使用高斯混合模型进行自主车辆定位制造技术

本文提供了“使用高斯混合模型进行自主车辆定位”。公开了用于确定车辆或其他装置的位置的系统、方法和装置。一种方法包括从传感器接收传感器数据，以及确定包括激光雷达强度值的在先地图。所述方法包括提取所述在先地图中在所述传感器的假设位置周围的子区域。所述方法包括通过期望最大化提取所述传感器数据的区域的高斯混合模型(GMM)强度值分布，以及基于所述传感器数据的强度值的所述GMM分布来计算所述在先地图的所述子区域的对数似然。

Localization of autonomous vehicles using Gaussian mixture model

【技术实现步骤摘要】
使用高斯混合模型进行自主车辆定位
本公开涉及用于定位的方法、系统和设备，并且更具体地涉及用于基于激光雷达传感器数据来定位车辆的方法、系统和设备。
技术介绍
定位是某些自主系统(包括自主驾驶系统或移动机器人系统)的要求。定位是执行某些任务(如避障、路线规划和地图创建)的关键组成部分。自主车辆利用地图来了解车辆周围的世界中的对象。自主车辆仅可以在知道所述车辆自身在地图内的位置时才能利用该信息。因此，车辆必须执行定位以知道所述车辆的位置，并且在一些实施方式中，必须以约10厘米的准确度知道所述车辆的位置。定位系统可以集成在汽车(诸如自主车辆和驾驶辅助系统)中。目前正在开发和部署此类系统以提供安全性特征，减少所需的用户输入量，或甚至完全消除用户参与。例如，一些驾驶辅助系统(诸如防撞系统)可在人驾驶时监测车辆的驾驶、位置和速度和其他对象。当系统检测到即将发生碰撞或撞击时，防撞系统可介入并应用制动、操纵车辆或执行其他避让或安全操作。作为另一示例，自主车辆可在很少或没有用户输入的情况下驾驶、导航，和/或停放车辆。然而，由于驾驶中涉及的危险和车辆的成本，使自主车辆和驾驶辅助系统安全地操作并且能够在各种不同的驾驶环境中准确地导航道路是极其重要的。
技术实现思路
本公开旨在提供用于定位的改进系统、方法和装置，并且更具体地提供用于基于激光雷达传感器数据来定位车辆的改进系统、方法和装置。可以实现本公开的方法，以降低维度和根据不确定性或噪声改善神经网络操作。所述方法包括接收包括多个样本的原始数据，其中每个样本包括多个输入特征。所述方法包括基于原始数据生成模糊数据。所述方法包括将原始数据和模糊数据输入到神经网络自动编码器的输入层中。附图说明参考以下附图描述本公开的非限制及非详尽实施方式，其中除非另有说明，否则相同的附图标记贯穿各个附图指代相同零件。参考以下描述和附图将更好地理解本公开的优点，在附图中：图1是示出根据一个实施例的示例性车辆控制系统或自主车辆系统的示意性框图；图2是示出根据一个实施例的用于确定环境中的车辆或其他对象的位置的方法的示意性框图；图3是示出根据一个实施例的用于确定环境中的车辆或其他对象的位置的方法的示意性框图；图4是示出根据一个实施例的用于基于当前传感器数据确定一组参数的方法的示意性框图；图5是示出根据一个实施例的用于确定在先地图的子区域的对数似然值的方法的示意性框图；图6是示出根据一个实施例的用于确定环境中的车辆或其他对象的位置的方法的示意性框图；图7是根据一个实施例的示例性激光雷达强度地图；图8是根据一个实施例的示例性激光雷达强度图和高斯混合模型图；图9是根据一个实施例的激光雷达强度值地图的示例性分布；图10是示出根据一个实施例的用于确定参数的方法的示意性框图；图11是根据一个实施例的包括多个子区域的示例性分类地图；图12是根据一个实施例的用于确定环境中的车辆或其他对象的位置的方法的示意性流程图；图13是根据一个实施例的用于确定环境中的车辆或其他对象的位置的方法的示意性流程图；并且图14是示出根据一个实施例的示例性计算系统的示意框图。具体实施方式车辆在所述车辆的环境中的定位是允许和改善自主车辆或驾驶员辅助特征的操作的重要方面。例如，车辆必须准确地知道所述车辆在地图中的位置以安全地围绕对象导航并确定车辆路线。然而，本领域中已知的定位系统提供的准确度不足或为高度计算密集的，并且需要大量的计算资源。自主车辆利用地图来了解车辆周围的世界中的对象。自主车辆仅可以在知道所述车辆自身在地图内的位置时才能利用该信息。因此，车辆必须执行定位以知道所述车辆的位置，并且在一些实施方式中，必须以约10厘米的准确度知道所述车辆的位置。在紧急的安全情况下，从全球定位系统(GPS)接收的定位不能提供足够的准确度。另外，本领域中已知的许多定位技术是在计算上非常密集的，并且如果车辆具有的计算资源不足，则可能限制所述车辆的续航里程。本申请人认识到自主车辆的续航里程取决于车辆使用的计算能力，并且本申请人还认识到用于车辆定位的计算密集度较低的方法可为有益的。本申请人另外认识到，自主车辆可能处于所述车辆必须以非常差的初始猜测(例如GPS故障)快速定位自身，并且所述车辆的初始位置估计必须快速且有效地进行的情况。本申请人已经使用从车辆的激光雷达传感器接收的激光雷达传感器数据开发了用于车辆定位的系统、方法和装置。本公开涉及能够提供适用于执行诸如避障、路径规划和地图创建之类的任务的定位的此类系统、方法和装置。应当理解，定位是传统上通过GPS(GPS可提供的关于车辆位置的准确度不足)进行，或者通过需要大量计算资源的计算密集型方法进行，并且在某些情况下可能不能足够快速地提供位置。本领域中已知的几种定位技术将基于地图的定位作为机器学习问题进行处理。此类技术从大量数据中提取训练度量，并且在定位过程期间，针对所述训练度量执行推断以获得车辆位姿作为输出。此类技术的功效取决于几个关键因素，包括它们所估计的定位位姿的准确性，算法在汽车硬件中的计算速度，以及训练和推断中使用的数据的品质。基于地图的方法通常在定位过程期间使用预先计算的在先地图作为训练数据以及使用传感器数据来进行推断。此类技术需要大量的计算资源，并且在某些情况下可能无法提供足够快速的结果。在公开和描述用于车辆定位的方法、系统和装置之前，应当理解的是，本公开不限于本文公开的配置、过程步骤和材料，因为此类配置、过程步骤、材料可能会有所不同。还应当理解的是，本文采用的术语仅用于描述实现方式，而不意图限制，因为本公开的范围将仅由所附权利要求及其等同物限制。在描述并要求保护本专利技术时，将根据下文陈述的定义来使用以下术语。应当注意的是，除非上下文另有明确说明，否则在本说明书和附图中所用的单数形式“一个”和“该”包括复数参考形式。如本文所用的，术语“包含”、“包括”、“含有”、“其特征在于”及其语法等同物是包含性或开放式术语，其不排除附加的、未列举的元件或方法步骤。在一个实施例中，公开了一种用于定位车辆或其他对象的方法。所述方法包括接收传感器数据，以及检索包括激光雷达强度值的在先地图。所述方法包括提取所述在先地图中在所述传感器的假设位置周围的子区域。所述方法包括通过期望最大化来提取所述传感器数据的高斯混合模型(GMM)强度值分布。所述方法包括基于所述传感器数据的GMM强度值分布来计算所述在先地图的所述子区域的对数似然。本公开的一个实施例利用在定位期间获得的激光雷达点云数据作为训练数据来提取GMM强度值分布。本申请人注意到，本领域中已知的现有技术可以使用在先地图作为训练数据，根据所述训练数据来计算和存储诸如混合分量的平均值和协方差值之类的量。在定位期间，本公开的实施例利用当前传感器数据实时进行分类，并实时生成GMM强度值分布(可以被称为训练参数)。与现有的基于混合模型的方法相比，所公开的系统、方法和装置减轻了因本文档来自技高网...

【技术保护点】
1.一种用于定位的方法，所述方法包括：/n从传感器接收传感器数据；/n确定包括激光雷达强度值的在先地图；/n提取所述在先地图中在所述传感器的假设位置周围的子区域；/n通过期望最大化来提取所述传感器数据的高斯混合模型(GMM)强度值分布；以及/n基于所述传感器数据的所述GMM强度值分布来计算所述在先地图的所述子区域的对数似然。/n

【技术特征摘要】
20180621 US 16/014,8551.一种用于定位的方法，所述方法包括：
从传感器接收传感器数据；
确定包括激光雷达强度值的在先地图；
提取所述在先地图中在所述传感器的假设位置周围的子区域；
通过期望最大化来提取所述传感器数据的高斯混合模型(GMM)强度值分布；以及
基于所述传感器数据的所述GMM强度值分布来计算所述在先地图的所述子区域的对数似然。


2.如权利要求1所述的方法，所述方法还包括：
计算所述在先地图的多个子区域中的每个子区域的对数似然，以产生多个对数似然值；以及
将所述多个对数似然值排序为从最低对数似然值到最高对数似然值；
其中较高的对数似然值表示所述在先地图的所述对应子区域包括所述传感器的当前位置的概率较高。


3.如权利要求2所述的方法，所述方法还包括以下中的一个或多个：
通过确定所述多个子区域中具有最高对数似然值的子区域来估计所述传感器的所述当前位置；
基于针对所述在先地图的所述多个子区域计算的所述多个对数似然值中的一个或多个对数似然值来更新粒子滤波器中的粒子权重；或者
提取具有所述最高对数似然值的子区域的最高峰周围的分布，以及利用所述最高峰周围的所述分布作为用于卡尔曼滤波的平均值。


4.如权利要求1所述的方法，其中提取所述在先地图中在所述传感器的所述假设位置周围的所述子区域包括以下中的一个或多个：
确定所述传感器数据上的网格覆盖；或者
将粒子滤波器施加至所述传感器数据；
其中所述在先地图的所述子区域与所述传感器数据的大小大致相同。


5.如权利要求1所述的方法，其中所述传感器数据的所述区域的所述GMM强度值分布包括以下中的一个或多个：
所述传感器数据的当前激光雷达强度值的分布权重；
所述传感器数据的所述当前激光雷达强度值的所述分布的平均值；或者
所述传感器数据的所述当前激光雷达强度值的所述分布的标准偏差。


6.如权利要求1所述的方法，其中提取所述传感器数据的所述区域的所述GMM强度值分布包括利用双混合分量将所述传感器数据的所述区域参数化为两个高斯函数的混合，以求解所述GMM强度值分布，其中所述双混合分量提供所述传感器数据内的道路强度数据的表示。


7.如权利要求2所述的方法，所述方法还包括：
确定所述在先地图的所述多个子区域中具有最高对数似然值的子区域；
估计对应于所述在先地图的具有所述最高对数似然值的所述子区域的车辆位置；以及
基于所述车辆的所述位置通知驾驶员或执行驾驶操纵；
其中所述传感器包括所述车辆的激光雷达传感器。


8.如权利要求1所述的方法，所述方法还包括以下中的一个或多个：
由所述传感器进行的每次测量会发生一次所述提取所述GMM强度值分布；
由所述传感器进行的每次测量会发生多次所述计算所述在先地图的所述子区域的所述对数似然；
计算所述在先地图的所述子区域的所述对数似然包括利用交互信息来比较所述传感器数据与所述在先地图的所述子区域；或者
所述传感器数据包括包括激光雷达强度值的二维栅格地图。


9.如权利要...

【专利技术属性】
技术研发人员：莎拉·霍茨，普拉韦恩·纳拉亚南，格雷厄姆·米尔斯，什里亚莎·波德尔，
申请(专利权)人：福特全球技术公司，
类型：发明
国别省市：美国;US