自动驾驶车辆融合定位方法、装置及电子设备、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融合定位方法、装置及电子设备、存储介质，其中所述方法包括获取图像语义分割结果，所述图像语义分割结果通过图像语义分割模型识别得到，所述图像语义分割模型为使用开源数据集通过机器学习训练得出的；优化所述图像语义结果中语义元素的像素级别的位置分割结果之后，与预先加载的高精地图数据进行匹配；将匹配结果作为观测值输入预设滤波器，实现对自动驾驶车辆的融合定位。通过本申请优化了图像语义分割结果，提高了车辆融合定位的稳定性。了车辆融合定位的稳定性。了车辆融合定位的稳定性。

【技术实现步骤摘要】
自动驾驶车辆融合定位方法、装置及电子设备、存储介质


[0001]本申请涉及自动驾驶
，尤其涉及一种自动驾驶车辆融合定位方法、装置及电子设备、存储介质。

技术介绍

[0002]随着自动驾驶技术应用在越来越多的场景中，对自车定位精度和稳定性的要求也越来越高，目前大多数自动驾驶车辆的定位主要依靠传统的组合导航定位技术GNSS/RTK+IMU，但是此类技术受到GNSS信号的影响，在很多困难场景无法提供准确可靠的定位结果，因此会影响对自车的规划和控制，产生不安全的影响。
[0003]相关技术中，使用训练的语义分割模型，得到图像语义分割结果，并与地图数据进行匹配。然而由于参与训练的数据集不够大，使用现有的语义分割模型，会导致分割后的结果会有几个像素偏差，在做投影时，精度受影响，距离越远，定位精度影响越大。
[0004]也就是说，现有的分割模型都是基于开源数据集，在私有的数据集上无法达到很高的精度；此外，如果要重新训练模型，需要采集、标注大量的数据作为训练集，成本非常高。同时考虑到不同城市的道路环境不一样，使用一个城市的训练集并不能在其他城市达到相同的结果。

技术实现思路

[0005]本申请实施例提供了自动驾驶车辆融合定位方法、装置及电子设备、存储介质，以提高车辆定位的稳定性。
[0006]本申请实施例采用下述技术方案：
[0007]第一方面，本申请实施例提供一种自动驾驶车辆融合定位方法，其中，所述方法包括：获取图像语义分割结果，所述图像语义分割结果通过图像语义分割模型识别得到，所述图像语义分割模型为使用开源数据集通过机器学习训练得出的；
[0008]优化所述图像语义结果中语义元素的像素级别的位置分割结果之后，与预先加载的高精地图数据进行匹配；将匹配结果作为观测值输入预设滤波器，实现对自动驾驶车辆的融合定位。
[0009]在一些实施例中，所述开源数据集适用于不同行驶场景，且经过标注。
[0010]在一些实施例中，所述优化所述图像语义结果中语义元素的像素级别的位置分割结果之后，与预先加载的高精地图数据进行匹配，包括：
[0011]获取所述图像语义结果中的预设语义元素，并根据所述预设语义元素的边界框得到对应的第一图像块，所述第一图像块的边界框范围大于所述预设语义元素的边界框；
[0012]获取原始图像对应的第二图像块，并计算所述第二图像块的超像素；
[0013]根据所述第一图像块以及通过所述第二图像块的超像素获得的边界值、所处超像素之间的关系，确定当前超像素的像素类型；
[0014]根据所述当前超像素的像素类型在所述高精地图数据中进行匹配。
[0015]在一些实施例中，所述根据所述第一图像块以及通过所述第二图像块的超像素获得的边界值，确定当前超像素的像素类型，包括：
[0016]计算每个所述超像素中的属于背景的以及属于目标物的像素的数量比例，根据所述数量比例判断当前超像素是否属于目标物；
[0017]和/或，根据所述当前超像素与剩余所有相邻超像素的关系，判断该超像素是否属于目标物。
[0018]在一些实施例中，所述优化所述图像语义结果中语义元素的像素级别的位置分割结果，还包括：
[0019]采用多组超像素分割参数对所述第二图像块进行分割，所述每组超像素分割参数为不同的超像素分割参数；
[0020]对得到的多组超像素分割结果求均值，并根据预设阈值对所述第一图像块的像素进行分类得到第三图像块；
[0021]通过对第二图像块做梯度计算，获取图像中可能存在的直线作为额外信息；
[0022]根据所述额外信息，对所述第三图像块中的语义元素的边缘信息做平滑处理，以使所述边缘信息直线化。
[0023]在一些实施例中，所述语义元素至少包括以下之一：标识牌、车道线、红绿灯。
[0024]在一些实施例中，所述预设滤波器包括卡尔曼滤波器，所述方法还包括：
[0025]在GNSS信号异常产生定位偏差的情况下，将所述匹配结果作为辅助观测值输入卡尔曼滤波器。
[0026]第二方面，本申请实施例还提供一种自动驾驶车辆融合定位装置，其中，所述装置包括：获取模块，用于获取图像语义分割结果，所述图像语义分割结果是通过图像语义分割模型识别得到的，所述图像语义分割模型为使用开源数据集通过机器学习训练得出的；优化模块，用于优化所述图像语义结果中语义元素的像素级别的位置分割结果之后，与预先加载的高精地图数据进行匹配；融合模块，用于将匹配结果作为观测值输入预设滤波器，实现对自动驾驶车辆的融合定位。
[0027]第三方面，本申请实施例还提供一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述方法。
[0028]第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行上述方法。
[0029]本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
[0030]通过获取图像语义分割结果，并优化所述图像语义结果中语义元素的像素级别的位置分割结果，之后与预先加载的高精地图数据进行匹配。最后将匹配结果作为观测值输入预设滤波器，实现对自动驾驶车辆的融合定位。本申请使用开源数据集训练得到图像语义分割模型并识别出语义元素。通过对语义元素像素级别的位置的优化处理，之后将与地图数据的匹配结果作为观测值再输入到融合滤波器，保证了融合定位的稳定性。
附图说明
[0031]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申
请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0032]图1为本申请实施例中自动驾驶车辆融合定位方法的流程示意图；
[0033]图2为本申请实施例中自动驾驶车辆融合定位方法中原始分割结果示意图；
[0034]图3为本申请实施例中自动驾驶车辆融合定位方法中标识牌以及预设区域的图像块示意图；
[0035]图4为本申请实施例中自动驾驶车辆融合定位方法中处理后的图像块示意图；
[0036]图5为本申请实施例中自动驾驶车辆融合定位装置的结构示意图；
[0037]图6为本申请实施例中一种电子设备的结构示意图。
具体实施方式
[0038]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0039]GNSS以较低的成本和高可靠性提供改了决定定位的能力，在IMU+RTK/GPS融合定位的基础上，视觉传感器提供的相对定位、补充绝对定位。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动驾驶车辆融合定位方法，其中，所述方法包括：获取图像语义分割结果，所述图像语义分割结果通过图像语义分割模型识别得到，所述图像语义分割模型为使用开源数据集通过机器学习训练得出的；优化所述图像语义结果中语义元素的像素级别的位置分割结果之后，与预先加载的高精地图数据进行匹配；将匹配结果作为观测值输入预设滤波器，实现对自动驾驶车辆的融合定位。2.如权利要求1所述方法，其中，所述开源数据集适用于不同行驶场景，且经过标注。3.如权利要求2所述方法，其中，所述优化所述图像语义结果中语义元素的像素级别的位置分割结果之后，与预先加载的高精地图数据进行匹配，包括：获取所述图像语义结果中的预设语义元素，并根据所述预设语义元素的边界框得到对应的第一图像块，所述第一图像块的边界框范围大于所述预设语义元素的边界框；获取原始图像对应的第二图像块，并计算所述第二图像块的超像素；根据所述第一图像块以及通过所述第二图像块的超像素获得的边界值、所述超像素之间的关系，确定当前超像素的像素类型；根据所述当前超像素的像素类型在所述高精地图数据中进行匹配。4.如权利要求3所述方法，其中，所述根据所述第一图像块以及通过所述第二图像块的超像素获得的边界值，确定当前超像素的像素类型，包括：计算每个所述超像素中的属于背景的以及属于目标物的像素的数量比例，根据所述数量比例判断当前超像素是否属于目标物；和/或，根据所述当前超像素与剩余所有相邻超像素的关系，判断该超像素是否属于目标物。5.如权利要求3所述方法，其中，所述优化所述图像语义结果中语义元素的像素级别的位置分割结...

【专利技术属性】
技术研发人员：李岩，费再慧，张海强，李成军，
申请(专利权)人：智道网联科技北京有限公司，
类型：发明
国别省市：