车辆定位方法及装置

技术领域

本申请涉及无人驾驶技术领域，尤其涉及一种车辆定位方法及装置。

背景技术

无人驾驶技术在港口环境中逐渐发展成为一种趋势。

在无人驾驶车辆自动作业过程中，无人驾驶车辆需要获取传感器提供的观测信息（例如：轨道吊、集装箱、其它作业车辆等的点云数据），并基于观测信息进行特征匹配，得到全局定位结果，估计出无人驾驶车辆的位姿，进而基于估计的位姿实现无人驾驶车辆的规划、控制等功能。

然而，港口环境存在以下特点：（1）轨道吊。轨道吊的数量会根据作业任务进行调整，并且轨道吊在作业过程中会移动。（2）集装箱。集装箱在堆放后形成了一定的高度，并且集装箱的流动性大。（3）作业车辆。作业车辆多，并且作业车辆相互之间无法通信，进而无法获取其它作业车辆的位置、速度等信息。港口环境的上述特点对采用全球导航卫星坐标系统（Global Navigation Satellite System，GNSS）、实时动态（Real - Time Kinematic，RTK）载波相位差分技术、全局匹配、同步定位与地图构建（Simultaneous LocalizationAnd Mapping，SLAM）等技术进行车辆定位具有一定的影响，会降低定位的精度。并且，由于激光点云本身的稀疏性，会导致部分环境信息丢失，这在低线束的激光雷达中尤为明显。以及，在传感器前方存在遮挡，或者路段的局部特征较少的情况下，就更无法基于特征匹配的定位算法准确地确定车辆的位姿。鉴于特征匹配的定位算法对激光点云数量的要求较高，虽然现有已调整了部分激光雷达在垂直方向上的扫描分辨率，但是仍然无法完全弥补激光雷达本身线束少的缺陷，还是无法准确地确定车辆的位姿。

发明内容

本申请实施例的目的是提供一种车辆定位方法及装置，能够准确地确定车辆的位姿。

为解决上述技术问题，本申请实施例提供如下技术方案：

本申请第一方面提供一种车辆定位方法，包括：获取车辆低线束激光雷达扫描的原始点云数据；从所述原始点云数据中提取目标物的点云数据，所述目标物为车辆行驶环境中位置固定的物体；将所述点云数据与历史点云数据累积，得到局部地图，所述历史点云数据为与当前帧相连的历史帧的原始点云数据中目标物的点云数据；基于所述局部地图、全局地图和所述车辆的全局位姿确定所述车辆的位姿，所述全局地图为世界坐标系下的包含所述目标物的点云数据，所述全局位姿是基于低线束激光雷达进行全局定位得到的。

本申请第二方面提供一种车辆定位装置，包括：输入模块，用于获取车辆低线束激光雷达扫描的原始点云数据；特征提取模块，用于从所述原始点云数据中提取目标物的点云数据，所述目标物为车辆行驶环境中位置固定的物体；点云累积模块，用于将所述点云数据与历史点云数据累积，得到局部地图，所述历史点云数据为与当前帧相连的历史帧的原始点云数据中目标物的点云数据；输出模块，用于基于所述局部地图、全局地图和所述车辆的全局位姿确定所述车辆的位姿，所述全局地图为世界坐标系下的包含所述目标物的点云数据，所述全局位姿是基于低线束激光雷达进行全局定位得到的。

本申请第三方面提供一种电子设备，包括：至少一个处理器；以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行第一方面中的方法。

本申请第四方面提供一种计算机可读存储介质，包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行第一方面中的方法。

相较于现有技术，本申请第一方面提供的车辆定位方法，通过从原始点云数据中提取出港口环境中位置固定的目标物的点云数据，进而与之前提取的同一目标物的点云数据累积，得到点云数据丰富的目标物的局部地图，使得通过低线束的激光雷达也能够获得丰富的点云数据。进而将局部地图和全局地图进行匹配，避免动态障碍物多而引起的误匹配，并结合激光全局定位，能够持续准确地输出车辆的位姿，提高港口环境下车辆位姿输出的鲁棒性。

本申请第二方面提供的车辆定位装置、第三方面提供的电子设备、第四方面提供的计算机可读存储介质，与第一方面提供的车辆定位方法具有相同或相似的有益效果。

附图说明

通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，相同或对应的标号表示相同或对应的部分，其中：

图1示意性地示出了车辆定位方法的流程图一；

图2示意性地示出了车辆定位方法的流程图二；

图3示意性地示出了车辆定位方法的流程图三；

图4示意性地示出了车辆定位装置地结构图；

图5示意性地示出了电子设备的结构图。

具体实施方式

下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。

本申请实施例提供了一种车辆定位方法，该方法可以应用于在港口作业的无人驾驶车辆中。具体的，可以应用于无人驾驶车辆中用于对点云数据进行处理的滤波器中。即便无人驾驶车辆使用低线束激光雷达，或者无人驾驶车辆行驶的路段中的特征较少，采用本申请实施例提供的车辆定位方法，仍然能够准确地确定无人驾驶车辆的位姿，进而对无人驾驶车辆进行精准的规划与控制，提升车辆作业的安全性。

图1示意性地示出了车辆定位方法的流程图一，参见图1所示，该方法可以包括：

S101：获取车辆低线束激光雷达扫描的原始点云数据。

原始点云数据中包含有港口中的各种物体的点云数据。例如：包含有轨道吊、集装箱、其它作业车辆、车道线、围栏等的点云数据。

通过本申请实施例提供的车辆定位方法，无人驾驶车辆中无需安装高线束激光雷达，仅仅使用低线束激光雷达，也能够准确的确定车辆的位姿，节省了无人驾驶车辆的成本。

S102：从原始点云数据中提取目标物的点云数据。

目标物为车辆行驶环境中位置固定的物体。具体来说，目标物可以是港口环境中的道路基建设施。例如：港口内车辆行驶道路上的车道线、围栏等。当然，目标物还可以是港口环境中其它类型的位置固定物体。对于目标物的具体类型，此处不做限定。

可选的，可以从原始点云数据中提取车道线的点云数据，也可以从原始点云数据中提取围栏的点云数据，当然，还可以从原始点云数据中提取车道线和围栏的点云数据。

由于原始点云数据中包含有港口内各种物体的点云数据，而本申请实施例中所需要的是港口内位置固定的物体的点云数据，这样能够进行点云数据的累积，以获得丰富的点云数据。因此，需要从原始点云数据中提取出港口内位置固定物体的点云数据。而对于具体的提取方式，此处不做限定。

S103：将点云数据与历史点云数据累积，得到局部地图。

为了解决点云数据稀疏的问题，使得点云数据更加丰富，进而能够更加准确地确定车辆的位姿，需要将当前帧的点云数据与历史帧的点云数据累积，即将当前帧的点云数据与历史帧的点云数据叠加。

历史点云数据为与当前帧相连的历史帧的原始点云数据中目标物的点云数据。

举例来说，假设当前的原始点云数据为第30帧。那么，累积的点云数据就可以是第30帧的点云数据和第20帧至第29帧的点云数据。这里的帧的具体数值仅仅是为了举例。对于历史帧的具体数值，此处不做限定。

S104：基于局部地图、全局地图和车辆的全局位姿确定车辆的位姿。

全局地图为世界坐标系下的包含目标物的点云数据，是预先扫描构建的。

全局位姿是基于低线束激光雷达进行全局定位得到的。由于通过低线束激光雷达进行全局定位得到车辆的全局位姿为现有技术，此处不再对全局位姿的生成过程进行说明。

本申请实施例在确定车辆位姿的过程中，可以采用匹配算法基于局部地图、全局地图和车辆的全局位姿计算出位姿残差，进而采用位姿残差对车辆的全局位姿进行修正，得到车辆的位姿。进而在对车辆位姿进行更新后输出。当然，还可以采用其它方式基于局部地图、全局地图、全局位姿确定车辆位姿。对于确定车辆位姿的具体过程，此处不做限定。

由上述内容可知，本申请实施例提供的车辆定位方法，通过从原始点云数据中提取出港口环境中位置固定的目标物的点云数据，进而与之前提取的同一目标物的点云数据累积，得到点云数据丰富的目标物的局部地图，使得通过低线束的激光雷达也能够获得丰富的点云数据。进而将局部地图和全局地图进行匹配，避免动态障碍物多而引起的误匹配，并结合激光全局定位，能够持续准确地输出车辆的位姿，提高港口环境下车辆位姿输出的鲁棒性。

进一步地，作为对图1所示方法的细化和扩展，本申请实施例还提供了一种车辆定位方法。图2示意性地示出了车辆定位方法的流程图二，参见图2所示，该方法可以包括：

S201：加载全局地图。

全局地图，即世界坐标系下包含港区中各物体特征点的图，具体包含港区内的车道线和围栏的特征点。

全局地图需要提前构建。在构建全局地图时，可以对港区进行全局扫描，得到港区内的各特征点。

在构建完全局地图后，需要将全局地图以pcd文件的形式存储在滤波器中。在全局地图中，每个特征点采用

S202：初始化滤波器。

滤波器为扩展卡尔曼滤波器（Extended Kalman Filter，EKF）。由于本申请需要同时获得车辆的航位推算位姿（基于惯性测量单元（Inertial Measurement Unit，IMU）获得）和全局位姿（基于激光雷达进行全局特征匹配获得），因此，EKF需要分出两个分支，即航迹推算扩展卡尔曼滤波（Dead Reckoning_Extended Kalman Filter，DR_EKF）和激光雷达扩展卡尔曼滤波（LIDAR_ Extended Kalman Filter，LIDAR_EKF）。DR_EKF用于计算航位推算位姿，LIDAR_EKF用于计算全局位姿。

具体的，S202可以包括：

S2021：DR_EKF初始化。

由于惯性测量单元长时间进行航位推算具有不稳定性，但是，惯性测量单元的短期航位推算还是比较可靠的，因此，可以累积位置固定的目标物的点云，更好的保留环境特征。

具体的，DR_EKF的航位推算位姿

S2022：LIDAR_EKF初始化。

LIDAR_EKF是采用scan-to-map的匹配结果作观测值，进而平滑和修正预测结果，其滤波结果就是激光全局定位模块的输出结果。

具体的，在车辆开始作业前，需要使车辆在空旷无遮挡的场景下，采用GNSS的定位结果初始化LIDAR _EKF。

S203：获取车辆低线束激光雷达扫描的原始点云数据。

S204：将原始点云数据从激光雷达坐标系转换到车体坐标系。

原始点云数据以激光雷达扫描中心为坐标原点，而车辆的实际控制需要以车体为中心，因此，需要将原始点云数据转换至车体后轴中心。

在具体实施过程中，激光雷达坐标系的X轴指向车体正前方，呈现右手螺旋定则。经过标定，得到激光雷达坐标系相对于车体坐标系的杆臂值为

由旋转角度构造旋转矩阵：

激光雷达坐标系中每个点云转换到车体坐标系为：

S205：从车体坐标系的原始点云数据中提取目标物的点云数据。

具体的，S205可以包括：

S2051：提取车道线的点云数据。

通过车道线和普通路面的反射强度的区别来提取车道线。对于车道线点云数据的具体提取手段，此处不做限定。

从第i帧点云中提取的车道线记为

S2052：提取围栏的点云数据。

通过两个相邻点云之间的深度差来聚类柱状物，进一步提取围栏。对于围栏点云数据的具体提取手段，此处不做限定。

从第i帧点云中提取的围栏记为

S206：基于DR_EKF累积目标物的点云数据，得到局部地图。

由于单帧点云比较稀疏，因此需要将单帧点云累积为多帧点云，以便更好地保留环境信息。

具体的，S206可以包括：

S2061：预测车辆的航位推算位姿。

由于后续车辆的位姿计算中还需要依据航位推算位姿，而航位推算位姿可以从DR_EKF中得到，即依赖惯性测量单元，因此，还需要基于DR_EKF获取车辆的航位推算位姿。

具体的，包含对状态量

其中，

S2062：累积车道线点云。

首先，需要将车道线点云数据从车体坐标系转换到航位推算DR系，具体转换过程如下：

其中，

然后，由于车道线点云数据比较稀疏，在实际应用中，可以累积车道线点云数据的窗口大小为连续15帧。由于航位推算的短期可靠性，这15帧的点云累积误差足够小。

累积的车道线点云记为

S2063：累积围栏点云。

首先，需要将围栏点云数据从车体坐标系转换到航位推算DR系，具体转换过程如下：

其中，

然后，由于围栏的点云数据相对于车道线更加稠密，在实际应用中，可以累积围栏点云数据的窗口大小为连续3帧。

累积的车道线点云记为

S2064：基于累积的车道线点云和围栏点云，构成局部地图。

局部地图是航位推算DR坐标系下的。

后续在与全局地图进行匹配时，不会对车道线和围栏进行区分，会将车道线和围栏都看作固定物，所以，将

S207：结合局部地图进行全局匹配，得到车辆的位姿。

首先，需要将局部地图从航位推算DR坐标系转换到世界坐标系。具体的：

S2071：获取车辆的全局位姿。

车辆的全局位姿可以从LIDAR_EKF中获取，记为

S2072：获取车辆的航位推算位姿。

车辆的航位推算位姿可以从DR_EKF中获取，可以通过步骤S2061获得，记为

S2073：根据车辆的全局位姿和航位推算位姿的相对关系，将局部地图从航位推算DR坐标系转换到世界坐标系。

也就是说，根据

其中，函数

然后，基于世界坐标系下的局部地图、全局地图和车辆的全局位姿进行迭代最近点（Iterative Closest Point，ICP）匹配，得到车辆的位姿。

S2074：基于世界坐标系的局部地图、全局地图、全局位姿，调用ICP匹配算法，计算出位姿残差。

位姿残差记作

S2075：基于位姿残差对全局位姿进行修正。

具体为：

其中，

S208：在LIDAR_EKF中基于车辆的位姿更新并输出车辆的状态。

具体的，S208可以包括：

S2081：车辆状态预测。

具体的：

其中，

S2082：车辆状态更新。

具体的：

其中，观测值

更新后的结果记为

为了能够更加形象地理解本申请，图3示意性地示出了车辆定位方法的流程图三，参见图3所示，在车辆的滤波器EKF中，初始化后，位姿归零，GNSS提供初始位姿。在DR_EKF中，对通过激光雷达获取的点云数据分别进行点云数据转换、特征点云提取、累积点云，进而与全局地图进行全局匹配后，得到位姿观测值。在LIDAR_EKF中，可以输出全局位姿。进而基于位姿观测值和全局位姿得到位姿预测值，再对位姿观测值进行修正，就能够输出车辆的位姿。

由上述内容可知，本申请实施例提供的车辆定位方法，通过从原始点云数据中提取出车道线和围栏的点云数据，进行点云数据累积，得到环境信息丰富的局部地图，使得通过低线束的激光雷达也能够获得丰富的点云数据。并将局部地图与全局地图进行ICP匹配，避免动态障碍物多而引起的误匹配，并结合激光全局定位，能够持续准确地输出车辆的位姿，提高港口环境下车辆位姿输出的鲁棒性。

基于同一发明构思，作为对上述方法的实现，本发明实施例还提供了一种车辆定位装置。图4示意性地示出了车辆定位装置地结构图，参见图4所示，该装置可以包括：

输入模块401，用于获取车辆低线束激光雷达扫描的原始点云数据；

特征提取模块402，用于从所述原始点云数据中提取目标物的点云数据，所述目标物为车辆行驶环境中位置固定的物体；

点云累积模块403，用于将所述点云数据与历史点云数据累积，得到局部地图，所述历史点云数据为与当前帧相连的历史帧的原始点云数据中目标物的点云数据；

输出模块404，用于基于所述局部地图、全局地图和所述车辆的全局位姿确定所述车辆的位姿，所述全局地图为世界坐标系下的包含所述目标物的点云数据，所述全局位姿是基于低线束激光雷达进行全局定位得到的。

基于前述实施例，所述目标物包括：车道线和/或围栏。

基于前述实施例，所述点云累积模块，用于将所述车道线的点云数据与第一预设帧的所述车道线的历史点云数据累积，得到第一局部地图；将所述围栏的点云数据与第二预设帧的所述围栏的历史点云数据累积，得到第二局部地图，所述第二预设帧的数量小于所述第一预设帧的数量；叠加所述第一局部地图和所述第二局部地图，得到所述局部地图。

基于前述实施例，所述装置还包括：坐标系转换模块，用于获取所述车辆的航位推算位姿和全局位姿，所述航位推算位姿是基于相邻滤波周期的所述目标物的点云数据得到的；根据所述航位推算位姿和所述全局位姿的相对关系，将所述局部地图从航位推算DR坐标系转换到世界坐标系，得到世界坐标系的局部地图；

所述输出模块，用于根据世界坐标系的局部地图、全局地图和所述车辆的全局位姿确定所述车辆的位姿。

基于前述实施例，所述装置还包括：坐标系转换模块，用于将所述原始点云数据从激光雷达坐标系转换到车体坐标系；将所述点云数据从车体坐标系转换到所述航位推算DR坐标系；

所述特征提取模块，用于从车体坐标系的原始点云数据中提取目标物的点云数据；

所述点云累积模块，用于将航位推算DR坐标系的点云数据与航位推算DR坐标系的历史点云数据累积，得到航位推算DR坐标系的局部地图。

基于前述实施例，所述装置还包括：初始化模块，用于在初始化阶段，将所述车辆的航位推算位姿设置为

基于前述实施例，所述输出模块，用于调用迭代最近点ICP匹配算法基于所述局部地图、所述全局地图和所述全局位姿计算出位姿残差；采用所述位姿残差修正所述全局位姿，确定所述车辆的位姿；

所述装置还包括：更新模块，用于基于所述车辆的位姿更新并输出所述车辆的状态。

这里需要指出的是，以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

基于同一发明构思，本申请实施例还提供了一种电子设备。图5示意性地示出了电子设备的结构图，参见图5所示，该电子设备可以包括：至少一个处理器501；以及与处理器501连接的至少一个存储器502、总线503；其中，处理器501、存储器502通过总线503完成相互间的通信；处理器501用于调用存储器502中的程序指令，以执行上述一个或多个实施例中的方法。

这里需要指出的是，以上电子设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请电子设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

基于同一发明构思，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述一个或多个实施例中的方法。

这里需要指出的是，以上存储介质实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。