1.一种基于地图元素数据的多传感器融合车辆定位方法,其特征在于,包括:
获取安装在目标车辆上的多个传感器在行驶过程中采集的当前时刻的当前传感数据以及上一时刻的历史传感数据,其中,所述多个传感器至少包括摄像机和惯性测量单元;
从所述摄像机采集的历史传感数据中识别出历史地图元素感知数据,以及从所述摄像机采集的当前传感数据中识别出当前地图元素感知数据;
基于所获取的历史传感数据,确定所述目标车辆的车载电子导航地图中上一时刻的历史地图元素数据,基于所获取的当前传感数据,确定所述车载电子导航地图中当前时刻的当前地图元素数据以及所述目标车辆的当前时刻的参考位姿;
基于预先标定的外参矩阵以及所述摄像机的相机坐标系与图像坐标系之间的投影矩阵,确定所述图像坐标系下与所述历史地图元素数据对应的历史地图元素投影数据以及与所述历史地图元素投影数据对应的历史地图元素感知数据,其中,所述预先标定的外参矩阵包括表征所述惯性测量单元的坐标系与所述相机坐标系之间旋转关系的旋转矩阵以及平移关系的平移矩阵;
根据所述历史地图元素投影数据以及对应的历史地图元素感知数据建立预估的外参矩阵的矩阵方程组,求解所述矩阵方程组得到所述预估的外参矩阵;
根据所述预估的外参矩阵以及所述投影矩阵,确定所述图像坐标系下与所述当前地图元素数据对应的当前地图元素投影数据以及与所述当前地图元素投影数据对应的当前地图元素感知数据;
根据卡尔曼滤波算法,基于所述当前地图元素投影数据以及对应的当前地图元素感知数据计算出所述目标车辆的位姿调整量,根据所述位姿调整量对所述当前时刻的参考位姿进行调整,得到所述目标车辆的当前时刻的位姿。
2.如权利要求1所述的方法,其特征在于,所述摄像机采集的当前传感数据以及历史传感数据分别为当前图像和历史图像,所述从所述摄像机采集的历史传感数据中识别出历史地图元素感知数据,以及从所述摄像机采集的当前传感数据中识别出当前地图元素感知数据的步骤,包括:
将所述摄像机采集的历史图像以及当前图像分别输入到预先训练完成的至少一个深度学习感知模型中,得到所述历史图像中的历史地图元素感知数据以及所述当前图像中的当前地图元素感知数据;
其中,每个深度学习感知模型为基于包含一类地图元素数据的图像样本数据及对应的标注信息作为模型训练数据,对初始深度学习模型进行训练得到的深度学习模型,每个深度学习感知模型用于使得图像样本数据与对应类型的地图元素数据相关联,所述地图元素数据的类型包括车道线、交通牌、路灯杆和虚线车道线的端点中的至少一种。
3.如权利要求1所述的方法,其特征在于,所述基于所获取的历史传感数据,确定所述目标车辆的车载电子导航地图中上一时刻的历史地图元素数据的步骤,包括:
基于预先确定的定位算法对所获取的历史传感数据进行数据融合计算,得到所述目标车辆的上一时刻的参考位姿;
根据所述上一时刻的参考位姿确定所述车载电子导航地图中,上一时刻位于所述目标车辆预设范围内的历史地图元素数据。
4.如权利要求1所述的方法,其特征在于,所述基于预先标定的外参矩阵以及所述摄像机的相机坐标系与图像坐标系之间的投影矩阵,确定所述图像坐标系下与所述历史地图元素数据对应的历史地图元素投影数据以及与所述历史地图元素投影数据对应的历史地图元素感知数据的步骤,包括:
基于所述预先标定的外参矩阵,将所述历史地图元素数据转换至所述相机坐标系中,得到所述历史地图元素数据对应的转换后地图元素数据;
基于所述投影矩阵,将所述转换后地图元素数据投影至所述图像坐标系中,得到所述历史地图元素数据对应的历史地图元素投影数据;
针对每类历史地图元素投影数据,计算该类历史地图元素投影数据与该类历史地图元素感知数据之间的重投影残差,针对该类历史地图元素投影数据中的每个历史地图元素投影数据,将最小的重投影残差对应的历史地图元素感知数据作为与该历史地图元素投影数据对应的数据。
5.如权利要求1所述的方法,其特征在于,所述根据所述历史地图元素投影数据以及对应的历史地图元素感知数据建立预估的外参矩阵的矩阵方程组,求解所述矩阵方程组得到所述预估的外参矩阵的步骤,包括:
针对每个历史地图元素投影数据,计算该历史地图元素投影数据与对应的历史地图元素感知数据之间的重投影残差,建立所述重投影残差与预估的外参矩阵之间的雅克比矩阵,根据所述重投影残差、所述雅克比矩阵以及所述预估的外参矩阵建立该历史地图元素投影数据的矩阵方程;
联立每个历史地图元素投影数据的矩阵方程得到所述预估的外参矩阵的矩阵方程组,求解所述矩阵方程组得到所述预估的外参矩阵。
6.一种基于地图元素数据的多传感器融合车辆定位装置,其特征在于,包括:
获取模块,用于获取安装在目标车辆上的多个传感器在行驶过程中采集的当前时刻的当前传感数据以及上一时刻的历史传感数据,其中,所述多个传感器至少包括摄像机和惯性测量单元;
识别模块,用于从所述摄像机采集的历史传感数据中识别出历史地图元素感知数据,以及从所述摄像机采集的当前传感数据中识别出当前地图元素感知数据;
确定模块,用于基于所获取的历史传感数据,确定所述目标车辆的车载电子导航地图中上一时刻的历史地图元素数据,基于所获取的当前传感数据,确定所述车载电子导航地图中当前时刻的当前地图元素数据以及所述目标车辆的当前时刻的参考位姿;
第一投影模块,用于基于预先标定的外参矩阵以及所述摄像机的相机坐标系与图像坐标系之间的投影矩阵,确定所述图像坐标系下与所述历史地图元素数据对应的历史地图元素投影数据以及与所述历史地图元素投影数据对应的历史地图元素感知数据,其中,所述预先标定的外参矩阵包括表征所述惯性测量单元的坐标系与所述相机坐标系之间旋转关系的旋转矩阵以及平移关系的平移矩阵;
建立模块,用于根据所述历史地图元素投影数据以及对应的历史地图元素感知数据建立预估的外参矩阵的矩阵方程组,求解所述矩阵方程组得到所述预估的外参矩阵;
第二投影模块,用于根据所述预估的外参矩阵以及所述投影矩阵,确定所述图像坐标系下与所述当前地图元素数据对应的当前地图元素投影数据以及与所述当前地图元素投影数据对应的当前地图元素感知数据;
位姿计算模块,用于根据卡尔曼滤波算法,基于所述当前地图元素投影数据以及对应的当前地图元素感知数据计算出所述目标车辆的位姿调整量,根据所述位姿调整量对所述当前时刻的参考位姿进行调整,得到所述目标车辆的当前时刻的位姿。
7.如权利要求6所述的装置,其特征在于,所述摄像机采集的当前传感数据以及历史传感数据分别为当前图像和历史图像,所述识别模块,具体用于:
将所述摄像机采集的历史图像以及当前图像分别输入到预先训练完成的至少一个深度学习感知模型中,得到所述历史图像中的历史地图元素感知数据以及所述当前图像中的当前地图元素感知数据;
其中,每个深度学习感知模型为基于包含一类地图元素数据的图像样本数据及对应的标注信息作为模型训练数据,对初始深度学习模型进行训练得到的深度学习模型,每个深度学习感知模型用于使得图像样本数据与对应类型的地图元素数据相关联,所述地图元素数据的类型包括车道线、交通牌、路灯杆和虚线车道线的端点中的至少一种。
8.如权利要求6所述的装置,其特征在于,所述确定模块,包括:
数据融合子模块,用于基于预先确定的定位算法对所获取的历史传感数据进行数据融合计算,得到所述目标车辆的上一时刻的参考位姿;
确定子模块,用于根据所述上一时刻的参考位姿确定所述车载电子导航地图中,上一时刻位于所述目标车辆预设范围内的历史地图元素数据。
9.如权利要求6所述的装置,其特征在于,所述第一投影模块,包括:
转换子模块,用于基于所述预先标定的外参矩阵,将所述历史地图元素数据转换至所述相机坐标系中,得到所述历史地图元素数据对应的转换后地图元素数据;
投影子模块,用于基于所述投影矩阵,将所述转换后地图元素数据投影至所述图像坐标系中,得到所述历史地图元素数据对应的历史地图元素投影数据;
计算子模块,用于针对每类历史地图元素投影数据,计算该类历史地图元素投影数据与该类历史地图元素感知数据之间的重投影残差,针对该类历史地图元素投影数据中的每个历史地图元素投影数据,将最小的重投影残差对应的历史地图元素感知数据作为与该历史地图元素投影数据对应的数据。
10.如权利要求6所述的装置,其特征在于,所述建立模块,包括:
矩阵方程建立子模块,用于针对每个历史地图元素投影数据,计算该历史地图元素投影数据与对应的历史地图元素感知数据之间的重投影残差,建立所述重投影残差与预估的外参矩阵之间的雅克比矩阵,根据所述重投影残差、所述雅克比矩阵以及所述预估的外参矩阵建立该历史地图元素投影数据的矩阵方程;
求解子模块,用于联立每个历史地图元素投影数据的矩阵方程得到所述预估的外参矩阵的矩阵方程组,求解所述矩阵方程组得到所述预估的外参矩阵。