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。     

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。     

高速公路相机自动标定及道路坐标系构建

为解决高速公路场景下利用视频监控系统正确描述车辆相对于道路的空间位置问题，通过引入Frenet坐标系概念，提出一种基于相机自动标定的道路坐标系模型。在相机自动标定阶段，利用线分段拟合方法从曲线车辆轨迹中提取平行于直线路段的轨迹点，并通过级联霍夫变换精确估计道路方向的消失点。然后,根据多车辆三维模型约束，对相机参数进行迭代优化。基于标定结果，将车辆轨迹映射到世界坐标系平面上，并用3次样条插值进行拟合。根据大量运动车辆在道路平面内形成的轨迹域分布特征，综合边界约束估计道路中心点。最后，结合道路中心线在各点处的法线向量与车道宽度信息确定平移量，并利用点平移运动拟合车道线，实现道路坐标系的自动建立。使用真实高速公路视频数据，在多种道路条件下进行试验。研究结果表明:在标定阶段，构建方法对不同高速公路场景的最大标定误差不超过11.55%;与最新的方法相比，直线道路平均标定误差分别降低6.68%和3.58%，弯曲道路平均标定误差分别降低7.43%和2.61%;在道路坐标系构建阶段，构建方法的平均投影距离为0.077 m，接近最新方法的0.069 5 m；而其平均精度为0.916，显著优于最新方法的0.663；所提道路坐标系能够自适应道路形态的变化，有效解决了从监控视频中描述车辆与道路之间相对位置关系的问题。     

基于激光雷达的纵向坡路动态可行驶性预测

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。     

一种利用旋转编码器的车辆姿态动态算法研究

智能车辆关键技术之一是准确、实时地确定车辆的位置和姿态。本文中提出了一种利用旋转编码器计算车辆实时姿态的方法。利用旋转编码器测量智能车辆左右车轮的旋转角位移,并作为输入实时计算车辆的行驶轨迹和航向角。在计算中特别考虑了轮胎侧偏角对车辆行驶姿态的影响,有效降低了车辆在较高车速与弯道行驶时的计算误差。实验结果证明了该方法的准确性和可靠性。     

基于实时三线标定的车辆视觉定位方法

车辆在行驶过程中车路状况复杂多变,车载摄像机外参数会发生较大的变化,针对采用传统的基于预先标定外参数的方法进行车辆位姿计算会带来较大误差的问题,研究了一种基于实时三线标定的车辆视觉定位方法.基于三线标定法实时标定车载摄像机外参数,降低了其受到车辆震荡和路面环境的影响.然后利用外参数的实时标定结果,结合射影几何和消失点原理对车辆进行位姿计算,获取车道偏离距离和车辆偏转角度信息,从而实现对车辆的定位.通过在不同的路段架设不同高度的车载摄像机进行真实道路实验,计算车辆的位姿.结果表明,在不同路况下,车辆偏离车道线距离的平均误差为7.3cm,偏转角度平均误差为1.5°.该算法通过实时标定车载摄像机外参数,可以有效提高车辆位姿计算的精准性与适应性,对车载摄像机外参数的标定性能明显优于传统的预先标定法.      

基于手眼模型的自动驾驶毫米波和激光雷达联合标定研究

为了提高自动驾驶汽车传感器的校准质量,增强自动驾驶系统对目标的精准感知能力,提出了基于手眼模型的毫米波和激光雷达联合标定方法。首先,利用毫米波雷达的内在结构特征建立数学模型,对毫米波和激光雷达传感器的外部参数进行精确计算,确保在统一的世界坐标系中。然后利用手眼模型作为融合分析的基础,实现了毫米波和激光雷达的联合标定。最后,在自动驾驶小巴车平台上进行了标定试验,利用该标定系统得到标定结果的三维位姿关系,并验证了自动驾驶小巴车传感器数据的准确性。研究结果表明,该方法测距误差均值为0.01 m左右,传感器旋转角度可以精确到1°左右,可以满足汽车自动驾驶系统中雷达感知精度的要求。     

基于时-空注意力机制的车辆轨迹预测

城市交通环境中车辆的驾驶行为随机性较高，且驾驶人驾驶风格迥异。为了解决复杂交通环境下车辆行驶轨迹难以精确预测的问题，在社会生成对抗网络(Social GAN)的基础上，考虑车辆的行驶速度、加速度、航向角等行驶状态参数和形状尺寸，建立车辆间交互影响力场模型，提出一种基于时-空注意力机制的车辆轨迹预测算法(SIA-GAN)。根据受到场景中其他车辆交互影响力的大小赋予其他车辆不同的空间注意力权重因子，重点关注对自车行驶影响较大的车辆信息，并结合时间注意力机制挖掘自身车辆对观测时段内历史轨迹特征向量的时间依赖性，得到车辆预测轨迹。为验证所提算法的有效性，在开源数据集上对算法进行迭代训练，并与LSTM、Social LSTM、Social GAN三种轨迹预测算法进行对比分析。研究结果表明：SIA-GAN不仅在训练时的收敛速度上有较大提升，且与现有其他轨迹预测算法相比在平均位移误差、最终位移误差、平均速度误差、平均航向角误差等评价指标均有大幅下降，预测3.2 s时各项指标平均降低了51.25%、60.1%、37.84%、13.75%;预测4.8 s时各项指标平均降低了52.78%、61.47%、3...     

基于一维直接线性变换的视频中车辆运动状态重建

为克服传统车辆运动状态重建方法不能全面反映视频图像中车辆运动状态,且使用条件受限较大的问题,基于近景摄影测量中的直接线性变换原理,结合车身外廓特征信息,提出一种完整重建视频中车辆运动状态的有效方法。该方法中的特征标定信息全部取自目标车辆的外廓特征,不受路面和环境标定条件影响,扩大了使用范围;标定区域覆盖车辆在视频中的整个运动过程,最大限度地保证了车辆行驶轨迹的空间完整性;方法中每相邻2帧之间车辆行驶距离、行驶速度及加速度的解算均独立,避免产生累计误差。最后,使用该方法分别对车辆处于低速、中高速或减速3种运动状态下,摄像方向与车辆行驶方向呈90°或30°夹角的6种组合试验中车辆的相关运动状态参数进行解算,并与试验中采集的实际运动状态参数进行分析对比。研究结果表明:当车辆分别处于低速、中高速或减速3种运动状态时,在90°摄像视角下,计算所得车速值与记录值误差在1.5%以内,行驶距离值误差在3%以内,加速度值误差在7%以内;在30°摄像视角下,计算所得车速值误差在4%以内,行驶距离值误差在5%以内,加速度值误差在9%以内;该方法计算的视频中车辆的车速和行驶距离精度较高,加速度精度满足相关行业应用要求,证明该方法用于重建视频中车辆的运动状态有效、可行。     

基于Carsim的车辆运动轨迹跟踪算法

车辆质心运动轨迹作为车辆最为直观的运动结果,对车辆行驶安全性和操纵稳定性的研究十分重要,且准确计算车辆的行驶轨迹对驾驶员准确操控车辆很有帮助。但是由于技术水平的制约,当前车载定位系统的精度和稳定性较差,且价格昂贵。文中以二自由度车辆模型为基础,通过坐标系变换,建立质心坐标的微分方程,运用Kalman滤波技术对输入变量进行滤波,通过MATLAB/SIMULINK和Carsim进行联合仿真,试验结果与真实车辆行驶轨迹相吻合。     

基于行为识别和曲率约束的车辆轨迹预测方法研究

为对智能车周围环境中车辆的行驶轨迹做出合理、有效的预测,提出了一种基于行为识别和曲率约束的车辆轨迹预测方法。首先,接收感知得到的障碍物信息,结合高精度地图提供的车道线信息,对车辆进行行为识别;然后建立s-l坐标系,将车辆运动分解为沿车道线方向(纵向)的运动和垂直于车道线方向(横向)的运动,依据行为识别结果得到车辆在横、纵向运动的多项式方程;再以高精度地图中的车道线曲率作为约束,筛选出一条最优的预测轨迹。实车实验结果表明,在车道保持、换道和转弯3种基本行为下,车辆在4 s内的轨迹平均预测误差分别为:0.52,0.51和1.03 m,较CTRA模型预测误差分别减小了1.81,4.48和5.49 m,单个车辆轨迹预测平均耗时为0.103 ms,验证了本文中所提方法的有效性、准确性和实时性。     

基于行驶路况的混合动力汽车能量管理分析（英文）

混合动力汽车的能量管理是实现节能减排的关键技术之一,随着智能网联技术的发展,基于路况预测的能量管理及控制策略已受到了广泛关注。阐述了4种车辆行驶路况的获取方式,通过对路况特征参数进行选取和数据处理,实现了对未来行驶路况的识别和预测。基于行驶路况信息,对混合动力汽车不同的控制策略进行了分析,包括电能消耗和能量分配控制策略,并阐述了基于局部工况和全局工况的预测能量管理方法。通过对混合动力能量管理和控制策略的分析,为相关工程开发人员提供借鉴和参考。     

基于激光雷达的远距离运动车辆位姿估计

为了解决激光雷达扫描远距离运动车辆产生的点云稀疏导致位姿特征难以提取的问题,提出了一种远距离运动车辆位姿估计方法。首先利用时空连续性提取远距离运动车辆。然后利用最小二乘拟合得到稀疏点云水平面二维投影近似拟合直线对,依次在不同角度的垂直正交直线对上对稀疏点云的二维投影进行一维向量估计的装箱过程,基于目标车辆与激光雷达间相对位置的观测角函数最大化匹配滤波响应,进而利用全局优化算法对投影点概率分布与匹配滤波运算得到的代价函数作离散卷积,寻优比较得到单帧拟合最优矩形。最后结合连续帧平移约束进行多帧拟合,优化当前帧目标车辆拟合矩形的位姿。利用仿真和真实场景下采集的目标车辆点云数据进行算法验证分析。结果表明:在点云稀疏的情况下,当远距离目标车辆做直线运动时,提出的多帧拟合方法得到的位姿参数均方根误差低于单帧拟合和已有的RANSAC拟合方法;当远距离目标车辆做曲线运动时,提出的单帧拟合和多帧拟合方法得到的位姿估计结果较为接近,且误差明显低于已有的RANSAC拟合方法;对于不同相对距离下采集的目标车辆点云,提出的单帧拟合和多帧拟合位姿估计方法的适应性优于已有的RANSAC拟合方法。     

降雨条件对车载激光雷达性能影响的试验研究

激光雷达是自动驾驶车辆最为关键的传感器之一，被广泛用于车辆定位、目标检测与跟踪等任务。然而，激光雷达的点云数据会受到恶劣天气（如雨、雾、雪等）的严重影响，致使自动驾驶全天候行驶仍然面临着巨大挑战。为了量化评估恶劣天气对激光雷达性能的影响，分析了降雨环境下激光雷达的性能，基于构建的场地降雨模拟系统控制降雨量，通过多视角的静、动态试验定性与定量分析激光雷达测距精度、典型目标点密度、有效检测距离等性能参数与降雨量之间的关系。试验结果表明：车辆作为目标物时，目标物上的激光点云受降雨的影响最大，相较于无雨环境，中雨时打在汽车上的激光点数降低幅度超过了60%，检测距离下降了69%，并且随着降雨量的增大激光雷达对目标的有效检测距离持续下降；试验方法和结果对于测试评价自动驾驶性能及提升降雨环境下的激光感知能力具有重要意义。     

基于Bayes决策的视频交通流检测方法

本文提出了一种在路况背景中检测行驶车辆的新方法。在更新路况背景时采用了基于Bayes决策分类的背景提取法,通过平均灰度差值判别背景的变化性,相应地采取不同的策略替换背景。这种方法提取的背景在准确性上较以往方法有较大提高,可精确地达到车辆检测的效果。结果可作为智能交通系统中高层交通管理及车辆控制的基础。     

典型汽车碰撞事故场景中行人运动轨迹预测方法

为提高未来自动驾驶车辆对弱势道路使用群体的感知和决策融合的可靠性，本文提出一种基于目标检测算法（YOLOv5）、多目标跟踪算法（Deep-Sort）和社交长短时记忆神经网络（social-long short-term memory,Social-LSTM）的行人未来运动轨迹预测方法。结合YOLOv5检测和Deep-Sort跟踪算法，有效解决行人检测跟踪过程中目标丢失问题。提取特定行人目标历史轨迹作为预测框架的输入边界条件，并采用Social-LSTM预测行人未来运动轨迹。并对未来运动轨迹进行透视变换和直接线性变换，转换为世界坐标系中的位置信息，预测车辆与行人的可能未来碰撞位置。结果显示目标检测精度达到93.889%，平均精度均值达96.753%，基于高精度的检测模型最终轨迹预测算法结果显示，预测损失随着训练步长的增加呈递减趋势，最终损失值均小于1%，其中平均位移误差降低了18.30%，最终位移误差降低了51.90%，本研究可为智能车辆避撞策略开发提供理论依据和参考。     

基于安卓的汽车状态测量及预测系统的研究

设计了基于Android(安卓)的汽车运动状态在线测量及预测系统,阐述了预测系统的硬件组成和软件设计方法。通过实车道路试验,对侧向加速度与横滚角的试验值与预测值进行比较,并得出相对误差率,验证了该预测系统的可行性。与传统车载终端相比,该预测系统不仅提高了安卓车载终端对汽车主动安全的融合性,而且有效降低了汽车状态感知的成本并具有良好的可扩展性和灵活性。     

自动驾驶中周围车辆识别与信息地图构建技术

为提高自动驾驶时单传感器对周围车辆识别成功率及工程实用性,提出了一种基于相机图像与激光雷达信息相融合的车辆识别和地图构建方法。对相机与激光雷达进行了联合标定和时间配准。对图像中的车辆阴影与激光雷达检测信息进行提取,获得两者间的坐标关联度特征,并根据其阈值范围确定周围是否存在车辆。将相机图像信息与激光雷达检测信息进行融合,构建周围车辆的信息地图,进行了实验验证。结果表明：采用坐标关联度特征对两传感器采集的信息进行融合,车辆识别的正确率比用D-S证据理论法结果高4.25%;本车辆信息地图,可以在安全的前提下实现基于三阶Bessel曲线的超车轨迹行驶。     

无人驾驶车辆解耦混合运动规划方法研究

高速公路无人驾驶车辆运动规划要充分考虑车辆的动力学特性和道路环境构成的复杂约束,优先确保车辆的无碰撞行驶轨迹,同时算法实时性比常速情况下要求更高,要充分考虑计算的复杂性。提出一种可生成横纵向最优解逼近群的解耦增强混合运动规划方法,引入Frent坐标系将运动规划问题进行横纵向解耦,在横向偏移规划中融合数值优化和多项式规划算法,在纵向速度规划中融合围绕速度和围绕避障规划算法,解耦规划完成后使用代价函数和碰撞检测方法对生成的轨迹群进行评估和选择。搭建Apollo-LGsvl无人驾驶联合仿真测试平台,对所提出的运动规划方法进行仿真验证。结果表明,提出的横纵向解耦增强混合运动规划算法在高速公路各工况中所生成的运动轨迹能够有效避免车辆发生碰撞,其横向偏移和纵向速度均能满足二阶平滑,最大横向加速度、最大纵向加速度、最大纵向jerk等满足动力学约束。该方法有效减少了最优解逼近群内的轨迹数量,使轨迹评估阶段计算复杂度降低了46%,证明提出的方法具备一定的应用价值。     

基于MPC的无人驾驶汽车轨迹控制研究

为更好地实现对无人驾驶汽车行驶路径的跟踪修正,基于模型预测算法控制车辆的车速和横摆角。通过建立车辆运动学模型、制定目标函数、确定约束条件,设计出了轨迹跟踪控制器。并通过Matlab/Simulink、CarSim软件搭建模型预测控制算法。结果显示,在预定工况下,车辆参考路径和实际行驶误差较小,并有较好的横向稳定性。结果表明该算法能在一定程度能保证无人驾驶汽车的安全性,为智能车辆控制提供了基础。