智能车辆利用混合采样滤波进行精确定位的方法及系统技术方案

技术编号:20093674 阅读:23 留言:0更新日期:2019-01-15 12:44
本发明专利技术公开了一种智能车辆利用混合采样滤波进行精确定位的方法及系统,利用混合采样滤波,结合事先构建的高精度地图数据和激光雷达或相机采集的实时点云数据,实现车辆在无/弱卫星信号环境中的精确定位,可用于车辆的辅助驾驶和无人驾驶。采用一个新的概率定位框架,使用核密度估计的方法将随机采样一致性算法和粒子滤波/直方图滤波算法高效融合在一起,充分利用各自优势弥补对方的不足,然后使用基于高斯混合模型的概率栅格地图进行更加鲁棒、精确、快速的定位。

A Method and System for Accurate Location of Intelligent Vehicles Using Hybrid Sampling Filter

The invention discloses a method and system for precise positioning of Intelligent Vehicles by using mixed sampling filter, which combines the pre-built high-precision map data and real-time point cloud data collected by lidar or camera to realize precise positioning of vehicles in the environment without/weak satellite signals, and can be used for auxiliary driving and unmanned driving of vehicles. In this paper, a new probabilistic location framework is proposed, which combines random sampling consistency algorithm and particle filter/histogram filter algorithm by using kernel density estimation method, and makes full use of their respective advantages to make up for each other's shortcomings. Then, probabilistic raster map based on Gauss mixture model is used for more robust, accurate and fast location.

【技术实现步骤摘要】
智能车辆利用混合采样滤波进行精确定位的方法及系统
本专利技术属于智能驾驶
,尤其涉及一种智能车辆利用混合采样滤波进行精确定位的方法及系统。
技术介绍
智能驾驶技术涉及认知工程、车辆工程、电子电气工程、控制科学与工程、人工智能等诸多学科,智能车辆是衡量一个国家科研实力和工业水平的重要标志。无人驾驶车的出现,从根本上改变了传统的“人-车-路”闭环系统中的车辆驾驶方式,将驾驶员从疲劳驾驶中解放出来,利用先进的传感器以及信息技术控制车辆行驶,让驾驶活动中常规、持久、低级、重复的操作自动完成,能够极大地提高交通系统的效率和安全,提高人类移动生活的品质,具有广泛的社会应用价值。同时,智能驾驶技术的研究将极大地增强我国在汽车主动安全等方面的核心竞争力,对提升我国汽车电子产品和汽车产业自主创新能力具有重大的战略意义。智能车辆在车辆动力学的基础上,还包括环境感知、精确定位、信息融合、智能决策、车辆控制等部分。其中,定位技术是自动驾驶领域中的一项非常关键的基础性工作。基于全球导航卫星系统(GNSS)的定位精度只能达到10m左右,无法满足自动驾驶需求。基于载波相位差分(RTK)的卫星定位在信号良好的环境下可以保持厘米级的精度,但其信号极易受到周围高大物体的遮挡或产生多径效应,从而导致定位结果的波动和定位精度的下降。将RTK-GNSS与惯性测量单元(IMU)或里程计结合的组合定位技术可以在一定程度上改善该问题。但由于惯导和里程计均存在累积误差,因此在卫星定位长期不稳定或失效的环境下保持高精度的定位,则需要惯导有很高的精度,而这种成本是非常昂贵的。为了能够在比较低的成本范围内实现高精度的定位,目前主流的方法通常是使用LiDAR或视觉,结合事先构建的高精度地图,通过将实时数据与地图数据匹配的方法将定位精度控制在可用范围内。目前,基于视觉的成本要低于LiDAR,但其测距精度低,且易受光线的影响。相对而言,LiDAR的精度和可靠性都要优于视觉。激光雷达可以提供周围环境中的物体表面的三维位置信息和反射强度信息,二者均可以用来定位。基于反射率的定位使用路面上的标志和车道线等平面静态信息实现精确定位,这种方法的定位精度高,受车辆/行人等动态目标的影响小,但该方法应用场景比较有限。雨雪天气会导致路面标志变得模糊不清,从而影响定位精度;在非路口路段,路面缺乏纵向特征,纵向定位精度难以保证;而在乡村、越野等非结构化道路,路面可能完全没有道路标志信息,此时这种定位方法就会完全失效。基于高度信息的定位应用场景更加广泛,受天气影响小,且在结构化和非结构化道路均适用。但面临的一个关键问题是克服环境中的运动目标(行驶的车辆和行人),多变的静态目标(城市改造,停靠的车辆,植物枝叶的生长)以及由此产生的遮挡对LiDAR定位的影响。百度采用了将两种信息进行融合的定位,根据定位结果的置信度,自适应的调整两者的权重。但当地面标志被污染而周围环境又存在大量动态目标时,上述方法将很难得到稳定、精确的定位结构。LiDAR定位的核心问题就是实时数据与地图数据的配准问题,根据地图类型的不同可以分为点云地图的配准和栅格地图的配准。基于点云地图的配准常用于场景重建以及SLAM中,比较有代表性的两类方法有迭代最近点ICP和高斯分布变换NDT。很多研究人员对两类配准方法的发展做出了贡献,提出了一系列优秀的改进算法,如GICP,ML-NDT,IRON等,提高了算法的鲁棒性。基于这些方法的配准通常需要定义两帧点云配准的代价函数,并过计算函数梯度来迭代的最小化配准代价。由于梯度下降的性质,这些方法高度依赖于初始位置,并且受到局部极小值的影响。在初始误差较大,环境噪声较大的情况下容易陷入局部最优,往往无法达到理想的配准效果。因此,它们通常被作为局部的精确配准算法来使用,在此之前,通常需要进行粗配准来滤除噪点,并为精确配准提供比较理想的初始位置。基于随机采样一致性(RandomSampleConsensus,RANSAC)的方法是目前最为常用的粗配准方法之一,很多学者从特征提取和RANSAC算法本身进行了改进,四点匹配(4-PointCongruentSet,4PCS)及其改进算法利用满足仿射不变约束的共面四点进行RANSAC搜索,即使两帧点云的重合区域较小,初始位置偏差较大,依然能够得到良好的配准结果,取得了比较广泛的应用。但在无人驾驶面临的城市环境中,经常存在大量的动态目标,要使用随机抽样的方式同时找到四个静态目标点是非常困难的,算法效率会大打折扣。ML-RANSAC算法通过建立的sample-iteration-sample的多层架构解决高动态场景下的点云配准问题。本专利技术对该算法进行扩展,将其融入本专利技术基于栅格地图的概率定位框架中。在基于栅格地图的配准中,粒子滤波是移动机器人领域应用最为广泛的算法之一。该算法在处理先验分布非常复杂或未知的问题时具有非常优秀的性能,当粒子数充足且分布合理的情况下,即使搜索空间较大,依然能够有很大概率在多次迭代后找到最优解。随着迭代的进行,粒子会逐渐收敛,使得算法精度逐渐提升,但同时也损失了粒子的多样性,致使粒子贫化,算法鲁棒性下降,在大规模的高动态场景中,增大了陷入局部最优的风险。考虑到无人驾驶的应用场景,卫星定位系统通常可以将定位误差限制在几米的范围内,谷歌提出了直方图滤波(HistogramFilter,HF)算法。这种方法赋予了不必担心粒子在正确位置附近丢失的显著优点,也成为了近年来LiDAR定位的主流方法之一。直方图滤波和粒子滤波均存在搜索空间较大时效率低下的问题,在高维情况中,这种问题更加突出。针对该问题,百度首先采用Lucas-kanade(LK)算法确定车辆的航向,然后用直方图滤波来进行水平位置两个维度的定位,可以提高在大搜索空间中的定位效率,但LK算法在航向角偏差过大时容易失效。虽然在绝大多数情况下,卫星定位结果的误差都不会特别大,但依然存在一些比较极端的情况。例如,在隧道中,隧道的遮挡会导致卫星定位失效,而隧道纵向上的特征单一会导致LiDAR定位失效,只能通过航位推算进行相对定位,车辆在这种环境中行驶一定的距离和时间后,会产生较大的累积误差,此时如果车辆行驶到了一个隧道中的岔路口,就需要利用LiDAR和地图在较大的初始偏差下进行定位。此外,无人车也会遇到类似“绑架”的问题,比如在地下车库中开机,此时的初始位置误差通常是非常大的,有时可能会有上百米,而车辆的航向也是完成未知。这种情况下的定位也是自动驾驶需要解决的。
技术实现思路
本专利技术提供一种智能车辆利用混合采样滤波进行精确定位的方法及系统,利用混合采样滤波,结合事先构建的高精度地图数据和激光雷达或相机采集的实时点云数据,实现车辆在无/弱卫星信号环境中的精确定位,可用于车辆的辅助驾驶和无人驾驶。本专利技术为实现上述目的,采用以下技术方案:首先使用高斯混合模型构建概率栅格地图,然后采用一个新的概率定位框架,使用核密度估计的方法将基于随机采样一致性的方法和基于贝叶斯滤波的方法高效融合在一起,充分利用各自优势弥补对方的不足,进行更加鲁棒、精确、快速的定位。将随机采样一致性方法中的所有采样结果而不仅仅是内点比例最大结果进行核密度估计,并以此作为先验分布进行贝叶斯滤波的更新,然后将贝叶斯滤本文档来自技高网
...

【技术保护点】
1.一种智能车辆利用混合采样滤波进行精确定位的方法,其特征是:采用混合采样滤波,结合事先构建的高精度地图数据和雷达或相机采集的实时点云数据,实现车辆在无/弱卫星信号环境中的精确定位。

【技术特征摘要】
1.一种智能车辆利用混合采样滤波进行精确定位的方法,其特征是:采用混合采样滤波,结合事先构建的高精度地图数据和雷达或相机采集的实时点云数据,实现车辆在无/弱卫星信号环境中的精确定位。2.根据权利要求1所述的智能车辆利用混合采样滤波进行精确定位的方法,其特征是:所述混合采样滤波是一种采用核密度估计方法融合基于随机采样一致性方法和基于贝叶斯滤波方法的概率定位框架,将随机采样一致性方法中的所有采样结果而不仅仅是内点比例最大结果进行核密度估计,并以此作为先验分布进行贝叶斯滤波的更新,并将贝叶斯滤波的预测分布作为下一时刻新一轮随机采样的先验。3.根据权利要求1或2所述的智能车辆利用混合采样滤波进行精确定位的方法,其特征是:所述事先构建的高精度地图是将点云数据投影到二维栅格中,每个栅格包含了高度信息和反射率信息,两种信息均由高斯混合模型表示,高斯混合模型中的分量个数不小于1。4.根据权利要求1或2所述的智能车辆利用混合采样滤波进行精确定位的方法,其特征是:所述雷达或相机采集的实时点云数据是包括了从传感器直接解析得到的原始点云和经过算法处理提取的特征点云。5.一种智能车辆利用混合采样滤波进行精确定位的系统,其特征...

【专利技术属性】
技术研发人员:李明喜
申请(专利权)人:北京奥特贝睿科技有限公司
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1