CN108955702A - 基于三维激光和gps惯性导航系统的车道级地图创建系统 - Google Patents

Abstract

本发明公开了基于三维激光和GPS惯性导航系统的车道级地图创建系统，该系统通过数据采集、激光路面分割、车道线参数化等方法步骤离线创建车道级高精度地图，给出结构化城区环境下精确的车道级地图信息。该车道级高精度地图创建系统可适应于城区和高速等结构化场景，对于辅助无人驾驶车辆在实际环境的定位导航有重要的作用。由于系统采用高精度、高鲁棒性的数据采集设备及计算平台，可广泛应用于无人驾驶汽车定位导航、高级辅助驾驶技术等领域。

Description

基于三维激光和GPS惯性导航系统的车道级地图创建系统

技术领域

本发明属于地图创建与智能交通领域，特别涉及基于三维激光和GPS惯性导航系统的车道级地图创建系统。

背景技术

高精度地图是自动驾驶系统中非常关键且基础的一项技术，同时如何高效地进行高精度地图创建已经变成了一个热门的研究领域。高精度地图广泛地应用于自动驾驶技术以及高级辅助驾驶技术中，在车辆自主定位、行为决策和轨迹规划等方面起到了关键的作用。车道级高精度地图作为高精度地图的一种，包含了完整的道路几何信息、相关的交通规则信息，同时拥有厘米级的地图精度。因此，车道级高精度地图能够满足自动驾驶车辆的需求。

现阶段的高精度地图创建系统按照使用的传感器数据进行分类。一些研究人员使用GPS数据来进行地图创建，将GPS轨迹近似为车道中线。这种方法严重依赖GPS数据的精度，在城区环境受高层建筑物遮挡严重。同时这种方法无法提供道路细节，无法满足无人驾驶任务的需求。

在创建车道级高精度地图的过程中，车道线的检测尤为重要。目前主流方法是使用图像或者激光数据来进行车道线的检测与提取。其中基于图像数据的视觉车道线检测方法比较成熟，有许多相关的论文和方法对其进行了讨论。然而视觉车道线检测方法受环境因素制约比较大，如天气、相机特性及参数设置、周围环境等。阳光强烈的晴天、光线较弱的阴雨天气、低可见度的雾霾天气、逆光行驶、树木遮挡的暗场景、无遮挡的亮场景等情况下，相机采集的图像效果各不相同，可能引起车道线在图像中呈现出遮挡、过曝等现象，从而影响检测效果。此外，由于单目相机无法提供尺度信息，通过图像提取的车道线数据不具有比较好的精度。因为激光传感器具有精准的深度信息以及反射率信息等，通过激光数据来进行高精度地图的创建成为了新的趋势。然而基于激光数据的车道线方法主要还是采用相对简单算法进行的，不具备在技术研发和应用上的推广。

发明内容

本发明的目的在于提供基于三维激光和GPS惯性导航系统的车道级地图创建系统，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

基于三维激光和GPS惯性导航系统的车道级地图创建系统，包括数据采集模块、全局点云地图生成模块和车道线参数化模块；数据采集模块、全局点云地图生成模块和车道线参数化模块依次连接；数据采集模块包括全局位姿数据采集装置、激光数据采集装置以及激光数据预处理装置；

全局点云地图生成模块用于激光数据路面分割、道路标志检测提取和全局地图生成，通过高斯过程回归模型对激光数据进行路面点进行分割提取，从单帧激光数据中分割出路面点；通过激光对于不同材料的反射率不同来进行道路标志的检测提取；根据与激光数据对齐的全局位姿数据进行道路标志的累积，从而获得全局道路标志点云地图；

车道线参数化模块用于车道线检测提取和对车道线点的参数化；通过实际场景中道路车道线形状进行车道线点的有效提取，去除噪声数据；以车道线模型为参考，从全局道路标志点云地图中有效提取出车道线候选点。

进一步的，激光数据采集装置为多线三维激光传感器；激光数据预处理装置为工控机，激光数据预处理包括对激光数据进行位姿补偿、激光反射率的校正，根据激光的线束和反射率级数构建反射率映射表。

进一步的，全局位姿数据采集装置为GPS惯性导航系统。

进一步的，对车道线点的参数化是基于提取的车道线候选点使用三次样条进行曲线拟合，得到平滑的参数化车道线结果。

进一步的，多线三维激光传感器安装在车顶，GPS惯性导航系统安装在车的后轴中心；获得六个维度的位姿数据，包括空间坐标和三个角度的变化量；利用采集激光数据的时间戳和局部位姿数据对不同位置的激光数据进行运动补偿。

进一步的，全局点云地图生成模块中的主要步骤为路面分割、道路标志检测和全局地图拼接；

路面分割是基于高斯过程回归模型对每帧激光数据进行路面分割，将采集到的单帧激光数据进行坐标系转换为极坐标形式，根据角度分为360个不同区域，在每个区域中，将激光点的半径和高度值作为高斯过程回归模型的输入进行曲线拟合；其中高斯过程回归模型的初始值选定为距离车体近的激光点，假定这些点都是路面点；每个区域的激光点都迭代进行高斯过程回归模型的拟合，直到区域内所有激光点都参与模型拟合，其中在模型误差范围内的点分类为路面点；

道路标志检测是根据三维激光传感器对于不同材料反射率不同的特性，对路面点进行类别分类，将其中属于道路标志的激光点分离出来；具体为统计实际场景中道路标志的激光反射率分布，结合大津法和统计结果获得全局的反射率阈值，并根据全局阈值对路面点进行分割将道路标志点提取出来；

全局地图拼接是根据同步采集的位姿信息进行全局地图的拼接；在采集激光数据的同时会采集同步的位姿数据，根据位姿数据将激光数据转换为全局GPS坐标，然后根据连续的位姿序列，将提取的道路标志拼接成全局GPS坐标下的点云地图。

进一步的，车道线参数化是通过提取并参数化道路标志点云地图中的车道线数据对道路标志点云地图进行进一步的压缩；根据实际的交通场景进行抽象提炼出若干个几何化的车道线模型，并使用离散化的点集进行描述，其中点与点之间的间隔为0.2米；同时从全局点云地图中根据位姿序列生成50米*50米的子地图，随着位姿序列变化间隔25米提取一次子地图；将子地图点集作为目标点集，车道线模型点集作为源点集，进行点集配准；定义最佳配准的度量函数：

其中d表示子地图点集p_j与车道线模型点集q_j中最近邻点的距离；s_i表示是否满足距离阈值；Ratio表示经过配准后的车道线点集与子地图点集的重叠程度；在配准过程中，每个车道线模型都与子地图点集进行配准，并都找到最优配准；然后计算这些车道线模型点集与子地图模型的重叠程度，将重叠程度最高的作为当前子地图的车道线模型，并根据模型进行车道线的提取；

在提取到车道线候选点之后，需要对这些点进行基于密度的聚类，将这些点分成片段状的车道线点集；然后对聚类后的每个点集进行三次样条曲线的拟合，从而将车道线完成参数化描述。

与现有技术相比，本发明有以下技术效果：

本发明所述大范围车道级高精度地图创建系统通过数据采集模块、全局点云地图生成和车道线参数化三个模块，实现了在结构化交通场景下的高精度地图高自动化创建。通过采集高精度的传感器数据，以及精确的车道线检测提取方法，获得了高精度的车道级地图，实现了高自动化的大范围地图创建。由于系统可采用高精度、低功耗的激光传感器、导航设备、及计算平台，可广泛应用于无人驾驶汽车地图创建、智能车辅助驾驶等领域。

进一步的，本发明所述大范围车道级高精度地图创建系统主要李永乐多传感器提供的高精度数据，如位姿数据和激光数据。利用激光反射率提供的有效信息以及提取先验的车道线模型，精确地将车道线激光点从原始激光数据中提取出来。并使用准确的三次样条曲线模型对车道线激光点进行曲线拟合，从而获得平滑而精确的参数化车道线结果，最终实现在大范围场景下的车道级高精度地图自动创建。

附图说明

图1为本发明系统结构图；

图2为单帧激光数据分成的360个区域高斯过程拟合结果示意图；

图3为单帧激光数据的路面分割结果图；

图4为城区场景全局道路标志点云地图的示例；

图5a为几何化车道线模型示例；

图5b为几何化车道线模型示例；

图5c为几何化车道线模型示例；

图5d为几何化车道线模型示例；

图6为车道线模型点集与子地图点集配准结果示例；

图7为高速路段的参数化车道级高精度地图结果示例。

具体实施方式

以下结合附图对本发明进一步说明：

请参阅图1-图7，基于三维激光和GPS惯性导航系统的车道级地图创建系统，包括数据采集模块、全局点云地图生成模块和车道线参数化模块；数据采集模块、全局点云地图生成模块和车道线参数化模块依次连接；数据采集模块包括全局位姿数据采集装置、激光数据采集装置以及激光数据预处理装置；

全局点云地图生成模块包括激光数据路面分割、道路标志检测提取和全局地图生成，通过高斯过程回归模型对激光数据进行路面点进行分割提取，从单帧激光数据中分割出路面点；通过激光对于不同材料的反射率不同来进行道路标志的检测提取；根据与激光数据对齐的全局位姿数据进行道路标志的累积，从而获得全局道路标志点云地图；

车道线参数化模块包括车道线检测提取和对车道线点的参数化；通过实际场景中道路车道线形状进行车道线点的有效提取，去除噪声数据；以车道线模型为参考，从全局道路标志点云地图中有效提取出车道线候选点。

激光数据采集装置为多线三维激光传感器；激光数据预处理装置为工控机，激光数据预处理包括对激光数据进行位姿补偿、激光反射率的校正，根据激光的线束和反射率级数构建反射率映射表。

全局位姿数据采集装置为GPS惯性导航系统。

对车道线点的参数化是基于提取的车道线候选点使用三次样条进行曲线拟合，得到平滑的参数化车道线结果。

多线三维激光传感器安装在车顶，GPS惯性导航系统安装在车的后轴中心；获得六个维度的位姿数据，包括空间坐标和三个角度的变化量；利用采集激光数据的时间戳和局部位姿数据对不同位置的激光数据进行运动补偿。

全局点云地图生成模块中的主要步骤为路面分割、道路标志检测和全局地图拼接；

路面分割是基于高斯过程回归模型对每帧激光数据进行路面分割，将采集到的单帧激光数据进行坐标系转换为极坐标形式，根据角度分为360个不同区域，在每个区域中，将激光点的半径和高度值作为高斯过程回归模型的输入进行曲线拟合；其中高斯过程回归模型的初始值选定为距离车体近的激光点，假定这些点都是路面点；每个区域的激光点都迭代进行高斯过程回归模型的拟合，直到区域内所有激光点都参与模型拟合，其中在模型误差范围内的点分类为路面点；

道路标志检测是根据三维激光传感器对于不同材料反射率不同的特性，对路面点进行类别分类，将其中属于道路标志的激光点分离出来；具体为统计实际场景中道路标志的激光反射率分布，结合大津法和统计结果获得全局的反射率阈值，并根据全局阈值对路面点进行分割将道路标志点提取出来；

全局地图拼接是根据同步采集的位姿信息进行全局地图的拼接；在采集激光数据的同时会采集同步的位姿数据，根据位姿数据将激光数据转换为全局GPS坐标，然后根据连续的位姿序列，将提取的道路标志拼接成全局GPS坐标下的点云地图。

车道线参数化是通过提取并参数化道路标志点云地图中的车道线数据对道路标志点云地图进行进一步的压缩；根据实际的交通场景进行抽象提炼出若干个几何化的车道线模型，并使用离散化的点集进行描述，其中点与点之间的间隔为0.2米；同时从全局点云地图中根据位姿序列生成50米x50米的子地图，随着位姿序列变化间隔25米提取一次子地图；本发明将几何化的车道线模型作为先验信息，从全局道路标志点云地图中提取出车道线候选点；将子地图点集作为目标点集，车道线模型点集作为源点集，进行点集配准；定义最佳配准的度量函数：

其中d表示子地图点集p_j与车道线模型点集q_j中最近邻点的距离；s_i表示是否满足距离阈值；Ratio表示经过配准后的车道线点集与子地图点集的重叠程度；在配准过程中，每个车道线模型都与子地图点集进行配准，并都找到最优配准；然后计算这些车道线模型点集与子地图模型的重叠程度，将重叠程度最高的作为当前子地图的车道线模型，并根据模型进行车道线的提取；

在提取到车道线候选点之后，需要对这些点进行基于密度的聚类，将这些点分成片段状的车道线点集；然后对聚类后的每个点集进行三次样条曲线的拟合，从而将车道线完成参数化描述。

本发明提出的大范围车道级高精度地图创建系统实验平台的硬件设备包括车载相机、全局位姿测量系统、三维激光雷达、工控机及千兆网交换机等数据传输设备。其中，三维激光雷达安装在无人车车顶正上方，便于感知无人车周围环境。全局位姿测量系统采用GPS/INS惯导系统，由惯性测量单元、GPS接收机、GPS天线及用于差分的数据传输单元组成，其中惯性测量单元和GPS天线安装在无人车后轴中心的竖直线上，与车体坐标系的坐标原点在XY坐标下一致。工控机安装在无人车内部，用于数据处理计算和软件、程序的运行。千兆网交换机安装车内适当位置。

该大范围车道级高精度地图创建系统原理：主要包括采集模块、全局点云地图生成和车道线参数化。目前该系统已集成安装于西安交通大学人工智能与机器人研究所视觉认知计算与智能车实验室的“夸父一号”无人驾驶平台上，并顺利完成常熟部分城区场景的车道级高精度地图创建，并完成上述路段的自主导航驾驶。

(一)实验平台硬件介绍

1)GPS/INS惯导系统：

实验平台安装的惯导系统为加拿大NovAtel公司的SPAN-LCI。由惯性测量单元(IMU)、GPS接收机和GPS天线等组成，同时，配备了数据传输单元(DTU)传输差分改正数，组合多种定位设备实现高精度的全局定位。

使用的惯导系统的各项性能指标如表1所示：

表1 SPAN-LCI惯导系统性能指标

2)工控机：

实验平台使用的工控机为凌华公司的车载刀片服务器ADLINK嵌入式电脑，体积小、可挂式安装、运算速度快，同时配置了固态硬盘，其指标如表2所示：

表2 ADLINK工控机性能指标

3)三维激光雷达：

实验平台上安装的三维激光雷达是美国Velodyne公司生产的64线激光雷达HDL-64E，其扫描线数多、覆盖范围广、数据量丰富，可以较逼真的还原场景。

各硬件的连接关系如图1所示。系统计算负载在车载刀片服务器ADLINK嵌入式电脑(分为位姿工控机、视觉工控机以及激光工控机)上进行；所有模块间通过千兆以太网，以UDP数据包方式进行通信。系统成本低廉、功耗低，且具有较高的整体移植性，适合批量推广应用。

在线采集传感器数据时，需要对齐激光数据和位姿数据。激光数据从三维激光雷达获取，原始数据通过千兆以太网传输到激光工控机，经过数据解析从极坐标系转换到激光坐标系下，同时也存储了经过时间戳同步后的激光数据对应时间戳。位姿数据通过GPS接收机获取，然后通过千兆网接口传输到工控机上。

(二)本发明的软件系统介绍如下：

1)开发平台

本发明采用windows 7操作系统作为软件的运行平台，Windows操作系统具有支持图形化显示和多任务机制，操作简单，实时性高，运行稳定等优点。程序主要开发和测试在MATLAB2017b平台上完成。

2)系统框架设计

整个系统如图1所示，输入为三维激光数据和位姿数据，设计工作主要分为三个模块，包括数据采集、全局点云地图生成和车道线参数化。本发明使用了两种高精度的传感器设备，分别是三维激光和差分GPS系统，从而生成具有高精度的车道级地图。在全局点云地图生成模块，本发明使用了基于高斯过程回归的路面分割算法来获取准确的路面点。然后根据激光反射率，使用全局反射率阈值进行道路标志和普通路面的分割。最后根据对应的位姿数据进行全局点云地图的拼接。在车道线参数化模块，本发明根据实际场景抽象出多种车道线几何模型，并基于这些模型进行车道线候选点的提取。将提取的车道线进行聚类分成单根车道线点集，在每个点集中使用三次样条进行曲线拟合，从而获得参数化的车道线地图结果。

Claims (7)

1.基于三维激光和GPS惯性导航系统的车道级地图创建系统，其特征在于，包括数据采集模块、全局点云地图生成模块和车道线参数化模块；数据采集模块、全局点云地图生成模块和车道线参数化模块依次连接；数据采集模块包括全局位姿数据采集装置、激光数据采集装置以及激光数据预处理装置；

全局点云地图生成模块用于激光数据路面分割、道路标志检测提取和全局地图生成，通过高斯过程回归模型对激光数据进行路面点进行分割提取，从单帧激光数据中分割出路面点；通过激光对于不同材料的反射率不同来进行道路标志的检测提取；根据与激光数据对齐的全局位姿数据进行道路标志的累积，从而获得全局道路标志点云地图；

车道线参数化模块用于车道线检测提取和对车道线点的参数化；通过实际场景中道路车道线形状进行车道线点的有效提取，去除噪声数据；以车道线模型为参考，从全局道路标志点云地图中有效提取出车道线候选点。

2.根据权利要求1所述的基于三维激光和GPS惯性导航系统的车道级地图创建系统，其特征在于，激光数据采集装置为多线三维激光传感器；激光数据预处理装置为工控机，激光数据预处理包括对激光数据进行位姿补偿、激光反射率的校正，根据激光的线束和反射率级数构建反射率映射表。

3.根据权利要求1所述的基于三维激光和GPS惯性导航系统的车道级地图创建系统，其特征在于，全局位姿数据采集装置为GPS惯性导航系统。

4.根据权利要求1所述的基于三维激光和GPS惯性导航系统的车道级地图创建系统，其特征在于，对车道线点的参数化是基于提取的车道线候选点使用三次样条进行曲线拟合，得到平滑的参数化车道线结果。

5.根据权利要求2所述的基于三维激光和GPS惯性导航系统的车道级地图创建系统，其特征在于，多线三维激光传感器安装在车顶，GPS惯性导航系统安装在车的后轴中心；获得六个维度的位姿数据，包括空间坐标和三个角度的变化量；利用采集激光数据的时间戳和局部位姿数据对不同位置的激光数据进行运动补偿。

6.根据权利要求1所述的基于三维激光和GPS惯性导航系统的车道级地图创建系统，其特征在于，全局点云地图生成模块中的主要步骤为路面分割、道路标志检测和全局地图拼接；

路面分割是基于高斯过程回归模型对每帧激光数据进行路面分割，将采集到的单帧激光数据进行坐标系转换为极坐标形式，根据角度分为360个不同区域，在每个区域中，将激光点的半径和高度值作为高斯过程回归模型的输入进行曲线拟合；其中高斯过程回归模型的初始值选定为距离车体近的激光点，假定这些点都是路面点；每个区域的激光点都迭代进行高斯过程回归模型的拟合，直到区域内所有激光点都参与模型拟合，其中在模型误差范围内的点分类为路面点；

道路标志检测是根据三维激光传感器对于不同材料反射率不同的特性，对路面点进行类别分类，将其中属于道路标志的激光点分离出来；具体为统计实际场景中道路标志的激光反射率分布，结合大津法和统计结果获得全局的反射率阈值，并根据全局阈值对路面点进行分割将道路标志点提取出来；

全局地图拼接是根据同步采集的位姿信息进行全局地图的拼接；在采集激光数据的同时会采集同步的位姿数据，根据位姿数据将激光数据转换为全局GPS坐标，然后根据连续的位姿序列，将提取的道路标志拼接成全局GPS坐标下的点云地图。

7.根据权利要求1所述的基于三维激光和GPS惯性导航系统的车道级地图创建系统，其特征在于，车道线参数化是通过提取并参数化道路标志点云地图中的车道线数据对道路标志点云地图进行进一步的压缩；根据实际的交通场景进行抽象提炼出若干个几何化的车道线模型，并使用离散化的点集进行描述，其中点与点之间的间隔为0.2米；同时从全局点云地图中根据位姿序列生成50米*50米的子地图，随着位姿序列变化间隔25米提取一次子地图；将子地图点集作为目标点集，车道线模型点集作为源点集，进行点集配准；定义最佳配准的度量函数：

其中d表示子地图点集p_j与车道线模型点集q_j中最近邻点的距离；s_i表示是否满足距离阈值；Ratio表示经过配准后的车道线点集与子地图点集的重叠程度；在配准过程中，每个车道线模型都与子地图点集进行配准，并都找到最优配准；然后计算这些车道线模型点集与子地图模型的重叠程度，将重叠程度最高的作为当前子地图的车道线模型，并根据模型进行车道线的提取；

在提取到车道线候选点之后，需要对这些点进行基于密度的聚类，将这些点分成片段状的车道线点集；然后对聚类后的每个点集进行三次样条曲线的拟合，从而将车道线完成参数化描述。