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 ...
【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: ...
【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
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。