阅读说明：本技术 定位方法、定位系统及汽车 (Positioning method, positioning system and automobile ) 是由 宋聚宝 原诚寅 于 2019-10-22 设计创作，主要内容包括：本发明公开了一种定位方法、定位系统及汽车,方法包括：获取每个定位子系统在不同状态下的可信度并生成可信度数据表；根据每个定位子系统的实时定位数据从对应的可信度数据表中获取实时可信度；根据每个定位子系统的实时可信度求取每个定位子系统参与联邦卡尔曼滤波器融合运算的第一信息分配权重系数；通过主滤波器根据全局数据分别向每个子滤波器反馈每个定位子系统参与融合运算的第二信息分配权重系数；根据第一信息分配权重系数和第二信息分配权重系数确定每个定位子系统参与融合运算的最终信息分配权重系数。实现有效优化各个定位子系统的信息分配权重,进而提高系统定位精度并提高定位系统的鲁棒性。(The invention discloses a positioning method, a positioning system and an automobile, wherein the method comprises the following steps: obtaining the credibility of each positioning subsystem in different states and generating a credibility data table; acquiring real-time credibility from a corresponding credibility data table according to the real-time positioning data of each positioning subsystem; according to the real-time credibility of each positioning subsystem, a first information distribution weight coefficient of each positioning subsystem participating in the fusion operation of the Federal Kalman filter is obtained; respectively feeding back second information of each positioning subsystem participating in fusion operation to each sub-filter through a main filter according to global data; and determining the final information distribution weight coefficient of each positioning subsystem participating in the fusion operation according to the first information distribution weight coefficient and the second information distribution weight coefficient. The information distribution weight of each positioning subsystem is effectively optimized, and the positioning precision of the system is improved and the robustness of the positioning system is improved.)

定位方法、定位系统及汽车

技术领域

本发明涉及导航定位数据处理技术领域，更具体地，涉及一种定位方法和定位系统以及应用该定位系统的汽车。

背景技术

车载高精度定位技术，有绝对定位和相对定位之分。常见的激光雷达、摄像头，都属于相对定位范畴；而GNSS(全球卫星导航系统)定位结合IMU惯性传感器的融合定位，能得到车辆所处的经纬度信息和当前的姿态信息，反映的是车辆在地球坐标系中的绝对位置，属于绝对定位。

但是，每一类定位传感器都有自己的优势，也有非常明显的缺陷。

例如激光雷达，它的测量精度、探测距离以及最终得出的结果都非常有保证，但是它成本高且部件易磨损，同时，在使用过程中比较容易受遮挡，也不能识别颜色文字图案等，导致量产能力弱。

视觉定位的方案主要通过摄像头实现，它是目前自动驾驶技术中比较主流的定位方案。这套方案的主要优势为成本低、可以识别文字颜色和图案等。但是，视觉定位的效果会受到环境光线的影响，在雨雪、大雾的情况下，定位效果也比较差。

GNSS卫星定位和惯性导航在车载导航方面的应用比较多。关于GNSS定位，主要优势是成本低、精度高。目前，基于千寻位置提供的差分服务，GNSS定位可以达到动态厘米级。业内经常使用惯性导航和GNSS做融合，因为结合了惯性导航后，在GNSS信号丢失的情况下，车辆依然能够准确定位。

但是，由于惯性导航依靠推算实现，时间一长累计误差就会比较明显，并且它需要得到一个比较准确的初始位置才可进行推算，一般不会作为单独的导航传感器存在，往往要搭配其他的传感器使用。

以上几种传感器各具优势及缺陷，在实际应用过程中很难找到一个各方面都兼顾的最优方案，导致无法充分利用各传感器的优点，导致在某些特殊场景，例如在高架下、高楼旁、隧道、地下车库，以及有大量树荫场景下，系统无法获取稳定可靠的高精度定位结果。

因此需要提出一种能够充分利用各传感器的优点获取稳定可靠的高精度定位结果的定位方法。

发明内容

本发明的目的是提出一种定位方法、定位系统及汽车，实现能够充分利用各传感器的优点获取稳定可靠的高精度定位结果。

为实现上述目的，本发明提出了一种定位方法，包括：

获取多个不同的定位子系统中每个所述定位子系统在不同状态下的可信度并生成每个定位子系统可信度数据表；

根据每个定位子系统的实时定位数据从对应的所述可信度数据表中获取每个定位子系统的实时可信度；

根据每个定位子系统的所述实时可信度求取每个定位子系统参与联邦卡尔曼滤波器融合运算的第一信息分配权重系数；

获取所述联邦卡尔曼滤波器的主滤波器根据全局数据分别向每个所述联邦卡尔曼滤波器的子滤波器反馈每个定位子系统参与融合运算的第二信息分配权重系数；

根据所述第一信息分配权重系数和所述第二信息分配权重系数确定每个定位子系统参与融合运算的最终信息分配权重系数；

通过所述联邦卡尔曼滤波器根据每个所述子系统的所述最终信息分配权重系数进行所述融合运算并输出最终的定位结果。

可选地，根据每个定位子系统的所述实时可信度求取每个定位子系统参与联邦卡尔曼滤波器融合运算的第一信息分配权重系数包括：

求取每个定位子系统的所述实时可信度与所述多个子系统的所述实时可信度之和的百分比，将每个所述百分比作为每个定位子系统参与联邦卡尔曼滤波器融合运算的所述第一信息分配权重系数。

可选地，根据所述第一信息分配权重系数和所述第二信息分配权重系数确定每个定位子系统参与融合运算的最终信息分配权重系数包括：

将每个所述定位子系统的所述第一信息分配权重系数与每个所述子系统的所述第二信息分配权重系数相加后取平均值作为每个定位子系统的所述最终信息分配权重系数。

可选地，在所述获取每个所述定位子系统在不同状态下的可信度之后还包括：

分别设置每个所述定位子系统的可信度阈值，当所述子系统的所述实时可信度大于等于对应的所述可信度阈值时，所述子系统参与所述融合运算；当所述子系统的所述实时可信度小于对应的所述可信度阈值时，所述子系统不参与所述融合运算。

可选地，基于每个定位子系统运行参数状态的历史统计数据，通过计算每个所述定位子系统的所述历史统计数据中运行参数的最好状态与最差状态的百分比获得每个所述子系统不同状态的可信度。

可选地，所述获取每个所述定位子系统在不同状态下的可信度包括：通过高精地图方式、内部参数方式、外部参数方式的至少其中之一获取所述多个定位子系统在不同状态下的可信度；其中，所述多个定位子系统包括组合导航定位子系统、激光点云定位子系统和相机视觉定位子系统，每个所述子滤波器用于对一个所述定位子系统输出的定位数据进行滤波。

可选地，所述高精地图方式包括：

根据所述高精地图获取在不同地点的外部环境信息中的建筑物遮挡程度设置所述组合导航定位子系统对应不同地点的可信度，所述组合导航定位子系统的可信度与所述建筑物遮挡程度负相关；

根据所述高精地图获取在不同地点的外部环境信息中的周围物体特征明显程度设置所述激光点云定位子系统对应不同地点的可信度，所述激光点云定位子系统的可信度与所述周围物体特征明显程度正相关；

根据所述高精地图获取在不同地点的外部环境信息中的光线变化程度设置所述激光点云定位子系统对应不同地点的可信度，所述相机视觉定位子系统的可信度与所述光线变化程度正相关。

可选地，所述内部参数方式包括：

根据所述组合导航定位子系统中的GNSS信号稳定程度及连接卫星个数设置所述组合导航定位子系统对应不同GNSS信号稳定程度及不同连接卫星个数的可信度，所述组合导航定位子系统的可信度与所述GNSS信号稳定程度及连接卫星个数正相关；

根据所述所述激光点云定位子系统中的点云匹配度设置所述激光点云定位子系统对应不同点云匹配度的可信度；所述激光点云定位子系统的可信度与所述点云匹配度正相关；

根据所述相机视觉定位子系统中的特征匹配度设置所述相机视觉定位子系统对应不同特征匹配度的可信度，所述相机视觉定位子系统的可信度与所述特征匹配度正相关。

可选地，所述外部参数方式包括：

根据外部PM2.5测量传感器获取的PM2.5值设置所述激光点云定位子系统对应不同PM2.5值的可信度，其中所述激光点云定位子系统的可信度与所述PM2.5值负相关；

根据外部光线传感器获取的光线明亮值设置所述相机视觉定位子系统对应不同光线明亮值的可信度，其中所述相机视觉定位子系统的可信度与所述光线明亮值正相关。

本发明还提出了一种定位系统，包括：多个定位子系统、联邦卡尔曼滤波器、可信度数据库和可信度评价模块，所述联邦卡尔曼滤波器包括主滤波器和多个子滤波器；

所述可信度数据库用于存储每个定位子系统可信度数据表，其中每个所述可信度数据表中存储有每个所述定位子系统在不同状态下的可信度；

所述可信度评价模块用于根据每个定位子系统的实时定位数据从对应的所述可信度数据表中获取每个定位子系统的实时可信度，并根据每个定位子系统的所述实时可信度求取每个定位子系统参与联邦卡尔曼滤波器融合运算的第一信息分配权重系数；

所述主滤波器用于根据全局数据分别向每个所述子滤波器反馈每个定位子系统参与融合运算的第二信息分配权重系数；

所述所述可信度评价模块根据所述第一信息分配权重系数和所述第二信息分配权重系数确定每个定位子系统参与融合运算的最终信息分配权重系数；

所述联邦卡尔曼滤波器根据每个所述子系统的所述最终信息分配权重系数进行所述融合运算并输出最终的定位结果。

可选地，所述可信度评价模块通过计算每个定位子系统的所述实时可信度与所述多个子系统的所述实时可信度之和的百分比，以及将每个所述百分比作为每个定位子系统参与联邦卡尔曼滤波器融合运算的所述第一信息分配权重系数。

可选地，所述可信度评价模块将每个所述定位子系统的所述第一信息分配权重系数与每个所述子系统的所述第二信息分配权重系数相加后取平均值作为每个定位子系统的所述最终信息分配权重系数；

可选地，所述可信度评价模块预设有每个所述定位子系统的可信度阈值，当所述子系统的所述实时可信度大于等于对应的所述可信度阈值时，所述子系统参与所述融合运算；当所述子系统的所述实时可信度小于对应的所述可信度阈值时，所述子系统不参与所述融合运算。

可选地，还包括高精地图和惯性传感器，所述高精地图和所述惯性传感器用于提供绝对位置信息；

所述多个子系统包括组合导航定位子系统、激光点云定位子系统和相机视觉定位子系统，每个所述子滤波器用于对一个所述定位子系统输出的定位数据进行滤波。

本发明还提出了一种汽车，包括以上所述的定位系统。

本发明的有益效果在于：

通过联邦卡尔曼滤波器将多种不同的定位子系统输出的定位数据进行多源融合运算，并根据不同的定位子系统的实时可信度得到第一信息分配权重系数，结合第一信息分配权重系数和主滤波器反馈的第二信息分配权重系数调整每个定位子系统最终参与融合运算的信息分配权重系数，能够有效优化各个定位子系统的信息分配权重，进而提高系统定位精度并提高定位系统的鲁棒性。

使用本发明的定位方法和定位系统的汽车能够适应不同环境的多种应用场景和全天时的精确定位。

本发明的装置具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的

具体实施方式

中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。

附图说明

通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，在本发明示例性实施例中，相同的参考标号通常代表相同部件。

图1示出了联邦卡尔曼滤波器模型结构示意图。

图2示出了根据本发明的一个实施例的一种定位方法中的联邦卡尔曼滤波器模型示意图。

图3示出了根据本发明的一个实施例的一种定位系统的结构示意图。

附图标记说明：

1、高精地图；2、组合导航设备；3、激光雷达设备；4、视觉传感器设备；5、联邦卡尔曼滤波器；6、主滤波器；7、子滤波器；8、组合导航定位定姿单元；9、点云特征识别单元；10、激光点云定位单元；11、图像特征识别单元；12、相机视觉定位单元；13、特征匹配单元；14、定位数据库；15、路径规划单元；16、可信度评价模块。

具体实施方式

下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的优选实施例，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。

联邦卡尔曼滤波器(Federated Kalman Filter，FKF)为现有技术，其主要原理是先分散处理、再全局融合，得到基于所有观测量的全局最优或次优估计。FKF的一般结构如图1所示，FKF算法主要分为两部分：局部估计和全局估计。

图1中的局部滤波器输出的值是局部估计值，同一时刻的局部估计值又传递给主滤波器，并与参考系统输出值进行融合输出全局最优估计。主滤波器分为两步：时间更新和最优估计。其中时间更新主要是基于上个时刻的估计结果，而最优估计主要是融合了主滤波器自身的时间更新值和各子滤波器的传递值。主滤波器的全局最优估计和估计误差方差矩阵通过某种系数比例的方式，分别反馈到了各子滤波器中去。除此以外，参考系统还需同时接受主滤波器的全局最优估计和估计误差方差阵的反馈。需要说明的是参考系统的输出值传递给主滤波器不是必须的。

假设状态向量从k-1时刻到k时刻按照以下状态方程进行传递

X_k＝F_k，k-1X_k-1+W_k-1

第i个子系统的观测方程为Z_ik＝H_ikX_ik+V_ik

其中X_k为k时刻的状态，Z_ik为第i个子系统的观测值，W_k-1为k-1时刻的噪声，V_ik为第i个子系统的观测噪声。通过以上公式我们可以发现FKF的两个方程与线性KF类似，且FKF方程的噪声统计特性与KF也是一致的，都是高斯噪声。

假设这N个子滤波器的局部估计值是

相应的估计误差的方差矩阵为P₁、P₂……P_N和系统噪声的协方差矩阵是Q₁、Q₂……Q_N。同时，主滤波器的时间更新值是状态估计估计误差的方差矩阵P_m、系统噪声协方差矩阵Q_m，全局最优估计可以根据公式计算得到，所述多个定位子系统的定位数据是为各子系统之和。其中P_g ^-1、Q_g ^-1为状态估计值，P_g、Q_g为最优值，子滤波器的重要作用是根据观测值对状态估计值进行修正，得到最优估值。

Q_g ^-1＝Q₁ ^-1+Q₂ ^-1+……+Q_N ^-1+Q_m ^-1

P_g ^-1＝P₁ ^-1+P₂ ^-1+……+P_m ^-1

反馈给局部滤波器的值则按照以下规则将整体信息分配，子滤波系统的状态估计值、协方差矩阵更新则使用全局系统反馈的数据进行，也就是说可以实现全局系统对子滤波系统的纠正和反馈，具体全局系统对子系统的干预多少，则根据信息分配策略进行调整。

Q_i ^-1＝β_iQ_g ^-1

P_i ^-1＝β_iP_g ^-1

其中

为全局最优估计值，P_i ^-1为全局最优估计协方差矩阵，β_i为信息分配系数(β_i对应于本发明中的第二信息分配权重系数)。

根据本发明的一种定位方法，包括：

获取多个不同的定位子系统中每个定位子系统在不同状态下的可信度并生成每个定位子系统可信度数据表；

根据每个定位子系统的实时定位数据从对应的可信度数据表中获取每个定位子系统的实时可信度；

根据每个定位子系统的所述实时可信度求取每个定位子系统参与联邦卡尔曼滤波器融合运算的第一信息分配权重系数；

获取所述联邦卡尔曼滤波器的主滤波器根据全局数据分别向每个联邦卡尔曼滤波器的子滤波器反馈每个定位子系统参与融合运算的第二信息分配权重系数；根据第一信息分配权重系数和第二信息分配权重系数确定每个定位子系统参与融合运算的最终信息分配权重系数；

通过联邦卡尔曼滤波器根据每个定位子系统的最终信息分配权重系数进行融合运算并输出最终的定位结果。

具体地，通过联邦卡尔曼滤波器将多种不同的定位子系统输出的定位数据进行多源融合，并根据不同的定位子系统的实时可信度得到第一信息分配权重系数，结合第一信息分配权重系数和主滤波器反馈的第二信息分配权重系数调整每个定位子系统最终参与融合运算的信息分配权重系数，能够有效对参与融合运算的各个定位子系统输出的定位数据进行实时的定位信息分配权重优化，进而提高系统定位精度并提高定位系统的鲁棒性，同时能够适应不同环境的多种应用场景和全天时的精确定位。本实施例中，多个定位子系统包括组合导航定位子系统、激光点云定位子系统和相机视觉定位子系统，每个子滤波器用于对一个定位子系统输出的定位数据进行滤波。本发明的滤波算法如图2所示，其中X_i为状态估计值，P_i为协方差矩阵，β_i为主滤波器反馈的信息分配权重系数，也就是第二信息分配权重系数。

本实施例中，根据每个定位子系统的实时可信度求取每个定位子系统参与联邦卡尔曼滤波器融合运算的第一信息分配权重系数包括：

求取每个定位子系统的实时可信度与多个子系统的实时可信度之和的百分比，将每个百分比作为每个定位子系统参与联邦卡尔曼滤波器融合运算的第一信息分配权重系数。

根据第一信息分配权重系数和第二信息分配权重系数确定每个定位子系统参与融合运算的最终信息分配权重系数包括：

将每个定位子系统的第一信息分配权重系数与每个定位子系统的第二信息分配权重系数相加后取平均值作为每个定位子系统的最终信息分配权重系数。

具体地，定位系统在运行中，从定位设备状态，如高精度地图、外部传感器等获取的实时可信度并不会直接用于子滤波器，需要根据主滤波器反馈的协方差矩阵数据进行调整，每个定位子系统的实时可信度除以所有定位子系统的实时可信度之和，获取一个权重分配系数β_i’(即第一信息分配权重系数)，然后与主滤波器反馈的β_i(即第二信息分配权重系数)相加并取平均得到一个平均值，使用这个平均值作为每个定位子系统真正的信息分配系数(即每个定位子系统的最终信息分配权重系数)。本方案的权重分配系数根据输入的实时可信度和滤波器本身的算法优化两者共同计算得出，能够实时对信息分配权重系数进行优化。在本发明的其他实施例中，也可以采用非平均值的计算方式计算每个定位子系统真正的信息分配系数，例如第一信息分配权重系数占30％、第二信息分配权重系数占70％或其他，本领域技术人员可以根据实际情况选择具体计算方式，此处不再赘述。

本实施例中，在获取每个定位子系统在不同状态下的可信度之后还包括：

分别设置每个定位子系统的可信度阈值，当子系统的实时可信度大于等于对应的可信度阈值时，子系统参与融合运算；当子系统的实时可信度小于对应的可信度阈值时，子系统不参与融合运算。

具体地，本方案的信息反馈策略使用混合反馈模型(即结合了FKF的有反馈模型和无反馈模型)，通过设置一个可信度阈值，若一个子系统的可信度一旦小于对应的可信度阈值，则通过主滤波器对当前子系统进行反馈纠正，如果各子系统可信度都大于可信度阈值，则主滤波器不对定位子系统进行反馈纠正。比如系统使用组合导航定位、激光点云定位和相机视觉定位三组不同的定位方案，正常运行情况下主滤波器不对各定位子系统进行反馈，当组合导航定位由于受信号遮挡影响，其输出的定位可信度小于阈值，则主滤波器开始对其进行反馈纠正，使其不参与多源融合定位算法，仅使用激光点云定位和相机视觉定位输出的定位数据进行多源融合定位运算并分配相应的权重比例，以此能够增加系统定位的精确度，进一步提高系统的鲁棒性。

本实施例中，基于每个定位子系统运行参数状态的历史统计数据，通过计算每个定位子系统的历史统计数据中运行参数的最好状态与最差状态的百分比获得每个定位子系统不同状态的可信度。

具体地，各定位子系统的可信度根据各定位子系统运行参数的不同状态计算得来，该算法是根据统计得来的，运行参数最好的状态和最差的状态之间做一个百分比，获取定位子系统不同状态下的不同可信度，该可信度作为传感器参数的一部分预先统计得出并设置在对应的自信度数据表中。

本实施例中，获取每个定位子系统在不同状态下的可信度包括：通过高精地图方式、内部参数方式、外部参数方式的至少其中之一获取多个定位子系统在不同状态下的可信度。

其中，高精地图方式包括：

根据高精地图获取在不同地点的外部环境信息中的建筑物遮挡程度设置组合导航定位子系统对应不同地点的可信度，组合导航定位子系统的可信度与建筑物遮挡程度负相关；

根据高精地图获取在不同地点的外部环境信息中的周围物体特征明显程度设置激光点云定位子系统对应不同地点的可信度，激光点云定位子系统的可信度与周围物体特征明显程度正相关；

根据高精地图获取在不同地点的外部环境信息中的光线变化程度设置激光点云定位子系统对应不同地点的可信度，相机视觉定位子系统的可信度与光线变化程度正相关。

具体地，高精度地图根据不同环境和预先测算结果可以预设各个定位子系统的可信度，比如在高楼之间组合导航受遮挡影响较大，此时此地组合导航定位子系统的可信度较低；在空旷场地比如高速公路、快速公路上周围特征不明显，激光点云定位子系统的可信度较低；在隧道、林荫道等光线较暗或者明暗交替区域，相机视觉定位子系统的可信度较低。

内部参数方式包括：

根据组合导航定位子系统中的GNSS信号稳定程度及连接卫星个数设置组合导航定位子系统对应不同GNSS信号稳定程度及不同连接卫星个数的可信度，组合导航定位子系统的可信度与GNSS信号稳定程度及连接卫星个数正相关；

根据激光点云定位子系统中的点云匹配度设置激光点云定位子系统对应不同点云匹配度的可信度；激光点云定位子系统的可信度与点云匹配度正相关；

根据相机视觉定位子系统中的特征匹配度设置相机视觉定位子系统对应不同特征匹配度的可信度，相机视觉定位子系统的可信度与特征匹配度正相关。

具体地，各定位子系统的可信度获取可以根据其各自系统的特点得到，组合导航定位子系统的可信度可根据连接GNSS信号及连接卫星数获取，信号稳定并且连接卫星个数较多，则可信度越高；激光点云定位子系统的可信度可以根据其点云匹配度作为基本参数获得，点云匹配度越高可信度越高；相机视觉定位子系统的可信度可以根据特征匹配度作为基本参数获得，特征匹配度越高可信度越高。

外部参数方式包括：

根据外部PM2.5测量传感器获取的PM2.5值设置激光点云定位子系统对应不同PM2.5值的可信度，其中激光点云定位子系统的可信度与PM2.5值负相关；

根据外部光线传感器获取的光线明亮值设置相机视觉定位子系统对应不同光线明亮值的可信度，其中相机视觉定位子系统的可信度与光线明亮值正相关。

具体地，外部传感器主要应用于激光点云定位子系统、相机视觉定位子系统，激光点云定位子系统可以外接PM2.5传感器，用于检测空气中的微尘对于激光雷达的影响，PM2.5值越高，激光点云定位子系统的可信度越低；相机视觉定位子系统可以外接光感传感器，用于检测光线对于相机视觉的影响，光线温和稳定程度越高相机视觉定位子系统的可信度越高。

如图3所示，本发明还提出了一种定位系统，包括：多个定位子系统、联邦卡尔曼滤波器5、可信度数据库(嵌入式数据库)和可信度评价模块16，联邦卡尔曼滤波器5包括主滤波器6和多个子滤波器7，其中每个子滤波器7用于对一个定位子系统的定位数据进行滤波；

可信度数据库用于存储每个定位子系统可信度数据表，其中每个可信度数据表中存储有每个定位子系统在不同状态下的可信度；

可信度评价模块16用于根据每个定位子系统的实时定位数据从对应的可信度数据表中获取每个定位子系统的实时可信度，并根据每个定位子系统的实时可信度求取每个定位子系统参与联邦卡尔曼滤波器融合运算的第一信息分配权重系数；主滤波器6用于根据全局数据分别向每个子滤波器7反馈每个定位子系统参与融合运算的第二信息分配权重系数；

可信度评价模块16根据第一信息分配权重系数和第二信息分配权重系数确定每个定位子系统参与融合运算的最终信息分配权重系数；

联邦卡尔曼滤波器5根据每个定位子系统的最终信息分配权重系数进行融合运算并输出最终的定位结果。

本实施例中，可信度评价模块计算每个定位子系统的实时可信度与多个子系统的实时可信度之和的百分比，以及将每个百分比作为每个定位子系统参与联邦卡尔曼滤波器5融合运算的第一信息分配权重系数；

本实施例中，可信度评价模块16将每个定位子系统的第一信息分配权重系数与每个定位子系统的第二信息分配权重系数相加后取平均值作为每个定位子系统的最终信息分配权重系数；

可信度评价模块16预设有每个定位子系统的可信度阈值，当子系统的实时可信度大于等于对应的可信度阈值时，子系统参与融合运算；当子系统的实时可信度小于对应的可信度阈值时，子系统不参与融合运算。

本实施例中，还包括高精地图1和惯性传感器，高精地图1和惯性传感器用于提供绝对位置信息；

多个子系统包括组合导航定位子系统、激光点云定位子系统和相机视觉定位子系统，每个子滤波器7用于对一个定位子系统输出的定位数据进行滤波。其中，组合导航定位子系统包括组合导航设备2和组合导航定位定姿单元8；激光点云定位子系统包括至少一个激光雷达设备3、点云特征识别单元9和激光点云定位单元10；机视觉定位子系统包括至少一个视觉传感器设备4(多种摄像头)、图像特征识别单元11和相机视觉定位单元12。

本实施例的定位系统还包括特征匹配单元13、定位数据库14和路径规划单元15。其中，特征匹配单元13用于对点云特征识别单元9和语义特征识别单元识别出的特征值进行特征匹配，定位数据库14和路径规划单元15用于提供高精地图1的位置数据信息和导航规划路径。

一种汽车，包括以上实施例的定位系统。采用以上定位系统的汽车能够适应不同环境的多种应用场景和全天时的精确定位。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。