自动驾驶车辆的融合定位方法、装置及电子设备与流程

1.本技术涉及自动驾驶技术领域，尤其涉及一种自动驾驶车辆的融合定位方法、装置及电子设备。


背景技术：

2.计算机视觉技术的发展使得自动驾驶车辆可以更多的使用图像中的元素信息进行定位。比如近些年来应用度很高的视觉slam(simultaneous localization and mapping，同步定位与建图)方法，通过提取图像中的特征点并进行特征点跟踪建立点云地图后，再根据建立好的点云地图进行车辆重定位。又比如基于图像中的路面语义元素如车道线、路面箭头、停止线等与高精地图匹配进行定位。两种定位方法都可以在一定程度上弥补因gnss(global navigation satellite system，全球导航卫星系统)等高精定位信号受到干扰而导致定位误差较大的问题，通过给卡尔曼滤波器提供有效的观测信息，防止了自车定位产生较大的累计误差。
3.然而上述方案中至少存在如下问题：
4.1)由于光照、动态物体等影响，基于特征点的视觉slam方法在实际的建图和定位中，很容易造成特征点跟踪丢失，导致无法输出有效的定位信息；
5.2)地图的存储和导入需要占用大量的资源，如果自动驾驶车辆的行驶区域较大，大面积的点云地图往往会存在很大的误差，并且特征点匹配计算会存在不可预估的延迟，因此受限于上述两方面的问题，上述视觉slam方法技术仅适用于低速、封闭场景；
6.3)由于道路中车道线、停止线数量少，而车道线仅能提供横向定位误差的纠正信息，因此，在车速大于一定阈值后，两次相邻的纵向定位结果之间会发生大的跳变，进而影响卡尔曼滤波器输出的定位结果的稳定性。


技术实现要素：

7.本技术实施例提供了一种自动驾驶车辆的融合定位方法、装置及电子设备，以提高自动驾驶车辆定位的稳定性，避免发生定位跳变。
8.本技术实施例采用下述技术方案：
9.第一方面，本技术实施例提供一种自动驾驶车辆的融合定位方法，其中，所述方法包括：
10.在高精定位信号为不可用状态的情况下，获取自动驾驶车辆的当前时刻的融合定位位置，以及下一时刻的航迹推演位置和对应的视觉横向定位误差，所述视觉横向定位误差包括横向位置误差；
11.利用所述横向位置误差对所述下一时刻的航迹推演位置进行校正，得到所述下一时刻的校正后位置；
12.根据所述当前时刻的融合定位位置、所述下一时刻的航迹推演位置和所述下一时刻的校正后位置，对所述下一时刻的校正后位置进行补偿，得到所述下一时刻的补偿后位
置；
13.获取预设车速误差信息，并根据所述预设车速误差信息以及所述当前时刻与所述下一时刻的时间间隔，确定所述下一时刻的补偿后位置对应的置信度；
14.将所述下一时刻的补偿后位置和所述下一时刻的补偿后位置对应的置信度作为观测信息输入到卡尔曼滤波器中进行融合定位，得到所述自动驾驶车辆的下一时刻的融合定位结果。
15.可选地，在在高精定位信号为不可用状态的情况下，获取自动驾驶车辆的当前时刻的融合定位位置，以及下一时刻的航迹推演位置和对应的视觉横向定位误差之前，所述方法还包括：
16.确定所述当前时刻的融合定位位置是否进入预设信号干扰区域；
17.若是，则确定所述高精定位信号为不可用状态；
18.否则，则确定所述高精定位信号为可用状态。
19.可选地，所述在高精定位信号为不可用状态的情况下，获取自动驾驶车辆的当前时刻的融合定位位置，以及下一时刻的航迹推演位置和对应的视觉横向定位误差包括：
20.获取所述自动驾驶车辆对应的当前道路图像；
21.利用预设车道线识别算法对所述当前道路图像进行车道线识别，得到车道线识别结果；
22.获取所述自动驾驶车辆对应的局部高精地图数据，并利用所述局部高精地图数据中的车道线数据和所述车道线识别结果，确定所述视觉横向定位误差。
23.可选地，所述根据所述当前时刻的融合定位位置、所述下一时刻的航迹推演位置和所述下一时刻的校正后位置，对所述下一时刻的校正后位置进行补偿，得到所述下一时刻的补偿后位置包括：
24.确定所述当前时刻的融合定位位置与所述下一时刻的航迹推演位置的距离，作为第一距离，以及确定所述当前时刻的融合定位位置与所述下一时刻的校正后位置的距离，作为第二距离；
25.确定所述第一距离与所述第二距离的差值；
26.根据所述第一距离与所述第二距离的差值，对所述下一时刻的校正后位置进行补偿，得到所述下一时刻的补偿后位置。
27.可选地，所述确定所述当前时刻的融合定位位置与所述下一时刻的航迹推演位置的距离包括：
28.获取所述当前时刻的实际车速和预设车速误差信息；
29.利用所述预设车速误差信息对所述当前时刻的实际车速进行补偿，得到所述当前时刻的补偿后车速；
30.根据所述当前时刻的补偿后车速以及所述当前时刻与下一时刻的时间间隔，确定所述当前时刻与所述下一时刻之间的位移，作为所述当前时刻的融合定位位置与所述下一时刻的航迹推演位置的距离。
31.可选地，所述获取预设车速误差信息包括：
32.在高精定位信号为可用状态的情况下，获取所述自动驾驶车辆的实际车速以及所述卡尔曼滤波器输出的融合后速度；
33.根据所述自动驾驶车辆的实际车速和所述卡尔曼滤波器输出的融合后速度，确定所述预设车速误差信息。
34.可选地，所述视觉横向定位误差还包括航向角误差，所述将所述下一时刻的补偿后位置和所述下一时刻的补偿后位置对应的置信度作为观测信息输入到卡尔曼滤波器中进行融合定位，得到所述自动驾驶车辆的下一时刻的融合定位结果包括：
35.获取下一时刻的补偿后车速；
36.将所述下一时刻的补偿后车速和所述航向角误差，与所述下一时刻的补偿后位置和所述下一时刻的补偿后位置对应的置信度一同作为观测信息输入到所述卡尔曼滤波器中进行融合定位，得到所述自动驾驶车辆的下一时刻的融合定位结果。
37.第二方面，本技术实施例还提供一种自动驾驶车辆的融合定位装置，其中，所述装置包括：
38.获取单元，用于在高精定位信号为不可用状态的情况下，获取自动驾驶车辆的当前时刻的融合定位位置，以及下一时刻的航迹推演位置和对应的视觉横向定位误差，所述视觉横向定位误差包括横向位置误差；
39.校正单元，用于利用所述横向位置误差对所述下一时刻的航迹推演位置进行校正，得到所述下一时刻的校正后位置；
40.补偿单元，用于根据所述当前时刻的融合定位位置、所述下一时刻的航迹推演位置和所述下一时刻的校正后位置，对所述下一时刻的校正后位置进行补偿，得到所述下一时刻的补偿后位置；
41.第一确定单元，用于获取预设车速误差信息，并根据所述预设车速误差信息以及所述当前时刻与所述下一时刻的时间间隔，确定所述下一时刻的补偿后位置对应的置信度；
42.融合定位单元，用于将所述下一时刻的补偿后位置和所述下一时刻的补偿后位置对应的置信度作为观测信息输入到卡尔曼滤波器中进行融合定位，得到所述自动驾驶车辆的下一时刻的融合定位结果。
43.第三方面，本技术实施例还提供一种电子设备，包括：
44.处理器；以及
45.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前述之任一所述方法。
46.第四方面，本技术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前述之任一所述方法。
47.本技术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：本技术实施例的自动驾驶车辆的融合定位方法，先在高精定位信号为不可用状态的情况下，获取自动驾驶车辆的当前时刻的融合定位位置，以及下一时刻的航迹推演位置和对应的视觉横向定位误差，视觉横向定位误差包括横向位置误差；然后利用横向位置误差对下一时刻的航迹推演位置进行校正，得到下一时刻的校正后位置；之后根据当前时刻的融合定位位置、下一时刻的航迹推演位置和下一时刻的校正后位置，对下一时刻的校正后位置进行补偿，得到下一时刻的补偿后位置；再获取预设车速误差信息，并根据预设车速误差信息以及当前时
刻与下一时刻的时间间隔，确定下一时刻的补偿后位置对应的置信度；最后将下一时刻的补偿后位置和下一时刻的补偿后位置对应的置信度作为观测信息输入到卡尔曼滤波器中进行融合定位，得到自动驾驶车辆的下一时刻的融合定位结果。本技术实施例的自动驾驶车辆的融合定位方法基于视觉横向定位误差进行了纵向定位的纠正，在高精定位信号受到干扰的情况下能够给滤波器提供额外的观测输入，保证了滤波器的稳定性，减小了累计定位误差，避免了定位跳变情况的发生。
附图说明
48.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
49.图1为本技术实施例中一种自动驾驶车辆的融合定位方法的流程示意图；
50.图2为本技术实施例中一种对校正后位置进行补偿的示意图；
51.图3为本技术实施例中一种自动驾驶车辆的融合定位装置的结构示意图；
52.图4为本技术实施例中一种电子设备的结构示意图。
具体实施方式
53.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
54.以下结合附图，详细说明本技术各实施例提供的技术方案。
55.本技术实施例提供了一种自动驾驶车辆的融合定位方法，如图1所示，提供了本技术实施例中一种自动驾驶车辆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s150：
56.步骤s110，在高精定位信号为不可用状态的情况下，获取自动驾驶车辆的当前时刻的融合定位位置，以及下一时刻的航迹推演位置和对应的视觉横向定位误差，所述视觉横向定位误差包括横向位置误差。
57.本技术实施例的自动驾驶车辆的融合定位方法主要应用于高精定位信息如gnss信号质量较差的场景，在高精定位信号受到干扰而处于不可用状态的情况下，本技术实施例需要借助视觉技术来实现自动驾驶车辆的融合定位，以保证车辆在一定时间内能够保持稳定行驶。
58.具体地，需要先获取自动驾驶车辆在当前时刻的融合定位位置，这里的融合定位位置可看作是当前时刻已经完成融合处理后的相对准确的位置，由于自动驾驶场景下，往往需要进行车道保持，即保证车辆在车道中心线上行驶，因此当前时刻的融合定位位置就可以看作是位于车道中心线上的位置。
59.此外，为了实现下一时刻的车辆定位，还需要获取车辆在下一时刻的航迹推演位置和对应的视觉横向定位误差，航迹推演位置是根据车辆在当前时刻的位置结合车辆的车速信息等预测出的车辆在下一时刻的位置，视觉横向定位误差指的是车辆在横向上的位姿偏差，具体可以包括车辆相对于车道中心线的位置偏差和角度偏差。
60.步骤s120，利用所述横向位置误差对所述下一时刻的航迹推演位置进行校正，得到所述下一时刻的校正后位置。
61.由于下一时刻的航迹推演位置仅仅是初步预测的结果，存在一定的定位误差，因此需要结合视觉横向定位误差中的横向位置误差对该航迹推演位置在横向上产生的定位误差进行纠正，从而得到下一时刻的校正后位置。
62.步骤s130，根据所述当前时刻的融合定位位置、所述下一时刻的航迹推演位置和所述下一时刻的校正后位置，对所述下一时刻的校正后位置进行补偿，得到所述下一时刻的补偿后位置。
63.上述步骤仅仅完成了对下一时刻的航迹推演位置的横向位置误差的纠正，但在实际定位场景下，该下一时刻的校正后位置还可能存在纵向上的位置误差，即在车辆行驶方向上产生的位置误差，因此本技术实施例基于当前时刻的融合定位位置、下一时刻的航迹推演位置以及利用视觉横向定位误差纠正后的下一时刻的校正后位置，进一步对下一时刻的校正后位置进行了纵向定位误差的补偿和纠正，从而得到下一时刻的补偿后位置。
64.步骤s140，获取预设车速误差信息，并根据所述预设车速误差信息以及所述当前时刻与所述下一时刻的时间间隔，确定所述下一时刻的补偿后位置对应的置信度。
65.上述步骤得到的下一时刻的补偿后位置本身并不必然是可靠的，其可信程度主要受到车速误差的影响，例如，如果车速误差越大，时间间隔越长，那么由此产生的航迹推演位置误差也将越大，导致基于此得到的补偿后位置的置信度也就越低。因此本技术实施例事先确定了车辆的车速误差信息，然后利用预设车速误差信息，结合当前时刻和下一时刻之间的时间间隔，确定出前述步骤得到的下一时刻的补偿后位置的置信度。
66.步骤s150，将所述下一时刻的补偿后位置和所述下一时刻的补偿后位置对应的置信度作为观测信息输入到卡尔曼滤波器中进行融合定位，得到所述自动驾驶车辆的下一时刻的融合定位结果。
67.基于前述步骤得到的下一时刻的补偿后位置和对应的置信度，可以将二者作为额外的观测信息输入到卡尔曼滤波器或者扩展卡尔曼滤波器中进行融合定位处理，由于引入了额外的观测信息，使得卡尔曼滤波器能够输出更加稳定的融合定位结果，实现了自动驾驶车辆在gnss等定位信号受到干扰等情况下的稳定定位，避免了定位跳变的情况发生。
68.本技术实施例的自动驾驶车辆的融合定位方法基于视觉横向定位误差进行了纵向定位的纠正，在高精定位信号受到干扰的情况下能够给滤波器提供额外的观测输入，保证了滤波器的稳定性，减小了累计定位误差，避免了定位跳变情况的发生。
69.在本技术的一个实施例中，在在高精定位信号为不可用状态的情况下，获取自动驾驶车辆的当前时刻的融合定位位置，以及下一时刻的航迹推演位置和对应的视觉横向定位误差之前，所述方法还包括：确定所述当前时刻的融合定位位置是否进入预设信号干扰区域；若是，则确定所述高精定位信号为不可用状态；否则，则确定所述高精定位信号为可用状态。
70.本技术实施例在确定高精定位信号是否处于不可用状态时，可以事先确定出高精定位信号容易受到干扰或者质量较差的位置区域，例如，在自动驾驶车辆驶入盘桥、隧道等区域时，gnss定位信号较容易受到干扰，此时gnss定位信号处于不可用状态，需要借助视觉等其他定位技术来辅助定位。
71.基于此，本技术实施例可以将这些实际信号受干扰的区域作为判断gnss定位信号是否处于不可用状态的依据，例如可以预先在地图上设置信号干扰区域的进出位置点，当自动驾驶车辆的当前位置位于信号干扰区域的进出位置点之间时，可以认为此时的gnss定位信号为不可用状态，此种方式相比于基于gnss定位信号本身的状态来判断信号质量好坏的方式来说，能够防止仅依靠gnss信号本身判断带来的错误，更加准确、可靠。
72.在本技术的一个实施例中，所述在高精定位信号为不可用状态的情况下，获取自动驾驶车辆的当前时刻的融合定位位置，以及下一时刻的航迹推演位置和对应的视觉横向定位误差包括：获取所述自动驾驶车辆对应的当前道路图像；利用预设车道线识别算法对所述当前道路图像进行车道线识别，得到车道线识别结果；获取所述自动驾驶车辆对应的局部高精地图数据，并利用所述局部高精地图数据中的车道线数据和所述车道线识别结果，确定所述视觉横向定位误差。
73.本技术实施例在获取下一时刻的航迹推演位置对应的视觉横向定位误差时，可以先获取自动驾驶车辆对应的当前道路图像，然后利用预设车道线识别算法对当前道路图像中的车道线进行识别，得到车道线识别结果，预设车道线识别算法可以基于现有的卷积神经网络模型如lanenet训练得到，当然本领域技术人员也可以根据实际需求灵活选择其他模型，在此不作具体限定。
74.之后，可以结合自动驾驶车辆的当前定位获取自动驾驶车辆对应的局部高精地图数据，局部高精地图数据中提供了高精度的车道结构化信息，因此可以将车道线识别模型识别到的车道线与局部高精地图数据中对应的车道线进行比较，包括位置偏差和角度偏差的计算等，从而得到视觉定位算法在横向上的定位误差。
75.在本技术的一个实施例中，所述根据所述当前时刻的融合定位位置、所述下一时刻的航迹推演位置和所述下一时刻的校正后位置，对所述下一时刻的校正后位置进行补偿，得到所述下一时刻的补偿后位置包括：确定所述当前时刻的融合定位位置与所述下一时刻的航迹推演位置的距离，作为第一距离，以及确定所述当前时刻的融合定位位置与所述下一时刻的校正后位置的距离，作为第二距离；确定所述第一距离与所述第二距离的差值；根据所述第一距离与所述第二距离的差值，对所述下一时刻的校正后位置进行补偿，得到所述下一时刻的补偿后位置。
76.为了便于对本技术实施例的理解，如图2所示，提供了本技术实施例中一种对校正后位置进行补偿的示意图。这里主要涉及当前时刻的融合定位位置pk(标记为位置点a)、下一时刻的航迹推演位置p
k+1predict
(标记为位置点b)和下一时刻的校正后位置p
k+1vision
(标记为位置点c)三个位置点，由于当前时刻的融合定位位置已经是经过卡尔曼滤波融合处理后的定位结果，因此位置点a位于车道中心线上，而下一时刻的校正后位置由于经过了横向位置误差的校正，因此位置点c同样也位于车道中心线上，那么这三个位置点a、b、c相互之间进行连线之后将构成一个直角三角形，其中，位置点a到位置点c的连线，以及位置点b到位置点c的连线为两条直角边，位置点a到位置点b的连线为斜边。
77.根据毕达哥拉斯定理可知，斜边始终大于直角边，那么位置点a到位置点b的连线pkp
k+1predict
将始终大于位置点a到位置点c的连线pkp
k+1vision
，也即本技术实施例的第一距离大于第二距离，那么二者的差值将始终大于0，因此纵向定位误差的补偿值为正值。当视觉横向定位误差越大时，即位置点b到位置点c的距离越大，那么斜边也将越大，由此导致上述
计算得到的补偿值也将越大，即纵向定位误差也越大。
78.因此，本技术实施例通过视觉横向定位误差实现了对纵向定位误差的估算，并根据估算值对纵向定位误差进行了补偿，避免了由于gnss等高精定位信号的丢失或者受干扰而导致定位跳变等现象的出现，提高了自动驾驶车辆的定位稳定性。
79.在本技术的一个实施例中，所述确定所述当前时刻的融合定位位置与所述下一时刻的航迹推演位置的距离包括：获取所述当前时刻的实际车速和预设车速误差信息；利用所述预设车速误差信息对所述当前时刻的实际车速进行补偿，得到所述当前时刻的补偿后车速；根据所述当前时刻的补偿后车速以及所述当前时刻与下一时刻的时间间隔，确定所述当前时刻与所述下一时刻之间的位移，作为所述当前时刻的融合定位位置与所述下一时刻的航迹推演位置的距离。
80.本技术实施例在确定当前时刻的融合定位位置与下一时刻的航迹推演位置的距离时，可以采用航迹推演算法来计算，航迹推演算法主要基于当前时刻的车辆位置和车速信息等来预测车辆在下一时刻的位置，由于车速存在一定误差，因此可以利用事先确定的车速误差信息来对车辆当前时刻的实际车速进行误差补偿，得到补偿后车速，之后再结合两个时刻之间的时间间隔计算得到上述当前时刻的融合定位位置与下一时刻的航迹推演位置之间的距离。
81.在本技术的一个实施例中，所述获取预设车速误差信息包括：在高精定位信号为可用状态的情况下，获取所述自动驾驶车辆的实际车速以及所述卡尔曼滤波器输出的融合后速度；根据所述自动驾驶车辆的实际车速和所述卡尔曼滤波器输出的融合后速度，确定所述预设车速误差信息。
82.本技术实施例在确定预设车速误差信息时，可以在gnss定位信号处于可用状态的情况下来确定，先获取自动驾驶车辆的实际车速和对应时刻的卡尔曼滤波器输出的融合后速度，实际车速即指实际获取的底盘车速，卡尔曼滤波器输出的融合后速度可以看作是相对精准的速度，因此通过将实际车速与融合后的速度相比较，即可以得到实际车速对应的车速误差，由于实际车速可能在一定范围内波动，因此这里计算得到的车速误差可以是一个车速误差区间，使用误差区间替代一个误差值，可以为位置的置信度的计算提供依据。
83.本技术实施例在计算车速误差时具体可以采用两种方式，一种方式可以是绝对误差，即将实际车速与对应的融合后速度直接作差，另一种方式是比例误差，即将实际车速与对应的融合后速度作差后再除以融合后速度。当然，具体采用哪种方式来计算车速误差，本领域技术人员可以根据车辆的实际情况自适应选择，在此不作具体限定。
84.在本技术的一个实施例中，所述视觉横向定位误差还包括航向角误差，所述将所述下一时刻的补偿后位置和所述下一时刻的补偿后位置对应的置信度作为观测信息输入到卡尔曼滤波器中进行融合定位，得到所述自动驾驶车辆的下一时刻的融合定位结果包括：获取下一时刻的补偿后车速；将所述下一时刻的补偿后车速和所述航向角误差，与所述下一时刻的补偿后位置和所述下一时刻的补偿后位置对应的置信度一同作为观测信息输入到所述卡尔曼滤波器中进行融合定位，得到所述自动驾驶车辆的下一时刻的融合定位结果。
85.本技术实施例的视觉横向定位误差除了包括横向位置误差，还包括航向角误差，为了给卡尔曼滤波器提供更多的观测信息，本技术实施例可以将航向角误差以及补偿后车
速等也作为额外的观测值一起输入到卡尔曼滤波器中进行融合定位，从而进一步提高卡尔曼滤波器的定位稳定性。
86.本技术的自动驾驶车辆的融合定位方法利用视觉横向定位误差的校正结果进一步进行了纵向位置的纠正，并利用车速误差信息进行了置信度的计算，在gnss信号受到干扰的情况下(无论时间长短)，将纵向纠正后的位置和对应的置信度作为额外的观测信息输入到卡尔曼滤波器中进行融合定位，保证了卡尔曼滤波器的定位稳定性，同时减小了累计误差，防止了定位跳变。
87.本技术实施例还提供了一种自动驾驶车辆的融合定位装置300，如图3所示，提供了本技术实施例中一种自动驾驶车辆的融合定位装置的结构示意图，所述装置至少包括：获取单元310、校正单元320、补偿单元330、第一确定单元340以及融合定位单元350，其中：
88.获取单元310，用于在高精定位信号为不可用状态的情况下，获取自动驾驶车辆的当前时刻的融合定位位置，以及下一时刻的航迹推演位置和对应的视觉横向定位误差，所述视觉横向定位误差包括横向位置误差；
89.校正单元320，用于利用所述横向位置误差对所述下一时刻的航迹推演位置进行校正，得到所述下一时刻的校正后位置；
90.补偿单元330，用于根据所述当前时刻的融合定位位置、所述下一时刻的航迹推演位置和所述下一时刻的校正后位置，对所述下一时刻的校正后位置进行补偿，得到所述下一时刻的补偿后位置；
91.第一确定单元340，用于获取预设车速误差信息，并根据所述预设车速误差信息以及所述当前时刻与所述下一时刻的时间间隔，确定所述下一时刻的补偿后位置对应的置信度；
92.融合定位单元350，用于将所述下一时刻的补偿后位置和所述下一时刻的补偿后位置对应的置信度作为观测信息输入到卡尔曼滤波器中进行融合定位，得到所述自动驾驶车辆的下一时刻的融合定位结果。
93.在本技术的一个实施例中，所述装置还包括：第二确定单元，用于确定所述当前时刻的融合定位位置是否进入预设信号干扰区域；若是，则确定所述高精定位信号为不可用状态；否则，则确定所述高精定位信号为可用状态。
94.在本技术的一个实施例中，所述获取单元310具体用于：获取所述自动驾驶车辆对应的当前道路图像；利用预设车道线识别算法对所述当前道路图像进行车道线识别，得到车道线识别结果；获取所述自动驾驶车辆对应的局部高精地图数据，并利用所述局部高精地图数据中的车道线数据和所述车道线识别结果，确定所述视觉横向定位误差。
95.在本技术的一个实施例中，所述补偿单元330具体用于：确定所述当前时刻的融合定位位置与所述下一时刻的航迹推演位置的距离，作为第一距离，以及确定所述当前时刻的融合定位位置与所述下一时刻的校正后位置的距离，作为第二距离；确定所述第一距离与所述第二距离的差值；根据所述第一距离与所述第二距离的差值，对所述下一时刻的校正后位置进行补偿，得到所述下一时刻的补偿后位置。
96.在本技术的一个实施例中，所述补偿单元330具体用于：获取所述当前时刻的实际车速和预设车速误差信息；利用所述预设车速误差信息对所述当前时刻的实际车速进行补偿，得到所述当前时刻的补偿后车速；根据所述当前时刻的补偿后车速以及所述当前时刻
与下一时刻的时间间隔，确定所述当前时刻与所述下一时刻之间的位移，作为所述当前时刻的融合定位位置与所述下一时刻的航迹推演位置的距离。
97.在本技术的一个实施例中，所述第一确定单元340具体用于：在高精定位信号为可用状态的情况下，获取所述自动驾驶车辆的实际车速以及所述卡尔曼滤波器输出的融合后速度；根据所述自动驾驶车辆的实际车速和所述卡尔曼滤波器输出的融合后速度，确定所述预设车速误差信息。
98.在本技术的一个实施例中，所述视觉横向定位误差还包括航向角误差，所述融合定位单元350具体用于：获取下一时刻的补偿后车速；将所述下一时刻的补偿后车速和所述航向角误差，与所述下一时刻的补偿后位置和所述下一时刻的补偿后位置对应的置信度一同作为观测信息输入到所述卡尔曼滤波器中进行融合定位，得到所述自动驾驶车辆的下一时刻的融合定位结果。
99.能够理解，上述自动驾驶车辆的融合定位装置，能够实现前述实施例中提供的自动驾驶车辆的融合定位方法的各个步骤，关于自动驾驶车辆的融合定位方法的相关阐释均适用于自动驾驶车辆的融合定位装置，此处不再赘述。
100.图4是本技术的一个实施例电子设备的结构示意图。请参考图4，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。
101.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4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。
102.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。
103.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，在逻辑层面上形成自动驾驶车辆的融合定位装置。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：
104.在高精定位信号为不可用状态的情况下，获取自动驾驶车辆的当前时刻的融合定位位置，以及下一时刻的航迹推演位置和对应的视觉横向定位误差，所述视觉横向定位误差包括横向位置误差；
105.利用所述横向位置误差对所述下一时刻的航迹推演位置进行校正，得到所述下一时刻的校正后位置；
106.根据所述当前时刻的融合定位位置、所述下一时刻的航迹推演位置和所述下一时刻的校正后位置，对所述下一时刻的校正后位置进行补偿，得到所述下一时刻的补偿后位置；
107.获取预设车速误差信息，并根据所述预设车速误差信息以及所述当前时刻与所述
下一时刻的时间间隔，确定所述下一时刻的补偿后位置对应的置信度；
108.将所述下一时刻的补偿后位置和所述下一时刻的补偿后位置对应的置信度作为观测信息输入到卡尔曼滤波器中进行融合定位，得到所述自动驾驶车辆的下一时刻的融合定位结果。
109.上述如本技术图1所示实施例揭示的自动驾驶车辆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技术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。结合本技术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。
110.该电子设备还可执行图1中自动驾驶车辆的融合定位装置执行的方法，并实现自动驾驶车辆的融合定位装置在图1所示实施例的功能，本技术实施例在此不再赘述。
111.本技术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所示实施例中自动驾驶车辆的融合定位装置执行的方法，并具体用于执行：
112.在高精定位信号为不可用状态的情况下，获取自动驾驶车辆的当前时刻的融合定位位置，以及下一时刻的航迹推演位置和对应的视觉横向定位误差，所述视觉横向定位误差包括横向位置误差；
113.利用所述横向位置误差对所述下一时刻的航迹推演位置进行校正，得到所述下一时刻的校正后位置；
114.根据所述当前时刻的融合定位位置、所述下一时刻的航迹推演位置和所述下一时刻的校正后位置，对所述下一时刻的校正后位置进行补偿，得到所述下一时刻的补偿后位置；
115.获取预设车速误差信息，并根据所述预设车速误差信息以及所述当前时刻与所述下一时刻的时间间隔，确定所述下一时刻的补偿后位置对应的置信度；
116.将所述下一时刻的补偿后位置和所述下一时刻的补偿后位置对应的置信度作为观测信息输入到卡尔曼滤波器中进行融合定位，得到所述自动驾驶车辆的下一时刻的融合定位结果。
117.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。
118.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。
119.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。
120.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。
121.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。
122.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。
123.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。
124.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。
125.本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术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，本技术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。
126.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。