一种自动驾驶车辆辅助定位方法及装置

摘要

本发明公开一种自动驾驶车辆辅助定位方法及装置，应用于隧道或桥梁等GNSS信号受到屏蔽，车辆的定位装置无法接收到GNSS信号的情况，该方法包括步骤：在车辆处于GNSS信号丢失的区域，实时检测车辆当前位置的信号特征值，根据信号特征值与地理位置信息的对应关系，匹配得到与所述车辆当前位置的信号特征值对应的地理位置信息。相比采用惯性传感器辅助定位的方式，本发明提供的方案利用预先生成信号特征值与地理位置信息的对应关系，为实际行驶车辆进行辅助定位，提高了定位的准确性和稳定性。

权利要求

1.一种自动驾驶车辆辅助定位方法，其特征在于，包括：在车辆处于GNSS信号丢失的区域时，实时检测车辆当前位置的信号特征值；

根据信号特征值与地理位置信息的对应关系，匹配得到与所述车辆当前位置的信号特征值对应的地理位置信息；

所述根据信号特征值与地理位置信息的对应关系，匹配得到与所述车辆当前位置的信号特征值对应的地理位置信息，包括：计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的差异；

确定计算得到最小差异的信号特征值为匹配结果；

将作为所述匹配结果的信号特征值对应的地理位置信息，作为所述车辆当前位置的信号特征值对应的地理位置信息；

在所述计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的差异的步骤前，还包括：根据所述车辆当前位置的信号特征值对应的信号发射源，从信号特征值与地理位置信息的对应关系中匹配得到第一对应关系，所述第一对应关系中的信号特征值对应的信号发射源与所述车辆当前位置的信号特征值对应的信号发射源相同；

所述计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的差异，为：计算所述车辆当前位置的信号特征值分别与所述第一对应关系中各个信号特征值的差异；

所述计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的差异，包括：计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的相似度，所述信号特征值为信号多径结构的联合概率分布；或，计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的欧氏距离。

2.根据权利要求1所述的方法，其特征在于，所述根据信号特征值与地理位置信息的对应关系，计算得到与所述车辆当前位置的信号特征值对应的地理位置信息，包括：将所述车辆当前位置的信号特征值输入到预先训练得到的深度学习模型中，得到所述深度学习模型输出的地理位置信息，所述深度学习模型为根据信号特征值与地理位置信息的对应关系训练得到的。

3.一种自动驾驶车辆辅助定位装置，其特征在于，包括：信号特征值检测单元，用于在车辆处于GNSS信号丢失的区域时，实时检测车辆当前位置的信号特征值；

数据匹配单元，用于根据信号特征值与地理位置信息的对应关系，计算得到与所述车辆当前位置的信号特征值对应的地理位置信息；

所述数据匹配单元，包括：

差异计算单元，用于计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的差异；

最小差异确定单元，用于确定计算得到最小差异的信号特征值为匹配结果；

匹配结果确定单元，用于将作为所述匹配结果的信号特征值对应的地理位置信息，作为所述车辆当前位置的信号特征值对应的地理位置信息；

所述数据匹配单元，还包括：

筛选单元，用于根据所述车辆当前位置的信号特征值对应的信号发射源，从信号特征值与地理位置信息的对应关系中匹配得到第一对应关系，所述第一对应关系中的信号特征值对应的信号发射源与所述车辆当前位置的信号特征值对应的信号发射源相同；

所述差异计算单元，具体用于计算所述车辆当前位置的信号特征值分别与所述第一对应关系中各个信号特征值的差异；

所述差异计算单元，具体用于：

计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的相似度，所述信号特征值为信号多径结构的联合概率分布；或，计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的欧氏距离。

4.根据权利要求3所述的装置，其特征在于，所述数据匹配单元，具体用于：将所述车辆当前位置的信号特征值输入到预先训练得到的深度学习模型中，得到所述深度学习模型输出的地理位置信息，所述深度学习模型为根据信号特征值与地理位置信息的对应关系训练得到的。

说明书

一种自动驾驶车辆辅助定位方法及装置

技术领域

[0001] 本发明涉及智能交通技术领域，更具体地说，涉及一种自动驾驶车辆辅助定位方法及装置。

背景技术

[0002] 精确定位对车辆的自动驾驶技术来说至关重要，目前常用的定位方法是由GPS、北斗等GNSS(Global Navigation Satellite System，全球导航定位系统)提供粗略的位置信息，再由激光雷达或多传感器数据融合技术形成高精度的定位信息。但是，在实际应用中，当车辆行驶到隧道或立交桥等GNSS信号完全遮挡的区域时，会发生GNSS信号丢失的情况。针对GNSS信号丢失的情况，目前主要通过采用惯性传感器辅助定位的方式，但是，惯性传感器的误差随着时间积累迅速增大，定位稳定性较差。

发明内容

[0003] 有鉴于此，本发明提出一种自动驾驶车辆辅助定位方法及装置，欲在发生GNSS信号丢失的情况时，实现提高定位的准确性和稳定性的目的。

[0004] 为了实现上述目的，现提出的方案如下：

[0005] 一种自动驾驶车辆辅助定位方法，包括：

[0006] 在车辆处于GNSS信号丢失的区域时，实时检测车辆当前位置的信号特征值；

[0007] 根据信号特征值与地理位置信息的对应关系，匹配得到与所述车辆当前位置的信号特征值对应的地理位置信息。

[0008] 可选的，所述根据信号特征值与地理位置信息的对应关系，匹配得到与所述车辆当前位置的信号特征值对应的地理位置信息，包括：

[0009] 计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的差异；

[0010] 确定计算得到最小差异的信号特征值为匹配结果；

[0011] 将作为所述匹配结果的信号特征值对应的地理位置信息，作为所述车辆当前位置的信号特征值对应的地理位置信息。

[0012] 可选的，所述计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的差异，包括：

[0013] 计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的相似度；或，

[0014] 计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的欧氏距离。

[0015] 可选的，在所述计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的差异的步骤前，还包括：

[0016] 根据所述车辆当前位置的信号特征值对应的信号发射源，从信号特征值与地理位置信息的对应关系中匹配得到第一对应关系，所述第一对应关系中的信号特征值对应的信号发射源与所述车辆当前位置的信号特征值对应的信号发射源相同；

[0017] 所述计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的差异，为：

[0018] 计算所述车辆当前位置的信号特征值分别与所述第一对应关系中各个信号特征值的差异。

[0019] 可选的，所述根据信号特征值与地理位置信息的对应关系，计算得到与所述车辆当前位置的信号特征值对应的地理位置信息，包括：

[0020] 将所述车辆当前位置的信号特征值输入到预先训练得到的深度学习模型中，得到所述深度学习模型输出的地理位置信息，所述深度学习模型为根据信号特征值与地理位置信息的对应关系训练得到的。

[0021] 一种自动驾驶车辆辅助定位装置，包括：

[0022] 信号特征值检测单元，用于在车辆处于GNSS信号丢失的区域时，实时检测车辆当前位置的信号特征值；

[0023] 数据匹配单元，用于根据信号特征值与地理位置信息的对应关系，计算得到与所述车辆当前位置的信号特征值对应的地理位置信息。

[0024] 可选的，所述数据匹配单元，包括：

[0025] 差异计算单元，用于计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的差异；

[0026] 最小差异确定单元，用于确定计算得到最小差异的信号特征值为匹配结果；

[0027] 匹配结果确定单元，用于将作为所述匹配结果的信号特征值对应的地理位置信息，作为所述车辆当前位置的信号特征值对应的地理位置信息。

[0028] 可选的，所述差异计算单元，具体用于：

[0029] 计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的相似度；或，

[0030] 计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的欧氏距离。

[0031] 可选的，所述数据匹配单元，还包括：

[0032] 筛选单元，用于根据所述车辆当前位置的信号特征值对应的信号发射源，从信号特征值与地理位置信息的对应关系中匹配得到第一对应关系，所述第一对应关系中的信号特征值对应的信号发射源与所述车辆当前位置的信号特征值对应的信号发射源相同；

[0033] 所述差异计算单元，具体用于计算所述车辆当前位置的信号特征值分别与所述第一对应关系中各个信号特征值的差异。

[0034] 可选的，所述数据匹配单元，具体用于：

[0035] 将所述车辆当前位置的信号特征值输入到预先训练得到的深度学习模型中，得到所述深度学习模型输出的地理位置信息，所述深度学习模型为根据信号特征值与地理位置信息的对应关系训练得到的。

[0036] 与现有技术相比，本发明的技术方案具有以下优点：

[0037] 上述技术方案提供的一种自动驾驶车辆辅助定位方法，应用于隧道或桥梁等GNSS信号受到屏蔽，车辆的定位装置无法接收到GNSS信号的情况，该方法包括步骤：在车辆处于GNSS信号丢失的区域时，实时检测车辆当前位置的信号特征值；根据信号特征值与地理位置信息的对应关系，计算得到与所述车辆当前位置的信号特征值对应的地理位置信息；将匹配得到的地理位置信息作为所述车辆当前位置的估计位置。相比采用惯性传感器辅助定位的方式，本发明提供的方案利用预先生成信号特征值与地理位置信息的对应关系，为实际行驶车辆进行辅助定位，提高了定位的准确性和稳定性。

附图说明

[0038] 为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

[0039] 图1为一种RSU的设置方式的示意图；

[0040] 图2为本发明实施例提供的一种自动驾驶车辆辅助定位方法的流程图；

[0041] 图3为一种具体的信号多径结构的示意图；

[0042] 图4为本发明实施例提供的一种利用欧氏距离算法的匹配方法的流程图；

[0043] 图5为本发明实施例提供的一种利用贝叶斯估计算法的匹配方法流程图；

[0044] 图6为本发明实施例提供的一种自动驾驶车辆辅助定位装置的逻辑示意图。

具体实施方式

[0045] 本发明的核心思路为，在GNSS信号受到屏蔽的区域设置多个RSU(Road Side Unit，路侧单元)，预先根据OBU(On Board Unit，车载单元)在GNSS信号受到屏蔽的区域检测到的信号特征值，生成信号特征值地图，即信号特征值与地理位置信息的对应关系，图1示出了一种RSU的设置方式。在自动驾驶车辆实际行驶到GNSS信号丢失的区域时，OBU与RSU进行通信，检测得到车辆当前位置的信号特征值，进而根据预先生成的信号特征值与地理位置信息的对应关系，匹配得到与车辆当前位置的信号特征值对应的地理位置信息，即得到了车辆当前位置的估计位置，提高了在无法接收到GNSS信号时定位的准确性和稳定性。

[0046] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

[0047] 本实施例提供一种自动驾驶车辆辅助定位方法，参见图2所示，该方法包括步骤：

[0048] S11：在车辆处于GNSS信号丢失的区域时，实时检测车辆当前位置的信号特征值；

[0049] 在车辆的定位装置接收到不到GNSS信号时，即GNSS信号丢失时，OBU与RSU进行通信，检测得到车辆当前位置的信号特征值。信号特征值包括但不限于OBU接收到的各个RSU的RSS(Received Signal Strength，接收信号强度)、信号多径结构、接收各个RSU的RSS对应的联合概率分布、和/或接收各个RSU的信号多径结构对应的联合概率分布。

[0050] OBU接收到某个RSU的RSS的具体大小，与OBU跟RSU的距离相关，RSS的关系式如下：

[0051] RSS＝Pt-K-10αlnd

[0052] 其中，Pt是RSU的发射功率，K是跟环境和频率有关的常数，α是路径损耗指数，d为OBU跟RSU之间的距离。在Pt、K和α都确定的情况下，d越大，则相应的RSS越小。

[0053] 在某个确定的位置，OBU接收到的某个RSU的RSS并不是一个固定值；由于环境等因素的影响，使得OBU接收到的某个RSU的RSS服从一定规律的分布。例如，RSS服从高斯分布，通过多次检测车辆当前位置接收到各个RSU的RSS，可以确定每个RSU的RSS对应的高斯分布的概率密度函数，进而得到各个RSU的RSS对应的联合概率分布。

[0054] 图3示出了一种具体的信号多径结构，信号多径结构包括四个多径分量，表示OBU接收到的RSU发送的信号经过了四次多径反射；每个多径分量包括功率和时延两个值，四个功率分别是α1、α2、α3、α4，对应的时延分别是η1、η2、η3、η4。

[0055] S12：根据信号特征值与地理位置信息的对应关系，匹配得到与所述车辆当前位置的信号特征值对应的地理位置信息；

[0056] 预先生成的信号特征值地图，即信号特征值与地理位置信息的对应关系，地理位置信息覆盖到车辆在隧道或桥梁等GNSS信号受到屏蔽的区域可能途径的区域。可以在车辆可能途径的区域内划分网格，各个网格的位置可通过测量得到，然后在每个网格测量OBU接收各个RSU发送的RSS，得到信号特征值，生成地理位置信息与信号特征值的对应关系。在自动驾驶车辆行驶到该GNSS信号受到屏蔽的区域时，利用匹配算法，根据信号特征值与地理位置信息的对应关系，计算得到与车辆当前位置的信号特征值对应的地理位置信息。匹配算法包括但不限于贝叶斯估计算法、欧氏距离算法和神经网络算法等。需要说明的是，生成的信号特征值与地理位置信息的对应关系中信号特征值可以是RSS或信号多径结构向量的具体值，也可以是接收到多个RSU的RSS或信号多径结构对应的联合概率分布。

[0057] 相比现有技术中采用惯性传感器辅助定位的方式，本实施例提供的自动驾驶车辆辅助定位方法，利用预先生成信号特征值与地理位置信息的对应关系，为实际行驶车辆进行辅助定位，提高了定位的准确性和稳定性。

[0058] 利用欧氏距离算法匹配得到地理位置信息的详细流程，参见图4所示，可以包括步骤：

[0059] S21：计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的欧氏距离。

[0060] 欧氏距离公式为：

[0061]

[0062] 其中，n表示当前GNSS信号受到屏蔽区域RSU的个数，xk表示OBU接收到编号为k的RSU的RSS或信号多径结构，pk表示预先生成信号特征值与地理位置信息的对应关系中某个信号特征值中编号为k的RSS或信号多径结构。

[0063] S22：确定计算得到值最小的欧氏距离的信号特征值为匹配结果。

[0064] 从计算得到的所有欧氏距离中选取值最小的欧氏距离的信号特征值，欧式距离值最小则说明两个信号特征值的差异最小，进而确定两者匹配。

[0065] S23：将作为所述匹配结果的信号特征值对应的地理位置信息，作为所述车辆当前位置的信号特征值对应的地理位置信息。

[0066] 利用贝叶斯估计算法匹配得到地理位置信息的详细流程，参见图5所示，可以包括步骤：

[0067] S31：计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的相似度。

[0068] 本实施例中信号特征值为当前GNSS信号受到屏蔽区域所有RSU在某个位置的RSS或信号多径结构的联合概率分布。将车辆当前位置的联合概率分布，分别与对应关系中各个联合概率分布进行相似度计算。

[0069] S32：确定计算得到值最大的相似度的信号特征值为匹配结果。

[0070] 从计算得到的所有相似度中选取值最大的相似度对应的信号特征值，相似度值最大则说明两个信号特征值的差异最小，进而确定两者匹配。

[0071] S33：将作为所述匹配结果的信号特征值对应的地理位置信息，作为所述车辆当前位置的信号特征值对应的地理位置信息。

[0072] 为了提高辅助定位算法的计算速度，预先将信号特征值与地理位置信息的对应关系进行聚类处理。将由相同信号发射源组成的信号特征值得到信号特征值与地理位置信息的对应关系进行归类，这样在辅助定位过程中，根据车辆当前位置OBU接收到的信号发射源，从相同信号发射源的对应关系中进行匹配。信号发射源即OBU接收到RSS或信号多径结构对应的RSU，例如，OBU在某个位置分别接收到RSU1、RSU2、以及RSU3的RSS，则得到的信号特征值对应的信号发射源为RSU1、RSU2、以及RSU3。具体的，在所述计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的差异的步骤前可以包括：根据所述车辆当前位置的信号特征值对应的信号发射源，从信号特征值与地理位置信息的对应关系中匹配得到第一对应关系，所述第一对应关系中的信号特征值对应的信号发射源与所述车辆当前位置的信号特征值对应的信号发射源相同，即如果车辆当前位置的信号特征值对应的信号发射源为RSU1、RSU2、以及RSU3，则匹配得到的第一对应关系中的信号特征值对应的信号发射源也为RSU1、RSU2、以及RSU3；计算所述车辆当前位置的信号特征值分别与所述第一对应关系中各个信号特征值的差异。

[0073] 通过神经网络算法匹配得到地理位置信息的详细流程包括：将所述车辆当前位置的信号特征值输入到预先训练得到的深度学习模型中，得到所述深度学习模型输出的地理位置信息，所述深度学习模型为根据信号特征值与地理位置信息的对应关系训练得到的。

[0074] 对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。

[0075] 下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。

[0076] 本实施例提供一种自动驾驶车辆辅助定位装置，参见图6所示，该装置包括：信号特征值检测单元11、数据匹配单元12和位置估计单元13。

[0077] 信号特征值检测单元11，用于在车辆处于GNSS信号丢失的区域时，实时检测车辆当前位置的信号特征值；

[0078] 数据匹配单元12，用于根据信号特征值与地理位置信息的对应关系，匹配得到与所述车辆当前位置的信号特征值对应的地理位置信息。

[0079] 可选的，所述数据匹配单元12，包括：差异计算单元、最小差异确定单元和匹配结果确定单元。

[0080] 差异计算单元，用于计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的差异；

[0081] 最小差异确定单元，用于确定计算得到最小差异的信号特征值为匹配结果；

[0082] 匹配结果确定单元，用于将作为所述匹配结果的信号特征值对应的地理位置信息，作为所述车辆当前位置的信号特征值对应的地理位置信息。

[0083] 可选的，所述差异计算单元，具体用于：计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的相似度；或，计算所述车辆当前位置的信号特征值分别与所述对应关系中各个信号特征值的欧氏距离。

[0084] 可选的，所述数据匹配单元12，还包括筛选单元，用于根据所述车辆当前位置的信号特征值对应的信号发射源，从信号特征值与地理位置信息的对应关系中匹配得到第一对应关系，所述第一对应关系中的信号特征值对应的信号发射源与所述车辆当前位置的信号特征值对应的信号发射源相同；所述差异计算单元，具体用于计算所述车辆当前位置的信号特征值分别与所述第一对应关系中各个信号特征值的差异。

[0085] 可选的，所述数据匹配单元12，具体用于：将所述车辆当前位置的信号特征值输入到预先训练得到的深度学习模型中，得到所述深度学习模型输出的地理位置信息，所述深度学习模型为根据信号特征值与地理位置信息的对应关系训练得到的

[0086] 以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

[0087] 在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

[0088] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

[0089] 对本发明所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。