本发明涉及导航技术领域，尤其涉及一种基于视觉和高精度地图车道线约束的组合导航方法。
背景技术：
高精度高可靠的定位定姿算法是车载移动测绘、自动驾驶行业发展的基础。目前基于全球卫星导航系统(gnss)/惯性导航系统(ins)的组合导航算法由于其融合gnss高精度长期定位性能和ins高精度短期定位性能的优势及能够提供连续的高精度定位定姿结果的特点得到广泛应用。
由于ins系统器件误差会随时间发散，gnss/ins组合导航中需要依赖高精度gnss定位结果估计ins器件误差并补偿，从而抑制ins误差发散。然而，由于车载条件尤其是在城市环境中gnss信号很容易受到干扰或是遮挡，如果gnss信号长期不可用(如在高架桥或隧道中)，ins误差发散得不到有效的估计和补偿，定位定姿结果误差大大增加，无法满足车载移动测绘和自动驾驶的应用需求。
基于视觉辅助的组合导航算法能够一定程度上提高城市环境组合导航算法的可用性，然而由于常规视觉辅助算法中需要布设标志或识别大量的特征点，算法复杂度高且易受到环境光等测试环境的影响，在应用过程中受到限制。
技术实现要素：
本申请实施例通过提供一种基于视觉和高精度地图车道线约束的组合导航方法，解决了现有技术中城市环境下gnss易受到干扰和遮挡从而造成车载组合导航算法可用性低的问题。
本申请实施例提供一种基于视觉和高精度地图车道线约束的组合导航方法，包括以下步骤：
步骤1、通过gnss/ins组合导航定位获得载体的概略位置及精度评定指标；
步骤2、通过视觉辅助识别车道线、确定载体所在车道；
步骤3、结合高精度地图形成载体位置区域约束方程，辅助组合导航滤波解算。
优选的，所述步骤1中，在gnss信号受到干扰的情况下，通过gnss定位解算获得所述载体的概略位置及位置方差，将所述位置方差作为所述精度评定指标；
在gnss信号完全不可用的情况下，通过ins滤波递推获得所述载体的概略位置及滤波方差，将所述滤波方差作为所述精度评定指标。
优选的，所述gnss信号受到干扰的情况包括载波跟踪正常的情况和载波失锁的情况；
在所述载波跟踪正常的情况下，通过精密定位算法解算载体的浮点解；所述精密定位算法包括实时载波差分定位模式、精密单点定位模式；
在所述载波失锁的情况下，通过伪距定位算法解算标准定位解；所述伪距定位算法包括实时伪距差分定位模式、标准单点定位模式。
优选的，所述步骤2中，所述通过视觉辅助识别车道线采用图形特征法和模型匹配法结合的识别方案，所述识别方案包括:
通过相机采集路面图像，利用车道线与周围路况的图像特征的差异，初步识别车道线；
根据车道线的结构化特征，建立车道线模型，识别车道线模型参数；结合所述车道线模型参数和所述初步识别车道线，剔除识别误差点，填补车道线的结构误差区域，检核识别的车道线。
优选的，所述车道线模型包括直线、双曲线、样条曲线车道线模型。
优选的，检核识别车道线之后，识别出车道数，并根据所述载体与各车道线的相对位置关系，确定所述载体所在的车道及所述载体两侧的车道线范围。
优选的，所述步骤3中，所述结合高精度地图形成载体位置区域约束方程，辅助组合导航滤波解算包括：
通过高精度地图获得所述载体所在车道两侧车道线的坐标序列；
通过拟合所述坐标序列建立所述载体所在车道两侧车道线的数学模型；
根据所述数学模型建立载体位置约束不等式；
结合所述载体的概略位置及所述精度评定指标，建立误差模型，得到误差方程式；
联立所述载体位置约束不等式和所述误差方程式，采用积极集法进行卡尔曼滤波更新，得到定位定资结果。
优选的，所述载体所在车道两侧车道线的数学模型为：
式中：
优选的，所述载体位置约束不等式为：
所述载体位置约束不等式描述载体所在车道平面区域范围。
优选的，所述误差方程式为：
式中：
e、f分别表示定位误差的极大值与极小值，为误差椭圆长短半轴长度，
θ表示长半轴与
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
在本申请实施例中，利用视觉辅助识别车道线，结合高精度地图提供的车道线坐标序列，形成载体位置区域约束方程，从而辅助组合导航滤波解算，优化算法性能和可用性。由于在车载应用中，车道线是天然存在的可识别标志，且车道线的识别算法相对而言复杂度大大降低，且随着高精度地图的快速发展，车道线也有高精度的位置坐标，因此利用载体的概略位置及其精度评定指标和视觉识别的车道线，结合高精度地图提供的高精度车道线坐标序列，可以确定载体位置的可能分布区域，以该区域作为约束载体位置的边界条件，形成区域约束方程，辅助组合导航滤波算法更新，约束ins误差发散，进而提高组合导航算法的性能。采用本发明提供的组合导航方法不仅能够提高城市环境组合导航算法的可用性，而且是以一种较简单和不易受环境影响的方法满足车载移动测绘和自动驾驶的应用需求。
附图说明
为了更清楚地说明本实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为未增加车道线约束、采用本发明实施例提供的基于视觉和高精度地图车道线约束后的误差范围对比示意图；
图2为本发明实施例提供的一种基于视觉和高精度地图车道线约束的组合导航方法的流程图。
具体实施方式
本申请实施例通过提供一种基于视觉和高精度地图车道线约束的组合导航方法，解决了现有技术中城市环境下gnss易受到干扰和遮挡从而造成车载组合导航算法可用性低的问题。
本申请实施例的技术方案为解决上述技术问题，总体思路如下：
一种基于视觉和高精度地图车道线约束的组合导航方法，包括以下步骤：
步骤1、通过gnss/ins组合导航定位获得载体的概略位置及精度评定指标；
步骤2、通过视觉辅助识别车道线、确定载体所在车道；
步骤3、结合高精度地图形成载体位置区域约束方程，辅助组合导航滤波解算。
本发明利用视觉辅助识别车道线，结合高精度地图提供的车道线坐标序列，形成载体位置区域约束方程，从而辅助组合导航滤波解算，优化算法性能和可用性。由于在车载应用中，车道线是天然存在的可识别标志，且车道线的识别算法相对而言复杂度大大降低，且随着高精度地图的快速发展，车道线也有高精度的位置坐标，因此利用载体的概略位置及其精度评定指标和视觉识别的车道线，结合高精度地图提供的高精度车道线坐标序列，可以确定载体位置的可能分布区域，以该区域作为约束载体位置的边界条件，形成区域约束方程，辅助组合导航滤波算法更新，约束ins误差发散，进而提高组合导航算法的性能。采用本发明提供的组合导航方法不仅能够提高城市环境组合导航算法的可用性，而且是以一种较简单和不易受环境影响的方法满足车载移动测绘和自动驾驶的应用需求。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本实施例提供了一种基于视觉和高精度地图车道线约束的组合导航方法，主要包括以下三个步骤：
步骤1，gnss/ins组合导航定位确定载体的概略位置及其精度。
步骤1.1，gnss信号受到干扰时，载波相位模糊度难以固定，可利用gnss载波相位浮点解甚至载波跟踪异常时伪距定位结果作为载体位置概略值，其验后位置方差作为精度评定指标。
步骤1.2，gnss信号完全不可用条件下，利用ins滤波预测，推算其概略位置，滤波方差作为精度评定指标。
步骤2，视觉辅助识别车道线及载体所在车道确定。
步骤2.1，使用相机采集路面图像，利用车道线与周围路况的纹理、灰度、对比度等图像特征的差异，提取车道线。
步骤2.2，利用车道线的结构化特征，建立车道线模型如直线模型、双曲线模型、样条曲线模型等，通过建立参数模型并与2.1提取的车道线结合，进一步优化并检核识别的车道线。
步骤2.3，根据提取识别的车道线与载体的相对关系，判断载体所在的车道位置。
步骤3，载体位置区域约束并辅助滤波更新。
步骤3.1，根据载体概略位置结合高精度地图数据，提取载体概略位置，可通过视觉摄像头识别的车道线数据，确定车道线及车道线间的平面区域范围。
步骤3.2，结合载体概略位置及其精度评定指标，确定载体位置平面区域范围。
步骤3.3，载体所在车道平面区域与载体位置平面区域相交，重叠区域为约束后的载体位置平面区域，并根据该约束后的平面区域建立载体平面位置的区域约束方程，转化为组合导航滤波的观测方程。如图1所示，图中误差椭圆(误差椭圆涉及多个车道)为未增加车道线约束的误差范围，而通过车道线识别和高精度地图数据，可以将误差范围缩小至阴影区域内(区域范围涉及一个车道)。
步骤3.4，组合导航滤波更新，得到优化的组合导航定位定姿结果。
为了更清楚的解释本发明的方案，下面结合附图对方案进行说明。具体的，如图2所示，本实施例提供的一种基于视觉和高精度地图车道线约束的组合导航方法包括以下步骤：
第一步，gnss/ins组合导航定位确定载体的概略位置及其精度。
1.1在gnss信号干扰情况下，利用固定在载体上的gnss接收机及天线采集gnss观测数据，在载波跟踪正常时，通过精密定位算法解算载体的浮点解；在载波失锁时采用伪距定位算法解算标准定位解。精密定位算法可采用实时载波差分定位(real-timekinematic)模式定位或精密单点定位(precisepointpositioning)模式；伪距定位算法可采用实时伪距差分定位(real-timedifferential)或标准单点定位(standardpointpositioning)模式，采用卡尔曼滤波算法获取概略位置及其位置方差评定其位置精度。
1.2gnss不可用条件下，需要使用ins进行滤波推算，采用卡尔曼滤波算法，在没有gnss观测更新时通过卡尔曼滤波预测递推得到载体位置及其位置方差评定其位置精度。
gnss/ins组合导航算法包括但不限于rtk/ins、ppp/ins、rtd/ins、spp/ins(其中，rtk为实时载波相位差分、ppp为精密单点定位、rtd为实时伪距差分、spp为标准单点定位)松组合定位算法。
第二步，视觉辅助识别车道线及载体所在车道确定。
2.1通过安装在载体上的相机拍摄得到的载体周围的地面区域图像，经过筛选和图像拼接及调光、调色等预处理后，利用车道线的纹理、灰度、对比度的图像特征，设置合理阈值，初步识别车道线。
2.2由于初步车道线识别方法易收光照、遮挡、车道线中断等外界因素的影响，需要进一步根据车道线的结构化特征，通过建立如直线、双曲线、样条曲线等车道线模型，通过识别车道线模型参数，结合初步识别的车道线，剔除识别误差点，填补车道线中断等结构误差区域，检核、纠正并完善识别的车道线。
2.3结合识别的车道线，识别车道数，并根据载体与与各车道线的相对位置关系，确定载体所在的车道及两侧的车道线范围。
第三步，载体位置区域约束并辅助滤波更新。
3.1根据载体的概略位置和已经确定的载体所在车道，结合高精度地图，获得载体所在车道两侧的车道线数据，确定车道线及各车道的平面区域范围，为了便于模型化，需要建立数学模型的形式描述载体所在车道左(右)车道线直线或曲线的数学表达式，可通过高精度地图提供的车道线坐标序列拟合得到其直线或曲线数学表达式描述如下：
式中：
载体所在车道平面区域范围如附图所示，可用如下不等式表示：
3.2结合载体概略位置及其精度评定指标，确定载体位置平面区域范围，考虑到定位误差的各向异性，通过误差椭圆描述载体平面位置范围，同样地，通过概略定位结果及其方差建立误差椭圆的数学方程。
式中：
e、f分别表示定位误差的极大值与极小值，为误差椭圆长短半轴长度，
θ表示长半轴与
3.3结合3.1、3.2确定的载体位置区域，联合式(2)、式(3)，以不等式约束条件作为卡尔曼滤波中新的观测方程。
在gnss/ins组合中原有的观测方程为gnss卫星观测方程，属于gnss/ins组合导航常规技术和业内广为认知的技术，在此不再详述。
3.4由于新增的观测方程为不等式，采用基于积极集法的不等数约束的卡尔曼滤波更新算法，通过迭代每个可行点的方法求解滤波结果的最优解，利用泰勒级数需要进行线性化处理，最终可以得到最优的滤波定位定姿结果。
本发明根据载体所在车道两侧的车道线范围，约束载体的平面位置，形成区域约束方程约束组合导航滤波更新，优化ins误差估计与补偿，抑制ins误差发散，从而实现连续高精度高可靠的定位定姿。
本发明具有如下优点：(1)使用方便，利用相机进行视觉辅助，成本低；(2)作业效率高，实时性能好，数据采集自动化；(3)能够显著提高城市环境下组合导航性能的可用性、可靠性和精度，提高车载导航、车载移动测绘、自动驾驶的行业的应用范围和作业效率。
本发明实施例提供的一种基于视觉和高精度地图车道线约束的组合导航方法至少包括如下技术效果：
在本申请实施例中，利用视觉辅助识别车道线，结合高精度地图提供的车道线坐标序列，形成载体位置区域约束方程，从而辅助组合导航滤波解算，优化算法性能和可用性。由于在车载应用中，车道线是天然存在的可识别标志，且车道线的识别算法相对而言复杂度大大降低，且随着高精度地图的快速发展，车道线也有高精度的位置坐标，因此利用载体的概略位置及其精度评定指标和视觉识别的车道线，结合高精度地图提供的高精度车道线坐标序列，可以确定载体位置的可能分布区域，以该区域作为约束载体位置的边界条件，形成区域约束方程，辅助组合导航滤波算法更新，约束ins误差发散，进而提高组合导航算法的性能。采用本发明提供的组合导航方法不仅能够提高城市环境组合导航算法的可用性，而且是以一种较简单和不易受环境影响的方法满足车载移动测绘和自动驾驶的应用需求。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。