详情

原文传递基于多传感器融合的智能汽车城市环境实时建图与定位研究

论文题名：	基于多传感器融合的智能汽车城市环境实时建图与定位研究
关键词：	智能汽车;自动驾驶系统;地图构建;实时定位;多传感器融合
摘要：	全面提升安全舒适性，降低能源消耗，改善交通效率等切实需求为智能汽车发展带来新的机遇与挑战。其中建图定位技术与感知、预测、规划等模块相互耦合，是实现智能汽车高级别自动驾驶的必要条件之一。针对在城市场景下卫星定位导航容易遭受信号遮挡及多路径效应影响，而基于单一传感器的状态估计方法精度低，环境适应能力不强的问题，本文研究了多传感器融合的状态估计及特征地图构建与定位算法，首先构建了视觉-激光-惯性紧耦合的状态估计系统，其次依据城市环境特性改进结构特征提取方法，构建轻量化特征地图，最后耦合状态估计里程计，提出基于特征地图观测的实时定位算法。主要研究内容如下：　　（1）优化了基于多传感器融合的紧耦合状态估计系统。通过融合视觉-激光-惯性测量数据，应对纹理或结构缺失环境，提升里程计稳定性。针对现有研究中子系统耦合架构存在数据重复处理，产生数据歧义与资源浪费的问题，本文将点云里程计作为帧间相对先验约束，添加到视觉-惯性后端框架中构建因子图优化，实现系统架构的简化。同时基于视觉与点云数据互补特性设计特征层级数据融合，改进的特征点云提取与投影策略将被用于视觉特征深度信息优化，视觉、点云耦合的回环检测机制提升了回环检测效果，降低误检率。　　（2）提出了结构特征提取方法并构建轻量化稀疏特征地图。依据城市道路环境特性，基于路沿与柱状特征卓越的长期稳定性、提取一致性和约束互补性，设计特征提取策略，完成轻量化特征地图构建。针对传统特征提取与匹配方案计算复杂，时间成本高的问题，本文首先设计结构筛选策略，提出几何一致性滤波方法优化路沿特征提取，同时采用深度图投影，结合三维点云空间特性提取并优化柱状特征，实现高效准确的环境结构特征提取。其次依托特征形式，设计特征-地图匹配残差以及两步L-M状态优化算法，提升稀疏特征地图匹配构建效率。　　（3）设计了融合状态估计与特征地图匹配的定位算法。针对状态估计方法缺乏稳定的绝对观测，特征地图匹配定位频率低下的问题，本文设计了融合特征-先验地图匹配与多传感器紧耦合状态估计里程计的定位算法，同时为地图匹配设计了对应环境特征形式的粒子滤波定位方案。状态估计与地图观测特性互补，地图观测结果将作为稳定的绝对先验约束修正里程计漂移，同时状态推算能够在观测结果的基础上实现平滑、稳定、高频率的定位输出，最终实现智能汽车的高精度定位。　　（4）完成了智能汽车实时建图与定位算法的部署与实验分析。在一套完整系统中实现智能汽车在城市环境下实时、准确、稳定的建图与定位，并基于ROS平台完成实车部署，多模块的耦合和算法复用使得本系统高效且实用。在公开数据集和自搭建的自动驾驶测试平台上的实际测试验证了本系统与传统方法相比具有较好的精度、稳定性和实时性，具备良好的应用价值。
作者：	陆子恒
专业：	车辆工程
导师：	蔡英凤
授予学位：	硕士
授予学位单位：	江苏大学
学位年度：	2022