JP2023533140A - 自動運転車の位置推定精度を向上させる方法 - Google Patents

自動運転車の位置推定精度を向上させる方法 Download PDF

Info

Publication number
JP2023533140A
JP2023533140A JP2022573237A JP2022573237A JP2023533140A JP 2023533140 A JP2023533140 A JP 2023533140A JP 2022573237 A JP2022573237 A JP 2022573237A JP 2022573237 A JP2022573237 A JP 2022573237A JP 2023533140 A JP2023533140 A JP 2023533140A
Authority
JP
Japan
Prior art keywords
histogram
ndt
gaussian
ground
distributions
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
JP2022573237A
Other languages
English (en)
Inventor
ティーラ，トゥオマス
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.)
Sensible 4 Oy
Original Assignee
Sensible 4 Oy
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 Sensible 4 Oy filed Critical Sensible 4 Oy
Publication of JP2023533140A publication Critical patent/JP2023533140A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/06—Improving the dynamic response of the control system, e.g. improving the speed of regulation or avoiding hunting or overshoot
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • 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
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G01S17/894—3D imaging with simultaneous measurement of time-of-flight at a 2D array of receiver pixels, e.g. time-of-flight cameras or flash lidar
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/77—Determining position or orientation of objects or cameras using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/513—Sparse representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2050/0057—Frequency analysis, spectral techniques or transforms
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/408—Radar; Laser, e.g. lidar
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Transportation (AREA)
  • Human Computer Interaction (AREA)
  • Mechanical Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Optical Radar Systems And Details Thereof (AREA)
  • Image Analysis (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本発明は、自動運転車両の位置推定精度を改善する方法に関する。この方法は、自動運転車両の環境の表面特性に関連する点群データを１つまたは複数のレンジセンシングデバイスから受信するステップを含み、受信に基づいて、複数のヒストグラムビン内にガウス分布のセットを有する修正正規分布変換（ＮＤＴ）ヒストグラムを構築し、複数のヒストグラム ビンのそれぞれが異なる制約特徴を提供し、構築されたＮＤＴヒストグラム内の各ヒストグラムビンに対してサブサンプリングを実行し、各ヒストグラムビンから多数のガウス分布をサブサンプリングして、各ヒストグラムビンのターゲットの高さを表すベクトルｈｓを構築し、サブサンプリングの後、ガウス分布によって与えられた制約機能に基づいて、ベクトルｈｓの対応するヒストグラムビンからｈｉｓガウス分布を選択し、受信した点群データに関して自動運転車の位置を特定するために、それらをサブサンプルセットＳ追加する。【選択図】図２

Description

本発明は、自動運転車両の位置推定精度を改善する方法に関する。
３Ｄ ＬｉＤＡＲなどのレンジセンシング デバイスを使用する自動運転車については、ＬｉＤＡＲ点群マッチングプロセスの制約特徴(constraining features)の量が少ない場合、空の駐車場や開けた野原などのまばらな環境は、マップベースの位置推定にとって問題になる可能性がある。例えば、ＬｉＤＡＲスキャンの大部分が平坦な地面からの測定値で構成されている場合、ＬｉＤＡＲスキャンとＬｉＤＡＲマップ間の推定変換は、地面に沿って不正確になる可能性がある。車両の推定姿勢が正しくない場合、不正確さは交通の危険な状況につながる可能性がある。
さらに、ＬｉＤＡＲポイントをＬｉＤＡＲマップに一致させるために処理する必要がある大量のデータポイントが原因で、この種の位置推定方法の計算負荷が非常に高くなる可能性がある。
既知の３Ｄ正規分布変換（３Ｄ－ＮＤＴ）（M. Magnusson, A. Lilienthal, and T. Duckett, “Scan registration for autonomous mining vehicles using 3D-NDT,” Journal of Field Robotics, vol. 24, no. 10, pp. 803-827, 2007）、および、Ｌ２距離ベースのマッチング（T. Stoyanov, M. Magnusson, H. Andreasson, and A. J. Lilienthal, “Fast and accurate scan registration through minimization of the distance between compact 3D NDT representations,” The International Journal of Robotics Research, vol. 31, no. 12, pp. 1377-1393, 2012）を使用すると非常に効率的であるにもかかわらず、適度なＣＰＵと大量のチャネルを持つ３Ｄ ＬｉＤＡＲを使用する場合、位置推定方法はリアルタイムで動作するのにまだ苦労する可能性がある。計算負荷を軽減するために、ＬｉＤＡＲスキャンの３Ｄ－ＮＤＴ表現から取得した多変量ガウス分布に対してダウンサンプリング、つまりサブサンプリングを実行できる。
既知のサブサンプリング方法の問題は、ガウス分布の一部が単純に無視されるため、スキャン位置合わせプロセスに制約を与える重要な特徴がスキャンから削除されるリスクがあることである。これにより、マップベースの位置推定が最終的に制約の少ない方向にドリフトする状況につながる可能性がある。例えば、まばらな環境での自動運転車の典型的な状況は、無作為に選択されたサブサンプルの結果がほとんど地面ヒット（ground hits）で構成されている。サブサンプルに残っているいくつかの制約特徴の重みは、地面ヒットと同じである。そのため、ＮＤＴとＬ２距離ベースのＬｉＤＡＲスキャンマッチングを実行する場合、位置合わせは主に地面ヒットからの分布が互いにどの程度一致しているかに基づいて行われる。これにより、地平面に平行な方向で不正確なマッチングが発生する可能性がある。
まばらな環境で位置推定の精度を向上させるためのいくつかのアプローチが以前から知られている。例えば、１つの既知のアプローチは、ＮＤＴヒストグラムが導入された正規分布変換（ＮＤＴ）に基づいている（M. Magnusson、H. Andreasson、A. Nuchter、A. J. Lilienthal、“Appearance-based loop detection from 3D laser data using the normal distributions transform,”、IEEE International Conference on Robotics and Automation、pp. 23-28、2009）。Zaganidisらによる別の既知のアプローチ（A. Zaganidis, M. Magnusson, T. Duckett, and G. Cielniak, “Semantic-assisted 3D normal distributions transform for scan registration in environments with limited structure,” in IEEE/RSJ International Conference on Intelligent Robots and Systems, pp. 4064-4069, 2017)では、特に構造が制限された環境でＮＤＴ登録の精度、堅牢性、および速度を向上させるセマンティック支援ＮＤＴ（ＳＥ－ＮＤＴ）登録方法が提案された。この方法には、構造が制限された環境でＮＤＴによって引き起こされるガウス分布の滑らかさの問題を克服するために、ＮＤＴマッチング手順へのポイントのセマンティック情報が含まれる。ＳＥ－ＮＤＴでは、ポイントごとのセマンティック値に基づいて最初に分割されたポイントからガウス分布が構築される。次に、ポイントの同じパーティションから作成された分布のみが互いに比較されるように、ガウス分布が照合される。
Chen等（J.-H. Chen and K.-Y. Lum, “Simultaneous localization and mapping based on particle filter for sparse environment,” in IEEE International Conference on Mechatronics and Control, pp. 1869-1873, 2014）は、位置推定の精度も研究し、粒子フィルタ（ＰＦ）を使用したＦａｓｔＳＬＡＭベースのアプローチを提案し、ここで、各粒子には、車両の姿勢に加えて１つの環境特徴を推定する拡張カルマンフィルター (ＥＫＦ)が含まれている。ＥＫＦでのランドマークの推定により、ランドマークが一時的に見えない状況で、より信頼性の高い推測航法が可能になる。
Wang等による研究（R. Wang, M. Veloso, and S. Seshan, “Multi-robot information sharing for complementing limited perception: A case study of moving ball interception,” in IEEE International Conference on Robotics and Automation, pp. 1884-1889, 2013）は、まばらな環境で異なるロボットによって取得されたセンサデータを蓄積することにより、複数のロボットを使用して互いの知覚を補完することを提案している。期待されるのは、ロボット間の変換が一定のままであり、そのような変換が既知であることである。したがって、あるロボットは、他のロボットによって検出されたオブジェクトを利用して、ロボットの近くにオブジェクトがない場合に、より正確な位置推定を実行できる。
本発明の目的は、上述の問題を軽減し、まばらな環境における自動運転車両のマップベースの位置推定の精度を改善する方法を提供することである。
本発明の目的は、独立請求項に記載されていることを特徴とする方法によって達成される。本開示の好ましい実施形態は、従属請求項に示されている。
本発明の一実施形態では、以下のステップを含む方法が提供される。
・１つまたは複数のレンジセンシングデバイスから、自動運転車両が移動している環境の表面特性に関連する点群データを受信し、
受信に基づいて、複数のヒストグラムビンにガウス分布のセットを有する修正正規分布変換（ＮＤＴ）ヒストグラムを構築し、複数のヒストグラムビンのそれぞれが異なる制約特徴を提供し、
・ベクトル
Figure 2023533140000002
を構築し、ここで、ｈｉは複数のヒストグラムビンのそれぞれの高さであり、
Figure 2023533140000003
はヒストグラムビンのインデックスであり、高さは、ヒストグラムビン内のガウス分布の数値を意味し、ＮはＮＤＴヒストグラム内の複数のヒストグラムビンの合計量であり、
・構築されたＮＤＴヒストグラムの各ヒストグラムビンに対してサブサンプリングを実行し、各ヒストグラムビンからの多数のガウス分布のサブサンプリングを削除して、各ヒストグラムビンのターゲットの高さを表すベクトルｈｓを構築し、
・サブサンプリングの後、ガウス分布によって与えられる制約特徴に基づいて、ベクトルｈｓの対応するヒストグラムビンからｈｉ ｓガウス分布を選択し、それらをサブサンプルセットＳに追加して、点群データを受け取る。
一実施形態では、修正ＮＤＴヒストグラムを構築する上述のステップは、以下をさらに含む。
・前記１つまたは複数のレンジセンシングデバイスの周囲の距離測定データを提供し、提供に基づいて、結果として得られる点群データを提供して、ガウス分布のセットを形成し、
・前記分布によって提供される制約特徴に基づいて前記ガウス分布をクラスタリングし、前記クラスタリングは、地面から取得された分布が得られるように前記分布を修正することによって実行され、これは、距離測定データの地面ヒットからのものであり、追加のヒストグラムビンに分離される。
一実施形態では、前記方法はさらに、
・前記分布の高さに基づいて前記距離測定データを複数の層に分割し、前記高さは、前記自動運転車両が移動している地面に垂直な方向の距離であり、前記距離測定データをサブセット
Figure 2023533140000004
にグループ化し、ここで、ｉはレイヤのインデックスであり、
・最大量の分布を持つサブセットＧｉを地面として選択し、残りの非地面分布は異なるヒストグラム ビンにクラスタ化される、
ことを備える。
一実施形態では、前記方法は、さらに、
・前記ガウス分布の最大の固有値λ１を持つ固有ベクトル
Figure 2023533140000005
の向きに基づいて、距離測定データの地面ヒットから地面ヒット候補Ｇのセットを構築し、
・そして、固有ベクトル
Figure 2023533140000006
と地面に平行な平面との間の角度が特定のしきい値ｔＧを下回る場合、ガウス分布を地面ヒット候補として決定する、
ことを備える。
一実施形態では、前記方法は、
・複数のヒストグラムビンのそれぞれの高さｈｉを決定し、ここで、
Figure 2023533140000007
はヒストグラムビンのインデックス、つまり、ｉ番目のヒストグラムでクラスタ化されたガウス分布の数であり、ＮはＮＤＴヒストグラムの複数のヒストグラムの合計量であり、
・前記ｉ番目のヒストグラムビンに属するインデックスｊを使用して、正規化されていない重みｗｊ ｕを使用して、個々のガウス分布のＬ２距離を次のように重み付けし、
(数１)
Figure 2023533140000008
次のように、ｊ番目のガウス分布の重みｗｊを正規化し、
(数２)
Figure 2023533140000009
・および、個々のガウス分布のＬ２距離に重みを追加し、ここで、ＮＤＴヒストグラムで重み付けされたＬ２ ｗ距離は次のとおりであり、
(数３)
Figure 2023533140000010
ここで、
(数４)
Figure 2023533140000011
であることを備える。
本発明の一実施形態によると、コンピュータによって実行されると、上述した実施形態で説明した方法を実行するように適合された記憶媒体に記憶されたコンピュータプログラムコード手段を備えるコンピュータプログラムが提供される。
本発明の一実施形態によると、コンピュータ可読媒体で実施される、上述した実施形態で説明した方法を実行するように適合されたコンピュータプログラムが提供される。
サブサンプルプロセスの直観は、架空の水平線を使用してヒストグラムがカットされ、線より上の点群データサンプルが削除されることである。このようにして、クラスタリングに基づく最も一般的なガウス分布が削除され、一般的でないガウス分布が保持される。利点は、スキャン位置合わせプロセスに制約を与えるスキャンからの重要な特徴の除去が軽減される可能性があることである。
以下に、添付の図面を参照して本発明を詳細に説明する。
図１Ａは、２つの３Ｄ ＬｉＤＡＲから取得された結合点群を示す。 図１Ｂは、０．８メートルの解像度を使用した点群のＮＤＴ表現を示す。 図２は、本発明の一実施形態によるＮＤＴヒストグラムサブサンプリングにおける直観の図を示す。 図３は、ＧＮＳＳレシーバと３Ｄ ＬｉＤＡＲｓ（フロントとリア）を含むデータ収集に使用される自動運転車両の例を示す。 図４は、疎な環境の３Ｄ ＬｉＤＡＲ点群マップを示す。 図５は、本発明の一実施形態による方法の性能をテストするために使用される軌道を示す。 図６は、密集した環境の３Ｄ ＬｉＤＡＲ点群マップを示す。 図７は、本発明の一実施形態による方法の性能をテストするために使用される軌道を示す。 図８は、対応する標準偏差を有する、車両フレームにおける横方向および進行方向の平均絶対誤差の比較を示す。 図９は、本発明の一実施形態によるＮＤＴヒストグラムベースのサブサンプリングを使用した、車両フレームにおける横方向および進行方向の平均絶対誤差の比較を示す。 図１０は、本発明の一実施形態によるＮＤＴヒストグラムベースのＬ２距離重み付けを使用した、車両フレームにおける横方向および進行方向の平均絶対誤差の比較を示す。 図１１は、本発明の実施形態による、ＮＤＴヒストグラムベースのサブサンプリングおよびＬ２距離重み付けの両方を使用した、車両フレームにおける横方向および進行方向の平均絶対誤差の比較を示す。
本開示では、正規分布変換（ＮＤＴ）ヒストグラムは、自動運転車両によって使用される単一の３Ｄ ＬｉＤＡＲスキャンから直接構築される。自動運転車では、典型的な３Ｄ ＬｉＤＡＲには、８～１２８個の回転するレーザビーム、つまりチャネルがある。３Ｄ ＬｉＤＡＲに平行な平面（通常は地面）に投影すると、個々の回転するレーザが３Ｄ ＬｉＤＡＲの周りの円形の距離測定値を提供する。複数のレーザビームが異なる角度で整列され、各チャネルからの距離測定値が組み合わされて単一の点群が形成される。結果として得られる点群の形状は、さまざまな半径を持つ点の円の集合である。円の間の距離が、構築されたＮＤＴ表現のグリッド解像度を超えると、結果として得られる分布は、図１Ａの例に示すように、個々の円が別々のボクセルに分類されるため、線形になり、これは、２つの３Ｄ ＬｉＤＡＲから取得した結合点群を示す。そして、図１Ｂは、０．８メートルの解像度を使用した点群のＮＤＴ表現を示す。これは、３Ｄ ＬｉＤＡＲまでの距離に比例して点密度が減少するため、３Ｄ ＬｉＤＡＲから最も離れた場所で取得されたガウス分布で特に予想される。
線形分布は方向に基づいてサブクラスに分類されるため、３Ｄ ＬｉＤＡＲのレーザビーム、またはカメラ、センサ、レーダ、ＧＰＳ、ソナーなどの他のレンジセンシングデバイスに平行な平面上の線形分布は、点群の形状が円形であるため、複数の異なるサブクラスに分類される場合がある。しかし、本開示では、点群マッチングプロセスのために、分布によって提供される制約特徴に基づいて分布をクラスタ化することに焦点が当てられている。したがって、地面などの同じ平面から取得した線形分布を異なるサブクラスに分類することは有益ではない。代わりに、本開示では、線形分布の分類は、地面から取得された分布が追加のヒストグラムビンに分離されるように修正される。地面から得られた線形形状のガウス分布は、地面に平行に整列され、それにより、ガウス分布の最大の固有値λ１を有する固有ベクトル
Figure 2023533140000012
の方向に基づく地面ヒット候補Ｇのセットが構築され得る。線形分布は、固有ベクトル
Figure 2023533140000013
と地面に平行な平面との間の角度がしきい値ｔｇ未満の場合、地面の候補と見なされる。
自動運転車両は地面レベルとその向きに配置されるため、地面の向きは既知であると予想される。地面の変動が大きい場合、平らな地面の近似値は不正確になる可能性がある。ただし、この場合、地面の平坦でない部分は、ＮＤＴマッチングプロセスに制約を与え、地面の平坦な部分と同様に方向付けられた線形分布を生成しない。平地に複数のレベルがある場合、地面の異なるレベルを接続する丘などのフィーチャを提供する制約が必要である。自動運転車の場合、地面ヒットは非常に一般的であると予想されるため、地面候補のほとんどは実際の地面ヒットであると予想される。しかしながら、例えば、水平に向けられた特徴から、および壁などの他の平面に投影される水平に整列されたＬｉＤＡＲレーザビームから、同様に向けられた線形分布も得られる可能性がある。地面以外のヒットを除外するために、候補はガウス分布の高さに基づいて複数のレイヤに分割され、高さは、地面に垂直な方向の距離である。レイヤの高さｈｉを選択することにより、候補はサブセット
Figure 2023533140000014
にグループ化され、ここで、ｉはレイヤのインデックスである。分布量が最大のサブセットＧｉが地面として選択される。地面は２つのレイヤの中間近くに存在する可能性があるため、２つ目のレイヤＧｉ＋１またはＧｉ－１も、２つのうちどちらがより頻繁であるかに基づいて最も頻繁なレイヤにマージされる。残りの非地面線形分布は、異なるヒストグラムビンにクラスタ化される。その結果、さまざまなヒストグラムビンの線形分布が、さまざまな制約特徴を提供するようになった。ヒストグラムは、例えば、すべての制約が適切に考慮されていることを確認するために点群が整列されている場合に利用できる。
さらに、地面から得られた平面分布も単一のヒストグラムビンにクラスタ化されるようにするために、方向の１つが地面の法線と一致するように、ヒストグラムビンの均等に分散された方向が回転される。線形分布のヒストグラムビンの方向に対しても同じ位置合わせが実行され、木や極などの一般的な上向きの線形形状の特徴が単一のヒストグラムビンにクラスタ化される。
以下では、上記のように、修正されたＮＤＴヒストグラムを使用して、点群のさまざまな制約特徴がＮＤＴマッチングプロセスでより均等に考慮されるようにする。
［ＮＤＴヒストグラムベースのサブサンプリング］
ＮＤＴヒストグラムベースのサブサンプリング上で説明したように、ＮＤＴヒストグラムは、変換されたスキャンの正規分布のガウス分布をクラスタリングすることによって、点群の制約特徴の量と分布に関する情報を提供する。例えば、平面分布ヒストグラムビンに２つのピークがある場合、スキャンのＮＤＴ表現には、２組の非平行フラット分布があり、これは、例えば、自動運転車の近くの地面や壁または建物から発生する可能性がある。本開示でＮＤＴヒストグラムに対して行われた修正により、単一の３Ｄ ＬｉＤＡＲスキャンのＮＤＴ表現に共通する線形分布から同様の情報を取得することもできる。制約特徴の分布はＮＤＴヒストグラムから決定できるため、ガウス分布によって与えられる制約に基づいてサブサンプルにガウス分布を選択することが可能である。望ましい結果は、サブサンプル内のガウス分布の制約特徴がより均等に分散されることであり、例えば、Ｌ２距離ベースのＮＤＴマッチングプロセスの粒子フィルタで、粒子群内で粒子の可能性が均等に分散されるのを防ぐ。
ここで、Ｎｚを入力ＬｉＤＡＲスキャンのＮＤＴ表現における総ガウス分布の数とし、Ｎｓ＝ｒｓＮｚをサブサンプルセットＳ内のガウス分布の望ましい量とし、ここで、
Figure 2023533140000015
はサブサンプル比である。より均等に分散された制約を持つサブサンプルを取得するには、次のステップ(ステップ１．～６．)を使用してガウス分布の選択を実行する。
１．入力３Ｄ ＬｉＤＡＲスキャンガウス分布の修正ＮＤＴヒストグラムを作成する。
２．ベクトル
Figure 2023533140000016
を構築する。ここで、ｈｉは各ヒストグラムビンの高さ、
Figure 2023533140000017
はヒストグラムビンのインデックス、高さはヒストグラムビン内のガウス分布の数、ＮはＮＤＴヒストグラム内のヒストグラムビンの合計量である。
３．一定量の均一なサブサンプリングを含めるには、ベクトル
Figure 2023533140000018
を作成し、ここで、ｕｉは点群データサンプルの数であり、
Figure 2023533140000019
は、各ヒストグラムビンに対して均一に実行されるサブサンプリングの部分である均一サブサンプル比である。
４．一様サブサンプリング後のヒストグラムビンの高さを表すベクトル
Figure 2023533140000020
を作成する。
５．完全なサブサンプリングプロセス後のヒストグラムビンそれぞれのターゲットの高さを表すベクトル
Figure 2023533140000021
を作成し、ここで、ｓｉは、均一サブサンプリング後に各ヒストグラムビンから削除される点群データサンプルの数であり、高さｈｉ ｓは、削除ｓｉが
Figure 2023533140000022
になるまで最高のヒストグラムビンに焦点を当て、可能な限り高さｈｉ ｓを生成するように計算される。
６．対応するヒストグラムビンからｈｉ ｓガウス分布をランダムに選択し、サブサンプルセットＳに追加する。
削除の図を図２に示す。破線はＮＤＴヒストグラムのカットの高さを示し、保存された分布は黒の実線のヒストグラムとして示され、削除される分布は黒の縞模様のヒストグラムとして示される。ヒストグラムの元の形状をある程度保存する必要がある場合、サンプルのいくつかは、カットの前に各ヒストグラムビンから均一に選択される。
［Ｌ２距離の重み付けに基づくＮＤＴヒストグラム］
前記Ｌ２距離ベースのＮＤＴマッチングの重みは、ガウス分布によって提供される制約（または制約特徴）に関係なく、各ガウス分布が均一に一致する。さまざまな制約をより均等に重み付けするために、前述のサブサンプリング方法での除去は、最も一般的なガウス分布に焦点を当てている。ただし、その場合、制約の重みはサブサンプル比ｒｓに依存する。サブサンプリングの量が少ない場合、制約の重みはサブサンプリング前とほぼ同じままである。サブサンプル比とは無関係に制約に重みを付けるために、ＮＤＴヒストグラムに基づいて個々のガウス分布のＬ２距離に重みを付けることができる。ヒストグラムビンの高さは、そのビンに属するガウス分布がどの程度一般的であるかを表すため、重みはヒストグラムビンの高さに反比例する必要がある。ｈｉをインデックスｉのヒストグラムビンの高さとし、これは、ｉ番目のヒストグラムビンにクラスタ化されたガウス分布の数である。ｉ番目のヒストグラムビンに属するインデックスｊを持つ個々のガウス分布の正規化されていない重みｗｊ ｕは次のとおりである。
（数６）
Figure 2023533140000023
［０，１］の範囲で重みをスケーリングするには、重みを重みの合計で割る。ｊ番目のガウス分布の正規化された重みｗｊは次のとおりである。
（数７）
Figure 2023533140000024
ここで、Ｎはヒストグラムビンの数である。
重みは、個々のガウス分布のＬ２距離に重みとして直接追加できる。前記Ｌ２距離方程式の元のインデックスｉおよびｊとの衝突を避けるため、Stoyanov等によって説明されているように（T. Stoyanov, M. Magnusson, H. Andreasson, and A. J. Lilienthal, “Fast and accurate scan registration through minimization of the distance between compact 3D NDT representations,” The International Journal of Robotics Research, vol. 31, no. 12, pp. 1377-1393, 2012）、（数７）に記載した式（２）の重み関連のインデックスはｉ→Ｉ，ｊ→Ｊおよびｋ→Ｋにマッピングされる。ＮＤＴヒストグラムの重み付きＬ２ ｗ距離は次のとおりである。
（数８）
Figure 2023533140000025
ここで、
Figure 2023533140000026
であり、および、
Figure 2023533140000027
である。前記Ｌ２ ｗ距離は、Saarinen等によって示されたのと同じ方法で（J. Saarinen, H. Andreasson, T. Stoyanov, and A. J. Lilienthal, “Normal distributions transform Monte-Carlo localization (NDT-MCL),” in IEEE/RSJ International Conference on Intelligent Robots and Systems, pp. 382-389, 2013）、各スキャンガウスが、スキャンガウスの平均が該当するマップボクセル内のガウスにのみ一致するように、近似される。前記Ｌ２ ｗ距離近似はオプションである。近似の別の方法は、スキャンガウスを対応するマップガウスに一致させ、さらに最も近い隣接ガウスにも一致させることである。
重みｗｊの影響は、重みが大きい個々の分布の距離が、重みが小さい分布の距離よりも合計Ｌ２ ｗ距離に大きな影響を与えることである。言い換えれば、よりまれな個々のガウスは、より頻繁なタイプのガウスよりも合計Ｌ２ ｗ距離に大きな影響を与える。したがって、まれな特徴は、ＮＤＴ登録におけるＬ２ ｗ距離ベースの目的関数の最適化に(T. Stoyanov, M. Magnusson, H. Andreasson, and A. J. Lilienthal, “Fast and accurate scan registration through minimization of the distance between compact 3D NDT representations,” The International Journal of Robotics Research, vol. 31, no. 12, pp. 1377-1393, 2012)、および、および粒子フィルタのＬ２ ｗ距離ベースの粒子尤度に（J. Saarinen, H. Andreasson, T. Stoyanov, and A. J. Lilienthal, “Normal distributions transform Monte-Carlo localization (NDT-MCL),” in IEEE/RSJ International Conference on Intelligent Robots and Systems, pp. 382-389, 2013）、より大きな影響を与える。
［方法の評価］
以下に、本発明による方法の性能を試験するために使用される実験装置を提示する。以下では、２つの異なるテスト環境でのデータ収集手順について説明し、一方の環境は特徴が疎で、もう一方の環境はより一般的な高密度構造の環境である。本発明の方法を評価するために使用される位置推定アルゴリズムは、正規分布変換モンテカルロ位置推定（ＮＤＴ－ＭＣＬ）である。ただし、メソッドはこの特定の位置推定メソッドに関連付けられていない。
上記方法の評価に用いた自動運転車は、図３に示す２人乗り電動自動運転車１００である。自動運転車１００は、自律的に動作可能であるため、その周囲を識別し、人間の入力なしに移動することができる。レーダ、ＬｉＤＡＲ、ＧＰＳ、走行距離計、内部測定ユニットなど、環境を検出するためのさまざまなセンサを含む場合があり、これにより、自動運転車は、地面、駐車場、飛行機、野原、または道路などの周囲環境１３０の表面に沿って独立して走行することができる。
自動運転車１００は、この実験設定において、１００メートルの範囲を有する１６チャネルのＶｅｌｏｄｙｎｅ ＶＬＰ－１６ ３Ｄ ＬｉＤＡＲである２つのレンジセンシングデバイス１１０を含む。ＬｉＤＡＲは、自動運転車のフロントバンパ(フロントＬｉＤＡＲ)とリアバンパ(リアＬｉＤＡＲ)に、ＬｉＤＡＲがほぼ０度の傾斜(つまり、地面に対して水平) になるように取り付けられる。両方のＬｉＤＡＲ（フロントＬｉＤＡＲおよびリアＬｉＤＡＲ）１１０からのデータは、プロセッサおよびメモリを有するコンピューティングデバイスによって受信され、位置推定アルゴリズムで結合される。前記コンピューティングデバイスは、自動運転車が前記コンピューティングデバイスと通信するように、自動運転車１００内に配置することができ、前記自動運転車は、上記のように、ＮＤＴヒストグラムベースのサブサンプリングおよび／またはＮＤＴヒストグラムベースのＬ２距離重み付けに基づく位置推定アルゴリズムに従って、自動運転車を取り巻く環境で制御可能かつ位置推定できるように構成されている。自動運転車１００が提案された方法を実行するために使用されるコンピューティングデバイスは、Ｉｎｔｅｌ Ｃｏｒｅ ｉ７－８７５０Ｈ６コア（１２スレッドにマルチスレッド化された）ＣＰＵと１６ギガバイトのメモリを備えたラップトップである。搭載ＧＰＵはＮＶＩＤＩＡ ＧｅＦｏｒｃｅ ＧＴＸ１０６０である。メソッドは純粋にＣＰＵ上で実行され、利用可能なＧＰＵはアルゴリズムのオプションの視覚化でのみ使用される。ＮＤＴマップは、Ｍ．２ソリッドステートドライブからロードされる。
２つのＬｉＤＡＲ１１０の点群（データ）は、ＬｉＤＡＲからベースリンクへの変換を使用することによって結合されるように構成される。点群は、ホイールオドメトリと内部測定ユニット（ＩＭＵ）を使用して、ＥＫＦ（拡張カルマンフィルタ）から推定された姿勢に基づいて修正されるようにも構成されている。ＩＭＵは、加速度計、ジャイロスコープ、磁力計を搭載したＬＯＲＤ Ｍｉｃｒｏｓｔｒａｉｎ ３ＤＭ－ＧＸ５－２５であった。ただし、磁力計のデータは、この実験で使用される位置推定メソッド（つまり、ＮＤＴ－ＭＣＬNDT-MCL) では利用されない。点群の整流に加えて、ＩＭＵとホイールオドメトリデータを使用して、ＥＫＦを使用してデータを融合することにより、ＮＤＴ－ＭＣＬの粒子フィルタに初期推定値を提供する。自動運転車１００はまた、（ＣｏｍＮａｖ Ｔ３００）リアルタイムキネマティック全地球航法衛星システム（ＲＴＫ－ＧＮＳＳ）受信機１２０を備えており、これは、良好な状態で位置測定アルゴリズムにセンチメートルレベルの正確な基準測位を提供する。ＲＴＫ－ＧＮＳＳ１２０データは、ＥＫＦを使用してＩＭＵおよびホイールオドメトリとも融合される。この参照位置は、提案された方法の性能を評価するためのグラウンドトゥルース（ground truth）として使用される。さらに、融合されたＲＴＫ－ＧＮＳＳ１２０位置は、ＮＤＴ－ＭＣＬアルゴリズムを初期化するために使用される。ただし、初期化段階の後、参照位置の使用はオフになり、その後の位置推定、ＩＭＵ、ホイールオドメトリ、および３Ｄ ＬｉＤＡＲデータのみに基づいて行われる。
本開示の実施形態による方法の焦点は、まばらな環境にある。したがって、テストエリアは、ＬｉＤＡＲ点群マッチングの制約特徴がわずかしかないように選択される。選択されたまばらな環境は、駐車場の側面近くに数台の車が駐車され、中央近くに街灯柱がある、ほとんど空の駐車場である。位置推定に使用されたエリアの３Ｄ ＬｉＤＡＲマップを点群として図４に示す。マップのＮＤＴ表現は、図５に示す０．８ｍ×０．８ｍ×０．８ｍ（つまり、０．８ｍ解像度）のボクセルサイズを使用して構築される。
メソッドの評価に使用される軌跡（「ＮＤＴヒストグラムベースのサブサンプリング」および「ＮＤＴヒストグラムベースのＬ２距離重み付け」の段落で説明)を図５に示す。軌跡は駐車場の端から始まり、そこには、ＮＤＴマッチングプロセスにかなりの量の制約を提供するＬｉＤＡＲに見える建物や樹木がある。軌跡は、制約特徴の量が少ない駐車場の中心に向かって円形パターンで続く。ＬｉＤＡＲには街灯柱が見えるだけでなく、側面の木々や建物も見えるが、駐車場の真ん中を走行している場合、ほとんどのＬｉＤＡＲポイントは地面ヒットである。軌跡は駐車場脇で終了する。
本発明の焦点はまばらな環境での位置推定にあるが、この方法は密集した構造の環境でも機能する。実験の目標は、アルゴリズムを切り替える必要なく任意の環境でメソッドを使用できるように、提案されたメソッドを使用しない場合と少なくとも同等のパフォーマンスの位置推定に到達することである。したがって、２番目のテスト環境は多様で、機能が密集している必要がある。テスト用に選択された環境は、フェンス、樹木、駐車中の車などのオブジェクトを含むオフィスビル周辺である。環境の点群マップを図６に、対応するＮＤＴ表現を図７に示す。ＮＤＴマップの解像度は、前述のまばらな環境と同じ０．８メートルである。軌跡は、３次元すべての動きを含む建物の隣の道路をたどる。道路沿いには複数の小さな駐車場があり、ＬｉＤＡＲは常にＮＤＴマッチングプロセス用の適切な量の制約機能をキャプチャする。軌跡を図7に示す。
前の段落で説明したＮＤＴヒストグラムベースのサブサンプリングとＬ２距離の重み付けは、特にまばらな環境でローカリゼーションの精度を向上させるように設計されている。メソッドは、個別に、および組み合わせて、以下の両方で評価される。精度は、推定された軌道をＲＴＸ－ＧＮＳＳ、ＩＭＵ、およびホイールオドメトリベースのグラウンドトゥルース軌道と比較することによって評価され、データはＥＫＦを使用して融合される。グラウンドトゥルースの軌跡の並進誤差は、数センチメートルと予想される。横方向の精度が低いと、車両が隣接する車線にドリフトし、他の車両や道路上の障害物との衝突につながる可能性があるため、車両フレームの横方向の位置決め精度を評価することに重点が置かれている。さらに、横方向の位置決め誤差は、自律走行中の車両モーションコントローラにとって問題になる可能性があり、これは、車両をステアリングして事前定義された経路に車両を誘導する必要があり、振動などの問題を引き起こす可能性があるためである。もう１つの重要な測定値は、横方向の精度と同様の理由で、車両の進行方向の精度である。ただし、他の次元での位置推定エラーも評価され、このセクションで簡単に説明される。基準軌道への並進および回転誤差は、車両フレームの平均絶対誤差（ＭＡＥ）、平均バイアス誤差（ＭＢＥ）、および二乗平均平方根誤差（ＲＭＳＥ）として、対応する標準偏差とともに与えられる。ＭＡＥ、ＭＢＥ、ＲＭＳＥは次のように定義される。
（数９）
Figure 2023533140000028
（数１０）
Figure 2023533140000029
（数１１）
Figure 2023533140000030
ここで、Ｎ軌跡内のポイントの数、ｐｉ ｒｅｆは参照６Ｄポーズ、ｐｉ ｍｅａｓは車両フレーム内の推定６Ｄポーズである。
６Ｄポーズは、３Ｄ平行移動
Figure 2023533140000031
と外部オイラー角
Figure 2023533140000032
の３Ｄ方向で構成される。
位置推定手法は、オフラインのセンサデータを使用してリアルタイムで実行された。アルゴリズムが実行されるたびにデータが同じであっても、リアルタイム実行、粒子ポーズのノイズのランダム性、および計算パフォーマンスの問題により、位置推定アルゴリズムは非決定論的である。実行ごとに結果にばらつきがあるため、アルゴリズムは各メソッドに対して５回実行され、提示された結果は対応する平均値である。
修正されたＮＤＴヒストグラムは、１０個の平面ヒストグラムビンと、グラウンドビンを含む１１個の線形ヒストグラムビンを使用して作成された。実験に基づくと、複数の球状ビンを使用してもメソッドのパフォーマンスは向上しないため、球状分布は粗さの値に基づいてさらにクラスタ化されなかった。ＮＤＴヒストグラムベースのサブサンプリングでは、ＮＤＴヒストグラムサブサンプリングの効果が最大になるように、一様なサブサンプル比率がｒｕ＝０．０として選択された。サブサンプル率は、アルゴリズムの精度が著しく低下しないように、位置推定アルゴリズムの実行速度を上げるために実験的に可能な限り低い値に設定された。さらに、大量のサブサンプリングを実行すると、提案されたサブサンプリング方法の位置推定精度への影響が増加する。ランダムおよびＮＤＴヒストグラムベースのサブサンプリングの両方で、サブサンプル比率はｒｓ＝０．１５に設定された。つまり、分布の８５％が削除された。残りのパラメータは、元の方法と提案された方法の間で同じである。
指定されたパラメータを使用したＮＤＴヒストグラムの作成時間は１ミリ秒未満であった。サブサンプリング部分と重み計算は、実験で使用されたＬｉＤＡＲデータに対して０．１ミリ秒未満で実行された。ＮＤＴ－ＭＣＬアルゴリズムの１つのステップを完全に実行する全体の所要時間は通常５０～２００ミリ秒であるため、ＮＤＴヒストグラムの計算によって発生するオーバーヘッドは重要ではない。ＮＤＴヒストグラムベースのサブサンプリングおよび重み付け方法の数値結果を表３、４、５、および６に示す。表３と表４は、前述のまばらな環境での横誤差と方位誤差を、提案されたさまざまな方法と元の位置特定方法と比較したものである。
比較のために、前に説明した高密度環境の同じ測定値を表５と６に示す。表には、平均絶対誤差（ＭＡＥ）、絶対誤差の標準偏差（ＡＥ）、最大ＡＥ、平均バイアス誤差（ＭＢＥ）、二乗平均平方根誤差（ＲＭＳＥ）が含まれている。さらに、元の方法と比較した相対平均絶対誤差がパーセンテージ値として提供される。提案された方法については、元の方法と比較して改善された値が表で太字になっている。
表３は、すべての提案された方法の横誤差と対応する標準偏差が、まばらな環境での元の位置推定方法よりも大幅に低いことを示している。横方向の精度は、提案された各方法で類似しているが、組み合わせた方法では、他の２つの方法よりもわずかに精度が高くなった。組み合わせた方法の最大横誤差は、元のアルゴリズムと比較して、組み合わせた方法では半分以上になる。ただし、アルゴリズムが実行されるたびに、最大エラーに顕著な変動がある。提案された方法の平均バイアスは、軌跡のターンのほとんどが同じ方向に取られているにもかかわらず低かった。
（表３）まばらな環境でのさまざまな方法の横誤差（メートル単位）の比較
提案された方法では、元の方法と比較して改善された値は太字で示されている。
Figure 2023533140000033
表４に示すように、対応する標準偏差に加えて方位誤差は、提案された方法によってわずかに減少した。ＮＤＴヒストグラムベースの重み付けと組み合わせた方法の最悪のケースは、最大絶対方位誤差からわかるように、元の方法と同様であった。ＮＤＴヒストグラムベースのサブサンプリング法では、最大方向誤差がわずかに大きくなった。ただし、横方向の最大誤差と同様に、アルゴリズムの実行間で最大誤差に大きなばらつきがあった。
（表４）まばらな環境でのさまざまな方法の方位誤差（度単位）の比較
Figure 2023533140000034
表５は、高密度環境におけるさまざまな方法の横誤差（メートル単位）の比較を示す。提案された方法はまばらな環境用に設計されているが、横方向の誤差が元の方法よりもわずかに低いため、結果は有望である。表６は、密集した環境でのさまざまな方法の方向誤差（度）の比較を示している。同じ環境の表６の見出しエラーは、元の位置推定アルゴリズムと比べてほとんど変わっていない。
（表５）密度の高い環境でのさまざまな方法の横誤差（メートル単位）の比較
Figure 2023533140000035
（表６）密集した環境でのさまざまな方法の方向誤差（度単位）の比較
Figure 2023533140000036
まばらな環境の横方向および方向の平均絶対誤差も、各方法について図８－１１に示されている。図８－１１は、軌道全体の平均絶対誤差（濃い青）と５回の実行の標準偏差（水色）を示している。さらに、全体の軌道のＭＡＥとＡＥ標準偏差は、図の上に水平線として表示される。
前述のように、軌跡は駐車場の端から始まり、環境特徴の量が最も少ない駐車場の中央まで続く。特徴量が少ないことの影響は、図８で明確に見ることができ、ここでは、横方向と方向のエラーがデータセットの終わり近くで増加している。横方向のエラーが増加するもう１つの理由は、おそらく、車両が小さな円で運転されている間に、駐車場の中央で回転率が増加したことである。
ただし、図９から、元のアルゴリズムと比較して、ＮＤＴヒストグラムベースのサブサンプリング方法では、特に横方向の誤差が駐車場の中央でそれほど増加していないことがわかる。ヘディングとラテラルエラーの両方のスパイクは、軌道の同じ部分で発生しているように見えるが、これは主に軌道のターンに起因している。図１０と１１に示すように、ＮＤＴヒストグラム ベースの重み付けと組み合わせた方法の両方が、ＮＤＴヒストグラムベースのサブサンプリング方法と非常によく似ているように見える。これは、サブサンプリングと重み付けの方法の効果が、両方の方法の基礎として使用される同じクラスタリング方法、つまり修正されたＮＤＴヒストグラムにより類似していると考えられるためである。
元のＮＤＴヒストグラムベースのサブサンプリングおよび重み付け方法と結合されたＮＤＴヒストグラムとの間の位置推定エラーの比較を、それぞれ表７および８に示す。分離されたＮＤＴヒストグラムベースのサブサンプリングと重み付けの方法は、組み合わせた方法と非常によく似た結果をもたらし、そのような比較は提示されていない。表では、ｘ、ｙ、およびｚが縦方向、横方向、および高度方向に対応するように、並進誤差と回転誤差が車両フレームに与えられている。ロール、ピッチ、ヨーは、指定された順序でのｘ、ｙ、ｚ軸周りの回転である。
比較により、ｘ、ロール、ピッチ、およびヨーの精度は、提案された方法の影響を大きく受けていないことがわかる。ただし、元の方法と比較して、高度ＭＡＥが大幅に増加し、提案された方法は、まばらな環境で元の方法よりも少ない地面ヒットを提供するｚ制約を重み付けする傾向があるため、これは予想される。ただし、ｚエラーは増加しても低いため、車両の高度が地面に固定されているため、自動運転車のローカリゼーションへの影響はまったくない。重要な横方向の精度が大幅に改善され、提案された方法の計算オーバーヘッドが低いため、提案された方法は、まばらな環境で元の方法よりも優れている。また，密集環境下では提案手法とオリジナル手法の精度が同程度であるため，提案手法は環境の変化にも適している．
（表７）オリジナルの位置推定方法のスパース環境における各次元の車両フレームの位置推定エラーの比較
Figure 2023533140000037
（表８）ＮＤＴヒストグラムベースのサブサンプリングとＬ２距離加重法を組み合わせた場合のまばらな環境における各次元の車両フレームの位置推定エラーの比較
元の方法と比較して改善された値は太字で示されている。
Figure 2023533140000038
特定の位置推定精度に関する重要な注意事項の１つは、マッピングやグラウンドトゥルースエラーなどの他のソースからのエラーも含まれていることである。前述のように、グラウンドトゥルースエラーは数センチメートルであると予想される。グラウンドトゥルースマップがない場合、マッピングエラーを正確に測定することは困難である。マッピング関連の問題により、数センチメートルの位置推定エラーが発生することが予想される。
図および表に関連して上述した方法は、１つまたは複数のコンピュータプログラムによって定義される１つまたは複数のコンピュータプロセスの形で実行することもできる。これは、例えば、コンピュータによって実行されると、ステップのいずれかの方法を実行するように適合された記憶媒体に格納されたコンピュータプログラムコード手段を含むコンピュータプログラムであり得る。コンピュータプログラムは、コンピュータプログラムのモジュールも含むと見なされます。上述のプロセスは、より大きなアルゴリズムのプログラムモジュールまたはコンピュータプロセスとして実行され得る。コンピュータプログラムは、ソースコード形式、オブジェクトコード形式、または何らかの中間形式である場合があり、プログラムを運ぶことができる任意のエンティティまたはデバイスである場合があるキャリアに格納される場合がある。そのようなキャリアには、一時的および/または非一時的なコンピューターメディア、例えば、記録媒体、コンピュータメモリ、読み取り専用メモリ、電気キャリア信号、電気通信信号、およびソフトウェア配布パッケージが含まれる。必要な処理能力に応じて、コンピュータ プログラムは、単一の電子デジタル処理ユニットで実行することも、複数の処理ユニットに分散させることもできる。
技術が進歩するにつれて、本発明の概念を様々な方法で実施できることは、当業者には明らかであろう。本発明およびその実施形態は、上述の例に限定されず、特許請求の範囲内で変更することができる。

Claims (8)

  1. 自動運転車の位置推定精度を向上させるための方法であって、
    自動運転車両が移動している地面または平面などの環境の表面特性に関連する点群データを１つまたは複数のレンジセンシングデバイスから受信し、
    受信に基づいて、複数のヒストグラムビンにガウス分布のセットを有する修正正規分布変換（ＮＤＴ）ヒストグラムを構築し、複数のヒストグラムビンのそれぞれが異なる制約特徴を提供し、
    ベクトル
    Figure 2023533140000039
    を構築し、ここで、ｈｉは複数のヒストグラムビンのそれぞれの高さであり、
    Figure 2023533140000040
    はヒストグラムビンのインデックスであり、高さは、ヒストグラムビン内のガウス分布の数値を意味し、ＮはＮＤＴヒストグラム内の複数のヒストグラムビンの合計量であり、
    構築されたＮＤＴヒストグラムの各ヒストグラムビンに対してサブサンプリングを実行し、各ヒストグラムビンからの多数のガウス分布のサブサンプリングを削除して、各ヒストグラムビンのターゲットの高さを表すベクトルｈｓを構築し、
    サブサンプリングの後、ガウス分布によって与えられる制約特徴に基づいて、ベクトルｈｓの対応するヒストグラムビンからｈｉ ｓガウス分布を選択し、それらをサブサンプルセットＳに追加して、点群データを受け取る、
    方法。
  2. 請求項1に記載の方法であって、修正ＮＤＴヒストグラムを構築する上述のステップは、
    前記１つまたは複数のレンジセンシングデバイスの周囲の距離測定データを提供し、提供に基づいて、結果として得られる点群データを提供して、ガウス分布のセットを形成し、
    前記分布によって提供される制約特徴に基づいて前記ガウス分布をクラスタリングし、前記クラスタリングは、地面から取得された分布が得られるように前記分布を修正することによって実行され、これは、距離測定データの地面ヒットからのものであり、追加のヒストグラムビンに分離される、
    ことを備える。
  3. 請求項２に記載の方法であって、前記方法は、
    前記分布の高さに基づいて前記距離測定データを複数の層に分割し、前記高さは、前記自動運転車両が移動している地面に垂直な方向の距離であり、前記距離測定データをサブセット
    Figure 2023533140000041
    にグループ化し、ここで、ｉはレイヤのインデックスであり、
    最大量の分布を持つサブセットＧｉを地面として選択し、残りの非地面分布は異なるヒストグラム ビンにクラスタ化される、
    ことを備える。
  4. 請求項2に記載の方法であって、前記方法は、
    前記ガウス分布の最大の固有値λ１を持つ固有ベクトル
    Figure 2023533140000042
    の向きに基づいて、距離測定データの地面ヒットから地面ヒット候補Ｇのセットを構築し、
    そして、固有ベクトル
    Figure 2023533140000043
    と地面に平行な平面との間の角度が特定のしきい値ｔＧを下回る場合、ガウス分布を地面ヒット候補として決定する、
    ことを備える。
  5. 請求項1に記載の方法であって、前記サブ紛ブリングを実行するステップは、
    ベクトル
    Figure 2023533140000044
    を構築し、ここで、ｈｉは、複数のヒストグラムビンのそれぞれの高さであり、
    Figure 2023533140000045
    は、ヒストグラム ビンのインデックスであり、Ｎは、前記ＮＤＴヒストグラムにおける複数のヒストグラムビンの総量であり、ｕｉは、一様なサブサンプリングによって各ヒストグラムビンから削除される点群データサンプルの数であり、
    Figure 2023533140000046
    は、均一なサブサンプル比、つまりり、各ヒストグラムビンに対して均一に実行されるサブサンプリングの部分であり、
    Figure 2023533140000047
    は、前記サブサンプル比であり、
    均一なサブサンプリング後のヒストグラム ビンの高さを表す均一なサブサンプリング高さベクトル
    Figure 2023533140000048
    を構築し、
    構築されたＮＤＴヒストグラムの各ヒストグラム ビンのターゲット高さを表すターゲット高さベクトル
    Figure 2023533140000049
    を構築し、ここで、ｓｉは各ヒストグラム ビンから削除される点群データサンプルの数であり、高さｈｉ ｓは、可能な限りｈｉ ｓ
    を生成する
    Figure 2023533140000050
    まで、削除ｓｉが最も高いヒストグラムビンに集中するように計算される、
    ことを備える。
  6. 請求項1に記載の方法であって、前記方法は、さらに、
    複数のヒストグラムビンのそれぞれの高さｈｉを決定し、ここで、
    Figure 2023533140000051
    はヒストグラムビンのインデックス、つまり、ｉ番目のヒストグラムでクラスタ化されたガウス分布の数であり、ＮはＮＤＴヒストグラムの複数のヒストグラムの合計量であり、
    前記ｉ番目のヒストグラムビンに属するインデックスｊを使用して、正規化されていない重みｗｊ ｕを使用して、個々のガウス分布のＬ２距離を次のように重み付けし、
    Figure 2023533140000052
    次のように、ｊ番目のガウス分布の重みｗｊを正規化し、
    Figure 2023533140000053
    および、個々のガウス分布のＬ２距離に重みを追加し、ここで、ＮＤＴヒストグラムで重み付けされたＬ２ ｗ距離は次のとおりであり、
    Figure 2023533140000054
    ここで、
    Figure 2023533140000055
    であることを備える。
  7. コンピュータによって実行されると、請求項１から6のいずれかに記載の方法を実行するように適合された記憶媒体に記憶されたコンピュータプログラムコード手段を備えるコンピュータプログラム。
  8. コンピュータ可読媒体で実施される、請求項7に記載のコンピュータプログラム。
JP2022573237A 2020-05-26 2020-05-26 自動運転車の位置推定精度を向上させる方法 Pending JP2023533140A (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/FI2020/050353 WO2021240045A1 (en) 2020-05-26 2020-05-26 Method for improving localization accuracy of a self-driving vehicle

Publications (1)

Publication Number Publication Date
JP2023533140A true JP2023533140A (ja) 2023-08-02

Family

ID=78744139

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022573237A Pending JP2023533140A (ja) 2020-05-26 2020-05-26 自動運転車の位置推定精度を向上させる方法

Country Status (4)

Country Link
US (1) US20230204363A1 (ja)
EP (1) EP4158382A4 (ja)
JP (1) JP2023533140A (ja)
WO (1) WO2021240045A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102507906B1 (ko) * 2022-10-04 2023-03-09 주식회사 라이드플럭스 저용량 ndt 지도를 이용한 자율주행 차량의 측위 방법, 장치 및 컴퓨터프로그램

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107709930B (zh) * 2015-06-18 2021-08-31 宝马股份公司 用于表示地图要素的方法和装置以及用于定位车辆/机器人的方法和装置
CN112292582A (zh) * 2018-04-20 2021-01-29 文远知行有限公司 用于生成高清晰度地图的方法和系统

Also Published As

Publication number Publication date
EP4158382A1 (en) 2023-04-05
WO2021240045A1 (en) 2021-12-02
EP4158382A4 (en) 2024-02-28
US20230204363A1 (en) 2023-06-29

Similar Documents

Publication Publication Date Title
Sun et al. A 3D LiDAR data-based dedicated road boundary detection algorithm for autonomous vehicles
Zou et al. A comparative analysis of LiDAR SLAM-based indoor navigation for autonomous vehicles
CN111583369B (zh) 一种基于面线角点特征提取的激光slam方法
Lu et al. Real-time performance-focused localization techniques for autonomous vehicle: A review
Ji et al. CPFG-SLAM: A robust simultaneous localization and mapping based on LIDAR in off-road environment
Zhou et al. T-LOAM: Truncated least squares LiDAR-only odometry and mapping in real time
CN113865580B (zh) 构建地图的方法、装置、电子设备及计算机可读存储介质
Wang et al. Intelligent vehicle self-localization based on double-layer features and multilayer LIDAR
Weon et al. Object Recognition based interpolation with 3d lidar and vision for autonomous driving of an intelligent vehicle
CN110930495A (zh) 基于多无人机协作的icp点云地图融合方法、系统、装置及存储介质
上條俊介 et al. Autonomous vehicle technologies: Localization and mapping
Han et al. Precise localization and mapping in indoor parking structures via parameterized SLAM
Cai et al. Mobile robot localization using gps, imu and visual odometry
Wen et al. Object-detection-aided GNSS and its integration with lidar in highly urbanized areas
Pang et al. Low-cost and high-accuracy LIDAR SLAM for large outdoor scenarios
Cai et al. A lightweight feature map creation method for intelligent vehicle localization in urban road environments
Wen et al. AGPC-SLAM: Absolute ground plane constrained 3D LiDAR SLAM
Gholami et al. Real-time obstacle detection by stereo vision and ultrasonic data fusion
Charroud et al. Localisation and mapping of self-driving vehicles based on fuzzy K-means clustering: A non-semantic approach
JP2023533140A (ja) 自動運転車の位置推定精度を向上させる方法
Fassbender et al. Landmark-based navigation in large-scale outdoor environments
Peng et al. 3-D Objects Detection and Tracking Using Solid-State LiDAR and RGB Camera
WO2023222671A1 (en) Position determination of a vehicle using image segmentations
Berrio et al. Long-term map maintenance pipeline for autonomous vehicles
Lee et al. Fast point cloud feature extraction for real-time slam

Legal Events

Date Code Title Description
A529 Written submission of copy of amendment under article 34 pct

Free format text: JAPANESE INTERMEDIATE CODE: A529

Effective date: 20230125

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230125

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231024

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20240521