CN109883434B

CN109883434B - 限制场景下辅助无人车全局定位的场端及全局定位方法

Info

Publication number: CN109883434B
Application number: CN201910225930.XA
Authority: CN
Inventors: 周易
Original assignee: Motovis Technology Shanghai Co ltd
Current assignee: Motovis Technology Shanghai Co ltd
Priority date: 2019-03-25
Filing date: 2019-03-25
Publication date: 2022-08-19
Anticipated expiration: 2039-03-25
Also published as: CN109883434A

Abstract

一种限制场景下辅助无人车全局定位的场端，包括相互区别的多种语义特征图案，所述多种语义特征图案按照语义循环编码以间距D布置于限制场景无人车行驶道路的至少一侧，所述语义循环编码由多个码组合构成，该多个码与所述多种语义特征图案一一对应，所述语义循环编码的周期序列在定位不确定度区间内不具二义性，所述间距D通过公式L＝(D×(N‑1))计算，L为定位不确定度区间半长轴的长度，N为周期序列的长度。本发明可以确保在车端定位不确定度区间内，车端可迅速完成全局重定位,布置效率高、费用低、运维成本低廉，降低了场端与车端的通讯负担，简化了三端合一系统的设计难度。

Description

限制场景下辅助无人车全局定位的场端及全局定位方法

技术领域

本发明涉及无人驾驶技术领域，尤其涉及一种限制场景下辅助无人车全局定位的场端及全局定位方法。

背景技术

无人驾驶技术通常指汽车在不需要人为操作的情况下，能够通过自身配备的传感器感知周围环境，完成导航、路径规划和控制任务的一套完整系统。无人驾驶技术从被提出伊始，便被视作一项将为人类社会带来深远变革的技术。普华永道预测无人驾驶技术的普及将使整体交通事故减少百分之九十；毕马威汽车研究中心预测，无人驾驶技术将驱使生产力与能源效率将能获得改善，并会出现新的商业模式。

根据自主程度的高低(即需要驾驶员参与任务的多少)划分，无人驾驶技术可分为五个级别：L1(辅助驾驶)、L2(半自动驾驶)、L3(高度自动驾驶)、L4(超高度自动驾驶)、L5(全自动驾驶)。目前业内的激烈竞争主要集中在L3、L4级别的智能驾驶解决方案。在从L3级向L4级的过渡中，研发人员的首要目标是实现在限制场景下的L4级自动驾驶。目前，最接近商业化落地的应用场景包括无人自动化港口、代客泊车等。这些应用场景的共同特点是要求车辆能够实时了解自身的运动状态(位置、航向、速度信息等)，感知周边环境(测距、障碍物检测、行车线路检测等)。当下，业内最为流行的是将车端、场端和地图端三端合一的解决方案。通常的策略是将高精离线地图载入到车端，车端通过自身配备的传感器估计自身运动状态和感知周边环境，场端不断向车端发送消息，一方面可以协助车端提升定位和感知的精度，另一方面可以指引车辆驶向目标位置。上述三端合一的解决方案中，场端技术的研发较之车端和地图端有一定的滞后。这里所说的滞后主要是针对场端在辅助车辆提高定位精度而言的。在目前现有的解决方案中，为了确保车辆在限制场景中能够在任何时刻精准的定位(不受季节、光照、天气等因素影响)，供应商通常不惜成本的在场端安装价格不菲的传感器设备。例如在洋山港四期工程和青岛港无人港口项目中，在场端地面以下埋设了上万枚磁钉以及相应的线缆。自动引导运输车(AGV)通过磁导航传感器检测磁钉的磁信号来实现车辆定位。另一个例子是在代客泊车的应用场景下，供应商(禾多公司、博世公司等)对场端增设基于激光雷达、摄像机等联合传感器的智能设施，用于监控场景中所有车辆的行为。上述的场端技术方案都面临高额的场地改造费用和运维成本，而且对于不同的工况，改造方案(场端传感器的配置)需要进行相应调整，因此无法实现统一标准和大规模普及。

现有场端解决方案及其优缺点如下：

1、名称：梅赛德斯奔驰—博世—戴姆勒公司的代客泊车服务系统

技术要点比较：该方案是一套由上述三家公司联合研发的结合车端、场端和地图端的代客泊车解决方案。通过在停车场中安装智能基础设施(包括激光雷达、摄像机等传感器)，对停车场区域内的状况(包括车辆、行人等)进行监测，引导车辆行驶到指定车位。这种方案一方面由于需要引入激光雷达等昂贵的传感器，增加了场端费用和运维成本，不利于大规模的推广；另一方面，场端承担了一部分感知的任务，车端需要与场端进行持续的通讯，把停车场智能基础设施发出的指令转化为驾驶操作指令，增加了系统设计的复杂程度。

2、名称：禾多公司的HoloParking解决方案

技术要点比较：禾多公司从2018年年底推出了名为HoloParking的自动代客泊车概念方案。该方案与上述方案1，是一套融合车端、场端和地图端的策略。其局限性和缺陷与方案1类似。

3、名称：洋山港四期工程

技术要点比较：为了实现牵引车的精准定位，洋山港四期工程采用了电磁感应定位的方法，在整个港区无人区域的地面以下铺设有6万多枚磁钉。自动引导运输车(AGV)通过磁导航传感器检测磁钉的磁信号，实现对车辆的精准定位。该场端技术方案有以下缺点：1)磁钉造价高昂，同时由于埋在地下，无法快速部署，一经铺设不易更改，后续更改需要二次作业； 2)由于磁信号的稳定性对于实现定位至关重要，因此在该场景下要确保不能存在电磁场干扰，在AGV运行的路径上不允许存在有消磁影响的设备；3) 场端需要特种车辆(如造价极其昂贵的、搭载磁导航传感器的AGV)的支持，因此这类场端方案难以向一般乘用车场景(如代客泊车)推广。

发明内容

基于此，针对上述技术问题，提供一种限制场景下辅助无人车全局定位的场端及全局定位方法。

为解决上述技术问题，本发明采用如下技术方案：

一种限制场景下辅助无人车全局定位的场端，包括相互区别的多种语义特征图案，所述多种语义特征图案按照语义循环编码以间距D布置于限制场景无人车行驶道路的至少一侧，所述语义循环编码由多个码组合构成，该多个码与所述多种语义特征图案一一对应，所述语义循环编码的周期序列在定位不确定度区间内不具二义性，所述间距D通过公式L＝(D×(N-1)) 计算，L为定位不确定度区间半长轴的长度，N为周期序列的长度。

所述多种语义特征图案按照语义循环编码布置于限制场景无人车行驶道路的两侧，所述限制场景无人车行驶道路为单行道时，两侧的语义循环编码顺序相同，所述限制场景无人车行驶道路为双行道时，两侧的语义循环编码顺序相反。

所述语义特征图案为两种，所述周期序列为0000111101100101000，构成二进制的语义循环编码，0和1分别一一对应两种语义特征图案。

所述语义特征图案喷涂于地面或者高于地面的基础设施上。

两种语义特征图案为矩形图案以及十字形图案，矩形图案对应0，十字形图案对应1。

本方案还涉及一种无人车全局定位方法，包括：

A、在无人车行驶过程中，通过其上的视觉传感器观测离所述无人车最近的多个语义特征图案，获得所述多个语义特征图案的车体坐标P_body，并将所述多个语义特征图案转换为语义循环编码；

B、同时，从所述无人车的语义地图中，获取定位不确定度区间半长轴限定范围内的所有语义特征图案点的地图坐标及其对应的语义循环编码；

C、对步骤A与步骤B中的语义循环编码进行匹配，确定步骤B获取的所有语义特征图案点中与步骤A观测的多个语义特征图案对应的多个语义特征图案点；

D、将步骤A中的多个语义特征图案的车体坐标P_body以及步骤C中多个语义特征图案点的地图坐标P_map代入公式

中，计算得到R以及t，完成全局定位，R为车辆当前的航向信息，t为车辆当前的地图坐标，n>＝2。

在所述步骤A中，所述视觉传感器通过深度学习算法检测所述语义特征图案在视觉传感器图像坐标系中的坐标，再通过该视觉传感器的内外参数将该坐标转换为车体坐标P_body。

本发明场端可以确保在车端定位不确定度区间内，车端可通过识别最近的多个语义特征图案能够迅速完成全局重定位,无需引入昂贵的传感器，无需布线，布置效率高、费用低、运维成本低廉，并且不需要承担车端的感知任务，降低场端与车端的通讯负担，简化了三端合一系统的设计难度，此外，无需配合特殊车辆(如搭载磁导航传感器的AGV)使用，适用于几乎所有搭载视觉传感器的车辆定位(智能集卡、一般乘用车等)，具备向不同的限制场景(包括无人港口、代客泊车等)推广的潜力。

附图说明

下面结合附图和具体实施方式对本发明进行详细说明：

图1为本发明在单行道的结构示意图

图2为本发明在双行道的结构示意图。

具体实施方式

如图1以及图2所示，一种限制场景下辅助无人车全局定位的场端，包括多种语义特征图案11，多种语义特征图案11按照语义循环编码以间距D布置于限制场景无人车行驶道路2的至少一侧。

多种语义特征图案11相互区别，以便车端能通过视觉检测进行区分。

语义循环编码由多个码组合构成，该多个码与上述多种语义特征图案一一对应，语义循环编码的周期序列在定位不确定度区间内不具二义性(即在该区间范围内无人车不会识别到重复的编码)，间距D通过公式L＝(D ×(N-1))计算，L为定位不确定度区间半长轴的长度，N为周期序列的长度。

其中，定位不确定度区间是由车辆上多种传感器的不确定度融合得到。对于GPS来说，不确定度有一个理论上界，产品说明书会给出。对于视觉历程计而言，是通过重投影误差传播得到。一般来说，系统全局定位的不确定度的上界由系统中最精确的传感器决定，这个不确定度的上界即由半长轴来限定，可以用来计算间距D。

本发明场端可以确保在定位不确定度区间范围内，车端可通过识别最近的多个语义特征图案能够迅速完成全局重定位,无需引入昂贵的传感器，无需布线，布置效率高、费用低、运维成本低廉，并且不需要承担车端的感知任务，降低场端与车端的通讯负担，简化了三端合一系统的设计难度，此外，无需配合特殊车辆(如搭载磁导航传感器的AGV)使用，适用于几乎所有搭载视觉传感器的车辆定位(智能集卡、一般乘用车等)，具备向不同的限制场景(包括无人港口、代客泊车、高速公路封闭段等)推广的潜力。

如图1以及图2所示，具体地，多种语义特征图案按照语义循环编码布置于限制场景无人车行驶道路的两侧，限制场景无人车行驶道路为单行道时，两侧的语义循环编码顺序相同，限制场景无人车行驶道路为双行道时，两侧的语义循环编码顺序相反。

语义特征图案喷涂于地面或者高于地面(已知高度)的基础设施上，使用低反光率、防水性好、耐磨的材料。

在本实施例中，假设距离无人车3最近的四个语义特征图案(无人车右侧最近的四个语义特征图案)可以精准地被识别。基于这一假设，设计了四个数字位的二进制循环编码：…1010000111101100101000011…，由0 和1两个码组合构成，其周期序列为0000111101100101000，该二进制循环编码的读取方法为：首先从左边第一位开始读取四位，然后每次右移一位再读取四位，以此类推，如0000->0；0001->1；0011->3，故上述二进制循环编码相应的类别为：…-10-4-8-0-1-3-7-15-14-13-11-6-12-9-2-5-10-4-8-0-1-3-…，周期序列的长度N为16，参见表1。

相应地，语义特征图案11为两种，0和1两个码分别一一对应两种语义特征图案。

语义特征图案通常会选择限制场景中出现频率较高、有规范标准的特征图案，当然也可以自行设计，在本实施例中，两种语义特征图案为矩形图案(长50cm，宽20cm)以及十字形图案(长50cm，宽20cm)，矩形图案对应0，十字形图案对应1。

上述二进制循环编码能够满足在D×(16-1)米的范围内不具有二义性，假如设计值D＝3米，就能够确保车辆在45米的范围内不会检测到具有二义性的编码。因此，当车端的定位不确定度(由于GPS信号失真、轮式或视觉里程计由于积累产生漂移等因素引起)小于45米时，通过识别最近的四个语义特征图案能够迅速完成全局重定位。

表1

本发明还涉及一种无人车全局定位方法，包括：

A、在无人车行驶过程中，通过其上的视觉传感器(相机)观测离无人车最近的多个语义特征图案，获得多个语义特征图案的车体坐标P_body，并将多个语义特征图案转换为语义循环编码。

具体地，视觉传感器通过深度学习算法检测语义特征图案在视觉传感器图像坐标系中的坐标，再通过该视觉传感器的内外参数将该坐标转换为车体坐标P_body。

其中，车体坐标系的原点定义在无人车上。

B、同时，从无人车的语义地图中，获取定位不确定度区间半长轴限定范围内的所有语义特征图案点的地图坐标及其对应的语义循环编码。

需要指出的是，语义地图由配备有高精度RTK-GPS和视觉传感器的建图车辆，应用当下最先进的大规模SfM(structure from motion)技术获得，该语义地图中包含对应语义特征图案的语义特征图案点、相应地图坐标以及语义循环编码。

C、对步骤A与步骤B中的语义循环编码进行匹配，确定步骤B获取的所有语义特征图案点中与步骤A观测的多个语义特征图案对应的多个语义特征图案点。

如步骤A中观测到最近的8个语义特征图案，其语义循环编码为 01000100，则通过匹配确定步骤B获取的所有语义特征图案点中语义循环编码为01000100的8个语义特征图案点。

中，计算得到R以及t，完成全局定位，R为车辆当前的航向信息(旋转矩阵)，t为车辆当前的地图坐标(平移矩阵)，n>＝2。

假设无人车3能精准地观测到最近的8个语义特征图案，8个语义特征图案的车体坐标以及编码如下：

车体坐标	编码
		P<sup>1</sup><sub>body</sub>＝[-1.50000000000000；0]	0
P<sup>2</sup><sub>body</sub>＝[-1.50000000000000；1]	1
		P<sup>3</sup><sub>body</sub>＝[-1.50000000000000；2]	0
P<sup>4</sup><sub>body</sub>＝[-1.50000000000000；3]	0
		P<sup>5</sup><sub>body</sub>＝[1.50000000000000；0]	0
P<sup>6</sup><sub>body</sub>＝[1.50000000000000；1]	1
		P<sup>7</sup><sub>body</sub>＝[1.50000000000000；2]	0
P<sup>8</sup><sub>body</sub>＝[1.50000000000000；3]	0

同时，从无人车的语义地图中，获取到多个语义特征图案点，经过匹配，得到与8个语义特征图案对应的8个语义特征图案点，8个语义特征图案点的地图坐标以及编码如下：

地图坐标	编码
		P<sup>1</sup><sub>map</sub>＝[30；30]	0
P<sup>2</sup><sub>map</sub>＝[29.2929341256016；30.7071476856083]	1
		P<sup>3</sup><sub>map</sub>＝[28.5858682512032；31.4142953712166]	0
P<sup>4</sup><sub>map</sub>＝[27.8788023768047；32.1214430568249]	0
		P<sup>5</sup><sub>map</sub>＝[32.1214430568249；32.1211976231953]	0
P<sup>6</sup><sub>map</sub>＝[31.4143771824265；32.8283453088036]	1
		P<sup>7</sup><sub>map</sub>＝[30.7073113080281；33.5354929944119]	0
P<sup>8</sup><sub>map</sub>＝[30.0002454336297；34.2426406800202]	0

将上述车体坐标以及地图坐标代入公式

中，得到：

R＝[0.707147685608313 -0.707065874398423； 0.7070658743984230.707147685608313]，

t＝[30；0]。

需要说明的是，在本发明实施例中的二进制循环编码是通过以下两步得到的：i)建立以表1中某类别为根节点的所有可能的循环编码二叉树；ii)查找最长路径上的所有节点。二叉树结果如下：

但是，本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims

1.一种限制场景下辅助无人车全局定位的场端，其特征在于，包括相互区别的多种语义特征图案，所述多种语义特征图案按照语义循环编码以间距D布置于限制场景无人车行驶道路的至少一侧，所述语义循环编码由多个码组合构成，该多个码与所述多种语义特征图案一一对应，所述语义循环编码的周期序列在定位不确定度区间内不具二义性，所述间距D通过公式L＝(D×(N-1))计算，L为定位不确定度区间半长轴的长度，N为周期序列的长度。

2.根据权利要求1所述的一种限制场景下辅助无人车全局定位的场端，其特征在于，所述多种语义特征图案按照语义循环编码布置于限制场景无人车行驶道路的两侧，所述限制场景无人车行驶道路为单行道时，两侧的语义循环编码顺序相同，所述限制场景无人车行驶道路为双行道时，两侧的语义循环编码顺序相反。

3.根据权利要求1或2所述的一种限制场景下辅助无人车全局定位的场端，其特征在于，所述语义特征图案为两种，所述周期序列为0000111101100101000，构成二进制的语义循环编码，0和1分别一一对应两种语义特征图案。

4.根据权利要求3所述的一种限制场景下辅助无人车全局定位的场端，其特征在于，所述语义特征图案喷涂于地面或者高于地面的基础设施上。

5.根据权利要求4所述的一种限制场景下辅助无人车全局定位的场端，其特征在于，两种语义特征图案为矩形图案以及十字形图案，矩形图案对应0，十字形图案对应1。

6.一种根据权利要求1-5任意一项所述的场端进行的无人车全局定位方法，其特征在于，包括：

7.根据权利要求6所述的无人车全局定位方法，其特征在于，在所述步骤A中，所述视觉传感器通过深度学习算法检测所述语义特征图案在视觉传感器图像坐标系中的坐标，再通过该视觉传感器的内外参数将该坐标转换为车体坐标P_body。