一种车辆定位方法、装置及电子设备

本发明涉及自动驾驶领域，具体涉及一种车辆定位方法、装置及电子设备。

背景技术：

自动驾驶车辆一般承载gps，相机，雷达，imu等传感器模块用于定位，不同的传感器为车辆提供不同的定位信息，自动驾驶车辆根据定位信息执行相应的自动驾驶操作。现有的基于单一传感器自动驾驶车载定位包括：gps定位，视觉定位，imu定位，雷达定位等。gps定位是最传统的定位方式，也是最简单直接的定位方式，通过基站解算卫星系统对车辆定位信号，然后将定位信息的反馈给车辆，这种定位方式能够直接得到车辆的绝对位置，但是在城市峡谷环境中存在多径效应，会影响车辆定位精度。视觉定位是目前热门的定位方式，通过相机得到车辆附近的信息，然后通过场景重建和语义理解得到车辆位置信息，和gps信息相比，定位精度有明显上升，并且由于车载相机系统能够有效利用车载场景信息，定位不确定性也会有较大程度改善。但是视觉定位依赖算法的处理精度和速度，并且由于提供位置信息依赖场景，对于相似场景下的定位准确性有较大程度下降。imu定位常用于辅助定位，由于imu中的陀螺仪和加速度计信息需要进行积分的方式换算为位置信息，所以imu定位常与视觉和gps定位进行融合，优点在于不受环境天气以及场景因素的影响，缺点在于存在随着时间累积增加的误差。雷达定位常用于短距离特殊场景定位，由于雷达定位准确性高，穿透力强，不易收到环境因素的影响，被广泛用于中高档车辆进行定位。在地下车库等环境中，由于视觉和gps定位会受到较大的影响。雷达定位发挥较大作用，但是雷达定位不能用于长距离，并且成本较高。所以一般辅助其他传感器进行定位。

为了改善利用单一传感器定位造成的缺陷，提高定位准确性，相关技术中提出了多传感器融合的技术方案，也即通过gps，相机和imu等不同源传感器得到车辆的位姿信息(包括位置和方向)，然而，同时融合多种传感器数据，对车辆算力是一种极大的负担。

技术实现要素：

有鉴于此，本发明实施例提供了一种车辆定位方法、装置及电子设备，以解决现有技术中车辆定位时算力消耗大的缺陷。

根据第一方面，本发明实施例提供一种车辆定位方法，包括如下步骤：获取第一传感器数据；根据第一传感器数据，得到第一定位不确定性数据；当所述第一定位不确定性数据不满足第一预设条件，则获取第二传感器数据，根据所述第二传感器数据以及所述第一传感器数据，得到第二定位不确定性数据；当所述第二定位不确定性数据满足第二预设条件，则根据所述第一传感器数据以及所述第二传感器数据进行车辆定位。

可选地，还包括：当所述第二定位不确定性数据不满足第二预设条件，则获取第三传感器数据；根据所述第三传感器数据、所述第二传感器数据以及所述第一传感器数据得到第三定位不确定性数据以及进行车辆定位。

可选地，还包括：当所述第一定位不确定性数据满足第一预设条件，则根据第一传感器数据进行车辆定位。

可选地，所述第一传感器数据为视觉传感器，所述根据第一传感器数据，得到第一定位不确定性数据，包括：将所述视觉传感器得到的图像数据输入目标神经网络，得到第一定位不确定性数据。

可选地，所述第二传感器数据为陀螺仪，所述根据所述第二传感器数据以及所述第一传感器数据，得到第二定位不确定性数据，包括：根据第二传感器数据以及第一传感器数据，得到车辆运行过程中的第一运动关系；根据所述第一运动关系，得到第一运动残差；根据所述第一运动残差，得到第二定位不确定性数据。

可选地，所述第三传感器数据为加速度计，所述根据所述第三传感器数据、所述第二传感器数据以及所述第一传感器数据，得到第三定位不确定性数据，包括：根据第二传感器数据、第三传感器数据以及第一传感器数据，得到车辆运行过程中的第二运动关系；根据所述第二运动关系，得到第二运动残差；根据所述第二运动残差，得到第三定位不确定性数据。

可选地，所述根据所述第一运动残差，得到第二定位不确定性数据，包括：根据所述第一运动残差，得到第一偏差协方差；根据所述第一偏差协方差，得到第二定位不确定性数据；所述根据所述运动残差，得到第一偏差协方差，包括：

其中，e1为第一偏差协方差，ρ为两种残差比例系数，表示为第i帧图像到第j帧图像的方向残差，∑r,i,j是加入陀螺仪后求得的协方差矩阵，∑i,j以及∑i分别表示预先融合和重投影误差的协方差矩阵，表示第i帧图像中经过边缘化的重投影误差的协方差矩阵，其中，jk代表的是重投影误差的一种雅可比矩阵，表示第i帧图像中经过边缘化的重投影误差的残差向量，为的转置，为的转置。

可选地，所述根据所述第二运动残差，得到第三定位不确定性数据，包括：根据所述第二运动残差，得到第二偏差协方差；根据所述第二偏差协方差，得到第三定位不确定性数据；根据所述第二运动残差，得到第二偏差协方差，包括：

其中，e2为第二偏差协方差，分别表示第i帧图像到第j帧图像的方向，速度和位置的残差；表示重投影得到的残差，ρ表示两种残差比例系数；为加入陀螺仪数据和加速度数据预积分后求得的协方差矩阵，表示第i帧图像中经过边缘化的重投影误差的残差向量，为的转置，为的转置。

可选地，所述目标神经网络根据posenet模型构建而成，所述目标神经网络训练过程包括：将样本输入至预训练的神经网络，得到各个网络权重的后验概率分布；根据后验概率分布，确定每层网络的近似值和后验概率分布间的相对熵；以最小化近似值和后验概率分布间的相对熵为目标，完成对所述预训练的神经网络的训练，得到目标神经网络。

根据第二方面，本发明实施例提供一种车辆定位装置，包括：第一传感器数据获取模块，用于获取第一传感器数据；第一定位不确定性数据确定模块，用于根据第一传感器数据，得到第一定位不确定性数据；第二定位不确定性数据确定模块，用于当所述第一定位不确定性数据不满足第一预设条件，则获取第二传感器数据，根据所述第二传感器数据以及所述第一传感器数据，得到第二定位不确定性数据；第一定位模块，用于当所述第二定位不确定性数据满足第二预设条件，则根据所述第一传感器数据以及所述第二传感器数据进行车辆定位。

根据第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面或第一方面任一实施方式所述的车辆定位方法的步骤。

根据第四方面，本发明实施例提供一种存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面或第一方面任一实施方式所述的车辆定位方法的步骤。

本发明技术方案，具有如下优点：

本实施例提供的车辆定位方法/装置，首先根据第一传感器数据判断其定位不确定性，当定位不确定性不满足条件，才加入第二传感器数据，通过分步加入传感器信息可以降低车辆算力，并且每一次加入传感器数据的触发条件是定位不确定性不满足条件，也即，采用分步的方式，能够在保证定位准确性的条件下进一步减小车辆算力。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中车辆定位方法的一个具体示例的流程图；

图2为本发明实施例中车辆定位装置的一个具体示例原理框图；

图3为本发明实施例中电子设备的一个具体示例的原理框图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

本实施例提供一种车辆定位方法，如图1所示，包括如下步骤：

s101，获取第一传感器数据；第一传感器可以是视觉传感器，比如相机。第一传感器数据可以是车辆行驶过程中相机拍摄到的图像信息。

s102，根据第一传感器数据，得到第一定位不确定性数据；

示例性地，定位不确定性表征定位过程中，由多源信息融合预测得到的车辆位置坐标与车辆实际位置坐标之间的偏差程度的不确定性，即当通过多源信息融合预测车辆位置后，预测位置与实际位置在可接受精度范围内的不确定程度。

根据第一传感器数据，得到第一定位不确定性数据的方式可以是将相机拍摄到的图像信息输入至目标神经网络，该目标神经网络可以由posenet模型构建而成，通过样本集与相应的样本标签求出当前网络节点权重的后验概率分布，运用变分推断来近似该分布，求出定位误差，经过cambridgelandmarks数据集上大量数据进行训练后，发现定位误差和不确定性有强相关性，定位的不确定性越高，定位误差也会越大，由于不确定性与定位误差有较强的线性关系，从而可以根据定位误差得到第一定位不确定性数据。

s103，当第一定位不确定性数据不满足第一预设条件，则获取第二传感器数据，根据第二传感器数据以及第一传感器数据，得到第二定位不确定性数据；

示例性地，第一预设条件可以是第一定位不确定性数据小于或等于0.12(对应定位误差8米)。第二传感器可以是陀螺仪或者加速度计，由于陀螺仪是在较短时间内比较准确而较长时间内会存在漂移，而加速度计正好相反，因此，本实施例以第二传感器为陀螺仪为例进行说明，获取陀螺仪数据的方式可以是获取车载imu中的陀螺仪数据。

根据第二传感器数据以及第一传感器数据，得到第二定位不确定性数据的方式可以是：

首先，进行数据预处理，将imu所对应的坐标系转换至相机坐标系，具体为：

为了估计位姿，需要稀疏的关键点信息，这些关键点来自于对图像进行预处理，具体包括如下：

对于图像的预处理主要是计算关键点的重投影误差，将第k个路标的3d位置信息设为xk(位置信息可以来源于gps)，与之对应的二维坐标系内第i帧图像的坐标为最小化重投影误差

得到最优的相机方向位姿参数

其中π()是一种将3d点投影到图像上的运算符。

根据上述公式，得到第i帧图像中imu的位置和方向，包括：

其中，分别表示第i帧图像中相机和imu的方向位姿参数，rcb为从imu坐标系转化为相机坐标系的旋转矩阵，分别为第i帧图像时相机和imu的位置，cpb为imu在相机坐标系的位置，s为尺度因子，将相机的位置坐标转换为米制单位。

其次，根据第二传感器数据以及第一传感器数据，得到车辆运行过程中的第一运动关系，第一运动关系包括运动方向。

其中，为第i+1帧中imu的方向，为第i帧中imu的方向，δri,i+1为imu的方向的预测量结果，表示陀螺仪的偏差，表示的是雅可比矩阵，可以通过预融合得到，exp(·)是李群的指数映射。

再次，根据第一运动关系，得到第一运动残差；

其中，为第i帧图像到第i+1帧图像的方向残差(第一运动残差)，δri,i+1为imu的方向的预测量结果，为雅克比矩阵，可以通过预融合得到，表示陀螺仪的偏差，为第i+1帧中imu的方向，为第i帧中imu的方向，为的转置，exp(·)是李群的指数映射。

然后，根据第一运动残差，得到第二定位不确定性数据，包括：步骤1，根据第一运动残差，得到第一偏差协方差(视觉信息和陀螺仪的偏差协方差)；步骤2，根据第一偏差协方差，得到第二定位不确定性数据。

步骤1中第一偏差协方差(视觉信息和陀螺仪的偏差协方差)的求解方式如下：

其中，e1为视觉信息和陀螺仪的偏差协方差(第一偏差协方差)，表示为第i帧图像到第j帧图像的方向残差，为的转置，∑r,i,j是加入陀螺仪后求得的协方差矩阵，ρ为两种残差比例系数，可以用huber函数表示，表示第i帧图像中经过边缘化的重投影误差的协方差矩阵，其中，jk代表的是重投影误差的一种雅可比矩阵，∑i,j以及∑i分别表示预先融合和重投影误差的协方差矩阵，表示第i帧图像中经过边缘化的重投影误差的残差向量，为的转置，其中，表示经过线性化后的点的方向和位置，为第i帧图像时相机的位置，为最优的相机位姿参数。

步骤2中为了将不确定度量化，计算出最后一帧图像的视觉信息和陀螺仪的偏差协方差(第一偏差协方差)的迹，也可以作期待值的均方误差(mse)，作为第二定位不确定性数据。

s104，当第二定位不确定性数据满足第二预设条件，则根据第一传感器数据以及第二传感器数据进行车辆定位。

示例性地，第二预设条件可以是第二定位不确定性数据小于或等于0.1(对应定位误差5米)。本实施例对第二预设条件不做限定，本领域技术人员可以根据需要确定。根据第一传感器数据以及第二传感器数据进行车辆定位的方式可以是通过最小化(1)，得到车辆的定位信息。

本实施例提供的车辆定位方法，首先根据第一传感器数据判断其定位不确定性，当定位不确定性不满足条件，才加入第二传感器数据，通过分步加入传感器信息可以降低车辆算力，并且每一次加入传感器数据的触发条件是定位不确定性不满足条件，也即，采用分步的方式，能够在保证定位准确性的条件下进一步减小车辆算力。

作为本实施例一种可选的实施方式，车辆定位方法还包括：

首先，当第二定位不确定性数据不满足第二预设条件，则获取第三传感器数据；

示例性地，第三传感器可以是陀螺仪或者加速度计，本实施例以第三传感器为加速度计例进行说明，获取加速度计数据的方式可以是获取车载imu中的加速度计数据。

其次，根据第三传感器数据、第二传感器数据以及第一传感器数据得到第三定位不确定性数据以及进行车辆定位。

示例性地，根据第三传感器数据、第二传感器数据以及第一传感器数据得到第三定位不确定性数据的方式可以包括以下步骤：

第一步：根据第二传感器数据、第三传感器数据以及第一传感器数据，得到车辆运行过程中的第二运动关系，运动关系包括方向、速度以及位置。

其中，为第i+1帧中imu的方向，为第i帧中imu的方向，δri,i+1为imu的方向的预测量结果，表示陀螺仪的偏差，表示的是雅可比矩阵，可以通过预融合得到，exp(·)是李群的指数映射，为第i+1帧中imu的速度，为第i帧中imu的速度，gw表示引力向量，δt表示第i帧与第i+1帧的时间差，δvi,i+1表示对imu的速度进行预测量的结果，为雅可比矩阵，可以通过预融合得到，表示加速度计的偏差，表示第i+1帧中imu的位置，为第i帧中imu的位置，δpi,i+1,表示对imu的位置进行预测量的结果。

其次，根据第二运动关系，得到第二运动残差，包括方向、速度、位置的残差：

其中，为第i帧图像到第i+1帧图像的方向残差，为第i帧图像到第i+1帧图像的速度残差，为第i帧图像到第i+1帧图像的位置残差。

再次，根据第二运动残差，得到第三定位不确定性数据，包括：步骤1，根据第二运动残差，得到第二偏差协方差(视觉信息、陀螺仪、加速度计的偏差协方差)，步骤2，根据第二偏差协方差，得到第三定位不确定性数据。

步骤1中第二偏差协方差(视觉信息、陀螺仪、加速度计的偏差协方差)的求解方式包括：

其中，e2为为视觉信息、陀螺仪、加速度计的偏差协方差(第二偏差协方差)，分别表示第i帧图像到第j帧图像的方向，速度和位置的残差；表示重投影得到的残差，ρ表示两种残差比例系数；为加入陀螺仪数据和加速度数据预积分后求得的协方差矩阵，表示第i帧图像中经过边缘化的重投影误差的残差向量，为的转置，为的转置。

步骤2中为了将不确定度量化，计算出最后一帧图像的视觉信息、陀螺仪、加速度计的偏差协方差(第二偏差协方差)的迹，也可以作期待值的均方误差(mse)，作为第三定位不确定性数据。

根据第三传感器数据、第二传感器数据以及第一传感器数据，进行车辆定位的方式可以是最小化公式(2)，从而得到定位信息。本实施例提供的车辆定位方法，通过逐步加入多种传感器数据，提高了定位的准确性。

作为本实施例一种可选的实施方式，车辆定位方法还包括：当第一定位不确定性数据满足第一预设条件，则根据第一传感器数据进行车辆定位。根据第一传感器数据进行车辆定位的方式可以是将第一传感器数据输入目标神经网络，从而得到车辆定位信息。

作为本实施例一种可选的实施方式，所述目标神经网络根据posenet模型构建而成，所述目标神经网络训练过程包括：将样本输入至预训练的神经网络，得到各个网络权重的后验概率分布；根据后验概率分布，确定每层网络的近似值和后验概率分布间的相对熵；以最小化近似值和后验概率分布间的相对熵为目标，完成对预训练的神经网络的训练，得到目标神经网络。

示例性地，使用车载相机采集图像信息，将图像输入到建好的posenet神经网络中进行训练，该模型定义了车辆的运动状态x(车辆位置)和q(车头方向)，网络的损失函数为：

其中，θ表示在训练过程中对位置信息和方向信息同时进行优化的一个参数，采用随机梯度下降的方式训练该模型，能够在较小的样本的条件下取得较好的结果。

通过训练得到的数据集与相应的标签求出当前网络节点权重的后验概率分布，在训练过程中使用dropout采样，用贝叶斯模型得到车辆当前位置的不确定性。

首先，通过训练得到数据集首先，通过训练得到的数据集x和标签y得到当前网络权重w的后验概率分布，即：

p(w|x，y)；

然后运用变分推断来最小化近似值q(w)和后验概率分布间的相对熵：

kl(q(w)||p(w|x，y))；

其中每层的近似值满足：

bij～bernouli(pi)，j＝1，2，...，n-1

wi＝midiag(bi)；

其中mi为变分系数，每一层的近似分布都满足伯努利分布。

最后最小化目标损失函数，也是最小化近似值和后验概率分布中的相对熵。

详细的伪代码如下所示：

本实施例提供一种车辆定位装置，如图2所示，包括：

第一传感器数据获取模块201，用于获取第一传感器数据；具体参见上述方法实施例对应部分，在此不再赘述。

第一定位不确定性数据确定模块202，用于根据第一传感器数据，得到第一定位不确定性数据；具体参见上述方法实施例对应部分，在此不再赘述。

第二定位不确定性数据确定模块203，用于当所述第一定位不确定性数据不满足第一预设条件，则获取第二传感器数据，根据所述第二传感器数据以及所述第一传感器数据，得到第二定位不确定性数据；具体参见上述方法实施例对应部分，在此不再赘述。

第一定位模块204，用于当所述第二定位不确定性数据满足第二预设条件，则根据所述第一传感器数据以及所述第二传感器数据进行车辆定位。具体参见上述方法实施例对应部分，在此不再赘述。

作为本实施例一种可选的实施方式，车辆定位装置还包括：

第三传感器数据确定模块，用于当所述第二定位不确定性数据不满足第二预设条件，则获取第三传感器数据；具体参见上述方法实施例对应部分，在此不再赘述。

第二定位模块，用于根据所述第三传感器数据、所述第二传感器数据以及所述第一传感器数据得到第三定位不确定性数据以及进行车辆定位。具体参见上述方法实施例对应部分，在此不再赘述。

作为本实施例一种可选的实施方式，还包括：第三定位模块，用于当所述第一定位不确定性数据满足第一预设条件，则根据第一传感器数据进行车辆定位。具体参见上述方法实施例对应部分，在此不再赘述。

作为本实施例一种可选的实施方式，所述第一传感器数据为视觉传感器，第一定位不确定性数据确定模块202，包括：第一定位不确定性数据确定子模块，用于将所述视觉传感器得到的图像数据输入目标神经网络，得到第一定位不确定性数据。具体参见上述方法实施例对应部分，在此不再赘述。

作为本实施例一种可选的实施方式，所述第二传感器数据为陀螺仪，第二定位不确定性数据确定模块203，包括：

第一运动关系确定模块，用于根据第二传感器数据以及第一传感器数据，得到车辆运行过程中的第一运动关系；具体参见上述方法实施例对应部分，在此不再赘述。

第一运动残差确定模块，用于根据所述第一运动关系，得到第一运动残差；具体参见上述方法实施例对应部分，在此不再赘述。

第二定位不确定性数据子模块，用于根据所述第一运动残差，得到第二定位不确定性数据。具体参见上述方法实施例对应部分，在此不再赘述。

作为本实施例一种可选的实施方式，第二定位模块，包括：

第二运动关系确定模块，用于根据第二传感器数据、第三传感器数据以及第一传感器数据，得到车辆运行过程中的第二运动关系；具体参见上述方法实施例对应部分，在此不再赘述。

第二运动残差确定模块，用于根据所述第二运动关系，得到第二运动残差；具体参见上述方法实施例对应部分，在此不再赘述。

第二定位子模块，用于根据所述第二运动残差，得到第三定位不确定性数据。具体参见上述方法实施例对应部分，在此不再赘述。

作为本实施例一种可选的实施方式，第二定位不确定性数据子模块，包括：

第一偏差协方差确定模块，用于根据所述第一运动残差，得到第一偏差协方差；具体参见上述方法实施例对应部分，在此不再赘述。

第二定位不确定性数据计算模块，用于根据所述第一偏差协方差，得到第二定位不确定性数据；具体参见上述方法实施例对应部分，在此不再赘述。

第一偏差协方差确定模块，执行包括：

其中，e1为第一偏差协方差，表示为第i帧图像到第j帧图像的方向残差，∑r,i,j是加入陀螺仪后求得的协方差矩阵，表示第i帧图像中经过边缘化的重投影误差的残差向量，为的转置，为的转置。具体参见上述方法实施例对应部分，在此不再赘述。

作为本实施例一种可选的实施方式，第二定位子模块，包括：

第二偏差协方差确定模块，用于根据所述第二运动残差，得到第二偏差协方差；具体参见上述方法实施例对应部分，在此不再赘述。

第三定位不确定性数据计算模块，用于根据所述第二偏差协方差，得到第三定位不确定性数据；具体参见上述方法实施例对应部分，在此不再赘述。

第二偏差协方差确定模块，执行包括：

其中，e2为第二偏差协方差，分别表示第i帧图像到第j帧图像的方向，速度和位置的残差；表示重投影得到的残差，ρ表示两种残差比例系数；为加入陀螺仪数据和加速度数据预积分后求得的协方差矩阵，表示第i帧图像中经过边缘化的重投影误差的残差向量，为的转置，为的转置。具体参见上述方法实施例对应部分，在此不再赘述。

作为本实施例一种可选的实施方式，所述目标神经网络根据posenet模型构建而成，第一定位不确定性数据确定子模块包括：

后验概率分布确定模块，用于将样本输入至预训练的神经网络，得到各个网络权重的后验概率分布；具体参见上述方法实施例对应部分，在此不再赘述。

相对熵确定模块，用于根据后验概率分布，确定每层网络的近似值和后验概率分布间的相对熵；具体参见上述方法实施例对应部分，在此不再赘述。

训练模块，用于以最小化近似值和后验概率分布间的相对熵为目标，完成对所述预训练的神经网络的训练，得到目标神经网络。具体参见上述方法实施例对应部分，在此不再赘述。

本申请实施例还提供一种电子设备，如图3所示，处理器310和存储器320，其中处理器310和存储器320可以通过总线或者其他方式连接。

处理器310可以为中央处理器(centralprocessingunit，cpu)。处理器310还可以为其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field－programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器320作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的车辆定位方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理。

存储器320可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器320可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器320中，当被所述处理器310执行时，执行如图1所示实施例中的车辆定位方法。

上述电子设备的具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。

本实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例1中车辆定位方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read－onlymemory，rom)、随机存储记忆体(randomaccessmemory，ram)、快闪存储器(flashmemory)、硬盘(harddiskdrive，缩写：hdd)或固态硬盘(solid－statedrive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。