当前位置:主页 > 科技论文 > 交通工程论文 >

高精度导航地图数据道路曲率估计方法研究

发布时间:2020-06-06 17:02
【摘要】:在信息时代的今天,无人驾驶技术和驾驶辅助技术正在日益受到业界人士的关注,为了更好地解决驾驶者在驾驶过程中的导航问题同时体验更好、更舒适的驾驶感觉,使得驾驶者的双手得到解放。无人驾驶汽车能够在道路上安全的行驶,无不依靠更高精度的导航电子地图的参与,特别是车道级别的导航地图数据库的建立在其中扮演着绝对重要的角色。车道级别的要素信息需要获取的前期数据包括道路形状,车道的曲率、坡度、航向、高程以及侧倾等主要数据。根据道路设计安全理念,为了车辆的行驶安全,道路的线形设计几乎都是以曲线为主,而每条曲线的曲率都是不同的,特别是在智能驾驶高精度导航电子地图表达中更要对车辆进行实时提醒,所以,道路曲率的准确性在道路属性数据中起到至关重要的作用,这直接关系到自动驾驶车辆能否在道路上安全行驶。高精度导航电子地图的高精度,一方面意味着高精度导航地图的绝对坐标的精度较普通电子地图的精度更高,图上坐标精度即是指地图上的物体与外界真实世界之间的精确性;另一方面,高精度导航地图的属性信息中包含了更多、更丰富和更详细的道路交通信息元素。本文在研究高精度导航地图的发展现状以及道路曲率估计方法的基础上,根据本文所采用实验数据的特点,提出了一种基于GNSS数据计算道路曲率的“迭代圆曲率估计算法”。首先,对每条路段的原始数据曲线拟合进行预处理,以等间距内插的方式生成拟合曲线的折线,然后将生成的折线利用立体投影的方法投影到单位球上,再根据最小二乘法则,在单位球上寻找数据点的最佳拟合平面,以及拟合平面与单位球的相交圆,相交圆立体投影到赤道面就可以得到相应的圆弧和曲线,识别得到的曲线按圆心角的大小分类为:无曲线、简单曲线、复合曲线、逆曲线和螺旋曲线等五种类型,通过识别结果证明利用本文提出的最小拟合圆算法所提取的道路边线具有准确性且保证了边界点精度。本文在道路曲率精度验证方面主要分为两个步骤。第一步是曲线库构建,将GNSS-RTK采集的道路边线数据进行处理后,利用识别的五种曲线进行曲线数据库的建立,以备后面精度验证之用。第二步是曲线精度验证,将点云数据拟合后内插得到的曲线节点坐标数据导入系统,自动进行数据的检测和曲线曲率值对比验证,最终得出验证结果,直接导出保存进行后续的数据分析。本文的主要考核数据为道路边线的曲率估计值,对两种数据进行精度验证以及数据分析看出,同一曲线段曲率值的差值最大值为8.99×10~(-3),最小值为5.7×10~(-6),差值均方根为3.38×10~(-3),平均值差值的相对精度为1/442,该精度达到预期设想。通过与点云数据提取的道路边线曲率进行对比,结果表明该方法整体完成较好,实现了在提高运算效率的同时又保证了成果精度的预期目标。
【图文】:

图像投影,三维点云,近景


图 3-2 近景图像投影到三维点云Fig. 3-2 Close-range image projection to 3D point cloud.3.2 区域生长区域增长分割的主要目的是将点云数据划分为若干有意义的区域。这种方法检查种子点的邻域区域,并确定是否将邻域添加到该区域。如果相邻点云属于该区域,们的邻域也会被重复检查,直到没有更多数据添加为止。在一个区域完成区域生长后一个区域再次扩大并带有另一个种子点。这个过程一直运行直到没有更多的数据保域增长算法易于实现并且适用于同时使用多个准则。此外,从当前位置检查可达区是合适的。点云分割中,基于模型拟合方法的替代方法是区域增长算法[40]。Besl 和 Jain 在 19提出来的方法包含两个阶段:第一步,基于平均值和每个点的高斯曲率及其符号化分割;第二步,使用基于变量二元曲面拟合生长的迭代区域对粗分割的结果进行细割。之后,其他人则采用这种方法多次进行三维点云的分割。例如,2002 年,Go用 TIN 三角形作为种子区域[41],根据相邻三角形之间的角度和距离为特征值来进行生长分割,基于此,种子区域用来生长其他三角形达到分割目的。2005 年,Tóv

区域生长,邻域,像素,片段


图 3-3 该区域向四邻域发展Fig.3-3 The region growing toward four neighborhood复持续检查四个邻域中未标记的像素,并且具有区域生长标准的满黑色粗体边界是中点八个相邻的估计法向量。准中的特征类型及其组合对于增强分段结果至关重要。对差和梯度被用来考虑扫描车辆可以从中心点到达的地方。如估计一个点上的局部表面的法向矢量,所述法向矢量被分配差值i ,jdn 由两个法向量的内积得出;下标 i 表示当前点索引,j 表示两个相邻点之间的相关性。梯度i ,jg 表示两点之间的差除以两个连续点之间的距离。光雷达的特点,,与传感器的距离越近,由于传感器噪声量较矢量噪声。因此,导出的特征值通过平均滤波器被平滑,并thresd 内的高度差i ,jdh 交替。区域生长准则由 S 形函数的归一, ,,i j i j thresi jdh if d df ≤ =
【学位授予单位】:北京建筑大学
【学位级别】:硕士
【学位授予年份】:2018
【分类号】:U463.67;U495

【参考文献】

相关期刊论文 前10条

1 马浩;王留召;;基于车载激光点云的道路边线自动分类与提取[J];测绘科学;2014年06期

2 李明辉;田雪冬;胡维强;;基于车载三维激光扫描的道路线提取研究[J];测绘与空间地理信息;2014年04期

3 方莉娜;杨必胜;;车载激光扫描数据的结构化道路自动提取方法[J];测绘学报;2013年02期

4 王果;崔希民;袁德宝;张强;王立鸿;;车载激光点云领域比较的道路边线提取方法[J];测绘通报;2012年09期

5 贾立山;罗剑;李世其;;基于车道线直线模型的道路曲率估计方法[J];江苏大学学报(自然科学版);2012年04期

6 彭志;李传荣;周梅;;基于最小二乘曲线拟合法的点云滤波算法研究[J];遥感信息;2011年05期

7 王志钢;;中国导航电子地图行业的发展现状和前景[J];数字通信世界;2011年02期

8 刘丹;宋伟东;;基于边界点云数据的3次B样条曲线拟合[J];交通科技与经济;2009年06期

9 唐力明;丁华祥;朱紫阳;;应用车载DGPS数据计算道路线形参数[J];测绘科学技术学报;2008年05期

10 冯晓;李敏;杨佳;张明;;不同类型缓和曲线的正算与反算的通用算法[J];测绘通报;2008年06期

相关硕士学位论文 前5条

1 蔡尚书;车载激光点云地面滤波与道路识别方法研究[D];山东科技大学;2017年

2 李强;无人驾驶车辆的行道线检测方法研究[D];南京理工大学;2017年

3 张莉婷;基于出租车GPS轨迹的导航道路数据更新[D];昆明理工大学;2014年

4 丁宇虹;导航电子地图中道路网增量缩编更新信息的提取[D];首都师范大学;2013年

5 刘丹;基于点云数据的曲线拟合[D];辽宁工程技术大学;2009年



本文编号:2699990

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/2699990.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户b1bdd***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com