原文传递
低光照条件下无人驾驶汽车融合定位算法研究
| 论文题名： | 低光照条件下无人驾驶汽车融合定位算法研究 |
| 关键词： | 无人驾驶汽车;图像增强;VISLAM;GNSS;融合定位;光照条件 |
| 摘要： | 高精度定位是无人驾驶汽车的基础能力之一，无人驾驶汽车多使用全球导航卫星系统(GlobalNavigationSatelliteSystem,GNSS)信号进行定位。但GNSS在城市等场景下存在“多径效应”和信号被遮挡等问题，容易导致定位信息不准确甚至丢失。视觉惯性同步定位与构图(VisualInertialSimultaneousLocalizationandMapping,VISLAM)技术依靠自身传感器进行定位，不依赖外部信号，可以在GNSS信号丢失的情况下提供高精度定位，但存在累计误差、低光照条件下视觉特征跟踪困难易导致定位失败等问题。因此，本文提出一种低光照条件下无人驾驶汽车融合定位算法(LowLightVisualInertialGNSS,LL-VIG)，采用图像增强算法提高低光照图像视觉效果，基于非线性优化框架将VISLAM和GNSS定位结果进行融合，可以在城市等低光照场景下提供高精度定位结果。本文主要研究内容如下： (1)针对低光照条件下图像对比度低、含有噪声、特征提取困难的问题，提出一种多层融合图像增强算法。在HSV颜色空间，将图像的V通道分为Retinex增强层、亮度增强层和对比度增强层：Retinex增强层使用引导滤波估计反射分量；亮度增强层使用自适应伽马变换进行全局亮度增强；对比度增强层使用对比度受限的自适应直方图均衡化(ContrastLimitedAdaptiveHistogramEqualization,CLAHE)进行对比度增强。采用细节融合方法融合各层图像，去除噪声后得到最终的增强图像。 (2)针对低光照条件下VISLAM前端角点提取困难、匹配成功率低的问题，提出一种改进的VISLAM前端算法。首先对低光照图像使用多层融合图像增强算法进行预处理，然后使用自适应通用加速分割检测(AdaptiveandGenericAcceleratedSegmentTest,AGAST)算法进行角点提取，提高角点提取的自适应性和鲁棒性，并采用改进的光流跟踪算法提高匹配成功率，同时采用改进的RANSAC算法去除误匹配。 (3)针对VISLAM存在累计误差、GNSS信号易受干扰的问题，采用图优化的方式将GNSS全局定位信息与VISLAM定位结果融合，在一定程度上降低了VISLAM累计误差，同时可在GNSS信号缺失的情况下提供高精度定位，提高了无人驾驶汽车定位精度和鲁棒性。 (4)通过实验验证本文所提算法的有效性。基于NewTsukubaStereo数据集对本文提出的多层融合图像增强算法进行实验验证，结果表明本文算法增强后的图像有效提高了角点提取的数量。基于EuRoC和KITTI公开数据集以及实车场景对本文提出的LL-VIG算法进行实验验证，结果均表明LL-VIG在定位精度上明显高于对比算法VINS-Fusion。 |
| 作者： | 王兴奔 |
| 专业： | 车辆工程 |
| 导师： | 高扬 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
