面向城市车辆的GNSS/INS/三维激光雷达智能紧耦合亚米级定位方法研究

Accurate and reliable position of vehicles is one of the important fundamental functions for unmanned vehicles and Intelligent Transportation Systems. Based on multi-sensor fusion, introducing environment characteristic information and establishing the fusion model with error prediction ability are two effective ways to improve the vehicle positioning accuracy in the urban environment. However, there are some problems with the existing methods, including the vehicle state information mined by environmental feature is not precise, and the fusion model does not make full use of effective observation information. Thus, a vehicle positioning methodology based on intelligent tightly coupled integration of GNSS/INS/3D Lidar is proposed in this project. First, at the information level, a probabilistic representation of environmental feature is proposed to provide accurate and comprehensive environmental information for fusion positioning. Then, at the fusion level, a tightly coupling fusion algorithm for heterogeneous information and a position error prediction model for time-varying observation are proposed to further improve the overall performance of vehicle positioning. The innovative research carried out from the above two levels can solve the difficult problem of accurate vehicle positioning in the urban environment. The proposed methodology can achieve sub-meter positioning accuracy and provide strong theoretical and methodological support for the development of relevant applications and services in the field of vehicle positioning in China.

准确可靠车辆位置信息是无人驾驶、智能交通系统等应用发挥功能的一个重要基础。基于多传感器融合思想，在定位系统中引入环境特征信息和建立具有误差预测能力的融合模型是提高城市环境中车辆定位精度的有效途径。然而，现有的研究方法存在环境特征挖掘的车辆状态信息精度不高、融合模型对有效观测信息利用不足等问题。对此，本项目研究提出基于GNSS/INS/三维激光雷达智能紧耦合组合的车辆定位方法，首先在信息获取层面，提出位置概率形式的环境特征信息整体表示方法，为融合定位提供准确全面的环境信息；进而在系统融合层面，研究多源异质信息紧耦合融合算法，建立面向时变GNSS观测量的定位误差智能预测修正模型，进一步提升车辆定位的整体性能。本项目在上述两个方面开展的创新研究将较好地解决城市环境中车辆难以准确定位的难题，实现亚米级定位精度，为推动我国车辆定位领域相关应用和服务的发展提供有力的理论和方法支持。

准确可靠的车辆定位是智能交通车路系统（ITS）等有效运行的基础性关键技术之一。GNSS/INS组合定位常用于弥补仅依靠卫星定位的不足，但是在复杂城市环境中，频繁的GNSS信号遮挡和严重的INS累积误差导致组合系统的定位精度难以得到保障。因此，如何在复杂城市环境下实现高效可靠的亚米级车辆定位成为了急需攻克的技术难点。本项目针对城市交通环境信息深度挖掘和车载多源异质信息智能融合两个方面开展了系统、深入的研究，取得的主要创新成果如下：.1）交通环境特征挖掘包括：利用车载摄像机获取周围环境的深度信息、估计与车道边沿的横向距离、基于场景帧间变化的车辆本体运动状态估计，以及利用激光雷达构建交通环境的点云地图，进而通过帧间匹配获得车辆位置信息。.2）多源异质信息融合面向GNSS、IMU、相机、激光雷达、UWB等多种传感器，包括将车辆运动状态概率、周围环境信息与传统的位置、速度等信息融合，以及建立定位误差智能预测补偿模型，进一步提升GNSS失效时的定位精度。.3）智能驾驶测试需要在GNSS失效的城市峡谷、隧道等复杂场景下完成高精度的位置测量，对此，本项目已经将基于激光雷达/UWB等自适应融合的高精度测量技术拓展应用到智能驾驶测评领域，满足了智能驾驶测评的迫切需求。.目前，本项目所提出的各项研究内容均已完成既定目标，总体研究工作取得了预期效果。项目执行期间共发表SCI 检索论文2篇（其中中科院一区高水平论文1篇），发表EI检索论文3篇（其中卓越期刊1篇），另有已投稿在审SCI论文3篇。申请国家发明专利13项（其中已授权3项），申请美国PCT专利1项。撰写并出版专著1本（第二作者）。参加国际学术会议2次。培养硕士研究生7名。