一种车辆定位方法、装置、计算机设备及介质与流程 专利技术说明

测量装置的制造及其应用技术1.本技术涉及车辆领域，特别涉及一种车辆定位方法、装置、计算机设备及介质。背景技术：2.高精度定位是车辆行驶的基础，车辆定位主要采用gnss定位，即全球导航卫星系统，其定位精度可达厘米级，在平整路面基本可以满足定位精度要求。但是，在不平整路面上行驶时，由于具有坑洼和凸起，车辆前进时会存在颠簸现象，导致定位信息较高频率较大偏移规划轨迹，因此对车辆控制精度会造成较大影响。3.比如，当无人驾驶农机在农田精细化作业时，当农田地面不平整，农田地面坑洼、凸起程度较大时，农机前进过程中会存在颠簸现象，由于车辆倾斜晃动，导致定位信息较高频率较大偏移规划轨迹，农机定位精度较低。技术实现要素：4.有鉴于此，本技术的目的在于提供一种车辆定位方法、装置、计算机设备及介质，提高车辆定位的准确性，使定位结果具有更高的鲁棒性和稳定性。其具体方案如下：5.一方面，本技术提供了一种车辆定位方法，包括：6.获取相机采集的二维图像和激光雷达采集的三维点云数据；所述二维图像包括不平整区域的目标二维图像，所述三维点云数据包括不平整区域的目标三维点云数据；7.将所述目标二维图像和所述目标三维点云数据进行匹配，计算得到不平整区域的地面坑洼程度；8.将所述地面坑洼程度输入目标神经网络模型中，得到不平整区域的地面平整度；9.在通过卡尔曼滤波算法对采集到的车辆的第一位置信息进行滤波处理时，根据所述地面平整度调整观测误差矩阵参数，得到车辆的第二位置信息。10.又一方面，本技术实施例还提供了一种车辆定位装置，包括：11.获取单元，用于获取相机采集的二维图像和激光雷达采集的三维点云数据；所述二维图像包括不平整区域的目标二维图像，所述三维点云数据包括不平整区域的目标三维点云数据；12.第一计算单元，用于将所述目标二维图像和所述目标三维点云数据进行匹配，计算得到不平整区域的地面坑洼程度；13.第二计算单元，用于将所述地面坑洼程度输入目标神经网络模型中，得到不平整区域的地面平整度；14.处理单元，用于在通过卡尔曼滤波算法对采集到的车辆的第一位置信息进行滤波处理时，根据所述地面平整度调整观测误差矩阵参数，得到车辆的第二位置信息。15.又一方面，本技术实施例提供了一种计算机设备，所述计算机设备包括处理器以及存储器：16.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；17.所述处理器用于根据所述程序代码中的指令执行以上方面所述的车辆定位方法。18.又一方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行以上方面所述的车辆定位方法。19.又一方面，本技术实施例提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行以上方面所述的车辆定位方法。20.本技术实施例提供了一种车辆定位方法、装置、计算机设备及介质，获取相机采集的二维图像和激光雷达采集的三维点云数据；所述二维图像包括不平整区域的目标二维图像，所述三维点云数据包括不平整区域的目标三维点云数据；将所述目标二维图像和所述目标三维点云数据进行匹配，计算得到不平整区域的地面坑洼程度；将所述地面坑洼程度输入目标神经网络模型中，得到不平整区域的地面平整度；在通过卡尔曼滤波算法对采集到的车辆的第一位置信息进行滤波处理时，根据所述地面平整度调整观测误差矩阵参数，得到车辆的第二位置信息。21.在本技术实施例中，对采集到的车辆的第一位置信息进行卡尔曼滤波算法处理，能够滤除噪点并进行平滑处理，可以有效减小横向控制误差，同时，观测误差矩阵参数为卡尔曼滤波算法计算时需要用到的参数，其来源是传感器误差，即传感器的不准确性，在处理过程中，根据地面平整度调整观测误差矩阵参数，能够调整传感器误差对第二位置信息的影响程度，对定位数据进行补偿，从而提高车辆定位的准确性，使定位结果具有更高的鲁棒性和稳定性。附图说明22.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。23.图1示出了本技术实施例提供的一种车辆定位方法的流程示意图；24.图2示出了本技术实施例提供的一种车辆定位装置的结构框图；25.图3为本技术实施例提供的一种计算机设备的结构示意图。具体实施方式26.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图对本技术的具体实施方式做详细的说明。27.在下面的描述中阐述了很多具体细节以便于充分理解本技术，但是本技术还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本技术内涵的情况下做类似推广，因此本技术不受下面公开的具体实施例的限制。28.正如背景技术中的描述，当无人驾驶农机在农田精细化作业时，当农田地面不平整，农田地面坑洼、凸起程度较大时，农机前进过程中会存在颠簸现象，由于车辆倾斜晃动，导致定位信息较高频率较大偏移规划轨迹，农机定位精度较低。29.基于以上技术问题，本技术实施例提供了一种车辆定位方法、装置、计算机设备及介质，获取相机采集的二维图像和激光雷达采集的三维点云数据；所述二维图像包括不平整区域的目标二维图像，所述三维点云数据包括不平整区域的目标三维点云数据；将所述目标二维图像和所述目标三维点云数据进行匹配，计算得到不平整区域的地面坑洼程度；将所述地面坑洼程度输入目标神经网络模型中，得到不平整区域的地面平整度；在通过卡尔曼滤波算法对采集到的车辆的第一位置信息进行滤波处理时，根据所述地面平整度调整观测误差矩阵参数，得到车辆的第二位置信息。30.在本技术实施例中，对采集到的车辆的第一位置信息进行卡尔曼滤波算法处理，能够滤除噪点并进行平滑处理，可以有效减小横向控制误差，同时，观测误差矩阵参数为卡尔曼滤波算法计算时需要用到的参数，其来源是传感器误差，即传感器的不准确性，在处理过程中，根据地面平整度调整观测误差矩阵参数，能够调整传感器误差对第二位置信息的影响程度，对定位数据进行补偿，从而提高车辆定位的准确性，使定位结果具有更高的鲁棒性和稳定性。31.为了便于理解，下面结合附图对本技术实施例提供的一种车辆定位方法、装置、计算机设备及介质进行详细的说明。32.参考图1所示，为本技术实施例提供的一种车辆定位方法的流程示意图，该方法可以包括以下步骤。33.s101，获取相机采集的二维图像和激光雷达采集的三维点云数据。34.在本技术实施例中，相机可以为rgb相机或其它单目相机，可以将相机固定在车辆上，以便使用相机采集车辆前方道路的二维图像，比如在拖拉机机盖前端居中位置安装rgb相机。还可以将激光雷达固定在车辆上，以便通过激光雷达获取车辆前方道路的三维点云数据，比如可以在机盖上端居中位置安装激光雷达。35.在本技术实施例中，可以获取相机采集的二维图像，以及获取激光雷达采集的三维点云数据，能够得到车辆前方道路的二维图像和三维点云数据。36.具体地，在车辆上固定完成相机和激光雷达之后，可以对相机和激光雷达进行联合标定，建立二维图像和三维点云数据之间的对应关系，以确保相机和激光雷达有一个统一的参照标准，并能互相转化，然后再采集二维图像和三维点云数据。37.具体地，由于前方道路具有平整区域和不平整区域，不平整区域具有坑洼或凸起，二维图像包括不平整区域的目标二维图像，还可以包括平整区域的二维图像，三维点云数据包括不平整区域的目标三维点云数据，还可以包括平整区域的三维点云数据。38.s102，将目标二维图像和目标三维点云数据进行匹配，计算得到不平整区域的地面坑洼程度。39.在本技术实施例中，可以对路面区域进行划分，由于车辆主要进行直线作业，车辆两侧的路面对其行驶基本不会产生影响，对此，需要对二维图像和三维点云数据进行预处理，得到感兴趣区域(roi区域)。对于感兴趣的区域，可以将平整区域和不平整区域进行区分，以便针对感兴趣区域中的不平整区域判断地面坑洼程度。40.具体地，对二维图像和三维点云数据进行预处理，可以为根据车辆的宽度和车辆的行驶方向，对相机采集的二维图像和激光雷达采集的三维点云数据进行裁剪得到感兴趣区域，也就是以车身宽度为准的车辆前进方向的区域。具体地，根据车辆宽度及行驶方向划定车辆行驶区域，该区域即感兴趣区域，对该区域进行裁剪，只对该区域的像素和三维点云进行处理。41.然后，确定感兴趣区域中的不平整道路区域时，可以通过语义分割算法对感兴趣区域进行划分，得到平整区域和不平整区域，从而得到不平整区域的目标二维图像和不平整区域的目标三维点云数据。具体地，语义分割是一种典型的计算进视觉问题，其涉及将一些原始数据如平面图像作为输入并将它们转换为具有突出显示的感兴趣区域的掩模。将二维图像输入语义分割算法中，由于图像是由许多像素组成的，语义分割可以将像素按照图像中表达语义含义的不同进行分割，从而输出平整区域和不平整区域。42.在本技术实施例中，对于不平整区域，可以将目标二维图像和目标三维点云数据进行匹配，得到二维图像每个像素点对应的三维点云坐标，并计算得到不平整区域的地面坑洼程度，由于地面不平整时车辆会颠簸，会影响车辆的定位精度，根据地面坑洼程度的不同，可以适应性的调整定位位置，以提高车辆定位的准确性。地面的坑洼程度可以根据坑洼或凸起的高度确定，也可以根据坑洼或凸起的高度以及面积确定。43.在一种可能的实现方式中，s102可以包括，将目标二维图像和目标三维点云数据进行匹配，得到不平整区域的点云坐标，即得到不平整区域的边界信息和深度信息；然后根据不平整区域的点云坐标，计算不平整区域的面积s，接着，从不平整区域的点云坐标中筛选出深度最大的点云，得到不平整区域的深度h；根据不平整区域的面积s和不平整区域的深度h，计算出不平整区域的地面坑洼程度。44.具体地，可以通过公式k×h/s计算出地面坑洼程度，其中k为转换系数。面积s可以表示不平整区域的范围大小，深度h可以表示坑洼或凸起的纵向高度，根据s和h共同确定地面坑洼程度，能够更加准确的确定地面坑洼情况，进而更加准确的调整定位位置。45.在另一种可能的实现方式中，也可以根据坑洼或凸起的高度确定地面坑洼程度，能够减少计算量，节省时间。46.s103，将地面坑洼程度输入目标神经网络模型中，得到不平整区域的地面平整度。47.在本技术实施例中，在s103之前，可以对预设神经网络模型进行训练，得到训练好的目标神经网络模型，以便输出地面平整度。地面平整度可以为路面表面相对于理想平面的竖向偏差。48.具体地，可以通过陀螺仪采集到多个采样点对应的多个车辆横滚角，根据多个车辆横滚角和采样点的数量，确定地面平整度。具体地，可以采用车辆安装的陀螺仪得到农机行驶在不平整区域的车辆横滚角，通过地面平整度计算公式得出农机经过坑洼路面的地面平整度，其中，地面平整度计算公式为：[0049][0050]其中，p表示地面平整度，单位为度(°)，n表示采样点的数量，ri表示每一采样点的车辆横滚角，单位为度(°)。[0051]接着，可以根据地面平整度和地面坑洼程度对预设神经网络模型进行训练，将地面坑洼程度作为向量输入，通过地面平整度计算公式计算得到的地面平整度作为向量输出，训练得到目标神经网络模型。[0052]目标神经网络模型可以为bp神经网络，bp神经网络是一种按误差反向传播训练的多层前馈网络，其算法称为bp算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。[0053]在本技术实施例中，在目标神经网络模型应用时，可以将地面坑洼程度输入已经训练好的目标神经网络模型中，得到预测的不平整区域的地面平整度，地面平整度可以表示出地面坑洼程度作用到车辆上导致车辆的变化状态，能够体现出车辆对于地面坑洼程度的受影响程度即车辆的颠簸情况，以便后续根据车辆的受影响程度调整车辆的定位位置。[0054]s104，在通过卡尔曼滤波算法对采集到的车辆的第一位置信息进行滤波处理时，根据地面平整度调整观测误差矩阵参数，得到车辆的第二位置信息。[0055]在本技术实施例中，在农田中采用gps测得的第一位置信息对无人驾驶农机定位时，定位信息会由于路面坑洼程度的大小发生不同程度的波动，增大车辆横向控制误差，达不到精准作业的要求，因此，对采集到的车辆的第一位置信息进行滤波处理，采用卡尔曼滤波算法，将噪点进行过滤，并对定位数据进行平滑处理，滤波后的定位数据会较大程度上减小误差。[0056]具体的，在卡尔曼滤波算法中，具有观测误差矩阵参数r和过程误差协方差矩阵q，观测误差矩阵参数r的来源是传感器误差，即传感器的不准确性。过程误差协方差矩阵q的每一个元素分别是状态x的元素误差之间的协方差，由不确定的噪声引起的。r和q的大小会影响滤波后的数据更加相信传感器所测得的测量值还是模型所计算的预测值。在这里，传感器所测得的测量值是指通过gps定位得到的第一位置信息，模型所计算的预测值是指通过先验模型计算得到的预测位置信息。[0057]在本技术实施例中，通过gps定位可以采集到车辆的第一位置信息，通过卡尔曼滤波算法对第一位置信息进行滤波处理时，根据地面平整度调整观测误差矩阵参数r，得到车辆的第二位置信息，将车辆的第二位置信息作为优化后的车辆位置，观测误差矩阵参数为卡尔曼滤波算法计算时需要用到的参数，其来源是传感器误差，即传感器的不准确性，在处理过程中，根据地面平整度调整观测误差矩阵参数，能够调整传感器误差对第二位置信息的影响程度，对定位数据进行补偿，从而提高车辆定位的准确性，使定位结果具有更高的鲁棒性和稳定性。[0058]具体地，卡尔曼滤波算法是一种利用线性系统状态方程通过系统输入输出观测数据，对系统数据进行最优估计的算法。其中，本技术中采用的卡尔曼滤波算法可以为线性卡尔曼滤波算法等。[0059]在一种可能的实现方式中，在根据地面平整度调整观测误差矩阵参数时，在地面平整度小于第一预设阈值时，说明地面比较平整，测量的第一位置信息不会大幅度偏移，比较准确，可以调小观测误差矩阵参数，在计算第二位置信息时更加相信传感器的测量值即第一位置信息，从而提高车辆定位的准确性。[0060]具体地，在地面平整度大于或等于第一预设阈值时，说明地面更加坑洼不平整，车辆比较颠簸，测量的第一位置信息会随着传感器大幅晃动产生较大偏移，测量的第一位置信息不太准确，应该调大观测误差矩阵参数，在计算第二位置信息时减小对第一位置信息的信任依赖，能够进一步的提高车辆的定位精度，使定位结果具有更高的鲁棒性和稳定性。[0061]在本技术实施例中，s104可以具体为，在通过卡尔曼滤波算法对采集到的车辆的第一位置信息进行滤波处理时，根据地面平整度调整观测误差矩阵参数r和过程误差矩阵参数q，得到车辆的第二位置信息。具体地，可以对观测误差矩阵参数r和过程误差矩阵参数q都进行调整，能够进一步的提高车辆的定位精度，使定位结果具有更高的鲁棒性和稳定性。[0062]具体地，在根据地面平整度调整观测误差矩阵参数和过程误差矩阵参数时，在地面平整度小于第二预设阈值时，表示地面较平整，通过传感器测量得到的第一位置信息相比于预测的位置信息更加准确，可以调小观测误差矩阵参数，增加对第一位置信息的信任依赖，并且调大过程误差矩阵参数，以减小对预测的位置信息的信任依赖，从测量值和预测值两方面均进行适应性调整，能够进一步的提高车辆的定位精度，使定位结果具有更高的鲁棒性和稳定性。[0063]具体地，在地面平整度大于或等于第二预设阈值时，表示地面坑洼较多地面不平整，测量的第一位置信息会随着传感器大幅晃动产生较大偏移，第一位置信息比预测的位置信息更加不准确，可以调大观测误差矩阵参数，从而降低对第一位置信息的信任依赖，并且调小过程误差矩阵参数，从而更加相信通过先验模型计算得到的预测位置，能够进一步的提高车辆的定位精度，使定位结果具有更高的鲁棒性和稳定性。[0064]其中，第一预设阈值和第二预设阈值的大小在此不做具体限定，本领域技术人员可以根据实际情况设置。[0065]本技术实施例提供了一种车辆定位方法，对采集到的车辆的第一位置信息进行卡尔曼滤波算法处理，能够滤除噪点并进行平滑处理，可以有效减小横向控制误差，同时，观测误差矩阵参数为卡尔曼滤波算法计算时需要用到的参数，其来源是传感器误差，即传感器的不准确性，在处理过程中，根据地面平整度调整观测误差矩阵参数，能够调整传感器误差对第二位置信息的影响程度，对定位数据进行补偿，从而提高车辆定位的准确性，使定位结果具有更高的鲁棒性和稳定性。[0066]基于以上车辆定位方法，本技术实施例还提供了一种车辆定位装置，参考图2所示，为本技术实施例提供的一种车辆定位装置的结构框图，该装置可以包括：[0067]获取单元201，用于获取相机采集的二维图像和激光雷达采集的三维点云数据；所述二维图像包括不平整区域的目标二维图像，所述三维点云数据包括不平整区域的目标三维点云数据；[0068]第一计算单元202，用于将所述目标二维图像和所述目标三维点云数据进行匹配，计算得到不平整区域的地面坑洼程度；[0069]第二计算单元203，用于将所述地面坑洼程度输入目标神经网络模型中，得到不平整区域的地面平整度；[0070]处理单元204，用于在通过卡尔曼滤波算法对采集到的车辆的第一位置信息进行滤波处理时，根据所述地面平整度调整观测误差矩阵参数，得到车辆的第二位置信息。[0071]可选地，在根据所述地面平整度调整观测误差矩阵参数时，在所述地面平整度小于第一预设阈值时，调小所述观测误差矩阵参数；在所述地面平整度大于或等于第一预设阈值时，调大所述观测误差矩阵参数。[0072]可选地，所述处理单元204，用于：[0073]在通过卡尔曼滤波算法对采集到的车辆的第一位置信息进行滤波处理时，根据所述地面平整度调整观测误差矩阵参数和过程误差矩阵参数，得到车辆的第二位置信息。[0074]可选地，在根据所述地面平整度调整观测误差矩阵参数和过程误差矩阵参数时，在所述地面平整度小于第二预设阈值时，调小所述观测误差矩阵参数且调大所述过程误差矩阵参数；在所述地面平整度大于或等于第二预设阈值时，调大所述观测误差矩阵参数且调小所述过程误差矩阵参数。[0075]可选地，所述装置还包括：[0076]裁剪单元，用于根据所述车辆的宽度和所述车辆的行驶方向，对所述相机采集的二维图像和所述激光雷达采集的三维点云数据进行裁剪得到感兴趣区域；[0077]划分单元，用于通过语义分割算法对所述感兴趣区域进行划分，得到不平整区域的目标二维图像和不平整区域的目标三维点云数据。[0078]可选地，第一计算单元202，用于：[0079]将所述目标二维图像和所述目标三维点云数据进行匹配，得到不平整区域的点云坐标；[0080]根据所述不平整区域的点云坐标，计算不平整区域的面积；[0081]从所述不平整区域的点云坐标中筛选出深度最大的点云，得到不平整区域的深度；[0082]根据所述不平整区域的面积和所述不平整区域的深度，计算出不平整区域的地面坑洼程度。[0083]本技术实施例提供了一种车辆定位装置，对采集到的车辆的第一位置信息进行卡尔曼滤波算法处理，能够滤除噪点并进行平滑处理，可以有效减小横向控制误差，同时，观测误差矩阵参数为卡尔曼滤波算法计算时需要用到的参数，其来源是传感器误差，即传感器的不准确性，在处理过程中，根据地面平整度调整观测误差矩阵参数，能够调整传感器误差对第二位置信息的影响程度，对定位数据进行补偿，从而提高车辆定位的准确性，使定位结果具有更高的鲁棒性和稳定性。[0084]又一方面，本技术实施例提供了一种计算机设备，参考图3所示，为本技术实施例提供的一种计算机设备的结构示意图，所述计算机设备包括处理器320以及存储器310：[0085]所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；[0086]所述处理器用于根据所述程序代码中的指令执行上述实施例提供的车辆定位方法。[0087]该计算机设备可以包括终端设备或服务器，前述的车辆定位装置可以配置在该计算机设备中。[0088]又一方面，本技术实施例还提供了一种存储介质，所述存储介质用于存储计算机程序，所述计算机程序用于执行上述实施例提供的车辆定位方法。[0089]另外，本技术实施例还提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例提供的车辆定位方法。[0090]本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令硬件来完成，前述程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质可以是下述介质中的至少一种：只读存储器(英文：read-only memory，缩写：rom)、ram、磁碟或者光盘等各种可以存储程序代码的介质。[0091]本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。[0092]以上所述仅是本技术的优选实施方式，虽然本技术已以较佳实施例披露如上，然而并非用以限定本技术。任何熟悉本领域的技术人员，在不脱离本技术技术方案范围情况下，都可利用上述揭示的方法和技术内容对本技术技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本技术技术方案的内容，依据本技术的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰，均仍属于本技术技术方案保护的范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!