Determine the location of automatic driving vehicle (ADV) relative to high definition map. ADV's vehicle sensor gets the 3D point cloud around the ADV object. The 3D point cloud is organized into the ADV feature space of the cell. Each cell has median strength and elevation variance. A set of candidate cells around ADV is determined. For each candidate, a set of cells in the ADV feature space around the candidate cells are projected onto the map feature space in one or more dimensions using kernel projection. The kernel can be Walsh's Hadamar vector. Reject candidates with insufficient similarity. When the number of remaining thresholds is not rejected, similarity measures can be used to determine candidate similarity. The coordinates of the most similar candidate cells can be used to determine the location of the vehicle relative to the map.
【技术实现步骤摘要】
基于Walsh内核投影技术的自动驾驶车辆定位
本专利技术的实施方式总体上涉及操作自动驾驶车辆。更具体地,本专利技术的实施方式涉及提高自动驾驶车辆定位的效率和精确性。
技术介绍
以自动驾驶模式运行(例如,无人驾驶)的车辆可以将乘员、尤其是驾驶员从一些驾驶相关的职责中解放出来。当以自动驾驶模式运行时,车辆可以使用车载传感器导航到各个位置,从而允许车辆在最少人机交互的情况下或在没有任何乘客的一些情况下行驶。自动驾驶的一个基本挑战是有效地、精确地且实时地确定自动驾驶车辆(ADV)相对于注释有多种关键信息的高清晰度(HD)地图的位置。在最坏的情况下,精度需要在10cm以内。高清晰度(HD)地图中的ADV位置由ADV系统部件(诸如感知,规划和控制)使用以做出精确且及时的ADV驾驶决策。为了确定ADV在HD地图内的位置,ADV中或ADV上包括有一个或多个ADV位置传感器。传感器可以包括全球定位卫星检测器(GPS)、惯性测量单元传感器(IMU)、无线电检测和测距(RADAR)和光检测和测距(LIDAR)。现有的基于硬件的定位系统(诸如,全球定位卫星传感器(GPS)和惯性测量单元传感器(IMU))不能提供相对于HD地图的必要的精确度,特别是对于具有复信号阻塞情况的动态城市环境。自动驾驶车辆的现有定位方法通常为三个主要类别:2D方法、3D方法以及2D-3D混合方法。在这三个方法中,使用激光扫描器(例如,LIDAR传感器)的基于3D的方法由于其高精度和高可靠性而普遍地流行。使用LIDAR传感器来确定HD地图中的ADV位置的现有技术方法在计算方面的成本很高,并且仅具有一般的精确度 ...
【技术保护点】
1.操作自动驾驶车辆(ADV)的计算机实施的方法,所述方法包括:确定所述自动驾驶车辆周围的单元格的自动驾驶车辆特征空间中的多个候选单元格的第一子集;对于所述多个候选单元格的所述第一子集中的每个候选单元格:通过使用第一维度基向量将所述自动驾驶车辆特征空间的子集投影在地图特征空间上,确定围绕所述候选单元格的所述自动驾驶车辆特征空间的所述子集与所述地图特征空间之间的相似性分数,以及响应于确定出所述相似性分数表示不足的相似性,将所述候选单元格标记为拒绝,否则将所述相似性分数与所述候选单元格关联地存储;至少部分地基于所述多个候选单元格中具有最高相似性分数的所述多个候选单元格中的候选单元格来确定所述自动驾驶车辆相对于所述地图特征空间的位置。
【技术特征摘要】
2017.02.08 US 15/427,9731.操作自动驾驶车辆(ADV)的计算机实施的方法,所述方法包括:确定所述自动驾驶车辆周围的单元格的自动驾驶车辆特征空间中的多个候选单元格的第一子集;对于所述多个候选单元格的所述第一子集中的每个候选单元格:通过使用第一维度基向量将所述自动驾驶车辆特征空间的子集投影在地图特征空间上,确定围绕所述候选单元格的所述自动驾驶车辆特征空间的所述子集与所述地图特征空间之间的相似性分数,以及响应于确定出所述相似性分数表示不足的相似性,将所述候选单元格标记为拒绝,否则将所述相似性分数与所述候选单元格关联地存储;至少部分地基于所述多个候选单元格中具有最高相似性分数的所述多个候选单元格中的候选单元格来确定所述自动驾驶车辆相对于所述地图特征空间的位置。2.根据权利要求1所述的方法,其中,确定所述自动驾驶车辆相对于所述地图特征空间的位置包括:确定未拒绝的所述多个候选单元格中具有所述最高相似性分数的所述候选单元格的坐标。3.根据权利要求1所述的方法,其中,所述多个候选单元格的所述第一子集包括所述多个候选单元格中的所有候选单元格。4.根据权利要求1所述的方法,还包括:响应于未标记为拒绝的所述候选单元格,通过使用第二维度基向量将所述自动驾驶车辆特征空间的所述子集投影在所述地图特征空间上来确定所述候选单元格与所述地图特征空间之间的第二相似性分数;以及通过使用所述候选单元格的存储的相似性分数和所述第二相似性分数来确定更新的相似性分数;以及响应于确定出所述更新的相似性分数表示不足的相似性,将所述候选单元格标记为拒绝,否则将所述更新的相似性分数与所述候选单元格相关地存储。5.根据权利要求4所述的方法,其中,所述第一维度基向量和所述第二维度基向量各自包括格雷码内核的有序序列。6.根据权利要求1所述的方法,还包括:确定所述多个候选单元格的第二子集,所述多个候选单元格的所述第二子集中的每个候选单元格均未被拒绝且不具有与所述候选单元格相关存储的相似性分数,并且所述第二子集中的每个候选单元格均具有中值强度和高程方差;对于所述第二子集中的每个候选单元格:使用所述中值强度和所述高程方差来确定围绕所述候选单元格的所述自动驾驶车辆特征空间的子集与所述地图特征空间之间的相似性分数。7.根据权利要求6所述的方法,其中,确定所述第二子集响应于以下项中的一个来执行:确定所述多个候选单元格中的候选单元格的计数小于候选单元格的阈值数量,其中所述计数中的每个候选单元格均未被拒绝且不具有与所述候选单元格相关联存储的相似性分数;或者确定已达到基向量的最大维度数量。8.一种非暂时性机器可读介质,在所述非暂时性机器可读介质中存储有指令,当由处理器执行时,所述指令使得所述处理器执行操作,所述操作包括:确定自动驾驶车辆周围的单元格的自动驾驶车辆特征空间中的多个候选单元格的第一子集;对于所述多个候选单元格的所述第一子集中的每个候选单元格:通过使用第一维度基向量将所述自动驾驶车辆特征空间的子集投影在地图特征空间上,确定围绕所述候选单元格的所述自动驾驶车辆特征空间的所述子集与所述地图特征空间之间的相似性分数,以及响应于确定出所述相似性分数表示不足的相似性,将所述候选单元格标记为拒绝,否则将所述相似性分数与所述候选单元格关联地存储;至少部分地基于所述多个候选单元格中具有最高相似性分数的所述多个候选单元格中的候选单元格来确定所述自动驾驶车辆相对于所述地图特征空间的位置。9.根据权利要求8所述的介质,其中,确定所述自动驾驶车辆相对于所述地图特征空间的位置包括:确定未拒绝的所述多个候选单元格中具有所述最高相似性分数的所述候选单元格的坐标。10.根据权利要求8所述的介质,其中,所述多个候选单元格的所述第一子集包括所述多个候选单元格中的所有候选单元格。11.根据权利要求8所述的介质,还包括:响应于未标记为拒绝的所述候选单元格,通过使用第二维度基向量将所述自动驾驶车辆特征空间的...
【专利技术属性】
技术研发人员:王全,
申请(专利权)人:百度美国有限责任公司,
类型:发明
国别省市:美国,US
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。