新能源汽車與智能網(wǎng)聯(lián)技術(shù) 課件 第3、4章 環(huán)境感知、高精地圖與定位

新能源汽車與智能網(wǎng)聯(lián)技術(shù)第3章

環(huán)境感知“十四五”時(shí)期國(guó)家重點(diǎn)出版物出版專項(xiàng)規(guī)劃項(xiàng)目新能源與智能網(wǎng)聯(lián)汽車新技術(shù)系列叢書中國(guó)機(jī)械工業(yè)教育協(xié)會(huì)“十四五”普通高等教育規(guī)劃教材本章內(nèi)容3.1智能汽車3.2感知傳感器3.3車道線感知識(shí)別3.4YOLO算法識(shí)別路況信息3.5多傳感器數(shù)據(jù)融合本章內(nèi)容3.1智能汽車3.2感知傳感器3.3車道線感知識(shí)別3.4YOLO算法識(shí)別路況信息3.5多傳感器數(shù)據(jù)融合3.1智能汽車據(jù)公安部統(tǒng)計(jì),截至2021年年底,我國(guó)汽車保有量達(dá)3.02億輛,超過美國(guó)穩(wěn)居世界第一。全國(guó)汽車保有量超過百萬輛的城市數(shù)量達(dá)79個(gè),機(jī)動(dòng)車駕駛?cè)藬?shù)量達(dá)4.81億。同時(shí)我國(guó)近5年每年交通事故死亡人數(shù)均超過6萬人,仍是全球交通事故死亡人數(shù)最多的國(guó)家之一。隨著現(xiàn)代信息技術(shù)和汽車科技的蓬勃發(fā)展,智能汽車逐漸成為全球相關(guān)領(lǐng)域?qū)＜覍W(xué)者的關(guān)注焦點(diǎn)。智能汽車可以根據(jù)實(shí)時(shí)路況輔助甚至完全代替駕駛?cè)送瓿芍饕鸟{駛操縱,逐步成為解決交通安全問題的理想方案。圖片來自于網(wǎng)絡(luò)3.1智能汽車智能汽車通過攝像頭、激光雷達(dá)(LightDetectionAndRanging,LiDAR)和毫米波雷達(dá)(MillimeterWaveRadar)等車載傳感器獲得車輛周圍真實(shí)存在的環(huán)境信息,然后根據(jù)目的地的位置信息規(guī)劃出一條最佳的行駛路徑,通過控制車輛的行駛方向和速度,使車輛能夠按照預(yù)定路線安全可靠地行駛至終點(diǎn)。智能汽車最鮮明的特點(diǎn)是以自動(dòng)駕駛代替了傳統(tǒng)的人工駕駛,從枯燥的駕駛環(huán)境中解放了人類的雙手,有效彌補(bǔ)了駕駛?cè)说哪芰Σ蛔?。《?jié)能與新能源汽車技術(shù)路線圖》一書中智能網(wǎng)聯(lián)汽車(IntelligentandConnected

Vehicle,ICV)是指搭載先進(jìn)的車載傳感器、控制器、執(zhí)行器等裝置,并融合現(xiàn)代通信與網(wǎng)絡(luò)技術(shù),實(shí)現(xiàn)車與X(車、路、人、云等)智能信息交換、共享,具備復(fù)雜環(huán)境感知、智能決策、協(xié)同控制等功能,可實(shí)現(xiàn)安全、高效、舒適、節(jié)能行駛,并最終實(shí)現(xiàn)替代人來操作的新一代汽車。定義3.1智能汽車在《智能汽車創(chuàng)新發(fā)展戰(zhàn)略》一文中智能汽車是指通過搭載先進(jìn)傳感器等裝置,運(yùn)用人工智能等新技術(shù),具有自動(dòng)駕駛功能,逐步成為智能移動(dòng)空間和應(yīng)用終端的新一代汽車。智能汽車通常又稱為智能網(wǎng)聯(lián)汽車、自動(dòng)駕駛汽車等。根據(jù)汽車自動(dòng)化程度的不同,智能汽車可以分成不同的等級(jí)。不同機(jī)構(gòu)對(duì)智能汽車的等級(jí)劃分也不盡相同,美國(guó)國(guó)家高速公路交通安全管理局將智能汽車技術(shù)分成5個(gè)等級(jí)（L0~L4）。分級(jí)美國(guó)汽車工程師學(xué)會(huì)發(fā)布的J3016是另一種比較有代表性的分級(jí)標(biāo)準(zhǔn),對(duì)智能汽車分級(jí)進(jìn)行了細(xì)化的規(guī)定,將

L4級(jí)別細(xì)分為L(zhǎng)4高度自動(dòng)駕駛和L5完全自動(dòng)駕駛兩個(gè)級(jí)別。我國(guó)對(duì)智能汽車的分級(jí)最早出現(xiàn)在《中國(guó)制造2025》重點(diǎn)領(lǐng)域技術(shù)路線圖中,其將智能網(wǎng)聯(lián)汽車分為輔助駕駛(DA)、部分自動(dòng)駕駛(PA)、高度自動(dòng)駕駛(HA)和完全自動(dòng)駕駛(FA)4級(jí)。3.1智能汽車2020年3月,我國(guó)工業(yè)和信息化部頒布了國(guó)家標(biāo)準(zhǔn)GB/T40429—2021《汽車駕駛自動(dòng)化分級(jí)》,這是我國(guó)智能汽車標(biāo)準(zhǔn)體系的基礎(chǔ)類標(biāo)準(zhǔn)之一。該標(biāo)準(zhǔn)按照由低到高的自動(dòng)化等級(jí)將智能汽車分為應(yīng)急輔助、部分駕駛輔助、組合駕駛輔助、有條件自動(dòng)駕駛、高度自動(dòng)駕駛和完全自動(dòng)駕駛6個(gè)級(jí)別。表1汽車駕駛自動(dòng)化分級(jí)標(biāo)準(zhǔn)3.1智能汽車架構(gòu)圖1智能汽車系統(tǒng)架構(gòu)智能汽車是一個(gè)高度智能化的復(fù)雜系統(tǒng),其系統(tǒng)架構(gòu)如圖1所示,它通過智能環(huán)境傳感設(shè)備實(shí)現(xiàn)環(huán)境感知,進(jìn)而進(jìn)行智能決策與智能集成控制。3.1智能汽車環(huán)境感知技術(shù)

利用視覺傳感器、毫米雷達(dá)、激光波雷達(dá)、超聲波雷達(dá)等各種傳感器對(duì)周圍環(huán)境進(jìn)行數(shù)據(jù)采集與信息處理,以獲取當(dāng)前行駛環(huán)境及本車的有關(guān)信息。環(huán)境感知技術(shù)可以為智能汽車提供道路交通環(huán)境、障礙物位置、動(dòng)態(tài)目標(biāo)運(yùn)動(dòng)狀態(tài)、交通信號(hào)標(biāo)志、自身位置等一系列重要信息,是其他功能模塊的基礎(chǔ),是實(shí)現(xiàn)輔助駕駛與自動(dòng)駕駛的前提條件。為實(shí)現(xiàn)對(duì)智能汽車功能性與安全性的全面覆蓋,在感知層需要采用多傳感器數(shù)據(jù)融合技術(shù)。圖2多傳感器數(shù)據(jù)融合3.1智能汽車決策規(guī)劃技術(shù)決策規(guī)劃技術(shù)是智能汽車的控制中樞,相當(dāng)于人類的大腦,其主要作用是依據(jù)感知層處理后的信息以及先驗(yàn)地圖信息,在滿足交通規(guī)則、車輛動(dòng)力學(xué)等車輛行駛約束的前提下,生成一條全局最優(yōu)的車輛運(yùn)動(dòng)軌跡。決策規(guī)劃技術(shù)可以分為全局軌跡規(guī)劃、行駛行為決策和局部軌跡規(guī)劃3個(gè)部分。圖3決策規(guī)劃流程全局軌跡規(guī)劃在已知電子地圖、周圍路網(wǎng)以及宏觀交通信息等先驗(yàn)信息的條件下,得到滿足起始點(diǎn)與目的地之間距離最短、時(shí)間最短或其他優(yōu)化目標(biāo)的最優(yōu)路徑。行駛行為決策的作用是產(chǎn)生一系列的行駛行為來完成全局軌跡規(guī)劃,一般根據(jù)本車周圍道路、交通以及環(huán)境信息等動(dòng)態(tài)地規(guī)劃車輛行駛行為。局部軌跡規(guī)劃的作用是根據(jù)行駛行為決策結(jié)果,綜合考慮影響車輛的各種性能指標(biāo)在秒級(jí)周期內(nèi)策劃出一條最優(yōu)軌跡,包括局部路徑規(guī)劃和局部速度規(guī)劃兩個(gè)部分。3.1智能汽車集成控制技術(shù)集成控制技術(shù)主要通過控制車輛驅(qū)動(dòng)、制動(dòng)轉(zhuǎn)向、換檔等操作,對(duì)決策規(guī)劃層所得到的車輛最優(yōu)軌跡進(jìn)行路徑和速度跟隨,其本質(zhì)是控制車輛的側(cè)向運(yùn)動(dòng)和縱向運(yùn)動(dòng)來減少車輛實(shí)際軌跡和期望軌跡之間的時(shí)間誤差和空間誤差。

圖4集成控制3.1智能汽車測(cè)試評(píng)價(jià)體系測(cè)試評(píng)價(jià)體系對(duì)提高智能汽車研發(fā)效率、健全技術(shù)標(biāo)準(zhǔn)和法律法規(guī)、推進(jìn)產(chǎn)業(yè)創(chuàng)新發(fā)展至關(guān)重要。但智能汽車測(cè)試評(píng)價(jià)對(duì)象已從傳統(tǒng)的人、車二元獨(dú)立系統(tǒng)變?yōu)槿?車-環(huán)境-任務(wù)強(qiáng)耦合系統(tǒng)，測(cè)試場(chǎng)景及測(cè)試任務(wù)難以窮盡,評(píng)價(jià)維度紛繁復(fù)雜,傳統(tǒng)汽車的測(cè)試評(píng)價(jià)體系已經(jīng)不能滿足智能汽車測(cè)試需求。圖5所示為典型的智能汽車測(cè)試評(píng)價(jià)體系,場(chǎng)景數(shù)據(jù)在其中至關(guān)重要。圖5典型的智能汽車測(cè)試評(píng)價(jià)體系本章內(nèi)容3.1智能汽車3.2感知傳感器3.3車道線感知識(shí)別3.4YOLO算法識(shí)別路況信息3.5多傳感器數(shù)據(jù)融合3.2智能感知器感知技術(shù)通常分為兩大類:自主式環(huán)境感知技術(shù)和協(xié)同式環(huán)境感知技術(shù)。目前技術(shù)難點(diǎn)集中在自主式環(huán)境感知技術(shù),利用視覺傳感器(攝像頭)、激光傳感器(激光雷達(dá))以及通信系統(tǒng)感知周圍環(huán)境,識(shí)別周邊物體、規(guī)劃行駛路徑、檢測(cè)駕駛狀態(tài),通過識(shí)別的信息實(shí)現(xiàn)自主避讓,協(xié)助駕駛?cè)税踩{駛或完成自動(dòng)駕駛,提高人們行駛的安全性和乘坐的舒適性,減少環(huán)境擁堵,降低燃油消耗率,降低環(huán)境污染。智能汽車系統(tǒng)的環(huán)境感知通常需要獲取大量信息。目前智能汽車主流的信息收集、處理的感知傳感器包括視覺傳感器、毫米波雷達(dá)、激光雷達(dá)、超聲波雷達(dá)等。3.2智能感知器視覺傳感器視覺傳感器———攝像頭因其具有可識(shí)別整個(gè)視野范圍內(nèi)的像素和顏色、分辨率高、“幀速率”恒定,兩臺(tái)攝像頭便能同時(shí)生成三維立體視圖,且其技術(shù)成熟、費(fèi)用低以及圖像質(zhì)量高等優(yōu)點(diǎn),廣泛應(yīng)用在智能駕駛車輛環(huán)境感知系統(tǒng)中。智能駕駛車輛對(duì)攝像頭識(shí)別出的環(huán)境信息,進(jìn)行技術(shù)處理區(qū)分障礙物的類別,實(shí)現(xiàn)人類的“眼睛”的功能,在汽車領(lǐng)域具有較高的應(yīng)用前景,相對(duì)技術(shù)發(fā)展迅速且具有較高的研究?jī)r(jià)值。如特斯拉智能汽車的自主輔助駕駛技術(shù),以攝像頭為其主要感知傳感器。機(jī)器視覺感知系統(tǒng)是指智能汽車?yán)脭z像頭拍攝車外環(huán)境,根據(jù)搜集到的信息得到反映真實(shí)道路的圖像數(shù)據(jù),然后綜合運(yùn)用各種道路檢測(cè)算法,提取出車道線、道路邊界以及車輛方位信息,判斷汽車是否有駛出車道的危險(xiǎn)。3.2智能感知器毫米波雷達(dá)毫米波雷達(dá)具有全天候、全天時(shí)的工作特性,且探測(cè)距離遠(yuǎn)、精度高,被廣泛應(yīng)用于車載距離探測(cè),如自適應(yīng)巡航、碰撞預(yù)警、盲區(qū)探測(cè)、自動(dòng)緊急制動(dòng)等。毫米波雷達(dá)的工作原理是向道路周圍輻射毫米波信號(hào),通過對(duì)比發(fā)射信號(hào)與接收信號(hào)之間的差別來實(shí)現(xiàn)目標(biāo)距離、速度、角度等信息的檢測(cè)。毫米波是電磁波,雷達(dá)通過發(fā)射無線電信號(hào)并接收反射信號(hào)來測(cè)定車輛與物體間的距離,其頻率通常介于10~300GHz之間。圖6汽車毫米波雷達(dá)的發(fā)展歷程3.2智能感知器與24GHz毫米波雷達(dá)相比,77GHz毫米波雷達(dá)的距離分辨率更高,體積縮小1/3。77GHz毫米波雷達(dá)在探測(cè)精度與距離上均優(yōu)于24GHz毫米波雷達(dá),主要裝配在車輛的前保險(xiǎn)杠上,用來探測(cè)與前車的距離以及前車的速度,主要實(shí)現(xiàn)緊急制動(dòng)、自適應(yīng)巡航、前向碰撞預(yù)警等主動(dòng)安全領(lǐng)域的功能。當(dāng)今使用的毫米波頻段有:24GHz、77GHz、79GHz。毫米波雷達(dá)的測(cè)距和測(cè)速原理都是基于多普勒效應(yīng)。與紅外、激光、電視等光學(xué)導(dǎo)引頭相比,毫米波導(dǎo)引頭穿透霧、煙、灰塵的能力強(qiáng),其抗干擾性能也優(yōu)于其他微波導(dǎo)引頭。車載毫米波雷達(dá)頻率主要分為24GHz頻段和77GHz頻段。毫米波雷達(dá)因其硬件體積較小且不受惡劣天氣影響,被廣泛應(yīng)用于高級(jí)駕駛輔助系統(tǒng)。毫米波雷達(dá)目前大量應(yīng)用于汽車的盲點(diǎn)監(jiān)測(cè)、變道輔助、車道偏離預(yù)警、車道保持輔助、泊車輔助等。3.2智能感知器激光雷達(dá)激光雷達(dá)是一種光學(xué)遙感技術(shù),可以精確、快速獲取地面或大氣三維空間信息的主動(dòng)探測(cè)技術(shù),用于測(cè)量物體距離和表面形狀,其測(cè)量精度可達(dá)厘米級(jí),其應(yīng)用范圍和發(fā)展前景十分廣闊。激光雷達(dá)由發(fā)射系統(tǒng)、接收系統(tǒng)、信息處理3部分組成。

激光器將電脈沖變成光脈沖發(fā)射出去,光接收機(jī)再把從目標(biāo)反射回來的光脈沖還原成電脈沖,最后經(jīng)過一系列算法來得出目標(biāo)位置(距離和角度)、運(yùn)動(dòng)狀態(tài)(速度、振動(dòng)和姿態(tài))和形狀,可以探測(cè)、識(shí)別、分辨和跟蹤目標(biāo)。激光雷達(dá)具有解析度高、測(cè)距精度高、抗有源干擾能力強(qiáng)、探測(cè)性能好、獲取的信息量豐富、不受光線影響以及測(cè)速范圍大等優(yōu)點(diǎn)。激光雷達(dá)在智能網(wǎng)聯(lián)汽車中有多種應(yīng)用,主要有面向高精地圖的繪制、基于點(diǎn)云的定位以及障礙物檢測(cè)等。3.2智能感知器激光雷達(dá)還可以聯(lián)合全球?qū)Ш叫l(wèi)星系統(tǒng)(GlobalNavigationSateliteSystem,GNSS)/慣性測(cè)量單元(InertialMeasurementUnit,IMU)與高精度地圖等手段進(jìn)行加強(qiáng)定位,一方面通過GNSS得到初始位置信息,再通過IMU和車輛的編碼器(Encoder)配合得到車輛的初始位置;另一方面,將激光雷達(dá)的3D點(diǎn)云數(shù)據(jù)包括幾何信息和語義信息進(jìn)行特征提取,并結(jié)合車輛初始位置進(jìn)行空間變化,獲取基于全局坐標(biāo)系下的矢量特征。在智能網(wǎng)聯(lián)汽車的行駛過程中,激光雷達(dá)同時(shí)以一定的角速度勻速轉(zhuǎn)動(dòng),并在轉(zhuǎn)動(dòng)過程中不斷發(fā)出激光并收集反射點(diǎn)信息,以便得到全方位的環(huán)境信息。3.2智能感知器超聲波雷達(dá)超聲波雷達(dá)(UltraSonicRadar)的工作原理是通過超聲波發(fā)射裝置向外發(fā)出超聲波,通過接收器接收到超聲波的時(shí)間來測(cè)算距離。超聲波雷達(dá)常用探頭的工作頻率有40kHz、48kHz和58kHz。一般來說,頻率越高,靈敏度越高,但水平與垂直方向的探測(cè)角度越小,故一般采用40kHz的探頭。超聲波雷達(dá)防水、防塵,即使有少量的泥沙遮擋也不影響其工作。它的探測(cè)范圍在0.1~3m,而且精度較高,因此非常適合應(yīng)用于泊車。車載超聲波雷達(dá)一般安裝在汽車的保險(xiǎn)杠上方,隱藏在保險(xiǎn)杠的某個(gè)位置。常見的超聲波雷達(dá)有兩種:第一種是安裝在汽車前后保險(xiǎn)杠上的倒車?yán)走_(dá),稱為超聲波駐車輔助傳感器;第二種安裝在汽車側(cè)面,稱為自動(dòng)泊車輔助傳感器。3.2智能感知器超聲波雷達(dá)的不足之處有：超聲波的傳輸速度很容易受天氣情況的影響,尤其是超聲波有較強(qiáng)的溫度敏感性,在不同的溫度下,傳輸速度不同。超聲波傳播速度與環(huán)境溫度T近似成正相關(guān)關(guān)系。因此相對(duì)位置相同的障礙物,在不同溫度的場(chǎng)景下,測(cè)量的距離數(shù)據(jù)不同。對(duì)傳感器精度要求極高的智能網(wǎng)聯(lián)系統(tǒng)來說,有必要將溫度信息引入智能網(wǎng)聯(lián)系統(tǒng),從而提升超聲波雷達(dá)的測(cè)量精度。由于相比于光與電磁波,超聲波的傳播速度較慢,當(dāng)汽車高速行駛時(shí),超聲波測(cè)距無法跟上汽車的車距實(shí)時(shí)變化。因此超聲波雷達(dá)在速度很高的情況下測(cè)距離,誤差較大。超聲波散射角大、方向性較差,在測(cè)量較遠(yuǎn)距離的目標(biāo)時(shí),其回波信號(hào)會(huì)比較弱,影響測(cè)量精度。但是在短距離測(cè)量中,超聲波測(cè)距傳感器具有非常大的優(yōu)勢(shì)。3.2智能感知器幾種感知傳感器優(yōu)缺點(diǎn)對(duì)比表2幾種感知傳感器優(yōu)缺點(diǎn)對(duì)比本章內(nèi)容3.1智能汽車3.2感知傳感器3.3車道線感知識(shí)別3.4YOLO算法識(shí)別路況信息3.5多傳感器數(shù)據(jù)融合3.3車道線感知識(shí)別霍夫變換霍夫變換(Houghtransform)由保羅·霍夫(PaulHough)于1962年提出,目的是找到帶有噪聲的圖片中的直線。其基本原理是建立映射:直線參數(shù)方程xcosθ0+ysinθ0=ρ0,對(duì)應(yīng)霍夫空間一個(gè)點(diǎn)(ρ0,θ0)。如下圖：圖7霍夫變換參數(shù)空間轉(zhuǎn)化3.3車道線感知識(shí)別對(duì)于任意Oxy坐標(biāo)系下的點(diǎn),將經(jīng)過此點(diǎn)的所有直線都對(duì)應(yīng)到霍夫空間,每條直線都將對(duì)應(yīng)到一個(gè)點(diǎn),因此可得到一條曲線。Oxy坐標(biāo)系下的一組點(diǎn),將在霍夫空間內(nèi)得到數(shù)條曲線,若這些點(diǎn)在Oxy坐標(biāo)系下共線,那么這些霍夫空間內(nèi)的曲線就交于一點(diǎn),如下圖所示。圖8多個(gè)數(shù)據(jù)點(diǎn)在霍夫空間中的投票示例3.3車道線感知識(shí)別具體操作步驟如下:1)將特征提取中得到的像素點(diǎn)都通過此方法轉(zhuǎn)移到霍夫空間中,得到大量曲線。2)對(duì)這些曲線進(jìn)行投票,多條曲線相交處的參數(shù)(ρ0,θ0)即為直線方程參數(shù)。車道線感知車道線檢測(cè)算法模型有直線模型與曲線模型。一般近視場(chǎng)的車道線用直線模型檢測(cè)的效果較好；而在彎道工況下采用直線模型的檢測(cè)算法不如曲線模型的擬合效果好。因此采用直線和雙曲線的混合模型的車道線檢測(cè)方法是一種比較好的算法,結(jié)合了直線模型和雙曲線模型的優(yōu)點(diǎn),使其無論在近視場(chǎng)還是在彎道工況下都能取得較好的擬合效果。3.3車道線感知識(shí)別圖9車道線檢測(cè)算法流程雙曲線模型算法模型直線模型算法模型3.3車道線感知識(shí)別圖像處理采用Python語言環(huán)境,主要利用OpenCV庫(kù)強(qiáng)大的圖像處理工具以及內(nèi)置的霍夫變換工具實(shí)現(xiàn)。由霍夫變換原理可知,需要將收集的圖像處理成只含有大量的車道線上的點(diǎn)的圖像,才可以很好地識(shí)別出車道線。在圖像處理方面,首先對(duì)收集的圖像進(jìn)行灰度化、模糊化,并采用了OpenCV內(nèi)置的Canny算子進(jìn)行邊緣檢測(cè),提取出圖像的邊緣點(diǎn)集。該算法模型僅適用于近視場(chǎng)車道線檢測(cè),因此在輸入霍夫變換工具接口的圖像還需要將近視場(chǎng)可能出現(xiàn)車道線的區(qū)域進(jìn)行提取作為感興趣區(qū)域(RegionofInterest,ROI)。最后將選定的ROI輸入霍夫變換工具接口即可實(shí)現(xiàn)車道線的檢測(cè)。3.3車道線感知識(shí)別原圖像識(shí)別后圖10識(shí)別效果本章內(nèi)容3.1智能汽車3.2感知傳感器3.3車道線感知識(shí)別3.4YOLO算法識(shí)別路況信息3.5多傳感器數(shù)據(jù)融合3.4YOLO算法識(shí)別路況信息YOLO(YouLookOnlyOnce)算法是一種利用卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeural

Networks,CNN)的圖像識(shí)別目標(biāo)檢測(cè)算法。卷積神經(jīng)網(wǎng)絡(luò)是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)(Feedforward

NeuralNetworks),是深度學(xué)習(xí)(DeepLearning)的代表算法之一。卷積神經(jīng)網(wǎng)絡(luò)具有表征學(xué)習(xí)能力,能夠按其階層結(jié)構(gòu)對(duì)輸入信息進(jìn)行平移不變分類,因此也被稱為“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)(Shift-InvariantArtificialNeuralNetworks,SIANN)”。卷積神經(jīng)網(wǎng)絡(luò)原理卷積神經(jīng)網(wǎng)絡(luò)是一種深度學(xué)習(xí)算法,它需要大量的訓(xùn)練集才能擬合出較好的權(quán)重結(jié)果。一般而言,卷積神經(jīng)網(wǎng)絡(luò)的模型分為輸入層、卷積層、池化層以及全連接層等多個(gè)部分。3.4YOLO算法識(shí)別路況信息卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)輸入層即輸入至卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)層。通常輸入計(jì)算機(jī)中的圖像是一個(gè)長(zhǎng)×寬×n的矩陣,其中n代表圖像每個(gè)像素點(diǎn)的n維信息,這里采用的是每個(gè)像素點(diǎn)的H(色調(diào))、S(飽和度)、V(明度)三維信息。卷積層是卷積神經(jīng)網(wǎng)絡(luò)比較核心的地方,是擬合權(quán)重的結(jié)構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)擬合結(jié)果的權(quán)重稱為卷積核,卷積核能起到識(shí)別輸入層或激活圖像中特征圖像的作用。

池化層一般出現(xiàn)在卷積層之后,其目的是降維壓縮,加快運(yùn)算速度,除此之外,它能保留主要特征的同時(shí)減少參數(shù)和計(jì)算量,起到防止過擬合的作用。全連接層是每一個(gè)結(jié)點(diǎn)都與上一層的所有結(jié)點(diǎn)相連,用來把前邊提取到的特征綜合起來,根據(jù)不同的用途,輸出為想要的結(jié)果。3.4YOLO算法識(shí)別路況信息YOLOv2算法識(shí)別YOLO用整個(gè)圖片的特征來預(yù)測(cè)每一個(gè)邊界框。它還同時(shí)預(yù)測(cè)一個(gè)圖像在所有類中的所有邊界框。YOLO先把整個(gè)圖片劃分成S×S個(gè)方格,如果一個(gè)物體的中心正好落在一個(gè)方格中,那么這個(gè)方格就負(fù)責(zé)來預(yù)測(cè)物體。圖11YOLOv2算法識(shí)別效果本章內(nèi)容3.1智能汽車3.2感知傳感器3.3車道線感知識(shí)別3.4YOLO算法識(shí)別路況信息3.5多傳感器數(shù)據(jù)融合3.5多傳感器數(shù)據(jù)融合多傳感器數(shù)據(jù)融合是20世紀(jì)80年代出現(xiàn)的一門新興學(xué)科,它是將不同傳感器對(duì)某一目標(biāo)或環(huán)境特征描述的信息,綜合成統(tǒng)一的特征表達(dá)信息的過程。數(shù)據(jù)融合需要借助融合算法,融合算法可分為隨機(jī)類和人工智能類兩大類,隨機(jī)類多傳感器數(shù)據(jù)融合方法主要有:貝葉斯推理、D-S證據(jù)理論、最大似然估計(jì)、綜合平均法、最優(yōu)估計(jì)、卡爾曼濾波、魯棒估計(jì)等估計(jì)理論。從最小二乘法入手,主要闡釋卡爾曼濾波方法及其應(yīng)用。人工智能類多傳感器數(shù)據(jù)融合算法主要有基于神經(jīng)網(wǎng)絡(luò)的多傳感器數(shù)據(jù)融合、基于模糊聚類的數(shù)據(jù)融合以及專家系統(tǒng)等。其中,卡爾曼濾波算法作為一種經(jīng)典算法,由于其具有實(shí)時(shí)性強(qiáng)、融合精度高等優(yōu)點(diǎn),在自動(dòng)駕駛領(lǐng)域中被廣泛使用。3.5多傳感器數(shù)據(jù)融合經(jīng)典卡爾曼濾波卡爾曼濾波(KalmanFiltering,KF)本質(zhì)上是通過對(duì)下一時(shí)刻狀態(tài)的先驗(yàn)估計(jì)與測(cè)量反饋相結(jié)合,得到該時(shí)刻相對(duì)準(zhǔn)確的后驗(yàn)估計(jì)的過程。對(duì)于線性離散系統(tǒng),要求滿足過程模型為疊加過程激勵(lì)噪聲的線性系統(tǒng)、測(cè)量模型為疊加測(cè)量噪聲的線性系統(tǒng),并且噪聲都服從正態(tài)分布,即系統(tǒng)可以用如下兩個(gè)方程表示,其中離散時(shí)間狀態(tài)差分方程為：測(cè)量方程可以表述為：（3-1）（3-2）式中：狀態(tài)變量x∈Rn,觀測(cè)變量z∈Rn,隨機(jī)變量wk-1和vk分別表示過程激勵(lì)噪聲和觀測(cè)噪聲,并且噪聲滿足P(w)~N(0,Q)、P(v)~N(0,R)的正態(tài)分布。3.5多傳感器數(shù)據(jù)融合對(duì)于任意一個(gè)狀態(tài)變量xk,可以通過線性狀態(tài)差分方程進(jìn)行估算。xk等于其前一時(shí)刻狀態(tài)變量xk-1與控制信號(hào)uk-1以及過程激勵(lì)噪聲wk-1的線性疊加,通常情況下uk-1=0。另外從方程中可以知道任意時(shí)刻觀測(cè)量為狀態(tài)量與觀測(cè)噪聲k的線性組合,并且A、B、H通常為時(shí)不變常值矩陣形式,則剩余的問題就是隨機(jī)變量wk-1和k的估算問題,對(duì)于噪聲參數(shù)的估計(jì)越準(zhǔn)確,狀態(tài)估計(jì)的結(jié)果也就越精準(zhǔn)。建立模型后確定系統(tǒng)的初始狀態(tài),通過如下步驟進(jìn)行時(shí)間更新(預(yù)測(cè))以及測(cè)量更新(校正)：狀態(tài)一步預(yù)測(cè)為：（3-3）（3-4）狀態(tài)一步預(yù)測(cè)誤差協(xié)方差為：3.5多傳感器數(shù)據(jù)融合圖12KF算法流程圖卡爾曼增益為：（3-5）狀態(tài)估計(jì)為：（3-6）狀態(tài)估計(jì)誤差協(xié)方差為：（3-7）謝

謝新能源汽車與智能網(wǎng)聯(lián)技術(shù)第4章

高精地圖與定位“十四五”時(shí)期國(guó)家重點(diǎn)出版物出版專項(xiàng)規(guī)劃項(xiàng)目新能源與智能網(wǎng)聯(lián)汽車新技術(shù)系列叢書中國(guó)機(jī)械工業(yè)教育協(xié)會(huì)“十四五”普通高等教育規(guī)劃教材本章內(nèi)容4.1高精地圖4.2適用于車輛駕駛的定位技術(shù)4.3慣性導(dǎo)航定位4.4地圖匹配定位4.5多傳感器融合定位本章內(nèi)容4.1高精地圖4.2適用于車輛駕駛的定位技術(shù)4.3慣性導(dǎo)航定位4.4地圖匹配定位4.5多傳感器融合定位4.1高精地圖自動(dòng)駕駛高精地圖概述自動(dòng)駕駛地圖指的是服務(wù)于自動(dòng)駕駛汽車的一類地圖。在現(xiàn)有自動(dòng)駕駛技術(shù)下,純粹依靠單車來實(shí)現(xiàn)全方位的感知和應(yīng)對(duì)各種復(fù)雜環(huán)境的自動(dòng)駕駛決策仍然是一個(gè)難題。因此,實(shí)現(xiàn)高級(jí)別自動(dòng)駕駛需要高精度的交通環(huán)境信息來輔助。面向SAEL3~L5級(jí)的高度自動(dòng)駕駛地圖(HighlyAutomatedDrivingMap,HAD

MAP),其精度要求為1~10cm,相比精度為米級(jí)的普通地圖,具有更高的精度,因此在業(yè)內(nèi),高度自動(dòng)駕駛地圖也常稱為高分辨率地圖(HighDefinitionMap,HDMAP)或高精度地圖,簡(jiǎn)稱高精地圖。

高精地圖的定義用于自動(dòng)駕駛的高精地圖,是關(guān)于車輛環(huán)境數(shù)據(jù)和交通運(yùn)行數(shù)據(jù)元素的存儲(chǔ)和呈現(xiàn)結(jié)構(gòu)的。在車輛環(huán)境數(shù)據(jù)方面,高精地圖擁有精確位置信息、豐富道路元素的數(shù)據(jù);在交通運(yùn)行數(shù)據(jù)方面,高精地圖包含交通規(guī)則以及交通狀況等數(shù)據(jù)。4.1高精地圖高精地圖為智能駕駛提供先驗(yàn)知識(shí),擁有類似人腦對(duì)真實(shí)道路的整體記憶與認(rèn)知的功能,可以為智能汽車預(yù)知環(huán)境和交通中的復(fù)雜信息,規(guī)避駕駛潛在的風(fēng)險(xiǎn),是實(shí)現(xiàn)自動(dòng)駕駛的核心基礎(chǔ)。高精地圖兼具高分辨率與面向高級(jí)別自動(dòng)駕駛兩大特性。高精地圖通過精細(xì)化描述道路、車道線、路沿交通標(biāo)志等靜態(tài)與動(dòng)態(tài)信息,為自動(dòng)駕駛定位、規(guī)劃、決策、控制等應(yīng)用提供安全保障,是自動(dòng)駕駛領(lǐng)域的核心與基礎(chǔ)。高精地圖作為無人駕駛領(lǐng)域的剛需,在整個(gè)領(lǐng)域扮演著核心角色,可以幫助汽車定位、預(yù)先感知路面復(fù)雜信息,結(jié)合智能路徑規(guī)劃,讓汽車做出正確決策。4.1高精地圖高精地圖的特點(diǎn)在自動(dòng)駕駛領(lǐng)域,高精地圖具有如下3個(gè)公認(rèn)特性。絕對(duì)坐標(biāo)精度高(絕對(duì)坐標(biāo)精度指的是地圖上某個(gè)目標(biāo)和真實(shí)的外部世界的事物之間的精度)。豐富的道路交通信息元素,最重要的就是道路網(wǎng)的精確三維表征,如交叉路口的布局和路標(biāo)位置等,還包含很多語義信息,如交通信號(hào)燈顏色定義、道路限速信息、車輛轉(zhuǎn)彎開始位置等。更新頻率高,提供最新、最準(zhǔn)確的靜態(tài)信息;提供實(shí)時(shí)的交通狀況、障礙物等動(dòng)態(tài)信息。這些特性使高精地圖區(qū)別于日常生活中一般導(dǎo)航地圖,高精地圖要求更高。高精地圖的作用高精地圖主要在高級(jí)別自動(dòng)駕駛中起到關(guān)鍵作用。

4.1高精地圖根據(jù)SAE對(duì)自動(dòng)駕駛的分級(jí),L2級(jí)及以下的低級(jí)別自動(dòng)駕駛是由人來完成全部或部分的駕駛動(dòng)作,由精度為米級(jí)和亞米級(jí)的ADAS地圖支持即可,而L3級(jí)及以上的高級(jí)別自動(dòng)駕駛,在某些或全部情況下由系統(tǒng)來完成所有駕駛操作,因此需要高精地圖,特別是L4、L5級(jí)的無人駕駛情況下,沒有人類駕駛?cè)私槿?高精地圖則是必備項(xiàng)。高精地圖主要從環(huán)境感知、高精定位、路徑規(guī)劃、車輛控制4個(gè)方面對(duì)自動(dòng)駕駛提供幫助。輔助環(huán)境感知

單純依靠車載傳感器實(shí)現(xiàn)全方位的準(zhǔn)確環(huán)境感知,對(duì)于現(xiàn)今的自動(dòng)駕駛技術(shù)仍然是一個(gè)挑戰(zhàn)。高精地圖中包含的大量靜態(tài)道路信息,如車道線、道路邊界、交通標(biāo)志等,對(duì)實(shí)車環(huán)境感知是一個(gè)直接的補(bǔ)充。在車聯(lián)網(wǎng)語境下,高精地圖還能補(bǔ)充實(shí)時(shí)交通狀況、動(dòng)態(tài)障礙物等信息。利用高精地圖還可以實(shí)現(xiàn)部分環(huán)境元素的超視距感知。4.1高精地圖輔助高精定位

在城區(qū)中由于GNSS信號(hào)受到較多的干擾,其定位精度大大下降,不能滿足自動(dòng)駕駛的定位精度需求。此時(shí),可以利用高精度地圖來輔助高精定位。將地圖中的靜態(tài)的道路基礎(chǔ)設(shè)施和固定元素(常用車道線、燈桿、交通標(biāo)志等)與感知結(jié)果相匹配,就可以對(duì)GNSS給出的定位信息進(jìn)行糾正,從而實(shí)現(xiàn)高精度(厘米級(jí))定位。這對(duì)判斷自車所在車道、自車與車道的相對(duì)位置關(guān)系具有重要的意義。輔助路徑規(guī)劃高精地圖除了傳統(tǒng)的電子導(dǎo)航地圖提供的道路級(jí)宏觀路在規(guī)劃功能,還可以在車道級(jí)路網(wǎng)和交通狀況信息的協(xié)同之下,提供車道級(jí)宏觀路徑規(guī)劃的服務(wù)。高精地圖所提供的道路曲率、坡度、障礙物信息、交通規(guī)則相關(guān)信息(如限速信息、人行橫道)等,對(duì)局部路徑規(guī)劃具有一定輔助作用。車聯(lián)網(wǎng)語境下,高精地圖還能提供車輛、行人等動(dòng)態(tài)障礙物信息,對(duì)局部路徑規(guī)劃具有重要意義。輔助車輛控制高精地圖提供的道路曲率、坡度、交通規(guī)則信息等,可對(duì)汽車加速、并道和轉(zhuǎn)彎等控制動(dòng)作提供參考,對(duì)實(shí)際車輛動(dòng)力學(xué)控制提供輔助。4.1高精地圖自動(dòng)駕駛地圖制圖技術(shù)高精地圖制圖的基本環(huán)節(jié)包括靜態(tài)地圖構(gòu)建和動(dòng)態(tài)地圖構(gòu)建。在制圖過程中,需要進(jìn)一步明確動(dòng)態(tài)地圖與靜態(tài)地圖關(guān)系。此外,高精地圖更新也是制圖技術(shù)的一種延伸,使靜態(tài)元素與動(dòng)態(tài)元素都能保持比較合理的更新頻率,保證高精地圖的時(shí)效性。靜態(tài)地圖構(gòu)建靜態(tài)地圖數(shù)據(jù)加工主體環(huán)節(jié)可以分為數(shù)據(jù)采集、數(shù)據(jù)智能化處理、人工加工確認(rèn)、數(shù)據(jù)出品4個(gè)環(huán)節(jié)。圖1靜態(tài)數(shù)據(jù)加工主體環(huán)節(jié)4.1高精地圖數(shù)據(jù)采集

數(shù)據(jù)采集是一項(xiàng)龐大的任務(wù),需要投入大量的采集車收集用于高精地圖制作的源數(shù)據(jù),而且道路環(huán)境不斷變化,為保持高精地圖的“鮮度”,需確保每次環(huán)境發(fā)生變化時(shí),高精地圖均會(huì)得到快速更新以保證自動(dòng)駕駛汽車的安全性。數(shù)據(jù)采集的方式有集中制圖和眾包制圖兩種。集中制圖指的是圖商利用自己的專業(yè)采集車采集數(shù)據(jù),再統(tǒng)一進(jìn)行集中處理的方式;眾包制圖指的是利用普通大眾的車輛上搭載的雷達(dá)、相機(jī)等傳感器數(shù)據(jù)作為基本數(shù)據(jù)源進(jìn)行處理的方式。目前,地圖采集以集中制圖為主,部分初創(chuàng)公司以眾包制圖為主。采集車是數(shù)據(jù)采集的核心載體,搭載了激光雷達(dá)、攝像頭、IMU和GNSS等系統(tǒng)及傳感器設(shè)備。采集數(shù)據(jù)包括行車軌跡、圖像、點(diǎn)云等數(shù)據(jù),可以據(jù)此識(shí)別車道線、路沿、護(hù)欄、路燈、交通標(biāo)志牌等信息。這些原始數(shù)據(jù)具有數(shù)據(jù)量大、計(jì)算速度慢的特點(diǎn),且根據(jù)我國(guó)測(cè)繪法,需要對(duì)原始精度數(shù)據(jù)嚴(yán)格保密,此環(huán)節(jié)是后續(xù)數(shù)據(jù)處理、加工和出品的基礎(chǔ)。4.1高精地圖數(shù)據(jù)智能化處理

高精地圖生產(chǎn)中,對(duì)道路元素的識(shí)別要求較高,目前主流的方式為基于深度學(xué)習(xí)的圖像識(shí)別算法進(jìn)行車道線、地面標(biāo)志線、交通標(biāo)志牌的識(shí)別,如Faster-RCNN、MaskR-CNN、YOLOV3、DeepLabV3等。利用激光雷達(dá)可以重建道路三維環(huán)境,并進(jìn)行道路要素提取與識(shí)別,以準(zhǔn)確反映道路環(huán)境并描述道路環(huán)境特征,不僅可以得到高精點(diǎn)云地圖,而且可以與影像融合處理,實(shí)現(xiàn)高精準(zhǔn)度的道路要素識(shí)別?；诩す饫走_(dá)點(diǎn)云和圖像多傳感器數(shù)據(jù)融合可以識(shí)別車道標(biāo)志、障礙物和交通標(biāo)志,自動(dòng)化率90%以上,相對(duì)精度可以達(dá)到20cm。對(duì)于誤識(shí)別、漏識(shí)別的要素需要進(jìn)行人工檢核與驗(yàn)證。然而,由于自動(dòng)駕駛對(duì)數(shù)據(jù)質(zhì)量及精度的高要求(3σ,σ為方差),使得該環(huán)節(jié)對(duì)工具自動(dòng)處理的召回率、準(zhǔn)確率都尤為重要。召回率、準(zhǔn)確率越高,需要人工參與量越低,質(zhì)量越有保障。此環(huán)節(jié)是人工加工工作量的關(guān)鍵。4.1高精地圖人工加工確認(rèn)

由于自動(dòng)識(shí)別存在漏檢、誤差及錯(cuò)誤,需要增加人工加工確認(rèn)環(huán)節(jié)以保證地圖創(chuàng)建過程的正確性與完整性。通過自動(dòng)提取獲取的高精地圖數(shù)據(jù)與對(duì)應(yīng)的圖像信息進(jìn)行比對(duì),尋找錯(cuò)誤并進(jìn)行改正,包括車道線識(shí)別是否正確,交通信號(hào)燈及標(biāo)志牌的邏輯處理,路口虛擬道路邏輯線生成涉及紅綠燈與相應(yīng)停止線的邏輯信息處理。此外,還需要為自動(dòng)化處理的地圖數(shù)據(jù)完善對(duì)應(yīng)的屬性信息,例如車道線類型、車道線顏色、車道通行狀態(tài)等屬性信息。但是,人工工作的介入也有可能帶來數(shù)據(jù)精度損失、質(zhì)量損失的風(fēng)險(xiǎn)。因此,此環(huán)節(jié)是數(shù)據(jù)處理的核心,也是數(shù)據(jù)質(zhì)量控制的必經(jīng)之路。數(shù)據(jù)出品

最后的數(shù)據(jù)出品環(huán)節(jié)主要的工作是轉(zhuǎn)換數(shù)據(jù)格式,以及提供地圖引擎和發(fā)布,最終形成具有統(tǒng)一規(guī)定格式并且能夠方便調(diào)用和讀取的高精地圖。經(jīng)過以上各步驟就能形成達(dá)到精度要求、符合標(biāo)準(zhǔn)規(guī)范、便于使用的自動(dòng)駕駛高精地圖。4.1高精地圖動(dòng)態(tài)地圖構(gòu)建動(dòng)態(tài)數(shù)據(jù)包含兩類來源的數(shù)據(jù),一類是交通狀況數(shù)據(jù),包括交通流量、事故情況、交通管制信息等;

另一類是通過車聯(lián)網(wǎng)上傳的高度動(dòng)態(tài)的車輛、行人等障礙物信息。通過基于車聯(lián)網(wǎng)的大數(shù)據(jù)分析可以獲取交通流量的信息,并以線要素的形式,作為道路的一種動(dòng)態(tài)屬性來進(jìn)行表達(dá)。交通事故信息則通過交通電臺(tái)和用戶上報(bào)的形式,作為點(diǎn)要素標(biāo)示于地圖中。交通管制信息則由當(dāng)?shù)氐慕煌ü芾聿块T發(fā)布,同樣以線要素的形式作為道路的屬性來進(jìn)行表達(dá)。此外,由于城市建設(shè)、封路、重大事件的影響等,交通規(guī)則有可能發(fā)生臨時(shí)性的變化,這些同樣需要根據(jù)實(shí)際情況進(jìn)行更新。第二類信息為高度動(dòng)態(tài)數(shù)據(jù),需要利用車聯(lián)網(wǎng)來進(jìn)行實(shí)時(shí)更新。這部分?jǐn)?shù)據(jù)可以由自動(dòng)駕駛汽車的車載傳感器來獲取,也可以由路側(cè)感知設(shè)備來獲取。然后,利用車聯(lián)網(wǎng)V2X,將車輛位置、車輛行駛(位置和速度)、車輛操作數(shù)據(jù)和行人位置以廣播方式通知其他相關(guān)車輛,每輛車在車載終端的動(dòng)態(tài)地圖上不斷更新周邊車輛的位置和行人信息,以實(shí)現(xiàn)高度動(dòng)態(tài)數(shù)據(jù)的構(gòu)建。4.1高精地圖建立動(dòng)態(tài)數(shù)據(jù)與靜態(tài)地圖的關(guān)系建立動(dòng)態(tài)數(shù)據(jù)與靜態(tài)地圖的關(guān)系,同時(shí)根據(jù)動(dòng)態(tài)數(shù)據(jù)中各要素的速度、運(yùn)動(dòng)方向,預(yù)測(cè)可能的方向,建立動(dòng)態(tài)地圖,進(jìn)而動(dòng)態(tài)地圖與靜態(tài)地圖疊加。汽車的動(dòng)態(tài)地圖數(shù)據(jù)與靜態(tài)地圖之間是相輔相成的,靜態(tài)地圖提供了基礎(chǔ)的道路和環(huán)境信息,而動(dòng)態(tài)地圖數(shù)據(jù)可以增強(qiáng)自動(dòng)駕駛汽車對(duì)于道路環(huán)境的感知和決策能力。汽車可以同時(shí)使用這兩類地圖數(shù)據(jù)來提高自身的自動(dòng)駕駛能力。地圖存儲(chǔ)結(jié)構(gòu)表示地理實(shí)體的空間數(shù)據(jù)包含空間特征和屬性特征,對(duì)這些復(fù)雜特征的空間數(shù)據(jù),組織和建立它們之間的聯(lián)系,以便計(jì)算機(jī)存儲(chǔ)和操作,這稱為地圖存儲(chǔ)的數(shù)據(jù)結(jié)構(gòu)?？臻g數(shù)據(jù)結(jié)構(gòu)是空間地理信息數(shù)據(jù)呈現(xiàn)在計(jì)算機(jī)內(nèi)部的一種組織與編碼形式,抽象描述并表達(dá)了地理實(shí)體的空間排列及其空間關(guān)系等信息,適用于計(jì)算機(jī)存儲(chǔ)、處理、管理的空間數(shù)據(jù)邏輯結(jié)構(gòu)?？臻g數(shù)據(jù)結(jié)構(gòu)的具體實(shí)現(xiàn)為空間數(shù)據(jù)編碼,通過給定的數(shù)據(jù)結(jié)構(gòu)將影像數(shù)據(jù)、圖形數(shù)據(jù)、統(tǒng)計(jì)數(shù)據(jù)等相關(guān)資料轉(zhuǎn)換為計(jì)算機(jī)存儲(chǔ)與處理的形式。4.1高精地圖高精地圖更新高精地圖數(shù)據(jù)如果不能及時(shí)更新,自動(dòng)駕駛車輛就有可能對(duì)環(huán)境做出錯(cuò)誤的判斷。一般地,高精地圖中的動(dòng)態(tài)數(shù)據(jù)是必須要更新的,因此談到高精地圖的更新,一般指的是高精地圖中靜態(tài)數(shù)據(jù)的更新。高精地圖的更新可以通過專業(yè)采集車或者眾包數(shù)據(jù)來實(shí)現(xiàn)。高精地圖更新的基本目的是通過將采集到的數(shù)據(jù)與地圖中已有的數(shù)據(jù)進(jìn)行比對(duì),調(diào)整元素的位置,補(bǔ)充原有地圖中沒有的元素,并刪去當(dāng)前已經(jīng)不存在的元素。通過專業(yè)采集車進(jìn)行的更新,具有較高的精度和可靠性,但是成本較高,而且由于專業(yè)采集車的數(shù)量較少,更新的速度比較慢。而通過眾包數(shù)據(jù)來進(jìn)行更新,即利用自動(dòng)駕駛汽車車載傳感器感知到的數(shù)據(jù)進(jìn)行更新,其精度低于專業(yè)采集車,但是隨著自動(dòng)駕駛汽車數(shù)量的增多,感知數(shù)據(jù)量增多,在云端收集這些數(shù)據(jù)后,利用大數(shù)據(jù)分析也可以得到精度較高的更新結(jié)果。本章內(nèi)容4.1高精地圖4.2適用于車輛駕駛的定位技術(shù)4.3慣性導(dǎo)航定位4.4地圖匹配定位4.5多傳感器融合定位4.2適用于車輛駕駛的定位技術(shù)四大衛(wèi)星導(dǎo)航系統(tǒng)衛(wèi)星導(dǎo)航定位系統(tǒng)是星基無線電導(dǎo)航系統(tǒng),以人造地球衛(wèi)星作為導(dǎo)航臺(tái),為全球海陸空的各類軍民載體提供位置、速度和時(shí)間信息,這些信息都具有全天候且高精度等特征,因而又被稱作天基定位、導(dǎo)航和授時(shí)系統(tǒng)。衛(wèi)星導(dǎo)航定位系統(tǒng)包括全球四大導(dǎo)航衛(wèi)星系統(tǒng)、區(qū)域衛(wèi)星導(dǎo)航系統(tǒng)和增強(qiáng)系統(tǒng)。全球四大導(dǎo)航衛(wèi)星系統(tǒng)中國(guó)的北斗導(dǎo)航衛(wèi)星系統(tǒng)(BeidouNavigationSatelliteSystem,BDS):2000年年底建成北斗一號(hào)系統(tǒng),向我國(guó)提供服務(wù);2012年年底建成北斗二號(hào)系統(tǒng),向亞太地區(qū)提供服務(wù);2020年建成北斗三號(hào)系統(tǒng),向全球提供服務(wù)。4.2適用于車輛駕駛的定位技術(shù)美國(guó)的全球定位系統(tǒng)(GlobalPositioningSystem,GPS):提供具有全球覆蓋、全天時(shí)、全天候、連續(xù)性等優(yōu)點(diǎn)的三維導(dǎo)航和定位功能。俄羅斯的全球?qū)Ш叫l(wèi)星系統(tǒng)(GlobalNavigationSatelliteSystem,GLONASS):為海陸空的民用和軍用提供全球范圍內(nèi)的實(shí)時(shí)、全天候連續(xù)導(dǎo)航、定位和授時(shí)服務(wù)。歐盟的伽利略衛(wèi)星導(dǎo)航系統(tǒng)(GalileoSatelliteNavigationSystem,GALILEO):正在建設(shè)中的全球衛(wèi)星導(dǎo)航系統(tǒng),目的是使歐洲擺脫對(duì)美國(guó)GPS的依賴。區(qū)域衛(wèi)星導(dǎo)航系統(tǒng)區(qū)域衛(wèi)星導(dǎo)航系統(tǒng)有日本的準(zhǔn)天頂衛(wèi)星系統(tǒng)(Quasi-ZenithSatelliteSystem,QZSS)、印度區(qū)域?qū)Ш叫l(wèi)星系統(tǒng)(IndianRegionalNavigationSatelliteSystem,IRNSS)。4.2適用于車輛駕駛的定位技術(shù)星基增強(qiáng)系統(tǒng)星基增強(qiáng)系統(tǒng)(Satellite-BasedAugmentationSystem,SBAS)是由美國(guó)實(shí)施選擇可用性(SelectiveAvailability,SA)政策而發(fā)展起來的。SBAS主要由空間段、地面段和用戶段構(gòu)成。地基增強(qiáng)系統(tǒng)(Ground-BasedAugmentationSystems,GBAS)是衛(wèi)星導(dǎo)航系統(tǒng)建設(shè)中的一項(xiàng)重要內(nèi)容,可以大大提升系統(tǒng)服務(wù)性能,綜合使用了各種不同效果的導(dǎo)航增強(qiáng)技術(shù),主要包括精度增強(qiáng)技術(shù)、完好性增強(qiáng)技術(shù)、連續(xù)性和可用性增強(qiáng)技術(shù),實(shí)現(xiàn)其增強(qiáng)衛(wèi)星導(dǎo)航服務(wù)性能的功能。地基增強(qiáng)系統(tǒng)4.2適用于車輛駕駛的定位技術(shù)定位原理根據(jù)后方交會(huì)定位原理,要實(shí)現(xiàn)GNSS定位,需要解決兩個(gè)問題:一是觀測(cè)瞬間衛(wèi)星的空間位置;二是觀測(cè)站點(diǎn)和衛(wèi)星之間的距離,即衛(wèi)星在某坐標(biāo)系中的坐標(biāo)。坐標(biāo)系統(tǒng)和時(shí)間系統(tǒng)坐標(biāo)系統(tǒng)可分為地理坐標(biāo)系、慣性坐標(biāo)系、地球坐標(biāo)系、地心坐標(biāo)系和參心坐標(biāo)系。GNSS采用了一個(gè)獨(dú)立的時(shí)間系統(tǒng)作為導(dǎo)航定位計(jì)算的依據(jù),稱為GNSS時(shí)間系統(tǒng),簡(jiǎn)稱GNSST。GNSST屬于原子時(shí)系統(tǒng),其秒長(zhǎng)與原子時(shí)秒長(zhǎng)相同。4.2適用于車輛駕駛的定位技術(shù)定位原理GNSS被設(shè)想為一種測(cè)距系統(tǒng),測(cè)量從衛(wèi)星在太空中已知位置到陸地、海上、空中和太空中未知位置的距離。信號(hào)離開衛(wèi)星和到達(dá)接收器之間的時(shí)間間隔是確定距離的關(guān)鍵。需要衛(wèi)星作為參考點(diǎn),在任何給定時(shí)間知道每顆衛(wèi)星的確切位置(參考點(diǎn))。衛(wèi)星發(fā)送的電子信號(hào),使接收器能夠測(cè)量到衛(wèi)星的距離。圖2GNSS定位原理如圖2所示,每個(gè)衛(wèi)星相對(duì)于地球中心的空間坐標(biāo)可以根據(jù)開普勒定律從衛(wèi)星廣播的星歷表中計(jì)算出來。通過記錄(編碼)衛(wèi)星信號(hào)到達(dá)接收器所需的時(shí)間,可以準(zhǔn)確地測(cè)量到每顆衛(wèi)星的距離。4.2適用于車輛駕駛的定位技術(shù)如圖3所示,終端(Receiver)X、第Si顆導(dǎo)航衛(wèi)星、地球地心三者構(gòu)成三角關(guān)系差分定位差分GNSS可有效利用已知位置的基準(zhǔn)站將公共誤差估算出來,通過相關(guān)的補(bǔ)償算法削弱或消除部分誤差,從而提高定位精度。圖3GNSS定位原理4.2適用于車輛駕駛的定位技術(shù)基本原理為:在一定地域范圍內(nèi)設(shè)置一臺(tái)或多臺(tái)接收機(jī),將一臺(tái)已知精密坐標(biāo)的接收機(jī)作為差分基準(zhǔn)站,基準(zhǔn)站連續(xù)接收GNSS信號(hào),與基準(zhǔn)站已知的位置和距離數(shù)據(jù)進(jìn)行比較,從而計(jì)算出差分校正量?；鶞?zhǔn)站會(huì)將此差分校正量發(fā)送到其范圍內(nèi)的流動(dòng)站進(jìn)行數(shù)據(jù)修正,從而減少甚至消除衛(wèi)星時(shí)鐘、衛(wèi)星星歷、電離層延遲與對(duì)流層延遲所引起的誤差,提高定位精度。根據(jù)差分校正的目標(biāo)參量的不同,差分GNSS主要分為位置差分、偽距差分和載波相位差分。位置差分系統(tǒng)將坐標(biāo)測(cè)量值與基準(zhǔn)站實(shí)際坐標(biāo)值的差值作為差分校正量,通過數(shù)據(jù)鏈路發(fā)送給車輛,與車輛的測(cè)量值進(jìn)行差分改正。由于基準(zhǔn)站與流動(dòng)站必須觀測(cè)同一組衛(wèi)星,通常流動(dòng)站與基準(zhǔn)站間距離不超過100km。4.2適用于車輛駕駛的定位技術(shù)通過在基準(zhǔn)站上利用已知坐標(biāo)求出測(cè)站至衛(wèi)星的幾何距離,并將其與觀測(cè)所得的偽距比較,然后利用一個(gè)濾波器將此差值濾波并求出其偽距修正值,再將所有衛(wèi)星的偽距修正值傳輸給流動(dòng)站,流動(dòng)站利用此誤差來改正GNSS衛(wèi)星傳輸測(cè)量偽距。偽距差分系統(tǒng)載波相位差分系統(tǒng)與其他差分技術(shù)相比,載波相位差分技術(shù)中基準(zhǔn)站不直接傳輸關(guān)于GNSS測(cè)量的差28分校正量,而是發(fā)送GNSS的測(cè)量原始值。流動(dòng)站收到基準(zhǔn)站的數(shù)據(jù)后,與自身觀測(cè)衛(wèi)星的數(shù)據(jù)組成相位差分觀測(cè)值,利用組合后的測(cè)量值求出基線向量完成相對(duì)定位,推算出測(cè)量點(diǎn)的坐標(biāo)。本章內(nèi)容4.1高精地圖4.2適用于車輛駕駛的定位技術(shù)4.3慣性導(dǎo)航定位4.4地圖匹配定位4.5多傳感器融合定位4.3慣性導(dǎo)航定位慣性導(dǎo)航定位系統(tǒng)組成慣性導(dǎo)航定位系統(tǒng)是一種不依賴于外部信息,也不向外部輻射能量的自主式導(dǎo)航系統(tǒng),主要由慣性測(cè)量單元、信號(hào)預(yù)處理單元和機(jī)械力學(xué)編排模塊3個(gè)模塊組成。圖4慣性導(dǎo)航定位系統(tǒng)組成一個(gè)慣性測(cè)量單元包括3個(gè)相互正交的單軸加速度計(jì)(Accelerometer)和3個(gè)相互正交的單軸陀螺儀(Gyroscopes)。信號(hào)預(yù)處理單元對(duì)慣性測(cè)量單元輸出信號(hào)進(jìn)行信號(hào)調(diào)理、誤差補(bǔ)償并檢查輸出量范圍等,以確保慣性測(cè)量單元正常工作4.3慣性導(dǎo)航定位慣性導(dǎo)航定位工作原理慣性導(dǎo)航定位系統(tǒng)是一種以陀螺儀和加速度計(jì)為感知元件的導(dǎo)航參數(shù)解算系統(tǒng),應(yīng)用航跡遞推算法提供位置、速度和姿態(tài)等信息,可以說是一個(gè)由慣性測(cè)量單元和積分器組成的積分系統(tǒng)。該系統(tǒng)通過陀螺儀測(cè)量載體旋轉(zhuǎn)信息求解得到載體的姿態(tài)信息,再將加速度計(jì)測(cè)量得到載體“比力”信息轉(zhuǎn)換到導(dǎo)航坐標(biāo)系進(jìn)行加速度信息的積分運(yùn)算,就能推算出車輛的位置和姿態(tài)信息。工作原理:基于牛頓第二運(yùn)動(dòng)定律,通過慣性測(cè)量單元檢測(cè)載體所受“比力”,可算出車輛在三維空間內(nèi)的運(yùn)動(dòng)加速度和角速度,慣性導(dǎo)航定位誤差分析在外部沖擊、振動(dòng)等力學(xué)環(huán)境中,慣性導(dǎo)航系統(tǒng)除了需要的加速度和角速度之外,還有很多誤差源。這些誤差可分為固定誤差與隨機(jī)誤差。4.3慣性導(dǎo)航定位航跡遞推從一個(gè)已知的坐標(biāo)位置開始,根據(jù)載體在該點(diǎn)的航向、航速和航行時(shí)間,推算下一時(shí)刻坐標(biāo)位置的導(dǎo)航過程稱為航跡遞推。航跡遞推是一種非常原始的定位技術(shù),最早是海上船只根據(jù)羅經(jīng)和計(jì)程儀所指示的航向、航程以及船舶操縱要素和風(fēng)流要素等在不借助外界導(dǎo)航物標(biāo)的條件下求取航跡和船位,逐漸演化成如今自動(dòng)駕駛車輛定位技術(shù)中最常用的方法。一維航跡遞推已知車輛的初始位置、初始速度,通過對(duì)加速度進(jìn)行積分即可得到車輛在t時(shí)刻的速度,對(duì)速度積分即可得到t時(shí)刻的位置。圖5車輛一維運(yùn)動(dòng)示意圖4.3慣性導(dǎo)航定位二維航跡遞推將車輛看作是在二維平面上運(yùn)動(dòng),已知車輛的起始點(diǎn)和起始航向角,通過實(shí)時(shí)檢測(cè)車輛在x、y兩個(gè)方向上的行駛距離和航向角的變化,即可實(shí)時(shí)推算車輛的二維位置。下圖中坐標(biāo)系為導(dǎo)航坐標(biāo)系,N軸與地理北向保持一致。圖6車輛二維航跡遞推捷聯(lián)式慣性導(dǎo)航二維航跡遞推慣性坐標(biāo)系到導(dǎo)航坐標(biāo)系的轉(zhuǎn)換4.3慣性導(dǎo)航定位三維航跡遞推三維航跡遞推需要3個(gè)陀螺儀來測(cè)量載體相對(duì)于慣性空間的旋轉(zhuǎn)角速率,還需要3個(gè)加速度計(jì)來測(cè)量載體相對(duì)慣性空間受到的比力。圖7車輛三維航跡遞推本章內(nèi)容4.1高精地圖4.2適用于車輛駕駛的定位技術(shù)4.3慣性導(dǎo)航定位4.4地圖匹配定位4.5多傳感器融合定位4.4地圖匹配定位地圖匹配定位指將自動(dòng)駕駛車輛行駛軌跡的經(jīng)緯度采樣序列與高精地圖路網(wǎng)匹配的過程。地圖匹配定位技術(shù)將車輛定位信息與高精地圖提供的道路位置信息進(jìn)行比較,并采用適當(dāng)?shù)乃惴ù_定車輛當(dāng)前的行駛路段以及在路段中的準(zhǔn)確位置,校正定位誤差,并為自動(dòng)駕駛車輛實(shí)現(xiàn)路徑規(guī)劃提供可靠依據(jù)。圖8地圖匹配定位4.4地圖匹配定位地圖匹配定位工作原理在已知車輛位姿信息的條件下進(jìn)行高精地圖局部搜索的過程。圖9地圖匹配定位地圖匹配過程如下圖所示。圖9地圖匹配過程4.4地圖匹配定位地圖匹配定位誤差分析地圖匹配定位誤差主要由局部搜索范圍正確性問題引起。局部搜索范圍正確性即道路選擇的正確性,是地圖匹配中極大的影