1时刻所获得历史先验位置误差对第二最优滤波输出位置进行修正所得到的。所述第二最优滤波输出位置即为所述目标车辆在tk-1时刻基于该滤波模型所输出的目标最优滤波输出信息。
为便于理解，进一步地，请参见表1，是本发明实施例提供的一种横向位置误差与各地理位置之间的计算关系表。其中，各地理位置分别为目标地理位置、滤波输入位置和目标最优滤波输出位置。
表1
如上述表1所示，当前时刻t＝t0时刻，即为所述目标车辆启动时刻，该目标车辆的初始位置由所述定位数据处理装置中的gps提供。假定t0时刻，该定位数据处理装置通过gps所定位到的三维地理位置为地理位置a，并将该地理位置a作为该扩展卡尔曼滤波器所对应的滤波模型对应的初始地理位置a0，应当理解，该初始地理位置a0即为上述图4所对应实施例中的滤波输入位置1a。因此，所述定位数据处理装置可以通过该目标车辆在该初始地理位置a0上的初始状态向量x0和初始协方差矩阵p0，预测该目标车辆在t1时刻的预测位置40a(比如，该预测位置为地理位置a11)，以及该目标车辆在该地理位置a11上的预估状态x1和预估协方差矩阵p1。
此外，表1所示的多个目标最优滤波输出位置分别为该滤波模型在不同时刻下的所得到三维地理位置，即为上述图4所对应实施例中的目标最优滤波输出位置5a.。于是，如上述图4所示，在t＝t1时刻，可以得到所述目标车辆对应的车辆运动信息2a，从而可以进一步得到如图4所示的观测位置40b(该观测位置40b可以为地理位置a12)。由于该定位数据处理装置通过图4所对应实施例中观测子模型30b，对所述目标车辆的三维地理位置(即观测位置40b)进行预测的过程中存在观测噪声，因此，所得到地理位置a12服从高斯分布，同理，所预测出的地理位置a11所对应的所述预估状态x1中的各状态变量也应服从高斯分布。因此，所述扩展卡尔曼滤波器可以进一步将这两种情况下的传感数据进行融合，即可以为观测得到的三维地理位置和预测得到的三维地理位置设置相应的权重值，以得到上述图4所示的目标最优滤波输出位置5a。如表1所示，该目标最优滤波输出位置5a在t1时刻为地理位置a1。该定位数据处理装置还可以在该t1时刻，通过执行下述步骤s102所描述的匹配定位方式，将量测得到的局部路面参照对象与导航地图中的全局路面参照对象进行匹配，以得到第一量测概率分布，并可以进一步执行下述步骤s103，以得到所述融合概率分布。因此，所述定位数据装置可以进一步得到所述融合概率分布对应的目标位置信息，并可以进一步在所述导航地图中获取该目标位置信息所对应的目标地理位置(如表1所示的地理位置l1)。由于所述横向位置误差是指所述滤波输入位置与所述目标地理位置之差在所述一维状态空间中的横向投影分量，所以所述定位数据处理装置在得到所述横向位置误差之后，可以进一步用该横向位置误差对所述目标最优滤波输出位置(表1所示的地理位置a1)进行修正，得到所述目标车辆在t2时刻的滤波输入位置(即表1所示的地理位置a1’)，该地理位置a1’即为所述定位数据装置在t1时刻将所述横向位置误差叠加在所述地理位置a1上所形成的新的三维地理数据。同理，表1所示的地理位置a2’(滤波输入位置)即为所述定位数据装置在t2时刻将所述横向位置误差叠加在所述地理位置a2上所形成的新的三维地理数据。
因此，在当前时刻t＝t3时刻时，所述定位数据装置在该t3时刻获取所述目标先验位置误差的过程可以描述为：所述定位数据处理装置首先基于所述先验概率分布(即所述目标车辆在t2时刻所得到的后验概率分布)，从所述目标车辆对应的所述待测位置中选择具有最大位置概率的待测位置，作为历史位置信息，并在所述导航地图中获取所述历史位置信息对应的历史地理位置(即上述表1所示的t2时刻的地理位置l2)；其次，所述定位数据处理装置可以进一步获取所述目标车辆对应的历史滤波修正位置(即表1所示的t2时刻的地理位置a1’)；其中，所述历史滤波修正位置是基于上一时刻的历史先验位置误差(即t1时刻所获得的横向位置误差)对第二最优滤波输出位置(即上述表1所示的t1时刻的地理位置a1)进行修正所得到的；然后，所述定位数据处理装置可以计算所述历史地理位置(地理位置l2)与所述历史滤波修正位置(地理位置a1’)之间的差值，并将所述差值在一维状态空间中的历史横向投影分量，确定为所述历史位置信息对应的历史横向位置误差；最后，该定位数据处理装置可以进一步将所述历史横向位置误差作为所述目标车辆对应的目标先验位置误差。由此可见，在当前时刻t＝t3时刻时，所述定位数据处理装置可以将上一时刻(即t2时刻)所得到的横向位置误差称之为历史横向位置误差，并将t2时刻所得到所述历史横向位置误差作为所述目标车辆在当前时刻的目标先验位置误差。此外，所述定位数据处理装置还将t2时刻所得到目标地理位置称之为历史地理位置，并将t2时刻所得到滤波输入位置称之为历史滤波修正位置，与此同时，所述定位数据处理装置还可以将再上一时刻(即t1时刻)所获得的横向位置误差称之为t2时刻的历史先验位置误差，并将t1时刻所获得的目标最优滤波输出位置称之为第二最优滤波输出位置。
应当理解，所述目标最优滤波输出位置为所述定位数据处理装置基于所述扩展卡尔曼滤波器所输出的三维地理位置；其中，为便于理解，本发明实施例可以将非线性情况下的扩展卡尔曼滤波器处理为线性情况下的卡尔曼滤波，以便于进一步对本发明实施例中该滤波模型所对应的预测阶段和更新阶段进行描述。应当理解，所述定位数据装置可以通过上述图4所对应实施例中的滤波模型对所述imu/gps组合传感系统进行组合滤波，以输出上述图4所对应实施例中所述目标最优滤波输出位置5a对应的目标滤波输出结果；所述目标滤波输出结果中包含所述目标车辆在所述导航地图中的所述目标最优滤波输出位置5a对应的第二位姿运动状态和目标协方差矩阵。
假设所述定位数据处理装置在t0时刻(即该目标车辆启动时刻)，通过全球卫星导航系统(gps)所定位到的三维地理位置为地理位置a，并将该三维地理位置作为该卡尔曼滤波器所对应的滤波模型对应滤波输入位置，该滤波输入位置可以为上述表1所示的地理位置a0，并可以进一步通过该目标车辆在该地理位置a0上的初始状态向量x0和初始协方差矩阵p0，预测该目标车辆在t1时刻的预测位置a11，以及该目标车辆在该预测位置a11上的预估状态x1’和预估协方差矩阵p1’；
其中，在通过所述卡尔曼滤波器实现组合滤波之前，所述定位数据处理装置还可以先将所述目标车辆在t0时刻所处的地理位置a0(该地理位置a0与该目标车辆的真实位置之间存在5-10的横向定位误差)，假设该地理位置a0(即(x0,y0,z0))投影至一维状态空间中的横向投影分量(x0)位于该一维状态空间中的待测位置c，且在该目标车辆的横向定位初始化阶段，该待测位置c服从一维均匀概率分布，即此时，该一维状态空间中的每个待测位置具有相同的初始位置概率，因此，所述定位数据处理装置可以将所述地理位置a0所对应的待测位置c所服从的一维均匀概率分布，作为所述目标车辆在t1时刻的先验概率分布。
在t0时刻，所述初始状态向量x0为15维的状态变量(即这15维的状态变量可以构成一个15维列向量)，该15维的状态变量可以为上述图1所对应实施例中的3维位置变量，3维速度变量，3维姿态变量，3维陀螺漂移变量和3维加速度计偏零变量。所述初始协方差矩阵p0可用于描述上述图1所对应实施例中的各个状态变量之间的相关性(包括自相关性和互相关性)，因此，该初始协方差矩阵p0为一个大小为15行×15列的矩阵，该初始协方差矩阵p0的对角线上的元素为t0时刻下各状态变量对应的误差。
其中，所述卡尔曼滤波对应的滤波模型中预测阶段可简要概括为时间更新，即该定位数据处理装置可以通过该目标车辆在t＝t0时刻所得到的地理位置a0上的初始状态向量x0和初始协方差矩阵p0，预测下一刻(即t＝t1时刻)该目标车辆在预测位置40a(比如，该目标车辆在t1时刻的预测位置40a为地理位置a11)上的预估状态x1’和预估协方差矩阵p1’；应当理解，通过该给定的gps定位数据获取所述地理位置a11的过程中的各状态变量均服从高斯分布，此外，预估状态x1’和所述初始状态向量x0之间存在一个状态转移矩阵f1；
与此同时，所述卡尔曼滤波对应的滤波模型中更新阶段可简要概括为量测更新，即可以用imu传感器所观测到imu传感数据对上述预测出的三维地理位置(即地理位置a11)进行纠正，即该定位数据处理装置还可以将当前时刻(t＝t1时刻)所获得的车辆运动信息作为所述目标车辆对应的观测量，并将获得该观测量的量测噪声作为所述观测量对应的第二协方差矩阵。应当理解，该观测量即为可以通过传感器直接观测得到的传感数据，因此，该观测量的维数可以小于上述各状态变量所构成的状态向量的维数。其中，所述车辆运动信息可以包含所述目标车辆基于所述目标车辆的轮速信息所确定的所述目标车辆对应的位移变化量，因此，所述观测量可以为所述位移变化量；由于传感器所测量的范围和单位可能与上述预测阶段中的状态变量所使用的范围和单位不一致，因此可以通过矩阵h1将上述15维的状态向量x1’映射到该观测量z1所对应的观测空间，即所述观测量z1与所述状态向量x1’之间存在一个观测矩阵h1，该观测矩阵的维数与所述状态状态转移矩阵的维数相同。都是大小为15行×15列的矩阵。应当理解，该观测量z1可以根据观测得到的传感数据来确定其维数，即若只观测到一个传感器数据，则该观测量可以理解为一个标量。该观测量z1也服从高斯分布。
对于t＝t1时刻而言，所述目标车载终端可以将该目标车辆在上一时刻(即t＝t0时刻)的地理位置a0称之为历史位置信息所对应的历史地理位置，并将所述初始状态向量x0称之为第一位姿运动状态，并将所述初始协方差矩阵p0称之为第一协方差矩阵。
此时，所述数据处理终端可以根据卡尔曼滤波器中的卡尔曼扩展因子kk，对预测所得到的高斯分布与观测所得到的高斯分布进行融合，以得到所述目标滤波输出结果，即目标滤波输出结果包含所述目标车辆在所述导航地图中的所述目标最优滤波输出位置(即地理位置a1)对应的第二位姿运动状态和目标协方差矩阵。
其中，所述第二位姿运动状态为所述目标车辆在所述目标最优滤波输出位置a1上的最优状态预估x1，目标协方差矩阵即为所述目标车辆在所述目标最优滤波输出位置a1上的最优协方差矩阵p1。
应当理解，由于卡尔曼滤波器是一个线性回归器，因此，所述最优状态预估x1即为第1次基于所述滤波模型所得到最优预测结果，且所述最优协方差矩阵p1即为该最优预测结果对应的协方差矩阵，因此，可以把所述最优状态预估x1和所述最优协方差矩阵p1称之为所述目标车辆基于所述滤波模型得到的目标滤波输出结果。且该最优状态预估x1和所述最优协方差矩阵p1都将参与到该滤波模型的下一个预测阶段中，以得到新的目标滤波输出结果。
因此，对于当前时间(t＝tk时刻)，可以得到第k次基于所述滤波模型所得到最优预测结果，即可以得到最优状态预估xk和所述最优协方差矩阵pk，其中，所述最优状态预估xk即为所述目标车辆在所述目标最优滤波输出位置(即地理位置ak)上的第二位姿运动状态，所述最优协方差矩阵pk即为所述目标车辆在所述地理位置ak上的目标协方差矩阵。
应当理解，对于每次滤波所输出的目标滤波输出结果，都可以将每次所输出的目标最优滤波输出位置投影在所述一维状态空间，得到所述目标最优滤波输出位置对应的横向滤波分量，并可以进一步基于所述横向滤波分量、所述目标协方差矩阵中与所述横向滤波分量对应的方差，构建滤波概率分布；然后，所述定位数据处理装置可以进一步基于所述先验概率分布和所述滤波概率分布，得到所述目标车辆在待测位置上的第一运动概率分布。
其中，对于任意的两个时刻(t＝tk-1和t＝tk)而言，可以用如下五个卡尔曼滤波器对应的滤波公式来得到所述滤波模型对应的目标滤波输出结果，即以下这五个卡尔曼滤波公式可以统称为所述定位数据装置对应的滤波模型。
xk'＝fkxk-1+bkμk公式(1.1)
∑k＝fk∑k-1fkt+qk公式(1.2)
kk＝∑k'ht(h∑k'ht+rk)-1公式(1.3)
xk＝xk'+kk(zk-hxk')公式(1.4)
∑k＝(i-kkh)∑k'公式(1.5)
上述五个公式中，公式(1.1)和公式(1.2)，用于对该滤波模型中的预测阶段中进行描述。应当理解，在车辆启动过程中，gps所定位到的三维地理位置(地理位置a)可以作为该滤波模型对应的滤波输入位置(此时，该滤波输入位置可以为上述表1所示的地理位置a0)，此时，该定位数据处理装置则可以直接基于上述公式(1.1)对该目标车辆在下一刻所处的三维地理位置进行预测。而对于t＝tk时刻而言，所述滤波输入位置则为所述定位数据处理装置通过获取到的目标先验位置误差，对t＝tk-1时刻所获得的所述第一最优滤波输出位置(即地理位置ak-1)进行修正而得到的。因此，符号xk-1可以为所述目标车辆在t＝tk-1时刻的地理位置ak-1上的最优状态估计。于是，当目标车辆处于t＝tk时刻时，所述定位数据处理装置可以将tk-1时刻所得到的最优状态估计称之为所述目标车辆在第一最优滤波输出位置对应的第一位姿运动状态，并将tk-1时刻所得到的最优协方差矩阵称之为所述目标车辆在第一最优滤波输出位置对应的第一协方差矩阵。上公式(1.3)中的符号kk为该滤波模型对应的卡尔曼增益，借助于该卡尔曼增益可以为预测出的定位数据和量测出的定位数据分别分配相应的权重值，以得到所述目标车辆基于该滤波模型所输出的所述目标最优滤波输出位置对应的目标滤波输出结果。应当理解，上述公式(1.1)-公式(1.5)中各符号的含义请参见上述表1所对应实施例中对各符号的说明。
应当理解，在所述一维状态空间中，所述第一运动概率分布与所述先验概率分布之间的关系可以表示为：
其中，
因此，对于第一次滤波所得到目标最优滤波输出位置(a1)而言，所述先验概率分布为所述地理位置a0在所述一维状态空间中的均匀概率分布，且随着时间的累计，所述先验概率分布则由上一刻所得到的后验概率分布所确定。
步骤s102，将量测到的局部路面参照对象与导航地图中的全局路面参照对象进行匹配，并根据匹配结果以及所述先验概率分布，确定所述目标车辆在所述待测位置上的第一量测概率分布；
具体地，所述定位数据处理装置可以通过所述摄像机采集环境图像信息，并将采集到的环境图像信息作为所述目标车辆对应的量测数据，其中，所述环境图像信息中包含的路面参照对象可以为路沿、护栏、杆牌、车道线等一种或多种道路要素，因此，所述定位数据处理装置可以对所述量测数据中的所包含的路面参照对象进行检测，即所述定位数据处理装置可以从所述量测数据中提取一种或多种道路要素的边缘轮廓特征和/或车道线的颜色特征等，并将提取到的边缘轮廓特征和/或车道线的颜色特征称之为图像特性，并根据所述图像特征对所述路面参照对象进行识别；其次，所述定位数据处理装置可以进一步基于仿射变换参数对识别出的路面参照对象进行仿射变换，得到所述目标车辆对应的局部路面参照对象；然后，所述定位数据处理装置可以进一步将所述局部路面参照对象与导航地图中的全局路面参照对象进行匹配，并根据匹配结果以及所述先验概率分布确定所述目标车辆在所述待测位置上的第一量测概率分布。
应当理解，所述定位数据处理装置对所述量测数据中所包含的路面参照对象进行检测的过程可以理解为，该定位数据处理装置基于神经网络模型对所述环境图像信息中的路面参照对象进行识别。即该神经网络模型中可以包含所述路面参照对象中的每个道路元素分别对应的分类识别模型(比如，该分类识别模型可以为路沿类的识别模型、护栏类的识别模型、杆牌类的识别模型、车道线类的识别模型)，因此，该定位数据处理装置在从该量测数据中获取待处理区域，并基于神经网络模型提取所述待处理区域对应的图像特征，并可以进一步将该待处理区域对应的图像特征输入所述分类识别模型，得到所述待处理区域对应的识别概率，从而可以进一步根据所述识别概率在所述待处理区域中确定所包含的道路元素的分类类型，进而可以完成对量测数据中的所包含的路面参照对象的检测。
应当理解，所述定位数据处理装置在对所述待处理区域进行特征提取之前，还可以先将所述环境图像信息划分为多个子区域，并对各子区域进行选择性，并将选择性搜索后的子区域进行合并，得到多个合并区域，并将所述多个子区域和所述多个合并区域均确定为待处理区域；应当理解，所述定位数据处理装置在对选择性搜索后的子区域进行合并，是指该定位数据处理装置可以基于合并规则(比如，纹理相近，颜色相近等)，将两两相邻的两个子区域进行合并，且在对各子区域进行合并的过程中，会根据选择性搜索后的子区域的数量进行多次合并，直到得到一张携带完整图像的合并区域；其次，所述定位数据处理装置还可以进一步基于神经网络模型对所述待处理区域进行特征提取，得到与所述待处理区域对应的图像特征，然后，所述定位数据处理装置还可以进一步将所述图像特征输入所述神经网络模型中的所述分类识别模型，生成所述待处理区域对应的识别概率，并根据所述识别概率确定所述待处理区域中所包含道路元素的类型，从而完成对所述量测数据中所包含的道路元素(例如，车道线)的检测。其中，所述识别概率是用于表示所述待处理区域中包含所述道路元素的概率，因此，在该待处理区域对应的车道线的识别概率大于80％时，确定所述量测数据中包含的道路元素(即路面参照对象)为车道线。
其中，所述定位数据处理装置将所述环境图像信息划分为多个子区域，并对划分后的多个子区域进行合并，以得到所述待处理区域等图像处理技术均属于现有技术，这里不再继续进行赘述。
其中，所述神经网络模型可以为卷积神经网络(convolutionalneuralnetworks，cnn)模型，所述神经网络模型可以用于对输入该神经网络模型的所有待处理区域进行特征提取，以得到与所述各待处理区域分别对应的图像特征。
其中，为便于理解，本发明实施例以在多个待处理区域中选择一个待处理区域进行特征提取为例，则所述客户终端对该待处理区域对应的图像特征进行提取的具体过程为：所述定位数据处理装置通过神经网络模型(例如，卷积神经网络模型，cnn模型)进行卷积处理，即所述定位数据处理装置可以随机选取该待处理区域中的一小部分特征信息作为样本(即卷积核)，并将这个样本作为一个窗口依次滑过所述待处理区域，也就是将上述样本和所述待处理区域做卷积运算，从而获得该待处理区域的空间特征信息。卷积运算后，获取到该待处理区域的空间特征信息，但上述空间特征信息的数量庞大，为了减少后续计算量，可以基于卷积神经网络模型的池化处理(pooling)，以对上述空间特征信息进行聚合统计，聚合统计后的空间特征信息的数量要远远低于卷积运算提取的空间特征信息的数量，同时还会提高后续分类效果(即对所述目标对象进行识别的效果)。常用的池化方法主要包括平均池化运算方法和最大池化运算方法。平均池化运算方法是在一个特征信息集合里计算出一个平均特征信息代表该特征信息集合的特征；最大池化运算是在一个特征信息集合里提取出最大特征信息代表该特征信息集合的特征。可见，采用上述方法，可以提取所有待处理区域的空间特征信息，并将所述空间特征信息作为各待处理区域分别对应的图像特征。
此外，所述定位数据处理装置在提取到所述待处理区域的空间特征信息之后，还可以进一步通过循环神经网络模型(rnn模型)进行时序处理，即在循环神经网络模型的遗忘门中，处理器首先计算需要从单元状态(cellstate)中去除的信息；然后在输入门(inputgate)中，处理器计算出在单元状态中需要存储的信息；最后在输出门(outputgate)中，更新单元状态，也就是处理器将单元旧状态乘以需要去除的信息，然后再加上需要存储的信息，就得到单元新状态。所述待处理区域的空间特征信息通过与多个单元状态之间的线性作用，可以提取隐藏在所述待处理区域中的时空特征信息。可见，采用上述方法，可以提取所有待处理区域的时空特征信息，并将所述时空特征信息称之为各待处理区域分别对应的图像特征。然后，所述定位数据处理装置可以将各待处理区域分别对应的图像特征输入至该神经网络模型所携带的分类器(即分类识别模型)中，以得到各图像特征在相应分类器中的识别概率。
进一步地，请参见图5，是本发明实施例提供的一种对获取局部车道线的示意图。如图5所示的显示界面100a为所述定位数据处理装置中的摄像机当前采集到的环境图像信息，并将所述环境图像信息作为所述目标车辆对应的量测数据；应当理解，所述定位数据处理装置在获取到所述量测数据和上述步骤s101中的所述车辆运动信息时，会预先对获取到所述量测数据和所述车辆运动信息的时间进行时间同步处理，以确保在这两组数据能够在同一时刻传输至该定位数据处理装置，从而可以进一步执行步骤s103。所述定位数据处理装置在获取到图5所述的环境图像信息时，可以进一步将该环境图像信息输入上述神经网络模型，以借助于该神经网络模型对该环境图像信息中待处理区域内的图像特性进行识别。由于图5所示的地面参照对象可以为护栏和/或车道线，为防止该横向定位初始化过程中道路元素信息缺失对横向定位的影响，且在实际应用中，车道线的空间尺度信息以及虚实类型信息是结构化道路的标准信息，因此，本发明实施例将以所述道路元素(即地面参照对象)为车道线为例，以进一步对获取所述局部车道线的具体过程进行描述。因此，所述定位数据处理装置在对所述环境图像信息中的车道线进行识别的过程中，用到的分类识别模型为车道线类的分类识别模型，若所述待处理区域对应的识别概率较大(比如，该待处理区域对应的识别概率大于预设的识别阈值)，则说明该待处理区域中存在车道线；反之，若该待处理区域对应的识别概率则较低，则说明该待处理区域中不存在车道线(即该待处理区域中存在的道路元素可能是图5所示的护栏)。
鉴于此，所述定位数据处理装置可以进一步将识别出的包含所述车道线且具有最大识别概率的待处理区域确定为目标区域，以进一步在该目标区域内对检测到的车道线进行仿射变换，得到图5所示的显示界面200a，应当理解，所述仿射变换参数(比如，相机内参数)可以将像素空间中的像素点转换为物理空间(该物理空间的原点即为所述摄像机的聚焦点)中的体像素点，即将显示界面100a中所检测到的车道线转换为显示界面200a中的局部车道线，进而可以在所述显示界面200a中获取每个体像素点的三维像素坐标，从而可以得到每条局部车道线的几何参数，比如，在该显示界面200a中可以得到l1～l4这四条局部车道线之间的几何距离。应当理解，所述摄像机集成安装于所述目标车辆上，因此，在该物理空间中，可以将所述目标车辆投影至该物理空间中，即在该物理空间中，可以将所述目标车辆所在位置作为坐标原点，并基于上述得到的四条局部车道线之间的几何距离，构建局部地图，以进一步在该局部地图中的x轴方向上确定各局部车道线与所述目标车辆之间的相对距离，并将所述局部车道线与所述目标车辆之间的相对距离，作为第一距离值。比如，在该局部地图中x轴方向上，局部车道线l1与所述目标车辆之间的相对距离为-7.5米，局部车道线l2与所述目标车辆之间的相对距离为-3.1米，局部车道线l3与所述目标车辆之间的相对距离为0.7米，局部车道线l4与所述目标车辆之间的相对距离为4.5米，并将这四个相对距离统称为第一距离值。
应当理解，当所述地面参照对象为车道线时，所述定位数据处理装置将量测到的局部路面参照对象与导航地图中的全局路面参照对象进行匹配，可以进一步理解为：将所述局部车道线与导航地图中的全局车道线进行距离匹配和线型匹配，并根据所述匹配结果得到所述目标车辆对应的匹配概率分布。
其中，所述导航地理是指包含了各种道路元素的高精度地图，比如，该高精度地图中可以包含车道线位置、红绿灯位置，路沿的高度，水平曲率等行车辅助信息，这些行车辅助信息可以理解为所述导航地图中的全局路面参照对象。因此，所述定位数据处理装置可以在获得所述局部地图中的所述局部车道线时，进一步将所述局部车道线与所述导航地图中的全局车道线进行距离匹配和线型匹配，以根据匹配结果(距离匹配结果和线型匹配结果)确定所述目标车辆在所述导航地图中的横向定位位置，并得到所述横向定位位置对应的匹配概率分布。
其中，所述匹配概率分布对应的计算公式可以为：
其中，符号m为所述导航地图中的车道线信息，z为实时感知的局部车道线信息。下标r代表数据的估计值，下标σ代表数据的估计方差。在该公式(3)中，
其中，所述匹配概率分布的获取过程可以描述为：所述定位数据处理装置在获取到所述局部地图中所述局部车道线与所述目标车辆之间的第一距离值之后，可以进一步获取导航地图中每条全局车道线与所述目标车辆之间的第二距离值，并基于所述第一距离值和所述第二距离值，对所述局部车道线与所述全局车道线进行距离匹配，并根据距离匹配结果确定与所述局部车道线最近的全局车道线。
进一步地，请参见图6，是本发明实施例提供的一种确定与所述局部车道线最近的全局车道线的示意图。如图6所示，所述导航地图为所述定位数据处理装置所获取到的地图m，且在该地图m中存在图6所示的4条全局车道线。为便于理解，现将这四条全局车道线依次命名为车道线m1，车道线m2，车道线m3以及车道线m4，其中，车道线m1所携带的虚实线属性为实线，车道线m2所携带的虚实线属性为虚线，且车道线m1与车道线m2之间的车道称之为第一导航车道；车道线m3所携带的虚实线属性为实线，且车道线m2与车道线m3之间的车道称之为第二导航车道；车道线m4所携带的虚实线属性为实线，且车道线m3与车道线m4之间的车道称之为应急导航车道。所述定位数据处理装置可以基于图6所示的地图m获取各全局车道线分别对应的车道线位置以及所述目标车辆的定位位置，并基于所述定位位置和所述车道线位置，得到所述目标车辆与所述全局车道线之间的第二距离值，并根据各第二距离值确定所述第一导航车道，第二导航车道与所述应急导航车道之间的导航车道宽度，比如，第一导航车道宽度为5米，第二导航车道宽度为4米，应急导航车道的宽度为3.8米；应当理解，所述第一距离值和所述第二距离值均为x方向上的相对距离。
可选地，所述定位数据处理装置还可以直接所述基于图6所示的地图m中四条全局车道线分别对应的车道线位置，并根据这四条全局车道线分别对应的车道线位置，分别计算所述第一导航车道和所述第二导航车道以及所述应急导航车道的车道宽度。
由上述图5所对应实施例中的局部车道线的示意图可知，所述局部车道线l1所携带的虚实线属性为实线，局部车道线l2所携带的虚实线属性为虚线，且局部车道线l1与局部车道线l2之间的车道宽度为4.4米；局部车道线l3所携带的虚实线属性为实线，且局部车道线l2与局部车道线l3之间的车道宽度为3.8米；局部车道线l4所携带的虚实线属性为实线，且局部车道线l3与局部车道线l4之间的车道宽度为3.8米。利用上述公式(3)可知，标识局部车道线数量的符号j的取值为4，即对于上述图5所量测得到的每个局部车道线，可以在图6所述的地图m中，找到距离每条局部车道线最近的全局车道线。即与局部车道线l1最近的全局车道线为车道线m1，与局部车道线l2最近的全局车道线为车道线m2，与局部车道线l3最近的全局车道线为车道线m3，与局部车道线l4最近的全局车道线为车道线m4。然后，所述定位数据处理装置可以进一步将与所述局部车道线最近的全局车道线，作为所述目标车辆对应的地图车道线，并计算所述地图车道线与所述局部车道线之间的横向距离，即所述局部车道线l1与所述车道线m1之间的横向距离为零，与此同时，由于所述局部车道线l1的虚实线属性为实线，所述车道线m1的虚实线属性也为实线，于是，所述定位数据处理装置可以进一步确定所述局部车道线l1携带的虚实线属性与所述车道线m1携带的虚实线属性一致(即属性匹配)，因此，可以将上述公式(3)中的调整参数α设置为2，并基于上述公式(3)，得到所述车道线l1的匹配值；同理，所述定位数据处理装置可以得到所述局部车道线l2与所述车道线m2之间的横向距离，并可以进一步确定所述局部车道线l2携带的虚实线属性与所述车道线m2携带的虚实线属性一致(即这两根车道线的虚实线属性均为虚线)，因此，也可以将上述公式(3)中的调整参数α设置为2，并基于上述公式(3)，得到所述车道线l2的匹配值；同理，所述定位数据处理装置也可以得到所述局部车道线l3与所述车道线m3之间的横向距离，并可以进一步确定所述局部车道线l3携带的虚实线属性与所述车道线m3携带的虚实线属性一致(即这两根车道线的虚实线属性均为实线)，因此，也可以将上述公式(3)中的调整参数α设置为2，并基于上述公式(3)，得到所述车道线l3的匹配值；同理，所述定位数据处理装置也可以得到所述局部车道线l4与所述车道线m4之间的横向距离，并可以进一步确定所述局部车道线l4携带的虚实线属性与所述车道线m4携带的虚实线属性一致(即这两根车道线的虚实线属性均为实线)，因此，也可以将上述公式(3)中的调整参数α设置为2，并基于上述公式(3)，得到所述车道线l4的匹配值。可见，所述定位数据处理装置可以依次获得每根局部车道线的匹配值，然后可以进一步将所有局部车道线的匹配值进行相乘，以得到所述目标车辆在当前位置上的匹配概率分布，即可以得到所述目标车辆在地图m，当前状态为x下的目标车辆对应的匹配概率分布。
应当理解，图6所对应的实施例可以为所述目标车辆在行驶的过程中，所述定位数据处理装置所获得的最佳地车道线匹配实施例，即基于上述公式(3)，可以将所述局部地图中的局部车道线与所述导航地图中的全局车道线进行距离匹配和线型匹配，则可以进一步根据匹配结果得到所述目标车辆对应的匹配概率分布。然后，该定位数据处理装置可以进一步基于所述先验概率分布(该先验概率分布为上述步骤s101中所描述的先验概率分布)对所述匹配概率分布进行更新，并将更新后的匹配概率分布作为所述目标车辆在所述待测位置上的第一量测概率分布，此时，该第一量测概率分布存在一个峰值。
可选地，所述目标车辆在行驶的过程中，由于所述目标车辆的横向制动原因，可能会导致集成于该目标车辆上的摄像机仅拍摄到上述图5所示显示界面100a中的部分环境图像信息，即所述定位数据处理装置所获取到的路面参照对象可以为上述图5所对应实施例中的局部车道线中的部分车道线，并将量测得到的部分车道线称之为局部车道线(比如，所获取到的局部车道线可以为上述图5所示的局部车道线l2和局部车道线l3)，则所述定位数据处理装置在所述导航地图(即上述图6所示的地图m)中确定所述局部车道线最近的全局车道线的具体过程可以进一步地参见图7，是本发明实施例提供的另一种确定与所述局部车道线最近的全局车道线的示意图。如图7所示，所述定位数据处理装置可以先将所述局部车道线l2映射在所述车道线m1所处的位置，由于第一导航车道的宽度为5米，所述局部车道线l1与所述局部车道线l2之间的车道宽度为4.4米，即该4.4米的车道宽度要小于所述第一导航车道的宽度，因此，所述定位数据处理装置可以在所述地图m中，将所述车道线m1确定为距离所述局部车道线l2最近的全局车道线，并将所述车道线m2确定为距离所述局部车道线l3最近的全局车道线。然后，所述数据定位装置可以进一步计算所述车道线m1与所述局部车道线l2之间的横向距离(该横向距离的计算公式可以参见上述公式(3)中横向距离
然后，所述数据定位数据处理装置可以进一步基于上述第一距离值和上述第二距离值，将所述局部车道线向右平移，即可以将所述局部车道线l2映射在所述车道线m2所处的位置，由于所述第二导航车道的宽度为4米，所述局部车道线l1与所述局部车道线l2之间的车道宽度为3.8米，即该3.8米的车道宽度要小于所述第二导航车道的宽度，因此，所述定位数据处理装置可以在所述地图m中，将所述车道线m2确定为距离所述局部车道线l2最近的全局车道线，并将所述车道线m3确定为距离所述局部车道线l3最近的全局车道线。然后，所述定位数据处理装置可以按照上述公式(3)，以及获取所述第一匹配概率分布的具体过程，得到所述目标车辆在所述导航地图为m，所述目标车辆的当前状态为x(即在所述第二导航车道)下所量测得到的局部车道线的第二匹配概率分布，即所述定位数据处理装置完成了第二次车道线匹配。
同理，所述数据定位数据处理装置还可以进一步基于上述第一距离值和上述第二距离值，将所述局部车道线继续向右平移，即可以将所述局部车道线l2映射在所述车道线m3所处的位置，由于所述应急导航车道的宽度为3.8米，所述局部车道线l1与所述局部车道线l2之间的车道宽度为3.8米，即该3.8米的车道宽度要等于所述应急导航车道的宽度，因此，所述定位数据处理装置可以在所述地图m中，将所述车道线m3确定为距离所述局部车道线l2最近的全局车道线，并将所述车道线m4确定为距离所述局部车道线l3最近的全局车道线。然后，所述定位数据处理装置可以按照上述公式(3)，以及获取所述第一匹配概率分布的具体过程，得到所述目标车辆在所述导航地图为m，所述目标车辆的当前状态为x(即在所述应急导航车道)下所量测得到的局部车道线的第三匹配概率分布，即所述定位数据处理装置完成了第三次车道线匹配。
可见，此时，所述定位数据处理装置通过上述三次车道线匹配，可以匹配到三个位置上的匹配概率分布，因此，基于上述先验概率分布，所述定位数据处理装置所得到的所述第一量测概率分布中存在3个峰值。
应当理解，对于从所述量测数据中所检测出的其他情况下的局部车道线而言，在该地图m中获取所述局部车道线最近的全局车道线的具体过程，可一并参见图7所列举地通过平移所述局部地图车道线的位置，以在所述导航地图中分别确定与所述局部车道线l2和局部车道线l3最近的全局车道线的过程，这里将不再继续进行赘述。
应当理解，在将所述局部车道线与所述导航地图中的全局车道线进行匹配时，需要先进行距离匹配，以找到量测所得到的每根局部车道线最近的全局车道线，并将与该局部车道线最近的全局车道线称之为地图车道线。于是，所述定位数据处理装置可以进一步计算每一根局部车道线与其对应的地图车道线之间的横向距离，与此同时，所述定位数据处理装置还需要进一步判断每根局部车道线的线型属性是否与所述最近的地图车道线的线型一致，若一致，则将上述公式(3)中的调整参数的值设置为2，若不一致，则将上述公式(3)中的值设置为1，以得到每一根局部车道线的匹配值。当所述定位数据处理装置得到所述目标车辆在地图m，当前状态为x下所量测得到的所有局部车道线的匹配值时，可以获取到该目标车辆在当前所处车道中的匹配概率分布，进而可以基于上述先验概率分布和该匹配概率分布，得到所述目标车辆在所述一维状态空间中的待测位置上的第一量测概率分布。
步骤s103，将所述第一运动概率分布与所述第一量测概率分布进行融合，得到所述目标车辆在所述待测位置上的后验概率分布；
具体地，所述定位数据处理装置可以进一步将通过上述步骤s101所得到的所述第一运动概率分布，与通过上述步骤s102所得到的所述第一量测概率分布进行融合，即所述定位数据处理装置可以通过一维概率滤波器将所述第一运动概率分布与所述第一量测概率分布相乘，以得到这两个概率分布在所述一维状态空间中的重叠位置区域，即可以得到所述目标车辆在所述一维状态空间中的待测位置上的后验概率分布。
进一步地，请参见图8，是本发明提供的一种获取后验概率分布的示意图；如图8所示，所述定位数据处理装置在所述一维状态空间中获取到的第一运动概率分布可以表示为图8所示的曲线1，并将获取到的第一量测概率分布表示为图8所示的曲线2。应当理解，图8所示的曲线1可以表示所述定位数据处理装置，通过上述滤波模型所得到的所述目标车辆在所述一维状态空间中的待测位置上的位置概率分布情况；其中，图8所示的第一待测位置即为该曲线1中具有最大位置概率的待测位置，即可以理解为所述定位数据处理装置通过上述滤波模型所预估出的所述目标车辆最有可能在的待测位置。同理，图8所示的曲线2可以理解为所述定位数据处理装置，通过上述车道线匹配所得到的所述目标车辆在所述一维状态空间中的待测位置上的位置概率分布情况；其中，图8所示的第二待测位置即为该曲线2中具有最大位置概率的待测位置，即可以理解为所述定位数据处理装置通过上述车道线匹配所预估出的所述目标车辆最有可能在的待测位置。因此，为了进一步得到所述目标车辆的准确位置，因此，引入一个一维概率滤波器，该一维概率滤波器可以将图8所示的曲线1与图8所述的曲线2进行融合，以找到这两个曲线在所述一维状态空间中的交叠区域，该交叠区域对应于图8所示的曲线3，且该曲线3即为融合后所得到的后验概率分布。应当理解，在所述一维状态空间中，该一维概率滤波器可以通过卡尔曼增益分别为该曲线1中的第一待测位置和该曲线2中的所述第二待测位置分配相应的权重值，以得到图8所示的第三待测位置(即对所述第一待测位置和所述第二待测位置进行加权平均后所得的待测位置)。
由此可见，所述目标车辆在所述第三待测位置上的方差要小于所述目标车辆在所述第一待测位置上的方差，即通过所述一维概率滤波器可以使两种定位方式下所得到的待测位置相互进行纠正，以确保定位数据的准确性。
步骤s104，判断所述后验概率分布是否满足收敛条件；
具体地，所述定位数据处理装置在通过上述步骤s103得到所述后验概率分布之后，可以进一步对该后验概率分布的峰值进行判断，若该后验概率分布仅有一个峰值，则确定该后验概率分布满足单峰分布，并在该后验概率满足单峰分布时，将上述步骤s103中的所述第三待测位置作为目标位置信息，并以该目标位置信息为中心点，并基于所述后验概率分布对应的方差，获取所述中心点对应的阈值区间；然后，所述定位数据处理装置可以进一步基于所述阈值区间和所述后验概率分布，生成所述后验概率分布对应的概率值，若所述概率值大于收敛概率阈值，则确定所述后验概率分布满足收敛条件，并可进一步执行步骤s105；可选地，若所述概率值小于或等于收敛概率阈值，则确定所述后验概率分布不满足收敛条件，并可以进一步执行步骤s106。
步骤s105，若判断为是，则基于所述后验概率分布确定所述目标车辆对应的最优目标位置信息；
具体地，所述定位数据处理装置可以在确定所述后验概率分布满足收敛条件时，将所述后验概率分布对应的目标位置信息确定为所述目标车辆对应的最优目标位置信息，并基于所述后验概率分布对应的方差，确定为所述目标车辆对应的横向初始定位精度，即所述定位数据处理装置可以通过求取所述后验概率分布对应的方差的算术平方根，得到所述最优目标位置信息对应的标准差，并将所述最优目标位置信息对应的标准差确定为所述目标车辆对应的横向初始定位精度。
其中，所述最优目标位置信息用于后续修正所述目标车辆在所述导航地图中的横向位置。
可见，当所述定位数据处理装置确定所述后验概率分布满足收敛条件时，可以进一步基于所述后验概率分布确定所述目标车辆对应的最优目标位置信息。
可选地，步骤s106，若判断为否，则将所述后验概率分布确定为所述目标车辆在下一时刻的先验概率分布。
具体地，所述定位数据处理装置在确定所述后验概率分布不满足收敛条件时，则可以进一步将所述后验概率分布作为所述目标车辆在下一时刻的先验概率分布，并可以基于该先验概率分布重新执行上述步骤s101-步骤s104，直到所述定位数据处理装置确定最新得到的后验概率分布满足所述收敛条件时，可以进一步执行上述步骤s105中基于最新得到的后验概率分布确定所述目标车辆对应的最优目标位置信息的步骤。
进一步地，请参见图9，是本发明实施例提供的一种横向定位初始化的系统框架示意图。如图9所示，所述总体框架用于描述所述定位数据处理装置可以将多种定位方式(即组合定位方式和匹配定位方式)下获得的定位数据进行融合，以根据融合后的定位数据，在所述导航地图中找到所述目标车辆的准确位置。即图9所示的组合传感系统300a可以为上述图4所对应实施例中的imu/gps组合传感系统，该组合传感系统300a通过上述图4所对应实施例中的滤波模型，可以得到所述目标车辆在所述目标最优滤波输出位置5a上的目标滤波输出结果。因此，所述定位数据处理装置可以基于图9所示的组合传感系统300a中的目标滤波输出结果对图9所示的第一运动概率分布400a进行更新，其中，更新该第一运动概率分布400a的具体过程可以参见上述图3所对应实施例中对步骤s101中获取所述第一运动概率分布的具体过程的描述，这里不再继续进行赘述；同理，所述定位数据处理装置在通过图9所示的车道线匹配模块300b对图9所示的第一量测概率分布400b进行更新的具体过程，可以参见上述步骤s102中获取所述第一量测概率分布的具体过程的描述，这里不再继续进行赘述。于是，所述定位数据处理装置获取所述后验概率分布500a的具体过程可以参见上述步骤s103中对所述后验概率分布的描述，这里不再继续进行赘述。在获得图9所示的后验概率分布500a后，可以进一步基于该后验概率分布500a确定该目标车辆的目标位置信息，因此，所述定位数据处理装置获取所述横向位置误差600a的具体过程可以参见上述表1所对应实施例中对所述横向位置误差的描述，然后，所述定位数据处理装置可以进一步通过图9所示的反馈校正模块700a将得到的所述横向位置误差600a对所述组合传感系统300a对应的目标滤波输出结果进行反馈校正，即所述定位数据处理装置可以基于所述横向位置误差600a对该组合传感系统300a中的目标最优滤波输出位置进行修正，并将修正后得到的新的三维地理位置称作为上述图4所对应实施例中的滤波输入位置1a，以进入新一轮的计算周期，即该定位数据处理装置可以通过循环的校正与更新，当检测到所述后验概率分布500a满足单峰分布，且所述目标位置信息对应的阈值区间的概率值大于上述收敛概率阈值时，确定所述定位数据处理装置找到了所述目标车辆在所述导航地图中的准确位置。
本发明实施例可以将多种定位方式(即组合定位方式和匹配定位方式)下获得的定位数据进行融合，以根据融合后的定位数据，在所述导航地图中找到所述目标车辆的准确位置，进而实现所述目标车辆在所述导航地图对应的车道上的横向定位初始化，即实现所述目标车辆的车道级定位。换言之，通过融合所述组合定位方式对应的第一运动概率分布和所述匹配定位方式对应的第一量测概率分布，可以进一步确定这两组定位方式下获得的定位数据的交叠区域，基于该交叠区域即可确定所述目标车辆在所述多个待测位置上的后验概率分布，进而可以根据该后验概率分布确定所述目标车辆在所述导航地图中的最优目标位置信息，即可以在所述导航地图中找到所述目标车辆的准确位置，进而基于最优目标位置信息实现所述目标车辆在所述导航地图对应的车道上的横向定位初始化，即实现所述目标车辆的车道级定位，从而提升了车辆的横向定位精度，进而提高了定位数据在所述导航地图中的准确性。
进一步地，请参见图10，是本发明实施例提供的另一种定位数据处理方法的流程示意图。如图10所示，所述方法可以包括：
步骤s201，获取目标车辆对应的车辆运动信息，并基于所述车辆运动信息以及先验概率分布，确定所述目标车辆在待测位置上的第一运动概率分布；
其中，所述先验概率分布是基于上一时刻得到的第二运动概率分布与第二量测概率分布进行融合得到的。
步骤s202，将量测到的局部路面参照对象与导航地图中的全局路面参照对象进行匹配，并根据匹配结果以及所述先验概率分布，确定所述目标车辆在所述待测位置上的第一量测概率分布；
步骤s203，将所述第一运动概率分布与所述第一量测概率分布进行融合，得到所述目标车辆在所述待测位置上的后验概率分布；
其中，所述步骤s201-步骤s203的具体执行过程可以参见上述图3所对应实施例中对步骤s101-步骤s101的描述，这里将不再继续进行赘述。
步骤s204，基于所述后验概率分布，从所述目标车辆对应的所述待测位置中选择具有最大位置概率的待测位置，作为目标位置信息；
步骤s205，判断所述后验概率是否满足单峰分布；
具体地，所述定位数据处理装置可以通过对所述后验概率分布进行峰值检测，即所述定位数据处理装置可以在所述后验概率分布对应的一维状态空间中，将以所述目标位置信息为起点并沿第一方向上的每个待测位置确定为第一预估位置信息，并将以所述目标位置信息为起点并沿第二方向上的每个待测位置确定为第二预估位置信息；其次，所述定位数据处理装置可以进一步基于所述后验概率分布，计算所述第一预估位置信息对应的第一斜率、所述第二预估位置信息对应的第二斜率；然后，当所述定位数据处理装置确定所述第一斜率和所述第二斜率均不为零时，确定所述后验概率分布满足单峰分布，以进一步执行步骤s207。可选地，当所述定位数据处理装置确定所述第一斜率和所述第二斜率中至少一个为零时，则确定所述后验概率分布不满足单峰分布，以进一步执行步骤s206。
其中，所述峰值检测主要是指所述定位数据处理装置可以对所述后验概率分布所对应的概率曲线进行求导，以基于每个待测位置对应的位置概率，得到所述一维状态空间中的每个待测位置对应的概率斜率，所述概率斜率包括所述第一斜率，所述第二斜率，以及所述目标位置信息处的斜率。应当理解，由于该目标位置信息所对应的位置概率对应于该概率曲线的峰值，因此，该目标位置信息处的斜率应为零。鉴于此，当所述后验概率满足单峰分布时，上述目标位置信息处的斜率应当为零，且计算出的第一斜率和计算出的第二斜率均不为零。换言之，所述定位数据处理装置可以基于所述后验概率计算出每个待测位置处的斜率，并在该每个待测位置处的斜率中，确定出有且仅有一个待测位置(所述目标位置信息)处的斜率为零，进而可以确定所述后验概率满足单峰分布。
步骤s206，若所述后验概率分布不满足单峰分布，则确定所述后验概率分布不满足收敛条件；
应当理解，当所述后验概率分布不满足单峰分布时，即该后验概率分布存在多个峰值时，可以确定所述后验概率分布不满足收敛条件，于是，所述定位数据处理装置可以在确定所述后验概率分布不满足收敛条件时，直接执行步骤s212。
可选地，步骤s207，若所述后验概率满足单峰分布，则基于所述目标位置信息确定所述后验概率分布对应的概率值；
应当理解，当所述后验概率分布满足单峰分布时，即该后验概率分布仅有一个峰值时，可以进一步执行步骤s208，以求取所述后验概率分布在阈值区间内的概率值。
步骤s208，判断所述概率值是否大于收敛概率阈值；
具体地，所述定位数据处理装置可以进一步以所述目标位置信息作为中心点，并基于所述后验概率分布对应的方差，获取所述中心点对应的阈值区间，并基于所述阈值区间和所述后验概率分布，生成所述后验概率分布对应的概率值。
进一步地，请参见图11，是本发明实施例提供的一种获取所述后验概率分布对应的概率值的示意图。如图11所示，所述定位数据处理装置在得到所述后验概率分布对应的目标位置信息时，可以获取与所述目标位置信息对应的参考概率分布。应当理解，为便于比较，在所述一维状态空间中，可以确保所述参考概率分布对应的参考位置信息与所述后验概率分布对应的目标位置信息位于同一待测位置(比如，待测位置c，其在该一维状态空间中的位置值为c’)上，并将该待测位置c映射在所述参考概率分布和所述后验概率分布上的点称之为中心点。
其中，所述后验概率分布仅有一个峰值，满足单峰分布，此时，为了验证基于该后验概率分布所确定的目标位置信息是否为准确的位置信息，所述定位数据处理装置可以进一步计算所述后验概率分布对应的方差(σ2)的算术平方根，并在所述一维状态空间中，将所述目标位置信息确定为中心点，并将得到的算术平方根(σ)作为半径画圆，其中，点a和点b与所述中心点的横向距离即均为所画圆的半径(σ)，因此，所述误差区间可以理解为点a与点b在所述一维状态空间中所构成的位置区间，即该误差区间可以表示为[c’-σ，c’+σ]。
其中，应当理解，所述后验概率分布和所述参考概率分布在该一维状态空间中的积分均为1，因此，当所述后验概率分布对应的阈值区间为[c’-σ0，c’+σ0]时，该参考概率分布在该阈值区间上的收敛概率阈值可以为图11所示的阴影区域，即该阴影区域对应的概率值为阈值t。因此，所述定位数据处理装置可以通过该阈值区间对该后验概率分布进行积分，以得到所述后验概率分布在该阈值区间上的概率值。于是，当所述概率值小于或等于收敛概率阈值时，所述定位数据处理装置可以进一步执行步骤s209，可选地，当所述概率值大于收敛概率阈值(即图11所示所述后验概率分布对应的概率值是大于所述收敛概率阈值)时，所述定位数据处理装置可进一步执行步骤s210。
步骤s209，当所述概率值小于或等于收敛概率阈值时，确定所述后验概率分布不满足收敛条件；
步骤s210，当所述概率值大于收敛概率阈值时，确定所述后验概率分布满足收敛条件；
步骤s211，当确定所述后验概率分布满足收敛条件时，基于所述后验概率分布确定所述目标车辆对应的最优目标位置信息；
可选地，步骤s212，当确定所述后验概率分布不满足收敛条件时，将所述后验概率分布确定为所述目标车辆在下一时刻的先验概率分布。
其中，所述步骤s211和所述步骤s212的具体执行步骤可以参见上述图3所对应实施例中对步骤s104和步骤s105的描述，这里将不再继续进行赘述。
可选地，所述定位数据处理装置在执行步骤s201之前，还可以获取目标车辆在车道上的待测位置，并为每个待测位置设置相同的初始位置概率，并将每个预估位置信息分别对应的初始位置概率，作为先验位置概率，并根据所述先验位置概率构建所述目标车辆对应的初始均匀概率分布，并将所述初始均匀概率分布作为所述目标车辆在下一时刻的先验概率分布；
其中，所述待测位置是从所述目标车辆所在车道对应的一维状态空间中划分出来的；
可见，在所述目标车辆启动时，即所述定位数据处理装置刚进入横向定位初始化阶段时，每个待测位置均具有相同的初始位置概率，此时，所述先验概率分布即为所述一维均匀概率分布，以进一步执行步骤s201。但当所述定位数据处理装置执行完上述步骤s201-步骤s212时，所述后验概率分布在所述一维状态空间中的每个待测位置上的位置概率将不完全相同。比如，当所述后验概率分布满足收敛条件时，所述定位数据处理装置将在所述一维状态空间中的待测位置中选择具有最大位置概率的待测位置，作为所述目标车辆对应的最优目标位置信息，即该最优目标位置信息对应的位置概率将不同于其他待测位置对应的位置概率。
本发明实施例可以将多种定位方式(即组合定位方式和匹配定位方式)下获得的定位数据进行融合，以根据融合后的定位数据，在所述导航地图中找到所述目标车辆的准确位置。换言之，通过融合所述组合定位方式对应的运动概率分布和所述匹配定位方式对应的量测概率分布，可以进一步确定这两组定位方式下获得的定位数据的交叠区域，基于该交叠区域即可确定所述目标车辆在所述待测位置上的后验概率分布，进而可以根据该后验概率分布确定所述目标车辆在所述导航地图中的最优目标位置信息，即可以在所述导航地图中找到所述目标车辆的准确位置，进而基于最优目标位置信息实现所述目标车辆在所述导航地图对应的车道上的横向定位初始化，即实现所述目标车辆的车道级定位，从而提升了车辆的横向定位精度，进而提高了定位数据在所述导航地图中的准确性。
进一步地，请参见图12，是本发明实施例提供的一种定位数据处理装置的结构示意图。如图12所示，所述定位数据处理装置1可以为上述图1所对应实施例中的目标车载终端，所述定位数据处理装置1可以包括：运动概率获取模块10，量测概率获取模块20，后验概率确定模块30，最优位置确定模块40；进一步地，所述定位数据处理装置1还可以包括：初始概率设置模块50和初始分布确定模块60，目标位置确定模块70，概率值确定模块80，第一确定模块90，第二确定模块100，预估位置确定模块110，斜率计算模块120，单峰确定模块130；
所述运动概率获取模块10，用于获取目标车辆对应的车辆运动信息，并基于所述车辆运动信息以及先验概率分布，确定所述目标车辆在待测位置上的第一运动概率分布；所述先验概率分布是基于上一时刻得到的第二运动概率分布与第二量测概率分布进行融合得到的；
其中，所述运动概率获取模块10包括：历史结果获取单元101，目标位置误差获取单元102，滤波位置修正单元103，目标结果获取单元104和运动概率生成单元105；
所述历史结果获取单元101，用于获取所述目标车辆基于滤波模型在所述上一时刻得到的滤波输出结果，作为历史滤波输出结果；所述历史滤波输出结果包含所述目标车辆在所述上一时刻基于所述滤波模型所得到的第一最优滤波输出位置对应的第一位姿运动状态和第一协方差矩阵；
所述目标位置误差获取单元102，用于获取所述目标车辆对应的目标先验位置误差；
其中，所述目标位置误差获取单元102包括：历史位置选择子单元1021，历史位置修正子单元1022，历史误差确定子单元1023和先验误差确定子单元1024；
所述历史位置选择子单元1021，用于基于所述先验概率分布，从所述目标车辆对应的所述待测位置中选择具有最大位置概率的待测位置，作为历史位置信息，并在所述导航地图中获取所述历史位置信息对应的历史地理位置；
所述历史位置修正子单元1022，用于获取所述目标车辆对应的历史滤波修正位置；所述历史滤波修正位置是基于上一时刻的历史先验位置误差对第二历史最优滤波输出位置进行修正所得到的；
所述历史误差确定子单元1023，用于计算所述历史地理位置与所述历史滤波修正位置之间的差值，并将所述差值在一维状态空间中的历史横向投影分量，确定为所述历史位置信息对应的历史横向位置误差；
所述先验误差确定子单元1024，用于将所述历史横向位置误差作为所述目标车辆对应的目标先验位置误差。
其中，所述历史位置选择子单元1021，历史位置修正子单元1022，历史误差确定子单元1023和先验误差确定子单元1024的具体实现方式可参见上述图3所对应实施例中对步骤s101的描述，这里不再继续进行赘述。
所述滤波位置修正单元103，用于根据所述目标先验位置误差对所述历史最优滤波输出位置进行修正，得到所述目标车辆对应的目标滤波修正位置；所述目标先验位置误差为所述上一时刻得到的历史横向位置误差。
所述目标结果获取单元104，用于基于所述滤波模型、第一位姿运动状态、第一协方差矩阵、所述车辆运动信息、所述目标滤波修正位置，确定所述目标车辆在所述导航地图中的目标最优滤波输出位置对应的目标滤波输出结果；
其中，所述目标结果获取单元104包括：初始状态确定子单元1041，运动信息获取子单元1042和滤波输出子单元1043；
所述初始状态确定子单元1041，用于基于所述目标滤波修正位置更新所述历史滤波输出结果对应的第一位姿运动状态，并将更新后的第一位姿运动状态作为所述目标滤波修正位置对应的初始位置运动状态；
所述运动信息获取子单元1042，用于获取所述目标车辆对应的车辆运动信息，并基于所述车辆运动信息对应的观测误差，得到所述目标车辆对应的第二协方差矩阵；所述车辆运动信息包含所述目标车辆基于所述目标车辆的轮速信息所确定的所述历史车道信息对应的位移变化量；
所述滤波输出子单元1043，用于基于所述滤波模型，分别对所述初始位置运动状态、所述第一协方差矩阵、所述位移变化量以及所述第二协方差矩阵进行滤波处理，得到所述滤波模型对应的目标滤波输出结果；所述目标滤波输出结果中包含所述目标车辆在所述导航地图中的所述目标最优滤波输出位置对应的第二位姿运动状态和目标协方差矩阵。
其中，所述初始状态确定子单元1041，运动信息获取子单元1042和滤波输出子单元1043的具体实现方式可参见上述图3所对应实施例中对步骤s101的描述，这里不再继续进行赘述。
所述运动概率生成单元105，用于基于所述先验概率分布、所述目标滤波输出结果，生成所述目标车辆在待测位置上的第一运动概率分布。
其中，所述运动概率生成单元105包括：位置投影子单元1051，滤波分布构建子单元1052和运动概率确定子单元1053；
所述位置投影子单元1051，用于获取所述目标最优滤波输出位置投影在所述一维状态空间中的横向滤波分量；
所述滤波分布构建子单元1052，用于基于所述横向滤波分量、所述目标协方差矩阵中与所述横向滤波分量对应的方差，构建滤波概率分布；
所述运动概率确定子单元1053，用于基于所述先验概率分布和所述滤波概率分布，得到所述目标车辆在待测位置上的第一运动概率分布。
其中，所述位置投影子单元1051，滤波分布构建子单元1052和运动概率确定子单元1053的具体实现方式可参见上述图3所对应实施例中对步骤s101的描述，这里不再继续进行赘述。
其中，所述历史结果获取单元101，目标位置误差获取单元102，滤波位置修正单元103，目标结果获取单元104和运动概率生成单元105的具体实现方式可参见上述图1所对应实施例中对步骤s101的描述，这里不再继续进行赘述。
所述量测概率获取模块20，用于将量测到的局部路面参照对象与导航地图中的全局路面参照对象进行匹配，并根据匹配结果以及所述先验概率分布，确定所述目标车辆在所述待测位置上的第一量测概率分布；
其中，所述路面参照对象为车道线；所述量测概率获取模块20包括：量测数据获取单元201，车道线匹配单元202和量测概率确定单元203；
所述量测数据获取单元201，用于获取所述目标车辆对应的量测数据，并对所述量测数据中所包含的车道线进行转换，并将转换后的车道线确定为所述目标车辆对应的局部车道线；
其中，所述量测数据获取单元201包括：图像获取子单元2011，车道线检测子单元2012和仿射变换子单元2013；
所述图像获取子单元2011，用于获取所述目标车辆在行驶过程中的环境图像信息，作为所述目标车辆对应的量测数据；
所述车道线检测子单元2012，用于对所述量测数据进行车道线检测，并将检测到的车道线作为所述目标车辆对应的待处理车道线；
所述仿射变换子单元2013，用于基于仿射变换参数，对所述待处理车道线进行仿射变换，得到所述目标车辆对应的局部车道线。
其中，图像获取子单元2011，车道线检测子单元2012和仿射变换子单元2013的具体实现方式可参见上述图3所对应实施例中对步骤s102的描述，这里不再继续进行赘述。
所述车道线匹配单元202，用于将所述局部车道线与导航地图中的全局车道线进行距离匹配和线型匹配，并根据匹配结果得到所述目标车辆对应的匹配概率分布；
其中，所述车道线匹配单元202包括：第一距离获取子单元2021，第二距离获取子单元2022，横向距离计算子单元2023，匹配概率确定子单元2024；
所述第一距离获取子单元，用于将所述局部车道线与所述目标车辆之间的相对距离，作为第一距离值2021；
所述第二距离获取子单元2022，用于获取导航地图中每条全局车道线与所述目标车辆之间的第二距离值，并基于所述第一距离值和所述第二距离值，对所述局部车道线与所述全局车道线进行距离匹配，并根据距离匹配结果确定与所述局部车道线最近的全局车道线；
所述横向距离计算子单元2023，用于将确定出的与所述局部车道线最近的全局车道线，作为所述目标车辆对应的地图车道线，计算所述局部车道线与所述地图车道线之间的横向距离；
所述匹配概率确定子单元2024，用于基于所述横向距离，将所述局部车道线携带的虚实线属性与所述地图车道线携带的虚实线属性进行属性匹配，并根据属性匹配结果确定所述目标车辆对应的匹配概率分布。
其中，所述第一距离获取子单元2021，第二距离获取子单元2022，横向距离计算子单元2023，匹配概率确定子单元2024的具体实现方式可参见上述图3所对应实施例中对步骤s102的描述，这里不再继续进行赘述。
所述量测概率确定单元203，用于基于所述先验概率分布对所述匹配概率分布进行更新，并将更新后的匹配概率分布作为所述目标车辆在所述待测位置上的第一量测概率分布。
其中，所述量测数据获取单元201，车道线匹配单元202和量测概率确定单元203的具体实现方式可参见上述图3所对应实施例中对步骤s102的描述，这里不再继续进行赘述。
所述后验概率确定模块30，用于将所述第一运动概率分布与所述第一量测概率分布进行融合，得到所述目标车辆在所述待测位置上的后验概率分布；
所述最优位置确定模块40，用于基于所述后验概率分布确定所述目标车辆对应的最优目标位置信息；所述最优目标位置信息用于后续修正所述目标车辆在所述导航地图中的横向位置。
可选地，所述最优位置确定模块40，用于当确定所述后验概率分布满足收敛条件时，执行所述基于所述后验概率分布确定所述目标车辆对应的最优目标位置信息；
可选地，所述最优位置确定模块40，还用于当确定所述后验概率分布不满足收敛条件时，将所述后验概率分布确定为所述目标车辆在下一时刻的先验概率分布。
其中，所述运动概率获取模块10，量测概率获取模块20，后验概率确定模块30，最优位置确定模块40的具体实现方式可参见上述图3所对应实施例中对步骤s101-步骤s106的描述，这里不再继续进行赘述。
其中，可选地，所述目标位置确定模块70，用于基于所述后验概率分布，从所述目标车辆对应的所述待测位置中选择具有最大位置概率的待测位置，作为目标位置信息；
所述概率值确定模块80，用于当所述后验概率分布满足单峰分布时，基于所述目标位置信息确定所述后验概率分布对应的概率值；
其中，所述概率值确定模块80包括：阈值区间获取单元801和概率值生成单元802；
所述阈值区间获取单元801，用于以所述目标位置信息作为中心点，并基于所述后验概率分布对应的方差，获取所述中心点对应的阈值区间；
所述概率值生成单元802，用于基于所述阈值区间和所述后验概率分布，生成所述后验概率分布对应的概率值。
其中，所述阈值区间获取单元801和概率值生成单元802的具体实现方式可参见上述图10所对应实施例中对步骤s207的描述，这里不再继续进行赘述。
所述第一确定模块90，用于当所述概率值小于或等于收敛概率阈值时，确定所述后验概率分布不满足收敛条件；
可选地，所述第二确定模块100，用于当所述概率值大于收敛概率阈值时，确定所述后验概率分布满足收敛条件；
则所述最优位置确定模块40，具体用于将所述后验概率分布对应的目标位置信息，确定为所述目标车辆对应的目标最优位置信息，并基于所述后验概率分布对应的方差，确定所述目标车辆对应的横向初始定位精度。
可选地，所述预估位置确定模块110，用于在所述后验概率分布对应的一维状态空间中，将以所述目标位置信息为起点并沿第一方向上的待测位置确定为第一预估位置信息，并将以所述目标位置信息为起点并沿第二方向上的多个预估位置信息确定为第二预估位置信息；所述第一方向和所述第二方向为所述一维状态空间内的两个相反方向；
所述斜率计算模块120，用于基于所述后验概率分布，计算所述第一预估位置信息对应的第一斜率、所述第二预估位置信息对应的第二斜率；
所述单峰确定模块130，用于当所述第一斜率和所述第二斜率均不为零时，确定所述后验概率分布满足单峰分布。
可选地，所述初始概率设置模块50，用于获取目标车辆在车道上的待测位置，并为每个待测位置设置相同的初始位置概率；所述待测位置是从所述目标车辆所在车道对应的一维状态空间中划分出来的；
所述初始分布确定模块60，用于将每个预估位置信息分别对应的初始位置概率，作为先验位置概率，并根据所述先验位置概率构建所述目标车辆对应的初始均匀概率分布，并将所述初始均匀概率分布作为所述目标车辆在下一时刻的先验概率分布。
其中，所以目标位置确定模块70，概率值确定模块80，第一确定模块90，第二确定模块100，预估位置确定模块110，斜率计算模块120，单峰确定模块130，初始概率设置模块50和初始分布确定模块60的具体执行方式可参见上述图10所对应实施例中对步骤s204-步骤s212的描述，这里不再继续进行赘述。
本发明实施例可以将多种定位方式(即组合定位方式和匹配定位方式)下获得的定位数据进行融合，以根据融合后的定位数据，在所述导航地图中找到所述目标车辆的准确位置。换言之，通过融合所述组合定位方式对应的运动概率分布和所述匹配定位方式对应的量测概率分布，可以进一步确定这两组定位方式下获得的定位数据的交叠区域，基于该交叠区域即可确定所述目标车辆在所述待测位置上的后验概率分布，进而可以根据该后验概率分布确定所述目标车辆在所述导航地图中的最优目标位置信息，即可以在所述导航地图中找到所述目标车辆的准确位置，进而基于最优目标位置信息实现所述目标车辆在所述导航地图对应的车道上的横向定位初始化，即实现所述目标车辆的车道级定位，从而提升了车辆的横向定位精度，进而提高了定位数据在所述导航地图中的准确性。
进一步地，请参见图13，是本发明实施例提供的另一种定位数据处理装置的结构示意图。如图13所示，所述定位数据处理装置1000可以应用于上述图1对应实施例中的目标车载终端，所述定位数据处理装置1000可以包括：至少一个处理器1001，例如cpu，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏(display)、键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选地可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器1005可选地还可以是至少一个位于远离前述处理器1001的存储装置。如图13所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。
在图13所示的定位数据处理装置1000中，网络接口1004主要用于提供网络通信功能；而用户接口1003主要用于为用户提供输入的接口；而处理器1001可以用于调用存储器1005中存储的设备控制应用程序，以实现：
获取目标车辆对应的车辆运动信息，并基于所述车辆运动信息以及先验概率分布，确定所述目标车辆在待测位置上的第一运动概率分布；所述先验概率分布是基于上一时刻得到的第二运动概率分布与第二量测概率分布进行融合得到的；
将量测到的局部路面参照对象与导航地图中的全局路面参照对象进行匹配，并根据匹配结果以及所述先验概率分布，确定所述目标车辆在所述待测位置上的第一量测概率分布；
将所述第一运动概率分布与所述第一量测概率分布进行融合，得到所述目标车辆在所述待测位置上的后验概率分布；
基于所述后验概率分布确定所述目标车辆对应的最优目标位置信息；所述最优目标位置信息用于后续修正所述目标车辆在所述导航地图中的横向位置。
应当理解，本发明实施例中所描述的定位数据处理装置1000可执行前文图图3或图10所对应实施例中对所述定位数据处理方法的描述，也可执行前文图12所对应实施例中对所述定位数据处理装置1的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。
此外，这里需要指出的是：本发明实施例还提供了一种计算机存储介质，且所述计算机存储介质中存储有前文提及的定位数据处理装置1所执行的计算机程序，且所述计算机程序包括程序指令，当所述处理器执行所述程序指令时，能够执行前文图3或图10所对应实施例中对所述定位数据处理方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本发明所涉及的计算机存储介质实施例中未披露的技术细节，请参照本发明方法实施例的描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
- 还没有人留言评论。精彩留言会获得点赞！