一种面向无人车导航的环境矢量地图自动构建方法技术

本发明专利技术公开了一种面向无人车导航的环境矢量地图自动构建方法，能够自动生成无人驾驶车道级高精度地图，包括以下要点：该方法主要采用激光雷达、IMU和RTK

【技术实现步骤摘要】
一种面向无人车导航的环境矢量地图自动构建方法


[0001]本专利技术属于无人驾驶高精度地图
，具体为一种面向无人车导航的环境矢量地图自动构建方法。

技术介绍

[0002]感知是无人驾驶的重要前提，低级别的无人驾驶感知以传感器数据为主，在恶劣天气或有遮挡的情况下传感器的感知能力不足，无法保障无人车的安全自主行驶，车道级高精度地图可为无人车提供先验的路径和导航决策信息，车道级高精度地图已成为高级别无人驾驶的必备条件，将成为无人车感知模块的主要数据源。
[0003]环境矢量地图是车道级高精度地图的一种，它能够精细化描述车道及各交通要素之间的关联关系，其中，道路层路网和车道层路网是环境矢量地图的核心组成部分。当前，国内外L4级别自动驾驶仍处于研究阶段，缺少车道级高精度地图是限制高级别无人驾驶技术发展的重要原因。在无人驾驶高精度地图模型方面，目前没有一个完整且普遍适用的地图模型，正在向着分层、高精细化方向发展。在无人驾驶高精度地图制作方面，当下主要有录制行车轨迹的车道级地图制作方法和基于软件的人工标注地图制作方法，录制行车轨迹的车道级地图制作方法通过录制行车轨迹组成道路网络，路口处的通行网络在录制时已经被固定，因此路口通行网络不够灵活和完善，并且需要录制多条车道轨迹，采集任务量大。基于人工标注的地图制作方法精度低，不适用于大场景地图标注。

技术实现思路

[0004]针对录制行车轨迹地图制作法操作繁琐，不能构建完善的路网，人工标注地图制作法精度低、不适合大场景地图标注的不足，本专利技术提出了一种面向无人车导航的环境矢量地图自动构建方法，进一步提升无人驾驶车道级高精度的精度。
[0005]本专利技术是通过以下技术方案实现的：
[0006]包括以下步骤：
[0007]步骤一：获取激光雷达、惯性测量单元、RTK
‑
GPS卫星定位/激光定位三种传感器原始数据并进行数据预处理；
[0008]步骤二：利用采集的激光雷达和惯性测量单元的数据，采用SC
‑
LEGO
‑
LOAM建立障碍物点云地图；
[0009]步骤三：采用基于高精度定位的横向车道扩展法，得到路段的道路中心线、道路边界线、车道中心线、车道边界线和路段驶入驶出节点；
[0010]步骤四：采用DBSCAN路口聚类算法对路段驶入驶出节点进行聚类，使得在空间上同属于一个路口的驶入驶出节点属于一个路口簇，进而构建路口交通矩阵；
[0011]步骤五：在路口内采用基于Dubins曲线的路口轨迹生成方法生成路口行驶轨迹；
[0012]步骤六：构建道路层路网和车道层路网，并对环境矢量地图进行保存。
[0013]1、步骤一中，RTK
‑
GPS得到是WGS
‑
84坐标系下的经纬高数据，数据预处理需要将
RTK
‑
GPS卫星定位与NDT激光定位统一到同一直角坐标系下，将RTK
‑
GPS转到直角坐标系下的步骤包括以下四步：
[0014]S1：将WGS
‑
84坐标系下的定位结果(lon,lat,alt)转换为ECEF坐标(x
ECEF
,y
ECEF
,z
ECEF
)，转换关系如式1所示，a为地球半径，e为离心率。
[0015][0016]S2：设定ECEF的坐标原点。设定初始时刻的ENU坐标为ENU坐标系下的坐标原点(0，0，0)，对应的ECEF坐标为ECEF的参照坐标点。
[0017]O
ECEF
＝(x0,y0,z0)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0018]S3：空间中任意一点P
ECEF
＝(x,y,z)对应的ENU直角坐标为P
ENU
，得到的P
ENU
坐标作为步骤二的高精度定位信息。
[0019][0020]是ECEF坐标系转换到ENU坐标系的位姿变换矩阵，由初始时刻车辆的姿态角roll、pitch、yaw决定，计算关系如下：
[0021][0022]2、步骤三中，基于高精度定位的横向车道扩展法的具体过程包括：
[0023]S1：获取道路中心线或一条车道中心线的高精度定位数据。让数据采集车沿着道路中心线或任意一条车道的中心线行驶，接收RTK
‑
GPS或NDT激光定位，即可获取道路或车道中心线的空间位置信息。
[0024]S2：计算位于采集车位置左侧且垂直于道路通行方向的参考点C，且与采集车轨迹相距一个车道宽度。A、B是行车轨迹上相距较近的两个点，O位于A、B中间,则参考点C点满足式5：
[0025][0026]S3：计算道路横向(CO直线)上的所有车道形状控制点。在标准道路上，相同通行方向上的车道互相平行，且间距相同，因此已知点C和点O，依据定比分原理可计算CO方向上的所有车道控制点。
[0027]3、步骤四中，采用DBSCAN路口聚类算法对路段的驶入驶出节点进行聚类具体包括：
[0028]S1：设置算法参数，采用DBSCAN算法对空间中的所有驶入驶出节点进行聚类，组建路口簇。
[0029]S2：建立路口簇的数学模型，构建道路级路口交通矩阵和车道级路口交通矩阵，用交通矩阵描述路口内各驶入驶出节点间的通行关系。
[0030]4、步骤五中，采用基于Dubins曲线的路口行驶轨迹生成方法生成的路口行驶轨迹满足车辆的最小转弯半径和驶入驶出节点的航向要求，具体步骤如下：
[0031]S1：提取路口的驶入驶出节点，驶入驶出节点包含空间位置坐标和航向，分别为s(x
i
,y
i
,α
i
)、g(x
g
,y
g
,β
g
)，采用如下步骤S2
‑
S5生成路口行驶轨迹。
[0032]S2：对驶入驶出节点进行坐标变换，新的坐标为s(0,0,α)、g(d,0,β)
[0033][0034]S3:分别计算LSL、RSR、LSR、RSL四种类型曲线的θ、t、p、q参数，计算方法如公式7、8、9、10所示：
[0035][0036][0037][0038][0039]S4:计算四种类型曲线的总长度length＝t+p+q，选取length最小的曲线类型作为目标轨迹的曲线类型Γ；
[0040]S5:遍历Γ上的点i，分段将路径点压入路径序列中，L、R、S段的轨迹点的位姿计算分别如公式11、12、13所示：
[0041]x+＝sin(phi+v)
‑
sinphi,y+＝
‑
cos(phi+v)+cosphi,yaw＝phi+v
ꢀꢀꢀꢀꢀꢀꢀ
(11)
[0042]x+＝
‑
sin(phi
...

【技术保护点】

【技术特征摘要】
1.一种面向无人车导航的环境矢量地图自动构建方法，其特征在于，包含以下步骤：步骤一、获取激光雷达、惯性测量单元、RTK
‑
GPS卫星定位/激光定位三种传感器原始数据并进行数据预处理；步骤二、利用采集的激光雷达和惯性测量单元的数据，采用SC
‑
LEGO
‑
LOAM建立障碍物点云地图；步骤三、采用基于高精度定位的横向车道扩展法，得到路段的道路中心线、道路边界线、车道中心线、车道边界线和路段驶入驶出节点；步骤四、采用DBSCAN路口聚类算法对路段驶入驶出节点进行聚类，使得在空间上同属于一个路口的驶入驶出节点属于一个路口簇，进而构建路口交通矩阵；步骤五、在路口内采用基于Dubins曲线的路口轨迹生成方法生成路口行驶轨迹；步骤六、构建道路层路网和车道层路网，并对环境矢量地图进行保存。2.如权利要求1所述的一种面向无人车导航的环境矢量地图自动构建方法，其特征在于，所述步骤一中，数据预处理需要将RTK
‑
GPS卫星定位结果与NDT激光定位结果统一到同一直角坐标系下，将RTK
‑
GPS转到直角坐标系下的步骤包括以下四步：S1：将WGS
‑
84坐标系下的定位结果(lon,lat,alt)转换为ECEF坐标(x
ECEF
,y
ECEF
,z
ECEF
)，转换关系如式1所示，a为地球半径，e为离心率：S2：设定ECEF的坐标原点，设定初始时刻的ENU坐标为ENU坐标系下的坐标原点(0，0，0)，对应的ECEF坐标为ECEF的参照坐标点：O
ECEF
＝(x0,y0,z0)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)S3：空间中任意一点P
ECEF
＝(x,y,z)对应的ENU直角坐标为P
ENU
，得到的P
ENU
坐标作为步骤二的高精度定位输入：二的高精度定位输入：是ECEF坐标系转换到ENU坐标系的位姿变换矩阵，由初始时刻车辆的姿态角roll、pitch、yaw决定，计算关系如下：。3.如权利要求1所述的一种面向无人车导航的环境矢量地图自动构建方法，其特征在于，所述步骤三中，基于高精度定位的横向扩展法的具体过程包括：S1：获取道路中心线或一条车道中心线的高精度定位数据，让数据采集车沿着道路中心线或任意一条车道的中心线行驶，接收RTK
‑
GPS或NDT激光定位，即可获取道路或车道中
心线的空间位置信息；S2：计算位于采集车位置左侧且垂直于道路通行方向的参考点C，与采集车行驶轨迹相距一个车道宽度，A、B是行车轨迹上相距较近的两个点，O位于A、B中间,则参考点C点满足式5：S3：...

【专利技术属性】
技术研发人员：李健，马志坚，刘峰，梁玮，邸慧军，刘舒怡，郭菲，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：