基于激光雷达和特征地图的车辆智能定位研究

针对激光雷达采集行驶车辆的三维点云数据中包含过多畸变数据,影响车辆定位效果的问题,本文研究一种基于激光雷达和特征地图的车辆智能定位方法。激光雷达利用基于飞行时间的激光测距法,采集车辆及其行驶环境的三维激光点云数据,去除激光点云数据中的畸变数据。利用正态分布变换方法,优化删除畸变数据的点云集的正态分布概率值,配准三维激光点云数据。从完成配准后的三维激光点云数据中,提取柱状物体的圆形特征,构建车辆行驶的自然柱状特征地图。利用卡尔曼滤波算法,结合自然柱状特征地图信息,实现高精度的车辆智能定位。实验结果证明:该方法可以精准定位车辆目标,车辆智能定位精度较高,最高可达到97%,定位效率较好,最短可在5 s时间内完成定位,具有一定应用价值。

—种实时的单目视觉SLAM改进算法

针对目前SLAM算法实时性和鲁棒性的问题,提出了一种改进的实时单目视觉SLAM算法。该算法采用一个摄像头作为外部传感器来提取机器人行进过程中周围环境的特征信息,用实时性良好的FAST提取环境特征点,结合逆深度参数化进行特征点非延时初始化,用压缩扩展卡尔曼滤波更新地图。实验研究表明,该方法提高了算法的鲁棒性和实时性。

面向车路协同孪生仿真测试的多尺度滤波同步方法

为提升车路协同孪生仿真测试系统的同步性能,明确了孪生主体的运行机理,分析了影响系统同步性能的干扰因素,建立了孪生状态同步映射模型;针对孪生状态采样的时钟异步问题,设计了时钟误差估计策略,修正了孪生仿真测试系统的量测时间偏差;在此基础上,结合卡尔曼滤波原理,引入多尺度滤波器更新机制,建立了考虑同步采样误差的量测噪声模型,提出了多尺度滤波同步优化方法;最后,在搭建的孪生仿真测试原型系统中,选取NGSIM数据集的车辆轨迹开展试验。研究结果表明:在不同车辆速度条件下,提出的多尺度滤波同步优化方法能够保持良好的同步性能;在横向坐标同步方面,平均绝对误差小于1 mm,99.5%的绝对误差控制在8 mm以内;在纵向坐标同步方面,平均绝对误差小于9 mm,99.5%的绝对误差控制在38 mm以内;在速度同步方面,平均绝对误差小于2.8 cm·s^(-1),99.5%的绝对误差控制在24 cm·s^(-1)以内;在偏航角同步方面,平均绝对误差小于1.1×10^(-3)rad,99.5%的绝对误差控制在1.1×10^(-2)rad以内;与航迹推算方法相比,提出的方法能够在横向坐标、纵向坐标、速度和偏航角方面平均提升30.0%的同步精度,能够有效解决孪生主体的状态异步问题,可保障车路协同孪生仿真测试系统的实时同步与精准运行。