一种记忆行车的方法和装置与流程

1.本技术涉及记忆行车技术领域，特别是涉及一种记忆行车的方法和装置。


背景技术：

2.车辆的领航辅助功能是在车辆进入限定的路段后，车辆可以跟着导航自主选择正确的路线，中途还会根据路况和交通环境等因素，完成车道保持、自适应巡航、避让、超车和变道等动作。
3.但是，当前车辆的领航辅助功能主要是通过实时动态测量技术和高精度地图实现的，现有的领航辅助功能设定在有高精度地图覆盖的高速公路、高架路和城市快车路等地段。在复杂的城区中记忆行车时，城市内场景覆盖率较低，且鲜度不够。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种记忆行车的方法和装置。
5.第一方面，提供了一种记忆行车的方法，所述方法应用于自动驾驶车辆，所述方法包括：
6.在行驶过程中，获取第一车辆位置和第一路况图像；
7.对所述第一路况图像进行语义分割，得到所述第一路况图像中包含的第一路况元素以及所述第一路况元素与所述自动驾驶车辆之间的第一相对位置；
8.如果从云服务器下载的第一语义地图中所述第一车辆位置对应的参考路况元素和参考相对位置分别与所述第一路况元素和所述第一相对位置相同，则按照所述第一语义地图中所述第一车辆位置对应的第一车辆位姿，控制所述自动驾驶车辆进行记忆行车。
9.作为一种可选的实施方式，所述方法还包括：
10.在记忆行车过程中，获取所述自动驾驶车辆在所述第一车辆位置的第二车辆位姿；
11.如果所述第二车辆位姿与所述第一语义地图中所述第一车辆位置对应的第一车辆位姿不同，则将所述第二车辆位姿实时纠偏为所述第一车辆位姿。
12.作为一种可选的实施方式，所述获取所述自动驾驶车辆在所述第一车辆位置的第二车辆位姿，包括：
13.获取第一初始姿态角；
14.采用车辆动力学融合处理技术对所述第一初始姿态角进行误差处理，获得第一目标姿态角；
15.采用迭代最近点icp算法，通过将所述第一路况元素与所述第一语义地图进行特征匹配，并基于所述第一车辆位置、所述第一目标姿态角，确定所述自动驾驶车辆的第二车辆位姿。
16.作为一种可选的实施方式，所述方法还包括：
17.在行驶过程中，获取第二车辆位置、第二路况图像和第二初始姿态角；
18.采用车辆动力学融合处理技术对所述第二初始姿态角进行误差处理，获得第二目标姿态角；
19.根据所述第二车辆位置、所述第二目标姿态角，确定所述自动驾驶车辆的第三车辆位姿；
20.对所述第二路况图像进行语义分割，得到所述第二路况图像中包含的第二路况元素以及所述第二路况元素与所述自动驾驶车辆之间的第二相对位置；
21.对所述第二车辆位置、所述第二路况元素和所述第二相对位置进行动态逆变投影，获得第二语义地图；
22.根据所述第三车辆位姿，对所述第二语义地图进行投影图像调整，获得第三语义地图，并将所述第三语义地图发送至云服务器。
23.第一方面，提供了另一种记忆行车的方法，所述方法应用于云服务器，所述方法包括：
24.接收基准站发送的监测卫星的第一载波相位观测量数据、自动驾驶车辆发送的车辆定位数据、监测卫星的第二载波相位观测量数据和第一语义地图；
25.基于所述第一载波相位观测量数据、所述车辆定位数据、所述第二载波相位观测量数据和动态后处理ppk算法，对所述第一语义地图中的车辆位置进行修正，得到修正后的第一语义地图；
26.将云端存储的第一语义地图和所述修正后的第一语义地图进行数据融合处理，获得融合后的第一语义地图，并将所述融合后的第一语义地图发送至所述自动驾驶车辆。
27.第二方面，提供了一种记忆行车的装置，所述装置应用于自动驾驶车辆，所述装置包括：
28.第一获取模块，用于在行驶过程中，获取第一车辆位置和第一路况图像；
29.第一得到模块，用于对所述第一路况图像进行语义分割，得到所述第一路况图像中包含的第一路况元素以及所述第一路况元素与所述自动驾驶车辆之间的第一相对位置；
30.控制模块，用于如果从云服务器下载的第一语义地图中所述第一车辆位置对应的参考路况元素和参考相对位置分别与所述第一路况元素和所述第一相对位置相同，则按照所述第一语义地图中所述第一车辆位置对应的第一车辆位姿，控制所述自动驾驶车辆进行记忆行车。
31.作为一种可选的实施方式，所述装置还包括：
32.第二获取模块，用于在记忆行车过程中，获取所述自动驾驶车辆在所述第一车辆位置的第二车辆位姿；
33.纠偏模块，用于如果所述第二车辆位姿与所述第一语义地图中所述第一车辆位置对应的第一车辆位姿不同，则将所述第二车辆位姿实时纠偏为所述第一车辆位姿。
34.作为一种可选的实施方式，所述第二获取模块，具体用于：
35.获取第一初始姿态角；
36.采用车辆动力学融合处理技术对所述第一初始姿态角进行误差处理，获得第一目标姿态角；
37.采用迭代最近点icp算法，通过将所述第一路况元素与所述第一语义地图进行特征匹配，并基于所述第一车辆位置、所述第一目标姿态角，确定所述自动驾驶车辆的第二车
辆位姿。
38.作为一种可选的实施方式，所述装置还包括：
39.第三获取模块，用于在行驶过程中，获取第二车辆位置、第二路况图像、第二初始姿态角；
40.第四获取模块，用于采用车辆动力学融合处理技术对所述第二初始姿态角进行误差处理，获得第二目标姿态角；
41.确定模块，用于根据所述第二车辆位置、所述第二目标姿态角，确定所述自动驾驶车辆的第三车辆位姿；
42.第二得到模块，用于对所述第二路况图像进行语义分割，得到所述第二路况图像中包含的第二路况元素以及所述第二路况元素与所述自动驾驶车辆之间的第二相对位置；
43.第一获得模块，用于对所述第二车辆位置、所述第二路况元素和所述第二相对位置进行动态逆变投影，获得第二语义地图；
44.第二获得模块，用于根据所述第三车辆位姿，对所述第二语义地图进行投影图像调整，获得第三语义地图，并将所述第三语义地图发送至云服务器。
45.第二方面，提供了另一种记忆行车的装置，所述装置应用于云服务器，所述装置包括：
46.接收模块，用于接收基准站发送的监测卫星的第一载波相位观测量数据、自动驾驶车辆发送的车辆定位数据、监测卫星的第二载波相位观测量数据和第一语义地图；
47.修正模块，用于基于所述第一载波相位观测量数据、所述车辆定位数据、所述第二载波相位观测量数据和动态后处理ppk算法，对所述第一语义地图中的车辆位置进行修正，得到修正后的第一语义地图；
48.融合模块，用于将云端存储的第一语义地图和所述修正后的第一语义地图进行数据融合处理，获得融合后的第一语义地图，并将所述融合后的第一语义地图发送至所述自动驾驶车辆。
49.第三方面，提供了一种记忆行车的系统，所述记忆行车的系统包括：如第一方面所述的记忆行车的方法和如第二方面所述的记忆行车的装置。
50.第四方面，提供了一种计算机设备，包括存储器及处理器，所述存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的方法步骤。
51.第五方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的方法步骤。
52.本技术提供了记忆行车的方法和装置，本技术的实施例提供的技术方案至少带来以下有益效果：在行驶过程中，通过获取车辆位置、路况图像中包含的路况元素、路况元素与自动驾驶车辆之间的相对位置以及车辆位姿，构建语义地图。在记忆行车过程中，控制车辆按照语义地图进行记忆行车。通过上述方法，可以在复杂的城区内构建语义地图，控制车辆记忆行车，提高了城市内场景覆盖率，实现点到点的记忆路线行车。
53.采用本技术可以在复杂的城区中进行记忆行车，且城市内场景覆盖区域大，能够实现点到点的记忆路线行车。
54.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不
能限制本技术。
附图说明
55.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
56.图1为本技术实施例提供的一种记忆行车的系统的结构示意图；
57.图2为本技术实施例提供的一种记忆行车的方法的流程图；
58.图3为本技术实施例提供的另一种记忆行车的方法的流程图；
59.图4为本技术实施例提供的一种记忆行车的装置的结构示意图；
60.图5为本技术实施例提供的另一种记忆行车的装置的结构示意图；
61.图6为本技术实施例提供的一种计算机设备的结构示意图。
具体实施方式
62.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
63.本技术实施例提供的记忆行车的方法，可以应用于记忆行车的系统。如图1所示，该记忆行车的系统包括自动驾驶车辆101和云服务器102。
64.自动驾驶车辆101，用于在行驶过程中，获取第一车辆位置和第一路况图像。自动驾驶车辆101对第一路况图像进行语义分割，得到第一路况图像中包含的第一路况元素以及第一路况元素与自动驾驶车辆101之间的第一相对位置。如果从云服务器下载的第一语义地图中第一车辆位置对应的参考路况元素和参考相对位置分别与第一路况元素和所述第一相对位置相同，则自动驾驶车辆101按照第一语义地图中第一车辆位置对应的第一车辆位姿，控制自动驾驶车辆101进行记忆行车。
65.云服务器102，接收基准站发送的监测卫星的第一载波相位观测量数据、自动驾驶车辆101发送的车辆定位数据、监测卫星的第二载波相位观测量数据和第一语义地图。基于第一载波相位观测量数据、车辆定位数据、第二载波相位观测量数据和动态后处理ppk(post-processing kinematic，gps动态后处理)算法，云服务器102对第一语义地图中的车辆位置进行修正，得到修正后的第一语义地图。将云端存储的第一语义地图和修正后的第一语义地图进行数据融合处理，获得融合后的第一语义地图，并将融合后的第一语义地图发送至自动驾驶车辆101。
66.下面将结合具体实施方式，对本技术实施例提供的一种记忆行车的方法进行详细的说明，图2为本技术实施例提供的一种记忆行车的方法的流程图，如图2所示，具体步骤如下：
67.步骤201，在行驶过程中，获取第一车辆位置和第一路况图像。
68.在实施中，当自动驾驶车辆在行驶过程中，则需要确定当前的车辆位置，并确定当前的车辆位置在第一语义地图的位置，进而根据第一语义地图完成记忆行车。自动驾驶车
辆可以通过gnss(global navigation satellite system，全球卫星导航系统)获取第一车辆位置。进一步的，还可以通过自动驾驶车辆中的信息采集设备，采集在行驶过程中的第一路况图像。其中，信息采集设备可以为摄像头、照相机和激光雷达等。通过第一路况图像来对自动驾驶车辆的第一车辆位置进行辅助确定。因此，自动驾驶车辆在行驶过程中，获取第一车辆位置和第一路况图像。
69.步骤202，对第一路况图像进行语义分割，得到第一路况图像中包含的第一路况元素以及第一路况元素与自动驾驶车辆之间的第一相对位置。
70.在实施中，在自动驾驶车辆行驶过程中，对采集到的第一路况图像进行语义分割，得到第一路况图像中包含的第一路况元素以及第一路况元素与自动驾驶车辆之间的第一相对位置。其中，可以通过构建神经网络模型进行语义分割。构建神经网络模型为成熟的现有技术，在此不做赘述。通过第一路况元素以及第一路况元素与自动驾驶车辆之间的第一相对位置，为后续步骤来辅助确定自动驾驶车辆的第一车辆位置。
71.步骤203，如果从云服务器下载的第一语义地图中第一车辆位置对应的参考路况元素和参考相对位置分别与第一路况元素和第一相对位置相同，则按照第一语义地图中第一车辆位置对应的第一车辆位姿，控制自动驾驶车辆进行记忆行车。
72.在实施中，自动驾驶车辆从云服务器下载的第一语义地图，并获取第一语义地图中第一车辆位置对应的参考路况元素和参考相对位置。自动驾驶车辆将上述步骤获取的第一路况图像中包含的第一路况元素以及第一路况元素与自动驾驶车辆之间的第一相对位置与第一语义地图中第一车辆位置对应的参考路况元素和参考相对位置进行比较，若第一语义地图中第一车辆位置对应的参考路况元素和参考相对位置分别与第一路况元素和第一相对位置相同，则表示当前自动驾驶车辆到达第一语义地图的第一车辆位置。其中，自动驾驶车辆通过图像的定位的方法，辅助确定自动驾驶车辆在第一语义地图中的位置。此时，则可以控制自动驾驶车辆按照第一语义地图中第一车辆位置对应的第一车辆位姿，控制自动驾驶车辆进行记忆行车。
73.进一步的，在记忆行车过程中，为了避免自动驾驶车辆偏离第一语义地图的路线，还需要实时检测自动驾驶车辆位姿，具体的操作如下。
74.步骤一，在记忆行车过程中，获取自动驾驶车辆在第一车辆位置的第二车辆位姿。
75.在实施中，在记忆行车过程中，为了避免自动驾驶车辆偏离第一语义地图的路线，还需要实时检测自动驾驶车辆位姿，从而保证获取自动驾驶车辆的位姿按照第一语义地图的车辆位置的车辆位姿进行记忆行车的。因此，在记忆行车过程中，需要自动驾驶车辆在第一车辆位置的第二车辆位姿。
76.具体的，执行在记忆行车过程中，获取自动驾驶车辆在第一车辆位置的第二车辆位姿的具体步骤如下。
77.步骤a，获取第一初始姿态角。
78.在实施中，在记忆行车过程中，为了避免自动驾驶车辆偏离语义地图的路线，还需要实时检测自动驾驶车辆的位姿。同时，自动驾驶车辆根据车辆位置和姿态角，可以确定车辆位姿。其中，自动驾驶车辆通过多轴imu(inertial measurement unit，惯性测量单元)获取第一初始姿态角。因此，在记忆行车过程中，自动驾驶车辆获取第一初始姿态角，其中，第一初始姿态角可以根据多轴imu输出的加速度和角速度进行积分得到。
79.步骤b，采用车辆动力学融合处理技术对第一初始姿态角进行误差处理，获得第一目标姿态角。
80.在实施中，在记忆行车过程中，基于多轴imu估计出姿态角会随着车辆的不断行驶存在一些累计误差。为了减少误差，可以采用车辆动力学融合处理技术，根据车载底盘信号中的方向盘转角和轮速信息可结合车辆动力学模型一同使用来估计车辆姿态角。因此，自动驾驶车辆可以采用车辆动力学融合处理技术，对第一初始姿态角进行误差处理，获得第一目标姿态角。
81.步骤c，采用迭代最近点icp算法，通过将第一路况元素与第一语义地图相匹配，并基于第一车辆位置和第一目标姿态角，确定自动驾驶车辆的第二车辆位姿。
82.在实施中，自动驾驶车辆根据gnss技术获取到的第一车辆位置。自动驾驶车辆根据第一目标姿态角，icp算法通过将第一路况元素的特征点与第一语义地图的特征点进行匹配使得位姿估计误差最小化，不断更新得到最准确的位姿。确定自动驾驶车辆的第二车辆位姿。
83.步骤二，如果第二车辆位姿与第一语义地图中第一车辆位置对应的第一车辆位姿不同，则将第二车辆位姿实时纠偏为第一车辆位姿。
84.在实施中，想要控制自动驾驶车辆按照第一语义地图进行记忆行车，则需要控制自动驾驶车辆按照第一语义地图中第一车辆位置对应的第一车辆位姿进行行车。所以，第二车辆位姿与第一语义地图中第一车辆位置对应的第一车辆位姿进行比较，如果第二车辆位姿与第一语义地图中第一车辆位置对应的第一车辆位姿不同，则自动驾驶车辆可以通过can(controllerareanetwork，控制器局域网络)总线发送线控指令去控制动力模块、制动模块和转向模块将第二车辆位姿实时纠偏为第一车辆位姿。从而保证自动驾驶车辆行进路线是按照第一语义地图记忆的路线行驶的。进一步的，还可以结合视觉特征匹配去确认自动驾驶车辆的第二车辆位姿。
85.进一步的，在记忆行车之前，还需要构建语义地图，构建语义地图的步骤如下。
86.步骤一，在行驶过程中，获取第二车辆位置、第二路况图像和第二初始姿态角。
87.在实施中，现有技术中自动驾驶车辆在进行自动驾驶的时候，通常是在设定在有高精度地图覆盖的高速公路、高架路和城市快车路等地段，但是在复杂的城区中记忆行车时，城市内场景覆盖率较低。同时，高精度地图主要依赖图商昂贵的地图采集车，地图的制作周期长。因此，本技术提出了在复杂的城区内构建语义地图的方法，且语义地图的制作时长短，效率高。在构建语义地图时，需要获取道路位置和道路的路况等元素，因此，自动驾驶车辆在行驶过程中，通过gnss获取第二车辆位置。自动驾驶车辆通过信息采集设备，采集行驶过程中的第二路况图像。其中，信息采集设备可以为摄像头、照相机和激光雷达等。通常情况下，自动驾驶车辆在按照地图进行驾驶时，地图中的元素都是和车的位姿相对应的。因此，在构建地图的时候，需要获取车的车辆位姿。由于确定车的车辆位姿时，需要车的姿态角。所以在行驶过程中，自动驾驶车辆通过多轴imu获取第二初始姿态角。其中，第二初始姿态角可以根据多轴imu输出的加速度和角速度进行积分得到。
88.步骤二，采用车辆动力学融合处理技术对第二初始姿态角进行误差处理，获得第二目标姿态角。
89.在实施中，在行驶过程中，基于多轴imu估计出姿态角会随着车辆的不断行驶存在
一些累计误差。为了避免误差，构建的语义地图更加精确，这就需要消除误差。因此，可以采用车辆动力学融合处理技术对第二初始姿态角进行误差处理，获得第二目标姿态角。
90.步骤三，根据第二车辆位置和第二目标姿态角，确定自动驾驶车辆的第三车辆位姿。
91.在实施中，车辆的位姿为车辆的位置和姿态，也就是车辆在行驶过程中的三维坐标和朝向，其中，三维坐标为经纬度和海拔高度，朝向即为车辆在道路的方向和车身相对于行驶路线的角度。由于，构建的地图时用到的自动驾驶车辆采集的第二路况图像，因此，需要保证建立的语义地图用到的第二路况图像为自动驾驶车辆车身正向拍摄的。所以，在行驶过程中，需要实时获取自动驾驶车辆的车辆位姿。因此，可以根据上述步骤获取的第二车辆位置和第二目标姿态角，确定自动驾驶车辆的第三车辆位姿。
92.步骤四，对第二路况图像进行语义分割，得到第二路况图像中包含的第二路况元素以及第二路况元素与自动驾驶车辆之间的第二相对位置。
93.在实施中，构建好的语义地图具备的最基本条件，需要从采集的路况图像中获取到路况元素，还需要获取路况元素和自动驾驶车辆的相对距离和相对方向。因此，在构建语义地图时，自动驾驶车辆需要从第二路况图像中得到第二路况元素以及第二路况元素与自动驾驶车辆之间的第二相对位置。其中，第二相对位置包括相对的距离和相对的方向。第二路况元素包括车道线、斑马线、停止线、地面标识和路面标志牌和电线杆等。自动驾驶车辆可以采用语义分割的方式，对第二路况图像进行图像分割，得到第二路况图像中包含的第二路况元素以及第二路况元素与自动驾驶车辆之间的第二相对位置。其中，可以通过构建神经网络模型进行语义分割。实际应用中，还可以根据实际应用情况采用其他方式，在此不作限制。
94.步骤五，对第二车辆位置、第二路况元素和第二相对位置进行动态逆变投影，获得第二语义地图。
95.在实施中，对上一步骤获取的第二车辆位置、第二路况元素和第二相对位置进行动态逆变投影。即将第二路况图像中第二路况元素，根据自动驾驶车辆的第二车辆位置和第二路况元素与第二车辆位置的相对位置，对第二路况元素进行坐标转换。也就是说，基于第二车辆位置和第二相对位置，将自动驾驶车辆采集到的多帧第二路况图像中的第二路况元素融合还原到3d空间。这样就可以根据第二车辆位置、第二路况元素和第二相对位置获得第二语义地图。
96.步骤六，根据第三车辆位姿，对第二语义地图进行投影图像调整，获得第三语义地图，并将第三语义地图发送至云服务器。
97.在实施中，由于建立的语义地图用到的第二路况图像为自动驾驶车辆车身正向拍摄的。所以，在行驶过程中，需要实时获取自动驾驶车辆的位姿。若自动驾驶车辆在采集第二路况图像时，车身可能会偏离相对行驶的路线，那偏离时采集的第二路况图像则是需要进行调整的。投影图像调整为对第二语义地图中的第二路况元素的坐标进行调整，将第二路况元素的坐标调整为不偏离时对应的坐标。由于采集第二路况图像的车载摄像头的内参和外参都为已知参数，将采集的第二路况图像中第二路况元素的图像中特征点的像素位置转换到车辆坐标系、再从车辆坐标系转换到世界坐标系中的经纬度海拔高度，就可以知道第二路况元素在世界坐标系的位置，从而完成对第二语义地图的投影图像调整，获得第三
语义地图。自动驾驶车辆通过影子模式数据链路将第三语义地图发送至云服务器。
98.图3为本技术实施例提供的另一种记忆行车的方法的流程图，如图3所示，具体步骤如下：
99.步骤301，接收基准站发送的监测卫星的第一载波相位观测量数据、自动驾驶车辆发送的车辆定位数据、监测卫星的第二载波相位观测量数据和第一语义地图。
100.在实施中，自动驾驶车辆在构建完成第一语义地图后，将第一语义地图发送至云服务器后，云服务器会对第一语义地图中自动驾驶车辆的车辆位置进行修正。由于，在自动驾驶车辆行驶过程中，在同一时间点时，基准站一直且持续在监测卫星的第一载波相位观测量，自动驾驶车辆在移动的过程中也实时监测卫星的第二载波相位观测量和车辆自己实时的车辆定位数据。云服务器基准站发送的监测卫星的第一载波相位观测量数据、自动驾驶车辆发送的车辆定位数据、监测卫星的第二载波相位观测量数据。云服务器可以通过第一载波相位观测量数据、第二载波相位观测量数据和车辆定位数据，对第一语义地图中自动驾驶车辆的车辆位置进行修正。因此，云服务器接收基准站发送的监测卫星的第一载波相位观测量数据、自动驾驶车辆发送的车辆定位数据、监测卫星的第二载波相位观测量数据和第一语义地图。
101.步骤302，基于第一载波相位观测量数据、车辆定位数据、第二载波相位观测量数据和动态后处理ppk算法，对第一语义地图中的车辆位置进行修正，得到修正后的第一语义地图。
102.在实施中，自动驾驶车辆在构建完成第一语义地图后，将第一语义地图发送至云服务器后，云服务器会对第一语义地图中自动驾驶车辆的车辆位置进行修正。但是现有技术中，对地图的车辆位置的修正通常是实时处理的，但是实时定位修正受到基准站通讯距离的影响，且中间信号的传输较为繁琐，为了保证地图的精确度，导致消耗的成本较高。为了保证第一语义地图精确度和轻量化的同时，进一步降低成本，本技术采用ppk算法，通过接收的基准站发送的监测卫星的第一载波相位观测量数据，自动驾驶车辆在移动的过程中也实时监测卫星的第二载波相位观测量，进行线性组合，形成虚拟的第三载波相位观测量。其中，云服务器可以根据虚拟的第三载波相位观测量确定基准站和自动驾驶车辆之间的相对位置的线性关系。由于基准站的经纬度海拔高度的坐标是已知且不变的，可以实时确定自动驾驶车辆的预测定位数据。云服务器通过预测定位数据和自动驾驶车辆定位的车辆定位数据，对自动驾驶车辆的定位数据进行修正，从而完成对第一语义地图中的车辆位置进行修正，得到修正后的第一语义地图，使得第一语义地图达到较高精确度的效果。
103.步骤303，将云端存储的第一语义地图和修正后的第一语义地图进行数据融合处理，获得融合后的第一语义地图，并将融合后的第一语义地图发送至自动驾驶车辆。
104.在实施中，云服务器对第一语义地图进行修正后，会和之前接收并保存到云端的同一辆自动驾驶车辆发送的第一语义地图进行数据融合处理，实现对第一语义地图的更新，并将融合后的第一语义地图发送至自动驾驶车辆。进一步的，云服务器还会对每一自动驾驶车辆发送的第一语义地图进行数据融合处理。例如，第一自动驾驶车辆向云服务器发送位置a-位置b的路线语义地图，第二自动驾驶车辆向云服务器发送位置b-位置c的路线语义地图，云服务器就可以将位置a-位置b的路线语义地图和位置b-位置c的路线语义地图进行数据融合处理，得到位置a-位置c的路线语义地图，从而使得第一语义地图覆盖的城区范
围逐步扩大，鲜度更高。
105.本技术实施例提供了一种记忆行车的方法，在行驶过程中，通过获取车辆位置、路况图像中包含的路况元素、路况元素与自动驾驶车辆之间的相对位置以及车辆位姿，构建语义地图。在记忆行车过程中，控制车辆按照语义地图进行记忆行车。通过上述方法，可以在复杂的城区内构建语义地图，控制车辆记忆行车，提高了城市内场景覆盖率，实现点到点的记忆行车。
106.应该理解的是，虽然图2至图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2至图3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
107.可以理解的是，本说明书中上述方法的各个实施例之间相同/相似的部分可互相参见，每个实施例重点说明的是与其他实施例的不同之处，相关之处参见其他方法实施例的说明即可。
108.本技术实施例还提供了一种记忆行车的装置，如图4所示，该装置包括：
109.第一获取模块401，用于在行驶过程中，获取第一车辆位置和第一路况图像；
110.第一得到模块402，用于对所述第一路况图像进行语义分割，得到所述第一路况图像中包含的第一路况元素以及所述第一路况元素与所述自动驾驶车辆之间的第一相对位置；
111.控制模块403，用于如果从云服务器下载的第一语义地图中所述第一车辆位置对应的参考路况元素和参考相对位置分别与所述第一路况元素和所述第一相对位置相同，则按照所述第一语义地图中所述第一车辆位置对应的第一车辆位姿，控制所述自动驾驶车辆进行记忆行车。
112.作为一种可选的实施方式，所述装置还包括：
113.第二获取模块，用于在记忆行车过程中，获取所述自动驾驶车辆在所述第一车辆位置的第二车辆位姿；
114.纠偏模块，用于如果所述第二车辆位姿与所述第一语义地图中所述第一车辆位置对应的第一车辆位姿不同，则将所述第二车辆位姿实时纠偏为所述第一车辆位姿。
115.作为一种可选的实施方式，所述第二获取模块，具体用于：
116.获取第一初始姿态角；
117.采用车辆动力学融合处理技术，对所述第一初始姿态角进行误差处理，获得第一目标姿态角；
118.采用迭代最近点icp算法，通过将所述第一路况元素与所述第一语义地图相匹配，并基于根据所述第一车辆位置、所述第一目标姿态角，确定所述自动驾驶车辆的第二车辆位姿。
119.作为一种可选的实施方式，所述装置还包括：
120.第三获取模块，用于在行驶过程中，获取第二车辆位置、第二路况图像、和第二初
始姿态角；
121.第四获取模块，用于采用车辆动力学融合处理技术对所述第二初始姿态角进行误差处理，获得第二目标姿态角；
122.确定模块，用于根据所述第二车辆位置、所述第二目标姿态角，确定所述自动驾驶车辆的第三车辆位姿；
123.第二得到模块，用于对所述第二路况图像进行语义分割，得到所述第二路况图像中包含的第二路况元素以及所述第二路况元素与所述自动驾驶车辆之间的第二相对位置；
124.第一获得模块，用于对所述第二车辆位置、所述第二路况元素和所述第二相对位置进行动态逆变投影，获得第二语义地图；
125.第二获得模块，用于根据所述第三车辆位姿，对所述第二语义地图进行投影图像调整，获得第三语义地图，并将所述第三语义地图发送至云服务器。
126.本技术实施例还提供了另一种记忆行车的装置，如图5所示，该装置包括：
127.接收模块501，用于接收基准站发送的监测卫星的第一载波相位观测量数据、自动驾驶车辆发送的车辆定位数据、监测卫星的第二载波相位观测量数据和第一语义地图；
128.修正模块502，用于基于所述第一载波相位观测量数据、所述车辆定位数据、所述第二载波相位观测量数据和动态后处理ppk算法，对所述第一语义地图中的车辆位置进行修正，得到修正后的第一语义地图；
129.融合模块503，用于将云端存储的第一语义地图和所述修正后的第一语义地图进行数据融合处理，获得融合后的第一语义地图，并将所述融合后的第一语义地图发送至所述自动驾驶车辆。
130.本技术实施例提供了一种记忆行车的装置，在行驶过程中，通过获取车辆位置、路况图像中包含的路况元素、路况元素与自动驾驶车辆之间的相对位置以及车辆位姿，构建语义地图。在记忆行车过程中，控制车辆按照语义地图进行记忆行车。通过上述方法，可以在复杂的城区内构建语义地图，控制车辆记忆行车，提高了城市内场景覆盖率，实现点到点的记忆路线行车。
131.关于记忆行车的装置的具体限定可以参见上文中对于记忆行车的方法的限定，在此不再赘述。上述记忆行车的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
132.在一个实施例中，提供了一种计算机设备，如图6所示，包括存储器及处理器，所述存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述记忆行车的方法步骤。
133.在一个实施例中，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述记忆行车的方法的步骤。
134.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom
(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
135.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
136.还需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
137.本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
138.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
139.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种记忆行车的方法，其特征在于，所述方法应用于自动驾驶车辆，所述方法包括：在行驶过程中，获取第一车辆位置和第一路况图像；对所述第一路况图像进行语义分割，得到所述第一路况图像中包含的第一路况元素以及所述第一路况元素与所述自动驾驶车辆之间的第一相对位置；如果从云服务器下载的第一语义地图中所述第一车辆位置对应的参考路况元素和参考相对位置分别与所述第一路况元素和所述第一相对位置相同，则按照所述第一语义地图中所述第一车辆位置对应的第一车辆位姿，控制所述自动驾驶车辆进行记忆行车。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：在记忆行车过程中，获取所述自动驾驶车辆在所述第一车辆位置的第二车辆位姿；如果所述第二车辆位姿与所述第一语义地图中所述第一车辆位置对应的第一车辆位姿不同，则将所述第二车辆位姿实时纠偏为所述第一车辆位姿。3.根据权利要求2所述的方法，其特征在于，所述获取所述自动驾驶车辆在所述第一车辆位置的第二车辆位姿，包括：获取第一初始姿态角；采用车辆动力学融合处理技术对所述第一初始姿态角进行误差处理，获得第一目标姿态角；采用迭代最近点icp算法，通过将所述第一路况元素与所述第一语义地图相匹配，并基于所述第一车辆位置和所述第一目标姿态角，确定所述自动驾驶车辆的第二车辆位姿。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：在行驶过程中，获取第二车辆位置、第二路况图像和第二初始姿态角；采用车辆动力学融合处理技术对所述第二初始姿态角进行误差处理，获得第二目标姿态角；根据所述第二车辆位置和所述第二目标姿态角，确定所述自动驾驶车辆的第三车辆位姿；对所述第二路况图像进行语义分割，得到所述第二路况图像中包含的第二路况元素以及所述第二路况元素与所述自动驾驶车辆之间的第二相对位置；对所述第二车辆位置、所述第二路况元素和所述第二相对位置进行动态逆变投影，获得第二语义地图；根据所述第三车辆位姿，对所述第二语义地图进行投影图像调整，获得第三语义地图，并将所述第三语义地图发送至云服务器。5.一种记忆行车的方法，其特征在于，所述方法应用于云服务器，所述方法包括：接收基准站发送的监测卫星的第一载波相位观测量数据、自动驾驶车辆发送的车辆定位数据、监测卫星的第二载波相位观测量数据和第一语义地图；基于所述第一载波相位观测量数据、所述车辆定位数据、所述第二载波相位观测量数据和动态后处理ppk算法，对所述第一语义地图中的车辆位置进行修正，得到修正后的第一语义地图；将云端存储的第一语义地图和所述修正后的第一语义地图进行数据融合处理，获得融合后的第一语义地图，并将所述融合后的第一语义地图发送至所述自动驾驶车辆。6.一种记忆行车的装置，其特征在于，所述装置应用于自动驾驶车辆，所述装置包括：
第一获取模块，用于在行驶过程中，获取第一车辆位置和第一路况图像；第一得到模块，用于对所述第一路况图像进行语义分割，得到所述第一路况图像中包含的第一路况元素以及所述第一路况元素与所述自动驾驶车辆之间的第一相对位置；控制模块，用于如果从云服务器下载的第一语义地图中所述第一车辆位置对应的参考路况元素和参考相对位置分别与所述第一路况元素和所述第一相对位置相同，则按照所述第一语义地图中所述第一车辆位置对应的第一车辆位姿，控制所述自动驾驶车辆进行记忆行车。7.根据权利要求6所述的装置，其特征在于，所述装置还包括：第二获取模块，用于在记忆行车过程中，获取所述自动驾驶车辆在所述第一车辆位置的第二车辆位姿；纠偏模块，用于如果所述第二车辆位姿与所述第一语义地图中所述第一车辆位置对应的第一车辆位姿不同，则将所述第二车辆位姿实时纠偏为所述第一车辆位姿。8.根据权利要求7所述的装置，其特征在于，所述第二获取模块，具体用于：获取第一初始姿态角；采用车辆动力学融合处理技术，对所述第一初始姿态角进行误差处理，获得第一目标姿态角；采用迭代最近点icp算法，通过将所述第一路况元素与所述第一语义地图进行特征匹配，并基于所述第一车辆位置、所述第一目标姿态角，确定所述自动驾驶车辆的第二车辆位姿。9.根据权利要求6所述的装置，其特征在于，所述装置还包括：第三获取模块，用于在行驶过程中，获取第二车辆位置、第二路况图像、和第二初始姿态角；第四获取模块，用于采用车辆动力学融合处理技术，对所述第二初始姿态角进行误差处理，获得第二目标姿态角；确定模块，用于根据所述第二车辆位置、所述第二目标姿态角，确定所述自动驾驶车辆的第三车辆位姿；第二得到模块，用于对所述第二路况图像进行语义分割，得到所述第二路况图像中包含的第二路况元素以及所述第二路况元素与所述自动驾驶车辆之间的第二相对位置；第一获得模块，用于对所述第二车辆位置、所述第二路况元素和所述第二相对位置进行动态逆变投影，获得第二语义地图；第二获得模块，用于根据所述第三车辆位姿，对所述第二语义地图进行投影图像调整，获得第三语义地图，并将所述第三语义地图发送至云服务器。10.一种记忆行车的装置，其特征在于，所述装置应用于云服务器，所述装置包括：接收模块，用于接收基准站发送的监测卫星的第一载波相位观测量数据、自动驾驶车辆发送的车辆定位数据、监测卫星的第二载波相位观测量数据和第一语义地图；修正模块，用于基于所述第一载波相位观测量数据、所述车辆定位数据、所述第二载波相位观测量数据和动态后处理ppk算法，对所述第一语义地图中的车辆位置进行修正，得到修正后的第一语义地图；融合模块，用于将云端存储的第一语义地图和所述修正后的第一语义地图进行数据融
合处理，获得融合后的第一语义地图，并将所述融合后的第一语义地图发送至所述自动驾驶车辆。

技术总结
本申请属于记忆行车领域，公开了一种记忆行车的方法和装置。所述方法包括：在行驶过程中，获取第一车辆位置和第一路况图像；对所述第一路况图像进行语义分割，得到所述第一路况图像中包含的第一路况元素以及所述第一路况元素与所述自动驾驶车辆之间的第一相对位置；如果从云服务器下载的第一语义地图中所述第一车辆位置对应的参考路况元素和参考相对位置分别与所述第一路况元素和所述第一相对位置相同，则按照所述第一语义地图中所述第一车辆位置对应的第一车辆位姿，控制所述自动驾驶车辆进行记忆行车。采用本申请在复杂的城区中进行记忆行车。进行记忆行车。进行记忆行车。


技术研发人员：宾怀成 梁永彬 王世勇 何逸波 罗覃月
受保护的技术使用者：上汽通用五菱汽车股份有限公司
技术研发日：2023.02.23
技术公布日：2023/6/27