城市环境下无人车自主定位关键技术研究

发布时间：2018-12-17 19:23

【摘要】：连续、实时、准确的定位是无人驾驶汽车安全行驶的重要保障之一。但城市环境中存在一些被高层建筑、浓密树荫包围的半封闭区域,导致全球导航卫星系统(GPS)的定位结果误差增大或者完全失效,使单纯依靠GPS的智能汽车无法持续定位。为解决以上问题,本文提出了一种适用于智能汽车的多模式定位系统,并对其关键技术进行了深入研究。本文的主要创新点如下:1、提出了一种满足城市环境的智能汽车平台构建方案。在方案中,智能汽车平台的环境感知系统在空间上以车辆中心为球心对外部环境进行感知。适用于感知不同高度、不同距离的环境实体障碍。在规划决策系统中,根据我国的交通法规预设多种规划决策条件与事件,在时域上将串行的交通事件网络化,在满足实时性和低资源消耗的同时为规划决策系统的进一步扩展提供支撑。利用CAN总线实现了智能汽车执行控制系统的全车电控,无论是从响应灵敏度、控制精度以及安全性方面都优于外挂式机械控制。2、改进了一种GPS接收机和北斗全球导航定位系统接收机的融合方案。具体为:1)改进了一种同时适用于GPS信号与北斗信号的正交数字下变频电路,该电路资源规模小,不使用加法、乘法等电路,不引入额外的误差。2)改进了一种北斗信号中Neumann-Hoffman(NH)编码的解调方法。在北斗信号捕获完成后,利用快速傅里叶变换(FFT)在频域和时域同时搜索NH码的码头和载波的准确频率。该方法硬件资源利用率高、处理速度快。实验证明该融合方案实现了在同一款芯片上对GPS信号和北斗信号的接收。3、提出了一种“先分割、再融合”的2D激光雷达探测数据中实体目标的分割方法。与传统的数据分割方法不同,“先分割、在融合”分割法分为“依据最大探测距离分割法”、“依据相邻观测点间距分割法”和“依据观测点间距融合法”三个部分,分别实现环境实体之间的“地理分割”、“前景、背景分割”和“环境实体融合”三种不同的需求。该分割方法通过判断观测点云中各点簇之间的距离,对点簇进行分割与融合,尤其适合城市环境中“树冠”等松散实体的数据分割。4、提出一种基于神经网络的环境目标特征分类方法。不同于普通的“先识别、后分类”的环境特征提取方法,该方法在利用神经网络分析数据样本的类型时,不但利用神经网络分类器的最大输出值判定输入样本的类型,同时对神经网络分类器所有输出值的权重进行分析,以判定分类的有效性。最后对有效的分类进行特征提取。该方法在有效的抑制分类结果中的“假阳性”、“假阴性”所占比例的同时,提升了特征分类的稳定性。5、提出一种基于Delaunay三角剖分的环境特征唯一性表示法。2D激光雷达的观测数据中没有任何描述环境实体唯一性的数据。因此,识别后的环境特征仅具有类别描述而没有唯一性描述。本研究中利用Delaunay三角剖分法赋予环境特征之间唯一的几何关系。该方法打通了环境特征在数据关联上的距离壁垒,使得特征之间的关联匹配从“最邻近”法的局部空间拓展到了全局空间。但由于采用三角形匹配法,因此要求环境特征数量必须大于等于三个。6、提出一种智能汽车路径回环快速检测方法。该方法为两个部分:1)路径回环可能性进行检测。为了尽可能减小车辆位姿偏差引入的检测误差,该方法将观测数据映射到对称二维高斯空间中,利用所有观测点高斯映射值的累加和作为场景识别元素之一,结合车辆航向、特征数量、车辆位姿之间的距离关系计算出该帧发生路径回环的可能性,筛选出回环可能性较高的观测帧对组成“回环观测帧对”集合。第一步计算简单,能够对观测帧实现快速筛选。2)路径回环精确判定。利用Delaunay三角剖分法提取每一组“回环观测帧对”中环境特征之间的三角几何关系,用两个最相似三角形之间的匹配代替全量数据的帧间匹配,并保存所有“回环观测帧对”的匹配结果与匹配误差。选择匹配误差最小的匹配结果作为优化累积误差的约束条件,对所有观测位姿进行优化。第二步不使用全量观测数据进行帧间匹配,避免了杂乱数据对匹配结果的干扰,提升了匹配精度。实验结果表明本文提出的方法能够稳定、准确的识别环境特征;能够快速、准确的识别路径回环点;构建的环境特征地图中环境特征精度高,环境点云地图中建筑物轮廓重合度高。
[Abstract]:......
【学位授予单位】：长安大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：U463.6

【相似文献】