考虑定位信息不确定性的多车协同定位算法

针对车载全球定位系统(global positioning system)存在的定位精度较差、定位可靠性较低等问题,提出了一种车车通信环境下考虑定位信息不确定性的多车协同定位算法.该算法在所研究车辆均装有车载GPS和前置距离传感器的基础上,以定位信息不确定性为依据进行协同定位.对自适应卡尔曼滤波进行改进以确定车辆定位信息的不确定度,搭建车间相对位置模型求解2车相对位置关系,最后设计联邦卡尔曼滤波算法利用多车数据进行融合以实现定位效果的优化.通过数值仿真表明这一算法与自车组合导航相比有效提升了GPS定位精度和可靠性,两者分别平均提升了35.2%和42.6%,且在车联网渗透率较高以及GPS信号较差时,定位效果提升更为明显.      

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%。     

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。     

基于车辆位置感知的自动快速公交系统

为了在城市快速公交系统中实现低成本的自动驾驶,提出一种基于位置感知的自动快速公交系统。该自动快速公交系统由感知层、决策层、控制层、执行层构成。其中感知层利用视觉和GPS可分别实现宿主车辆在道路上的横向、纵向的全局定位。利用车-车(V-V)和车-路(V-I)的超宽带通信及测距可得到周边车辆和设施相对本车的精确位置。详细介绍了车辆的横向定位方法以及在横向定位基础上的GPS/DGPS全局定位、V-V相对定位和V-I相对定位算法。列举了该系统中车辆利用位置感知实现自动跟随、泊车、换道超车等关键过程的方法,最后分析了自动快速公交系统的可行性。研究结果表明:提出的自动快速公交系统利用相对廉价的硬件设备和简单的定位算法,能够对自身、周边车辆及设施进行精确的位置感知,据此可实现车辆的自动驾驶控制,具备良好的应用前景;该系统中车辆位置感知方法相比传统方法具有较好的成本优势,在典型工况下能够取得较高的定位精度。     

基于多传感器融合的紧耦合SLAM系统

同时建图与定位(SLAM)是自动驾驶功能重要的组成部分,现有算法以激光或视觉惯性里程计为主,未充分利用多模态传感器各自的优势,对特征缺失的场景鲁棒性不足.针对此问题,本文中提出了一种采用激光雷达、摄像头和惯性测量单元(IMU)的多传感器紧耦合SLAM系统.首先它改善了激光雷达点云特征提取和平面拟合的方案,提升了利用点云...     

基于机器视觉和支持向量机的汽车焊点定位研究

如何提高工业机器人的定位精度是实现汽车焊点自动化检测任务的一个关键技术问题。针对传统示教再现机器人存在的定位精度问题，提出一种基于机器视觉和支持向量机回归的焊点定位方法。通过融合激光测距信息的视觉系统测量机器人示教位置与期望位置的偏差，进行焊点的初步定位；建立基于粒子群优化算法的支持向量机回归模型，对视觉引导后的机器人末端进行三维空间上的误差补偿，实现焊点的精确定位；搭建了一套完整的试验平台，并与常用的支持向量机参数优化算法以及误差补偿模型进行比较和误差分析，验证了该方法的有效性和优越性。     

基于GRI的多车协同定位研究EI北大核心CSCD

为提高自动驾驶技术中的车辆定位精度,提出了一种基于GRI的多车协同定位方法。采用该方法时,一辆车依据GPS定位信息对本车位置进行估计,再通过车车通信接收周围车辆发来的根据其GPS测定的位置及其与该车相对位置而估计的该车位置。将这些位置信息进行融合,通过一定的修正,估算出该辆车更为精确的位置。最后应用MATLAB对所提出方法进行仿真,以模拟多车直行跟随和换道行驶场景。结果表明,该方法合理、可行,能有效提高车辆的定位精度,具有广阔的工程应用前景。     

基于三维激光雷达的智能车辆SLAM技术研究

智能车辆实现自主导航的必要条件之一是定位技术,目前基于三维激光雷达的同步定位与建图（SLAM）技术是定位技术的主流方案。文章从三维激光SLAM的算法框架和关键模块进行总结,具体讨论了扫描匹配、后端优化、闭环检测、地图构建等关键模块的常用算法及改进;综述了几种开源的三维激光SLAM,并对比了其优缺点;对在应用中激光雷达局部点云稀疏、Z轴的漂移以及动态对象引发的噪声影响等关键性问题进行了分析阐述;指出了基于三维激光雷达的SLAM与深度学习相结合、多传感器融合是未来三维激光SLAM的发展和研究方向。     

基于GRI的多车协同定位研究

为提高自动驾驶技术中的车辆定位精度,提出了一种基于GRI的多车协同定位方法。采用该方法时,一辆车依据GPS定位信息对本车位置进行估计,再通过车车通信接收周围车辆发来的根据其GPS测定的位置及其与该车相对位置而估计的该车位置。将这些位置信息进行融合,通过一定的修正,估算出该辆车更为精确的位置。最后应用MATLAB对所提出方法进行仿真,以模拟多车直行跟随和换道行驶场景。结果表明,该方法合理、可行,能有效提高车辆的定位精度,具有广阔的工程应用前景。     

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。     

基于数据驱动的人机混驾多车协同控制算法

针对多车协同控制系统中，传统控制算法需要准确获取系统中与驾驶员驾驶行为相关的参数以及与车辆系统动力学相关参数等问题，提出基于数据驱动的自适应动态规划控制算法。以有人与无人驾驶车辆混行的多车协同控制系统为研究对象，通过分析系统的横纵向控制模型，推导出系统状态方程，采用递推数值方法在线逼近最优解，并通过对最优反馈控制矩阵进行优化求解，得到最优控制输入。该算法简化了系统的控制输入参数，仅仅利用V2X通信获得的车辆的前轮转角以及车辆期望的纵向加速度作为控制输入，即可实现无人驾驶车辆的优化控制。基于Carsim和Simulink进行联合仿真测试验证，结果表明，该算法控制参数简单、收敛速度快、控制精度高、适应性强，能够控制无人驾驶车辆在多车系统中保持期望的车速并且与前车保持期望的车间距，同时在任意曲率道路上行驶时与车道中心线之间的横向误差趋于0。      

基于无迹卡尔曼滤波的定位融合与校验算法研究

针对传感器定位精度受环境影响较大及其对自动驾驶车辆行驶安全影响较大的问题,提出一种定位融合及校验算法。通过建立短时短距航迹推算模型进行定位预测,使用无迹卡尔曼滤波实现预测定位结果与实际定位结果的非线性融合,从而提高定位精度。通过定位校验算法,判断实际定位数据是否发生偏移,并研究主动避险控制算法使车辆能够保持定位失效前的轨迹继续行驶直至停车,进而提高车辆行驶安全性。仿真和实车试验结果表明,该算法既能够提高定位精度,也能够有效判断定位是否发生偏移,同时在定位失效发生后,可以控制车辆按参考轨迹安全行驶。     

基于GPS和视觉同步定位与建图的无人驾驶车辆定位方法研究

为提高无人驾驶车辆的定位精度,提出一种基于GPS与视觉同步定位与建图(VSLAM)相融合的定位算法,在VINS-Mono基础上进行改进,提出了VINS-FAST算法进行角点提取,并将VINS-FAST与GPS技术相结合,提出了GPS与VSLAM相融合的VINS-GPS算法。试验结果表明:VINS-GPS在KITTI数据集07和09子集上的均方根误差较VINS-Mono分别降低了18.16%和33.08%,改善了VSLAM在大范围环境中表现较差的问题,同时提高了在GPS信号薄弱或无GPS信号环境中的定位精度。     

基于RFID、视觉和UWB的车辆定位系统

在智能交通系统中获取车辆的精确位置对提升主动安全和实现无人驾驶具有重要意义。针对目前全球定位系统(GPS)和车路通信(V2I)定位方法的不足,结合射频识别(RFID)、视觉和超宽带(UWB)通信提出了一种新的车辆定位系统,目的是在GPS效果不佳的城市环境下实现车道级的定位。提出了基于RFID和视觉的车道判别算法和基于UWB的单锚点V2I定位算法。分析了单锚点V2I定位算法在典型工况下的定位误差。结果表明,在合理布置路侧单元的前提下采用该定位方法可实现直道和弯道定位误差分别在0.3和0.5m以内的定位精度。     

面向智能网联汽车定位的协同地图匹配算法

为实现智能网联环境下低成本、高精度的车辆定位, 研究了基于自适应遗传Rao-Blackwellized粒子滤波的协同地图匹配算法。利用联网车辆的定位信息和道路约束条件消除公共偏差, 提高车辆定位精度。将自适应遗传算法引入到粒子滤波的重采样过程中, 增加粒子的多样性, 解决传统粒子滤波算法中容易出现的“粒子退化”和“粒子耗尽”问题。通过仿真实验与传统粒子滤波以及卡尔曼平滑粒子滤波下的定位结果进行了对比, 同时分析了不同联网车辆数目对定位精度的影响。通过实际测试验证了算法在实际应用中的定位效果。实测结果表明: 以典型十字路口为例, 在联网车辆数目为4的情况下, 协同地图匹配算法的定位误差范围为1.67 m, 分别为原始GNSS定位以及单车地图匹配定位结果的41.03%和56.80%。同时, 该算法的统计定位精度(CEP)达到1.06 m, 比GNSS原始定位精度提高了2.52 m, 具有较好的定位效果。      

智能网联环境下的多车协同换道策略研究

为提高换道安全性、稳定性和换道效率,本文中提出一种智能网联条件下多车协同安全换道策略。通过建立基于激励模型的换道收益函数进行协同换道可行性判断。基于模型预测控制建立协同换道多目标优化控制函数,实现换道过程的分布式控制。提出一个两阶段协同换道框架,将换道过程分为稀疏纵向距离阶段和换道阶段,以解决由于避撞约束的高维度和车辆运动学的非线性造成的最优控制函数难以求解的问题。采用滚动时域优化算法对优化控制问题逐步动态求解。最后基于美国NGSIM开源交通流数据进行Matlab/Simulink联合仿真,验证了该策略的可行性与准确性。     

基于毫米波雷达和机器视觉融合的车辆检测

针对车辆检测中使用传统单一传感器的识别效果差、易受干扰等缺点,本文提出一种基于毫米波雷达和机器视觉融合的车辆检测方法。首先利用分层聚类算法对雷达数据进行处理,过滤无效目标;利用改进的YOLO v2算法降低漏检率,提高检测速度;然后运用目标检测交并比和全局最近邻数据关联算法实现多传感器数据融合;最后基于扩展卡尔曼滤波算法进行目标跟踪,而得出最终结果。实车试验结果表明,该方法的车辆识别效果优于单一传感器,且在多种路况下识别效果良好。     

融合毫米波雷达与深度视觉的多目标检测与跟踪

针对现有融合毫米波雷达与传统机器视觉的车辆检测算法准确率较低与实时性较差的问题,本文中对多目标检测与跟踪进行研究。首先,利用阈值筛选和前后帧数据关联方法对毫米波雷达数据进行预处理,进而提出一种用于毫米波雷达数据跟踪的自适应扩展卡尔曼滤波算法。然后,为提高目标检测精度与速度,基于采集到的实车数据集训练卷积神经网络,完成深度视觉的多车辆检测。最后,采用决策级融合策略融合毫米波雷达与深度视觉信息,设计了一种用于复杂交通环境下前方车辆多目标检测与跟踪的框架。为验证所设计的框架,进行了不同交通环境下的实车实验。结果表明:该方法可实时检测跟踪前方车辆,具有比融合毫米波雷达与传统机器视觉的车辆检测方法更好的可靠性与鲁棒性。     

基于矢量道路栅格化的海量浮动车数据快速处理

针对海量浮动车数据特点和快速处理要求,提出了一种基于矢量道路地图栅格化的海量浮动车数据方法,该算法的关键是矢量道路栅格化过程中包括了道路缓冲区和属性信息。道路缓冲区的宽度由一个与浮动车数据位置误差和道路宽度相关的置信区域决定;矢量道路缓冲区转换成栅格图后,栅格图中像素的位置对应着实际地理坐标,而像素值的灰度值表示道路的等级、名称、编号等属性或方向等信息;然后将海量浮动车数据与栅格道路地图进行叠加处理。这种方法不仅可以精确地计算出城市道路地图坐标系与浮动车数据坐标系之间的变换参数,而且还能够快速地获取区域路网以及特定道路的行驶速度。最后,通过超过一千万个真实的武汉市浮动车数据,并与经典的浮动车数据处理算法进行比较,验证了矢量道路栅格化方法处理海量浮动车数据的可行性和有效性。