毫米波雷达与高精矢量地图匹配的车道级定位方法与系统与流程

本发明实施例涉及智能驾驶技术领域，尤其涉及一种毫米波雷达与高精矢量地图匹配的车道级定位方法与系统。

背景技术：

车道级定位是提高l2-l3级智能驾驶汽车安全性的必要手段，智能驾驶汽车需要结合自车在当前道路内的车道，完成变道、超车等功能。缺少车道级定位功能，有可能会导致智能车撞击路侧、错过分岔路口。

现有较为成熟的定位方法包括gps/rtk定位、视觉匹配定位、激光雷达匹配定位。1)gps/rtk定位：复杂环境下存在遮挡和干扰，定位场景受限。由于地图存在偏移，gps/rtk定出的绝对位置无法与地图的位置精确关联。2)基于视觉匹配定位方式：容易受到逆光环境、雨雪的影响，对天气的适应力不足，计算复杂。3)基于激光雷达的定位方式：需要高成本激光雷达，5年时间内很难在实际量产车上使用。且激光雷达定位图层数据量十分庞大，难以在实际量产车中存储和动态更新。若不高频率更新，遇到修路等导致的场景变化时定位会失效。

因此，现在亟需一种新的车道级定位方法来解决上述问题。

技术实现要素：

为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种毫米波雷达与高精矢量地图匹配的车道级定位方法与系统

第一方面本发明实施例提供毫米波雷达与高精矢量地图匹配的车道级定位方法，包括：

基于毫米波雷达测量数据，识别道路边界；

将所述道路边界在高精矢量地图上进行地图匹配，得到车辆在地图上的横纵向位置；

将所述车辆在地图上的横纵向位置作为当前车道的定位结果。

其中，在所述基于毫米波雷达测量数据，识别道路边界之前，所述方法还包括：

对所述车辆进行初始标定，并根据gps数据初步确定所述车辆的位置。

其中，所述基于毫米波雷达测量数据，识别道路边界包括：

根据传感器的标定参数，对一帧毫米波雷达测量数据进行校正；

根据毫米波雷达探测时刻车辆的位置姿态，对毫米波雷达测量数据进行校正；

将毫米波雷达测量数据拼接；

基于训练后的神经网络，对毫米波雷达测量数据进行分类，从毫米波雷达测量数据中识别出道路边界。

其中，包括：

生成二维栅格地图；

使用反算后2d的毫米波数据与所述二维栅格匹配，寻找每个点最近的道路边界栅格位置，并记录得到每一个点与最近道路边界位置的对应集合；

基于svd分解法，根据坐标位置和匹配位置两组数据集，计算得到车辆在地图中的横纵向位置。

其中，所述方法还包括：

基于adas相机，识别道路交通标示；

将所述道路交通标示和所述高精矢量地图上进行地图匹配，提升车辆的纵向定位精度。

其中，所述基于adas相机，识别道路交通标示，包括：

根据相机曝光时刻的车辆位姿，反算毫米波雷达道路边界点集在车辆坐标系下的坐标；

使用毫米波道路边界点集拟合道路边界曲线，结合相机的外参，将该道路边界线投影到adas相机图像上，并计算标记好每一个投影点在车辆坐标系下的坐标；

计算adas相机识别到交通标示的中心像素坐标xmark,ymark；

在投影了道路边界线的图像上，寻找离xmark,ymark最近的投影点，以该点在车辆坐标系下的坐标作为交通标示的局部坐标系坐标；

根据车辆位姿、交通标示在局部坐标系下的位置，计算交通标示在大地坐标系下的坐标xmark,ymark。

其中，所述将所述道路交通标示和所述高精矢量地图上进行地图匹配，提升车辆的纵向定位精度，包括：

根据车辆的位置和方向，将局部高精度地图元素的位置由绝对坐标计算到车辆自车坐标系下坐标；

根据车辆距交通标示的距离，计算车辆在局部地图的纵向位置差；

根据纵向位差修正车辆的位置。

第二方面本发明实施例提供了毫米波雷达与高精矢量地图匹配的车道级定位系统，包括：

毫米波雷达识别模块，用于基于毫米波雷达测量数据，识别道路边界；

地图匹配模块，用于将所述道路边界在高精矢量地图上进行地图匹配，得到车辆在地图上的横纵向位置；

定位模块，用于将所述车辆在地图上的横纵向位置作为当前车道的定位结果。

第三方面本发明实施例提供了一种电子设备，包括：

处理器、存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述毫米波雷达与高精矢量地图匹配的车道级定位方法。

第四方面本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述的毫米波雷达与高精矢量地图匹配的车道级定位方法。

本发明实施例提供的毫米波雷达与高精矢量地图匹配的车道级定位方法及系统，基于智能汽车上毫米波雷达测量数据识别道路边界，并与高精度地图匹配得到车辆在地图上的横纵向位置，定位精度高且推广性较强。

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一简单地介绍，显而易见地，下面描述中的附图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毫米波雷达与高精矢量地图匹配的车道级定位方法流程示意图；

图2是本发明实施例提供的方案完整算法流程图；

图3是本发明实施例提供的传感器标定示意图；

图4是本发明实施例提供的一种毫米波雷达与高精矢量地图匹配的车道级定位系统结构示意图；

图5是本发明实施例提供的电子设备的结构框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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地描述，显然，所描述的实施例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做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。

图1是本发明实施例提供的一种毫米波雷达与高精矢量地图匹配的车道级定位方法流程示意图，包括：

101、基于毫米波雷达测量数据，识别道路边界；

102、将所述道路边界在高精矢量地图上进行地图匹配，得到车辆在地图上的横纵向位置；

103、将所述车辆在地图上的横纵向位置作为当前车道的定位结果。

需要说明的是，目前l2-l3级智能驾驶汽车普遍配备了毫米波雷达、gps、视觉相机，并且由于毫米波不受环境/场景影响，能够在各种室外环境下/天气下正常工作，因此以毫米波匹配为主的定位方式可满足各种环境和场景下的定位需求。且毫米波雷达能对目标进行5-15cm精度的测量，对道路探测中误差为厘米级，因此毫米波与地图匹配后的横向定位精度可达5-10cm级，足以满足智能汽车安全的控制需求。使用矢量高精度地图的方式保证了地图数据规模可控，能够在智能车上存储全国范围地图、实现高频次动态更新，故而本发明实施例提供的方案能够直接应用在智能车系统中。

其中，具体的，本发明实施例以gps作为系统定位约束，基于智能汽车上毫米波雷达测量数据识别道路静态要素，即本发明实施例中所述的道路边界，并与高精度地图匹配得到车辆在地图上的横纵向位置，即为具备确定当前车道的定位结果，即本发明实施例中所述的车道级定位。图2是本发明实施例提供的方案完整算法流程图，参照图2的算法流程能够实施得到本发明任一实施例所提供的方案，具体的如何定位可参见后续实施例内容，本发明实施例在此不再赘述。

本发明实施例提供的毫米波雷达与高精矢量地图匹配的车道级定位方法，基于智能汽车上毫米波雷达测量数据识别道路边界，并与高精度地图匹配得到车辆在地图上的横纵向位置，定位精度高且推广性较强。

在上述实施例的基础上，在所述基于毫米波雷达测量数据，识别道路边界之前，所述方法还包括：

对所述车辆进行初始标定，并根据gps数据初步确定所述车辆的位置。

可以理解的是，在对毫米波雷达测量数据之前本发明实施例需要标定坐标系和初始化位置。图3是本发明实施例提供的传感器标定示意图，参照图3，具体的，本发明实施例需要对传感器进行初始标定。主要包括定义车辆坐标系，将车辆底盘中心点作为车辆坐标系，车头方向为y轴、车右位x轴、正上方为z轴的右手坐标系。gps标定，主要包括量测gps天线中心与车辆中心的位置偏差，得到车辆坐标系下的坐标(xg,yg)，毫米波雷达标定，主要包括量测毫米波雷达传感器中心在车辆坐标系下的位置(xr,yr)，进一步的，本发明实施例还需要标定毫米波雷达姿态，主要包括在一个平坦的有栅栏道路上，调整车辆与栅栏平行。车辆朝前运动20m，记录毫米波在车辆运动前后的两帧数据。以车辆位置校正两帧毫米波雷达数据，并将数据拼接到一起，调整姿态角直至拼接结果中两帧数据中栅栏连线重合。

进一步的，本发明实施例需要初始化车辆的位置，主要包括根据gps的位置信息根据gps的位置确定智能车的大致位置，并基于gps的运动状态和轨迹信息确定所处道路；在gps得到的速度信息约束性，区分在辅道/主道、高速/普通道路；若上述两个步骤筛选后依然无法确定在相邻两条道路的哪一条，则基于gps的轨迹信息进行曲线拟合，与两条道路中心线进行对比，以匹配效果最好的道路作为车辆所处道路；根据gps多次测量得到的运动，计算车道在所处道路上的运动方向。

在上述实施例的基础上，所述基于毫米波雷达测量数据，识别道路边界包括：

根据传感器的标定参数，对一帧毫米波雷达测量数据进行校正；

根据毫米波雷达探测时刻车辆的位置姿态，对毫米波雷达测量数据进行校正；

将毫米波雷达测量数据拼接；

基于训练后的神经网络，对毫米波雷达测量数据进行分类，从毫米波雷达测量数据中识别出道路边界。

本发明实施例能够由毫米波雷达数据识别出道路边界，具体的，本发明实施例的识别过程包括：

首先根据传感器的标定参数，将的某一时刻位置，对一帧毫米波雷达数据进行校正，校正公式如下：

其中，xr,yr为车辆的地理位置，h为传感器与车头方向的夹角。x,y为目标在毫米波传感器坐标系下的坐标。

然后根据毫米波雷达探测时刻车辆的位置姿态，对毫米波雷达数据进行校正，校正公式如下：

其中，xcar,ycar为车辆的地理位置，θ为车辆当前航向角。x0,y0为目标在车辆坐标系下的坐标。

接着进行毫米波雷达数据拼接，对任意一个毫米波雷达，将2s内的40帧数据(2s*20hz＝40帧)分别进行校正，并根据校正后的位置拼接为一个整体数据。最后将所有毫米波雷达数据拼接为一个整体数据，数据包括点的位置、测速信息、回波强度信息。

最后扫描数据的位置、速度、强度等信息为参数，使用训练好的神经网络对毫米波雷达进行分类，从毫米波数据中识别出道理边界。

在上述实施例的基础上，所述将所述道路边界在高精矢量地图上进行地图匹配，得到车辆在地图上的横纵向位置，包括：

生成二维栅格地图；

使用反算后2d的毫米波数据与所述二维栅格匹配，寻找每个点最近的道路边界栅格位置，并记录得到每一个点与最近道路边界位置的对应集合；

基于svd分解法，根据坐标位置和匹配位置两组数据集，计算得到车辆在地图中的横纵向位置。

可以理解的是，本发明实施例提供了一个高精矢量地图进行匹配，匹配过程具体为：

首先生成二维栅格地图：创建10cm的二维栅格，栅格地理中心为当前车辆位置。将道路边界形点线投影到二维栅格上。

然后使用反算后2d的毫米波数据与地图匹配，寻找每个点最近的道路边界栅格位置，并记录得到每一个点与最近道路边界位置的对应集合；

接着使用svd分解，根据坐标位置和匹配位置两组数据集，计算得到车辆在地图中的位置(包括xy位置、车辆航向)。由于左右道路边界探测足够准备，因此该定位结果即为车道级定位结果。

需要说明的是，对于匝道附近区域的车辆，由于沿车道方向道路边界有明显的特征，此时使用毫米波匹配得到较为精确的横纵向位置，但对于直道或弯道区域，由于沿车道方向上道路边界没有特征，此时使用毫米波匹配得到的位置在纵向上精度不高。

为了解决纵向上精度不高的问题，所述方法还包括：

基于adas相机，识别道路交通标示；

将所述道路交通标示和所述高精矢量地图上进行地图匹配，提升车辆的纵向定位精度。

可以理解的是，本发明实施例为了进一步提高车辆的纵向定位精度，可使用adas相机识别的交通标示与地图匹配，提升智能车的纵向定位精度。

具体的，所述基于adas相机，识别道路交通标示，包括：

首先根据相机曝光时刻的车辆位姿，反算毫米波雷达道路边界点集在车辆坐标系下的坐标，计算公式为：

然后使用毫米波道路边界点集拟合道路边界曲线，结合相机的外参，将该道路边界线投影到adas相机图像上，并计算标记好每一个投影点在车辆坐标系下的坐标；

接着计算adas相机识别到交通标示的中心像素坐标xmark,ymark；

紧接着在投影了道路边界线的图像上，寻找离xmark,ymark最近的投影点，以该点在车辆坐标系下的坐标作为交通标示的局部坐标系坐标；

最后根据车辆位姿、交通标示在局部坐标系下的位置，计算交通标示在大地坐标系下的坐标xmark,ymark。

可以理解的是，本发明实施例可以根据在交通标示的大地坐标位置，并从地图中搜索相应区域内、道路同侧、同类型、同高度的交通标示，若匹配成功，则记录下地图中交通标示的位置。

在上述实施例的基础上，所述将所述道路交通标示和所述高精矢量地图上进行地图匹配，提升车辆的纵向定位精度，包括：

具体的位姿修正过程如下：

首先根据车辆的位置和方向，将局部高精度地图元素的位置由绝对坐标计算到车辆自车坐标系下坐标(xmap-mark,ymap-mark)；

然后根据车辆距交通标示的距离，计算车辆在局部地图的纵向位置差：

δl＝ymap-mark-ymark；

最后根据纵向位差修正车辆的位置：

从而完成纵向位差修正。

可以理解的是，为了对位姿进行持续输出，本发明实施例会构建一个卡尔曼位姿滤波模型，将速度、转角、转率、加速度、位姿、航向角纳入车辆运动模型。然后将纵向位差修正后的数据或者是未进行位差修正的定位数据输入卡尔曼方程，更新模型中车辆位姿。最后在需要获取位姿时，获取can网络传输的车身信息(速度、转角、转率、加速度)，输入卡尔曼方程，预测车辆当前位姿。从而完成持续的车辆位姿输出。

综上所述，本发明实施例提供的毫米波雷达与高精矢量地图匹配的车道级定位方法具有如下优势:

首先该方案的社会价值显著，由于现有定位技术的不可靠性或高成本，量产型智能驾驶汽车普遍未搭载车道级定位方案，安全性不高、自动驾驶场景受限。本专利所述方法提供了一种低成本、高可靠性的车道级定位方案，能够提升智能驾驶汽车安全性和可靠性。

其次该方案的使用可行性较高，现有的基于毫米波雷达定位方法(如博世的roadsignature)，使用特征级地图作为匹配源，数据量达100kb/每公里，而本专利所述方法使用语义地图，仅5kb/每公里，数据量小，在同样的内存空间下可存储更大范围的地图，降低了硬件需求、且能够实现地图的实时更新，提高了使用体验和量产可行性。

并且该方案定位精度高，通过毫米波雷达可实现对道路边界5cm精度的重复探测，车辆横向定位精度可达5cm，纵向定位精度可达10-15cm。而现有基于视觉的车道级定位方案，横向定位普遍10cm、纵向定位30-100cm，相比而言精度更高。

最后该方案环境适应性可靠、经济性高、推广性好，使用车载毫米波雷达作为定位的主传感器，相比gps定位、视觉定位、激光雷达定位，由于毫米波雷达具有全天候都能正常工作的优点，不受光照、阴影、高楼遮挡、信号干扰等影响。因此，基于毫米波为主传感器的定位系统，能够满足智能驾驶汽车在各种场景、环境、天气下都可靠工作的严格需求。并且毫米波雷达是智能驾驶汽车普遍配备的传感器之一，本专利所述方法仅需在车上加载一个百元级ecu即可完成定位，在显著改善智能驾驶汽车安全性的同时，不涉及车辆外观的改装、不显著增加车辆硬件成本，在智能汽车的前装和后装市场上具有广阔的市场前景。

图4是本发明实施例提供的一种毫米波雷达与高精矢量地图匹配的车道级定位系统结构示意图，如图4所示，包括：毫米波雷达识别模块401、地图匹配模块402以及定位模块403，其中：

毫米波雷达识别模块401用于基于毫米波雷达测量数据，识别道路边界；

地图匹配模块402用于将所述道路边界在高精矢量地图上进行地图匹配，得到车辆在地图上的横纵向位置；

定位模块403用于将所述车辆在地图上的横纵向位置作为当前车道的定位结果。

具体的如何通过毫米波雷达识别模块401、地图匹配模块402以及定位模块403对毫米波雷达与高精矢量地图匹配的车道级定位可用于执行图1所示的毫米波雷达与高精矢量地图匹配的车道级定位方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

本发明实施例提供的毫米波雷达与高精矢量地图匹配的车道级定位系统，基于智能汽车上毫米波雷达测量数据识别道路边界，并与高精度地图匹配得到车辆在地图上的横纵向位置，定位精度高且推广性较强。

本发明实施例提供一种电子设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：

图5是本发明实施例提供的电子设备的结构框图，参照图5，所述电子设备，包括：处理器(processor)501、通信接口(communicationsinterface)502、存储器(memory)503和总线504，其中，处理器501，通信接口502，存储器503通过总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令，以执行如下方法：基于毫米波雷达测量数据，识别道路边界；将所述道路边界在高精矢量地图上进行地图匹配，得到车辆在地图上的横纵向位置；将所述车辆在地图上的横纵向位置作为当前车道的定位结果。

本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：基于毫米波雷达测量数据，识别道路边界；将所述道路边界在高精矢量地图上进行地图匹配，得到车辆在地图上的横纵向位置；将所述车辆在地图上的横纵向位置作为当前车道的定位结果。

本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：基于毫米波雷达测量数据，识别道路边界；将所述道路边界在高精矢量地图上进行地图匹配，得到车辆在地图上的横纵向位置；将所述车辆在地图上的横纵向位置作为当前车道的定位结果。

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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。