CN112923931A - 一种基于固定路线下的特征地图匹配与gps定位信息融合方法 - Google Patents
一种基于固定路线下的特征地图匹配与gps定位信息融合方法 Download PDFInfo
- Publication number
- CN112923931A CN112923931A CN201911246425.XA CN201911246425A CN112923931A CN 112923931 A CN112923931 A CN 112923931A CN 201911246425 A CN201911246425 A CN 201911246425A CN 112923931 A CN112923931 A CN 112923931A
- Authority
- CN
- China
- Prior art keywords
- map
- positioning
- pose
- vehicle
- sub
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Navigation (AREA)
Abstract
本发明涉及一种基于固定路线下的特征地图匹配与GPS定位信息融合，包括：获取已知路线的地图并进行储存，加载特征地图进行匹配定位。本发明是融合了激光雷达里程计和融合惯导姿态信息，达到了提高激光雷达里程计的定位精度、稳定性，以及实现在卫星受到干扰甚至无卫星信号环境下无人车辆导航定位的综合应用。在不同平台间通用性好，提升智能车辆在行驶工况突变时的快速识别和反应调整能力，在无人驾驶领域具有广泛的使用前景。
Description
技术领域
本发明涉及无人车领域，是一种基于固定路线下的特征地图匹配与 GPS定位信息融合的新型定位方法。
背景技术
车辆定位技术是无人驾驶系统的重要组成，目前比较常用的定位方法是融合GNSS(全球导航卫星系统)的惯性导航定位系统，但其对卫星信号的依赖较大，在卫星信号较弱的环境，难以提供稳定精确的定位信息。 SLAM(同时定位与地图创建)技术则可以仅依靠感知传感器获取的周围环境信息来进行位姿估计，在卫星信号受到干扰的环境可以起到必要的补充定位作用。使用基于三维激光雷达的车辆定位方法，可以在卫星信号受到干扰甚至完全无卫星信号的环境仍能进行车辆的全局定位导航。与基于视觉的定位方法相比，激光雷达不受光线明暗变化的影响，有更强的环境适应性。融合惯导的姿态信息，将激光雷达SLAM的高位移精度与惯导低姿态漂移的特性相结合，从而较大程度地提高了算法的定位精度。最后为了满足无卫星信号环境下车辆全局导航定位的需求，研究了离线特征地图匹配定位方法，并与融合惯导后的激光雷达里程计算法相结合，以代替GNSS实现无人驾驶车辆的全局定位。
发明内容
鉴于上述的分析，本发明旨在提供一种基于固定路线下的特征地图匹配与GPS定位信息融合的新型定位方法，用以解决现有技术中无法在 GPS信号较差，或者在短时间内GPS丢失情况下，无人车仍能根据已有的特征地图实现全局规划，按照规划路径行驶的问题。
本发明的目的主要是通过以下技术方案实现的：
一种基于固定路线下的特征地图匹配与GPS定位信息融合的新型定位方法，包括以下步骤：
获取特征地图；
使用地图采集车，或者使用目前使用的无人车，对将要测试的路线进行特征地图的采集，获得较为清晰的、准确度较高的特征地图；
进一步的，特征地图又包括：子地图列表、特征概率地图、子地图索引、子地图位姿、子地图内锚点的位姿等。特征概率地图主要用于进行匹配定位和位姿跟踪，子地图索引、子地图位姿用于子地图的查询、加载和切换，子地图内锚点的位姿则用于将子地图匹配位姿转换为全球坐标系下的车辆位姿；
匹配定位；
该发明融合了惯导的姿态信息，将激光雷达SLAM的高位移精度与惯导低姿态漂移的特性相结合进行定位，实现了在GPS信号较差的时候为无人车进行导航；
进一步的，所述的匹配定位所用到的硬件设备，应使用激光雷达，因为与基于视觉的定位方法相比，激光雷达不受光线明暗变化的影响，有更强的环境适应性，能提供更广范围内的定位服务。
CPFG(Closet Probability and Feature Grid，最近邻概率特征栅格)算法：
一种基于特征概率栅格地图的激光雷达SLAM算法。该算法利用三维激光雷达数据，实时创建和更新线、面及高斯分布特征以及占据概率的栅格地图，并结合鲁棒化后的马氏距离作为优化函数进行实时位姿估计，实现了实时匹配地图，使得无人车的航行更为精准；
特征地图匹配定位中，首先利用初始定位源提供的全局定位信息，基于该信息，在地图中进行搜索，找到与当前点云最为匹配的位置。然后在车辆行驶过程中，利用4中的CPFG算法中点云与特征地图的匹配方法，跟踪车辆在离线特征地图中的位置，实现全局定位。其中初始定位源可以是人工指定、卫星信号还未受干扰时获得的车辆位姿、或者是上一次位姿跟踪失败到当前时刻利用激光雷达里程计推算得到的车辆位置。
本发明有益效果如下：
本发明提出的基于固定路线下的特征地图匹配与GPS定位信息融合的新型定位方法，充分考虑了在GPS信号缺失或者GPS信号较差的情况下无人车的定位问题，建立精确的特征地图；固定路线下的特征地图匹配与GPS定位信息融合的新型定位方法具有较高的相对定位精度(1％左右) 和实时性，算法在车载工控机上的平均每帧耗时大约为55ms，尤其是在越野环境下，与目前几个主流算法相比，在实时性和定位精度方面有更好的表现。然后对融合惯导姿态信息后激光雷达里程计算法的定位精度进行测试，其相对定位精度可以达到千分之一左右。最后对特征地图匹配定位的精度进行评估，其RMS(Root Mean Square，方均根误差)可以达到 0.043m。在无人驾驶领域具有广泛的使用前景。
具体实现方法：
因为激光雷达里程计算法需要依赖足够数量的几何特征，而在一些特征较少的环境单纯依靠激光雷达来进行定位，会有匹配失效的风险，难以输出稳定的定位结果。同时单纯靠激光雷达里程计来定位，在长时间的导航过程中，由于误差的积累，精度难以达到无人车辆定位的需要。这就需要融合其他传感器的信息来保证它的稳定性和定位精度。
1、初始位姿的估计
初始位姿估计的目的是为后续点云匹配和位姿优化提供所需的初值。用于初始位姿估计的方法主要分为需要其他传感器和不需要其他传感器的方法。常用方法包括：基于匀速运动模型、DR(Dead Reckoning，航迹推算)、惯性测量元件数据预积分等。
2、航迹推算
航迹推算是利用车辆上车载里程计、方向盘转角传感器等来获取车辆的速度和方向信息，然后通过不断积分求和，推算出当前车辆所在的位置。因为车载里程计、转角传感器等都属于内部传感器，因此基本不会受到环境的影响，但由于其误差会随着积分不断积累，因此一般只用来作为辅助定位方法。
航迹推算公式如下：
其中(xi，yi)为ti时刻估计的车辆所在位置，θi为车辆与东向的夹角，可以通过惯导、前轮偏角或陀螺仪积分得到。si为ti-1时刻到ti时刻车辆所行驶的距离，其可以通过车辆里程计获得的速度vi信息求得，设传感器的采样周期固定为T，则可获得如下公式：
3、惯性测量元件数据预积分
目前使用车载里程计进行航迹推算作为位姿估计初值，往往也能得到较好的效果。但是其在越野环境容易受到地面起伏、轮胎打滑、滑移等影响出现较大的误差。而用惯性测量元件数据进行预积分来估计车辆位姿，则可以避免该问题。下式为利用第i帧到第j帧之间的IMU数据，通过预积分来推算j时刻车辆的姿态、位移和速度信息。
其中代表第qi帧所对应的车辆姿态，pi代表第i帧所对应的车辆位置，vi代表第i帧所对应的车辆速度，Rk为qk的矩阵表示。Δt代表相邻两帧IMU数据之前的时间间隔。ωk代表陀螺仪测量得到的角速度，bg代表角速度偏移量，ak代表加速度计测得的加速度， ba则为加速度偏移量。
4、融合惯导姿态信息
在实际应用中，用只依赖于激光雷达的里程计进行定位时，车辆行驶较远距离后，其角度误差会有较大程度的积累，定位误差也会不断发散；同时在一些特征较少的环境也存在定位失效的风险。因此为保证定位的精度和鲁棒性，需要融合其他传感器的信息。
在卫星信号受到干扰的环境下，惯导的角度仍具有较高的精度，但其位移精度会随着时间推移有较大的累计误差。而基于匹配算法的激光雷达里程计则相反，其角度精度有所不足，但位移精度较高。因此本研究考虑将二者优势相结合，利用图优化的思想，建立统一的误差模型，进行最优化估计，从而获得较高精度的车辆位姿。
5、特征地图匹配定位
利用初始定位源提供的全局定位信息，基于该信息，在地图中进行搜索，找到与当前点云最为匹配的位置。在车辆行驶过程中，利用CPFG算法中点云与特征地图的匹配方法，跟踪车辆在离线特征地图中的位置，实现全局定位。
附图说明
图1为车辆全局定位示意图。
Claims (1)
1.一种固定路线下的特征地图匹配与GPS定位信息融合的实现方法的具体步骤如下：
1、获取较高精度特征地图：
使用地图采集车采集较高精度的特征地图
2、匹配定位
该发明融合了惯导的姿态信息，将激光雷达SLAM的高位移精度与惯导低姿态漂移的特性相结合进行定位，实现了在GPS信号较差的时候为无人车进行导航
3、在2中，匹配定位可以用到的定位硬件是视觉传感器和激光雷达，与基于视觉的定位方法相比，激光雷达不受光线明暗变化的影响，有更强的环境适应性，能提供更广范围内的定位服务。
4、使用了CPFG(Closet Probability and Feature Grid，最近邻概率特征栅格)算法，一种基于特征概率栅格地图的激光雷达SLAM算法。该算法利用三维激光雷达数据，实时创建和更新线、面及高斯分布特征以及占据概率的栅格地图，并结合鲁棒化后的马氏距离作为优化函数进行实时位姿估计，实现了实时匹配地图，使得无人车的航行更为精准。
5、特征地图匹配定位中，首先利用初始定位源提供的全局定位信息，基于该信息，在地图中进行搜索，找到与当前点云最为匹配的位置。然后在车辆行驶过程中，利用4中的CPFG算法中点云与特征地图的匹配方法，跟踪车辆在离线特征地图中的位置，实现全局定位。其中初始定位源可以是人工指定、卫星信号还未受干扰时获得的车辆位姿、或者是上一次位姿跟踪失败到当前时刻利用激光雷达里程计推算得到的车辆位置。
6、1中的特征地图信息主要包括，子地图列表、特征概率地图、子地图索引、子地图位姿、子地图内锚点的位姿等。特征概率地图主要用于进行匹配定位和位姿跟踪，子地图索引、子地图位姿用于子地图的查询、加载和切换，子地图内锚点的位姿则用于将子地图匹配位姿转换为全球坐标系下的车辆位姿。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911246425.XA CN112923931A (zh) | 2019-12-06 | 2019-12-06 | 一种基于固定路线下的特征地图匹配与gps定位信息融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911246425.XA CN112923931A (zh) | 2019-12-06 | 2019-12-06 | 一种基于固定路线下的特征地图匹配与gps定位信息融合方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112923931A true CN112923931A (zh) | 2021-06-08 |
Family
ID=76162094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911246425.XA Pending CN112923931A (zh) | 2019-12-06 | 2019-12-06 | 一种基于固定路线下的特征地图匹配与gps定位信息融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112923931A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113566833A (zh) * | 2021-07-28 | 2021-10-29 | 上海工程技术大学 | 一种多传感器融合的车辆定位方法及系统 |
| CN113643451A (zh) * | 2021-08-17 | 2021-11-12 | 重庆愉客行网络有限公司 | 一种离线状态下的网约车车机接单、计费系统 |
| CN113758491A (zh) * | 2021-08-05 | 2021-12-07 | 重庆长安汽车股份有限公司 | 基于多传感器融合无人车的相对定位方法、系统及车辆 |
| CN114252081A (zh) * | 2021-11-24 | 2022-03-29 | 湖北亿咖通科技有限公司 | 定位方法、装置、设备及存储介质 |
| CN114280583A (zh) * | 2022-03-02 | 2022-04-05 | 武汉理工大学 | 无gps信号下激光雷达定位精度验证方法及系统 |
| CN114890009A (zh) * | 2022-05-24 | 2022-08-12 | 上海永力信息科技股份有限公司 | 一种无人驾驶垃圾清运机器人 |
| CN115060276A (zh) * | 2022-06-10 | 2022-09-16 | 江苏集萃清联智控科技有限公司 | 一种多环境适应性自动驾驶车辆定位设备、系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106441319A (zh) * | 2016-09-23 | 2017-02-22 | 中国科学院合肥物质科学研究院 | 一种无人驾驶车辆车道级导航地图的生成系统及方法 |
| CN106525053A (zh) * | 2016-12-28 | 2017-03-22 | 清研华宇智能机器人（天津）有限责任公司 | 一种基于多传感器融合的移动机器人室内定位方法 |
| CN109556615A (zh) * | 2018-10-10 | 2019-04-02 | 吉林大学 | 基于自动驾驶的多传感器融合认知的驾驶地图生成方法 |
| CN109752725A (zh) * | 2019-01-14 | 2019-05-14 | 天合光能股份有限公司 | 一种低速商用机器人、定位导航方法及定位导航系统 |
| CN109946732A (zh) * | 2019-03-18 | 2019-06-28 | 李子月 | 一种基于多传感器数据融合的无人车定位方法 |
-
2019
- 2019-12-06 CN CN201911246425.XA patent/CN112923931A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106441319A (zh) * | 2016-09-23 | 2017-02-22 | 中国科学院合肥物质科学研究院 | 一种无人驾驶车辆车道级导航地图的生成系统及方法 |
| CN106525053A (zh) * | 2016-12-28 | 2017-03-22 | 清研华宇智能机器人（天津）有限责任公司 | 一种基于多传感器融合的移动机器人室内定位方法 |
| CN109556615A (zh) * | 2018-10-10 | 2019-04-02 | 吉林大学 | 基于自动驾驶的多传感器融合认知的驾驶地图生成方法 |
| CN109752725A (zh) * | 2019-01-14 | 2019-05-14 | 天合光能股份有限公司 | 一种低速商用机器人、定位导航方法及定位导航系统 |
| CN109946732A (zh) * | 2019-03-18 | 2019-06-28 | 李子月 | 一种基于多传感器数据融合的无人车定位方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113566833A (zh) * | 2021-07-28 | 2021-10-29 | 上海工程技术大学 | 一种多传感器融合的车辆定位方法及系统 |
| CN113758491A (zh) * | 2021-08-05 | 2021-12-07 | 重庆长安汽车股份有限公司 | 基于多传感器融合无人车的相对定位方法、系统及车辆 |
| CN113758491B (zh) * | 2021-08-05 | 2024-02-23 | 重庆长安汽车股份有限公司 | 基于多传感器融合无人车的相对定位方法、系统及车辆 |
| CN113643451A (zh) * | 2021-08-17 | 2021-11-12 | 重庆愉客行网络有限公司 | 一种离线状态下的网约车车机接单、计费系统 |
| CN114252081A (zh) * | 2021-11-24 | 2022-03-29 | 湖北亿咖通科技有限公司 | 定位方法、装置、设备及存储介质 |
| CN114252081B (zh) * | 2021-11-24 | 2024-03-08 | 亿咖通(湖北)技术有限公司 | 定位方法、装置、设备及存储介质 |
| CN114280583A (zh) * | 2022-03-02 | 2022-04-05 | 武汉理工大学 | 无gps信号下激光雷达定位精度验证方法及系统 |
| CN114890009A (zh) * | 2022-05-24 | 2022-08-12 | 上海永力信息科技股份有限公司 | 一种无人驾驶垃圾清运机器人 |
| CN115060276A (zh) * | 2022-06-10 | 2022-09-16 | 江苏集萃清联智控科技有限公司 | 一种多环境适应性自动驾驶车辆定位设备、系统及方法 |
| CN115060276B (zh) * | 2022-06-10 | 2023-05-12 | 江苏集萃清联智控科技有限公司 | 一种多环境适应性自动驾驶车辆定位设备、系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112923931A (zh) | 一种基于固定路线下的特征地图匹配与gps定位信息融合方法 | |
| US11002859B1 (en) | Intelligent vehicle positioning method based on feature point calibration | |
| CN106840179B (zh) | 一种基于多传感器信息融合的智能车定位方法 | |
| CN109946731B (zh) | 一种基于模糊自适应无迹卡尔曼滤波的车辆高可靠融合定位方法 | |
| Bonnifait et al. | Data fusion of four ABS sensors and GPS for an enhanced localization of car-like vehicles | |
| Fan et al. | Data fusion for indoor mobile robot positioning based on tightly coupled INS/UWB | |
| CN109166140B (zh) | 一种基于多线激光雷达的车辆运动轨迹估计方法及系统 | |
| CN104061899B (zh) | 一种基于卡尔曼滤波的车辆侧倾角与俯仰角估计方法 | |
| CN110702091B (zh) | 一种沿地铁轨道移动机器人的高精度定位方法 | |
| CN107015238A (zh) | 基于三维激光雷达的无人车自主定位方法 | |
| CN108362288B (zh) | 一种基于无迹卡尔曼滤波的偏振光slam方法 | |
| CN108387236B (zh) | 一种基于扩展卡尔曼滤波的偏振光slam方法 | |
| CN107132563B (zh) | 一种里程计结合双天线差分gnss的组合导航方法 | |
| CN107247275B (zh) | 基于公交车的城市gnss脆弱性监测系统及其方法 | |
| Pfaff et al. | Towards mapping of cities | |
| CN112147651B (zh) | 一种异步多车协同目标状态鲁棒估计方法 | |
| CN110412596A (zh) | 一种基于图像信息和激光点云的机器人定位方法 | |
| CN112229422A (zh) | 基于fpga时间同步的里程计快速标定方法及系统 | |
| Tang et al. | OdoNet: Untethered speed aiding for vehicle navigation without hardware wheeled odometer | |
| Meguro et al. | Low-cost lane-level positioning in urban area using optimized long time series GNSS and IMU data | |
| CN113822944B (zh) | 一种外参标定方法、装置、电子设备及存储介质 | |
| CN113063441B (zh) | 里程计累计推算误差的数据源纠正方法及装置 | |
| CN112525207B (zh) | 一种基于车辆俯仰角地图匹配的无人驾驶汽车定位方法 | |
| CN114136275A (zh) | 一种轨道线路状态检测装置及路基沉降检测方法 | |
| Zhang et al. | A dead-reckoning based local positioning system for intelligent vehicles |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210608 |