融合激光雷达与双层地图模型的智能车定位

doi:10.19562/j.chinasae.qcgc.2022.07.008

摘要/Abstract

摘要：

为提高智能车定位精度，提出了一种融合激光雷达与双层地图模型的智能车定位方法。该双层地图模型在车道图层基础上，增加基于激光点云的稀疏特征图层。稀疏特征地图由车辆位姿、2D强度特征和3D特征3部分组成，可为智能车定位提供精确的位置参考，以有效降低累积定位误差。此外，本文利用激光雷达强度信息提取车道线，为智能车定位提供高精度的、线性的横向位置约束。在定位过程中，引入Kalman滤波框架完成激光雷达与双层地图之间的有效融合。其中，状态预测过程利用车辆的运动约束构建短时间匀速运动模型，观测变量包括激光里程计定位结果、基于车道图层的横向位置约束和基于稀疏特征图层的定位结果。为了验证本文算法的有效性，在校园和城市道路环境下进行了测试。结果表明：本文提出的融合定位算法能在不同环境中将现有定位方法的定位误差降低40%~60%，定位相对误差小于0.3%。

关键词: 智能车, 双层地图模型, 点云处理, 卡尔曼滤波

Abstract:

In order to enhance the positioning accuracy of intelligent vehicles， a method fusing LiDAR and double-layer map model is proposed， in which the double-layer map model is created by adding laser point-cloud-based sparse feature map on the top of lane map， and the sparse feature map consists of the position and azimuth of vehicles， 2D intensity features and 3D features. The sparse feature map can provide an accurate position reference for intelligent vehicle positioning， effectively reducing accumulative positioning error. In addition， the lane lines are extracted from the LiDAR intensity data to provide highly accurate and linear lateral position constraints. During positioning， a Kalman filter framework is introduced to fulfill the effective fusion of LiDAR and double-layer map， in which the process of state prediction utilizes the motion constraints of vehicle to construct the short-time and constant-speed movement model and to observe the variables including the results of laser odometer positioning， the lateral position constraints based on lane map layer and the positioning based on sparse feature map layer. Tests and measurements are conducted on both campus and urban road environment to verify the effectiveness of the proposed algorithm. The results show that the fusion positioning algorithm proposed can reduce the positioning error by 40%~60% under different environments， with a relative positioning error less than 0.3%.

Key words: intelligent vehicles, double-layer map model, point cloud processing, Kalman filtering

邓泽武,胡钊政,周哲,刘裕林,彭超. 融合激光雷达与双层地图模型的智能车定位[J]. 汽车工程, 2022, 44(7): 1018-1026.

Zewu Deng,Zhaozheng Hu,Zhe Zhou, LiuYulin,Chao Peng. Intelligent Vehicle Positioning by Fusing LiDAR and Double-layer Map Model[J]. Automotive Engineering, 2022, 44(7): 1018-1026.

图/表 11

图1

图2

图3

图4

图5

表1

表2

图6

表3

表4

图7

参考文献 22

1	周苏，李伟嘉，郭军华.基于激光雷达的停车场车辆定位算法［J］. 同济大学学报（自然科学版）， 2021， 49（7）： 1029-1038.
	ZHOU S， LI W J， GUO J H. Lidar-based localization algorithm of vehicle in parking lot［J］. Journal of Tongji University（Natural Science）， 2021， 49（7）： 1029-1038.
2	WANG C， HUANG H， JI Y， et al. Vehicle localization at an intersection using a traffic light map［J］. IEEE Transactions on Intelligent Transportation Systems， 2019， 20（4）： 1432-1441.
3	BAI S， LAI J， YU P L， et al. Improved preintegration method for GNSS/IMU/In-Vehicle sensors navigation using graph optimiza-tion［J］. IEEE Transactions on Vehicular Technology， 2021，70（11）： 11446-11457.
4	MUR-ARTAL R， MONTIEL J M M， TARDOS J D. ORB-SLAM：A versatile and accurate monocular SLAM system［J］. IEEE Transactions on Robotics， 2017， 31（5）： 1147-1163.
5	RUSINKIEWICZ S， LEVOY M. Efficient variants of the ICP algorithm［C］. The 3rd International Conference on 3-D Digital Imaging and Modeling， Quebec， Canada， 2001： 145–152.
6	ZHANG J， SINGH S. LOAM： LiDAR odometry and mapping in real time［C］. Robotics： Science and Systems Conference， 2014：1-10.
7	SHAN T X， ENGLOT B. LeGO-LOAM： Lightweight and ground-optimized LiDAR odometry and mapping on variable terrain［C］. 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems（IROS）， Madrid，Spain， 2018： 4758–4765.
8	秦晓辉，王哲文，庞涛，等. 基于车辆模型紧耦合的封闭园区车辆定位方法［J］. 汽车工程， 2021， 43（9）： 1328-1335.
	QIN X H， WANG Z W， PANG T， et al. Vehicle positioning method based on tight coupling of vehicle model in enclosed environments［J］. Automotive Engineering， 2021， 43（9）： 1328-1335.
9	刘经南，詹骄，郭迟，等. 智能高精地图数据逻辑结构与关键技术［J］.测绘学报， 2019， 48（8）： 939-953.
	LIU J N， ZHAN J， GUO C， et al. Data logic structure and key tech-nologies on intelligent high-precision map［J］. Acta Geodaetica et Cartographica Sinica， 2019， 48（8）： 939-953.
10	郑壮壮，曹万科，邹渊，等. 动态环境下无人地面车辆点云地图快速重定位方法［J］.兵工学报， 2020， 41（8）： 1581-1589.
	ZHENG Z Z， CAO W K， ZOU Y， et al. Rapid localization of unmanned ground vehicles in dynamic environment using point cloud maps［J］. Acta Armamentarii， 2020， 41（8）： 1581-1589.
11	曹立波，陈峥，颜凌波，等. 基于RFID、视觉和UWB的车辆定位系统［J］.汽车工程， 2017， 39（2）： 225-231.
	CAO L B， CHEN Z， YAN L B， et al. Vehicle positioning system based on RFID，vision and UWB［J］. Automotive Engineering， 2017， 39（2）： 225-231.
12	VALGREN C， LILIENTHAL A J. SIFT，SURF & seasons： Appearance-based long-term localization in outdoor environments［J］. Robotics and Autonomous Systems， 2010， 58（2）： 149-156.
13	CAI H， HU Z Z， HUANG G， et al. Integration of GPS，monocular vision， and high definition（HD） map for accurate vehicle localization［J］. Sensors， 2018， 18（10）： 3270-3286.
14	CASELITZ T， STEDER B， RUHNKE M， et al. Monocular camera localization in 3D LiDAR maps［C］. EEE/RSJ International Conference on Intelligent Robots and Systems （IROS）， Daejeon， Korea（South） 2016： 1926-1931.
15	ROZENBERSZKI D， MAJDIK A L. LOL：LiDAR-Only odometry and localization in 3D point cloud maps［C］. IEEE International Conference on Robotics and Automation， Paris， France， 2020.
16	HE G， ZHANG F， LI X， et al. Robust mapping and localization in offline 3D point cloud maps［C］. IEEE International Conference on Advanced Robotics and Mechatronics （ICARM）， Hefei， 2021： 765-770.
17	LI L， YANG M， WENG L， et al. Robust localization for intelligent vehicles based on pole-like features using the point cloud［J］. IEEE Transactions on Automation Science and Engineering， 2021： 1-14.
18	HATA A Y， WOLF D F. Feature detection for vehicle localization in urban environments using a multilayer LiDAR［J］. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（2）： 420-429.
19	瓮升霞，陈一平.基于移动激光点云的交通标志牌特征提取［J］.厦门大学学报（自然科学版）， 2016， 55（4）： 580-585.
	WENG S X， CHEN Y P. Road-traffic-sign detection from mobile LiDAR point clouds［J］. Journal of Xiamen University（Natural Science）， 2016， 55（4）： 580-585.
20	GRAFAREND E. The optimal universal transverse mercator projec-tion［M］. Springer Berlin Heidelberg， 1995.
21	ASAM. OpenDRIVEv 1.6 formatspecification［EB/OL］.［2020-1-14］.https：∥www.asam.net/.
22	XU W， ZHANG F. FAST-LIO：A fast， robust lidar-inertial odometry package by tightly coupled iterated Kalman filter［J］. IEEE Robotics and Automation Letters， 2021， 6（2）： 3317-3324.

方法	平均误差/m	最大误差/m
文献［6］	1.65	4.7
文献［6］+车道图层	0.82	2.85
文献［6］+稀疏图层	0.68	2.25
文献［6］+车道图层+稀疏图层	0.31	1.25

方法	平均误差/m	最大误差/m
文献［6］	2.34	7.78
文献［6］+车道图层	0.92	3.12
文献［6］+稀疏图层	0.76	2.35
文献［6］+车道图层+稀疏图层	0.47	1.53

[1]	张念忠,宋强,王冠峰,王明生. 车用永磁同步电机无电流传感器控制研究[J]. 汽车工程, 2024, 46(2): 281-289.
[2]	邓斌, 李维汉, 吴迪, 张冰战, 赵韩. 基于KFESO的四轮主动转向积分滑模控制[J]. 汽车工程, 2024, 46(1): 100-108.
[3]	李勇滔,孙晨旭,郑伟光,许恩永,李育方,王善超. 基于毫米波雷达与视觉融合的碰撞预警[J]. 汽车工程, 2023, 45(9): 1666-1676.
[4]	胡明辉,朱广曜,刘长贺,唐国峰. 考虑迟滞特性的卡尔曼滤波和门控循环单元神经网络的锂离子电池SOC联合估计[J]. 汽车工程, 2023, 45(9): 1688-1701.
[5]	胡林,李根,王方,林淼,巫宁. 基于CIDAS事故数据的路口乘用车-两轮车测试场景研究[J]. 汽车工程, 2023, 45(8): 1417-1427.
[6]	潘世举, 李建市, 李华, 娄静涛, 徐友春. 基于反馈纯跟踪的智能车路径跟随方法[J]. 汽车工程, 2023, 45(7): 1134-1144.
[7]	吴骁, 史文库, 陈志勇. 基于交互式多模型卡尔曼滤波的主动悬架控制[J]. 汽车工程, 2023, 45(7): 1200-1211.
[8]	孙晓强, 王玉麟, 胡伟伟, 蔡英凤, 陈龙, Wong Pak Kin. 基于轮胎分段仿射辨识模型的车辆行驶状态估计策略研究[J]. 汽车工程, 2023, 45(7): 1212-1221.
[9]	浦震峰, 唐亮, 上官文斌, 王伟玮, 蒋开洪. 基于多传感器信息的汽车低速车速估计方法[J]. 汽车工程, 2023, 45(7): 1235-1243.
[10]	陈建华,徐中明,张志飞. 基于轴距预瞄的非匀速工况车辆悬架状态估计[J]. 汽车工程, 2023, 45(6): 1040-1049.
[11]	李子先,潘世举,朱愿,何滨兵,徐友春. 基于状态反馈和预瞄前馈的智能车半主动悬架控制[J]. 汽车工程, 2023, 45(5): 735-745.
[12]	王春,唐滔,张永志. 考虑环境温度影响的超级电容SOC加权融合估计方法[J]. 汽车工程, 2023, 45(4): 627-636.
[13]	吕彦直,魏超,何元浩. 基于GCN和CIL的端到端自动驾驶换道方法[J]. 汽车工程, 2023, 45(12): 2310-2317.
[14]	张新荣,王鑫,宫新乐,黄晋,黄丹,王鹏兴. 面向智能车辆的路面附着系数分段识别方法[J]. 汽车工程, 2023, 45(10): 1923-1932.
[15]	任明辉,梁军,陈龙,张春,王云. 基于改进冲突搜索的智能车库多AGV路径规划[J]. 汽车工程, 2023, 45(10): 1933-1943.