一种用于无人驾驶的道路级全局环境地图生成方法与流程

技术特征：

1.一种用于无人驾驶的道路级全局环境地图生成方法，其特征在于，包括以下步骤：

S1、获取无人驾驶汽车当前数据，在无人驾驶汽车运动过程中持续进行定位和拍摄图像，根据每帧图像定位的坐标(x^h,y^h)绘制出无人驾驶汽车的运动轨迹，得到全局经验地图；

S2、计算无人驾驶汽车当前运动状态，通过比较捕捉到的前后两张图片中特定区域的扫描强度分布来获取所述无人驾驶汽车的速度和旋转角度信息，所述位置坐标(x^h,y^h)和所述角度θ^h构成无人驾驶汽车当前的位姿P^h＝(x^h,y^h,θ^h)；

S3、提取图像特征矩阵，根据无人驾驶汽车行驶环境的特点选择颜色特征、纹理特征、形状特征和空间关系特征中的一种或多种特征来构成图像特征矩阵；

S4、筛选相似视觉模板和添加新视觉模板，从图像特征矩阵中筛选出具有环境代表性的图像特征矩阵作为视觉模板，每采集一帧图像后，判断当前帧的图像特征矩阵Fh是否要作为新的视觉模板或为当前帧确定对应的视觉模板；

所述筛选相似视觉模板的分步骤如下：

S401、记视觉模板集合F＝{F1,F2,…}，其中FK表示第K个视觉模板，k＝1,2,…，K，K表示当前视觉模板集合中的模板数量；计算当前帧的图像特征矩阵Fh与视觉模板集合F中各个视觉模板Fk的相似度，选择相似度最大的视觉模板将其对应的图像序号记为R；

S402、判断匹配系数,分别计算出当前帧图像与第R帧图像之间的匹配系d,d＝min f(s,I^h,I^R)

比较匹配系数d和预设阈值dmax，如果d＞dmax，将Fh作为第K+1个视觉模板添加到视觉模板集合，当前帧图像的视觉模板F^h＝Fh，否则，将视觉模板也就是与当前帧相似度最大的视觉模板，作为当前帧图像对应的视觉模板

S5、经验点匹配，根据无人驾驶汽车当前对应的位姿P^h和视觉模板F^h与当前已存在的每个经验点ei的位姿Pⁱ与视觉模板Fⁱ进行比较，求得匹配值Sⁱ，所述ei＝{Pⁱ,Fⁱ,pⁱ}，i＝1,2,L,Q，Q表示当前已有经验点数量，具体计算公式如下：

Sⁱ＝μP|Pⁱ-P^h|+μF|Fⁱ-F^h|

其中，μP和μF分别是位姿信息和视觉特征的权值；

当Q个Sⁱ均大于预设阈值Smax时，根据当前无人驾驶汽车当前对应的位姿信息P^h和视觉模板F^h生成新经验点；

当Q个Sⁱ均小于预设阈值Smax时，选择Sⁱ最小的经验点作为匹配经验点；

S6、车道线检测，拍摄每帧图像的同时，采用摄像头和激光雷达采集360度视角范围内的车道信息，检测得到当前帧图像对应的所有车道线的特征点集；

S7、车道线与全局经验地图融合，融合车道线检测结果和生成的全局经验地图，得到无人驾驶的道路级全局环境地图。

2.根据权利要求1所述的一种用于无人驾驶的道路级全局环境地图生成方法，其特征在于：所述的步骤S2中无人驾驶汽车当前的位姿P^h＝(x^h,y^h,θ^h)计算公式如下：

第h帧图像与第h-1帧图像在不同宽度s下的光照强度差值f(s,I^h,I^h-1)为：

其中，w是图片宽度，s是进行强度分布比较的宽度，和分别表示图片中第ξ+max(s,0)像素列的强度值；

无人驾驶汽车当前的角度θ^h＝θ^h-1+Δθ^h，旋转角度增量Δθ^h＝σ·sm，σ为增量参数，sm是强度分布比较的宽度即sm＝arg min f(s,I^h,I^h-1)。

3.根据权利要求1所述的一种用于无人驾驶的道路级全局环境地图生成方法，其特征在于：所述步骤S4中图像特征矩阵Fh和视觉模板Fk的相似度采用以下方式计算：

计算当前帧图像与视觉模板Fk所对应图像之间的光照强度差值f(s,I^h,I^k)中的最小值，作为相似度D(h,k)，即D(h,k)＝min f(s,I^h,I^h-1)，D(h,k)越小，相似度越大。

4.根据权利要求1所述的一种用于无人驾驶的道路级全局环境地图生成方法，其特征在于：所述的步骤S6中车道线检测，具体包括以下分步骤：

S601、基于图像的车道线特征点识别，根据摄像头拍摄到的360视角的路面图像进行车道线识别，得到每根车道线的特征点集；

S602、坐标变换，根据各个特征点在路面图像中的坐标和激光雷达所获得的该特征点的距离，将特征点变换到无人驾驶汽车的车辆坐标系下；

S603、判断最近车道线，在车辆坐标系下，计算每根车道线的特征点集的所有的点到无人驾驶汽车坐标的平均距离，选择车辆左、右两侧平均距离最小的车道线分别作为左侧最近车道线和右侧最近车道线，并根据特征点坐标判断得到车辆左侧的车道线数量WL和右侧的车道线数量WR；

S604、最近车道线拟合，根据左侧最近车道线和右侧最近车道线的特征点集，拟合得到左侧最近车道线和右侧最近车道线；

S605、获取车道线参数，搜索得到经过无人驾驶汽车从左侧最近车道线到右侧最近车道线的最短线段，取其长度作为车道宽度ρ，ρ＝ρL+ρR，ρL为无人驾驶汽车距离左侧最近车道线的最短距离，ρR为无人驾驶汽车距离右侧最近车道线的最短距离。