自动驾驶车辆的定位方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了一种自动驾驶车辆的定位方法、装置、电子设备及存储介质，属于自动驾驶技术领域。该方法通过获取自动驾驶车辆在当前时刻的目标图像；将目标图像输入目标定位模型，该目标定位模型用于根据目标图像确定自动驾驶车辆的位姿，目标定位模型由损失函数约束项进行约束，损失函数约束项包括欧氏距离损失函数项、光度差损失函数项和结构相似性损失函数项中的至少一种；根据该目标定位模型的输出结果，确定自动驾驶车辆的目标位姿；基于该目标位姿对自动驾驶车辆进行定位。由于该目标定位模型的定位精度较高，一定程度上，可以提高自动驾驶车辆的定位精度，从而可以提高自动驾驶车辆的安全系数。

Positioning method, device, electronic equipment and storage medium of self driving vehicle

【技术实现步骤摘要】
自动驾驶车辆的定位方法、装置、电子设备及存储介质
本申请实施例涉及自动驾驶
，特别涉及一种自动驾驶车辆的定位方法、装置、电子设备及存储介质。
技术介绍
汽车的出现使人们的生活变得更加方便、快捷，随着计算机技术的不断发展，自动驾驶技术逐渐成为汽车行业的研究热点。自动驾驶技术主要依靠于计算机视觉、雷达、监控装置和全球定位系统等协同合作，让汽车在不需要驾驶员操控的情况下，实现自动驾驶。因此，亟需一种自动驾驶车辆的定位方法，使得自动驾驶车辆更加安全可靠。然而，相关技术中对自动驾驶车辆进行定位时缺乏对世界坐标系下场景的挖掘和利用，使得用于自动驾驶车辆的定位的约束函数为图像级别的约束关系。因此，会导致车辆的定位不精确，从而降低自动驾驶车辆的定位精度，一定程度上，会降低自动驾驶车辆的安全可靠性。
技术实现思路
本申请实施例提供了一种自动驾驶车辆的定位方法、装置、电子设备及存储介质，可用于解决相关技术中的问题。该技术方案如下：一方面，本申请实施例提供了一种自动驾驶车辆的定位方法，该方法包括：获取目标图像，该目标图像为该自动驾驶车辆在当前时刻周围环境的图像；将该目标图像输入目标定位模型，该目标定位模型用于根据该目标图像确定该自动驾驶车辆的位姿，该目标定位模型由损失函数约束项进行约束，该损失函数约束项包括欧氏距离损失函数项、光度差损失函数项和结构相似性损失函数项中的至少一种；根据该目标定位模型的输出结果，确定该自动驾驶车辆的目标位姿；基于该目标位姿对该自动驾驶车辆进行定位。在一种可能的实现方式中，该将该目标图像输入目标定位模型之前，该方法还包括：获取第一图像和第二图像，该第一图像为自动驾驶车辆在第一时刻周围环境的图像，第二图像为自动驾驶车辆在第二时刻周围环境的图像，该第一时刻和该第二时刻为该当前时刻之前的相邻两个时刻；基于该第一图像和该第二图像，计算损失函数约束项；根据该损失函数约束项，训练预测定位模型，得到该目标定位模型。在一种可能的实现方式中，该基于该第一图像和该第二图像，计算损失函数约束项，包括：基于该第一图像，获取第一预测位姿，基于该第二图像，获取第二预测位姿；基于该第一预测位姿和该第二预测位姿，计算欧氏距离损失函数项；基于该第一预测位姿和该第二预测位姿，计算光度差损失函数项和结构相似性损失函数项；根据该欧氏距离损失函数项、光度差损失函数项和结构相似性损失函数项，计算该损失函数约束项。在一种可能的实现方式中，该基于该第一预测位姿和该第二预测位姿，计算欧氏距离损失函数项，包括：根据该第一图像的真实位姿和该第一预测位姿，计算第一对欧氏距离；根据该第二图像的真实位姿和该第二预测位姿，计算第二对欧氏距离；根据该第一对欧氏距离和该第二对欧氏距离，计算欧氏距离损失函数项。在一种可能的实现方式中，该基于该第一预测位姿和该第二预测位姿，计算光度差损失函数项和结构相似性损失函数项，包括：根据该第一预测位姿和该第二预测位姿，计算预测位姿转换矩阵；基于该预测位姿转换矩阵，对该第一图像和该第二图像中的任一个图像进行转换，得到第三图像；根据该第三图像和进行位姿转换的图像，计算光度差损失函数项和结构相似性损失函数项。在一种可能的实现方式中，该根据该第三图像和进行位姿转换的图像，计算光度差损失函数项和结构相似性损失函数项，包括：计算该第三图像和该进行位姿转换的图像的光度差，作为该光度差损失函数项；计算该第三图像和该进行位姿转换的图像的结构相似性，作为该结构相似性损失函数项。在一种可能的实现方式中，该根据该欧氏距离损失函数项、光度差损失函数项和结构相似性损失函数项，计算该损失函数约束项，包括：根据该欧氏距离损失函数项、光度差损失函数项和结构相似性损失函数项，按照如下公式计算该损失函数约束项L：L＝λDLD+λPLP+λSLS其中，该λD、λP、λS为加权因子，该LD为欧氏距离损失函数项，该LP为光度差损失函数项，该LS为结构相似性损失函数项。另一方面，提供了一种自动驾驶车辆的定位装置，该装置包括：第一获取模块，用于获取目标图像，该目标图像为自动驾驶车辆在当前时刻周围环境的图像；输入模块，用于将该目标图像输入目标定位模型，该目标定位模型用于根据该目标图像确定该自动驾驶车辆的位姿，该目标定位模型由损失函数约束项进行约束，该损失函数约束项包括欧氏距离损失函数项、光度差损失函数项和结构相似性损失函数项中的至少一种；确定模块，用于根据该目标定位模型的输出结果，确定该自动驾驶车辆的目标位姿；定位模块，用于基于该目标位姿对该自动驾驶车辆进行定位。在一种可能的实现方式中，该装置还包括：第二获取模块，用于获取第一图像和第二图像，该第一图像为自动驾驶车辆在第一时刻周围环境的图像，该第二图像为自动驾驶车辆在第二时刻周围环境的图像，该第一时刻和该第二时刻为该当前时刻之前的相邻两个时刻；计算模块，用于基于该第一图像和该第二图像，计算损失函数约束项；训练模块，用于根据该损失函数约束项，训练预测定位模型，得到该目标定位模型。在一种可能的实现方式中，该计算模块包括下述子模块：获取子模块，用于基于该第一图像，获取第一预测位姿，基于该第二图像，获取第二预测位姿；第一计算子模块，用于基于该第一预测位姿和该第二预测位姿，计算欧氏距离损失函数项；第二计算子模块，用于基于该第一预测位姿和该第二预测位姿，计算光度差损失函数项和结构相似性损失函数项；第三计算子模块，用于根据该欧氏距离损失函数项、光度差损失函数项和结构相似性损失函数项，计算该损失函数约束项。在一种可能的实现方式中，该第一计算子模块用于根据该第一图像的真实位姿和该第一预测位姿，计算第一对欧氏距离；根据该第二图像的真实位姿和该第二预测位姿，计算第二对欧氏距离；根据该第一对欧氏距离和该第二对欧氏距离，计算欧氏距离损失函数项。在一种可能的实现方式中，该第二计算子模块用于根据该第一预测位姿和该第二预测位姿，计算预测位姿转换矩阵；基于该预测位姿转换矩阵，对该第一图像和该第二图像中的任一个图像进行转换，得到第三图像；根据该第三图像和进行位姿转换的图像，计算光度差损失函数项和结构相似性损失函数项。在一种可能的实现方式中，该第二计算子模块用于计算该第三图像和该进行位姿转换的图像的光度差，作为该光度差损失函数项；计算该第三图像和该进行位姿转换的图像的结构相似性，作为该结构相似性损失函数项。在一种可能的实现方式中，该第三计算子模块用于根据该欧氏距离损失函数项、光度差损失函数项和结构相似性损失函数项，按照如下公式计算该损失函数约束项L：L＝λDLD+λPLP+λSLS其中，该λD、λP、λS为加权因子，该LD为欧氏距离损失函数项，该LP为光度差损失函数项，该LS为结构相似性损失函本文档来自技高网...

【技术保护点】
1.一种自动驾驶车辆的定位方法，其特征在于，所述方法包括：/n获取目标图像，所述目标图像为所述自动驾驶车辆在当前时刻周围环境的图像；/n将所述目标图像输入目标定位模型，所述目标定位模型用于根据所述目标图像确定所述自动驾驶车辆的位姿，所述目标定位模型由损失函数约束项进行约束，所述损失函数约束项包括欧氏距离损失函数项、光度差损失函数项和结构相似性损失函数项中的至少一种；/n根据所述目标定位模型的输出结果，确定所述自动驾驶车辆的目标位姿；/n基于所述目标位姿对所述自动驾驶车辆进行定位。/n

【技术特征摘要】
1.一种自动驾驶车辆的定位方法，其特征在于，所述方法包括：
获取目标图像，所述目标图像为所述自动驾驶车辆在当前时刻周围环境的图像；
将所述目标图像输入目标定位模型，所述目标定位模型用于根据所述目标图像确定所述自动驾驶车辆的位姿，所述目标定位模型由损失函数约束项进行约束，所述损失函数约束项包括欧氏距离损失函数项、光度差损失函数项和结构相似性损失函数项中的至少一种；
根据所述目标定位模型的输出结果，确定所述自动驾驶车辆的目标位姿；
基于所述目标位姿对所述自动驾驶车辆进行定位。


2.根据权利要求1所述的方法，其特征在于，所述将所述目标图像输入目标定位模型之前，所述方法还包括：
获取第一图像和第二图像，所述第一图像为所述自动驾驶车辆在第一时刻周围环境的图像，所述第二图像为所述自动驾驶车辆在第二时刻周围环境的图像，所述第一时刻和所述第二时刻为所述当前时刻之前的相邻两个时刻；
基于所述第一图像和所述第二图像，计算损失函数约束项；
根据所述损失函数约束项，训练预测定位模型，得到所述目标定位模型。


3.根据权利要求2所述的方法，其特征在于，所述基于所述第一图像和所述第二图像，计算损失函数约束项，包括：
基于所述第一图像，获取第一预测位姿，基于所述第二图像，获取第二预测位姿；
基于所述第一预测位姿和所述第二预测位姿，计算欧氏距离损失函数项；
基于所述第一预测位姿和所述第二预测位姿，计算光度差损失函数项和结构相似性损失函数项；
根据所述欧氏距离损失函数项、光度差损失函数项和结构相似性损失函数项，计算所述损失函数约束项。


4.根据权利要求3所述的方法，其特征在于，所述基于所述第一预测位姿和所述第二预测位姿，计算欧氏距离损失函数项，包括：
根据所述第一图像的真实位姿和所述第一预测位姿，计算第一对欧氏距离；
根据所述第二图像的真实位姿和所述第二预测位姿，计算第二对欧氏距离；
根据所述第一对欧氏距离和所述第二对欧氏距离，计算欧氏距离损失函数项。


5.根据权利要求3所述的方法，其特征在于，所述基于所述第一预测位姿和所述第二预测位姿，计算光度差损失函数项和结构相似性损失函数项，包括：
根据所述第一预测位姿和所述第二预测位姿...

【专利技术属性】
技术研发人员：田咪，聂琼，申浩，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：北京;11