本发明涉及一种用于识别车辆位置的系统和方法，更具体地，涉及一种用于使用车辆周围的地形、物体或地标来识别车辆位置的技术。
背景技术：
本节中的陈述仅提供与本发明相关的背景信息，并且可能不构成现有技术。
通常，自动驾驶车辆是指在没有驾驶员协助的情况下自己识别行驶环境并行驶至目的地的车辆。为了在城市中心区域使用这种自动驾驶车辆，重要的是精确地识别行驶环境。为此，已经对结合了全球定位系统(gps)、地图信息和各种传感器的行驶环境识别技术进行了研究。
近年来，已经引入了使用雷达、光检测和测距(lidar)传感器和图像传感器的行驶环境识别技术。这种传统的行驶环境识别技术仅将图像传感器和距离传感器结合在一起，而不考虑gps信息和地图信息的准确性。因此，在复杂的市区可能难以应用传统的行驶环境识别技术。
在相关技术中，当在没有精确地图的情况下使用一般地图时，尽管能够在纵向方向上执行相对精确的位置匹配，但是可能难以在横向方向上执行精确的位置匹配。
另外，由于周围的车辆或障碍物，使用雷达、lidar传感器和图像传感器的行驶环境识别技术可能不能精确地测量位置。
技术实现要素：
本发明提供一种用于识别车辆位置的系统和方法，其中，通过将车辆传感器检测到的车道信息与精确地图上的车道信息进行比较来提取车辆的方位角和横向位置信息，通过lidar传感器提取车辆的方位角、纵向和横向位置信息，基于gps提取车辆的方位角和纵向位置信息，通过使用从每一个传感器提取的位置信息在测得的位置处生成校正的位置信息，以及从校正的位置信息提取车辆的位置误差预测(边界)值。
在本发明的一些实施方式中，一种用于识别车辆位置的系统包括：基于车道的位置识别装置，被配置为通过将测得的车道信息与精确地图上的车道信息进行比较来提取与车辆的方位角和横向位置信息有关的校正信息；基于lidar的位置识别装置，考虑到通过lidar传感器测得的周围车辆和障碍物，通过对区域进行检测来提取与车辆的位置有关的校正信息；以及位置组合装置，被配置为使用与车辆的方位角和横向位置有关的校正信息、来自lidar传感器的与车辆的方位角、纵向位置和横向位置有关的校正信息以及使用了gps的与车辆的方位角、纵向位置和横向位置有关的校正信息来组合位置。
在本发明的其他实施方式中，一种识别车辆位置的方法包括：通过将测得的车道信息与精确地图上的车道信息进行比较来提取与车辆的方位角和横向位置有关的校正信息；考虑到通过lidar传感器测得的周围车辆和障碍物，通过对区域进行检测来提取与车辆的位置有关的校正信息；以及使用与车辆的方位角和横向位置有关的校正信息、来自lidar传感器的与车辆的方位角、纵向位置和横向位置有关的校正信息以及使用了gps的与车辆的方位角、纵向位置和横向位置有关的校正信息来组合位置融合。
该方法还可以包括在提取与车辆的方位角和横向位置有关的校正信息之前，预测车辆从先前位置到当前位置的移动路线。
提取与车辆的方位角和横向位置有关的校正信息可以包括：基于车辆的纵向方向将测得的车道和精确地图上的车道划分成多个匹配区间，并且匹配测得的车道与精确地图上的车道。
组合位置可以包括：针对每一个传感器，将最终位置转换到以基于车辆位置为基准的坐标系；提取车辆的方位角校正信息；提取车辆的横向位置信息；提取车辆的纵向位置信息；以及将提取的信息转换到全局坐标。
提取与车辆的位置有关的校正信息可以包括：使用lidar信号提取轮廓；根据轮廓计算可匹配区域的感兴趣区域(roi)；在纵向方向、横向方向和对角线方向上对特征线进行分类；基于特征线设定可匹配区域；针对每一个轮廓，提取车辆的方位角、纵向位置和横向位置校正信息；以及计算每一个轮廓的权重。
在纵向方向上对特征线进行分类可以包括：通过使用横向位置误差预测值(e_lat)来匹配特征线与轮廓。
在横向方向上对特征线进行分类可以包括：通过使用纵向位置误差预测值(e_long)来匹配特征线与轮廓。
在对角线方向上对特征线进行分类可以包括：当存在横向校正信息时，通过使用纵向位置误差预测值来匹配特征线与轮廓，并且当不存在横向校正信息时，通过使用横向和纵向位置误差预测值来匹配特征线与轮廓。
根据本文提供的描述，其他适用范围将变得显而易见。应当理解，描述和具体示例仅仅是为了说明的目的，并不旨在限制本发明的范围。
附图说明
为了可很好地理解本发明，现在将参考附图来描述以示例的方式给出的本发明的各种实施方式，其中：
图1是示出用于识别车辆位置的系统的框图；
图2是示出识别车辆位置的方法的流程图；
图3和图4是示出基于车道来预测横向方向上的车辆位置的误差的方法的视图；
图5是示出通过lidar传感器提取位置信息的方法的流程图；
图6和图7是示出通过lidar传感器提取位置信息并基于所提取的位置信息生成可匹配区域的方法的视图；
图8是示出使用通过lidar传感器在纵向、横向或对角线方向上生成的特征线的方法的视图；
图9是示出融合通过传感器提取的信息以提取车辆位置的方法的流程图；
图10是示出融合通过传感器提取的信息以提取车辆位置的方法的视图；
图11是示出使用车辆的方位角、纵向位置和横向位置的误差预测值的方法的流程图；以及
图12是示出执行识别车辆的位置的方法的计算机系统的框图。
具体实施方式
以下描述本质上仅仅是示例性的，并不旨在限制本发明、应用或用途。应当理解，在整个附图中，对应的附图标记指示相似或对应的部件和特征。
在下文中，将参考附图来详细描述本发明的实施方式。
图1是示出在本发明的一些实施方式中的用于识别车辆位置的系统的框图。
参考图1，用于识别车辆位置的系统包括车道测量装置100、精确地图提供装置110、lidar传感器装置120、gps位置估计装置130、基于车道的位置识别装置200、基于lidar的位置识别装置300和位置融合装置400。
车道测量装置100通过借助设置在车辆中的传感器或照相机识别车道来测量车道。设置在车辆中的传感器或照相机安装在车辆上，以获取车辆的周围图像(例如，前方图像、后方图像、侧方图像等)。这种照相机可以包括单个照相机、立体照相机、全景照相机、单目照相机等。
精确地图提供装置110提供存储在车辆中的精确地图，并且精确地图具有通过测量周围建筑物、地标等而获得的车道信息、位置信息。
详细地，精确地图提供装置110提供地图数据，包括例如感兴趣点(poi)或感兴趣区域(roi)信息、地标信息等的地形特征信息。在这种情况下，地图数据是精确地图(1：25000或更大比例)和/或一般地图(1：25000或更小比例)的数据。精确地图比一般地图具有更多的地形特征信息，例如poi信息、roi信息、地标信息等。
lidar传感器装置120使用设置在车辆中的lidar传感器来测量周围车辆和障碍物。
详细地，lidar传感器装置120检测车辆周围存在的物体并测量车辆与物体(待测目标、物体、障碍物、车辆等)之间的距离。也就是说，lidar传感器装置120可以检测与位于车辆周围的物体有关的信息，并且可以利用无线电检测和测距(雷达)、光检测和测距(lidar)、超声波传感器、红外传感器等来实施。
gps位置估计装置130使用gps来估计车辆的当前位置。
详细地，gps位置估计装置130可以包括gps接收器，其接收通过卫星广播的导航消息，并且可以使用导航消息(gps信息、gps信号、卫星信号等)确认当前车辆位置、能够接收卫星信号的卫星的总数、能够通过视距(los)接收信号的卫星的数量以及当前车速。
基于车道的位置识别装置200将由车道测量装置100测得的车道信息与由精确地图提供装置110提供的精确地图上的车道信息进行比较，以提取车辆的当前方位角(headingangle)(行进方向)和横向位置。
也就是说，基于车道的位置识别装置200可以通过映射测得的车道信息与精确地图上的车道信息，来提取与基于车道的方位角和横向位置有关的校正信息。
基于lidar的位置识别装置300提取基于lidar传感器的方位角、纵向位置和横向位置。
也就是说，基于lidar的位置识别装置300考虑了由lidar传感器装置120的lidar传感器测得的周围车辆和障碍物，来检测能够与精确地图匹配的区域。
位置融合装置400通过使用所提取的与基于车道的方位角和横向位置有关的校正信息、与基于lidar传感器的方位角、纵向位置和横向位置有关的校正信息以及与基于gps的方位角、纵向位置和横向位置有关的校正信息，来进行位置融合。
图2是示出在本发明的一些实施方式中的识别车辆位置的方法的流程图。
参考图2，在操作s11至s15中，用于识别车辆位置的系统通过借助设置在车辆中的传感器或照相机识别车道来测量车道，通过设置在车辆中的lidar传感器来测量周围车辆和障碍物，以及通过gps接收当前车辆位置。
然后，在操作s17中，因为设置在车辆中的传感器的信号周期或时序彼此不同，所以用于识别车辆位置的系统通过将从传感器接收到的信号以对应于信号周期或时序的方式进行同步，来校正接收到的信号(数据)。
在操作s19中，用于识别车辆位置的系统通过使用设置在车辆中的传感器来预测从车辆的先前位置到当前位置。
在这种情况下，根据预测从先前位置到当前位置的方法，可以通过使用来自设置在车辆中的传感器的车辆的偏航率或速度来预测车辆的移动范围。
在操作s21中，用于识别车辆位置的系统将测得的车道信息与精确地图上的车道信息进行比较，以提取车辆的当前方位角和横向位置。
也就是说，用于识别车辆位置的系统可以通过映射测得的车道信息与精确地图上的车道信息，来提取与基于车道的方位角和横向位置有关的校正信息。
在操作s23中，用于识别车辆位置的系统提取基于lidar传感器的车辆的方位角、纵向位置和横向位置。
也就是说，用于识别车辆的位置的系统可以考虑到通过lidar传感器测得的周围车辆和障碍物，来检测能够与精确地图匹配的区域。
在这种情况下，可匹配区域可以是roi。
这里，用于识别车辆位置的系统可以通过使用与基于车道的横向位置有关的信息来提取与纵向位置、横向位置和方位角有关的校正信息。
在操作s25中，用于识别车辆位置的系统通过使用gps来提取与车辆的方位角和纵向位置有关的校正信息。
在操作s27至s29中，通过融合所有的所提取的与基于车道的方位角和横向位置有关的信息、与基于lidar传感器的车辆的方位角、纵向位置和横向位置有关的信息以及与利用了gps的车辆的方位角和纵向位置有关的信息，向与(当前)预测车辆位置之间的差异小的每一个传感器提取的预测车辆位置应用高权重，来提取融合的车辆位置。
将参考图9描述与融合从传感器提取的信息以提取车辆位置的方法有关的细节。
接下来，在操作s31中，使用预测的当前车辆位置和校正的位置来提取车辆的方位角误差预测值、纵向位置误差预测值和横向位置误差预测值。
图3和图4是示出在本发明的一些实施方式中的基于车道预测横向方向上的车辆位置的误差的方法的视图。
参考图3a至图3c，当用于识别车辆位置的系统匹配精确地图上的车道“a”与测得的车道b时，车道“a”可以划分为第一至第三匹配区间。
也就是说，用于识别车辆位置的系统可以基于与最大识别区间(最大可视范围)对应的车辆的纵向方向将匹配区间划分为三个区间。
如果在所划分的匹配区间中的第一匹配区间(低阶段匹配区间)中精确地图上的车道与测得的车道匹配，则用于识别车辆位置的系统不在第二或第二匹配区间中执行匹配。
另外，当检测到精确地图上的车道“a”和测得的车道“b”在横向位置误差预测(边界)值e_lat的范围内，并且精确地图上的车道“a”与测得的车道“b”之间的斜率差在方位角误差预测值e_angle内时，用于识别车辆位置的系统匹配精确地图上的车道“a”与测得的车道“b”(参见“x”)。
由于彼此匹配的精确地图上的车道“a”的斜率和测得的车道“b”的斜率彼此不同，因此用于识别车辆位置的系统提取并校正车辆的方位角，使得斜率变为彼此相等，以使两车道的倾斜方向彼此平行。
另外，用于识别车辆位置的系统可以通过从精确地图上的车道“a”和测得的车道“b”提取矢量信息来提取当前车辆位置。
参考图4，即使在车辆经过精确地图上的车道和测得的车道都断开的交叉点“c”时，用于识别车辆位置的系统也可以识别车辆的位置。
也就是说，在车辆经过交叉点c时车道暂时断开或没有车道的情况下，由于用于识别车辆位置的系统也能够检测近车道和远车道，因此用于识别车辆的位置系统可以通过使用每一个匹配区间中的匹配信息来提取车辆的横向位置。
图5是示出在本发明的一些实施方式中的通过lidar传感器提取位置信息的方法的流程图。
在操作s101中，用于识别车辆位置的系统的lidar传感器处理lidar信号以提取表示周围车辆的行为的轮廓(边界)。
也就是说，用于识别车辆位置的系统可以将从lidar传感器提取的点云数据变为轮廓，以计算与点云数据匹配的roi。
在操作s103中，用于识别车辆位置的系统计算可匹配区域，即roi。将参考图6和图7描述与生成可匹配区域的方法有关的细节。
这里，考虑到周围车辆或障碍物，用于识别车辆位置的系统计算精确地图上的roi。
然后，在操作s105中，用于识别车辆位置的系统对在车辆的纵向、横向和对角线方向上生成的特征线进行分类。
在这种情况下，可以通过与从lidar传感器检测到的轮廓进行匹配来校正作为在精确地图上检测到的线段的特征线。将参考图8描述与匹配特征线和轮廓的方法有关的细节。
在操作s107中，用于识别车辆位置的系统设定与特征线对应的匹配边界(或者，可匹配区域或匹配区域)。
在操作s109中，用于识别车辆位置的系统针对每一个轮廓提取与车辆的方位角、纵向位置和横向位置有关的校正信息。
在操作s111中，用于识别车辆位置的系统计算与车辆的方位角以及纵向和横向方向有关的每一个轮廓的对应权重。
在操作s113中，用于识别车辆位置的系统提取基于lidar的融合位置信息。
详细地，用于识别车辆位置的系统基于在车辆的纵向、横向和对角线方向上分类的特征线对轮廓进行分类，并且针对每一个分类的轮廓提取车辆的方位角校正信息以及纵向和横向位置校正信息。
接下来，在针对每一个轮廓提取车辆的方位角校正信息以及纵向和横向位置校正信息之后，用于识别车辆位置的系统对每一个校正信息中与预测位置信息的差异小的结果应用高权重，使得最终提取融合校正信息。
图6和图7是示出通过lidar传感器提取位置信息并基于提取的位置信息生成可匹配区域的方法的视图，其中，车辆行驶道路的周围存在包括路缘“e”、墙壁“f”等的障碍物或地标。
参考图6，用于识别车辆位置的系统处理从lidar传感器接收的lidar信号以计算可匹配的roi，由此提取轮廓“d”。
详细地，在通过分组算法对从lidar传感器收集的点云数据进行分组之后，用于识别车辆位置的系统可以通过与每一个对象进行1:1匹配来跟踪每一个对象，并且可以提取与对象对应的轮廓“d”。轮廓“d”可以包括多条直线。
参考图7，用于识别车辆位置的系统考虑到精确地图中从lidar传感器提供的lidar信号的放射角度和分辨率而提取直线(g，放射线)。
用于识别车辆位置的系统在放射线“g”遇到轮廓“d”时停止扩展放射线“g”。
在这种情况下，当放射线“g”和轮廓“d”彼此匹配时，用于识别车辆位置的系统将轮廓“d”确定为可匹配区域(匹配区域)“h”，并且确定车辆行驶道路周围的路缘“e”和墙壁“f”的匹配区域，其中，排除由路缘“e”得到的轮廓“d”，并且可以匹配高度高的墙壁f。
图8是示出在本发明的一些实施方式中的使用通过lidar传感器在纵向、横向或对角线方向上生成的特征线的方法的视图。
参考图8，车辆的方位角(方向)上存在差异的特征线(精确地图上的特征线“i”)用于横向位置校正，并且横向位置校正使用横向位置误差预测值e_lat。在这种情况下，“l”是反映横向位置误差预测值的匹配区域，“n”是反映纵向位置误差预测值的匹配区域，“m”是反映纵向位置误差预测值和横向位置误差预测值中的较大值的匹配区域。
也就是说，用于识别车辆位置的系统可以匹配使用横向位置误差预测值e_lat校正的特征线“i”与轮廓(匹配轮廓或匹配区域内的边界线)“j”。然而，用于识别车辆位置的系统不执行特征线“i”与排除在匹配之外的轮廓线“k”之间的匹配。从匹配中排除的轮廓“k”可以是通过lidar传感器提取的边界线。
然而，与车辆的方位角(方向)具有约90度(例如，85度至95度)的差异的特征线(精确地图中的特征线)“i”用于纵向位置校正。纵向位置误差预测值e_long用于纵向位置校正。
用于识别车辆位置的系统可以使用纵向位置误差预测值e_long来匹配校正后的特征线“i”与轮廓“j”。
当存在横向位置校正信息时，剩余的线(精确地图上的具有对角线形状的特征线)“i”仅用于提取纵向位置误差预测值e_long，并且当没有横向位置校正信息时，剩余的线用于所有纵向位置校正和横向位置校正(应用e_long和e_lat中的较大值)。
图9是示出在本发明的一些实施方式中融合通过传感器提取的信息以提取车辆位置的方法的流程图。
参考图9，在操作s1001中，用于识别车辆位置的系统将每一个传感器的最终位置转换为车辆位置的坐标。
用于识别车辆位置的系统可以将车辆和周围车辆的位置转换成x-y坐标系的坐标。
然后，在操作s1003中，用于识别车辆位置的系统提取车辆的方位角校正信息。
在计算出预测的方位角信息与从设置在车辆中的方位传感器接收的方位角信息之间的差值之后，用于识别车辆位置的系统确定权重。
然后，在操作s1005中，用于识别车辆位置的系统提取横向位置信息。
用于识别车辆位置的系统基于车辆的位置测量坐标系中的y轴距离。
然后，在操作s1007中，用于识别车辆位置的系统提取纵向位置信息。也就是说，用于识别车辆位置的系统在基于位置的坐标系中测量x轴距离。
然后，在操作s1009中，用于识别车辆位置的系统将提取的(校正的)位置转换为全局坐标系的坐标。
图10是示出在本发明的一些实施方式中的融合通过传感器提取的信息以提取车辆位置的方法的视图。
参考图10，为了在全局坐标系中表示方位角和横向位置，用于识别车辆位置的系统可以通过使用车道来校正车辆的方位角(方向)和横向位置。
另外，为了在全局坐标系中表示车辆的方位角、纵向位置和横向位置，用于识别车辆位置的系统可以通过使用lidar传感器和gps来校正车辆的方位角、纵向位置和横向位置。
在这种情况下，图10示出表示横向校正信息和纵向校正信息的全局坐标，包括车辆的行驶范围(dr_x，dr_y)“o”、lidar横向方向(lidarlat_x，lidarlat_y)“p”、lidar纵向方向(lidarlong_x，lidarlong_y)“q”、左车道方向(leftlane_x，leftlane_y)“r”、右车道方向(rightlane_x，rightlane_y)“s”、和gps方向(gps_x，gps_y)“t”。
图11是示出在本发明的一些实施方式中的使用车辆的方位角、纵向位置和横向位置的误差预测值的方法的流程图。
参考图11，在操作s1011至s1013中，如果存在方位角的校正值，则用于识别车辆位置的系统使用方位角校正值的大小作为方位角误差预测值。
然后，在操作s1015中，如果没有方位角的校正值，则用于识别车辆位置的系统确定精确地图中是否存在能够提取方位角的区域(是否存在纵向和横向可匹配的区域)。
在操作s1017中，如果精确地图中不存在能够提取方位角的区域，则用于识别车辆位置的系统按原样使用先前的方位角误差预测值。
然而，在操作s1019中，如果精确地图中不存在能够提取方位角的区域，则用于识别车辆位置的系统使用将预定值(预设值)与先前的方位角误差预测值相加而得到的方位角误差预测值。
然后，在操作s1021至s1023中，如果存在纵向位置的校正值，则用于识别车辆位置的系统使用纵向位置校正值的大小作为纵向位置误差预测值。
然后，在操作s1025中，如果不存在纵向位置校正值，则用于识别车辆位置的系统确定精确地图中是否存在能够提取纵向位置的区域(是否存在纵向可匹配的区域)。
在操作s1027中，如果精确地图中不存在能够提取纵向位置的区域，则用于识别车辆位置的系统按照原样使用先前的纵向位置误差预测值。
然而，在操作s1029中，如果精确地图中存在能够提取纵向位置的区域，则用于识别车辆位置的系统使用将预定值(预设值)与先前的纵向位置误差预测值相加而得到的纵向位置误差预测值。
然后，在操作s1031至s1033中，如果存在横向位置的校正值，则用于识别车辆位置的系统使用横向位置校正值的大小作为横向位置误差预测值。
然后，在操作s1035中，如果不存在横向位置校正值，则用于识别车辆位置的系统确定精确地图中是否存在能够提取横向位置的区域(是否存在横向可匹配的区域)。
在操作s1037中，如果精确地图中不存在能够提取横向位置的区域，则用于识别车辆位置的系统按原样使用先前的横向位置误差预测值。
然而，在操作s1039中，如果精确地图中存在能够提取横向位置的区域，则用于识别车辆位置的系统使用将预定值(预设值)与先前的横向位置误差预测值相加的横向位置误差预测值。
图12是示出在本发明的以下实施方式中的执行识别车辆位置的方法的计算机系统的框图。
参考图12，计算系统1000可以包括通过总线1200彼此连接的至少一个处理器1100、存储器1300、用户界面输入装置1400、用户界面输出装置1500、存储1600和网络接口1700。
处理器1100可以是对存储在存储器装置1300和/或存储1600中的指令进行处理的中央处理器(cpu)或半导体器件。存储器1300和存储1600可以包括各种类型的易失性或非易失性存储介质。例如，存储器1300可以包括只读存储器(rom)和随机存取存储器(ram)。
在本发明的一些实施方式中描述的方法或算法的操作可以直接体现在硬件中、由处理器1100执行的软件模块中或者两者的结合中。软件模块可以存在于存储介质(即，存储器1300和/或存储1600)中，例如随机存取存储器(ram)、闪速存储器、只读存储器(rom)、可擦除可编程rom(eprom)、电可擦除可编程rom(eeprom)、寄存器、硬盘、可移动盘、光盘rom(cd-rom)等。示例性存储介质耦合至处理器1100，使得处理器1100可以从存储介质读取信息并向其写入信息。替代地，存储介质可以集成到处理器1100中。处理器和存储介质可以存在于asic中。asic可以存在于用户终端内。替代地，处理器和存储介质可以作为单独的组件存在于用户终端中。
本技术作为使用图像传感器、lidar传感器和gps识别车辆位置的方法，即使在gps接收不良时也可以更精确地识别车辆的位置。
另外，在本发明的一些实施方式中，可以通过使用与车辆位置相关的误差预测值来稳定地识别车辆的位置。
在本发明的一些实施方式中的上述方法可以被记录为计算机程序。构成程序的代码和代码段可以由现场的计算机程序员容易地推断出来。另外，程序可以存储在计算机可读记录介质(信息存储介质)中，并且可以由计算机读取和执行，从而实施本发明的一些实施方式的方法。记录介质可以包括任何类型的计算机可读记录介质。
本发明的描述本质上仅仅是示例性的，因此，不偏离本发明内容的变体旨在落入本发明的范围内。不认为这些变化偏离本发明的精神和范围。