阅读说明：本技术 使用高斯混合模型进行自主车辆定位 (Autonomous vehicle localization using gaussian mixture model ) 是由 莎拉·霍茨 普拉韦恩·纳拉亚南 格雷厄姆·米尔斯 什里亚莎·波德尔 于 2019-06-20 设计创作，主要内容包括：本文提供了“使用高斯混合模型进行自主车辆定位”。公开了用于确定车辆或其他装置的位置的系统、方法和装置。一种方法包括从传感器接收传感器数据,以及确定包括激光雷达强度值的在先地图。所述方法包括提取所述在先地图中在所述传感器的假设位置周围的子区域。所述方法包括通过期望最大化提取所述传感器数据的区域的高斯混合模型(GMM)强度值分布,以及基于所述传感器数据的强度值的所述GMM分布来计算所述在先地图的所述子区域的对数似然。(Provided herein is "autonomous vehicle localization using gaussian mixture model". Systems, methods, and devices for determining the position of a vehicle or other device are disclosed. A method includes receiving sensor data from a sensor and determining a prior map including lidar intensity values. The method includes extracting a sub-region of the prior map around the assumed location of the sensor. The method includes calculating a log likelihood of the sub-region of the prior map by expecting to maximize a distribution of Gaussian Mixture Model (GMM) intensity values of a region from which the sensor data is extracted, and calculating the GMM distribution of intensity values of the sensor data based on the log likelihood of the sub-region of the prior map.)

使用高斯混合模型进行自主车辆定位

技术领域

本公开涉及用于定位的方法、系统和设备，并且更具体地涉及用于基于激光雷达传感器数据来定位车辆的方法、系统和设备。

背景技术

定位是某些自主系统(包括自主驾驶系统或移动机器人系统)的要求。定位是执行某些任务(如避障、路线规划和地图创建)的关键组成部分。自主车辆利用地图来了解车辆周围的世界中的对象。自主车辆仅可以在知道所述车辆自身在地图内的位置时才能利用该信息。因此，车辆必须执行定位以知道所述车辆的位置，并且在一些实施方式中，必须以约10厘米的准确度知道所述车辆的位置。

定位系统可以集成在汽车(诸如自主车辆和驾驶辅助系统)中。目前正在开发和部署此类系统以提供安全性特征，减少所需的用户输入量，或甚至完全消除用户参与。例如，一些驾驶辅助系统(诸如防撞系统)可在人驾驶时监测车辆的驾驶、位置和速度和其他对象。当系统检测到即将发生碰撞或撞击时，防撞系统可介入并应用制动、操纵车辆或执行其他避让或安全操作。作为另一示例，自主车辆可在很少或没有用户输入的情况下驾驶、导航，和/或停放车辆。然而，由于驾驶中涉及的危险和车辆的成本，使自主车辆和驾驶辅助系统安全地操作并且能够在各种不同的驾驶环境中准确地导航道路是极其重要的。

发明内容

本公开旨在提供用于定位的改进系统、方法和装置，并且更具体地提供用于基于激光雷达传感器数据来定位车辆的改进系统、方法和装置。可以实现本公开的方法，以降低维度和根据不确定性或噪声改善神经网络操作。所述方法包括接收包括多个样本的原始数据，其中每个样本包括多个输入特征。所述方法包括基于原始数据生成模糊数据。所述方法包括将原始数据和模糊数据输入到神经网络自动编码器的输入层中。

附图说明

参考以下附图描述本公开的非限制及非详尽实施方式，其中除非另有说明，否则相同的附图标记贯穿各个附图指代相同零件。参考以下描述和附图将更好地理解本公开的优点，在附图中：

图1是示出根据一个实施例的示例性车辆控制系统或自主车辆系统的示意性框图；

图2是示出根据一个实施例的用于确定环境中的车辆或其他对象的位置的方法的示意性框图；

图3是示出根据一个实施例的用于确定环境中的车辆或其他对象的位置的方法的示意性框图；

图4是示出根据一个实施例的用于基于当前传感器数据确定一组参数的方法的示意性框图；

图5是示出根据一个实施例的用于确定在先地图的子区域的对数似然值的方法的示意性框图；

图6是示出根据一个实施例的用于确定环境中的车辆或其他对象的位置的方法的示意性框图；

图7是根据一个实施例的示例性激光雷达强度地图；

图8是根据一个实施例的示例性激光雷达强度图和高斯混合模型图；

图9是根据一个实施例的激光雷达强度值地图的示例性分布；

图10是示出根据一个实施例的用于确定参数的方法的示意性框图；

图11是根据一个实施例的包括多个子区域的示例性分类地图；

图12是根据一个实施例的用于确定环境中的车辆或其他对象的位置的方法的示意性流程图；

图13是根据一个实施例的用于确定环境中的车辆或其他对象的位置的方法的示意性流程图；并且

图14是示出根据一个实施例的示例性计算系统的示意框图。

具体实施方式

车辆在所述车辆的环境中的定位是允许和改善自主车辆或驾驶员辅助特征的操作的重要方面。例如，车辆必须准确地知道所述车辆在地图中的位置以安全地围绕对象导航并确定车辆路线。然而，本领域中已知的定位系统提供的准确度不足或为高度计算密集的，并且需要大量的计算资源。

自主车辆利用地图来了解车辆周围的世界中的对象。自主车辆仅可以在知道所述车辆自身在地图内的位置时才能利用该信息。因此，车辆必须执行定位以知道所述车辆的位置，并且在一些实施方式中，必须以约10厘米的准确度知道所述车辆的位置。在紧急的安全情况下，从全球定位系统(GPS)接收的定位不能提供足够的准确度。另外，本领域中已知的许多定位技术是在计算上非常密集的，并且如果车辆具有的计算资源不足，则可能限制所述车辆的续航里程。

本申请人认识到自主车辆的续航里程取决于车辆使用的计算能力，并且本申请人还认识到用于车辆定位的计算密集度较低的方法可为有益的。本申请人另外认识到，自主车辆可能处于所述车辆必须以非常差的初始猜测(例如GPS故障)快速定位自身，并且所述车辆的初始位置估计必须快速且有效地进行的情况。

本申请人已经使用从车辆的激光雷达传感器接收的激光雷达传感器数据开发了用于车辆定位的系统、方法和装置。本公开涉及能够提供适用于执行诸如避障、路径规划和地图创建之类的任务的定位的此类系统、方法和装置。应当理解，定位是传统上通过GPS(GPS可提供的关于车辆位置的准确度不足)进行，或者通过需要大量计算资源的计算密集型方法进行，并且在某些情况下可能不能足够快速地提供位置。

本领域中已知的几种定位技术将基于地图的定位作为机器学习问题进行处理。此类技术从大量数据中提取训练度量，并且在定位过程期间，针对所述训练度量执行推断以获得车辆位姿作为输出。此类技术的功效取决于几个关键因素，包括它们所估计的定位位姿的准确性，算法在汽车硬件中的计算速度，以及训练和推断中使用的数据的品质。基于地图的方法通常在定位过程期间使用预先计算的在先地图作为训练数据以及使用传感器数据来进行推断。此类技术需要大量的计算资源，并且在某些情况下可能无法提供足够快速的结果。

在公开和描述用于车辆定位的方法、系统和装置之前，应当理解的是，本公开不限于本文公开的配置、过程步骤和材料，因为此类配置、过程步骤、材料可能会有所不同。还应当理解的是，本文采用的术语仅用于描述实现方式，而不意图限制，因为本公开的范围将仅由所附权利要求及其等同物限制。

在描述并要求保护本发明时，将根据下文陈述的定义来使用以下术语。

应当注意的是，除非上下文另有明确说明，否则在本说明书和附图中所用的单数形式“一个”和“该”包括复数参考形式。

如本文所用的，术语“包含”、“包括”、“含有”、“其特征在于”及其语法等同物是包含性或开放式术语，其不排除附加的、未列举的元件或方法步骤。

在一个实施例中，公开了一种用于定位车辆或其他对象的方法。所述方法包括接收传感器数据，以及检索包括激光雷达强度值的在先地图。所述方法包括提取所述在先地图中在所述传感器的假设位置周围的子区域。所述方法包括通过期望最大化来提取所述传感器数据的高斯混合模型(GMM)强度值分布。所述方法包括基于所述传感器数据的GMM强度值分布来计算所述在先地图的所述子区域的对数似然。

本公开的一个实施例利用在定位期间获得的激光雷达点云数据作为训练数据来提取GMM强度值分布。本申请人注意到，本领域中已知的现有技术可以使用在先地图作为训练数据，根据所述训练数据来计算和存储诸如混合分量的平均值和协方差值之类的量。在定位期间，本公开的实施例利用当前传感器数据实时进行分类，并实时生成GMM强度值分布(可以被称为训练参数)。与现有的基于混合模型的方法相比，所公开的系统、方法和装置减轻了因在在先地图中存储多个混合地图所引起的存储约束。本公开的系统、方法和装置涉及以使用很小的开销来实时计算GMM强度值分布。在本公开的一个实施例中，大部分计算时间被花费来搜索在先地图的子区域和对所述在先地图的子区域进行分类。

本公开的一个实施例涉及用于车辆定位的快速多分辨率激光雷达扫描，该用于车辆定位的快速多分辨率激光雷达扫描在城市环境中可为特别有效的。本文所公开的系统、方法和装置可以在厘米级准确度内提供车辆定位。本公开涉及使用高斯混合地图来开拓车辆环境中的结构，并且在一个实施例中，地图可以是高度分布上的高斯混合的集合。在一个实施例中，通过利用高斯混合的栅格化在先地图查找表的多分辨率方法来实时地进行车辆定位。即使在现有技术中已知的方法通常会失效或提供的准确度不足的恶劣天气条件下，如本文所公开的系统、方法和装置也可有效用于车辆定位。

本公开的实施例涉及基于地图的车辆视觉定位，并且可以特别涉及城市环境中基于地图的视觉定位。该实施例利用激光雷达传感器数据，该激光雷达传感器数据包括具有表面反射率测量值的密集点云。该实施例可以利用从三维激光雷达扫描仪接收的在先地图数据，并通过将所述在先地图数据与从三维激光雷达扫描仪接收的当前地图数据进行比较来确定车辆的位置，该三维激光雷达扫描仪被配置为调查车辆的环境。该实施例使当前激光雷达传感器数据与在先地图传感器数据之间的归一化交互信息最大化。

将结合下面的附图讨论另外的实施例和示例。

现在参考附图，图1示出了可用于自主驾驶或辅助驾驶的示例性车辆控制系统100。自动化驾驶/辅助系统102可以用于自动化或控制车辆的操作或者辅助人类驾驶员。例如，自动化驾驶/辅助系统102可以控制车辆的制动、转向、加速、车灯、警报、驾驶员通知、无线电或任何其他辅助系统中的一个或多个。在另一实例中，自动化驾驶/辅助系统102可能不能够提供对驾驶(例如，转向、加速或制动)的任何控制，但是可以提供通知和警报以辅助人类驾驶员安全驾驶。自动驾驶/辅助系统102可以使用神经网络或其他模型或算法来基于由一个或多个传感器收集的感知数据对对象进行检测或定位。

车辆控制系统100还包括一个或多个传感器系统/装置，所述一个或多个传感器系统/装置用于检测主车辆(例如，包括车辆控制系统100的车辆)的传感器范围附近或传感器范围内的对象的存在。例如，车辆控制系统100可以包括一个或多个雷达系统106、一个或多个激光雷达系统108、一个或多个相机系统110、全球定位系统(GPS)112，和/或一个或多个超声系统114。车辆控制系统100可以包括数据存储区116，所述数据存储区116用于存储有关导航和安全性的相关或有用数据，诸如地图数据、驾驶历史或其他数据。车辆控制系统100还可以包括收发器918，该收发器918用于与移动或无线网络、其他车辆、基础设施或任何其他通信系统进行无线通信。

车辆控制系统100可以包括车辆控制致动器120以控制车辆驾驶的各个方面(诸如电动马达、开关或其他致动器)，以控制制动、加速、转向等。车辆控制系统100还可以包括一个或多个显示器122、扬声器124或其他装置，以使得可以向人类驾驶员或乘员提供通知。显示器122可以包括平视显示器、仪表盘显示器或指示器、显示屏或车辆的驾驶员或乘客可以看见的任何其他可视指示器。抬头显示器可用于提供通知，或指示检测到的对象的位置，或覆盖用于辅助驾驶员的指令或驾驶操纵。扬声器124可以包括车辆的音响系统的一个或多个扬声器，或者可以包括专用于驾驶员通知的扬声器。

应当理解，图1的实施例仅以举例的方式给出。其他实施例可以在不背离本公开的范围的情况下包括更少或另外的部件。另外，所示出的部件可以组合或包括在其他部件内而没有限制。

在一个实施例中，自动化驾驶/辅助系统102被配置成控制主车辆的驾驶或导航。例如，自动驾驶/辅助系统102可以控制车辆控制致动器120以在道路上的路径、停车场、行车道或其他位置行驶。例如，自动化驾驶/辅助系统102可以基于由部件106-918中的任何一个提供的信息或感知数据而确定路径。传感器系统/装置106-110和114可以用于获得实时传感器数据，以使得自动化驾驶/辅助系统102可以实时辅助驾驶员或驾驶车辆。

现在参考图2，示出了用于确定车辆或其他装置的位置的方法流程200。在一个实施例中，由自动驾驶/辅助系统102执行方法流程200。方法流程200包括在204处通过基于传感器数据202进行期望最大化来提取高斯混合模型(GMM)强度值分布。传感器数据202可包括从车辆的激光雷达传感器接收的激光雷达传感器数据。由传感器进行每次测量会发生一次204处的提取。方法流程200包括在208处提取在先地图206中在传感器的假设位置周围的子区域。方法流程200包括在210处基于在204处针对传感器数据202提取的GMM强度值分布来计算在先地图206的子区域的对数似然。在先地图206的每个子区域会发生一次210处的计算。对于由传感器进行的每次测量，从在先地图206中提取多个子区域。

现在参考图3，示出了用于确定车辆或其他装置的位置的方法流程300。在一个实施例中，由类似于图1中公开的自动驾驶/辅助系统(参见102)的自动驾驶/辅助系统302执行方法流程300。方法流程300包括自动驾驶/辅助系统302从车辆的传感器(诸如激光雷达传感器)接收当前激光雷达传感器数据304。自动驾驶/辅助系统302确定包括激光雷达强度值的在先地图306和在先地图中在传感器的假设位置周围的子区域308。在一个实施例中，自动驾驶/辅助系统302从存储器检索在先地图，从基于网络的存储装置下载在先地图，和/或接收在先地图。自动驾驶/辅助系统302在310处通过对当前激光雷达传感器数据304进行期望最大化来提取GMM强度值分布。自动驾驶/辅助系统在312处基于针对当前激光雷达传感器数据304的GMM强度值分布来计算在先地图的子区域308的对数似然。

当前激光雷达传感器数据304包括从激光雷达传感器接收的数据，并且可以特别地包括从附接到车辆或与车辆相关联的激光雷达传感器接收的数据。当前激光雷达传感器数据304可包括激光雷达强度值的二维栅格地图。如本文所公开的，当前激光雷达传感器数据304可以特别地涉及车辆的周围环境，并且可以用于以高准确度确定车辆的位置。

在方法流程300的训练阶段期间确定GMM强度值分布。在一个实施例中，训练阶段在车辆定位期间实时发生。通过对当前激光雷达传感器数据304进行期望最大化来确定GMM强度值分布。将当前激光雷达传感器数据304参数化为两个高斯函数的混合，并且在另外的实施例中，如果认为附加的混合分量对于应用是必要的，则可以使用所述附加的混合分量。可以根据下面的等式1对当前激光雷达传感器数据304的激光雷达点云进行建模。在等式1中，变量I是指在测量期间获得的当前激光雷达传感器数据304的点云中的数据点。在一个实施例中，利用期望最大化过程来计算两个高斯混合的拟合，以返回六个参数，该六个参数包括构成GMM强度值分布的w₁、w₂、μ₁、μ₂、σ₁、σ₂。GMM强度值分布的变量w可以表示当前激光雷达传感器数据304的激光雷达强度值的分布的权重。强度值的GMM分布的变量μ(mu)可以表示当前激光雷达传感器数据304的激光雷达强度值的分布的平均值。强度值的GMM分布的变量σ(sigma)可以表示当前激光雷达传感器数据304的激光雷达强度值的分布的标准偏差。六个参数(即，GMM强度值分布)，包括当前激光雷达传感器数据304的激光雷达强度值分布的权重、平均值和标准偏差，可用于在312计算在先地图的子区域308的对数似然。在一个实施例中，在先地图的子区域308可以对应于当前激光雷达传感器数据304的区域，并且可以利用与当前激光雷达传感器数据304有关的GMM强度值分布来估计产生当前激光雷达传感器数据304的传感器的位置(并进一步估计车辆的位置)。

p(I|μ₁，σ₁，μ₂，σ₂|)＝w₁N(I|μ₁，σ₁|)+w₂N(I|μ₁，σ₂|)

等式1

在一个实施例中，在车辆定位期间实时确定在先地图306。在此类实施例中，还在车辆定位期间的训练阶段期间实时确定GMM强度值分布。此类实施例可以极大地减轻由于在在先地图中存储多个混合地图而引起的存储约束。可以以很小的开销实时计算GMM强度值分布。在此类实施例中，大部分计算时间被花费来搜索在先地图的子区域和对所述在先地图的子区域进行分类。

在一个实施例中，由激光雷达传感器在某一位置处捕获在先地图306，并且由全球定位系统确定该位置。在此类实施例中，自动驾驶/辅助系统302可以利用当前GPS读数来检索与相同或相近的GPS读数相关联的在先地图306。在此类实施例中，自动驾驶/辅助系统302可以在不消耗大量计算资源的情况下快速返回车辆的准确位置。在一个替代实施例中，例如在GPS不起作用的情况下，自动驾驶/辅助系统302可以检索具有接近车辆的估计位置的GPS元数据的在先地图306。另外，可以由当前车辆的激光雷达传感器捕获在先地图306，或者可以由与其他车辆或其他装置相关联的任何其他激光雷达传感器来捕获在先地图306。此类在先地图306可以存储在车辆的本地存储器中，可以存储在基于云的数据库中，可以存储在区块链数据库中，等等。在一个实施例中，多个车辆与网络进行通信，并且所述多个车辆提供可以由所述多个车辆中的任何一个车辆利用的多个在先地图306。

在一个实施例中，在310处通过期望最大化来提取GMM强度值分布的过程包括利用迭代算法，该迭代算法从初始估计开始并且继续迭代地更新所述初始估计直到检测到收敛。每次迭代由E步骤和M步骤构成。E步骤表示当前参数值并计算所有数据点和所有混合分量的成员资格权重。M步骤利用数据点的成员资格权重来计算新的参数值，其中分量的成员资格权重之和是分配给所述分量的数据点的有效数目。M步骤在已经计算所有参数之后完成，并且在完成M步骤之后，可以重新计算在E步骤中计算的权重并且可以更新参数。包括E步骤和M步骤的处理对被认为是算法的一次迭代。

在310处通过对当前激光雷达传感器数据304进行期望最大化来提取GMM强度值分布的过程包括计算包括w₁、w₂、μ₁、μ₂、σ₁、σ₂在内的参数。在一个实施例中，310处的提取利用两个高斯函数来提供对道路强度数据看起来如何(例如，车辆周围的道路上的油漆和路面)的良好表示。训练实时获得的当前激光雷达传感器数据304，以产生可用于定位车辆的统计参量。

312处的计算返回对数似然值，即在先地图306的多个子区域的每个子区域的对数似然。对数似然值可用于更新位置过滤器，用于更新粒子滤波器中的粒子权重，用于利用最大对数似然值来设置为对车辆位置的当前估计，和/或用于采用最高峰值周围的分布作为卡尔曼滤波的平均值/协方差。

卡尔曼滤波也称为线性二次估计，并且是这样的算法，所述算法利用随时间观察到的含有统计噪声和其他不准确性的一系列测量值，并产生对未知变量的估计，所述对未知变量的估计趋于比基于单独单一测量，通过估计每个时间帧的变量的联合概率分布而进行的那些估计更准确。卡尔曼滤波以两步过程进行。在预测步骤中，卡尔曼滤波产生对当前状态变量以及它们的不确定性的估计。一旦观察到下一次测量的结果(必然遭到一定量的误差(包括随机噪声)的破坏)，就使用经加权的平均值来更新这些估计，其中给予估计的权重越高，则所述估计的准确性越高。卡尔曼滤波算法是递归的。卡尔曼滤波算法可以仅利用当前输入测量值和先前计算的状态及其不确定性矩阵来实时运行。

在一个实施例中，在312处根据下面的等式2来计算对数似然。等式2计算在先地图306的(多个子区域中的)子区域的对数似然。变量k指示表示在先地图的子区域308内的点的运行索引。参数w₁、w₂、μ₁、μ₂、σ₁、σ₂是来自GMM强度值分布的学习参量。对在先地图的多个子区域的对数似然进行排序，使得较高的对数似然值更可能指示车辆和/或捕获当前激光雷达传感器数据304的传感器的位置。

LL＝∑_klog[w₁n(I_k|μ₁，σ₁)+w₂N(I_k|μ₂，σ₂)]

等式2

方法流程300对于确定车辆或其他装置的二维x,y位置可为特别有效的。应当理解，方法流程300也可以容易地扩展到旋转航向估计。

在312处根据当前激光雷达传感器数据(参见304)提取区域的过程包括选择包含在当前激光雷达传感器数据304中的多个区域中的一个区域。在一个实施例中，利用网格采样方法提取(或选择)该区域，并且可替代地利用粒子滤波器来提取该区域。

图4示出了用于基于当前激光雷达传感器数据402生成GMM强度值分布的方法流程400。方法流程400包括接收当前激光雷达传感器数据402。方法流程400包括在404处通过基于当前激光雷达传感器数据402进行期望最大化来提取GMM强度值分布。方法流程400包括输出以下各项：强度值分布的权重406，强度值分布的平均值408，以及强度值分布的标准偏差410。在一个实施例中，输出包括权重406、平均值408和标准偏差410中的每两者。

图5示出了用于确定车辆或其他装置的位置的方法流程500。方法流程500包括在502处通过基于当前激光雷达传感器数据进行期望最大化来确定GMM强度值分布。方法流程500包括在504处提取在先地图中在传感器或车辆的假设位置周围的子区域。方法流程500包括在506处基于GMM强度值分布，使用交互信息来计算在先地图的子区域的对数似然。方法流程500包括在508处计算在先地图的多个子区域中的每个子区域的对数似然。方法流程500包括在510处对针对在先地图的多个子区域中的每个子区域计算的多个对数似然值进行排序。510处的排序包括从最低对数似然值排序到最高对数似然值，其中较高的对数似然值指示子区域包括传感器或车辆的位置的概率较高。

图6示出了用于估计车辆或其他装置的位置的方法流程600。所述方法流程600开始，并且在602处计算资源(诸如自动驾驶/辅助系统102)接收当前激光雷达传感器数据。在604处，计算资源基于当前激光雷达传感器数据而生成包括激光雷达强度值的二维栅格地图。在606处，计算资源通过基于当前激光雷达传感器数据进行期望最大化来提取强度值的双混合分量高斯混合模型(GMM)分布。在608处，计算资源求解当前激光雷达传感器数据的GMM强度值分布的六个参数，包括两个权重参数、两个平均值参数和两个标准偏差参数。在610处，计算资源从在先地图中提取传感器的一个或多个假设位置周围的一个或多个子区域。在612处，计算资源使用交互信息将在先地图的子区域与参数(基于针对当前激光雷达传感器数据计算的GMM强度值分布)进行比较。在614处，计算资源确定在先地图的多个子区域中的每个子区域的对数似然比较值。在616处，计算资源将在先地图的多个子区域中的每个子区域的多个对数似然比较值排序为从最低对数似然值到最高对数似然值。计算资源在618处确定在先地图的具有最高对数似然值的子区域。估计具有最高对数似然值的子区域以指示传感器的位置。

图7示出了激光雷达强度地图700的示例。激光雷达强度地图700示出了地图上每个点的强度测量值作为产生该点的激光脉冲的返回强度。返回强度部分地基于激光脉冲撞击对象的反射率。反射率是所用波长的函数，所用波长通常为近红外波长。返回的强度随反射所述返回的对象的表面的组成而变化。激光雷达强度地图700用作特征检测和提取以及激光雷达点分类的辅助。在一个实施例中，强度是相对的并且是不可量化的。

图8示出了激光雷达强度分布图802和双混合分量GMM图804。激光雷达强度分布图802的示出了在先地图的补丁(patch)的激光雷达强度值的分布。可以针对当前激光雷达传感器数据的区域的激光雷达强度值分布来生成类似的地图。双混合分量GMM图804示出了基于激光雷达强度图802中的激光雷达强度值分布的双分量高斯混合模型的分布。

图9示出了在一个实施例中可包括对数似然的似然值分布地图900。如图所示的似然值分布地图900为了清楚而按比例缩小，并覆盖在地图的一区段上。最高似然值围绕中心左侧的交叉点，并且这示出了车辆的真实位置。

图10示出了用于基于当前激光雷达传感器数据生成GMM强度值分布的方法流程1000。方法流程1000包括在1002处接收包括激光雷达传感器数据的在先地图。方法流程1000包括通过在1004处通过对从激光雷达传感器接收的当前激光雷达传感器数据进行期望最大化来提取GMM强度值分布。方法流程1000包括在1006处基于GMM强度值分布来确定参数。

在一个实施例中，用于生成参数1006的方法流程1000在车辆定位期间实时发生，并且不从存储器检索GMM强度值分布。此类实施例可以极大地减轻由于在在先地图中存储多个混合地图而引起的存储约束。可以以很小的开销来实时计算参数1006，并且大部分计算时间可为被花费来搜索在先地图的子区域和对所述在先地图的子区域进行分类。

图11示出了在先地图的分类100。分类1100包括在先地图1102-1110的多个子区域。可以基于对数似然值对在先地图的多个子区域1102、1104、1106、1108、1110进行排序，其中较高的对数似然值指示子区域1102-1110包括车辆当前位置的可能性较高。在图11中，子区域1110被加阴影以指示其被排序为具有最高对数似然值。因此，子区域1110指示包括车辆真实位置的概率最高的区域。

图12示出了用于确定车辆或其他装置的位置的方法1200的示意性流程图。方法1200可以由任何合适的计算装置执行，并且在一个实施例中由自动驾驶/辅助系统102执行。方法1200开始，并且在1202处计算装置从车辆的传感器(诸如激光雷达传感器)接收传感器数据。在1204处，计算装置确定包括激光雷达强度值的在先地图。在1206处，计算装置提取在先地图中在传感器的假设位置周围的子区域，其中可以通过例如从全球定位系统接收的位置信息来促进传感器的假设位置。在1208处，计算装置通过期望最大化来提取传感器数据的高斯混合模型(GMM)强度值分布。在1210处，计算装置基于传感器数据的GMM强度值分布来计算在先地图的子区域的对数似然。

图13示出了用于确定车辆或其他装置的位置的方法1300的示意性流程图。方法1300可以由任何合适的计算装置执行，并且在一个实施例中由自动驾驶/辅助系统102执行。方法1300开始，并且在1302处计算装置从车辆的激光雷达传感器接收传感器数据。在1304处，计算装置从存储器检索包括激光雷达强度值的在先地图。在1306处，计算装置从在先地图提取车辆的激光雷达传感器的一个或多个假设位置周围的多个子区域。在1308处，计算装置通过期望最大化来提取传感器数据的GMM强度值分布。在1310处，计算装置基于GMM强度值分布，使用交互信息来计算在先地图的多个子区域中的每个子区域的对数似然。在1312处，计算装置将在先地图的多个子区域的多个对数似然排序为从最低对数似然值到最高对数似然值。在1314处，计算装置通过确定多个子区域中具有最高对数似然值的子区域来估计车辆当前位置。

现在参考图14，示出了示例性计算装置1400的框图。计算装置1400可用于执行各种程序，诸如本文所讨论的那些程序。在一个实施例中，计算装置1400可以用作车辆控制器、服务器等。计算装置1400可以执行如本文所讨论的各种监测功能，并且可以执行一个或多个应用程序，诸如本文描述的应用程序或功能。计算装置1400可以是各种计算装置中的任何一种，诸如台式计算机、内置式计算机、车辆控制系统、笔记本计算机、服务器计算机、手持计算机、平板计算机等。

计算装置1400包括一个或多个处理器1402、一个或多个存储装置904、一个或多个接口1406、一个或多个大容量存储装置1408、一个或多个输入/输出(I/O)装置1410，以及显示装置1430，所有这些装置都耦合到总线1412。处理器1402包括实行存储在存储器装置1404和/或大容量存储装置1408中的指令的一个或多个处理器或控制器。处理器1402还可以包括各种类型的计算机可读媒体，诸如高速缓冲存储器。

一个或多个存储器装置1404包括各种计算机可读介质，诸如易失性存储器(例如，随机存取存储器(RAM)1414)和/或非易失性存储器(例如，只读存储器(ROM)1416)。一个或多个存储器装置1404还可以包括可重写ROM，诸如快闪存储器。

一个或多个大容量存储装置1408包括各种计算机可读介质，诸如磁带、磁盘、光盘、固态存储器(例如，闪速存储器)等等。如图1中所示，特定大容量存储装置是硬盘驱动器1424。各种驱动器也可以包括在大容量存储装置1408中，以使得能够从各种计算机可读介质进行读取和/或对其进行写入。大容量存储装置1408包括可移除介质1426和/或不可移除介质。

I/O装置1410包括允许数据和/或其他信息输入到计算装置1400或从计算装置1400检索的各种装置。一个或多个示例性I/O装置1410包括光标控制装置、键盘、小键盘、麦克风、监视器或其他显示装置、扬声器、打印机、网络接口卡、调制解调器等。

显示器装置1430包括能够向计算装置1400的一个或多个用户显示信息的任何类型的装置。显示装置1430的示例包括监测器、显示终端、视频投影装置等。

接口1406包括各种接口，所述接口允许计算装置1400与其他系统、装置或计算环境进行交互。一个或多个示例性接口1406可以包括任何数量的不同网络接口1420，诸如局域网(LAN)、广域网(WAN)、无线网络和因特网的接口。一个或多个其他接口包括用户接口1418和***装置接口1422。一个或多个接口1406还可以包括一个或多个用户接口元件1418。一个或多个接口1406还可以包括一个或多个***接口，诸如用于打印机、指示装置(鼠标、跟踪板或现在为所属领域普通技术人员所知的或稍后发现的任何合适的用户接口)、键盘等的接口。

总线1412允许处理器1402、存储器装置1404，接口1406、大容量存储装置1408和I/O装置1410彼此通信，以及与耦合到总线1412的其他装置或者部件通信。总线1412表示几种类型的总线结构中的一种或多种，诸如系统总线、PCI总线、IEEE总线、USB总线等。

为了说明，程序和其他可执行程序部件在本文中示出为离散框，但应当理解，此类程序和部件可在各种时间驻留在计算装置1400的不同存储部件中，并且由处理器1402执行。可选地，本文描述的系统和过程可以用硬件或硬件、软件和/或固件的组合来实施。例如，可以编程一个或多个专用集成电路(ASIC)以执行本文描述的系统和过程中的一个或多个。

实施例

以下实施例涉及其他实施例。

实施例1为一种用于确定车辆或其他装置的位置的方法。所述方法包括从传感器接收传感器数据，以及确定包括激光雷达强度值的在先地图。所述方法包括提取所述在先地图中在所述传感器的假设位置周围的子区域。所述方法包括通过期望最大化提取所述传感器数据的区域的高斯混合模型(GMM)强度值分布，以及基于所述传感器数据的所述GMM强度值分布来计算所述在先地图的所述子区域的对数似然。

实施例2是如实施例1所述的方法，所述方法还包括计算所述在先地图的多个子区域中的每个子区域的对数似然，以产生多个对数似然值；以及将所述多个对数似然值排序为从最低对数似然值到最高对数似然值。该方法使得较高的对数似然值表示所述在先地图的所述对应子区域包括所述传感器的当前位置的概率较高。

实施例3是如实施例1-2中任一项所述的方法，所述方法还包括通过确定所述多个子区域中具有最高对数似然值的子区域来估计所述传感器的所述当前位置。

实施例4是如实施例1-3中任一项所述的方法，所述方法还包括基于针对所述在先地图的所述多个子区域计算的所述多个对数似然值中的一个或多个多个对数似然值来更新粒子滤波器中的粒子权重。

实施例5是如实施例1-4中任一项所述的方法，所述方法还包括提取具有所述最高对数似然值的所述子区域的最高峰周围的分布，以及利用所述最高峰周围的所述分布作为用于卡尔曼滤波的平均值。

实施例6是如实施例1-5中任一项所述的方法，其中提取所述在先地图中在所述传感器的所述假设位置周围的所述子区域包括以下中的一个或多个：确定所述传感器数据上的网格覆盖；或者将粒子滤波器施加至所述传感器数据；其中所述在先地图的所述子区域与所述传感器数据的大小大致相同。

实施例7是如实施例1-6中任一项所述的方法，其中所述传感器数据的所述区域的所述GMM强度值分布包括以下中的一个或多个：所述传感器数据的当前激光雷达强度值的分布权重；所述传感器数据的所述当前激光雷达强度值的所述分布的平均值；或者所述传感器数据的所述当前激光雷达强度值的所述分布的标准偏差。

实施例8是如实施例1-7中任一项所述的方法，其中提取所述传感器数据的所述区域的所述GMM强度值分布包括利用双混合分量将所述传感器数据的所述区域参数化为两个高斯函数的混合，以求解所述GMM强度值分布，其中所述双混合分量提供所述传感器数据内的道路强度数据的表示。

实施例9是如实施例1-8中任一项所述的方法，其中所述传感器数据的所述区域的所述GMM强度值分布包括：所述传感器数据的当前激光雷达强度值的分布的权重的两个值；所述传感器数据的所述当前激光雷达强度值的所述分布的平均值的两个值；以及所述传感器数据的所述当前激光雷达强度值的所述分布的标准偏差的两个值。

实施例10是如实施例1-9中任一项所述的方法，其中：由所述传感器进行的每次测量会发生一次所述提取所述GMM强度值分布；并且由所述传感器进行的每次测量会发生多次所述计算所述在先地图的所述子区域的所述对数似然。

实施例11是如实施例1-10中任一项所述的方法，所述方法还包括：确定所述在先地图的所述多个子区域中具有最高对数似然值的子区域；估计对应于所述在先地图的具有所述最高对数似然值的所述子区域的车辆位置；以及基于所述车辆的所述位置通知驾驶员或执行驾驶操纵；其中所述传感器包括所述车辆的激光雷达传感器。

实施例12是如实施例1-11中任一项所述的方法，其中计算所述在先地图的所述子区域的所述对数似然包括利用交互信息来比较所述传感器数据与所述在先地图的所述子区域。

实施例13是如实施例1-12中任一项所述的方法，其中所述传感器数据包括包括激光雷达强度值的二维栅格地图。

实施例14是如实施例1-13中任一项所述的方法，所述方法还包括：从车辆的激光雷达传感器接收所述传感器数据；从所述车辆的全球定位系统接收位置数据；通过确定所述多个子区域中具有所述最高对数似然值的子区域来确定所述车辆的估计位置；以及将来自所述全球定位系统的所述位置数据与所述估计位置并行化。

实施例15是一种存储指令的非暂时性计算机可读存储介质，所述指令在由一个或多个处理器执行时致使所述一个或多个处理器：从传感器接收传感器数据；确定包括激光雷达强度值的在先地图；提取所述在先地图中在所述传感器的假设位置周围的子区域；通过期望最大化来提取所述传感器数据的区域的高斯混合模型(GMM)强度值分布；以及基于所述传感器数据的所述GMM强度值分布来计算所述在先地图的所述子区域的对数似然。

实施例16是如实施例15所述的非暂时性计算机可读存储介质，其中所述指令进一步使所述一个或多个处理器：计算所述在先地图的多个子区域中的每个子区域的对数似然，以产生多个对数似然值；将所述多个对数似然值排序为从最低对数似然值到最高对数似然值；以及通过确定所述多个子区域中具有所述最高对数似然值的子区域来估计所述传感器的位置；其中较高的对数似然值表示所述在先地图的所述对应子区域包括所述传感器的所述位置的概率较高。

实施例17是如实施例15-16中任一项所述的非暂时性计算机可读存储介质，其中所述指令进一步使所述一个或多个处理器提取具有所述最高对数似然值的所述子区域的最高峰周围的分布，以及利用所述最高峰周围的所述分布作为用于卡尔曼滤波的平均值。

实施例18是如实施例15-17中任一项所述的非暂时性计算机可读存储介质，其中所述指令使所述一个或多个处理器通过以下中的一个或多个来提取所述在先地图中在所述传感器的所述假设位置周围的所述子区域：确定所述传感器数据上的网格覆盖；或者将粒子滤波器施加至所述传感器数据；其中所述在先地图的所述子区域与所述传感器数据的大小大致相同。

实施例19是如实施例15-18中任一项所述的非暂时性计算机可读存储介质，其中所述指令进一步使所述一个或多个处理器：从车辆的激光雷达传感器接收所述传感器数据；从所述车辆的全球定位系统接收位置数据；通过确定所述多个子区域中具有所述最高对数似然值的所述子区域来计算所述车辆的估计位置；将来自所述全球定位系统的所述位置数据与所述车辆的所述估计位置并行化；以及基于所述车辆的所述估计位置来通知驾驶员或执行驾驶操纵。

实施例20是一种系统。所述系统包括车辆，所述车辆包括激光雷达传感器。所述系统包括车辆控制器，所述车辆控制器与所述激光雷达传感器通信，所述车辆控制器包括存储指令的非暂时性计算机可读存储介质，所述指令在由一个或多个处理器执行时致使所述一个或多个处理器：从所述激光雷达传感器接收激光雷达传感器数据；确定包括激光雷达强度值的在先地图；提取所述在先地图中在所述激光雷达传感器的假设位置周围的子区域；通过期望最大化来提取所述激光雷达传感器数据的区域的高斯混合模型(GMM)强度值分布；以及基于所述激光雷达传感器数据的所述GMM强度值分布来计算所述在先地图的所述子区域的对数似然。

实施例21是一种包括用于实施实施例1-20中任一项所述的方法、系统或装置的构件的系统或装置。

在以上公开内容中，已经参考附图，该附图形成本公开的一部分并且其中通过图示的方式示出可以实践本公开的特定实施方式。应当理解的是，在不脱离本公开的范围的情况下，可以利用其他实施方式并且可以做出结构改变。说明书中对于“一个实施例”、“实施例”、“示例性实施例”等的提及指示所述的实施例可以包括特定特征、结构或特性，但是每一个实施例都可以不必包括所述特定特征、结构或特性。此外，此类短语不一定是指同一实施例。此外，当结合实施例描述特定特征、结构或特性时，无论是否明确描述，结合其他实施例实现这样的特征、结构或特性都在所属领域技术人员的知识范围内。

本文公开的系统、装置和方法的实施方式可以包括或利用包括计算机硬件(诸如，例如本文所讨论的一个或多个处理器和系统存储器)的专用或通用计算机。本公开的范围内的实施方式还可以包括用于携载或存储计算机可执行指令和/或数据结构的物理和其他计算机可读介质。这种计算机可读介质可以为可以由通用或专用计算机系统存取的任何可用介质。存储计算机可执行指令的计算机可读介质是计算机存储介质(装置)。携载计算机可执行指令的计算机可读介质是传输介质。因此，作为示例而非限制，本公开的实现方式可以包含至少两种截然不同的计算机可读介质：计算机存储介质(装置)和传输介质。

计算机存储介质(装置)包括RAM、ROM、EEPROM、CD-ROM、固态驱动器(“SSD”)(例如，基于RAM)、快闪存储器、相变存储器(“PCM”)、其他类型的存储器、其他光盘存储装置、磁盘存储装置或其他磁性存储装置或可用于存储所需的程序代码手段的任何其他介质，所述程序代码手段呈计算机可执行指令或数据结构的形式并且可以由通用或专用计算机访问。

本文公开的装置、系统和方法的实现方式可以通过计算机网络进行通信。“网络”被定义为能够在计算机系统和/或模块和/或其他电子装置之间传输电子数据的一个或多个数据链路。当通过网络或另一种通信连接(硬接线、无线或硬接线或无线的组合)向计算机传递或提供信息时，计算机适当地将连接视为传输介质。传输介质可以包括网络和/或数据链路，其可以用于携载呈计算机可执行指令或数据结构的形式的期望的程序代码手段并且可以由通用或专用计算机存取。上述组合也应当包括在计算机可读介质的范围内。

计算机可执行指令包含例如在处理器中执行时使通用计算机、专用计算机或专用处理装置执行某个功能或功能组的指令和数据。计算机可执行指令可以是例如二进制文件、中间格式指令(诸如汇编语言)或者甚至源代码。虽然已经用特定于结构特征和/或方法动作的语言描述了本主题，但是应当理解的是，在所附权利要求中定义的主题不必限于已描述的上述特征或动作。相反，所述特征和动作被公开作为实施权利要求的示例性形式。

所属领域技术人员将理解的是，本公开可以在具有许多类型的计算机系统配置的网络计算环境中实践，所述计算机系统配置包括内置式车辆计算机、个人计算机、台式计算机、膝上型计算机、消息处理器、手持式装置、多处理器系统、基于微处理器的或可编程的消费电子产品、网络PC、小型计算机、大型计算机、移动电话、PDA、平板计算机、寻呼机、路由器、交换机、各种存储装置等。本公开还可以在分布式系统环境中实践，其中通过网络链接(通过硬接线数据链路、无线数据链路或通过硬接线与无线数据链路的组合)的本地和远程计算机系统都执行任务。在分布式系统环境中，程序模块可以位于本地和远程存储器存储装置这两者中。

此外，在适当的情况下，本文描述的功能可以在以下一个或多个中执行：硬件、软件、固件、数字部件或模拟部件。例如，可以编程一个或多个专用集成电路(ASIC)以执行本文描述的系统和过程中的一个或多个。某些术语在整个描述和权利要求中用于指代特定的系统部件。术语“模块”和“部件”用在某些部件的名称中以反映它们在软件、硬件、电路、传感器等中的实现独立性。所属领域技术人员将明白的是，可以通过不同名称来提及部件。本文件并不意图区分名称不同但功能相同的部件。

应当注意的是，上面讨论的传感器实施例可以包括计算机硬件、软件、固件或它们的任何组合以执行其功能的至少一部分。例如，传感器可以包括被配置为在一个或多个处理器中执行的计算机代码，并且可以包括由计算机代码控制的硬件逻辑/电路。这些示例性装置在本文出于说明目的而提供，而无意进行限制。本公开的实施例可以在如一种或多种相关领域技术人员所已知的另外的类型的装置中实施。

本公开的至少一些实施例涉及计算机程序产品，其包括存储在任何计算机可用介质上的这种逻辑(例如，呈软件形式)。这种软件当在一种或多种数据处理装置中执行时使装置如本文所述进行操作。

虽然上文已描述本发明的各种实施例，但是应当理解的是，仅通过示例方式而并非限制方式提出本发明的各种实施例。对于相关领域技术人员显而易见的是，可以在不脱离本公开的精神和范围的情况下作出形式和细节方面的各种改变。因此，本公开的广度和范围不应受上述任何示例性实施例的限制，而应仅根据所附权利要求及其等同物来限定。已出于图示及描述目的呈现以上描述。它不意图是穷举的，也不将本公开限制为所公开的精确形式。鉴于上述教导，许多修改和变化是可能的。此外，应当注意的是，任何或所有上述替代实施方式可以以期望的任何组合使用以形成本公开的附加混合实施方式。

此外，虽然已经描述和示出了本公开的特定实施方式，但是本公开不限于如此描述和示出的各部分的特定形式或布置。本公开的范围由所附权利要求、在此提交的以及在不同申请中提交的任何未来权利要求及其等同物来定义。

根据本发明的一个实施例，所述传感器数据的所述区域的所述GMM强度值分布包括：所述传感器数据的当前激光雷达强度值的分布的权重的两个值；所述传感器数据的所述当前激光雷达强度值的所述分布的平均值的两个值；以及所述传感器数据的所述当前激光雷达强度值的所述分布的标准偏差的两个值。