阅读说明：本技术 使用激光雷达的车辆定位系统 (Vehicle positioning system using laser radar ) 是由 年兴 冯路 马腾 于 2018-11-09 设计创作，主要内容包括：本申请实施例提供了用于定位车辆的系统和方法。所述系统包括通信接口(202),被配置为接收由所述车辆上配备的传感器捕获的与场景相关的点云。所述系统进一步包括存储器(208),被配置为存储点云和高清地图。所述系统还包括处理器(204)。所述处理器(204)被配置为创建所述点云的第一个三维表示,并创建与所述场景相关的所述高清地图的第二个三维表示。所述处理器(204)被进一步配置为通过比较所述第一个三维表示和所述第二个三维表示来确定所述车辆的位姿信息。所述处理器(204)根据所述位姿信息确定所述车辆的位置。(The embodiment of the application provides a system and a method for positioning a vehicle. The system includes a communication interface (202) configured to receive a point cloud relating to a scene captured by a sensor equipped on the vehicle. The system further includes a memory (208) configured to store the point cloud and the high definition map. The system also includes a processor (204). The processor (204) is configured to create a first three-dimensional representation of the point cloud and create a second three-dimensional representation of the high definition map associated with the scene. The processor (204) is further configured to determine pose information of the vehicle by comparing the first three-dimensional representation and the second three-dimensional representation. The processor (204) determines a position of the vehicle from the pose information.)

使用激光雷达的车辆定位系统

技术领域

本申请涉及使用激光雷达(Light Detection and Ranging，LiDAR)的定位系统和方法，更具体地，涉及在LiDAR数据和高清地图之间使用体素匹配方法预估车辆位置的定位系统和方法。

背景技术

自动驾驶和机器人导航技术在很大程度上依赖于精确定位。例如，高清晰度的车辆定位对于自动驾驶至关重要。传统的定位方法，例如使用全球定位系统(GlobalPositioning System，GPS)或惯性测量单元(Inertial Measurement Unit，IMU)，不能提供自动驾驶所需的足够的定位精度。例如，GPS定位的准确度通常为米级。对于自动驾驶控制通常不够精确，例如定位车道之间的车辆，或者定位车辆前方的行人，这两者都要求定位误差在厘米以内。此外，GPS信号并非总是可用的。例如，当车辆在隧道内或靠近高层建筑物时，GPS信号通常很弱或丢失。此外，IMU的测量误差通常随着时间或距离而累积，导致定位不准确。

可以通过聚合当车辆四处移动时车辆上的各种传感器、探测器和其他装置获取的图像和信息来获得高分辨率地图。例如，车辆可以配备多个集成传感器，例如LiDAR、GPS接收器、一个或以上IMU传感器、以及一个或以上相机，以捕获车辆行驶的道路或周围物体的特征。可以通过基于测量车辆的相应三维(three-dimensional，3-D)位姿信息(例如，位置和姿态)聚合多个点云帧来获得高清地图。

基于高清地图，通过与实时传感器的测量，例如相机图像和GPS/IMU信号的特征匹配和融合，可以定位车辆。然而，定位结果通常受到例如拍摄相机图像时的照明条件和传感器测量中的噪声的影响。另一种高清定位方法将LiDAR捕获的实时点云与高清地图进行点对点的匹配。然而，考虑到需要处理的数据量和算法的复杂性，这种方法计算量太大。此外，它需要一个足够接近车辆实际位置的初始位置。另一种方法是对点云进行分割，从分割中提取特征，并将该特征与从高清地图中提取的特征进行匹配。该方法通常不能实时执行，并且对测量噪声敏感。

本申请的实施例通过改进的用于定位车辆的系统和方法解决上述问题。

发明内容

本申请的实施例提供了一种用于定位车辆的系统。所述系统包括通信接口，被配置为接收由所述车辆上配备的传感器捕获的与场景相关的点云。所述系统进一步包括存储器，被配置为存储所述点云和高清地图。所述系统还包括处理器。所述处理器被配置为，创建所述点云的第一个三维表示，以及创建与所述场景有关的所述高清地图的第二个三维表示。所述处理器被进一步配置为，通过比较所述第一个三维表示和所述第二个三维表示来确定所述车辆的位姿信息。所述处理器基于所述位姿信息确定所述车辆的位置。

本申请的实施例还提供了一种用于定位车辆的方法。所述方法包括接收由所述车辆上配备的传感器捕获的与场景相关的点云。所述方法进一步包括通过处理器，创建所述点云的第一个三维表示，以及通过所述处理器，创建与所述场景有关的高清地图的第二个三维表示。所述方法还包括通过所述处理器，通过比较所述第一个三维表示和所述第二个三维表示来确定所述车辆的位姿信息，以及基于所述位姿信息确定所述车辆的位置。

本申请的实施例进一步提供了一种其上存储有指令的非暂时性计算机可读介质，当由一个或以上处理器执行时，使一个或以上处理器执行操作。所述操作包括接收由车辆上配备的传感器捕获的与场景相关的点云。所述操作进一步包括创建所述点云的第一个三维表示，以及创建与所述场景有关的高清地图的第二个三维表示。所述操作还包括通过比较所述第一个三维表示和所述第二个三维表示确定所述车辆的位姿信息，以及基于所述位姿信息确定所述车辆的位置。

应当理解的是，前面的一般性描述和下面的详细描述都只是示例性和说明性的，并不是对要求保护的本发明的限制。

附图说明

图1示出了根据本申请实施例的具有传感器的示例性车辆的示意图。

图2示出了根据本申请实施例的用于基于实时点云数据定位车辆的示例性定位服务器的框图。

图3示出了根据本申请实施例的点云数据的示例性三维表示。

图4示出了根据本申请实施例的用于定位车辆的示例性方法的流程图。

图5示出了根据本申请实施例的示例性体素匹配方法的流程图。

具体实施方式

现在将详细参考示例性实施例，其示例如附图所示。只要有可能，在整个附图中将使用相同的附图标记来表示相同或相似的部分。

图1示出了根据本申请实施例的具有至少两个传感器的示例性车辆100的示意图。与一些实施例一致，车辆100可以是被配置为获取用于构建高分辨率地图或三维(three-dimensional，3-D)城市建模的数据的测量车辆。可以预期地，车辆100可以是电动车辆、燃料电池车辆、混合动力车辆或传统的内燃机车辆。车辆100可具有车身110和至少一个车轮120。车身110可以是任何车身类型，例如运动车辆、轿跑车、轿车、皮卡车、旅行车、运动型多功能车(sports utility vehicle，SUV)、小型货车或改装车。在一些实施例中，如图1所示，车辆100可包括一对前轮和一对后轮。然而，可以预期地，车辆100可具有更少的车轮或使车辆100能够四处移动的等效结构。车辆100可以被配置为全轮驱动(all wheel drive，AWD)、前轮驱动(front wheel drive，FWR)或后轮驱动(rear wheel drive，RWD)。在一些实施例中，车辆100可以被配置为由使用车辆的操作员操作、远程控制和/或自动操作。

如图1所示，车辆100可以配备有通过安装结构130安装到车身110上的LiDAR 140。安装结构130可以是安装或以其他方式附接到车辆100的车身110上的机电设备。在一些实施例中，安装结构130可以使用螺钉、粘合剂或其他安装机制。车辆100可以使用任何合适的安装机制在车身110内部或外部额外配备GPS/IMU 150。可以预期地，在车辆100上配备LiDAR 140或GPS/IMU150的方式可以不受图1中所示示例的限制，并且可以进行修改以实现期望的感测性能。

在一些实施例中，LiDAR 140和GPS/IMU 150可以被配置为在车辆100沿着轨迹移动时捕获数据。与本申请一致，LiDAR 140可被配置为扫描周围环境并获取点云。LiDAR通过用脉冲激光照射目标并用传感器测量反射脉冲来测量到目标的距离。然后可以使用激光返回时间差和波长，生成所述目标的数字3-D表示。用于LiDAR扫描的光可以是紫外线、可见光或近红外线。由于窄激光束可以以非常高的分辨率映射物理特征，因此LiDAR扫描仪特别适用于高分辨率地图测量。在一些实施例中，LiDAR扫描仪可以捕获点云。当车辆100沿着轨迹移动时，LiDAR 140可以在多个时间点获取一系列点云(每个点云被称为在一个时间点获取的点云帧)。

如图1所示，车辆100可以额外配备GPS/IMU 150，其可以包括在导航单元中用于定位车辆100的传感器，例如GPS接收器和一个或以上IMU传感器。GPS是一种全球导航卫星系统，其为GPS接收器提供地理定位和时间信息。IMU是一种电子设备，其使用各种惯性传感器例如加速度计和陀螺仪、有时还有磁力计，测量并提供车辆的比力、角速率、有时还包括车辆周围的磁场。通过组合GPS接收器和IMU传感器，GPS/IMU 150可以在车辆100行进时提供车辆100的实时位姿数据，包括车辆100在每个时间点的位置和姿态(例如，欧拉角)。

与本申请一致，车辆100可以包括车辆100的车身110内的与地图服务器170和定位服务器180通信的本地控制器160。在一些实施例中，地图服务器170和定位服务器180中的每一个可以是本地物理服务器、云服务器(如图1所示)、虚拟服务器、分布式服务器或任何其他合适的计算设备。地图服务器170和定位服务器180可以通过网络，例如无线局域网(Wireless Local Area Network，WLAN)、广域网(Wide Area Network，WAN)、诸如无线电波、蜂窝网络、卫星通信网络和/或本地或短程无线网络(例如，蓝牙^TM)的无线网与LiDAR140、GPS/IMU 150和/或车辆100的其他组件通信。例如，地图服务器170和定位服务器160可以从LiDAR 140和GPS/IMU 150接收传感器测量值。地图服务器170和定位服务器180还可以彼此通信。例如，定位服务器180可以从地图服务器170接收高清地图或其某些部分。

与本申请一致，控制器160和定位服务器180可以基于由LiDAR 140捕获的点云和由GPS/IMU 150捕获的位姿数据单独或共同地执行车辆100位姿信息的预估。在一些实施例中，控制器160或定位服务器180可以基于GPS/IMU150提供的初始定位信息从地图服务器170检索高清地图，并创建高清地图的3-D表示。控制器160或定位服务器180还可以接收由LiDAR 140获取的点云并创建点云的3-D表示。可以通过“体素化”数据来创建点云和高清地图的3-D表示。控制器160或定位服务器180可以对3-D表示执行体素匹配方法以优化车辆100的位姿信息。可以基于优化的位姿信息来定位车辆100。在一些实施例中，点云和高清地图可以在多种分辨率下进行体素化，并且可以首先对较低分辨率下的3-D表示执行体素匹配方法，并且当对较高分辨率下的3-D表示执行该方法时，将所获得的位姿信息用作初始猜测。所公开的系统和方法提供了改进的准确性和降低的计算成本。

例如，图2示出了根据本申请实施例的用于基于实时点云数据定位车辆的示例性定位服务器180的框图。与本申请一致，定位服务器180可以使用各种类型的数据来进行车辆位姿预估。当车辆100沿着轨迹移动时，关于车辆100的周围场景的各种类型的数据可以由车辆100上配备的LiDAR 140和GPS/IMU150捕获。该数据可以包括由LiDAR 140捕获的由不同时间点的多点云帧组成的点云201。该数据还可以包括由GPS/IMU 150获取的车辆100的初始位姿数据203。在一些实施例中，可以通过基于来自GPS接收器和IMU传感器的初始位姿数据203将本地LiDAR数据从局部坐标系变换为全局坐标系(例如，经度/纬度坐标)来校准点云201。

提供给定位服务器180以进行车辆位姿预估的数据还包括由地图服务器170提供的高清地图205。高清地图205可以通过聚合由各种传感器、检测器和测量车辆上用于捕获测量区域特征的其他设备获取的图像和信息来构建。在一些实施例中，高清地图205可以是较大的高清地图的一部分，例如，局部高清地图。地图服务器170还可以从GPS/IMU 150接收位姿数据203，并且检索与位姿数据203相对应的场景的高清地图205。

在一些实施例中，如图2所示，定位服务器180可以包括通信接口202、处理器204、内存206和存储器208。在一些实施例中，定位服务器180可以是在单个设备中具有不同模块，例如集成电路(integrated circuit，IC)芯片(实现为专用集成电路(application-specific integrated circuit，ASIC)或现场可编程门阵列(field-programmable gatearray，FPGA))，或是具有专用功能的独立设备。在一些实施例中，定位服务器180的一个或以上组件可以位于车辆100内部，或者可替代地在移动设备、云端或另一个远程位置中。定位服务器180的组件可以在集成设备中，或者分布在不同的位置但通过网络(未示出)彼此通信。例如，处理器204可以是车辆100的车载处理器、移动设备内的处理器或云处理器，或其任意组合。

通信接口202可以通过例如通信电缆、无线局域网(WLAN)、广域网(WAN)，诸如无线电波网络、蜂窝网络和/或本地无线网络(例如，Bluetooth^TM或WiFi^TM)的无线网或其他通信方法，向诸如LiDAR 140和GPS/IMU 150之类的组件以及地图服务器170发送数据和从其接收数据。在一些实施例中，通信接口202可以是综合业务数字网(integrated servicesdigital network，ISDN)卡、电缆调制解调器、卫星调制解调器或调制解调器，以提供数据通信连接。又例如，通信接口202可以是局域网(LAN)适配器，以提供与兼容LAN的数据通信连接。无线链路也可以由通信接口202实现。在这样的实现中，通信接口202可以发送和接收携带表示各种类型信息的数字数据流的电信号、电磁信号或光信号。

与一些实施例一致，通信接口202可以接收由LiDAR 140和GPS/IMU150捕获的数据，包括点云201和初始位姿数据203。通信接口202还可以从地图服务器170接收高清地图205。接收的数据可以提供给内存206和/或存储器208以便存储或提供给处理器204以进行处理。通信接口202还可以接收由处理器204生成的优化的位姿信息，并且通过通信链路将位姿信息提供给车辆100中的任何本地组件或任何远程设备。

处理器204可包括任何适当类型的通用或专用微处理器、数字信号处理器或微控制器。处理器204可以被配置为专用于预估车辆位姿的单独处理器模块。或者，处理器204可以被配置为还可以执行与车辆位姿预估无关的其他功能的共用处理器模块。

如图2所示，处理器204可以包括多个模块/单元，例如3-D表示生成单元210、体素匹配单元212、定位单元214、位姿信息预估单元216等。这些模块/单元(以及任何相应的子模块或子单元)可以是处理器204的硬件单元(例如，集成电路的部分)，其被设计用于与其他组件一起使用或执行程序的至少一部分。程序可以存储在计算机可读介质上，并且当由处理器204执行时，可以执行一个或以上的功能或操作。尽管图2示出了在一个处理器204内的所有单元210-216，但是可以预期地，这些单元可以分布在彼此靠近或远离的多个处理器之间。

3-D表示生成单元210可以被配置为创建点云201的3-D表示。在一些实施例中，3-D表示生成单元210可以将点云201的3-D空间划分为多个体素。例如，图3示出了根据本申请实施例的点云201的示例性3-D表示310。如图3所示，3-D表示310包含至少两个体素320。每个体素表征为一组体素值，包括例如局部3-D表面特征分布。在一些实施例中，体素值还包括平均强度值，以及沿x、y和z方向的三维分布。例如，强度值的3-D分布可以是高斯/正态分布。

因此，体素320可以包括3-D空间信息以及点云强度分布。与直接匹配点云的方法相比，匹配包含这些体素的3-D表示可以提高定位精度。

在一些实施例中，3-D表示单元210还可以被配置为创建第二个3-D表示，即高清地图205的至少一部分的3-D表示。高清地图205可以包含在测量期间获取的点云数据。因此，可以使用以上结合图3公开的相同方法来创建高清地图205的3-D表示。

返回参考图2，体素匹配单元212可以被配置为执行点云201的3-D表示与高清地图205对应的3-D表示之间的体素匹配操作。在一些实施例中，体素匹配可以找到车辆100优化的位姿信息，其对应于点云201的3-D表示与高清地图205对应的3-D表示之间的最小差异。例如，可以将差异计算为两个表示的对应体素之间差异的聚合差异。在一些实施例中，差异也可以相反地通过两个表示的体素之间的相似性来表征。体素匹配单元212可以解决优化问题以最大化这种相似性。可以实施迭代方法，例如牛顿迭代方法，以解决优化问题。

在一些实施例中，当解决优化问题时，初始位姿信息T₀可以用作第一次迭代的起点(也称为初始猜测)。例如，T₀＝(x₀，y₀，z₀，row₀，pitch₀，yaw₀)，其中x₀、y₀和z₀是车辆位置的三维坐标，row₀、pitch₀和yaw₀表示车辆位姿。最初可以基于初始位姿信息T₀创建3-D表示。

在一些实施例中，可以通过位姿信息预估单元216使用获取的先前点云帧的位姿信息来预估T₀。在优化过程中，可以在预定义的搜索空间X、Y、Z、ROLL、PITCH、YAW内迭代地改进位姿信息T。在优化成本函数满足某些预定停止准则之后，可以获得优化的位姿T。例如，停止准则可以包括匹配最大值Thm和/或计算时间最大值Tht。如果相似性L超过Thm(即，点云数据201和高清地图205的对应体素之间的相似性大于Thm)，或者计算时间超过Tht，则迭代过程可以停止并且最后更新的位姿信息可以用作与当前点云帧相关的优化的点云位姿信息T。

在一些实施例中，在获得点云位姿信息T之后，定位单元214然后可以将由体素匹配单元212获得的点云位姿信息T与由GPS/IMU 150提供的初始位姿数据203合并。例如，可以使用无迹卡尔曼滤波器(Unscented Kalman Filter，UKF)方法来合并点云位姿信息T和初始位姿数据203，以生成过滤后的位姿信息T’。UKF方法使用称为无迹变换(UnscentedTransform，UT)的确定性采样技术来选择围绕后验均值的最小采样点集(称为西格玛点)。然后通过非线性函数传播西格玛点，然后从中形成新的后验均值和协方差预估。得到的UKF滤波器可以更准确地预估真实均值和协方差。与一些现有导航系统用于位姿预估的扩展卡尔曼滤波器(Extended Kalman Filter，EKF)相比，UKF具有不计算雅可比行列式的优点，因此在理论上优于非线性和先验状态不确定性的扩展。与本申请一致，定位单元214可使用过滤后的位姿信息T’来定位车辆100。

在一些实施例中，位姿信息预估单元216可以基于由定位单元214确定的当前点云帧的过滤后的位姿信息T’来预估下一个点云帧的初始位姿信息T₀。在一些实施例中，位姿信息预估单元216可以基于点云帧之间的位姿变化来预估T₀。例如，位姿信息预估单元216可以基于每个点云帧中的点的3-D坐标及其相关属性(例如，反射激光强度)来计算相邻点云帧之间的位姿变化。又例如，位姿信息预估单元216可以计算对应于点云帧获得的位姿数据203之间的位姿变化。

预估的初始位姿信息T₀可以被提供给体素匹配单元212，用于预估下一个点云帧的优化的位姿信息T。因为初始位姿信息T₀是基于当前点云帧的优化的T来预估的，所以它作为初始猜测足够准确，因此可以帮助优化过程快速收敛。

在与本申请一致的一些实施例中，点云201和高清地图205可以在不同的分辨率下进行体素化。例如，3-D表示生成单元210可以生成点云201的多个3-D表示，在各自的3-D表示中具有不同大小的体素320。当由3-D表示生成单元210实现多分辨率体素化时，体素匹配单元212用于匹配操作的对应点云和高清地图的3-D表示具有相同的分辨率。

在一些实施例中，3-D表示生成单元210可以生成点云201和高清地图205在第一分辨率R₁下的第一个3-D表示。R₁可以是相对较低的分辨率，即具有相对大的体素尺寸的3-D表示。体素匹配单元212和定位单元214可以首先基于低分辨率下的3-D表示来定位车辆100。在分辨率R₁下获得的位姿信息可以是车辆位置的粗略预估。然后，3-D表示生成单元210可以在高于分辨率R₁的第二分辨率R₂下生成点云201和高清地图205的3-D表示。当使用分辨率R₂下的3-D表示来定位车辆时，分辨率R₁下的预估的位姿信息将用作初始猜测。

随着在越来越高的分辨率下重复预估过程，也可以提高车辆100的预估位置的精度。因为在较低分辨率下预估的位姿信息可以提供足够精确的初始猜测，所以多分辨率体素化方法可以在该过程收敛之前节省所需的大量迭代，从而提高计算速度。

内存206和存储器208可以包括任何适当类型的存储设备，其被提供以存储处理器204可能需要处理的任何类型的信息。内存206和存储器208可以是易失性或非易失性、磁性、基于半导体、基于磁带、光学的、可移动、不可移动、或其他类型的存储设备或有形(即，非暂时性)计算机可读介质，包括但不限于ROM、闪存、动态RAM和静态RAM。内存206和/或存储器208可以被配置为存储可以由处理器204执行以执行本文公开的车辆位姿预估功能的一个或以上计算机程序。例如，内存206和/或存储器208可以被配置为存储程序，该程序可以由处理器204执行来控制LiDAR 140和/或GPS/IMU 150以在车辆100沿着轨迹移动时捕获各种类型的数据，并且处理捕获的数据来预估车辆100的位姿信息。

内存206和/或存储器208可以进一步被配置为存储处理器204使用的信息和数据。例如，内存206和/或存储器208可以被配置为存储由LiDAR 140和GPS/IMU 150捕获的各种类型的数据以及预估的位姿信息。各种类型的数据可以永久存储、周期性地移除、或者在处理每个数据帧之后立即被忽略。

图4示出了根据本申请实施例的用于定位车辆100的示例性方法400的流程图。例如，方法400可以由车辆100的车辆位姿预估系统实现，其包括控制器160、地图服务器170、定位服务器180、以及LiDAR 140和GPS/IMU 150等。然而，方法400不限于该示例性实施例。

方法400可以包括如下所述的步骤S402-S416。应当理解的是，一些步骤可以是可选的，以执行此处提供的披露。此外，一些步骤可以同时执行，或者以与图4中所示不同的顺序执行。

在步骤S402，可以在时间点t₁捕获与场景相关的点云帧PC₁(例如，点云201)。例如，点云帧PC₁可以由LiDAR 140捕获。在一些实施例中，还可以在时间点t₁捕获车辆100的初始位姿数据IP₁(例如，初始位姿数据203)。例如，初始位姿数据IP₁可以由GPS/IMU 150捕获。初始位姿数据IP₁可以与点云帧PC₁对应，因为它们是在相同时间点捕获的。在一些实施例中，捕获的初始位姿数据IP₁和点云帧PC₁可以被发送到定位服务器180并由定位服务器180接收。

在步骤S404，可以基于初始位姿数据IP₁从地图服务器170获得高清地图(例如，高清地图205)。初始位姿数据IP₁提供其对应的点云帧PC₁的粗略位置，使地图服务器170可以选择先前构建的高清地图的相关部分，例如，包括所述场景的高清地图的一部分。在一些实施例中，高清地图也可以由定位服务器180接收。

在步骤S406-S410，定位服务器180可以使用体素匹配方法来优化车辆100的位姿信息T。为了优化位姿信息T，定位传感器180可以搜索预定义空间X、Y、Z、ROLL、PITCH、YAW，以将在步骤S402中获得的点云帧PC₁和在步骤S404获得的高清地图的点云数据进行匹配。与本申请一致，定位服务器180可以生成点云帧PC₁和高清地图的对应点云数据的3-D表示，并确定减少两个3-D表示之间差异的优化的预估位姿。

在一些实施例中，定位服务器180可以在多种分辨率下执行体素匹配，例如R₁和R₂，其中分辨率R₂高于分辨率R₁。当使用多分辨率方法时，可以在同一分辨率下的第一个3-D表示(例如，点云帧的3-D表示)和第二个3-D表示(例如，高清地图的3-D表示)之间执行体素匹配。在一些实施例中，可以从较低分辨率到较高分辨率执行体素匹配。例如，可以在最低分辨率下执行S408中的位姿信息优化操作。然后，在步骤S410，确定是否已经处理了所有分辨率。如果不是，则方法400的过程返回到步骤S406，选择下一个最低分辨率用于体素匹配(最初，“下一个”最低分辨率可以是最低分辨率，例如，R₁)。在步骤S408，定位服务器180可以对所选分辨率下的点云帧和高清地图的3-D表示执行体素匹配。

图5示出了根据本申请实施例的示例性体素匹配方法500的流程图。方法500可以通过定位服务器180来执行以执行方法400的步骤S408。然而，步骤S408不限于方法500的实施例。方法500可以包括如下所述的步骤S502-S516。应当理解的是，一些步骤可以是可选的，以执行本文提供的披露。此外，一些步骤可以同时执行，或者以与图5中所示不同的顺序执行。

在步骤S502，可以将位姿T₀设置为位姿信息T的初始猜测。例如，T₀＝(x₀，y₀，z₀，row₀，pitch₀，yaw₀)，其中x₀、y₀和z₀是车辆位置的三维坐标，row₀、pitch₀和yaw₀表示车辆位姿。在一些实施例中，可以通过位姿信息预估单元216使用获得的先前点云帧(例如，对应于时间点t₀的PC₀)的位姿信息来预估T₀。当使用多分辨率方法时，较低分辨率下的优化的位姿信息可以用作初始位姿T₀以提高计算速度。

在步骤S504，可以设置匹配阈值Thm和时间阈值Tht。在一些实施例中，匹配阈值Thm和时间阈值Tht都可以是停止准则的一部分。Thm是用于优化位姿信息T的成本函数L的最大值。Tht是计算时间的最大值。如果成本函数L的值超过Thm，或者计算时间超过Tht，则可以停止优化处理(参见步骤S512)。

在步骤S506，定位服务器180可以基于初始位姿信息T₀生成所选分辨率下点云帧PC₁的第一个3-D表示和高清地图的第二个3-D表示。在一些实施例中，为了生成3-D表示，3-D表示生成单元210可以将点云数据的3-D空间划分为如图3所示的多个体素320。每个体素表征为一组体素值，包括例如局部三维表面特征分布、平均强度值及其沿x，y和z方向的三维分布。

在步骤S508，可以确定所选分辨率下的3-D表示的体素值分布。在一些实施例中，体素值(例如，强度值)的3-D分布可以是高斯/正态分布，使用等式(1)-(3)表示：

M＝[p₁-μ...p_n-μ](2)

其中，p_i是点i在其体素内的3-D坐标以及在点i处的强度值，μ是高斯分布N(μ，∑)的平均值，以及∑是高斯分布的方差。

在步骤S510，定位传感器180可以计算两个3-D表示的体素值分布之间的相似性。例如，可以使用等式(4)确定相似性L：

其中，μ_i和∑_i分别是体素的高斯分布的平均向量和方差矩阵。通过最大化这种相似性来优化位姿信息T。

在一些实施例中，可以实施迭代方法，例如牛顿迭代方法，来解决优化问题。在每次迭代期间，将跟踪成本函数(例如，L)的值和计算时间。在步骤S512，如果成本函数L的值超过Thm，或者计算时间超过Tht(S508：是)，则认为满足停止准则，并且认为迭代过程收敛。因此，体素匹配单元212停止优化并将最新的位姿信息T作为优化的位姿提供给定位单元214。

另一方面，如果既不满足L>Thm也不满足T>Tht(S508：否)，则方法500前进到S514以进一步更新位姿T。在一些实施例中，位姿T可以被改进以进一步减小点云帧和高清地图的3-D表示之间的差异。利用更新的位姿T，方法500返回到步骤S506以进行另一次迭代。例如，在步骤S506和S508，定位服务器180可以生成点云帧和高清地图的3-D表示，并基于最新更新的位姿T确定体素值分布。

返回参考图4，在步骤S410，确定是否处理了所有分辨率。如果不是(S410：否)，则方法400返回到S406以选择用于体素匹配的下一个最低分辨率。例如，在处理分辨率R₁之后，分辨率R₂成为下一个最低分辨率，并且可以在步骤S406中被选择。因此，可以在步骤S408比较和匹配分辨率R₂下的第一个和第二个3-D表示，以确定所选分辨率下的优化的位姿T。

如果处理了所有分辨率(S410：是)，则方法400前进到步骤S412，将点云帧PC₁的优化的位姿信息T与对应的初始位姿数据IP₁进行过滤及合并。例如，定位服务器180可以使用UKF方法对点云位姿信息T和初始位姿数据203进行滤波及合并，以获得合并后的位姿信息T’。在步骤S414，可以基于合并后的位姿信息T’在高清地图中定位车辆100。

在一些实施例中，合并后的位姿信息T’可以另外用于为下一点云帧提供预估的位姿信息。例如，如果在步骤S412获得的合并后的位姿信息T’与在时间点t₁捕获的点云帧PC₁对应，则定位服务器180可预估在下一时间点t₂捕获的点云帧PC₂的位姿信息。可以提供预估的位姿信息作为位姿T₀的初始猜测，以寻找与点云帧PC₂对应的优化的位姿信息T。

在一些实施例中，位姿信息预估单元216可以分别基于在时间点t₁和t₂捕获的点云帧PC₁和点云帧PC₂之间的位姿变化来预估位姿信息。例如，位姿信息预估单元216可以基于每个点云帧中的点的3-D坐标及其相关属性(例如，反射激光强度)来计算位姿变化。例如，可以使用四维(four-dimensional，4-D)正态分布变换(Normal DistributionsTransform，NDT)基于X、Y和Z坐标以及每个点的反射层强度来计算位姿变化。4-D NDT将从单个点云帧重建的离散的3-D点集转换为在3-D空间中定义的分段连续且可微分的概率密度。概率密度可以包括一组可容易计算的正态分布。概率密度分布可用于表示对应点云帧的点云位姿信息。又例如，位姿信息预估单元216可以分别计算在时间点t₁和t₂捕获的初始位姿数据IP₁和IP₂之间的位姿变化。

本申请的另一方面涉及一种存储有指令的非暂时性计算机可读介质，所述指令在被执行时使一个或以上处理器执行如上所述的方法。该计算机可读介质可以是易失性或非易失性、磁性、基于半导体、基于磁带、光学的、可移动、不可移动或其他类型的计算机可读介质或计算机可读存储设备。例如，如本申请的计算机可读介质可以是存储设备或其上存储有计算机指令的内存模块。在一些实施例中，计算机可读介质可以是其上存储有计算机指令的磁盘或闪存驱动器。

显而易见地，本领域普通技术人员可以对本申请的系统和相关方法进行各种修改和变化。考虑到本申请的系统和相关方法的说明和实践，其他实施例对于本领域普通技术人员是显而易见的。

本申请中的说明书和示例的目的仅被认为是示例性的，真正的范围由以下权利要求及其等同物限定。