一种无人驾驶汽车自主定位与地图构建的方法及系统技术方案

本发明专利技术公开了发明专利技术一种无人驾驶汽车自主定位与地图构建的方法及系统，利用SLAM的技术，将多种传感器数据进行融合，采用新型的算法结构，构建稳定有效的框架。利用粒子滤波器优化三维激光雷达的数据，将三维激光雷达的数据转换成视觉模型，利用词袋模型进行闭环检测，对无人驾驶汽车进行稳定有效的自主定位与地图构建，提高运算效率和运行速度，应用到无人驾驶汽车系统上，进行大规模应用。

Method and system for autonomous positioning and map building of unmanned vehicle

The invention discloses a method and system for unmanned vehicle self localization and map building, the use of SLAM technology, the multi-sensor data fusion algorithm, the structure of the new framework, stable and effective. The optimization of 3D laser radar particle filter data, converting 3D lidar data into visual model, closed loop detection using a bag of words model of driverless cars, self positioning and map building stable and effective, improve the operation efficiency and speed, is applied to the driving system of unmanned vehicle, large-scale application.

【技术实现步骤摘要】
一种无人驾驶汽车自主定位与地图构建的方法及系统
本专利技术涉及机器人及控制领域，尤其涉及一种无人驾驶汽车自主定位与地图构建的方法。
技术介绍
近年来，互联网技术的迅速发展给汽车制造工业带来了革命性变化的机会。与此同时，汽车智能化技术正逐步得到广泛应用，这项技术简化了汽车的驾驶操作并提高了行驶安全性。而其中最典型也是最热门的未来应用就是无人驾驶汽车。在人工智能技术的加持下，无人驾驶高速发展，正在改变人类的出行方式，进而会大规模改变相关行业格局。对于行驶在未知区域中的无人驾驶汽车而言，由于楼宇、树木遮挡等原因，汽车常处于无信号或弱信号的状态，无法提供有效定位；在环境恶劣的地方，因天气等原因GPS或北斗导航系统信号微弱，无法对无人驾驶汽车进行有效的定位。为此，无人驾驶汽车必须具有自主定位与地图构建的能力。通过实时的自主定位与地图构建，获取周围环境信息，确定无人驾驶汽车所处的位置，为路径规划提供重要的依据。在机器人领域，同时定位与地图构建(simultaneouslocalizationandmapping，SLAM)技术能够对机器人进行实时定位与地图构建，是当今的主要研究对象。然而如今的无人驾驶汽车大多仍存在于辅助驾驶阶段，缺乏自主定位与地图构建的能力。同时较少的无人驾驶汽车采用单一传感器进行自主定位与地图构建，定位与地图构建精度较低，不能有效的将多种传感器进行融合，或者能够将多种传感器数据进行融合，但是不能够对无人驾驶汽车进行稳定有效的自主定位与地图构建，并且不能大规模普及。为此专利技术一种无人驾驶汽车自主定位与地图构建的方法，利用SLAM的技术，将多种传感器数据进行融合，采用新型的算法结构，构建稳定有效的框架，对无人驾驶汽车进行稳定有效的自主定位与地图构建，应用到无人驾驶汽车系统上，进行大规模应用。
技术实现思路
专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种无人驾驶汽车自主定位与地图构建的方法，利用无人驾驶汽车车轮里程计、IMU惯性测量单元、全景摄像头、三维激光雷达的数据，通过数据融合及优化，对无人驾驶汽车进行自主定位与地图构建。为实现上述目的，本专利技术采用的技术方案为：一种无人驾驶汽车自主定位与地图构建的方法，包括以下步骤：步骤一、初始化无人驾驶汽车的位姿为x0，无人驾驶汽车行驶的轨迹为X1:t＝{x1,x2...xt}，校正无人驾驶汽车车轮里程计、IMU惯性测量单元、全景摄像头、三维激光雷达的时间，使无人驾驶汽车车轮里程计、IMU惯性测量单元、全景摄像头、三维激光雷达的数据保持时间一致性；步骤二、采集无人驾驶汽车车轮里程计数据U1:t＝{u1,u2...ut}，IMU惯性测量单元的数据I1:t＝{i1,i2...it}，全景摄像头的数据C1:t＝{c1,c2...ct}，三维激光雷达的数据R1:t＝{r1,r2...rt}，汽车大脑通过全景摄像头和三维激光雷达的数据计算出无人驾驶汽车周围所有环境路标为L1:t＝{l1,l2...lt}；步骤三、利用评价函数F评价全景摄像头采集数据C1:t的复杂程度，根据评价指标选择fast、orb、surf、sift特征点的一种，进一步利用PCL库将数据C1:t转换成点云P1:t；步骤四、利用粒子滤波器去除三维激光雷达的数据R1:t异常值，与步骤三生成的点云数据P1:t、无人驾驶汽车车轮里程计数据U1:t＝{u1,u2...ut}，IMU惯性测量单元的数据I1:t＝{i1,i2...it}进行数据关联；步骤五、估计无人驾驶汽车轨迹和周围环境三维地图的后验概率P(X1:t，L1:t|C1:t，R1:t，U1:t，I1:t，x0)，进一步将函数转化成最小二乘法问题进行求解，得出无人驾驶汽车实时位姿xt’；步骤六、根据步骤五中的无人驾驶汽车实时位姿xt’，利用图优化的方法将步骤三中的点云和步骤四优化的三维激光雷达的数据R1:t实时构建无人驾驶汽车周围环境三维地图；步骤七、利用词袋模型进行闭环检测，进一步提高人驾驶汽车周围环境三维地图的精度。优选的是，在步骤三中的环境复杂评价函数，F＝G+H，G为环境的亮度函数，H为sift特征点数量函数，优选的是，在步骤四中，将三维激光雷达的数据的坐标系均转换为世界坐标系下的数据，根据时间戳进行数据关联；数据关联函数:优选的是，在步骤五中的最小二乘法问题中，具体采用g2o模块中Levenberg-Marqudart方法进行求解。优选的是，在步骤五中，转化后的公式为其中hi,j(Qi-Lj)为关联数据在路标平面图像上投影位置的函数。优选的是，在步骤六的无人驾驶汽车周围环境三维地图构建中，针对稀疏矩阵采用cholesky分解进行求解，提高运算速度。优选的是，在步骤七的的闭环检测中，将步骤四优化的三维激光雷达的数据R1:t转换成视觉模型，同样利用词袋模型进行闭环检测。一种无人驾驶汽车自主定位与地图构建的系统，该系统包括汽车大脑、车轮里程计、全景摄像头、IMU惯性测量单元和三维激光雷达；所述汽车大脑作为整个系统的核心部件，分别与车轮里程计、全景摄像头、IMU惯性测量单元和三维激光雷达相连；所述车轮里程计采集汽车行程数据；所述全景摄像头观测汽车周围视觉环境；所述IMU惯性测量单元采集测量汽车三轴姿态角以及加速度；所述三维激光雷达采集汽车周围环境的点云信息。本专利技术有益效果：本专利技术提供的一种无人驾驶汽车自主定位与地图构建的方法，利用SLAM的技术，将多种传感器数据进行融合，采用新型的算法结构，构建稳定有效的框架，对无人驾驶汽车进行稳定有效的自主定位与地图构建，应用到无人驾驶汽车系统上，进行大规模应用。附图说明图1为本专利技术的无人驾驶汽车自主定位与地图构建的方法示意图；图2为本专利技术的无人驾驶汽车自主定位与地图构建的系统框图；图3为本专利技术实现自主定位的图示；图4、图5分别为本专利技术实现地图构建的图示。具体实施方式下面结合附图对本专利技术作更进一步的说明。如图1，一种无人驾驶汽车自主定位与地图构建的方法，包括以下步骤：步骤一、初始化无人驾驶汽车的位姿为x0，无人驾驶汽车行驶的轨迹为X1:t＝{x1,x2...xt}，校正无人驾驶汽车车轮里程计、IMU惯性测量单元、全景摄像头、三维激光雷达的时间，使无人驾驶汽车车轮里程计、IMU惯性测量单元、全景摄像头、三维激光雷达的数据保持时间一致性；步骤二、采集无人驾驶汽车车轮里程计数据U1:t＝{u1,u2...ut}，IMU惯性测量单元的数据I1:t＝{i1,i2...it}，全景摄像头的数据C1:t＝{c1,c2...ct}，三维激光雷达的数据R1:t＝{r1,r2...rt}，汽车大脑通过全景摄像头和三维激光雷达的数据计算出无人驾驶汽车周围所有环境路标为L1:t＝{l1,l2...lt}；步骤三、利用评价函数F评价全景摄像头采集数据C1:t的复杂程度，根据评价指标选择fast、orb、surf、sift特征点的一种，进一步利用PCL库将数据C1:t转换成点云P1:t；PLC库是一个依赖的开源库，可以当成是一种软件。在步骤三中的环境复杂评价函数，F＝G+H，G为环境的亮度函数，H为sift特征点数量函数，步骤四、利用粒子滤波器去除三维激光雷达的数据R1:t异常值,与步骤三生成的点云数据P1:t、无人驾驶汽车车轮里程本文档来自技高网...

【技术保护点】
一种无人驾驶汽车自主定位与地图构建的方法，其特征在于，包括以下步骤：步骤一、初始化无人驾驶汽车的位姿为x0，无人驾驶汽车行驶的轨迹为X1:t＝{x1,x2...xt}，校正无人驾驶汽车车轮里程计、IMU惯性测量单元、全景摄像头、三维激光雷达的时间，使无人驾驶汽车车轮里程计、IMU惯性测量单元、全景摄像头、三维激光雷达的数据保持时间一致性；步骤二、采集无人驾驶汽车车轮里程计数据U1:t＝{u1,u2...ut}，IMU惯性测量单元的数据I1:t＝{i1,i2...it}，全景摄像头的数据C1:t＝{c1,c2...ct}，三维激光雷达的数据R1:t＝{r1,r2...rt}，汽车大脑通过全景摄像头和三维激光雷达的数据计算出无人驾驶汽车周围所有环境路标为L1:t＝{l1,l2...lt}；步骤三、利用评价函数F评价全景摄像头采集数据C1:t的复杂程度，根据评价指标选择fast、orb、surf、sift特征点的一种，进一步利用PCL库将数据C1:t转换成点云P1:t；步骤四、利用粒子滤波器去除三维激光雷达的数据R1:t异常值，与步骤三生成的点云数据P1:t、无人驾驶汽车车轮里程计数据U1:t＝{u1,u2...ut}，IMU惯性测量单元的数据I1:t＝{i1,i2...it}进行数据关联；步骤五、估计无人驾驶汽车轨迹和周围环境三维地图的后验概率P(X1:t，L1:t|C1:t，R1:t，U1:t，I1:t，x0)，进一步将函数转化成最小二乘法问题进行求解，得出无人驾驶汽车实时位姿xt’；步骤六、根据步骤五中的无人驾驶汽车实时位姿xt’，利用图优化的方法将步骤三中的点云和步骤四优化的三维激光雷达的数据R1:t实时构建无人驾驶汽车周围环境三维地图；步骤七、利用词袋模型进行闭环检测，进一步提高人驾驶汽车周围环境三维地图的精度。...

【技术特征摘要】
1.一种无人驾驶汽车自主定位与地图构建的方法，其特征在于，包括以下步骤：步骤一、初始化无人驾驶汽车的位姿为x0，无人驾驶汽车行驶的轨迹为X1:t＝{x1,x2...xt}，校正无人驾驶汽车车轮里程计、IMU惯性测量单元、全景摄像头、三维激光雷达的时间，使无人驾驶汽车车轮里程计、IMU惯性测量单元、全景摄像头、三维激光雷达的数据保持时间一致性；步骤二、采集无人驾驶汽车车轮里程计数据U1:t＝{u1,u2...ut}，IMU惯性测量单元的数据I1:t＝{i1,i2...it}，全景摄像头的数据C1:t＝{c1,c2...ct}，三维激光雷达的数据R1:t＝{r1,r2...rt}，汽车大脑通过全景摄像头和三维激光雷达的数据计算出无人驾驶汽车周围所有环境路标为L1:t＝{l1,l2...lt}；步骤三、利用评价函数F评价全景摄像头采集数据C1:t的复杂程度，根据评价指标选择fast、orb、surf、sift特征点的一种，进一步利用PCL库将数据C1:t转换成点云P1:t；步骤四、利用粒子滤波器去除三维激光雷达的数据R1:t异常值，与步骤三生成的点云数据P1:t、无人驾驶汽车车轮里程计数据U1:t＝{u1,u2...ut}，IMU惯性测量单元的数据I1:t＝{i1,i2...it}进行数据关联；步骤五、估计无人驾驶汽车轨迹和周围环境三维地图的后验概率P(X1:t，L1:t|C1:t，R1:t，U1:t，I1:t，x0)，进一步将函数转化成最小二乘法问题进行求解，得出无人驾驶汽车实时位姿xt’；步骤六、根据步骤五中的无人驾驶汽车实时位姿xt’，利用图优化的方法将步骤三中的点云和步骤四优化的三维激光雷达的数据R1:t实时构建无人驾驶汽车周围环境三维地图；步骤七、利用词袋模型进行闭环检测，进一步提高人驾驶汽车周围环境三维地图的精度。2.根据权利要求1所述的无人驾驶汽车自主定位与地图构建的方法，其特征在于：在步骤三中的环境复杂评价函数，F＝G+H，G为环境的亮度函数，H为sift特征点数量函数，3.根据权利要求1所述的无人驾驶汽车自主定位与...

【专利技术属性】
技术研发人员：陈常，李猛钢，张亚斌，马域人，汪雷，
申请(专利权)人：中北智杰科技北京有限公司，
类型：发明
国别省市：北京,11