CN115046546A - 一种基于车道线识别的自动驾驶汽车定位系统及方法 - Google Patents

一种基于车道线识别的自动驾驶汽车定位系统及方法 Download PDF

Info

Publication number
CN115046546A
CN115046546A CN202210505833.8A CN202210505833A CN115046546A CN 115046546 A CN115046546 A CN 115046546A CN 202210505833 A CN202210505833 A CN 202210505833A CN 115046546 A CN115046546 A CN 115046546A
Authority
CN
China
Prior art keywords
vehicle
time
information
representing
unit
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
Application number
CN202210505833.8A
Other languages
English (en)
Inventor
董坤
赵万忠
王春燕
徐坤豪
刘津强
张自宇
郑双权
张从余
张文彬
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210505833.8A priority Critical patent/CN115046546A/zh
Publication of CN115046546A publication Critical patent/CN115046546A/zh
Pending legal-status Critical Current

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
    • G01C21/10—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
    • 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
    • G01C21/1652—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 with ranging devices, e.g. LIDAR or RADAR
    • 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
    • G01C21/1656—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 with passive imaging devices, e.g. cameras
    • 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
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • 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
    • G01S19/49—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 whereby the further system is an inertial position system, e.g. loosely-coupled

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)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种基于车道线识别的自动驾驶汽车定位系统及方法，包括：GPS单元，IMU单元，轮式里程计单元，车道线检测单元，扩展卡尔曼滤波器单元；本发明能够使自动驾驶汽车根据自身到车道线的距离判定惯性传感器的噪声变化量，进而对其累计误差进行修正，为自动驾驶汽车的决策、规划和控制提供充足的前置定位数据。

Description

一种基于车道线识别的自动驾驶汽车定位系统及方法
技术领域
本发明属于车辆定位技术领域，具体涉及一种基于车道线识别的自动驾驶汽车定位系统及方法。
背景技术
自动驾驶汽车，又被称为无人驾驶、电脑驾驶或轮式移动机器人，是依靠计算机与人工智能技术在无人为操纵的情况下，完成完整、安全、有效的驾驶的一项前沿科技。定位作为自动驾驶中最基本的环节之一，目的在于明确车辆相对于全局的绝对位置或相对于交通参与者的相对位置，其准确性直接影响了自动驾驶系统的安全性。当前，自动驾驶技术正在对我们的出行产生越来越深远的影响，但是在复杂的真实道路环境中，面向自动驾驶的定位方法还不够成熟。
将全球卫星导航系统和惯性传感器进行融合是一种较为典型的定位方式，一方面全球卫星导航系统依赖于外部卫星信号，容易受到天气、电磁波等的干扰，面临隧道无信号、有多路效应等问题；而惯性传感器不依赖于外部信号，不会受到上述因素的影响。而另一方面惯性传感器具有累计误差，而GPS的误差不会累计，两者取长补短，便可以实现较为精确的定位。此种方法采用的定位器件为GPS、IMU与轮式里程计，通常用到的算法是卡尔曼滤波算法、扩展卡尔曼滤波及其变种，这种定位方式因其所需器件简单，成本低廉，故应用广泛。但是IMU和轮式里程计的噪声不是固定不变的，当汽车行驶在复杂城市环境中时，由于外部环境的影响，IMU和轮式里程计的噪声频繁变化，且复杂城市环境容易导致GPS信号缺失，没有GPS信号的修正，便会导致滤波发散，最终导致定位失效。
因此，如何保证自动驾驶汽车可以在复杂城市环境中实现准确且稳定的自身定位是目前自动驾驶领域亟需解决的问题。
发明内容
针对于上述现有技术的不足，本发明的目的在于提供一种基于车道线识别的自动驾驶汽车定位系统及方法，以解决现有技术中由于车载GPS信号缺失，无法对因复杂城市环境导致的变化IMU噪声进行修正，进而导致定位失效的问题。本发明能够使自动驾驶汽车根据自身到车道线的距离判定惯性传感器的噪声变化量，进而对其累计误差进行修正，为自动驾驶汽车的决策、规划和控制提供充足的前置定位数据。
为达到上述目的，本发明采用的技术方案如下：
本发明的一种基于车道线识别的自动驾驶汽车定位系统，包括：GPS单元，IMU单元，轮式里程计单元，车道线检测单元，扩展卡尔曼滤波器单元；
所述GPS单元，安装在车辆外部，用于获取车辆的实时经纬度定位信息与航向角信息，并将获得的信息实时发送给扩展卡尔曼滤波器单元；
所述IMU单元，安装在车辆内部，用于实时获取车辆的瞬时加速度信息和瞬时角速度信息，并将获得的信息实时发送给扩展卡尔曼滤波器单元；
所述轮式里程计单元，安装在车辆车轮上，用于实时获取车辆的瞬时速度信息，并将获得的信息实时发送给扩展卡尔曼滤波器单元；
所述车道线检测单元，安装在车辆前挡风玻璃处，实时获取车辆前方的道路图像信息，并识别得到车辆周围的车道线信息；
所述扩展卡尔曼滤波器单元，安装在车辆内部，当GPS单元信号可用时，实时获取GPS单元发送的经纬度定位信息与航向角信息、IMU单元发送的瞬时角速度信息和瞬时加速度信息以及轮式里程计单元发送的瞬时速度信息，再利用扩展卡尔曼滤波算法将上述信息进行融合，最终获得车辆的实时定位信息；当GPS单元信号不可用时，利用扩展卡尔曼滤波算法融合IMU单元发送的瞬时角速度信息和瞬时加速度信息及轮式里程计单元发送的瞬时速度信息，并使用车道线检测单元发送的车道线信息对由IMU单元和轮式里程计单元中的传感器噪声导致的累计误差进行消除。
进一步地，所述车道线检测单元通过车道线识别算法进行车辆周围的车道线信息的识别，所述车道线识别算法中具体使用的神经网络模型包括LaneNet和H-Net两个网络模型；其中，LaneNet是一种将语义分割和对像素进行向量表示结合起来的多任务模型，用于对图片中的车道线进行实例分割；H-Net是由卷积层和全连接层组成的网络模型，用于预测转换矩阵，使用转换矩阵对属于同一车道线的像素点进行回归。
本发明还提供一种基于车道线识别的自动驾驶汽车定位方法，基于上述系统，步骤如下：
1)实时获取车辆自身的经纬度定位信息和航向角信息，车辆自身的瞬时加速度信息和瞬时角速度信息，车辆的瞬时速度信息及车辆周围的车道线信息；
2)判定GPS单元接收到的信息是否可用：对接收到的GPS原始数据进行解码，得到GPS的状态信息，若解码出的状态信息为非负数，则GPS单元接收到的信息可用，进入步骤3)；若解码出的状态信息为负数，则GPS单元接收到的信息不可用，进入步骤4)；
3)将步骤1)中获取到的车辆经纬度定位信息和航向角信息、车辆瞬时加速度信息和瞬时角速度信息、车辆瞬时速度信息发送给扩展卡尔曼滤波器单元，通过该单元中的扩展卡尔曼滤波器将上述信息进行融合，获得车辆的实时定位信息；
4)根据获取到的车辆周围的车道线信息，计算得到车辆到最近车道线的距离，通过车道线距离约束算法计算出当前IMU单元中IMU在垂直车道线方向上的误差，进而推算出IMU单元中IMU与轮式里程计单元中轮式里程计当前的噪声值，利用该噪声值更新扩展卡尔曼滤波器单元中扩展卡尔曼滤波器的系统噪声方差矩阵，并利用更新后的扩展卡尔曼滤波器对IMU单元发送的车辆瞬时加速度信息和瞬时角速度信息以及轮式里程计单元发送的车辆瞬时速度信息进行融合，获得车辆的实时定位信息。
进一步地，所述步骤2)中使用的GPS解码方式为：使用LINUX系统下的功能包nmea_navsat_driver对GPS原始数据进行解码。
进一步地，所述步骤3)具体包括：
使用的扩展卡尔曼滤波器的具体算法如下：
Xn＝f(Xn-1,un)
Zn＝h(Xn)
式中，Xn-1表示车辆在n-1时刻的状态量，
Figure BDA0003636039370000031
xn-1表示n-1时刻的纬度值，yn-1表示n-1时刻的经度值，
Figure BDA00036360393700000314
表示n-1时刻的航向角，Xn表示车辆在n时刻的状态量，
Figure BDA0003636039370000032
xn表示n时刻的纬度值，yn表示n时刻的经度值，
Figure BDA0003636039370000033
表示n时刻的航向角，un表示n时刻系统的输入量，Zn表示车辆在n时刻的观测量，f(),h()分别表示状态转移方程与观测方程；
Figure BDA0003636039370000034
Figure BDA0003636039370000035
Figure BDA0003636039370000036
式中，Fn表示系统n时刻的状态转移矩阵，Gn表示n时刻系统输入到系统状态的映射矩阵，Hn表示n时刻系统的观测矩阵；根据上述三个矩阵公式，描述标准EKF算法的流程如下：给定车辆状态量初始值
Figure BDA0003636039370000037
与系统概率协方差矩阵初始值
Figure BDA0003636039370000038
然后按照以下公式不断迭代，对无人驾驶汽车进行状态估计：
Figure BDA0003636039370000039
Figure BDA00036360393700000310
Figure BDA00036360393700000311
Figure BDA00036360393700000312
Figure BDA00036360393700000313
Figure BDA0003636039370000041
式中，
Figure BDA0003636039370000042
表示车辆在n时刻的先验状态估计量，
Figure BDA0003636039370000043
表示车辆在n时刻的后验状态估计量，
Figure BDA0003636039370000044
表示车辆在n-1时刻的系统状态后验概率协方差矩阵，
Figure BDA0003636039370000045
表示系统n时刻的状态转移矩阵的转置，
Figure BDA0003636039370000046
表示n时刻系统输入到系统状态的映射矩阵的转置，
Figure BDA0003636039370000047
表示n时刻系统的观测矩阵的转置，Kn表示n时刻的卡尔曼增益，
Figure BDA0003636039370000048
表示车辆在n时刻的系统状态先验概率协方差矩阵，
Figure BDA0003636039370000049
表示车辆在n时刻的系统状态后验概率协方差矩阵，Rn表示观测值的不确定性对应的协方差矩阵，Rn由所使用的传感器来决定，Qn表示n时刻的系统噪声方差矩阵，ev,n表示轮式里程计在n时刻的速度测量噪声，ea,n表示IMU在n时刻的加速度测量噪声，eω,n表示IMU在n时刻的角速度测量噪声，ev,n，ea,n，eω,n的初始值由标定试验获得；
扩展卡尔曼滤波器融合算法完成，即可完成车辆经纬度定位信息和航向角信息、车辆瞬时加速度信息和瞬时角速度信息、车辆瞬时速度信息的融合，最终输出车辆在n时刻的后验状态估计量
Figure BDA00036360393700000410
即车辆的位置与航向角信息。
进一步地，所述步骤4)中的车道线距离约束算法的具体如下：
Figure BDA00036360393700000411
Figure BDA00036360393700000412
Figure BDA00036360393700000413
Figure BDA00036360393700000414
Figure BDA00036360393700000415
Figure BDA00036360393700000416
Figure BDA00036360393700000417
Figure BDA00036360393700000418
Figure BDA0003636039370000051
Figure BDA0003636039370000052
Figure BDA0003636039370000053
式中，
Figure BDA0003636039370000054
表示由n-1时刻到n时刻由摄像头检测到的车辆在横向方向上的位置变化量；
Figure BDA0003636039370000055
表示n-1时刻通过摄像头检测到的车辆到车道线的距离；
Figure BDA0003636039370000056
表示n时刻通过摄像头检测到的车辆到车道线的距离；
Figure BDA0003636039370000057
表示由n-1时刻到n时刻由IMU和轮式里程计检测到的车辆横向方向上的位置变化量；Vn-1,y表示n-1时刻车辆在横向方向的速度；dt表示n-1时刻到n时刻的所经过的时间；
Figure BDA0003636039370000058
表示n-1时刻车辆在横向方向的加速度，通过IMU获取；Vn-1表示车辆在n-1时刻的速度；Vn-1,x表示n-1时刻车辆在纵向方向的速度，通过轮速里程计获取；
Figure BDA0003636039370000059
表示n-1时刻车辆的横摆角速度，通过IMU获取；R表示以车辆质心为原点进行转向的半径；En-1,n表示车辆的在n-1时刻到n时刻在横向方向的误差值；h()表示从轮式里程计的速度噪声、IMU的加速度噪声与角速度噪声到横向方向总误差值的映射关系；
Figure BDA00036360393700000510
表示n-1时刻到n时刻由IMU测得的加速度噪声，符合正态分布，方差和均值分别为μacc，σacc，由标定试验获得；
Figure BDA00036360393700000511
表示n-1时刻到n时刻由IMU测得的角速度噪声，符合正态分布，方差和均值分别为μgyro，σgyro，由标定试验获得；
Figure BDA00036360393700000512
表示n-1时刻到n时刻由轮式里程计测得的速度噪声，符合正态分布，方差和均值分别为μod，σod，由标定试验获得；Qn-1,n表示系统由n-1时刻到n时刻更新后得到的系统噪声方差矩阵，用该更新后的系统噪声方差矩阵替换步骤3)中使用的扩展卡尔曼滤波器的系统噪声方差矩阵，然后使用更新后的扩展卡尔曼滤波器进行融合定位，获得车辆的实时定位信息。
本发明的有益效果：
1、本发明保证了自动驾驶汽车在GPS信号缺失时定位信号输出的稳定性，提高了自动驾驶车辆在城市道路中行驶的安全性；
2、本发明可以通过检测车道线距离进而自动调整滤波器的系统噪声方差矩阵，保证滤波器的稳定性，从而稳定输出较为精确的定位信息。
附图说明
图1为本发明定位方法的原理图。
图2为本发明验证实验具体选取的5个GPS缺失区域示意图。
图3为本发明验证实验中的一条具体路径定位效果对比图。
图4为本发明验证实验中五次GPS缺失区域最大误差值对比图。
图5为本发明验证实验中五次GPS缺失区域均方根误差值对比图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
本发明的一种基于车道线识别的自动驾驶汽车定位系统，包括：GPS单元，IMU单元，轮式里程计单元，车道线检测单元，扩展卡尔曼滤波器单元；
所述GPS单元，安装在车辆外部，用于获取车辆的实时经纬度定位信息与航向角信息，并将获得的信息实时发送给扩展卡尔曼滤波器单元；
所述IMU单元，安装在车辆内部，用于实时获取车辆的瞬时加速度信息和瞬时角速度信息，并将获得的信息实时发送给扩展卡尔曼滤波器单元；
所述轮式里程计单元，安装在车辆车轮上，用于实时获取车辆的瞬时速度信息，并将获得的信息实时发送给扩展卡尔曼滤波器单元；
所述车道线检测单元，安装在车辆前挡风玻璃处，实时获取车辆前方的道路图像信息，并识别得到车辆周围的车道线信息；
所述扩展卡尔曼滤波器单元，安装在车辆内部，当GPS单元信号可用时，实时获取GPS单元发送的经纬度定位信息与航向角信息、IMU单元发送的瞬时角速度信息和瞬时加速度信息以及轮式里程计单元发送的瞬时速度信息，再利用扩展卡尔曼滤波算法将上述信息进行融合，最终获得车辆的实时定位信息；当GPS单元信号不可用时，利用扩展卡尔曼滤波算法融合IMU单元发送的瞬时角速度信息和瞬时加速度信息及轮式里程计单元发送的瞬时速度信息，并使用车道线检测单元发送的车道线信息对由IMU单元和轮式里程计单元中的传感器噪声导致的累计误差进行消除。
其中，所述车道线检测单元通过车道线识别算法进行车辆周围的车道线信息的识别，所述车道线识别算法中具体使用的神经网络模型包括LaneNet和H-Net两个网络模型；其中，LaneNet是一种将语义分割和对像素进行向量表示结合起来的多任务模型，用于对图片中的车道线进行实例分割；H-Net是由卷积层和全连接层组成的网络模型，用于预测转换矩阵，使用转换矩阵对属于同一车道线的像素点进行回归。
参照图1所示，本发明还提供一种基于车道线识别的自动驾驶汽车定位方法，基于上述系统，步骤如下：
1)实时获取车辆自身的经纬度定位信息和航向角信息，车辆自身的瞬时加速度信息和瞬时角速度信息，车辆的瞬时速度信息及车辆周围的车道线信息；
2)判定GPS单元接收到的信息是否可用：对接收到的GPS原始数据进行解码，得到GPS的状态信息，若解码出的状态信息为非负数，则GPS单元接收到的信息可用，进入步骤3)；若解码出的状态信息为负数，则GPS单元接收到的信息不可用，进入步骤4)；
其中，使用的GPS解码方式为：使用LINUX系统下的功能包nmea_navsat_driver对GPS原始数据进行解码。
3)将步骤1)中获取到的车辆经纬度定位信息和航向角信息、车辆瞬时加速度信息和瞬时角速度信息、车辆瞬时速度信息发送给扩展卡尔曼滤波器单元，通过该单元中的扩展卡尔曼滤波器将上述信息进行融合，获得车辆的实时定位信息；
具体地，使用的扩展卡尔曼滤波器的具体算法如下：
Xn＝f(Xn-1,un)
Zn＝h(Xn)
式中，Xn-1表示车辆在n-1时刻的状态量，
Figure BDA0003636039370000071
xn-1表示n-1时刻的纬度值，yn-1表示n-1时刻的经度值，
Figure BDA0003636039370000072
表示n-1时刻的航向角，Xn表示车辆在n时刻的状态量，
Figure BDA0003636039370000073
xn表示n时刻的纬度值，yn表示n时刻的经度值，
Figure BDA0003636039370000074
表示n时刻的航向角，un表示n时刻系统的输入量，Zn表示车辆在n时刻的观测量，f(),h()分别表示状态转移方程与观测方程；
Figure BDA0003636039370000075
Figure BDA0003636039370000076
Figure BDA0003636039370000077
式中，Fn表示系统n时刻的状态转移矩阵，Gn表示n时刻系统输入到系统状态的映射矩阵，Hn表示n时刻系统的观测矩阵；根据上述三个矩阵公式，描述标准EKF算法的流程如下：给定汽车状态量初始值
Figure BDA0003636039370000081
与系统概率协方差矩阵初始值
Figure BDA0003636039370000082
然后按照以下公式不断迭代，对无人驾驶汽车进行状态估计：
Figure BDA0003636039370000083
Figure BDA0003636039370000084
Figure BDA0003636039370000085
Figure BDA0003636039370000086
Figure BDA0003636039370000087
Figure BDA0003636039370000088
式中，
Figure BDA0003636039370000089
表示车辆在n时刻的先验状态估计量，
Figure BDA00036360393700000810
表示车辆在n时刻的后验状态估计量，
Figure BDA00036360393700000811
表示车辆在n-1时刻的系统状态后验概率协方差矩阵，
Figure BDA00036360393700000812
表示系统n时刻的状态转移矩阵的转置，
Figure BDA00036360393700000813
表示n时刻系统输入到系统状态的映射矩阵的转置，
Figure BDA00036360393700000814
表示n时刻系统的观测矩阵的转置，Kn表示n时刻的卡尔曼增益，
Figure BDA00036360393700000815
表示车辆在n时刻的系统状态先验概率协方差矩阵，
Figure BDA00036360393700000816
表示车辆在n时刻的系统状态后验概率协方差矩阵，Rn表示观测值的不确定性对应的协方差矩阵，Rn由所使用的传感器来决定，Qn表示n时刻系统噪声方差矩阵，ev,n表示轮式里程计在n时刻的速度测量噪声，ea,n表示IMU在n时刻的加速度测量噪声，eω,n表示IMU在n时刻的角速度测量噪声，ev,n，ea,n，eω,n的初始值由标定试验获得；
扩展卡尔曼滤波器融合算法完成，即可完成车辆经纬度定位信息和航向角信息、车辆瞬时加速度信息和瞬时角速度信息、车辆瞬时速度信息的融合，最终输出车辆在n时刻的后验状态估计量
Figure BDA00036360393700000817
即车辆的位置与航向角信息。
4)根据获取到的车辆周围的车道线信息，计算得到车辆到最近车道线的距离，通过车道线距离约束算法计算出当前IMU单元中IMU在垂直车道线方向上的误差，进而推算出IMU单元中IMU与轮式里程计单元中轮式里程计当前的噪声值，利用该噪声值更新扩展卡尔曼滤波器单元中扩展卡尔曼滤波器的系统噪声方差矩阵，并利用更新后的扩展卡尔曼滤波器对IMU单元发送的车辆瞬时加速度信息和瞬时角速度信息以及轮式里程计单元发送的车辆瞬时速度信息进行融合，获得车辆的实时定位信息。
其中，所述车道线距离约束算法的具体如下：
Figure BDA0003636039370000091
Figure BDA0003636039370000092
Figure BDA0003636039370000093
Figure BDA0003636039370000094
Figure BDA0003636039370000095
Figure BDA0003636039370000096
Figure BDA0003636039370000097
Figure BDA0003636039370000098
Figure BDA0003636039370000099
Figure BDA00036360393700000910
Figure BDA00036360393700000911
式中，
Figure BDA00036360393700000912
表示由n-1时刻到n时刻由摄像头检测到的车辆在横向方向上的位置变化量；
Figure BDA00036360393700000913
表示n-1时刻通过摄像头检测到的车辆到车道线的距离；
Figure BDA00036360393700000914
表示n时刻通过摄像头检测到的车辆到车道线的距离；
Figure BDA00036360393700000915
表示由n-1时刻到n时刻由IMU和轮式里程计检测到的车辆横向方向上的位置变化量；Vn-1,y表示n-1时刻车辆在横向方向的速度；dt表示n-1时刻到n时刻的所经过的时间；
Figure BDA0003636039370000101
表示n-1时刻车辆在横向方向的加速度，通过IMU获取；Vn-1表示车辆在n-1时刻的速度；Vn-1,x表示n-1时刻车辆在纵向方向的速度，通过轮速里程计获取；
Figure BDA0003636039370000102
表示n-1时刻车辆的横摆角速度，通过IMU获取；R表示以车辆质心为原点进行转向的半径；En-1,n表示车辆的在n-1时刻到n时刻在横向方向的误差值；h()表示从轮式里程计的速度噪声、IMU的加速度噪声与角速度噪声到横向方向总误差值的映射关系；
Figure BDA0003636039370000103
表示n-1时刻到n时刻由IMU测得的加速度噪声，符合正态分布，方差和均值分别为μacc，σacc，由标定试验获得；
Figure BDA0003636039370000104
表示n-1时刻到n时刻由IMU测得的角速度噪声，符合正态分布，方差和均值分别为μgyro，σgyro，由标定试验获得；
Figure BDA0003636039370000105
表示n-1时刻到n时刻由轮式里程计测得的速度噪声，符合正态分布，方差和均值分别为μod，σod，由标定试验获得；Qn-1,n表示系统由n-1时刻到n时刻更新后得到的系统噪声方差矩阵，用该更新后的系统噪声方差矩阵替换步骤3)中使用的扩展卡尔曼滤波器的系统噪声方差矩阵，然后使用更新后的扩展卡尔曼滤波器进行融合定位，获得车辆的实时定位信息。
进一步验证所设计定位方法的定位准确性，选择一条道路进行实验验证，具体路径如图2所示，圈出的部分为缺失GPS信号部分。选取其中一条GPS信号缺失时的路径如图4所示，可以看到优化后的定位效果相较于优化前更贴近于参考路径。对五次GPS缺失时的定位数据进行分析：最大误差值如图4所示，可以看到优化后的定位最大误差值均小于优化前的定位最大误差值，对数据进行分析，得到最大误差值平均降低了42.16％；均方根误差值如图5所示，可以看到优化后的定位数据的均方根误差值均小于优化前的定位数据的均方根误差值，对数据进行分析，得到均方根误差值平均降低了32.47％。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (6)

1.一种基于车道线识别的自动驾驶汽车定位系统，其特征在于，包括：GPS单元，IMU单元，轮式里程计单元，车道线检测单元，扩展卡尔曼滤波器单元；
所述GPS单元，安装在车辆外部，用于获取车辆的实时经纬度定位信息与航向角信息，并将获得的信息实时发送给扩展卡尔曼滤波器单元；
所述IMU单元，安装在车辆内部，用于实时获取车辆的瞬时加速度信息和瞬时角速度信息，并将获得的信息实时发送给扩展卡尔曼滤波器单元；
所述轮式里程计单元，安装在车辆车轮上，用于实时获取车辆的瞬时速度信息，并将获得的信息实时发送给扩展卡尔曼滤波器单元；
所述车道线检测单元，安装在车辆前挡风玻璃处，实时获取车辆前方的道路图像信息，并识别得到车辆周围的车道线信息；
所述扩展卡尔曼滤波器单元，安装在车辆内部，当GPS单元信号可用时，实时获取GPS单元发送的经纬度定位信息与航向角信息、IMU单元发送的瞬时角速度信息和瞬时加速度信息以及轮式里程计单元发送的瞬时速度信息，再利用扩展卡尔曼滤波算法将上述信息进行融合，最终获得车辆的实时定位信息；当GPS单元信号不可用时，利用扩展卡尔曼滤波算法融合IMU单元发送的瞬时角速度信息和瞬时加速度信息及轮式里程计单元发送的瞬时速度信息，并使用车道线检测单元发送的车道线信息对由IMU单元和轮式里程计单元中的传感器噪声导致的累计误差进行消除。
2.根据权利要求1所述的基于车道线识别的自动驾驶汽车定位系统，其特征在于，所述车道线检测单元通过车道线识别算法进行车辆周围的车道线信息的识别，所述车道线识别算法中具体使用的神经网络模型包括LaneNet和H-Net两个网络模型；其中，LaneNet是一种将语义分割和对像素进行向量表示结合起来的多任务模型，用于对图片中的车道线进行实例分割；H-Net是由卷积层和全连接层组成的网络模型，用于预测转换矩阵，使用转换矩阵对属于同一车道线的像素点进行回归。
3.一种基于车道线识别的自动驾驶汽车定位方法，基于权利要求1-2中任意一项所述系统，其特征在于，步骤如下：
1)实时获取车辆自身的经纬度定位信息和航向角信息，车辆自身的瞬时加速度信息和瞬时角速度信息，车辆的瞬时速度信息及车辆周围的车道线信息；
2)判定GPS单元接收到的信息是否可用：对接收到的GPS原始数据进行解码，得到GPS的状态信息，若解码出的状态信息为非负数，则GPS单元接收到的信息可用，进入步骤3)；若解码出的状态信息为负数，则GPS单元接收到的信息不可用，进入步骤4)；
3)将步骤1)中获取到的车辆经纬度定位信息和航向角信息、车辆瞬时加速度信息和瞬时角速度信息、车辆瞬时速度信息发送给扩展卡尔曼滤波器单元，通过该单元中的扩展卡尔曼滤波器将上述信息进行融合，获得车辆的实时定位信息；
4)根据获取到的车辆周围的车道线信息，计算得到车辆到最近车道线的距离，通过车道线距离约束算法计算出当前IMU单元中IMU在垂直车道线方向上的误差，进而推算出IMU单元中IMU与轮式里程计单元中轮式里程计当前的噪声值，利用该噪声值更新扩展卡尔曼滤波器单元中扩展卡尔曼滤波器的系统噪声方差矩阵，并利用更新后的扩展卡尔曼滤波器对IMU单元发送的车辆瞬时加速度信息和瞬时角速度信息以及轮式里程计单元发送的车辆瞬时速度信息进行融合，获得车辆的实时定位信息。
4.根据权利要求3所述的基于车道线识别的自动驾驶汽车定位方法，其特征在于，所述步骤2)中使用的GPS解码方式为：使用LINUX系统下的功能包nmea_navsat_driver对GPS原始数据进行解码。
5.根据权利要求3所述的基于车道线识别的自动驾驶汽车定位方法，其特征在于，所述步骤3)具体包括：
使用的扩展卡尔曼滤波器的具体算法如下：
Xn＝f(Xn-1,un)
Zn＝h(Xn)
式中，Xn-1表示车辆在n-1时刻的状态量，
Figure FDA0003636039360000021
xn-1表示n-1时刻的纬度值，yn-1表示n-1时刻的经度值，
Figure FDA0003636039360000022
表示n-1时刻的航向角，Xn表示车辆在n时刻的状态量，
Figure FDA0003636039360000023
xn表示n时刻的纬度值，yn表示n时刻的经度值，
Figure FDA0003636039360000024
表示n时刻的航向角，un表示n时刻系统的输入量，Zn表示车辆在n时刻的观测量，f(),h()分别表示状态转移方程与观测方程；
Figure FDA0003636039360000025
Figure FDA0003636039360000026
Figure FDA0003636039360000027
式中，Fn表示系统n时刻的状态转移矩阵，Gn表示n时刻系统输入到系统状态的映射矩阵，Hn表示n时刻系统的观测矩阵；根据上述三个矩阵公式，描述标准EKF算法的流程如下：给定车辆状态量初始值
Figure FDA0003636039360000028
与系统概率协方差矩阵初始值
Figure FDA0003636039360000029
按照以下公式不断迭代，对无人驾驶汽车进行状态估计：
Figure FDA0003636039360000031
Figure FDA0003636039360000032
Figure FDA0003636039360000033
Figure FDA0003636039360000034
Figure FDA0003636039360000035
Figure FDA0003636039360000036
式中，
Figure FDA0003636039360000037
表示车辆在n时刻的先验状态估计量，
Figure FDA0003636039360000038
表示车辆在n时刻的后验状态估计量，
Figure FDA0003636039360000039
表示车辆在n-1时刻的系统状态后验概率协方差矩阵，
Figure FDA00036360393600000310
表示系统n时刻的状态转移矩阵的转置，
Figure FDA00036360393600000311
表示n时刻系统输入到系统状态的映射矩阵的转置，
Figure FDA00036360393600000312
表示n时刻系统的观测矩阵的转置，Kn表示n时刻的卡尔曼增益，
Figure FDA00036360393600000313
表示车辆在n时刻的系统状态先验概率协方差矩阵，
Figure FDA00036360393600000314
表示车辆在n时刻的系统状态后验概率协方差矩阵，Rn表示观测值的不确定性对应的协方差矩阵，Rn由所使用的传感器来决定，Qn表示n时刻系统噪声方差矩阵，ev,n表示轮式里程计在n时刻的速度测量噪声，ea,n表示IMU在n时刻的加速度测量噪声，eω,n表示IMU在n时刻的角速度测量噪声，ev,n，ea,n，eω,n的初始值由标定试验获得；
扩展卡尔曼滤波器融合算法完成，即可完成车辆经纬度定位信息和航向角信息、车辆瞬时加速度信息和瞬时角速度信息、车辆瞬时速度信息的融合，最终输出车辆在n时刻的后验状态估计量
Figure FDA00036360393600000315
即车辆的位置与航向角信息。
6.根据权利要求5所述的基于车道线识别的自动驾驶汽车定位方法，其特征在于，所述步骤4)中的车道线距离约束算法的具体如下：
Figure FDA00036360393600000316
Figure FDA00036360393600000317
Figure FDA00036360393600000318
Figure FDA0003636039360000041
Figure FDA0003636039360000042
Figure FDA0003636039360000043
Figure FDA0003636039360000044
Figure FDA0003636039360000045
Figure FDA0003636039360000046
Figure FDA0003636039360000047
Figure FDA0003636039360000048
式中，
Figure FDA0003636039360000049
表示由n-1时刻到n时刻由摄像头检测到的车辆在横向方向上的位置变化量；
Figure FDA00036360393600000410
表示n-1时刻通过摄像头检测到的车辆到车道线的距离；
Figure FDA00036360393600000411
表示n时刻通过摄像头检测到的车辆到车道线的距离；
Figure FDA00036360393600000412
表示由n-1时刻到n时刻由IMU和轮式里程计检测到的车辆横向方向上的位置变化量；Vn-1,y表示n-1时刻车辆在横向方向的速度；dt表示n-1时刻到n时刻的所经过的时间；
Figure FDA00036360393600000413
表示n-1时刻车辆在横向方向的加速度，通过IMU获取；Vn-1表示车辆在n-1时刻的速度；Vn-1,x表示n-1时刻车辆在纵向方向的速度，通过轮速里程计获取；
Figure FDA00036360393600000414
表示n-1时刻车辆的横摆角速度，通过IMU获取；R表示以车辆质心为原点进行转向的半径；En-1,n表示车辆的在n-1时刻到n时刻在横向方向的误差值；h()表示从轮式里程计的速度噪声、IMU的加速度噪声与角速度噪声到横向方向总误差值的映射关系；
Figure FDA00036360393600000415
表示n-1时刻到n时刻由IMU测得的加速度噪声，符合正态分布，方差和均值分别为μacc，σacc，由标定试验获得；
Figure FDA0003636039360000051
表示n-1时刻到n时刻由IMU测得的角速度噪声，符合正态分布，方差和均值分别为μgyro，σgyro，由标定试验获得；
Figure FDA0003636039360000052
表示n-1时刻到n时刻由轮式里程计测得的速度噪声，符合正态分布，方差和均值分别为μod，σod，由标定试验获得；Qn-1,n表示系统由n-1时刻到n时刻更新后得到的系统噪声方差矩阵，用该更新后的系统噪声方差矩阵替换步骤3)中使用的扩展卡尔曼滤波器的系统噪声方差矩阵，然后使用更新后的扩展卡尔曼滤波器进行融合定位，获得车辆的实时定位信息。
CN202210505833.8A 2022-05-10 2022-05-10 一种基于车道线识别的自动驾驶汽车定位系统及方法 Pending CN115046546A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210505833.8A CN115046546A (zh) 2022-05-10 2022-05-10 一种基于车道线识别的自动驾驶汽车定位系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210505833.8A CN115046546A (zh) 2022-05-10 2022-05-10 一种基于车道线识别的自动驾驶汽车定位系统及方法

Publications (1)

Publication Number Publication Date
CN115046546A true CN115046546A (zh) 2022-09-13

Family

ID=83158339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210505833.8A Pending CN115046546A (zh) 2022-05-10 2022-05-10 一种基于车道线识别的自动驾驶汽车定位系统及方法

Country Status (1)

Country Link
CN (1) CN115046546A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115826022A (zh) * 2023-02-16 2023-03-21 安徽蔚来智驾科技有限公司 自动驾驶车辆的定位方法、装置、可读存储介质及车辆

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115826022A (zh) * 2023-02-16 2023-03-21 安徽蔚来智驾科技有限公司 自动驾驶车辆的定位方法、装置、可读存储介质及车辆
CN115826022B (zh) * 2023-02-16 2023-06-06 安徽蔚来智驾科技有限公司 自动驾驶车辆的定位方法、装置、可读存储介质及车辆

Similar Documents

Publication Publication Date Title
US11002859B1 (en) Intelligent vehicle positioning method based on feature point calibration
CN111307162B (zh) 用于自动驾驶场景的多传感器融合定位方法
CN109946732B (zh) 一种基于多传感器数据融合的无人车定位方法
CN106840179B (zh) 一种基于多传感器信息融合的智能车定位方法
CN106352867B (zh) 用于确定车辆自身位置的方法和设备
CN102529975B (zh) 用于精确的分车道车辆定位的系统和方法
CN107132563B (zh) 一种里程计结合双天线差分gnss的组合导航方法
US20100191461A1 (en) System and method of lane path estimation using sensor fusion
US20090018772A1 (en) Position Sensing Device And Method
CN111429716A (zh) 用于确定自车的位置的方法
TWI522258B (zh) Based on electronic map, global navigation satellite system and vehicle motion detection technology Lane identification method
CN110887494A (zh) 车辆定位方法、装置
CN111536972B (zh) 一种基于里程计刻度系数修正的车载dr导航方法
CN112629544B (zh) 一种基于车道线的车辆定位方法及装置
CN112147651B (zh) 一种异步多车协同目标状态鲁棒估计方法
JP7431511B2 (ja) 運動及び位置センサを用いて車両位置を衛星に依拠して算出する方法
WO2024041156A1 (zh) 车辆定位校准方法、装置、计算机设备及存储介质
CN115060257B (zh) 一种基于民用级惯性测量单元的车辆变道检测方法
KR20190040818A (ko) 차량 내부 센서, 카메라, 및 gnss 단말기를 이용한 3차원 차량 항법 시스템
CN114174137A (zh) Adas或ad特征的源横向偏移
CN115235500A (zh) 基于车道线约束的位姿校正方法及装置、全工况静态环境建模方法及装置
CN115046546A (zh) 一种基于车道线识别的自动驾驶汽车定位系统及方法
CN114264301A (zh) 车载多传感器融合定位方法、装置、芯片及终端
CN114694111A (zh) 车辆定位
JP7203805B2 (ja) 移動体の定位誤差の分析

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