用于自主车辆中的雷达定位的系统和方法与流程

本发明总体上涉及自主车辆，并且更具体地涉及用于确定自主车辆相对于其环境的位置的系统和方法。

背景技术：

自主车辆是能够感测其环境并且以很少或不需要用户输入进行导航的车辆。它通过使用诸如雷达、激光雷达、图像传感器等感测装置来这样做。自主车辆进一步使用来自全球定位系统(gps)技术、导航系统、车对车通信、车对基础设施技术和/或线控驱动系统的信息来对车辆进行导航。

虽然近年来自主车辆取得了显著进步，但是这样的车辆在许多方面仍可能得到改进。例如，定位(即，确定车辆的地理位置)通常经由全球定位系统(gps)数据与经由光学、雷达以及激光雷达传感器数据直接观察车辆附近的结构和对象的组合来实现。在一些情境下，诸如在降低用于定位的传感器的有效性的天气条件下，这种定位可能是具有挑战性的。

因此，期望提供用于在自主车辆中定位的系统和方法。另外，从以下结合附图和前面的技术领域及背景技术进行的具体实施方式和所附权利要求书中将更清楚地明白本发明的其他合乎期望特征和特性。

技术实现要素：

提供了用于控制第一车辆的系统和方法。在一个实施例中，定位方法包括：接收与车辆的环境有关的传感器数据，该传感器数据包括与环境中的对象相关联的多个传感器回程，每个传感器回程具有多个对应的属性；以及构建第一多个传感器数据组，每个传感器数据组包括基于其对应的属性的多个传感器回程的自洽子集。该方法进一步包括：对于第一多个传感器数据组中的每一个定义第一特征集，其中每个特征是基于对应的属性中的至少一个并且每个特征具有相关联的特征位置；以及利用处理器确定第一特征集与先前确定的第二特征集之间的特征相关性。

在一个实施例中，多个对应的属性包括多普勒频移、回程功率以及邻域相似性中的至少一个。

在一个实施例中，传感器数据包括雷达数据。

在一个实施例中，第一特征集包括对应的属性中的一个的直方图。

在一个实施例中，第一特征集是直方图的凸包。

在一个实施例中，第一特征集包括对应的属性中的一个的概括统计，诸如平均值或方差度量。

在一个实施例中，每个传感器数据组被分类为与动态对象、静态可移动对象或静态不可移动对象中的一个相关联，并且仅基于与静态不可移动对象相关联的传感器数据组来确定特征相关性。

根据一个实施例的用于控制车辆的系统包括特征确定模块和特征相关性模块。包括处理器的特征确定模块被配置为：接收与车辆的环境有关的传感器数据，该传感器数据包括与环境中的对象相关联的多个传感器回程，每个传感器回程具有多个对应的属性；构建第一多个传感器数据组，每个传感器数据组包括基于其对应的属性的多个传感器回程的自洽子集；以及对于第一多个传感器数据组中的每一个定义第一特征集，其中每个特征是基于对应的属性中的至少一个，并且每个特征具有相关联的特征位置。特征相关性模块被配置为利用处理器来确定第一特征集与先前确定的第二特征集之间的特征相关性。

在一个实施例中，多个对应的属性包括多普勒频移、回程功率以及邻域相似性中的至少一个；并且传感器数据是雷达数据和激光雷达数据中的至少一种。

在一个实施例中，第一特征集包括对应的属性中的一个的直方图。

在一个实施例中，第一特征集包括对应的属性中的一个的概括统计，诸如平均值或方差度量。

在一个实施例中，特征确定模块将每个传感器数据组分类为与动态对象、静态可移动对象或静态不可移动对象中的一个相关联，并且特征相关性模块仅基于与静态不可移动对象相关联的传感器数据组来确定特征相关性。

根据一个实施例的自主车辆包括至少一个传感器，其提供与自主车辆的环境有关的传感器数据，该传感器数据包括与环境中的对象相关联的多个传感器回程，每个传感器回程具有多个对应的属性。自主车辆进一步包括控制器，其由处理器：接收传感器数据；构建第一多个传感器数据组，每个传感器数据组包括基于其对应的属性的多个传感器回程的自洽子集；对于第一多个传感器数据组中的每一个定义第一特征集，其中每个特征是基于对应的属性中的至少一个，并且每个特征具有相关联的特征位置；利用处理器来确定第一特征集与先前确定的第二特征集之间的特征相关性；以及基于特征相关性来估计车辆的位置。

在一个实施例中，多个对应的属性包括多普勒频移、回程功率以及邻域相似性中的至少一个；并且传感器数据包括雷达数据。

在一个实施例中，第一特征集包括对应的属性中的一个的直方图或概括统计中的至少一个。

附图说明

下文将结合以下附图描述示例性实施例，其中相同标号表示相同元件，且其中：

图1是说明根据各种实施例的包括定位系统的自主车辆的功能框图；

图2是说明根据各种实施例的具有如图1中所示的一台或多台自主车辆的传输系统的功能框图；

图3是说明根据各种实施例的与自主车辆相关联的自主驾驶系统(ads)的功能框图；

图4是根据各种实施例的用于自主车辆的示例性传感器配置的概念性俯视图；

图5说明了根据示例性实施例的沿着示例性道路行进的自主车辆；

图6是与图5的场景相关联的示例性传感器回程的俯视图；

图7和8描绘了图6中被划分为各种网格配置的选定传感器回程；

图9是说明根据各种实施例的自主车辆的定位系统的数据流图；

图10是说明根据各种实施例的分类器的数据流图；

图11说明了根据各种实施例的由沿着示例性道路行进的自主车辆获取的示例性传感器回程；

图12是说明根据各种实施例的用于控制自主车辆的控制方法的流程图。

具体实施方式

具体实施方式本质上仅仅是示例性的，而不旨在限制应用和用途。另外，不存在被任何前述的技术领域、背景技术、发明内容或下述具体实施方式中提出的任何明确的或暗示的理论约束的意图。如本文所使用，术语“模块”单独指代硬件、软件、固件、电子控制部件、处理逻辑和/或处理器装置或它们的任何组合，包括但不限于：专用集成电路(asic)、现场可编程门阵列(fpga)、电子电路、处理器(共享、专用或成组)以及执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所述功能性的其他合适部件。

在本文中，可以依据功能和/或逻辑块部件和各个处理步骤来描述本发明的实施例。应当明白的是，这些块部件可以由被配置为执行指定功能的任何数量的硬件、软件和/或固件部件来实施。例如，本发明的实施例可以采用各种集成电路部件(例如，存储器元件、数字信号处理元件、逻辑元件、查找表等，其可以在一个或多个微处理器或其他控制装置的控制下执行多种功能)。另外，本领域技术人员将明白的是，本发明的实施例可以结合任何数量的系统来实践，并且本文所述的系统仅仅是本发明的示例性实施例。

为了简明起见，本文可以不详细描述与信号处理、数据传输、信令、控制、机器学习模型、雷达、激光雷达、图像分析以及该系统(和该系统的单个操作部件)的其他功能方面有关的常规技术。另外，本文所包括的各个图式中所示的连接线旨在表示各个元件之间的示例功能关系和/或物理联接。应当注意的是，在本发明的实施例中可以存在许多替代或附加的功能关系或物理连接。

参考图1，根据各种实施例，总体上示为100的定位系统与车辆10相关联。通常，定位系统(或简称为“系统”)100允许其中使用传感器回程的自洽子集基于其对应的属性(诸如回程功率、多普勒频移、邻域相似性等)构建传感器数据组的定位方法。对于对应的属性来定义特征，并且每个特征具有相关联的特征位置，并且利用处理器来确定第一特征集与先前确定的第二特征集之间的特征相关性。

如图1中所描绘的，车辆10通常包括底盘12、车身14、前轮16以及后轮18。车身14被布置在底盘12上并且大致上包围车辆10的部件。车身14和底盘12可以共同形成框架。车轮16-18各自在车身14的相应拐角附近旋转地联接到底盘12。

在各种实施例中，车辆10是自主车辆，并且定位系统100被结合到自主车辆10(在下文中被称为自主车辆10)中。自主车辆10例如是被自动控制以将乘客从一个位置运送到另一个位置的车辆。在所说明的实施例中，车辆10被描绘为乘用车，但是应当明白的是，也可以使用包括摩托车、卡车、运动型多用途车辆(suv)、休闲车辆(rv)、船舶、飞行器等任何其他交通工具。

在示例性实施例中，自主车辆10对应于汽车工程师协会(sae)“j3016”标准分类的自动驾驶等级下的四级或五级自动化系统。使用该术语，四级系统指示“高度自动化”，其指代自动驾驶系统执行动态驾驶任务的所有方面的驾驶模式，即使人类驾驶员对干预请求没有做出适当响应。另一方面，五级系统指示“全自动化”，其指代自动驾驶系统在可由人类驾驶员管理的所有道路和环境状况下在动态驾驶任务的所有方面的全面性能的驾驶模式。然而，应当明白的是，根据本主题的实施例不限于自动化类别的任何特定的分类学或标题。另外，根据本实施例的系统可以与其中可以实施本主题的任何车辆结合使用，而不管该车辆的自主权等级为何。

如所示，自主车辆10通常包括推进系统20、变速器系统22、转向系统24、制动系统26、传感器系统28、致动器系统30、至少一个数据存储装置32、至少一个控制器34以及通信系统36。推进系统20在各种实施例中可以包括内燃机、诸如牵引电动机等的电机和/或燃料电池推进系统。变速器系统22被配置为根据可选速比将来自推进系统20的动力传输到车轮16和18。根据各种实施例，变速器系统22可以包括分级传动比自动变速器、无级变速器或其他适当的变速器。

制动系统26被配置为向车轮16和18提供制动转矩。在各种实施例中，制动系统26可以包括摩擦制动器、线控制动器、诸如电机等的再生制动系统，和/或其他适当的制动系统。

转向系统24影响车轮16和/或18的位置。虽然为了说明目的而被描绘为包括方向盘25，但是在本发明的范围内预期的一些实施例中，转向系统24可以不包括方向盘。

传感器系统28包括感测自主车辆10的外部环境和/或内部环境的可观察状况(诸如一个或多个乘员的状态)的一个或多个感测装置40a-40n。感测装置40a-40n可以包括但不限于雷达(例如，远程、中程-短程)、激光雷达、全球定位系统、光学相机(例如，前视、360度、后视、侧视、立体等)、热(例如，红外)相机、超声波传感器、测距传感器(例如，编码器)、惯性测量单元(imu)和/或可以结合根据本主题的系统和方法使用的其他传感器。

致动器系统30包括一个或多个致动器装置42a-42n，其控制一个或多个车辆特征，诸如但不限于推进系统20、变速器系统22、转向系统24以及制动系统26。在各种实施例中，自主车辆10还可以包括图1中未说明的内部和/或外部车辆特征，诸如各种车门、行李箱以及诸如空气、音乐、照明、触摸屏显示部件(诸如与导航系统连接结合使用的那些部件)等驾驶室特征。

数据存储装置32存储用于自动控制自主车辆10的数据。在各种实施例中，数据存储装置32存储可导航环境的已定义地图。在各种实施例中，已定义地图可以由远程系统预定义并且从远程系统获取(参照图2进行了进一步详细描述)。例如，已定义地图可以由远程系统组装并且(以无线方式和/或以有线方式)传送到自主车辆10并存储在数据存储装置32中。路线信息也可以被存储在数据装置32内——即，一组路段(在地理上与一个或多个定义地图相关联)，其一起定义了用户可以从起始位置(例如，用户的当前位置)行进到目标位置所采取的路线。应当理解的是，数据存储装置32可以为控制器34的一部分，与控制器34分开，或作为控制器34的一部分以及单独系统的一部分。

控制器34包括至少一个处理器44和计算机可读的存储装置或介质46。处理器44可以为任何定制的或商业上可获得的处理器、中央处理单元(cpu)、图形处理单元(gpu)、专用集成电路(asic)(例如，定制为用于实施神经网络的asic)、现场可编程门阵列(fpga)、与控制器34相关联的多个处理器中的辅助处理器、基于半导体的微处理器(形式为微芯片或芯片组)、任何它们的组合，或者通常地用于执行指令的任何装置。计算机可读的存储装置或介质46可包括易失性和非易失性存储器，例如，只读存储器(rom)、随机存取存储器(ram)、和保持作用的存储器。kam为持续的或非易失性存储器，其可被用于在处理器44断电的情况下储存各种操作变量。计算机可读的存储装置或介质46可通过使用任何多个数目的已知存储装置来实施，例如，prom(可编程只读存储器)、eprom(电子prom)、eeprom(电可擦除prom)、闪存、或者能够储存数据的任何其他电子、磁性、光学或它们组合的存储装置，这些数据中的一些代表可执行指令，该可执行指令由用于控制自主车辆10的控制器34来使用。在各个实施例中，控制器34被配置成用于实现如在以下详细描述的定位系统100。

这些指令可包括一个或多个独立的程序，它们中的每个包括用于实现逻辑功能的可执行指令的有序列表。这些指令，当由处理器44执行时，接收并处理来自传感器系统28的信号，执行用于自动地控制自主车辆10的部件的逻辑、计算、方法和/或算法，并且生成控制信号，这些控制信号被传送至致动器系统30，从而基于逻辑、计算、方法和/或算法来自动地控制自主车辆10的部件。尽管在图1中示出了仅仅一个控制器34，自主车辆10的实施例可包括任何数目的控制器34，这些控制器通过任何合适的通信介质或通信介质的组合来通信，而且这些控制器相协作以处理传感器信号，执行逻辑、计算、方法和/或算法，以及生成控制信号以自动地控制自主车辆10的特征。

该通信系统36被配置成无线地将信息传送至其他实体48并且从所述其他实体48传送该信息，该实体例如但不限于其他车辆(“v2v”通信)、基础设施(“v2i”通信)、网络(“v2n”通信)、行人(“v2p”通信)、远程传输系统、和/或用户装置(参考图2更详细地描述)。在示意性实施例中，通信系统36为无线通信系统，该无线通信系统被配置成用于经由使用ieee802.11标准的无线局域网(wlan)或者通过使用蜂窝式数据通信来通信。然而，附加的或替代性的通信方法、例如专用近程通信(dsrc)通道也被视为落在本发明的范围之内。dsrc通道指代单向或双向近程至中程无线通信通道，它们具体地被设计用于汽车使用和一组相应的协议和标准。

现参考图2，在各个实施例中，参考图1描述的自主车辆10可适合于在特定地理区域(例如，城市、学校或商业园区、购物中心、游乐园、事件中心等等)中的出租车或定期班车系统的环境中使用，或者可简单地由远程系统来管理。例如，自主车辆10可与基于自主车辆的远程传输系统相关联。图2示出了通常在50处示出的操作环境的示意性实施例，其包括与如参考图1所描述的一个或多个自主车辆10a-10n相关联的基于自主车辆的远程传输系统(或者简单地称为“远程传输系统”)52。在各个实施例中，操作环境50(其全部或一部分可对应于在图1中示出的实体48)还包括一个或多个用户装置54，其经由通信网络56与自主车辆10和/或远程传输系统52相通信。

通信网络56支持如由操作环境50支持的装置、系统和部件之间所需的通信(例如，经由有形通信链路和/或无线通信链路)。例如，该通信网络56可包括无线载波系统60，例如蜂窝电话系统，其包括多个发射塔(未示出)、一个或多个移动交换中心(msc)(未示出)、以及将无线载波系统60连接至陆地通信系统所需的任何其他联网部件。每个发射塔包括发射和接收天线以及基站，且来自不同发射塔的基站或者直接地或者经由中间设备(诸如、基站控制器)连接至msc。无线载波系统60可实现任何合适的通信技术，其包括例如数字技术、例如cdma(例如，cdma2000)、lte(例如，4glte或5glte)、gsm/gprs，或者其他当前的或新兴的无线技术。其他发射塔/基站/msc布置是可能的，且可与无线载波系统60一起使用。例如，基站和发射塔可协同定位在相同地点处，或者它们可彼此相互遥远地定位，每个基站可对单个发射塔负责或者单个基站可服务不同的发射塔，或者不同的基站可联接至单个msc，仅举出一些可能的布置。

除了包括无线载波系统60之外，形式为卫星通信系统64的第二无线载波系统可被包含以提供与自主车辆10a-10n的单向或双向通信。通过使用一个或多个通信卫星(未示出)和上行链路传输站(未示出)来实现以上过程。单向通信可包括例如卫星无线电服务，其中，节目内容(新闻、音乐等)由发射站接收，封装以上载，且然后被发送至卫星，然后该卫星将所述节目广播至用户。双向通信可包括例如卫星电话服务，其使用卫星来中继车辆10与站之间的电话通信。除了无线载波系统60之外或者代替其，可采用卫星电话。

还可包括陆地通信系统62，其为连接至一个或多个陆线电话的传统的陆基电信网络，并将无线载波系统60连接至远程传输系统52。例如，陆地通信系统62可包括公共交换电话网(pstn)，例如用于提供硬连线的电话、分组交换数据通信、和因特网基础设施。陆地通信系统62的一个或多个部分可以通过使用标准有线网络、光纤或其他光网络、有线网络、电力线，诸如无线局域网(wlan)的其他无线网络，或者提供宽带无线接入(bwa)的网络或其任何组合来实现。此外，远程传输系统52无需经由陆地通信系统62被连接，但可包括无线电话设备，以使得它能够直接地与无线网络相通信、例如无线载波系统60。

尽管在图2中仅仅示出了一个用户装置54，操作环境50的实施例可支持任何数目的用户装置54，包括一个人拥有、操作、或以其他方式使用的多个用户装置54。由操作环境50支持的每个用户装置54可使用任何合适的硬件平台来实现。在这点上，用户装置54可以以任何普通的形式因素来实现，包括但不限于：台式计算机；移动计算机(例如，平板电脑、手提电脑、或上网本)；智能电话；视频游戏装置；数字媒体播放器；家庭娱乐设备的部件；数码相机或视频摄像机；可穿戴的计算装置(例如，智能手表、智能眼镜、智能衣服)；等等。由操作环境50支持的每个用户装置54实现为计算机实施的或基于计算机的装置，其具有实践在此描述的各种技术和方法所需的硬件、软件、固件、和/或处理逻辑。例如，用户装置54包括形式为可编程装置的微处理器，其包括一个或多个指令，所述指令储存在内部存储器结构中并被应用于接收二进制输入以建立二进制输出。在一些实施例中，用户装置54包括能够接收gps卫星信号并基于那些信号生成gps坐标的gps模块。在一些实施例中，用户装置54包括蜂窝式通信功能，以使得该装置通过通信网络56利用一种或多种蜂窝式通信协议来实现声音和/或数据通信，如在本文所讨论的那样。在各个实施例中，用户装置54包括可视显示器、例如触摸屏图形显示器或其他显示器。

远程传输系统52包括一个或多个后端服务器系统(未示出)，其可以是基于云的、基于网络的，或者驻留在特定园区的或由远程传输系统52服务的地理位置。远程传输系统52可由现场顾问、自动化顾问、人工智能系统、或其组合来操纵。远程传输系统52可与用户装置54和自主车辆10a-10n通信，以调度乘坐，派遣自主车辆10a-10n，等等。在各个实施例中，远程传输系统52储存存储账户信息，例如用户认证信息、车辆标识符、配置文件记录、生物测量数据、行为模式、和其他相关用户信息。

根据该典型的使用情形流程，远程传输系统52的注册用户可经由用户装置54建立乘坐请求。该乘坐请求将典型地指示乘客期望的搭车地点(或当前的gps位置)，期望的目的地位置(其可识别预定的车辆停止和/或用户指定的乘客目的地)，和搭车时间。远程传输系统52接收乘坐请求，处理该请求，并派遣自主车辆10a-10n中选择的一个(当一个可用或如果一个可用时)以于指定的搭车位置并且在适当的时间接到乘客。传输系统52还可生成并发送合适配置的确认消息或通知至用户装置54，从而让乘客知道车辆正在路上。

如可理解的那样，这里公开的主题为那些被认为是标准或者基准自主车辆10和/或基于自主车辆的远程运输系统52提供某些增强的特征和功能。为了这个目的，自主车辆和基于自主车辆的远程传输系统可被修改、增强、或以其他方式增补以提供以下更详细描述的附加特征。

根据各个实施例，控制器34实现如在图3中示出的自主驾驶系统(ads)70。也就是，控制器34的合适的软件和/或硬件部件(例如，处理器44和计算机可读的存储装置46)被采用，以提供结合车辆10一起使用的自主驾驶系统70。

在各个实施例中，自主驾驶系统70的指令可由功能或系统来组织。例如，如在图3中所示，自主驾驶系统70可包括计算机视觉系统74、定位系统76、导向系统78和车辆控制系统80。如可理解的那样，在各个实施例中，指令可被组织到任何数目的系统中(例如，组合、进一步划分、等)，因为本发明并未被限制为本文中的示例。

在各个实施例中，计算机视觉系统74综合并处理传感器数据，并且预测车辆10的环境的对象和特征的存在、位置、分类和/或路径。在各个实施例中，计算机视觉系统74可合并来自多个传感器(例如，传感器系统28)的信息，包括但不限于相机、激光雷达、雷达、和/或任何数目的其他类型的传感器。

如以下进一步所讨论的那样，定位系统76处理传感器数据与其他数据，从而“定位”或以其他方式确定出车辆10相对于环境的位置(例如，相对于地图的本地位置，相对于道路车道、车辆航向等的精确位置)。如可理解的那样，各种技术可被采用以完成定位、包括例如即时定位与映射(slam)、颗粒过滤器、卡尔曼滤波器、贝叶斯过滤器等等。

导向系统78处理传感器数据和其他数据以确定车辆10应当跟随的路径。车辆控制系统80根据确定出的路径来生成用于控制车辆10的控制信号。

在各个实施例中，控制器34实施机器学习技术，以辅助于控制器34的功能，例如，特征检测/分类、障碍抑制、路线穿越、映射、传感器融合、地面实况确定等等。

作为预备事项，在此公开的实施例可使用包含在传感器系统28之内的多种传感器类型来实施。例如，即刻参考图4，av10可包括绕着av10的周边分布的多个方向传感器410(例如，前组传感器411-415和后组传感器416-418)，每个具有如图所示的相应的视场，且每个被配置用于生成某些类型的传感器数据。在特定的实施例中，传感器410对应于雷达类型的传感器，其在恶劣天气状态(例如，在暴风雨和暴风雪中)下特别有效，且其接收对应于由空间中的位置(相对于av10)表征的回程雷达信号的“回程”(或“传感器回程”)。如以下进一步详细地讨论的那样，这些传感器回程还可由它们相应的属性来表征、例如回程功率、邻域相似性、多普勒频移等等。尽管以下结合各种示例公开了雷达传感器回程和属性，实施例的范围未被限制成此。

如上文简要所述的，图1的定位系统100被配置成用于构建从传感器回程的自洽组(例如，雷达回程)获得的“特征集”，并随后在后续的时间步长中追踪那些特征的位置。

作为示意，在透视图中，图5描绘了沿着道路502朝向环境中多个对象行进的av10、即路标结构530、静止路柱511和512、停放的车辆531和移动车辆(以和av10相同的方向移动)521和522。图6示出了形式为传感器回程600的相应的传感器数据，其可由av10接收(对应于图6中的图标610)。将理解的是，尽管传感器回程600被概念性地示出为存在于由相应的传感器所扫描的对象的表面上的点，这种传感器回程实际上对应于在av10上接收到的传感器数据，且其包括有关回程位置(例如，离av10的位置)以及由传感器系统28所确定的回程信号的各种属性的信息。

结合图5继续参考图6，传感器回程621对应于来自移动车辆521的背部的回程，传感器回程631对应于来自停放的车辆531的回程，传感器回程630对应于来自路标结构530的回程，传感器回程622对应于来自移动车辆522的背部的回程，且传感器回程611和612分别地对应于静止对象511和512。

除了每个传感器回程600的空间位置之外，av10还将具有对用于每个回程的一组属性值的访问(经由传感器28)，其将通常根据回程的本质和用于生成传感器数据的传感器类型而变化。例如，在一个实施例中，传感器回程600为由以下属性表征的雷达传感器回程：回程功率、多普勒频移(代表对象相对于av10的相对速率)、和邻域相似性(例如，每个回程有多么地类似于其最近的领域)。例如，使用对应于不同的多普勒频移值的不同水平的阴影来示出图6中的回程600。因而，移动车辆521和522生成不同于静态对象511、512、530和531的回程的611、612、630和631的回程621和622。

因此，可以基于传感器回程600的自洽属性来构建一个或多个“传感器数据组”。例如，考虑到多普勒频移的属性，图6中的传感器回程621可以是一个传感器数据组的成员，传感器回程630可以是另一个传感器数据组的成员，以此类推。如本文所用，关于传感器回程属性的短语“自洽”是指某个预定的相似性水平。例如，可以基于机器学习聚类过程来确定传感器数据组。

在各种实施例中，将回程600划分为几何“网格”，以便于传感器数据的处理，如下面进一步描述的那样。例如，参考图7，正方形网格700可以被定义为具有任何方便的边长(例如1.0m)，以将传感器回程(在本图示中，回程630和612)划分为单元710的矩阵。例如，回程612被描绘为单元702的成员，而回程630被示为跨越了多个单元710。

如图8中进一步所示，可以对网格700的各个单元内的传感器回程进行处理以定义那些传感器回程的“特征”。这些特征可以被可视化为与网格700平行的各个平面(例如，平面801-804)，其中每个平面对应于单独的特征。因此，指定单元的特征向量可以被可视化为列，比如图8的列820。

如本文所用，关于传感器回程的子集的属性的术语“特征”是指应用于那些属性以导出以某种方式表征该特征子集的简化值的某个数学函数。根据实施例，可以确定任何数量的特征，并且每个特征可以是一个或多个对应的属性的函数。

在一些实施例中，特征包括一个或多个概括统计，例如平均值、标准偏差、偏度、范围等。例如，在雷达传感器回程的情况下，这些特征可能包括平均回程功率、多普勒频移范围、平均相似性等。在其他实施例中，特征是属性的直方图，诸如多普勒频移的直方图、回程功率的直方图、回程相似度的直方图等。在一些实施例中，直方图被归一化(例如，为了包含范围(0.0，1.0)内的频率)。在一些实施例中，直方图特征可以由其凸包的顶点来表征(即，凸多边形形成限定该直方图的凸包)。

无论为每个传感器数据组定义的特征的数量和类型如何(在一些实施例中，其进一步被划分成单独的网格单元700)，如下面进一步详细描述的那样，定位系统100配置为在av10沿着道路502行进时以连续的时间步长将这些特征相关联，从而提供可以用于(例如，由图3的定位系统76使用)确定av10的位置的信息。

参考图9，示例性定位系统通常包括特征确定模块930和特征相关性模块940。特征确定模块通常配置为接收传感器数据901，该传感器数据在各种实施例中包括与环境中的对象相关联的传感器回程(诸如雷达和/或激光雷达传感器回程)(如图5和图6中所示)。特征确定模块930进一步配置为构建传感器数据组(诸如图6中的组630和621)，每个传感器数据组包括基于其对应的属性的多个传感器回程的自洽子集。然后，特征确定模块930针对每个传感器数据组，基于传感器回程的属性来定义特征集。

因此，特征确定模块930的输出931是“放置”特征集(即，在环境中相对于av10具有对应几何位置的特征)。例如，这种几何位置可以对应于包含那些特征的网格单元的位置(如图8所示)。在其他实施例中，特征的几何位置是对应的传感器数据组中传感器回程的位置的某个函数(例如传感器回程的质心等)。

特征相关性模块940配置为接收放置特征931并确定那些放置特征与先前确定的放置特征集之间的特征相关性。也就是说，在每个时间步长(其范围可以是例如0.1s至1.0s)下，特征相关性模块尝试找到输出931的最佳映射(例如，单应性)。换句话说，模块940试图在顺序时间步长上找到放置特征之间的一对一对应关系，从而估计av10在该时间步长期间行进的距离和方向。

例如，考虑图11中所示的示例，此示例描绘了av10沿着道路在两个时间：t0(左)和t1(右)行进。av10接近两个对象：路标结构530和移动车辆521。在t0中，av10观察传感器数据组1141和传感器数据组1121。如上所述，这些传感器数据组可以基于其平均功率回程的相似性来构建，这在图11中被描绘为相应的直方图特征1131和1122。

在t1中，av10沿其车道前进了一定距离，使其更靠近路标结构530以及移动车辆521，而移动车辆521已经如图所示的那样变更了车道。此时，av10观察传感器数据组1142(具有对应的直方图特征1132)和传感器数据组1152(具有对应的直方图特征1122)。虽然直方图特征1122和1132的位置和形状与对应的直方图特征1122和1131是不相同的，但它们却足够地相似，由此使得特征相关性模块940可以(通过合适的特征相关过程)推断出它们对应于相同的对象(即，分别是521和530)。然后，可以将特征相关性模块940的输出941提供给图3的定位系统76以进一步辅助完成av10的定位。

就这一点而言，应该理解的是，静止对象可以提供时间步长之间的行进距离的最佳度量。在这方面，在一些实施例中，特征相关性模块(或特征确定模块930)首先不会考虑对应于可能被分类为移动对象的传感器数据组。例如，参考图10，可以训练机器学习分类器1020(诸如随机森林分类器)接收与传感器回程的特定集的属性相对应的输入1001并产生分类输出，该分类输出包括从动态(1021)、静态可移动(1022)或静态不可移动(1023)对象接收传感器回程的可能性的向量。例如，参考图5，对象511、512和530可以被分类为静态不可移动对象，车辆521和522可以被分类为动态对象，而停放的车辆531可以被分类为静态可移动对象。

模块940可以通过采用异常值检测技术来进一步细化其相关性。根据各种实施例，模块940采用随机样本一致性(ransac)技术。一般情况下，ransac过程从一组观察数据迭代地估计出数学模型的参数，例如来自推定特征对的映射，诸如图11中的直方图特征1131和1132(当那些映射包括异常值时，其中所述异常值被假定成因为例如错误测量、极端噪声值等而位于模型本身之外的数据点)。

在各种实施例中，模块940使用ransac过程来随机地对观察到的数据进行采样(例如，特征相关)并使用“投票方案”来找到最佳拟合结果。数据点有效地投票给一个或多个模型，并且假设噪声特征不会一直投票给任何特定模型。从输入数据集中随机地选择包含特征映射的子集，然后再使用该数据点子集来确定第一数学模型。接下来，确定整个数据集中的哪些元素与第一数学模型一致(即，“一致集”)。如果数据点在某个误差阈值(例如，与可归因于噪声效应的最大偏差相对应)内不符合第一模型，则该数据点将会被视为异常值。反复重复前述过程，直到一致集满足某些标准为止，例如最小数量的一致数据点。

应当理解，根据本发明的定位系统100的各种实施例可以包括嵌入在控制器34内的任何数量的子模块，所述子模块可以进行组合和/或进一步被划分，从而类似地实现本文所述的系统和方法。此外，针对定位系统100的输入可以从传感器系统28接收，从与自主车辆10相关联的其他控制模块(未示出)接收，从通信系统36接收和/或由图1的控制器34内的其他子模块(未示出)确定/建模。此外，输入还可以经受预处理，例如子采样、降噪、归一化、特征提取、丢失数据简缩等。

此外，上述各种模块可以被实现为一个或多个机器学习模型，所述机器学习模型经历监督、无监督、半监督或强化学习并执行分类(例如，二元或多类分类)、回归、聚类、降维和/或这样的任务。此类模型的示例包括但不限于人工神经网络(ann)(例如递归神经网络(rnn)和卷积神经网络(cnn))、决策树模型(例如分类回归树(cart))、集成学习模型(例如增强、自展输入引导式聚合、梯度推进机和随机森林)、贝叶斯网络模型(例如朴素贝叶斯)、主成分分析(pca)、支持向量机(svm)、聚类模型(例如k近邻、k均值、期望最大化、分层聚类等)等等。

在一些实施例中，模型(即，930、940和/或1020)的训练发生在远离车辆10的系统(例如，图2中的系统52)内，并且随后下载到车辆10，以便于在车辆10的正常操作期间使用。在其他实施例中，训练至少部分地发生在车辆10自身的控制器34内，并且模型随后与外部系统和/或车队中的其他车辆共享(例如图2中所示)。训练数据可以类似地由车辆10生成或者从外部获取，并且可以在训练之前被划分为训练集、验证集和测试集。

现在参考图12并且继续参考图1至图11，所示出的流程图提供了可以由根据本发明的定位系统100执行的控制方法1200。根据本发明可以理解的是，该方法内的操作顺序并不限于如附图所示的顺序执行，而是可以在适用的情况下根据本发明以一个或多个不同的顺序来执行。在各种实施例中，方法可以被安排为基于一个或多个预定事件运行，和/或可以在自主车辆10的操作期间连续地运行。

在各种实施例中，该方法开始于1201，其中av10接收形式为例如具有多个对应的属性的传感器回程的传感器数据(如图6所示)。如上所述，特定属性可以根据传感器数据的性质而发生变化。

接下来，在1202处，构建传感器数据组以包含传感器回程的自洽子集(基于它们的属性)。这些传感器数据组及其相应的传感器回程可以被划分为av10附近的空间网格，如图7所示。

在1203处，确定每个传感器数据组的特征，如图8所示。例如，特征可以对应于一个或多个属性的概括统计和/或一个或多个属性的直方图或其他可视化。这些特征有效地“放置”在相对于av10的位置(例如，借助于它们对应的网格单元，如图8所示)。

接下来，在1204处，在后续的时间步长下确定特征之间的相关性。也就是说，在当前的放置特征集与先前确定的放置特征集(例如，来自前一时间步长的放置特征集)之间产生映射。为了促进这种相关性，可以采用异常值去除技术，例如ransac过程。在一些实施例中，在确定这种相关性时仅考虑静止特征(例如，路标、电线杆等)。

最后，在1205处，基于在1204处确定的相关性来更新av10的定位。也就是说，将av10在时间步长期间的估计的移动和姿势变化提供给定位系统76(图3)，从而帮助确定av在其环境中的绝对位置。

虽然在前述详细描述中呈现了至少一个示例性实施例，但是应了解的是，仍存在有大量变型。还应了解，该示例性实施例或多个示例性实施例仅是示例，而并不意欲以任何方式限制本发明的范围、适用性或配置。相反，前述详细描述将为本领域技术人员提供用于实现该示例性实施例或多个示例性实施例的便利指引。应理解，在不脱离如所附权利要求及其法律等效物所阐述的本发明范围的情况下，可以对元件的功能和布置作出各种改变。