基于激光雷达的远距离运动车辆位姿估计

为了解决激光雷达扫描远距离运动车辆产生的点云稀疏导致位姿特征难以提取的问题,提出了一种远距离运动车辆位姿估计方法。首先利用时空连续性提取远距离运动车辆。然后利用最小二乘拟合得到稀疏点云水平面二维投影近似拟合直线对,依次在不同角度的垂直正交直线对上对稀疏点云的二维投影进行一维向量估计的装箱过程,基于目标车辆与激光雷达间相对位置的观测角函数最大化匹配滤波响应,进而利用全局优化算法对投影点概率分布与匹配滤波运算得到的代价函数作离散卷积,寻优比较得到单帧拟合最优矩形。最后结合连续帧平移约束进行多帧拟合,优化当前帧目标车辆拟合矩形的位姿。利用仿真和真实场景下采集的目标车辆点云数据进行算法验证分析。结果表明:在点云稀疏的情况下,当远距离目标车辆做直线运动时,提出的多帧拟合方法得到的位姿参数均方根误差低于单帧拟合和已有的RANSAC拟合方法;当远距离目标车辆做曲线运动时,提出的单帧拟合和多帧拟合方法得到的位姿估计结果较为接近,且误差明显低于已有的RANSAC拟合方法;对于不同相对距离下采集的目标车辆点云,提出的单帧拟合和多帧拟合位姿估计方法的适应性优于已有的RANSAC拟合方法。     

基于特征几何关系的无人车轨迹回环检测

为了在GPS盲区中利用激光雷达构建地图,提出了一种基于回环检测的高精度2D激光点云地图构建方法。首先,从2D激光雷达观测数据中获得无人车的位姿,在2D高斯概率密度空间中提取每帧数据中的环境特征以及求得高斯映射值累加和。其次,利用粒子滤波对车辆位姿与环境特征进行融合优化得到低精度的点云地图和特征地图。然后,利用数据帧中环境特征的数量、车辆位姿以及高斯映射累加和,计算发生轨迹回环的可能性;遍历所有观测帧后得到无人车轨迹回环帧;利用三角剖分法求解回环帧之间的真实转换关系。最后,利用图优化方法得到全局最优的无人车位姿和高精度点云地图与特征地图。试验结果表明:特征地图中同一特征的多次识别结果之间的标准差小于5mm;利用车辆位姿、环境特征和高斯映射累加和能够有效发现路径回环的可能性,其处理2 499帧耗时1.61s;利用Delaunay三角剖分能够准确计算路径回环点,单次运行用时小于1s。     

自动驾驶中周围车辆识别与信息地图构建技术

为提高自动驾驶时单传感器对周围车辆识别成功率及工程实用性,提出了一种基于相机图像与激光雷达信息相融合的车辆识别和地图构建方法.对相机与激光雷达进行了联合标定和时间配准.对图像中的车辆阴影与激光雷达检测信息进行提取,获得两者间的坐标关联度特征,并根据其阈值范围确定周围是否存在车辆.将相机图像信息与激光雷达检测信息进行融合...     

基于实时三线标定的车辆视觉定位方法

车辆在行驶过程中车路状况复杂多变,车载摄像机外参数会发生较大的变化,针对采用传统的基于预先标定外参数的方法进行车辆位姿计算会带来较大误差的问题,研究了一种基于实时三线标定的车辆视觉定位方法.基于三线标定法实时标定车载摄像机外参数,降低了其受到车辆震荡和路面环境的影响.然后利用外参数的实时标定结果,结合射影几何和消失点原理对车辆进行位姿计算,获取车道偏离距离和车辆偏转角度信息,从而实现对车辆的定位.通过在不同的路段架设不同高度的车载摄像机进行真实道路实验,计算车辆的位姿.结果表明,在不同路况下,车辆偏离车道线距离的平均误差为7.3cm,偏转角度平均误差为1.5°.该算法通过实时标定车载摄像机外参数,可以有效提高车辆位姿计算的精准性与适应性,对车载摄像机外参数的标定性能明显优于传统的预先标定法.      

基于运动约束的激光雷达与车体坐标系旋转参数标定

激光雷达是智能网联汽车环境感知的重要传感器,多坐标系空间标定是激光雷达精准环境感知的前提条件。针对激光雷达与车体坐标系空间同步面临传感器观测单一的问题,提出基于激光雷达与车辆的平面运动和直线运动约束2步标定方法。为构建运动约束,基于激光里程计获取激光雷达运动位姿信息,通过激光雷达运动轨迹信息和时域上多帧地面平面拟合信息进行平面行驶识别,在满足平面路况下构建平面运动约束标定,进而标定横滚角与俯仰角;基于俯仰角和横滚角对车辆轨迹进行修正,通过激光运动轨迹建立直线行驶判别模型判别车辆运动状态,在满足车辆直线行驶路况下构建直线运动约束,从而标定偏航角。最后,在智能驾驶试验车上开展了激光雷达与车辆坐标系标定的实车试验,通过实车采集的数据验证了提出的空间同步方法的可行性。试验结果表明：提出的激光雷达与车体坐标系标定方法优于基于标定物的方法,在原始数据上可以保证标定后的旋转误差降低至0.61,误差率降低约47.4%。在手动调整的扩充数据上标定后的旋转误差降至1.64,误差率降低约40.6%。相对于基于标定物的方法,其旋转误差均有降低且不需要借助特定的标定物与标定场,降低了对环境的依赖程度。同时通过消...     

基于手眼模型的自动驾驶毫米波和激光雷达联合标定研究

为了提高自动驾驶汽车传感器的校准质量,增强自动驾驶系统对目标的精准感知能力,提出了基于手眼模型的毫米波和激光雷达联合标定方法。首先,利用毫米波雷达的内在结构特征建立数学模型,对毫米波和激光雷达传感器的外部参数进行精确计算,确保在统一的世界坐标系中。然后利用手眼模型作为融合分析的基础,实现了毫米波和激光雷达的联合标定。最后,在自动驾驶小巴车平台上进行了标定试验,利用该标定系统得到标定结果的三维位姿关系,并验证了自动驾驶小巴车传感器数据的准确性。研究结果表明,该方法测距误差均值为0.01 m左右,传感器旋转角度可以精确到1°左右,可以满足汽车自动驾驶系统中雷达感知精度的要求。     

基于激光雷达点法向量的车辆实时位姿估计

为解决复杂交通场景下激光雷达获取运动车辆点云残缺而导致位姿信息难以提取的问题,提出一种基于点法向量特征的动态刚性目标实时位姿估计方法。利用最小二乘拟合算法求解目标表面点法向量,采用自适应聚类算法求解点法向量聚簇中心数量,求取聚类点拟合平面,选择互相垂直的平面代表点法向量分别作为待测目标所属坐标系内X轴和Y轴,通过运动学方程完成目标三维姿态角的求解。试验结果表明,该方法能实时估计直线和曲线运动车辆的位姿参数,表现出较好的鲁棒性。     

基于卷积神经网络的车辆位姿估计算法

针对基于双目视觉和激光雷达对车辆进行位姿估计时计算量大、成本高等问题,提出一种单目视觉位姿估计算法,设计多任务卷积神经网络作为车辆位置和姿态估计的网络。将目标车辆视为刚体,分别对其尺寸、姿态角、3D中心点建模,以KITTI数据集中相关数据对模型进行训练,并分析训练后的网络,估计模型的计算速度和精度。结果表明,该位姿估计网络实时性良好,帧速率达50帧/s,平均姿态角相似度达86.14%。     

特征稀疏场景下基于标签的车辆视觉SLAM

在智能车辆的同时定位与建图中，视觉特征点法通过对特征点的提取和匹配进行车辆位姿估计，但当环境缺少纹理或动态变化时，场景的特征稀疏、稳定性差，基于自然特征定位易导致精度下降甚至定位失败。在环境中加入视觉标签可有效解决特征稀疏问题，但基于视觉标签的定位方法高度依赖人工标定，且常因视角变化出现位姿抖动，影响定位的精度。为此，本文提出了一种基于标签的车辆视觉SLAM方法，充分利用标签信息，引入内外角点约束降低标签位姿抖动，同时借助视觉里程计建立低漂移、全局一致的地图；在定位时基于标签估计车辆位姿，并联合优化标签地图与车辆位姿，从而构建低成本、高鲁棒的视觉SLAM系统。试验结果表明，本文方法使用内外角点约束有效降低了标签的位姿抖动，使标签建图精度的提升率超过60%，定位精度的平均提升率超过30%，显著地提高了基于标签定位的精度与鲁棒性，有利于智能车辆的安全运行。     

高速公路相机自动标定及道路坐标系构建

为解决高速公路场景下利用视频监控系统正确描述车辆相对于道路的空间位置问题，通过引入Frenet坐标系概念，提出一种基于相机自动标定的道路坐标系模型。在相机自动标定阶段，利用线分段拟合方法从曲线车辆轨迹中提取平行于直线路段的轨迹点，并通过级联霍夫变换精确估计道路方向的消失点。然后,根据多车辆三维模型约束，对相机参数进行迭代优化。基于标定结果，将车辆轨迹映射到世界坐标系平面上，并用3次样条插值进行拟合。根据大量运动车辆在道路平面内形成的轨迹域分布特征，综合边界约束估计道路中心点。最后，结合道路中心线在各点处的法线向量与车道宽度信息确定平移量，并利用点平移运动拟合车道线，实现道路坐标系的自动建立。使用真实高速公路视频数据，在多种道路条件下进行试验。研究结果表明:在标定阶段，构建方法对不同高速公路场景的最大标定误差不超过11.55%;与最新的方法相比，直线道路平均标定误差分别降低6.68%和3.58%，弯曲道路平均标定误差分别降低7.43%和2.61%;在道路坐标系构建阶段，构建方法的平均投影距离为0.077 m，接近最新方法的0.069 5 m；而其平均精度为0.916，显著优于最新方法的0.663；所提道路坐标系能够自适应道路形态的变化，有效解决了从监控视频中描述车辆与道路之间相对位置关系的问题。     

基于3D视觉的机械臂无规则零件抓取系统

为解决机械臂抓取零件定位不准或抓取精度不高的问题，提出了一种基于3D视觉机械臂无规则零件抓取方法，该方法主要包括系统空间标定、零件点云定位分割、零件位姿估计算法模块，提出了基于2D图像的点云相机外参标定方法及基于图像语义分割的零件点云分割方法。经试验验证，所提出的标定方法达到1 mm的系统精度误差，而且求解效率高、通用性强；与常用的聚类分割相比，零件点云分割方法精度及效率更高。所设计的二阶段零件空间位姿计算方法能准确估计零件在空间中的6自由度位姿，相比单一阶段匹配方法精度提高约1.8倍。所提出的基于3D视觉的机械臂无规则零件抓取系统精度高、可扩展性强、适应情形广。     

基于激光视觉融合的帧间匹配方法

同步定位与地图构建(Simultaneous Location and Mapping,SLAM)是机器人在未知环境中实现自我导航能力的重要保证。目前SLAM算法使用的主传感器基本是激光雷达或视觉相机。二者各具优劣,激光雷达能更精确地进行测距,视觉相机能反映环境丰富的纹理信息。与使用单一传感器相比,将二者融合的SLAM算法能够获得更多环境信息,达到更好的定位和建图效果。文章提出一种融合激光雷达和视觉相机的帧间匹配方法,通过在SLAM帧间匹配过程中加入地面约束以及视觉特征约束,提高帧间匹配过程精度,增强算法鲁棒性,从而提升SLAM算法整体效果。文章最后利用采集的地下停车库数据进行结果验证,与开源算法A-LOAM进行对比。结果表明,相比A-LOAM的帧间匹配方法,文章提出的方法相对位姿误差提升约30%。     

面向自动驾驶汽车的仿真算法实现

随着自动驾驶技术的发展,自动驾驶汽车进入了人们的视野。自动驾驶汽车的实现离不开各类型的传感器,实现传感器的安装、标定对于自动驾驶汽车至关重要。文章介绍了自动驾驶汽车的发展现状和前景、相机的标定、多线激光雷达的标定、相机和激光雷达的联合标定。最后,文章构建了仿真环境和车辆行驶控制仿真算法。     

一种混合视觉的车载激光雷达即时定位与地图构建方法

为提高地图的构建精度,提出一种混合视觉即时定位与地图构建方法。利用相机和激光雷达标定获得具有颜色信息的点云,并对点云数据进行预处理,选取相邻帧点云之间的特征点,制定匹配策略,对匹配点采取未解耦的位姿求解算法,获取两帧间的变换矩阵作为后续帧间匹配的初值。分别利用KITTI数据集和实车试验数据进行验证,结果表明,所提出的方法轨迹点均方根误差分别优化了6.84%和4.53%,验证了所提出方法的有效性。     

基于改进Gmapping的室内ROS智能车同步定位与建图系统设计

室内移动机器人是近年来研究的热点问题,同步定位与建图技术更是移动机器人的关键技术之一。为此文章设计了基于机器人操作系统（ROS）智能车的同步定位与建图系统,以Gmapping为核心算法,首先采用电机编码器构建的里程计对单线激光雷达的每帧数据进行运动畸变补偿,以运动畸变补偿后的激光雷达数据和里程计数据作为Gmapping算法输入;然后通过Gmapping算法粒子初始化,构建考虑观测量的提议分布并对粒子进行采样以估计智能车位姿,以重采样重要性系数对粒子进行重采样并设置重采样阀值,利用二值贝叶斯滤波器对每个粒子的地图状态更新;最后基于Gmapping算法输出智能车的位姿估计和地图数据。试验结果表明,所设计的同步定位与建图系统,在小尺寸环境下对智能车位姿估计和构建的地图较为准确,满足设计目标要求。     

基于激光雷达的纵向坡路动态可行驶性预测

为解决智能汽车在含有纵向坡路的环境中行驶时所涉及的环境感知与路面可行驶性理解问题,提出了一种基于激光雷达的动态、不确定性路面可行驶性预测方法。首先,利用PreScan,CarSim与MATLAB软件搭建虚拟行驶环境,并建立激光雷达物理模型提高虚拟点云的保真度。其次,进行基于激光雷达的动态可行驶性研究,利用路面激光雷达点云数据基于车辆未来行驶方向建立笛卡尔坐标系下的间隔栅格地图;在间隔内进行平面拟合得到路面的法向量,利用平面法向量计算路面纵向坡角并利用车辆姿态补偿得到大地坐标系下的间隔坡角和道路轮廓信息,并探讨天气对道路轮廓估计结果的影响;基于车辆纵向动力学特性和道路参数估计结果,计算可行驶性概率并预测可行驶性。为了快速仿真验证所提出的可行驶性预测方法,搭建相应的自动测试环境并设计测试方法。首先分析并测试车辆行驶过程中容易因失效造成预测失败的临界关键工况,接着在虚拟行驶环境中建立自动化测试流程,加强对关键工况区的采样,总计通过402组测试工况验证可行驶性预测算法,预测准确率达到87.81%。最后,在实车平台和真实测试道路上对算法流程进行验证。研究结果表明:该方法能够很好地对车辆在纵向坡路上的可行驶性进行动态的、基于概率性指标的预测。     

基于激光雷达的纵向坡路动态可行驶性预测（双语出版）

为解决智能汽车在含有纵向坡路的环境中行驶时所涉及的环境感知与路面可行驶性理解问题，提出了一种基于激光雷达的动态、不确定性路面可行驶性预测方法。首先，利用PreScan，CarSim与MATLAB软件搭建虚拟行驶环境，并建立激光雷达物理模型提高虚拟点云的保真度。其次，进行基于激光雷达的动态可行驶性研究，利用路面激光雷达点云数据基于车辆未来行驶方向建立笛卡尔坐标系下的间隔栅格地图；在间隔内进行平面拟合得到路面的法向量，利用平面法向量计算路面纵向坡角并利用车辆姿态补偿得到大地坐标系下的间隔坡角和道路轮廓信息，并探讨天气对道路轮廓估计结果的影响；基于车辆纵向动力学特性和道路参数估计结果，计算可行驶性概率并预测可行驶性。为了快速仿真验证所提出的可行驶性预测方法，搭建相应的自动测试环境并设计测试方法。首先分析并测试车辆行驶过程中容易因失效造成预测失败的临界关键工况，接着在虚拟行驶环境中建立自动化测试流程，加强对关键工况区的采样，总计通过402组测试工况验证可行驶性预测算法，预测准确率达到87.81%。最后，在实车平台和真实测试道路上对算法流程进行验证。研究结果表明：该方法能够很好地对车辆在纵向坡路上的可行驶性进行动态的、基于概率性指标的预测。     

激光雷达的内参建模与点云修正方法

本文中建立了一种针对机械式激光雷达参数较少的内参模型;考虑到偏心结构对于点云的影响,提出了角度修正和距离修正两种点云修正方法,对两种方法的修正效果进行仿真,并通过实际点云加以验证。最后还用位姿估计算法验证修正算法的有效性。     

基于车辆模型紧耦合的封闭园区车辆定位方法

自主定位是自动驾驶车辆的一项基本能力,全球导航卫星系统(GNSS)可在开阔环境提供定位解决方案,然而在封闭园区环境如港口或工业园区等,高密度的植被和建筑等环境因素会导致GNSS信号不稳定,从而影响定位精度,对自动驾驶系统的安全造成严重威胁。为解决这一问题,本文中提出融合激光雷达(LiDAR)和惯性测量单元(IMU)的自动驾驶定位方法,通过引入车辆运动学模型以约束车辆位姿优化方向,同时采用模块化设计思路构建系统残差并基于紧耦合方法联合优化获得车辆准确位姿。试验结果表明,所提出的方法能够提高弱GNSS信号环境中自动驾驶车辆的定位精度和鲁棒性。     

基于模糊自适应PID的智能车辆路径跟踪控制

选取车辆当前位姿和参考位姿来构造车辆的动态位姿误差,建立车辆路径跟踪闭环控制系统的Simulink仿真模型,并设计了模糊自适应PID控制器,利用模糊推理的方法,对PID控制器的参数进行自动调整。利用常规PID和模糊自适应PID控制算法分别进行仿真实验。仿真结果表明,模糊自适应PID改善了控制器的动态性能且具有较好的自适应能力。