基于超局部子图的自动驾驶车辆扫描匹配和雷达姿态估计器制造技术

一种用于确定自动驾驶车辆的最终雷达姿态的扫描匹配和雷达姿态估计器，包括自动驾驶控制器，其被指示来基于预定数量的连续聚合的过滤后数据点云扫描及相关联的姿态估计确定超局部子图。自动驾驶控制器通过基于迭代最近点(ICP)对齐算法将最新聚合的过滤后数据点云扫描与最近超局部子图对齐的方式，来确定初始估计姿态。自动驾驶控制器基于最近超局部子图和邻近雷达点云扫描确定姿态图，并且执行多视图非线性ICP算法来以移动窗口方式调整与邻近雷达点云扫描相对应的初始估计姿态，以确定局部调整姿态。部调整姿态。部调整姿态。

【技术实现步骤摘要】
基于超局部子图的自动驾驶车辆扫描匹配和雷达姿态估计器


[0001]本公开涉及一种
‑
基于超局部子图用于自动驾驶车辆的扫描匹配和雷达姿态估计器的系统和方法，其中，超本地子图基于预定数量的连续聚合过滤数据点云扫描及其最新的相关姿势估计。

技术介绍

[0002]自动驾驶车辆可以使用各种车载技术和传感器，在有限的人为干预或没有人为干预的情况下，从起始点驾驶至预定目的地。自动驾驶车辆包括各种自主传感器，诸如，但不限于，摄像机、雷达、激光雷达、全球定位系统(GPS)和用于探测车辆外部环境和状况的惯性测量单元(IMU)。然而，当自动驾驶车辆进行维修时，或驾驶时发生意外、或经过明显路面凹坑或障碍时，如果摄像机或雷达从其支架上移开，则摄像机或雷达传感器需要重新校准，这是一个手动且通常很麻烦的过程。此外，如果自动驾驶车辆经历车轮定位，则摄像机和雷达也需要重新校准。这是因为车辆的车轮确定行驶方向，这影响了摄像机和雷达瞄准。
[0003]毫米波(mmWave)雷达是一种自动驾驶车辆可以使用的特定技术。例如，毫米波雷达可以用于预警前方碰撞和后方碰撞，以执行自适应式巡航控制和自动泊车，以及在街道和公路上进行自动驾驶。应当认识到，相对于其他传感器系统，毫米波雷达的优势在于它可以在大多数天气和光暗条件下工作。毫米波雷达可以测量移动物体的距离、角度和多普勒(径向速度)。可以根据基于各种聚类和跟踪算法的毫米波雷达采集的数据，确定雷达点云(可以用于确定物体的位置、速度和轨迹)。然而，基于毫米波雷达采集的数据的雷达点云，尤其是低成本的基于信号片上系统(SoC)的毫米波雷达，可能会过于嘈杂和稀疏，而不能用于动态校准目的需要的鲁棒和准确的姿态估计。
[0004]因此，虽然当前用于自动驾驶车辆的雷达姿态估计方法达到了其预期目的，但是在本领域内仍存需要一种改进车辆雷达姿态估计的方法。

技术实现思路

[0005]根据几个方面，公开了一种用于确定自动驾驶车辆最终雷达姿态的扫描匹配和雷达姿态估计器。扫描匹配和雷达姿态估计器包括自动驾驶控制器，其被指示来基于预定数量的连续聚合的过滤后数据点云扫描及相关联的姿态估计确定超局部子图。预定数量的连续聚合的过滤后数据点云扫描是基于由安装在自动驾驶车辆上的单独雷达传感器采集的数据来确定的聚合的过滤后数据点云扫描的。自动驾驶控制器被指示来基于迭代最近点(ICP)对齐算法将最新聚合的过滤后数据点云扫描与最近超局部子图对齐，以确定初始估计姿态。自动驾驶控制器被指示来基于最近超局部子图和邻近雷达点云扫描确定姿态图。自动驾驶控制器被指示来执行多视图非线性ICP算法，以移动窗口方式调整与邻近雷达点云扫描相对应的初始估计姿态，以确定局部调整姿态。局部调整姿态是最终雷达姿态。
[0006]在一个方面中，自动驾驶控制器执行指示，以执行环路检测算法，来检测到自动驾驶车辆当前位于先前访问的位置，其中，当自动驾驶车辆当前正在先前访问的位置上时，检
测环路。
[0007]在另一个方面中，响应于检测环路，自动驾驶控制器被指示来执行非线性优化例程，以对环路闭合姿态图进行全局姿态调整，来确定环路调整的雷达姿态，并且将环路调整的雷达姿态设置为最终雷达姿态。
[0008]在又一方面中，最近超局部子图是固定约束，并且邻近雷达点云扫描相对于彼此以及相对于最近超局部子图进行调整。
[0009]在一个方面中，在每个邻近雷达点云扫描之间确定边缘约束。
[0010]在另一个方面中，在邻近雷达点云扫描中的每一个与最近超局部子图之间确定边缘约束。
[0011]在又一方面中，自动驾驶控制器通过调整ICP对齐算法的最大距离阈值参数来确定初始估计姿态，以确定聚合的过滤后数据点云扫描与位于最近超局部子图上的点之间的对应关系。
[0012]在一个方面中，预定数量的聚合的过滤后数据点云扫描和相关联的姿态估计取决于单个雷达传感器的采样速率。
[0013]在另一个方面中，使用初始估计姿态来替代相关联的姿态估计以确定超局部子图，相关联的姿态估计是基于预定数量的聚合的过滤后数据点云扫描的。
[0014]在又一方面中，使用局部调整姿态来替代相关联的姿态估计以确定超局部子图，相关联的姿态估计是基于预定数量的聚合的过滤后数据点云扫描的。
[0015]在一个方面中，自动驾驶控制器被指示通过确定表示聚合的过滤后数据点云扫描相关联的最后两个连续姿态估计之间的相对运动的相对变换，基于与聚合的过滤后数据点云扫描相关联的最后两个连续姿态估计之间的时间差将最后两个连续姿态估计之间的相对移动的相对变换转换为速度，以及基于最后一个姿态估计与当前姿态估计之间的时间差将相对变换从速度转换为位置，来确定预测姿态。最后一个姿态估计与当前姿态估计之间的位置上的区别就是预测姿态。
[0016]在一个方面中，提供了一种用于确定自动驾驶车辆的最终雷达姿态的方法。方法包括基于预定数量的连续聚合的过滤后数据点云扫描及相关联的姿态估计来确定超局部子图。预定数量的连续聚合的过滤后数据点云扫描是基于一个聚合的过滤后数据点云扫描的，并且基于由安装在自动驾驶车辆上的单独雷达传感器采集的数据来确定该聚合的过滤后数据点云扫描。方法包括通过基于ICP对齐算法将最新聚合的过滤后数据点云扫描与最近超局部子图对齐的方式，来确定初始估计姿态。方法还包括基于最近超局部子图和邻近雷达点云扫描确定姿态图。最后，方法还包括执行多视图非线性ICP算法，以移动窗口方式调整与邻近雷达点云扫描相对应的初始估计姿态，以确定局部调整姿态，其中，局部调整姿态是最终雷达姿态。
[0017]在另一个方面中，方法包括执行环路检测算法，以检测到自动驾驶车辆当前位于先前访问的位置，其中，当自动驾驶车辆当前正在先前访问的位置上时，检测环路。
[0018]在又一方面中，响应于检测环路，方法包括执行非线性优化例程，以对环路闭合姿态图进行全局姿态调整，来确定环路调整的雷达姿态，并且将环路调整的雷达姿态设置为最终雷达姿态。
[0019]在一个方面中，方法包括确定每个邻近雷达点扫描之间的边缘约束。
[0020]在另一个方面中，方法包括在邻近雷达点云扫描中的每一个与最近超局部子图之间确定边缘约束。
[0021]在又一方面中，方法包括通过调整ICP对齐算法的最大距离阈值参数来确定初始估计姿态，以确定聚合的过滤后数据点云扫描与位于最近超局部子图上的点之间的对应关系。
[0022]在一个方面中，方法包括使用初始估计姿态来替代相关联的姿态估计以确定超局部子图，相关联的姿态估计是基于预定数量的聚合的过滤后数据点云扫描。
[0023]在一个方面中，方法包括使用初始估计姿态来替代相关联的姿态估计以确定超局部子图，相关联的姿态估计是基于预定数量的聚合的过滤后数据点云扫描的。
[0024]在另一个方面中，公开了一种用于确定自动驾驶车辆最终雷达姿态的扫描匹配和雷达姿态估计器。扫描匹配和雷达姿态估计器包括自动驾驶控制器，其被指示来基于预定数量的连续聚合的过滤后数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于自动驾驶车辆的扫描聚合器和过滤器，所述扫描聚合器和过滤器包括：安装在自动驾驶车辆上的多个雷达传感器，其中，每个单独雷达传感器都执行周围环境的多个单独扫描，以获得包括多个检测点的雷达点云形式的数据；以及自动驾驶控制器，所述自动驾驶控制器与所述多个雷达传感器电子通信，其中，所述自动驾驶控制器被指示以：过滤所述单独扫描中的每一个以定义感兴趣的空间区域；过滤所述单独扫描中的每一个以基于第一异常值
‑
鲁棒模型估计算法移除表示移动物体的所述雷达点云的检测点；基于运动补偿聚合技术将预定数量的单独扫描聚合在一起，以生成聚合数据扫描；以及应用多个基于密度的聚类算法以过滤所述聚合数据扫描，来确定过滤后聚合数据扫描。2.根据权利要求1所述的扫描聚合器和过滤器，其中，所述自动驾驶控制器执行指令以：基于雷达截面积值过滤所述单独扫描中的每一个，其中，表示阈值尺寸的目标物体的上述雷达点云的多个监测点被保留。3.根据权利要求1所述的扫描聚合器和过滤器，其中，所述自动驾驶控制器执行指令以：基于第二异常值
‑
...

【专利技术属性】
技术研发人员：K，
申请(专利权)人：通用汽车环球科技运作有限责任公司，
类型：发明
国别省市：