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。     

基于激光雷达的3D目标检测研究综述

近年来,随着自动驾驶技术的快速发展,智能汽车对于环境感知技术的需求也越来越高,由于激光雷达数据具有较高的精度,能够更好的获取环境中的三维信息,已经成为了3D目标检测领域研究的热点。为了给智能汽车提供更加准确的环境信息,对激光雷达3D目标检测领域主要研究内容进行综述。首先,分析了自动驾驶车辆各种环境感知传感器的优缺点;其次,根据3D目标检测算法中数据处理方式的不同,综述了基于点云的检测算法和图像与点云融合的检测算法;然后,梳理了主流自动驾驶数据集及其3D目标检测评估方法;最后对当前点云3D目标检测算法进行总结和展望,结果表明当前研究中2D视图法和多模态融合法对自动驾驶技术发展的重要性。     

国外智能汽车电子电气架构综述及分析

智能汽车已经成为世界汽车工程领域的研究热点和汽车产业增长的新动力,电子电气硬件系统架构的先进性以及数据处理的速度直接影响智能汽车的性能。本文综述了国外智能汽车(以奥迪A8、宝马7系和特斯拉为例)的车载传感器、自动驾驶控制器和车载总线技术等电子电气架构的组成。通过分析认为,基于高速以太网总线技术的多传感器、多控制器相融合的电子电气硬件系统架构将是今后智能汽车研究的重点。     

分布式多车协同视觉SLAM系统EI北大核心CSCD

可靠的定位与导航是实现自动驾驶的先决条件。单车视觉同时定位与建图(SLAM)技术能够在GNSS拒止的情况下实现车辆的定位,但累积误差会随运行时间逐渐增加,难以持续准确完成定位任务。通过多车协同视觉SLAM可以提升定位效果。本文提出了一种鲁棒、轻量化的分布式多车协同视觉SLAM系统,该系统以ORBSLAM2作为视觉里程计,利用NetVLAD全局图像描述子实现多车间共视区域识别和数据关联;提出了一种基于数据相似性和结构一致性的方法,实现多车间闭环离群值剔除;提出了一种分布式位姿图优化方法,提高多车协同定位精度。经过自主搭建平台所采集的真实数据以及KITTI数据集测试,该系统相较于已有的主流视觉SLAM算法以及协同SLAM算法均具有更高的定位精度。     

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。     

Mentor DRS360:集中式数据融合助力自动驾驶设计

正Mentor推出了一款自动驾驶解决方案DRS360平台,该平台能够借助各种传感手段实时捕获、融合及利用原始数据,改善延时的同时,提升了传感精确度和整体系统效率,满足SAE 5级自动驾驶车辆的要求。对于自动驾驶车辆来说,传感器数据非常关键。这些安装在车身周围及车辆内部的传感器,可以更好地探测车内外环境,为自动驾驶功能的实现提供数据支持。传统的汽车设计,通常把来自不同传感器的数据,如雷达、摄像头等,传     

基于整车在环仿真的自动驾驶汽车室内快速测试平台

整车在环仿真测试方法可以安全、高效地验证复杂环境和极端工况等场景下自动驾驶汽车性能的有效性,基于此研发一种基于整车在环仿真的自动驾驶汽车室内快速测试平台,该平台由前轴可旋转式转鼓试验台、试验台测控子系统、虚拟场景自动生成子系统、虚拟传感器模拟子系统、驾驶模拟器、自动驾驶汽车和测试结果自动分析评价子系统组成。通过在试验台滚筒上独立加载转矩模拟车辆行驶阻力,可动态模拟不同的路面附着系数,同时利用坡度、侧倾和转向随动机构可模拟车辆俯仰角、侧倾角和航向角3个自由度;采用虚拟现实技术柔性集成车辆动力学模型、传感器仿真、复杂道路交通环境及测试用例仿真,模拟多种道路交通场景,并通过传感器仿真及数据融合等技术快速测试自动驾驶汽车智能感知与行为决策等性能指标。将自动驾驶汽车、虚拟仿真场景和试验台耦合构建一个闭环系统,完成了多项关键技术研发,包括：多自由度高动态试验台结构设计、虚拟测试场景自动重构方法和传感器数据模拟及注入方法,可满足在各种场景下测试自动驾驶汽车整车性能的需求。此外,为验证快速测试平台的有效性,以U-turn轨迹跟踪控制为研究实例,基于简化的车辆运动学模型和模型预测控制算法,在平台上搭建U-turn场景并对自动驾驶汽车的轨迹跟踪控制算法性能进行大量测试。结果表明：自动驾驶汽车室内快速测试平台可以真实地模拟汽车在道路上的运行工况,自动驾驶汽车在虚拟场景中的轨迹跟踪效果良好,与参考轨迹的偏差小于8%,证明了该测试平台检测方法的有效性。     

5G推进ADAS和自动驾驶发展进程

5G能克服当前V2X技术的局限。通过在自动驾驶车辆上搭建车载5G网关,并推动边缘计算与自动驾驶融合,将推进ADAS和自动驾驶技术的发展,并为提升自动驾驶系统交通安全性提供保障。     

IntelliWay-变耦合模块化智慧高速公路系统一体化架构及测评体系

根据当前智慧高速公路系统的发展历程,总结一些典型的车路协同系统逻辑与物理模型。在总结国内外智慧高速公路系统的整体架构之后,提出新一代智慧高速系统的总体架构-IntelliWay,包括智慧高速公路系统分层模块化架构、基于变耦合程度的智能分级和基于事件驱动的数据分发机制。同时,根据当前智慧高速公路系统的主流应用技术,总结车载高精度定位、高级驾驶辅助系统(Advanced Driver Assistance System, ADAS)与车载总线、路侧设备优化、异构网络融合、网络负载均衡、网络信息安全、多传感器融合与协同感知、以用户为中心的场景自适应信息发布、车辆群体协同自动驾驶、基于大数据与人工智能的交通态势预测、车道级主动交通管理、组件式应用服务开发等驱动智慧高速公路系统快速发展的新兴技术研究现状,然后基于以上关键技术的特点提出未来智慧高速公路系统应用的实施建议;分析广播式交通信息服务、主动交通管理、伴随式信息服务、自动驾驶专用道、车辆队列协同驾驶等智慧高速公路系统的典型应用场景,进行智慧高速系统的测评方法分析和相关案例分析。最后,系统性地分析和预测智慧高速系统存在的挑战及未来发展趋势,以...     

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.      

基于激光雷达的SLAM和融合定位方法综述

基于激光雷达的同步定位和建图(SLAM)及融合定位技术是无人驾驶的关键技术.激光雷达可以从环境中获取精确的距离及强度信息,被广泛应用于高精度地图构建及基于地图的匹配定位,可有效增强基于卫星定位在弱GNSS区域的鲁棒性.基于当前无人驾驶背景下激光SLAM及融合定位方法的研究现状,对应用于无人驾驶车辆的激光SLAM和融合定...     

用于车辆自主导航的多传感器数据融合方法

提出了一种用于车辆自主导航的多传感器数据磁合方法.首先分析了车辆自主导航过程的态势与威胁,建立了车辆行驶某时刻场景模型.然后综合现有各数据融合模型的优势,运用混合、分层的融合结构改进自主行驶的有效性和准确性.最后将该方法集成到湖南大学自主研制的无人驾驶汽车测试平台上.在城市道路的实际场景中,初步实现了基于路线和交通锥形标的自主导航和行驶任务,车辆自主行驶的融合决策准确率可达到97.5%,表明该方法具有可接受的性能.     

面向自动驾驶的仿真场景自动生成方法综述

随着自动驾驶测试验证对虚拟仿真场景依赖程度的增加,传统基于专家经验的场景枚举生成方法已无法满足测试需求.数字虚拟仿真场景自动生成方法在场景多样性、危险性、可解释性、生成效率等方面存在巨大技术优势,是提高汽车自动驾驶技术测试验证安全性和可靠性的关键,已成为当前汽车智能化领域的研究热点.在广泛调研场景自动生成方法领域研究成...     

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.     

Neural-network multiple models filter (NMM)-based position estimation system for autonomous vehicles

A highly accurate and reliable vehicle position estimation system is an important component of an autonomous driving system. In generally, a global positioning system (GPS) receiver is employed for the vehicle position estimation of autonomous vehicles. However, a stand-alone GPS does not always provide accurate and reliable information of the vehicle position due to frequent GPS blockages and multipath errors. In order to overcome these problems, a sensor fusion scheme that combines the data from the GPS receiver and several on-board sensors has been studied. In previous researches, a single model filter-based sensor fusion algorithm was used to integrate information from the GPS and on-board sensors. However, an estimate obtained from a single model is difficult to cover the various driving environments, including urban areas, off-road areas, and highways. Thus, a multiple models filter (MMF) has been introduced to address this limitation by adapting multiple models to a wide range of driving conditions. An adaptation of the multiple model is achieved through the use of the model probability. The MMF combines several vehicle models using the model probabilities, which indicate the suitability of the current driving condition. In this paper, we propose a vehicle position estimation algorithm for an autonomous vehicle that is based on a neural network (NN)-based MMF. The model probabilities are determined through the NN. The proposed position estimation system was evaluated through simulations and experiments. The experimental results show that the proposed position estimation algorithm is suitable for application in an autonomous driving system over a wide range of driving conditions.     

基于场景的自动驾驶汽车虚拟测试研究进展

随着自动驾驶等级的提高,面向传统汽车的测试工具与测试方法已不能满足自动驾驶汽车测试的需要。基于场景的虚拟测试方法在测试效率、测试成本等方面具有巨大的技术优势,是未来自动驾驶汽车测试验证的重要手段,已成为当前的研究热点。通过对大量相关文献的系统梳理,综述了基于场景的自动驾驶汽车虚拟测试研究进展。对比分析了自动驾驶测试场景的不同定义方式,明确了测试场景的内涵,归纳了测试场景的要素种类,概述了测试场景的数据来源,总结了场景数据的处理方法。在此基础上,对自动驾驶汽车虚拟测试方法进行了总结,分析了典型的测试方式、测试平台和虚拟测试的技术要点,梳理了软件在环、硬件在环和车辆在环测试方案及其关键技术。针对自动驾驶汽车测试效率问题,研究了基于场景的加速测试技术,概述了典型的测试场景随机生成方法和危险场景强化生成方法。最后,对基于场景的自动驾驶汽车虚拟测试所面临的问题及未来发展趋势进行了分析和展望。研究结果表明：基于场景的虚拟测试是推动自动驾驶技术发展和产业落地的必由之路,未来研究应着力突破基于解构与自动重构的测试场景数据库、人-车-环境系统一体化高置信度建模、自动驾驶汽车虚拟测试标准工具链、不同自动驾驶汽车渗透率下的混合交通模拟与测试、测试案例动态自适应随机生成机制等核心共性技术,建立自动驾驶汽车虚拟测试标准体系。     

自动驾驶与常规交通混合条件下通行能力研究

随着自动驾驶技术不断升级,现有交通设施的容量也相应随着技术的革新发生变化,传统车辆不会立即退出历史舞台,在未来一段时间内自动驾驶车辆将和传统车辆共用现有的基础设施,因此开展混合交通条件下通行能力的研究有助于重新审视既有交通设施的容量,并对这种场景下管理及技术发展方向提供一定的指导作用。结合自动驾驶车辆的运行特征,研究不同自动驾驶混入率条件下各参数对宏观道路潜在通行的影响,利用概率论及蒙特卡洛方法进行理论计算,模拟自动驾驶车辆出现在车队的位置和时空需求,并对不同的组队策略进行详细分析,粗略估计在混合交通状况下交通能力提升的趋势和影响程度,为混合通行能力的测算提供了一种方法,并提出管理和自动驾驶技术的发展方向,为进一步适应自动驾驶技术的变革提供了有益参考。     

自动驾驶汽车事件数据记录系统方案设计

随着汽车自动驾驶技术的发展,目前的EDR的标准无法满足自动驾驶汽车事故重建的要求.本文设计了自动驾驶汽车事件数据记录系统,包括系统的组成及控制原理,并定义了事件检测触发模块、数据缓存模块、数据记录模块.同时还设计了基于统一诊断服务读取/清除自动驾驶汽车事件数据的方法,用于辅助分析自动驾驶事故原因以及自动驾驶系统验证评估...     

驾驶模拟器在自动驾驶系统中的应用研究

自动驾驶车辆在实际道路上行驶之前的测试阶段是一个至关重要的环节。一个低成本、高效率以及高精度测量的自动驾驶车辆的测试方式,对于自动驾驶车辆的开发具有重要意义。将驾驶模拟器运用到研究自动驾驶车辆测试已是近年来的一个研究热点。基于虚拟驾驶场景的自动驾驶车辆的检测,通过组合虚拟驾驶场景的背景车辆、行人、交通灯、建筑、指示标牌等元素,研究将驾驶模拟器与虚拟驾驶场景的联合应用来测试自动驾驶车辆。设计了典型的交通场景,通过自动驾驶车辆和背景车辆的实时交互,研究自动驾驶车辆的各项性能指标。研究结果表明:该驾驶模拟器可以高度拟合人类驾驶体验,驾驶员通过驾驶模拟器控制背景车辆能够很好的模拟现实中的驾驶行为,对自动驾驶车辆的仿真测试起到了促进作用。