车辆定位方法、装置、车辆及存储介质

技术领域

本公开涉及自动驾驶技术领域，尤其涉及一种车辆定位方法、装置、车辆及存储介质。

背景技术

随着自动驾驶技术的快速发展，对自动驾驶行车定位的精度要求日益提高，目前常用实时动态载波相位差分技术（RTK，Real - time kinematic）进行厘米级精度的定位，或者是采用航迹推测的方法进行实时定位。

然而在实际定位过程中，卫星信号较差时会导致定位不准，令定位精度不能满足使用需求，影响定位精度。

发明内容

为克服相关技术中存在的问题，本公开提供一种车辆定位方法、装置、车辆及存储介质。

根据本公开实施例的第一方面，提供一种车辆定位方法，包括：

获取第一时刻下至少一个粒子点的位置信息；其中，所述第一时刻的粒子点的位置信息，是基于目标车辆在所述第一时刻定位所得到的测量位置确定，所述位置信息用于指示所述第一时刻所述目标车辆的候选车道位置；

基于目标车辆从第一时刻到第二时刻的行驶状态，对所述第一时刻的粒子点的位置信息进行更新，以确定所述第二时刻对应粒子点的位置信息；

根据任一粒子点在所述第一时刻的位置信息和所述测量位置，对所述目标车辆在所述第一时刻采集的目标图像进行视角转换，以得到粒子点的感知图像，以及根据任一粒子点在所述第一时刻的位置信息对地图进行视角转换，以得到对应粒子点的地图图像；

根据所述感知图像中的感知道路信息与所述地图图像中的地图道路信息之间的匹配程度，确定所述目标车辆位于对应粒子点的概率；

根据所述目标车辆位于所述至少一个粒子点的概率，以及至少一个粒子点在所述第二时刻的位置信息，确定所述目标车辆在所述第二时刻所处的目标位置。

在一些可能的实现方式中，所述根据所述感知图像中的感知道路信息与所述地图图像中的地图道路信息之间的匹配程度，确定所述目标车辆位于对应粒子点的概率，包括：

将任一粒子点对应的所述感知道路信息和所述地图道路信息中属于相同类型的道路参数进行匹配，以确定至少一所述道路参数的匹配程度；

基于至少一所述道路参数的匹配程度，确定所述目标车辆位于对应粒子点的概率。

在一些可能的实现方式中，所述将任一粒子点对应的所述感知道路信息和所述地图道路信息中属于相同类型的道路参数进行匹配，以确定至少一所述道路参数的匹配程度，包括：

在所述道路参数为车道宽度的情况下，根据所述感知道路信息中的车道宽度与所述地图道路信息中的车道宽度之间的差值，确定所述车道宽度的匹配程度。

在一些可能的实现方式中，所述将任一粒子点对应的所述感知道路信息和所述地图道路信息中属于相同类型的道路参数进行匹配，以确定至少一所述道路参数的匹配程度，包括：

在所述道路参数为边缘距离的情况下，根据所述感知道路信息中的边缘距离与所述地图道路信息中的边缘距离之间的差值，确定所述边缘距离的匹配程度；

其中，所述感知道路信息中的边缘距离为所述任一粒子点与感知图像中的道路边缘之间的距离；所述地图道路信息中的边缘距离为所述任一粒子点与地图图像中的道路边缘之间的距离；所述感知图像中的道路边缘与所述地图图像中的道路边缘位于同一道路的相同侧。

在一些可能的实现方式中，所述将任一粒子点对应的所述感知道路信息和所述地图道路信息中属于相同类型的道路参数进行匹配，以确定至少一所述道路参数的匹配程度，包括：

在所述道路参数为地面标志的情况下，根据感知道路信息中的地面标志的中心点与地图道路信息中的地面标志的中心点之间的位置差异，确定地面标志的匹配程度。

在一些可能的实现方式中，所述将任一粒子点对应的所述感知道路信息和所述地图道路信息中属于相同类型的道路参数进行匹配，以确定至少一所述道路参数的匹配程度，包括：

在所述道路参数为车道线的情况下，根据感知道路信息中的车道线和地图道路信息中的车道线在至少一个属性上的匹配概率，确定所述车道线的匹配程度；其中，所述至少一个属性包括颜色、线型和距离中的一个或多个。

在一些可能的实现方式中，所述基于至少一所述道路参数的匹配程度，确定所述目标车辆位于对应粒子点的概率，包括：

以所述任一粒子点获取的各匹配程度的乘积作为所述目标车辆位于对应粒子点的概率。

在一些可能的实现方式中，所述目标图像的获取步骤包括：

采集目标车辆正前方的目标图像，所述目标图像中至少包括路面和车道线。

在一些可能的实现方式中，所述感知图像的获取步骤包括：

计算任一粒子点在第一时刻的位置信息与测量位置之间的位置差异，基于所述位置差异将目标图像投影至任一粒子点在第一时刻的位置上，得到任一粒子点的感知图像。

在一些可能的实现方式中，所述获取第一时刻下至少一个粒子点的位置信息，包括：

过所述测量位置，获取与道路边缘线相交且垂直于车道线的直线作为目标车辆的候选定位线，在所述候选定位线上选取至少一个位置作为粒子点在第一时刻的位置。

在一些可能的实现方式中，所述基于目标车辆从第一时刻到第二时刻之间的行驶状态，对所述第一时刻的粒子点的位置信息进行更新，以确定所述第二时刻对应粒子点的位置信息，包括：

根据目标车辆在第一时刻的位置信息、所述行驶状态，利用运动函数确定所述第二时刻对应粒子点的预测位置信息；

获取第二时刻下对目标车辆进行定位所得到的测量位置，以及过第二时刻下的测量位置得到的候选定位线，将所述预测位置信息投影至第二时刻下的候选定位线上，确定所述第二时刻对应粒子点的位置信息。

在一些可能的实现方式中，所述根据所述目标车辆位于所述至少一个粒子点的概率，以及至少一个粒子点在所述第二时刻的位置信息，确定所述目标车辆在所述第二时刻所处的目标位置，包括：

根据所述目标车辆位于不同粒子点的概率大小进行粒子点的筛选，基于筛选后的粒子点的位置信息确定所述目标位置。

在一些可能的实现方式中，所述基于筛选后的粒子点的位置信息确定所述目标位置，包括：

以筛选后的粒子点的中心点的位置信息作为所述目标位置。

根据本公开实施例的第二方面，提供一种车辆定位装置，包括：

第一位置信息获取模块，用于获取第一时刻下至少一个粒子点的位置信息；其中，所述第一时刻的粒子点的位置信息，是基于目标车辆在所述第一时刻定位所得到的测量位置确定，所述位置信息用于指示所述第一时刻所述目标车辆的候选车道位置；

第二位置信息获取模块，用于基于目标车辆从第一时刻到第二时刻的行驶状态，对所述第一时刻的粒子点的位置信息进行更新，以确定所述第二时刻对应粒子点的位置信息；

图像获取模块，用于根据任一粒子点在所述第一时刻的位置信息和所述测量位置，对所述目标车辆在所述第一时刻采集的目标图像进行视角转换，以得到粒子点的感知图像，以及根据任一粒子点在所述第一时刻的位置信息对地图进行视角转换，以得到对应粒子点的地图图像；

概率获取模块，用于根据所述感知图像中的感知道路信息与所述地图图像中的地图道路信息之间的匹配程度，确定所述目标车辆位于对应粒子点的概率；

定位模块，用于根据所述目标车辆位于所述至少一个粒子点的概率，以及至少一个粒子点在所述第二时刻的位置信息，确定所述目标车辆在所述第二时刻所处的目标位置。

根据本公开实施例的第三方面，提供一种车辆，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

实现本公开第一方面所提供的车辆定位方法的步骤。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的车辆定位方法的步骤。

本公开的实施例提供的技术方案可以包括以下有益效果：获取第一时刻下至少一个粒子点的位置信息以及第二时刻对应粒子点的位置信息，粒子点的位置是指示可能的车道位置；对目标车辆在第一时刻采集的目标图像进行视角转换，以得到粒子点的感知图像，对地图进行视角转换，以得到对应粒子点的地图图像；根据感知图像中的感知道路信息与地图图像中的地图道路信息之间的匹配程度，确定目标车辆位于对应粒子点的概率；根据目标车辆位于至少一个粒子点的概率，以及至少一个粒子点在第二时刻的位置信息，确定目标车辆在第二时刻所处的目标位置。由于粒子点的位置是指示可能的车道位置，根据感知图像与地图图像之间的匹配度，确定目标车辆位于对应粒子点的概率，能够提高车辆车道级定位的精度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种车辆定位方法的流程图；

图2是根据一示例性实施例示出的另一种车辆定位方法的流程图；

图3是根据一示例性实施例示出的概率获取流程图；

图4是根据一示例性实施例示出的另一种车辆定位方法的流程图；

图5是根据一示例性实施例示出的粒子点位置示意图；

图6是根据一示例性实施例示出的一种车辆定位装置的框图；

图7是一示例性实施例示出的一种车辆的功能框图示意图。

具体实施方式

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公开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、本公开的一些方面相一致的装置和方法的例子。

需要说明的是，本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。

作为一种可能的应用场景，在一些定位过程中，卫星信号较差时会导致定位不准。针对这一问题，在获取的初始定位精度不高的情况下，利用第一时刻下粒子点的感知道路信息与地图道路信息之间的匹配关系对粒子滤波算法进行改进，提高了粒子滤波算法的定位精度；继而使用改进的粒子滤波算法获取目标车辆位于对应粒子点的概率，根据至少一个目标车辆位于对应粒子点的概率，以及对应粒子点在第二时刻的位置信息确定目标车辆的精确定位。能够在初始定位不精确的情况下，依然完成车辆的精确定位，提高车辆定位的精度和鲁棒性。

图1是根据一示例性实施例示出的一种车辆定位方法的流程图，如图1所示，该方法用于车辆中，可以包括以下步骤：

步骤S101，获取第一时刻下至少一个粒子点的位置信息。

其中，第一时刻的粒子点的位置信息，是基于目标车辆在第一时刻定位所得到的测量位置确定，位置信息用于指示第一时刻目标车辆的候选车道位置。

本实施例中，粒子点是在目标跟踪过程中利用粒子滤波算法进行滤波操作的样本点，在粒子滤波算法中每一个粒子点代表了目标车辆可能处于的位置。

可选地，目标车辆在第一时刻定位所得到的测量位置可以是利用实时动态载波相位差分技术（RTK，Real - time kinematic）对目标车辆进行定位得到的高精地图上的坐标位置；也可以是通过航迹推测的方法、GPS系统或者北斗卫星系统等检测目标车辆的实时定位，得到目标车辆在高精地图上的坐标位置。高精地图上的坐标位置可以是基于高精地图构建坐标系得到的二维坐标，也可以是经纬度构成的二维坐标。

测量位置是目标车辆在第一时刻下通过定位所得到的位置，在一些定位过程中，卫星信号较差时会导致定位不准，无法准确定位目标车辆所在的车道线，基于测量位置获取粒子点的位置作为目标车辆可能位于的车道位置，即粒子点的位置信息指示了第一时刻目标车辆的候选车道位置。

步骤S102，基于目标车辆从第一时刻到第二时刻的行驶状态，对第一时刻的粒子点的位置信息进行更新，以确定第二时刻对应粒子点的位置信息。

粒子点的位置信息指示了第一时刻目标车辆的候选车道位置，通过目标车辆的行驶状态更新粒子点的位置信息，能够指示目标车辆在第二时刻的候选车道位置，以便基于粒子滤波算法确定目标车辆位于粒子点的概率，进而确定目标位置。

步骤S103，根据任一粒子点在第一时刻的位置信息和测量位置，对目标车辆在第一时刻采集的目标图像进行视角转换，以得到粒子点的感知图像，以及根据任一粒子点在第一时刻的位置信息对地图进行视角转换，以得到对应粒子点的地图图像。

可选地，在第一时刻采集目标车辆正前方的目标图像，目标图像中至少包括路面和车道线。计算任一粒子点在第一时刻的位置信息与测量位置之间的位置差异，基于位置差异将目标图像投影至任一粒子点在第一时刻的位置上，得到任一粒子点的感知图像。目标图像为目标车辆采集的正前方的图像，该图像代表了目标车辆所在位置前方的路况，粒子点的位置信息代表了目标车辆的可能位置，通过将目标图像投影至不同粒子点的坐标，完成目标图像的视角转换，得到每个粒子点对应的感知图像。

在一种可能的场景下，目标车辆前方不存在其他车辆，目标图像中仅包括路面以及车道线。

在另一种可能的场景下，目标车辆前方存在其他车辆，目标图像中不仅包括路面和车道线，还包括前方行车的其他车辆。

以上两种场景均适用于本实施例，本实施例中对此不作限定。

需要说明的是，测量位置可以为目标车辆的实时位置，即测量位置可以实时变化，同样的，目标图像可以实时采集，以确保在任一测量位置下都存在对应的目标图像。

作为一种可能的实现方式，视角转换包括：将目标图像的坐标系投影至每个粒子点的坐标得到每个粒子点对应的感知图像。例如，在第一时刻下，测量位置的位置坐标为

相类似地，在确定位置信息的基础上，能够获取高精地图上对应位置的地图图像，因此，第一时刻的测量位置对应的地图图像是可知的，进而基于任一粒子点在第一时刻的位置信息对高精地图进行视角转换，能够得到对应粒子点的地图图像。视角转换过程可参考前述针对感知图像的视角转换过程，本实施例中对此不再赘述。

步骤S104，根据感知图像中的感知道路信息与地图图像中的地图道路信息之间的匹配程度，确定目标车辆位于对应粒子点的概率。

需要说明的是，感知道路信息包括感知车道宽度、感知车道线、感知边缘距离、感知地面标志中的一种或者多种道路参数；地图道路信息包括地图车道宽度、地图车道线、地图边缘距离、地图地面标志中的一种或者多种道路参数。

匹配程度代表了感知道路信息与地图道路信息之间相似的程度，匹配程度越大，说明感知图像与地图图像越相符，感知图像对应的粒子点位置越有可能为实际定位位置。

可以理解的是，在进行匹配程度的计算时，可能只存在感知道路信息与地图道路信息中的一种或者多种道路参数。因此以得到的一种或者多种道路参数的匹配程度为依据进行粒子点的概率计算。

步骤S105，根据目标车辆位于至少一个粒子点的概率，以及至少一个粒子点在第二时刻的位置信息，确定目标车辆在第二时刻所处的目标位置。

由于粒子点的位置信息用于指示第一时刻目标车辆的候选车道位置，目标车辆位于对应粒子点的概率代表了目标车辆位于粒子点所对应的候选车道位置处的可能性，概率越大，说明目标车辆越有可能位于该粒子点对应的候选车道位置处，该粒子点对应的候选车道位置越有可能为目标位置。

本公开实施例中，获取第一时刻下至少一个粒子点的位置信息；基于目标车辆从第一时刻到第二时刻的行驶状态，对第一时刻的粒子点的位置信息进行更新，以确定第二时刻对应粒子点的位置信息；根据任一粒子点在第一时刻的位置信息和测量位置，对目标车辆在第一时刻采集的目标图像进行视角转换，以得到粒子点的感知图像，以及根据任一粒子点在第一时刻的位置信息对地图进行视角转换，以得到对应粒子点的地图图像；根据感知图像中的感知道路信息与地图图像中的地图道路信息之间的匹配程度，确定目标车辆位于对应粒子点的概率；根据目标车辆位于至少一个粒子点的概率，以及至少一个粒子点在第二时刻的位置信息，确定目标车辆在第二时刻所处的目标位置。本公开实施例利用第一时刻下粒子点的感知道路信息与地图道路信息之间的匹配关系对粒子滤波算法进行改进，提高了粒子滤波算法的定位精度；继而使用改进的粒子滤波算法获取目标车辆位于对应粒子点的概率，进而确定目标车辆的精确定位，能够在初始定位不精确的情况下，依然完成车辆的精确定位，提高车辆定位的精度和鲁棒性。

图2是根据一示例性实施例示出的另一种车辆定位方法的流程图，如图2所示，该方法用于车辆中，可以包括以下步骤：

步骤S201，获取第一时刻下至少一个粒子点的位置信息。

其中，第一时刻的粒子点的位置信息，是基于目标车辆在第一时刻定位所得到的测量位置确定，位置信息用于指示第一时刻目标车辆的候选车道位置。

步骤S202，基于目标车辆从第一时刻到第二时刻的行驶状态，对第一时刻的粒子点的位置信息进行更新，以确定第二时刻对应粒子点的位置信息。

步骤S203，根据任一粒子点在第一时刻的位置信息和测量位置，对目标车辆在第一时刻采集的目标图像进行视角转换，以得到粒子点的感知图像，以及根据任一粒子点在第一时刻的位置信息对地图进行视角转换，以得到对应粒子点的地图图像。

步骤S201、S202和S203可参见前述实施例中对应步骤的相关说明，本实施例中对此不再赘述。

步骤S204，将任一粒子点对应的感知道路信息和地图道路信息中属于相同类型的道路参数进行匹配，以确定至少一道路参数的匹配程度。

由于在进行匹配程度的计算时，可能存在感知道路信息与地图道路信息中的一种或者多种道路参数，因此在进行道路参数匹配时，能够确定至少一种道路参数的匹配程度。

其中，在道路参数为车道宽度的情况下，作为一种可能的实现方式，可以根据感知道路信息中的车道宽度与地图道路信息中的车道宽度之间的差值，确定车道宽度的匹配程度。

可选地，将感知道路信息中的车道宽度与地图道路信息中的车道宽度之间的差值进行高斯函数映射，确定车道宽度的匹配程度。

例如，基于如下公式确定车道宽度的匹配程度：

其中，

其中，在道路参数为边缘距离的情况下，作为一种可能的实现方式，可以根据感知道路信息中的边缘距离与地图道路信息中的边缘距离之间的差值，确定边缘距离的匹配程度。其中，感知道路信息中的边缘距离为任一粒子点与感知图像中的道路边缘之间的距离；地图道路信息中的边缘距离为任一粒子点与地图图像中的道路边缘之间的距离；感知图像中的道路边缘与地图图像中的道路边缘位于同一道路的相同侧。

需要说明的是，边缘距离可以通过图像识别的方法获取。

可选地，将感知道路信息中的边缘距离与地图道路信息中的边缘距离之间的差值进行高斯函数映射，确定边缘距离的匹配程度。

例如，基于如下公式确定边缘距离的匹配程度：

其中，

其中，在道路参数为地面标志的情况下，作为一种可能的实现方式，可以根据感知道路信息中的地面标志的中心点与地图道路信息中的地面标志的中心点之间的位置差异，确定地面标志的匹配程度。

可选地，将感知道路信息中的地面标志的中心点与地图道路信息中的地面标志的中心点之间的位置差异进行高斯函数映射，确定地面标志的匹配程度。

例如，基于如下公式确定地面标志的匹配程度：

其中，

需要说明的是，感知图像中的地面标志与地图图像中的地面标志为同一地面标志。

需要说明的是，上述车道宽度的匹配程度

其中，在道路参数为车道线的情况下，作为一种可能的实现方式，可以根据感知道路信息中的车道线和地图道路信息中的车道线在至少一个属性上的匹配概率，确定车道线的匹配程度；其中，至少一个属性包括颜色、线型和距离中的一个或多个。

可选地，将感知图像中的车道线和地图道路信息中的车道线进行匈牙利匹配，得到不同图像中的车道线的匹配结果；进而在获取的匹配结果下，通过摩尔投票法获取车道线颜色的匹配概率、车道线线型的匹配概率以及车道线距离的匹配概率。

可以理解的是，车道线包括不同的颜色，例如白色和黄色；车道线包括不同的线型，例如实线和虚线。

需要说明的是，车道线距离是指任一粒子点与车道线之间的距离。

作为一种可能的实现方式，确定车道线的匹配程度可以是以车道线任一属性的匹配概率作为车道线的匹配程度。

作为另一种可能的实现方式，确定车道线的匹配程度可以是对车道线各属性的匹配概率加权求和得到车道线的匹配程度。

以上两种场景均适用于本实施例，本实施例中对此不作限定。

步骤S205，基于至少一道路参数的匹配程度，确定目标车辆位于对应粒子点的概率。

作为一种可能的实现方式，可以根据任一道路参数的匹配程度确定目标车辆位于对应粒子点的概率。

可选地，在根据任一道路参数的匹配程度确定目标车辆位于对应粒子点的概率时，作为一种可能的实现方式，可以以任一道路参数的匹配程度作为目标车辆位于对应粒子点的概率。

作为另一种可能的实现方式，如图3所示的概率获取流程图，可以根据多个道路参数的匹配程度确定目标车辆位于对应粒子点的概率。

可选地，在根据多个道路参数的匹配程度确定目标车辆位于对应粒子点的概率时：

在一种可能的场景下，以任一粒子点获取的各匹配程度的乘积作为目标车辆位于对应粒子点的概率。

在另一种可能的场景下，将任一粒子点获取的所有匹配程度进行加权求和得到目标车辆位于对应粒子点的概率。

在另一种可能的场景下，以任一粒子点获取的所有匹配程度的平均值作为目标车辆位于对应粒子点的概率。

在另一种可能的场景下，以任一粒子点获取的所有匹配程度中的最大值作为目标车辆位于对应粒子点的概率。

在另一种可能的场景下，以任一粒子点获取的所有匹配程度中的最小值作为目标车辆位于对应粒子点的概率。

以上五种场景均适用于本实施例，本实施例中对此不作限定。

步骤S206，根据目标车辆位于至少一个粒子点的概率，以及至少一个粒子点在第二时刻的位置信息，确定目标车辆在第二时刻所处的目标位置。

步骤S206可参见前述实施例中对应步骤的相关说明，本实施例中对此不再赘述。

图4是根据一示例性实施例示出的另一种车辆定位方法的流程图，如图4所示，该方法用于车辆中，可以包括以下步骤：

步骤S301，获取第一时刻下至少一个粒子点的位置信息。

请参阅图5所示的粒子点位置示意图，在一些实施例中，粒子点位置的确定是过测量位置，获取与道路边缘线相交且垂直于车道线的直线作为目标车辆的候选定位线，在候选定位线上选取至少一个位置作为粒子点在第一时刻的位置。可见，由于粒子点是分布于各条车道上，从而粒子点在第一时刻的位置代表了第一时刻下目标车辆的候选车道位置。

需要说明的是，测量位置的获取过程可参见前述实施例中对应步骤的相关说明，本实施例中对此不再赘述。

需要说明的是，在选取粒子点在第一时刻的位置时，位置的数量选取越多，相应的得到的定位更加精准。考虑到计算的复杂度，可以在候选定位线上选取100个位置作为粒子点在第一时刻的位置。选取位置的方法可以是在候选定位线上均匀选取。

步骤S302，基于目标车辆从第一时刻到第二时刻的行驶状态，对第一时刻的粒子点的位置信息进行更新，以确定第二时刻对应粒子点的位置信息。

可选地，首先根据目标车辆在第一时刻的位置信息、行驶状态，利用运动函数确定第二时刻对应粒子点的预测位置信息。继而，获取第二时刻下对目标车辆进行定位所得到的测量位置，以及过第二时刻下的测量位置得到的候选定位线，将预测位置信息投影至第二时刻下的候选定位线上，确定第二时刻对应粒子点的位置信息。

在一些可能的实现方式中，根据目标车辆在第一时刻的位置信息、速度、加速度、行驶方向中的至少一个，利用运动函数计算第二时刻下目标车辆的预测位置信息，即第二时刻对应粒子点的预测位置信息。

请参阅图5所示的粒子点位置示意图，t-1时刻为第一时刻，t时刻为第二时刻，对t-1时刻的粒子点的位置信息进行更新，得到t时刻对应粒子点的预测位置信息，即图5中t^时刻下的预测位置，继而，获取t时刻下对目标车辆进行定位所得到的测量位置，以及过第二时刻下的测量位置得到的候选定位线，将预测位置信息投影至第二时刻下的候选定位线上，确定第二时刻对应粒子点的位置信息。

其中，第二时刻下的候选定位线可以是采用如下方式确定：利用获取第一时刻下目标车辆的测量位置方法，获取第二时刻下对目标车辆进行定位所得到的测量位置，过第二时刻下的测量位置获取与道路边缘线相交且垂直于车道线的直线作为目标车辆在第二时刻下的候选定位线。

其中，预测位置信息为在第一时刻下粒子点的位置信息的基础上，通过计算获取的第二时刻下每个粒子点的理想位置信息，第二时刻下的候选定位线代表了目标车辆在第二时刻下可能处于的位置，通过将预测位置信息投影至第二时刻下的候选定位线上，得到每个粒子点在第二时刻下的位置信息。

步骤S303，根据任一粒子点在第一时刻的位置信息和测量位置，对目标车辆在第一时刻采集的目标图像进行视角转换，以得到粒子点的感知图像，以及根据任一粒子点在第一时刻的位置信息对地图进行视角转换，以得到对应粒子点的地图图像。

步骤S304，根据感知图像中的感知道路信息与地图图像中的地图道路信息之间的匹配程度，确定目标车辆位于对应粒子点的概率。

步骤S303可参见前述实施例中对应步骤的相关说明，步骤S304可参见前述实施例中步骤S204，将任一粒子点对应的感知道路信息和地图道路信息中属于相同类型的道路参数进行匹配，以确定至少一道路参数的匹配程度、以及步骤S205，基于至少一道路参数的匹配程度，确定目标车辆位于对应粒子点的概率对应步骤的相关说明，本实施例中对此不再赘述。

步骤S305，根据目标车辆位于不同粒子点的概率大小进行粒子点的筛选，基于筛选后的粒子点的位置信息确定目标位置。

可选地，利用粒子滤波算法中的重采样过程获取重采样阈值，将小于重采样阈值的粒子点删除，并记录删除数量，在保留的粒子点中选取复制删除数量个粒子点，以保证粒子点总数不变。

在一种可能的场景下，选取概率最大的粒子点进行复制，复制时保留被复制粒子点的位置信息和概率，即在概率最大的粒子点的位置上，存在m+1个同概率的粒子点，m为删除数量。

需要说明的是，将重采样后的粒子点的概率进行归一化，以确保所有粒子点的概率之和为1。

可选地，以筛选后的粒子点的中心点的位置信息作为目标位置。目标位置即为本实施例获取的车辆定位位置。

图6是根据一示例性实施例示出的一种车辆定位装置框图。参照图6，该装置400包括第一位置信息获取模块410，第二位置信息获取模块420，图像获取模块430，概率获取模块440和定位模块450。

第一位置信息获取模块410，用于获取第一时刻下至少一个粒子点的位置信息；其中，第一时刻的粒子点的位置信息，是基于目标车辆在第一时刻定位所得到的测量位置确定，位置信息用于指示第一时刻目标车辆的候选车道位置。

第二位置信息获取模块420，用于基于目标车辆从第一时刻到第二时刻的行驶状态，对第一时刻的粒子点的位置信息进行更新，以确定第二时刻对应粒子点的位置信息。

图像获取模块430，用于根据任一粒子点在第一时刻的位置信息和测量位置，对目标车辆在第一时刻采集的目标图像进行视角转换，以得到粒子点的感知图像，以及根据任一粒子点在第一时刻的位置信息对地图进行视角转换，以得到对应粒子点的地图图像。

概率获取模块440，用于根据感知图像中的感知道路信息与地图图像中的地图道路信息之间的匹配程度，确定目标车辆位于对应粒子点的概率。

定位模块450，用于根据目标车辆位于至少一个粒子点的概率，以及至少一个粒子点在第二时刻的位置信息，确定目标车辆在第二时刻所处的目标位置。

在一些可能的实现方式中，概率获取模块440，包括：

匹配程度确定单元，用于将任一粒子点对应的感知道路信息和地图道路信息中属于相同类型的道路参数进行匹配，以确定至少一道路参数的匹配程度。

概率确定单元，用于基于至少一道路参数的匹配程度，确定目标车辆位于对应粒子点的概率。

匹配程度确定单元，包括：

车道宽度的匹配程度确定单元，用于在道路参数为车道宽度的情况下，根据感知道路信息中的车道宽度与地图道路信息中的车道宽度之间的差值，确定车道宽度的匹配程度。

边缘距离的匹配程度确定单元，用于在道路参数为边缘距离的情况下，根据感知道路信息中的边缘距离与地图道路信息中的边缘距离之间的差值，确定边缘距离的匹配程度。

地面标志的匹配程度确定单元，用于在道路参数为地面标志的情况下，根据感知道路信息中的地面标志的中心点与地图道路信息中的地面标志的中心点之间的位置差异，确定地面标志的匹配程度。

车道线的匹配程度确定单元，用于在道路参数为车道线的情况下，根据感知道路信息中的车道线和地图道路信息中的车道线在至少一个属性上的匹配概率，确定车道线的匹配程度；其中，至少一个属性包括颜色、线型和距离中的一个或多个。

可选地，概率确定单元，用于以任一粒子点获取的各匹配程度的乘积作为目标车辆位于对应粒子点的概率。

在一些可能的实现方式中，图像获取模块430，包括：

目标图像获取单元，用于采集目标车辆正前方的目标图像，目标图像中至少包括路面和车道线。

感知图像获取单元，用于计算任一粒子点在第一时刻的位置信息与测量位置之间的位置差异，基于位置差异将目标图像投影至任一粒子点在第一时刻的位置上，得到任一粒子点的感知图像。

在一些可能的实现方式中，第一位置信息获取模块410，包括：

过测量位置，获取与道路边缘线相交且垂直于车道线的直线作为目标车辆的候选定位线，在候选定位线上选取至少一个位置作为粒子点在第一时刻的位置。

在一些可能的实现方式中，第二位置信息获取模块420，包括：

预测位置信息获取单元，用于根据目标车辆在第一时刻的位置信息、行驶状态，利用运动函数确定第二时刻对应粒子点的预测位置信息。

第二位置信息获取单元，用于获取第二时刻下对目标车辆进行定位所得到的测量位置，以及过第二时刻下的测量位置得到的候选定位线，将预测位置信息投影至第二时刻下的候选定位线上，确定第二时刻对应粒子点的位置信息。

在一些可能的实现方式中，定位模块450，包括：

目标位置定位单元，用于根据目标车辆位于不同粒子点的概率大小进行粒子点的筛选，基于筛选后的粒子点的位置信息确定目标位置。

可选地，目标位置定位单元用于以筛选后的粒子点的中心点的位置信息作为目标位置。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开实施例利用第一时刻下粒子点的感知道路信息与地图道路信息之间的匹配关系对粒子滤波算法进行改进，提高了粒子滤波算法的定位精度；继而使用改进的粒子滤波算法获取目标车辆位于对应粒子点的概率，进而确定目标车辆的精确定位，能够在初始定位不精确的情况下，依然完成车辆的精确定位，提高车辆定位的精度和鲁棒性。

图7是根据一示例性实施例示出的一种车辆500的框图。例如，车辆500可以是混合动力车辆，也可以是非混合动力车辆、电动车辆、燃料电池车辆或者其他类型的车辆。车辆500可以是自动驾驶车辆、半自动驾驶车辆或者非自动驾驶车辆。

参照图7，车辆500可包括各种子系统，例如，信息娱乐系统510、感知系统520、决策控制系统530、驱动系统540以及计算平台550。其中，车辆500还可以包括更多或更少的子系统，并且每个子系统都可包括多个部件。另外，车辆500的每个子系统之间和每个部件之间可以通过有线或者无线的方式实现互连。

在一些实施例中，信息娱乐系统510可以包括通信系统，娱乐系统以及导航系统等。

感知系统520可以包括若干种传感器，用于感测车辆500周边的环境的信息。例如，感知系统520可包括全球定位系统（全球定位系统可以是GPS系统，也可以是北斗系统或者其他定位系统）、惯性测量单元（inertial measurement unit，IMU）、激光雷达、毫米波雷达、超声雷达以及摄像装置。

决策控制系统530可以包括计算系统、整车控制器、转向系统、油门以及制动系统。

驱动系统540可以包括为车辆500提供动力运动的组件。在一个实施例中，驱动系统540可以包括引擎、能量源、传动系统和车轮。引擎可以是内燃机、电动机、空气压缩引擎中的一种或者多种的组合。引擎能够将能量源提供的能量转换成机械能量。

车辆500的部分或所有功能受计算平台550控制。计算平台550可包括至少一个处理器551和存储器552，处理器551可以执行存储在存储器552中的指令553。

处理器551可以是任何常规的处理器，诸如商业可获得的CPU。处理器还可以包括诸如图像处理器（Graphic Process Unit，GPU），现场可编程门阵列（Field ProgrammableGate Array，FPGA）、片上系统（System on Chip，SOC）、专用集成芯片（ApplicationSpecific Integrated Circuit，ASIC）或它们的组合。

存储器552可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。

除了指令553以外，存储器552还可存储数据，例如道路地图，路线信息，车辆的位置、方向、速度等数据。存储器552存储的数据可以被计算平台550使用。

在本公开实施例中，处理器551可以执行指令553，以完成上述的车辆定位方法的全部或部分步骤。

本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的车辆定位方法的步骤。

本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。