CN111260722B - 车辆定位方法、设备及存储介质 - Google Patents

Abstract

本申请公开了车辆定位方法、设备和存储介质，涉及自动驾驶领域。具体实现方案为：获取道路上的元素参照物的位置的精度；根据所述参照物的位置的精度以及所述参照物的位置，对车辆进行定位。本申请实施例的方法提高了车辆定位的准确性。

Description

车辆定位方法、设备及存储介质

技术领域

本申请涉及自动驾驶技术领域，尤其涉及自动驾驶中的车辆定位方法、设备及存储介质。

背景技术

相对于传统地图而言，高精地图能够提供高精度的三维信息，准确的道路形状：如坡度、曲率和高程等，以及车道线，交通标牌等详细的道路元素，能够为辅助驾驶系统或者自动驾驶系统提供坚实的基础。现阶段，大多数高精地图一般是通过专业采集设备进行采集生成的。受限于采集设备的价格，高精地图的实时性受到制约，而自动驾驶系统需要完成对于环境的实时感知，高精地图存在的目的之一就是弥补感知系统的不足，提供先验信息；如果这个先验不够准确的话，那么会影响到感知系统的感知结果，进而影响到后续的决策和规划，影响整个自动驾驶系统的状态。而通过众包设备进行数据采集并回传到云端进行处理，能够极大的缩小地图更新周期。

目前的众包更新算法一般是通过摄像头拍摄道路元素，在设备终端进行简单处理或者视频直接回传到云端进行后处理来完成。处理过程一般通过实时定位与制图(simultaneous localization and mapping，SLAM)或者三维重建(structure frommotion，SFM)等技术完成。如果高精地图中元素精度较低的话，会影响自动驾驶车辆的自定位。

发明内容

本申请提供一种车辆定位方法、设备及存储介质，提升了车辆定位的准确性。

本申请第一方面提供一种车辆定位方法，包括：

获取道路上的参照物的位置的精度；

根据所述参照物的位置的精度以及所述参照物的位置，对车辆进行定位。

上述方案中，获取道路上的参照物的位置的精度；根据所述参照物的位置的精度以及所述参照物的位置，对车辆进行定位，由于考虑了参照物的位置的精度，因此定位的准确性较高。

在一种可能的实现方式中，所述获取参照物的位置的精度之前，包括：

获取至少一个影响因素的影响因子，所述影响因素为对所述参照物的位置的精度的影响因素；

根据各个所述影响因素的影响因子，以及所述影响因素的精度，确定所述参照物的位置的精度。

上述具体实施方式中，通过对参照物的位置的精度的影响因素进行分析，得到各个影响因素的影响因子，进而根据各个影响因素的影响因子以及影响因素的精度，确定参照物的位置的精度，结果较为准确。

在一种可能的实现方式中，所述获取至少一个影响因素的影响因子，包括：

根据图像采集设备的拍摄参数以及所述参照物的位置，获取各个所述影响因素的影响因子。

在一种可能的实现方式中，所述拍摄参数包括以下至少一项：图像采集设备的焦距、畸变模型、畸变系数、帧率、运动速度和参照物可见的图像帧数。

在一种可能的实现方式中，所述获取各个所述影响因素的影响因子，包括：

根据所述图像采集设备的拍摄参数和所述参照物的位置，以及预设的对应关系，获取各个所述影响因素的影响因子；所述对应关系为所述图像采集设备的拍摄参数和所述参照物的位置，与影响因子的对应关系。

上述具体实施方式中，通过预设的对应关系，得到各个影响因素的影响因子，操作简单，效率较高。

在一种可能的实现方式中，若所述影响因素的数量为至少两个，则所述确定所述参照物的位置的精度，包括：

对各个所述影响因素的影响因子，以及各个所述影响因素的精度，进行加权处理，确定所述参照物的位置的精度；各个所述影响因素的影响因子对应的权重是根据所述参照物在图像中的反投影误差确定的。

上述具体实施方式中，通过对参照物的位置的精度的影响因素进行分析，得到各个影响因素的影响因子，进而根据各个影响因素的影响因子以及影响因素的精度，采用加权处理的方式，确定参照物的位置的精度，实现简单，结果较为准确。

在一种可能的实现方式中，所述获取至少一个影响因素的影响因子之前，还包括：

根据相机成像模型，确定所述影响因素；所述影响因素包括以下至少一项：图像采集设备的焦距、所述参照物在图像中的像素点位置、所述图像采集设备的畸变系数。

在一种可能的实现方式中，所述根据所述参照物的位置的精度以及所述参照物的位置，对车辆进行定位，包括：

根据至少两个参照物的位置的精度，以及所述至少两个参照物的位置，以及所述参照物对应的权重，对所述车辆进行定位；所述参照物对应的权重为根据所述参照物的位置的精度确定的。

上述具体实施方式中，通过至少两个参照物的位置的精度，以及所述至少两个参照物的位置，以及所述参照物对应的权重，对所述车辆进行定位，实现简单，定位结果较为准确。

在一种可能的实现方式中，所述参照物的位置的精度越小，所述参照物对应的权重越小。

在一种可能的实现方式中，所述确定所述参照物的位置的精度之后，还包括：

根据所述参照物的位置的精度，以及所述参照物的位置对地图进行更新；

相应的，所述获取参照物的位置的精度，包括：

从更新后的地图中获取所述参照物的位置的精度。

在一种可能的实现方式中，所述对车辆进行定位之前，还包括：

根据所述参照物的图像数据，利用三维重建算法，获取所述参照物的位置。

上述具体实施方式中，在获取到参照物的位置的精度后，还可以对地图进行更新，实时性较好，而且使得地图数据较为准确，提升参考价值。

本申请第一方面提供一种车辆定位装置，包括：

获取模块，用于获取道路上的参照物的位置的精度；

处理模块，用于根据所述参照物的位置的精度以及所述参照物的位置，对车辆进行定位。

本申请第三方面提供一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请第一方面中任一项所述的方法。

本申请第四方面提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请第一方面中任一项所述的方法。

本申请第五方面提供一种数据处理方法，包括：

获取至少一个影响因素的影响因子，所述影响因素为对所述参照物的位置的精度的影响因素；

根据各个所述影响因素的影响因子，以及所述影响因素的精度，确定所述参照物的位置的精度。

上述申请中的一个实施例具有如下优点或有益效果：获取道路上的参照物的位置的精度；根据所述参照物的位置的精度以及所述参照物的位置，对车辆进行定位，由于考虑了参照物的位置的精度，克服了相关技术中如果高精地图中元素精度较低的话，会影响自动驾驶车辆的自定位，因此定位的准确性较高。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请方法实施例的应用场景图；

图2是本申请车辆定位方法一实施例的流程示意图；

图3是本申请方法一实施例的原理示意图；

图4是本申请方法另一实施例的原理示意图；

图5是本申请方法一实施例的焦距的影响因子示意图；

图6是本申请方法一实施例的像素点位置的影响因子示意图；

图7是本申请方法一实施例的畸变系数k1的影响因子示意图；

图8是本申请方法一实施例的畸变系数k2的影响因子示意图；

图9是本申请方法又一实施例的原理示意图；

图10是用来实现本申请实施例的车辆定位的装置的框图；

图11是可以实现本申请实施例的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在介绍本申请提供的方法之前，首先结合附图1对本申请实施例的应用场景进行介绍。图1为本申请实施例提供的应用场景架构图。可选的，如图1所示，该应用场景中包括众包设备11、电子设备12和服务器13；该众包设备11例如可以包括图像采集设备(例如车载摄像头)等。其中，众包设备可以为一个或多个，图1中以一个为示例，众包设备可以是用户的终端设备，车载导航设备等，电子设备例如计算机、车载设备等。

其中，众包设备11、电子设备12之间，电子设备12和服务器13之间均可以通过网络连接。

在进行地图更新时，通过众包设备进行数据采集并回传到云端进行处理，能够极大的缩小地图更新周期。

目前的众包更新算法一般是通过摄像头拍摄道路元素，在众包设备进行简单处理或者视频直接回传到云端进行后处理来完成。处理过程一般通过实时定位与制图(simultaneous localization and mapping，SLAM)或者三维重建(structure frommotion，SFM)等技术完成。

如果仅仅是完成地图中元素的重建，而无法评估或者预测重建元素的精度，那么如果将元素直接更新到高精地图中，会影响地图数据质量，给后续高精地图的使用带来困扰和风险。而且如果高精地图中元素精度较低的话，会影响自动驾驶车辆的自定位。

因此，本申请实施例的方法，在重建道路元素后，可以获取到该道路元素的位置的精度，在对车辆进行定位时，除了参考参照物(即重建的道路元素)的位置，还可以参考参照物的位置的精度，从而提高定位的准确性。

本发明提供的方法可由一个电子设备如处理器执行相应的软件代码实现，也可由一个电子设备在执行相应的软件代码的同时，通过和服务器进行数据交互来实现。

下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。为了方便理解，下面实施例中的具体实例以大数据领域为例进行说明，但并不限于该应用场景。

图2为本申请一实施例提供的车辆定位方法的流程示意图。如图2所示，本实施例提供的方法，包括以下步骤：

S101、获取道路上的参照物的位置的精度；

其中，参照物例如道路上的车道线、交通标牌等。

在一实施例中，可以通过高精地图获取道路上的参照物的位置的精度，即高精地图中除了可以提供道路元素的位置，还可以提供道路元素的位置的精度，即位置的误差，例如道路元素的三维点的位置(a，b，c)误差为10cm。

在一实施例中，可以根据参照物的图像数据，利用三维重建算法，获取参照物的位置。

如图3所示，以车辆上的图像采集设备拍摄的N张图像，利用三维重建算法，如SFM对参照物的三维点进行重建，得到参照物的位置(x，11，z)。

可选的，可以通过多个车辆上的众包设备采集的图像，对参照物的三维点重建，或根据多个车辆上的众包设备重建后的参照物的位置数据，对参照物的位置进行更新。

S102、根据参照物的位置的精度以及参照物的位置，对车辆进行定位。

在自动驾驶车辆进行自定位时，可以根据获取到的道路上的参照物的精度信息，来对车辆的不同观察目标(即不同参照物)使用不同权值，实现高精度的定位，同时保证定位的鲁棒性。

例如：如图4所示，车辆感知到周围同时有5个参照物，其中参照物1、2、3精度为10cm，参照物4和5精度为50cm。

那么车辆利用上述参照物进行自定位时，对于参照物4、5的观测值的权值降低。

本实施例的方法，获取道路上的参照物的位置的精度；根据所述参照物的位置的精度以及所述参照物的位置，对车辆进行定位，由于考虑了参照物的位置的精度，克服了相关技术中如果高精地图中元素精度较低的话，会影响自动驾驶车辆的自定位，因此定位的准确性较高。

在一实施例中，可以通过如下方式确定参照物的位置的精度：

获取至少一个影响因素的影响因子，影响因素为对参照物的位置的精度的影响因素；

根据各个影响因素的影响因子，以及影响因素的精度，确定参照物的位置的精度。

在一实施例中，根据相机成像模型，确定对参照物的位置的精度的影响因素；影响因素包括以下至少一项：图像采集设备的焦距、参照物在图像中的像素点位置、图像采集设备的畸变系数。

一般而言，众包更新距离按照200-400米范围来完成，在大多数高速公路或者环路上，道路基本为直线。因此，本申请实施例中按照直线进行建模。

在一个可选的实施方式中，如图3所示，以最后一个能看到该参照物(即需重建的三维点)的图像采集设备(例如摄像头)为世界坐标系，即图3中最右边的图像采集设备，根据小孔成像原理：

其中，(u⁰，v⁰)表示图像平面的中心的像素坐标，c_x、c_y分别表示光轴在图像平面的偏移量，f_x、f_y分别表示水平方向和竖直方向的焦距，Z_c为相机坐标系中z坐标值。i表示第i个图像，即车辆(图像采集设备)在第i个位置采集的图像，l表示车辆在相邻的采集位置的间隔。图3中从右到左i依次增大。

可得：

进一步计算得到：

当采用N张图像进行三维重建时：

可以看出，对最终三维重建的结果(即参照物的位置)影响的因素有：焦距，像素点位置准确度(进一步可考虑畸变模型和畸变系数)。

在一实施例中，可以通过如下方式得出焦距的影响因子：

利用上述公式(4)对f_x和f_y求偏导，得到：

写成矩阵形式：df＝GdX

其中，df＝[df_x … df_x df_y … df_y]^T，其中，包括N个df_x，N个df_y。dX＝[dx dy dzdl]^T。

其中，G为2N×4矩阵。

因此，dX＝(G^TG)^-1G^Tdf

可得：

因此焦距的影响因子定义为即fDOP为焦距对最终重建三维点的位置的误差的影响因子。

在一实施例中，可以通过如下方式得出像素点位置的影响因子：

如果有准确畸变系数的情况下，那么对应的图像中像素点位置的误差可以认为是高斯白噪声。

利用上述公式(4)对u和v求偏导，得到：

写成矩阵形式：du＝HdX

其中，du＝[du₀ … du_N-1 dv₀ … dv_N-1]^T，dX＝[dx dy dz dl]^T。

因此，dX＝(H^TH)^-1H^Tdu

因此像素点位置的影响因子定义为即uDOP为图像中像素点位置的像素误差对最终重建三维点误差的影响因子。

在一实施例中，如果没有完全准确的内参(使用其他相同硬件的内参代替或者近似内参情况)，例如针对通用型的opencv模型。

一般情况下，opencv模型如下：

一般情况下，k3、p1、p2接近于零，本申请实施例中假设k3、p1、p2为零。其中，u′，v′为模型计算后的像素坐标。

上述模型简化为：

计算可得：

根据上述公式(9)可以计算

定义dk₁＝FdX

可得dX＝(F^TF)^-1F^Tdk₁

因此畸变系数k1的影响因子定义为

可以通过与k1类似的方式，得到畸变系数k2的影响因子k2DOP，此处不再赘述。

进一步，根据各个影响因素的影响因子，以及影响因素的精度，可以得到最终重建出来的三维点的精度，例如三维点的精度：

σ_3D＝fDOP×σ_f+k1DOP×σ_k1+k2DOP×σ_k2+uDOP×σ_u (10)

在其他实施例中，若影响因素的数量为至少两个，则确定参照物的位置的精度，可以通过如下方式：

对各个影响因素的影响因子，以及各个影响因素的精度，进行加权处理，确定参照物的位置的精度；各个影响因素的影响因子对应的权重是根据参照物在图像中的反投影误差确定的。

具体的，在公式(10)的基础上，还可以对每个影响因素分别乘以不同的权重，权重可以通过该三维点在对应的图像中的反投影误差得到。

上述具体实施方式中，通过对参照物的位置的精度的影响因素进行分析，得到各个影响因素的影响因子，进而根据各个影响因素的影响因子以及影响因素的精度，确定参照物的位置的精度，实现简单，结果较为准确。

综上可知，各个影响因素的影响因子可以根据图像采集设备的拍摄参数，以及参照物的位置计算得到，拍摄参数例如为焦距、畸变模型、畸变系数、帧率、运动速度、参照物可见的图像帧数。

以运动速度v＝90km/h，帧率为30Hz，焦距fx＝fy＝2000，参照物在12帧图像范围内可见，如图5所示，示出了不同三维点的位置的fDOP值。例如：三维点x为8m，y为4m时，fDOP即焦距的影响因子为0.002，假设焦距的误差为10，例如三维点的位置的误差为0.02m。

如图6所示，示出了不同三维点的位置的uDOP值。例如：三维点x为8m，y为4m时，uDOP即像素点位置的影响因子为0.005，假设像素点位置的误差为10，例如三维点的位置的误差为0.05m。

如图7所示，示出了不同三维点的位置的k1DOP值。例如：三维点x为8m，y为4m时，k1DOP即畸变系数k1的影响因子为0.9，假设畸变系数k1的误差为0.1，例如三维点的位置的误差为0.09m。

如图8所示，示出了不同三维点的位置的k2DOP值。例如：三维点x为8m，y为4m时，k2DOP即畸变系数k2的影响因子为0.7，假设畸变系数k2的误差为0.2，例如三维点的位置的误差为0.14m。

在一实施例中，在需要使用影响因子确定重建的三维点的位置的精度时，可以根据图像采集设备的拍摄参数和参照物的位置(即重建后得到的位置)利用上述公式计算，或者做成对应关系表的形式进行查找。其中，对应关系表中记录图像采集设备的拍摄参数和参照物的位置，以及与影响因子的对应关系。

在上述实施例的基础上，进一步的，S102可以通过如下方式实现：

根据至少两个参照物的位置的精度，以及至少两个参照物的位置，以及参照物对应的权重，对车辆进行定位；参照物对应的权重为根据参照物的位置的精度确定的。

其中，参照物的位置的精度越小，参照物对应的权重越小。

具体的，可以根据获取到的道路上的参照物的精度信息，来对车辆的不同观察目标(即不同参照物)使用不同权值，实现高精度的定位，同时保证定位的鲁棒性。

例如：如图4所示，车辆感知到周围同时有5个参照物，其中参照物1、2、3精度为10cm，参照物4和5精度为50cm。

那么车辆利用上述参照物进行自定位时，参照物1、2和3的观测值的权值，大于参照物4、5的观测值的权值。

上述具体实施方式中，通过至少两个参照物的位置的精度，以及所述至少两个参照物的位置，以及所述参照物对应的权重，对所述车辆进行定位，实现简单，定位结果较为准确。

在一实施例中，确定参照物的位置的精度之后，还包括：

根据参照物的位置的精度，以及参照物的位置对地图进行更新；

相应的，获取参照物的位置的精度，包括：

从更新后的地图中获取参照物的位置的精度。

具体的，在根据公式计算得到或通过查找对应关系表，得到参照物的位置的精度之后，可以根据参照物的位置的精度，对地图进行更新，更新地图数据中该参照物的位置，并加入该参照物的位置的精度，或者在其他实施例中，还可以根据参照物的位置的精度，确定是否对地图中该参照物的位置进行更新，例如精度较小，即误差较大时，可以不进行更新。

或者，还可以根据多个众包设备提供的参照物的位置，以及参照物的位置的精度，进一步处理得到最终的位置，例如通过加权处理，或通过深度学习模型等处理。

上述具体实施方式中，在获取到参照物的位置的精度后，还可以对地图进行更新，实时性较好，而且使得地图数据较为准确，提升参考价值。

如图9所示，本实施例中，通过车辆的图像采集设备采集的图像，对道路上的参照物的三维点进行重建，例如通过SFM三维重建，得到重建的三维点的位置，利用前述实施例的方式进行计算fDOP、uDOP、k1DOP和k2DOP，通过fDOP、uDOP、k1DOP和k2DOP对三维点的位置的精度进行预测，得到三维点的位置的精度的预测值，例如通过加权处理的方式，权值可以通过反投影误差得到。

图10是用来实现本申请实施例的车辆定位的装置的框图。如图10所示，本实施例提供的车辆定位装置100，包括：

获取模块1001，用于获取道路上的参照物的位置的精度；

处理模块1002，用于根据所述参照物的位置的精度以及所述参照物的位置，对车辆进行定位。

在一种可能的实现方式中，处理模块1002，用于：

获取至少一个影响因素的影响因子，所述影响因素为对所述参照物的位置的精度的影响因素；

根据各个所述影响因素的影响因子，以及所述影响因素的精度，确定所述参照物的位置的精度。

在一种可能的实现方式中，处理模块1002，用于：

根据图像采集设备的拍摄参数以及所述参照物的位置，获取各个所述影响因素的影响因子。

在一种可能的实现方式中，所述拍摄参数包括以下至少一项：图像采集设备的焦距、畸变模型、畸变系数、帧率、运动速度和参照物可见的图像帧数。

在一种可能的实现方式中，处理模块1002，用于：

根据所述图像采集设备的拍摄参数和所述参照物的位置，以及预设的对应关系，获取各个所述影响因素的影响因子；所述对应关系为所述图像采集设备的拍摄参数和所述参照物的位置，与影响因子的对应关系。

在一种可能的实现方式中，若所述影响因素的数量为至少两个，处理模块1002，用于：

对各个所述影响因素的影响因子，以及各个所述影响因素的精度，进行加权处理，确定所述参照物的位置的精度；各个所述影响因素的影响因子对应的权重是根据所述参照物在图像中的反投影误差确定的。

在一种可能的实现方式中，处理模块1002，用于：

根据相机成像模型，确定所述影响因素；所述影响因素包括以下至少一项：图像采集设备的焦距、所述参照物在图像中的像素点位置、所述图像采集设备的畸变系数。

在一种可能的实现方式中，处理模块1002，用于：

根据至少两个参照物的位置的精度，以及所述至少两个参照物的位置，以及所述参照物对应的权重，对所述车辆进行定位；所述参照物对应的权重为根据所述参照物的位置的精度确定的。

在一种可能的实现方式中，所述参照物的位置的精度越小，所述参照物对应的权重越小。

在一种可能的实现方式中，处理模块1002，用于：

根据所述参照物的位置的精度，以及所述参照物的位置对地图进行更新；

相应的，获取模块1001，用于：

从更新后的地图中获取所述参照物的位置的精度。

在一种可能的实现方式中，处理模块1002，用于：

根据所述参照物的图像数据，利用三维重建算法，获取所述参照物的位置。

本申请实施例提供的车辆定位装置，可以执行上述任一方法实施例中的技术方案，其实现原理和技术效果类似，此处不再赘述。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图11所示，是根据本申请实施例的车辆定位的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图11所示，该电子设备包括：一个或多个处理器1101、存储器1102，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图11中以一个处理器1101为例。

存储器1102即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的车辆定位的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的车辆定位的方法。

存储器1102作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的车辆定位的方法对应的程序指令/模块(例如，附图10所示的获取模块1001、处理模块1002)。处理器1101通过运行存储在存储器1102中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的车辆定位的方法。

存储器1102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；存储数据区可存储根据车辆定位的电子设备的使用所创建的数据等。此外，存储器1102可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1102可选包括相对于处理器1101远程设置的存储器，这些远程存储器可以通过网络连接至车辆定位的电子设备。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。

车辆定位的方法的电子设备还可以包括：输入装置1103和输出装置1104。处理器1101、存储器1102、输入装置1103和输出装置1104可以通过总线或者其他方式连接，图11中以通过总线连接为例。

输入装置1103可接收输入的数字或字符信息，以及产生与车辆定位的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1104可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，获取道路上的参照物的位置的精度；根据所述参照物的位置的精度以及所述参照物的位置，对车辆进行定位，由于考虑了参照物的位置的精度，因此定位的准确性较高。

本申请一实施例中还提供一种数据处理方法，包括：

获取至少一个影响因素的影响因子，所述影响因素为对所述参照物的位置的精度的影响因素；

根据各个所述影响因素的影响因子，以及所述影响因素的精度，确定所述参照物的位置的精度。

本实施例的方法，与前述实施例中方法的实现原理以及技术效果类似，此处不再赘述。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种车辆定位方法，其特征在于，包括：

获取道路上的参照物的位置的精度；

根据所述参照物的位置的精度以及所述参照物的位置，对车辆进行定位；

所述根据所述参照物的位置的精度以及所述参照物的位置，对车辆进行定位，包括：

根据至少两个参照物的位置的精度，以及所述至少两个参照物的位置，以及所述参照物对应的权重，对所述车辆进行定位；所述参照物对应的权重为根据所述参照物的位置的精度确定的；

所述获取参照物的位置的精度之前，包括：

获取至少一个影响因素的影响因子，所述影响因素为对所述参照物的位置的精度的影响因素；根据各个所述影响因素的影响因子，以及所述影响因素的精度，确定所述参照物的位置的精度；

若所述影响因素的数量为至少两个，则所述确定所述参照物的位置的精度，包括：

对各个所述影响因素的影响因子，以及各个所述影响因素的精度，进行加权处理，确定所述参照物的位置的精度；各个所述影响因素的影响因子对应的权重是根据所述参照物在图像中的反投影误差确定的。

2.根据权利要求1所述的方法，其特征在于，所述获取至少一个影响因素的影响因子，包括：

根据图像采集设备的拍摄参数以及所述参照物的位置，获取各个所述影响因素的影响因子。

3.根据权利要求2所述的方法，其特征在于，所述拍摄参数包括以下至少一项：图像采集设备的焦距、畸变模型、畸变系数、帧率、运动速度和参照物可见的图像帧数。

4.根据权利要求2或3所述的方法，其特征在于，所述获取各个所述影响因素的影响因子，包括：

根据所述图像采集设备的拍摄参数和所述参照物的位置，以及预设的对应关系，获取各个所述影响因素的影响因子；所述对应关系为所述图像采集设备的拍摄参数和所述参照物的位置，与影响因子的对应关系。

5.根据权利要求1-3任一项所述的方法，其特征在于，所述获取至少一个影响因素的影响因子之前，还包括：

根据相机成像模型，确定所述影响因素；所述影响因素包括以下至少一项：图像采集设备的焦距、所述参照物在图像中的像素点位置、所述图像采集设备的畸变系数。

6.根据权利要求1-3任一项所述的方法，其特征在于，所述参照物的位置的精度越小，所述参照物对应的权重越小。

7.根据权利要求1-3任一项所述的方法，其特征在于，所述确定所述参照物的位置的精度之后，还包括：

根据所述参照物的位置的精度，以及所述参照物的位置对地图进行更新；

相应的，所述获取参照物的位置的精度，包括：

从更新后的地图中获取所述参照物的位置的精度。

8.根据权利要求1-3任一项所述的方法，其特征在于，所述对车辆进行定位之前，还包括：

根据所述参照物的图像数据，利用三维重建算法，获取所述参照物的位置。

9.一种车辆定位装置，其特征在于，包括：

获取模块，用于获取道路上的参照物的位置的精度；

处理模块，用于根据所述参照物的位置的精度以及所述参照物的位置，对车辆进行定位；

所述处理模块，具体用于：

根据至少两个参照物的位置的精度，以及所述至少两个参照物的位置，以及所述参照物对应的权重，对所述车辆进行定位；所述参照物对应的权重为根据所述参照物的位置的精度确定的；

所述处理模块，还用于：

获取至少一个影响因素的影响因子，所述影响因素为对所述参照物的位置的精度的影响因素；根据各个所述影响因素的影响因子，以及所述影响因素的精度，确定所述参照物的位置的精度；

若所述影响因素的数量为至少两个，所述处理模块，还用于：

对各个所述影响因素的影响因子，以及各个所述影响因素的精度，进行加权处理，确定所述参照物的位置的精度；各个所述影响因素的影响因子对应的权重是根据所述参照物在图像中的反投影误差确定的。

10. 一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。

11.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。

12.一种数据处理方法，其特征在于，包括：

获取至少一个影响因素的影响因子，所述影响因素为对参照物的位置的精度的影响因素；

根据各个所述影响因素的影响因子，以及所述影响因素的精度，确定所述参照物的位置的精度，从而根据至少两个参照物的位置的精度，以及所述至少两个参照物的位置，以及所述参照物对应的权重，对车辆进行定位，所述参照物对应的权重为根据所述参照物的位置的精度确定的；

若所述影响因素的数量为至少两个，则所述确定所述参照物的位置的精度，包括：

对各个所述影响因素的影响因子，以及各个所述影响因素的精度，进行加权处理，确定所述参照物的位置的精度；各个所述影响因素的影响因子对应的权重是根据所述参照物在图像中的反投影误差确定的。