原文传递
基于因子图优化的众包高精地图云端融合算法研究
| 论文题名： | 基于因子图优化的众包高精地图云端融合算法研究 |
| 关键词： | 无人驾驶;众包高精地图;云端融合;因子图优化 |
| 摘要： | 高精地图（High-Definition Map，HD-Map）作为无人驾驶汽车的关键技术之一，能够提供比传统导航地图更为准确和丰富的地图数据，在无人驾驶汽车定位、感知、决策等方面都有着广泛的应用。传统高精地图制图流程复杂，数据采集成本较高，导致高精地图更新频率较低。通过众包模式能够极大地提高高精地图的数据采集速度，降低采集成本，获得更加精细、高效的地图数据，然而目前对于众包高精地图云端融合方法的研究较少。针对众包高精地图云端融合方法的问题，本文提出了一种基于因子图优化的众包高精地图云端融合算法，进行的主要工作如下： （1）设计了一种基于“端-边-云”架构的众包高精地图算法框架。该框架由车端的感知层、边缘层和中央云层集成，由边缘层与中央云层协同完成众包高精地图的融合。同时根据跨平台传输数据的需求，设计了车道地图数据的序列化格式。 （2）设计了一种基于全球导航卫星系统（Global Navigation Satellite System， GNSS）数据的绝对里程计生成算法，实现了车端上报局部语义车道地图的全局化。对该算法优化模型的约束代价函数的雅可比矩阵进行了详细地推导，避免了迭代求解器通过数值求导带来的系统误差。通过实际数据验证，表明了基于此绝对里程计的车道地图的准确性。 （3）提出了一种基于因子图优化的众包高精地图云端融合算法。利用全局化车道地图实现地图片段间的匹配，引入一致性筛选流程提高了地图片段间的匹配精度，然后以车道线匹配对构建约束地图间变换关系的因子图优化模型，对该优化模型的约束代价函数的雅可比矩阵进行了详细地推导。 （4）提出了一种车道地图间聚集度的评价标准。根据评价标准对实验数据进行评估，结果表明本文提出的基于因子图优化的众包高精地图云端融合算法对于车道地图间的聚集度提升了44.7%。根据采集的参考真值数据在东、北方向上进行评估，结果显示本文算法优化结果在两方向上的误差均小于1m，验证了本文提出的基于因子图优化的众包高精地图云端融合算法的实用性。 |
| 作者： | 谷峥 |
| 专业： | 机械 |
| 导师： | 隗寒冰 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
