用于自动驾驶的融合定位方法、装置及电子设备、存储介质

摘要

本申请公开了一种用于自动驾驶的融合定位方法、装置及电子设备、存储介质，其中所述方法包括预先采集预设区域的激光数据并建立得到目标点云地图；根据所述目标点云地图，在车辆的GNSS信号可用时采用激光雷达定位误差模式进行自学习，得到激光雷达定位误差模式的自学习结果；在需要激光定位观测时，通过所述激光雷达定位误差模式的自学习结果自适应纠正采用激光雷达进行定位时产生的定位误差，得到最终定位结果。通过本申请降低定位误差，并且实现了基于多种因素结合的激光雷达误差自适应。本申请的方案可用于ROBOTAXI、ROBOBUS的融合定位。

权利要求

1.一种用于自动驾驶的融合定位方法，其中，所述方法包括：预先采集预设区域的激光数据并建立得到目标点云地图，所述预设区域包括不同车型的车辆拟进行运营的同一个运营区域；

根据所述目标点云地图，在车辆的GNSS信号可用时采用激光雷达定位误差模式进行自学习，得到激光雷达定位误差模式的自学习结果；

根据航向角信息将所述GNSS信号可用时的GNSS位置以及所述激光定位的位置信息分解到自车坐标系下的横向的位置集合和纵向的位置集合，建立误差自适应数据集合；

计算激光定位横向误差、激光定位纵向误差比例系数；

根据所述激光定位横向误差和/或所述激光定位纵向误差比例系数，对满足预设条件的激光定位结果进行纠正；

在需要激光定位观测时，融合采用激光雷达进行定位的定位结果以及纠正后的所述激光定位结果，并基于融合结果更新卡尔曼滤波器的观测值；

根据所述卡尔曼滤波器的预估值作为最终定位结果；

其中，

所述激光定位横向误差按照如下方式计算：

统计所述横向的位置集合内的误差，如果符合正态分布，则判断当前激光定位横向误差的正态分布的均值作为所述激光雷达定位误差模式的自学习结果中的激光定位横向误差；

所述激光定位纵向误差比例系数按照如下方式计算：统计所述纵向的位置集合内的误差，并根据车身速度信息，拟合车速与激光定位纵向误差；

根据所述车速与激光定位纵向误差计算误差比例系数，并且使用经过所述误差比例系数修正后的误差符合正态分布；

或者，根据所述激光雷达离线统计的纵向定位误差判断阈值确定是否修正纵向误差，如果所述纵向的位置集合内的误差均值小于所述判断阈值，则不进行纵向误差修正，只采用所述激光定位横向误差进行横向误差修正。

2.如权利要求1所述方法，其中，所述预设条件包括：自动驾驶车辆的车速是否大于预设速度阈值；

激光定位结果置信度是否大于预设阈值；

两帧激光定位之间的距离与通过车身速度计算出的位移在预设误差范围内。

3.如权利要求1所述方法，其中，所述计算激光定位横向误差、激光定位纵向误差比例系数之前，还包括：同步具有相同预设窗口大小的 GNSS信号可用时的GNSS位置、激光定位的位置信息、航向角信息、车身速度信息以及雷达定位置信度，并建立误差自适应数据集合，其中，所述误差自适应数据集合是根据航向角信息将所述GNSS信号可用时的GNSS位置以及所述激光定位的位置信息分解到自车坐标系下的横向的位置集合和纵向的位置集合，所述预设窗口大小根据激光定位的频率设定。

4.如权利要求1所述方法，其中，所述方法还包括：根据所述激光雷达定位误差模式的自学习结果中的激光定位横向误差或激光定位纵向误差比例系数，进行定位结果的实时更新；

所述更新的过程采用最新的激光定位横向误差或激光定位纵向误差比例系数，或者，所述更新的过程采用所述激光定位横向误差或激光定位纵向误差比例系数与之前的激光定位横向误差或激光定位纵向误差比例系数的平均值。

5.一种用于自动驾驶的融合定位装置，其中，所述装置包括：点云地图建立模块，用于预先采集预设区域的激光数据并建立得到目标点云地图，所述预设区域包括不同车型的车辆拟进行运营的同一个运营区域；

误差自学习模块，用于根据所述目标点云地图，在车辆的GNSS信号可用时采用激光雷达定位误差模式进行自学习，得到激光雷达定位误差模式的自学习结果；

纠正模块，用于根据航向角信息将所述GNSS信号可用时的GNSS位置以及所述激光定位的位置信息分解到自车坐标系下的横向的位置集合和纵向的位置集合，建立误差自适应数据集合；

计算激光定位横向误差、激光定位纵向误差比例系数；

根据所述激光定位横向误差和/或所述激光定位纵向误差比例系数，对满足预设条件的激光定位结果进行纠正；

在需要激光定位观测时，融合采用激光雷达进行定位的定位结果以及纠正后的所述激光定位结果，并基于融合结果更新卡尔曼滤波器的观测值；

根据所述卡尔曼滤波器的预估值作为最终定位结果；

其中，

所述激光定位横向误差按照如下方式计算：

统计所述横向的位置集合内的误差，如果符合正态分布，则判断当前激光定位横向误差的正态分布的均值作为所述激光雷达定位误差模式的自学习结果中的激光定位横向误差；

所述激光定位纵向误差比例系数按照如下方式计算：统计所述纵向的位置集合内的误差，并根据车身速度信息，拟合车速与激光定位纵向误差；

根据所述车速与激光定位纵向误差计算误差比例系数，并且使用经过所述误差比例系数修正后的误差符合正态分布；

或者，根据所述激光雷达离线统计的纵向定位误差判断阈值确定是否修正纵向误差，如果所述纵向的位置集合内的误差均值小于所述判断阈值，则不进行纵向误差修正，只采用所述激光定位横向误差进行横向误差修正。

6.一种电子设备，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所述权利要求1 4之任一所述方法。

~

7.一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所述权利要求1 4之任一所述方法。

~

说明书

用于自动驾驶的融合定位方法、装置及电子设备、存储介质

技术领域

[0001] 本申请涉及自动驾驶定位技术领域，尤其涉及一种用于自动驾驶的融合定位方法、装置及电子设备、存储介质。

背景技术

[0002] 自动驾驶技术的普及使得ROBOTAXI或ROBOBUS的落地速度越来越快。相应的，对自动驾驶车辆定位功能的稳定性和准确性的要求也越来越高，传统的组合导航（IMU+GNSS/RTK）定位技术已经无法满足全场景厘米级定位的需求。

[0003] 基于激光雷达的激光SLAM技术也逐步被用来做额外的观测值以辅助/替代GNSS/RTK。区别于传统技术的SLAM技术，自动驾驶的激光定位为了达到更稳定的效果，首先需要建立特定区域的点云地图，并对点云地图做全局坐标赋值，后根据建立的点云地图进行自车的绝对定位。

[0004] 相关技术中在理想情况下，点云匹配定位的精度可以达到厘米级别（10cm以内），但是受到下列多种因素的影响，定位精度会受到影响，误差会扩大到分米级，甚至米级：

[0005] 情况1：ROBOTAXI、ROBOBUS等多种车型的构造不一致，导致激光雷达的型号、安装位置有很大区别。

[0006] 情况2：标定误差的影响，使得激光雷达的定位在转换到自车定位时，存在误差。

[0007] 情况3：时间同步不准确，导致激光雷达纵向定位精度会随着速度变大而增大。

发明内容

[0008] 本申请实施例提供了用于自动驾驶的融合定位方法、装置及电子设备、存储介质，以提供激光雷达自适应方案，降低自动驾驶中的定位误差。

[0009] 本申请实施例采用下述技术方案：

[0010] 第一方面，本申请实施例提供一种用于自动驾驶的融合定位方法, 其中，所述方法包括：

[0011] 预先采集预设区域的激光数据并建立得到目标点云地图；

[0012] 根据所述目标点云地图，在车辆的GNSS信号可用时采用激光雷达定位误差模式进行自学习，得到激光雷达定位误差模式的自学习结果；

[0013] 在需要激光定位观测时，通过所述激光雷达定位误差模式的自学习结果自适应纠正采用激光雷达进行定位时产生的定位误差，得到最终定位结果。

[0014] 所述在需要激光定位观测时，通过所述激光雷达定位误差模式的自学习结果自适应纠正采用激光雷达进行定位时产生的定位误差，得到最终定位结果，包括：

[0015] 计算激光定位横向误差、激光定位纵向误差比例系数；

[0016] 根据所述激光定位横向误差和/或所述激光定位纵向误差比例系数，对满足预设条件的激光定位结果进行纠正；

[0017] 在需要激光定位观测时，融合采用激光雷达进行定位的定位结果以及纠正后的所述激光定位结果，并基于融合结果更新卡尔曼滤波器的观测值；

[0018] 根据所述卡尔曼滤波器的预估值作为最终定位结果。

[0019] 在一些实施例中，获取所述满足预设条件的激光定位结果，包括：

[0020] 自动驾驶车辆的车速是否大于预设速度阈值；

[0021] 激光定位结果置信度是否均大于预设阈值；

[0022] 两帧激光定位之间的距离与通过车身速度计算出的位移在预设误差范围内。

[0023] 在一些实施例中，所述计算激光定位横向误差、激光定位纵向误差比例系数之前，还包括：

[0024] 同步具有相同预设窗口大小的 GNSS信号可用时的GNSS位置、激光定位的位置信息、航向角信息、车身速度信息以及雷达定位置信度，并建立误差自适应数据集合，其中，所述误差自适应数据集合是根据航向角信息将所述GNSS信号可用时的GNSS位置以及所述激光定位的位置信息分解到自车坐标系下的横向的位置集合和纵向的位置集合，所述预设窗口大小根据激光定位的频率设定。

[0025] 在一些实施例中，所述激光定位横向误差按照如下方式计算：

[0026] 统计所述横向的位置集合内的误差，如果误差符合正态分布，则判断当前激光定位横向误差为正态分布的均值作为所述激光雷达定位误差模式的自学习结果中的激光定位横向误差。

[0027] 在一些实施例中，所述激光定位纵向误差比例系数按照如下方式计算：

[0028] 统计所述纵向的位置集合内的误差，并根据所述车身速度信息，拟合车速与激光定位纵向误差；

[0029] 根据所述车速与激光定位纵向误差计算误差比例系数，并且使用经过所述误差比例系数修正后的误差符合正态分布作为所述激光雷达定位误差模式的自学习结果中的激光定位纵向误差比例系数；

[0030] 或者，根据所述激光雷达离线统计的纵向定位误差判断阈值确定是否修正纵向误差，如果所述纵向的位置集合内的误差均值小于所述判断阈值，则不进行纵向误差修正，只采用所述激光定位横向误差进行横向误差修正。

[0031] 在一些实施例中，所述方法还包括：

[0032] 根据所述激光雷达定位误差模式的自学习结果中的激光定位横向误差或激光定位纵向误差比例系数，进行定位结果的实时更新，所述更新的过程采用最新的激光定位横向误差或激光定位纵向误差比例系数，

[0033] 或者，所述更新的过程采用所述激光定位横向误差或激光定位纵向误差比例系数与之前的激光定位横向误差或激光定位纵向误差比例系数的平均值。

[0034] 第二方面，本申请实施例还提供一种用于自动驾驶的融合定位装置，其中，所述装置包括：

[0035] 点云地图建立模块，用于预先采集预设区域的激光数据并建立得到目标点云地图；

[0036] 误差自学习模块，用于根据所述目标点云地图，在车辆的GNSS信号可用时采用激光雷达定位误差模式进行自学习，得到激光雷达定位误差模式的自学习结果；

[0037] 纠正模块，用于在需要激光定位观测时，通过所述激光雷达定位误差模式的自学习结果自适应纠正采用激光雷达进行定位时产生的定位误差，得到最终定位结果。

[0038] 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。

[0039] 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。

[0040] 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：通过预先采集的预设区域的激光数据并建立得到目标点云地图，可以满足使用同一辆数据采集车采集到的点云地图的前提条件。在实际融合定位的过程中首先，根据所述目标点云地图，在车辆的GNSS信号可用时采用激光雷达定位误差模式进行自学习，得到激光雷达定位误差模式的自学习结果；然后在需要激光定位观测时，通过所述激光雷达定位误差模式的自学习结果自适应纠正采用激光雷达进行定位时产生的定位误差，得到最终定位结果。使得同一种车型的激光雷达建立的点云地图可以应用在多种不同车型的激光定位算法中，从而将标定、安装、时间同步等引起的定位过程中的产生的误差降到最低。

附图说明

[0041] 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：

[0042] 图1为用于自动驾驶的融合定位方法的流程示意图；

[0043] 图2为用于自动驾驶的融合定位方法中误差示意图；

[0044] 图3为用于自动驾驶的融合定位方法中误差统计示意图（原始）；

[0045] 图4为用于自动驾驶的融合定位方法中误差统计示意图（修正后）；

[0046] 图5为用于自动驾驶的融合定位装置的结构示意图；

[0047] 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

[0048] 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。

[0049] 以下结合附图，详细说明本申请各实施例提供的技术方案。

[0050] 本申请实施例提供了一种用于自动驾驶的融合定位方法，如图1所示，提供了本申请实施例中用于自动驾驶的融合定位方法的流程示意图，所述方法至少包括如下的步骤S110至步骤S140：

[0051] 步骤S110，预先采集预设区域的激光数据并建立得到目标点云地图。

[0052] 由于ROBOTAXI、ROBOBUS等多种车型的构造不一致，从而导致激光雷达的型号以及安装位置有很大区别，通过预先建立的目标点云地图可以使得ROBOTAXI、ROBOBUS使用同一个目标点云地图。

[0053] 示例性地，可以通过安装有已经时间同步好、经过标定好、装有真值设备的激光雷达采集车采集预设ROBOTAXI或ROBOBUS运营区域内的激光数据，通过后处理的定位数据以及去畸变后的点云数据进行点云地图的建立，并通过抽稀、点云绝对位置赋值等对地图进行后处理。之后，得到目标点云地图。

[0054] 所述预设运营区域是指，ROBOTAXI或ROBOBUS拟进行运营的固定区域，比如园区、公园等。也就是说，虽然ROBOTAXI或ROBOBUS的车型均可能不同，但是都服务于同一个运营区域。这样在ROBOTAXI或ROBOBUS实际运行时可以直接使用目标点云地图。

[0055] 这样的优点在于：

[0056] （1）保证了地图的一致性，同时减少了每一辆车采集、生成、更新地图的时间。

[0057] （2）降低了对运营车标定的精度标准，比如高精度标定需要在特定的标定空间/场内进行，如果要标定到采集车的精度，需要很高的人力、时间成本。

[0058] （3）由于不同车型，需要配置不停线束的激光雷达，采用同一个目标点云地图消除了激光雷达类型比如16线、32线、80线等引入的误差。

[0059] （4）基于上述（1）‑（3）的优点，降低了不同传感器点云不一致带来的误差。

[0060] 得到目标点云地图之后，将已经生成好的地图部署到运营区域内的ROBOTAXI或ROBOBUS。需要注意的是，运营区域内的ROBOTAXI或ROBOBUS可以预先加载并获取目标点云地图。

[0061] 步骤S120，根据所述目标点云地图，在车辆的GNSS信号可用时采用激光雷达定位误差模式进行自学习，得到激光雷达定位误差模式的自学习结果。

[0062] 实际运行时获取并加载得到所述目标点云地图，并且在车辆的GNSS信号可用时采用激光雷达定位误差模式进行自学习，经过自学习得到激光雷达定位误差模式的自学习结果。

[0063] 可以理解，上述激光雷达定位误差模式可以作为自动驾驶程序中的一个节点运行，当开启激光雷达定位误差模式进行自学习时，也就是不断校正误差的过程，即通过自学习得到激光雷达定位误差模式的自学习结果。

[0064] 当然如果GNSS信号一直可用且强度较好，则激光雷达定位误差模式的自学习结果并不进行更新或使用初始状态，如果GNSS信号时断时续，则激光雷达定位误差模式的自学习结果会不断更新。

[0065] 步骤S130，在需要激光定位观测时，通过所述激光雷达定位误差模式的自学习结果自适应纠正采用激光雷达进行定位时产生的定位误差，得到最终定位结果。

[0066] 在运营区域内有树木遮挡或经过桥洞、高架桥时，所述GNSS信号不可用此时需要激光定位观测值，则通过所述激光雷达定位误差模式的自学习结果自适应纠正采用激光雷达进行定位时产生的定位误差，得到最终定位结果。同时，为了保证实时性可以是实时纠正或者固定时延纠正。

[0067] 对于ROBOTAXI或ROBOBUS可以最大程度地降低多种车型的激光定位算法中，将标定、安装、时间同步等引起的定位误差降到。同时通过在GNSS信号良好情况下的激光雷达定位误差模式进行学习，自适应的对GNSS信号丢失或受影响时的激光雷达定位结果进行修正，并且将修正后的结果替代GNSS输入到滤波器完成滤波器观测更新，可以实时更新定位结果，实现精准定位。

[0068] 在本申请的一个实施例中，所述在需要激光定位观测时，通过所述激光雷达定位误差模式的自学习结果自适应纠正采用激光雷达进行定位时产生的定位误差，得到最终定位结果，包括：计算激光定位横向误差、激光定位纵向误差比例系数；根据所述激光定位横向误差和/或所述激光定位纵向误差比例系数，对满足预设条件的激光定位结果进行纠正；在需要激光定位观测时，融合采用激光雷达进行定位的定位结果以及纠正后的所述激光定位结果，并基于融合结果更新卡尔曼滤波器的观测值；根据所述卡尔曼滤波器的预估值作为最终定位结果。

[0069] 具体实施时，运营车辆在行驶过程中使用激光雷达定位，通过所述激光雷达定位误差模式的自学习结果自适应纠正采用激光雷达进行定位时产生的定位误差。

[0070] 通过计算激光定位横向误差以及激光定位纵向误差比例系数，并作为误差纠正的关键因素。对于所述激光定位横向误差主要是受到激光雷达的标定影响，需要计算此部分激光定位横向误差。对于所述激光定位纵向误差比例系数主要是受到时间同步以及当前对应车速的影响，需要计算激光定位纵向误差。

[0071] 需要注意的是，如果一定时间段内的激光雷达定位误差未超出预设阈值，可认为此激光雷达不存在时间同步等的问题，则可以只使用激光定位横向误差进行横向误差修正，但是仍需计算确定激光定位纵向误差比例系数。

[0072] 进一步地，根据所述激光定位横向误差和/或所述激光定位纵向误差比例系数，对满足预设条件的激光定位结果进行纠正即自适应误差更新。也就是说，在有了初始的横向误差值和纵向误差比例系数后，可对后续满足预设条件的激光定位结果进行纠正。如图2所示，是纠正前（激光定位纵向误差）、纠正后纵向误差示意图，表示了激光定位原始纵向误差，和经过本申请实施例中的方法修正后的误差。如图3所示表示左侧为激光定位原始纵向误差统计，如图4所示修正后的误差统计，除去初始化阶段的误差，修正后的误差满足均值为0的正态分布，可以为滤波器提供更准确的位置和误差。

[0073] 之后，对于满足误差为正态分布的纵向定位结果，可直接输入到卡尔曼滤波器中使用。同时，在需要激光定位观测时融合纠正后的激光定位结果进行观测更新。

[0074] 需要注意的是，需要激光雷达的定位观测值时是指GNSS信号弱或丢失，或一直使用的任意一种情况发生时。

[0075] 在本申请的一个实施例中，获取所述满足预设条件的激光定位结果，包括：自动驾驶车辆的车速是否大于预设速度阈值；激光定位结果置信度是否均大于预设阈值；两帧激光定位之间的距离与通过车身速度计算出的位移在预设误差范围内。

[0076] 具体实施时，主要考虑使用速度信息、置信度信息对激光定位结果进行过滤，保证了由于点云匹配导致的错误位置的影响。进一步地，符合条件的激光定位数据，需要满足3个条件：

[0077] 条件1：自动驾驶车辆的车速是否大于预设速度阈值。

[0078] 示例性地，当车速大于3m/s：如果收到时间同步的影响，激光定位纵向误差会随着车速增大而增大，但是在车辆速度降为0时，也会收到减速的影响，在同一静止位置，误差逐渐降低，因此要消除低速、停车的影响。

[0079] 条件2：激光定位结果是否均大于预设激光定位置信度阈值。高于预设激光定位置信度阈值：由于激光定位匹配会根据匹配的点云的密度等输出置信度，所以在实际设定置信度时，可在测试阶段，计算定位误差与置信度的关系，找到一个阈值保证高于此阈值的激光定位结果可信，即不会因为点云过少，发生定位跳变。

[0080] 条件3：两帧激光定位之间的距离与通过车身速度计算出的位移在预设误差范围内。为进一步保证定位跳变的影响比如置信度不准确，考虑使用速度做限制，也就是说，两帧激光定位之间的距离与车身速度计算出的位移在预设误差范围内，预设误差范围可根据速度误差系数与激光定位统计误差设定。

[0081] 在本申请的一个实施例中，所述计算激光定位横向误差、激光定位纵向误差比例系数之前，还包括：同步具有相同预设窗口大小的 GNSS信号可用时的GNSS位置、激光定位的位置信息、航向角信息、车身速度信息以及雷达定位置信度，并建立误差自适应数据集合，其中，所述误差自适应数据集合是根据航向角信息将所述GNSS信号可用时的GNSS位置以及所述激光定位的位置信息分解到自车坐标系下的横向的位置集合和纵向的位置集合，所述预设窗口大小根据激光定位的频率设定。

[0082] 具体实施时，计算激光定位横向误差、激光定位纵向误差比例系数之前需要获得自车坐标系横、纵向位置集合。

[0083] 进一步地，可以采用同步具有相同预设窗口大小的 GNSS信号可用时的GNSS位置、激光定位的位置信息、航向角信息、车身速度信息以及雷达定位置信度，并建立误差自适应数据集合。可以理解，预设窗口大小可根据激光定位的频率设定。相同预设窗口大小即相同的激光采样频率。

[0084] 示例性地，同步预设窗口大小win_size的GNSS信号良好时的GNSS位置loc_GNSS、激光定位loc_lidar的位置信息、 航向角信息YAW、车身速度信息velocity以及雷达定位置信度conf 得到误差自适应数据集合S。

[0085] 将窗口大小可根据激光定位的频率设定为1000，即1000个符合条件的激光定位数据和对应的GNSS定位数据，然后根据航向角信息YAW将{loc_GNSS,loc_lidar}分解为自车坐标系横向位置集合S_lat{loc_GNSS_lat, loc_lidar_lat}，以及纵向位置集合S_long{loc_GNSS_long,loc_lidar_long}。

[0086] 在本申请的一个实施例中，所述激光定位横向误差按照如下方式计算：统计所述横向的位置集合内的误差，如果误差符合正态分布，则判断当前激光定位横向误差为正态分布的均值作为所述激光雷达定位误差模式的自学习结果中的激光定位横向误差。

[0087] 具体实施时，考虑到主要受标定影响，故统计自车坐标系横向位置集合S_lat内的误差，如果误差符合正态分布，则可判断激光定位横向误差为正态分布的均值。修正后的误差满足均值为0的正态分布，可以为滤波器提供更准确的位置和误差。

[0088] 对于是否符合正态分布可以使用KS检验方案进行检测。比如，图4所示修正后的误差统计，除去初始化阶段的误差，修正后的误差满足均值为0的正态分布，可以为滤波器提供更准确的位置和误差。

[0089] 在本申请的一个实施例中，所述激光定位纵向误差比例系数按照如下方式计算：统计所述纵向的位置集合内的误差，并根据所述车身速度信息，拟合车速与激光定位纵向误差；根据所述车速与激光定位纵向误差计算误差比例系数，并且使用经过所述误差比例系数修正后的误差符合正态分布作为所述激光雷达定位误差模式的自学习结果中的激光定位纵向误差比例系数；或者，根据所述激光雷达离线统计的纵向定位误差判断阈值确定是否修正纵向误差，如果所述纵向的位置集合内的误差均值小于所述判断阈值，则不进行纵向误差修正，只采用所述激光定位横向误差进行横向误差修正。

[0090] 具体实施时，考虑到激光定位纵向误差比例系数主要受时间同步与车速影响。可以统计自车坐标系纵向位置集合S_long内的误差，并根据车速信息，拟合车速与激光定位纵向误差，计算一个比例系数r，使得以下方程值最小，并且使用r修正后的误差符合正态分布。

[0091]

[0092] 其中， ，表示窗口内第i个的激光雷达的纵向误差信息。

[0093] ，表示窗口内第i个速度信息。

[0094] 或者，根据所述激光雷达离线统计的纵向定位误差判断阈值确定是否修正纵向误差，如果所述纵向的位置集合内的误差均值小于所述判断阈值，则不进行纵向误差修正，只采用所述激光定位横向误差进行横向误差修正。

[0095] 示例性地，即根据激光雷达定位统计结果，得到2σ的定位误差比如40cm，则如果多次所述纵向的位置集合内的误差小于判断阈值，则可认为此激光雷达不存在时间同步等的问题，可仅进行横向误差修正，需要进行纵向误差纠正。

[0096] 在本申请的一个实施例中，所述方法还包括：根据所述激光雷达定位误差模式的自学习结果中的激光定位横向误差或激光定位纵向误差比例系数，进行定位结果的实时更新，所述更新的过程采用最新的激光定位横向误差或激光定位纵向误差比例系数，或者，所述更新的过程采用所述激光定位横向误差或激光定位纵向误差比例系数与之前的激光定位横向误差或激光定位纵向误差比例系数的平均值。

[0097] 具体实施时，为降低网络信号等引起的时间同步误差变化等影响，可在得到初始计算的误差或误差比例系数后，在后续进行实时更新，更新方法可选择采用最新的激光定位横向误差或激光定位纵向误差比例系数；或者，采用所述激光定位横向误差或激光定位纵向误差比例系数与之前的激光定位横向误差或激光定位纵向误差比例系数的平均值。

[0098] 本申请实施例还提供了用于自动驾驶的融合定位装置500，如图5所示，提供了本申请实施例中用于自动驾驶的融合定位装置的结构示意图，所述装置500至少包括：点云地图建立模块510、误差自学习模块520、以及纠正模块530，其中：

[0099] 在本申请的一个实施例中，所述点云地图建立模块510具体用于：预先采集预设区域的激光数据并建立得到目标点云地图。

[0100] 由于ROBOTAXI、ROBOBUS等多种车型的构造不一致，从而导致激光雷达的型号以及安装位置有很大区别，通过预先建立的目标点云地图可以使得ROBOTAXI、ROBOBUS使用同一个目标点云地图。

[0101] 示例性地，可以通过安装有已经时间同步好、标定好、装有真值设备的激光雷达采集车采集预设ROBOTAXI或ROBOBUS运营区域内的激光数据，通过后处理的定位数据以及去畸变后的点云数据进行点云地图的建立，并通过抽稀、点云绝对位置赋值等对地图进行后处理。之后，得到目标点云地图。

[0102] 所述预设运营区域是指，ROBOTAXI或ROBOBUS拟进行运营的固定区域，比如园区、公园等。也就是说，虽然ROBOTAXI或ROBOBUS的车型均可能不同，但是都服务于同一个运营区域。这样在ROBOTAXI或ROBOBUS实际运行时可以直接使用目标点云地图。

[0103] 这样的优点在于：

[0104] （1）保证了地图的一致性，同时减少了每一辆车采集、生成、更新地图的时间。

[0105] （2）降低了对运营车标定的精度标准，比如高精度标定需要在特定的标定空间/场内进行，如果要标定到采集车的精度，需要很高的人力、时间成本。

[0106] （3）由于不同车型，需要配置不停线束的激光雷达，采用同一个目标点云地图消除了激光雷达类型比如16线、32线、80线等引入的误差。

[0107] （4）基于上述（1）‑（3）的优点，降低了不同传感器点云不一致误差带来的误差。

[0108] 得到目标点云地图之后，将已经生成好的地图部署到运营区域内的ROBOTAXI或ROBOBUS。需要注意的是，运营区域内的ROBOTAXI或ROBOBUS可以预先加载并获取目标点云地图。

[0109] 在本申请的一个实施例中，所述误差自学习模块520具体用于：根据所述目标点云地图，在车辆的GNSS信号可用时采用激光雷达定位误差模式进行自学习，得到激光雷达定位误差模式的自学习结果。

[0110] 实际运行时获取并加载得到所述目标点云地图，并且在车辆的GNSS信号可用时采用激光雷达定位误差模式进行自学习，经过自学习得到激光雷达定位误差模式的自学习结果。

[0111] 可以理解，上述激光雷达定位误差模式可以作为自动驾驶程序中的一个节点运行，当开启激光雷达定位误差模式进行自学习时，也就是不断校正误差的过程，即通过自学习得到激光雷达定位误差模式的自学习结果。

[0112] 当然如果GNSS信号一直可用且强度较好，则激光雷达定位误差模式的自学习结果并不进行更新或使用初始状态，如果GNSS信号时断时续，则激光雷达定位误差模式的自学习结果会不断更新。

[0113] 在本申请的一个实施例中，所述纠正模块530具体用于：在需要激光定位观测时，通过所述激光雷达定位误差模式的自学习结果自适应纠正采用激光雷达进行定位时产生的定位误差，得到最终定位结果。

[0114] 在运营区域内有树木遮挡或经过桥洞、高架桥时，所述GNSS信号不可用，则通过所述激光雷达定位误差模式的自学习结果自适应纠正采用激光雷达进行定位时产生的定位误差，得到最终定位结果。同时，为了保证实时性可以是实时纠正或者固定时延纠正。

[0115] 对于ROBOTAXI或ROBOBUS，可以最大程度地降低由不同车型的不同激光雷达的标定、安装、时间同步问题等引起的定位误差。同时通过在GNSS信号良好情况下的激光雷达定位误差模式进行学习，自适应的对GNSS信号丢失或受影响时的激光雷达定位结果进行修正，并且将修正后的结果替代GNSS输入到滤波器完成滤波器观测更新，可以实时更新定位结果，实现精准定位。

[0116] 能够理解，上述用于自动驾驶的融合定位装置，能够实现前述实施例中提供的用于自动驾驶的融合定位方法的各个步骤，关于用于自动驾驶的融合定位方法的相关阐释均适用于用于自动驾驶的融合定位装置，此处不再赘述。

[0117] 图6是本申请的一个实施例电子设备的结构示意图。请参考图6，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random‑Access Memory，RAM)，也可能还包括非易失性存储器（non‑volatile memory），例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

[0118] 处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构）总线、PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(Extended Industry Standard Architecture，扩展工业标准结构）总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

[0119] 存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

[0120] 处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成用于自动驾驶的融合定位装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

[0121] 预先采集预设区域的激光数据并建立得到目标点云地图；

[0122] 根据所述目标点云地图，在车辆的GNSS信号可用时采用激光雷达定位误差模式进行自学习，得到激光雷达定位误差模式的自学习结果；

[0123] 在需要激光定位观测时，通过所述激光雷达定位误差模式的自学习结果自适应纠正采用激光雷达进行定位时产生的定位误差，得到最终定位结果。

[0124] 上述如本申请图1所示实施例揭示的用于自动驾驶的融合定位装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

[0125] 该电子设备还可执行图1中用于自动驾驶的融合定位装置执行的方法，并实现用于自动驾驶的融合定位装置在图1所示实施例的功能，本申请实施例在此不再赘述。

[0126] 本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1所示实施例中用于自动驾驶的融合定位装置执行的方法，并具体用于执行：

[0127] 预先采集预设区域的激光数据并建立得到目标点云地图；

[0128] 根据所述目标点云地图，在车辆的GNSS信号可用时采用激光雷达定位误差模式进行自学习，得到激光雷达定位误差模式的自学习结果；

[0129] 在需要激光定位观测时，通过所述激光雷达定位误差模式的自学习结果自适应纠正采用激光雷达进行定位时产生的定位误差，得到最终定位结果。

[0130] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD‑ROM、光学存储器等）上实施的计算机程序产品的形式。

[0131] 本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

[0132] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

[0133] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

[0134] 在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。

[0135] 内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。

[0136] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD‑ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。

[0137] 还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。

[0138] 本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD‑ROM、光学存储器等）上实施的计算机程序产品的形式。

[0139] 以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。