复杂交通条件下弱环境约束区域无人驾驶车辆相对定位方法关键问题的研究

Localization relative to its local environment is a prerequisite to the control of a autonomous driving vehicle. Due to the system cost and reliability in the positioning output, highly accurate integrated navigation system is hardly to satisfy the requirement of the autonomous driving in urban scenarios. The loose environmental constrained areas are lack of environmental elements which is able to localize the vehicle to its environment. Metric map matching-based localization is effective method for local localization in such areas. However, map matching methods are faced with two challenges when are applied to dense traffic scenarios: (1) avoid the moving objects to make the map construction and matching fail; (2) make the map matching satisfy the real time computation requirements for a continuously driving vehicle. This project is targeting at these two challenges. Design the model-free multiple moving objects detection and tracking algorithms which estimate the accurate velocity of objects and is resistant to the change in the shape of objects in the view of detection. Besides, the algorithm guarantees the correct tracking when the trajectories of objects merge together. Integrate multiple modes of metric maps to allow reliable localization ability when single metric is unable to work in highly dense traffic. Develop the GPS-aided map matching algorithm to improve the real time computation performance.

车辆与局部环境之间的精确相对定位是无人驾驶路径跟踪控制的基础。由于成本和可靠性的限制，高精度组合导航系统难以满足城市无人驾驶的要求。城市弱环境约束区域缺乏车道线等能够直接用于相对定位的环境元素，使得这类场景中的无人驾驶成为实现全自主无人驾驶的瓶颈。度量地图匹配是在弱环境约束区域中实现相对定位的有效手段。本课题解决在复杂交通条件下进行度量地图匹配时存在的两个关键问题：（1）避免运动障碍造成地图创建和匹配定位失败；（2）使匹配定位运算满足车辆行驶的实时性要求。研究内容包括：（1）研究无模型的多目标运动障碍检测与跟踪算法，对目标进行准确的运动估计，避免物体在视野中轮廓变化造成的速度跳动，同时保证不同物体运行轨迹交叉时仍然能够实现可靠的跟踪；（2）融合多模态度量地图，保证在激光栅格地图定位失败时仍然具有定位能力；（3）研究基于GPS增强的地图匹配定位算法，使匹配运算满足车辆运行的实时性要求。

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计误差或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，另一方面其定位的实时性受到地图范围的制约。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。.（1）提出了一种基于拓扑地图和占据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据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大范围城市环境地图的数据量。.（2）在弱环境区域中，基于调用节点对应的占据栅格地图，提出了一种基于窗口约束的马尔可夫定位方法，通过建立更新窗口约束定位过程中的状态空间范围，提高地图匹配的定位效率。实验结果证明该方案具有较好的定位精度和实时性。.（3）针对静态场景假设、平面假设等难点问题，考虑智能车辆工作在动态复杂环境中，提出了两种考虑车辆运动特性的位姿估计算法。一种是适用于需要获取车速信息的单目视觉位姿估计算法：首先通过引入车辆动力学模型以及合理的线性近似，推导得到横摆角变化量与车体质心侧偏角之间的关系，并结合对俯仰角变换量的考虑，获得二自由度的高效内层数据关联；其次通过二维直方图投票方法避免了假设-验证结构算法机制的不确定性，并且保证了算法的高效执行。第二种是适合于能够获取场景深度信息的立体视觉位姿估计算法，通过运动学模型初始化的快速收敛三维配准，获取高质量的内数据从而得到精确的位姿估计；该方法不受平面假设的约束，能够在复杂的行驶条件下使用；并提出采用非迭代外层细化方法来保证算法的效率。