定位方法、装置和车辆

技术领域

本发明涉及点云数据处理技术领域，具体涉及一种定位方法、一种定位装置和一种车辆。

背景技术

目前，在复杂的路况下，例如城市道路进行自动驾驶控制时，一般是直接将激光雷达采集的点云数据与高精点云地图进行匹配，以得到车辆的定位信息。然而，由于激光雷达采集的点云数据中包含很多动态噪声，如动态的车或者行人等，上述匹配方式得到的车辆定位不够准确。

发明内容

本发明为解决上述技术问题，提供了一种定位方法、装置和车辆，能够提高车辆定位的准确率。

本发明采用的技术方案如下：

一种定位方法，包括以下步骤：通过激光雷达对车前环境进行持续探测以获取连续多帧点云数据，其中，所述连续多帧点云数据中最后一帧为当前帧；将所述连续多帧点云数据进行叠加，得到稠密点云数据；通过神经网络对所述稠密点云数据进行语义分割，以确定所述稠密点云数据中每个点属于动态目标或静态目标；剔除属于动态目标的点并保留属于静态目标的点，以得到静态环境点云数据；将所述静态环境点云数据与道路高精点云地图进行匹配，以确定车辆的当前位置。

根据本发明实施例的定位方法，通过获取连续多帧点云数据，并将连续多帧点云数据进行叠加，得到稠密点云数据，然后通过神经网络对稠密点云数据进行语义分割，以确定稠密点云数据中每个点属于动态目标或静态目标，再剔除属于动态目标的点并保留属于静态目标的点，以得到静态环境点云数据，最后将静态环境点云数据与道路高精点云地图进行匹配，以确定车辆的当前位置，由此，能够通过去除了动态噪声且具有丰富语义信息的点云数据实现匹配定位，从而提高车辆定位的准确率。

另外，本发明上述的定位方法还可具有如下附加技术特征：

所述静态目标包括车道线和道路栅栏，所述动态目标包括行人和其他车辆。

所述连续多帧点云数据的数量根据所述激光雷达的帧率确定。

一种定位方法，包括以下步骤：通过激光雷达对车前环境进行持续探测以获取连续多帧点云数据，其中，所述连续多帧点云数据中最后一帧为当前帧；通过神经网络对每帧所述点云数据进行语义分割，以确定每帧所述点云数据中每个点属于动态目标或静态目标；剔除每帧所述点云数据中属于动态目标的点并保留属于静态目标的点，以得到对应的一帧静态环境点云数据；将多帧所述点云数据对应的多帧静态环境点云数据进行叠加，得到稠密静态环境点云数据；将所述稠密静态环境点云数据与道路高精点云地图进行匹配，以确定车辆的当前位置。

根据本发明实施例的定位方法，通过获取连续多帧点云数据，并通过神经网络对每帧点云数据进行语义分割，以确定每帧点云数据中每个点属于动态目标或静态目标，然后剔除每帧点云数据中属于动态目标的点并保留属于静态目标的点，以得到对应的一帧静态环境点云数据，再将多帧点云数据对应的多帧静态环境点云数据进行叠加，得到稠密静态环境点云数据，最后将稠密静态环境点云数据与道路高精点云地图进行匹配，以确定车辆的当前位置，由此，能够通过去除了动态噪声且具有丰富语义信息的点云数据实现匹配定位，从而提高车辆定位的准确率。

一种定位装置，包括：第一获取模块，用于通过激光雷达对车前环境进行持续探测以获取连续多帧点云数据，其中，所述连续多帧点云数据中最后一帧为当前帧；第一叠加模块，用于将所述连续多帧点云数据进行叠加，得到稠密点云数据；第一语义分割模块，用于通过神经网络对所述稠密点云数据进行语义分割，以确定所述稠密点云数据中每个点属于动态目标或静态目标；第一剔除模块，用于剔除属于动态目标的点并保留属于静态目标的点，以得到静态环境点云数据；第一匹配模块，用于将所述静态环境点云数据与道路高精点云地图进行匹配，以确定车辆的当前位置。

根据本发明实施例的定位装置，通过获取连续多帧点云数据，并将连续多帧点云数据进行叠加，得到稠密点云数据，然后通过神经网络对稠密点云数据进行语义分割，以确定稠密点云数据中每个点属于动态目标或静态目标，再剔除属于动态目标的点并保留属于静态目标的点，以得到静态环境点云数据，最后将静态环境点云数据与道路高精点云地图进行匹配，以确定车辆的当前位置，由此，能够通过去除了动态噪声且具有丰富语义信息的点云数据实现匹配定位，从而提高车辆定位的准确率。

一种定位装置，包括：第二获取模块，用于通过激光雷达对车前环境进行持续探测以获取连续多帧点云数据，其中，所述连续多帧点云数据中最后一帧为当前帧；第二语义分割模块，用于通过神经网络对每帧所述点云数据进行语义分割，以确定每帧所述点云数据中每个点属于动态目标或静态目标；第二剔除模块，用于剔除每帧所述点云数据中属于动态目标的点并保留属于静态目标的点，以得到对应的一帧静态环境点云数据；第二叠加模块，用于将多帧所述点云数据对应的多帧静态环境点云数据进行叠加，得到稠密静态环境点云数据；第二匹配模块，用于将所述稠密静态环境点云数据与道路高精点云地图进行匹配，以确定车辆的当前位置。

根据本发明实施例的定位装置，通过获取连续多帧点云数据，并通过神经网络对每帧点云数据进行语义分割，以确定每帧点云数据中每个点属于动态目标或静态目标，然后剔除每帧点云数据中属于动态目标的点并保留属于静态目标的点，以得到对应的一帧静态环境点云数据，再将多帧点云数据对应的多帧静态环境点云数据进行叠加，得到稠密静态环境点云数据，最后将稠密静态环境点云数据与道路高精点云地图进行匹配，以确定车辆的当前位置，由此，能够通过去除了动态噪声且具有丰富语义信息的点云数据实现匹配定位，从而提高车辆定位的准确率。

一种车辆，包括上述定位装置。

根据本发明实施例的车辆，定位准确率较高。

附图说明

图1为本发明一个实施例的定位方法的流程图；

图2为本发明一个实施例的定位装置的方框示意图；

图3为本发明另一个实施例的定位方法的流程图；

图4为本发明另一个实施例的定位装置的方框示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

如图1所示，本发明实施例的定位方法包括以下步骤：

S101，通过激光雷达对车前环境进行持续探测以获取连续多帧点云数据，其中，连续多帧点云数据中最后一帧为当前帧。

即获取截至当前时刻的一小段时间内所采集的多帧点云数据。

S102，将连续多帧点云数据进行叠加，得到稠密点云数据。

也就是说，可将历史点云数据叠加到当前帧点云数据中。通过将连续多帧点云数据的点叠加到同一帧，所得到新的一帧点云数据中的点较稠密，因此此处称为稠密点云数据。

S103，通过神经网络对稠密点云数据进行语义分割，以确定稠密点云数据中每个点属于动态目标或静态目标。

在本发明的一个实施例中，静态目标包括车道线和道路栅栏等，动态目标包括行人和其他车辆等。

在本发明的一个实施例中，用以对点云数据进行语义分割的神经网络可以为FCN(Fully Convolution Networks，全卷积网络)、SegNet、U-Net、E-Net(Efficient NeuralNetwork，高效神经网络)等，能够对点云数据中的每个点进行分类。具体地，可先利用神经网络将点云数据中的点分为具体目标类，例如属于车道线、栅栏、行人、车辆等，然后根据具体目标类确定其属于动态目标还是静态目标。或者，可直接利用神经网络将点云数据中的点分为动态目标、静态目标。

S104，剔除属于动态目标的点并保留属于静态目标的点，以得到静态环境点云数据。

S105，将静态环境点云数据与道路高精点云地图进行匹配，以确定车辆的当前位置。

在本发明的一个实施例中，连续多帧点云数据的数量可根据激光雷达的帧率确定，激光雷达的帧率越大，步骤S1中获取的连续点云数据帧数可越多。本发明实施例可以在连续点云数据中静态目标位置偏差较小的情况下，使得连续点云数据帧数尽可能地多。由此，不仅能够使得最终得到的用于匹配的静态环境点云数据中静态目标不失真，还能够使其语义信息更丰富。

根据本发明实施例的定位方法，通过获取连续多帧点云数据，并将连续多帧点云数据进行叠加，得到稠密点云数据，然后通过神经网络对稠密点云数据进行语义分割，以确定稠密点云数据中每个点属于动态目标或静态目标，再剔除属于动态目标的点并保留属于静态目标的点，以得到静态环境点云数据，最后将静态环境点云数据与道路高精点云地图进行匹配，以确定车辆的当前位置，由此，能够通过去除了动态噪声且具有丰富语义信息的点云数据实现匹配定位，从而提高车辆定位的准确率。

对应上述实施例的定位方法，本发明还提出一种定位装置。

如图2所示，本发明实施例的定位装置包括：第一获取模块210、第一叠加模块220、第一语义分割模块230、第一剔除模块240和第一匹配模块250。其中，第一获取模块210用于通过激光雷达对车前环境进行持续探测以获取连续多帧点云数据，其中，连续多帧点云数据中最后一帧为当前帧；第一叠加模块220用于将连续多帧点云数据进行叠加，得到稠密点云数据；第一语义分割模块230用于通过神经网络对稠密点云数据进行语义分割，以确定稠密点云数据中每个点属于动态目标或静态目标；第一剔除模块240用于剔除属于动态目标的点并保留属于静态目标的点，以得到静态环境点云数据；第一匹配模块250用于将静态环境点云数据与道路高精点云地图进行匹配，以确定车辆的当前位置。

在本发明的一个实施例中，连续多帧点云数据的数量可根据激光雷达的帧率确定，激光雷达的帧率越大，第一获取模块210获取的连续点云数据帧数可越多。本发明实施例可以在连续点云数据中静态目标位置偏差较小的情况下，使得连续点云数据帧数尽可能地多。由此，不仅能够使得最终得到的用于匹配的静态环境点云数据中静态目标不失真，还能够使其语义信息更丰富。

根据本发明实施例的定位装置，通过获取连续多帧点云数据，并将连续多帧点云数据进行叠加，得到稠密点云数据，然后通过神经网络对稠密点云数据进行语义分割，以确定稠密点云数据中每个点属于动态目标或静态目标，再剔除属于动态目标的点并保留属于静态目标的点，以得到静态环境点云数据，最后将静态环境点云数据与道路高精点云地图进行匹配，以确定车辆的当前位置，由此，能够通过去除了动态噪声且具有丰富语义信息的点云数据实现匹配定位，从而提高车辆定位的准确率。

对应上述实施例，本发明还提出另一种定位方法。

如图3所示，本发明另一实施例的定位方法包括以下步骤：

S301，通过激光雷达对车前环境进行持续探测以获取连续多帧点云数据，其中，连续多帧点云数据中最后一帧为当前帧。

S302，通过神经网络对每帧点云数据进行语义分割，以确定每帧点云数据中每个点属于动态目标或静态目标。

在本发明的一个实施例中，静态目标包括车道线和道路栅栏等，动态目标包括行人和其他车辆等。

在本发明的一个实施例中，用以对点云数据进行语义分割的神经网络可以为FCN(Fully Convolution Networks，全卷积网络)、SegNet、U-Net、E-Net(Efficient NeuralNetwork，高效神经网络)等，能够对点云数据中的每个点进行分类。具体地，可先利用神经网络将点云数据中的点分为具体目标类，例如属于车道线、栅栏、行人、车辆等，然后根据具体目标类确定其属于动态目标还是静态目标。或者，可直接利用神经网络将点云数据中的点分为动态目标、静态目标。

S303，剔除每帧点云数据中属于动态目标的点并保留属于静态目标的点，以得到对应的一帧静态环境点云数据。

S304，将多帧点云数据对应的多帧静态环境点云数据进行叠加，得到稠密静态环境点云数据。

也就是说，可将历史点云数据的语义分割结果叠加到当前帧点云数据的语义分割结果中。通过将连续多帧点云数据的的语义分割结果叠加到同一帧，所得到新的一帧静态环境点云数据中的点较稠密，因此此处称为稠密静态环境点云数据。

S305，将稠密静态环境点云数据与道路高精点云地图进行匹配，以确定车辆的当前位置。

在本发明的一个实施例中，连续多帧点云数据的数量可根据激光雷达的帧率确定，激光雷达的帧率越大，步骤S1中获取的连续点云数据帧数可越多。本发明实施例可以在连续点云数据中静态目标位置偏差较小的情况下，使得连续点云数据帧数尽可能地多。由此，不仅能够使得最终得到的用于匹配的静态环境点云数据中静态目标不失真，还能够使其语义信息更丰富。

根据本发明实施例的定位方法，通过获取连续多帧点云数据，并通过神经网络对每帧点云数据进行语义分割，以确定每帧点云数据中每个点属于动态目标或静态目标，然后剔除每帧点云数据中属于动态目标的点并保留属于静态目标的点，以得到对应的一帧静态环境点云数据，再将多帧点云数据对应的多帧静态环境点云数据进行叠加，得到稠密静态环境点云数据，最后将稠密静态环境点云数据与道路高精点云地图进行匹配，以确定车辆的当前位置，由此，能够通过去除了动态噪声且具有丰富语义信息的点云数据实现匹配定位，从而提高车辆定位的准确率。

对应上述实施例的另一种定位方法，本发明还提出另一种定位装置。

如图4所示，本发明实施例的定位装置包括：第二获取模块410、第二语义分割模块420、第二剔除模块430、第二叠加模块440和第二匹配模块450。其中，第二获取模块410用于通过激光雷达对车前环境进行持续探测以获取连续多帧点云数据，其中，连续多帧点云数据中最后一帧为当前帧；第二语义分割模块420用于通过神经网络对每帧点云数据进行语义分割，以确定每帧点云数据中每个点属于动态目标或静态目标；第二剔除模块430用于剔除每帧点云数据中属于动态目标的点并保留属于静态目标的点，以得到对应的一帧静态环境点云数据；第二叠加模块440用于将多帧点云数据对应的多帧静态环境点云数据进行叠加，得到稠密静态环境点云数据；第二匹配模块450用于将稠密静态环境点云数据与道路高精点云地图进行匹配，以确定车辆的当前位置。

在本发明的一个实施例中，连续多帧点云数据的数量可根据激光雷达的帧率确定，激光雷达的帧率越大，第二获取模块410获取的连续点云数据帧数可越多。本发明实施例可以在连续点云数据中静态目标位置偏差较小的情况下，使得连续点云数据帧数尽可能地多。由此，不仅能够使得最终得到的用于匹配的静态环境点云数据中静态目标不失真，还能够使其语义信息更丰富。

根据本发明实施例的定位装置，通过获取连续多帧点云数据，并通过神经网络对每帧点云数据进行语义分割，以确定每帧点云数据中每个点属于动态目标或静态目标，然后剔除每帧点云数据中属于动态目标的点并保留属于静态目标的点，以得到对应的一帧静态环境点云数据，再将多帧点云数据对应的多帧静态环境点云数据进行叠加，得到稠密静态环境点云数据，最后将稠密静态环境点云数据与道路高精点云地图进行匹配，以确定车辆的当前位置，由此，能够通过去除了动态噪声且具有丰富语义信息的点云数据实现匹配定位，从而提高车辆定位的准确率。

综上所述，本发明实施例将连续多帧点云数据进行叠加后再进行语义分割，或者在进行语义分割后再进行叠加，不仅去除了动态噪声，而且使得用以进行匹配定位的数据的语义信息更加丰富，从而大大提高定位准确率。

基于上述实施例，本发明还提出一种车辆。

本发明实施例的车辆包括本发明上述任一实施例的定位装置，其具体的实施方式可参照上述实施例，在此不再赘述。

根据本发明实施例的车辆，定位准确率较高。

在本发明的描述中，术语“第一”、“第二”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”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。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。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。