一种协同感知定位方法及系统技术方案

本发明专利技术提供一种协同感知定位方法及系统，该方法包括：获取待定位目标序列图像，基于预设深度学习网络对所述待定位目标序列图像进行处理，获得视觉目标探测结果；获取待定位点云数据，对所述待定位点云数据进行栅格化和聚类处理，获得激光点云目标探测结果；基于预设融合算法将所述视觉目标探测结果和所述视觉目标探测结果进行融合，得到待定位目标位置；将所述待定位目标位置与局部场景构建地图行融合，获得所述待定位目标位置的坐标转换结果。本发明专利技术通过设置多个路测设备对待定位目标进行协同感知定位，同时兼顾了车辆定位和道路上其它元素的定位，具有定位准确、实时性高和可动态调整的特点。可动态调整的特点。可动态调整的特点。

【技术实现步骤摘要】
一种协同感知定位方法及系统


[0001]本专利技术涉及定位
，尤其涉及一种协同感知定位方法及系统。

技术介绍

[0002]随着城市化进程的加快，越来越多的超大规模城市正在建设中，伴随而来的则是超大规模城市内部的道路日趋复杂化，对道路和行车的安全要求也是越来越高。
[0003]目前，很多城市都加快了智慧交通的建设，其核心就是车路协同，主要实现人车路的有效协同，保证交通安全，提高通行效率。传统的道路交通场景中，大都采用高精度地图采集车辆信息，提前采集道路综合信息，对应地，在车辆上装备卫星接收机、激光雷达、惯性视觉等传感器，向云端实时传送定位坐标，通过云端计算以及三维建模最终呈现实时的智能交通状况。
[0004]上述车路协同的方案存在如下局限性：
[0005](1)由于城市道路环境比较复杂，存在诸如高楼大厦、林荫树木和高架桥等场景，目前绝大多数车辆定位均是依赖卫星导航系统，所以车辆接收的卫星信号很有可能是经过多次反射而来，使得定位信号具有极大的不稳定性；
[0006](2)使所有普通车辆均配备激光雷达，虽然一定程度可提高系统定位的稳健性，但无疑会大幅增加车辆使用成本，且由于城市内部道路环境复杂，对应的定位算法设计需脚骨全天候、多场景等诸多因素，实施起来具有不小的困难；
[0007](3)若采用提前构建高清地图的技术手段，由于交通因素的不确定性，道路状况经常发生变化，当存在道路施工或突发的不可抗力因素，提前建立的高精度地图将不再适用实时道路状况，需要重新测图，将会极大增加人工成本；
[0008](4)道路上不仅存在车辆，还存在行人、建筑和公共设施等其它因素，若仅对配备定位设备的车辆进行定位，将会使得高精度地图要素严重缺失的问题。
[0009]因此，需要提出一种新的针对城市道路进行综合定位的处理方法，能解决上述过于依赖道路环境和现有定位设备的缺陷。

技术实现思路

[0010]本专利技术提供一种协同感知定位方法及系统，用以解决现有技术中针对城市道路综合定位时受道路环境影响较大、受限于现有定位系统安装成本以及定位精度不高的缺陷。
[0011]第一方面，本专利技术提供一种协同感知定位方法，包括：
[0012]获取待定位目标序列图像，基于预设深度学习网络对所述待定位目标序列图像进行处理，获得视觉目标探测结果；
[0013]获取待定位点云数据，对所述待定位点云数据进行栅格化和聚类处理，获得激光点云目标探测结果；
[0014]基于预设融合算法将所述视觉目标探测结果和所述激光点云目标探测结果进行融合，得到待定位目标位置；
[0015]将所述待定位目标位置与局部场景构建地图进行融合，获得所述待定位目标位置的坐标转换结果。
[0016]根据本专利技术提供的一种协同感知定位方法，获取待定位目标序列图像，基于预设深度学习网络对所述待定位目标序列图像进行处理，获得视觉目标探测结果，之前还包括：
[0017]确定路测设备，所述路测设备包括激光雷达、相机和路测计算单元，并设置于待定位范围内的预设路口；
[0018]确定各传感器的探测范围和数据采样频率，基于所述探测范围和所述数据采样频率对所述路测设备进行标定。
[0019]根据本专利技术提供的一种协同感知定位方法，确定各传感器的探测范围和数据采样频率，基于所述探测范围和所述数据采样频率对所述路测设备进行标定，包括：
[0020]根据所述探测范围对所述激光雷达和所述相机的外部空间参数进行标定；
[0021]根据所述数据采用频率对所述激光雷达和所述相机的时间畸变参数进行标定。
[0022]根据本专利技术提供的一种协同感知定位方法，获取待定位目标序列图像，基于预设深度学习网络对所述待定位目标序列图像进行处理，获得视觉目标探测结果，包括：
[0023]所述视觉相机拍摄获取所述待定位目标序列图像；
[0024]所述路测计算单元基于掩膜区域卷积神经网络Mask R
‑
CNN深度学习网络对所述待定位目标序列图像进行像素级分割，提取所述视觉目标探测结果。
[0025]根据本专利技术提供的一种协同感知定位方法，获取待定位点云数据，对所述待定位点云数据进行栅格化和聚类处理，获得激光点云目标探测结果，包括：
[0026]所述激光雷达获取待定位点云数据；
[0027]将所述待定位点云数据进行栅格化，得到栅格化点云目标数据；
[0028]通过多尺度窗口搜索和自适应空间聚类算法对所述栅格化点云目标数据进行提取，得到所述激光点云目标探测结果。
[0029]根据本专利技术提供的一种协同感知定位方法，基于预设融合算法将所述视觉目标探测结果和所述激光点云目标探测结果进行融合，得到待定位目标位置，包括：
[0030]基于语义信息增强的Dempster
‑
Shafer证据理论融合算法，将所述视觉目标探测结果和所述激光点云目标探测结果进行融合，得到多维目标位置信息和多维目标语义信息；
[0031]基于所述多维目标位置信息和多数多维目标语义信息，输出所述待定位目标位置。
[0032]根据本专利技术提供的一种协同感知定位方法，所述将所述待定位目标位置与局部场景构建地图进行融合，获得所述待定位目标位置的定位结果，之前还包括：
[0033]基于所述待定位点云数据，确定所述局部场景构建地图；其中，所述局部场景构建地图包括道路模型、车道模型和交通标志信息。
[0034]第二方面，本专利技术还提供一种协同感知定位系统，包括：
[0035]第一定位模块，用于获取待定位目标序列图像，基于预设深度学习网络对所述待定位目标序列图像进行处理，获得视觉目标探测结果；
[0036]第二定位模块，用于获取待定位点云数据，对所述待定位点云数据进行栅格化和聚类处理，获得激光点云目标探测结果；
[0037]第一融合模块，用于基于预设融合算法将所述视觉目标探测结果和所述激光点云目标探测结果进行融合，得到待定位目标位置；
[0038]第二融合模块，用于将所述待定位目标位置与局部场景构建地图进行融合，获得所述待定位目标位置的坐标转换结果。
[0039]第三方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述协同感知定位方法的步骤。
[0040]第四方面，本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述协同感知定位方法的步骤。
[0041]第五方面，本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述协同感知定位方法的步骤。
[0042]本专利技术提供的协同感知定位方法及系统，通过设置多个路测设备对待定位目标进行协同感知定位，同时兼顾了车辆定位和道路上其它元素的定位，具有定位准确、实时性高和可动态调整的特点。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种协同感知定位方法，其特征在于，包括：获取待定位目标序列图像，基于预设深度学习网络对所述待定位目标序列图像进行处理，获得视觉目标探测结果；获取待定位点云数据，对所述待定位点云数据进行栅格化和聚类处理，获得激光点云目标探测结果；基于预设融合算法将所述视觉目标探测结果和所述激光点云目标探测结果进行融合，得到待定位；将所述待定位目标位置与局部场景构建地图进行融合，获得所述待定位目标位置的坐标转换结果。2.根据权利要求1所述的协同感知定位方法，其特征在于，获取待定位目标序列图像，基于预设深度学习网络对所述待定位目标序列图像进行处理，获得视觉目标探测结果，之前还包括：确定路测设备，所述路测设备包括激光雷达、相机和路测计算单元，并设置于待定位范围内的预设路口；确定各传感器的探测范围和数据采样频率，基于所述探测范围和所述数据采样频率对所述路测设备进行标定。3.根据权利要求2所述的协同感知定位方法，其特征在于，确定各传感器的探测范围和数据采样频率，基于所述探测范围和所述数据采样频率对所述路测设备进行标定，包括：根据所述探测范围对所述激光雷达和所述相机的外部空间参数进行标定；根据所述数据采用频率对所述激光雷达和所述相机的时间畸变参数进行标定。4.根据权利要求2所述的协同感知定位方法，其特征在于，获取待定位目标序列图像，基于预设深度学习网络对所述待定位目标序列图像进行处理，获得视觉目标探测结果，包括：所述视觉相机拍摄获取所述待定位目标序列图像；所述路测计算单元基于掩膜区域卷积神经网络Mask R
‑
CNN深度学习网络对所述待定位目标序列图像进行像素级分割，提取所述视觉目标探测结果。5.根据权利要求2所述的协同感知定位方法，其特征在于，获取待定位点云数据，对所述待定位点云数据进行栅格化和聚类处理，获得激光点云目标探测结果，包括：所述激光雷达获取待定位点云数据；将所述待定...

【专利技术属性】
技术研发人员：陈志涛，付诚，夏华佳，徐天澈，郭凯，吴鹏，刘林，谢超，
申请(专利权)人：武汉依迅北斗时空技术股份有限公司，
类型：发明
国别省市：