[go: up one dir, main page]

CN114646954A - 基于雷达检测的交通工具定位 - Google Patents

基于雷达检测的交通工具定位 Download PDF

Info

Publication number
CN114646954A
CN114646954A CN202111493568.8A CN202111493568A CN114646954A CN 114646954 A CN114646954 A CN 114646954A CN 202111493568 A CN202111493568 A CN 202111493568A CN 114646954 A CN114646954 A CN 114646954A
Authority
CN
China
Prior art keywords
radar
vehicle
trajectory information
grid
ego
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111493568.8A
Other languages
English (en)
Inventor
M·A·莫瓦德
A·索伦蒂诺
陈南虎
M·H·劳尔
J·波伦布斯基
A·索马纳特
A·萨默
张凯
U·伊尔格尔
A·约费
K·科古特
C·卡拉布鲁特
D·卡兰诺维奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anbofu Technology Co ltd
Original Assignee
Delphi Technologies Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Delphi Technologies Inc filed Critical Delphi Technologies Inc
Publication of CN114646954A publication Critical patent/CN114646954A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
    • G01S13/876—Combination of several spaced transponders or reflectors of known location for determining the position of a receiver
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/003—Transmission of data between radar, sonar or lidar systems and remote stations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/295—Means for transforming co-ordinates or for evaluating data, e.g. using computers
    • G01S7/2955—Means for determining the position of the radar coordinate system for evaluating the position data of the target in another coordinate system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/20—Control system inputs
    • G05D1/24—Arrangements for determining position or orientation
    • G05D1/247—Arrangements for determining position or orientation using signals provided by artificial sources external to the vehicle, e.g. navigation beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9316—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles combined with communication equipment with other vehicles or with base stations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9322—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles using additional data, e.g. driver condition, road state or weather data

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本文档描述了基于雷达检测的交通工具定位方法和系统。雷达定位从构建雷达参考地图开始。可以使用如本文所述的不同技术来生成和更新雷达参考地图。一旦雷达参考地图可用，就可以使用便宜的雷达传感器和导航系统实现实时定位。使用本文档中描述的技术，可以处理来自雷达传感器和导航系统的数据以标识交通工具附近的静止定位对象或地标。将源自交通工具的车载传感器和系统的地标数据与雷达参考地图中详述的地标数据进行比较可以生成交通工具在其环境中的准确姿态。通过使用便宜的雷达系统和质量较低的导航系统，可以以具有成本效益的方式获得高度准确的交通工具姿态。

Description

基于雷达检测的交通工具定位
相关申请交叉引用
本申请根据35U.S.C.119(e)要求于2021年2月5日提交的美国临时申请第63/146,483号和于2020年12月17日提交的美国临时申请第63/127,049号的权益，这些临时申请的公开内容通过引用整体并入本文。
背景技术
交通工具定位是一种使用传感器数据将交通工具定位到地图(例如，确定交通工具在地图上的位置)的技术。交通工具定位可用于支持自主交通工具操作(例如，导航、路径规划、车道确定和居中以及没有车道标记情况下的曲线执行)。为了相对于交通工具环境准确定位交通工具，交通工具定位包括从交通工具上的各种传感器和导航系统获取静止定位对象(例如，标志、杆、障碍物)的位置，并将这些位置与地图上的已知位置(例如，统一横轴墨卡托或UTM框架中的位置)进行关联。可以相对于这些对象确定交通工具的位置或姿态。
一些自主交通工具执行取决于接近亚米级精确度水平的定位精确度的驾驶操作。亚米级精确度水平可以通过昂贵的传感器和导航系统来实现，包括光学相机、基于光检测的测距系统(例如LiDAR)和高质量的全球导航卫星系统(GNSS)接收器。然而，在不太理想的照明和天气条件下操作时，相机和LiDAR可能具有降低的性能。高质量的GNSS系统可能对于大多数消费者交通工具而言过于昂贵，而这些交通工具可能会与功能较弱的全球定位功能集成。
发明内容
下面描述的各方面包括基于雷达检测的交通工具定位方法。该方法包括：由至少一个处理器从交通工具的一个或多个雷达传感器接收雷达检测。该方法进一步包括：由至少一个处理器从交通工具的一个或多个导航单元接收导航数据。该方法进一步包括：由至少一个处理器输出关于交通工具当前动态状态的自我轨迹信息。该方法进一步包括：由至少一个处理器从雷达检测和自我轨迹信息提取地标数据。该方法还包括：由至少一个处理器从提取的地标数据和雷达参考地图确定正态分布变换网格。该方法还包括：响应于确定正态分布变换网格，由至少一个处理器根据正态分布变换网格校正交通工具姿态以定位交通工具。
下面描述的各方面还包括用于基于雷达检测实现交通工具定位的系统。该系统包括至少一个处理器和至少一个计算机可读存储介质，该计算机可读存储介质包括指令，指令当由处理器执行时使系统从一个或多个雷达传感器接收雷达检测。指令还使系统从一个或多个导航单元接收导航数据。指令进一步使系统输出关于交通工具当前动态状态的自我轨迹信息。指令进一步使系统从雷达检测和自我轨迹信息提取地标数据。指令进一步使系统从提取的地标数据和雷达参考地图确定正态分布变换网格。指令进一步使系统响应于确定正态分布变换网格，根据正态分布变换网格校正交通工具姿态以定位交通工具。
附图的简要说明
参考以下附图描述基于雷达检测实现交通工具定位的系统和技术。贯穿附图使用相同的数字来引用相似的特征和部件：
图1是根据本公开的技术的可以实现基于雷达检测的交通工具定位的环境的示例图示；
图2-1是根据本公开的技术的可用于实现基于雷达检测的交通工具定位的系统的示例图示；
图2-2是可用于实现基于雷达检测的交通工具定位的雷达定位模块的示例图示；
图2-3是可用于实现基于雷达检测的交通工具定位的雷达定位模块的另一示例图示；
图3是根据本公开的技术的生成雷达参考地图的示例图示；
图4是根据本公开的技术的生成雷达占用网格的示例图示；
图5是根据本公开的技术的从雷达地标生成雷达参考地图的示例图示；
图6是根据本公开的技术的生成雷达参考地图的过程的示例图示；
图7是根据本公开的技术的基于具有低精确度位置数据的多次交通工具行驶生成雷达占用网格的示例图示；
图8是根据本公开的技术的基于具有低精确度位置数据的多次交通工具行驶生成雷达占用网格的另一示例图示；
图9是根据本公开的技术的基于具有低精确度位置数据的多次交通工具行驶生成雷达占用网格的过程的示例图示；
图10是根据本公开的技术的使用低精确度位置数据和高清晰度(HD)地图生成雷达参考地图的示例图示；
图11是根据本公开的技术的使用低精确度位置数据和HD地图生成雷达参考地图的过程的示例图示；
图12是根据本公开的技术的使用低精确度位置数据和HD地图生成雷达参考地图的另一示例图示；
图13是根据本公开的技术的使用低精确度位置数据和HD地图生成雷达参考地图的过程的另一示例图示；
图14是根据本公开的技术的使用HD地图确定雷达占用网格的示例图示；
图15是根据本公开的技术的使用HD地图确定雷达占用网格的另一示例图示；
图16是根据本公开的技术的使用HD地图确定雷达占用网格的过程的示例图示；
图17图示了根据本公开的技术的作为用于通过多次迭代更新用于基于雷达检测的交通工具定位的雷达参考地图的示例过程的流程图；
图18图示了根据本公开的技术的被配置用于通过多次迭代更新用于基于雷达检测的交通工具定位的雷达参考地图的示例实现1800；
图19图示了根据本公开的技术的用于通过多次迭代更新用于基于雷达检测的交通工具定位的雷达参考地图的流水线；
图20-1至图20-3图示了根据本公开的技术的用于通过多次迭代更新用于基于雷达检测的交通工具定位的雷达参考地图的事后观察(hindsight)的示例实现；
图21图示了根据本公开的技术的用于在通过多次迭代更新用于基于雷达检测的交通工具定位的雷达参考地图时确定雷达坐标的事后观察最大边界的示例过程；
图22-1至图22-2图示了根据本公开的技术的基于雷达检测的交通工具定位过程的示例的流程图；并且
图23图示了基于雷达检测的交通工具定位的示例过程的流程图。
具体实施方式
概述
本文档描述了基于雷达检测的交通工具定位方法和系统。雷达定位从构建雷达参考地图开始。可以使用如本文所述的不同技术来生成和更新雷达参考地图。一旦雷达参考地图可用，就可以使用便宜的雷达传感器和导航系统实现实时定位。使用本文档中描述的技术，可以处理来自雷达传感器和导航系统的数据以标识交通工具附近的静止定位对象或地标。将源自交通工具的车载传感器和系统的地标数据与雷达参考地图中详述的地标数据进行比较可以生成交通工具在其环境中的准确姿态。通过使用便宜的雷达系统和质量较低的导航系统，可以以具有成本效益的方式获得高度准确的交通工具姿态。
示例环境
图1是可以生成、更新或使用雷达参考地图的环境的示例图示100。在示例图示100中，系统102设置在沿着道路106行驶的交通工具104(例如，自我(ego)交通工具)中。
系统102利用雷达系统(未示出)来传输雷达信号(未示出)。雷达系统从对象110接收雷达信号的雷达反射108(雷达检测)。在示例图示100中，雷达反射108-1对应于对象110-1(例如，标志)，雷达反射108-2对应于对象110-2(例如，建筑物)，并且雷达反射108-3对应于对象110-3(例如，护栏)。
雷达反射108可用于生成雷达参考地图，如参考图3至图13所讨论的。雷达反射108可用于更新现有的雷达参考地图，如参考图17至图21所讨论的。雷达反射108还可以与现有的雷达参考地图结合使用以对交通工具104进行雷达定位，如参考22-1至图23所讨论的。
示例系统
图2-1是可用于生成、更新或使用雷达参考地图的系统的示例图示200-1。示例图示200-1包括交通工具104的系统102和云系统202。尽管交通工具104被示为汽车，但交通工具104可包括任何交通工具(例如，卡车、公共汽车、船、飞机等)而不脱离本公开的范围。系统102和云系统202可以通过通信链路204连接。系统102和云系统202中的一者或两者可用于执行本文所述的技术。
如相应系统下方所示，系统各自包括至少一个处理器206(例如，处理器206-1和处理器206-2)、至少一个计算机可读存储介质208(例如，计算机可读存储介质208-1和208-2)、雷达定位模块210(例如，雷达定位模块210-1和210-2)和通信系统212(例如，通信系统212-1和212-2)。通信系统212促进通信链路204。
系统102另外包含导航系统214和雷达系统216。导航系统214可包括地理空间定位系统(例如，GPS、GNSS或GLONASS传感器)、惯性测量系统(例如，陀螺仪或加速度计)或其他传感器(例如，磁力计、软件定位引擎、车轮滴答传感器、激光雷达里程表、视觉里程表、雷达里程表或其他传感器里程表)。导航系统214可以提供高精确度位置数据(例如，在一米内)或低精确度位置数据(例如，在几米内)。雷达系统216指示用于发射和接收雷达信号(例如，雷达反射108)的雷达硬件。在一些实现中，雷达系统216向雷达定位模块210提供静态检测(例如，可以在雷达系统216内执行过滤)。
处理器206(例如，应用处理器、微处理器、数字信号处理器(DSP)或控制器)执行存储在计算机可读存储介质208(例如，非瞬态存储设备，诸如硬盘驱动器、SSD、闪存、只读存储器(ROM)、EPROM或EEPROM)内的指令218(例如指令218－1和218－2)，以使系统102和云系统202执行本文描述的技术。指令218可以是操作系统和/或系统102和云系统202的一个或多个应用的一部分。
指令218使系统102和云系统202对数据220(例如220-1和220-2)采取行动(例如，创建、接收、修改、删除、发送或显示)。数据220可以包括应用数据、模块数据、传感器数据或I/O数据。尽管示为在计算机可读存储介质208内，但数据220的各部分可以在系统102和云系统202的随机存取存储器(RAM)或高速缓存(未示出)内。此外，指令218和/或数据220可以位于系统102和云系统202的远程。
雷达定位模块210(或者其各部分)可由计算机可读存储介质208组成，或者可为独立部件(例如，在与处理器206和计算机可读存储介质208进行通信的专用硬件中执行)。例如，指令218可以使处理器206实现或以其他方式使系统102或云系统202实现在此描述的技术。
图2-2是可用于实现基于雷达检测的交通工具定位的雷达定位模块210的示例图示200-2。在示例图示200-2中，雷达定位模块210被配置为处于参考模式。当使用雷达定位模块210来构建雷达参考地图时使用参考模式。雷达定位模块210包括两个子模块、交通工具状态估计器222、扫描匹配器224和两个可选的子模块、静态对象标识器226和占用网格生成器228。静态对象标识器226和占用网格生成器228中的一者或两者可以存在或可以不存在。
交通工具状态估计器222从导航系统(例如，来自图2-1的导航系统214)接收导航数据230。通常，在参考模式中，导航数据230可以来自提供比商业或消费级导航系统(例如，用于大批量生产的导航系统)更高程度的精确度的高质量导航系统。根据导航数据230，交通工具状态估计器222确定关于交通工具104的当前动态状态(例如，速度、偏航率)的自我轨迹信息，并且可以将状态估计和其他导航数据230(例如，交通工具104纬度和经度)提供给存在于雷达定位模块210中的任何其他子模块。自我轨迹信息包括源自交通工具系统的、可用于预测交通工具的方向和速度的信息。
静态对象标识器226从交通工具104周围的一个或多个雷达传感器位置接收雷达检测232。如果没有使用静态对象标识器226，则雷达检测232可以由以下来接收：占用网格生成器228、扫描匹配器224、或者被设计为接受雷达检测232并将雷达数据分发给交通工具系统的其他模块和子模块的另一子模块。静态对象标识器226基于来自交通工具状态估计器222的自我轨迹信息确定雷达检测232是否是静态检测，并且将任何标识出的静态检测输出到占用网格生成器228(如果它正在被使用的话)或扫描匹配器224。
占用网格生成器228可以接收以下各项作为输入：雷达检测232(如果雷达定位模块210没有使用静态对象标识器226)，或由静态对象标识器226输出的静态雷达检测，以及，从交通工具状态估计器222输出的自我轨迹信息和导航数据230。占用网格生成器228使用该输入来确定在交通工具104的环境中的任何给定位置处的占用的统计概率(例如，占用网格)，如在本文档的其他部分中所讨论的。
扫描匹配器224可以接收自我轨迹信息和地标数据作为输入。地标数据可以是雷达检测232、来自静态对象标识器226的静态雷达检测、或者由占用网格生成器228输出的占用网格，取决于正在使用哪个可选子模块。如本文档的其他部分所述，扫描匹配器224找到地标数据和高质量导航数据230之间的最佳正态分布变换(NDT)并输出NDT雷达参考地图234。
图2-3是可用于实现基于雷达检测的交通工具定位的雷达定位模块的另一示例图示200-3。在示例图示200-3中，雷达定位模块210被配置为处于实时定位模式。雷达定位模块210的实时定位模式和参考模式之间的主要区别包括源自低质量导航系统的导航数据230和给扫描匹配器模块224的额外输入。实时定位模式下的雷达定位模块210的输出是交通工具104的更新的交通工具姿态236。
在实时定位模式中，除了地标数据和自我轨迹信息之外，扫描匹配器224还接收NDT雷达参考地图234作为输入。扫描匹配器使用该输入来确定NDT网格。将NDT网格与NDT雷达参考地图进行比较以确定更新的交通工具姿态236。
在一个非限制性示例中，雷达定位模块210可以在配备有高质量GNSS系统的交通工具104中的参考模式中被使用，该高质量GNSS系统被特别配置为创建或协助创建NDT雷达参考地图。实时定位模式可以被认为是雷达定位模块210的正常操作模式；也就是说，没有专门配置为创建NDT雷达参考地图的交通工具可以在实时定位模式下与雷达定位模块210一起正常操作。
构建雷达参考地图
图3是从雷达检测生成雷达参考地图的示例图示300。示例图示300可由系统102和/或云系统202执行。在302处，接收雷达检测304。雷达检测304包括静止雷达检测(例如，来自雷达系统216的静止对象的检测，包括标志、杆、障碍物、地标、建筑物、立交桥、路缘、道路相邻对象诸如围栏、树木、植物群、叶子，或空间统计模式)与各个时间/位置的对应全球坐标(例如，来自导航系统214)。全球坐标可以包括高精确度位置数据(例如，当导航系统214是高精确度导航系统时)。雷达检测304可以包括点云，具有对应的不确定性，和/或包括各种雷达数据或传感器测量。
在306处，从雷达检测302确定雷达占用网格308。雷达占用网格308是环境的基于网格的表示。例如，雷达占用网格308可以是贝叶斯、登普斯特谢弗(Dempster Shafer)或其他类型的占用网格。雷达占用网格308的每个单元表示空间的独立部分，并且雷达占用网格308的每个单元值表示相应的空间部分被占用的概率(例如，0-100％)。单元大约为0％的概率可以指示相应的空间部分是自由的，而接近100％的概率可以指示相应的空间部分被占用，并因此不是自由空间。确定雷达占用网格308的技术将围绕图4、图7-图9以及图14-图17进一步讨论。
在310处，从雷达占用网格308确定雷达地标312。雷达地标312是雷达占用网格308的具有大于阈值的概率的各个单元组的中心坐标。雷达地标312包括雷达占用网格308的单元的集群、轮廓或边界框。雷达地标312具有基于相应雷达地标312的概率、分类或横截面值中的一个或多个的权重。可以使用二值化、聚类算法或对雷达占用网格308的机器学习来确定雷达地标312。雷达地标312的确定通常将阈值应用于雷达占用网格308并从雷达占用网格308去除任何噪声。
在314处，从雷达地标312生成雷达参考地图316。雷达参考地图316可以是统计参考地图，例如高斯表示。雷达参考地图316是对应于占用区域的高斯分布318的集合。高斯分布318(或雷达参考地图316的单元)具有相关联的位置信息(例如，低质量或高质量的位置信息，取决于雷达参考地图316是如何生成的，)。雷达参考地图316的每个单元可以具有单个高斯分布318或空白。尽管不作要求，但雷达参考地图316具有比雷达占用网格308的单元更大的单元。雷达参考地图316可以是独立地图或另一地图中的图层(例如，高清晰度(HD)地图中的图层)。
雷达参考地图316可以包含与相应高斯分布318相关联的元数据。例如，元数据可以包含关于高斯分布的318集群的形状或尺寸的信息。元数据还可以包括对象关联，例如某些高斯分布318属于标志或护栏。位置数据也可包含在元数据内。生成雷达参考地图316的技术将关于图5、图6以及图10-图13进一步讨论。
图4是从雷达检测304确定雷达占用网格308的示例图示400。示例图示400通常由系统102执行，但是示例图示400的部分或全部可以由云系统202执行。示例图示400假设与雷达检测304相关联的位置数据是高精确度位置数据(例如，导航系统214包含高精确度GNSS)。
在402处，接收一组(例如，时间)的雷达检测304(例如，对应于零点的雷达检测304)，并且从该组雷达检测304确定雷达占用证据404。雷达占用证据404对应于雷达占用网格308的相应单元并且指示雷达占用网格308内的占用空间。雷达占用证据404基于对应于一组雷达检测304以及相关联的距离和方位角不确定性的雷达反射108。
在406处，从雷达占用证据404确定雷达占用概率408。例如，雷达占用概率408可由等式1给出：
p＝0.5+0.5·e[1]
其中p是雷达占用概率408，并且e是占用证据404。
可以针对对应于稍后时间/位置的其他组的雷达检测304重复步骤402和406。对于较晚的时间/位置中的每一个，雷达占用概率408在410处与衰减并偏移的雷达占用网格412融合。衰减并偏移的雷达占用网格412表示具有衰减概率的当前雷达占用网格414(例如，当前时间/位置的雷达占用网格308)和由于交通工具在前一时间/位置与当前时间/位置之间的移动而偏移的单元。融合用于基于对应于较晚时间/位置的后续雷达检测304来更新(例如，附加)雷达占用网格308。
为了生成衰减并偏移的雷达占用网格412，在416处，当前雷达占用网格414(例如，在相应位置处)被衰减以形成衰减的雷达占用网格418。衰减包括从当前雷达占用网格414中忘记、最小化或以其他方式移除旧证据。这确保只有最近生成的单元用于融合。应当注意的是，雷达占用网格308未被衰减；相反，作为雷达占用网格308的快照的当前雷达占用网格414被衰减。
衰减的雷达占用网格418随后在420处移位以形成衰减并移位的雷达占用网格412。雷达占用网格308(和当前雷达占用网格414)的每个单元表示一区域。因此，当交通工具104移动时，网格必须被移位。为了移位网格，接收移位/衰减时的交通工具位置422。衰减的雷达占用网格418移位与交通工具位置422相对应的整数个单元。例如，整数可以基于对应于未移位的占用网格(例如，衰减的雷达占用网格418和当前雷达占用网格414)的交通工具位置422与交通工具位置422之间的变化。
如上所述，衰减并偏移的雷达占用网格412在410处与当前一组雷达检测304的雷达占用概率408融合。随着时间的推移，融合有效地累积雷达占用概率408，以使雷达占用网格308更加稳健。可以使用任何融合方法。例如，可以根据等式2使用贝叶斯融合方法：
Figure BDA0003399322770000101
其中p新是相应单元(例如，在雷达占用网格308中)的占用概率，p旧是相应单元(例如，在衰减并移位的雷达占用网格412中)的现有雷达占用概率，并且p测量是相应单元的雷达占用概率408。
通过使用示例图示400，可以融合来自多个时间/位置的雷达占用概率408。这样做时，雷达占用网格308变得精确和稳健以用于示例图示300。
图5是从雷达地标312确定雷达参考地图316的示例图示500。在502处，建立NDT单元504。NDT单元504是雷达参考地图316的单元。NDT单元504通常比雷达占用网格308的单元大得多(例如，大15倍)。
对于具有多个雷达地标312的每个NDT单元504，确定高斯分布318(例如，具有均值和协方差的多元分布)。为此，在506处，针对相应的NDT单元504确定均值和协方差508。均值和协方差508基于在相应NDT单元504内标识的雷达地标312。相应NDT单元504的均值可以基于等式3确定：
Figure BDA0003399322770000111
其中pj是雷达占用网格308在雷达占用网格308的给定单元处的占用概率，xj是给定的单元位置，并且n是相应NDT单元504的雷达地标312内的单元的数量。
可以基于等式4确定相应NDT单元504的协方差(例如，2x2矩阵)：
Figure BDA0003399322770000112
有利地，均值和协方差508基于占用概率。在510处，可以操纵相应NDT单元504的协方差，使得协方差矩阵的最小特征值是协方差矩阵的最大特征值的至少某一倍数。均值和协方差508(或如果执行步骤510，则为操纵协方差)构成相应NDT单元504的高斯分布318。如果在相应的NDT单元504内有一个或更少的雷达地标312，则相应的NDT单元504被指示为未被占用。
随后可以对其他NDT单元504执行步骤506和510。在512处，相应NDT单元504的高斯分布318被组合以形成雷达参考地图316。一旦组合，雷达参考地图316的NDT单元504可以具有单个高斯分布318或什么也没有(例如，指示为未被占用)。
尽管步骤506和510被讨论为对相应的NDT单元504执行并随后对其他NDT单元504执行，但在一些实现中，可以在对作为组的NDT单元504执行步骤510之前对作为组的NDT单元504执行步骤506。例如，可以为组的每个NDT单元504确定均值和协方差508。随后，可以根据需要为该组的每个NDT单元504操纵协方差。
构建地图的示例流程
图6是构建雷达参考地图316的方法的示例图示600。示例图示600可以利用先前描述的示例来实现，诸如示例图示100、300、400和500。操作602至610可由系统102和/或云系统202的一个或多个实体(例如，雷达定位模块210)来执行。示出和/或描述操作的顺序不旨在解释为限制，并且可以以任何顺序组合操作的任何数量或组合以实现图示的方法600或者替代方法。
在602处，接收雷达占用网格。例如，雷达定位模块210可以接收雷达占用网格308。
在604处，从雷达占用网格确定雷达地标。例如，雷达定位模块210可以对雷达占用网格308内的占用概率使用阈值来确定雷达地标312。雷达地标312可以包括雷达占用网格的具有高于阈值或在阈值范围内的占用概率的相应单元组的中心坐标。
在606处，形成雷达参考地图单元。例如，雷达定位模块210可以创建雷达参考地图316的NDT单元504。
在608，为包含多个雷达地标的雷达参考地图单元确定高斯分布。例如，雷达定位模块210可以确定包含多个雷达地标312的NDT单元504中的每一个的均值和协方差508。
在610处，生成雷达参考地图。雷达参考地图包括包含高斯分布的雷达参考地图单元和指示为未被占用的雷达参考地图单元。被指示为未被占用的雷达参考地图单元对应于不包含多个雷达地标的雷达参考地图单元。例如，雷达定位模块210可以将具有高斯分布318的NDT单元504与被指示为未被占用的NDT单元504组合以形成雷达参考地图316。
图7是使用具有低精确度位置数据的多次交通工具行驶来确定雷达占用概率408的示例图示700。图8是类似过程的示例图示800。因此，以下描述同时描述示例图示700和800。示例图示700和800通常由云系统202基于从多次交通工具行驶接收的雷达检测304来执行，但是一个或多个步骤可以由系统102执行(例如，收集雷达检测304和使用通信系统212将雷达检测304发送给云系统202)。然后可以在410处融合雷达占用概率408以创建雷达占用网格308。然后可以从雷达占用网格308生成雷达参考地图316，类似于示例图示100和300。
对于大面积区域，收集高精确度位置数据通常是不切实际或昂贵的。示例图示700和800使用具有低精确度位置数据的多次行驶来确定雷达占用概率408，诸如由在消费者和商用交通工具内实现的大多数导航系统(例如，导航系统214)生成的低精确度位置数据。由于是低精确度的位置数据，因此需要多次行驶以获得精确的占用概率408。传统技术，诸如多次行驶平均，通常导致模糊和无用的概率数据。
示例图示700和800使用多次行驶702(例如，行驶702A和行驶702B)的统计地图融合来校正低精确度位置数据中的误差。可以使用任何数量的行驶702(但是不止一个)，并且行驶702可以使用相同交通工具或多辆交通工具并且在不同时间创建。统计图融合可以是扩展粒子滤波器同步定位和地图构建(SLAM)算法。
在704处，在给定位置处(例如，在时间t＝0处)创建粒子706。粒子706对应于交通工具104的相应可能的未来位置，但是具体的进一步位置尚未确定。粒子706基于对应于给定位置(例如，来自导航系统214)的交通工具轨迹708。
在710处，预测粒子的未来位置以形成(例如，交通工具104的)预测位置712。预测是基于交通工具轨迹708。例如，交通工具轨迹708可以包括速度和偏航速率信息。速度和偏航速率可用于预测相应行驶702的新姿态，并因此预测粒子706的预测位置712。
在714处，更新粒子权重716。为此，粒子706被投影到雷达占用网格308上，其中每个粒子706具有对应的网格单元。对应网格单元中的所有概率值(例如，来自多次行驶702)的总和是粒子706的权重。换言之，粒子706的权重对应于下一雷达检测304与预测位置712拟合的程度。
在718处，使用粒子权重716更新现有概率以创建雷达占用概率408。
在720处，重新采样粒子以创建重新采样的粒子722。权重高的粒子可能会分裂(split)，而权重低的粒子可能会消失。重新采样的粒子722成为时间t+1处的粒子以用于位置预测(步骤710)。重新采样的粒子722也可用于校正交通工具轨迹708。
随着时间t增加，更新雷达占用概率408，并且根据410将雷达占用概率408与先前的雷达占用概率融合。
示例图示700和800的一个优点是它们同时使用来自行驶702的数据来构建雷达占用概率408。因此，每组粒子706包含所有行驶702的相同数据。这意味着一个粒子706的雷达占用概率408包含来自所有行驶702的数据。此外，使用不止一个粒子706更新雷达占用概率408(例如，在718处)。统计地图融合还允许较新的行驶比旧的行驶加权更大，使得可以在雷达占用网格308的单元级别上补偿变化检测(季节性植被变化、建筑等)。
图9是确定雷达占用概率408的方法的示例图示900。示例图示900可以利用先前描述的示例来实现，诸如示例图示700和800。操作902至910可由系统102和/或云系统202的一个或多个实体(例如，雷达定位模块210)来执行。示出和/或描述操作的顺序不旨在解释为限制，并且可以以任何顺序组合操作的任何数量或组合以实现图示的方法或者替代方法。
在902处，创建粒子。例如，雷达定位模块210可以接收雷达检测304并创建对应于交通工具104(或各交通工具，如果行驶702对应于多个交通工具的话)的可能未来位置的粒子706。
在904处，为粒子预测粒子位置。例如，雷达定位模块210可以接收交通工具轨迹708并确定预测位置712。
在906处，更新粒子的粒子权重716。例如，雷达定位模块210可以基于对应于稍后时间的雷达检测304来确定粒子权重716。
在908处，基于粒子权重更新概率。例如，雷达定位模块210可以使用粒子权重716来确定雷达占用概率408，以便在410处进行融合。
在910处，对粒子进行重新采样。例如，雷达定位模块210可以创建重新采样的粒子722，以用于在710处预测未来位置。
图10是使用低精确度位置数据和HD地图1002生成雷达参考地图316的示例图示1000。示例图示1000通常由系统102实现。
HD地图1002包含在1006处为HD地图1002内的HD地图对象1008确定的对象属性1004。HD地图对象1008可以包括街道标志、立交桥、护栏、交通控制设备、柱子、建筑物、k-轨道(k-rail)或其他半永久性对象。HD地图1002包含关于HD地图对象1008中的每一个的信息。
可以在1006处确定的对象属性1004包括诸如类型1010、尺寸/取向1012、位置1014、到相应HD地图对象1008的道路1016的链接以及雷达硬件信息1018之类的方面。类型1010可以定义相应HD地图对象1008，诸如，路牌、立交桥、护栏、交通控制设备、柱子、建筑物、k-轨道或其他半永久性对象。尺寸/取向1012可以包括相应HD地图对象1008的物理尺寸和/或取向(例如，纵向的相对于横向的、相对于地面的旋转、相对于地面的高度)。位置1014可以包括相应对象的UTM坐标，并且到道路1016的链接可以包括相应对象相对于对应道路的特定位置。例如，护栏可能相对于其引用的位置有一定的偏移。换句话说，护栏本身可能并不准确存在于其位置1014。到道路1016的链接可以解释这一点。雷达硬件信息1018可以包括影响来自相应HD地图对象1008的雷达反射108的任何信息。
在1022处接收未对准的雷达检测1020以及对象属性1004。未对准的雷达检测1020类似于具有低精确度位置数据的雷达检测304。对象属性1004用于在未对准雷达检测1020的相应时间处确定交通工具104的交通工具姿态1024。
为此，对于每组未对准的雷达检测1020，交通工具可以相对于HD地图对象1008中的一个或多个定位自身。例如，相应的一组未对准雷达检测1020可以包含一个或多个HD地图对象1008的检测。由于一个或多个HD地图对象1008的位置1014(和其他对象属性1004)是已知的，因此雷达定位模块210可以在相应的一组未对准雷达检测1020处确定交通工具姿态1024。
一旦已交通工具姿态1024对于相应的未对准雷达检测1020是已知的，未对准雷达检测1020可在1026处被对准。对准可以包括基于相应的交通工具姿态1024移位或旋转未对准的雷达检测1020。
经对准的雷达检测成为雷达检测304。随后可以在示例图示300、400和500中使用雷达检测304以生成雷达参考地图316。
雷达参考地图316可以可选地被发送给云系统202。在那里，在1028处，可以根据基于交通工具或其他交通工具的其他类似行驶的其他雷达参考地图来更新雷达参考地图316，或者雷达参考地图316与所述其他雷达参考地图一起编译。
图11是使用低精确度位置数据和HD地图1100生成雷达参考地图316的方法的示例图示1000。示例图示1100可以利用先前描述的示例来实现，诸如示例图示1000。操作1102到1110通常由系统102执行。示出和/或描述操作的顺序不旨在解释为限制，并且可以以任何顺序组合操作的任何数量或组合以实现图示的方法或者替代方法。
在1102处，接收未对准的雷达检测。例如，雷达定位模块210可以接收未对准的雷达检测1020。
在1104处，确定HD地图对象属性。例如，雷达定位模块210可以确定HD地图1002的HD地图对象1008的对象属性1004。
在1106处，为每组未对准的雷达检测确定交通工具姿态。例如，雷达定位模块210可以基于未对准的雷达检测1020和对象属性1004来确定交通工具姿态1024。
在1108处，使未对准的雷达检测对准。例如，雷达定位模块210可以使用交通工具姿态1024来移伪未对准的雷达检测1020。经对准的雷达检测基本上成为雷达检测304。
在1110处，生成雷达参考地图。例如，雷达定位模块210可以执行示例图示300、400和500以从经对准的雷达检测(雷达检测304)生成雷达参考地图316。
可选地，在1112处，可以将雷达参考地图发送到云系统进行更新。更新可以基于由交通工具或另一交通工具生成的类似参考地图。例如，云系统202的雷达定位模块210可以基于从交通工具或其他交通工具接收的其他类似雷达参考地图来修改或更新雷达参考地图316。
图12是使用低精确度位置数据和HD地图1200(未示出)生成雷达参考地图316的示例图示1000。示例图示1200通常由云系统202基于从系统102接收的信息来执行。
在系统102处，未对准的雷达检测1020运行示例图示300、400和500，以生成未对准雷达参考地图1202。未对准的雷达参考地图1202可以类似于雷达参考地图316，除了高斯分布318可能不在正确的位置(由于低精确度位置数据)之外。
在一些实现中，可以仅执行示例图示400的一部分。例如，可以执行直到步骤410的步骤来为相应一组未对准的雷达检测1020形成单独的占用网格，因为低精确度位置数据可能自身不适合与其他数据融合以形成单个雷达占用网格(例如，雷达占用网格308)。每个未对准的雷达占用网格随后可用于形成未对准的雷达参考地图1202。
未对准的雷达参考地图1202(例如，具有与高斯分布318相似的未对准的高斯分布)随后被发送给云系统202。在1204处，云系统202使用HD地图1002的对象属性1004来使未对准的雷达参考地图1202对准，以生成雷达参考地图316。
为此，类似于示例图示1000，对象属性1004可用于对准或改变未对准的雷达参考地图1202内的高斯318分布。例如，对象属性1004可用于确定未对准的雷达参考地图1202内、与对应的HD地图对象1008对应的高斯分布318。由于这些对象的位置是已知的，因此高斯分布318可以移位到正确的位置。
如果未对准雷达检测1020在空间中是连续的(例如，它们递增地遵循路径)，则未对准雷达参考地图1202可以具有高斯分布318相对于彼此的精确位置。在这种情况下，未对准的雷达参考地图1202可能只需要全局地移位或旋转(而不是必须使每个高斯分布318对准)。
未对准的雷达检测1020也可以被发送给云系统202，以类似于示例图示1000的方式进行处理。然而，未对准的雷达参考地图1202要小得多，并因此更容易传输。
图13是使用低精确度位置数据和HD地图1002生成雷达参考地图316的方法的示例图示1300。示例图示1300可以利用先前描述的示例来实现，诸如示例图示1200。操作1302到1306通常由云系统202执行。示出和/或描述操作的顺序不旨在解释为限制，并且可以以任何顺序组合操作的任何数量或组合以实现图示的方法或者替代方法。
在1302处，接收未对准的雷达参考地图。例如，雷达定位模块210可以从系统102接收未对准的雷达参考地图1202。
在1304处，确定HD地图对象属性。例如，雷达定位模块210可以确定HD地图1002的HD地图对象1008的对象属性1004。
在1306处，未对准的雷达参考地图基于HD地图对象属性被对准。例如，雷达定位模块210可以使用对象属性1004来确定未对准的雷达参考地图1202内对应于相关联的HD地图对象1008的高斯分布。随后可以使用对应高斯分布和HD地图对象1008的位置之间的差异来校正、调整、移位或以其他方式校正未对准的雷达参考地图1202以形成雷达参考地图316。
图14是使用HD地图1002生成雷达占用网格308的示例图示1400。示例图示1400可以与示例图示300和500集成以生成雷达参考地图316。示例图示1400不需要雷达(例如，雷达反射108、雷达检测304)来创建雷达占用网格308。然而，将显而易见的是，示例图示1400确实依赖于HD地图1002中的HD地图对象1008的可用性。
类似于示例图示1000和1200，确定HD地图对象1008的对象属性1004。对象属性1004用于在1402处确定折线(polyline)1404。折线1404是HD地图对象1008相对于雷达占用网格308的几何表示。例如，护栏的位置、取向和细节(例如，偏移)可用于生成与护栏对应的雷达占用网格308中的占用空间的折线1404。
在1406处，将相应折线1404的长度与雷达占用网格308的网格尺寸进行比较。如果折线1406不长于雷达占用网格308的网格单元，则对应的网格单元被标记为被占用。
然而，如果折线1406比网格单元长，则在1408处对折线1406进行过采样(oversample)以创建过采样的折线1410。过采样包括沿相应折线1404添加更多点以模拟来自雷达检测(例如，来自雷达检测304)的雷达占用网格输出。
随后在1412处基于已知的传感器感知偏移来调整折线1404或过采样的折线1410以形成经调整的折线1414。继续上面的护栏示例，系统可能知道某种类型的护栏离道路边缘总是比对象属性1004内包含的位置更远一些。经调整后折线1414用于将雷达占用网格308的对应网格单元标记为已占用。
如示例雷达占用网格308中所示，HD地图对象1008(例如，护栏)被表示为占用空间。以此方式，可以生成雷达占用网格308而无需交通工具行驶通过对应区域。
图15是使用HD地图1002和机器学习模型生成雷达占用网格308的示例图示1500。示例图示1500可以与示例图示1400集成(例如，以确定用于在1412处进行调整的偏移)。然而，在一些实现中，机器学习模型可用于直接指示雷达占用网格308的单元(例如，无需示例图示1400)。
在示例图示1500中，对象属性1004用于选择和应用用于在1412处调整折线的模型1502。模型1502基于相应的对象属性1004。
在1504处，选择模型1502并将其应用于每个HD地图对象1008。模型1502由相应的对象属性1004来分类。例如，对于每种类型的HD地图对象1008可以存在模型1502(例如，护栏的模型1502-1、标志的模型1502-2、建筑物的模型1502-3等)。对于单个类型的HD地图对象1008，也可以存在多个模型1502。例如，不同类型的护栏可具有不同的相应型号1502。
模型1502是先前生成的并且可以使用对真实世界的占用网格数据的机器学习来教导。例如，占用数据(例如，由示例图示300和400确定的部分)可以连同对象属性1004和对应的HD地图对象1008的HD地图位置一起馈送到模型训练程序中。这样做时，系统能够“学习”如何在雷达占用网格308中表示对应的HD地图对象1008(例如，通过折线偏移)。
相应模型1502的输出是对应于折线偏移数据的占用网格数据1506。然后可以使用折线偏移数据来调整示例图示1400的折线。
在一些实现中，占用网格数据1506可以包括直接占用网格数据。在这样的情况下，不使用折线，并且占用网格数据1506用作给雷达占用网格308的直接输入(例如，占用网格数据1506可用于将雷达占用网格308的单元指示为被占用)。
如以上讨论的，随后可以使用雷达占用网格308来生成雷达参考地图316。以此方式，真实世界的雷达占用数据可用于估计用于在雷达占用网格308中表示的HD地图对象608的偏移或占用。
图16是使用HD地图1002生成雷达占用网格308的方法的示例图示1600。示例图示1600可以利用先前描述的示例来实现，诸如示例图示1400和1500。操作1602到1608通常由云系统202执行，因为对交通工具104而言是没有必要的。然而，操作1602到1608(或其部分)可由系统102执行。示出和/或描述操作的顺序不旨在解释为限制，并且可以以任何顺序组合操作的任何数量或组合以实现图示的方法或者替代方法。
在1602处，为HD地图内的HD地图对象确定HD地图对象属性。例如，雷达定位模块210可以确定HD地图1002的HD地图对象1008的对象属性1004。
在1604处，确定HD地图对象的折线。在一些实现中，折线可以基于相应折线的尺寸和期望的雷达占用网格的网格尺寸被过采样。例如，雷达定位模块210可以确定HD地图对象1008的折线1404，并且如果折线1404长于雷达占用网格308的网格尺寸，则对折线1404进行过采样。
在1606处，根据需要对折线应用偏移。偏移可以基于HD地图对象属性或用于相应HD地图对象的机器学习模型。例如，雷达定位模块210可以基于对象属性1004或模型1502来调整折线1404的偏移。
在1608处，基于折线将雷达占用网格的单元指示为已被占用。例如，雷达定位模块210可以基于折线1404(在根据1406和1412过采样和偏移之后)指示雷达占用网格308的单元。
更新雷达参考地图
以下部分描述了用于更新雷达参考地图的技术。需要不断改进雷达参考地图，因为交通工具行驶的任何特定环境都会随着时间而改变。雷达参考地图可以包括可以不被视为地标的临时障碍物，这些障碍物可能会被添加或移除。此外，雷达参考地图可能包括错误的地标数据或丢失的地标(例如，雷达参考地图中的遮挡)。用于更新雷达参考地图的当前技术通常使用不同的传感器在环境的单次遍历中收集地标数据。下面描述的技术使用从遍历环境的多次迭代中收集的以雷达为中心的数据来更新雷达参考地图的质量。这些技术使用过程来确保最精确且稳定的数据(称为事后观察)；图示出该技术中的两个非限制性示例。一个示例使用对象的雷达检测并将它们与HD地图进行比较。第二示例在使用事后观察作为确保数据精确和稳定的方式时仅使用雷达检测。
图17图示了用于通过多次迭代更新用于基于雷达检测的交通工具定位的雷达参考地图的流程图1700。流程图包括多次行驶1702(例如，行驶1到行驶n，其中n可以是大于1的任何整数)，其中每次行驶是通过由雷达参考地图表示的环境的迭代。雷达定位模块(例如，图2-1中的雷达定位模块210)的第一步1704是接收雷达检测和导航数据。在步骤1706中，静态对象标识器可以使用雷达检测和导航数据来从步骤1704中收集的原始雷达检测和导航数据中标识静态对象。步骤1708基于在步骤1706中标识的静态对象生成占用网格。在步骤1710中，根据在每次行驶1702中生成的每个占用网格构建雷达参考地图。最后的步骤1712基于在步骤1710中生成的雷达参考地图构建(在初始行驶1中)和更新(在每个连续行驶n中)相对的NDT雷达参考地图(例如，相对于交通工具并使用相对坐标系的地图)。最后的步骤1710以在步骤1710中未使用的HD地图1714与在步骤1708中生成的占用网格相结合为条件。否则，如果在步骤1710中使用了HD地图1714，则最后的步骤1712在每次行驶1702期间更新绝对地图(例如，使用诸如UTM坐标系的全局坐标系的通用地图)。
图18图示了通过多次迭代更新用于基于雷达检测的交通工具定位的雷达参考地图的示例图示1800。在示例实现1800中，配备有雷达定位模块(例如，车载、通过云访问)的交通工具1802使用事后观察来积累关于动态对象1804的精确且稳定的雷达数据。交通工具1802上的雷达传感器具有雷达扫描1806，该雷达扫描1806发射电磁能并接收来自对象的电磁能的反射。雷达扫描1806可能未在图18中或在描绘它们的任何其他图中按比例示出。动态对象1804正在从交通工具1802的前面(动态对象1804-1)移动到交通工具1802的旁边(动态对象1804-2)到交通工具1802的后面(动态对象1804-3)。盲点1808表示交通工具1802上的一个或多个雷达传感器的距离速率盲点。尽管在示例实现1800中，盲点1808与动态对象的距离变化率(range rate)状态有关，但动态对象1804的任何动态状态都可以用作示例。
安装在交通工具1802上的角落雷达传感器被配置为使得雷达传感器的孔径角相对于交通工具1802的纵轴为45°。这使得角落雷达传感器能够具有与交通工具1802的前方和后方雷达传感器相同的雷达性能。来自所有雷达传感器的累积数据呈现交通工具1802后部处的对象检测的最稳定结果，其中动态对象1804反映来自不同雷达传感器的若干雷达检测。由于占用网格展示了累积的数据，因此所有可用的传感器检测都对雷达参考地图有贡献，即使后方检测是唯一被纳入考虑的。来自所有雷达传感器的检测对占用概率有贡献，并且没有任何雷达数据被省略。该过程可以被解释为对占用网格的每个单元应用二进制权重，并且可以从更新的雷达参考地图中排除动态对象1804。
图19图示了用于通过多次迭代更新用于基于雷达检测的交通工具定位的雷达参考地图的流水线1900。在流水线1900的雷达传感器阶段1902，雷达传感器1904接收原始雷达检测1906。在静态对象标识器1908阶段，原始雷达检测1904在1910处被分类为静态或动态雷达检测，并且增强的静态雷达检测1912被传递到占用网格生成器1914阶段。在占用网格生成器1914阶段，在1916处提取来自增强静态雷达检测1912的占用证据。在1918处，从1916提取的占用证据用于累积并过滤对占用网格1920的静态占用。累加器1922阶段随后在1924处提取事后观察信息。
图20-1至图20-3图示了用于通过多次迭代更新用于基于雷达检测的交通工具定位的雷达参考地图的事后观察的示例实现。在图20-1中，配备有雷达定位模块(例如，车载、通过云访问)的交通工具2002使用事后观察来积累关于静态对象2004(街道标志2004)的精确且稳定的雷达数据。在图20中的第一时间帧2000-1中，可以首先由雷达扫描2006-1和2006-2来检测路牌2004。雷达扫描2006-3和2006-4尚未检测到街道标志2004。
在图20-2中的第二时间帧2000-2中，交通工具2002已经沿着道路移动，并且街道标志2004位于交通工具2002的侧面。至少雷达扫描2006-1、2006-2和可能的雷达扫描2006-3已经检测到了道路标志2004。此外，雷达扫描2006-1和2006-2可能已经检测到第二静态对象2008(一棵树2008)。
在图20-3中的第三时间帧2000-3中，交通工具2002已经向前移动，使得道路标志2004已经被雷达扫描2006-1、2006-2、2006-3和2006-4累积地检测到。此时，道路标志在雷达扫描的事后观察中，并且相对于道路标志的雷达数据可以以高置信度被认为是稳定且精确的。至少雷达扫描2006-1、2006-2和可能的雷达扫描2006-3在时间帧范围2000-3中检测到树并且具有中等置信度，但高于第三个静态对象2010(护栏2010)。只有扫描2006-1和2006-2可能检测到护栏2010。
在通过多次迭代的描绘2000-1至2000-3中的道路上行驶可以增加静态对象2004、2008和2010是永久的并且可以被认为是地标的置信水平。如果静态对象2004、2008和2010中的任何一个在沿道路行驶的多次迭代中的任何一个期间消失，则该对象的置信水平可能会下降，并且该对象可能会从更新的雷达参考地图中移除。以此方式，可在每次迭代之后更新雷达参考地图以在地标被检测到或消失时添加或移除地标，并移除可能存在于雷达参考地图中的任何虚假噪声。
图21图示了用于在通过多次迭代更新用于基于雷达检测的交通工具定位的雷达参考地图时确定并使用雷达坐标的事后观察最大边界的示例过程2100。雷达坐标有两个选项，雷达相对坐标和雷达绝对坐标。在2102处，加载所有雷达参考地图。此外，如果使用雷达绝对坐标，则在2104处，从一张或多张HD地图提取样本点，并在2106处，将提取的样本点变换为统计分布。在2108处，收集所有事后观察样本，并找到坐标(X和Y)的最小值和最大值。在2110处，坐标的最小值和最大值用于创建新雷达组的最大边界。在2112处，选择分辨率，并检查坐标索引分辨率中的样本索引。在2114处，基于2112处检查过程的结果，如果样本在所选分辨率中不是新的，则在2116处，仅对数几率比(通过贝叶斯逆模型或最大策略)合并到雷达参考地图。如果在2114处，样本在所选分辨率下是新的，则在2118处，新样本的原始索引被添加到新的地图索引中。
示例架构
应用本文档中讨论的技术来基于雷达检测定位交通工具可具有许多优势。通过使用以雷达为中心的系统(例如，雷达系统包括四个短程雷达传感器，每个雷达传感器位于交通工具的四个角中的每个角落)，可能会降低其他系统(例如、相机、LiDAR)有效性的不利天气和照明条件仅通过使用雷达系统就可以克服。此外，所使用的雷达系统可能比一些其他传感器系统更便宜。
本文档中描述的技术和系统使交通工具能够以亚米级精确度确定其交通工具姿态或位置。为了基于雷达检测定位交通工具，根据本文所述的技术，可以执行两个步骤，包括以下步骤：构建精确的雷达参考地图，并将雷达参考地图与实时生成的雷达检测进行比较，以准确定位交通工具。图22-1和22-2描述了如何使用雷达定位模块(诸如图2-2和图2-3中所示的雷达定位模块)实现这两个步骤的一个详细示例。其他示例可能会排除图22-1和图22-2中的一些细节(例如，雷达定位模块的一些子模块是可选的，如图2-2和2-3所示)。
图22-1至图22-2图示了基于雷达检测的交通工具定位过程的示例流程图2200。图22-1将第一步覆盖为流程图2200-1，图22-2将第二步覆盖为流程图2200-2。图22-1和图22-2的虚线框2202内的子步骤在每个步骤中是相同的。
交通工具定位2204的第一步是构建包含地标信息的精确雷达参考地图。上面已经描述了构建雷达参考地图的几种不同过程的细节。图22-1所示的示例流程图详细说明了在专门配备有高质量导航系统的交通工具2204-1中构建雷达参考地图的架构。雷达定位模块在此步骤处于参考模式。
在图22-1所示的示例流程图中，一个或多个雷达传感器2206接收原始雷达检测2208。同时，交通工具状态估计器2214收集高质量GNSS2210-1和惯性测量单元(IMU)2212-1数据，以确定交通工具状态和交通工具姿态。以特定速率，例如每50毫秒(ms)，收集原始雷达检测2208。原始雷达检测2208被静态对象标识器2216标识为静态检测或动态检测。静态对象标识器2216使用由交通工具状态估计器2214提供的交通工具状态信息(例如，距离变化率)来确定(例如，通过距离变化率去混叠来确定)对原始雷达检测2208的标识。
静态检测被输出给占用网格生成器2218。占用网格生成器2218估计占用网格中每个单元(例如，20厘米(cm)乘20cm单元)的占用概率。单元尺寸可影响此子步骤的处理时间。可以使用不同的过程(包括贝叶斯推理、登普斯特谢弗理论或其他过程)来估计每个单元的占用概率。由占用网格生成器2218生成的占用网格可以与交通工具2204-1处于相对坐标(例如，本地参考系)中，因为占用网格生成器2218从交通工具状态估计器2214接收辅助创建占用网格的交通工具状态数据。
扫描匹配器2220执行一系列子步骤2220-1到2220-4。子步骤2220-1将占用网格从相对坐标系变换为UTM坐标系。在变换过程中使用来自交通工具状态估计器2214的交通工具状态信息。子步骤2220-2以特定速率(例如，10Hz)累积来自子步骤2220-1的占用网格输出。可以基于驾驶场景(例如，交通工具2204-1的环境中的地标的数量)调整该速率并将累积的占用网格输出到子步骤2220-3。子步骤2220-3基于高占用概率(例如，等于或大于0.7的概率)选择占用网格单元。选择的占用网格单元可以被表示为点云。子步骤2220-4以高斯表示变换所选的占用网格单元以创建高斯或NDT雷达参考地图。NDT雷达参考地图可以本地存储在交通工具2204-1上或上传到云2222。
交通工具定位2204的第二步是基于地标的雷达检测与雷达参考地图的比较来确定经调整的交通工具姿态。图22-2中的示例流程图详述了用于确定交通工具2204-2的经调整的交通工具姿态的架构。在该示例中可以假设交通工具2204-2被配置为大量地并且以使得使用高质量GNSS和传感器包不切实际的成本盈余进行制造的非豪华交通工具。也就是说，在交通工具2204-2中使用的GNSS系统2210-2和IMU 2212-2可以被认为是一般的(较低质量的)商业导航系统。雷达定位模块在第二步处于实时定位模式。虚线框2202内的所有子步骤与图22-1所示的第一步骤的那些子步骤相同，为简单起见，不再赘述。
在步骤2224处，基于由交通工具状态估计器2214确定的交通工具状态的雷达参考地图从云2222被下载。在子步骤2220-5处，将雷达参考地图与选择的占用网格单元进行比较，并且基于该比较，为交通工具2204-2校正交通工具姿态。经校正姿态的准确度的置信水平可用于确定经校正姿态的准确度。此外，经校正的交通工具姿态可用于移除GNSS系统2210-2和IMU 2212-2中的误差(例如，漂移)。
比较过程匹配雷达参考地图，雷达参考地图是一组高斯表示，该高斯表示可利用源自实时雷达检测的实时“地图”来最小化数据的存储器大小并包含统计信息。实时地图是雷达参考地图所表示的区域的一个子部分，并且包含与雷达参考地图相同的高斯型统计信息。在另一实现中，来自占用网格的经过滤输出可以直接与雷达参考地图中的高斯分布进行比较。
NDT过程匹配参考数据(例如，具有内置统计模型的离散单元)之间的统计概率分布。对于实时点(例如，占用网格输出)的任何给定变换(例如，x、y和旋转)，可以将实时点分配给离散NDT单元，该离散NDT单元包含来自雷达参考地图的模型中的统计分布。实时点是被认为已被占用但被视为具有附加到点的概率值的点的占用网格单元。因此可以计算实时点的概率分布。NDT过程会找到使概率分布最大化的最佳变换。
图23图示了用于基于雷达检测的交通工具定位的示例过程2300。在2302处，交通工具的至少一个或多个处理器接收雷达检测。在2304处，交通工具的至少一个或多个处理器接收导航数据。在2306处，交通工具的至少一个或多个处理器输出关于交通工具当前动态状态的自我轨迹信息。该自我轨迹信息可以包括如从雷达检测和导航数据确定的行驶方向、速度、距离变化率和偏航率中的至少一个。在2308处，从雷达检测和自我轨迹信息提取地标数据。在2310处，从提取的地标数据和雷达参考地图确定正态分布变换网格。在2312处，根据正态分布变换网格校正交通工具姿态以定位交通工具。
以此方式，本文描述的技术和系统使用具有成本效益的系统，忽略动态对象，最大化统计分布模式，并有效地处理静态噪声以准确地调整交通工具的姿态。
示例
示例1：一种基于雷达检测的交通工具定位方法，该方法包括：由交通工具的至少一个处理器从交通工具的一个或多个雷达传感器接收雷达检测；由至少一个处理器从交通工具的一个或多个导航单元接收导航数据；由至少一个处理器输出关于交通工具当前动态状态的自我轨迹信息；由至少一个处理器从雷达检测和自我轨迹信息提取地标数据；由至少一个处理器从提前的地标数据和雷达参考地图确定正态分布变换网格；以及响应于确定正态分布变换网格，由至少一个处理器根据正态分布变换网格校正交通工具姿态以定位交通工具。
示例2：示例1的方法，其中基于雷达检测定位交通工具包括：输出关于交通工具当前动态状态的自我轨迹信息包括执行交通工具状态估计器，该交通工具状态估计器基于从一个或多个导航单元接收的导航数据输出关于交通工具当前动态状态的自我轨迹信息，该一个或多个导航单元包括该交通工具的全球导航卫星系统、惯性导航系统或里程表中的至少一项或多项；并且确定正态分布变换网格包括执行扫描匹配器，该扫描匹配器被配置用于基于提前的地标数据和雷达参考地图生成正态分布变换网格。
示例3：示例2的方法，进一步包括：由交通工具状态估计器使用先前校正的姿态作为给交通工具状态估计器的雷达定位输入，以用于更新有关交通工具当前动态状态的自我轨迹信息；至少部分地基于雷达定位输入，确定关于交通工具当前动态状态的更新的自我轨迹信息；并且由交通工具状态估计器输出关于交通工具当前动态状态的更新的自我轨迹信息。
示例4：示例3的方法，进一步包括：由至少一个处理器从雷达检测和更新的自我轨迹信息提取更新的地标数据；由至少一个处理器从更新的地标数据和雷达参考地图确定更新的正态分布变换网格；以及响应于确定更新的正态分布变换网格，由至少一个处理器根据更新的正态分布变换网格校正更新的交通工具姿态以定位交通工具。
示例5：前述示例中任一项的方法，其中从雷达检测和自我轨迹信息提取地标数据还包括：由静态对象标识器从接收到的雷达检测和自我轨迹信息标识静态雷达检测。
示例6：前述示例中任一项的方法，其中从雷达检测和自我轨迹信息提取地标数据还包括：由占用网格生成器生成交通工具周围环境中任何位置的占用概率，该概率基于雷达检测和自我轨迹信息。
示例7：前述示例中任一项的方法，其中，从提前的地标数据和雷达参考地图确定正态分布变换网格包括：在确定正态分布变换网格之前调节提前的地标数据，所述调节基于交通工具周围环境中的地标检测的数量。
示例8：在前示例中的任一项的方法，所述方法进一步包括：确定经校正姿态的准确度的置信水平；并在根据正态分布变换网格确定交通工具姿态以对交通工具进行定位时使用该置信水平。
示例9：前述示例中的任一项的方法，其中，雷达参考地图包括高斯分布，该高斯分布包括雷达地标在雷达参考地图的相应单元内的均值和协方差。
示例10：前述示例中任一项的方法，其中，根据正态分布变换网格校正交通工具姿态以定位交通工具包括：将正态分布变换网格与雷达参考地图进行比较；并基于将正态分布变换网格与雷达参考地图进行比较，生成交通工具在交通工具环境中的准确位置。
示例11：前述示例中的任一项的方法，其中自我轨迹信息包括行驶方向、速度、距离变化率或偏航速率中的至少一个。
示例12：前述示例中任一项的方法，其中，地标数据包括动态雷达检测、静态雷达检测或占用网格中的至少一者。
示例13：前述示例中的任一项的方法，还包括基于经校正的交通工具姿态以自主或半自主模式操作交通工具。
示例14：一种用于基于雷达检测进行交通工具定位的系统，该系统包括：一个或多个处理器，被配置用于执行如示例1至13中任一项的方法。
示例15：一种计算机可读存储介质，包括指令，所述指令在由处理器执行时，执行如示例1至13中任一项的方法。
示例16：一种用于基于雷达检测进行交通工具定位的系统，该系统包括：一个或多个处理器，所述一个或多个处理器被配置成用于：从一个或多个雷达传感器接收雷达检测；从一个或多个导航单元接收导航数据；输出关于交通工具当前动态状态的自我轨迹信息；从雷达检测和自我轨迹信息提取地标数据；从提前的地标数据和雷达参考地图确定正态分布变换网格；以及响应于确定正态分布变换网格，根据正态分布变换网格校正交通工具姿态以定位交通工具。
示例17：示例16的系统，其中，一个或多个处理器被进一步配置用于：至少通过以下操作输出关于交通工具当前动态状态的自我轨迹信息：执行交通工具状态估计器，该估计器基于从一个或多个导航单元接收的导航数据输出关于交通工具当前动态状态的自我轨迹信息，该一个或多个导航单元包括该交通工具的全球导航卫星系统、惯性导航系统或里程表中的至少一项或多项；并至少通过以下操作从提取的地标数据和雷达参考地图确定正态分布变换网格：执行扫描匹配器，该扫描匹配器被配置用于基于提前的地标数据和雷达参考地图生成正态分布变换网格。
示例18：示例17的系统，其中，一个或多个处理器被进一步配置用于：由交通工具状态估计器使用先前校正的姿态作为给交通工具状态估计器的雷达定位输入，以用于更新有关交通工具当前动态状态的自我轨迹信息；至少部分地基于雷达定位输入，确定关于交通工具当前动态状态的更新的自我轨迹信息；并且由交通工具状态估计器输出关于交通工具当前动态状态的更新的自我轨迹信息。
示例19：示例18的系统，其中，一个或多个处理器被进一步配置用于：从雷达检测和更新的自我轨迹信息提取更新的地标数据；从更新的地标数据和雷达参考地图确定更新的正态分布变换网格；并且响应于确定更新的正态分布变换网格，根据更新的正态分布变换网格校正更新的交通工具姿态以定位交通工具。
示例20：示例16至示例19中任一项的系统，其中，一个或多个处理器被配置用于通过至少以下操作从雷达检测和自我轨迹信息提取地标数据：执行静态对象标识器，该静态对象标识器被配置用于从接收到的雷达检测和自我轨迹信息标识静态雷达检测。
示例21：示例16至示例20中任一项的系统，其中，一个或多个处理器被配置用于通过至少以下操作从雷达检测和自我轨迹信息提取地标数据：执行占用网格生成器，该占用网格生成器被配置用于生成交通工具周围环境中任何位置的占用概率，该概率基于雷达检测和自我轨迹信息。
示例22：示例16至示例21中任一项的系统，其中，一个或多个处理器被配置用于通过至少以下操作从提前的地标数据和雷达参考地图确定正态分布变换网格：在确定正态分布变换网格之前调节提取的地标数据，该调节基于交通工具周围环境中地标检测的数量。
示例23：如示例16至22中任一项的系统，其中，一个或多个处理器进一步被配置用于：确定经校正姿态的准确度的置信水平；并在根据正态分布变换网格确定交通工具姿态以定位交通工具时使用该置信水平。
示例24：一种非瞬态计算机可读介质，所述非瞬态计算机可读介质存储指令，所述指令被配置成使处理设备：从一个或多个雷达传感器接收雷达检测；从一个或多个导航单元接收导航数据；执行交通工具状态估计器，该交通工具状态估计器基于从一个或多个导航单元接收的导航数据输出关于交通工具当前动态状态的自我轨迹信息，该一个或多个导航单元包括该交通工具的全球导航卫星系统、惯性导航系统或里程表中的至少一项或多项；从雷达检测和自我轨迹信息提取地标数据；执行扫描匹配器，该扫描匹配器被配置用于基于提取的地标数据和雷达参考地图生成正态分布变换网格；响应于确定正态分布变换网格，根据正态分布变换网格校正交通工具姿态以定位交通工具。
示例25：示例24的非瞬态计算机可读介质，其中，所述指令还被配置成使处理设备：由交通工具状态估计器使用先前校正的姿态作为给交通工具状态估计器的雷达定位输入，以用于更新有关交通工具当前动态状态的自我轨迹信息；至少部分地基于雷达定位输入，确定关于交通工具当前动态状态的更新的自我轨迹信息；并且由交通工具状态估计器输出关于交通工具当前动态状态的更新的自我轨迹信息。
示例26：示例24或25的非瞬态计算机可读介质，其中，被配置为使处理设备从雷达检测和自我轨迹信息提取地标数据的指令至少包括：执行静态对象标识器，该静态对象标识器被配置用于从接收到的雷达检测和自我轨迹信息标识静态雷达检测。
示例27：示例24至26中任一项的非瞬态计算机可读介质，其中，被配置为使处理设备从雷达检测和自我轨迹信息提取地标数据的指令至少包括：执行占用网格生成器，该占用网格生成器被配置用于生成交通工具周围环境中任何位置的占用概率，该概率基于雷达检测和自我轨迹信息。
结语
尽管已经用特定于特征和/或方法的语言描述了基于雷达检测的交通工具定位的各种实现，但是所附权利要求的主题不必限于所描述的特定特征或方法。相反，特定特征和方法公开作为基于雷达检测的交通工具定位的示例实现。进一步地，尽管上文中已描述各种示例，其中每个示例具有某些特征，但应理解，一个示例的特定特征不必唯一地与此示例一起使用。相反，除了这些示例的其他特征以外或代替这些示例的其他特征，上文描述和/或附图中所描绘的特征中的任何特征可以与示例中的任何示例相组合。

Claims (20)

1.一种基于雷达检测的交通工具定位方法，所述方法包括：
由所述交通工具的至少一个处理器从所述交通工具的一个或多个雷达传感器接收雷达检测；
由所述至少一个处理器从所述交通工具的一个或多个导航单元接收导航数据；
由所述至少一个处理器输出关于所述交通工具当前动态状态的自我轨迹信息；
由所述至少一个处理器从所述雷达检测和所述自我轨迹信息提取地标数据；
由所述至少一个处理器从提取的地标数据和雷达参考地图确定正态分布变换网格；以及
响应于确定所述正态分布变换网格，由所述至少一个处理器根据所述正态分布变换网格校正交通工具姿态以定位所述交通工具。
2.如权利要求1所述的方法，其特征在于，基于雷达检测定位所述交通工具包括：
输出关于所述交通工具当前动态状态的所述自我轨迹信息包括执行交通工具状态估计器，所述交通工具状态估计器基于从所述一个或多个导航单元接收的所述导航数据输出关于所述交通工具当前动态状态的所述自我轨迹信息，所述一个或多个导航单元包括所述交通工具的全球导航卫星系统、惯性导航系统或里程表中的至少一项或多项；并且
确定所述正态分布变换网格包括执行扫描匹配器，所述扫描匹配器被配置用于基于所述提取的地标数据和所述雷达参考地图生成所述正态分布变换网格。
3.如权利要求2所述的方法，进一步包括：
由所述交通工具状态估计器使用先前校正的姿态作为给所述交通工具状态估计器的雷达定位输入，以用于更新有关所述交通工具当前动态状态的所述自我轨迹信息；
至少部分地基于所述雷达定位输入，确定关于所述交通工具当前动态状态的更新的自我轨迹信息；以及
由所述交通工具状态估计器输出关于所述交通工具当前动态状态的所述更新的自我轨迹信息。
4.如权利要求3所述的方法，进一步包括：
由所述至少一个处理器从所述雷达检测和所述更新的自我轨迹信息提取更新的地标数据；
由所述至少一个处理器从所述更新的地标数据和所述雷达参考地图确定更新的正态分布变换网格；以及
响应于确定所述更新的正态分布变换网格，由所述至少一个处理器根据所述更新的正态分布变换网格校正更新的交通工具姿态以定位所述交通工具。
5.如权利要求1所述的方法，其特征在于，从所述雷达检测和所述自我轨迹信息提取地标数据进一步包括：
由静态对象标识器从接收到的雷达检测和所述自我轨迹信息标识静态雷达检测。
6.如权利要求1所述的方法，其特征在于，从所述雷达检测和所述自我轨迹信息提取地标数据进一步包括：
由占用网格生成器生成所述交通工具周围的环境中任何位置的占用概率，所述概率基于所述雷达检测和所述自我轨迹信息。
7.如权利要求1所述的方法，其特征在于，从提取的地标数据和所述雷达参考地图确定所述正态分布变换网格包括：在确定所述正态分布变换网格之前调节所述提取的地标数据，所述调节基于所述交通工具周围的环境中的地标检测的数量。
8.如权利要求1所述的方法，其特征在于，所述方法进一步包括：
确定经校正的姿态的准确度的置信水平；以及
在根据所述正态分布变换网格确定所述交通工具的姿态以定位所述交通工具时使用所述置信水平。
9.一种用于基于雷达检测进行交通工具定位的系统，所述系统包括：
一个或多个处理器，被配置用于：
从一个或多个雷达传感器接收雷达检测；
从一个或多个导航单元接收导航数据；
输出关于交通工具当前动态状态的自我轨迹信息；
从所述雷达检测和所述自我轨迹信息提取地标数据；
从提取的地标数据和雷达参考地图确定正态分布变换网格；以及
响应于确定所述正态分布变换网格，根据所述正态分布变换网格校正交通工具姿态以定位所述交通工具。
10.如权利要求9所述的系统，其特征在于，所述一个或多个处理器被配置用于：
至少通过以下操作输出关于所述交通工具当前动态状态的自我轨迹信息：
执行交通工具状态估计器，所述交通工具状态估计器基于从所述一个或多个导航单元接收的所述导航数据输出关于所述交通工具当前动态状态的所述自我轨迹信息，所述一个或多个导航单元包括所述交通工具的全球导航卫星系统、惯性导航系统或里程表中的至少一项或多项；以及
至少通过以下操作从所述提取的地标数据和雷达参考地图确定正态分布变换网格：
执行扫描匹配器，所述扫描匹配器被配置用于基于所述提取的地标数据和所述雷达参考地图生成所述正态分布变换网格。
11.如权利要求10所述的系统，其特征在于，所述一个或多个处理器被进一步配置用于：
由所述交通工具状态估计器使用先前校正的姿态作为给所述交通工具状态估计器的雷达定位输入，以用于更新有关所述交通工具当前动态状态的所述自我轨迹信息；
至少部分地基于所述雷达定位输入，确定关于所述交通工具当前动态状态的更新的自我轨迹信息；以及
由所述交通工具状态估计器输出关于所述交通工具当前动态状态的所述更新的自我轨迹信息。
12.如权利要求11所述的系统，其特征在于，所述一个或多个处理器被进一步配置用于：
从所述雷达检测和所述更新的自我轨迹信息提取更新的地标数据；
从所述更新的地标数据和所述雷达参考地图确定更新的正态分布变换网格；以及
响应于确定所述更新的正态分布变换网格，根据所述更新的正态分布变换网格校正更新的交通工具姿态以定位所述交通工具。
13.如权利要求9所述的系统，其特征在于，所述一个或多个处理器被配置用于通过至少以下操作从所述雷达检测和所述自我轨迹信息提取地标数据：
执行静态对象标识器，所述静态对象标识器被配置用于从接收到的雷达检测和所述自我轨迹信息标识静态雷达检测。
14.如权利要求9所述的系统，其特征在于，所述一个或多个处理器被配置用于通过至少以下操作从所述雷达检测和所述自我轨迹信息提取地标数据：
执行占用网格生成器，所述占用网格生成器被配置用于生成所述交通工具周围的环境中任何位置的占用概率，所述概率基于所述雷达检测和所述自我轨迹信息。
15.如权利要求9所述的系统，其特征在于，所述一个或多个处理器被配置用于通过至少以下操作从提取的地标数据和所述雷达参考地图确定所述正态分布变换网格：
在确定所述正态分布变换网格之前调节所述提取的地标数据，所述调节基于所述交通工具周围的环境中地标检测的数量。
16.如权利要求9所述的系统，其特征在于，所述一个或多个处理器被进一步配置用于：
确定经校正的姿态的准确度的置信水平；以及
在根据所述正态分布变换网格确定所述交通工具的姿态以定位所述交通工具时使用所述置信水平。
17.一种非瞬态计算机可读介质，所述非瞬态计算机可读介质存储指令，所述指令被配置用于使处理设备：
从一个或多个雷达传感器接收雷达检测；
从一个或多个导航单元接收导航数据；
执行交通工具状态估计器，所述交通工具状态估计器基于从所述一个或多个导航单元接收的所述导航数据输出关于交通工具当前动态状态的自我轨迹信息，所述一个或多个导航单元包括所述交通工具的全球导航卫星系统、惯性导航系统或里程表中的至少一项或多项；
从所述雷达检测和所述自我轨迹信息提取地标数据；
执行扫描匹配器，所述扫描匹配器被配置用于基于提取的地标数据和雷达参考地图生成所述正态分布变换网格；以及
响应于确定所述正态分布变换网格，根据所述正态分布变换网格校正交通工具姿态以定位所述交通工具。
18.如权利要求17所述的非瞬态计算机可读介质，其特征在于，所述指令进一步被配置成使处理设备：
由所述交通工具状态估计器使用先前校正的姿态作为给所述交通工具状态估计器的雷达定位输入，以用于更新有关所述交通工具当前动态状态的所述自我轨迹信息；
至少部分地基于所述雷达定位输入，确定关于所述交通工具当前动态状态的更新的自我轨迹信息；以及
由所述交通工具状态估计器输出关于所述交通工具当前动态状态的所述更新的自我轨迹信息。
19.如权利要求17所述的非瞬态计算机可读介质，其特征在于，被配置为使处理设备从所述雷达检测和所述自我轨迹信息提取地标数据的指令至少包括：
执行静态对象标识器，所述静态对象标识器被配置用于从接收到的雷达检测和所述自我轨迹信息标识静态雷达检测。
20.如权利要求17所述的非瞬态计算机可读介质，其特征在于，被配置为使处理设备从所述雷达检测和所述自我轨迹信息提取地标数据的指令至少包括：
执行占用网格生成器，所述占用网格生成器被配置用于生成所述交通工具周围的环境中任何位置的占用概率，所述概率基于所述雷达检测和所述自我轨迹信息。
CN202111493568.8A 2020-12-17 2021-12-08 基于雷达检测的交通工具定位 Pending CN114646954A (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
US202063127049P 2020-12-17 2020-12-17
US63/127,049 2020-12-17
US202163146483P 2021-02-05 2021-02-05
US63/146,483 2021-02-05
US17/367,289 2021-07-02
US17/367,289 US12174641B2 (en) 2020-12-17 2021-07-02 Vehicle localization based on radar detections

Publications (1)

Publication Number Publication Date
CN114646954A true CN114646954A (zh) 2022-06-21

Family

ID=78695647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111493568.8A Pending CN114646954A (zh) 2020-12-17 2021-12-08 基于雷达检测的交通工具定位

Country Status (3)

Country Link
US (1) US12174641B2 (zh)
EP (1) EP4016115A1 (zh)
CN (1) CN114646954A (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020133330B4 (de) * 2020-12-14 2024-10-24 Bayerische Motoren Werke Aktiengesellschaft Computerimplementiertes Verfahren zur Schätzung einer Fahrzeugposition
US12105192B2 (en) 2020-12-17 2024-10-01 Aptiv Technologies AG Radar reference map generation
US11988741B2 (en) 2020-12-17 2024-05-21 Aptiv Technologies AG Vehicle routing based on availability of radar-localization objects
US12174641B2 (en) 2020-12-17 2024-12-24 Aptiv Technologies AG Vehicle localization based on radar detections
US12103540B2 (en) * 2021-07-29 2024-10-01 Qualcomm Incorporated Occupancy mapping for autonomous control of a vehicle
US12130390B2 (en) * 2022-01-06 2024-10-29 GM Global Technology Operations LLC Aggregation-based LIDAR data alignment
US11810459B1 (en) * 2022-05-09 2023-11-07 Aptiv Technologies Limited Vehicle localization based on radar detections in garages
KR102507906B1 (ko) * 2022-10-04 2023-03-09 주식회사 라이드플럭스 저용량 ndt 지도를 이용한 자율주행 차량의 측위 방법, 장치 및 컴퓨터프로그램
EP4386319A1 (en) * 2022-12-14 2024-06-19 Aptiv Technologies AG Method for building a reference map, and a control unit and software for the same
CN117068142A (zh) * 2023-09-01 2023-11-17 广东优宝爱驾科技有限公司 用于泊车辅助的车辆智能定位系统
CN118857294A (zh) * 2024-07-03 2024-10-29 应急管理部沈阳消防研究所 一种救援路径探测的方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070109111A1 (en) * 1997-10-22 2007-05-17 Intelligent Technologies International, Inc. Accident Avoidance Systems and Methods
DE102014011731A1 (de) * 2014-08-06 2015-04-02 Daimler Ag Verfahren zum Betreiben eines Kraftfahrzeugs
CN107850450A (zh) * 2015-08-03 2018-03-27 通腾全球信息公司 用于生成及使用定位参考数据的方法及系统
CN108292474A (zh) * 2015-11-04 2018-07-17 祖克斯有限公司 派遣和维护自主车辆的车队的协调
CN110082753A (zh) * 2018-01-25 2019-08-02 Aptiv技术有限公司 确定车辆位置的方法
US20200158862A1 (en) * 2018-11-19 2020-05-21 Invensense, Inc. Method and system for positioning using radar and motion sensors
US20200348408A1 (en) * 2018-01-16 2020-11-05 Huawei Technologies Co., Ltd. Vehicle Positioning Method and Vehicle Positioning Apparatus

Family Cites Families (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6865477B2 (en) * 1994-05-31 2005-03-08 Winged Systems Corporation High resolution autonomous precision positioning system
WO2004028134A2 (en) 2002-09-20 2004-04-01 M7 Visual Intelligence, Lp Vehicule based data collection and porcessing system
CA2712673A1 (en) * 2008-02-04 2009-08-13 Tele Atlas North America Inc. Method for map matching with sensor detected objects
US8340852B2 (en) * 2009-04-29 2012-12-25 Honeywell International Inc. System and method for simultaneous localization and map building
US9562778B2 (en) 2011-06-03 2017-02-07 Robert Bosch Gmbh Combined radar and GPS localization system
US9194949B2 (en) 2011-10-20 2015-11-24 Robert Bosch Gmbh Methods and systems for precise vehicle localization using radar maps
DE102012106932A1 (de) 2012-07-30 2014-05-15 Continental Teves Ag & Co. Ohg Verfahren zur Darstellung einer Fahrzeugumgebung mit Positionspunkten
DE102013200387A1 (de) 2013-01-14 2014-07-17 Robert Bosch Gmbh Erstellung einer Hinderniskarte
US9435653B2 (en) * 2013-09-17 2016-09-06 GM Global Technology Operations LLC Sensor-aided vehicle positioning system
US8989944B1 (en) * 2013-11-26 2015-03-24 Google Inc. Methods and devices for determining movements of an object in an environment
CA2934879C (en) * 2013-12-27 2020-07-28 Komatsu Ltd. Mining machine management system, mining machine, and management method
DE102015002144A1 (de) 2015-02-18 2016-08-18 Audi Ag Verfahren zum Betrieb eines Sicherheitssystems eines Kraftfahrzeugs in einer Navigationsumgebung und Kraftfahrzeug
US10635761B2 (en) 2015-04-29 2020-04-28 Energid Technologies Corporation System and method for evaluation of object autonomy
US9594378B2 (en) 2015-07-31 2017-03-14 Delphi Technologies, Inc. Variable object detection field-of-focus for automated vehicle control
AU2015418445B2 (en) * 2015-12-25 2019-08-15 Komatsu Ltd. Control system for work machine, work machine, management system for work machine, and management method for work machine
DE102016003934A1 (de) 2016-03-31 2017-10-05 Audi Ag Verfahren zur Navigation eines Kraftfahrzeugs in einer Navigationsumgebung und Navigationsmarker
US10545229B2 (en) 2016-04-22 2020-01-28 Huawei Technologies Co., Ltd. Systems and methods for unified mapping of an environment
US9851212B2 (en) 2016-05-06 2017-12-26 Ford Global Technologies, Llc Route generation using road lane line quality
US10309792B2 (en) 2016-06-14 2019-06-04 nuTonomy Inc. Route planning for an autonomous vehicle
US10345107B2 (en) 2016-06-22 2019-07-09 Aptiv Technologies Limited Automated vehicle sensor selection based on map data density and navigation feature density
US10627248B2 (en) 2016-09-21 2020-04-21 Apple Inc. Cognitive load routing metric for vehicle guidance
US10496090B2 (en) 2016-09-29 2019-12-03 Magna Electronics Inc. Handover procedure for driver of autonomous vehicle
CN110832474B (zh) 2016-12-30 2023-09-15 辉达公司 更新高清地图的方法
IL250382B (en) * 2017-01-31 2021-01-31 Arbe Robotics Ltd A radar-based system and method for real-time simultaneous positioning and mapping
US10531603B2 (en) 2017-05-09 2020-01-14 Cnh Industrial America Llc Agricultural system
US10740988B2 (en) 2017-06-16 2020-08-11 nuTonomy Inc. Intervention in operation of a vehicle having autonomous driving capabilities
DE102017214012A1 (de) 2017-08-10 2019-02-14 Volkswagen Aktiengesellschaft Verfahren und Vorrichtung zur Bedienung eines Navigationssystems eines Kraftfahrzeugs
EP3460516B1 (en) 2017-09-20 2020-05-27 Aptiv Technologies Limited A device and a method for distinguishing between traversable and non-traversable objects
GB2567144B (en) * 2017-09-27 2019-11-13 Jaguar Land Rover Ltd Apparatus and method for localising a vehicle
KR102483646B1 (ko) 2017-12-22 2023-01-02 삼성전자주식회사 객체 검출 장치 및 방법
US10836379B2 (en) 2018-03-23 2020-11-17 Sf Motors, Inc. Multi-network-based path generation for vehicle parking
CN112292582B (zh) * 2018-04-20 2024-08-27 文远知行有限公司 用于生成高清晰度地图的方法和系统
US11138745B2 (en) 2018-04-30 2021-10-05 Uatc, Llc Object association for autonomous vehicles
JP7084244B2 (ja) * 2018-07-31 2022-06-14 株式会社小松製作所 作業機械の制御システム、作業機械、及び作業機械の制御方法
US11353577B2 (en) 2018-09-28 2022-06-07 Zoox, Inc. Radar spatial estimation
EP3644016B1 (en) 2018-10-23 2024-07-31 Zenuity AB Localization using dynamic landmarks
DE102018218182B4 (de) 2018-10-24 2021-07-29 Volkswagen Aktiengesellschaft Verfahren zur Positionsbestimmung eines Fahrzeugs
DE112019005425T5 (de) 2018-10-30 2021-07-22 Motional Ad Llc Redundanz in autonomen fahrzeugen
US11899099B2 (en) 2018-11-30 2024-02-13 Qualcomm Incorporated Early fusion of camera and radar frames
DE102018133441A1 (de) 2018-12-21 2020-06-25 Volkswagen Aktiengesellschaft Verfahren und System zum Bestimmen von Landmarken in einer Umgebung eines Fahrzeugs
US10962372B1 (en) 2018-12-31 2021-03-30 Accelerate Labs, Llc Navigational routes for autonomous vehicles
WO2020157138A1 (en) 2019-01-30 2020-08-06 Sony Corporation Object detection apparatus, system and method
EP3693702A1 (en) * 2019-02-05 2020-08-12 Visteon Global Technologies, Inc. Method for localizing a vehicle
US11016492B2 (en) 2019-02-28 2021-05-25 Zoox, Inc. Determining occupancy of occluded regions
EP3734388B1 (en) 2019-04-29 2023-03-15 Commissariat à l'Energie Atomique et aux Energies Alternatives Method and apparatus for performing simultaneous localization and mapping
US11506502B2 (en) * 2019-07-12 2022-11-22 Honda Motor Co., Ltd. Robust localization
US11209280B2 (en) 2019-07-31 2021-12-28 Toyota Motor Engineering & Manufacturing North America, Inc. System and method for route selection
US20200101974A1 (en) 2019-08-12 2020-04-02 Lg Electronics Inc. Device and method for selecting optimal travel route based on driving situation
US11713978B2 (en) * 2019-08-31 2023-08-01 Nvidia Corporation Map creation and localization for autonomous driving applications
JP7214881B2 (ja) * 2019-09-26 2023-01-30 ヤマハ発動機株式会社 環境地図作成装置および該方法、ならびに、自己位置推定装置、自律移動体
US11625009B2 (en) 2020-03-26 2023-04-11 Intel Corporation Non-uniform occupancy grid manager
US11798191B2 (en) * 2020-03-27 2023-10-24 Intel Corporation Sensor calibration and sensor calibration detection
WO2021233421A1 (en) 2020-05-22 2021-11-25 Beijing Bytedance Network Technology Co., Ltd. Scaling window in subpicture sub-bitstream extraction process
US11584392B2 (en) 2020-11-04 2023-02-21 Waymo Llc Route optimization for autonomous driving systems
US12174641B2 (en) 2020-12-17 2024-12-24 Aptiv Technologies AG Vehicle localization based on radar detections
US11398155B2 (en) 2020-12-23 2022-07-26 Ford Global Technologies, Llc Systems and methods for multilevel parking structure utilization and reporting

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070109111A1 (en) * 1997-10-22 2007-05-17 Intelligent Technologies International, Inc. Accident Avoidance Systems and Methods
DE102014011731A1 (de) * 2014-08-06 2015-04-02 Daimler Ag Verfahren zum Betreiben eines Kraftfahrzeugs
CN107850450A (zh) * 2015-08-03 2018-03-27 通腾全球信息公司 用于生成及使用定位参考数据的方法及系统
CN108292474A (zh) * 2015-11-04 2018-07-17 祖克斯有限公司 派遣和维护自主车辆的车队的协调
US20200348408A1 (en) * 2018-01-16 2020-11-05 Huawei Technologies Co., Ltd. Vehicle Positioning Method and Vehicle Positioning Apparatus
CN110082753A (zh) * 2018-01-25 2019-08-02 Aptiv技术有限公司 确定车辆位置的方法
US20200158862A1 (en) * 2018-11-19 2020-05-21 Invensense, Inc. Method and system for positioning using radar and motion sensors

Also Published As

Publication number Publication date
US12174641B2 (en) 2024-12-24
EP4016115A1 (en) 2022-06-22
US20220197301A1 (en) 2022-06-23

Similar Documents

Publication Publication Date Title
CN114646954A (zh) 基于雷达检测的交通工具定位
EP3887762B1 (en) Lane mapping and navigation
US11086334B2 (en) Crowdsourcing a sparse map for autonomous vehicle navigation
US10248124B2 (en) Localizing vehicle navigation using lane measurements
US20200349362A1 (en) Method of Computer Vision Based Localisation and Navigation and System for Performing the Same
EP3843001A1 (en) Crowdsourcing and distributing a sparse map, and lane measurements for autonomous vehicle navigation
CN104848867B (zh) 基于视觉筛选的无人驾驶汽车组合导航方法
KR20210111180A (ko) 위치 추적 방법, 장치, 컴퓨팅 기기 및 컴퓨터 판독 가능한 저장 매체
JP6492469B2 (ja) 自車走行レーン推定装置及びプログラム
EP4027169A2 (en) Radar reference map generation
US20140032012A1 (en) Tracking on-road vehicles with sensors of different modalities
CN106908775A (zh) 一种基于激光反射强度的无人车实时定位方法
EP3846074B1 (en) Predicting future events in self driving cars
WO2021262976A1 (en) Systems and methods for detecting an open door
RU2757234C2 (ru) Способ и система для вычисления данных для управления работой беспилотного автомобиля
US20250029332A1 (en) Building modeling method using aerial lidar and computer program recorded on recording medium to execute the same
US12174301B2 (en) Online validation of LIDAR-to-LIDAR alignment and LIDAR-to-vehicle alignment
CN114646957A (zh) 雷达参考地图生成
EP4276493A1 (en) Vehicle localization based on radar detections in garages
CN113227713A (zh) 生成用于定位的环境模型的方法和系统
US12203772B1 (en) Map updating method and computer program recorded on recording medium to execute the same
Farrell et al. Precision mapping of the california connected vehicle testbed corridor
CN117826816A (zh) 用以解决智能队列定位误差的安全冗余方法
Barrios Predicting Trajectory Paths For Collision Avoidance Systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20240401

Address after: Jiraum, Luxembourg, Luxembourg J. 12C Kroll Street

Applicant after: Anbofu Manufacturing Management Services Co.,Ltd.

Country or region after: Luxembourg

Address before: Babado J San Michaele

Applicant before: Delphi Technologies, Inc.

Country or region before: Barbados

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240428

Address after: 2 Pestaroz Street, Schaffhausen, Switzerland

Applicant after: Anbofu Technology Co.,Ltd.

Country or region after: Switzerland

Address before: Jiraum, Luxembourg, Luxembourg J. 12C Kroll Street

Applicant before: Anbofu Manufacturing Management Services Co.,Ltd.

Country or region before: Luxembourg

TA01 Transfer of patent application right