[发明专利]基于多特征建图的无人车定位方法、装置、设备和介质

说明书

本申请涉及一种基于多特征建图的无人车定位方法、装置、计算机设备和存储介质。所述方法包括：通过在无人车行驶环境里采集的传感器数据中提取多种特征向量，并将每种特征向量分别作为训练样本，利用层次聚类法进行聚类，分别得到每种特征对应的决策树，并针对决策树的每一个分支节点，训练一个二分类的支持向量机，得到每种特征对应的决策树分类器。提取实时采集的传感器数据对应的多种实时特征向量，将特征向量分别输入对应的决策树分类器，分别得到每种特征对应的不确定范围，根据无人车上一时刻的位置和当前时刻的不确定范围的交集，确定无人车的定位结果。本申请所述的方法具有所需存储空间小、可扩展性好的优点。

技术领域

本申请涉及无人车定位技术领域，特别是涉及一种基于多特征建图的无人车定位方法、装置、计算机设备和存储介质。

背景技术

无人驾驶技术作为人工智能与自动化技术相结合的一种新兴技术，已经逐渐成为推动汽车产业升级和机器人技术深入寻常百姓家的重要推动力。高精度定位是当今无人驾驶系统需要首先解决的问题。

无人车现有的高精度定位技术中，有卫星信号（GNSS）与惯性导航系统INS（Inertial Navigation System）组合定位的方式、利用激光雷达构建高精度地图然后进行匹配定位的方式和利用图像传感器构建地图然后进行匹配定位的方式。卫星信号（GNSS）与惯性导航系统INS（Inertial Navigation System）组合定位的方式，对卫星信号的依赖性强，使其使用范围受到较大限制。利用激光雷达构建高精度地图然后进行匹配定位的方法虽然能够摆脱对卫星信号的依赖，但是其构建成本较高，不仅需要采用相对昂贵的激光雷达传感器、耗费较大的存储空间，同时还需要较为专业的建图团队，当环境发生微小变化时，地图都需要更新，可扩展性不佳；此外，高精度地图中包含的信息丰富，进行匹配定位时计算耗费较大。利用图像传感器构建地图，虽然在传感器层面降低了建图成本，但因为提取稳定的图像特征的技术难度要大大高于提取激光雷达的点云特征的难度，进一步提高了建图的技术门槛和地图使用者的技术门槛。同时随着技术的不断迭代更新，基于图像传感器构建的高精度地图需要被不断重建，可扩展性不佳。

因此，现有的无人车高精度定位技术存在所需存储空间大、可扩展性不好的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够解决无人车高精度定位技术所需存储空间大、可扩展性不好问题的基于多特征建图的无人车定位方法、装置、计算机设备和存储介质。

一种基于多特征建图的无人车定位方法，所述方法包括：

提取无人车在行驶环境中行驶到不同位置时传感器采集的传感器数据对应的多种特征向量；

以所述多种特征向量为训练样本分别构建样本集，采用层次聚类法对所述样本集中的训练样本分别进行聚类，分别得到每种特征对应的决策树；所述决策树中的节点对应所述训练样本；

以所述训练样本针对所述决策树的每一个分支节点，训练一个二分类的支持向量机，根据所述决策树和所述支持向量机，得到每种特征对应的决策树分类器；

提取无人车行驶时实时采集的传感器数据对应的多种实时特征向量，将所述多种实时特征向量中的每种特征向量分别输入对应的所述决策树分类器中，分别得到每种特征对应的不确定范围；

根据无人车上一时刻的位置和当前时刻的不确定范围的交集，确定无人车基于多特征建图的定位结果。

在其中一个实施例中，还包括：提取无人车在行驶环境中行驶到不同位置时图像传感器或激光雷达采集的图像数据或激光雷达数据对应的多种特征向量。

在其中一个实施例中，还包括：提取无人车在行驶环境中行驶到不同位置时传感器采集的传感器数据对应的多种特征向量；所述多种特征向量包括但不限于：颜色特征向量、纹理特征向量、形状特征向量和空间关系特征向量。