【技術實現步驟摘要】
本申請涉及車輛定位，尤其涉及一種基于低算力平臺的車輛定位方法、電子設備及系統。
技術介紹
1、在自動駕駛領域的車道標線識別，通過基于傳統視覺的方法（如使用opencv庫）來實現，可以用于車輛定位。但是，基于傳統視覺的車道標線識別，主要依賴于例如通過顏色、形狀或紋理等特征規則，來識別車道標線等，其缺點是魯棒性不強，容易受到光照、天氣等環境因素的影響。同時還缺失深度信息，限制了其在三維空間中精確定位車道標線的能力。
2、基于此，相關技術中提出了基于深度學習的車道標線識別的方法，即使用深度神經網絡來識別車道標線，處理更復雜的場景和光照條件。這種方式需要大量的算力支持，對于計算資源有限的低算力平臺（如低功耗嵌入式系統）的車輛來說，實現起來較為困難。這是因為，低算力平臺的車輛，能配備的處理器性能較低，無法運行計算密集型的算法；電池容量也受到限制，不能支撐大算力的計算。
3、因此，如何實現基于低算力平臺的車輛定位是本領域當前需要解決的技術問題之一。
技術實現思路
1、本申請的目的在于提供一種基于低算力平臺的車輛定位方法、電子設備及系統，解決了計算資源有限的低算力平臺下的車輛定位問題。
2、本申請的目的采用以下技術方案實現：
3、第一方面，本申請提供了一種基于低算力平臺的車輛定位方法，用于車輛在目標區域的車輛定位，包括以下步驟：
4、根據所述車輛的當前幀信息，獲取地圖構建信息；所述當前幀信息包括圖像數據、激光雷達數據和慣性測量數據；p>
5、將所述地圖構建信息與預設靜態地圖進行匹配，獲取局部地圖；
6、基于相機坐標系，將所述局部地圖的點云投影到所述圖像數據，獲取包含深度信息的相機照片作為深度圖像信息；
7、利用低算力平臺的分割模型對所述深度圖像信息進行地面標線的語義分割，將分割出來的具有深度信息的點云作為地面標線點云，根據所述地面標線點云進行所述車輛的重定位；
8、其中，所述車輛包括自動巡檢車和儲能充電車中的至少一種，所述目標區域是實時動態測量信號缺失的區域，所述分割模型是unet網絡模型。
9、該技術方案的有益效果在于，車輛定位方法中，當前幀信息是指車輛的傳感器捕獲的環境數據，反映了車輛在該時刻周圍環境的即時狀態。可以通過相機模塊、激光測量模塊與慣性測量模塊分別采集圖像數據、激光雷達數據和慣性測量數據并共同構成了當前幀的完整信息，用于后續的處理和分析。然后利用慣性測量數據（imu）對激光雷達數據進行去畸變處理，以校正傳感器誤差引起的數據失真，從而獲得準確的地圖構建信息。通過算法識別并移除激光雷達數據中的動態物體（如車輛、行人等），以獲得凈化后的激光雷達數據，為后續的精確定位做準備。將地圖構建信息與預先構建的預設靜態地圖進行匹配，匹配成功后獲取預設靜態地圖的局部地圖。將局部地圖的點云數據投影到相機坐標系中，為圖像數據中的每個像素賦予深度信息，從而生成包含深度信息的相機照片，即深度圖像信息。沒有深度值的像素不參與后續的特征運算，以提高處理效率。對深度圖像信息進行地面標線的分割提取，使用圖像分割技術（如unet網絡）識別出地面標線。提取出的地面標線點云將被用于更新局部地圖的點云信息。更新后的局部地圖點云信息將被用于車輛的重定位。可以認為，在重定位過程中，局部地圖點云信息可以用于精確確定車輛在地圖中的位置。
10、相較于相關技術中，需要基于深度學習的方法，采用訓練后的多任務深度神經網絡對連續的待測圖像序列進行處理，獲得圖像幀之間的位姿變換信息、深度信息和語義分割信息，對算力要求比較高。本申請針對rtk信號容易缺失的區域中高動態環境的挑戰，加入unet分割提取的必要的語義信息后，能夠很大程度上提高車輛定位方法的適用性和魯棒性。實現上述車輛定位的方法，并不需要額外的cuda顯卡，節省電量的同時也節省了經濟成本。
11、進一步地，所述根據所述車輛的當前幀信息，獲取地圖構建信息，包括：
12、根據所述慣性測量數據對所述激光雷達數據進行去畸變處理，將動態物體從畸變處理后的激光雷達數據中移除，得到地圖構建信息。
13、該技術方案的有益效果在于，由于傳感器誤差、車輛運動或環境因素，激光雷達數據包含畸變，根據慣性測量數據進行去畸變處理，以校正誤差，從而獲得的地圖構建信息更準確。
14、進一步地，在獲取地圖構建信息之前，所述方法還包括：
15、對相機模塊、激光測量模塊和慣性測量模塊的外參進行標定，使其之間的相互關系為固定參數；
16、利用所述相機模塊獲取所述車輛的圖像數據，利用所述激光測量模塊獲取所述車輛的激光雷達數據，利用所述慣性測量模塊獲取所述車輛的慣性測量數據；將所述圖像數據、所述激光雷達數據和所述慣性測量數據作為當前幀信息。
17、該技術方案的有益效果在于，在低算力平臺上資源是有限的，本技術方案通過外參標定（和后續可能的數據融合）確保傳感器數據被高效處理，避免了不必要的計算負擔，從而優化了有限資源的利用，進而減少如深度學習推理的計算密集型任務，有助于降低整體能耗，延長電池使用時間。
18、進一步地，將所述局部地圖中的點云投影到所述圖像數據的過程包括：
19、根據所述圖像數據、所述激光雷達數據各自的時間戳進行位姿插補，確定所述相機模塊在所述局部地圖中的具體位姿；
20、根據所述相機模塊的內參，將所述局部地圖中的點云數據投影到與圖像數據對應的二維圖像平面上，生成包含深度信息的相機照片作為深度圖像信息。
21、該技術方案的有益效果在于，深度圖像信息為車輛提供了更為豐富的環境感知數據，通過后續分割過程得到的數據，使得車輛能夠更好地理解其周圍環境，包括障礙物的位置、道路邊緣以及地面標線等。通過去除動態物體并利用靜態特征（如地面標線），該技術方案提高了在動態環境下的魯棒性，減少了因環境變化引起的定位誤差。
22、綜上所述，該技術方案通過精確的位姿插補和點云投影，生成包含深度信息的深度圖像信息，從而提高了車輛的定位精度和環境感知能力，同時降低了對高性能硬件的依賴，具有顯著的經濟效益和應用價值。
23、進一步的，所述局部地圖的點云只包含地面的激光點云，所述根據所述相機模塊的內參，將所述局部地圖中的點云數據投影到與圖像數據對應的二維圖像平面上，包括：
24、針對每一個激光點云，首先按照下式對其進行轉換：
25、
26、然后對轉換后的點進行去畸變，實現點云數據的投影，去畸變的過程對應以下公式：
27、
28、其中，k為相機內參矩陣，系數(( k1, k2, k3)為徑向畸變，系數( p1, p2)為切向畸變，x、y是激光點云的坐標， xcorrected、本文檔來自技高網...
【技術保護點】
1.一種基于低算力平臺的車輛定位方法，其特征在于，用于車輛在目標區域的車輛定位，包括以下步驟：
2.根據權利要求1所述的基于低算力平臺的車輛定位方法，其特征在于，所述根據所述車輛的當前幀信息，獲取地圖構建信息，包括：
3.根據權利要求1所述的基于低算力平臺的車輛定位方法，其特征在于，在獲取地圖構建信息之前，所述方法還包括：
4.根據權利要求3所述的基于低算力平臺的車輛定位方法，其特征在于，將所述局部地圖中的點云投影到所述圖像數據的過程包括：
5.根據權利要求4所述的基于低算力平臺的車輛定位方法，其特征在于，所述局部地圖的點云只包含地面的激光點云，所述根據所述相機模塊的內參，將所述局部地圖中的點云數據投影到與圖像數據對應的二維圖像平面上，包括：
6.根據權利要求1所述的基于低算力平臺的車輛定位方法，其特征在于，所述方法還包括：判斷所述車輛的當前工作模式，當前工作模式包括定位模式和建圖模式；
7.根據權利要求1所述的基于低算力平臺的車輛定位方法，其特征在于，所述低算力平臺搭建于所述車輛的車輛控制器上。
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。