车辆定位方法、装置及电子设备、计算机可读存储介质与流程

1.本技术涉及自动驾驶技术领域，尤其涉及一种车辆定位方法、装置及电子设备、计算机可读存储介质。


背景技术：

2.在自动驾驶领域，车辆的自主行驶及安全避障离不开精确、可靠的定位技术。目前，车辆定位常用的方案主要有：基于gps(global positioning system，全球定位系统)或rtk(real time kinematic，实时差分定位)的定位方法、基于激光雷达的定位方法以及传统的纯视觉定位方法。
3.上面方案中，gps和rtk定位设备的部署成本高，且通信受到干扰时定位效果差。激光雷达方案硬件成本较高，且依赖场景结构的多样性，对结构相似的场景的定位偏差大。而纯视觉方案虽然成本低，但易受环境如光照的干扰，定位精度及稳定性无法保证。


技术实现要素：

4.本技术实施例提供了一种车辆定位方法、装置及电子设备、计算机可读存储介质，以提高自动驾驶车辆的定位精度，降低定位成本。
5.本技术实施例采用下述技术方案：
6.第一方面，本技术实施例提供一种车辆定位方法，其中，所述方法包括：
7.获取车辆采集的道路图像，并利用预设语义分割模型对所述道路图像进行语义分割，得到语义分割图像；
8.按照预设预处理策略，对所述语义分割图像进行预处理，得到所述语义分割图像对应的道路标识轮廓信息；
9.将所述道路标识轮廓信息与对应的高精矢量地图中的道路标识数据进行匹配，得到道路标识匹配结果；
10.根据所述道路标识匹配结果构建非线性优化模型；
11.通过所述非线性优化模型确定定位校正信息，并通过所述定位校正信息对所述车辆的初始定位信息进行校正，得到所述车辆的最终定位结果。
12.可选地，所述按照预设预处理策略，对所述语义分割图像进行预处理，得到所述语义分割图像对应的道路标识轮廓信息包括：
13.查找所述语义分割图像中的道路标识轮廓，并记录所述道路标识轮廓中的轮廓点及对应的道路标识类型；
14.对查找到的道路标识轮廓进行合并处理，得到合并后的道路标识轮廓；
15.根据所述合并后的道路标识轮廓中的轮廓点的数量，对所述合并后的道路标识轮廓进行筛选，得到筛选后的道路标识轮廓；
16.将所述筛选后的道路标识轮廓、所述筛选后的道路标识轮廓中的轮廓点及对应的道路标识类型作为所述语义分割图像对应的道路标识轮廓信息。
17.可选地，所述将所述道路标识轮廓信息与对应的高精矢量地图中的道路标识数据进行匹配，得到道路标识匹配结果包括：
18.获取所述车辆的初始定位信息；
19.基于所述初始定位信息，获取对应的高精矢量地图中的道路标识数据；
20.将所述道路标识轮廓信息与所述高精矢量地图中的道路标识数据进行匹配，得到所述道路标识匹配结果。
21.可选地，所述将所述道路标识轮廓信息与对应的高精矢量地图中的道路标识数据进行匹配，得到道路标识匹配结果包括：
22.基于所述车辆的相机外参，通过逆透视变换将所述道路标识轮廓信息转换到车体坐标系下，得到所述车体坐标系下的3d道路标识轮廓；
23.基于所述车辆的初始定位信息，将所述高精矢量地图中的道路标识数据转换到所述车体坐标系下，得到所述车体坐标系下的道路标识数据；
24.将所述车体坐标系下的3d道路标识轮廓与所述车体坐标系下的道路标识数据进行匹配，得到所述道路标识匹配结果。
25.可选地，所述3d道路标识轮廓包括线型道路标识轮廓和非线型道路标识轮廓，所述基于所述车辆的相机外参，通过逆透视变换将所述道路标识轮廓信息转换到车体坐标系下，得到所述车体坐标系下的3d道路标识轮廓包括：
26.对所述线型道路标识轮廓，保留所述线型道路标识轮廓中的3d轮廓点；
27.对所述非线型道路标识轮廓，确定所述非线型道路标识轮廓的外接矩形，并保留所述外接矩形的各个顶点。
28.可选地，所述道路标识轮廓信息中包括道路标识轮廓，所述将所述道路标识轮廓信息与对应的高精矢量地图中的道路标识数据进行匹配，得到道路标识匹配结果包括：
29.根据所述道路标识轮廓对应的道路标识类型，将所述道路标识轮廓与所述高精矢量地图中的同一道路标识类型对应的各个道路标识数据进行匹配，得到所述道路标识轮廓对应的多个匹配结果；
30.根据所述道路标识轮廓对应的多个匹配结果确定所述道路标识匹配结果。
31.可选地，所述道路标识匹配结果包括非线型道路标识轮廓中的轮廓点与所述道路标识数据中相匹配的道路标识点的距离，以及线型道路标识轮廓中的轮廓点与所述道路标识数据中相匹配的道路标识线的距离；
32.所述根据所述道路标识匹配结果构建非线性优化模型包括：
33.根据所述非线型道路标识轮廓中的轮廓点与所述道路标识数据中相匹配的道路标识点的距离构建匹配点距离约束条件；
34.根据所述线型道路标识轮廓中的轮廓点与所述道路标识数据中相匹配的道路标识线的距离构建点到直线距离约束条件；
35.根据所述匹配点距离约束条件、所述点到直线距离约束条件以及初始定位信息约束条件，构建所述非线性优化模型。
36.第二方面，本技术实施例还提供一种车辆定位装置，其中，所述装置包括：
37.获取单元，用于获取车辆采集的道路图像，并利用预设语义分割模型对所述道路图像进行语义分割，得到语义分割图像；
38.预处理单元，用于按照预设预处理策略，对所述语义分割图像进行预处理，得到所述语义分割图像对应的道路标识轮廓信息；
39.匹配单元，用于将所述道路标识轮廓信息与对应的高精矢量地图中的道路标识数据进行匹配，得到道路标识匹配结果；
40.构建单元，用于根据所述道路标识匹配结果构建非线性优化模型；
41.定位校正单元，用于通过所述非线性优化模型确定定位校正信息，并通过所述定位校正信息对所述车辆的初始定位信息进行校正，得到所述车辆的最终定位结果。
42.第三方面，本技术实施例还提供一种电子设备，包括：
43.处理器；以及
44.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方法。
45.第四方面，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方法。
46.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：本技术实施例的车辆定位方法，先获取车辆采集的道路图像，并利用预设语义分割模型对道路图像进行语义分割，得到语义分割图像；然后按照预设预处理策略，对语义分割图像进行预处理，得到语义分割图像对应的道路标识轮廓信息；之后将道路标识轮廓信息与对应的高精矢量地图中的道路标识数据进行匹配，得到道路标识匹配结果；再根据道路标识匹配结果构建非线性优化模型；最后通过非线性优化模型确定定位校正信息，并通过定位校正信息对车辆的初始定位信息进行校正，得到车辆的最终定位结果。本技术实施例利用高精矢量地图的数据对车辆的初始定位信息进行校正，并通过构建非线性优化模型求解最优的定位校正信息，进一步提高了gps或者rtk定位信号较差时车辆的定位精度和定位稳定性，且相比于使用激光雷达等定位设备进行定位的方式来说，大大降低了定位成本，改善了结构相似场景的定位效果。
附图说明
47.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：
48.图1为本技术实施例中一种车辆定位方法的流程示意图；
49.图2为本技术实施例中一种车辆定位装置的结构示意图；
50.图3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
51.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。
52.以下结合附图，详细说明本技术各实施例提供的技术方案。
53.本技术实施例提供了一种车辆定位方法，如图1所示，提供了本技术实施例中一种车辆定位方法的流程示意图，所述方法至少包括如下的步骤s110至步骤s150：
54.步骤s110，获取车辆采集的道路图像，并利用预设语义分割模型对所述道路图像进行语义分割，得到语义分割图像。
55.本技术实施例在进行车辆定位时，先获取车辆上事先安装好的车载相机采集的道路图像，该道路图像可以是指车载相机在车辆行驶过程中针对周围可视范围内的路面以及路面上的车辆进行拍摄所得到的图像。
56.在得到道路图像后，进一步利用事先训练好的语义分割模型对道路图像进行语义分割处理，从而得到语义分割图像，该语义分割图像中的每个像素值都对应一种分割类型，这里的分割类型具体可以包括道路标识类型，包括但不限于：车道线、箭头、停止线、人行道等道路标识。上述语义分割模型可以基于现有的卷积神经网络训练得到，如lanenet模型，当然具体采用何种形式的语义分割模型，本领域技术人员可以根据实际需求灵活选择，在此不作具体限定。
57.步骤s120，按照预设预处理策略，对所述语义分割图像进行预处理，得到所述语义分割图像对应的道路标识轮廓信息。
58.在得到语义分割模型后，需要对语义分割模型进行一定的预处理操作，预处理的目的是为了确定语义分割图像中所包括的道路标识轮廓信息，例如每一个具体的道路标识都会对应一个道路标识轮廓，这里可以基于语义分割图像中的每个像素值对应的道路标识类型和相邻像素之间的距离来确定。
59.步骤s130，将所述道路标识轮廓信息与对应的高精矢量地图中的道路标识数据进行匹配，得到道路标识匹配结果。
60.上述基于语义分割模型得到的道路标识轮廓信息可以看作是基于深度学习得到的定位信息，虽然相比于传统视觉技术来说，数据的准确性和可靠性均有一定提高，但单纯依靠这些数据仍不足以满足自动驾驶场景下对于定位精度和定位稳定性的要求。
61.基于此，本技术实施例借助于事先构建好的高精矢量地图，进一步获取了高精矢量地图中的高精度的道路标识数据，通过将上面得到的道路标识轮廓信息与高精矢量地图中的道路标识数据进行匹配，从而在高精矢量地图中确定出与道路标识轮廓信息相匹配的道路标识数据，进而得到道路标识匹配结果。
62.高精矢量地图中的道路标识数据具体可以包括道路标识类型、几何描述以及所在车道等信息，如前所述，道路标识类型包括但不限于：车道线、箭头、停止线、人行道等，几何描述用于描述构成道路标识的点、线、多边形信息等。
63.步骤s140，根据所述道路标识匹配结果构建非线性优化模型。
64.道路标识匹配结果表征了基于语义分割模型得到的图像中的道路标识轮廓信息与高精矢量地图中的道路标识数据的匹配情况，但实际情况下，很难保证二者之间的完全匹配，也即会存在一定的匹配误差，因此，本技术实施例通过上述道路标识匹配结果构建非线性优化模型，从而可以通过非线性优化模型来求解最优的定位校正信息。
65.上述非线性优化模型具体可以采用最小二乘算法来实现，最小二乘算法的原理是通过最小化误差的平方和寻找数据的最佳函数匹配。当然，本领域技术人员也可以根据实际需求灵活选择其他类型的非线性优化模型，在此不作具体限定。
66.步骤s150，通过所述非线性优化模型确定定位校正信息，并通过所述定位校正信息对所述车辆的初始定位信息进行校正，得到所述车辆的最终定位结果。
67.在完成非线性优化模型的构建后，可以利用预设求解算法对非线性优化模型进行求解，从而得到最优的定位校正信息。本技术实施例在求解非线性优化模型时，可以利用预设梯度下降算法实现，例如可以采用gn(gauss-newton，高斯-牛顿法)算法或者lm(levenberg-marquardt，列文伯格-马夸尔特法)算法等。当然，具体采用哪种求解算法，本领域技术人员可以根据实际需求灵活选择，在此不作具体限定。
68.上述定位校正信息可以理解为是道路图像中的像素点与高精矢量地图中的道路标识点的相对变换关系，在确定了相对变换关系后，就可以利用该相对变换关系对车辆的初始定位信息进行校正了，也即利用该相对变换关系将初始定位信息转换为基于高精矢量地图得到的定位信息。
69.需要说明的是，本技术实施例的车辆定位方法可以用于当gps或者rtk定位信号较差时对初始定位信息进行校正，当然在gps或者rtk定位信号较好时，同样可以采用本技术实施例的车辆定位方法。
70.本技术实施例利用高精矢量地图的数据对车辆的初始定位信息进行校正，并通过构建非线性优化模型求解最优的定位校正信息，进一步提高了gps或者rtk定位信号较差时车辆的定位精度和定位稳定性，且相比于使用激光雷达等定位设备进行定位的方式来说，大大降低了定位成本，改善了结构相似场景的定位效果。
71.在本技术的一个实施例中，所述按照预设预处理策略，对所述语义分割图像进行预处理，得到所述语义分割图像对应的道路标识轮廓信息包括：查找所述语义分割图像中的道路标识轮廓，并记录所述道路标识轮廓中的轮廓点及对应的道路标识类型；对查找到的道路标识轮廓进行合并处理，得到合并后的道路标识轮廓；根据所述合并后的道路标识轮廓中的轮廓点的数量，对所述合并后的道路标识轮廓进行筛选，得到筛选后的道路标识轮廓；将所述筛选后的道路标识轮廓、所述筛选后的道路标识轮廓中的轮廓点及对应的道路标识类型作为所述语义分割图像对应的道路标识轮廓信息。
72.本技术实施例在获取语义分割图像中的道路标识轮廓信息时，可以先根据语义分割图像中每一个像素点的道路标识类型和像素点之间的距离查找到道路标识轮廓，例如，对于同一个车道线上的车道线点应该具有相同的道路标识类型，且这些车道线点在几何距离上是相近的，通过此种方式可以查找到语义分割图像中所包含的所有道路标识轮廓，同时记录下每个道路标识轮廓中所包含的轮廓点及对应的道路标识类型。
73.由于初步得到的道路标识轮廓会存在一定的误差，为了进一步减小误差，本技术实施例还可以对前述步骤得到的道路标识轮廓进行合并处理和筛选处理。
74.具体地，实际场景下，由于道路标识可能会被遮挡或者由于长期磨损而不再完整，导致同一个道路标识可能被分割为多个不同的道路标识，对于此种误分割的情况，可以基于相邻两个轮廓区域之间的几何距离以及道路标识类型等来进行道路标识轮廓的合并处理，即将本应该被分割为一个道路标识轮廓的多个道路标识轮廓合并，从而避免或者减轻上述误分割情况的影响。
75.在完成上述道路标识轮廓的合并处理后，还可以进一步根据合并后的道路标识轮廓中所包含的轮廓点的数量对道路标识轮廓进行筛选或者剔除，避免合并后的道路标识轮
廓中所包含的轮廓点数量过少，从而影响后续的匹配环节。
76.在本技术的一个实施例中，所述将所述道路标识轮廓信息与对应的高精矢量地图中的道路标识数据进行匹配，得到道路标识匹配结果包括：获取所述车辆的初始定位信息；基于所述初始定位信息，获取对应的高精矢量地图中的道路标识数据；将所述道路标识轮廓信息与所述高精矢量地图中的道路标识数据进行匹配，得到所述道路标识匹配结果。
77.本技术实施例在将道路标识轮廓信息与对应的高精矢量地图中的道路标识数据进行匹配时，可以先获取车辆的初始定位信息，初始定位信息可以通过多种定位方式获取到，例如可以包括gnss(global navigation satellite system，全球导航卫星系统)输出的定位信息，imu(inertial measurement unit，惯性测量单元)与轮式里程计分别单独给出或者融合后输出的定位信息，激光雷达输出的定位信息等。当然，具体如何获取初始定位信息，本领域技术人员可以根据实际需求灵活选择，在此不作具体限定。
78.初始定位信息中包含了车辆的初始位置坐标等，以该初始位置坐标为基准，可以获取距离该位置一定范围内的高精矢量地图中的道路标识数据，最后将获取到的局部的高精矢量地图中的道路标识数据与道路标识轮廓信息进行匹配，从而得到上述道路标识匹配结果。
79.在本技术的一个实施例中，所述将所述道路标识轮廓信息与对应的高精矢量地图中的道路标识数据进行匹配，得到道路标识匹配结果包括：基于所述车辆的相机外参，通过逆透视变换将所述道路标识轮廓信息转换到车体坐标系下，得到所述车体坐标系下的3d道路标识轮廓；基于所述车辆的初始定位信息，将所述高精矢量地图中的道路标识数据转换到所述车体坐标系下，得到所述车体坐标系下的道路标识数据；将所述车体坐标系下的3d道路标识轮廓与所述车体坐标系下的道路标识数据进行匹配，得到所述道路标识匹配结果。
80.由于本技术实施例基于道路图像得到的道路标识轮廓信息与对应的高精矢量地图中的道路标识数据分别对应不同的坐标系，因此为了保证匹配结果的准确性，可以先进行坐标系的统一变换。
81.具体地，可以先获取已经标定好的相机外参，然后基于相机外参，利用ipm(inverse perspective mapping，逆透视变换)方法将上述道路标识轮廓信息转换到车体坐标系下，从而得到车体坐标系下的3d道路标识轮廓。对于高精矢量地图中的道路标识数据，可以通过事先获取到的车辆的初始定位信息，将高精矢量地图中的道路标识数据也转换到车体坐标系下，从而得到车体坐标系下的道路标识数据。
82.上述采用的ipm方法具体可以表示为：
[0083][0084]
上式(1)中，[x
car
,y
car
,z
car
]
t
表示地面点在车体坐标系下的坐标，[u,v,1]
t
表示齐次像素坐标，r为相机坐标系到车体坐标系的旋转矩阵，t为相机坐标系到汽车坐标系的平移向量，d为地面点位于相机坐标系下的深度，k为相机内参矩阵(k-1
表示矩阵的逆)。
[0085]
需要说明的是，这里假设地面点在车体坐标系下的z值为0，即z
car
＝0，进而可利用下面公式(2)求出d，进而求出整个[x
car
,y
car
,z
car
]
t
。
[0086][0087]
上式中，r:3表示取向量第三行的值。
[0088]
经过上述坐标系变换过程，可以将道路标识轮廓信息和对应的高精矢量地图中的道路标识数据均统一到车体坐标系下，最后在车体坐标系下进行二者的相互匹配，从而提高匹配的准确性。
[0089]
在本技术的一个实施例中，所述3d道路标识轮廓包括线型道路标识轮廓和非线型道路标识轮廓，所述基于所述车辆的相机外参，通过逆透视变换将所述道路标识轮廓信息转换到车体坐标系下，得到所述车体坐标系下的3d道路标识轮廓包括：对所述线型道路标识轮廓，保留所述线型道路标识轮廓中的3d轮廓点；对所述非线型道路标识轮廓，确定所述非线型道路标识轮廓的外接矩形，并保留所述外接矩形的各个顶点。
[0090]
基于上述实施例得到的3d道路标识轮廓具体可以分为线型道路标识轮廓和非线型道路标识轮廓，线型道路标识轮廓例如可以包括车道线、停止线等，非线型道路标识轮廓例如可以包括箭头等。
[0091]
高精矢量地图中的道路标识数据同样也会区分上述两种类型的道路标识轮廓，对于线型道路标识轮廓，会记录该线型道路标识轮廓中的所有轮廓点以及这些轮廓点拟合后得到的直线方程等，对于非线型道路标识轮廓，通常会确定该非线型道路标识轮廓的外接矩形，并记录该外接矩形的四个顶点。
[0092]
基于此，为了提高匹配效率，本技术实施例对于3d道路标识轮廓中的线型道路标识轮廓，可以直接保留线型道路标识轮廓中所包含的所有轮廓点，而对于3d道路标识轮廓中的非线型道路标识轮廓，则可以先计算该非线型道路标识轮廓的外界矩形，并记录下该外接矩形的四个顶点，从而保证与高精矢量地图中道路标识数据的形式的一致性，提高匹配效率。
[0093]
当然，需要说明的是，对于非线型道路标识轮廓，也可以不计算外接矩形，直接保留所有轮廓点，同样能够进行后续的匹配环节。
[0094]
在本技术的一个实施例中，所述道路标识轮廓信息中包括道路标识轮廓，所述将所述道路标识轮廓信息与对应的高精矢量地图中的道路标识数据进行匹配，得到道路标识匹配结果包括：根据所述道路标识轮廓对应的道路标识类型，将所述道路标识轮廓与所述高精矢量地图中的同一道路标识类型对应的各个道路标识数据进行匹配，得到所述道路标识轮廓对应的多个匹配结果；根据所述道路标识轮廓对应的多个匹配结果确定所述道路标识匹配结果。
[0095]
本技术实施例的道路标识轮廓信息中可以包括多个道路标识轮廓，对每一个道路标识轮廓进行匹配时，可以先根据该道路标识轮廓对应的道路标识类型，在高精矢量地图中的道路标识数据找到同一道路标识类型的道路标识数据。举例说明，假设某一道路标识轮廓对应的道路标识类型为车道线，那么可以在对应的高精矢量地图中的道路标识数据中先过滤掉其他道路标识类型如停止线、箭头等道路标识对应的道路标识数据后再进行匹配，从而提高匹配效率。
[0096]
之后，在同一道路标识类型下进行道路标识轮廓信息的匹配时，具体可以分别计
算道路标识轮廓中的每一个轮廓点与对应的高精矢量地图中的道路标识点的几何距离，最后将几何距离最近的匹配结果作为最终的道路标识匹配结果。
[0097]
这里需要进一步说明的是，由于非线型道路标识轮廓仅保留了轮廓的外接矩形的四个顶点，因此在后续进行匹配时，可能会由于特征点较少而导致匹配不准确，因此这里可以在外接矩形的各个边上进行适当采样，从而得到更稠密的特征点数据，提高后续匹配的准确性。
[0098]
在本技术的一个实施例中，所述道路标识匹配结果包括非线型道路标识轮廓中的轮廓点与所述道路标识数据中相匹配的道路标识点的距离，以及线型道路标识轮廓中的轮廓点与所述道路标识数据中相匹配的道路标识线的距离；所述根据所述道路标识匹配结果构建非线性优化模型包括：根据所述非线型道路标识轮廓中的轮廓点与所述道路标识数据中相匹配的道路标识点的距离构建匹配点距离约束条件；根据所述线型道路标识轮廓中的轮廓点与所述道路标识数据中相匹配的道路标识线的距离构建点到直线距离约束条件；根据所述匹配点距离约束条件、所述点到直线距离约束条件以及初始定位信息约束条件，构建所述非线性优化模型。
[0099]
根据道路标识轮廓的类型不同，本技术实施例的道路标识匹配结果具体可以包括非线型道路标识轮廓中的轮廓点与道路标识数据中相匹配的道路标识点的距离，即匹配点的距离，以及线型道路标识轮廓中的轮廓点与道路标识数据中相匹配的道路标识线的距离，即点到直线的距离。
[0100]
基于上述两个维度的道路标识匹配结果，可以进一步根据非线型道路标识轮廓对应的匹配点的距离构建匹配点距离约束条件，根据线型道路标识轮廓对应的点到直线的距离构建点到直线距离约束条件。通过两个约束条件约束非线性优化模型的迭代过程，可以确定出道路图像中的像素点与高精矢量地图中的道路标识点的最优相对变换关系。
[0101]
除此之外，本技术实施例还引入了初始定位信息约束条件，也即将初始定位信息作为先验条件来约束模型的迭代过程，虽然初始定位信息不够准确，但仍可以在一定程度上提供参照，且引入初始定位信息进行进一步约束，可以大大提高模型收敛的速度。
[0102]
为了便于对本技术各实施例的理解，这里结合具体算法进一步列举了本技术实施例的非线性优化模型的构建过程：
[0103]
1)待优化状态量：统一在当前的车体坐标系下的匹配点的相对位姿变换t
delta
，具体是指相机图像经过ipm处理后得到的路面标识的3d点与高精矢量地图转到车体坐标系下的路面标识的3d点的相对位姿变换t
delta
；
[0104]
2)匹配点距离约束：
[0105]
一对匹配点的残差项：
[0106][0107]
上式(3)中，norm(
·
)表示对向量求模。
[0108]
总体优化目标函数：
[0109][0110]
3)点到直线距离约束：
[0111]
假设直线解析式为y＝kx+b，则点p(x0,y0)到直线的距离公式为：
[0112][0113]
总体优化目标函数：
[0114][0115]
4)初始定位信息约束：
[0116]
残差项：
[0117][0118]
总体优化目标函数：
[0119][0120]
上式(3)-(8)中，t
delta
为待优化状态量即待优化的相对位姿，其中包含了旋转和平移，t
ini
是初始相对位姿，该初始相对位姿可以根据匹配点用线性代数求解如svd(singular value decomposition，奇异值分解)或者初始化为一个单位阵，∑-1
为信息权重矩阵，∑为相机外参协方差矩阵，不同变量对应不同的信息权重，log(
·
)
∨
表示对数映射，例如可以将李群se3映射为李代数se3，方便优化求解。
[0121]
本技术实施例还提供了一种车辆定位装置200，如图2所示，提供了本技术实施例中一种车辆定位装置的结构示意图，所述装置200包括：获取单元210、预处理单元220、匹配单元230、构建单元240以及定位校正单元250，其中：
[0122]
获取单元210，用于获取车辆采集的道路图像，并利用预设语义分割模型对所述道路图像进行语义分割，得到语义分割图像；
[0123]
预处理单元220，用于按照预设预处理策略，对所述语义分割图像进行预处理，得到所述语义分割图像对应的道路标识轮廓信息；
[0124]
匹配单元230，用于将所述道路标识轮廓信息与对应的高精矢量地图中的道路标识数据进行匹配，得到道路标识匹配结果；
[0125]
构建单元240，用于根据所述道路标识匹配结果构建非线性优化模型；
[0126]
定位校正单元250，用于通过所述非线性优化模型确定定位校正信息，并通过所述定位校正信息对所述车辆的初始定位信息进行校正，得到所述车辆的最终定位结果。
[0127]
在本技术的一个实施例中，所述预处理单元220具体用于：查找所述语义分割图像中的道路标识轮廓，并记录所述道路标识轮廓中的轮廓点及对应的道路标识类型；对查找到的道路标识轮廓进行合并处理，得到合并后的道路标识轮廓；根据所述合并后的道路标识轮廓中的轮廓点的数量，对所述合并后的道路标识轮廓进行筛选，得到筛选后的道路标
识轮廓；将所述筛选后的道路标识轮廓、所述筛选后的道路标识轮廓中的轮廓点及对应的道路标识类型作为所述语义分割图像对应的道路标识轮廓信息。
[0128]
在本技术的一个实施例中，所述匹配单元230具体用于：获取所述车辆的初始定位信息；基于所述初始定位信息，获取对应的高精矢量地图中的道路标识数据；将所述道路标识轮廓信息与所述高精矢量地图中的道路标识数据进行匹配，得到所述道路标识匹配结果。
[0129]
在本技术的一个实施例中，所述匹配单元230具体用于：基于所述车辆的相机外参，通过逆透视变换将所述道路标识轮廓信息转换到车体坐标系下，得到所述车体坐标系下的3d道路标识轮廓；基于所述车辆的初始定位信息，将所述高精矢量地图中的道路标识数据转换到所述车体坐标系下，得到所述车体坐标系下的道路标识数据；将所述车体坐标系下的3d道路标识轮廓与所述车体坐标系下的道路标识数据进行匹配，得到所述道路标识匹配结果。
[0130]
在本技术的一个实施例中，所述3d道路标识轮廓包括线型道路标识轮廓和非线型道路标识轮廓，所述匹配单元230具体用于：对所述线型道路标识轮廓，保留所述线型道路标识轮廓中的3d轮廓点；对所述非线型道路标识轮廓，确定所述非线型道路标识轮廓的外接矩形，并保留所述外接矩形的各个顶点。
[0131]
在本技术的一个实施例中，所述道路标识轮廓信息中包括道路标识轮廓，所述匹配单元230具体用于：根据所述道路标识轮廓对应的道路标识类型，将所述道路标识轮廓与所述高精矢量地图中的同一道路标识类型对应的各个道路标识数据进行匹配，得到所述道路标识轮廓对应的多个匹配结果；根据所述道路标识轮廓对应的多个匹配结果确定所述道路标识匹配结果。
[0132]
在本技术的一个实施例中，所述道路标识匹配结果包括非线型道路标识轮廓中的轮廓点与所述道路标识数据中相匹配的道路标识点的距离，以及线型道路标识轮廓中的轮廓点与所述道路标识数据中相匹配的道路标识线的距离；所述构建单元240具体用于：根据所述非线型道路标识轮廓中的轮廓点与所述道路标识数据中相匹配的道路标识点的距离构建匹配点距离约束条件；根据所述线型道路标识轮廓中的轮廓点与所述道路标识数据中相匹配的道路标识线的距离构建点到直线距离约束条件；根据所述匹配点距离约束条件、所述点到直线距离约束条件以及初始定位信息约束条件，构建所述非线性优化模型。
[0133]
能够理解，上述车辆定位装置，能够实现前述实施例中提供的车辆定位方法的各个步骤，关于车辆定位方法的相关阐释均适用于车辆定位装置，此处不再赘述。
[0134]
图3是本技术的一个实施例电子设备的结构示意图。请参考图3，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。
[0135]
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3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。
[0136]
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。
[0137]
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，在逻辑层面上形成车辆定位装置。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：
[0138]
获取车辆采集的道路图像，并利用预设语义分割模型对所述道路图像进行语义分割，得到语义分割图像；
[0139]
按照预设预处理策略，对所述语义分割图像进行预处理，得到所述语义分割图像对应的道路标识轮廓信息；
[0140]
将所述道路标识轮廓信息与对应的高精矢量地图中的道路标识数据进行匹配，得到道路标识匹配结果；
[0141]
根据所述道路标识匹配结果构建非线性优化模型；
[0142]
通过所述非线性优化模型确定定位校正信息，并通过所述定位校正信息对所述车辆的初始定位信息进行校正，得到所述车辆的最终定位结果。
[0143]
上述如本技术图1所示实施例揭示的车辆定位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。
[0144]
该电子设备还可执行图1中车辆定位装置执行的方法，并实现车辆定位装置在图1所示实施例的功能，本技术实施例在此不再赘述。
[0145]
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所示实施例中车辆定位装置执行的方法，并具体用于执行：
[0146]
获取车辆采集的道路图像，并利用预设语义分割模型对所述道路图像进行语义分割，得到语义分割图像；
[0147]
按照预设预处理策略，对所述语义分割图像进行预处理，得到所述语义分割图像对应的道路标识轮廓信息；
[0148]
将所述道路标识轮廓信息与对应的高精矢量地图中的道路标识数据进行匹配，得到道路标识匹配结果；
[0149]
根据所述道路标识匹配结果构建非线性优化模型；
[0150]
通过所述非线性优化模型确定定位校正信息，并通过所述定位校正信息对所述车辆的初始定位信息进行校正，得到所述车辆的最终定位结果。
[0151]
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。
[0152]
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。
[0153]
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。
[0154]
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。
[0155]
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。
[0156]
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。
[0157]
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。
[0158]
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。
[0159]
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。
[0160]
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。