一种车道级定位方法、装置、系统和相关设备与流程

1.本发明涉及智能交通技术领域，特别涉及一种车道级定位方法、装置、系统和相关设备。


背景技术：

2.在智能交通技术中，为了实现自动驾驶或智能辅助驾驶，都需要准确的定位车辆的位置。目前，对车辆进行定位的方法大多是依赖全球导航卫星系统和惯性导航系统，一方面，这些系统的定位精度无法达到智能交通所需要的车道级定位精度，另一方面，当这些系统在某些环境下失去信号后，将无法继续定位车辆的位置。
3.现有能够实现车辆的车道级定位的方式有：基于载波相位差分技术也称为实时动态差分(real-time kinematic，简称：rtk)技术的定位、基于移动眼(mobileye)视觉硬件等的视觉感知技术的定位、以及基于激光探测测距(light detection and ranging，简称：lidar)技术的定位等。但这些定位方式都是基于单一的方式对车辆所在的车道进行定位，也不能达到自动驾驶和智能辅助驾驶所需要的定位精度，且由于采用单一定位方式，不能满足不同级别的定位要求以及不能适应不同场景的鲁棒性，且对主辅路识别的准确率和召回率也比较低。其中，所述鲁棒性是指在不同情境下的稳定性，如不同的外部条件、天气条件，又如隧道、高架桥、峡谷与城市等不同场景。
4.因此，现有的车辆定位技术定位精度和适应性都不能满足自动驾驶和智能辅助驾驶的定位需求，因此如何准确的定位车辆位置、实现车道级的精准定位成为亟待解决的技术问题。


技术实现要素：

5.鉴于现有技术中存在的技术缺陷和技术弊端，本发明实施例提供克服上述问题或者至少部分地解决上述问题的一种车道级定位方法、装置、系统和相关设备。
6.作为本发明实施例的一个方面，涉及一种车道级定位方法，可以包括：
7.定位车辆的当前位置，在所述当前位置周围随机生成预定数量的位置点；
8.根据所述位置点的位置、电子地图的误差和从地图数据中获取的各车道的位置范围，确定每个所述位置点位于各车道的第一概率；
9.获取至少两种感知技术感知到的车辆所在车道的两侧车道线线型和到两侧车道线的距离，与从地图数据中获取的每个所述位置点所在车道的两侧车道线线型和到两侧车道线的距离进行匹配，确定每个所述位置点位于各车道的第二概率；
10.根据所述第一概率和所述第二概率确定各所述位置点位于各车道的最终概率，确定所述最终概率最大的车道为所述车辆所在的车道。
11.作为本发明实施例的另一方面，涉及一种车道级定位装置，可以包括：
12.当前位置获取模块，用于定位车辆的当前位置；
13.位置点生成模块，用于在所述当前位置周围随机生成预定数量的位置点；
14.第一概率确定模块，用于根据所述位置点的位置、电子地图的误差和从地图数据中获取的各车道的位置范围，确定每个所述位置点位于各车道的第一概率；
15.第二概率确定模块，用于获取至少两种感知技术感知到的车辆所在车道的两侧车道线线型和到两侧车道线的距离，与从地图数据中获取的每个所述位置点所在车道的两侧车道线线型和到两侧车道线的距离进行匹配，确定每个所述位置点位于各车道的第二概率；
16.车道确定模块，用于根据所述第一概率和所述第二概率确定各所述位置点位于各车道的最终概率，确定所述最终概率最大的车道为所述车辆所在的车道。
17.作为本发明实施例的第三方面，涉及一种车辆定位系统，可以包括：服务器、车载定位终端和感知终端；
18.所述感知终端，用于感知车辆所在车道的两侧车道线线型和到两侧车道线的距离；
19.所述车载定位终端用于定位车辆的当前位置；
20.所述服务器包括上述第二方面的车道级定位装置。
21.作为本发明实施例的第四方面，涉及一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现上述车道级定位方法。
22.作为本发明实施例的第五方面，涉及一种计算机设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如上述车道级定位方法。
23.本发明实施例至少实现了如下技术效果：
24.在定位出的车辆当前位置周围随机生成预定数量的位置点，针对每个位置点分别确定其可能是真实车辆位置的概率，在确定概率时，基于电子地图误差、至少两种感知技术感知到的车辆所在车道的两侧车道线线型和到两侧车道线的距离等多种方式分别确定每种方式下各位置点可能是车辆真实位置的概率，并融合多种方式得到的概率，得到最终概率，基于最终概率定位出车辆的位置。克服了采用单一方式定位时准确率低的问题，提高了车辆定位的定位精度，实现了车道级的精准定位，且能够适应不同场景不同级别的定位需求，减少了外部因素对定位准确性的影响，提高了不同场景下车辆定位的鲁棒性，同时也提高了主辅路识别的准确率和召回率。
25.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所记载的结构来实现和获得。
26.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
27.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
28.图1为本发明实施例提供的车道级定位方法的流程图；
29.图2为dr技术原理说明图；
30.图3为图1中步骤s11实现的具体流程图；
31.图4为本发明实施例中随机生成位置点的举例示意图；
32.图5为步骤s13实现的具体流程图；
33.图6为各个位置点的横向位置范围确定第一概率的举例示意图；
34.图7为步骤s14第一种方式实现的具体流程图；
35.图8为步骤s14中确定线型概率和距离概率的示意图；
36.图9为步骤s14第二种方式实现的具体流程图；
37.图10为本发明实施例提供的车道级定位装置的结构示意图；
38.图11为本发明实施例提供的车道级定位系统的结构示意图。
具体实施方式
39.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
40.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
41.本实施例提供一种车道级定位方法，参照图1所示，该方法可以包括以下步骤：
42.步骤s11、定位车辆的当前位置。
43.对车辆进行初步定位，获得车辆的当前位置。可以选择两种以上的定位技术对车辆进行初步定位，并对初步定位位置进行融合处理，得到车辆的当前位置。
44.步骤s12、在当前位置周围随机生成预定数量的位置点。
45.基于预设的估计算法，在当前位置周围生成预设数量的位置点，这些位置点可以以高斯分布来设定，每个位置点都可能是车辆所在的位置，本发明实施例是通过计算位置点位于每个车道的概率以及车辆与每个位置点匹配的概率，进而求得融合后的最高概率值来定位车辆位置。
46.步骤s13、根据位置点的位置、电子地图的误差和从地图数据中获取的各车道的位置范围，确定每个位置点位于各车道的第一概率。
47.该步骤是由于空间坐标投影到电子地图上具有一定的误差，所以导致车辆当前位置生成的位置点在每个车道的均会存在误差偏移，本步骤是计算每个位置点位于各车道的概率。
48.步骤s14、获取至少两种感知技术感知到的车辆所在车道的两侧车道线线型和到两侧车道线的距离，与从地图数据中获取的每个位置点所在车道的两侧车道线线型和到两侧车道线的距离进行匹配，确定每个位置点位于各车道的第二概率。
49.由于目前的感知技术均有一定的误差，所以识别出的车辆所在车道的两侧车道线线型均有一定的误差，到两侧车道线的距离可以识别，但是不会与每个位置点到两侧距离均相等。匹配的时候会存在匹配概率，本步骤是计算每个位置点位于各车道时与车辆匹配上的概率。
50.上述步骤s13和步骤s14执行顺序不分先后，先执行步骤s13后执行步骤s14，或者先执行步骤s14后执行步骤s13，或者同时执行步骤s13和步骤s14均可以，本发明实施例对此不作具体限定。
51.步骤s15、根据第一概率和第二概率确定各位置点位于各车道的最终概率。
52.步骤s16、确定最终概率最大的车道为车辆所在的车道。
53.本发明实施例在定位出的车辆当前位置周围随机生成预定数量的位置点，针对每个位置点分别确定其可能是真实车辆位置的概率，在确定概率时，基于电子地图误差、至少两种感知技术感知到的车辆所在车道的两侧车道线线型和到两侧车道线的距离等多种方式分别确定每种方式下各位置点可能是车辆真实位置的概率，并融合多种方式得到的概率，得到最终概率，基于最终概率定位出车辆的位置。克服了采用单一方式定位时准确率低的问题，提高了车辆定位的定位精度，实现了车道级的精准定位，且能够适应不同场景不同级别的定位需求，减少了外部因素对定位准确性的影响，提高了不同场景下车辆定位的鲁棒性，同时也提高了主辅路识别的准确率和召回率。
54.本发明实施例上述步骤的详细说明如下：
55.上述步骤s11中，定位车辆的当前位置，可以通过多种方式实现，例如通过gps导航、北斗导航进行定位，也可以通过基于惯性运动测量原理的航位推算定位技术(dead reckoning，简称dr定位)定位出车辆的当前位置。为了避免这些定位方式在某些特定环境下无法正常接收信号，本发明实施例通过至少两种定位技术确定车辆的当前位置。
56.具体的本步骤实现方式如下：基于选择的至少两种定位技术确定车辆的至少两个初步定位位置，采用预设的位置融合方融合至少两个初步定位位置，得到车辆的当前位置。
57.本发明实施例通过载波相位差分技术(也称为实时动态差分技术，real-time kinematic，简称rtk)确定车辆的一种初步定位位置，其中rtk技术是指一种新的常用的gps测量方法。在rtk技术以前的静态、快速静态、动态测量都需要事后进行解算才能获得厘米级的精度，而rtk技术是能够在野外实时得到厘米级定位精度的测量方法，它能实时提供观测点的三维坐标，并达到厘米级的高精度，与伪距差分原理相同，由基准站通过数据链实时将其载波观测量及站坐标信息一同传送给用户站。用户站接收gps卫星的载波相位与来自基准站的载波相位，并组成相位差分观测值进行实时处理，能实时给出厘米级的定位结果。
58.本发明实施例通过dr定位技术确定车辆的另一种初步定位位置，dr定位技术与我们传统所熟知的通过采用gps模块接收导航卫星数据定位不同的是，dr定位是依靠对真实运动的测量来演算出目标的位置和轨迹的，因此，受环境影响因素小，能很好的弥补在某些gps信号接收不良或丢失情况下的定位状况。但是，与大多算法一样，由于定位传感器本身有误差，所以定位的结果随着时间的推演会逐步发散，最终定位不准确。
59.具体的，可以先通过rtk技术或gps系统确定所述车辆的前一时刻位置作为所述车辆的初始位置。例如，用户驾驶车辆时，在卫星信号不稳定的时候，将测得的卫星信号不稳定前一时刻的卫星定位信号作为所述车辆的初始位置，记为(x0,y0)。
60.然后，根据所述车辆上的惯性传感器的感测数据确定所述车辆从所述初始位置开始的行驶方向和行驶距离。其中，所述惯性传感器是一种传感器，主要是检测和测量加速度、倾斜、冲击、振动、旋转和多自由度(dof)运动，是解决导航、定向和运动载体控制的重要部件。例如，常用的惯性传感器如陀螺仪、加速度计等，通过获得车辆的角速度、线速度等数
据，然后通过积分获得车辆的位置信息。
61.最后，根据所述初始位置及所述行驶方向和行驶距离确定所述第一当前位置。如图2所示，通过上述惯性传感器可以获得车辆在行驶过程中的行驶距离s0，s1，s2，s3……
以及行驶方向的角度值θ、角度的变化值
△
θ0、
△
θ1、
△
θ2、
△
θ3……
；因为车辆初始位置(x0,y0)是已知的，可以通过以下公式计算出所述车辆的在各个点的坐标(x1,y1)、(x2,y2)等，进而算出第一当前位置的坐标为(x
d
,y
d
)。
62.x1＝x0+s0*sinθ0；x2＝x1+s1*sinθ163.y1＝y0+s0*cosθ0；y2＝y1+s1*cosθ164.θ1＝θ0+
△
θ0；θ2＝θ1+
△
θ1[0065][0066]
θ
k
＝θ
k-1
+
△
θ
k-1
k＝1,2,3
……
[0067]
本发明实施例中，将上述通过rtk技术和dr技术得到的绝对定位的初步定位位置采用预选的位置融合方式进行融合处理，例如，采用卡尔曼滤波技术进行融合处理，参照图3所示，具体的可以包括以下步骤：
[0068]
步骤s111、根据各初步定位位置的方差，确定卡尔曼增益系数。
[0069]
所述卡尔曼滤波(kalman filtering)一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。所述融合是指采用kalman滤波技术将两种不同的数据结合到一起获得最大适量化的数据，是kalman滤波利用目标的动态信息，设法去掉噪声的影响，得到一个关于目标位置的最优估计，这个估计可以是对当前目标位置的估计(滤波)，也可以是对于将来位置的估计(预测)，也可以是对过去位置的估计(插值或平滑)。
[0070]
例如，通过上述rtk定位技术确定车辆的一种初步定位位置的坐标为(x
r
,y
r
)，通过dr定位技术确定车辆的另一种初步定位位置的坐标为(x
d
,y
d
)，通过kalman滤波将(x
d
,y
d
)与(x
r
,y
r
)融合后的位置坐标为(x
k
,y
k
)。具体的，可以先根据第一种初步定位位置的方差和第二种初步定位位置的方差确定卡尔曼增益系数。其中，所述卡尔曼增益系数(也称为“经验型卡尔曼滤波”)是指根据经验能知道哪些条件下传感器数据的方差大，哪些条件下方差小，从而改变增益系数。
[0071]
例如，所述卡尔曼增益系数记为k
i
，卡尔曼增益系数可以通过以下公式获得：k
i
＝(p
i-1
+q)/(p
i-1
+q+r)。其中，p i-1
是上一次估计值的方差，q是高斯噪声的方差，r是测量值的方差，q和r都是常数。由上述公式可知，k是由两类方差的比值决定的，因为q，r都是常数，所以上一次估计值的方差起决定性作用，如果上一次估计完以后发现方差很大，说明估计的不太靠谱，在这个公式中易知k会随之变大更接近1，结合上一个公式，测量值所占比值就会更大，也就是说这一次的估计值更信任测量值。
[0072]
步骤s112、使用卡尔曼增益系数对每个初步定位位置进行权重分配。
[0073]
使用卡尔曼增益系数对第一种初步定位位置和第二种初步定位位置进行权重分配得到融合后为：x
i
＝(1-k
i
)x
i-1
+k
i
*z
i
，该融合后的位置的方差为p
i
＝(1-k
i
)p
i-1
。其中，所述第一种初步定位位置记为x
i-1
，以该第一种初步定位位置为上一时刻的估计值，所述第二
种初步定位位置z
i
，以该第二种初步定位位置为测量值。由该公式可知当前的估计值是由上次的估计值和这次的测量值共同决定的，这两者所占权重由k
i
决定，k
i
就是卡尔曼增益系数。
[0074]
步骤s113、基于分配的权重对初步定位位置进行加权计算，得到车辆的当前位置。本步骤中，最终通过融合后得到车辆的位置坐标为(x
k
,y
k
)。
[0075]
本发明实施例上述步骤s11通过至少两种技术进行初步定位，再通过卡尔曼滤波技术将至少两种初步定位位置进行融合处理，得到车辆的绝对位置，避免了因为信号弱而无法接收到定位信号的影响，而且进一步通过多种定位方式融合，使得定位结果更加符合实际情景，定位更加精确。
[0076]
上述步骤s12中，在当前位置周围随机生成预定数量的位置点。
[0077]
其中，所述位置点是指以基于贝叶斯估计原理的卡尔曼滤波进行估计时，在目标区域内以高斯分布来设定的多个噪点，这些噪点按照目标特征进行匹配。预设数量是指可以根据实际需要进行设定，一般情况下设置50～100个位置点就可以满足高置信定位的需求。
[0078]
具体的，本步骤可以包括：根据初步定位位置的方差和卡尔曼增益系数确定当前位置的方差；根据当前位置的方差，在当前位置周围随机生成预定数量的位置点。
[0079]
上述步骤中算出的融合后的位置的方差p
i
；然后根据融合后的位置的方差，在所述融合后的位置周围随机生成预定数量的位置点，从而以符合高斯分布的方式随机生成这些位置点。例如，参照图4所示，在融合后的位置的周围随机生成了预定数量的位置点。
[0080]
上述步骤s13中，根据所述位置点的位置、电子地图的误差和从地图数据中获取的各车道的位置范围，确定每个所述位置点位于各车道的第一概率。
[0081]
通过随机生成预设数量的位置点，可以获得每个位置点的坐标，而且根据地图数据可以获得各个车道的宽度、位置等，在每次进行车辆定位时，因为电子地图存在一定的误差，因此，可以根据上述数据确定每个位置点位于各车道的概率，即为第一概率。
[0082]
具体的，参照图5所示，可以包括以下步骤：
[0083]
步骤s131、根据电子地图的误差和所述位置点的位置，确定所述位置点在电子地图上的横向位置范围。
[0084]
其中，横向位置范围是指沿车道行驶方向的垂直方向上的位置范围；电子地图的误差是指在各个位置点从实际空间位置投影到电子地图上时产生的误差，具体可以根据实际情况和历史经验值确定，例如在常见的高速路上，路宽为3.5m，可以设定电子地图的误差为左右各1m。
[0085]
步骤s132、根据横向位置范围和各车道的位置范围，确定每个位置点位于电子地图中各个车道的第一概率。
[0086]
例如，参照图6所示，通过上述高斯分布可以获得某一位置点的坐标值，对于位于哪个车道概率的计算，只需要判断该位置点的横向投影坐标，不需要考虑其他方向的坐标，假如该位置点距离第
②
车道右边沿距离为0.8m，且依据上述路宽3.5m和设定预设误差值为左右各1m的误差。则在第
②
车道覆盖为1.8m，第
③
车道覆盖为0.2m，基于计算可知在第
①
、
④
、
⑤
车道覆盖均为0m，则该位置点位于第
①
、
④
、
⑤
车道的概率为0％；位于第
②
车道的概率为1.8/(1.8+0.2)，即该位置点位于第
②
车道的概率为90％；位于第
③
车道的概率为0.2/
(1.8+0.2)，即该位置点位于第
③
车道的概率为10％。基于上述概率计算原则，可以确定所有的位置点位于各个车道的概率。
[0087]
上述步骤s14中，获取至少两种感知技术感知到的车辆所在车道的两侧车道线线型和到两侧车道线的距离，与从地图数据中获取的每个所述位置点所在车道的两侧车道线线型和到两侧车道线的距离进行匹配，确定每个位置点位于各车道的第二概率。
[0088]
该步骤可以有两种方式得到车辆匹配到每个位置点位于各车道的第二概率，可以通过不同感知技术得到车辆所在车道的两侧车道线线型和到两侧车道线的距离，可以是分别将不同技术方式感知到的线型、距离与分别位置点对应的线型和距离进行匹配，然后将匹配结果融合；也可以将不同技术感知到的线型和距离先融合，再与位置点对应的线型和距离进行匹配。
[0089]
<方式一>，本方式为先匹配后融合，参照图7所示，可以包括以下步骤：
[0090]
步骤s1411、根据拍摄的道路图像和采集的点云数据分别确定车辆所在车道的两侧车道线线型和到两侧车道线的距离。
[0091]
其中，所述车道线线型是指道路上划分车道的车道中间线的不同类型。例如，所述车道线线型可以包括：单实线、单虚线、双实线、双虚线等等；所述车辆到两侧车道线的距离是指车辆距离两侧车道左右侧边沿横向投影长度。
[0092]
本发明实施例可以通过移动眼(mobileye)视觉硬件等视觉感知技术拍摄道路的图像，基于lidar激光感知技术也可以拍摄到道路的点云图像。通过获得的图像可以识别出车辆所在车道两侧车道线线型和分别到两侧车道线的距离。本发明实施例中，当使用mobileye技术对线型进行识别时，还可以识别车道线的颜色，将车道线的颜色作为一个匹配参数进行配准，得到车辆与位置点匹配的概率，例如现有的车道线颜色可以为白色、黄色等。
[0093]
步骤s1412、将根据道路图像确定的车辆所在车道的两侧车道线线型和到两侧车道线的距离，与从地图数据中获取的每个位置点所在车道的两侧车道线线型和到两侧车道线的距离进行匹配，得到每个位置点位于各车道的第三概率。
[0094]
由于mobileye视觉技术识别出的车道线的线型准确率与实际高精度地图上的车道线并不是完全匹配的，所以识别出的车道线的准确度是不一定的，例如，本发明实施例提供的mobileye视觉输出的准确率均是95％。mobileye视觉技术识别出的到车道线的距离是一定的，但是不同的位置点两侧车道线的距离也不是相同的。因此，上述第三概率为线型概率和距离概率的两种概率的融合。假如，此时通过mobileye视觉技术识别出车辆所在车道的线型为左侧实线、右侧虚线，识别出车辆距离左侧车道线的距离μ为1m。
[0095]
计算上述线型概率可以根据从地图数据中获取的每个位置点所在车道的两侧车道线线型和到两个车道线的距离。将该位置点所在车道的两侧车道线线型和通过mobileye视觉技术识别出车辆所在车道线的线型匹配，得到位置点所在车道的两侧车道线线型是否为识别出的该线型的概率，最终得到位置点位于各车道的线型概率。例如此时不考虑单实线和双实线，参照图8所示，针对位置点a所在车道线型匹配上的线型概率为95％*95％，而针对位置点b所在车道线型匹配上的线型概率为95％*5％。
[0096]
计算上述距离概率可以根据从地图数据中获取的位置点到两侧车道线的距离和通过mobileye视觉技术识别出车辆到对应侧车道线的距离的差值，采用选择的概率估计计
算法，得到各位置点位于各车道的距离概率。还参照图8所示，例如根据位置点所在车道的坐标可以获得位置点a距离左侧车道线的距离为2.8m，位置点b距离左侧车道线的距离为1.7m。可以根据公式(1)可以计算出车辆与位置点a或位置点b吻合的概率。
[0097][0098]
其中，μ为感知到的车辆距离左侧(或右侧)车道线的距离；x为位置点到左侧(或右侧)车道线的距离；σ为与车辆上摄像头高度和角度有关的常数，一般为经验值和评估值。
[0099]
步骤s1413、将根据点云数据确定的车辆所在车道的两侧车道线线型和到两侧车道线的距离，与从地图数据中获取的每个所述位置点所在车道的两侧车道线线型和到两侧车道线的距离进行匹配，得到每个所述位置点位于各车道的第四概率。
[0100]
本步骤中计算每个位置点位于各车道的第四概率与上述步骤s1412相同，需要说明的是，与步骤s1412不同的是通过点云数据识别出车道线线型准确率和车辆到车道线的距离与通过道路图像识别出的准确率和距离不同。所以，通过采集的点云数据得到每个位置点位于各车道的概率不一定与通过拍摄的道路图像得到的每个位置点位于各车道的概率相同。
[0101]
步骤s1414、对每个所述位置点的所述第三概率和所述第四概率进行融合处理，得到每个所述位置点位于各车道的第二概率。
[0102]
对步骤s1412得到的车辆与位置点匹配的第三概率和步骤s1413得到的车辆与位置点匹配的第四概率进行融合处理，例如将上述获得的两个概率值相乘，得到车辆匹配到每个位置点位于各车道的第二概率。
[0103]
<方式二>本方式为先融合后匹配，参照图9所示，可以包括以下步骤：
[0104]
步骤s1421、根据拍摄的道路图像和采集的点云数据分别确定车辆所在车道的两侧车道线线型和到两侧车道线的距离，并对确定出的线型和距离进行融合处理。
[0105]
本步骤是将不同技术识别出的车辆所在道路两侧车道线线型和到两侧车道线的距离分别进行融合处理，确定出不同技术融合后的车辆所在道路两侧车道线线型以及到两侧车道线的距离。例如，通过mobileye视觉技术拍摄的道路图像中的车辆所在车道的线型为左侧实线、右侧虚线的概率为95％，而通过lidar技术采集的点云数据确定的车辆所在车道的线型为左侧实线、右侧虚线的概率为90％，可以将上述确定的概率进行融合处理，例如相乘之后得到车辆所在车道的线型为左侧实线、右侧虚线的概率为85.5％。同样的，可以通过距离求平均值或者预设的方式计算出两种不同的技术确定出的车辆到两侧车道线的距离融合后的距离值。
[0106]
本步骤将不同技术识别出的车道线线型和到两侧车道线的距离先进行融合处理，避免了单一算法出现错误的纰漏，进一步提高了定位识别的准确性。
[0107]
步骤s1422、将融合处理后的车辆所在车道的两侧车道线线型和到两侧车道线的距离，与从地图数据中获取的每个所述位置点所在车道的两侧车道线线型和到两侧车道线的距离进行匹配，得到每个所述位置点位于各车道的第二概率。
[0108]
具体的，本步骤可以参照图9所示，实现步骤如下：
[0109]
步骤s14221、根据从地图数据中获取的所述位置点所在车道的两侧车道线线型和
融合处理后的车辆所在车道的两侧车道线是该线型的概率，得到所述位置点位于各车道的线型概率。
[0110]
步骤s14222、根据从地图数据中获取的所述位置点到两侧车道线的距离和融合处理后的到对应侧车道线的距离的差值，采用选择的概率估计算法，得到所述位置点位于各车道的距离概率。
[0111]
步骤s14223、分别融合每个位置点的所述线型概率和所述距离概率，得到每个所述位置点位于各车道的第二概率。
[0112]
本步骤中上述融合后的车辆所在车道的车道线线型和到两侧车道线的距离分别与各位置点对应的车道线线型匹配的方式可以参照上述步骤s1412的详细说明，在此不再赘述。需要说明的是，上述步骤s14221和步骤s14222执行顺序不分先后，先执行步骤s14221或者先执行步骤s14222，或者同时执行均可以，本发明实施例对此不作具体限定。
[0113]
本发明实施例首先基于卡尔曼滤波将航位推算技术和载波相位差分技术获得的定位进行融合，获得车辆当前位置，然后根据车辆当前位置随机生成预定数量的位置点，针对每个位置点分别确定其可能是真实车辆位置的概率，在确定概率时，基于电子地图误差、至少两种感知技术感知到的车辆所在车道的两侧车道线线型和到两侧车道线的距离等多种方式分别确定每种方式下各位置点可能是车辆真实位置的概率，并融合多种方式得到的概率，得到最终概率，基于最终概率定位出车辆的位置。上述方法不仅克服了采用单一方式定位时准确率低的问题，提高了车辆定位的定位精度，实现了车道级的精准定位，且能够适应不同场景不同级别的定位需求，减少了外部因素对定位准确性的影响，同时满足了不同级别的定位要求以及适应不同场景的鲁棒性，而且提高了主辅路识别的准确率和召回率。
[0114]
基于同一发明构思，本发明实施例提供了一种车到级定位装置，参照图10所示，该装置可以包括：当前位置获取模块11、位置点生成模块12、第一概率确定模块13、第二概率确定模块14和车道确定模块15，其工作原理如下：
[0115]
当前位置获取模块11定位车辆的当前位置。具体的，当前位置获取模块11基于选择的至少两种定位技术确定车辆的至少两个初步定位位置，采用预选的位置融合方式融合所述至少两个初步定位位置，得到车辆的当前位置。更为具体的，当前位置获取模块11采用预选的位置融合方式融合所述至少两个初步定位位置，得到车辆的当前位置，包括：当前位置获取模块11根据各所述初步定位位置的方差，确定卡尔曼增益系数；当前位置获取模块11使用所述卡尔曼增益系数对每个所述初步定位位置进行权重分配，当前位置获取模块11基于分配的权重对所述初步定位位置进行加权计算，得到车辆的当前位置。
[0116]
位置点生成模块12在所述当前位置周围随机生成预定数量的位置点。具体的，位置点生成模块12根据所述初步定位位置的方差和所述卡尔曼增益系数确定所述当前位置的方差；位置点生成模块12根据所述当前位置的方差，在所述当前位置周围随机生成预定数量的位置点。
[0117]
第一概率确定模块13根据所述位置点的位置、电子地图的误差和从地图数据中获取的各车道的位置范围，确定每个所述位置点位于各车道的第一概率。具体的，第一概率确定模块13根据电子地图的误差和所述位置点的位置，确定所述位置点在所述电子地图上的横向位置范围；第一概率确定模块13根据所述横向位置范围和各车道的位置范围，确定每个所述位置点位于电子地图中各个车道的第一概率。
[0118]
第二概率确定模块14获取至少两种感知技术感知到的车辆所在车道的两侧车道线线型和到两侧车道线的距离，与从地图数据中获取的每个所述位置点所在车道的两侧车道线线型和到两侧车道线的距离进行匹配，确定每个所述位置点位于各车道的第二概率。
[0119]
具体的，第二概率确定模块14根据拍摄的道路图像和采集的点云数据分别确定车辆所在车道的两侧车道线线型和到两侧车道线的距离；第二概率确定模块14将根据道路图像确定的车辆所在车道的两侧车道线线型和到两侧车道线的距离，与从地图数据中获取的每个所述位置点所在车道的两侧车道线线型和到两侧车道线的距离进行匹配，得到每个所述位置点位于各车道的第三概率；第二概率确定模块14将根据点云数据确定的车辆所在车道的两侧车道线线型和到两侧车道线的距离，与从地图数据中获取的每个所述位置点所在车道的两侧车道线线型和到两侧车道线的距离进行匹配，得到每个所述位置点位于各车道的第四概率；第二概率确定模块14对每个所述位置点的所述第三概率和所述第四概率进行融合处理，得到每个所述位置点位于各车道的第二概率。
[0120]
或者，具体的，第二概率确定模块14根据拍摄的道路图像和采集的点云数据分别确定车辆所在车道的两侧车道线线型和到两侧车道线的距离，并对确定出的线型和距离进行融合处理；第二概率确定模块14将融合处理后的车辆所在车道的两侧车道线线型和到两侧车道线的距离，与从地图数据中获取的每个所述位置点所在车道的两侧车道线线型和到两侧车道线的距离进行匹配，得到每个所述位置点位于各车道的第二概率。
[0121]
更为具体的，第二概率确定模块14根据从地图数据中获取的所述位置点所在车道的两侧车道线线型和融合处理后的车辆所在车道的两侧车道线是该线型的概率，得到所述位置点位于各车道的线型概率；第二概率确定模块14根据从地图数据中获取的所述位置点到两侧车道线的距离和融合处理后的到对应侧车道线的距离的差值，采用选择的概率估计算法，得到所述位置点位于各车道的距离概率；第二概率确定模块14分别融合每个位置点的所述线型概率和所述距离概率，得到每个所述位置点位于各车道的第二概率。
[0122]
车道确定模块15根据所述第一概率和所述第二概率确定各所述位置点位于各车道的最终概率，确定所述最终概率最大的车道为所述车辆所在的车道。
[0123]
本实施例所述装置的技术效果及相关举例说明可参见上述方法中的相关内容，此处不再赘述。
[0124]
基于同一发明构思，本发明实施例提供了一种车道级定位系统，参照图11所示，该系统可以包括：服务器1、车载定位终端2和感知终端3；
[0125]
感知终端3，用于感知车辆所在车道的两侧车道线线型和到两侧车道线的距离，可以包括摄像设备31和点云采集设备32；
[0126]
车载定位终端2用于定位车辆的当前位置；
[0127]
服务器1包括如上述的车道级定位装置。
[0128]
本实施例系统的技术效果及相关举例说明可参见上述方法实施例的相关内容，此处不再赘述。
[0129]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形
式。
[0130]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0131]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0132]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0133]
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。