一种基于多信息融合的无人驾驶车辆高精度定位方法与流程

文档序号:12444641阅读:467来源:国知局
一种基于多信息融合的无人驾驶车辆高精度定位方法与流程

本发明属于无人驾驶车辆技术领域,具体地涉及一种基于多信息融合的无人驾驶车辆高精度定位方法。



背景技术:

无人驾驶车辆是一种自动完成驾驶任务的智能汽车。它依靠车载传感器感知道路环境,采取合适的行驶策略,控制车辆安全可靠地到达目的地。无人驾驶车辆是计算机科学、模式识别和智能控制技术高度发展的产物,在国防和国民经济领域具有广阔的应用前景。

高精度定位是实现无人驾驶的必要条件。无人驾驶车辆利用高精度定位,再配合高精度地图,能够精确判断它所在的位置,熟悉车辆附近的道路交通环境,降低感知系统对环境检测的要求。高精度定位可以帮助决策系统实时规划行驶路径,选择合适的车道,处理各种交通状况,有效提高行驶质量,增强行车的安全性和智能性。

传统的定位通常由卫星定位系统(GPS、北斗等)加惯性导航系统(INS)组成。卫星定位信号在高楼林木遮挡的情况下容易受到干扰,导致信号质量下降。单独使用INS系统输出定位信息的话,误差会随着时间迅速增大。

公开号为CN104089619A的专利(申请号CN201410202876.4)提供了一种无人驾驶汽车的GPS导航地图精确匹配系统及其操作方法。该方法包括定位模块、地图模块和匹配模块,定位模块获取车辆的实时定位信息和路径轨迹信息,地图模块将信息制作成KML文本地图的地图解析模块和地图加载模块,匹配模块在行驶过程中利用定位模块和地图模块的信息实时为车辆匹配最佳路线。该专利利用KML地图与GPS实时测得的经纬度进行匹配,没有利用局部的道路环境特征,由于信息来源单一、地图和GPS信息存在偏差,该专利应用范围有限,定位精度不足。

采用多传感器信息融合的定位方案,可以将多种传感器组合在一起,无人驾驶车辆先接收卫星和惯导定位信号,实现粗定位,再配合环境感知系统,利用车载激光雷达、相机等传感器采集数据,构建场景的二维或三维地图,提取环境特征,借助地图特征匹配获得局部环境下的高精度定位。不同的传感器检测范围不一样,适应的环境有所差别。提供多个信息源,可以扩大检测范围,增加信息冗余度,有效增强了系统的鲁棒性和可靠性。



技术实现要素:

本发明的技术解决问题:克服现有技术的不足,提供一种基于多信息融合的无人驾驶车辆高精度定位方法,本发明能够结合多种信息融合的优点,在各种道路条件下都能够持续稳定进行高精度地图匹配和修正,快速获得高精度定位结果。

为了实现上述目的,本发明采用以下技术方案:

本发明提供一种基于多信息融合的无人驾驶车辆高精度定位方法,融合地图模块、相机处理模块和雷达处理模块提供的信息,通过车道线校正和边界校正使车辆在地图中的位置与它在环境中的真实位置相匹配。其中:

所述地图模块,根据实时定位信息绘制以车辆为中心、一定范围内的局部地图,供相机处理模块和雷达处理模块使用;

所述相机处理模块,使用相机采集车辆行驶过程中的路面原始数据,提取车道线,用于地图匹配和校正;

所述雷达处理模块,使用激光雷达采集车辆周围环境信息,提取道路边界,用于地图匹配和校正。

其中,相机处理模块在做地图匹配和校正之前对检测的车道线进行可用性评估,评估指标包括:车道夹角angle_camera、车头夹角angle_car和车道宽度差line_width,

angle_camera:表示实时检测的车道线与局部地图中车道线的夹角;

angle_car:表示实时检测的车头方向与局部地图中的车道线夹角;

line_width:表示实时检测的车道线与局部地图中车道线的宽度差。

其中,为车道线可用性评估指标设置阈值向量任一项指标超过阈值,则车道线不具备可用性,不能用于地图校正。

其中,雷达处理模块在做地图匹配和校正之前对检测的道路边界进行可用性评估,评估指标包括:角度angleDT、宽度widthDT和线形leftDDT、rightDDT,

angleDT:表示局部地图中道路的偏转角;

widthDT:表示道路平均宽度;

leftDDT、rightDDT:分别表示左、右边界的形状偏差,边界的线形采用二次曲线拟合。

其中,根据车道线检测失效次数和车辆与实际检测边界的距离,边界的可用性评估分为三个等级:普通、严格、无限制,分别对应不同的阈值向量

其中,计算检测距离,即车辆与通过评估的车道线或边界的距离,对应找到显示距离,即车辆在地图中与车道线或边界的距离,检测距离和显示距离不一定相等,两者的差值即为需要校正的局部地图的定位偏差,偏差校正公式:

Adjust_x+=offset*cos(rad);

Adjust_y+=offset*sin(rad); (1)

其中:

Adjust_x:表示地图在正东方向的偏差;

Adjust_y:表示地图在正北方向的偏差;

offset:表示车道线或边界偏差;

rad:表示地图偏转角;

cos:三角函数余弦函数;

sin:三角函数正弦函数;

Adjust_x和Adjust_y的校正结果被永久性保留,供下一次绘制局部地图时使用。

本发明与现有技术相比的优点在于:

现有技术存在的主要问题是定位信息来源单一,信息稳定性和可靠性不足,容易受到环境影响,无法满足无人驾驶车辆车道级别的定位需求。本发明的创新性在于,以多个设备作为数据来源,适应不同的环境,提取并融合多种道路信息,根据检测情况分等级设计地图匹配校正算法,实现高精度定位的目标。

(1)本发明利用包括组合定位系统、高精度地图、激光雷达、相机等多种设备作为数据来源,结合了多数据源提供的信息,能够快速提供车道级高精度定位,适用范围广泛。

(2)本发明根据道路信息检测的情况,分别设计不同的偏差校正阈值,在车道线或者边界部分检测失效的情况下,依旧能够持续稳定的提供高精度定位结果输出,提高了系统的鲁棒性和可靠性。

(3)本发明所设计的多模块信息融合方法既相互独立又相互联系。各模块分别负责相对独立的任务,仅在必要的时候进行相互之间的通讯,提高了系统的运行速度,保证了无人驾驶车辆对高精度定位的实时性要求。

附图说明

图1为本发明基于多信息融合的无人驾驶车辆高精度定位方法流程图;

图2为车道线校正算法流程图;

图3为边界校正算法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施步骤,并配合附图,对本发明进一步详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。

如图1所示,本发明基于多信息融合的高精度定位方法,包括以下步骤:

步骤1,从多数据源获取信息。包括:

1)地图模块,结合高精度地图和组合定位系统,提取车辆所在区域的局部地图。地图以栅格图表示,每个栅格表示20cm*20cm大小的地块。局部地图显示了车辆位置和道路信息,包括道路宽度、道路长度、道路形态、车道宽度、车道数量、车道类型等道路属性信息。

2)相机和雷达模块,基于车载相机和雷达设备,实时采集道路交通环境信息,提取出车道线和道路边界。车道线和边界检测采用业内已知的算法。

步骤2,对获得的车道线和道路边界进行可用性评估。

步骤3,在可用性评估通过之后,对照地图模块生成的局部地图,计算实际检测的车道线或边界与车辆的距离,与局部地图显示的结果做比较,得到定位偏差,校正之。

步骤4,保留校正结果,供下次绘制局部地图和校正使用。

对于步骤1,数据来源包括:

高精度地图,用于提取无人驾驶车辆行驶目标区域中道路的宽度、长度、形态,车道数量、宽度、类型等道路属性信息,以及每条道路中的白色实线、白色虚线、人行道、道路隔离带、直行箭头、左转箭头等路面标识信息。本实例采用自定义格式制作高精度地图;

激光雷达,用于检测道路边界。本实例采用Velodyne公司生产的HDL-64E高精度激光雷达,360度实时扫描道路环境,构建三维立体模型,然后从中提取出道路边界信息;

相机,用于检测车道线。本实施例中采用映美精公司生产的DFK 23G274工业相机,分辨率640*480,有效支持车道线检测算法,保证检测结果准确性和鲁棒性;

组合定位系统,用于提供车辆某一时刻的卫星定位信息。本实例采用NovAtel公司生产的组合导航定位系统SPAN-CPT,该产品是集成GPS+INS的紧耦合系统,可以连续稳定输出定位信息,支持局部地图的创建。

对于步骤2,包括车道线评估和道路边界评估:

车道线评估,包括三项指标:车道夹角angle_camera、车头夹角angle_car、车道宽度差line_width。angle_camera表示实时检测的车道线与局部地图中车道线的夹角,angle_car表示实时检测的车头方向与局部地图中的车道线夹角,line_width表示实时检测的车道线与局部地图中车道线的宽度差。

为车道线可用性评估指标设置阈值向量任一项指标超过阈值如angle_camera大于5,则车道线不具备可用性,不能用于地图校正。

道路边界采用二次曲线拟合,可用性评估指标包括角度angleDT、宽度widthDT和线形leftDDT、rightDDT。angleDT表示局部地图中道路的偏转角,widthDT表示道路平均宽度,leftDDT和rightDDT分别表示左边界、右边界形状偏差。

根据车道线检测失效次数和车辆与实际检测边界的距离,边界的可用性评估分为三个等级:普通、严格、无限制,分别对应不同的阈值。如果相机处理模块连续10个周期内没有检测到车道线,则进行严格评估,阈值向量否则进行普通评估,阈值向量在严格评估条件下,如果实际检测道路左边界或右边界到车辆的距离小于7,进行无限制评估。

对于步骤3,

计算检测距离,即车辆与通过评估的车道线或边界的距离,对应找到显示距离,即车辆在地图中与车道线或边界的距离。检测距离和显示距离不一定相等,两者的差值即为需要校正的局部地图的定位偏差。偏差校正方法是:如果车道线偏差小于等于阈值10,或者边界偏差大于等于阈值y,用上文公式(1)进行校正。校正结果被永久性保留,并在下一次绘制局部地图时使用。阈值y根据不同的评估等级,有不同的取值。无限制评估y=0,严格评估y=3,普通评估y=5。

地图模块、相机处理模块和雷达处理模块相互之间是并行关系,分别在三个线程中运行,它们之间通过公有数据存储空间通信。

图2是相机处理模块车道线校正算法的流程图,图3是雷达处理模块边界校正算法的流程图。

总之,本发明涉及一种基于多信息融合的无人驾驶车辆高精度定位方法,可以应用在无人驾驶车辆环境感知和智能决策中。本发明通过卫星定位获得车辆行驶区域的局部地图,利用激光雷达和相机在线检测道路边界和车道线,对获取的边界信息和车道线信息做可用性评估,确定可用后计算实际检测结果与地图显示结果的距离偏差。校正偏差得到新的局部地图,将校正后的局部地图通过网络发送给决策系统并保留校正结果,供下次校正使用。本方法充分利用了多信息融合的优点,满足了无人驾驶车辆对高精度定位的实时性和精度要求,系统具有鲁棒性,能有效适应环境的变化。

本发明未详细阐述部分属于本领域技术人员的公知技术。

以上内容是结合具体的实施方式对本发明进行的详细说明,但并不能认定本发明的具体实施只限于这些内容。在不脱离本发明的原理和精神的前提下,本领域技术人员可以对这些实施进行若干调整、修改,本发明的保护范围有所附权利要求及其等同内容限定。

当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1