CN114061611A - 目标对象定位方法、装置、存储介质和计算机程序产品 - Google Patents

Abstract

本申请涉及一种目标对象定位方法、装置、计算机设备、存储介质和计算机程序产品。方法包括：获取目标对象的定位数据；按照所述定位数据进行路网匹配，确定所述目标对象所处的目标道路；当所述目标对象在所述目标道路上发生车道变更时，确定所述目标道路中的各候选车道在目标平面中各自对应的车道区域；从所述候选车道中确定出目标车道，使得所述目标对象在所述目标平面中的投影点处于所述目标车道所对应的车道区域内，将所述目标对象定位至所述目标车道，进而实现对车辆的车道级准确定位，本申请可应用的场景包括但不限于地图、导航、自动驾驶、智慧交通、车路协同等场景。

Description

目标对象定位方法、装置、存储介质和计算机程序产品

技术领域

本申请涉及车辆导航定位技术领域，特别是涉及一种目标对象定位方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

目前随着传感技术的快速发展，导航定位技术等在车辆定位中得到广泛应用。随着对导航精度需求的提高，车道级定位导航的作用也越来越重要。

而现有的车道级定位导航技术中，一般是基于视觉传感器、激光雷达及高精度地图，通过车道线中心线和车辆当前位置的距离来进行高精定位、但激光雷达的成本高、视觉传感器受天气、道路环境等影响较大，车道估计检测的准确率较低，无法实现对目标对象的低成本高精度定位。

发明内容

基于此，有必要针对上述技术问题，提供一种能够实现低成本高精度的目标对象定位方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种目标对象定位方法。所述方法包括：

获取目标对象的定位数据；

按照所述定位数据进行路网匹配，确定所述目标对象所处的目标道路；

当所述目标对象在所述目标道路上发生车道变更时，确定所述目标道路中的各候选车道在目标平面中各自对应的车道区域；

从所述候选车道中确定出目标车道，使得所述目标对象在所述目标平面中的投影点处于所述目标车道所对应的车道区域内；

将所述目标对象定位至所述目标车道。

第二方面，本申请还提供了一种目标对象定位装置。所述装置包括：

定位数据获取模块，用于获取目标对象的定位数据；

路网匹配模块，用于按照所述定位数据进行路网匹配，确定所述目标对象所处的目标道路；

变道检测模块，用于当所述目标对象在所述目标道路上发生车道变更时，确定所述目标道路中的各候选车道在目标平面中各自对应的车道区域；

车道定位模块，用于从所述候选车道中确定出目标车道，使得所述目标对象在所述目标平面中的投影点处于所述目标车道所对应的车道区域内；

将所述目标对象定位至所述目标车道。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取目标对象的定位数据；

按照所述定位数据进行路网匹配，确定所述目标对象所处的目标道路；

当所述目标对象在所述目标道路上发生车道变更时，确定所述目标道路中的各候选车道在目标平面中各自对应的车道区域；

从所述候选车道中确定出目标车道，使得所述目标对象在所述目标平面中的投影点处于所述目标车道所对应的车道区域内；

将所述目标对象定位至所述目标车道。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取目标对象的定位数据；

按照所述定位数据进行路网匹配，确定所述目标对象所处的目标道路；

当所述目标对象在所述目标道路上发生车道变更时，确定所述目标道路中的各候选车道在目标平面中各自对应的车道区域；

从所述候选车道中确定出目标车道，使得所述目标对象在所述目标平面中的投影点处于所述目标车道所对应的车道区域内；

将所述目标对象定位至所述目标车道。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取目标对象的定位数据；

按照所述定位数据进行路网匹配，确定所述目标对象所处的目标道路；

当所述目标对象在所述目标道路上发生车道变更时，确定所述目标道路中的各候选车道在目标平面中各自对应的车道区域；

从所述候选车道中确定出目标车道，使得所述目标对象在所述目标平面中的投影点处于所述目标车道所对应的车道区域内；

将所述目标对象定位至所述目标车道。

上述目标对象定位方法、装置、计算机设备、存储介质和计算机程序产品，通过获取目标对象的定位数据，按照定位数据进行路网匹配，确定目标对象所处的目标道路，确定目标道路对所需的定位数据的精度要求较低，当目标对象在目标道路上发生车道变更时，确定目标道路中的各候选车道在目标平面中各自对应的车道区域，从候选车道中确定出目标车道，使得目标对象在目标平面中的投影点处于目标车道所对应的车道区域内，将目标对象定位至目标车道，通过将车道定位问题转换为平面中投影点与车道区域之间的位置关系问题，无需通过激光雷达或是视觉检测的方式定位车辆与实际车道线之间的位置关系，能够降低在车道级定位的处理过程中对于硬件条件的依赖，实现低成本的高精度车道级定位。

附图说明

图1为一个实施例中目标对象定位方法的应用环境图；

图2为一个实施例中目标对象定位方法的流程示意图；

图3为一个实施例中目标道路中的候选车道与目标车辆的相对位置示意图；

图4为一个实施例中车辆航向变化的示意图；

图5为一个实施例中角速度测量值变化的示意图；

图6为一个实施例中车辆航向变化匹配模板的示意图；

图7为一个实施例中陀螺角速度测量值变化匹配模板的示意图；

图8为一个实施例中归一化互相关匹配的流程示意图；

图9为另一个实施例中目标对象定位方法的流程示意图；

图10为再一个实施例中目标对象定位方法的流程示意图；

图11为一个实施例中数据更新的流程示意图；

图12为一个实施例中目标对象定位装置的结构框图；

图13为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例涉及人工智能(ArtificialIntelligence，AI)和机器学习技术，基于人工智能中的计算机视觉技术和机器学习(MachineLearning，ML)而设计。人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能是一门综合学科，涉及的领域广泛，既有硬件层面的技术，也有软件层面的技术。人工智能的基础技术一般包括传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作交互系统、机电一体化等技术；人工智能的软件技术一般包括计算机视觉技术、自然语言处理技术、以及机器学习/深度学习等几大方向。随着人工智能的发展与进步，人工智能在多个领域中进行研究和应用，如常见的智能家居、智能客服、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、机器人、智能医疗等，相信随着未来技术的进一步发展，人工智能将在更多的领域中得到应用，发挥出越来越重要的价值。

其中，自动驾驶技术通常包括高精地图、环境感知、行为决策、路径规划、运动控制等技术，自动驾驶技术有着广泛的应用前景。再这其中，精准定位是实现自动驾驶的基础，是实现行为决策、路径规划，运动控制，以及构建高精地图的重要操作。需要说明的是，本申请提出的目标对象定位方法，可应用的场景包括但不限于地图、导航、自动驾驶、车联网，以及车路协同等等。

本申请实施例提供的目标对象定位方法，可以应用于如图1所示的应用环境中。图1为本申请实施例涉及的一种定位系统结构示意图，该定位系统包括：终端102和网络侧设备104。其中，终端102包括车载终端或用户终端等，此处只是示意性说明，并不对本申请实施例的物联网系统进行具体限定。其中，车载终端可以包括行车电脑或车载单元等，用户终端可以是无线终端设备也可以是有线终端设备，无线终端设备可以是指一种具有无线收发功能的设备，用户终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备，便携式可穿戴设备可为智能手表、智能手环、头戴设备等。

其中，终端102通过网络与网络侧设备104进行通信。网络侧设备104中可以包括全球卫星导航系统的数据处理中心，路网信息数据库等。例如，车载设备从数据处理中心处获得全球卫星导航系统中卫星观测数据，或者从路网信息数据库中获取路网信息，并基于卫星观测数据、路网信息中的至少一个，执行本申请实施例的目标对象定位方法，定位目标车辆在地图中所处的车道。具体地，以终端102为车载终端为例，车载终端获取目标车辆的定位数据，按照定位数据进行路网匹配，确定目标车辆所处的目标道路，当目标车辆在目标道路上发生车道变更时，确定目标道路中的各候选车道在目标平面中各自对应的车道区域，当候选车道中存在目标车道，使得目标车辆在目标平面中的投影点处于目标车道所对应的车道区域内时，将目标车辆至目标车道，并将目标车辆在目标车道的定位结果在车载终端的导航显示界面中进行展示。

其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种目标对象定位方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：

步骤202，获取目标对象的定位数据。

其中，目标对象是需要进行定位分析的对象，目标对象可以基于自身或载体的移动，改变其在道路中的位置。例如，目标对象可以是携带有定位终端的车辆，也可以是车载定位终端。

定位数据用于表征目标对象所处的地理位置信息。终端通过响应定位请求所来获取定位数据。定位数据的具体获取方式与定位请求的触发场景相匹配。定位请求的触发场景包括针对目标对象的初次定位以及针对目标对象的非初次定位两种情况。

其中，初次定位与用户通过启动定位功能所对应的触发场景相匹配，当用户触发对定位功能的启动，如点击终端界面显示的与定位程序相对应的应用图标时，定位程序生成针对目标对象的第一次定位请求，并发送至处理器请求针对目标对象进行定位处理，而由于目标对象自身处于运动，导致目标对象在不同时刻所在的位置是会发生变化的，因此，定位程序在发送完第一次定位请求之后，会按照一定的时间间隔向发处理器发起第2至N(N＞2)次定位请求，第2至N次定位请求即为针对目标对象进行非初次定位的定位请求。处理器针对定位程序在启动后所发起的每一次定位请求，均会进行相应的定位处理，并对得到的修正定位结果进行存储，当终端响应用户触发的结束定位触发操作，向处理器反馈定位结束信息时，处理器对存储的定位结果进行数据标记或数据释放，以使得能够基于是否存储有针对目标对象的历史数据或基于历史数据的标识内容，准确判断定位请求所对应的触发场景是否为针对目标对象的初次定位。

具体地，处理器在接收到定位请求时，通过对存储的历史定位请求数据进行查找，根据是否存在与定位请求相匹配的历史定位请求数据，判定定位请求所对应的触发场景是否为初次定位。与定位请求相匹配的历史定位请求数据，具体可以是存在历史定位请求数据，或是存在的历史定位请求数据携带的标识信息与定位请求相匹配。

若不存在与定位请求匹配的历史定位请求数据，处理器判定定位请求为针对目标对象的初次定位，则定位数据的获取方式为：通过路网数据、融合惯性传感数据和卫星观测数据，实时获取目标对象在当前时刻的定位数据，并将实时获取的定位数据作为定位数据，以使得能基于目标对象在上一时刻所对对应的定位数据，来预测得到下一时刻所对应的定位数据。

若存在与定位请求匹配的历史定位请求数据，处理器判定定位请求为针对目标对象的非初次定位，则定位数据的获取方式为：获取上一时刻对目标对象进行定位时得到的历史定位数据，并将上一时刻所对应的历史定位数据确定为目标对象的定位数据。具体的，处理器确定先前已经对目标对象进行过定位处理后，基于当前时刻的定位请求，获取当前时刻对应的上一时刻的历史定位数据，并将上一时刻的历史定位数据作为当前目标对象的定位数据。

在一个具体的应用中，定位数据的实时获取可以借助于惯性导航系统和全球卫星导航系统(the Global Navigation Satellite System,简称GNSS)的共同作用来实现。具体地，终端通过惯性导航系统来获取目标对象的惯性传感数据，从全球卫星导航系统获取卫星观测数据，基于与目标对象相匹配的惯性传感数据和卫星观测数据的结合，通过路网匹配得到目标对象的定位数据。

其中，惯性传感数据是指由惯性传感器采集到的数据。惯性传感器安装于目标对象上，车辆终端与惯性传感器通信连接。惯性传感器是指集机械元素、微型传感器以及信号处理和控制电路、接口电路、通信和电源于一体的完整MEMS(Micro-Electro-MechanicalSystem，微型机电系统)，MEMS惯性传感器可构成低成本的INS/GPS组合导航系统，是一类非常适合构建微型捷联惯性导航系统的惯性传感器；惯性传感器主要用于检测和测量加速度、倾斜、冲击、振动、旋转和多自由度运动，是解决导航、定向和运动载体控制的重要部件。具体地，惯性传感数据包括目标对象的角速度测量值和加速度测量值等。

卫星观测数据是指全球卫星导航系统观测到的数据，全球卫星导航系统是能在地球表面或近地空间的任何地点为用户提供全天候的三维坐标和速度以及时间信息的空基无线电导航定位系统。常见系统有全球定位系统(Global Positioning System，简称GPS)、北斗卫星导航系统(BeiDou Navigation Satellite System，简称BDS)、全球导航卫星系统(Global Navigation Satellite System，简称GLONASS)和伽利略卫星导航系统(GALILEO)四大卫星导航系统。

步骤204，按照定位数据进行路网匹配，确定目标对象所处的目标道路。

其中，路网匹配是利用路网数据库，基于匹配算法将目标定位点匹配至道路节点；路网匹配是一种基于软件技术的定位修正方法，其基本思想是将车辆运动轨迹与数字地图中的道路信息联系起来，并由此得到相对地图的精确位置。

路网匹配可以基于路网数据来实现，路网数据是指导航地图中详细的道路信息，主要用于路网匹配、路况信息处理等，终端进行路网匹配处理所需的路网数据可以由路网地图数据库提供。路网匹配的算法是曲线匹配原理和地理空间接近性分析方法的融合。道路匹配算法主要有网络拓扑算法、曲线拟合算法、相似度算法、模糊逻辑算法以及基于隐高斯马尔科夫模型的路网匹配算法等。

具体地，终端通过获取路网数据，按照路网数据和定位数据，通过道路匹配算法对目标对象进行路网匹配，基于道路匹配算法的匹配结果，确定目标对象在地图中所处的目标道路，由此，完成针对目标对象的道路级定位。

在一个实施例中，按照定位数据进行路网匹配，确定目标对象所处的目标道路，包括：将定位数据和卫星观测数据输入隐马尔科夫模型，以使隐马尔科夫模型基于输入数据和路网数据，对目标对象进行路网匹配，确定目标对象在地图中所处的目标道路。

其中，隐马尔科夫模型是一种是统计模型，用来描述一个含有隐含未知参数的马尔科夫过程。隐马尔科夫模型是马尔科夫链的一种，其状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有相应概率密度分布的状态序列产生。

基于隐马尔科夫模型的路网匹配，是在给定一定观测前提下，寻找产生这一观测序列的隐藏序列，其中隐藏序列表示持有目标对象定位装置的人或物所在的具体位置，观测序列表示目标对象定位装置产生的一系列轨迹点坐标。即通过该模型，从轨迹点(即观测序列)推算真实位置(即隐藏序列)。在基于隐马尔科夫模型的地图匹配算法中，对于一个轨迹点在一定距离内会有一个或多个候选路段，轨迹点在这些候选路段上的投影点视为候选点，在马尔科夫链中作为顶点，轨迹点离旁边路段上的位置越近，那么这个点在这个路段上的概率越大。前后两个真实的位置点的距离越近，那么状态转移的概率越大，或者真实路段上的前后两个点的距离与轨迹点观测的前后两个点的距离越接近，状态转移概率越大。

具体地，终端通过将包括定位数据所对应的历史定位数据，以及卫星观测数据输入隐马尔科夫模型，以使隐马尔科夫模型按照历史定位数据，基于路网数据和卫星观测数据对目标对象进行路网匹配，基于路网匹配结果，确定目标对象在地图中所处的目标道路。

在一个具体的应用中，终端可以获取当前时刻前30s内目标对象的历史定位数据以及当前时刻前30s内与目标对象匹配的卫星观测数据，输入隐马尔科夫模型进行路网匹配，从而确定目标对象在地图中所处的目标道路。

在本实施例中，基于目标对象的定位数据和卫星观测数据，通过隐马尔科夫模型进行路网匹配，一方面能够利用隐马尔科夫模型在路网匹配中的快速的数据处理效果，快速地确定目标对象在地图中所处的目标道路，另一方面，通过将目标对象的定位数据和卫星观测数据作为隐马尔科夫模型的输入，能够从定位数据和卫星观测数据两方面来进行路网匹配，避免单一数据的误差造成的影响，提高匹配结果的准确性。

步骤206，当目标对象在目标道路上发生车道变更时，确定目标道路中的各候选车道在目标平面中各自对应的车道区域。

其中，道路可以基于车道线划分为多个车道。车道变更是指目标对象从道路中的一个车道移动到另一个车道的过程。车道的变更可以是相邻车道的变更，也可以是连续多个车道的变更，例如，目标车辆从四车道道路中的第一车道变更到第二车道继续在第二车道中行进，再例如目标车辆从第一车道变更到第二车道，并继续从第二车道变更到第三车道等。

目标平面是一个虚拟平面，该虚拟平面的建立可以是在包含目标道路的电子地图中直接基于目标道路来建立，也可以在其他任意一个空间中建立一个虚拟平面，并将目标道路投影至该虚拟平面中。

目标道路中的各个车道均有可能是目标对象进行车道变更后所在的车道，在车道定位过程中，终端需要从目标道路的各个车道中筛选出目标车道进行定位，供筛选的各个车道即为目标道路中的候选车道。

车道区域是指在目标平面中，与车道两侧的车道线相对应投影线所构成的区域。在目标平面中，各个候选车道对应的车道线之间的相对位置关系可以基于车道宽度和车道数量来确定，其中，车道宽度可以基于车道宽度和车道数量来确定，车道宽度和车道数量可以从路网数据中获取。

具体地，终端通过针对目标对象的道路级定位结果，获取目标对象当前所在的道路位置的道路边界数据，并基于路网数据，确定目标道路中各个车道线之间的相对位置关系、以及车道线与道路边界线之间的相对位置关系。终端基于各个车道线之间的相对位置关系、以及车道线与道路边界线之间的相对位置关系，确定候选车道在目标平面中各自对应的车道区域。

进一步地，终端可以基于目标道路在电子地图中所在的目标虚拟平面，在目标虚拟平面中的目标道路上，基于确定的各个车道线之间的相对位置关系，以及车道线与道路边界线之间的相对位置关系，确定各个候选道路各自对应的车道线所构成的车道区域。终端也可以将目标道路的道路边界线投影至预先构建的虚拟平面中，在虚拟平面的目标道路中，基于确定的各个车道线之间的相对位置关系，以及车道线与道路边界线之间的相对位置关系，投影车道线，得到包含道路边界线以及车道线的虚拟平面，投影的相邻车道线或道路边界线之间的区域即为车道区域。

步骤208，从候选车道中确定出目标车道，使得目标对象在目标平面中的投影点处于目标车道所对应的车道区域内。

其中，投影点是指目标对象在目标平面中进行投影所得到的结果。当目标对象的体积较小时，可以直接将目标对象中任意一点的位置数据投影至目标平面，当目标对象的体积较大时，可以先确定目标对象的中心点，将中心点的位置数据投影至目标平面。

具体地，终端针对每一个候选车道，基于该候选车道在目标平面中所对应的车道区域与目标对象在目标平面中的投影点，判断车道区域与投影点之间的位置关系。当投影点位于车道区域内时，将该候选车道确定为车道变更后所在的目标车道。当投影点位于车道区域以外时，判定目标对象未变道至该候选车道。

步骤210，将目标对象定位至目标车道。

具体地，终端在显示的导航页面中，将目标对象在电子地图中的位置更新为目标车道所对应的位置，以使导航对象能够准确地了解更新后地车道定位结果，便于在驾驶过程中提高对路况的判断能力，降低驾驶风险。

上述目标对象的定位方法，通过获取目标对象的定位数据，按照定位数据进行路网匹配，确定目标对象所处的目标道路，确定目标道路对所需的定位数据的精度要求较低，当目标对象在目标道路上发生车道变更时，确定目标道路中的各候选车道在目标平面中各自对应的车道区域，从候选车道中确定出目标车道，使得目标对象在目标平面中的投影点处于目标车道所对应的车道区域内，将目标对象定位至目标车道，通过将车道定位问题转换为平面中投影点与车道区域之间的位置关系问题，无需通过激光雷达或是视觉检测的方式定位车辆与车道线之间的位置关系，能够降低在车道级定位的处理过程中对于硬件条件的依赖，实现低成本的高精度车道级定位。

在一个实施例中，从候选车道中确定出目标车道，使得目标对象在目标平面中的投影点处于目标车道所对应的车道区域内，将目标对象定位至目标车道，包括：

针对目标道路中的每一候选车道，分别构建车道边界函数；当候选车道中存在目标车道，使得目标车道对应车道边界函数的求解结果符合结果筛选条件时，将目标对象定位至目标车道；结果筛选条件，表征目标对象在目标平面中的投影点处于目标车道所对应的车道区域内。

其中，车道边界函数是用于界定车道区域边界性状的函数，具体地，车道边界函数可以是闸函数，闸函数又称障碍函数，基于闸函数处理优化问题时，在极值点的搜索过程中，为保证搜索始终在可行域内，对企图从可行域内部穿越边界的点，在目标函数中加入障碍项，表示障碍项的函数即为闸函数，距边界越近，障碍越大，当趋于边界时，障碍趋于无穷大，从而保证最优解不会超出可行域。

当目标对象在目标平面中的投影点处于候选车道所对应的车道区域内时，该候选车道对应车道边界函数的求解结果取值较小，当目标对象在目标平面中的投影点处于候选车道所对应的车道区域之外时，该候选车道对应车道边界函数的求解结果取值较大，结果筛选条件可以是从各候选车道分别对应车道边界函数的求解结果中筛选取值最小的目标求解结果，从而将目标求解结果对应的候选车道作为目标车道。

在本实施例中，通过构建车道边界函数，基于车道边界函数的求解结果来判断目标对象在目标平面中的投影点是否处于候选车道所对应的车道区域内，能够实现对投影点处于车道区域内外进行显著的区域，从而提高投影点与车道区域之间的相对位置关系的判断结果的准确性。

在一个实施例中，针对目标道路中的每一候选车道，分别构建车道边界函数，包括：

基于目标平面中构成车道区域的投影线，确定车道区域所表征的候选车道与投影线之间的匹配关系；针对每一候选车道，基于候选车道所匹配的目标投影线，按照目标对象在目标平面中的投影点和目标投影线间的位置关系，构建分段的车道边界函数。

其中，投影线是指基于车道线和道路边界线在目标平面中进行投影所得到的结果，其中，相邻的两条投影线之间的区域即为目标道路中各车道对应的车道区域，目标道路中的每一条车道均对应有两条平行的投影线。

目标投影线是指对指定的候选车道具有匹配关系的两条平行投影线。投影点是指目标对象在目标平面中进行投影所得到的结果，投影点和目标投影线间的位置关系包括两大类情况，第一类是两条目标投影线均位于投影点的同一侧，具体又可以区分为两条目标投影线同在投影点的右侧或是两条目标投影线同在投影点的左侧，第二类是投影点位于两条目标投影线的中间。基于投影点和目标投影线间的位置关系所属的类别，构建分段的车道边界函数。

具体地，终端基于目标平面中构成车道区域的投影线，分别确定每一车道区域所表征的候选车道与各投影线之间的匹配关系，每一候选车道有目标投影线与之匹配。终端针对每一候选车道，基于该候选车道所匹配的目标投影线，按照目标对象在目标平面中的投影点和目标投影线间的三种位置关系，构建三段式的车道边界函数，该车道边界函数的因变量为投影点的位置数据，基于投影点的位置数据与目标投影线的位置关系，将位置数据取值范围划分为三段。

进一步地，将同一个候选车道对应的两条目标投影线分别记为第一投影线和第二投影线，终端基于第一投影线和第二投影线，在目标平面中构建平面坐标系，平面坐标系包括互相垂直的横坐标轴和纵坐标轴，第一投影线和第二投影线与平面坐标系中的目标坐标轴平行，目标坐标轴可以是横坐标轴和纵坐标轴中的任意一个，为了准确描述投影线和投影点之间的位置关系，将与目标坐标轴之间的距离较小的投影线记为第一投影线，将第一投影线与目标坐标轴之间的距离记为第一距离，将与目标坐标轴之间的距离较大的投影线记为第二投影线，将第二投影线与目标坐标轴之间的距离记为第二距离。可以理解，在具体的应用中，平面坐标系的横坐标轴和纵坐标轴可以互换，第一投影线和第二投影线也可以互换。

具体地，当投影点与目标坐标轴的目标距离小于第一距离时，车道边界函数的取值与投影点和第一投影线间的距离正相关。当投影点与目标坐标轴的目标距离大于第二距离时，车道边界函数的取值与投影点和第二投影线间的距离正相关。当投影点与目标坐标轴的目标距离大于或等于第一距离、且小于或等于第二距离时，车道边界函数的取值为零。

其中，车道边界函数可以是二次闸函数，例如，当投影点与目标坐标轴的目标距离小于第一距离时，车道边界函数的取值与投影点和第一投影线间的距离平方值正相关。再例如，当投影点与目标坐标轴的目标距离大于第二距离时，车道边界函数的取值与投影点和第二投影线间的距离平方值正相关。

在一个具体地应用中，如图3所示，假设目标对象所在目标道路有1、2、3共三个车道，首先终端将目标对象的中心位置D、路网数据投影至同一平面坐标系Oxy，过目标对象中心位置D引直线与道路方向垂直，并相交与车道线C点、E点、F点和G点。车道边界函数为二次闸函数，其表达式如下：

其中，(x_min,x_max)＝{(x_C,x_E),(x_E,x_F),(x_F,x_G)}；

其中，x_C,x_E,x_F,x_G分别表示C点、E点、F点和G点在Oxy坐标系中的横坐标。

在本实施例中，通过分段的车道边界函数能够实现对候选车道区域的有效限定，基于候选车道与目标对象之间的不同位置关系，车道边界函数的取值采用不同的计算方式，实现对目标对象所对应的投影点是否处于候选车道对应车道区域的精确估计，确保定位结果的准确性。

在一个实施例中，确定目标道路中的各候选车道在目标平面中各自对应的车道区域包括：

从路网数据中，获取目标道路的道路宽度和车道数量；基于道路宽度和车道数量，确定目标道路的每一候选车道在目标平面中各自对应的车道区域。

其中，路网数据是指导航地图中详细的道路信息，主要用于提供路况信息、路网匹配、路况信息处理等。车道区域是指在目标平面中的投影线所构成的区域，投影线用于表征车道两侧的车道线以及道路边界线。

具体地，终端可以基于目标对象的定位数据，从路网数据中获取目标对象当前所在目标道路的道路信息，包括目标道路的道路宽度和车道数量，基于车道宽度和车道数量来确定各个候选车道对应的车道线之间的相对位置关系，以及车道线与道路边界线之间的相对位置关系。按照各个车道线之间的相对位置关系，以及车道线与道路边界线之间的相对位置关系，在目标平面的目标道路中进行车道线投影，得到包含道路边界线以及车道线的投影结果，投影的相邻车道线之间或车道线与相邻道路边界线之间的区域即为车道区域。

在一个具体的应用中，目标对象所在目标道路有1、2、3共三个车道，则在目标平面中的包括两条车道线，两条道路边界线，共四条投影线，从路网数据中，得到目标道路的宽度为9m，各个车道的宽度相同，则可以确定在目标平面中的各个相邻投影线之间的距离为3m，即目标道路上的各个车道在目标平面中的车道区域的宽度均为3m。

在本实施例中，基于目标对象的定位数据，从路网数据中获取道路的道路宽度和车道数量，可以在不对车道线进行视觉检测或雷达检测的前提下，只需要获得道路级的定位信息，就可以准确得到目标道路中各个车道在目标平面中的投影结果，降低了定位处理过程对硬件设备的依赖性。

在一个实施例中，方法还包括：基于目标对象的定位数据和观测数据，确定针对目标对象的滤波参数，获取与滤波参数对应的协方差矩阵以及协方差矩阵对应的估计参数，将协方差矩阵和估计参数作为先验信息，结合候选车道对应的车道边界函数进行非线性优化，得到每一候选车道各自对应的目标代价函数值，筛选出目标代价函数值最小的候选车道作为目标车道。

其中，滤波参数是指融合定位滤波器所对应的参数。终端包括融合定位滤波器，融合定位滤波器的具体类型不做限制，可选的，上述融合定位滤波器可以为卡尔曼融合定位滤波器。以车辆的车道级定位为例，在车道级定位的初始阶段，终端首先建立MEMS IMU(惯性传感)/GNSS(全球卫星导航系统)融合定位算法，具体包括：初始化车辆姿态，获取卫星观测值计算车辆初始位置和速度，由此建立融合定位滤波器。

融合定位滤波器的构建过程包括：获取目标对象的初始定位数据、接收机钟差数据和零偏数据；基于初始定位数据、接收机钟差数据和以及零偏数据，构建融合定位滤波器，得到滤波参数，分别将各融合定位滤波参数作为矩阵元素，得到协方差矩阵。

其中，初始定位数据包括目标对象的初始速度、初始位置以及初始姿态，接收机钟差数据包括接收机钟差变化率和接收机钟差，零偏数据包括惯性传感陀螺仪和加速度计的零偏。

以车辆的车道级定位为例，在车道级定位的初始阶段，终端首先建立MEMS IMU(惯性传感系统)/GNSS(全球卫星导航系统)融合定位算法，具体包括：初始化车辆姿态，获取卫星观测值计算车辆初始位置和初始速度，由此建立融合定位滤波器。

融合定位滤波器参数可设置为：

其中，

为车辆姿态参数，v和p为车辆在ECEF坐标系下的初始速度和初始位置，b_a和b_g为惯性传感陀螺仪和加速度计的零偏，是用来校正MEMS IMU的角速度和加速度的测量偏差的，

表示接收机钟差变化率，dtr表示接收机钟差。

在一个具体的应用中，终端可以基于地图匹配获取车辆所在道路方向β，用道路方向β初始化车辆的运动姿态

即：

其中，

其中，ψ_k＝β,p_k＝0,r_k＝0

其中，β为道路方向，λ为车辆经度坐标，φ为车辆纬度坐标。

通过车辆卫星定位设备输出的卫星观测值，并结合加权最小二乘解算可获取得到车辆的初始位置和速度、接收机钟差以及接收机钟差变化率，亦即p、v、dtr、

参数。

在另一个具体的应用中，车辆姿态

表示的是MEMS IMU对应的惯性坐标系与ECEF(地球坐标系)的欧拉角，即

其中，

和

为惯性传感器三轴所在坐标系绕z轴、y轴和x轴转换至ECEF所转动的欧拉角；惯性传感器三轴所在坐标系与ECEF的转换关系，可用矩阵形式表示为

因此，在确定车辆姿态

的初始值时，基于惯性传感器与ECEF之间的欧拉角，采用下述公式来确定：

其中，Log为李群SO3的Log运算，

为

的反对称矩阵。

协方差矩阵与融合定位滤波器对应的滤波参数相对应，是滤波参数的矩阵表达。终端通过对融合定位滤波器对应的滤波参数进行矩阵转换，得到与滤波参数对应的协方差矩阵。马氏距离用于表示点与一个分布之间的距离，它通过协方差来计算两点之间距离，是一种有效的计算两个未知样本集的相似度的方法。

在一个具体的应用中，目标对象所在目标道路有1、2、3共三个车道，首先终端将目标对象的中心位置D、路网数据投影至同一平面坐标系Oxy，过目标对象中心位置D引直线与道路方向垂直，并相交与车道线C点、E点、F点和G点。二次闸函数的表达式如下：

其中，(x_min,x_max)＝{(x_C,x_E),(x_E,x_F),(x_F,z_G)}；

其中，x_C,x_E,x_F,x_G分别表示C点、E点、F点和G点在Oxy坐标系中的横坐标。

假设目标对象在车道1，则构建如下非线性优化方程：

假设目标对象在车道2，则构建如下非线性优化方程：

假设目标对象在车道3，则构建如下非线性优化方程：

其中，p⁺(t_k)为t_k时刻对应的目标对象所对应的协方差矩阵，

表示将协方差矩阵和估计参数作为先验信息来进行非线性优化，

表示将协方差矩阵和估计参数作为先验信息，结合车道1对应的车道边界函数进行非线性优化，得到车道1对应的目标代价函数值M₁，同理，可以到车道2对应的目标代价函数值M₂，以及车道3对应的目标代价函数值M₃筛选出目标代价函数值最小的候选车道作为目标车道。即，当M₁最小时，则判断目标对象在车道1；当M₂最小时，则判断目标对象在车道2；当M₃最小时，则判断目标对象在车道3。

在本实施例中，通过将融合定位滤波器与车道边界函数进行结合进行非线性优化，来判断目标对象当前所在车道，能够基于车道边界函数实现为候选车道区域的有效限定，基于融合定位滤波器与车道边界函数的融合，实现对目标对象所在目标车道的精确估计，确保定位结果的准确性。

在一个实施例中，方法还包括：监测目标对象的航向变化数据和角速度变化数据；确定航向变化数据与航向变化模板之间的第一匹配结果以及角速度变化数据与角速度变化模板之间的第二匹配结果；当第一匹配结果符合第一匹配条件且第二匹配结果符合第二匹配条件时，判定目标对象在目标道路上发生车道变更。

其中，航向变化数据是指一段时间内车辆运动方向的变化数据，角速度变化数据是指一段时间内车辆运动角速度的变化数据。例如目标车辆由向正北方向运动，2秒后变化为向北偏东5°方向运动，4秒后变化为向正北方向运动。如图4和图5所示，车辆在进行变道时，其航向和角速度的测量值呈现有规律的变化。参见图4，当车辆变道时，车辆的航向变化角度Heading会先增大然后减小，最后稳定至原状态。参见图5，当车辆变道时，车辆的角速度测量值会先增大后减小再增大，最后稳定至原状态。

具体地，航向变化模板如图6所示，dt为航向变化所经历的时间，与目标车道的车道宽度相关，dT为模板匹配时间跨度，dHeading为航向变化角度，通过将航向变化数据与航向变化模板进行匹配，可以得到第一匹配结果。角速度变化模板如图7所示，dt1和dt2为角速度测量值变化所经历的时间且dt1+dt2＝dt；dw1和dw2为角速度测量值变化。

车道变更是指从目标对象从当前车道移动到另一个车道的状态。当第一匹配结果符合第一匹配条件且第二匹配结果符合第二匹配条件时，判定目标车辆当前所处的车道发生变化，即目标车辆发生车道变更。当第一匹配结果不符合第一匹配条件或第二匹配结果不符合第二匹配条件时，判定目标车辆当前所处的车道未发生变化，即目标车辆未发生变道。

具体地，终端获取融合定位滤波处理后得到的航向变化数据、惯性陀螺角速度测量值，将航向变化数据与航向变化模板进行匹配，并将角速度变化数据与角速度变化模板进行匹配，当匹配结果均符合相应的匹配条件时，基于目标车辆当前所定位的车道，对目标车辆进行变道分析。

在本实施例中，一方面通过航向变化和角速度的变化来对目标车辆进行变道分析，能够从航向和角速度两方面的结合来对车辆是否变道进行分析，确保变道分析结果的准确性，另一方面，通过航向变化模板和角速度变化模板的匹配来实现变道分析，简化需要处理的数据，提高变道分析的数据处理效率。

在一个实施例中，确定航向变化数据与航向变化模板之间的第一匹配结果以及角速度变化数据与角速度变化模板之间的第二匹配结果，包括：

基于目标对象当前所在车道的车道宽度，获取与车道宽度相匹配的航向变化模板以及角速度变化模板；将航向变化数据与航向变化模板进行归一化互相关匹配，得到航向变化数据与航向变化模板之间的第一匹配结果；将角速度变化数据与角速度变化模板进行归一化互相关匹配，得到角速度变化数据与角速度变化模板之间的第二匹配结果。

其中，归一化互相关匹配算法是一种统计匹配算法，算法通过计算模板和待匹配图像的互相关值来确定匹配的程度。互相关值最大时的搜索窗口位置决定了模板图像在待匹配图像中的位置。

具体地，目标车道的车道宽度可以从路网数据中获取，基于车道宽度可以确定车辆变道时航向变化以及角速度变化过程所对应的时长，当车道越宽时，航向变化以及角速度变化过程所对应的时长也就越长，当车道越窄时，航向变化以及角速度变化过程所对应的时长也就越短。进一步地，将航向变化数据与航向变化模板进行归一化互相关匹配，与将角速度变化数据与角速度变化模板进行归一化互相关匹配所采用的归一化互相关匹配可以是相同算法，只需要通过改变输入数据组合，即可得到该数据组合对应的匹配结果。

在具体的实施例中，如图8所示，可以采用同一个归一化互相关匹配模型，处理航向变化数据与航向变化模板的归一化互相关匹配以及角速度变化数据与角速度变化模板的归一化互相关匹配，以减少需要的模型数量，也可以采用两个归一化互相关匹配模型，分别处理航向变化数据与航向变化模板的归一化互相关匹配以及角速度变化数据与角速度变化模板的归一化互相关匹配，使得处理航向变化数据与航向变化模板的归一化互相关匹配以及角速度变化数据与角速度变化模板的归一化互相关匹配可以同步进行，提高处理效率。

在本实施例中，通过目标车道的车道宽度，所获取到的航向变化模板以及角速度变化模板能够准确与目标车道的变道数据相匹配，通过将航向变化数据与航向变化模板进行归一化互相关匹配以及将角速度变化数据与角速度变化模板进行归一化互相关匹配，以简化车道变更的判断处理过程，提高判断结果的准确性。

在其中一个实施例中，当第一匹配结果符合第一匹配条件且第二匹配结果符合第二匹配条件时，判定目标对象在目标道路上发生车道变更，包括：

当航向变化数据中的航向变化量达到航向变化模板中的曲线峰值、且角速度变化数据中的角速度最大值达到角速度变化模板中的曲线峰值时，判定目标对象在目标道路上发生车道变更。

其中，航向变化模板中的曲线表示发生车道变更前后的航向变化量，航向变化模板中的曲线峰值是指发生车道变更时最大的航向变化，角速度变化模板中的曲线表示发生车道变更前后的角速度值，角速度变化模板中的曲线峰值是指发生车道变更是角速度的最大值。

终端通过从监测到的航向变化数据中获取最大航向变化量，当最大航向变化量达到航向变化模板中的曲线峰值时，判定第一匹配结果符合第一匹配条件，通过从监测到的角速度变化数据中获取角速度最大值，当角速度最大值达到角速度变化模板中的曲线峰值时，判定第二匹配结果符合第二匹配条件，进而得到目标对象在目标道路上发生车道变更的判定结果。

在本实施例中，通过将航向变化量与航向变化模板中的曲线峰值进行匹配，将角速度最大值与角速度变化模板中的曲线峰值进行匹配，能够简化匹配过程，快速地得到目标对象在目标道路上是否发生车道变更的判定结果。

在一个实施例中，方法还包括：按照与目标对象相匹配的惯性传感数据，对目标对象初始的定位数据进行更新，得到中间数据；基于与目标对象相匹配的卫星观测数据，确定中间数据的误差修正量；按照误差修正量，对中间数据进行误差修正，得到更新的定位数据。

其中，初始定位数据可以是响应用户触发的定位请求，实时采集得到的位置数据采集结果、速度数据采集结果以及姿态数据采集结果。初始定位数据也可以是响应按照一定的时间间隔自动触发的定位请求，从上一时刻的历史定位数据中得到的历史位置数据、历史速度数据以及历史姿态数据。初始定位数据具体可以包括目标对象的位置数据、速度数据以及姿态数据中的一个或多个。

对目标对象的初始定位数据进行更新是指目标对象上一时刻的定位数据变换为下一时刻的定位数据的处理过程。更新定位数据是基于初始定位数据进行更新处理后所得到的结果。例如，将目标对象在当前时刻的定位数据记为初始定位数据，由于目标对象处于运动状态，因此需要确定目标对象在下一时刻对应的定位数据，终端通过初始定位数据进行数据更新处理所得到的结果，即为下一时刻对应的更新定位数据。

具体地，对初始定位数据的更新可以包括数据更新和误差修正。数据更新是指基于上一时刻的定位数据，确定下一时刻的理想定位数据的处理过程，误差修正是指进行数据更新后的理想定位数据进行数据修正，以减小与实际数据的误差的处理过程。在一个具体地应用中，终端响应于定位请求，获取目标对象的初始定位数据。若该定位请求为针对该目标对象的初次定位，则初始定位数据为实时获取的数据，基于实时获取的数据更新得到下一时刻对应的更新定位数据；若该定位请求不为针对该目标对象的初次定位，则可以从历史定位结果中获取到初始定位数据，并通过数据更新得到中间数据。

进一步地，终端基于与目标对象相匹配的惯性传感数据和卫星观测数据，对目标对象的初始定位数据进行更新，得到中间数据。

在一个具体的应用中，终端基于目标对象相匹配的惯性传感数据，对上一时刻的定位数据进行更新，得到下一时刻的理想定位数据作为中间数据，然后基于卫星观测数据对更新后的理想定位数据进行误差修正，得到下一时刻对应的更新定位数据。通过与目标对象相匹配的惯性传感数据和卫星观测数据的融合，对目标对象的初始定位数据进行数据更新和误差修正，可使得所得到的下一时刻对应的更新定位数据的精确度更高。

在本实施例中，基于融合定位滤波器的滤波参数和协方差矩阵，能够融合惯性传感数据以及卫星观测数据，对初始定位数据进行误差修正，从而提高更新定位数据的精确性，实现针对目标对象的准确定位。

在其中一个实施例中，更新定位数据包括目标对象的更新位置数据，终端通过从更新定位数据中提取出更新位置数据，当更新位置数据对应的坐标系与路网数据中的坐标系相同时，可以直接将更新位置数据作为目标对象在目标道路中的坐标位置，当更新位置数据对应的坐标系与路网数据中的坐标系不相同时，可以通过坐标转换，得到目标对象在目标道路中的坐标位置。

具体地，终端基于更新定位数据，确定目标对象中心点的位置数据；按照目标对象对应的经纬度数据对位置数据进行坐标转换，并将坐标转换后的中心位置数据投影至目标平面对应的平面坐标系，确定目标对象在目标道路中的坐标位置。位置数据是目标对象的中心所处位置在地球坐标系中所对应的坐标数据，坐标转换是指将不同坐标系的坐标表达进行统一的处理过程。在一个具体的应用中，假设平面坐标系Oxy中O点对应的地球坐标系的坐标为p_o，则目标对象的中心位置D点在平面坐标系Oxy的坐标为(x_D,y_D)，即，

其中，λ表示目标对象当前所在位置的经度、φ表示目标对象当前所在位置的纬度。p_x、p_y、p_z分别表示目标对象在地球坐标系的坐标数据，p_ox、p_oy、p_oz分别表示平面坐标系的O点在地球坐标系的坐标数据。

在本实施例中，通过按经纬度数据对目标对象中心点的位置数据进行坐标转换，将目标对象中心位置数据投影至目标平面对应的平面坐标系，能够实现不同坐标系数据的统一，提高数据的准确性。

进一步地，滤波参数x的误差修正量可以用δx表示；

具体地，终端基于目标对象的角速度测量值，对目标对象的初始姿态进行更新，得到更新姿态；基于更新姿态和目标对象的加速度测量值，对目标对象的初始速度进行更新，得到更新速度；基于初始速度和更新速度，对目标对象的初始位置进行更新，得到更新位置；基于更新姿态和加速度测量值，对协方差矩阵进行更新，得到更新协方差矩阵。

在一个具体地应用中，车辆位置、速度和姿态以及协方差矩阵的更新过程如下：

在t_k时刻，角速度测量值ω(t_k)和加速度测量值ω(t_k)为：

其中，ω_x(t_k)表征角速度测量值ω(t_k)在惯性传感器三轴中的x轴的分解结果；ω_y(t_k)表征角速度测量值ω(t_k)在惯性传感器三轴中的y轴的分解结果；ω_z(t_k)表征角速度测量值ω(t_k)在惯性传感器三轴中的z轴的分解结果；a_x(t_k)表征加速度测量值a(t_k)在惯性传感器三轴中x轴的分解结果；a_y(t_k)表征加速度测量值a(t_k)在惯性传感器三轴中的y轴的分解结果；a_z(t_k)表征加速度测量值a(t_k)在惯性传感器三轴中的z轴的分解结果。

进一步地，终端可以用下列步骤计算目标车辆在t_k时刻的更新位置、更新速度以及更新姿态：

其中，车辆姿态更新的过程如下：

其中，ω_e为地球自转角速度值，Δt＝t_k-t_k-1为更新时间间隔，

为t_k-1时刻惯性坐标系与地球坐标系的坐标系转换矩阵，在初次定位时刻，

由融合滤波参数中

的初始值确定。

为t_k时刻惯性坐标系与地球坐标系的坐标系转换矩阵，即更新后的车辆姿态；

车辆速度更新的过程如下：

基于当前时刻获得的加速度测量数据、前一时刻的速度、当前时刻对应的重力值、以及定位时间间隔，确定当前时刻的速度。具体处理过程如下：

其中，g(t_k)为在t_k时刻地球坐标系下的重力值，v(t_k-1)为t_k-1时刻车辆的速度，v(t_k)为t_k时刻车辆的速度，即更新后车辆的速度；

车辆位置更新的过程如下：

其中，p(t_k-1)为t_k-1时刻车辆的位置，p(t_k)为t_k时刻车辆的位置，即更新后的车辆位置。

协方差矩阵更新的过程如下：

终端基于当前时刻获得的速度测量数据，得到当前时刻的更新姿态、更新速度以及更新位置后，基于当前时刻的更新姿态、更新速度以及更新位置对滤波参数矩阵中对应的参数进行更新，获得中间参数矩阵。进一步的，终端基于当前时刻速度测量数据中的加速度测量数据，以及姿态，构建卡尔曼滤波算法对应的状态转移矩阵，并根据状态转移矩阵，以及由惯性传感器的属性信息确定的误差矩阵，更新初始协方差矩阵，获得中间协方差矩阵，初始的协方差矩阵为上一次定位完成后得到的协方差矩阵。

滤波器的协方差矩阵x用下式进行更新，即

P(t_k)＝Φ(t_k)·P(t_k-1)·Φ(t_k)^T+Q(t_k)

其中，Φ(t_k)表示滤波算法中的系统状态转移矩阵；

其中，I_3×3为3×3的单位矩阵，Ω_e、F₂₁、F₂₃为用于计算Φ(t_k)的中间变量。

其中，r_S(t_k)表示当前车辆与地心的距离，Q(t_k)为系统噪声，可直接由移动终端的惯性传感器产品说明书获得得到的，即，

其中，

和

为加速度计和陀螺仪的系统噪声谱密度，可直接由车载MEMS IMU产品说明书获得得到的。

以此类推，当接收到下一时刻t_k+1的惯性加速度和角速度测量值时，重复上述步骤，从而实现车辆位置、速度、姿态以及协方差矩阵的更新。

在本实施例中，基于惯性传感器采集的角速度测量值ω(t_k)和加速度测量值ω(t_k)，实现了对初始定位数据的更新和对协方差矩阵的更新，相当于目标对象的位置信息，更新至基于惯性传感器采集的数据确定的位置，使得后续再进行修正处理时，无需进行大幅度的调整，保证了定位的精度。

在一个实施例中，基于与目标对象相匹配的卫星观测数据，确定中间数据的误差修正量，包括：

从目标对象对应的卫星观测数据中，获取伪距观测值和多普勒观测值；基于伪距观测值和多普勒观测值，构建滤波参数误差修正方程；求解滤波参数误差修正方程，得到误差修正量。

其中，伪距观测值表示信号的本地接收时刻与信号所携的表征时间值之差。多普勒观测值表示相邻两个观测时间间隔期间的平均速度。

具体地，终端从目标对象对应的卫星观测数据中，分别获取多颗卫星的伪距观测值和多普勒观测值，基于多颗卫星对应的伪距观测值，构建伪距观测值与车辆位置之间的第一方程组，并基于多颗卫星对应的多普勒观测值，否级案多普勒观测值与车辆位置之间的第二方程组，基于第一方程组和第二方程组，构建滤波参数误差修正方程，求解滤波参数误差修正方程，得到误差修正量。

在一个具体的应用中，基于接收到的n颗卫星的伪距观测值，则可构建如下方程式：

其中，

i＝1,2,…,为终端接收到卫星观测值，p为车辆位置，rⁱ为卫星i的位置，dt_r为接收机钟差，dtⁱ为卫星i的钟差，c为真空中的光速值，ζ为误差改正数(包括电离层、对流层以及地球自转改正，可由经验模型计算得到)；

基于接收到的n颗卫星的多普勒观测值，则可构建如下方程式：

其中，λ为卫星播发信号的波长，

i＝1,2,……，n为多普勒观测值，vⁱ，i＝1,2,……，n为卫星运行速度，

为终端接收机钟漂，

i＝1,2,……,n为卫星钟漂；

基于上述方程，构建如下滤波参数误差修正方程：

基于上述滤波参数误差修正方程，计算融合滤波参数修正量

其中，P^-(t_k)为t_k时刻车辆协方差矩阵预测值，R_M(t_k)为测量误差矩阵，λ为载波波长，

i＝1,2,…,n为车载终端至卫星的单位观测向量；P⁺(t_k)为修正后融合滤波器协方差矩阵；利用所得误差修正量

对融合滤波器参数矩阵中的每一个参数进行修正，即，

在本实施例中，通过多颗卫星的伪距观测值和多普勒观测值，分别构建对应的方程组，进而构建滤波参数误差修正方程以得到误差修正量，构建一个合理的约束能够提升车辆的定位准确度。

在一个具体的实施例中，如图9所示，目标对象定位方法包括：

步骤902，按照与目标对象相匹配的惯性传感数据，对目标对象初始的定位数据进行更新，得到中间数据。

步骤904，从目标对象对应的卫星观测数据中，获取伪距观测值和多普勒观测值。

步骤906，基于伪距观测值和多普勒观测值，构建滤波参数误差修正方程。

步骤908，求解滤波参数误差修正方程，得到误差修正量。

步骤910，按照误差修正量，对中间数据进行误差修正，得到更新的定位数据。

步骤912，按照定位数据进行路网匹配，确定目标对象所处的目标道路，从路网数据中，获取目标道路的道路宽度和车道数量。

步骤914，监测目标对象的航向变化数据和角速度变化数据。

步骤916，基于目标对象当前所在车道的车道宽度，获取与车道宽度相匹配的航向变化模板以及角速度变化模板。

步骤918，将航向变化数据与航向变化模板进行归一化互相关匹配，得到航向变化数据与航向变化模板之间的第一匹配结果。

步骤920，将角速度变化数据与角速度变化模板进行归一化互相关匹配，得到角速度变化数据与角速度变化模板之间的第二匹配结果。

步骤922，当第一匹配结果符合第一匹配条件且第二匹配结果符合第二匹配条件时，判定目标对象在目标道路上发生车道变更。

步骤924，基于道路宽度和车道数量，确定目标道路的每一候选车道在目标平面中各自对应的车道区域。

步骤926，基于目标平面中构成车道区域的投影线，确定车道区域所表征的候选车道与投影线之间的匹配关系。

步骤928，针对每一候选车道，基于候选车道所匹配的目标投影线，按照目标对象在目标平面中的投影点和目标投影线间的位置关系，构建分段的车道边界函数。

其中，目标投影线包括在平面坐标系中与目标坐标轴平行的第一投影线和第二投影线。第一投影线与目标坐标轴之间的第一距离小于第二投影线与目标坐标轴之间的第二距离。当投影点与目标坐标轴的目标距离小于第一距离时，车道边界函数的取值与投影点和第一投影线间的距离正相关。当投影点与目标坐标轴的目标距离大于第二距离时，车道边界函数的取值与投影点和第二投影线间的距离正相关。当投影点与目标坐标轴的目标距离大于或等于第一距离、且小于或等于第二距离时，车道边界函数的取值为零。

步骤930，基于目标对象的定位数据和观测数据，确定针对目标对象的滤波参数。

步骤932，获取与滤波参数对应的协方差矩阵以及协方差矩阵对应的估计参数。

步骤934，将协方差矩阵和估计参数作为先验信息，结合候选车道对应的车道边界函数进行非线性优化，得到每一候选车道各自对应的目标代价函数值，选出目标代价函数值最小的候选车道作为目标车道。

在一个具体的应用中，如图10和图11所示，以车载终端针对目标车辆的车道级定位为例，该应用场景应用上述的目标对象定位方法。具体地，该目标对象定位方法在目标车辆的车道级定位这一应用场景的应用如下：

车道级定位技术广泛应用于ADAS(高级驾驶辅助系统，Advanced DrivingAssistance System)、行车线偏离系统以及自动驾驶领域，相比目前使用视觉传感器、激光雷达等方法，传统的使用视觉传感器、激光雷达等成本高且计算量大，视觉传感器受天气、道路环境等影响较大，车道估计和变更检测准确率较低，没有充分利用车载MEMS IMU、卫星观测信息、路网信息等有效数据，从而导致缺少可靠的车道变更检测和车道跟踪方法。

针对目前车道级定位方法的不足，提出一种融合MEMS IMU、多系统多频点卫星观测信息以及地图匹配的车道级的目标对象定位方法，主要包括有以下几个步骤：

(1)在车道级定位初始阶段，建立MEMS IMU/GNSS融合定位算法。

具体地，融合定位算法的建立过程如下：车载终端利用道路方向或GNSS观测信息初始化车辆姿态，由车辆卫星定位设备获取得到的卫星观测值计算车辆初始位置和初始速度，基于初始姿态，初始位置以及初始速度，建立卡尔曼融合定位滤波器。

在一个具体的应用中，由地图匹配获取车辆所在道路方向为β，用β初始化车辆运动姿态

即

其中，

其中，ψ_k＝β,p_k＝0,r_k＝0

其中，β为道路方向，λ为车辆经度坐标，φ为车辆纬度坐标。

通过车辆卫星定位设备输出的卫星观测值，并结合加权最小二乘解算可获取得到车辆的初始位置和速度、接收机钟差以及接收机钟差变化率，亦即p、v、dtr、

参数。

其中，融合定位滤波器的滤波参数可设置为

其中，

为车辆姿态参数，v和p为车辆在ECEF坐标系下的初始速度和初始位置，b_a和b_g为惯性传感陀螺仪和加速度计的零偏，是用来校正MEMS IMU的角速度和加速度的测量偏差的，

表示接收机钟差变化率，dtr表示接收机钟差。

融合定位滤波器参数x的误差修正量用δx表示；

(2)根据MEMS IMU惯性传感器辅助车辆运动状态和协方差矩阵的更新。车辆位置、速度和姿态以及协方差矩阵的更新过程如下：

在t_k时刻，角速度测量值ω(t_k)和加速度测量值ω(t_k)为：

其中，ω_x(t_k)表征角速度测量值ω(t_k)在惯性传感器三轴中的x轴的分解结果；ω_y(t_k)表征角速度测量值ω(t_k)在惯性传感器三轴中的y轴的分解结果；ω_z(t_k)表征角速度测量值ω(t_k)在惯性传感器三轴中的z轴的分解结果；a_x(t_k)表征加速度测量值a(t_k)在惯性传感器三轴中x轴的分解结果；a_y(t_k)表征加速度测量值a(t_k)在惯性传感器三轴中的y轴的分解结果；a_z(t_k)表征加速度测量值a(t_k)在惯性传感器三轴中的z轴的分解结果。

进一步地，终端可以用下列步骤计算目标车辆在t_k时刻的更新位置、更新速度以及更新姿态：

其中，车辆姿态更新的过程如下：

其中，ω_e为地球自转角速度值，Δt＝t_k-t_k-1为更新时间间隔，

为t_k-1时刻惯性坐标系与地球坐标系的坐标系转换矩阵，在初次定位时刻，

由融合滤波参数中

的初始值确定。

为t_k时刻惯性坐标系与地球坐标系的坐标系转换矩阵，即更新后的车辆姿态；

车辆速度更新的过程如下：

基于当前时刻获得的加速度测量数据、前一时刻的速度、当前时刻对应的重力值、以及定位时间间隔，确定当前时刻的速度。具体处理过程如下：

其中，g(t_k)为在t_k时刻地球坐标系下的重力值，v(t_k-1)为t_k-1时刻车辆的速度，v(t_k)为t_k时刻车辆的速度，即更新后车辆的速度；

车辆位置更新的过程如下：

其中，p(t_k-1)为t_k-1时刻车辆的位置，p(t_k)为t_k时刻车辆的位置，即更新后的车辆位置。

协方差矩阵更新的过程如下：

终端基于当前时刻获得的速度测量数据，得到当前时刻的更新姿态、更新速度以及更新位置后，基于当前时刻的更新姿态、更新速度以及更新位置对滤波参数矩阵中对应的参数进行更新，获得中间参数矩阵。进一步的，终端基于当前时刻速度测量数据中的加速度测量数据，以及姿态数据，构建卡尔曼滤波算法对应的状态转移矩阵，并根据状态转移矩阵，以及由惯性传感器的属性信息确定的误差矩阵，更新初始协方差矩阵，获得中间协方差矩阵，初始的协方差矩阵为上一次定位完成后得到的协方差矩阵。

滤波器的协方差矩阵x用下式进行更新，即

P(t_k)＝Φ(t_k)·P(t_k-1)·Φ(t_k)^T+Q(t_k)

其中，Φ(t_k)表示滤波算法中的系统状态转移矩阵；

其中，I_3×3为3×3的单位矩阵，Ω_e、F₂₁、F₂₃为用于计算Φ(t_k)的中间变量。

其中，r_S(t_k)表示当前用户车辆与地心的距离，Q(t_k)为系统噪声，可直接由移动终端的惯性传感器产品说明书获得得到的，即

其中，

和

为加速度计和陀螺仪的系统噪声谱密度，可直接由车载MEMS IMU产品说明书获得得到的；

以此类推，当接收到下一时刻t_k+1的惯性加速度和角速度测量值时，重复上述步骤；实现车辆位置、速度、姿态以及协方差矩阵的更新。

(3)基于融合定位滤波器利用GNSS伪距和多普勒测量数据修正车辆运动状态。

车载终端基于接收到的n颗卫星的伪距观测值，构建如下第一方程式：

其中，

i＝1,2,…,n为终端接收到卫星观测值，p为车辆位置，rⁱ为卫星i的位置，dt_r为接收机钟差，dtⁱ为卫星i的钟差，c为真空中的光速值，ζ为误差改正数(包括电离层、对流层以及地球自转改正，可由经验模型计算得到)；

基于接收到的n颗卫星的多普勒观测值，构建如下第二方程式：

其中，λ为卫星播发信号的波长，

i＝1,2,……,n为多普勒观测值，vⁱ,i＝1,2,……,n为卫星运行速度，

为终端接收机钟漂，

i＝1,2,……,n为卫星钟漂；

基于上述第一方程式和第二方程式，构建如下滤波参数误差修正方程：

基于上述滤波参数误差修正方程，计算融合滤波参数修正量

其中，P^-(t_k)为t_k时刻车辆协方差矩阵预测值，R_M(t_k)为测量误差矩阵，λ为载波波长，

i＝1,2,…,n为车载终端至卫星的单位观测向量；P⁺(t_k)为修正后融合滤波器协方差矩阵；利用所得误差修正量

对融合滤波器参数矩阵中的每一个参数进行修正，即，

通过多颗卫星的伪距观测值和多普勒观测值，分别构建对应的方程组，进而构建滤波参数误差修正方程以得到误差修正量，构建一个合理的约束能够提升车辆的定位准确度。

(4)变道追踪。车载终端将车辆当前位置投影至所在车道中心线并跟踪车辆在所在车道中心线的投影点，基于归一化互相关算法融合MEMS IMU观测数据和车辆航向信息检测车道变更，当检测到车道变更时，使用步骤(5)估计当前车辆所在车道，输出当前车辆在所在车道中心线的投影点位置。

车辆在进行变道时，其航向和MEMS IMU的陀螺角速度测量值呈现有规律的变化。当车辆变道时，车辆的航向变化角度Heading会先增大然后减小，最后稳定至原状态。车辆的角速度测量值会先增大后减小再增大，最后稳定至原状态。具体地，航向变化模板如图6所示，dt为航向变化所经历的时间，与目标车道的车道宽度相关，目标车道的车道宽度可以从路网数据中获取，基于车道宽度可以确定车辆变道时航向变化以及角速度变化过程所对应的时长，当车道越宽时，航向变化以及角速度变化过程所对应的时长也就越长，当车道越窄时，航向变化以及角速度变化过程所对应的时长也就越短。dT为模板匹配时间跨度，dHeading为航向变化角度，通过将航向变化数据与航向变化模板进行匹配，可以得到第一匹配结果。角速度变化模板如图8所示dt1和dt2为角速度测量值变化所经历的时间且dt1+dt2＝dt；dw1和dw2为角速度测量值变化。将航向变化数据、角速度变化数据、航向变化模板以及角速度变化模板进行归一化互相关匹配，能够充分考虑不同数据之间的关联性，避免单一数据进行数据匹配所造成的整体误差，提高匹配结果的准确性。

(5)车道估计。结合融合滤波器输出的位置、速度和姿态，基于隐马尔可夫模型地图匹配，获取当前车辆所在道路、车道数以及车道宽度等信息。并基于二次闸函数和非线性优化估计当前车辆所在车道。

假设平面坐标系Oxy中O点对应的地球坐标系的坐标为p_o，则目标对象的中心位置D点在平面坐标系Oxy的坐标为(x_D,y_D)，即，

其中，λ表示目标对象当前所在位置的经度、φ表示目标对象当前所在位置的纬度。p_x、p_y、p_z分别表示目标对象在地球坐标系的坐标数据，p_ox、p_oy、p_oz分别表示平面坐标系的O点在地球坐标系的坐标数据。

假设目标对象所在目标道路有1、2、3共三个车道，首先终端将目标对象的中心位置D、路网数据投影至同一平面坐标系Oxy，过目标对象中心位置D引直线与道路方向垂直，并相交与车道线C点、E点、F点和G点。二次闸函数的表达式如下：

其中，(x_min,x_max)＝{(x_C,x_E),(x_E,z_F),(x_F,x_G)}；

其中，x_C,x_E,x_F,x_G分别表示C点、E点、F点和G点在Oxy坐标系中的横坐标。

假设目标对象在车道1，则构建如下非线性优化方程：

假设目标对象在车道2，则构建如下非线性优化方程：

假设目标对象在车道3，则构建如下非线性优化方程：

其中，p⁺(t_k)为t_k时刻对应的目标对象所对应的协方差矩阵，

表示将协方差矩阵和估计参数作为先验信息来进行非线性优化，

表示将协方差矩阵和估计参数作为先验信息，结合候选车道1对应的车道边界函数进行非线性优化，得到车道1对应的目标代价函数值M₁，同理，可以到车道2对应的目标代价函数值M₂，以及车道3对应的目标代价函数值M₃筛选出目标代价函数值最小的候选车道作为目标车道。即，当M₁最小时，则判断目标对象在车道1；当M₂最小时，则判断目标对象在车道2；当M₃最小时，则判断目标对象在车道3。。

基于上述目标对象定位方法，通过将传统的视觉定位方法转换为通过判断车辆的投影点在目标平面的位置所处的车道区域，来实现车辆的车道级定位，基于得到的定位数据和路网数据，通过融合算法和闸函数确定具体车辆所处的车道，即，采用低成本硬件+算法补充的技术，有效提高车辆位置精度，辅助车道级定位导航，优化用户体验，降低车道级定位成本和计算量，可以解决高楼林立、城市峡谷等复杂场景车辆定位不准的问题，还可以解决夜晚、雾天等较恶劣环境使用视觉传感器车道级定位失败的问题。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的目标对象定位方法的目标对象定位装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个目标对象定位装置实施例中的具体限定可以参见上文中对于目标对象定位方法的限定，在此不再赘述。

在一个实施例中，如图12所示，提供了一种目标对象定位装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：定位数据获取模块1202、路网匹配模块1204、变道检测模块1206和车道定位模块1208，其中：

定位数据获取模块1202，用于获取目标对象的定位数据；

路网匹配模块1204，用于按照所述定位数据进行路网匹配，确定所述目标对象所处的目标道路；

变道检测模块1206，用于当所述目标对象在所述目标道路上发生车道变更时，确定所述目标道路中的各候选车道在目标平面中各自对应的车道区域；

车道定位模块1208，用于从所述候选车道中确定出目标车道，使得所述目标对象在所述目标平面中的投影点处于所述目标车道所对应的车道区域内，将所述目标对象定位至所述目标车道。

在一个实施例中，车道定位模块还包括车道边界函数构建模块以及定位模块；其中：

车道边界函数构建模块，用于针对所述目标道路中的每一候选车道，分别构建车道边界函数；

所述定位模块，用于当从所述候选车道中确定出目标车道，使得所述目标车道对应车道边界函数的求解结果符合结果筛选条件时，将所述目标对象定位至所述目标车道；

所述结果筛选条件，表征所述目标对象在所述目标平面中的投影点处于所述目标车道所对应的车道区域内。

在一个实施例中，车道边界函数构建模块，还用于基于所述目标平面中构成车道区域的投影线，确定所述车道区域所表征的候选车道与投影线之间的匹配关系；针对每一所述候选车道，基于所述候选车道所匹配的目标投影线，按照所述目标对象在所述目标平面中的投影点和所述目标投影线间的位置关系，构建分段的车道边界函数。

在一个实施例中，所述目标投影线包括在平面坐标系中与目标坐标轴平行的第一投影线和第二投影线；所述第一投影线与所述目标坐标轴之间的第一距离小于所述第二投影线与所述目标坐标轴之间的第二距离；

当所述投影点与所述目标坐标轴的目标距离小于所述第一距离时，所述车道边界函数的取值与所述投影点和第一投影线间的距离正相关；

当所述投影点与所述目标坐标轴的目标距离大于所述第二距离时，所述车道边界函数的取值与所述投影点和第二投影线间的距离正相关。

当所述投影点与所述目标坐标轴的目标距离大于或等于所述第一距离、且小于或等于所述第二距离时，所述车道边界函数的取值为零。

在一个实施例中，所述变道检测模块还用于从路网数据中，获取所述目标道路的道路宽度和车道数量；基于所述道路宽度和所述车道数量，确定所述目标道路的每一候选车道在所述目标平面中各自对应的车道区域。

在一个实施例中，所述装置还包括马氏距离计算模块，用于基于目标对象的定位数据和观测数据，确定针对所述目标对象的滤波参数；获取与所述滤波参数对应的协方差矩阵，计算所述目标对象的定位数据与所述协方差矩阵中各元素之间的马氏距离；

所述车道定位模块，还用于当从所述候选车道中确定出目标车道，使得所述车道边界函数的求解结果和所述马氏距离的累加结果符合结果筛选条件时，将所述目标对象定位至所述目标车道。

在一个实施例中，所述装置变道检测模块还用于监测所述目标对象的航向变化数据和角速度变化数据；确定所述航向变化数据与航向变化模板之间的第一匹配结果以及所述角速度变化数据与角速度变化模板之间的第二匹配结果；当所述第一匹配结果符合第一匹配条件且所述第二匹配结果符合第二匹配条件时，判定所述目标对象在所述目标道路上发生车道变更。

在一个实施例中，所述装置变道检测模块还用于基于所述目标对象当前所在车道的车道宽度，获取与所述车道宽度相匹配的航向变化模板以及角速度变化模板；将所述航向变化数据与所述航向变化模板进行归一化互相关匹配，得到所述航向变化数据与所述航向变化模板之间的第一匹配结果；将所述角速度变化数据与所述角速度变化模板进行归一化互相关匹配，得到所述角速度变化数据与所述角速度变化模板之间的第二匹配结果。

在一个实施例中，所述装置变道检测模块还用于当所述航向变化数据中的航向变化量达到所述航向变化模板中的曲线峰值、且所述角速度变化数据中的角速度最大值达到所述角速度变化模板中的曲线峰值时，判定所述目标对象在所述目标道路上发生车道变更。

在一个实施例中，所述定位数据获取模块还用于按照与目标对象相匹配的惯性传感数据，对所述目标对象初始的定位数据进行更新，得到中间数据；基于与所述目标对象相匹配的卫星观测数据，确定所述中间数据的误差修正量；按照所述误差修正量，对所述中间数据进行误差修正，得到更新的定位数据。

在一个实施例中，所述定位数据获取模块还用于从所述目标对象对应的卫星观测数据中，获取伪距观测值和多普勒观测值；基于所述伪距观测值和所述多普勒观测值，构建滤波参数误差修正方程；求解所述滤波参数误差修正方程，得到误差修正量。

上述目标对象定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种目标对象定位方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (15)

1.一种目标对象定位方法，其特征在于，所述方法包括：

获取目标对象的定位数据；

按照所述定位数据进行路网匹配，确定所述目标对象所处的目标道路；

当所述目标对象在所述目标道路上发生车道变更时，确定所述目标道路中的各候选车道在目标平面中各自对应的车道区域；

从所述候选车道中确定出目标车道，使得所述目标对象在所述目标平面中的投影点处于所述目标车道所对应的车道区域内；

将所述目标对象定位至所述目标车道。

2.根据权利要求1所述的方法，其特征在于，所述从所述候选车道中确定出目标车道，使得所述目标对象在所述目标平面中的投影点处于所述目标车道所对应的车道区域内，包括：

针对所述目标道路中的每一候选车道，分别构建车道边界函数；

从所述候选车道中确定出目标车道，使得所述目标车道对应车道边界函数的求解结果符合结果筛选条件；

所述结果筛选条件，表征所述目标对象在所述目标平面中的投影点处于所述目标车道所对应的车道区域内。

3.根据权利要求2所述的方法，其特征在于，所述针对所述目标道路中的每一候选车道，分别构建车道边界函数，包括：

基于所述目标平面中构成车道区域的投影线，确定所述车道区域所表征的候选车道与投影线之间的匹配关系；

针对每一所述候选车道，基于所述候选车道所匹配的目标投影线，按照所述目标投影线与所述目标对象在所述目标平面中的投影点的位置关系，构建分段的车道边界函数。

4.根据权利要求3所述的方法，其特征在于，所述目标投影线包括在平面坐标系中与目标坐标轴平行的第一投影线和第二投影线；

所述第一投影线与所述目标坐标轴之间的第一距离小于所述第二投影线与所述目标坐标轴之间的第二距离；

当所述投影点与所述目标坐标轴的目标距离小于所述第一距离时，所述车道边界函数的取值与所述投影点和第一投影线间的距离正相关；

当所述投影点与所述目标坐标轴的目标距离大于所述第二距离时，所述车道边界函数的取值与所述投影点和第二投影线间的距离正相关；

当所述投影点与所述目标坐标轴的目标距离大于或等于所述第一距离、且小于或等于所述第二距离时，所述车道边界函数的取值为零。

5.根据权利要求1所述的方法，其特征在于，所述确定所述目标道路中的各候选车道在目标平面中各自对应的车道区域包括：

从路网数据中，获取所述目标道路的道路宽度和车道数量；

基于所述道路宽度和所述车道数量，确定所述目标道路的每一候选车道在所述目标平面中各自对应的车道区域。

6.根据权利要求2所述的方法，其特征在于，所述方法还包括：

基于目标对象的定位数据和观测数据，确定针对所述目标对象的滤波参数；

获取与所述滤波参数对应的协方差矩阵以及所述协方差矩阵对应的估计参数；

将所述协方差矩阵和所述估计参数作为先验信息，结合所述候选车道对应的车道边界函数进行非线性优化，得到每一候选车道各自对应的目标代价函数值；

所述从所述候选车道中确定出目标车道，使得所述车道边界函数结合的求解结果符合结果筛选条件，包括：

筛选出所述目标代价函数值最小的候选车道作为目标车道。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

监测所述目标对象的航向变化数据和角速度变化数据；

确定所述航向变化数据与航向变化模板之间的第一匹配结果以及所述角速度变化数据与角速度变化模板之间的第二匹配结果；

当所述第一匹配结果符合第一匹配条件且所述第二匹配结果符合第二匹配条件时，判定所述目标对象在所述目标道路上发生车道变更。

8.根据权利要求7所述的方法，其特征在于，所述确定所述航向变化数据与航向变化模板之间的第一匹配结果以及所述角速度变化数据与角速度变化模板之间的第二匹配结果，包括：

基于所述目标对象当前所在车道的车道宽度，获取与所述车道宽度相匹配的航向变化模板以及角速度变化模板；

将所述航向变化数据与所述航向变化模板进行归一化互相关匹配，得到所述航向变化数据与所述航向变化模板之间的第一匹配结果；

将所述角速度变化数据与所述角速度变化模板进行归一化互相关匹配，得到所述角速度变化数据与所述角速度变化模板之间的第二匹配结果。

9.根据权利要求7所述的方法，其特征在于，所述当所述第一匹配结果符合第一匹配条件且所述第二匹配结果符合第二匹配条件时，判定所述目标对象在所述目标道路上发生车道变更，包括：

当所述航向变化数据中的航向变化量达到所述航向变化模板中的曲线峰值、且所述角速度变化数据中的角速度最大值达到所述角速度变化模板中的曲线峰值时，判定所述目标对象在所述目标道路上发生车道变更。

10.根据权利要求1至9中任一项所述的方法，其特征在于，所述方法还包括：

按照与目标对象相匹配的惯性传感数据，对所述目标对象初始的定位数据进行更新，得到中间数据；

基于与所述目标对象相匹配的卫星观测数据，确定所述中间数据的误差修正量；

按照所述误差修正量，对所述中间数据进行误差修正，得到更新的定位数据。

11.根据权利要求10所述的方法，其特征在于，所述基于与所述目标对象相匹配的卫星观测数据，确定所述中间数据的误差修正量，包括：

从所述目标对象对应的卫星观测数据中，获取伪距观测值和多普勒观测值；

基于所述伪距观测值和所述多普勒观测值，构建滤波参数误差修正方程；

求解所述滤波参数误差修正方程，得到误差修正量。

12.一种目标对象定位装置，其特征在于，所述装置包括：

定位数据获取模块，用于获取目标对象的定位数据；

路网匹配模块，用于按照所述定位数据进行路网匹配，确定所述目标对象所处的目标道路；

变道检测模块，用于当所述目标对象在所述目标道路上发生车道变更时，确定所述目标道路中的各候选车道在目标平面中各自对应的车道区域；

车道定位模块，用于从所述候选车道中确定出目标车道，使得所述目标对象在所述目标平面中的投影点处于所述目标车道所对应的车道区域内，将所述目标对象定位至所述目标车道。

13.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述的方法的步骤。

14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至11中任一项所述的方法的步骤。

15.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至11中任一项所述的方法的步骤。

Images