CN103456185A

CN103456185A - 智能车在城市道路行驶中的接力导航方法

Info

Publication number: CN103456185A
Application number: CN201310378718XA
Authority: CN
Inventors: 李德毅; 郑思仪; 高洪波; 贾鹏; 安利峰
Original assignee: 李德毅
Priority date: 2013-08-27
Filing date: 2013-08-27
Publication date: 2013-12-18
Anticipated expiration: 2033-08-27
Also published as: CN103456185B

Abstract

本发明涉及一种智能车在城市道路行驶中的接力导航方法，其特征是：将市区道路划分为三类典型道路区域，针对不同的典型道路区域，采用不同的导航方式，通过主控程序实现不同导航方式之间的交接，车载传感器印证导航线路，智能车在行驶中实现并验证云计算支持下的接力导航策略。有益效果：智能车采用接力导航方法，对城市道路的不同典型区域使用不同的导航方式，各导航方式之间实现无缝交接，有效解决了市区智能驾驶的导航难题；智能车在行驶中借助云计算位置服务中心进行定位精度校正，优化了智能车总体软硬件资源，使其负载均衡，减少了计算成本；接力导航方法体现了智能车自适应环境的能力，为市区智能驾驶的实现提供重要技术支撑。

Description

智能车在城市道路行驶中的接力导航方法

技术领域

本发明属于智能驾驶，尤其涉及一种智能车在城市道路行驶中的接力导航方法。

背景技术

智能驾驶技术涉及计算机科学、通信科学、认知科学、车辆工程、电子电气工程、控制科学与工程、系统科学与技术、人机工程科学、人工智能等诸多科学，智能车是衡量一个国家科研实力和工业水平的重要标志之一。无人驾驶车的出现，从根本上改变了传统的“人-车-路”闭环系统中的车辆驾驶方式，将驾驶员从长时间的繁琐、低级、持久的驾驶活动中解放出来，利用先进的传感器以及信息技术控制车辆行驶，让驾驶活动中常规、持久、低级、重复的操作自动完成，能够极大地提高交通系统的效率和安全，提高人类移动生活的品质，具有广泛的社会应用价值。同时，智能驾驶技术的研究将极大地增强我国在汽车主动安全等方面的核心竞争力，对提升我国汽车电子产品和汽车产业自主创新能力具有重大的战略意义。

智能车在车辆动力学的基础上，包括环境感知与自学习、导航、网络通讯、智能决策、车辆控制、认知模拟与计算等部分。其中，智能车的导航与通讯包含：通过无线通信网实时获取智能车的精确定位信息。智能车的环境感知包含：道路与交通标志、行人、障碍物及周边车辆等信息。智能车的自学习是指利用导航、通讯、环境感知等手段获取的试验数据，通过机器学习模型进行驾驶行为模式的自适应学习，完成对人类驾驶行为认知与决策的模拟和计算，进而实现智能车的自主驾驶。这些数据的获取基于车载的多类传感器设备，主要有摄像头、雷达、GPS、惯导、里程计等。在获取这些数据的基础上，对市区道路的不同区域采用不同导航方式，即接力导航策略，是实现城市道路智能驾驶的基础。

智能驾驶的发展路线大致可以分为三步走：①结构化道路的智能驾驶，如城际高速公路；②半结构化道路的智能驾驶，如城市道路；③非结构化道路的智能驾驶，如特殊道路和恶劣气候环境下的智能驾驶。我们已经成功地进行了城际高速公路（北京至天津）的智能车驾驶试验。但在半结构化的城市道路环境下，人行道、立交桥、交叉路口等道路结构复杂，交通信号灯多样，交通标牌和地面标识有新有旧。机动车和非机动车混杂，人车混杂，遮挡多，干扰大，交通动态变化复杂，车辆拥挤。因此，在半结构化的城市道路环境下，对智能车在环境感知、定位导航、综合决策等方面提出了更大的挑战。智能驾驶主要由三个部分组成：自主驾驶、组合导航和人工干预。城市道路行驶中智能车的组合导航问题是市区智能驾驶研究领域亟待解决的一个难题。

发明内容

本发明的目的在于克服上述技术的不足，提供一种智能车在城市道路行驶中的接力导航方法。将市区道路划分为三类典型道路区域，采用接力导航策略，各导航方式之间实现无缝交接，有效解决了市区智能驾驶的导航难题。

本发明为实现上述目的，采用以下技术方案：一种智能车在城市道路行驶中的接力导航方法，其特征是：将市区道路划分为三类典型道路区域，针对不同的典型道路区域，采用不同的导航方式，通过主控程序实现不同导航方式之间的交接，车载传感器印证导航线路，智能车在行驶中实现并验证云计算支持下的接力导航策略。

所述三类典型道路区域，包括路段区域、路口过渡区和路口区域，

其中，路段区域是地面标有连续实车道线或虚车道线的道路区域，直至出现第一组地面导向箭头的起点为止，一般分为直线路段和曲线路段；

路口过渡区域是从第一组地面导向箭头的起点开始，到出现路口停止线为止，分为虚车道线的可换道区域和实车道线的不可换道区域；

路口区域是由两条或两条以上不同方向的道路相交处形成的平面交叉口。

所述三类典型道路区域中的路段区域内，通过车道虚拟中心线实现导航，所述车道虚拟中心线由摄像头识别到的车道线与激光雷达识别到的车流中心线融合生成车道虚拟中心线；所述三类典型道路区域中的路口过渡区内，智能车通过摄像头识别交通标牌与地面导向箭头实现导航，通过GPS预告将要到达的路口名，在可换道区域内根据需要提前进行换道；在不可换道区域内，智能车或跟驰行驶、或作为头车，自行减速停在路口停止线前，等待绿灯放行；所述三类典型道路区域中的路口区域内，通过精细地图实现导航，智能车按照路口通行模式进行路径规划，或直行，或拐弯，或掉头。

所述三类典型道路区域的路口过渡区和路口区域内的导航方式通过云计算位置服务中心进行定位精度校正，实现定位精度误差不超过1m。

所述车道虚拟中心线的横向误差不超过20cm。

所述车载传感器包括雷达传感器、视觉传感器和定位传感器，通过不同传感器的选型和配置，可实现人类视听觉认知中的选择性注意。

所述雷达传感器包括车身左右各一个UTM单线激光雷达、一个前向SICK单线激光雷达、一个前向四线激光雷达和一个后向毫米波雷达；所述视觉传感器包括三组前向摄像头、两组后向摄像头和在左、右侧后视镜上各安装一个侧向摄像头；所述定位传感器包括GPS全球定位系统和IMU惯性测量装置。根据车载传感器的实际种类和数量，可视情况进行其它组合优化。

有益效果：采用接力导航方法，对城市道路的不同典型区域使用不同的导航方式，各导航方式之间实现无缝交接，有效解决了市区智能驾驶的导航难题；智能车在行驶中借助云计算位置服务中心进行定位精度校正，优化了智能车总体软硬件资源，使其负载均衡，减少了计算成本；接力导航方法体现了智能车自适应环境的能力，是对人类驾驶行为认知的模拟和计算，为市区智能驾驶的实现提供重要技术支撑。

附图说明

图1是本发明的不同典型道路区域的示意图；

图2是智能车接力导航主控程序设计流程图；

图3是安装在车辆左、右侧后视镜处的摄像头探测范围示意图；

图4是雷达识别得到的车流中心线示意图；

图5是通过左右摄像头和激光雷达信息融合形成的车道虚拟中心线；

图6实施例中智能车传感器的布局方案；

图7北京市海淀区万寿路口道路环境示意图；

图8智能车定位精度校正服务典型案例。

图中红色区域显示安装于车辆左侧后视镜处的摄像头探测范围。

图中黄色直线表示雷达识别得到的车流中心线。

图中：图2中A—代表路段区域；B—路口过渡区域；C—路口区域；

图3中D—摄像头探测范围;

图4中E—雷达识别得到的车流中心线；

图5中F—表示雷达返回的数据点，G—方框表示对雷达数据点进行聚类后得到的车辆，H—表示虚拟中心线；

图6中1、四线激光雷达，2、SICK雷达，3、UTM雷达，4、毫米波雷达，5、摄像头，6、GPS+IMU。

具体实施方式

下面结合较佳实施例详细说明本发明的具体实施方式。

详见附图1，本发明提供一种智能车在城市道路行驶中的接力导航方法，将市区道路划分为三类不同的典型道路区域，不同典型道路区域采用不同的导航方式，主控程序实现不同导航方式之间的无缝交接，车载传感器印证导航线路。智能车在行驶过程中借助云计算位置服务中心进行定位精度校正，实现定位精度误差不超过1m。

智能车实现并验证云计算支持下的接力导航策略，将市区道路划分为路段、路口过渡区和路口三类典型区域，具体的定义与划分是：

路段区域：地面标有连续车道线（实线车道线或虚线车道线）的道路区域，直至出现第一组地面导向箭头的起点为止。一般分为直线路段和曲线路段。

路口过渡区域：从第一组地面导向箭头的起点开始，到第一次出现的路口停止线为止。一般可分为：不可换道区域（实车道线）和可换道区域（虚车道线）。

路口区域：一般指两条或两条以上不同方向的道路相交处形成的平面交叉口。

详见附图6，所述车载传感器包括雷达传感器（1、2、3、4）、视觉传感器5和定位传感器6。雷达传感器包括车身左右各一个UTM单线激光雷达3、一个前向SICK单线激光雷达2、一个前向四线激光雷达1和一个后向毫米波雷达4；所述视觉传感器包括三组前向摄像头、两组后向摄像头和在左、右侧后视镜上各安装一个侧向摄像头；所述定位传感器包括GPS全球定位系统和IMU惯性测量装置。以上各类传感器主要用于车辆周边环境感知和实时获取智能车位置、姿态、速度、时间等信息。通过不同传感器的选型和配置，可实现人类视听觉认知中的选择性注意。根据车载传感器的实际种类和数量，可视情况进行其它组合优化。

智能车全局路径规划由车载GPS导航系统与粗地图完成。智能车首先以导航起点与终点获取全局导航路径，此全局导航路径包括途经的每条道路和路口，在智能车行驶过程中，实时获取智能车的粗定位信息。当智能车即将到达路口过渡区时，车载GPS预告将要到达的路口名，云计算位置服务中心提前向智能车传输该路口过渡区和路口的精细地图。

详见附图2、图3、图5，在路段区域内，通过车道虚拟中心线实现导航。虚拟中心线是融合了安装于车辆左、右侧后视镜处的摄像头识别得到的车道线与雷达识别得到的车流中心线生成，其横向误差不超过20cm。

进入路口过渡区域，根据全局路径规划，智能车可能要进行换道操作。但是，目前车载GPS定位系统无法满足市区道路环境下智能车精确定位到车道的要求，因此，路口过渡区所采用的导航方式为：在距离路口约500m处，GPS预告将要到达的路口名。智能车通过摄像头识别路口交通牌和地面导向箭头，从检测到第一组地面导向箭头的起点开始，标志进入路口过渡区。在可换道区域内（虚车道线），智能车根据预定路径进行换道操作。在不可换道区域内（实车道线），智能车或跟驰行驶、或作为头车，自行停在路口停止线前，等待绿灯放行。路口过渡区域的精细地图可向摄像头预告路口交通牌和地面导向箭头的位置信息，辅助摄像头进行识别。精细地图中交通标志的位置信息可与摄像头的识别结果互为印证。

在路口区域内，智能车主要采用精细地图导航。通过摄像头检测路口停止线和目标车道线来获取路口路径规划的起点和终点，并与路口精细地图提供的先验知识互为印证。按照全局导航路径，智能车在路口区域或拐弯，或直行，或掉头，利用二阶或三阶Bézier曲线进行拟合，生成路口通行轨迹。

详见附图8，云计算位置服务中心进行智能车定位精度校正。在路段区域内，智能车由生成的车道虚拟中心线进行导航，无需进行精确定位；而在路口过渡区和路口区域内，智能车需要精确定位到车道（横向误差不超过50cm）。智能车将接收到的北斗或GPS的位置信息，通过无线网络发送到云计算位置服务中心进行定位精度校正，位置服务中心利用云计算结合地理信息系统等数据，实时计算，将定位结果返回给智能车终端，即可实现米级甚至分米级的定位精度。

较佳实施例

本实施例中，智能车在北京市海淀区万寿路口南向东右转、由万寿路驶入长安街（附图7）。智能车最高行驶速度40km/h，均速20km/h。具体的行驶路段与导航策略是：

在万寿路路段内由南向北行驶时，融合安装于车辆左、右侧后视镜处的摄像头识别得到的车道线与雷达识别得到的车流中心线，生成车道虚拟中心线进行导航，虚拟中心线的横向误差在20cm内；

在万寿路路段内由南向北行驶时，距离路口约500m处，车载GPS预告将要到达万寿路路口。智能车通过摄像头识别路口交通牌和地面导向箭头，进入路口过渡区域。在可换道区内（虚车道线）正确换道至右转弯车道后，或跟驰行驶、或作为头车，自行停在路口停止线前，等待绿灯放行；

万寿路路口区域的通行，主要采用精细地图导航。通过摄像头检测到万寿路口南的停止线和万寿路口东的目标车道线，并与万寿路口精细地图提供的路口停止线和目标车道线的位置先验知识相互印证，最后依据Bézier曲线生成万寿路口南向东右转的行驶轨迹。同时，由云计算位置服务中心对智能车进行实时定位精度校正，满足定位到车道的要求，并给出车辆的实时空间坐标，即智能车的行驶轨迹。

智能车南向东右转进入长安街后，由西向东行驶，此时车辆又进入了路口过渡区，通过摄像头识别地面导向箭头并结合路口过渡区精细地图进行导航；接着进入长安街路段内行驶，采用虚拟中心线导航方式；如此周而复始，形成智能车在城市道路行驶中的接力导航方法。

依据Bézier曲线，智能车进行路口通行模式的轨迹规划：路口行驶轨迹规划的起始点为当前车道的停止线，目标点为目标车道的虚拟中心线。在起始点和目标点之间存在一个控制点，这个控制点就是当前车道和目标车道的焦点。通过Bézier曲线进行拟合，生成一条轨迹。如果需要变换车道，可用二阶或三阶的贝塞尔曲线进行拟合。

Bézier曲线描述公式：

B(t)＝P₀+(P₁-P₀)t＝(1-t)P₀+tP₁

B(t)＝P₀(1-t)³+3P₁t(1-t)²+3P₂t²(1-t)+P₃t³

采用这种方法，模拟生成了万寿路口南向东右转的轨迹，如表1所示。可根据车辆转向和里程计的精度，选择不同的区间值进行控制。

表1依据Bézier曲线生成的万寿路口南向东右转模拟数据

接力导航策略的论证：

无论从驾驶员的驾驶经验，还是从车辆控制的实际要求出发，对城市道路不同区域使用的驾驶策略是不同的。接力导航方法是符合人类驾驶认知习惯的。

云计算环境下的定位精度校正服务论证：

接力导航方法中在路口过渡区和路口需要对智能车精确定位到车道，但一般的车载GPS定位系统无法满足此要求。智能车定位精度的校正，需要复杂的计算能力、海量的存储能力和丰富的交互能力，仅依靠端设备（如手机等）是很难实现的，因此需要云计算位置服务中心的支持。

以上所述，仅是本发明的较佳实施例而已，并非对本发明的结构作任何形式上的限制。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明的技术方案的范围内。

Claims

1.一种智能车在城市道路行驶中的接力导航方法，其特征是：将市区道路划分为三类典型道路区域，针对不同的典型道路区域，采用不同的导航方式，通过主控程序实现不同导航方式之间的交接，车载传感器印证导航线路，智能车在行驶中实现并验证云计算支持下的接力导航策略。

2.根据权利要求1所述的智能车在城市道路行驶中的接力导航方法，其特征是：所述三类典型道路区域，包括路段区域、路口过渡区域和路口区域三类，

3.根据权利要求1或2所述的智能车在城市道路行驶中的接力导航方法，其特征是：所述三类典型道路区域中的路段区域内，通过车道虚拟中心线实现导航，所述车道虚拟中心线由摄像头识别到的车道线与激光雷达识别到的车流中心线融合生成车道虚拟中心线；所述三类典型道路区域中的路口过渡区内，智能车通过摄像头识别交通标牌与地面导向箭头实现导航，在路段内行驶时通过车载GPS预告将要到达的路口名，在可换道区域内根据需要提前进行换道；在不可换道区域内，智能车或跟驰行驶、或作为头车，自行减速停在路口停止线前，等待绿灯放行；所述三类典型道路区域中的路口区域内，通过精细地图实现导航，智能车按照路口通行模式进行路径规划，或直行，或拐弯，或掉头。

4.根据权利要求3所述的智能车在城市道路行驶中的接力导航方法，其特征是：所述车道虚拟中心线的横向误差≤20cm。

5.根据权利要求4所述的智能车在城市道路行驶中的接力导航方法，其特征是：所述三类典型道路区域的路口过渡区域和路口区域内，通过云计算位置服务中心进行智能车的实时定位精度校正，实现定位精度误差≤1m。

6.根据权利要求5所述的智能车在城市道路行驶中的接力导航方法，其特征是：所述车载传感器包括雷达传感器、视觉传感器和定位传感器。

7.根据权利要求6所述的智能车在城市道路行驶中的接力导航方法，其特征是：所述雷达传感器包括车身左右各一个UTM单线激光雷达、一个前向SICK单线激光雷达、一个前向四线激光雷达和一个后向毫米波雷达；所述视觉传感器包括三组前向摄像头、两组后向摄像头和在左、右侧后视镜上各安装一个侧向摄像头；所述定位传感器包括GPS全球定位系统和IMU惯性测量装置。