CN105204510A - 一种用于精确定位的概率地图的生成方法及装置 - Google Patents

Abstract

本发明提供一种用于精确定位的概率地图的生成方法与装置，其中方法包括如下步骤：在目标行驶环境中采集原始数据；对原始数据进行后期处理；根据处理后的原始数据生成概率地图，解决了无人驾驶地图采集的问题。

Description

一种用于精确定位的概率地图的生成方法及装置

技术领域

本发明涉及领域，尤其涉及一种用于精确定位的概率地图的生成方法。

背景技术

无人车自动驾驶系统一般分为两种：

1、不依靠预先采集的行驶环境知识，在实时自动驾驶过程中一边感知一边决策的。这种系统比较常用于陌生环境中的行驶，如野外。

2、完全或者主要依靠预先采集的行驶环境知识，在实时自动驾驶过程中先在预先采集的信息中确定自己的位置，然后再结合预先采集的信息和实时感知到的信息，做出决策。这种方法比起前一种实现难度低、算法复杂度低、效果更好。主要因为：

a.行驶过程中的感知范围有限。预先采集可以从各种不同的角度和维度感知环境

b.车载计算机运算能力有限，比起理论上无限的预先采集预先运算处理

c.车载传感器的性能、数量和类型有限。预先采集可以动用各自类型的传感器，包括空基(如机载合成孔径雷达)、天基(如卫星)等。

本发明提出一种生成一种二维的、记录了传感器感知信号(如激光雷达的反射强度信号)的概率分布的地图(以下简称概率地图)的方法。这种概率地图属于预先采集的用于自动驾驶的辅助信息的一种，特别适用于实时自动驾驶时帮助无人车确定自身的位置。

无人车可以依靠这张概率地图，配合自身传感器的信息(如全球定位系统的坐标、激光雷达扫描后的点云)，利用概率的方法估算自己当前最可能的实际位置/坐标。

发明内容

本发明要解决的技术问题，在于提供一种用于精确定位的概率地图的生成方法，解决无人驾驶地图数据采集的问题。

本发明是这样实现的：一种用于精确定位的概率地图的生成方法，包括如下步骤：

在目标行驶环境中采集原始数据；

对原始数据进行后期处理；

根据处理后的原始数据生成概率地图。

具体地，“对原始数据进行后期处理”包括：

纠正原始数据每一次扫描时的坐标值；

校正用于采集原始数据的激光雷达的反射强度值。

进一步地，所述概率地图为一张二维网格，每个单元网格由激光雷达反射数据的高斯分布表示，高斯分布包括激光雷达反射的平均强度及其强度方差。

具体地，“在目标行驶环境中采集原始数据”包括：

控制载有激光雷达的车辆在被采集环境中以预设的方式行驶；

在行驶的过程中获取激光雷达传感器记录下来的在每个目标点的激光反射强度及其对应激光束代码；

将获取到的激光反射强度及其对应激光束代码成组地被记录成原始数据。

一种用于精确定位的概率地图的生成装置，包括数据采集模块、后期处理模块、地图生成模块；

所述数据采集模块用于在目标行驶环境中采集原始数据；

所述后期处理模块用于对原始数据进行后期处理；

所述地图生成模块用于根据处理后的原始数据生成概率地图。

具体地，所述后期处理模块还用于纠正原始数据每一次扫描时的坐标值；

所述后期处理模块还用于校正用于采集原始数据的激光雷达的反射强度值。

进一步地，所述概率地图为一张二维网格，每个单元网格由激光雷达反射数据的高斯分布表示，高斯分布包括激光雷达反射的平均强度及其强度方差。

具体地，还包括行驶控制模块；

所述行驶控制模块用于控制载有激光雷达的车辆在被采集环境中以预设的方式行驶；

所述数据采集模块还用于在行驶的过程中获取激光雷达传感器记录下来的在每个目标点的激光反射强度及其对应激光束代码；

所述数据数据采集模块还用于将获取到的激光反射强度及其对应激光束代码成组地被记录成原始数据。

本发明具有如下优点：准确度高，定位精确，操作简便。

附图说明

图1为本发明具体实施方式所述方法流程图；

图2为本发明具体实施方式所述装置模块图；

图3为本发明具体实施方式所述坐标过滤矫正后原始的电子云数据；

图4为本发明具体实施方式所述红外反射强度均值地图；

图5为本发明具体实施方式所述红外反射强度方差地图。

附图标记说明：

200、数据采集模块；

202、后期处理模块；

204、地图生成模块；

206、行驶控制模块。

具体实施方式

为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。

请参阅图1一种用于精确定位的概率地图的生成方法，包括如下步骤：

步骤S101，在目标行驶环境中采集原始数据；在某些具体的实施例中，“在目标行驶环境中采集原始数据”包括：

1)控制载有激光雷达的车辆在被采集环境中以预设的方式行驶；

2)在行驶的过程中获取激光雷达传感器记录下来的在每个目标点的激光反射强度及其对应激光束代码；

3)将获取到的激光反射强度及其对应激光束代码成组地被记录成原始数据。

具体的某些实施例中，可以让载车在被采集环境中携带着激光雷达传感器以预设的方式行驶，所述预设的方式可以为目标行驶环境中的一段路途，优选为某些闭合环形路途，行驶的过程中激光雷达传感器会记录下来的在每个目标点的激光反射强度及其对应激光束代码(一般的仪器可以发射并感应64束激光)，这些数据成组的被记录成原始数据日志。

再进行步骤S102对原始数据进行后期处理；具体包括：

1)纠正原始数据每一次扫描时的坐标值；采集原始数据的载车在行驶过程中自身的坐标/位置非常重要，直接决定了概率地图生成后地图上的各个区域各种特征的坐标是否准确。因此，载车需要搭载一个能提供精准坐标信息的传感器(如全球定位/惯性导航融合系统)。

然而，任何传感器都存在误差，随着时间的推移，偏差会逐渐积累。当载车行驶了一大圈后又回到之前到过的一个地点时，很可能会发现对于同一个地点新测的坐标和第一次测的坐标不一样，实际上应该闭合的行驶路线按照传感器的坐标值却无法闭合。这样会使得不同位置得到扫描数据在空间上融合起来的时候出现断层/错位。

为了消除这种不一致，需要对原始数据日志中的每一条记录的坐标进行过滤，尽可能消除偏差。过滤可以用基于粒子的、基于卡尔曼过滤器的或者基于贝叶斯网格的算法，如图3所示进行坐标过滤矫正后，原始的电子云数据拼接起来就没有错位

2)校正用于采集原始数据的激光雷达的反射强度值。为了保证激光雷达(或者其它传感器)对于环境感知的一致性，进而提高概率地图的准确性，需要对原始数据日志中的反射强度值进行校正。

这里根据扫描方法可以对数据进行校准，可以构建一个校准函数进行校准工作，校准函数用于对地图网格中不同点的激光反射强度进行期望计算，例如每条观察数据z可以用一个四元数组<b,l,a,g>表示，分别对应激光束编号，测距，反射强度值和对应的地图网格编号。

若激光器有64个激光束，则：

b∈[0,…,63]

(不同型号的激光雷达可能会发出不同数量的激光束，公式可以灵活变动)而测距一定大于等于0：

l∈R+

若每束激光束可以分辨256种不同的反射强度，则：

a∈[0,...,255]

g代表单元格的编号，总的单元格数量取决于地图的维数N和M：

g∈[0,...,N·M-1]

采集过程中每一时刻都会观测到许多条观察数据，所有的观察数据的总集合为：

L＝{z₁,…,z_n}

即n个观察数据。

利用这些观察数据，我们可以计算校准函数g(j,a)：

$g(j,a):E_{z_i\&Element;T}\&lsqb;a_j|\left(\right(\&Exists;i,g_j=g_i,i=j,a_i=a)b_j\&NotEqual;j)\&rsqb;$

以上仅为校准函数的某个实施例，当我们通过校准函数把原始数据日志中所有的点的强度值校正过后，之后就可以进行步骤S103,根据处理后的原始数据生成概率地图。进一步地，所述概率地图为一张二维网格，每个单元网格由激光雷达反射数据的高斯分布表示，高斯分布包括激光雷达反射的平均强度及其强度方差。在某些实施例中，可以将整个行驶的区域分成若干个单元格。把所述单元格建立在一个正交x，y坐标系上，在这个坐标系里每一个单元格表示(占据)一个10＊10厘米(这个单元格越小清晰度也就越高，可根据需要灵活调整)的空间。每一个单元格被赋予一个唯一的编号，或者可以直接用相应的x,y轴上的值表示。

要生成一张概率地图，在每一单元格除了储存投射在它上的激光强度的均值外，还要记录下其强度方差。也就是说，概率地图会有两条数据通道：平均强度和强度方差。由于网格地图是二维的，而激光雷达的点云输出是三维的。因此，需要将三维的点云投影到二维的网格上：每一单元格对应所有横、纵坐标与该单元格一样的数据点，不管这些点的高度坐标是多少。

每个单元都要维持一定的介值以在每次获得新测量值时更新平均强度和方差。图4及图5分别为红外反射的强度均值、红外反射的强度方差地图，这里我们可以清楚看到丰富的环境细节，比如人行道，绿化带，马路等等。充分的体现了红外反射强度能捕捉丰富的环境数据与特征的优点。而且不像一般由摄像机采集产生的图像与数据，红外反射强度能规避阴影或由自然光线产生的其他影响因素。更好地解决了无人驾驶地图采集的问题。

在图2所述的某些实施例中，为一种用于精确定位的概率地图的生成装置，包括数据采集模块200、后期处理模块202、地图生成模块204；

所述数据采集模块200用于在目标行驶环境中采集原始数据；

所述后期处理模块202用于对原始数据进行后期处理；

所述地图生成模块204用于根据处理后的原始数据生成概率地图。

具体地，所述后期处理模块202还用于纠正原始数据每一次扫描时的坐标值；

所述后期处理模块202还用于校正用于采集原始数据的激光雷达的反射强度值。

进一步地，所述概率地图为一张二维网格，每个单元网格由激光雷达反射数据的高斯分布表示，高斯分布包括激光雷达反射的平均强度及其强度方差。

具体地，还包括行驶控制模块206；

所述行驶控制模块206用于控制载有激光雷达的车辆在被采集环境中以预设的方式行驶；

所述数据采集模块200还用于在行驶的过程中获取激光雷达传感器记录下来的在每个目标点的激光反射强度及其对应激光束代码；

所述数据数据采集模块200还用于将获取到的激光反射强度及其对应激光束代码成组地被记录成原始数据。通过上述装置，达到了生成无人驾驶地图采集的效果，解决了无人驾驶地图采集的问题。

以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种用于精确定位的概率地图的生成方法，其特征在于，包括如下步骤：

在目标行驶环境中采集原始数据；

对原始数据进行后期处理；

根据处理后的原始数据生成概率地图。

2.根据权利要求1所述的一种用于精确定位的概率地图的生成方法，其特征在于：“对原始数据进行后期处理”包括：

纠正原始数据每一次扫描时的坐标值；

校正用于采集原始数据的激光雷达的反射强度值。

3.根据权利要求1所述的一种用于精确定位的概率地图的生成方法，其特征在于：所述概率地图为一张二维网格，每个单元网格由激光雷达反射数据的高斯分布表示，高斯分布包括激光雷达反射的平均强度及其强度方差。

4.根据权利要求1所述的一种用于精确定位的概率地图的生成方法，其特征在于：“在目标行驶环境中采集原始数据”包括：

控制载有激光雷达的车辆在被采集环境中以预设的方式行驶；

在行驶的过程中获取激光雷达传感器记录下来的在每个目标点的激光反射强度及其对应激光束代码；

将获取到的激光反射强度及其对应激光束代码成组地被记录成原始数据。

5.一种用于精确定位的概率地图的生成装置，其特征在于，包括数据采集模块、后期处理模块、地图生成模块；

所述数据采集模块用于在目标行驶环境中采集原始数据；

所述后期处理模块用于对原始数据进行后期处理；

所述地图生成模块用于根据处理后的原始数据生成概率地图。

6.根据权利要求5所述的一种用于精确定位的概率地图的生成装置，其特征在于，

所述后期处理模块还用于纠正原始数据每一次扫描时的坐标值；

所述后期处理模块还用于校正用于采集原始数据的激光雷达的反射强度值。

7.根据权利要求5所述的一种用于精确定位的概率地图的生成装置，其特征在于：所述概率地图为一张二维网格，每个单元网格由激光雷达反射数据的高斯分布表示，高斯分布包括激光雷达反射的平均强度及其强度方差。

8.根据权利要求5所述的一种用于精确定位的概率地图的生成装置，其特征在于：还包括行驶控制模块；

所述行驶控制模块用于控制载有激光雷达的车辆在被采集环境中以预设的方式行驶；

所述数据采集模块还用于在行驶的过程中获取激光雷达传感器记录下来的在每个目标点的激光反射强度及其对应激光束代码；

所述数据数据采集模块还用于将获取到的激光反射强度及其对应激光束代码成组地被记录成原始数据。