一种基于地图辅助的自动驾驶视-惯融合定位方法

视觉同步定位与建图(Simultaneous Localization and Mapping, SLAM)方法广泛应用于自动驾驶领域。传统的方法利用车载摄像头表征车辆周围环境，同时估计自身位置，当车辆运动过快时，定位精度和鲁棒性会下降。针对此问题，本文提出一种地图辅助的视-惯融合定位方法。该方法在ORB-SLAM2(Oriented FAST and Rotated BRIEF SLAM2)的基础上拓展地图保存功能，将建图和定位拆分为两个独立模块，车辆首先以较慢的速度构建并保存具有视觉特征的地图，然后，在第2次运行时车载计算机调用预先保存的地图实现精确且稳定的定位性能。由于构建地图阶段采用了图优化算法融合惯性测量单元(Inertial Measurement Unit, IMU)的信息，地图误差得到有效校正。在KITTI数据集场景和实际场景中验证了所提方法的良好性能。实验结果表明，所提方法在4, 8, 16 m·s-1 驾驶速度下的定位精度分别为2.59，2.61，2.73 m，图像失帧率和路径丢失率分别为3.76%和1.38%，3.89%和1.69%，4.27%和1.84%。相比原始的ORB-SLAM2方法，系统定位精度和鲁棒性均得到了提高。     

基于车路协同的车辆定位算法研究

为解决道路交叉口车辆由于定位信号缺失或者延迟引起的车辆定位偏差较大的问题,提出了基于车路协同的协同地图匹配算法（cooperative map-matching,CMM）. 首先利用扩展Kalman滤波（extended Kalman filter,EKF）融合GPS与车载航位推算系统（vehicular dead reckoning,DR）信息作为协同地图匹配的预先定位;然后基于短程通讯技术实现车辆信息的交换与共享,在电子地图的基础上,利用道路约束实现车辆进一步定位. 为了验证算法的有效性,搭建了模拟真实场景的仿真环境进行实验. 研究结果表明:采用EKF融合GPS/DR数据的交叉口车辆定位平均偏差为9.09 m,相比GPS 的14.31 m,定位偏差减小30.87%;采用CMM算法的交叉口车辆,当参与CMM车辆数为7时,平均位置偏差为4.5 m,参与CMM车辆数为10辆时,平均位置偏差为2.75 m,相比EKF定位偏差减小69.74%.      

Constrained submap algorithm for simultaneous localization and mapping

When solving the problem of simultaneous localization and mapping (SLAM), a standard extended Kalman filter (EKF) is subject to linearization errors and causes optimistic estimation. This paper proposes a submap algorithm, which builds a weighted least squares (WLS) constraint between two adjacent submaps according to the different estimations of the common features and the relationship between the vehicle poses in the corresponding submaps. By establishing the constraint equation after loop closing, re-linearization is implemented and each submap’s reference frame tends to its equilibrium position quickly. Experimental results demonstrate that the algorithm could get a globally consistent map and linearization errors are limited in local regions.     

基于激光与视觉融合的车辆自主定位与建图算法

定位与建图是车辆未知环境自主驾驶的基础,激光雷达依赖于场景几何特征而视觉图像 易受光线干扰,依靠单一激光点云或视觉图像的定位与建图算法存在一定局限性。本文提出一 种激光与视觉融合SLAM(Simultaneous Localization And Mapping)的车辆自主定位算法,通过融 合互补的激光与视觉各自优势提升定位算法的整体性能。为发挥多源融合优势,本文在算法前 端利用激光点云获取视觉特征的深度信息,将激光-视觉特征以松耦合的方式输入位姿估计模块 提升算法的鲁棒性。针对算法后端位姿和特征点大范围优化过程中计算量过大的问题,提出基 于关键帧和滑动窗口的平衡选取策略,以及基于特征点和位姿的分类优化策略减少计算量。实 验结果表明：本文算法的平均定位相对误差为 0.11 m 和 0.002 rad,平均资源占用率为 22.18% (CPU)和 21.50%(内存),与经典的 A-LOAM(Advanced implementation of LOAM)和 ORB-SLAM2 (Oriented FAST and Rotated BRIEF SLAM2)算法相比在精确性和鲁棒性上均有良好表现。     

Mobile Robot Hierarchical Simultaneous Localization and Mapping Using Monocular Vision

A hierarchical mobile robot simultaneous localization and mapping (SLAM) method that allows us to obtain accurate maps was presented. The local map level is composed of a set of local metric feature maps that are guaranteed to be statistically independent. The global level is a topological graph whose arcs are labeled with the relative location between local maps. An estimation of these relative locations is maintained with local map alignment algorithm, and more accurate estimation is calculated through a global minimization procedure using the loop closure constraint. The local map is built with Rao-Blackwellised particle filter (RBPF), where the particle filter is used to extending the path posterior by sampling new poses. The landmark position estimation and update is implemented through extended Kalman filter (EKF). Monocular vision mounted on the robot tracks the 3D natural point landmarks, which are structured with matching scale invariant feature transform (SIFT) feature pairs. The matching for multi-dimension SIFT features is implemented with a KD-tree in the time cost of O(lbN). Experiment results on Pioneer mobile robot in a real indoor environment show the superior performance of our proposed method.     

A low-cost testbed of underwater mobile sensing network

Comprised by a swarm of acoustically linked and cooperative autonomous underwater vehicles (AUVs) with onboard sensors, an underwater mobile sensing network (UMSN) will be a complementary means to fixed observatory networks, e.g. seafloor observatory networks and moored buoy arrays. It has obvious advantages over a single large AUV in higher efficiency due to parallel observation, stronger robustness to vehicle failures and lower cost. Although an UMSN can be viewed as a counterpart of wireless mobile sensing networks for air and terrestrial applications, it is much more challenging due to poor performance of underwater acoustic communication, poor performance of underwater positioning and high degree of uncertainty in vehicle dynamics and underwater environment. In order to verify key technologies involved in an UMSN, e.g. cooperation of multi-AUVs based on acoustic communication, a low cost testbed has been developed for experimental study. The design of both hardware and software is introduced. Also the results of a functional test for verification of the effectiveness of the testbed are presented.     

基于生成式对抗网络的路网交通流数据补全方法

交通信息的完整性直接影响着城市交通管理的效率.针对城市道路交通中因路段检测器覆盖不全或设备损坏等造成的流量检测数据缺失问题,本文提出基于生成式对抗网络 (Generative Adversarial Network,GAN)算法的交通流量数据补全方法.首先,以路段实际流量为基础,进行图像化处理生成路网二维信息图;其次,计算考虑时空信息补偿的路网关联矩阵,利用GAN算法分析并实现路网二维信息图缺失部分的补全,进而得到路段交通流量的完整数据;最后,利用实际数据,对比分析了本文方法与相空间重构的卡尔曼滤波方法对缺失数据的补全情况.实例分析结果验证了本文方法的可行性和有效性.     

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.     

基于深度数据的车辆目标检测与跟踪方法

现有基于几何特征的目标检测与跟踪方法误检率较高,目标跟踪过程中的漏检易导致错误的目标关联.针对这些问题,本文提出了一种基于激光雷达(LiDAR)深度数据的车辆目标检测与跟踪方法.根据激光雷达深度数据特性,采用一种基于栅格的参数自动化聚类(PAG) 算法对原始数据进行处理,并在每个聚类中提取目标线段,获取目标特征.在此基础上对车辆目标进行识别,并计算得到目标的位置信息.采用卡尔曼滤波算法,制定滤波器管理策略,完成目标关联及状态估计.最后利用装备有一个前向激光雷达的实验车辆对提出的方法进行验证. 实验结果表明,本文提出的方法可准确识别并跟踪多个车辆目标,避免错误的目标关联.     

基于卷积神经网络优化回环检测的视觉SLAM算法

传统视觉即时定位与建图（SLAM）算法若无回环检测可能会存在累积误差无法消除的现象,即使有回环检测,也因准确率和效率比较低而无法应用于轻量级设备上,为此,研究一种回环检测优化的视觉SLAM算法. 前端估计时,对相邻帧图像进行ORB （oriented fast and rotated brief）特征提取与匹配,对匹配成功的特征点进行PnP （perspective-n-point）求解,获得相机运动估计并筛选出关键帧图像;后端优化时,利用SqueezeNet卷积神经网络 （CNN）提取图像的特征向量,计算余弦相似度判断是否出现回环,若出现回环则在位姿图中增加相应约束,利用图优化理论对全局位姿进行整体优化;最后利用项目组制作的数据集和TUM （technical university of munich）公开数据集进行测试与对比. 研究结果表明:相比于无回环检测算法,本文方法可以成功检测到回环并为全局轨迹优化增添约束;相比于传统词袋法,在回环检测准确率相同的情况下,本文方法召回率可提高21%且计算耗时减少74%;与RGB-D （red green blue-depth） SLAM算法相比,本文方法建图误差可降低29%.      

Technique based on image pyramid and bayes rule for noise reduction in unsupervised change detection

In this paper, a technique based on image pyramid and Bayes rule for reducing noise effects in unsupervised change detection is proposed. By using Gaussian pyramid to process two multitemporal images respectively, two image pyramids are constructed. The difference pyramid images are obtained by point-by-point subtraction between the same level images of the two image pyramids. By resizing all difference pyramid images to the size of the original multitemporal image and then making product operator among them, a map being similar to the difference image is obtained. The difference image is generated by point-by-point subtraction between the two multitemporal images directly. At last, the Bayes rule is used to distinguish the changed pixels. Both synthetic and real data sets are used to evaluate the performance of the proposed technique. Experimental results show that the map from the proposed technique is more robust to noise than the difference image.     

基于GPS与图像融合的智能车辆高精度定位算法

车辆自定位是实现智能车辆环境感知的核心问题之一.全球定位系统(Global Positioning System,GPS)定位误差通常在10 m左右,不能满足智能车辆的定位需求;惯性导航系统成本较高,不适于智能车辆的推广.本文在视觉地图基础上,提出一种基于GPS与图像融合的智能车辆定位算法.该算法以计算当前位置距离视觉地图中最近一个数据采集点的位姿为目标,首先运用GPS信息进行初定位,在视觉地图中选取若干采集点作为初步候选,其次运用Oriented FAST and Rotated BRIEF(ORB)全局特征进行特征匹配,得到一个候选定位结果,最后通过待检测图像中的局部特征点与候选定位结果中的三维局部特征点建立透视n点模型(Perspective-n-Point,Pn P),得到车辆当前的位姿,并以此对候选定位结果进行修正,得到最终定位结果.实验在长为5 km的路段中进行,并在不同天气及不同智能车辆平台测试.经验证,平均定位精度为11.6 cm,最大定位误差为37 cm,同时对不同天气具有较强鲁棒性.该算法满足了智能车定位需求,且大幅降低了高精度定位成本.     

基于车载连续序列图像的道路曲率计算方法

提出一种基于车载连续序列图像的道路曲率计算方法.算法首先利用车载视 觉系统进行内外参数标定实现对路面车道线的三维重建,利用三维重建误差模型对重建 的数据点进行误差估计,并对数据点进行选弃.对序列图像中路面车道线重建出来的曲线 采用ICP 算法进行曲线匹配,并将匹配后的曲线映射到统一的参考坐标系中.最后利用匹 配曲线上的数据点进行圆周拟合,计算道路曲率.实验中利用真实的车载连续序列图像对 算法进行验证.针对曲率半径分别为96 m和430 m两段不同程度的弯道,利用本文算法计 算对应道路的曲率半径.结果表明,本文算法能够精确地计算出不同弯道的道路曲率,特 别是针对平缓弯道的曲率计算,比基于单幅图像的曲率计算方法更加准确与稳定.     

面向多层级目标的汽车前围声学包优化研究

为了研究汽车声学包设计参数对其多性能目标的影响,首先,改进了传统的深度信念网络（DBNs）方法,并提出SVR-DBNs (support vector regression-deep belief networks)模型,提升了模型映射的准确度;其次,从车辆噪声传递关系与层级目标分解角度出发,提出了一种多层级目标预测与分析方法;最后,将所提方法应用于具体车型的前围声学包性能、重量与成本多目标预测与优化分析.研究结果表明：SVR-DBNs方法对前围声学包性能、重量与成本目标预测准确度均在0.975以上,优于传统的反向传播神经网络（BPNN）、SVR与DBNs模型;基于SVR-DBNs模型的优化结果与实测结果接近,两者加权目标相对误差为1.09%（平均传递损失（MTL）、重量和成本相对误差绝对值分别为1.44%、1.04%与0.71%）,优化后的实测结果较前围声学包原始状态性能、重量和成本分别提升了5.51%、9.01%与4.40%.     

纯方位被动目标运动分析的衰减记忆卡尔曼滤波算法

针对纯方位被动目标跟踪中扩展卡尔曼滤波器容易发散，从而导致滤波精度差而且收敛速度慢的问题，文中将水下纯方位被动目标运动分析中的扩展卡尔曼滤波算法改进为衰减记忆卡尔曼滤波算法．通过对当前测量数据的利用，减小了历史数据对滤波的影响程度．对比仿真分析表明，滤波效果有所改善，提高了精度和收敛速度．     

一种基于核局部保留投影的人脸识别方法

为了有效提取人脸的非线性结构信息,提出一种新的基于最大散度差的核判别局部保留投影方法.首先通过核函数将样本数据映射到高维特征空间,计算特征空间中样本的散度矩阵,其次将样本原始空间中的近邻图嵌入到散度矩阵,最后采用最大散度差准则进行特征提取.在PIE与Yale人脸数据库上的实验结果表明,提出的人脸识别方法最高识别率可达到99%.      

Saliency motivated pulse coupled neural network for underwater laser image segmentation

The detection range of underwater laser imaging technology achieves 4—6 times of detection range of conventional camera in intervening water medium, which makes it very promising in oceanic research, deep sea exploration and robotic works. However, the special features in underwater laser images, such as speckle noise and non-uniform illumination, bring great difficulty for image segmentation. In this paper, a novel saliency motivated pulse coupled neural network(SM-PCNN) is proposed for underwater laser image segmentation. The pixel saliency is used as external stimulus of neurons. For improvement of convergence speed to optimal segmentation, a gradient descent method based on maximum two-dimensional Renyi entropy criterion is utilized to determine the dynamic threshold. On the basis of region contrast in each iteration step, the real object regions are effectively distinguished,and the robustness against speckle noise and non-uniform illumination is improved by region selection. The proposed method is compared with four other state-of-the-art methods which are watershed, fuzzy C-means, meanshift and normalized cut methods. Experimental results demonstrate the superiority of our proposed method to allow more accurate segmentation and higher robustness.     

交通事件小波分解与支持向量机声频识别方法

分析了现有交通事件自动检测和识别方法,提出了应用小波分解与支持向量机相结合的交通事件声频识别方法。将车辆行驶的声音信号进行小波分解,以不同频段的重构信号能量作为特征向量,对由多个支持向量机构成的交通事件分类器进行训练,并对正常行驶、刹车和碰撞事件的声音信号进行识别。试验结果表明:利用车辆声音信号能够正确识别不同的交通事件,识别准确率达95%,识别方法可行。     

导航电子地图中路口的交通矩阵与路束模型

导航电子地图是车载导航系统的基础.其蛛式模型使用交通矩阵对路口的交通属性进行描述,适用于车辆导航.为将电子地图数据用于车载导航系统,提出一种路口交通矩阵的计算方法.在通用GIS模型的基础上建立一种新的路束模型以反映路口的类型特征,并通过路束交通矩阵实现路口交通属性的描述.基于路束模型创建了一套蛛式路口交通矩阵的计算方法.实验表明该方法可以方便的用于路口交通矩阵计算,为驾驶者提供准确的路口引导信息,适用于车辆导航.     

基于方位时差的多站协同目标跟踪

为提高多站无源协同跟踪的精度.提出了一种基于方位时差的目标跟踪方法.从一种拟线性的方位增量卡尔曼预处理方法人手,降低方位观测的误差,利用距离和时差跟踪建立观测方程.使用扩展卡尔曼滤波的方法对目标的运动状态进行估计,并采用分布式估计集中处理的方式融合多站并行估计数据.通过计算机仿真分析了该方位时差方法的跟踪性能.仿真结果表明.该方法对于目标状态的估计与真值偏差较小,能够满足跟踪精度要求.