CN110208783B - 基于环境轮廓的智能车辆定位方法 - Google Patents

基于环境轮廓的智能车辆定位方法 Download PDF

Info

Publication number
CN110208783B
CN110208783B CN201910422244.1A CN201910422244A CN110208783B CN 110208783 B CN110208783 B CN 110208783B CN 201910422244 A CN201910422244 A CN 201910422244A CN 110208783 B CN110208783 B CN 110208783B
Authority
CN
China
Prior art keywords
vehicle
environment
particles
information
method based
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910422244.1A
Other languages
English (en)
Other versions
CN110208783A (zh
Inventor
王祝萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji Institute Of Artificial Intelligence Suzhou Co ltd
Original Assignee
Tongji Institute Of Artificial Intelligence Suzhou Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongji Institute Of Artificial Intelligence Suzhou Co ltd filed Critical Tongji Institute Of Artificial Intelligence Suzhou Co ltd
Priority to CN201910422244.1A priority Critical patent/CN110208783B/zh
Publication of CN110208783A publication Critical patent/CN110208783A/zh
Application granted granted Critical
Publication of CN110208783B publication Critical patent/CN110208783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Traffic Control Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)

Abstract

本发明涉及一种基于环境轮廓的智能车辆定位方法，包括获取区域的环境轮廓、车辆方向盘转角、车辆速度、车辆参数信息建立车辆的阿克曼转向运动模型，同步到当前车辆的坐标系下，合成环境轮廓的信息，利用蒙特卡洛定位算法、阿克曼转向运动模型，通过车辆方向盘转角、车辆速度、上一时刻车辆的位姿，预测车辆当前粒子的位姿，利用环境轮廓的信息作为定位特征，与地图进行匹配，获取粒子的权重，选择权重最大的粒子作为车辆的最优姿态估计输出。本发明直接获得环境的轮廓信息，不用单独提取定位特征，获得更加丰富的环境数据并降低方法成本；相对于惯导设备，可以构建更高精度的车辆运动模型，在融合多帧数据和预测车辆位置可以获得精度更高的数据。

Description

基于环境轮廓的智能车辆定位方法
技术领域
本发明涉及一种智能车辆的定位方法，尤其涉及一种基于环境轮廓的智能车辆定位方法。
背景技术
智能车辆是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，它集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术，是典型的高新技术综合体。智能车辆已经成为智能交通领域中非常热门的一个研究领域。随着智能车辆的自动化程度越来越高，在国防军事、物资运输、工业生产和日常生活等方面都充满着巨大的实用价值。在国防军事方面，智能车辆可以用于复杂场景的战场环境执行军事救援和人员运输等。在物资运输方面，可以用于长距离的货物运输，避免疲劳驾驶等危险驾驶行为。在工业生产方面，可以配合自动化工厂实现完全无人干预的全自动无人工厂建设。此外在日常生活等方面，智能车辆的出现可以极大地方便人们日常的工作通勤，同时提高人们的效率和安全性。
通常说来，智能车辆是由环境感知，决策规划和智能控制组成。作为环境感知的一个重要组成部分，定位确定了车辆在环境中的位置以及为后续行为决策和路径规划提供必要的位姿信息。因此，高精度和鲁棒性的定位决定了智能车辆的整体性能。
在开放区域，高精度位置信息可以通过融合全球导航卫星系统(GNSS)和惯性导航系统(INS)获得。但是，在城市环境中，因为多路径效应和信号遮挡，这种方法不能总是获得高精度定位结果。特别是长时间的GPS信号遮挡，即使融合其他惯性导航设备，也不能保障定位的精度，所以需要一种不依赖于GPS的定位方法。通过基于高精度地图的定位则可以解决该问题。基于地图的定位是通过车载传感器采集车辆周围的环境信息，然后与地图中的数据匹配，这样匹配程度最高的位置就是估计出的车辆位置。一般用来定位的环境特征有车道线、建筑物轮廓和路沿等。一般来说，首先需要将这些特征提前存储在在地图中，然后在定位的过程中，再通过车载传感器将这些特征提取出来，与地图中的数据匹配。现在多数的定位算法通常将一种或多种特征用于定位，提取特征的数量会影响定位算法的鲁棒性；特征提取的精度会影响车辆最后的定位精度。
发明内容
本发明的目的是提供一种基于环境轮廓的智能车辆定位方法，本发明通过获取环境轮廓作为定位特征，融合车辆方向盘转角、车辆速度信息获得多帧的更加丰富的环境轮廓，进而获得更高精度和高鲁棒性的定位结果。
为达到上述目的，本发明采用的技术方案是：
一种基于环境轮廓的智能车辆定位方法，包括以下步骤：
S1：获取以下信息包括：区域的环境轮廓、车辆方向盘转角、车辆速度、车辆参数，通过上述信息建立车辆的阿克曼转向运动模型，获取不同时刻所述的区域的环境轮廓，同步到当前车辆的坐标系下，合成环境轮廓的信息，
S2：状态预测阶段：利用蒙特卡洛定位算法、所述的阿克曼转向运动模型，通过所述的车辆方向盘转角、所述的车辆速度、上一时刻车辆的位姿，预测车辆当前粒子的位姿，
S3：测量更新阶段：利用所述的环境轮廓的信息作为定位特征，与地图进行匹配，获取所述的粒子的权重，
S4：选择权重最大的粒子作为车辆的最优姿态估计输出。
优选地，采用IBEO激光雷达获取所述的区域的环境轮廓信息；采用CAN总线设备获取所述的车辆方向盘转角、所述的车辆速度信息。采用IBEO激光雷达相对于采用三维激光雷达可以降低传感器的成本，相对于单线的二维激光雷达可以获得更加丰富的环境数据。
优选地，在S1中：所述的车辆方向盘转角为θsteer，所述的车辆速度为V，所述的车辆参数包括车辆的前轮轴距l、车辆的后轮轴距τ，计算车辆的角速度ω为：
Figure BDA0002066379340000021
第t’时刻获取的所述的区域的环境轮廓的坐标P’＝(x’，y’)，同步到当前t时刻，车辆的运动增量为[dx，dy，dθ]T为：
Figure BDA0002066379340000022
t时刻同步后的坐标为：
Figure BDA0002066379340000023
优选地，在S1中：获取所述的车辆方向盘转角、所述的车辆速度信息的频率高于获取所述的区域的环境轮廓信息的频率。
优选地，在S2中：每次所述的粒子的采样数目根据粒子的方差确定。
进一步优选地，所述的粒子的采样数目为200-1000个。
优选地，在S2中：所述的阿克曼转向运动模型中的噪声建模成高斯分布。
优选地，在S3中：所述的地图的栅格分辨率为0.1-1m。进一步优选地，所述的地图的栅格分辨率为0.2m，既能保证描述环境地图的精度，又能减少地图存储的空间。
优选地，在S4中：对所述的粒子进行重采样，使所述的粒子被采样的概率与所述的粒子的权重成正比。
优选地，在S4中：随机生成5％-10％的随机粒子。通过生成随机粒子能够有效避免粒子退化，提高粒子的多样性。
进一步优选地，通过当前所述的粒子的统计概率均值μ、方差σ2，建模成高斯分布并采样获得所述的随机粒子，满足X～N(μ，σ2)。
由于上述技术方案运用，本发明与现有技术相比具有下列优点和效果：
1、通过感知车辆周围环境，可以直接获得环境的轮廓信息，不用单独提取定位特征，获得更加丰富的环境数据的同时降低方法成本；
2、利用车辆方向盘转角、车辆速度信息，相对于惯导设备，可以构建更高精度的车辆运动模型，在融合多帧数据和预测车辆位置可以获得精度更高的数据。
附图说明
附图1为本实施例的流程图；
附图2为本实施例中车辆的阿克曼运动模型；
附图3为本实施例中IBEO激光雷达、CAN总线设备同步示意图；
附图4为本实施例中采用的高精度地图；
附图5为本实施例中位姿估计输出图；
附图6为本实施例中典型粒子分布图。
具体实施方式
下面结合附图及实施案例对本发明作进一步描述：
如图1所示的一种基于环境轮廓的智能车辆定位方法，依次包括以下步骤：
S1：获取以下信息包括：区域的环境轮廓、车辆方向盘转角θsteer、车辆速度V、车辆参数，区域的环境轮廓包括如树木、电线杆、绿化带和建筑物轮廓；车辆参数具体包括车辆的前轮轴距l、车辆的后轮轴距τ。
其中：采用多个IBEO激光雷达获取不同区域的环境轮廓信息；采用CAN总线设备获取车辆方向盘转角、车辆速度信息。CAN总线设备的获取周期为10ms，IBEO激光雷达的获取周期为80ms，也就是说CAN总线设备获取车辆方向盘转角、车辆速度信息的频率高于IBEO激光雷达获取区域的环境轮廓信息的频率，如图3所示。
通过上述信息建立车辆的阿克曼转向运动模型，如图2所示。
获取不同时刻区域的环境轮廓，同步到当前车辆的坐标系下，合成环境轮廓的信息，其中：计算车辆的角速度ω为：
Figure BDA0002066379340000041
第t’时刻获取的区域的环境轮廓的坐标P’＝(x’，y’)，同步到当前t时刻，车辆的运动增量为[dx，dy，dθ]T为：
Figure BDA0002066379340000042
t时刻同步后的坐标为：
Figure BDA0002066379340000043
S2：状态预测阶段：利用蒙特卡洛定位算法、S1中的阿克曼转向运动模型，通过车辆方向盘转角、车辆速度、上一时刻车辆的位姿，预测车辆当前粒子的位姿。每次粒子的采样数目根据粒子的方差确定，粒子的采样数目通常在200-1000个。此外，阿克曼转向运动模型中的噪声建模成高斯分布。
S3：测量更新阶段：利用S1中环境轮廓的信息作为定位特征，与地图进行匹配，获取粒子的权重。其中：地图的栅格分辨率为0.1-1m，以格栅分辨率为0.2m来说，为高精度地图，如图4所示，其中，原卫星地图来源自高德地图。
S4：在更新完粒子的权重后，选择权重最大的粒子作为车辆的最优姿态估计输出。此外，对粒子进行重采样，使粒子被采样的概率与粒子的权重成正比，粒子的估计输出与粒子的典型分布如图5、6所示。根据实验测试结果分析，获取当前粒子的统计概率均值μ、方差σ2，并建模成高斯分布并采样获得5％-10％的随机粒子，满足X～N(μ，σ2)。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于环境轮廓的智能车辆定位方法，其特征在于：包括以下步骤：
S1：获取以下信息包括：区域的环境轮廓、车辆方向盘转角、车辆速度、车辆参数，通过上述信息建立车辆的阿克曼转向运动模型，获取不同时刻所述的区域的环境轮廓，同步到当前车辆的坐标系下，合成环境轮廓的信息，所述的车辆方向盘转角为θsteer，所述的车辆速度为V，所述的车辆参数包括车辆的前后轮轴距l、τ是车辆参数，计算车辆的角速度ω为：
Figure FDA0002787022920000011
第t’时刻获取的所述的区域的环境轮廓的坐标P’＝(x’，y’)，同步到当前t时刻，车辆的运动增量为[dx，dy，dθ]T为：
Figure FDA0002787022920000012
t时刻同步后的坐标为：
Figure FDA0002787022920000013
S2：状态预测阶段：利用蒙特卡洛定位算法、所述的阿克曼转向运动模型，通过所述的车辆方向盘转角、所述的车辆速度、上一时刻车辆的位姿，预测车辆当前粒子的位姿，
S3：测量更新阶段：利用所述的环境轮廓的信息作为定位特征，与地图进行匹配，获取所述的粒子的权重，
S4：选择权重最大的粒子作为车辆的最优姿态估计输出。
2.根据权利要求1所述的基于环境轮廓的智能车辆定位方法，其特征在于：采用IBEO激光雷达获取所述的区域的环境轮廓信息；采用CAN总线设备获取所述的车辆方向盘转角、所述的车辆速度信息。
3.根据权利要求1所述的基于环境轮廓的智能车辆定位方法，其特征在于：在S1中：获取所述的车辆方向盘转角、所述的车辆速度信息的频率高于获取所述的区域的环境轮廓信息的频率。
4.根据权利要求1所述的基于环境轮廓的智能车辆定位方法，其特征在于：在S2中：每次所述的粒子的采样数目根据粒子的方差确定。
5.根据权利要求4所述的基于环境轮廓的智能车辆定位方法，其特征在于：所述的粒子的采样数目为200-1000个。
6.根据权利要求1所述的基于环境轮廓的智能车辆定位方法，其特征在于：在S3中：所述的地图的栅格分辨率为0.1-1m。
7.根据权利要求1所述的基于环境轮廓的智能车辆定位方法，其特征在于：在S4中：对所述的粒子进行重采样，使所述的粒子被采样的概率与所述的粒子的权重成正比。
8.根据权利要求1所述的基于环境轮廓的智能车辆定位方法，其特征在于：在S4中：随机生成5％-10％的随机粒子。
9.根据权利要求8所述的基于环境轮廓的智能车辆定位方法，其特征在于：通过当前所述的粒子的统计概率均值μ、方差σ2，建模成高斯分布并采样获得所述的随机粒子，满足X～N(μ，σ2)。
CN201910422244.1A 2019-05-21 2019-05-21 基于环境轮廓的智能车辆定位方法 Active CN110208783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910422244.1A CN110208783B (zh) 2019-05-21 2019-05-21 基于环境轮廓的智能车辆定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910422244.1A CN110208783B (zh) 2019-05-21 2019-05-21 基于环境轮廓的智能车辆定位方法

Publications (2)

Publication Number Publication Date
CN110208783A CN110208783A (zh) 2019-09-06
CN110208783B true CN110208783B (zh) 2021-05-14

Family

ID=67787911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910422244.1A Active CN110208783B (zh) 2019-05-21 2019-05-21 基于环境轮廓的智能车辆定位方法

Country Status (1)

Country Link
CN (1) CN110208783B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113129361B (zh) * 2020-01-14 2024-03-15 北京地平线机器人技术研发有限公司 一种可移动设备的位姿确定方法及装置
CN111539973B (zh) * 2020-04-28 2021-10-01 北京百度网讯科技有限公司 用于检测车辆位姿的方法及装置
CN112078570A (zh) * 2020-08-04 2020-12-15 武汉乐庭软件技术有限公司 一种基于阿克曼转向模型的汽车定位方法
CN112612788B (zh) * 2020-12-11 2024-03-01 中国北方车辆研究所 一种无导航卫星信号下的自主定位方法
CN114699013A (zh) * 2022-03-29 2022-07-05 深圳优地科技有限公司 定点清扫方法、装置、电子设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105172793B (zh) * 2015-09-25 2017-08-22 广州小鹏汽车科技有限公司 自动驾驶汽车的位姿估算方法
CN107063280B (zh) * 2017-03-24 2019-12-31 重庆邮电大学 一种基于控制采样的智能车辆路径规划系统及方法
CN107015238A (zh) * 2017-04-27 2017-08-04 睿舆自动化（上海）有限公司 基于三维激光雷达的无人车自主定位方法
US10748295B2 (en) * 2018-06-08 2020-08-18 Ford Global Technologies, Llc Object tracking in blind-spot
CN109682382B (zh) * 2019-02-28 2020-09-08 电子科技大学 基于自适应蒙特卡洛和特征匹配的全局融合定位方法

Also Published As

Publication number Publication date
CN110208783A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
CN110208783B (zh) 基于环境轮廓的智能车辆定位方法
CN109341706B (zh) 一种面向无人驾驶汽车的多特征融合地图的制作方法
CN107246876B (zh) 一种无人驾驶汽车自主定位与地图构建的方法及系统
CN106908775B (zh) 一种基于激光反射强度的无人车实时定位方法
CN112639882B (zh) 定位方法、装置及系统
Cesetti et al. A vision-based guidance system for UAV navigation and safe landing using natural landmarks
Weng et al. Pole-based real-time localization for autonomous driving in congested urban scenarios
CN107246868A (zh) 一种协同导航定位系统及导航定位方法
CN113819905B (zh) 一种基于多传感器融合的里程计方法及装置
Flores et al. A vision and GPS-based real-time trajectory planning for a MAV in unknown and low-sunlight environments
CN108426582B (zh) 行人室内三维地图匹配方法
CN111060099A (zh) 一种无人驾驶汽车实时定位方法
CN115451948B (zh) 一种基于多传感器融合的农业无人车定位里程计方法及系统
CN113822944B (zh) 一种外参标定方法、装置、电子设备及存储介质
CN111829514B (zh) 一种适用于车辆底盘集成控制的路面工况预瞄方法
CN111708010B (zh) 一种可移动设备的定位方法、装置、系统及可移动设备
CN116540784B (zh) 一种基于视觉的无人系统空地协同导航与避障方法
CN114485698A (zh) 一种交叉路口引导线生成方法及系统
CN113093759A (zh) 基于多传感器信息融合的机器人编队构造方法及系统
Shangguan et al. Interactive perception-based multiple object tracking via CVIS and AV
CN113155126B (zh) 一种基于视觉导航的多机协同目标高精度定位系统及方法
CN113483769B (zh) 基于粒子滤波器的车辆自定位方法、系统、设备和介质
CN116125980A (zh) 无人货车驾驶方法、装置、电子设备及存储介质
CN112747752B (zh) 基于激光里程计的车辆定位方法、装置、设备和存储介质
Velat et al. Vision based vehicle localization for autonomous navigation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant