CN118274878A

CN118274878A - 里程计校准方法、里程计校准模型的训练方法及相关装置

Info

Publication number: CN118274878A
Application number: CN202311136111.0A
Authority: CN
Inventors: 陈平儒; 梁丰收; 文李华; 朱书斐; 邹衡君
Original assignee: BYD Co Ltd
Current assignee: BYD Co Ltd
Priority date: 2023-08-31
Filing date: 2023-08-31
Publication date: 2024-07-02

Abstract

本申请实施例提供里程计校准方法、里程计校准模型的训练方法及相关装置。该方法包括：获取车辆在行驶过程中的里程航迹；将里程航迹输入到训练好的里程计校准模型中，得到输出值；根据输出值对里程航迹进行校准。采用本申请实施例，使用神经网络模型来模拟对里程计输出的里程航迹进行校准的过程，可以提高对车辆航迹推算的精度。

Description

里程计校准方法、里程计校准模型的训练方法及相关装置

技术领域

本申请涉及车辆定位技术领域，特别是涉及里程计校准方法、里程计校准模型的训练方法及相关装置。

背景技术

在存在固定驾驶路线的自动驾驶场景中，需要通过里程计来推算车辆的航迹，从而判断自动驾驶的车辆是否偏离固定的驾驶路线。为了保证里程计的正确性，需要对里程计进行校准。现有的对里程计校准的场景，大多在车辆出厂之前对车辆原装的里程计的误差参数进行校准，以保证车辆自身内置传感器航迹推算能力的相对准确性。或者是类似自动导向车(Automated Guided Vehicle，AGV)和机器人等工作服务型运动移动设备，定期对里程计进行参数校准，以抵抗这些移动设备因大量行驶导致的轮胎磨损、机械结构参数变化(如轮距值改变等)所引起的里程计航迹推算结果的误差增大的问题。

然而，由于里程计中的轮速计模块是通过测量车轮运转圈数，并结合车轮的周长，得到车辆行驶的距离的。车轮的周长与车轮的半径相关，车轮的半径又与胎压、温度、车辆载重等实时参数有极大关系。因此无论是在出厂前对车辆的里程计进行校准，还是定期对里程计进行校准，均没有考虑到胎压、温度、车辆载重等实时参数的变化。不能保证里程计在商用车的自动驾驶中，能够实时提供准确的航迹。

发明内容

本申请实施例提供里程计校准方法、里程计校准模型的训练方法及相关装置，通过神经网络模型来推算车辆的里程航迹，简化了计算，提高了车辆航迹的精度。

第一方面，本申请实施例提供了一种里程计校准方法，所述方法包括：

获取车辆在行驶过程中的里程航迹；

将所述里程航迹输入到训练好的里程计校准模型中，得到输出值，其中，所述里程计校准模型为根据第一数据和第二数据训练得到的神经网络模型，所述第一数据为里程计模块推算得到的所述车辆在第一路点的数据，所述第二数据为RTK系统测量得到的所述车辆在第二路点的数据，其中，所述第二路点为在第一距离上所述第一路点的下一个路点；

根据所述输出值对所述里程航迹进行校准。

在上述方法中，将里程航迹输入通过神经网络模型训练得到的里程计校准模型中，可以得到精确度更高的输出值，再用输出值对里程航迹进行校准，可以实现对里程计输出的航迹进行校准的目的。使用RTK系统测量得到车辆航迹，可以提供厘米级定位精度，满足在线定位的需求。

在第一方面的一种可选的方案中，所述里程航迹包括第三路点的第三数据和在第四路点的第四数据，所述第四路点为在第二距离上所述第三路点的下一个路点。将所述里程航迹输入到训练好的里程计校准模型中，得到输出值，包括：

将所述第三数据输入到训练好的里程计校准模型中，得到所述第四路点对应的预测数据。

在上述方法中，将里程计模块推算出来的第三数据输入到里程计校准模型中，得到的输出值是第四路点对应的预测数据。也就是用此路点的里程航迹来预测下一路点的里程航迹。

在第一方面的一种可选的方案中，根据所述输出值对所述里程航迹进行校准，包括：

根据所述第四路点对应的预测数据对所述里程航迹中的第四路点的第四数据进行校准。

在上述方法中，用里程计校准模型的输出值，即第四路点对应的预测数据来对里程航迹中的第四路点的第四数据进行校准，从而实现对里程计输出航迹的校准。

第二方面，本申请实施例提供了一种里程计校准模型的训练方法，所述方法包括：

获取车辆在行驶过程中的第一数据和第二数据，所述第一数据为里程计模块推算得到的所述车辆在第一路点的数据，所述第二数据为RTK系统测量得到的所述车辆在第二路点的数据，其中，所述第二路点为在第一距离上所述第一路点的下一个路点；

根据所述第一数据和所述第二数据确定训练好的里程计校准模型，所述训练好的里程计校准模型用于校准所述里程计输出的航迹。

在上述方法中，以里程计推算出来的航迹更趋近于RTK系统测量的航迹为目标，可以根据里程计模块推算出来的第一数据和RTK系统测量得到的第二数据，来训练里程计校准模型。里程计校准模型就可以学习第一数据和第二数据之间的关系，从而可以用于校准所述里程计输出的航迹。

在第二方面的一种可选的方案中，根据所述第一数据和所述第二数据确定训练好的里程计校准模型，包括：

将所述第一数据作为神经网络模型的输入值，将所述第二数据作为所述神经网络模型的输出值，对所述神经网络模型进行训练，得到训练后的里程计校准模型。

在上述方法中，训练神经网络模型的过程是以第一数据为输入值，以第二数据为输出值。神经网络模型根据第一数据和第二数据之间的关系进行训练，得到训练后的里程计校准模型。偏向于黑盒模型的神经网络模型对输入值的包容度更高，由于绕过了模型抽象、解析推导的过程，因此无需过多考虑里程计传感器融合的逻辑，对于冗余的传感器信号输入，仍可灵活地学习和推理出其高精度的航迹。

在第二方面的一种可选的方案中，获取车辆在行驶过程中的第一数据和第二数据，包括：

基于所述车辆的单车模型确定所述第一数据和所述第二数据之间的第一关系；

根据所述第一关系从所述里程计模块获取所述第一数据；

根据所述第一关系从所述RTK系统获取所述第二数据。

在上述方法中，将车辆的运动抽象为更贴近于自动驾驶车辆的单车模型。根据单车模型确定第一数据和第二数据之间的第一关系，再通过第一关系确定训练里程计校准模型具体的训练数据，即第一数据和第二数据，也可以得到训练里程计校准模型的输入值和输出值分别是什么。

第三方面，本申请实施例提供了一种里程计校准系统，包括车辆和RTK系统，其中，

所述RTK系统，用于向所述车辆发送第二数据，所述第二数据为所述RTK系统测量得到的所述车辆在第二路点的数据；

所述车辆，用于根据第一数据和所述第二数据对神经网络模型进行训练，得到训练好的里程计校准模型，所述第一数据为里程计模块推算得到的所述车辆在第一路点的数据。

在第三方面的一种可选的方案中，所述车辆还用于：

获取行驶过程中的里程航迹；

将所述里程航迹输入到训练好的里程计校准模型中，得到输出值；

根据所述输出值对所述里程航迹进行校准。

第四方面，本申请实施例提供了一种计算装置，所述装置包括：

通信单元，用于获取车辆在行驶过程中的里程航迹；

处理单元，用于将所述里程航迹输入到训练好的里程计校准模型中，得到输出值，其中，所述里程计校准模型为根据第一数据和第二数据训练得到的神经网络模型，所述第一数据为里程计模块推算得到的所述车辆在第一路点的数据，所述第二数据为RTK系统测量得到的所述车辆在第二路点的数据，其中，所述第二路点为在第一距离上所述第一路点的下一个路点；

处理单元，还用于根据所述输出值对所述里程航迹进行校准。

在第四方面的一种可选的方案中，通信单元，具体用于所述里程航迹包括第三路点的第三数据和在第四路点的第四数据，所述第四路点为在第二距离上所述第三路点的下一个路点。

在第四方面的一种可选的方案中，处理单元，具体用于将所述里程航迹输入到训练好的里程计校准模型中，得到输出值，包括：

在第四方面的一种可选的方案中，处理单元，具体用于根据所述输出值对所述里程航迹进行校准，包括：

第五方面，本申请实施例提供了一种计算装置，所述装置包括：

通信单元，用于获取车辆在行驶过程中的第一数据和第二数据，所述第一数据为里程计模块推算得到的所述车辆在第一路点的数据，所述第二数据为RTK系统测量得到的所述车辆在第二路点的数据，其中，所述第二路点为在第一距离上所述第一路点的下一个路点；

处理单元，用于根据所述第一数据和所述第二数据确定训练好的里程计校准模型，所述训练好的里程计校准模型用于校准所述里程计输出的航迹。

在第五方面的一种可选的方案中，处理单元，具体用于根据所述第一数据和所述第二数据确定训练好的里程计校准模型，包括：

在第五方面的一种可选的方案中，通信单元，具体用于获取车辆在行驶过程中的第一数据和第二数据，包括：

处理单元，还用于基于所述车辆的单车模型确定所述第一数据和所述第二数据之间的第一关系；

根据所述第一关系从所述里程计模块获取所述第一数据；

根据所述第一关系从所述RTK系统获取所述第二数据。

第六方面，本申请实施例提供了一种车辆，该车辆包括第四方面和第五方面所述的计算装置。进一步的，车辆还可以包括里程计模块和RTK接收机，里程计模块用于推算得到车辆在第一路点的第一数据，RTK接收机用于接收车辆在第二路点的第二数据。

第七方面，本申请实施例提供了一种计算设备，该计算设备包括处理器和存储器；所述处理器执行存储中存储的指令，以使得所述计算装置实现前述第一方面和第二方面任一项所描述的方法。

可选的，所述计算设备还包括通信接口，所述通信接口用于接收和/或发送数据，和/或，所述通信接口用于为所述处理器提供输入和/或输出。

需要说明的是，上述实施例是以通过调用计算机指定来执行方法的处理器(或称通用处理器)为例进行说明。具体实施过程中，处理器还可以是专用处理器，此时计算机指令已经预先加载在处理器中。可选的，处理器还可以既包括专用处理器也包括通用处理器。

可选的，处理器和存储器还可能集成于一个器件中，即处理器和存储器还可以被集成在一起。

第八方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机或处理器上运行时，实现如前述第一方面和第二方面任一项所描述的方法。

本申请第三至第八方面所提供的技术方案，其有益效果可以参考第一方面和/或第二方面的技术方案的有益效果，此处不再赘述。

附图说明

下面将对实施例描述中所需要使用的附图作简单的介绍。

图1是本申请实施例提供的一种现有方案的示意图；

图2是本申请实施例提供的一种里程计校准系统的架构示意图；

图3是本申请实施例提供的一种里程计校准的方法流程示意图；

图4是本申请实施例提供的一种里程计校准模型的训练方法流程示意图；

图5是本申请实施例提供的一种阿克曼转向的四轮模型的示意图；

图6是本申请实施例提供的一种阿克曼转向的单车模型的示意图；

图7是本申请实施例提供的一种车辆平面运动的示意图；

图8是本申请实施例提供的一种训练神经网络模型的示意图；

图9是本申请实施例提供的一种Sigmoid函数及其导数函数的示意图；

图10是本申请实施例提供的一种校准里程航迹的流程示意图；

图11本申请实施例提供的又一种校准里程航迹的流程示意图；

图12是本申请实施例提供的一种里程计校准装置的功能单元组成框图；

图13是本申请实施例提供的一种计算设备的结构示意图。

具体实施方式

下面结合附图对本申请实施例进行详细介绍。

本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选的还包括没有列出的步骤或单元，或可选的还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了更清楚地描述本申请的方案，下面先对本申请中涉及的部分用语进行说明。

1、实时动态载波相位差分技术(Real-time kinematic，RTK)：是实时处理两个测量站载波相位观测量的差分方法，将基准站采集的载波相位发给用户接收机，进行求差解算坐标。以前的静态、快速静态、动态测量都需要事后进行解算才能获得厘米级的精度。而RTK是能够在野外实时得到厘米级定位精度的测量方法，它采用了载波相位动态实时差分方法，是GPS应用的重大里程碑，它的出现为工程放样、地形测图，各种控制测量带来了新的测量原理和方法，极大地提高了作业效率。

2、惯性测量单元(Inertial Measurement Unit，IMU)：惯性测量单元是测量物体三轴姿态角(或角速率)以及加速度的装置。一般的，一个IMU包含了三个单轴的加速度计和三个单轴的陀螺，加速度计检测物体在载体坐标系统独立三轴的加速度信号，而陀螺检测载体相对于导航坐标系的角速度信号，测量物体在三维空间中的角速度和加速度，并以此解算出物体的姿态。在导航中有着很重要的应用价值。

3、阿克曼运动学模型：阿克曼运动学模型是一种用于描述车辆转向轨迹的数学模型，该模型基于阿克曼原理，即车辆的前轮转向角度与转向半径之间有一定的函数关系。

该模型可以很好的帮助工程师们设计车辆的转向系统，以实现精准的转向控制。此外，阿克曼运动学模型还可以通过计算车辆的转向轨迹来实现自动驾驶功能的模型推导。

阿克曼运动学模型的主要参数，包括车辆的轴距、前轮与后轮之间的距离，以及前轮转向角度等。基于这些参数，可以计算出车辆的转弯内径，内部转向角，和外部转向角度等信息。

总结，阿克曼运动学模型是一种重要的数学模型，其对于车向控制和自动驾驶技术的发展都具有重要意义。

4、神经网络学习：神经网络的网络深度较大时，即为深度学习，它是一类模式分析方法的统称，就具体研究内容而言，主要涉及三类方法：

(1)基于卷积运算的神经网络系统，即卷积神经网络(Convolutional NeuralNetwork，CNN)。

(2)基于多层神经元的自编码神经网络，包括自编码(Auto encoder)以及近年来受到广泛关注的稀疏编码两类(Sparse Coding)。

(3)以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络(Deep belief networks，DBN)。

通过多层处理，逐渐将初始的“低层”特征表示转化为“高层”特征表示后，用“简单模型”即可完成复杂的分类等学习任务。由此可将深度学习理解为进行“特征学习”(feature learning)或“表示学习”(representation learning)。

5、回归模型(regression model)：回归模型是一种预测性的建模技术，它研究的是因变量(目标)和自变量(预测器)之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。例如，司机的鲁莽驾驶与道路交通事故数量之间的关系，最好的研究方法就是回归。回归模型对统计关系进行定量描述的一种数学模型。如多元线性回归的数学模型可以表示为y＝β₀+β₁×x+ε_i，式中，β₀，β₁，...，β_p是p+1个待估计的参数，ε_i是相互独立且服从同一正态分布N(0,σ₂)的随机变量，y是随机变量；x可以是随机变量，也可以是非随机变量，β_i称为回归系数，表征自变量对因变量影响的程度。

为了便于理解本申请实施例，下面先分析并提出本申请所具体要解决的技术问题。

在车辆的自动驾驶中，需要车辆高精度的航迹来辅助自动驾驶。而车辆的航迹，可以由车辆的外置传感器和/或内置传感器来提供。

外置传感器通过获取机器刚体外部的环境信息，来间接推理自动驾驶所需要的信息。例如车辆自身搭载的传感器，包括但不限于：摄像头，毫米波雷达、超声波雷达、激光雷达等各类雷达。

内置传感器例如里程计，因为只测量车辆自身状态，所以输出的航迹的精度是稳定的，可以作为自动驾驶的参考数据。

但是外置传感器相较于里程计，还存在如下问题：

(1)外置传感器数据精度不稳定，里程计数据精度相对稳定。每种外置传感器都因为其自身工作原理和结构的特性，存在一些无法消除的误差缺陷。即每种外置传感器在对环境观察的时候均具有弱点，或存在误差缺陷。所以外置传感器受环境条件的影响大，其输出信息的精度不稳定，需要输出信息的精度相对稳定的里程计来补充车辆的航迹。

(2)外置传感器有更高的绝对精度，但里程计具有更高的相对精度。作为内置传感器的里程计与外置传感器最大的区别在于，内置传感器具有更高的相对精度，而外置传感器具有更高的绝对精度。因此从功能原理上看，里程计和外置传感器共同为自动驾驶提供辅助是不可割舍的。

(3)外置传感器工作频率低，需要工作频率高的里程计进行信息补偿。由于不同传感器的信息输出频率是由传感器工作原理决定的，外置传感器工作原理与里程计相比，需要处理更多的信息，所以外置传感器的工作频率较低。而里程计是基于机械和磁场等物理原理工作的，其工作频率较高。因此里程计在外置传感器无信息输出的时段，为自动驾驶补充信息是至关重要的。

由上述三点可以看出，对于车辆的自动驾驶，里程计对于车辆航迹的推算能力是最为核心和基础的模块，其重要性无法被忽略。如果里程计的航迹推算能力越强，那么结合外置传感器采集到的信息，车辆的自动驾驶的感知能力将会更强。相应的，自动驾驶功能也将会更精准，出现失误或者出现撞击等意外的可能性也将更低。所以，对于里程计进行校准对车辆的自动驾驶显得尤为重要。

在车辆的行驶过程中，里程计对于航迹的推算需要通过轮速计模块来得到车辆的行驶距离。具体的，轮速计模块通过测量车轮转动的圈数，并与通过车轮半径计算出的周长相结合，得到车辆的行驶距离。然而，车轮的半径大小与胎压、温度、车辆载重等实时参数有极大关系。所以对于里程计的校准，需要考虑到轮胎在不同状态下、车辆在不同场景下行驶的区别。对于现有方案中，仅在车辆出厂前校准里程计，或者是间隔一定的时间才校准里程计，是无法消除轮胎在不同状态下、车辆在不同场景下行驶所带来的误差的。所以需要对里程计进行实时校准，才能满足自动驾驶的航迹要求。

本申请发现，在目前里程计的校准方案中，通常有一个理想化的车辆参考坐标作为标准，再通过一定的物理分析和数学计算，得到里程计推算出的坐标和参考坐标之间的误差参数，从而可以根据误差参数来校准里程计。

例如，请参见图1，图1是本申请实施例提供的一种现有方案的示意图。如图1所示，在现有的对车辆里程计进行校准的方案中，理想化的车辆参考坐标来自全球定位系统(Global Positioning System，GPS)的定位坐标。通过一定的物理分析和数学计算，得到里程计推算出的坐标和参考坐标之间的误差参数的步骤可以如下所示：

S101，基于轮式车辆的曲线运动模型，计算预定距离内车辆推算坐标与GPS定位坐标间的误差值。

S102，建立车辆里程的误差方程，根据误差值及误差方程，通过递推最小二乘法拟合误差参数。

S103，最后根据误差参数修正车辆里程。

实现图1所示的对车辆里程计进行校准的这一方案所使用的装置，主要包含计算模块、拟合模块和修正模块这几个部分。其中，计算模块，用于基于轮式车辆的曲线运动模型，计算预定距离内车辆推算坐标与GPS定位坐标间的误差值。拟合模块，用于建立车辆里程的误差方程，根据误差值及误差方程，通过递推最小二乘法拟合误差参数。修正模块，用于根据误差参数修正车辆里程。

经研究发现在现有方案中，理想化的车辆参考坐标通常是GPS提供的车辆的位置坐标。然而由于在全球导航卫星系统(Global Navigation Satellite System，GNSS)的测量中，需要在事后才能解算出精准的位置坐标。并且由于GPS本身的工作原理，会受到如大气层影响、卫星星历误差、卫星钟差和多路径效应等多种因素的影响，而产生无法消除的误差。因此，在使用里程计辅助车辆自动驾驶的过程中，GPS对车辆提供的位置坐标无法满足理想化的车辆参考坐标的精度要求。

由此，本申请实施例使用RTK来提供理想化的车辆参考坐标。由于RTK通过在线计算就可以得到精准的位置坐标，并且RTK除了卫星外，还使用确定位置或未知位置上的基准站作为位置对照。所以RTK可以实时为车辆提供定位精度达厘米级的位置坐标。以下表格是从定义、工作原理、测量精度和误差因素来对GPS和RTK的优缺点进行分析。

从上述表格对GPS和RTK的对比分析中，可以看出RTK比GPS具有更明显的技术优势。RTK具有和GPS完全不同的技术原理和定义，所以本申请实施例使用RTK来代替GPS为车辆提供位置坐标，不但可以大幅提高理想化的车辆参考坐标的精度，还可以将对里程计的校准过程从离线校准转变为在线校准，实现实时对里程计进行校准。并且RTK可以装置上车，帮助车辆的里程计进行实时地参数更新，以保证在每次使用自动驾驶功能前的初始化过程中，获得准确的初始参数值。从而可以确保自动驾驶功能运行时的时效性、准确性、可靠性等。

此外在现有的方案中，由于多数方案是对车辆在低速运动场景下的里程计进行校准的，所以在推导里程计推算出的坐标和参考坐标之间的误差参数之前，可以将车辆的运动抽象为运动学模型，再对运动学模型做进一步的推导。例如在现有方案中，车辆的运动学模型通常是双轮差速模型。再结合对刚体平面运动的坐标系转换关系，从而推导出包含误差参数的航迹推算方程组，最后使用递推最小二乘法对误差进行解算。

然而，现有方案中所使用的双轮差速模型忽略了对推算车辆航迹较为重要的车辆的轴距参数，所以使用双轮差速模型推算出来的车辆航迹的精度，无法满足自动驾驶的要求。

由此，本申请实施例将车辆的运动抽象为更贴合四轮车辆真实运动情况的阿克曼转向模型。阿克曼转向模型相较于现有方案所使用的双轮差速模型，将对航迹推理中影响更大的车辆轴距参数加入到模型内，提高了航迹推算过程的精度。

在针对运动学模型推导出里程计的误差的问题上，现有方案均使用解析计算的方式。例如针对双轮差速模型进行航迹推算后得到的方程组，再使用递推二乘法对方程组进行超定方程组解算误差值。又例如使用泰勒展开的方式将非线性问题转化为线性问题等解析计算的方式。这些解析计算的方式具有以下劣势：

1)强依赖于里程计对车辆在前几个路点行驶的测算结果，所以校准里程计的灵活性低，并且车辆行驶在相似场景下仍需要重新对里程计进行校准，所以校准里程计的复用性低。

2)解析计算更适用于人手动计算的思维模式，对于计算机来说，计算量过大。所以现有方案校准里程计的计算量大、资源消耗大，且校准的实时性无法保障。

3)模型及公式推理过程中，存在太多简化及假设的前提，由于传统解析式推理计算流程是通过物理、数学的前提假设和逻辑推理而来的。因此假设和逻辑推理必然伴随着各种在数学建模过程中，必需的简化和理想化的抽象过程。因此解析计算方法的流程，不能贴合物理实际。并且解析计算出来的推理结果的精度也不会很高，也会因推理过程中固然存在的限制导致精度的限制，不能达到理想的精度水平。

由此，本申请实施例在针对运动学模型推导出里程计的误差的问题上，使用机器学习中的神经网络模型来对这一过程进行模拟。具体来说，本申请实施例使用的对于里程计误差的解算方式是偏向于黑盒模型的神经网络模型。因此对输入神经网络模型的参数值，包容度更高。因为使用神经网络模型绕过了模型抽象、解析推导的过程，无需过多考虑里程计中各个传感器融合的逻辑。所以即使是冗余的传感器信号，仍可利用神经网络模型灵活地学习和推理出高精度的车辆航迹。

针对上述描述的内容，将现有方案与本申请实施例所使用的方法中的区别点，在如下表格中做更进一步的说明：

鉴于此，本申请实施例提供了一种里程计校准方法、里程计校准模型的训练方法。首先根据里程计推算出来的车辆航迹和RTK系统测量到的车辆航迹，来对神经网络模型进行训练，得到里程计校准模型。车辆再将里程计推算出来的车辆航迹输入到里程计校准模型中，得到趋近于RTK系统测量到的车辆航迹的输出值。车辆根据输出值对车辆的航迹进行校准。

接下来，对本申请实施例应用的系统架构进行介绍。需要说明的是，本申请描述的系统架构及业务场景是为了更加清楚的说明本申请的技术方案，并不构成对于本申请提供的技术方案的限定，本领域普通技术人员可知，随着系统架构的演变和新业务场景的出现，本申请提供的技术方案对于类似的技术问题，同样适用。

请参阅图2，图2是本申请实施例提供的一种里程计校准系统的架构示意图。如图2所示，里程计校准系统包括车辆20和RTK系统30。车辆20包括里程计模块201，RTK系统30包括RTK接收机202、RTK基准站211和卫星212，RTK接收机202位于车辆20中。RTK接收机202、RTK基准站211和卫星212，为车辆20提供定位信息。

车辆20可以是通过电能进行驱动的车辆、通过燃油驱动的车辆或者是通过新能源混合动力驱动的车辆。示例性的，当车辆20为通过电能进行驱动的车辆时，可以是新能源汽车，例如纯电动汽车、增程式电动汽车、混合动力汽车、燃料电池电动汽车等。当车辆20为通过燃油驱动的车辆时，可以是汽车、农用运输车、拖拉机、或者挂车等。当车辆20为汽车时，可以是轿车、越野车、货车、公共汽车或面包车等。

里程计模块201是由传感器组合而成的，里程计模块201根据组合的传感器所采集的数据，经过推算得到车辆的里程航迹。例如，里程计模块201可以由IMU和轮速计组成，或者是由方向盘转角和轮速计组成，或者是由方向盘转角和IMU组成等等，此处不做限定。

通过RTK系统30进行联合解算，可以得到车辆的定位信息。具体过程如下：

卫星212分别向RTK接收机202和RTK基准站211发送卫星定位信号。利用卫星定位信号可以获得接收者的定位信息，该定位信息包括但不限于位置数据、速度信息和姿态信息。位置数据包括但不限于描述位置的经度坐标、纬度坐标，姿态信息包括但不限于描述航向的航向角信息。

RTK基准站211建在已知或未知点上，RTK基准站211接收到卫星212发送的卫星信号后通过无线通信网实时发给RTK接收机202。

RTK接收机202安装在车辆20上，RTK接收机202将接收到的卫星212发送的卫星信号和接收到的RTK基准站211发送的差分信号进行实时联合解算，得到车辆20的定位信息。在一种可能的实施方式中，车辆20接收里程计模块201推算得到的车辆在第一路点的第一数据，车辆20还接收RTK系统30测量得到的车辆20在第二路点的第二数据。车辆20根据第一数据和第二数据对神经网络模型进行训练，得到训练好的里程计校准模型。车辆20可以使用训练好的里程计校准模型来校准里程计模块201输出的航迹。例如，车辆20获取里程计模块201推算出来的里程航迹。车辆20将里程航迹输入到训练好的里程计校准模型中，得到输出值。车辆20再根据输出值对里程航迹进行校准。

此外，在一种可能的实施方式中，里程计校准模型可以是其他电子设备训练好发送给车辆20的，车辆20再根据训练好的里程计校准模型对里程计模块201输出的航迹进行校准。

请参阅图3，图3是本申请实施例提供的一种里程计校准的方法流程示意图，方法应用于如图2所示的里程计校准系统。如图3所示，方法包括但不限于如下步骤：

步骤S301，获取车辆在行驶过程中的里程航迹。

具体的，车辆在行驶过程中，通过车辆内部安装的里程计模块来推算出车辆的里程航迹。里程计模块通常由若干传感器组成，例如IMU和轮速计的组合、方向盘转角和轮速计的组合或者是方向盘转角和IMU的组合。其中，IMU通常包含加速度计和陀螺仪两种传感器。加速度计用来采集车辆在坐标系三个轴上的三个加速度信号。陀螺仪用来采集车辆在坐标系三个轴上的三个角速度。车辆通过对采集到的加速度和角速度进行推算，就能得到车辆的运动姿态。轮速计通过采集车辆转动的圈数，根据车轮的周长就可以得到车辆行驶的距离。方向盘转角用于确定车轮的转角，也就可以确定车辆行驶的方向。由此，车辆通过里程计模块根据车辆行驶的距离和行驶的方向，就能够拟合出车辆的里程航迹。

在一种可能的实施方式中，车辆的里程航迹包括车辆在第三路点的第三数据和车辆在第四路点的第四数据。具体的车辆在行驶过程中，通过里程计模块推算出第三路点的里程航迹作为第三数据。示例性的，本申请实施例所提供的第三数据可以是车辆在第三路点的坐标、航向角以及转弯曲率。在车辆从第三路点开始，行驶了第二距离后，到达了下一个路点，也就是第四路点。其中，第二距离是预先设置的路点和路点之间的距离。车辆再通过里程计模块推算出第四路点的里程航迹作为第四数据。同样的，本申请实施例所提供的第四数据可以是车辆在第四路点的坐标、航向角以及转弯曲率。

步骤S302，将里程航迹输入到训练好的里程计校准模型中，得到输出值。

具体的，车辆将通过里程计模块推算出来的各个路点对应的里程航迹，依次输入到训练好的里程计校准模型中，可以得到对应的输出值。其中，里程计校准模型是根据第一数据和第二数据来训练的神经网络模型。车辆对里程计校准模型的训练过程可以参见步骤S401和S402，此处不再赘述。

在一种可能的实施方式中，车辆将第三数据输入到训练好的里程计校准模型中，得到的输出值是第四路点对应的预测数据。由于车辆接收到的RTK系统发送的车辆坐标数据，相比于通过里程计模块推算出来的车辆坐标数据来说会更准确。所以用里程计模块推算出来的车辆坐标数据作为神经网络模型的输入值，用RTK系统发送的车辆坐标数据作为神经网络模型的输出值，来训练得到里程计校准模型。可以通过训练好的里程计校准模型来输出更趋近于RTK系统测量到的车辆坐标数据。所以车辆将第三数据，也就是车辆在第三路点的坐标、航向角以及转弯曲率，输入到训练好的里程计校准模型中，可以得到车辆在第四路点更趋近于RTK系统测量到的坐标和航向角。

步骤S303，根据输出值对里程航迹进行校准。

具体的，车辆根据里程计校准模型的输出值对车辆的里程航迹进行校准。由于在现有的方案中，一般只在出厂前，或在运行较长时间后，再对里程计进行校准。所以现有方案使用的是离线的校准方式，即里程计与车辆分离的方式进行参数校准。使得校准后的参数仅适用于在对里程计校准时的场景，所以在车辆的载重、胎压等因素发生变化时，车辆通过里程计推算出来的里程航迹可能是不准确的，需要车辆根据里程计校准模型的输出值，例如是由步骤S302得到的输出值来对不准确的里程航迹进行校准。

在一种可能的实施方式中，在根据步骤S302所述的方法，车辆向里程计校准模型输入车辆在第三路点的坐标、航向角以及转弯曲率后，得到里程计校准模型预测出的车辆在第四路点的坐标和航向角。车辆可以在存储器中，将里程计推算出来的第四数据，替换为通过里程计校准模型预测出的车辆在第四路点的坐标和航向角。

接下来将对里程计校准模型的训练过程进行详细描述。

请参阅图4，图4是本申请实施例提供的一种里程计校准模型的训练方法流程示意图，如图4所示，方法包括但不限于如下步骤：

步骤S401，获取车辆在行驶过程中的第一数据和第二数据。

具体的，在车辆训练里程计校准模型之前，需要先确定里程计校准模型的训练数据。例如，本申请实施例使用的训练数据是第一数据和第二数据。进一步的，第一数据是车辆在行驶过程中通过里程计模块推算得到的车辆在第一路点的第一数据。第二数据是车辆接收到的由RTK系统测量得到的车辆在第二路点的第二数据。并且，第二路点为在第一距离上第一路点的下一个路点，第一距离是预先设置的第一路点和第二路点之间的距离。训练里程计校准模型所设置的第一距离所代表的路线，和使用里程计校准模型来校准车辆航迹的第二距离所代表的路线，可以是一样的，也可以是不一样的。

以下将对分析里程计校准模型的训练数据的方法进行详细描述。

在一种可能的实施方式中，车辆将车辆的运动抽象为运动学模型，再根据运动学模型进行几何运算和数学推导，确定第一数据和第二数据之间的第一关系。根据第一关系确定里程计校准模型的训练数据。例如，本申请实施例根据第一关系从里程计模块获取需要的第一数据，同时根据第一关系从RTK系统中获取需要的第二数据。进一步的，第一数据是车辆通过里程计校准模型推算出的车辆在第一路点的坐标、航向角以及转弯曲率。第二数据是车辆通过RTK系统测量得到的车辆在第二路点的坐标和航向角。

在一种可能的实施方式中，请参见图5，图5是本申请实施例提供的一种阿克曼转向的四轮模型的示意图。如图5所示，车辆根据车辆的运动建立阿克曼转向的运动学模型，来获取车辆航向角、转向半径和轴距之间的简化关系。车体坐标系原点O位于车辆后轴的中心，x轴沿车辆的纵向向前，y轴沿车辆的横向向左。左前轮的转向角为θ_FL，右前轮的转向角为θ_FR。前轮与后轮之间的距离用轴距L表示。在理想状态下，每个轮胎都与地面发生纯滚动(即认为不发生滑移)，那么所有轮胎的轴线应交于一点，即车辆的回转中心P_R(车辆直行时P_R为无穷远点)，将回转中心P_R到原点O的距离定义为车辆运动的曲率半径r。

请参见图6，图6是本申请实施例提供的一种阿克曼转向的单车模型的示意图。如图6所示，阿克曼转向的单车模型是图5中的阿克曼转向的四轮模型简化而来的。将阿克曼转向的四轮模型中的两个前轮合并为图6中的一个前轮，将阿克曼转向的四轮模型中的两个后轮合并为图6中的一个后轮。可以得到图6所示的阿克曼转向的单车模型，其中前轮与后轮之间的距离用轴距L表示，合并后的前轮转向角为θ_F。相应的，车体坐标系原点O位于车辆后轴的中心，x轴沿车辆的纵向向前，y轴沿车辆的横向向左。在理想状态下，每个轮胎都与地面发生纯滚动(即认为不发生滑移)，那么所有轮胎的轴线应交于一点，即车辆的回转中心P_R(车辆直行时P_R为无穷远点)，将回转中心P_R到原点O的距离定义为车辆运动的曲率半径r。

从图6中阿克曼转向的单车模型的几何关系可以得到关系式1为：

tanθ_F＝L/r

考虑到车辆在图6所示状态下以车速v行驶，那么车辆将以P_R为圆心画圆。此时车辆画圆的角速度为ω，同时ω也是车辆航向角的角速度。可以得到关系式2为：

ω＝v/r

将车辆运动的曲率用κ表示，由于κ是r的倒数，因此关系式1可以写成关系式3：

tanθ_F＝κL

关系式2可以写成关系式4：

ω＝κv

请参见图7，图7是本申请实施例提供的一种车辆平面运动的示意图。如图7所示，将车辆抽象表示为一个圆点和箭头，其中圆点代表车体坐标系的原点，箭头指示车体坐标系的横轴，这里选择地图坐标系中车辆的坐标o、x、y和车辆的航向角θ为系统状态变量。车辆从当前状态(x，y，θ)绕回转中心P_R向下一时刻进行运动，可以将车辆在T时刻运动的状态矢量定义为的关系式5为：

由于运动学模型不考虑侧滑，因此车辆(指车体坐标系原点)的速度矢量与车体坐标系横轴重合，速度大小为车速v。同时关系式4，可给出以下微分方程组的关系式6：

定义弧长s为车辆行驶的距离，则有关系式7为：

将关系式7代入关系式6，可以得到以下关于弧长的微分方程(关系式8)，关系式8与关系式7中关于时间的微分方程相比，其优势在于消去了车速v，有利于对车辆的运动状态进行横向和纵向的解耦。

由于关系式8中含有正弦函数和余弦函数，所以关系式8为连续非线性微分方程组。

在以上对里程计航迹进行推算的问题中，不考虑其他影响因素的变化，取出阿克曼转向的单车模型中最基础的因数，例如车辆坐标、车辆航向角、车辆的转弯曲率等进行理想化、简化后，推理出来的关系式8已经是一个非线性问题。所以后续如果使用解析计算的方式对关系式8做进一步的解算，还需要将关系式8进行离散化和线性化，才能方便进一步的解析处理。

具体的，对关系式8进行离散化，即以第i路点的车辆状态为起点，控制输入为第i路点车辆的转弯曲率κ_i。推导车辆在行驶Δs距离后的第i+1个路点的车辆状态综上，将关系式8进行离散化后得到关系式9为：

由此基于车辆的运行轨迹，按照弧长进行微分，可以实现对关系式8的离散化。可以得到一个有输入和输出的、非线性的函数关系式9。其中，输入是输出是

接下来对关系式9进行学习拟合，先从解析计算的角度进行线性化分析。对于离散化的微分方程即关系式9，进行前向积分获得关系式10：

Δs为车辆从第i路点行驶到第i+1路点的距离，θ_i为车辆在第i路点的航向角。

由于三角函数的一阶泰勒展开可以写作如下关系式11，其中，θ_R表示进行泰勒展开的参考点：

所以将关系式11代回关系式10，对关系式10进行泰勒展开，可以得到如下线性化方程式，其中θ_Ri为车辆在第i个路点处的航向角，关系式12为：

在对关系式12进行简化和估算后，可以得简单的线性化关系式13为：

其中，是第i个路点的车辆状态值，包括车辆在第i路点的坐标和航向角。是车辆第i+1个路点的车辆状态值，包括车辆在第i+1路点的坐标和航向角。κ_i是车辆在第i个路点的转弯曲率。A_i、B_i和C_i是根据关系式12的简化值。

有上述推导，得到关系式13为第一数据和第二数据之间的第一关系。根据第一关系可以得到第一数据为和κ_i，即车辆在第i个路点的坐标、航向角和转弯曲率。根据第一关系可以得到第二数据为即车辆在第i+1个路点的坐标和航向角。

步骤S402，根据第一数据和第二数据确定训练好的里程计校准模型。

具体的，在车辆根据第一关系分析出第一数据和第二数据后，车辆可以根据第一数据和第二数据获取训练集来对神经网络模型进行训练，确定训练好的里程计校准模型。

在一种可能的实施方式中，车辆将第一数据作为神经网络模型的输入值，将第二数据作为神经网络模型的输出值。车辆通过神经网络模型可以自动学习输入值和输出值之间的关系，无需考虑第一数据和第二数据之间的第一关系是线性的还是非线性的。在车辆对神经网络模型进行训练后，就能够得到训练后的里程计校准模型。

请参见图8，图8是本申请实施例提供的一种训练神经网络模型的示意图。如图8所示，由于关系式10中的航向角θ_i是车辆在第i个路点的状态值中的一部分参数值，所以神经网络模型的输入值中会带入θ_i相关的非线性项。所以训练出来的神经网络模型，可以更贴切和更灵活地拟合上车辆在第i路点时第一关系。

图8中神经网络模型的输入层为x，中间层为x1(1)和x1(2)，输出层为x2。第一层的矩阵计算结果z1(1)和z1(2)为：

z1(1)＝w1(1)x+b1(1)

z1(2)＝w1(2)x+b1(2)

其中，w1(1)和w1(2)是神经网络模型第一层神经元的权重，b1(1)和b1(2)是神经网络模型第一层神经元的偏置。

第一层神经元的激活函数a1(1)和a1(2)为：

a1(1)＝Sigmoid(z1(1))

a1(2)＝Sigmoid(z1(2))

其中，Sigmoid(z1(1))和Sigmoid(z1(2))是对z1(1)和z1(2)使用S型(Sigmoidfunction，Sigmoid)激活函数的表达式。

第二层的矩阵计算结果z2为：

z2＝w2(1)a1(1)+w2(2)a1(2)+b2

其中，w2(1)和w2(2)是神经网络模型第二层神经元的权重，b2是神经网络模型第二层神经元的偏置。

所以根据图8所示的神经网络模型的训练过程如下：

车辆输入神经网络模型的值为x，则神经网络模型第一层的计算结果为：

其中，z1是神经网络模型第一层的矩阵计算结果，x1(1)和x1(2)是神经网络模型第一层的输入，w1(1)和w1(2)是神经网络模型第一层神经元的权重，b1(1)和b1(2)是神经网络模型第一层神经元的偏置。

对x1(1)和x1(2)分别使用，Sigmoid激活函数：

其中，A1为z1使用Sigmoid激活函数后的值，a1为x1(1)使用Sigmoid激活函数后的值，a2为x1(2)使用Sigmoid激活函数后的值。

车辆再将A1的表达式传递到神经网络模型中的第二层神经元，得到第二层的矩阵计算结果z2的表达式为：

z2＝a1w2(1)+a2w2(2)+b2

经过计算得到神经网络模型中的损失函数是：

其中，L表示损失函数(Lost function)，y_i表示从1到n共i个真实值中的第i个真实值，z_i表示从1到n共i个预测值中的第i个预测值。

最后通过梯度下降等优化算法，将损失函数的值趋向于最小，以获得神经网络模型的非线性回归结果。

其中，Sigmoid激活函数的公式如下，z为输入值，a(z)为输出值，e为自然常数：

请参见图9，图9是本申请实施例提供的一种Sigmoid函数及其导数函数的示意图。如图9所示，实线表示Sigmoid函数，虚线表示Sigmoid函数的导数函数。横轴表示输入值z，示例性给出了-6、-4、-2、0、2、4、6.纵轴表示的是输出值a(z)，示例性给出了0.0、0.2、0.4、0.6、0.8、1.0。由图9所示的Sigmoid激活函数的函数特性可知，Sigmoid激活函数为神经网络模型添加了非线性的可能性。使训练好的神经网络模型更贴合于第一数据和第二数据之间的更实际的函数关系，也可以说是更贴合于第一关系。

此外，Sigmoid激活函数还可以被双曲正切函数(hyperbolic tangent function，Tanh)、线性整流函数(Linear rectification function，ReLU)、带泄露线性整流(LeakyReLU)、Softplus函数(softplus function)、指数线性单元(Elu activation，ELU)、BenIdentity函数等其他具有相似属性的激活函数所替代，每种激活函数在神经网络中的表现将不同。

机器学习中的神经网络模型，极大地保留了里程计在推算车辆航迹时的非线性性，避免了对里程计校准模型简化和估算的过程，确保了里程计校准模型的精度。同时该神经网络模型可依赖于对场景下的过拟合状态，以使得程序系统在初始化一小段时间后，在相同的场景条件下，获取极高的里程计推算精度。

并且在车辆对神经网络模型进行训练的过程中，使用到了万能近似定理。万能近似定理是神经网络学习最根本的理论依据。它证明了在给定网络有足够多的隐藏单元的条件下，配备一个线性输出层和一个带有任何“挤压”性质的激活函数(如Sigmoid激活函数)的隐藏层的前馈神经网络，能够以任何想要的误差量近似任何一个有限维度的空间映射到另一个有限维度空间的可测函数。万能近似定理其实说明了理论上，神经网络可以近似任何函数。所以车辆使用神经网络模型是能够在不考虑第一关系是线性还是非线性的情况下，向神经网络模型中输入第i个路点的里程航迹，从而能够得到神经网络模型预测出的第i+1个路点的里程航迹。

请参阅图10，图10是本申请实施例提供的一种校准里程航迹的流程示意图。如图10所示，车辆基于阿克曼转向原理抽象出单车模型，得到车辆结构参数。在弧度离散化计算的基础上，通过里程计模块的测量信号和车辆结构参数进行航迹坐标位置推算，车辆得到在行驶过程中的第一数据。同时，车辆可以获取通过RTK系统测量得到的与第一数据对应的第二数据。车辆建立将第一数据作为神经网络模型的输入值，将第二数据作为神经网络模型的输出值，实时运行程序训练神经网络模型，从而获得高精度的非线性的里程计校准模型。

在里程计校准模型训练好后，在车辆正式行驶之前，车辆可以在行驶场景下，根据车辆的实时状态，对里程计校准模型进行多次测试。使得里程计校准模型可以适用于该行驶场景下的航迹推算。

需要说明的是，由于车辆的车况和车辆行驶的环境会对里程计校准模型产生影响，所以在车辆正式行驶之前，车辆会对里程计校准模型进行初始化。

具体的，车辆在对里程计校准模型进行初始化的过程中，车辆可以在靠近RTK基准站的附近道路上行驶。车辆通过安装在车辆上的RTK系统来接收RTK基准站发送的第二数据，车辆接收里程计模块推算出的第一数据。然后车辆将第一数据作为里程计校准模型的输入值，将第二数据作为里程计校准模型的输出值，来对里程计校准模型进行训练，得到训练好的里程计校准模型。此时训练好的里程计校准模型适应车辆当前状态下的车况和车辆行驶的环境，所以车辆完成了对里程计校准模型的初始化，可以正式上路行驶。

将RTK系统安装在车辆上，使得车辆在初始化的过程中，可以快速高效地进行神经网络模型的实时在线参数学习，以使得神经网络模型可以灵活地根据场景条件的变化进行参数更新。并在更新后，获取在当前场景下表现最优的里程计航校准模型，作为自动驾驶功能实现中底层的相对精度数据参考补偿。

请参见图11，图11是本申请实施例提供的又一种校准里程航迹的流程示意图。如图11所示，车辆根据车辆的运动建立阿克曼转向的运动学模型——单车模型，来获取车辆运动速度、航向角、转向半径和轴距之间的简化关系。然后，通过平面运动微分方程，建立车辆在第一路点的运动状态值和车辆行驶预设弧度后的弧度微分状态值之间的等式关系。对建立的等式关系进行离散化，确定第一数据和第二数据之间的第一关系。因此，车辆根据第一关系确定用于训练里程计校准模型的输入值和输出值。

最后，车辆对神经网络模型进行多次针对离散数据组的学习，获取高精度的非线性的里程计校准模型。在同一场景条件下，多次重复基于车辆的单车模型确定第一数据和第二数据之间的第一关系的过程。对现有的非线性的里程计校准模型进行测试和优化，使得里程计校准模型的航迹推算精度达到指定标准。

上述详细阐述了本申请实施例的方法，下面提供本申请实施例的装置。

请参见图12，图12是本申请实施例提供的一种里程计校准装置的功能单元组成框图。该里程计校准装置120可以包括通信单元1201和处理单元1202。该里程计校准装置120用于实现前述的里程计校准方法，例如图3所示的里程计校准方法。该里程计校准装置120还用于实现前述的里程计校准模型的训练方法，例如图4所示的里程计校准模型的训练方法。

这里需要说明的是，上述多个单元的划分仅是一种根据功能进行的逻辑划分，不作为对里程计校准装置120具体的结构的限定。在具体实现中，其中部分功能模块可能被细分为更多细小的功能模块，部分功能模块也可能组合成一个功能模块。

在一种可能的实施方式中，通信单元1201，用于获取车辆在行驶过程中的里程航迹；

处理单元1202，用于将里程航迹输入到训练好的里程计校准模型中，得到输出值，其中，里程计校准模型为根据第一数据和第二数据训练得到的神经网络模型，第一数据为里程计模块推算得到的车辆在第一路点的数据，第二数据为RTK系统测量得到的车辆在第二路点的数据，其中，第二路点为在第一距离上第一路点的下一个路点；

处理单元1202，还用于根据输出值对里程航迹进行校准。

另一种可能的实施方式中，通信单元1201，具体用于：

里程航迹包括第三路点的第三数据和在第四路点的第四数据，第四路点为在第二距离上第三路点的下一个路点。

另一种可能的实施方式中，处理单元1202，具体用于：

将第三数据输入到训练好的里程计校准模型中，得到第四路点对应的预测数据。

根据第四路点对应的预测数据对里程航迹中的第四路点的第四数据进行校准。

另一种可能的实施方式中，通信单元1201，具体用于获取车辆在行驶过程中的第一数据和第二数据，第一数据为里程计模块推算得到的车辆在第一路点的数据，第二数据为RTK系统测量得到的车辆在第二路点的数据，其中，第二路点为在第一距离上第一路点的下一个路点；

处理单元1202，具体用于根据第一数据和第二数据确定训练好的里程计校准模型，训练好的里程计校准模型用于校准里程计输出的航迹。

另一种可能的实施方式中，处理单元1202，具体用于：

将第一数据作为神经网络模型的输入值，将第二数据作为神经网络模型的输出值，对神经网络模型进行训练，得到训练后的里程计校准模型。

另一种可能的实施方式中，通信单元1201，具体用于：

处理单元1202，还用于基于车辆的单车模型确定第一数据和第二数据之间的第一关系；

根据第一关系从里程计模块获取第一数据；

根据第一关系从RTK系统获取第二数据。

需要说明的是，在本申请实施例中，各个单元的具体实现及技术效果还可以对应参照图3和图4中所示的方法实施例的相应描述。

请参见图13，图13是本申请实施例提供的一种计算设备的结构示意图。如图13所示，计算设备130可包括：一个或多个处理器1301、一个或多个存储器1302以及一个或多个通信接口1303。这些部件可通过总线1304或者其他方式连接，图13以通过总线1304连接为例。其中：

通信接口1303可用于计算设备130与其他通信设备，例如其他计算设备，进行通信。具体的，通信接口1303可以是有线接口。

存储器1302可以和处理器1301通过总线1304或者输入输出端口耦合，存储器1302也可以与处理器1301集成在一起。存储器1302用于存储各种软件程序和/或多组指令或者数据。具体的，存储器1302可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器1302可包括高速随机存取的存储器，并且也可包括非易失性存储器，例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。存储器1302可以存储操作系统(下述简称系统)，例如uCOS、VxWorks、RTLinux等嵌入式操作系统。存储器1302还可以存储网络通信程序，该网络通信程序可用于与一个或多个附加设备，一个或多个用户设备，一个或多个终端进行通信。存储器1302可以是独立存在，通过总线1304与处理器1301相连接。存储器1302也可以和处理器1301集成在一起。

其中，存储器1302用于存储执行以上方案的应用程序代码，并由处理器1301来控制执行。处理器1301用于执行存储器1302中存储的应用程序代码。

处理器1301可以是中央处理器单元，通用处理器，数字信号处理器，专用集成电路，现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器1301也可以是实现确定功能的组合，例如包含一个或多个微处理器组合，数字信号处理器和微处理器的组合等等。

本申请实施例中，处理器1301可用于读取和执行计算机可读指令。具体的，处理器1301可用于调用存储于存储器1302中的程序，用于执行以下操作：

通信接口1303获取车辆在行驶过程中的里程航迹；

将里程航迹输入到训练好的里程计校准模型中，得到输出值，其中，里程计校准模型为根据第一数据和第二数据训练得到的神经网络模型，第一数据为里程计模块推算得到的车辆在第一路点的数据，第二数据为RTK系统测量得到的车辆在第二路点的数据，其中，第二路点为在第一距离上第一路点的下一个路点；

根据输出值对里程航迹进行校准。

在一种可能的实施方式中，处理器1301具体用于：

里程航迹包括第三路点的第三数据和在第四路点的第四数据，第四路点为在第二距离上第三路点的下一个路点。将第三数据输入到训练好的里程计校准模型中，得到第四路点对应的预测数据。

在一种可能的实施方式中，处理器1301具体用于：

获取车辆在行驶过程中的第一数据和第二数据，第一数据为里程计模块推算得到的车辆在第一路点的数据，第二数据为RTK系统测量得到的车辆在第二路点的数据，其中，第二路点为在第一距离上第一路点的下一个路点；

根据第一数据和第二数据确定训练好的里程计校准模型，训练好的里程计校准模型用于校准里程计输出的航迹。

在一种可能的实施方式中，处理器1301具体用于：

基于车辆的单车模型确定第一数据和第二数据之间的第一关系；

根据第一关系从里程计模块获取第一数据；

根据第一关系从RTK系统获取第二数据。

本申请还提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在至少一个处理器上运行时，实现前述的里程计校准方法，例如图3的方法。以及实现前述的里程计校准模型的训练方法，例如图4的方法。

本申请还提供了一种计算机程序产品，该计算机程序产品包括计算机指令，在被计算设备执行时，实现前述的里程计校准方法，例如图3的方法。以及实现前述的里程计校准模型的训练方法，例如图4的方法。

本申请实施例中，“举例来说”或者“比如”等词用于表示作例子、例证或说明。本申请中被描述为“举例来说”或者“比如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“举例来说”或者“比如”等词旨在以具体方式呈现相关概念。

本申请中实施例提到的“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a、b、或c中的至少一项(个)，可以表示：a、b、c、(a和b)、(a和c)、(b和c)、或(a和b和c)，其中a、b、c可以是单个，也可以是多个。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A、同时存在A和B、单独存在B这三种情况，其中A、B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。

以及，除非有相反的说明，本申请实施例使用“第一”、“第二”等序数词是用于对多个对象进行区分，不用于限定多个对象的顺序、时序、优先级或者重要程度。例如，第一设备和第二设备，只是为了便于描述，而并不是表示这第一设备和第二设备的结构、重要程度等的不同，在某些实施例中，第一设备和第二设备还可以是同样的设备。

上述实施例中所用，根据上下文，术语“当……时”可以被解释为意思是“如果……”或“在……后”或“响应于确定……”或“响应于检测到……”。以上仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的构思和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims

1.一种里程计校准方法，其特征在于，所述方法包括：

获取车辆在行驶过程中的里程航迹；

根据所述输出值对所述里程航迹进行校准。

2.根据权利要求1所述的方法，其特征在于，所述里程航迹包括在第三路点的第三数据和在第四路点的第四数据，所述第四路点为在第二距离上所述第三路点的下一个路点，所述将所述里程航迹输入到训练好的里程计校准模型中，得到输出值，包括：

将所述第三数据输入到所述训练好的里程计校准模型中，得到所述第四路点对应的预测数据。

3.根据权利要求2所述的方法，其特征在于，所述根据所述输出值对所述里程航迹进行校准，包括：

4.一种里程计校准模型的训练方法，其特征在于，所述方法包括：

5.根据权利要求4所述的方法，其特征在于，所述根据所述第一数据和所述第二数据确定训练好的里程计校准模型，包括：

6.根据权利要求4或5所述的方法，其特征在于，所述获取车辆在行驶过程中的第一数据和第二数据，包括：

根据所述第一关系从所述里程计模块获取所述第一数据；

根据所述第一关系从所述RTK系统获取所述第二数据。

7.一种里程计校准系统，其特征在于，包括车辆和RTK系统，其中，

8.根据权利要求7所述的系统，其特征在于，

所述车辆，还用于获取行驶过程中的里程航迹；

所述车辆，还用于将所述里程航迹输入到训练好的里程计校准模型中，得到输出值；

所述车辆，还用于根据所述输出值对所述里程航迹进行校准。

9.一种计算装置，其特征在于，所述装置包括：

通信单元，用于获取车辆在行驶过程中的里程航迹；

10.一种计算装置，其特征在于，所述装置包括：

11.一种车辆，其特征在于，包括如权利要求9和权利要求10所述的计算装置、里程计模块和RTK接收机。

12.一种计算设备，其特征在于，包括处理器和存储器，所述存储器中存储有程序，所述程序包括用于执行如权利要求1-6任一项所述的方法的指令。

13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括用于执行如权利要求1-6任一项所述的方法中的指令。