基于多传感器的车辆定位方法、装置、设备及介质与流程

1.本发明涉及自动驾驶技术领域，尤其是涉及一种基于多传感器的车辆定位方法、装置、设备及可读存储介质。


背景技术：

2.自动驾驶汽车又称无人驾驶汽车、电脑驾驶汽车或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车，汽车自动驾驶技术通常采用车身上设置的各类传感器来了解周围的交通状况，并通过一个详尽的地图对前方的道路进行导航。
3.在自动驾驶领域中，精确的定位是非常重要的一环。但是，在对现有技术的研究与实践的过程中，本发明的发明人发现，目前在现有技术中，对自动驾驶中的车辆进行定位时是通过车身can总线获取自车的车速、横向和纵向线加速度等进行计算，实现自车定位。现有技术只考虑车身can信息进行定位，容易导致定位精度低的问题，甚至影响后续的车辆自动驾驶的安全。


技术实现要素：

4.本发明实施例所要解决的技术问题在于，提供一种基于多传感器的车辆定位方法、装置、设备及可读存储介质，能够通过对全车传感器的采集数据进行统筹分类，通过对整车多个传感器数据的采集和分类融合，结合改进的ukf算法实现自动驾驶车辆的精准定位。
5.为解决上述问题，本技术实施例的第一方面提供了一种基于多传感器的车辆定位方法，至少包括如下步骤：
6.获取预设周期内自动驾驶车辆中所有传感器的采集数据，生成传感器数据集合；
7.对所述传感器数据集合先后进行数据特征提取以及数据融合，得到最优传感器数据集合；
8.采用预设ukf算法根据所述最优传感器数据集合进行定位计算，得到所述自动驾驶车辆的定位数据。
9.在第一方面的一种可能的实现方式中，所述预设ukf算法，包括：
10.根据初始参数各个传感器的采集计算权重；
11.根据k-1时刻的状态向量和状态协方差矩阵计算sigma点值；
12.预测k时刻的状态向量和状态协方差矩阵；
13.计算状态预测的sigma点；
14.计算量测创新协方差矩阵、状态和量测协方差矩阵；
15.根据k时刻的量测值计算卡尔曼滤波的增益、状态向量的滤波值和状态协方差矩阵，计算自适应过程噪声协方差矩阵和自适应测量噪声协方差矩阵；
16.对计算结果进行修正估计。
17.在第一方面的一种可能的实现方式中，所述传感器包括相机视觉传感器、毫米波
雷达传感器、激光雷达传感器、超声波雷达传感器、imu/gps传感器以及v2x车联网设备。
18.在第一方面的一种可能的实现方式中，所述对所述传感器数据集合先后进行数据特征提取以及数据融合，得到最优传感器数据集合，包括：
19.根据各传感器的类型以及各类型对应的特征提取算法，分别对各采集数据进行特征提取，获得每个采集数据对应的一类或多类特征数据；其中，所述特征数据的类别包括用户输入类、车道信息类、交通标志类、目标对象类和位置类；
20.将同类别的特征数据进行数据融合，获得每个类别对应的融合数据，生成得到最优传感器数据集合。
21.在第一方面的一种可能的实现方式中，所述分别对各采集数据进行特征提取，获得每个采集数据对应的一类或多类特征数据，具体为：
22.当所述采集数据为相机视觉传感器采集数据时，对所述相机视觉传感器采集数据进行图像特征提取，分别获得车道信息类、交通标志类和目标对象类各自对应的特征数据；
23.当所述采集数据为毫米波雷达传感器采集数据、激光雷达传感器采集数据或超声波雷达传感器采集数据时，对采集数据进行目标特征提取，获得目标对象类对应的特征数据；
24.当所述采集数据为imu传感器采集数据时，对所述imu传感器采集数据进行信息特征提取，获得用户输入类对应的特征数据；
25.当所述采集数据为gps传感器采集数据时，对所述gps传感器采集数据进行位置特征提取，获得位置类对应的特征数据；
26.当所述采集数据为v2x车联网设备采集数据时，对所述v2x车联网设备采集数据进行综合特征提取，分别获得用户输入类、车道信息类和位置类对应的特征数据。
27.在第一方面的一种可能的实现方式中，所述将同类别的特征数据进行数据融合，获得每个类别对应的融合数据，生成得到最优传感器数据集合，具体为：
28.根据预设的目标状态融合算法或目标特性融合算法，将同类别的特征数据进行特征层融合，获得每个类别对应的融合数据，根据每个类别对应的融合数据生成得到最优传感器数据集合。
29.相应地，本技术实施例的第二方面提供了一种基于多传感器的车辆定位装置，包括：
30.传感器数据采集模块，用于获取预设周期内自动驾驶车辆中所有传感器的采集数据，生成传感器数据集合；
31.传感器数据处理模块，用于对所述传感器数据集合先后进行数据特征提取以及数据融合，得到最优传感器数据集合；
32.定位计算模块，用于采用预设ukf算法根据所述最优传感器数据集合进行定位计算，得到所述自动驾驶车辆的定位数据。
33.在第二方面的一种可能的实现方式中，所述传感器数据处理模块，包括：
34.数据特征提取单元，用于根据各传感器的类型以及各类型对应的特征提取算法，分别对各采集数据进行特征提取，获得每个采集数据对应的一类或多类特征数据；其中，所述特征数据的类别包括：用户输入类、车道信息类、交通标志类、目标对象类和位置类；
35.数据融合单元，用于将同类别的特征数据进行数据融合，获得每个类别对应的融
合数据，生成得到最优传感器数据集合。
36.本技术实施例的第三方面还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的基于多传感器的车辆定位方法的步骤。
37.本技术实施例的第四方面还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的基于多传感器的车辆定位方法的步骤。
38.实施本发明实施例，具有如下有益效果：
39.本发明实施例提供的一种基于多传感器的车辆定位方法、装置、设备及可读存储介质，其中方法包括：首先获取预设周期内自动驾驶车辆中所有传感器的采集数据，生成传感器数据集合；然后对所述所述传感器数据集合进行数据特征提取，再将同类别的特征数据进行数据融合，得到最优传感器数据集合；最后采用改进ukf算法根据所述最优传感器数据集合进行定位计算，得到所述自动驾驶车辆的定位数据。相比于现有技术只考虑车身can信息进行定位，本发明实施例通过对全车传感器的采集数据进行统筹分类，通过对整车多个传感器数据的采集和分类融合，结合改进的ukf算法实现自动驾驶车辆的精准定位，满足考虑多传感器融合定位的需求的同时，大大提高车辆定位的精准度和可靠性。
附图说明
40.图1为本技术一实施例的基于多传感器的车辆定位方法的流程示意图；
41.图2为本技术一实施例的基于多传感器的车辆定位装置的结构示意框图；
42.图3为本技术一实施例的计算机设备的结构示意框图。
43.本技术目的的实现、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
44.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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。
45.在本技术的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
46.首先介绍本发明可以提供的应用场景，如提供一种基于多传感器的车辆定位方法、装置、设备及可读存储介质，能够通过对整车多个传感器数据的采集和分类融合，结合改进的ukf算法实现自动驾驶车辆的精准定位。
47.本发明第一实施例：
48.请参阅图1。
49.如图1所示，本实施例提供了一种基于多传感器的车辆定位方法，至少包括如下步骤：
50.s1、获取预设周期内自动驾驶车辆中所有传感器的采集数据，生成传感器数据集合；
51.在优选的实施例中，所述传感器包括相机视觉传感器、毫米波雷达传感器、激光雷达传感器、超声波雷达传感器、imu/gps传感器以及v2x车联网设备。
52.s2、对所述传感器数据集合先后进行数据特征提取以及数据融合，得到最优传感器数据集合；
53.s3、采用预设ukf算法根据所述最优传感器数据集合进行定位计算，得到所述自动驾驶车辆的定位数据。
54.在现有技术中，对自动驾驶中的车辆进行定位时是通过车身can总线获取自车的车速、横向和纵向线加速度等进行计算，实现自车定位。但现有技术只考虑车身can信息进行定位，容易导致定位精度低的问题，甚至影响后续的车辆自动驾驶的安全。为了解决上述技术问题，本实施例首先获取预设周期内自动驾驶车辆中所有传感器的采集数据，生成传感器数据集合；然后对所述所述传感器数据集合进行数据特征提取，再将同类别的特征数据进行数据融合，得到最优传感器数据集合；最后采用改进ukf算法根据所述最优传感器数据集合进行定位计算，得到所述自动驾驶车辆的定位数据。相比于现有技术只考虑车身can信息进行定位，本发明实施例通过对全车传感器的采集数据进行统筹分类，通过对整车多个传感器数据的采集和分类融合，结合改进的ukf算法实现自动驾驶车辆的精准定位，满足考虑多传感器融合定位的需求的同时，大大提高车辆定位的精准度和可靠性。
55.具体的，对于步骤s1，获取预设周期内自动驾驶车辆中所有传感器的采集数据；其中，所述传感器包括相机视觉传感器、毫米波雷达传感器、激光雷达传感器、超声波雷达传感器、imu/gps传感器以及v2x车联网设备。
56.在本实施例中，预设周期可以但不限于由自动驾驶系统根据控制策略进行设置、或者人工自定义设置。各传感器的采集数据可以但不限于通过车辆总线或无线通信发送给整车控制器或本发明实施例的执行主体。
57.作为本发明实施例的一种，除了步骤s1所述的传感器外，还可以包括类别其他传感器，如磁力、重力、光学等传感器。
58.具体的，对于步骤s2，主要对所述传感器数据集合先后进行数据特征提取以及数据融合，得到最优传感器数据集合。
59.具体的，对于步骤s3，主要采用预设改进后的ukf算法根据所述最优传感器数据集合进行定位计算，从而得到所述自动驾驶车辆的定位数据。
60.在优选的实施例中，所述预设ukf算法为本实施例改进的ukf算法，具体包括：根据初始参数各个传感器的采集计算权重；根据k-1时刻的状态向量和状态协方差矩阵计算sigma点值；预测k时刻的状态向量和状态协方差矩阵；计算状态预测的sigma点；计算量测创新协方差矩阵、状态和量测协方差矩阵；根据k时刻的量测值计算卡尔曼滤波的增益、状态向量的滤波值和状态协方差矩阵，计算自适应过程噪声协方差矩阵和自适应测量噪声协方差矩阵；对计算结果进行修正估计。
61.在优选的实施例中，所述步骤s2具体可以包括：
62.s21、根据各传感器的类型以及各类型对应的特征提取算法，分别对各采集数据进行特征提取，获得每个采集数据对应的一类或多类特征数据；其中，所述特征数据的类别包
括用户输入类、车道信息类、交通标志类、目标对象类和位置类；
63.s22、将同类别的特征数据进行数据融合，获得每个类别对应的融合数据，生成得到最优传感器数据集合。
64.在优选的实施例中，所述步骤s21具体可以包括：
65.当所述采集数据为相机视觉传感器采集数据时，对所述相机视觉传感器采集数据进行图像特征提取，分别获得车道信息类、交通标志类和目标对象类各自对应的特征数据；
66.当所述采集数据为毫米波雷达传感器采集数据、激光雷达传感器采集数据或超声波雷达传感器采集数据时，对采集数据进行目标特征提取，获得目标对象类对应的特征数据；
67.当所述采集数据为imu传感器采集数据时，对所述imu传感器采集数据进行信息特征提取，获得用户输入类对应的特征数据；
68.当所述采集数据为gps传感器采集数据时，对所述gps传感器采集数据进行位置特征提取，获得位置类对应的特征数据；
69.当所述采集数据为v2x车联网设备采集数据时，对所述v2x车联网设备采集数据进行综合特征提取，分别获得用户输入类、车道信息类和位置类对应的特征数据。
70.在具体的实施例中，由于每个类别的传感器所采集的数据并不相同，因此每个采集数据可以提取出一类或多类的特征数据，具体要提取什么类别、提取类别的数据可以按照上述记载内容设置或者根据实际情况设置。而特征数据的类别包括用户输入类、车道信息类、交通标志类、目标对象类和位置类。
71.用户输入类的数据包括用户在车载界面输入的相关信息或指令、用户在地图服务上的操作、默认配置的指令和用户设置的定位数据等。车道信息类的数据包括：识别的车道信息和拍摄的车道信息等。交通标志类的数据包括：地图服务上的交通标志说明信息和相机拍摄的交通标志信息。目标对象类的数据包括：相机拍摄的目标对象信息、声波雷达检测到的目标对象信息和激光雷达检测到的目标对象信息。位置类的数据包括导航系统检测到的位置信息、天线测量到的位置信息和用户输入的自定义位置信息。
72.在本实施例中，相机视觉传感器对应的是车道信息类、交通标志类和目标对象类。毫米波雷达传感器对应目标对象类、激光雷达传感器对应目标对象类、超声波雷达传感器对应目标对象类。imu传感器对应用户输入类，gps传感器对应位置类，v2x车联网设备对应用户输入类、车道信息类和位置类。
73.在本实施例中的图像特征提取、目标特征提取、信息特征提取、位置特征提取和综合特征提取为现有技术，在此不再赘述。
74.在优选的实施例中，所述步骤s22具体可以包括：
75.根据预设的目标状态融合算法或目标特性融合算法，将同类别的特征数据进行特征层融合，获得每个类别对应的融合数据，根据每个类别对应的融合数据生成得到最优传感器数据集合。
76.在具体的实施例中，根据预设的目标状态融合算法或目标特性融合算法，将同类别的特征数据进行特征层融合，获得每个类别对应的融合数据，根据每个类别对应的融合数据生成得到最优传感器数据集合。特征层融合是指对传感器的原始信息进行特征提取(特征可以是目标的边缘、方向、速度等)，然后对特征信息进行综合分析和处理，根据每个
类别对应的融合数据生成得到最优传感器数据集合。特征层融合可分为两大类:一类是目标状态融合；另一类是目标特性融合。本发明实施例通过整车的传感器的数据在特征层融合，不仅压缩了信息便于实时处理，而且融合结果能最大限度的给出定位计算所需要的特征信息。具体的融合算法为现有技术，在此不再赘述。需要强调的是，本发明实施例的创造性体现在通过整车传感器数据的分类融合结果实现了自动驾驶车辆的精准定位，而不在于使用了哪种融合算法。
77.本实施例提供的一种基于多传感器的车辆定位方法，包括：首先获取预设周期内自动驾驶车辆中所有传感器的采集数据，生成传感器数据集合；然后对所述所述传感器数据集合进行数据特征提取，再将同类别的特征数据进行数据融合，得到最优传感器数据集合；最后采用改进ukf算法根据所述最优传感器数据集合进行定位计算，得到所述自动驾驶车辆的定位数据。相比于现有技术只考虑车身can信息进行定位，本实施例通过对全车传感器的采集数据进行统筹分类，通过对整车多个传感器数据的采集和分类融合，结合改进的ukf算法实现自动驾驶车辆的精准定位，满足考虑多传感器融合定位的需求的同时，大大提高车辆定位的精准度和可靠性。
78.ukf算法即无迹卡尔曼滤波，sigma点即运算关键点，k时刻表示某一时刻，k-1时刻表示k时刻的上一时间点，本发明根据参数各个传感器的采集计算权重；根据k-1时刻的状态向量和状态协方差矩阵计算sigma点值；预测k时刻的状态向量和状态协方差矩阵；计算状态预测的sigma点；计算量测创新协方差矩阵、状态和量测协方差矩阵；根据k时刻的量测值计算卡尔曼滤波的增益、状态向量的滤波值和状态协方差矩阵，计算自适应过程噪声协方差矩阵和自适应测量噪声协方差矩阵；对计算结果进行修正估计，通过不同时刻的sigma点的运算、预测和差值修正，保证了计算结果的精确性，尤其是运用在车辆自动驾驶定位过程中，具有突出的精确计算效果。
79.本发明第二实施例：
80.请参阅图2。
81.如图2所示，本实施例提供了一种基于多传感器的车辆定位装置，包括：
82.传感器数据采集模块100，用于获取预设周期内自动驾驶车辆中所有传感器的采集数据，生成传感器数据集合。
83.其中，所述传感器包括：相机视觉传感器、毫米波雷达传感器、激光雷达传感器、超声波雷达传感器、imu/gps传感器以及v2x车联网设备。
84.传感器数据处理模块200，用于对所述传感器数据集合先后进行数据特征提取以及数据融合，得到最优传感器数据集合。
85.定位计算模块300，用于采用预设ukf算法根据所述最优传感器数据集合进行定位计算，得到所述自动驾驶车辆的定位数据。
86.在优选的实施例中，所述预设ukf算法，包括：根据初始参数各个传感器的采集计算权重；根据k-1时刻的状态向量和状态协方差矩阵计算sigma点值；预测k时刻的状态向量和状态协方差矩阵；计算状态预测的sigma点；计算量测创新协方差矩阵、状态和量测协方差矩阵；根据k时刻的量测值计算卡尔曼滤波的增益、状态向量的滤波值和状态协方差矩阵，计算自适应过程噪声协方差矩阵和自适应测量噪声协方差矩阵；对计算结果进行修正估计。
87.在优选的实施例中，所述传感器数据处理模块200具体可以包括：
88.数据特征提取单元，用于根据各传感器的类型以及各类型对应的特征提取算法，分别对各采集数据进行特征提取，获得每个采集数据对应的一类或多类特征数据；其中，所述特征数据的类别包括：用户输入类、车道信息类、交通标志类、目标对象类和位置类；
89.数据融合单元，用于将同类别的特征数据进行数据融合，获得每个类别对应的融合数据，生成得到最优传感器数据集合。
90.在优选的实施例中，所述数据特征提取单元具体可以包括：
91.第一提取子单元，用于当所述采集数据为相机视觉传感器采集数据时，对所述相机视觉传感器采集数据进行图像特征提取，分别获得车道信息类、交通标志类和目标对象类各自对应的特征数据；
92.第二提取子单元，用于当所述采集数据为毫米波雷达传感器采集数据、激光雷达传感器采集数据或超声波雷达传感器采集数据时，对采集数据进行目标特征提取，获得目标对象类对应的特征数据；
93.第三提取子单元，用于当所述采集数据为imu传感器采集数据时，对所述imu传感器采集数据进行信息特征提取，获得用户输入类对应的特征数据；
94.第四提取子单元，用于当所述采集数据为gps传感器采集数据时，对所述gps传感器采集数据进行位置特征提取，获得位置类对应的特征数据；
95.第五提取子单元，用于当所述采集数据为v2x车联网设备采集数据时，对所述v2x车联网设备采集数据进行综合特征提取，分别获得用户输入类、车道信息类和位置类对应的特征数据。
96.本实施例首先通过传感器数据采集模块获取预设周期内自动驾驶车辆中所有传感器的采集数据，生成传感器数据集合；再通过传感器数据处理模块对所述传感器数据集合先后进行数据特征提取以及数据融合，得到最优传感器数据集合；最后通过定位计算模块采用预设ukf算法根据所述最优传感器数据集合进行定位计算，得到所述自动驾驶车辆的定位数据。相比于现有技术只考虑车身can信息进行定位，本实施例通过对全车传感器的采集数据进行统筹分类，通过对整车多个传感器数据的采集和分类融合，结合改进的ukf算法实现自动驾驶车辆的精准定位，满足考虑多传感器融合定位的需求的同时，大大提高车辆定位的精准度和可靠性。
97.参照图3，本技术实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存基于多传感器的车辆定位方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于多传感器的车辆定位方法。所述基于多传感器的车辆定位方法，包括：首先获取预设周期内自动驾驶车辆中所有传感器的采集数据，生成传感器数据集合；然后对所述所述传感器数据集合进行数据特征提取，再将同类别的特征数据进行数据融合，得到最优传感器数据集合；最后采用改进ukf算法根据所述最优传感器数据集合进行定位计算，得到所述自动驾驶
车辆的定位数据。
98.本技术一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于多传感器的车辆定位方法，包括步骤：首先获取预设周期内自动驾驶车辆中所有传感器的采集数据，生成传感器数据集合；然后对所述所述传感器数据集合进行数据特征提取，再将同类别的特征数据进行数据融合，得到最优传感器数据集合；最后采用改进ukf算法根据所述最优传感器数据集合进行定位计算，得到所述自动驾驶车辆的定位数据。
99.上述执行的基于多传感器的车辆定位方法，相比于现有技术只考虑车身can信息进行定位，本实施例通过对全车传感器的采集数据进行统筹分类，通过对整车多个传感器数据的采集和分类融合，结合改进的ukf算法实现自动驾驶车辆的精准定位，满足考虑多传感器融合定位的需求的同时，大大提高车辆定位的精准度和可靠性。
100.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
101.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述模块的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
102.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
103.另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
104.以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变形，这些改进和变形也视为本发明的保护范围。
105.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。