城市环境中基于混合地图的智能车辆定位方法研究

发布时间：2020-02-14 05:10

【摘要】：本课题基于地图匹配技术开展了面向城市环境的无人驾驶智能车辆定位方法研究，以解决传统定位方法中由于累积误差以及卫星定位信号受遮蔽等原因对定位精度的影响问题。对于地图匹配定位，一方面其定位精度受地图准确度的影响，，另一方面其定位实时性受地图范围的制约。针对以上限制因素，本文提出了一种基于混合地图的智能车辆定位方法，并将研究内容分为三个方面：混合地图的创建方法研究、基于混合地图的智能车辆定位方法研究和基于仿真系统和实车平台的实验研究。在混合地图的创建方法研究中，提出了一种基于拓扑地图和占有栅格地图混合的地图框架：将城市结构化环境划分为强/弱约束区域两种类型，以弱约束区域为拓扑地图中的节点，以强约束区域作为连接节点的边生成拓扑地图；通过同步定位和地图创建方法生成占有栅格地图以增强节点的约束条件。拓扑地图的生成使用卫星定位数据，并通过节点的定位信息与栅格地图中创建的路标相关联，以提取对应区域的栅格地图。混合地图生成实验表明该方案有效减少了城市环境地图的数据量。同时在栅格地图创建过程中提出了一种基于子地图框架的粒子滤波同步定位与地图创建方法，并通过实验证明了该方案可实现地图范围的动态增长以及子地图间的稳定切换。在基于混合地图的智能车辆定位方法研究中，采取了基于环境约束条件来约束车辆运动的相对定位策略。在强约束区域中，提出了一种基于多特征提取的可通行区域识别方法约束车辆的运动。使用小波变换的方法从激光雷达数据中提取特征点并对数据进行分割，对每一类的宽度、路面不平度和基于回波强度信息的表面一致性等特征进行分析，提取出可行驶的路面区域。实验结果证明该方案能够有效提取结构化道路中的可通行区域。在弱环境区域中，提出了一种基于窗口约束的马尔可夫定位方法，通过调用节点对应的占有栅格地图并建立更新窗口，约束定位过程中参与计算的状态空间范围，提高地图匹配的定位效率。在基于仿真系统和实车平台的实验研究中，开发了面向城市环境自主行驶的仿真平台和实车验证平台。仿真平台的环境模型采用多层地图的方式表示环境中障碍物、动态目标和车道线信息，并设计了相应的车辆定位、测距以及车道线检测模块等。实验证明该系统能够较好地模拟城市环境场景，并基于仿真系统对窗口约束马尔可夫定位方法进行了验证。并提出了面向城市环境的智能车辆平台设计方案，并通过实车实验对窗口约束马尔可夫定位方法的准确性和实时性进行了验证。
【图文】：

智能车,车队,卡内基,智能车辆

如图 1.1 所示，来自卡内基梅隆大学的 Sandstorm、斯坦福大学的 Stanley和卡内基梅隆大学的 Boss[17]分别获得了这三届比赛的冠军。欧洲从 2006 年开始举办陆地机器人锦标赛[18-20]（European Land-Robot Trial，ELROB），至今已举办了八届赛事。在我国，国家自然科学基金委员会从 2009 年开始已连续五年举办中国“智能车未来挑战赛”（Intelligent Vehicle Future Challenge，IVFC），以促进国内智能车辆研究的交流与技术水平的提高，推动我国智能车辆技术的快速发展。

智能车辆,技术发展,智能车,军事交通

国内智能车辆技术发展
【学位授予单位】：北京理工大学
【学位级别】：博士
【学位授予年份】：2014
【分类号】：U495

【参考文献】