结合动态和静态特征的语义定位方法、电子设备和介质与流程

1.本发明涉及自动驾驶技术领域，特别是一种结合动态和静态特征的语义定位方法、电子设备和机器可读存储介质。


背景技术：

2.定位技术是自动驾驶等机器人应用技术的基础和核心技术之一，为机器人提供位置和姿态，即位姿信息。按定位原理，现有定位技术可以分为几何定位、航位推算、特征定位等。
3.几何定位依赖于定位设施，受信号遮挡、反射等影响，在隧道、高架等场景下会失效。航位推算的局限性在于，随着推算距离的增加，定位误差会不断累积增大。特征定位技术在自动驾驶等机器人技术领域广泛应用。现有技术中，特征定位选取车辆行驶过程中实时检测的静态特征与特征地图做对齐，进行定位，动态物则需要滤除。然而，动态物在行车环境中是普遍存在的，在特定的场景中，甚至占了大多数，比如拥堵场景，导致过滤工作量大。而在另外一些情况下，比如由于遮挡等原因，动态物的滤除是困难的，增加了计算难度，并将影响定位的鲁棒性和精度。


技术实现要素：

4.鉴于上述问题，提出了一种克服上述问题或者至少部分地解决上述问题的结合动态和静态特征的语义定位方法、电子设备和机器可读存储介质。
5.本发明的一个目的在于提供一种结合静态特征和动态特征的语义定位方法，使定位过程更加鲁棒和高精度。
6.本发明的一个进一步的目的在于增加待配准的道路3d观测数据中包含的道路语义信息，以进一步提高定位精度。
7.特别地，根据本发明实施例的一方面，提供了一种结合动态和静态特征的语义定位方法，包括：
8.实时获取传感器对车辆所在道路的3d感测信息，对所述3d感测信息进行处理获得道路语义信息，所述道路语义信息包括静态语义特征和动态语义特征；
9.基于所述道路语义信息生成包括所述静态语义特征和所述动态语义特征的道路3d观测数据；
10.将所述道路3d观测数据与预构建的特征地图进行语义信息配准，通过代价函数优化法求取最优的配准位姿，从而实现所述车辆的定位，其中，所述特征地图包括特征矢量信息和道路规则信息，所述代价函数基于所述道路3d观测数据中的静态语义特征与所述特征地图的特征矢量信息以及所述道路3d观测数据中的动态语义特征与所述特征地图的道路规则信息之间的匹配而构建，所述最优的配准位姿使所述代价函数的值最小。
11.可选地，实时获取传感器对车辆所在道路的3d感测信息，对所述3d感测信息进行处理获得道路语义信息的步骤包括：
12.实时获取传感器对车辆所在道路的多帧3d感测信息，对各帧所述3d感测信息进行包括分割和识别在内的处理，获得与多帧所述3d感测信息一一对应的多帧道路语义信息；
13.基于所述道路语义信息生成包含所述静态语义特征和所述动态语义特征的道路3d观测数据的步骤包括：
14.通过指定位姿推算算法，计算出与多帧所述道路语义信息一一对应的多帧车辆相对位姿；
15.根据所述多帧车辆相对位姿，将多帧所述道路语义信息拼接到一起以得到所述道路3d观测数据。
16.可选地，通过指定位姿推算算法，计算出与多帧所述道路语义信息一一对应的多帧车辆相对位姿的步骤包括：
17.通过航位推算算法，计算出获取每一帧所述3d感测信息时车辆相对于指定原点处车辆位姿的相对位姿，从而得到与多帧所述道路语义信息一一对应的多帧车辆相对位姿。
18.可选地，根据所述多帧车辆相对位姿，将多帧所述道路语义信息拼接到一起以得到所述道路3d观测数据的步骤包括：
19.根据所述多帧车辆相对位姿，计算各帧所述道路语义信息与最新帧的所述道路语义信息之间的相对位姿；
20.通过各所述相对位姿，将各帧所述道路语义信息转换到所述最新帧以得到转换后的各帧道路语义信息；
21.将所述转换后的各帧道路语义信息全部累加到一起以得到所述道路3d观测数据。
22.可选地，将所述道路3d观测数据与预构建的特征地图进行语义信息配准，通过代价函数优化法求取最优的配准位姿的步骤包括：
23.构建静态特征代价函数，所述静态特征代价函数等于所述道路3d观测数据中的各静态语义特征通过配准位姿变换后与所述特征地图中对应的特征矢量信息之间的重投影误差的和；
24.根据所述特征地图的所述道路规则信息构建所述道路的多个地图区域，并基于所述道路3d观测数据的动态语义特征和所述地图区域构建动态特征代价函数，其中所述多个地图区域包括不同交通参与者的可运行区域和所述道路中除所述可运行区域之外的不可运行区域，所述动态特征代价函数等于所述道路3d观测数据中的各动态语义特征通过配准位姿变换后与对应的所述地图区域之间的匹配程度的和；
25.以所述静态特征代价函数和所述动态特征代价函数的加和作为待优化的代价函数，并求取使所述待优化的代价函数的值最小的最优的配准位姿。
26.可选地，所述道路3d观测数据中的各动态语义特征通过配准位姿变换后与对应的所述地图区域之间的匹配程度通过以下方式确定：
27.对于每一所述动态语义特征，若所述动态语义特征通过配准位姿变换后落到正确的对应的所述地图区域，则所述匹配程度确定为1；
28.若所述动态语义特征通过配准位姿变换后落到错误的对应的所述地图区域，则所述匹配程度确定为0。
29.可选地，所述可运行区域包括机动车道、非机动车道、人行道中至少之一，且各所述可运行区域带有可行使方向信息；
30.所述不可运行区域包括绿化带、建筑物、水道中至少之一。
31.可选地，所述特征地图通过高精度定位设备和传感器采集道路信息预先构建；
32.所述特征矢量信息包括路面物体信息和路面标识信息，所述路面物体包括灯杆、路牌、路沿、护栏中至少之一，所述路面标识包括实线、虚线、箭头、路面文字中至少之一；
33.所述道路规则信息包括机动车道、非机动车道、道路航向、道路范围中至少之一。
34.根据本发明实施例的另一方面，还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的机器可执行程序，并且所述处理器执行所述机器可执行程序时实现前述的结合动态和静态特征的语义定位方法。
35.根据本发明实施例的又一方面，还提供了一种机器可读存储介质，其上存储有机器可执行程序，所述机器可执行程序被处理器执行时实现前述的结合动态和静态特征的语义定位方法。
36.本发明的结合动态和静态特征的语义定位方法中，在车辆行驶时，将实时获取的动态特征和静态特征与预先构建的特征地图做对齐来实现定位。与现有技术比较，本发明的方案创造性地将原本被视为噪声项的动态信息用于定位过程，即，从单一的静态特征信息对齐，拓展到动态和静态特征信息共同对齐，提高了定位过程的鲁棒性和精度。
37.进一步地，本发明的结合动态和静态特征的语义定位方法中，将道路的多帧3d感测信息对应的道路语义信息拼接为一帧道路3d观测数据用于与特征地图进行配准。相比较于单帧3d观测数据，该由多帧道路语义信息拼接得到的待配准的道路3d观测数据包含更多的道路语义信息，使配准更加精确，从而进一步提高定位过程的精度。
38.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
39.根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
40.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
41.图1示出了根据本发明一实施例的结合动态和静态特征的语义定位方法的流程示意图；
42.图2示出了根据本发明另一实施例的结合动态和静态特征的语义定位方法的流程示意图；
43.图3示出了根据本发明一实施例的特征地图的示意图；
44.图4示出了根据本发明一实施例的结合动态和静态特征进行语义定位的示意图；
45.图5示出了根据本发明一实施例的电子设备的示意性结构框图。
具体实施方式
46.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。
47.定位技术是自动驾驶等机器人应用技术的基础和核心技术之一。按定位原理，定位技术可以分为几何定位、航位推算、特征定位。
48.几何定位是对已知位置的参考设备进行测距或者测角，再通过几何计算确定自身位置。几何定位包括gnss(global navigation satellite system，全球导航卫星系统)、uwb(ultra wide band，超宽带)、蓝牙、5g等技术，提供绝对定位信息。在智能汽车应用中以gnss技术应用最广。gnss定位基于卫星定位技术，分为单点定位、差分gps定位、rtk(real-time kinematic，实时动态)gps定位，其中单点定位提供3～10米定位精度，差分gps定位提供0.5～2米定位精度，rtk gps定位提供厘米级定位精度。几何定位的局限性是依赖于定位设施，受信号遮挡、反射等影响，在隧道、高架等场景下失效。
49.航位推算(dead reckoning)是从上一时刻位置出发，根据imu(inertial measurement unit，惯性测量单元)和轮速计等传感器的运动数据推算下一时刻的位置，提供的是相对定位信息。航位推算的局限性是随着推算距离的增加，定位误差会不断累积增大。
50.特征定位首先获取周围环境的若干特征，如基站id、wifi指纹、图像、lidar点云等。然后将观测特征和事先建立的特征地图进行匹配，确定在特征地图中的位置，可提供绝对定位信息。影响特征定位的直接因素是特征的数量、质量和区分度。特征定位的局限性是因为场景、环境等因素影响特征观测时，定位精度和稳定性下降。
51.特征定位的一般做法是选取静态特征，用其事先建立特征地图。在车辆行驶过程中，将实时检测的静态特征与特征地图做对齐，进行定位。特征定位选取静态特征(包括车道标识、路沿、护栏、建筑物等)的原因是静态特征稳定存在于环境中，而动态物(包括运动和静止的机动车、非机动车、行人等)因为是不稳定的，通常需要滤除，以避免对定位产生干扰。然而，动态物在行车环境中是普遍存在的，在特定的场景中，甚至占了大多数，比如拥堵场景。而在另外一些情况下，比如由于遮挡等原因，动态物的滤除会比较困难，这增加了特征定位的难度，也影响定位的鲁棒性和精度。
52.为解决或至少部分解决上述技术问题，本发明实施例提出一种结合动态和静态特征的语义定位方法。该方法先通过传感器获取道路的动静态特征信息，事先建立特征地图；在车辆行驶时，将实时获取的动静态特征与特征地图做对齐，实现定位。
53.为便于方案阐述，首先明确坐标定义。本发明中定义世界坐标系w，其与实际地理位置保持固定关系，比如可采用地球地心坐标系ecef(earth-centered,earth-fixed)。还定义载体坐标系b，对车辆而言亦可称为车体坐标系，其固定于载体的某一固定位置，比如车辆后轴中心。车辆位姿，即车体坐标系在世界坐标系中的6dof(degree of freedom，自由度)位姿wpb＝twb。再定义传感器坐标系s，也称观测坐标系。传感器获取的测量数据均基于传感器坐标系。通常传感器固定在载体上，随载体做刚体运动，因此传感器坐标系与载体坐标系之间有一个固定的转换关系tbs，即传感器外参。
54.图1示出了根据本发明一实施例的结合动态和静态特征的语义定位方法的流程示意图。参见图1，该方法至少可以包括以下步骤s102至步骤s106。
55.步骤s102，实时获取传感器对车辆所在道路的3d感测信息，对3d感测信息进行处理获得道路语义信息，道路语义信息包括静态语义特征和动态语义特征；
56.步骤s104，基于道路语义信息生成包括静态语义特征和动态语义特征的道路3d观测数据；
57.步骤s106，将道路3d观测数据与预构建的特征地图进行语义信息配准，通过代价函数优化法求取最优的配准位姿，从而实现车辆的定位，其中，特征地图包括特征矢量信息和道路规则信息，代价函数基于道路3d观测数据中的静态语义特征与特征地图的特征矢量信息以及道路3d观测数据中的动态语义特征与特征地图的道路规则信息之间的匹配而构建，最优的配准位姿使代价函数的值最小。
58.本发明实施例提供的结合动态和静态特征的语义定位方法中，在车辆行驶时，将实时获取的动态特征和静态特征与预先构建的特征地图做对齐来实现定位。与现有技术比较，本发明的方案创造性地将原本被视为噪声项的动态信息用于定位过程，即，从单一的静态特征信息对齐，拓展到动态和静态特征信息共同对齐，提高了定位过程的鲁棒性和精度。
59.本发明的实施例中，需事先建立特征地图，以用于与实时获取的动态和静态特征进行对齐，实现车辆的定位。在一些实施例中，特征地图通过高精度定位设备和传感器采集道路信息预先构建。传感器可以为单一传感器或多传感器的组合，如相机、lidar(laser detection and ranging，激光雷达)或其他传感器等。
60.特征地图包括特征矢量信息和道路规则信息。特征矢量信息是以矢量方式存储道路特征信息，包括但不限于以点、线、面等矢量信息存储路面上的灯杆、路牌、路沿、护栏等中至少之一的路面物体的信息，以及存储实线、虚线、箭头、文字等中至少之一的路面标识的信息。道路规则信息包括但不限于机动车道、非机动车道、道路航向、道路范围等中至少之一。
61.本发明的实施例中，通过车辆上配备的传感器实时获取道路的3d感测信息。传感器例如可以是相机、lidar或其他传感器，或这些传感器的组合。通过这些传感器，获取道路的3d感测信息。然后，通过检测、分割、识别方法，获取道路语义信息。识别方法可采用现有的识别技术。道路语义信息包括静态语义特征和动态语义特征。具体地，静态语义特征可包括车道标识、路沿、护栏、建筑物等稳定存在的路面物体和路面标识等。动态语义特征可包括运动和静止的机动车、非机动车、行人等不稳定的动态物。
62.进而，基于道路语义信息生成包括静态语义特征和动态语义特征的道路3d观测数据。
63.如前所述，本领域技术人员应可认识到，由于传感器坐标系与车体坐标系之间的固定关系，在将实时得到的道路语义信息用于进行与特征地图进行对齐之前，还应通过传感器外参，将基于传感器的3d感测信息识别得到的道路语义信息转换到车体坐标系下，从而生成车体坐标系下的道路3d观测数据。具体而言，设基于传感器a的3d感测信息得到的道路语义信息(也可称为观测信息)为pa,传感器外参为tba,则车体坐标系下的道路语义信息pb＝tba*pa。
64.在本发明的实施例中，可基于单帧的3d感测信息获得用于配准的道路3d感测数据，也可基于多帧的3d感测信息获得用于配准的道路3d感测数据。
65.在一个优选的实施例中，基于多帧的3d感测信息获得用于配准的道路3d感测数
据。具体地，实时获取传感器对车辆所在道路的多帧3d感测信息，对各帧3d感测信息处理，获得与多帧3d感测信息一一对应的多帧道路语义信息。对各帧3d感测信息的处理可包括分割和识别，还可以包括必要的检测。进一步地，各帧道路语义信息也可以通过传感器外参转换到车体坐标系下。
66.然后，通过指定位姿推算算法，计算出与多帧道路语义信息一一对应的多帧车辆相对位姿；再根据多帧车辆相对位姿，将多帧道路语义信息拼接到一起以得到道路3d观测数据。在实际应用中，指定位姿推算算法可以采用任何能推算出车辆位姿的算法。本实施例中，将道路的多帧3d感测信息对应的道路语义信息拼接为一帧道路3d观测数据用于后续与特征地图进行配准。相比较于单帧3d观测数据，该由多帧道路语义信息拼接得到的待配准的道路3d观测数据包含更多的道路语义信息，使配准更加精确，从而进一步提高定位过程的精度。
67.在一个优选的实施例中，可以采用航位推算算法计算车辆相对位姿。在这种情况下，需要在车辆上配备imu、轮速计或车速计等传感器，用以获取航位推算所需的运动数据。具体地，通过航位推算算法，计算出获取每一帧3d感测信息时车辆相对于指定原点处车辆位姿的相对位姿，从而得到与多帧道路语义信息一一对应的多帧车辆相对位姿。通过航位推算dr获取的车辆的相对位姿指的是dr提供的在dr坐标系下从a点到b点的相对位姿。dr坐标系由dr自定义，一般可取dr获取第一帧观测数据时的位姿作为原点。具体而言，设a点位姿为ta，b点位姿为tb，则a点和b点之间的相对位姿tba＝ta-inverse*tb，这里ta-inverse指ta的逆矩阵。采用航位推算算法可获得更稳定的车辆相对位姿数据。
68.进一步地，通过上述的车辆相对位姿，将多帧道路语义信息拼接到一起，获取道路3d观测数据。具体地，计算各帧道路语义信息与最新帧的道路语义信息之间的相对位姿；通过各相对位姿，将各帧道路语义信息转换到最新帧以得到转换后的各帧道路语义信息；将转换后的各帧道路语义信息全部累加到一起以得到道路3d观测数据。设该多帧道路语义信息表示为f1,f2
…
fn，对应的dr车辆相对位姿为t1,t2
…
tn，其中fn为最新帧道路语义信息，则上述计算过程可以表示为：首先，计算各帧道路语义信息与最新帧道路语义信息的相对位姿，对第i帧道路语义信息而言，其相对位姿tni＝ti-inverse*tn，其中ti-inverse为ti的逆矩阵；然后，通过各帧道路语义信息与最新帧道路语义信息的相对位姿，将每帧道路语义信息转换到最新帧，对第i帧道路语义信息而言，其转换到最新帧后的道路语义信息nfi＝tni*fi；最后，将所有的转换到最新帧的道路语义信息直接累加，即获取拼接后的道路3d观测数据。
69.在得到道路3d观测数据后，将道路3d观测数据与对应的特征地图进行语义信息的配准，求取最优的配准位姿twb。求取配准位姿twb采用代价函数优化法。待优化的代价函数包含静态特征和动态特征两部分。
70.在一个具体的实施例中，将道路3d观测数据与预构建的特征地图进行语义信息配准，通过代价函数优化法求取最优的配准位姿通过代价函数优化法求取最优的配准位姿的步骤可以包括：
71.构建静态特征代价函数，静态特征代价函数等于道路3d观测数据中的各静态语义特征通过配准位姿变换后与特征地图中对应的特征矢量信息之间的重投影误差的和；
72.根据特征地图的道路规则信息构建道路的多个地图区域，并基于道路3d观测数据
的动态语义特征和地图区域构建动态特征代价函数，其中多个地图区域包括不同交通参与者的可运行区域和道路中除可运行区域之外的不可运行区域，动态特征代价函数等于道路3d观测数据中的各动态语义特征通过配准位姿变换后与对应的地图区域之间的匹配程度的和；
73.以静态特征代价函数和动态特征代价函数的加和作为待优化的代价函数，并求取使待优化的代价函数的值最小的最优的配准位姿。
74.上述步骤中，不同交通参与者的可运行区域可包括机动车道、非机动车道、人行道等中至少之一，且各可运行区域带有可行使方向信息。不可运行区域可包括道路环境中的绿化带、建筑物、水道等中至少之一。
75.进一步地，道路3d观测数据中的各动态语义特征通过配准位姿变换后与对应的地图区域之间的匹配程度通过以下方式确定：对于每一动态语义特征，若动态语义特征通过配准位姿变换后落到正确的对应的地图区域，则匹配程度确定为1；若动态语义特征通过配准位姿变换后落到错误的对应的地图区域，则匹配程度确定为0。例如，对于被识别为机动车的动态语义特征，若其通过配准位姿twb变换后落到机动车道，则其匹配程度确定为1，若其通过twb变换后落到人行道、或绿化带等不可运行区域，则其匹配程度确定为0。
76.以上介绍了图1所示实施例的各个环节的多种实现方式，下面将通过具体实施例来详细介绍本发明的结合动态和静态特征的语义定位方法的实现过程。
77.图2示出了根据本发明一具体实施例的结合动态和静态特征的语义定位方法的流程示意图。本实施例中，事先通过高精度定位设备和传感器采集获取道路信息，并预先建立特征地图。在特征地图构建阶段，将特征矢量信息和道路规则信息分别存入到特征地图当中。图3为特征地图的示意图。在所示意的特征地图中，特征矢量信息包括路沿等路面物体信息，以及实线、虚线、箭头、停止线、斑马线、文字等路面标识信息。道路规则信息包括机动车道、非机动车道、道路航向等信息。
78.如图2所示，该结合动态和静态特征的语义定位方法可以包括以下步骤s202至步骤s216。
79.步骤s202，实时获取传感器对车辆所在道路的多帧3d感测信息，对各帧3d感测信息进行包括分割和识别在内的处理，获得与多帧3d感测信息一一对应的多帧道路语义信息。
80.在车辆上，配备相机、激光雷达或其他传感器或这些传感器的组合。通过这些传感器，获取道路的3d感测信息。然后通过检测、分割、识别方法，获取道路语义信息。道路语义信息包括静态语义特征和动态语义特征。
81.通过传感器外参，将这些道路语义信息转换到车体坐标系下。
82.本步骤获得的多帧道路语义信息表示为f1,f2
…
fn，其中fn为最新帧道路语义信息。
83.步骤s204，通过航位推算算法，计算出获取每一帧3d感测信息时车辆相对于指定原点处车辆位姿的相对位姿，从而得到与多帧道路语义信息一一对应的多帧车辆相对位姿。
84.在车辆上，配备惯性测量单元、轮速计或车速计等传感器。通过航位推算计算获取每一帧3d感测信息时的车辆相对位姿。此处的相对位姿推算指的是dr提供的从a点到b点的
相对位姿。具体而言，在dr坐标系中，a点位姿为ta，b点位姿为tb，则可获取a和b之间的相对位姿tba＝ta-inverse*tb，这里ta-inverse指的是ta的逆矩阵。
85.本步骤获得的与多帧道路语义信息一一对应的dr车辆相对位姿表示为t1,t2
…
tn。
86.步骤s206，根据该多帧车辆相对位姿，计算各帧道路语义信息与最新帧的道路语义信息之间的相对位姿。
87.对第i帧道路语义信息，其与最新帧的道路语义信息的相对位姿tni＝ti-inverse*tn，其中ti-inverse为ti的逆矩阵。
88.步骤s208，通过各相对位姿，将各帧道路语义信息转换到最新帧以得到转换后的各帧道路语义信息。
89.对第i帧道路语义信息，其转换到最新帧后的道路语义信息nfi＝tni*fi。
90.步骤s210，将转换后的各帧道路语义信息全部累加到一起以得到道路3d观测数据。
91.本步骤中，将所有的转换到最新帧的道路语义信息直接累加，即获取拼接后的道路3d观测数据。
92.步骤s212，构建静态特征代价函数。
93.静态特征代价函数等于道路3d观测数据中的各静态语义特征通过配准位姿变换后与特征地图中对应的特征矢量信息之间的重投影误差的和。以式子表示，假设道路3d观测数据中的静态语义特征为s1、s2、s3
……
sn，特征地图对应的特征矢量信息为m1、m2、m3
……
mm，则静态特征代价函数为：
94.f-static(twb)＝sum(diststatic(twb*si，mi))
95.其中diststatic(*)表示静态语义特征(也可以称为静态观测元素)si与特征地图的特征矢量信息(也可以称为地图元素)mi之间的重投影误差，sum(*)表示对所有静态语义特征与对应特征矢量信息的重投影误差的和。m与n可以相等，也可以不等。通常来说，由于环境、遮挡等影响，实时获取的静态观测元素可能会少于特征地图中的元素数量，因此，m≥n。
96.步骤s214，根据特征地图的道路规则信息构建道路的多个地图区域，并基于道路3d观测数据的动态语义特征和地图区域构建动态特征代价函数。
97.本步骤中，获取特征地图的道路规则信息，构建不同交通参与者的可运行区域z1、z2、z3
……
zg，包括但不限于：机动车道、非机动车道、人行道等。并且各个可运行区域是附带可行驶方向信息的。并将可运行区域之外的部分归为不可运行区域zx，这对应着道路环境中的绿化带、建筑物、水道等不可运行的区域。
98.假设道路3d观测数据中的动态语义特征为d1、d2、d3
……
dk，则动态特征代价函数为：
99.f-dynamic(twb)＝sum(distzone(twb*di,zi,zx))
100.其中distzone(*)表示动态语义特征(也可以称为动态观测元素)di与对应地图区域zi/zx的匹配程度，sum(*)表示对所有动态语义特征与对应地图区域的匹配程度的和。g和k的相互大小关系没有限制。
101.进一步地，distzone(*)可以表示为：
102.distzone(twb*di,zi,zx)＝1if twb*di在正确的区域zi中
103.＝0if twb*di在错误的区域zj或zx中。
104.也即，如果动态语义特征通过twb变换后，落到正确的对应地图区域，则获得匹配程度的分值为1；如果动态语义特征通过twb变换后，落到错误的对应地图区域，则获得匹配程度的分值为0。
105.步骤s216，以静态特征代价函数和动态特征代价函数的加和作为待优化的代价函数，并求取使待优化的代价函数的值最小的最优的配准位姿，从而实现车辆的定位。
106.待优化的代价函数表示为：
107.f(twb)＝f-static(twb) f-dynamic(twb)
108.优化求解可表示为：
109.twb＝argmin(f(twb))
110.其中，argmin(*)表示求取最优的twb，使代价函数的值最小。由此即通过配准获得车辆的高精位姿。
111.步骤s212和s214的顺序可以互换，也可以同时进行。
112.图4中示出了根据本实施例的结合动态和静态特征进行语义定位的示意图。如图4所示，经配准后，除了静态语义特征与特征矢量信息对齐外，动态语义特征也落入对应的地图区域。例如，行人落入斑马线，非机动车落入非机动车道，机动车落入机动车道。由此，实现自车的高精定位。
113.本实施例通过多传感器获取动静态特征信息，与事先建立的特征地图做对齐，实现定位，使得定位过程更加鲁棒和高精。在地图构建阶段，将特征矢量信息和道路规则信息分别存入到地图当中，获取可与动静态信息进行对齐的特征地图。并且，通过航位推算技术获取车辆的相对位姿信息，并将多帧动静态特征拼接到一起，从而获取道路3d观测数据，使得后续的定位更加可靠鲁棒。
114.基于同一发明构思，本发明实施例还提供了一种电子设备200。参见图5所示，该电子设备200包括存储器201、处理器202及存储在存储器201上并在处理器202上运行的机器可执行程序203，并且处理器202执行机器可执行程序203时实现前述任意实施例或实施例组合的结合动态和静态特征的语义定位方法。
115.基于同一发明构思，本发明实施例还提供了一种机器可读存储介质。该机器可读存储介质上存储有机器可执行程序，该机器可执行程序被处理器执行时实现前述任意实施例或实施例组合的结合动态和静态特征的语义定位方法。
116.所属领域的技术人员可以清楚地了解到，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，为简洁起见，在此不另赘述。
117.另外，在本发明各个实施例中的各功能单元可以物理上相互独立，也可以两个或两个以上功能单元集成在一起，还可以全部功能单元都集成在一个处理单元中。上述集成的功能单元既可以采用硬件的形式实现，也可以采用软件或者固件的形式实现。
118.本领域普通技术人员可以理解：所述集成的功能单元如果以软件的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，其包括若干指令，用以使得一台计算设备(例如
个人计算机，服务器，或者网络设备等)在运行所述指令时执行本发明各实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom)、随机存取存储器(ram)，磁碟或者光盘等各种可以存储程序代码的介质。
119.或者，实现前述方法实施例的全部或部分步骤可以通过程序指令相关的硬件(诸如个人计算机，服务器，或者网络设备等的计算设备)来完成，所述程序指令可以存储于一计算机可读取存储介质中，当所述程序指令被计算设备的处理器执行时，所述计算设备执行本发明各实施例所述方法的全部或部分步骤。
120.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：在本发明的精神和原则之内，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部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脱离本发明的保护范围。