【技术实现步骤摘要】
本专利技术涉及自动驾驶定位，更具体地，涉及一种bev车道信息协同的多传感器融合定位方法及系统。
技术介绍
1、bev是鸟瞰图(bird’s eye view)的简称，是一种用于描述感知世界的视角或坐标系(3d)。bev常被用于自动驾驶定位技术中。自动驾驶定位技术作为自动驾驶技术中关键环节，得益于多传感器集成、多源的信息融合等技术发展，解决了导航系统单一数据类型的脆弱性和失效性问题。gnss(global navigation satellite system)/ins组合导航技术在车辆导航定位领域具备显著优势，为自动驾驶车辆提供高精度、低延迟的实时定位，从而为行业提供关键解决方案。然而，组合导航在城市道路、高空遮挡路段以及复杂天气条件下面临挑战。gnss信号可能因卫星数量较少、分布不均匀或受到周围建筑物和障碍物的影响而受限，导致定位精度和可靠性下降。此外，gnss和ins系统间的协调性问题也会影响融合后的位置信息，例如可能导致融合后的位置信息不准确或者出现跳跃等问题。在遮挡等复杂场景下，gnss/ins组合导航技术难以满足载体定位精度需求。
2、针对以上出现的问题，车辆定位导航系统需要解决对gnss的强依赖性、加强车辆导航状态估计的可靠性，以及加入道路辅助信息的必要性。因此，有必要提供一种基于多传感器融合的定位方案，以优化复杂场景下的车辆定位效果。
技术实现思路
1、本专利技术针对现有技术中存在的技术问题，提供一种bev车道信息协同的多传感器融合定位方法及系统，达到了b
2、根据本专利技术的第一方面，提供了一种bev车道信息协同的多传感器融合定位方法，包括：
3、s1，基于eskf模型信息融合框架，构建多传感器松散融合定位系统模型；
4、s2，基于bev视角进行车道线检测，得到参数化的bev车道信息；
5、s3，整合bev车道信息、地图信息以及多传感器信息并输入所述多传感器松散融合定位系统模型，得到参数化的bev车道信息协同的多传感器融合定位结果。
6、在上述技术方案的基础上，本专利技术还可以作出如下改进。
7、可选的，步骤s1，包括：
8、s101，定义标称状态向量和误差状态向量，以构建状态模型，其中，所述标称状态向量至少包括位置、速度和姿态；为各传感器分别建立测量模型，将各传感器的原始测量值映射到状态模型中对应的状态向量；
9、s102，利用imu的加速度测量值和角速度测量值，预先计算自车的位移和旋转的增量，并用于eskf模型的预测步骤，其余传感器的测量数据用于eskf模型的更新步骤；
10、s103，基于过程噪声和测量噪声，计算和更新误差状态的协方差矩阵；
11、s104，根据imu的测量数据和初始状态不断更新自车的位置、速度和姿态；
12、s105，将imu的测量数据和其他传感器的测量数据进行时序对齐和同步，然后以信息融合框架融入多传感器的数据；
13、s106，执行eskf算法，以进行状态的预测和更新，根据不同传感器的信息，分别对各传感器的偏差进行估计和补偿；利用eskf算法得到的误差状态和协方差，更新标称状态向量，以获得更准确的位置、速度和姿态估计。
14、可选的，步骤s2，基于bev视角进行车道线检测，得到参数化的bev车道信息，包括：
15、s201，选取原始图像中的roi区域，根据所述roi区域的框选点计算目标bev图像与原始图像之间的单应性矩阵，根据所述单应性矩阵将所述原始图像转换为bev图像；
16、s202，对所述bev图像进行预处理，通过laplacian变换强化预处理后的bev图像中车道线的边缘，基于边缘检测算法识别预处理后bev图像中的多条线段；
17、s203，根据斜率和中垂线过滤识别的多条线段，以筛除非车道线的线段以及车道线中间的线段；采用fitline算法拟合车道线段，获得清晰拟合的车道线；将提取的车道线存为左右点集并投影至所述bev图像。
18、可选的，s202中，所述对所述bev图像进行预处理，包括：
19、对所述bev图像依次进行灰度化、二值化和高斯滤波。
20、可选的，s203，具体包括：
21、计算图像中每条线段的两端点像素坐标，根据各条线段的两端点像素坐标计算该线段的斜率，将斜率绝对值小于斜率阈值的线段认为是非车道线的线段并删除；
22、根据各条线段的两端点像素坐标计算图像中每条线段的两端点到图像中垂线的距离，若计算得到的所述距离小于距离阈值，则认为该线段为车道线中间的线段，将其删除；
23、采用fitline算法，将余下的线段进行拟合，得到清晰拟合的车道线；将提取的车道线存为左右点集，以得到参数化的车道线信息；将提取的车道线投影至所述bev图像。
24、可选的，s3，整合bev车道信息、地图信息以及多传感器信息并输入所述多传感器松散融合定位系统模型，得到参数化的bev车道信息协同的多传感器融合定位结果，包括：
25、将全部传感器的信息进行时序对齐和同步，输入所述多传感器松散融合定位系统模型，得到初始定位信息；
26、将bev图像与车道线地图进行数据匹配，提取出当前车辆的全局位姿信息，并剔除误匹配点信息；根据匹配结果计算车道线观测误差雅可比方程，从而为所述多传感器松散融合定位系统模型提供观测模型；
27、整合来自不同传感器的信息、车道线观测误差雅可比方程和车道线地图信息，通过eskf模型对所述初始定位信息进行状态估计和修正，得到车辆的准确定位信息。
28、可选的，所述将bev图像与车道线地图进行数据匹配，提取出当前车辆的全局位姿信息，并剔除误匹配点信息；根据匹配结果计算车道线观测误差雅可比方程，从而为所述多传感器松散融合定位系统模型提供观测模型，包括：
29、通过惯性导航计算出的初始位置，对分块的车道线地图中的每个地图点进行遍历，计算其与车辆的最小距离，从而搜索车辆在车道线地图上的大致位置；从上一次搜索结果的位置沿着车辆移动方向进行进一步搜索，以确定车辆在车道线地图上的精确位置；
30、使用从bev图像中提取的参数化的车道线段首尾端点坐标，在车道线地图中搜索与之对应的车道线段，以建立车道线坐标系；
31、根据车道线坐标系与世界坐标系之间的转换关系，将bev图像中车道线的各个关键特征点坐标转换到世界坐标系中，得到若干个地图假设对应点，通过滤波的方式删除所述地图假设对应点中的误匹配点；
32、根据eskf模型的误差状态方程、标称状态方程和若干个地图假设对应点，得到车道线观测误差雅可比方程，将所述车道线观测误差雅可比方程作为所述多传感器松散融合定位系统模型的观测模型。
33、根据本专利技术的第二方面，提供一种be本文档来自技高网...
【技术保护点】
1.一种BEV车道信息协同的多传感器融合定位方法，其特征在于，包括：
2.根据权利要求1所述的一种BEV车道信息协同的多传感器融合定位方法，其特征在于，步骤S1，包括：
3.根据权利要求1或2所述的一种BEV车道信息协同的多传感器融合定位方法，其特征在于，步骤S2，基于BEV视角进行车道线检测，得到参数化的BEV车道信息，包括：
4.根据权利要求3所述的一种BEV车道信息协同的多传感器融合定位方法，其特征在于，S202中，所述对所述BEV图像进行预处理，包括：
5.根据权利要求3所述的一种BEV车道信息协同的多传感器融合定位方法，其特征在于，S203，具体包括：
6.根据权利要求3所述的一种BEV车道信息协同的多传感器融合定位方法，其特征在于，S3，整合BEV车道信息、地图信息以及多传感器信息并输入所述多传感器松散融合定位系统模型，得到参数化的BEV车道信息协同的多传感器融合定位结果，包括：
7.根据权利要求6所述的一种BEV车道信息协同的多传感器融合定位方法，其特征在于，所述将BEV图像与车道线地图进行数据
8.一种BEV车道信息协同的多传感器融合定位系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的BEV车道信息协同的多传感器融合定位方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的BEV车道信息协同的多传感器融合定位方法的步骤。
...【技术特征摘要】
1.一种bev车道信息协同的多传感器融合定位方法，其特征在于，包括：
2.根据权利要求1所述的一种bev车道信息协同的多传感器融合定位方法，其特征在于，步骤s1，包括：
3.根据权利要求1或2所述的一种bev车道信息协同的多传感器融合定位方法，其特征在于，步骤s2，基于bev视角进行车道线检测，得到参数化的bev车道信息，包括：
4.根据权利要求3所述的一种bev车道信息协同的多传感器融合定位方法，其特征在于，s202中，所述对所述bev图像进行预处理，包括：
5.根据权利要求3所述的一种bev车道信息协同的多传感器融合定位方法，其特征在于，s203，具体包括：
6.根据权利要求3所述的一种bev车道信息协同的多传感器融合定位方法，其特征在于，s3，整合bev车道信息、地图信息以及多传感器信息并输入所述多传感器松散融合定位系统模型，得到参数化...
【专利技术属性】
技术研发人员：秦峰，吴文静，阮双双，罗跃军，
申请(专利权)人：武汉中海庭数据技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。