车辆定位方法、装置、设备、存储介质及车辆制造方法及图纸

本申请公开了车辆定位方法、装置、设备、存储介质及车辆，涉及自动驾驶领域。具体实现方案为：获取车辆的惯导信息和GNSS信息；基于GNSS信息与雷达定位地图之间的目标偏差量，对GNSS信息进行校正，目标偏差量是基于偏差量的变化量对GNSS信息与雷达定位地图之间的偏差量进行修正得到，偏差量的变化量是基于卡尔曼滤波进行实时估计得到；基于校正后的GNSS信息与惯导信息，对车辆进行定位。本申请实施例通过对GNSS信息进行校正，再基于校正后的GNSS信息和惯导信息对车辆进行定位，能够提高车辆定位准确度。

【技术实现步骤摘要】
车辆定位方法、装置、设备、存储介质及车辆
本申请涉及数据处理
，具体涉及自动驾驶技术。
技术介绍
在自动驾驶过程中，车辆的定位是上层系统对车辆进行自动驾驶控制的先决条件，车辆定位的准确与否会直接影响到车辆的自动驾驶行为。为了提高自动驾驶定位准确度，目前业内多采用多传感器进行融合定位。在多传感器融合定位技术中，常用的定位传感器包括雷达(Lidar)、全球导航卫星系统(globalnavigationsatellitesystem，GNSS)天线、惯性测量单元(Inertialmeasurementunit，IMU)等，与雷达、GNSS和IMU相对应的定位方法分别为基于地图的点云定位方法、GNSS定位方法、捷联惯性导航(Strapdowninertialnavigationsystem，SINS)。在多传感器融合定位过程中，IMU的更新频率最高，其次是雷达和GNSS。在一段时间内，IMU会不断地根据上一时刻的IMU定位(当前的初始位置)和方位推断当前的定位和方位，然而由于IMU每一次推断都会产生误差，随着时间累计，误差也会累计。因此，在一段时间之后若接收到雷达点云数据，会根据点云定位结果和IMU定位结果进行卡尔曼滤波，以确定位置误差量对IMU的定位结果进行修正，再将修正后的IMU定位结果作为融合定位结果输出。之后若再接收到GNSS定位结果时，也是与点云定位结果同样的处理过程对IMU定位进行修正。在上述过程中，如果GNSS信号解算不准确，就会影响GNSS和IMU的融合定位结果，而GNSS和IMU的融合定位结果又会影响下一次雷达和IMU的融合定位结果，导致车辆位置定位错误，对自动驾驶的行为造成影响。另外，如果卡尔曼滤波器在一段时间内一直使用点云定位结果和解算不准确的GNSS分别进行融合定位，而接下来一旦没有了GNSS信号，那么雷达和IMU的融合定位结果就会产生较大偏移，出现滤波抖动的情形。
技术实现思路
提供了一种用于提高车辆定位准确度的车辆定位方法、装置、设备、存储介质及车辆。根据第一方面，提供了一种车辆定位方法，包括：获取所述车辆的惯导信息和GNSS信息；基于所述GNSS信息与雷达定位地图之间的目标偏差量，对所述GNSS信息进行校正，所述目标偏差量是基于偏差量的变化量对所述GNSS信息与雷达定位地图之间的偏差量进行修正得到，所述偏差量的变化量是基于卡尔曼滤波进行实时估计得到；基于校正后的GNSS信息与所述惯导信息，对所述车辆进行定位。根据第二方面，提供了一种车辆定位装置，包括：获取模块，用于获取所述车辆的惯导信息和GNSS信息；校正模块，用于基于所述GNSS信息与雷达定位地图之间的目标偏差量，对所述GNSS定位信息进行校正，所述目标偏差量是基于偏差量的变化量对所述GNSS定位信息与雷达定位地图之间的偏差量进行修正得到，所述偏差量的变化量是基于卡尔曼滤波进行实时估计得到；定位模块，用于基于校正后的GNSS信息与所述惯导信息，对所述车辆进行定位。根据第三方面，提供了一种车辆定位设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。根据第四方面，提供了一种车辆，包括如第三方面所述的车辆定位设备。根据第五方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面所述的方法。根据第六方面，提供了一种车辆定位方法，包括：获取所述车辆的惯导信息和GNSS信息；基于所述GNSS信息与雷达定位地图之间的偏差量，对所述GNSS信息进行校正；基于校正后的GNSS信息与所述惯导信息对所述车辆进行定位。根据本申请的技术解决了在GNSS信号解算不准确的情况下，影响GNSS和IMU的融合定位结果，以及GNSS和IMU的融合定位结果又会影响下一次雷达和IMU的融合定位结果，导致车辆位置定位错误，对自动驾驶的行为造成影响。以及如果卡尔曼滤波器在一段时间内一直使用点云定位结果和解算不准确的GNSS分别进行融合定位，而接下来一旦没有了GNSS信号，导致雷达和IMU的融合定位结果就会产生较大偏移，出现滤波抖动的技术问题。提高了车辆定位准确度，并且使得卡尔曼滤波更加稳定。应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。附图说明附图用于更好地理解本方案，不构成对本申请的限定。其中：图1是本申请实施例提供的车辆控制逻辑示意图；图2是本申请一示例提供的IMU、GNSS和雷达的更新频率示意图；图3是本申请实施例提供的车辆定位方法的流程示意图；图4是本申请实施例提供的基于IMU和GNSS进行定位的示意图；图5是本申请另一实施例提供的基于IMU、雷达和GNSS进行定位的示意图；图6是本申请实施例提供的车辆定位装置的结构示意图；图7是用来实现本申请实施例的车辆定位方法的电子设备的框图。具体实施方式以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。图1是本申请实施例提供的车辆控制逻辑示意图。如图1所示，该车辆上设置有多种传感器和控制器11，多种传感器包括GNSS接收机(全球导航定位系统接收机)12、雷达13和惯性测量单元(IMU)14等。其中，GNSS接收机用于接收来自GNSS的数据，并进行GNSS解算得到GNSS定位信息和速度信息；雷达用于采集车辆周围环境的环境点云；IMU用于采集车辆的加速度和角速度等信息。环境点云、GNSS信息和IMU采集的加速度、角速度发送至控制模块，控制模块基于环境点云在雷达定位地图，例如高精度地图中查找相应的位置，得到点云定位结果；控制模块还基于IMU采集的加速度和角速度进行惯导解算，得到位置信息、速度信息和姿态信息。在上述传感器中，IMU的采集频率最高，其次是GNSS接收机和雷达。示例性地，如图2所示，假设IMU的频率为100HZ，GNSS接收机和雷达的频率分别为50HZ和20HZ。那么在1秒的时间内，IMU不断地采集加速度和角速度，并进行惯导解算，可以得到100次的位置、速度和姿态信息，也就是说IMU可以在这1秒钟内对车辆的位置、速度和姿态信息更新100次(图中仅示出IMU的部分更新过程)。其中，惯导解算的过程包括：对加速度进行积分，得到速度变量；对速度变量进行积分，得到位置变量；对角速度进行积分，得到姿态角变量。然后，将位置变量、速度变量和姿态角变量与上一时刻的位置信息、速度信息和姿态角信息分别进行叠加，得到当前时刻的本文档来自技高网...

【技术保护点】
1.一种车辆定位方法，其特征在于，包括：/n获取所述车辆的惯导信息和GNSS信息；/n基于所述GNSS信息与雷达定位地图之间的目标偏差量，对所述GNSS信息进行校正，所述目标偏差量是基于偏差量的变化量对所述GNSS信息与所述雷达定位地图之间的偏差量进行修正得到，所述偏差量的变化量是基于卡尔曼滤波进行实时估计得到；/n基于校正后的GNSS信息与所述惯导信息，对所述车辆进行定位。/n

【技术特征摘要】
1.一种车辆定位方法，其特征在于，包括：
获取所述车辆的惯导信息和GNSS信息；
基于所述GNSS信息与雷达定位地图之间的目标偏差量，对所述GNSS信息进行校正，所述目标偏差量是基于偏差量的变化量对所述GNSS信息与所述雷达定位地图之间的偏差量进行修正得到，所述偏差量的变化量是基于卡尔曼滤波进行实时估计得到；
基于校正后的GNSS信息与所述惯导信息，对所述车辆进行定位。


2.根据权利要求1所述的方法，其特征在于，所述基于校正后的GNSS信息与所述惯导信息，对所述车辆进行定位，包括：
基于校正后的GNSS信息和所述惯导信息，确定所述惯导信息的误差量；
基于所述惯导信息的误差量，对所述惯导信息进行修正；
基于修正后的所述惯导信息，确定所述车辆的定位信息。


3.根据权利要求2所述的方法，其特征在于，所述惯导信息的误差量，以及所述偏差量的变化量，基于如下方法步骤确定：
基于第K-1次惯导信息的误差量和第K-1次偏差量的变化量，对卡尔曼滤波器的状态方程进行时间更新，得到第K次惯导信息的误差量预测值和第K次偏差量的变化量预测值，其中，K为卡尔曼滤波器的迭代次数；
将所述校正后的GNSS信息与惯导信息的差值，作为第K次观测量；
基于所述第K次惯导信息的误差量预测值、第K次偏差量的变化量预测值和第K次观测量，对卡尔曼滤波器进行量测更新，得到第K次惯导信息的误差量和第K次偏差量的变化量。


4.根据权利要求3所述的方法，其特征在于，所述GNSS信息包括GNSS定位信息；所述惯导信息包括惯导定位信息；
所述将所述校正后的GNSS信息与惯导信息的差值，作为观测量，包括：
将所述GNSS定位信息与所述惯导定位信息的差值，作为所述观测量。


5.根据权利要求3所述的方法，其特征在于，所述基于第K-1次惯导信息的误差量和第K-1次偏差量的变化量，对卡尔曼滤波器的状态方程进行时间更新，得到第K次惯导信息的误差量预测值和第K次偏差量的变化量预测值，包括：
基于所述第K-1次惯导信息的误差量、第K-1次偏差量的变化量和状态转移矩阵，确定所述第K次惯导信息的误差量预测值和所述第K次偏差量的变化量预测值。


6.根据权利要求5所述的方法，其特征在于，所述基于所述第K-1次惯导信息的误差量、第K-1次偏差量的变化量和状态转移矩阵，确定第K次惯导信息的误差量预测值和第K次偏差量的变化量预测值，具体采用如下公式：



式中，δXk-1是卡尔曼滤波器在第K-1次的状态变量估计值；Fk,k-1是状态转移矩阵；是卡尔曼滤波器在第K次的状态变量预测值，包括第K次惯导信息的误差量预测值和第K次偏差量的变化量预测值。


7.根据权利要求3-6任一项所述的方法，其特征在于，所述惯导信息的误差量包括位置误差、速度误差、姿态角误差、陀螺仪零偏误差、加速度计零偏误差；
所述速度误差基于IMU采集的加速度进行积分得到；
所述位置误差基于所述速度误差进行积分得到；
所述姿态角误差基于IMU采集的角速度进行积分得到。


8.根据权利要求7所述的方法，其特征在于，所述位置误差采用如下公式确定：



式中，为位置误差；用于将由速度积分的距离误差分别转换到经度λ、纬度L和高度a上，Rm、Rn分别为地球子午圈半径和卯酉圈半径；v为速度误差。


9.根据权利要求7所述的方法，其特征在于，所述速度误差采用如下公式确定：



式中，为速度误差，为惯导解算的东向速度信息；为姿态矩阵，是载体坐标系到导航坐标系的旋转矩阵；是地球自转角速度在导航坐标系上的投影；为导航坐标系相对于地球坐标系的旋转在导航坐标系上的投影；fb为IMU中加速度计测量的比力；gn为重力加速度在导航坐标系上的投影。


10.根据权利要求7所述的方法，其特征在于，所述姿态角误差采用如下公式确定：



式中，为姿态角误差；为载体坐标系相对于导航坐标系的旋转在载体坐标系上的投影；为IMU中陀螺仪输出的角速度；为姿态矩阵，是导航坐标系到载体坐标系的旋转矩阵；是地球自转角速度在导航坐标系上的投影；为导航坐标系相对于地球坐标系的旋转在导航坐标系上的投影。


11.根据权利要求3-10任一项所述的方法，其特征在于，所述基于所述第K次惯导信息的误差量预测值、第K次偏差量的变化量预测值和第K次观测量，对卡尔曼滤波器进行量测更新，得到第K次惯导信息的误差量和第K次偏差量的变化量，包括：
基于所述第K次惯导信息的误差量预测值、第K次偏差量的变化量预测值、第K次观测量、量测矩阵和滤波增益，确定第K次的惯导信息误差量和第K次偏差量的变化量。


12.根据权利要求11所述的方法，其特征在于，所述基于所述第K次惯导信息的误差量预测值、第K次偏差量的变化量预测值和第K次观测量，对卡尔曼滤波器进行量测更新，得到第K次惯导信息的误差量和第K次偏差量的变化量，具体是采用如下公式：
δXk＝δXk,k-1+Kk(ZG-HGδXk,k-1)
式中，δXk为卡尔曼滤波在第K次的状态变量估计值，包括第K次惯导信息的误差量和第K次偏差量的变化量；δXk,k-1为卡尔曼滤波在第K次的状态变量预测值，包括第K次惯导信息的误差量预测值和第K次偏差量的变化量预测值，Kk为滤波增益，Pk-1,k为Xk,k-1的协方差的预测值；HG是GNSS定位信息对应的量测矩阵；为HG的转置矩阵；Rk为观测量的协方差矩阵；ZG是接收到GNSS定位信息时的观测量；Fk,k-1是状态转移矩阵；Pk-1为第K-1次的误差状态变量δXk-1的协方差矩阵；为Fk,k-1的转置矩阵；Gk为噪声驱动矩阵；为Gk的转置矩阵；Qk为系统噪声协方差矩阵。


13.根据权利要求1-12任一项所述的方法，其特征在于，所述获取所述GNSS信息之前，所述...

【专利技术属性】
技术研发人员：杨晓龙，程风，侯深化，宋适宇，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11