侵权投诉
订阅
纠错
加入自媒体

简述自动驾驶的行车定位技术

2018-06-19 11:31
智车科技IV
关注

根据车载传感器检测到的广告牌、红绿灯、墙上的标志、地上的标志(停止线、箭头等),与高精地图提供的同一道路特征(POI)进行匹配,进而修正纵向定位和航向。在没有检测到任何道路特征的情况下,可以通过航位推算进行短时间的位置推算。

无人车的定位算法通常采用粒子滤波的方法,需要多个计算周期后,定位结果才会收敛,进而提供一个相对稳定的定位结果。粒子滤波的算法原理我会在随后的系列文章中介绍。

2、图像增强型定位。通常是将Lidar和视觉系统结合进行定位。 这种方法需要预先准备一幅激光雷达制造的3D地图,用Ground-Plane Sufficient得到一个2D的纯地面模型地图,用OpenGL将单目视觉图像与这个2D的纯地面模型地图经过坐标变换, 用归一化互信息(normalizedmutual information)配准。然后用扩展卡尔曼滤波器(EKF)来实现定位。

3、是用激光雷达的强度扫描图像。激光雷达有两种最基本的成像方式,一是3D距离成像,可以近似地理解为点云;二是强度扫描成像,激光经物体反射,根据反射强度值的不同,可以得到一副强度成像图像。强度值是包括在点云里的,光强分离核心技术之一。这种定位方法需要预先制作一个特殊的SLAM系统,称之为位姿图像SLAM(Pose-GraphSLAM),勉强可看作激光雷达制造的高清地图。有三个约束因素,一是扫描匹配约束,二是里程计约束,三是GPS先验约束。激光雷达的3D云点地图抽出强度值和真实地面(Ground Plane),转化为2D的地面强度扫描图像。与位姿图像SLAM配对后即可定位。

另外还可用高斯混合地图进行定位,即在遇到恶劣环境,比如很厚的积雪,雪后还有残雪的泥泞的道路,缺乏纹理的老旧的被破坏的道路,用高斯混合模型来做定位,提高激光雷达定位的鲁棒性。

4、Mobileye提出的REM。REM是一种无需SLAM的定位方法,但显然只是视觉SLAM的变种而已,Mobileye通过采集包括交通信号、方向指示牌、长方形指示牌、路灯及反光标等「地标」,得到一个简单的 3D 坐标数据;再通过识别车道线信息,路沿,隔离带等获取丰富的 1D 数据。把简单的 3D 数据和丰富的 1D 的数据加起来,大小也不过是 10Kb/km,摄像头的图像与这种REM地图中匹配即可定位。Mobileye这种设计毫无疑问是成本最低的,但前提是至少有上千万辆车配备REM系统,能够自动搜集数据并上传到云端,有些路段或者说非道路地区,没有装载REM系统的车走过,就无法定位。

不过这种方法让人有以下几点存疑:

在全球范围内让装载REM系统的车走遍每一寸土地是不可能的。这可能牵涉到隐私问题,也牵涉到数据版权问题,这些数据的版权究竟归谁,是车主还是车企还是云端的服务商,还是Mobileye?这个问题很难说清。

同时REM的数据要及时更新,几乎要做到准实时状态,同时光线对数据影响明显,REM要滤除那些不合适的数据,所以维持这份地图的有效性需要非常庞大的数据量和运算量,谁来维护这个庞大的运算体系?

最致命的一点,REM是基于视觉的,只能在天气晴好,光线变化幅度小的情况下使用,这大大限制了其实用范围,而激光雷达可满足95%的路况。

以上只是一般常见的定位方法,当然,具体的定位手段有多种,多个传感器可根据定位方法进行随意组合。融合方案的定位精度会优于单一传感器,一个传感器在某种环境失效,补充传感器能顶上。例如市面上常见的一些多传感器融合的定位手段有:

1. 自动驾驶 GPS+IMU+里程计

GPS 给出的全局锚定,可以消除累计误差问题,不过它的更新频率低,并且信号容易被遮挡。 IMU和轮盘里程计更新频率高,不过有累计误差问题,最容易想到的是收到GPS定位,使用GPS位置信息,误差就是GPS的精度,在下一次收到GPS定位间隔中,使用IMU(角度累加)和里程计(位移累加)进行位姿累加,中间的位姿误差是初值GPS定位误差和中间累加误差的积累。

改进的方法是使用非线性卡尔曼滤波,在收到GPS位置信息的时候,要结合IMU和里程计的积累预测值和GPS观测值,算出一个误差收敛的更优的位置估算值。

2. 自动驾驶 GPS+ 多线雷达+高精地图匹配

GPS 给出全局锚定,中间使用雷达SLAM 前端里程计做累加,可以配合高精地图的图匹配,做类似后端回环优化的方式,将GPS、激光雷达及已知地图进行融合定位。

3. 自动驾驶多对双目视觉摄像头SLAM方案

这种方案成本低,更加考究的是算法,有很少的自动驾驶公司宣称自己主攻纯视觉方案,现在不是主流。

4. 单线雷达+IMU+里程计融合

满足室内定位的要求,个人理解可以分为浅融合和深融合。浅融合使用IMU+里程计的累加值作为推算雷达里程计的初值,在这个初值基础上进行连续帧的扫描匹配,会大大加速匹配速度。深融合会结合IMU和里程计的值作为约束条件,应用到后端回环约束矫正中。

5. 深度摄像头+ IMU 融合

目前在手机的VR应用中已经初见端倪,如苹果公司的IphoneX以及Google 已经发布一段时间的Tango项目。深度视觉SLAM 与 IMU 进行深浅融合,达到一个比较不错的VR体验。

无人驾驶对可靠性和安全性要求非常高,除了GPS与惯性传感器外,我们通常还会使用LiDAR点云与高精地图匹配,以及视觉里程计算法等定位方法,让各种定位法互相纠正以达到更精准的效果。相信随着自动驾驶技术的发展,未来的定位技术也不会不断优化。

<上一页  1  2  
声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

智能汽车网 猎头职位 更多
文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号