用于自动驾驶的定位置信度预测模型的训练方法、装置与流程

1.本技术涉及自动驾驶技术领域，尤其涉及一种用于自动驾驶的定位置信度预测模型的训练方法、装置。


背景技术：

2.为了实现自动驾驶车辆的高精度定位，往往需要将多个传感器的数据进行融合处理，在进行融合定位时，需要知晓各个传感器的定位信息和对应的置信度，置信度的准确性将直接影响融合定位精度。
3.单一的rtk(real-time kinematic，实时差分)定位状态无法满足自动驾驶的需要，例如在城市复杂道路下，在rtk定位状态为固定解的情况下仍然可能出现定位误差较大的情况。
4.现有方案直接根据rtk定位状态等参数进行建模，较为复杂，无法获取准确的定位置信度。


技术实现要素：

5.本技术实施例提供了一种用于自动驾驶的定位置信度预测模型的训练方法、装置，以提高定位置信度预测的精度。
6.本技术实施例采用下述技术方案：
7.第一方面，本技术实施例提供一种用于自动驾驶的定位置信度预测模型的训练方法，其中，所述方法包括：
8.获取惯导rtk信息和对应的高精定位信息，所述惯导rtk信息包括惯导rtk定位信息；
9.根据所述高精定位信息确定所述惯导rtk定位信息的定位误差；
10.根据所述惯导rtk定位信息的定位误差确定所述惯导rtk定位信息的置信度；
11.利用所述惯导rtk信息以及所述惯导rtk定位信息的置信度训练定位置信度预测模型，得到训练后的定位置信度预测模型。
12.可选地，所述获取惯导rtk信息和对应的高精定位信息包括：
13.获取所述惯导rtk信息对应的高精度惯导数据和基站数据；
14.对所述高精度惯导数据和所述基站数据进行后处理解算，得到所述高精定位信息。
15.可选地，所述根据所述惯导rtk定位信息的定位误差确定所述惯导rtk定位信息的置信度包括：
16.若所述惯导rtk定位信息的定位误差不大于第一预设误差阈值，则确定所述惯导rtk定位信息的置信度为第一置信度；
17.若所述惯导rtk定位信息的定位误差不小于第二预设误差阈值，则确定所述惯导rtk定位信息的置信度为第二置信度；
18.若所述惯导rtk定位信息的定位误差大于所述第一预设误差阈值，且小于所述第二预设误差阈值，则确定所述惯导rtk定位信息的置信度为第三置信度；
19.其中，所述第一预设误差阈值小于所述第二预设误差阈值，所述第一置信度大于所述第三置信度，所述第三置信度大于所述第二置信度。
20.可选地，所述惯导rtk信息还包括惯导rtk信息的绝对时间、rtk定位状态、水平位置精度因子和卫星数量，所述利用所述惯导rtk信息以及所述惯导rtk定位信息的置信度训练定位置信度预测模型，得到训练后的定位置信度预测模型包括：
21.基于惯导rtk的上电时间，将所述惯导rtk信息的绝对时间转换为相对连续时间；
22.将所述惯导rtk信息的相对连续时间、所述rtk定位状态、所述水平位置精度因子和所述卫星数量作为所述定位置信度预测模型的输入，将所述惯导rtk定位信息的置信度作为监督信号，训练所述定位置信度预测模型，得到训练后的定位置信度预测模型。
23.可选地，所述定位置信度预测模型采用lstm长短期记忆网络。
24.第二方面，本技术实施例还提供一种自动驾驶车辆的融合定位方法，其中，所述方法包括：
25.获取当前的惯导rtk信息，所述当前的惯导rtk信息包括当前的惯导rtk信息的绝对时间、惯导rtk定位信息、rtk定位状态、水平位置精度因子和卫星数量；
26.基于所述当前的惯导rtk信息，利用定位置信度预测模型预测当前的惯导rtk定位信息的置信度；
27.基于所述当前的惯导rtk定位信息的置信度进行融合定位，得到自动驾驶车辆的融合定位结果；
28.其中，所述定位置信度预测模型基于前述任一所述用于自动驾驶的定位置信度预测模型的训练方法训练得到。
29.第三方面，本技术实施例还提供一种用于自动驾驶的定位置信度预测模型的训练装置，其中，所述装置包括：
30.第一获取单元，用于获取惯导rtk信息和对应的高精定位信息，所述惯导rtk信息包括惯导rtk定位信息；
31.第一确定单元，用于根据所述高精定位信息确定所述惯导rtk定位信息的定位误差；
32.第二确定单元，用于根据所述惯导rtk定位信息的定位误差确定所述惯导rtk定位信息的置信度；
33.训练单元，用于利用所述惯导rtk信息以及所述惯导rtk定位信息的置信度训练定位置信度预测模型，得到训练后的定位置信度预测模型。
34.第四方面，本技术实施例还提供一种自动驾驶车辆的融合定位装置，其中，所述装置包括：
35.第二获取单元，用于获取当前的惯导rtk信息，所述当前的惯导rtk信息包括当前的惯导rtk信息的绝对时间、惯导rtk定位信息、rtk定位状态、水平位置精度因子和卫星数量；
36.预测单元，用于基于所述当前的惯导rtk信息，利用定位置信度预测模型预测当前的惯导rtk定位信息的置信度；
37.融合定位单元，用于基于所述当前的惯导rtk定位信息的置信度进行融合定位，得到自动驾驶车辆的融合定位结果；
38.其中，所述定位置信度预测模型基于前述所述用于自动驾驶的定位置信度预测模型的训练装置训练得到。
39.第五方面，本技术实施例还提供一种电子设备，包括：
40.处理器；以及
41.被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行前述之任一所述用于自动驾驶的定位置信度预测模型的训练方法，或者用于执行前述所述自动驾驶车辆的融合定位方法。
42.第六方面，本技术实施例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存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行前述之任一所述用于自动驾驶的定位置信度预测模型的训练方法，或者用于执行前述所述自动驾驶车辆的融合定位方法。
43.本技术实施例采用的上述至少一个技术方案能够达到以下有益效果：本技术实施例的用于自动驾驶的定位置信度预测模型的训练方法，先获取惯导rtk信息和对应的高精定位信息，惯导rtk信息包括惯导rtk定位信息；然后根据高精定位信息确定惯导rtk定位信息的定位误差；之后根据惯导rtk定位信息的定位误差确定惯导rtk定位信息的置信度；最后利用惯导rtk信息以及惯导rtk定位信息的置信度训练定位置信度预测模型，得到训练后的定位置信度预测模型。本技术实施例的用于自动驾驶的定位置信度预测模型的训练方法将惯导rtk定位信息的定位误差转化为相应的定位置信度，并以此来训练定位置信度预测模型，提高了定位置信度预测的精度，为后续融合定位提供了有力支撑。
附图说明
44.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
45.图1为本技术实施例中一种用于自动驾驶的定位置信度预测模型的训练方法的流程示意图；
46.图2为本技术实施例中一种自动驾驶车辆的融合定位方法的流程示意图；
47.图3为本技术实施例中一种用于自动驾驶的定位置信度预测模型的训练装置的结构示意图；
48.图4为本技术实施例中一种自动驾驶车辆的融合定位装置的结构示意图；
49.图5为本技术实施例中一种电子设备的结构示意图。
具体实施方式
50.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
51.以下结合附图，详细说明本技术各实施例提供的技术方案。
52.本技术实施例提供了一种用于自动驾驶的定位置信度预测模型的训练方法，如图1所示，提供了本技术实施例中一种用于自动驾驶的定位置信度预测模型的训练方法的流程示意图，所述方法至少包括如下的步骤s110至步骤s140：
53.步骤s110，获取惯导rtk信息和对应的高精定位信息，所述惯导rtk信息包括惯导rtk定位信息。
54.本技术实施例训练的定位置信度预测模型主要用于预测惯导rtk输出的定位信息的可信程度，惯导rtk是指将惯导设备采集的imu(inertial measurement unit，惯性测量单元)定位数据与rtk实时差分算法融合后输出的定位信息。
55.本技术实施例在训练定位置信度预测模型时，需要先获取惯导rtk信息和对应的高精定位信息，惯导rtk信息具体可以包括惯导rtk定位信息，如具体的位置和姿态等，而高精定位信息则可以理解为是基于高精度的惯导设备采集到的定位信息，高精度的惯导设备中配备有高精度的闭环光纤陀螺和加速度传感器，定位精度能够达到厘米级甚至是毫米级，因此相比一般的惯导设备具有更高的定位精度。
56.步骤s120，根据所述高精定位信息确定所述惯导rtk定位信息的定位误差。
57.由于高精定位信息是基于高精度惯导设备采集到的，其不受卫星定位信号质量好坏等的影响，定位结果可靠且精度较高，因此基于高精定位信息可以衡量对应的惯导rtk定位信息的定位误差大小。为了便于后续处理，这里可以先对采集到的惯导rtk定位信息和对应的高精定位信息进行时间同步处理，例如可以采用插值法等来实现。
58.步骤s130，根据所述惯导rtk定位信息的定位误差确定所述惯导rtk定位信息的置信度。
59.在得到惯导rtk定位信息的定位误差后，还需要利用一定转化策略将惯导rtk定位信息的定位误差转化为对应的置信度。惯导rtk定位信息的定位误差越大，对应的置信度越低，定位误差越小，对应的置信度越高，基于此可以利用一定的转化策略将波动范围不固定的定位误差转化到一个处于固定范围内的置信度，便于后续模型训练，同时也能够提高模型的泛化能力。
60.步骤s140，利用所述惯导rtk信息以及所述惯导rtk定位信息的置信度训练定位置信度预测模型，得到训练后的定位置信度预测模型。
61.在得到惯导rtk定位信息的置信度后，可以结合其它维度的惯导rtk信息来训练定位置信度预测模型，这些其它维度的惯导rtk信息是指惯导rtk定位信息以外的与定位置信度的预测息息相关的信息，如rtk定位状态、卫星数量等。
62.本技术实施例的用于自动驾驶的定位置信度预测模型的训练方法将惯导rtk定位信息的定位误差转化为相应的定位置信度，并以此来训练定位置信度预测模型，提高了定位置信度预测的精度，为后续融合定位提供了有力支撑。
63.在本技术的一些实施例中，所述获取惯导rtk信息和对应的高精定位信息包括：获取所述惯导rtk信息对应的高精度惯导数据和基站数据；对所述高精度惯导数据和所述基站数据进行后处理解算，得到所述高精定位信息。
64.本技术实施例在获取高精定位信息时，可以先利用高精惯导设备采集高精度惯导数据，以及基于自建基站获取对应的基站数据，然后结合高精度惯导数据和对应的基站数据，利用自定义的差分算法进行后处理，从而解算出高精度定位信息。
65.在本技术的一些实施例中，所述根据所述惯导rtk定位信息的定位误差确定所述惯导rtk定位信息的置信度包括：若所述惯导rtk定位信息的定位误差不大于第一预设误差阈值，则确定所述惯导rtk定位信息的置信度为第一置信度；若所述惯导rtk定位信息的定位误差不小于第二预设误差阈值，则确定所述惯导rtk定位信息的置信度为第二置信度；若所述惯导rtk定位信息的定位误差大于所述第一预设误差阈值，且小于所述第二预设误差阈值，则确定所述惯导rtk定位信息的置信度为第三置信度；其中，所述第一预设误差阈值小于所述第二预设误差阈值，所述第一置信度大于所述第三置信度，所述第三置信度大于所述第二置信度。
66.本技术实施例在将惯导rtk定位信息的定位误差pos error转化为对应的置信度a(t)时，可以采用如下方式：
67.1)pos error《＝第一预设误差阈值，令置信度a(t)＝第一置信度；
68.2)pos error》＝第二预设误差阈值，令置信度a(t)＝第二置信度；
69.3)第一预设误差阈值《pos error《第二预设误差阈值,令a(t)＝第三置信度；
70.其中，t为基于惯导rtk上电时刻转换后的时间，第一预设误差阈值《第二预设误差阈值，第一置信度》第三置信度》第二置信度。
71.实际应用场景下，上述第一预设误差阈值和第二预设误差阈值可以根据自动驾驶要求灵活设置，例如第一预设误差阈值可以设置为0.2m，第二预设误差阈值可以设置为0.6m，当惯导rtk定位信息的定位误差pos error《＝0.2m时，说明定位误差很小，精度很高，因此可以赋予较高的置信度，例如赋值为1；当惯导rtk定位信息的定位误差pos error》＝0.6m时，说明定位误差很大，精度很低，因此可以赋予较低的置信度，例如赋值为0。
72.而对于介于二者之间的惯导rtk定位信息，则可以根据定位误差的大小利用线性插值等方法在{0,1}之间确定出相应的置信度数值，这里的线性插值方法例如可以表示为：
73.a(t)＝1-(pos error-0.2)/(0.6-0.2)
74.可以看出，经过上述转化之后，最终得到的惯导rtk定位信息的置信度a(t)为一个分布在{0,1}之间的数值，数值越大，对应的置信度越高。
75.当然，需要说明的是，上述转化策略仅仅是一种示例性描述，本领域技术人员可以根据实际需求灵活定义其它形式的转化策略，在此不作具体限定。
76.在本技术的一些实施例中，所述惯导rtk信息还包括惯导rtk信息的绝对时间、rtk定位状态、水平位置精度因子和卫星数量，所述利用所述惯导rtk信息以及所述惯导rtk定位信息的置信度训练定位置信度预测模型，得到训练后的定位置信度预测模型包括：基于惯导rtk的上电时间，将所述惯导rtk信息的绝对时间转换为相对连续时间；将所述惯导rtk信息的相对连续时间、所述rtk定位状态、所述水平位置精度因子和所述卫星数量作为所述定位置信度预测模型的输入，将所述惯导rtk定位信息的置信度作为监督信号，训练所述定位置信度预测模型，得到训练后的定位置信度预测模型。
77.本技术实施例的惯导rtk信息具体还包括惯导rtk信息的绝对时间、rtk定位状态、水平位置精度因子(horizontal dilution of precision，简称hdop)和卫星数量等参数，这些参数都与惯导rtk定位信息的置信度大小相关，因此在训练定位置信度预测模型时，可以基于这些参数来训练。
78.由于惯导rtk提供的时间戳是绝对时间，为了便于模型训练，本技术实施例可以以
惯导rtk的上电时间为基准，将惯导rtk信息中的绝对时间转换为相对连续时间，然后再连同rtk定位状态、hdop和卫星数量一起输入到定位置信度预测模型中，将惯导rtk定位信息的置信度作为输出，训练定位置信度预测模型，当模型的预测精度满足预设精度要求时，结束训练，从而输出训练后的定位置信度预测模型。
79.在本技术的一些实施例中，所述定位置信度预测模型采用lstm长短期记忆网络。
80.本技术实施例的定位置信度预测模型可以采用lstm(long short-term memory)长短期记忆网络的结构进行训练。lstm是一种特殊的循环神经网络，具有能够学习的长期依赖的能力，lstm能记住很长时间的信息实际上是它们的自身属性，而不是通过学习或者训练获得的能力。本技术实施例中的rtk定位状态、水平位置精度因子、卫星数量等是与时间序列相关的参数，因此采用lstm网络结构进行训练更符合实际场景的需求。
81.当然，需要说明的是，除了可以采用lstm网络来训练定位置信度预测模型，也可以采用传统的bp(back propagation，反向传播)神经网络来训练，本领域技术人员可以根据实际需求灵活选择，在此不一一列举。
82.在本技术的一些实施例中，可以分别采集城市中不同道路场景下的惯导rtk信息和对应的高精定位信息，然后针对道路场景的差异性，分别训练不同的定位置信度预测模型，以满足不同道路场景下定位置信度预测的精度要求。
83.本技术实施例还提供了一种自动驾驶车辆的融合定位方法，如图2所示，提供了本技术实施例中一种自动驾驶车辆的融合定位方法的流程示意图，所述方法至少包括如下的步骤s210至步骤s230：
84.步骤s210，获取当前的惯导rtk信息，所述当前的惯导rtk信息包括当前的惯导rtk信息的绝对时间、惯导rtk定位信息、rtk定位状态、水平位置精度因子和卫星数量；
85.步骤s220，基于所述当前的惯导rtk信息，利用定位置信度预测模型预测当前的惯导rtk定位信息的置信度；
86.步骤s230，基于所述当前的惯导rtk定位信息的置信度进行融合定位，得到自动驾驶车辆的融合定位结果；
87.其中，所述定位置信度预测模型基于前述之任一所述用于自动驾驶的定位置信度预测模型的训练方法训练得到。
88.在自动驾驶车辆的实时定位场景，可以先获取当前的惯导rtk信息，同样可以包括当前采集惯导rtk信息的绝对时间、对应的惯导rtk定位信息、rtk定位状态、hdop和卫星数量等信息。
89.然后利用前述实施例训练得到的定位置信度预测模型预测当前惯导rtk设备输出的惯导rtk定位信息的置信度，置信度越高，说明当前的惯导rtk定位信息的精度越高，反之则越低。
90.最后可以将当前的惯导rtk定位信息的置信度作为观测信息，连同其他传感器的定位数据如imu定位数据和轮速数据等一起输入到卡尔曼滤波器或者扩展卡尔曼滤波器中进行融合定位，从而得到自动驾驶车辆的融合定位结果。
91.本技术实施例还提供了一种用于自动驾驶的定位置信度预测模型的训练装置300，如图3所示，提供了本技术实施例中一种用于自动驾驶的定位置信度预测模型的训练装置的结构示意图，所述装置300包括：第一获取单元310、第一确定单元320、第二确定单元
330以及训练单元340，其中：
92.第一获取单元310，用于获取惯导rtk信息和对应的高精定位信息，所述惯导rtk信息包括惯导rtk定位信息；
93.第一确定单元320，用于根据所述高精定位信息确定所述惯导rtk定位信息的定位误差；
94.第二确定单元330，用于根据所述惯导rtk定位信息的定位误差确定所述惯导rtk定位信息的置信度；
95.训练单元340，用于利用所述惯导rtk信息以及所述惯导rtk定位信息的置信度训练定位置信度预测模型，得到训练后的定位置信度预测模型。
96.在本技术的一些实施例中，所述第一获取单元310具体用于：获取所述惯导rtk信息对应的高精度惯导数据和基站数据；对所述高精度惯导数据和所述基站数据进行后处理解算，得到所述高精定位信息。
97.在本技术的一些实施例中，所述第二确定单元330具体用于：若所述惯导rtk定位信息的定位误差不大于第一预设误差阈值，则确定所述惯导rtk定位信息的置信度为第一置信度；若所述惯导rtk定位信息的定位误差不小于第二预设误差阈值，则确定所述惯导rtk定位信息的置信度为第二置信度；若所述惯导rtk定位信息的定位误差大于所述第一预设误差阈值，且小于所述第二预设误差阈值，则确定所述惯导rtk定位信息的置信度为第三置信度；其中，所述第一预设误差阈值小于所述第二预设误差阈值，所述第一置信度大于所述第三置信度，所述第三置信度大于所述第二置信度。
98.在本技术的一些实施例中，所述惯导rtk信息还包括惯导rtk信息的绝对时间、rtk定位状态、水平位置精度因子和卫星数量，所述训练单元340具体用于：基于惯导rtk的上电时间，将所述惯导rtk信息的绝对时间转换为相对连续时间；将所述惯导rtk信息的相对连续时间、所述rtk定位状态、所述水平位置精度因子和所述卫星数量作为所述定位置信度预测模型的输入，将所述惯导rtk定位信息的置信度作为监督信号，训练所述定位置信度预测模型，得到训练后的定位置信度预测模型。
99.在本技术的一些实施例中，所述定位置信度预测模型采用lstm长短期记忆网络。
100.能够理解，上述用于自动驾驶的定位置信度预测模型的训练装置，能够实现前述实施例中提供的用于自动驾驶的定位置信度预测模型的训练方法的各个步骤，关于用于自动驾驶的定位置信度预测模型的训练方法的相关阐释均适用于用于自动驾驶的定位置信度预测模型的训练装置，此处不再赘述。
101.本技术实施例还提供了一种自动驾驶车辆的融合定位装置400，如图4所示，提供了本技术实施例中一种自动驾驶车辆的融合定位装置的结构示意图，所述装置400包括：第二获取单元410、预测单元420以及融合定位单元430，其中：
102.第二获取单元410，用于获取当前的惯导rtk信息，所述当前的惯导rtk信息包括当前的惯导rtk信息的绝对时间、惯导rtk定位信息、rtk定位状态、水平位置精度因子和卫星数量；
103.预测单元420，用于基于所述当前的惯导rtk信息，利用定位置信度预测模型预测当前的惯导rtk定位信息的置信度；
104.融合定位单元430，用于基于所述当前的惯导rtk定位信息的置信度进行融合定
位，得到自动驾驶车辆的融合定位结果；
105.其中，所述定位置信度预测模型基于前述所述用于自动驾驶的定位置信度预测模型的训练装置训练得到。
106.能够理解，上述自动驾驶车辆的融合定位装置，能够实现前述实施例中提供的自动驾驶车辆的融合定位方法的各个步骤，关于自动驾驶车辆的融合定位方法的相关阐释均适用于自动驾驶车辆的融合定位装置，此处不再赘述。
107.图5是本技术的一个实施例电子设备的结构示意图。请参考图5，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(random-access memory，ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
108.处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
109.存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
110.处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成用于自动驾驶的定位置信度预测模型的训练装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
111.获取惯导rtk信息和对应的高精定位信息，所述惯导rtk信息包括惯导rtk定位信息；
112.根据所述高精定位信息确定所述惯导rtk定位信息的定位误差；
113.根据所述惯导rtk定位信息的定位误差确定所述惯导rtk定位信息的置信度；
114.利用所述惯导rtk信息以及所述惯导rtk定位信息的置信度训练定位置信度预测模型，得到训练后的定位置信度预测模型。
115.上述如本技术图1所示实施例揭示的用于自动驾驶的定位置信度预测模型的训练装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完
成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
116.该电子设备还可执行图1中用于自动驾驶的定位置信度预测模型的训练装置执行的方法，并实现用于自动驾驶的定位置信度预测模型的训练装置在图1所示实施例的功能，本技术实施例在此不再赘述。
117.本技术实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1所示实施例中用于自动驾驶的定位置信度预测模型的训练装置执行的方法，并具体用于执行：
118.获取惯导rtk信息和对应的高精定位信息，所述惯导rtk信息包括惯导rtk定位信息；
119.根据所述高精定位信息确定所述惯导rtk定位信息的定位误差；
120.根据所述惯导rtk定位信息的定位误差确定所述惯导rtk定位信息的置信度；
121.利用所述惯导rtk信息以及所述惯导rtk定位信息的置信度训练定位置信度预测模型，得到训练后的定位置信度预测模型。
122.需要说明的是，本技术实施例的电子设备还可以用于执行图2所示实施例揭示的自动驾驶车辆的融合定位装置执行的方法，具体不再赘述。
123.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、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
124.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。
125.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。
126.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。
127.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
128.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
129.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
130.还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
131.本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术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，本技术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、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
132.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。