(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210659637.6 (22)申请日 2022.06.13 (65)同一申请的已公布的文献号 申请公布号 CN 114777797 A (43)申请公布日 2022.07.22 (73)专利权人 长沙金维信息技 术有限公司 地址 410000 湖南省长 沙市高新 开发区青 山路662号芯城科技园二期14栋6楼 601室 (72)发明人 孙德安　王锦山　易炯　方锐涌　 于泠汰　王宇雨　冼志怀　李俊璋　 (74)专利代理 机构 长沙永星专利商标事务所 (普通合伙) 43001 专利代理师 周咏　米中业(51)Int.Cl. G01C 21/28(2006.01) G01S 19/45(2010.01) G01S 19/47(2010.01) G06V 20/56(2022.01) G06V 10/22(2022.01) G06V 10/26(2022.01) G06V 10/46(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01) 审查员 章慧敏 (54)发明名称 用于自动驾驶的高精度地图视觉定位方法 及自动驾驶方法 (57)摘要 本发明公开了一种用于自动驾驶的高精度 地图视觉定位方法， 包括获取传感器信息并确认 车辆初始化位置； 获取环境图像并提取图像的多 尺度空间特征； 将图像从像素平面转换到BEV平 面并进行图像 分割； 从图像分割结果提取数据并 融合GNSS定位结果得到当前车辆的高精度定位 结果。 本发 明还公开了一种包括所述用于自动驾 驶的高精度地图视觉定位方法的自动驾驶方法。 本发明针对弱GNSS或无GNSS信号区域定位会出 现位置漂移等情况， 使用视觉匹配定位结果与 GNSS定位结果进行滤波融合的方式得到车辆当 前的高精度位置； 因此本发明方法能够为自动驾 驶车辆提供低成本的高精度定位结果， 提高定位 的鲁棒性， 而且可靠性高、 持续 性好且精确稳定 。 权利要求书4页 说明书8页 附图4页 CN 114777797 B 2022.09.30 CN 114777797 B 1.一种用于自动驾驶的高精度地图视 觉定位方法， 其特 征在于包括如下步骤： S1. 获取传感器信息， 并基于获取的信息确认车辆的初始化 位置； S2. 获取车辆周围的环境图像， 并提取获取图像的多尺度空间特 征； S3. 将步骤S2获取的图像从像素平面转换到BEV平面； 具体为根据图像的垂直扫描线 与BEV地图中极向射线之间存在的一一对应关系， 将图像的地图生成作为一组序列到序列 的转换过程， 并对每层特征图采用编码器编 码， 并采用对应的解码 器进行解码， 从而将图像 从像素平面 转换到BEV 平面； 具体包括如下步骤： A. 用编码器对每层特 征图进行编码： A1. 调整待处理的特征图的大小， 得到特 征图 ； A2. 对步骤A1得到的特征图 fs进行位置编码： 将 位置编码信息加入到特征图 fs上， 得到 编 码 位 置 特 征 图 fs2为 ；其 中 ， P E为 一 维 正 弦 位 置 编 码 ，且 ， ， 为位置编码偶数列， pos为位 置索引， 为位置编码奇数列， i为向量的某一维度， d为向量的维度长； A3. 基于多头注意力机制模型， 采用如下算式对步骤A2 得到的编码 位置特征图 fs2进行 处理： 式中Q(hi)为查询向量； hi为fs2特征图上的第 i列；WQ为多头注意力机制模型中的查询矩 阵；K(hi)为键向量； WK为多头注意力机制模型中的键矩阵； V(hi)为值向量； WV为多头注意力 机制模型中的值矩阵； A4. 采用如下公式， 计算得分值 scoreij： 式中dk为K(hi)向量的维度长； 符号 为点积运算； A5. 采用softmax函数对步骤A4得到的得分值 scoreij进行处理， 从而得到 softmax后的 中间变量 值 ： 式中H1为特征图列的高度值； A6. 根据步骤A5得到softmax后的中间变量值 ， 与步骤A3得到的值向量进行加权得权　利　要　求　书 1/4 页 2 CN 114777797 B 2到最终结果 ci： 式中ci为编码后的结果； j为计数变量； A7. 步骤A4~ A6结果进行 联合， 作为A ttention注意力机制的总计算公式： 式中dk为K(hi)向量的维度长； A8. 将结果再经过一个全连接层， 得到最终编码后的特征图 ；wu为编码后 的特征图宽度； hu为编码后的特 征图高度； B. 用解码器对步骤A得到的编码结果进行解码： B1. 对步骤A得到的编码后的特征图 fu进行位置编码： 将 位置编码信息加入到特征图 fu 上， 得到解码位置特 征图fu2为 ； 为位置编码； B2. 在步骤B1得到的解码位置特征图 fu2上在叠加极坐标角度值， 从而得到角度位置特 征图fu3为 ；AE为角度位置编码； B3. 基于多头注意力机制模型， 采用如下算式对步骤B2 得到的角度位置特征图 fu3进行 处理： 式中 为查询向量； 为BEV平面极向射线第 ii1条；WQQ为查询矩阵； hii为fu3特 征图上的第 ii列；K(hii)为键向量； WKK为键矩阵； V(hii)为值向量；WVV为值矩阵； B4. 采用如下算式作为A ttention总体计算公式： 式中dk1为K(hii)向量的维度长； B5. 将结果再经过一个全连接层， 得到解码后的特征图 ；hu为编码后 的特征图高度； ru为特征图的径向长度； B6. 对步骤B5得到的解码后的特征图 经过多个Att ention转换， 从而得到最终的 解码结果； C . 对步骤B得到的特征图进行坐标转换， 由极坐标转换到直角坐标系， 得到 ； 其中X为转换后的特 征图宽度， Y为转换后的特 征图高度； S4. 对步骤S3得到的BEV 平面图像进行图像分割；权　利　要　求　书 2/4 页 3 CN 114777797 B 3