对自定位初始化的初始自我姿态进行确定的方法和系统与流程

1.本公开涉及对例如车辆的自定位初始化的初始自我姿态进行确定的方法和系统。


背景技术：

2.自定位是许多自主驾驶应用中的最重要部分。有多种方法来解决自我定位问题，诸如使用全球导航卫星系统(gnss)、航位推算法或者同步定位与地图构建(slam)法。
3.可以将自定位问题分类成局部自定位和全局自定位这两大组。
4.如果初始自我姿态是未知的，那么可以执行全局自定位。假设已知的初始自我姿态会导致局部自定位。例如，如果gnss信号不可用，那么必须使用其它手段来确定初始姿态。
5.因此，需要提供即使gnss信号不可用时也能对车辆的初始姿态进行确定的有效且可靠的方法。


技术实现要素：

6.本公开提供了一种计算机实现的方法、计算机系统、车辆以及非暂时性计算机可读介质。
7.在一个方面，本公开致力于一种对自我定位初始化的初始自我姿态进行确定的计算机实现的方法，所述方法包括由计算机硬件组件执行(换句话说：实现)的以下步骤：在地图中设置多个粒子；将所述粒子分组成多个聚类；针对所述聚类中的各个聚类单独执行粒子过滤；以及基于所述粒子过滤来确定初始自我姿态。
8.换句话说，可以执行聚类并行过滤，以保持所有聚类被作为单独的过滤器并行地跟踪和处理，直到过滤器收敛(通过监测过滤器参数来识别)。这可以避免过滤器发散，并且可以消除对粒子注入的需要。
9.根据另一方面，所述粒子过滤的步骤是单独针对所述聚类中的各个聚类并行地执行的。可以将并行执行粒子过滤理解为同时使用至少一些计算资源来对所述聚类中的两个或多个聚类进行粒子过滤。
10.根据另一方面，所述多个粒子是基于所述地图上的随机分布和/或所述自我姿态的估计中的至少一项来设置的。
11.如果没有自我姿态的信息可用，则可以在地图上提供随机分布。否则，可以使用更专注于自我姿态的估计的分布。
12.根据另一方面，执行所述粒子过滤的步骤包括：样本分配、预测、更新以及重采样。通过预测所述粒子，可以确定所述粒子中的各个粒子在下一时间步中的位置。通过更新，在考虑所述地图和传感器观察结果的情况下对样本进行加权。通过重采样，可以针对后续时间步，用合适的样本(换句话说：粒子)集合来表示所述粒子的位置。
13.根据另一方面，所述粒子是基于潜在聚类中的粒子的数量来被分组成所述多个聚类的。例如，可以重复地(或迭代地)执行聚类，直到潜在聚类中的粒子的数量满足预定标准
为止，例如，直到所述聚类中的各个聚类中的粒子的数量高于预定阈值为止(换句话说：直到各个聚类至少包括预定数量的粒子为止)。
14.根据另一方面，所述粒子是基于潜在聚类的数量来被分组成所述多个聚类的。例如，可以重复地(或迭代地)执行聚类，直到所述聚类的数量满足预定标准为止，例如，直到所述聚类的数量低于预定阈值为止。
15.根据另一方面，所述计算机实现方法还包括由所述计算机硬件组件执行的以下步骤：如果一聚类处于关注区之外，则排除(exhausting)该聚类。例如，如果聚类处于所述地图之外，则可以排除该聚类(换句话说：可以从考虑中删除或者去除该聚类和该聚类的粒子)。
16.根据另一方面，所述计算机实现方法还包括由所述计算机硬件组件执行的以下步骤：如果一聚类的一粒子处于关注区之外，则排除该粒子。例如，如果聚类的粒子处于所述地图之外，则可以排除这些粒子(换句话说：从考虑中删除或去除)。
17.根据另一方面，所述计算机实现方法还包括由所述计算机硬件组件执行的以下步骤：接收从车辆的传感器系统的至少一个发射器发射并且在所述车辆附近朝着所述传感器系统反射的电磁辐射。例如，所述传感器系统可以包括雷达传感器和/或lidar传感器和/或红外传感器。
18.根据另一方面，所述粒子过滤的步骤是基于接收到的电磁辐射并且基于所述地图来执行的。作为例示，通过根据对基于电磁辐射获得的信息(例如，距离和/或角度信息)与有关所述地图中表示的静态对象的信息的比较来执行加权(更新)处理，可以获得所述位置的估计。
19.根据另一方面，基于聚类的数量的预定数量阈值和聚类的相应空间大小的预定大小阈值中的至少一项来确定初始自我位置。例如，如果仅剩下一个聚类，则该聚类可被视为表示初始自我位置。
20.根据另一方面，所述初始自我位置是基于熵来确定的，所述熵是以基于二元网格进行监测为基础的。
21.在另一方面，本公开致力于一种计算机系统，所述计算机系统包括多个计算机硬件组件，所述多个计算机硬件组件被配置成执行本文所描述的计算机实现方法的若干或所有步骤。所述计算机系统可以是车辆的一部分。
22.所述计算机系统可以包括多个计算机硬件组件(例如，处理单元、至少一个存储器单元以及至少一个非暂时性数据存储部)。应理解，可以提供进一步的计算机硬件组件并用于在所述计算机系统中执行所述计算机实现方法的步骤。所述非暂时性数据存储部和/或存储器单元可以包含计算机程序，所述计算机程序用于指示所述计算机例如使用所述处理单元和所述至少一个存储器单元来执行本文所描述的计算机实现方法的若干或所有步骤或各方面。
23.在另一方面，本公开致力于一种车辆，所述车辆配备有：传感器系统，所述传感器系统适配为接收从传感器系统的至少一个发射器发射并且在所述车辆附近朝着所述传感器系统反射的电磁辐射；以及对车辆的自定位初始化的初始自我姿态进行确定的计算机系统，例如，如上所述的计算机系统。
24.在另一方面，本公开致力于一种非暂时性计算机可读介质，所述非暂时性计算机
可读介质包括用于执行本文所描述的计算机实现方法的若干或所有步骤或各方面的指令。所述计算机可读介质可以被配置为：诸如光盘或数字通用盘(dvd)的光学介质；诸如硬盘驱动器(hdd)的磁介质；固态驱动器(ssd)；诸如闪速存储器的只读存储器(rom)；等等。而且，所述计算机可读介质可以被配置为能经由诸如互联网连接的数据连接来访问的数据存储部。所述计算机可读介质例如可以是在线数据存储库或云存储。
25.本公开还致力于一种计算机程序，所述计算机程序用于指令计算机执行本文所描述的计算机实现方法的若干或所有步骤或各方面。
附图说明
26.本文接合以下附图，对本公开的示例实施方式和功能进行描述：
27.图1示意性地示出了根据各种实施方式的具有粒子的地图的粒子聚类的例示图；
28.图2示意性地示出了根据各种实施方式的聚类并行过滤的例示图；
29.图3示意性地示出了作为根据各种实施方式的并行过滤的示例，在具有三个生成的聚类的停车场中，根据各种实施方式的利用粒子过滤进行自我姿态初始化的场景的例示图；
30.图4示意性地示出了根据各种实施方式的在聚类处理之后基于三个生成的聚类的有效样本大小和熵信息对三个聚类进行监测的例示图；
31.图5示意性地示出了例示根据各种实施方式的确定自定位初始化的初始自我姿态的方法的流程图。
具体实施方式
32.根据各种实施方式，可以使用地图来找到车辆的初始姿态，即，车辆开始移动的地方。例如，地图可以是openstreetmap和/或占用栅格地图。该地图可以包括有关静态对象(诸如墙壁、柱子、枝条(tress)、房屋或护栏)的信息。可以在离散网格上提供由地图指示的信息(因此该地图也可以被称为网格)。可以使用粒子过滤来找到车辆的初始姿态。可以将地图输入到粒子过滤器中，然后可以将过滤器初始化。初始化处理可以是整个区域中的样本(换句话说：粒子)的分配，在该区域中，初始自我姿态是未知的。虽然在理论上该区域可能是整个世界，但是通常可以获得一些有关初始自我姿态的粗略信息，诸如“车辆在停车场”或“车辆在城市中的这个区域”。
33.基于该初始粗略信息，可以在该区域的地图内分配样本，并且可以执行粒子过滤。粒子过滤可以具有以下步骤：过滤器初始化(换句话说：样本分配(sample distribution))、预测、更新(换句话说：加权)以及重采样，如同下面更详细描述的那样。
34.在初始化之后，可以基于车辆移动信息(例如，偏航率和速度)以及车辆模型来对各个粒子的移动进行预测。基于更新的样本姿态，可以基于传感器观测结果(例如，雷达、摄像机或lidar)与地图之间的比较来对各个样本进行加权。由于这种加权，一些样本可以得到比其它样本高的权重。具有较高权重的粒子对其它样本的支配可能会导致被称为“简并性(degeneracy)”的问题。为了避免这个问题，可以执行重采样，以将样本集中至样本权重较高的区域，这是因为车辆更可能位于这些区域。在经过一些采样时间之后，粒子会更集中在一个区域中，并认为已找到初始自我姿态。可以由用户来定义被识别区域的大小，例如，
用户可以为了初始化成功而定义5m2的区域。如果所有粒子都集中在小于或等于该值的区域中，则可以认为已完成了初始化的过滤处理。
35.然而，一些因素可能导致过滤问题，甚或导致过滤器发散，这意味着过滤器收敛至错误的初始姿态。在过滤处理期间中可能会面临的一些常见问题是贫化(impoverishment)(这是指小区域中粒子的快速且高度集中)、简并性(这是指许多样本的权重接近零的情形，使得样本权重之间会有很大的差异)或者过滤器发散(这是指过滤器的完全发散，使得初始化失败)。
36.粒子发散的来源可能是稀疏且嘈杂的测量结果，例如在使用雷达的情况下，当观测结果是稀疏的时候。
37.为了避免粒子过滤器发散，可以使用诸如基于不同传感器系统的粒子注入的策略，例如基于雷达、lidar、摄像机或这些传感器的组合。如果识别出发散，则将新粒子注入整个初始化区域的过滤器中。然而，在整个初始化区域的过滤器中的这种粒子注入被认为是应被避免的过滤器重置。
38.根据各种实施方式，可以应用粒子聚类，这可以克服在嘈杂和稀疏的测量结果或不准确的地图的情况下粒子过滤的发散问题。可以在整个区域上以预定分辨率提供二元网格。可以在各个采样时间内对所有粒子执行二元聚类。可以考虑样本数量超过预定阈值的聚类。聚类的数量也可以具有阈值，并且如果聚类的数量达到该阈值，则可以并行跟踪聚类，下面将对其进行更详细说明。所有的聚类可以表示直到聚类时间为止的根据测量结果的自我姿态的概率较高的地图区域。
39.图1示出了根据各种实施方式的具有粒子的地图102的粒子聚类以及针对具有几个障碍物112(例如，墙壁)的示例场景所生成的聚类106、108、110以便提供聚类的地图104的例示图100。
40.可以利用二元网格(例如，其中在x方向上的分辨率为10cm，在y方向上的分辨率为10cm)来对地图102的粒子进行聚类。可以在聚类处理之后生成三个聚类106、108、110。各个聚类皆被视为单独的粒子过滤器并加以处理。仅考虑聚类中的粒子，并且粒子过滤不考虑未被包括在任何聚类中的粒子。
41.可以通过有效样本大小和熵来连续监测各个聚类。考虑到所有聚类，如果一个聚类的有效样本大小和熵满足特定条件，则将粒子过滤器初始化并且消除其它聚类。
42.根据各种实施方式，基于聚类，可以提供聚类并行过滤(用于所有聚类的并行处理)。在聚类达到等于或小于阈值的特定数量之后，可以单独地处理各个聚类。
43.图2示出了根据各种实施方式的聚类并行过滤的例示图200。左侧地图202的聚类(在进行聚类时)可以被独立地处理并更新，以便达到右侧地图204的聚类(在利用运动模型更新聚类之后)。作为单独的过滤器，各个粒子聚类的分布可能会随时间而改变。
44.左侧地图202的不同的聚类中的各个聚类可以在所跟踪的轨迹内被独立地处理。可以使用运动参数和车辆模型来跟踪聚类粒子。聚类大小和粒子的数量可以根据重采样方法发生改变。右侧地图204例示了在一些采样时间内进行处理之后的聚类。
45.根据各种实施方式，所有的过滤处理(预测、更新、重采样)可以针对各个聚类独立于其它聚类来执行。移动到有效区域之外的聚类可以不再加以考虑，并且可以使这样的聚类无效(extinguished)。有效的聚类(在搜索置信度的有效区域中)可以通过这些有效聚类
在各个采样时间内的有效样本大小和熵来进行监测。对于聚类i，如果满足以下条件，则过滤器可以收敛：
46.ess(c
i
)>k1ss(c
i
)
47.ess(c
i
)>k2ess(c
j
)，
48.其中，ss可以是样本大小，ess可以是有效样本大小，k1和k2可以是阈值，1<i,j<n
clusters
，并且n
clusters
可以是聚类的数量。
49.利用根据各种实施方式的聚类并行过滤方法，可以以计算上高效的方式来避免发散。不是将样本添加至过滤器，而是该策略可能仅仅是保持以下样本：该样本表示具有针对自我姿态的置信度的高概率的区域。如上所述，不是将聚类作为一个粒子过滤器来处理的，而是可以单独处理各个聚类(例如，并行地)。按这种方式，未向过滤处理增加额外的计算时间，并且可能不需要过滤器重置。
50.图3示出了作为根据各种实施方式的并行过滤的示例，在具有三个生成的聚类(表示为“1”、“2”以及“3”)的停车场中，根据各种实施方式的利用粒子过滤进行自我姿态初始化的场景的例示图300。
51.图4示出了根据各种实施方式的在聚类处理之后基于三个所生成的聚类的的有效样本大小和熵信息对三个聚类进行监测的例示图400。如果一个聚类满足预定义的收敛条件，则将过滤器成功地初始化。作为示例，图4例示了针对图3的场景的聚类并行过滤的结果。图4的顶部将最大熵示出为实线，并且将熵示出为虚线。实线402表示第一聚类的最大熵，实线404表示第二聚类的最大熵，实线406表示第三聚类的最大熵，虚线408表示第一聚类的熵，虚线410表示第二聚类的熵，并且虚线412表示第三聚类的熵。
52.图4的底部将有效样本大小示出为实线，将样本大小示出为虚线。实线414表示第一聚类的有效样本大小，实线416表示第二聚类的有效样本大小，实线418表示第三聚类的有效样本大小，虚线420表示第一聚类的样本大小，虚线422表示第二聚类的样本大小，并且虚线424表示第三聚类的样本大小。
53.停车场的对称形式以及因此在地图的相对侧的观测结果的不明确性对粒子过滤提出了重大挑战。对称性导致聚类在重采样处理内得以幸存，这在图4中也可观察到。随着第一聚类从时间11s朝地图边界移动，该第一聚类的有效样本大小会随时间不断减小。由于第二聚类和第三聚类的有关在停车场两个转角的观测结果的相似性，因此它们的样本在10.7s到10.8s之间的时间内获得几乎相同的权重。随着从地图的右下角开始更密集的测量，对于第二聚类，观察到有效的样本大小增加。
54.图5示出了例示根据各种实施方式的确定自定位初始化的初始自我姿态的方法的流程图500。在502，可以在地图中设置多个粒子。在504，可以将粒子分组成多个聚类。在506，可以针对所述聚类中的各个聚类单独地执行粒子过滤。在508，基于粒子过滤，可以确定初始自我姿态。
55.根据各种实施方式，可以针对所述聚类中的各个聚类并行地单独执行粒子过滤。
56.根据各种实施方式，所述多个粒子可以是基于地图上的随机分布和自我姿态的估计中的至少一项来设置的。
57.根据各种实施方式，执行粒子过滤的步骤可以包括：样本分配、预测、更新以及重采样。
58.根据各种实施方式，所述粒子可以是基于潜在聚类中的粒子的数量和潜在聚类的数量中的至少一项被分组成所述多个聚类的。
59.根据各种实施方式，如果聚类处于关注区之外，则可以排除该聚类。根据各种实施方式，如果聚类的粒子处于关注区之外，则可以排除所述粒子。
60.根据各种实施方式，可以接收从车辆的传感器系统的至少一个发射器发射并且在该车辆附近朝着该传感器系统反射的电磁辐射。
61.根据各种实施方式，粒子过滤的步骤可以是基于所接收到的电磁辐射并且基于地图来执行的。
62.根据各种实施方式，可以基于聚类的数量的预定数量阈值和聚类的相应空间大小的预定大小阈值中的至少一项来确定初始自我位置。
63.根据各种实施方式，所述初始自我位置可以基于熵来确定，所述熵是以基于二元网格进行监测为基础的。
64.上述步骤502、504、506、508以及进一步的步骤中的各个步骤可以由计算机硬件组件来执行。
65.应理解，不应将根据各种实施方式的单独(或并行)过滤与文献中的并行过滤实现相混淆，其中在软件中将粒子过滤器并行化，以使用处理器的全部功能或者将粒子过滤器映射到图形处理单元(gpu)上，并且这是一种通过并行实现来加速过滤处理的实现方法。
66.标号列表
67.100
ꢀꢀ
粒子聚类的例示图
68.102
ꢀꢀ
地图
69.104
ꢀꢀ
聚类的地图
70.106
ꢀꢀ
聚类
71.108
ꢀꢀ
聚类
72.110
ꢀꢀ
聚类
73.112
ꢀꢀ
障碍物
74.200
ꢀꢀ
根据各种实施方式的聚类并行过滤的例示图
75.202
ꢀꢀ
按聚类时间的地图
76.204
ꢀꢀ
在利用运动模型对聚类进行更新之后的地图
77.300
ꢀꢀ
根据各种实施方式的利用粒子过滤进行自我姿态初始化的场景的例示图
78.400
ꢀꢀ
根据各种实施方式的在聚类处理之后基于三个所生成的聚类的的有效样本大小和熵信息对三个聚类进行监测的例示图
79.402
ꢀꢀ
表示第一聚类的最大熵的实线
80.404
ꢀꢀ
表示第二聚类的最大熵的实线
81.406
ꢀꢀ
表示第三聚类的最大熵的实线
82.408
ꢀꢀ
表示第一聚类的熵的虚线
83.410
ꢀꢀ
表示第二聚类的熵的虚线
84.412
ꢀꢀ
表示第三聚类的熵的虚线
85.414
ꢀꢀ
表示第一聚类的有效样本大小的实线
86.416
ꢀꢀ
表示第二聚类的有效样本大小的实线
87.418
ꢀꢀ
表示第三聚类的有效样本大小的实线
88.420
ꢀꢀ
表示第一聚类的样本大小的虚线
89.422
ꢀꢀ
表示第二聚类的样本大小的虚线
90.424
ꢀꢀ
表示第三聚类的样本大小的虚线
91.500
ꢀꢀ
例示根据各种实施方式的确定自定位初始化的初始自我姿态的方法的流程图
92.502
ꢀꢀ
在地图中设置多个粒子的步骤
93.504
ꢀꢀ
将粒子进行分组的步骤
94.506
ꢀꢀ
针对所述聚类中的各个聚类单独执行粒子过滤的步骤
95.508
ꢀꢀ
对初始自我姿态进行确定的步骤