基于3D点云语义地图表征的智能车定位

为提高智能车节点定位准确率, 研究了基于3D点云语义地图表征的智能车定位方法。该方法分为3个部分: ①基于三维激光点云的语义分割, 包括地面分割, 交通标志牌分割和杆状语义目标分割; ②面向智能车的点云语义地图表征, 利用分割的语义目标投影, 生成带权有向图, 语义路, 语义编码, 再以语义编码和高精度GPS的全局位置组成语义地图表征模型; ③基于语义表征模型的智能车定位, 包括基于GPS匹配的粗定位和基于语义编码渐进匹配的节点定位。实验在3种长度不同、复杂度不同的道路场景下进行, 节点定位准确率分别为98.5%, 97.6%和97.8%, 结果表明所提出的定位方法节点定位准确率高、鲁棒性强且适用于不同的道路场景。      

基于室内标志的视觉定位方法

为解决室内交通场景中智能汽车和移动机器人进行定位计算的问题, 利用室内场景中已存在的各类标志, 引入BEBLID算法, 提出1种视觉定位方法。对BEBLID算法进行改进, 赋予其对图像整体进行特征表征的能力。将定位过程分解为离线阶段和在线阶段, 离线阶段构建场景标志地图。在线阶段中, 首先通过全局特征匹配, 引入KNN方法确定最近节点和最近图像。通过局部特征匹配获得特征点一一对应关系。利用场景特征地图中存储的标志坐标信息, 进行度量计算, 获取当前位置信息。在教学楼、办公楼和室内停车场场景进行实验, 实验中对场景标志的正确识别率达到90%, 平均定位误差小于1 m, 与传统方法相比, 同一样本下识别精度相对提升约10%, 实验验证了算法的有效性。      

"道路指纹"关键技术及其在智能车路系统中的应用

针对智能网联汽车与车路协同系统中的高精度定位核心技术问题,提出了"道路指纹"的概念与表征模型,并在"道路指纹"的基础上提出了面向智能车路系统的高精度定位方法."道路指纹"是通过车载传感器数据提取的高稳定性与高辨识度的道路场景特征信息.在"道路指纹"表征模型中,分别从表征的唯一性、计算的快速性、特征的稳定性以及表征的精准性等4个方面完成建模工作.其中,针对表征唯一性需求,提出基于多视角(包括俯视、前视、侧视等)与多传感器的表征方法;针对计算快速性要求,提出了全局特征与语义特征的表征方法;还提出基于深度卷积神经网络(D-CNN)的深度学习特征提取方法,大幅度提高特征表征的鲁棒性;最后,通过提取路面的局部特征,实现特征的精准性(亚像素精度)表征.通过对上述特征进行层次化组织,完成"道路指纹"的表征建模.通过对道路上各个节点进行"道路指纹"计算与建模,并同步获取节点的传感器位姿、场景结构信息,完成道路指纹库构建工作.在定位过程中,首先通过车载传感器获取的数据实时完成"道路指纹"计算,然后通过匹配道路指纹库,完成车辆的高精度位置计算.在开发的"道路指纹"技术基础上,分别从视觉道路指纹定位、LiDAR道路指纹定位以及道路资产管理等3个应用案例给出了该技术的应用前景.所提出的"道路指纹"技术,为解决智能车路系统中的高精度定位问题,特别是卫星信号盲区下的高精度定位问题,提供了一种新的解决思路.      

基于道路节点自适应缓冲区的矢量地图校正算法

针对传统矢量地图制作中存在的道路位置误差及当前矢量地图校正算法中存在的不足,提出了一种新的矢量地图校正算法.利用大量浮动车GPS数据的地理空间分布特征,构建了道路节点的自适应缓冲区,并对缓冲区内的有效GPS数据进行了筛选,然后通过对筛选后的GPS数据进行层次聚类分析处理,获得了更准确道路节点位置.通过对道路节点校正完成道路校正,运用该算法对重庆市某区域原始矢量地图中的道路进行了校正试验.结果表明:算法能够对存在位置误差的路段进行有效校正,且对于误差较大路段的校正效果更加明显,校正后矢量地图的平均位置误差显著降低.     

基于2阶HMM的智能车视觉地图定位方法

本文中针对视觉地图匹配问题，将视觉地图匹配问题转化为基于图像序列的最优视觉地图节点匹配问题，并提出基于2阶隐马尔科夫模型（hidden Markov model,HMM）的视觉地图匹配方法。在该模型中，状态变量被定义为高精度视觉地图节点，查询图像被定义为观测数据。在状态转移模型中，引入2阶模型对短时间车辆运动进行匀速运动建模，与传统的1阶HMM相比，可以提高模型的适用性与准确性。提出利用全局图像特征建立查询图像与地图节点之间的匹配关系，并从匹配的汉明距离建立发射概率模型，可有效提高地图匹配的效率。最后，通过前向算法来求解最优匹配的地图节点。为了验证算法的性能，分别在封闭工业园区、开放道路和KITTI公开数据集对算法进行验证。实验结果表明：2阶HMM模型能够有效融合车辆运动信息和图像信息，提高匹配的稳定性和精确度，算法性能明显优于传统的基于单帧匹配和序列匹配算法。     

基于双里程计传感器融合的SLAM建图研究

在自动驾驶车辆研究领域中，SLAM车辆感知是热点研究领域之一，SLAM根据里程计类型可分为以视觉为主和以激光为主。两者本质上都以实现位姿估计和地图构建为目的，激光里程计主要是构建点云地图比较直观，视觉里程计构建的是稀疏视觉特征的地图。本文提出紧耦合双里程计传感器融合的SLAM框架，以完成实时状态估计和地图构建，并且具有高精度和鲁棒性。该方法可以有效地解决传统基于视觉或激光算法或者视觉和激光单一松耦合中累积误差的问题，框架融合了视觉与激光惯性的各自优点而形成两个子系统，这两个子系统采用紧密耦合方式进行设计，构成一个完整的系统。实验通过Ouster数据集评估绝对轨迹整体误差，并且该方法在自动驾驶接驳车中的应用表现出较高的精度。     

智能驾驶车辆自动循迹的研究

智能驾驶车辆的循迹控制,需要采集实验路段的GPS信息,标定测试路段。由于地球是个不规则的椭圆球体,所以需要将大地坐标系转化为直角坐标系。然后,在建立完备的地图上,采用python模拟采用纯追踪算法的智能车的行驶轨迹。     

基于卡尔曼滤波的DR/MM组合定位方法

提出了一种DR/MM组合定位新方法.采用D-s证据理论在候选路段中选择最匹配的路段进行地图匹配,利用误差概率准则计算地图匹配观测噪声,使得沿道路纵向的地图匹配噪声可观测.在此基础上建立卡尔曼滤波方程,以DR定位与地图匹配的误差为观测值,估计DR定位误差.在地图匹配结果具有较高可信度时,估计的状态反馈修正DR方程.离线试验结果表明,提出的方法显著改善了DR定位精度.     

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。     

基于用户需求的车路协同典型场景研究

高速公路智能车路协同系统近年来逐渐受到众多关注.在国家系列政策文件的基础上,分析了高速公路公众出行者与交通管理者等用户在智能车路协同方面的需求,梳理了普通路段、分合流区、隧道等不同道路类型的应用场景,对场景功能、所需交通信息以及智能化设备等进行了概述,并以分合流区和施工作业区等应用场景为例,分析了分合流区和施工作业区目前存在问题、预警功能实现及数据流向,为高速公路智能车路协同应用场景库的完善以及车路协同系统的落地实施提供了技术支持.     

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。     

A Trajectory-Based Map-Matching System for the Driving Road Identification in Vehicle Navigation Systems

Driving road identification is the key issue of a vehicle navigation system that supports various services of intelligent transportation systems. The method for driving road identification is also known as map matching (MM). In spite of the development of MM algorithms, limitations still exist in obtaining the positioning data and preparing candidate roads (CRs) that may result in mismatches in some special difficult road configurations such as flyovers and parallel roads. To overcome the limitations, an integrated trajectory-based MM (tbMM) system is proposed based on the trajectory similarity evaluation method. The system can fuse the information from global positioning systems (GPS) and inertial sensors to generate the vehicle trajectory that represents the vehicle continuous movement in three dimensions. The elevation data of vehicle and roads are involved to enhance the trajectory-based matching process. Also the method employs an optimized mechanism for generating and maintaining CRs. Using the mechanism, separated road segments in a digital map are reorganized in the form of possible driving roads and the topology among them is guaranteed. Moreover, the CRs are obtained considering all the possibilities in determining the driving road so that the valuable historical information can be effectively reserved to provide more reliable matches in ambiguous situations. The tbMM system was evaluated using a number of real-world vehicle-level test datasets in urban areas in Beijing. Also a comparison test was performed to evaluate the driving road identification accuracy against existing MM algorithms. The results show that the tbMM system can provide reliable matches with about 99% accuracy in all the difficult scenarios and outperforms the existing algorithms.     

Towards lane-level traffic monitoring in urban environment using precise probe vehicle data derived from three-dimensional map aided differential GNSS

Today's urban road transport systems experience increasing congestion that threatens the environment and transport efficiency. Global Navigation Satellite System (GNSS)-based vehicle probe technology has been proposed as an effective means for monitoring the traffic situation and can be used for future city development. More specifically, lane-level traffic analysis is expected to provide an effective solution for traffic control. However, GNSS positioning technologies suffer from multipath and Non-Line-Of-Sight (NLOS) propagations in urban environments. The multipath and NLOS propagations severely degrade the accuracy of probe vehicle data. Recently, a three-dimensional (3D) city map became available on the market. We propose to use the 3D building map and differential correction information to simulate the reflecting path of satellite signal transmission and improve the results of the commercial GNSS single-frequency receiver, technically named 3D map-aided Differential GNSS (3D-DGNSS). In this paper, the innovative 3D-DGNSS is employed for the acquisition of precise probe vehicle data. In addition, this paper also utilizes accelerometer-based lane change detection to improve the positioning accuracy of probe vehicle data. By benefitting from the proposed method, the lane-level position, vehicle speed, and stop state of vehicles were estimated. Finally, a series of experiments and evaluations were conducted on probe data collected in one of the most challenging urban cities, Tokyo. The experimental results show that the proposed method has a correct lane localization rate of 87% and achieves sub-meter accuracy with respect to the position and speed error means. The accurate positioning data provided by the 3D-DGNSS result in a correct detection rate of the stop state of vehicles of 92%.     

基于多传感信息融合的智能车辆定位方法

针对高精度定位系统中地图的重要性问题,将定位问题分为无地图定位与基于地图定位,分别对智能车辆的定位问题进行探索。对研究的智能车辆、传感器及其定位问题进行建模分析,再对该平台实施传感器校准以减小系统误差。对于无地图定位问题,利用扩展卡尔曼滤波算法将里程计与惯性测量单元(IMU)数据相融合,通过试验证明航迹推测法存在累计误差,不适用于长距离位姿估计。对于地图定位问题,采用激光传感器构建室内环境地图,根据蒙特卡罗算法(粒子滤波算法)融合里程计、IMU、激光数据信息进行室内定位试验,结果表明,基于地图的定位方法可对累计误差进行校正,在该情况下位置定位成功率可达70%以上,角度估计成功率在直线轨迹情况下高达90%,证明了定位系统中地图的重要性。     

多线索融合的结构化道路检测算法研究

为实现结构化道路的检测，提出了一种用于道路检测的激光雷达和视觉融合法，通过提取激光雷达在道路边缘的三维点云信息，将其投影到视觉图像上，形成激光点云与图像的映射关系，生成激光雷达似然图。通过改进提取道路的颜色、纹理、水平线等特征的方法，生成相对应的视觉似然图。在贝叶斯框架下将激光雷达和视觉生成的似然图进行融合。在KITTI数据集上测试可知，精度达到94%，准确率达到86%，表明该道路检测法具有较好的道路检测果。     

Autonomous vehicle self-localization based on abstract map and multi-channel LiDAR in urban area

Accurate vehicle self-localization is significant for autonomous driving. The localization techniques based on Global Navigation Satellite System (GNSS) cannot achieve the required accuracy in urban canyons. On the other hand, simultaneous localization and mapping (SLAM) methods suffer from the error accumulation problem. State-of-the-art localization approaches adopt 3D Light Detection and Ranging (Lidar) to observe the surrounding environment and match the observation with a priori known 3D point cloud map for estimating the position of the vehicle within the map. However, storing the massive point cloud needs immense storage on the vehicle, or it should be stored on servers, which makes the simultaneous downloading of the map by multiple vehicles another challenge. In this study, rather than employing the point cloud directly as the prior map, we focus on the abstract map of buildings, which is easy to extract, and at the same time apparently observable by Lidar. More especially, we proposed vehicle localization methods based on two different abstract map formats representing urban areas. The first format is the multilayer 2D vector map of building footprints, which represents the building boundaries using vectors (lines). The second format is the planar surface map of buildings and ground. These map formats share the same idea that the uncertainty (deviation) of each vector or planar surface is calculated and included in the map. Later in the localization phase, the observed data from Lidar is matched with the abstract map to obtain the precise location of the vehicle. Experiments conducted in a dense urban area of Tokyo show that even though we significantly shrank the map size, we could preserve the mean error of the localization.     

一种基于无人机倾斜摄影的三维路网提取方法

三维路网是重要的基础地理信息数据，为了快速高效地获取包括路网在内的地表三维模型，可以采用无人机倾斜摄影技术，并设计相应的三维路网提取方法。在对无人机倾斜摄影三维模型、道路特性分析的基础上，提出一种基于无人机倾斜摄影的三维路网提取方法。首先，对无人机倾斜摄影和三维建模方法进行了分析，设计了针对三维路网提取的航空摄影策略和数据处理流程。分析了真实三维模型的构成，并结合道路在材质、形态等方面的特殊性提出了可用于道路提取的三维模型特征。然后，以三维模型中的三角面片为处理对象，开展了相关分割方法研究，消除存在混合地物的面片。利用支持向量机方法和面片的多种特征，进行了道路面片识别。最后，设计了道路面片三维连接方法和道路边缘三维修正方法，实现了面片间的连接以及道路边缘的有效修正。此外，还以北京某地区为例开展实际数据采集、三维建模和三维路网提取试验，介绍了倾斜摄影、控制点验证点数据采集以及三维模型的采集和生产过程；利用所提出的方法进行路网提取试验，得到了该区域的三维路网数据成果，并从定性和定量2个角度对成果进行评价。试验结果表明：所提出的方法可以有效地从倾斜摄影三维模型上提取路网信息，其平面和高程的精度均可满足一般导航等应用的要求。     

车-车协同下无人驾驶车辆的换道汇入控制方法

多车协同驾驶是智能车路系统领域的研究热点之一,可有效降低道路交通控制管理的复杂程度,减少环境污染的同时保障道路交通安全。基于多车协同驾驶控制结构,提出了一种无人驾驶车辆换道汇入的驾驶模型及策略,系统分析了多车协同运行状态的稳定条件。在综合分析无人驾驶车辆换道汇入的协作准则、安全性评估后,基于高阶多项式方法,结合车辆运行特性,通过引入乘坐舒适性的指标函数,设计得到无人驾驶车辆换道汇入的有效运动轨迹。通过研究汇入车辆与车队中汇入点前、后各车辆的运动关系,详细分析车辆发生碰撞的类型和影响因素,给出避免碰撞的条件准则,从而确保无人驾驶车辆汇入过程中多车行驶的安全性和稳定性。基于车辆运动学建立车辆位置误差模型,结合系统大范围渐进稳定的条件,选取线速度和角速度作为输入,应用李雅普诺夫稳定性理论和Backstepping非线性控制算法,设计了无人驾驶车辆换道汇入后的路径跟踪控制器。仿真试验和实车试验结果表明：所设计的换道汇入路径是可行、安全的,控制器具有良好的跟踪效果,纵向和横向的距离误差在15 cm以内,方向偏差的相对误差在10%以内。研究结果为智能车路系统中的多车状态变迁与协同驾驶研究提供了参考,可服务于未来道路交通安全设计和评价。