【技術(shù)實現(xiàn)步驟摘要】
本申請涉及到地圖重定位，特別是一種用于自動駕駛領(lǐng)域的地圖重定位方法、裝置、電子設(shè)備和計算機可讀介質(zhì)。
技術(shù)介紹
1、環(huán)境地圖和基于地圖的重新定位技術(shù),對于城市環(huán)境中的自動駕駛車輛具有重要安全意義。良好的地圖能夠為車輛提供周圍環(huán)境的先驗信息,幫助決策系統(tǒng)提前判斷車輛的運行狀態(tài)，而重定位技術(shù)能夠允許無人車在連續(xù)定位失敗時，仍然可以根據(jù)當(dāng)前的環(huán)境信息，重新獲得其自身在地圖中的正確位置，保障無人車的安全運行。
2、傳統(tǒng)方法使用全球?qū)Ш叫l(wèi)星系統(tǒng)(gnss)等系統(tǒng)估計自主車輛的位置。然而，這些系統(tǒng)的精度是有限的，大氣條件、信號反射和時鐘誤差都會產(chǎn)生噪聲。實時動態(tài)(rtk)定位系統(tǒng)可以通過使用固定校正基站的校正信號來減少這些誤差。但是，此類系統(tǒng)依賴于更多的基礎(chǔ)設(shè)施，會帶來額外的成本。
技術(shù)實現(xiàn)思路
1、本申請實施例提供了一種地圖重定位方法、裝置、電子設(shè)備和計算機可讀介質(zhì)，用于解決現(xiàn)有的地圖重定位。
2、本專利技術(shù)的第一方面，提供一種地圖重定位方法，包括：
3、獲得當(dāng)前位置的局部地圖和高精地圖，所述局部地圖根據(jù)所述當(dāng)前位置下的環(huán)境獲得，所述高精地圖根據(jù)當(dāng)前位置下的經(jīng)緯度坐標獲得；
4、分別對所述局部地圖和所述高精地圖進行特征提取獲得局部地圖特征矩陣和高精地圖特征矩陣；
5、將所述局部地圖特征矩陣和所述高精地圖特征矩陣進行特征融合得到第一特征融合矩陣；
6、采用注意力機制對所述第一融合特征矩陣進行處理獲得第二特征融合矩陣；>
7、采用神經(jīng)網(wǎng)絡(luò)對所述第二特征融合矩陣進行識別以獲得偏移估計，所述偏移估計用于表征所述局部地圖和所述高精地圖之間的偏移；
8、以所述偏移估計作為重定位校準量進行重定位。
9、進一步的，所述獲得當(dāng)前位置的局部地圖，包括：
10、獲得傳感器采集到的輸入數(shù)據(jù)；
11、根據(jù)環(huán)境感知算法對所述輸入數(shù)據(jù)進行處理獲得周圍環(huán)境信息；
12、根據(jù)所述周圍環(huán)境信息獲得局部地圖。
13、進一步的，所述分別對所述局部地圖和所述高精地圖進行特征提取獲得局部地圖特征矩陣和高精地圖特征矩陣之前，包括：
14、對所述局部地圖和所述高精地圖進行編碼獲得矢量化后的局部地圖和矢量化后的高精地圖，其中，所述矢量化后的局部地圖和所述矢量化后的高精地圖包括有相同數(shù)量的元素，并且每個所述元素均為相同維度的向量形式。
15、進一步的，所述將所述局部地圖特征矩陣和所述高精地圖特征矩陣進行特征融合得到第一特征融合矩陣，包括：采用向量拼接方法將所述矢量化后的局部地圖和所述矢量化后的高精地圖進行拼接從而完成特征融合。
16、進一步的，所述分別對所述局部地圖和所述高精地圖進行特征提取獲得局部地圖特征矩陣和高精地圖特征矩陣，包括：采用圖卷積神經(jīng)網(wǎng)絡(luò)進行特征提取。
17、進一步的，所述注意力機制為自注意力機制。
18、進一步的，所述神經(jīng)網(wǎng)絡(luò)為多層感知機。
19、本申請的第二個方面，提供一種地圖重定位裝置，包括：
20、地圖獲取模塊，獲得當(dāng)前位置的局部地圖和高精地圖，所述局部地圖根據(jù)所述當(dāng)前位置下的環(huán)境獲得，所述高精地圖根據(jù)當(dāng)前位置下的經(jīng)緯度坐標獲得；
21、特征提取模塊，用于分別對所述局部地圖和所述高精地圖進行特征提取獲得局部地圖特征矩陣和高精地圖特征矩陣；
22、第一融合模塊，用于第一將所述局部地圖特征矩陣和所述高精地圖特征矩陣進行特征融合得到第一特征融合矩陣；
23、第二融合模塊，用于采用注意力機制對所述第一融合特征矩陣進行處理獲得第二特征融合矩陣；
24、偏移估計模塊，用于采用神經(jīng)網(wǎng)絡(luò)對所述第二特征融合矩陣進行識別以獲得偏移估計，所述偏移估計用于表征所述局部地圖和所述高精地圖之間的偏移；
25、校準模塊，用于以所述偏移估計作為重定位校準量進行重定位。
26、本申請的第三個方面，提供一種電子設(shè)備，包括至少一個處理器，所述處理器與存儲器耦合，所述存儲器內(nèi)存儲有計算機程序，所述計算機程序被配置為被所述處理器運行時執(zhí)行本申請第一個方面所述的方法。
27、本申請的第四個方面，提供一種計算機可讀介質(zhì)，其上存儲有計算機程序，所述計算機程序用于執(zhí)行本申請第一個方面所述的方法。
28、在本申請實施例中，采用了種地圖重定位方法，通過獲得當(dāng)前位置的局部地圖和高精地圖，所述局部地圖根據(jù)所述當(dāng)前位置下的環(huán)境獲得，所述高精地圖根據(jù)當(dāng)前位置下的經(jīng)緯度坐標獲得；分別對所述局部地圖和所述高精地圖進行特征提取獲得局部地圖特征矩陣和高精地圖特征矩陣；將所述局部地圖特征矩陣和所述高精地圖特征矩陣進行特征融合得到第一特征融合矩陣；采用注意力機制對所述第一融合特征矩陣進行處理獲得第二特征融合矩陣；采用神經(jīng)網(wǎng)絡(luò)對所述第二特征融合矩陣進行識別以獲得偏移估計，所述偏移估計用于表征所述局部地圖和所述高精地圖之間的偏移；以所述偏移估計作為重定位校準量進行重定位。通過本申請解決了傳統(tǒng)的依靠實時動態(tài)定位系統(tǒng)來校準定位所帶來的對基建的依賴以及額外的成本，從而使得自動駕駛時的重定位可以通過車輛自身自帶的裝置實現(xiàn)，該方案性能和魯棒性較高，且隨著數(shù)據(jù)量增加，定位性能不斷提升。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.地圖重定位方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲得當(dāng)前位置的局部地圖，包括：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于：所述分別對所述局部地圖和所述高精地圖進行特征提取獲得局部地圖特征矩陣和高精地圖特征矩陣之前，包括：
4.根據(jù)權(quán)利要求3所述的方法，其特征在于：所述將所述局部地圖特征矩陣和所述高精地圖特征矩陣進行特征融合得到第一特征融合矩陣，包括：采用向量拼接方法將所述矢量化后的局部地圖和所述矢量化后的高精地圖進行拼接從而完成特征融合。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于：所述分別對所述局部地圖和所述高精地圖進行特征提取獲得局部地圖特征矩陣和高精地圖特征矩陣，包括：采用圖卷積神經(jīng)網(wǎng)絡(luò)進行特征提取。
6.根據(jù)權(quán)利要求1所述的方法，其特征在于：所述注意力機制為自注意力機制。
7.根據(jù)權(quán)利要求1所述的方法，其特征在于：所述神經(jīng)網(wǎng)絡(luò)為多層感知機。
8.地圖重定位裝置，其特征在于，包括：
9.一種電子設(shè)備，其特征在于：包括至少一個處理器，所述處理器與
10.一種計算機可讀介質(zhì)，其特征在于：其上存儲有計算機程序，所述計算機程序用于執(zhí)行所述權(quán)利要求1～7中任意一項所述的方法。
...【技術(shù)特征摘要】
1.地圖重定位方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲得當(dāng)前位置的局部地圖，包括：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于：所述分別對所述局部地圖和所述高精地圖進行特征提取獲得局部地圖特征矩陣和高精地圖特征矩陣之前，包括：
4.根據(jù)權(quán)利要求3所述的方法，其特征在于：所述將所述局部地圖特征矩陣和所述高精地圖特征矩陣進行特征融合得到第一特征融合矩陣，包括：采用向量拼接方法將所述矢量化后的局部地圖和所述矢量化后的高精地圖進行拼接從而完成特征融合。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于：所述分別對所述局部地圖和所述高精地圖進行特征提取獲得局部...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：陳彥君，李牧昀，陳銘，劉宇沖，李琦，李豪雨，劉偉，
申請(專利權(quán))人：魔門塔蘇州科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。