本发明涉及无人驾驶车辆技术领域，尤其涉及一种车辆位姿确定方法、装置及计算机可读存储介质。
背景技术：
无人驾驶车辆是一种智能汽车，集自动控制、体系结构、人工智能、视觉计算等众多技术于一体，是计算机科学、模式识别和智能控制技术高度发展的产物，也是衡量一个国家科研实力和工业水平的一个重要标志，在国防和国民经济领域具有广阔的应用前景。
无人驾驶车辆的自动驾驶系统，需要根据imu传感器提供的角度信息确定车辆位姿，用于评估无人驾驶车辆实际行驶路线与期望行驶路线间的差异。目前无人驾驶车辆位姿直接通过imu传感器提供的角度观测值进行计算，由于观测值与真实值之间存在一定差异，这会导致计算结果不精确。
技术实现要素：
本发明的主要目的在于提供一种车辆位姿确定方法、装置及计算机可读存储介质，旨在解决现有通过imu传感器提供的角度观测值计算无人驾驶车辆位姿的方式，计算结果不够精确的技术问题。
为实现上述目的，本发明提供一种车辆位姿确定方法，该方法包括：
通过预设传感器获取当前时刻的车辆运动状态观测数据；
基于预设第一模型，确定当前时刻的车辆运动状态预测数据；
将所述当前时刻的车辆运动状态观测数据和预测数据，输入预设第二模型，得到当前时刻的车辆运动状态优化数据；
根据所述当前时刻的车辆运动状态优化数据，确定所述车辆的当前位姿。
可选地，所述通过预设传感器获取当前时刻的车辆运动状态观测数据的步骤之后，包括：
建立第一模型，所述第一模型用于计算当前时刻的车辆运动状态预测数据。
可选地，所述基于预设第一模型，确定当前时刻的车辆运动状态预测数据的步骤包括：
获取当前时刻前一时刻的车辆运动状态优化数据；
将所述当前时刻前一时刻的车辆运动状态优化数据，输入预设第一模型，得到当前时刻的车辆运动状态预测数据。
可选地，所述当前时刻的车辆运动状态观测数据包括当前时刻车辆的航向角度观测值、航向角速度观测值和航向角加速度观测值。
可选地，所述根据所述当前时刻的车辆运动状态优化数据，确定所述车辆的当前位姿的步骤包括：
基于预设转换模型，将所述当前时刻的车辆运动状态优化数据，转换为所述车辆的当前位姿。
此外，为实现上述目的，本发明还提供一种车辆位姿确定装置，所述车辆位姿确定装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆位姿确定程序，所述车辆位姿确定程序被所述处理器执行时实现如下步骤：
通过预设传感器获取当前时刻的车辆运动状态观测数据；
基于预设第一模型，确定当前时刻的车辆运动状态预测数据；
将所述当前时刻的车辆运动状态观测数据和预测数据，输入预设第二模型，得到当前时刻的车辆运动状态优化数据；
根据所述当前时刻的车辆运动状态优化数据，确定所述车辆的当前位姿。
可选地，所述车辆位姿确定程序被所述处理器执行时还实现如下步骤：
建立第一模型，所述第一模型用于计算当前时刻的车辆运动状态预测数据。
可选地，所述车辆位姿确定程序被所述处理器执行时还实现如下步骤：
获取当前时刻前一时刻的车辆运动状态优化数据；
将所述当前时刻前一时刻的车辆运动状态优化数据，输入预设第一模型，得到当前时刻的车辆运动状态预测数据。
可选地，所述车辆位姿确定程序被所述处理器执行时还实现如下步骤：
基于预设转换模型，将所述当前时刻的车辆运动状态优化数据，转换为所述车辆的当前位姿。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有车辆位姿确定程序，所述车辆位姿确定程序被处理器执行时实现如下步骤：
通过预设传感器获取当前时刻的车辆运动状态观测数据；
基于预设第一模型，确定当前时刻的车辆运动状态预测数据；
将所述当前时刻的车辆运动状态观测数据和预测数据，输入预设第二模型，得到当前时刻的车辆运动状态优化数据；
根据所述当前时刻的车辆运动状态优化数据，确定所述车辆的当前位姿。
本发明通过预设传感器获取当前时刻的车辆运动状态观测数据；基于预设第一模型，确定当前时刻的车辆运动状态预测数据；将所述当前时刻的车辆运动状态观测数据和预测数据，输入预设第二模型，得到当前时刻的车辆运动状态优化数据；根据所述当前时刻的车辆运动状态优化数据，确定所述车辆的当前位姿。通过上述方式，本发明通过对车辆运动状态观测数据进行优化，使其更接近于车辆运动状态的真实值，进而基于车辆运动状态优化数据确定车辆位姿，提升了车辆位姿的精确度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；
图2为本发明车辆位姿确定方法第一实施例的流程示意图；
图3为本发明车辆位姿确定方法第三实施例的流程示意图；
图4为本发明车辆位姿确定方法第四实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：通过预设传感器获取当前时刻的车辆运动状态观测数据；基于预设第一模型，确定当前时刻的车辆运动状态预测数据；将所述当前时刻的车辆运动状态观测数据和预测数据，输入预设第二模型，得到当前时刻的车辆运动状态优化数据；根据所述当前时刻的车辆运动状态优化数据，确定所述车辆的当前位姿。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的装置所属终端结构示意图。
本发明实施例终端承载有无人驾驶车辆的自动驾驶系统。
如图1所示，该终端可以包括：处理器1001，例如cpu，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的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，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，终端还可以包括摄像头、rf(radiofrequency，射频)电路，传感器、音频电路、wi-fi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1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、用户接口模块以及车辆位姿确定程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的车辆位姿确定程序，并执行以下操作：
通过预设传感器获取当前时刻的车辆运动状态观测数据；
基于预设第一模型，确定当前时刻的车辆运动状态预测数据；
将所述当前时刻的车辆运动状态观测数据和预测数据，输入预设第二模型，得到当前时刻的车辆运动状态优化数据；
根据所述当前时刻的车辆运动状态优化数据，确定所述车辆的当前位姿。
进一步地，处理器1001可以调用存储器1005中存储的车辆位姿确定程序，还执行以下操作：
建立第一模型，所述第一模型用于计算当前时刻的车辆运动状态预测数据。
进一步地，处理器1001可以调用存储器1005中存储的车辆位姿确定程序，还执行以下操作：
获取当前时刻前一时刻的车辆运动状态优化数据；
将所述当前时刻前一时刻的车辆运动状态优化数据，输入预设第一模型，得到当前时刻的车辆运动状态预测数据。
进一步地，处理器1001可以调用存储器1005中存储的车辆位姿确定程序，还执行以下操作：
基于预设转换模型，将所述当前时刻的车辆运动状态优化数据，转换为所述车辆的当前位姿。
基于上述硬件结构，提出本发明车辆位姿确定方法的各个实施例。
参照图2，本发明车辆位姿确定方法第一实施例提供一种车辆位姿确定方法，所述方法包括：
步骤s10，通过预设传感器获取当前时刻的车辆运动状态观测数据；
本实施例应用于无人驾驶车辆的自动驾驶系统。本实施例中的无人驾驶车辆上预先安装有可以测量无人驾驶车辆在经度、纬度、高度三个方位上的角度、角速度、和角加速度的传感器，传感器的安装位置可灵活设置，此处不作限定。该预设传感器可以是imu(inertialmeasurementunit，惯性测量单元)传感器，imu传感器包括三个单轴的加速度计和三个单轴的陀螺，可以测量物体在三维空间中的航向角度、航向角速度和航向角加速度。在本实施例中，对于imu传感器所测得的无人驾驶车辆的航向角度、航向角速度、和航向角加速度，定义为航向角度观测值、航向角速度观测值和航向角加速度观测值，统称为车辆运动状态观测数据。此外，预设传感器与无人驾驶车辆的自动驾驶系统建立有通信连接，可通过有线方式或无线方式建立连接，无线方式可以为wi-fi、zigbee、蓝牙等连接方式。
首先，通过预设传感器获取当前时刻的车辆运动状态观测数据。具体地，无人驾驶车辆在行驶的过程中，从imu传感器获取其在当前时刻t所测得的车辆运动状态观测数据。
步骤s20，基于预设第一模型，确定当前时刻的车辆运动状态预测数据；
由于imu传感器所测得的航向角度观测值、航向角速度观测值和航向角加速度观测值，与真实值之间存在差异，那么通过航向角度观测值而计算的车辆位姿也就存在较大误差，车辆位姿是指车辆的位置和姿态，为此，本实施例对航向角度观测值进行优化，还要利用imu传感器所测得的航向角速度观测值和航向角加速度观测值，对imu传感器所测得的航向角速度观测值和航向角加速度观测值也进行优化，充分利用imu传感器所测得的数据，来提升车辆位姿的精确度。本实施例将对航向角度观测值、航向角速度观测值和航向角加速度观测值进行优化而得的数据定义为车辆运动状态优化数据，即车辆运动状态优化数据包括航向角度优化值、航向角速度优化值和航向角加速度优化值。
对航向角度观测值、航向角速度观测值和航向角加速度观测值进行优化，首先要对无人驾驶车辆的航向角度、航向角速度和航向角加速度进行预测，将对无人驾驶车辆的航向角度、航向角速度和航向角加速度进行预测而得的数据定义为车辆运动状态预测数据，即车辆运动状态优化数据包括航向角度预测值、航向角速度预测值和航向角加速度预测值。车辆运动状态预测数据可通过用于计算车辆运动状态预测数据的模型得到，该模型为状态空间与观测空间模型，定义为第一模型。
具体地，自动驾驶系统获取t-1时刻的车辆运动优化数据，将t-1时刻的车辆运动优化数据输入状态空间与观测空间模型，即可得到当前时刻t的车辆运动状态预测数据。
步骤s30，将所述当前时刻的车辆运动状态观测数据和预测数据，输入预设第二模型，得到当前时刻的车辆运动状态优化数据；
而当前时刻t的运动状态优化数据，则基于当前时刻t的车辆运动状态观测数据和预测数据，结合自动驾驶系统中预先建立的无损卡尔曼滤波模型(定义为第二模型)得到。无损卡尔曼滤波模型是通过无损变换使非线性系统方程适用于线性假设下的标准卡尔曼滤波体系。无损卡尔曼滤波模型的建立可参照现有技术，此处不再赘述。具体地，自动驾驶系统将得到的当前时刻t的车辆运动状态观测数据和预测数据，输入无损卡尔曼滤波模型，即可获得当前时刻t的车辆运动状态优化数据。
步骤40，根据所述当前时刻的车辆运动状态优化数据，确定所述车辆的当前位姿。
之后，自动驾驶系统即可根据当前时刻t的车辆运动状态优化数据，确定车辆在t时刻的位姿。
那么，在t+1时刻，自动驾驶系统获取t+1时刻的车辆运动状态观测数据，以及t时刻的车辆运动状态优化数据，然后将t时刻的车辆运动状态优化数据输入状态空间与观测空间模型，得到t+1时刻的车辆运动状态预测数据，之后，将t+1时刻的车辆运动状态观测数据和预测数据输入无损卡尔曼滤波模型，即可得到t+1时刻的车辆运动状态优化数据，由此，计算t+1时刻的车辆位姿，以此类推，自动驾驶系统可获得任意时刻的车辆位姿，来评估无人驾驶车辆车辆实际行驶路线与期望行驶路线间的差异。
在本实施例中，通过预设传感器获取当前时刻的车辆运动状态观测数据；基于预设第一模型，确定当前时刻的车辆运动状态预测数据；将所述当前时刻的车辆运动状态观测数据和预测数据，输入预设第二模型，得到当前时刻的车辆运动状态优化数据；根据所述当前时刻的车辆运动状态优化数据，确定所述车辆的当前位姿。通过上述方式，本实施例通过对车辆运动状态观测数据进行优化，使其更接近于车辆运动状态的真实值，进而基于车辆运动状态优化数据确定车辆位姿，提升了车辆位姿的精确度。
本发明车辆位姿确定方法第二实施例提供一种车辆位姿确定方法，基于上述图2所示的实施例，步骤s10之后，可以包括：
步骤s50，建立第一模型，所述第一模型用于计算当前时刻的车辆运动状态预测数据。
第一模型(状态空间与观测空间模型)可通过自动驾驶系统获取的初始时刻和初始时刻后的车辆运动状态观测数据进行建立，基于这些运动状态观测数据构建恒定转率和速度模型，恒定转率和加速度模型，从而建立第一模型。具体建模过程可参照现有技术，此处不再赘述。
参照图3，本发明车辆位姿确定方法第三实施例提供一种车辆位姿确定方法，基于上述图2所示的实施例，步骤s20，可以包括：
步骤s21，获取当前时刻前一时刻的车辆运动状态优化数据；
步骤s22，将所述当前时刻前一时刻的车辆运动状态优化数据，输入预设第一模型，得到当前时刻的车辆运动状态预测数据。
由前述可知，要得到当前时刻的车辆运动状态优化数据，需结合当前时刻车辆运动状态观测数据和预测数据。车辆运动状态预测数据则要根据当前时刻前一时刻的车辆运动状态优化数据得到，本实施例的自动驾驶系统获取当前时刻前一时刻的车辆运动状态优化数据，将其输入状态空间与观测空间模型，即可得到当前时刻的车辆运动状态预测数据。
参照图4，本发明车辆位姿确定方法第三实施例提供一种车辆位姿确定方法，基于上述图2和图3所示的实施例，步骤s40，可以包括：
步骤s41，基于预设转换模型，将所述当前时刻的车辆运动状态优化数据，转换为所述车辆的当前位姿。
在本实施例中，自动驾驶系统中预先设置有解算车辆位姿的模型，该模型是基于空间大地直角坐标系的转换模型，可用于解算无人驾驶车辆的位姿，具体解算过程可参照现有技术，此处不再赘述。具体地，自动驾驶系统通过无损卡尔曼滤波模型得到t时刻的车辆运动状态优化数据后，将车辆运动状态优化数据输入基于空间大地直角坐标系的转换模型，即可得到无人驾驶车辆的位姿。通过车辆运动状态优化数据解算出的车辆位姿，相比于直接采用imu传感器所测得的车辆运动状态观测数据而解算出的车辆位姿，精确度得到提升。
此外，本发明实施例还提出一种计算机可读存储介质。
本发明计算机可读存储介质上存储有车辆位姿确定程序，所述车辆位姿确定程序被处理器执行时实现如下操作：
通过预设传感器获取当前时刻的车辆运动状态观测数据；
基于预设第一模型，确定当前时刻的车辆运动状态预测数据；
将所述当前时刻的车辆运动状态观测数据和预测数据，输入预设第二模型，得到当前时刻的车辆运动状态优化数据；
根据所述当前时刻的车辆运动状态优化数据，确定所述车辆的当前位姿。
进一步地，所述车辆位姿确定程序被处理器执行时还实现如下操作：
建立第一模型，所述第一模型用于计算当前时刻的车辆运动状态预测数据。
进一步地，所述车辆位姿确定程序被处理器执行时还实现如下操作：
获取当前时刻前一时刻的车辆运动状态优化数据；
将所述当前时刻前一时刻的车辆运动状态优化数据，输入预设第一模型，得到当前时刻的车辆运动状态预测数据。
进一步地，所述车辆位姿确定程序被处理器执行时还实现如下操作：
基于预设转换模型，将所述当前时刻的车辆运动状态优化数据，转换为所述车辆的当前位姿。
其中，本发明计算机可读存储介质上存储的车辆位姿确定程序被处理器执行时的具体实施例与上述车辆位姿确定方法各实施例基本相同，在此不作赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。