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。     

基于高精度地图的车道推荐开发

为满足当前高阶智能化车辆对车道推荐引导的需求,文章基于车机导航地图（SD-Map）和高精度地图（HD-Map）进行关联匹配,完成道路和车道的映射关系表达,提出了可行域空间的路网模型和车道综合推荐系数的计算规则。基于行车道路剩余距离、车道限速和车道拥堵信息,建立车辆运动学模型,使用动态窗口法（DWA）优化算法定义速度空间,建立以车道路剩余距离、车道限速和车道拥堵信息为因子的综合成本函数,通过迭代优化获得最优车道推荐列表。最后通过实车测试验证优化结果,与基于静态地图数据推荐的车道相比,能够更加有效灵活地基于距离目的地剩余距离、车道限速情况和车道拥堵状态进行车道推荐,保证车辆当前行车速度最优。     

基于优化最大类间方差法阈值分割与滑动窗口法的车道偏离预警

为了改善因传统边缘算子在车道线特征提取时鲁棒性差、传统霍夫变换弯道拟合能力较弱导致车道偏离预警率降低的问题，提出了一种基于优化最大类间方差法（OTSU算法）阈值分割与滑动窗口法的车道偏离预警方法。首先，使用遗传退火算法优化求解OTSU算法的最优阈值并调用整体嵌套边缘检测（HED）模型获取车道线边缘特征，将感兴趣区域转换成鸟瞰图形式；然后，使用滑动窗口法将车道线切分并逐个对窗口内的车道像素点进行二阶多项式拟合；最后，根据车辆与车道线的相对位置关系进行车道偏离预警以及弯道预警。试验结果表明，该方法的综合路况预警准确率为95.92%，检测速率可达34 ms/帧。     

基于概率决策的车辆导航系统地图匹配算法

针对城市道路网日益复杂的实际特点,提出基于P ign istic概率方法的地图匹配算法。采用D-S证据理论的多规则数据融合技术,建立了车辆位置信息和方向信息判决规则。引入P ign istic概率理论,有效地利用现有信息扩大各匹配道路之间的信度差异,提高了算法的鲁棒性。对实际行车数据仿真处理结果表明,应用该算法可以较好地解决城市复杂路网地图匹配问题。     

基于单线激光雷达的SLAM系统功能优化设计

地图与导航是无人驾驶与机器人领域的关键点,针对单线激光SLAM(同步定位与地图构建)系统功能优化问题,利用DOE(实验设计),提出了基于单线激光雷达的SLAM系统功能优化方法。首先,基于SLAM小车平台,利用Gmapping、Hector、Karto、Cartographer四种算法对室内环境进行建图,分析建图结果,提出最优建图方法。其次,依据AMCL定位算法,分别利用A*和Dijkstra两种路径规划方法,通过对比定位导航效果,提出基于参数匹配的定位导航功能优化方法。在此基础上,提出系统功能匹配优化方法,完成SLAM系统功能优化设计。     

基于实例分割的车道线检测算法

为实现在自动驾驶复杂场景下检测数量变化的车道线，提出一种基于实例分割的车道线检测算法。首先以ResNet18网络作为主干网络提取图像特征，采用特征金字塔网络进行特征融合。同时设计一种扩张卷积残差模块来提高检测的精度；然后基于车道线的位置进行实例分割，利用语义分割出的车道线点位置预测对应的聚类点位置，通过对聚类点采用DBSCAN聚类算法实现车道线实例区分。结果表明，该算法能够在复杂的自动驾驶场景下有效地进行多车道线检测，在CULane数据集和TuSimple数据集上的调和平均值分别达到75.2%和97.0%。     

基于虚拟差分的单GPS车道级地图匹配方法

本文提出一种采用最小二乘法拟合单GPS虚拟差分定位参数修正的方法,并在对车道级地图匹配问题的描述基础上,提出采用递阶式地图匹配方式,通过粗匹配和精确匹配两个阶段实现车道级地图匹配,实验测试,表明该方法具有理想的匹配效果。     

基于因子图的自动驾驶融合定位研究

在自动驾驶系统的即时定位及地图构建问题中，当行车路况复杂多变时，如何对车辆位姿进行准确实时估计是一个关键问题。就该问题提出基于因子图的多传感器融合方法，在Matlab 软件环境中实现车辆的准确实时定位。根据实际驾驶过程的特性选择试验采用的数据类型并建立相应的数学模型，分别根据GPS 及IMU 数据特征以及VO 和IMU的数据特征建立相应的融合因子图模型，基于KITTI 数据集，对所建立的融合因子图模型进行试验验证。结果表明，通过融合因子图模型可以准确地估计车辆当前时刻的位姿。     

基于地图匹配的车辆监控系统的研究

介绍了基于地图匹配的车辆监控系统的原理和数据处理流程；探讨了采用地图匹配提高组合导航精度的方法，并提出了一种地图匹配算法。实践证明，该算法可以明显地改善组合车辆监控系统的导航精度。     

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。     

基于点特征的车载LiDAR与GNSS/IMU联合标定方法研究

激光雷达(LiDAR)、全球导航卫星系统(GNSS)与惯性测量单元(IMU)之间的外部参数标定精度是影响多传感器融合及高精度地图的主要因素。基于此，提出一种适用于无人车的LiDAR与GNSS/IMU标定方法，该方法可实时提取标定板点云中心坐标，并利用点特征进行外部参数标定。首先，分析了LiDAR、GNSS、IMU及通用横墨卡托格网系(UTM)坐标系的变换关系；其次，基于IMU安装平面与地面平行的假设，通过车辆前方地面的法向量计算LiDAR俯仰角和滚转角的初值，并利用标定板中心偏移量计算偏航角初值；然后，假设车辆在平面上保持直线运动，采用恒定姿态运动将旋转角度的求解问题转化为最优化问题，并根据标定板UTM坐标不变的约束求解出平移参数；最后，通过分析算法误差、传感器测量误差以及中心点匹配误差验证了方案的可行性，并通过无人矿车采集LiDAR、GNSS和IMU的同步数据，对所提出的外部参数标定方法进行测试。试验结果表明：提出的方法只需要一定范围的平坦区域和标定板就可以解决3自由度运动估计6自由度外部参数的退化问题，且标定后的外部参数可以保证点云地图在20 m内的拼接误差小于20 cm。     

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。     

Vision-based fusion of robust lane tracking and forward vehicle detection in a real driving environment

With the goal of developing an accurate and fast lane tracking system for the purpose of driver assistance, this paper proposes a vision-based fusion technique for lane tracking and forward vehicle detection to handle challenging conditions, i.e., lane occlusion by a forward vehicle, lane change, varying illumination, road traffic signs, and pitch motion, all of which often occur in real driving environments. First, our algorithm uses random sample consensus (RANSAC) and Kalman filtering to calculate the lane equation from the lane candidates found by template matching. Simple template matching and a combination of RANSAC and Kalman filtering makes calculating the lane equation as a hyperbola pair very quick and robust against varying illumination and discontinuities in the lane. Second, our algorithm uses a state transfer technique to maintain lane tracking continuously in spite of the lane changing situation. This reduces the computational time when dealing with the lane change because lane detection, which takes much more time than lane tracking, is not necessary with this algorithm. Third, false lane candidates from occlusions by frontal vehicles are eliminated using accurate regions of the forward vehicles from our improved forward vehicle detector. Fourth, our proposed method achieved robustness against road traffic signs and pitch motion using the adaptive region of interest and a constraint on the position of the vanishing point. Our algorithm was tested with image sequences from a real driving situation and demonstrated its robustness.     

基于多级网络划分的匹配道路初筛方法研究

针对GPS车辆定位系统地图匹配过程中传统匹配道路初筛方法在筛选速度和准确性方面的不足,提出了一种基于多级网络划分的匹配道路筛选方法。算法采用多级网络简单划分、层层筛选的策略,保证了初筛区域的快速、准确定位与初筛路段的准确获取,与多种传统的筛选方法,进行了基于实际数据的运行效果的对比。实证分析可知,文中提出的方法效果较好。     

Digital map as a virtual sensor – dynamic road curve reconstruction for a curve speed assistant

While digital map has been applied to many advanced driver assistance system applications, one critical attribute – road/lane curvature—is not available in the existing digital maps. Curvature derivation using splines is a well-known method in the computer graphics modelling community; however, it was also found that the direct application of the spline method is often not appropriate for real-time safety applications due to the resultant discontinuities in the curvature estimates and the lack of robustness against map data errors [CAMP, Enhanced digital mapping project final report, United States Department of Transportation, Washington, DC, 2004]. This paper presents a method to reconstruct road curvature attributes in real time using digital map data based on the proposed circle centre search and circle selection algorithms. Simulation and experimental results demonstrated that the proposed method can deliver curvature estimates that meet the desired accuracy. The method was also applied to the curve over-speed warning system in an on-going research project: Vehicle Infrastructure Integration—California. Some preliminary experimental results are also presented in this paper.     

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.     

排阵式交叉口几何设计与信号控制协同鲁棒优化

针对排阵式交叉口在实际交通波动环境中存在车辆滞留排序区,运行效率稳定性难以保障的问题,提出了鲁棒优化方法,平衡交叉口运行的效率和稳定性。在分析排阵式交叉口运行特性的基础上,指出了其运行效率波动性与交叉口几何设计、信号控制、交通需求、饱和流率和运行车速这5个因素有关。确定了将交通需求、饱和流率和运行车速这3个客观波动因素作为模型的输入参数,将几何设计和信号控制这2个可受设计人员控制的要素作为模型的优化控制变量进行协同优化的模型框架。在此基础上,以交叉口车均延误条件风险值最小为目标,考虑了各流向车道数、信号相位相序、排序区车辆清空等方面的约束条件,构建了基于情景的鲁棒优化模型,并建立了遗传算法对模型进行求解。通过案例分析,对鲁棒优化模型的置信水平取值和算法准确性进行了分析,证明了算法可以使目标函数收敛到最小值,并基于蒙特卡洛模拟对优化效益进行了检验。研究发现,所建立的几何设计与信号控制协同鲁棒优化模型可实现在交通需求和供给的波动下,对排阵式交叉口的车道功能、排序区长度以及主、预信号控制进行协同优化。相较于确定性的设计方法,在平均延误层面基本维持原有水平,但对延误标准差和最大值有着较为明显的改善,案例中分别减少了48%和23%。     

基于高精地图的物流配送车路径规划与跟踪控制

为了解决园区等场景下无人车多途经点配送问题,提出了一种基于矢量化高精地图的车道级全局路径规划、生成和跟踪控制方法。考虑配送车往返途经点顺序对行驶路径总长度的影响,基于高精地图采用A*算法计算各配送点间的最优路径,在此基础上,利用动态规划算法求解经过多个配送点的全局最优路径。应用贝塞尔曲线对规划的路径进行平滑,并根据道路曲率设定不同路径处的参考行驶速度,进而生成车道级的可用于跟踪的目标轨迹。利用车辆二自由度模型设计模型预测控制器进行轨迹跟踪,实现低速物流配送车的自主控制。在 CarSim/Prescan/Simulink联合仿真平台和实车平台上对提出的规划控制方法进行了试验。结果表明,相比传统的依据最近配送点策略确定的路径,所提出的方法搜索出的路径长度平均缩短了 6.15%。所设计的轨迹跟踪控制器能确保配送试验车与目标轨迹的横向偏差在 0.25 m 以内,航向角偏差在5°以内。