[发明专利]基于群感测点云地图的控制自主车辆的方法及计算机实施系统

说明书

提供了用于控制自主车辆的系统和方法。在一个实施例中，一种方法包括：从车辆的传感器接收传感器数据；从传感器数据来确定三维点云地图段；确定与三维点云地图段相关联的车辆位姿；基于该车辆位姿、另一车辆位姿、以及两步过程来确定位姿差异，其中，两步过程包括：计算粗粒度位姿差异、以及计算细粒度位姿差异；基于位姿差异使三维点云地图段与同另一车辆位姿相关联的另一三维点云地图段对齐；以及基于所对齐的三维点云地图段来控制车辆。

技术领域

本公开大体上涉及自主车辆，并且更具体地涉及用于构建数字地图且基于数字地图来控制车辆的系统和方法。

背景技术

自主车辆是能够感知其环境并且在具有很少或者没有用户输入的情况下进行航行的车辆。自主车辆使用诸如雷达、激光雷达(LiDAR)、图像传感器等感知装置来感知其环境。自主车辆进一步使用来自全球定位系统(GPS)技术、导航系统、车间通信、车辆至基础设施技术、以及/或者线控系统的信息来使车辆航行。

尽管自主车辆和半自主车辆与传统车辆相比提供许多潜在优点，但在某些情况下，可能令人期望的是车辆的改进操作。例如，在某些情况下，由环境构建高精度数字地图并且使用这些地图来使车辆航行。通常，数字地图是离线构建的并且被发送至车辆。

这些地图(通常被称为HD(高清晰度)地图)建立在从比如激光雷达、雷达以及立体相机等数据密集型传感器收集到的数据的基础上。HD地图将需要包含十字路口、道路标志、交通信号灯、车道标志线、人行道以及甚至是比如移动车辆和行人等动态物体的准确位置。在现实世界中，所有自主车辆都将通过使用比如视觉测程法等技术使用这些HD地图来进行定位和导航。构建具有恰当数量的细节、准确性、以及精度的HD地图对工业界和学术界均是一项巨大的挑战。

相应地，令人期望的是提供用于构建HD地图的系统和方法。进一步令人期望的是提供用于基于HD地图来控制自主车辆的方法和系统。此外，在结合附图和前述技术领域和背景技术来看时，本公开的其它令人期望的特征和特性将从随后的详细描述和所附权利要求书中变得显而易见。

发明内容

提供了用于控制自主车辆的系统和方法。在一个实施例中，一种方法包括：从车辆的传感器接收传感器数据；从传感器数据来确定三维点云地图段；确定与三维点云地图段相关联的车辆位姿；基于该车辆位姿、另一车辆位姿、以及两步过程来确定位姿差异，其中，两步过程包括：计算粗粒度位姿差异、以及计算细粒度位姿差异；基于位姿差异使三维点云地图段与同另一车辆位姿相关联的另一三维点云地图段对齐；以及基于所对齐的三维点云地图段来控制车辆。

在各个实施例中，粗粒度位姿差异是基于两个轨迹之间的均方误差来进行计算。在各个实施例中，细粒度位姿差异是基于图像平面重投影误差最小化方法来进行计算。

在各个实施例中，方法进一步包括：使用细粒度位姿差异基于迭代最近点收敛方法来确定转换数据，并且其中，对齐是基于该转换数据。在各个实施例中，确定车辆位姿是基于来自传感器数据的二维特征集、与二维特征集相关联的三维点云、以及图像平面重投影误差最小化方法。在各个实施例中，二维特征集与静态特征相关联，并且其中，三维点云与静态特征相关联。

在各个实施例中，确定车辆位姿是基于来自传感器数据的第一二维特征集、来自传感器数据的第二二维特征集、与第一二维特征集相关联的第一三维点云、与第二二维特征集相关联的第二三维点云、以及图像平面重投影误差最小化方法。在各个实施例中，第一二维特征集与静态特征相关联，其中，第一三维点云与静态特征相关联，其中，第二二维特征集与动态特征相关联，并且其中，第二三维点云与动态特征相关联。

在各个实施例中，方法进一步包括：基于特征的置信度来合并所对齐的三维点云地图段的特征。在各个实施例中，合并各个特征进一步是基于多方(multi-partite)匹配方法。

在各个实施例中，方法进一步包括：基于所对齐的三维点云地图段和多方匹配方法来对车辆进行定位。