"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.      

智能网联环境下的交通信息与安全——第4届交通信息与安全国际学术会议综述

交通信息是交通运输发展的基础,交通安全是交通运输的重要目标,智能网联环境下的交通信息与安全越来越受到学术界的重视.第4届交通信息与安全国际学术会议(ICTIS 2017)在此背景下隆重召开.围绕交通信息与交通安全的核心内容,分别从道路、水路的信息与安全角度出发,研讨了水路信息多元化应用、海上事故分析与船舶避碰、道路基础设施信息交互、公共交通优化等热点问题,展示了最新的研究成果.综述了会议报告的热点,分析了交通安全趋势以及存在的问题,并指出新能源动力船舶系统安全与防控、多种类多模式交通流动态预测、无人船开发与应用、道路安全建模等是交通安全与信息未来的研究方向.      

基于V GG深度卷积神经网络和空间分布的道路裂纹种类识别

为了检测道路裂纹种类从而掌握路面状况信息进而为路面养护提供依据,研究了结合改进VGG卷积神经网络和空间分布的道路裂纹种类的识别方法.通过改进VGG网络的输入层和FC层神经元的个数,解决基于灰度图的裂纹子块的二分类识别问题,并对比不同结构的VGG网络框架在裂纹分割的结果,确定VGG11是解决基于灰度图的裂纹分割的最佳网络结构,利用基于子块的连通区域方法去除噪声子块,通过主成因分析方法提取裂纹子块的空间分布向量和对应分布系数,根据空间分布系数的比值识别道路裂纹类型.利用不同地点采集的180张裂纹图像对该方法进行验证.结果表明,该方法在识别横向裂纹、纵向裂纹和网状裂纹的正确率分别为97.6%,97.3% 和95.4%.该方法可有效地识别道路裂纹种类,特别在油污等路面复杂状况下,该方法依然具有较好的检测结果.      

车辆感知与定位研究——第29届国际智能车大会综述

近年来,由于摄像头、激光雷达等传感器的更新换代和大数据、人工智能等高科技在汽车领域的广泛应用,汽车智能化的程度越来越高,智能汽车的整体制造近在眼前.第29届国际智能车大会(The 29th IEEE Intelligent Vehicles Symposium,IV 2018)旨在促进全球智能汽车技术发展和国际汽车领域的交流合作.会议整体分为智能车的感知、决策、路径规划和控制等主题,探讨了当前智能车领域的最新技术动态以及未来发展前景.综述了会议报告的热点,从传感器数据融合、智能车定位与导航、激光雷达感知与定位和目标检测与识别等方面对车辆感知与定位技术的发展状态进行了分析,展望了未来车辆感知与定位研究的发展趋势,提出了深度学习方法与基于激光雷达的定位方法是未来车辆感知与定位可能的研究热点.      

基于ICP算法的内河岸线点云数据配准方法*

激光雷达作为一种扫描精度高、数据信息丰富的新型测绘装备,目前正逐步应用于内河岸线监测领域。由于内河岸线的跨度远大于激光雷达的量程,因此需要让激光雷达在不同地点多次扫描以获取完整的岸线轮廓数据。为了解决这种多站点扫描所带来的多站点云数据配准问题,在传统的ICP（最近迭代点）配准算法的基础上,实现了基于KD-Tree数据结构的ICP配准算法。该算法不仅能够将多站点云数据配准至某个统一的坐标系内,而且有效减少了ICP配准算法的数据搜索范围,提高了配准的准确率。经过多次实地测试可以发现,本算法能够有效减少配准时间,并达到相应的配准精度要求。总体来说,算法具有良好的点云配准效果。     

面向智能车定位的道路环境视觉地图构建

为实现智能车视觉定位,提出了一种基于多视角、多维度道路环境表征的高精度视觉地图构建方法,该方法明确了视觉地图的表征模型,包括视觉特征、场景结构信息以及轨迹信息等。在视觉特征中,运用前视场景全局特征描述道路环境,视觉特征不局限于某一种特征描述子;在场景结构信息中,运用俯视路面的2D结构信息进行描述,该特征与前视视觉特征构成多视角;轨迹信息则通过视觉维度以及地理维度的多维度方式完成计算,在视觉维度中,通过平面单应性计算节点间的轨迹;地理维度中,通过高精度经纬度信息消除累积误差问题。试验选取武汉理工大学内长约700 m的半开放式环形路段进行试验。试验结果表明：制图的单节点平均误差为3.1 cm,标准差为2.3 cm,最大节点误差为9.3 cm,累积误差率为0.5%。运用所制地图进行定位检测,平均定位误差约为11.8 cm,因此,研究所提出的方法可应用于半开放式路段或固定场景的视觉地图构建,为实现智能车在上述场景的定位打下基础。同时,研究提出的制图方法不需使用双目摄像机,在降低数据存储量以及制图成本的前提下,实现了对道路环境的充分表征;此外,运用路面2D特征结构信息计算轨迹,解决了视觉3D重建精度不稳定的问题,为视觉地图构建提供了新的构建思路。     

基于路面指纹的高精度车辆定位

车辆定位广泛使用基于视觉的定位方法,针对前视图像或侧视图像易受到周围环境的影响且定位过程中需要遍历匹配地图图像导致耗时较长的问题,本文提出一种基于俯视路面图像的表征模型--路面指纹.路面指纹包含GPS(Global Positioning System),路面特征和图像特征点.该模型通过卷积神经网络(Convolutional Neural Network, CNN)结合连通区域识别待定位图像的路面特征信息,利用路面特征信息对GPS初定位筛选的地图节点进一步筛选从而提高定位效率.分别在路面特征信息密集和稀疏的路段下进行实验,实验结果表明,通过引入路面指纹使定位耗时减少20.3%,平均定位误差为47.4 mm.该方法能提高定位效率并实现高精度车辆定位.