基于点云极化表征与孪生网络的智能车定位

基于3维激光雷达(LiDAR)的智能车定位在地图存储空间与匹配效率、准确率等方面仍存在诸多问题。该文提出一种轻量级点云极化地图构建方法:采用多通道图像模型对3维点云进行编码生成点云极化图,利用孪生网络结构提取并训练点云极化指纹,结合轨迹位姿信息构建点云极化地图。还提出一种基于点云极化地图匹配的智能车定位方法:采用孪生网络对查询指纹与地图指纹进行相似度建模实现快速的地图粗匹配,采用基于2阶隐马尔可夫模型(HMM2)的地图序列精确匹配方法获取最近的地图节点,通过点云配准计算车辆位姿。使用实地数据集和公开的KITTI数据集进行测试。实验结果表明,地图匹配准确率高于96%,定位平均误差约为30 cm,并对不同类型的LiDAR传感器与不同的场景具有较好的鲁棒性。

三维点云极化地图表征模型与智能车定位方法

为提高智能车定位精度提出一种基于三维点云极化地图表征模型的定位方法。该模型以点云极化图为节点,利用高精度GPS(Global Positioning System)和欧拉角实现该节点的全局位置表征;从极化图中提取点云的二维与三维特征,实现该节点的多尺度特征表征;通过一系列极化节点实现道路场景的数值描绘与虚拟重构。定位过程中,通过对实时获取的三维激光点云进行极化表征并与地图节点进行多尺度特征匹配实现智能车的地图定位。具体而言,首先根据待定位智能车GPS信号的稳定情况选用GPS匹配或者拓扑定位筛选地图节点并获取定位候选集,完成初定位;其次运用点云二维特征匹配结果从定位候选集中检测距离待定位智能车最近的地图节点,完成节点级定位;最后利用点云三维特征匹配结果与最近地图节点的全局位置计算智能车位姿,完成度量级定位。实验在两种典型场景下进行,节点定位准确率98.7%,平均定位误差21.4 cm,最大定位误差42.9 cm。结果表明,本文算法满足智能车高精度定位需求,且鲁棒性强、成本低、计算过程简单。

基于RFID的智能车定位系统

本文设计一种基于RFID与STC12C5A60S2单片机的定位系统.该系统具有明确识别智能车位置的功能.该系统利用单片机对MF RC522射频卡的识别,对智能车进行精准定位.

基于地面快速鲁棒特征的智能车全局定位方法

针对目前视觉定位方法大多基于地面语义特征(如车道线、停车线等)容易受到其他地面语义特征(如箭头、斑马线等)的影响,提出了一种基于地面快速鲁棒特征(SURF)点的全局定位方法.该方法首先在鸟瞰图中检测SURF点,结合高精度GPS构建地面SURF地图.然后在此基础上,使用迭代最近点算法,将在线检测结果与地图匹配获得车辆全局定位,并通过扩展卡尔曼滤波将定位结果与惯导和里程计数据进行融合,提高全局定位精度.实验结果表明,所提出的方法可获得分米级定位结果,能满足智能车的定位需求.

基于视觉、轮速和单轴陀螺仪的清扫车定位

针对清扫车在特定工况行驶的特点,利用车辆上现有的传感器(包括摄像头、单轴陀螺仪、车速信息)进行定位.所提出的系统包括地图模块、信号源模块及融合模块.地图模块提供车道线的局部地图信息.信号源模块中的视觉模块提供车辆相对车道线的航向和距车道线的距离信息,单轴陀螺仪提供车辆的横摆角速度信息,车辆信息模块提供车速信息.融合模块融合以上信息进行定位,在长时间无卫星信号的情况下利用视觉信息和车道线的地图融合进行位置的修正可以得到分米级的定位精度,加上航向信息修正后定位精度能够得到进一步的提升.

考虑动力学模型系统误差补偿的智能车GNSS/IMU组合定位算法

为了解决智能车动态组合定位过程中,因动力学模型与实际模型之间存在偏差导致滤波精度下降的问题,针对智能车全球导航卫星系统(GNSS)/惯性测量单元(IMU)组合定位系统,结合非线性预测滤波(NPF)和自适应滤波的优点,提出了一种考虑动力学模型系统误差实时估计和补偿的自适应非线性预测滤波(ANPF)算法。首先,根据NPF算法原理,通过最小化预测观测残差与系统误差的加权平方和,估计动力学模型系统误差;其次,结合自适应滤波原理,利用状态预测残差向量构造自适应因子,设计了一种自适应扩展卡尔曼滤波(AEKF)算法,用于估计系统状态向量,并通过自适应因子抑制动力学模型系统误差和线性化误差对系统状态估计精度的影响,克服NPF对系统状态估计精度有限的缺陷;再次,对动力学模型系统误差的估计误差和由动力学模型系统误差引起的系统噪声的等效协方差阵进行了分析和推导,以补偿动力学模型系统误差对系统状态估计的影响;最后,通过车载GNSS/IMU组合定位系统试验,从算法精度、鲁棒性和实时性方面对提出的算法和其他滤波算法的性能进行了验证和对比分析。研究结果表明:提出的自适应算法继承了NPF算法简易性和高实时性的优点,同时克服了NPF算法估计精度有限的缺陷,具有较好的滤波解算精度,水平定位精度小于1.0 m,算法单次平均执行时间约为0.013 9 ms,在精度和实时性的平衡方面显著优于其他滤波方法。

基于视觉的道路场景建模

步入21世纪,随着人工智能的发展,智能车的研究成为一大热点,而智能汽车研究的基础就是定位问题。目前有2种定位方法,一种是实时定位与建图(SLAM),另一种则是基于道路场景表征建模的定位方法,两者各有所长。本文针对基于视觉的道路场景表征建模定位方法进行了优化与改进。首先,本文提出了一种对点云处理的方法,对当前Z坐标一定距离内的点云取不同权值,进行加权投影,以此来构建道路的二维场景。采用ORB特征提取算子提取二维特征,并采用视觉里程计算法获取车辆运动轨迹信息。构建了轻量级神经网络,用来检测道路标志特征,例如车道线、斑马线、道路标志牌等。对二维场景精度差的问题进行补充。