详情

原文传递复杂交通环境下智能车辆高可靠车道级融合定位方法研究

论文题名：	复杂交通环境下智能车辆高可靠车道级融合定位方法研究
关键词：	车辆定位;横向位置估计;方位角估计;误差预测补偿;多传感器融合;深度神经网络
摘要：	为了有效减少驾驶员错误、提高交通安全和效率，具有先进辅助驾驶功能的智能车辆近年来受到了高度重视。实际上，典型的智能辅助驾驶行为均涉及车道级定位与判断，因此如何利用低成本手段实现高可靠车道级定位已成为智能车辆深入发展的瓶颈之一。现有研究主要是在卫星/惯性组合的基础上，基于多传感器融合的思想融入新的传感辅助方法或提出具有误差预测补偿能力的融合算法，但它们仍存在明显的局限性，即前者环境适应性差，后者预测泛化及校正性能不足。对此，本文结合深度学习的新发展，从传感辅助和系统融合两个层面，研究了复杂交通环境下民用智能车辆的高可靠车道级融合定位方法。首先，以模仿人眼横向定位为新思路，重点研究了环境适应能力强的关键参数估计方法，为全局融合定位提供有效的横向位置和方位角观测信息；进而研究了具有良好误差预测补偿能力的智能融合算法，进一步提升了车辆定位的整体性能。本文的主要研究成果和创新包括：　　1）针对现有横向位置估计高度依赖结构化交通标志的问题，提出了基于非结构化特征的横向位置估计方法，该方法利用两个集成在一起的深度神经网络来模仿人眼横向定位机理。首先，突破传统定位参照物的局限，首次提出利用高度可靠的非结构化参照物——道路区域来进行横向位置估计，并由此搭建了基于卷积神经网络的道路检测模型；接着，挖掘道路图像中隐藏的横向位置信息，构建了基于多层感知机的参数估计模型。所提方法较好地解决了横向位置估计环境适应性差的难题，在低交通流密度下的道路无遮挡场景中获得了准确、可靠的估计结果。就作者知识范围而言，利用道路区域进行车辆横向定位的相关研究鲜有报道。　　2）针对现有横向定位方法难以有效应对中等交通流密度下频繁出现的路面部分遮挡问题，受类人视觉横向定位模型启发，提出了基于多层级鲁棒特征融合的横向位置估计方法。首先，设计注意力引导网络进行道路检测，确保在路面部分遮挡场景下仍能提取准确的道路区域，在目标检测这一层级获得抵抗遮挡干扰的能力；其次，构建横向连接全卷积去噪自编码器从道路区域中提取鲁棒的定位特征，借助新颖的去噪机制，在特征提取这一层级提高对遮挡目标的鲁棒性；最后，建立长短期记忆网络来学习定位特征的长时依赖关系，记忆不同路面遮挡程度下横向位置的相似性以降低网络在遮挡程度增加时的估计难度，在决策输出这一层级提高其鲁棒性。通过融合多层级鲁棒特征学习机制，所提方法能在路面部分遮挡场景下实现准确和可靠的横向定位。　　3）针对已有横向位置估计方法难以适应高交通流密度下的路面严重遮挡场景及方位角估计可靠性较差的问题，提出了基于道路区域重构的横向位置和方位角估计方法。该方法由三个模块构成，以类人的方式集成到一个框架中，实现对人眼横向定位的高度模仿。首先，构建了基于孪生卷积网络的道路区域检测和遮挡目标分割模块，获取二者的形状信息；进而设计了基于条件生成对抗网络的道路区域重构模块，以从道路区域形状信息提取的特征为基础，以从遮挡目标形状信息中提取的特征为指导，实现对被遮挡道路区域的自动修复，获取完整道路区域；最后，建立基于三维卷积和长短期记忆网络的横向位置和方位角估计模块，从连续的完整道路区域中提取关键的时空特征并做出预测。受益于自动修复机制，所提方法对高交通流密度下出现的路面严重遮挡场景展现出较强的鲁棒性。就作者知识范围而言，该模型同时克服了定位参照物可靠性差和路面严重遮挡的难题，这在车辆横向定位领域还是首次。　　4）针对传统GPS/MEMS-INS组合定位方案在复杂交通环境下难以实现高可靠车道级定位的问题，根据GPS是否可用，分别提出了基于观测信息增强的直接融合定位方案和基于误差预测补偿的智能融合定位方案。当GPS可用时，以GPS伪距为主观测量，以扩展卡尔曼滤波为融合算法，通过引入高质量的横向位置和方位角辅助观测量来全面提升车辆的定位精度；当GPS失效时，针对现有定位误差预测补偿方法泛化能力弱且补偿效果有限的难题，构建了基于卷积去噪自编码器的MEMS-IMU数据去噪模型、多观测量差异化融合策略以及基于长短期记忆网络的位置误差预测模型。与直接对包含噪声的MEMS-IMU数据进行建模的方法相比，智能融合定位方案对鲁棒的潜在特征建模能更加准确地学习误差的变化特性，进一步提高了车辆在复杂交通环境下的定位性能。
作者：	郑智勇
专业：	仪器科学与技术
导师：	李旭
授予学位：	博士
授予学位单位：	东南大学
学位年度：	2022