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”時期國家重點出版物出版專項規(guī)劃項目新能源與智能網(wǎng)聯(lián)汽車新技術(shù)系列叢書中國機械工業(yè)教育協(xié)會“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車道線感知識別3.4YOLO算法識別路況信息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車道線感知識別3.4YOLO算法識別路況信息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,截至2021年年底,我國汽車保有量達3.02億輛,超過美國穩(wěn)居世界第一。全國汽車保有量超過百萬輛的城市數(shù)量達79個,機動車駕駛?cè)藬?shù)量達4.81億。同時我國近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者的關(guān)注焦點。智能汽車可以根據(jù)實時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(LightDetectionAndRanging,LiDAR)和毫米波雷達(MillimeterWaveRadar)等車載傳感器獲得車輛周圍真實存在的環(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。智能汽車最鮮明的特點是以自動駕駛代替了傳統(tǒng)的人工駕駛,從枯燥的駕駛環(huán)境中解放了人類的雙手,有效彌補了駕駛?cè)说哪芰Σ蛔恪！豆?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,可實現(xiàn)安全、高效、舒適、節(jié)能行駛,并最終實現(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傳感器等裝置,運用人工智能等新技術(shù),具有自動駕駛功能,逐步成為智能移動空間和應(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、自動駕駛汽車等。根據(jù)汽車自動化程度的不同,智能汽車可以分成不同的等級。不同機構(gòu)對智能汽車的等級劃分也不盡相同,美國國家高速公路交通安全管理局將智能汽車技術(shù)分成5個等級（L0~L4）。分級美國汽車工程師學會發(fā)布的J3016是另一種比較有代表性的分級標準,對智能汽車分級進行了細化的規(guī)定,將

L4級別細分為L4高度自動駕駛和L5完全自動駕駛兩個級別。我國對智能汽車的分級最早出現(xiàn)在《中國制造2025》重點領(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)、部分自動駕駛(PA)、高度自動駕駛(HA)和完全自動駕駛(FA)4級。3.1智能汽車2020年3月,我國工業(yè)和信息化部頒布了國家標準GB/T40429—2021《汽車駕駛自動化分級》,這是我國智能汽車標準體系的基礎(chǔ)類標準之一。該標準按照由低到高的自動化等級將智能汽車分為應(yīng)急輔助、部分駕駛輔助、組合駕駛輔助、有條件自動駕駛、高度自動駕駛和完全自動駕駛6個級別。表1汽車駕駛自動化分級標準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)備實現(xiàn)環(huán)境感知,進而進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、激光波雷達、超聲波雷達等各種傳感器對周圍環(huán)境進行數(shù)據(jù)采集與信息處理,以獲取當前行駛環(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、動態(tài)目標運動狀態(tài)、交通信號標志、自身位置等一系列重要信息,是其他功能模塊的基礎(chǔ),是實現(xiàn)輔助駕駛與自動駕駛的前提條件。為實現(xiàn)對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地圖信息,在滿足交通規(guī)則、車輛動力學等車輛行駛約束的前提下,生成一條全局最優(yōu)的車輛運動軌跡。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信息的條件下,得到滿足起始點與目的地之間距離最短、時間最短或其他優(yōu)化目標的最優(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在秒級周期內(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、制動轉(zhuǎn)向、換檔等操作,對決策規(guī)劃層所得到的車輛最優(yōu)軌跡進行路徑和速度跟隨,其本質(zhì)是控制車輛的側(cè)向運動和縱向運動來減少車輛實際軌跡和期望軌跡之間的時間誤差和空間誤差。

圖4集成控制3.1智能汽車測試評價體系測試評價體系對提高智能汽車研發(fā)效率、健全技術(shù)標準和法律法規(guī)、推進產(chǎn)業(yè)創(chuàng)新發(fā)展至關(guān)重要。但智能汽車測試評價對象已從傳統(tǒng)的人、車二元獨立系統(tǒng)變?yōu)槿?車-環(huán)境-任務(wù)強耦合系統(tǒng)，測試場景及測試任務(wù)難以窮盡,評價維度紛繁復(fù)雜,傳統(tǒng)汽車的測試評價體系已經(jīng)不能滿足智能汽車測試需求。圖5所示為典型的智能汽車測試評價體系,場景數(shù)據(jù)在其中至關(guān)重要。圖5典型的智能汽車測試評價體系本章內(nèi)容3.1智能汽車3.2感知傳感器3.3車道線感知識別3.4YOLO算法識別路況信息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)以及通信系統(tǒng)感知周圍環(huán)境,識別周邊物體、規(guī)劃行駛路徑、檢測駕駛狀態(tài),通過識別的信息實現(xiàn)自主避讓,協(xié)助駕駛?cè)税踩{駛或完成自動駕駛,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、激光雷達、超聲波雷達等。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別整個視野范圍內(nèi)的像素和顏色、分辨率高、“幀速率”恒定,兩臺攝像頭便能同時生成三維立體視圖,且其技術(shù)成熟、費用低以及圖像質(zhì)量高等優(yōu)點,廣泛應(yīng)用在智能駕駛車輛環(huán)境感知系統(tǒng)中。智能駕駛車輛對攝像頭識別出的環(huán)境信息,進行技術(shù)處理區(qū)分障礙物的類別,實現(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,相對技術(shù)發(fā)展迅速且具有較高的研究價值。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。機器視覺感知系統(tǒng)是指智能汽車利用攝像頭拍攝車外環(huán)境,根據(jù)搜集到的信息得到反映真實道路的圖像數(shù)據(jù),然后綜合運用各種道路檢測算法,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。3.2智能感知器毫米波雷達毫米波雷達具有全天候、全天時的工作特性,且探測距離遠、精度高,被廣泛應(yīng)用于車載距離探測,如自適應(yīng)巡航、碰撞預(yù)警、盲區(qū)探測、自動緊急制動等。毫米波雷達的工作原理是向道路周圍輻射毫米波信號,通過對比發(fā)射信號與接收信號之間的差別來實現(xiàn)目標距離、速度、角度等信息的檢測。毫米波是電磁波,雷達通過發(fā)射無線電信號并接收反射信號來測定車輛與物體間的距離,其頻率通常介于10~300GHz之間。圖6汽車毫米波雷達的發(fā)展歷程3.2智能感知器與24GHz毫米波雷達相比,77GHz毫米波雷達的距離分辨率更高,體積縮小1/3。77GHz毫米波雷達在探測精度與距離上均優(yōu)于24GHz毫米波雷達,主要裝配在車輛的前保險杠上,用來探測與前車的距離以及前車的速度,主要實現(xiàn)緊急制動、自適應(yīng)巡航、前向碰撞預(yù)警等主動安全領(lǐng)域的功能。當今使用的毫米波頻段有:24GHz、77GHz、79GHz。毫米波雷達的測距和測速原理都是基于多普勒效應(yīng)。與紅外、激光、電視等光學導引頭相比,毫米波導引頭穿透霧、煙、灰塵的能力強,其抗干擾性能也優(yōu)于其他微波導引頭。車載毫米波雷達頻率主要分為24GHz頻段和77GHz頻段。毫米波雷達因其硬件體積較小且不受惡劣天氣影響,被廣泛應(yīng)用于高級駕駛輔助系統(tǒng)。毫米波雷達目前大量應(yīng)用于汽車的盲點監(jiān)測、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激光雷達是一種光學遙感技術(shù),可以精確、快速獲取地面或大氣三維空間信息的主動探測技術(shù),用于測量物體距離和表面形狀,其測量精度可達厘米級,其應(yīng)用范圍和發(fā)展前景十分廣闊。激光雷達由發(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,光接收機再把從目標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位置(距離和角度)、運動狀態(tài)(速度、振動和姿態(tài))和形狀,可以探測、識別、分辨和跟蹤目標。激光雷達具有解析度高、測距精度高、抗有源干擾能力強、探測性能好、獲取的信息量豐富、不受光線影響以及測速范圍大等優(yōu)點。激光雷達在智能網(wǎng)聯(lián)汽車中有多種應(yīng)用,主要有面向高精地圖的繪制、基于點云的定位以及障礙物檢測等。3.2智能感知器激光雷達還可以聯(lián)合全球?qū)Ш叫l(wèi)星系統(tǒng)(GlobalNavigationSateliteSystem,GNSS)/慣性測量單元(InertialMeasurementUnit,IMU)與高精度地圖等手段進行加強定位,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,將激光雷達的3D點云數(shù)據(jù)包括幾何信息和語義信息進行特征提取,并結(jié)合車輛初始位置進行空間變化,獲取基于全局坐標系下的矢量特征。在智能網(wǎng)聯(lián)汽車的行駛過程中,激光雷達同時以一定的角速度勻速轉(zhuǎn)動,并在轉(zhuǎn)動過程中不斷發(fā)出激光并收集反射點信息,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超聲波雷達(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間來測算距離。超聲波雷達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角度越小,故一般采用40kHz的探頭。超聲波雷達防水、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。車載超聲波雷達一般安裝在汽車的保險杠上方,隱藏在保險杠的某個位置。常見的超聲波雷達有兩種:第一種是安裝在汽車前后保險杠上的倒車雷達,稱為超聲波駐車輔助傳感器;第二種安裝在汽車側(cè)面,稱為自動泊車輔助傳感器。3.2智能感知器超聲波雷達的不足之處有：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。因此相對位置相同的障礙物,在不同溫度的場景下,測量的距離數(shù)據(jù)不同。對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的測量精度。由于相比于光與電磁波,超聲波的傳播速度較慢,當汽車高速行駛時,超聲波測距無法跟上汽車的車距實時變化。因此超聲波雷達在速度很高的情況下測距離,誤差較大。超聲波散射角大、方向性較差,在測量較遠距離的目標時,其回波信號會比較弱,影響測量精度。但是在短距離測量中,超聲波測距傳感器具有非常大的優(yōu)勢。3.2智能感知器幾種感知傳感器優(yōu)缺點對比表2幾種感知傳感器優(yōu)缺點對比本章內(nèi)容3.1智能汽車3.2感知傳感器3.3車道線感知識別3.4YOLO算法識別路況信息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,對應(yīng)霍夫空間一個點(ρ0,θ0)。如下圖：圖7霍夫變換參數(shù)空間轉(zhuǎn)化3.3車道線感知識別對于任意Oxy坐標系下的點,將經(jīng)過此點的所有直線都對應(yīng)到霍夫空間,每條直線都將對應(yīng)到一個點,因此可得到一條曲線。Oxy坐標系下的一組點,將在霍夫空間內(nèi)得到數(shù)條曲線,若這些點在Oxy坐標系下共線,那么這些霍夫空間內(nèi)的曲線就交于一點,如下圖所示。圖8多個數(shù)據(jù)點在霍夫空間中的投票示例3.3車道線感知識別具體操作步驟如下:1)將特征提取中得到的像素點都通過此方法轉(zhuǎn)移到霍夫空間中,得到大量曲線。2)對這些曲線進行投票,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算法模型有直線模型與曲線模型。一般近視場的車道線用直線模型檢測的效果較好；而在彎道工況下采用直線模型的檢測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,使其無論在近視場還是在彎道工況下都能取得較好的擬合效果。3.3車道線感知識別圖9車道線檢測算法流程雙曲線模型算法模型直線模型算法模型3.3車道線感知識別圖像處理采用Python語言環(huán)境,主要利用OpenCV庫強大的圖像處理工具以及內(nèi)置的霍夫變換工具實現(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的圖像,才可以很好地識別出車道線。在圖像處理方面,首先對收集的圖像進行灰度化、模糊化,并采用了OpenCV內(nèi)置的Canny算子進行邊緣檢測,提取出圖像的邊緣點集。該算法模型僅適用于近視場車道線檢測,因此在輸入霍夫變換工具接口的圖像還需要將近視場可能出現(xiàn)車道線的區(qū)域進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現(xiàn)車道線的檢測。3.3車道線感知識別原圖像識別后圖10識別效果本章內(nèi)容3.1智能汽車3.2感知傳感器3.3車道線感知識別3.4YOLO算法識別路況信息3.5多傳感器數(shù)據(jù)融合3.4YOLO算法識別路況信息YOLO(YouLookOnlyOnce)算法是一種利用卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeural

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

NeuralNetworks),是深度學習(DeepLearning)的代表算法之一。卷積神經(jīng)網(wǎng)絡(luò)具有表征學習能力,能夠按其階層結(jié)構(gòu)對輸入信息進行平移不變分類,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)是一種深度學習算法,它需要大量的訓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部分。3.4YOLO算法識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。通常輸入計算機中的圖像是一個長×寬×n的矩陣,其中n代表圖像每個像素點的n維信息,這里采用的是每個像素點的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,加快運算速度,除此之外,它能保留主要特征的同時減少參數(shù)和計算量,起到防止過擬合的作用。全連接層是每一個結(jié)點都與上一層的所有結(jié)點相連,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算法識別路況信息YOLOv2算法識別YOLO用整個圖片的特征來預(yù)測每一個邊界框。它還同時預(yù)測一個圖像在所有類中的所有邊界框。YOLO先把整個圖片劃分成S×S個方格,如果一個物體的中心正好落在一個方格中,那么這個方格就負責來預(yù)測物體。圖11YOLOv2算法識別效果本章內(nèi)容3.1智能汽車3.2感知傳感器3.3車道線感知識別3.4YOLO算法識別路況信息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80年代出現(xiàn)的一門新興學科,它是將不同傳感器對某一目標或環(huán)境特征描述的信息,綜合成統(tǒng)一的特征表達信息的過程。數(shù)據(jù)融合需要借助融合算法,融合算法可分為隨機類和人工智能類兩大類,隨機類多傳感器數(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、綜合平均法、最優(yōu)估計、卡爾曼濾波、魯棒估計等估計理論。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,由于其具有實時性強、融合精度高等優(yōu)點,在自動駕駛領(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)上是通過對下一時刻狀態(tài)的先驗估計與測量反饋相結(jié)合,得到該時刻相對準確的后驗估計的過程。對于線性離散系統(tǒng),要求滿足過程模型為疊加過程激勵噪聲的線性系統(tǒng)、測量模型為疊加測量噪聲的線性系統(tǒng),并且噪聲都服從正態(tài)分布,即系統(tǒng)可以用如下兩個方程表示,其中離散時間狀態(tài)差分方程為：測量方程可以表述為：（3-1）（3-2）式中：狀態(tài)變量x∈Rn,觀測變量z∈Rn,隨機變量wk-1和vk分別表示過程激勵噪聲和觀測噪聲,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)融合對于任意一個狀態(tài)變量xk,可以通過線性狀態(tài)差分方程進行估算。xk等于其前一時刻狀態(tài)變量xk-1與控制信號uk-1以及過程激勵噪聲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刻觀測量為狀態(tài)量與觀測噪聲k的線性組合,并且A、B、H通常為時不變常值矩陣形式,則剩余的問題就是隨機變量wk-1和k的估算問題,對于噪聲參數(shù)的估計越準確,狀態(tài)估計的結(jié)果也就越精準。建立模型后確定系統(tǒng)的初始狀態(tài),通過如下步驟進行時間更新(預(yù)測)以及測量更新(校正)：狀態(tài)一步預(yù)測為：（3-3）（3-4）狀態(tài)一步預(yù)測誤差協(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)估計為：（3-6）狀態(tài)估計誤差協(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”時期國家重點出版物出版專項規(guī)劃項目新能源與智能網(wǎng)聯(lián)汽車新技術(shù)系列叢書中國機械工業(yè)教育協(xié)會“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高精地圖自動駕駛高精地圖概述自動駕駛地圖指的是服務(wù)于自動駕駛汽車的一類地圖。在現(xiàn)有自動駕駛技術(shù)下,純粹依靠單車來實現(xiàn)全方位的感知和應(yīng)對各種復(fù)雜環(huán)境的自動駕駛決策仍然是一個難題。因此,實現(xiàn)高級別自動駕駛需要高精度的交通環(huán)境信息來輔助。面向SAEL3~L5級的高度自動駕駛地圖(HighlyAutomatedDrivingMap,HAD

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

高精地圖的定義用于自動駕駛的高精地圖,是關(guān)于車輛環(huán)境數(shù)據(jù)和交通運行數(shù)據(jù)元素的存儲和呈現(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知識,擁有類似人腦對真實道路的整體記憶與認知的功能,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)避駕駛潛在的風險,是實現(xiàn)自動駕駛的核心基礎(chǔ)。高精地圖兼具高分辨率與面向高級別自動駕駛兩大特性。高精地圖通過精細化描述道路、車道線、路沿交通標志等靜態(tài)與動態(tài)信息,為自動駕駛定位、規(guī)劃、決策、控制等應(yīng)用提供安全保障,是自動駕駛領(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在自動駕駛領(lǐng)域,高精地圖具有如下3個公認特性。絕對坐標精度高(絕對坐標精度指的是地圖上某個目標和真實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位置等,還包含很多語義信息,如交通信號燈顏色定義、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、最準確的靜態(tài)信息;提供實時的交通狀況、障礙物等動態(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別自動駕駛中起到關(guān)鍵作用。

4.1高精地圖根據(jù)SAE對自動駕駛的分級,L2級及以下的低級別自動駕駛是由人來完成全部或部分的駕駛動作,由精度為米級和亞米級的ADAS地圖支持即可,而L3級及以上的高級別自動駕駛,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。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個方面對自動駕駛提供幫助。輔助環(huán)境感知

單純依靠車載傳感器實現(xiàn)全方位的準確環(huán)境感知,對于現(xiàn)今的自動駕駛技術(shù)仍然是一個挑戰(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、交通標志等,對實車環(huán)境感知是一個直接的補充。在車聯(lián)網(wǎng)語境下,高精地圖還能補充實時交通狀況、動態(tài)障礙物等信息。利用高精地圖還可以實現(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信號受到較多的干擾,其定位精度大大下降,不能滿足自動駕駛的定位精度需求。此時,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、交通標志等)與感知結(jié)果相匹配,就可以對GNSS給出的定位信息進行糾正,從而實現(xiàn)高精度(厘米級)定位。這對判斷自車所在車道、自車與車道的相對位置關(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)的電子導航地圖提供的道路級宏觀路在規(guī)劃功能,還可以在車道級路網(wǎng)和交通狀況信息的協(xié)同之下,提供車道級宏觀路徑規(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、行人等動態(tài)障礙物信息,對局部路徑規(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,可對汽車加速、并道和轉(zhuǎn)彎等控制動作提供參考,對實際車輛動力學控制提供輔助。4.1高精地圖自動駕駛地圖制圖技術(shù)高精地圖制圖的基本環(huán)節(jié)包括靜態(tài)地圖構(gòu)建和動態(tài)地圖構(gòu)建。在制圖過程中,需要進一步明確動態(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、數(shù)據(jù)出品4個環(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,高精地圖均會得到快速更新以保證自動駕駛汽車的安全性。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、相機等傳感器數(shù)據(jù)作為基本數(shù)據(jù)源進行處理的方式。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、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、點云等數(shù)據(jù),可以據(jù)此識別車道線、路沿、護欄、路燈、交通標志牌等信息。這些原始數(shù)據(jù)具有數(shù)據(jù)量大、計算速度慢的特點,且根據(jù)我國測繪法,需要對原始精度數(shù)據(jù)嚴格保密,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,對道路元素的識別要求較高,目前主流的方式為基于深度學習的圖像識別算法進行車道線、地面標志線、交通標志牌的識別,如Faster-RCNN、MaskR-CNN、YOLOV3、DeepLabV3等。利用激光雷達可以重建道路三維環(huán)境,并進行道路要素提取與識別,以準確反映道路環(huán)境并描述道路環(huán)境特征,不僅可以得到高精點云地圖,而且可以與影像融合處理,實現(xiàn)高精準度的道路要素識別?；诩す饫走_點云和圖像多傳感器數(shù)據(jù)融合可以識別車道標志、障礙物和交通標志,自動化率90%以上,相對精度可以達到20cm。對于誤識別、漏識別的要素需要進行人工檢核與驗證。然而,由于自動駕駛對數(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)對工具自動處理的召回率、準確率都尤為重要。召回率、準確率越高,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

由于自動識別存在漏檢、誤差及錯誤,需要增加人工加工確認環(huán)節(jié)以保證地圖創(chuàng)建過程的正確性與完整性。通過自動提取獲取的高精地圖數(shù)據(jù)與對應(yīng)的圖像信息進行比對,尋找錯誤并進行改正,包括車道線識別是否正確,交通信號燈及標志牌的邏輯處理,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,還需要為自動化處理的地圖數(shù)據(jù)完善對應(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)量損失的風險。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到精度要求、符合標準規(guī)范、便于使用的自動駕駛高精地圖。4.1高精地圖動態(tài)地圖構(gòu)建動態(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,作為道路的一種動態(tài)屬性來進行表達。交通事故信息則通過交通電臺和用戶上報的形式,作為點要素標示于地圖中。交通管制信息則由當?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行表達。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)生臨時性的變化,這些同樣需要根據(jù)實際情況進行更新。第二類信息為高度動態(tài)數(shù)據(jù),需要利用車聯(lián)網(wǎng)來進行實時更新。這部分數(shù)據(jù)可以由自動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態(tài)地圖上不斷更新周邊車輛的位置和行人信息,以實現(xiàn)高度動態(tài)數(shù)據(jù)的構(gòu)建。4.1高精地圖建立動態(tài)數(shù)據(jù)與靜態(tài)地圖的關(guān)系建立動態(tài)數(shù)據(jù)與靜態(tài)地圖的關(guān)系,同時根據(jù)動態(tài)數(shù)據(jù)中各要素的速度、運動方向,預(yù)測可能的方向,建立動態(tài)地圖,進而動態(tài)地圖與靜態(tài)地圖疊加。汽車的動態(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,而動態(tài)地圖數(shù)據(jù)可以增強自動駕駛汽車對于道路環(huán)境的感知和決策能力。汽車可以同時使用這兩類地圖數(shù)據(jù)來提高自身的自動駕駛能力。地圖存儲結(jié)構(gòu)表示地理實體的空間數(shù)據(jù)包含空間特征和屬性特征,對這些復(fù)雜特征的空間數(shù)據(jù),組織和建立它們之間的聯(lián)系,以便計算機存儲和操作,這稱為地圖存儲的數(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)在計算機內(nèi)部的一種組織與編碼形式,抽象描述并表達了地理實體的空間排列及其空間關(guān)系等信息,適用于計算機存儲、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)計數(shù)據(jù)等相關(guān)資料轉(zhuǎn)換為計算機存儲與處理的形式。4.1高精地圖高精地圖更新高精地圖數(shù)據(jù)如果不能及時更新,自動駕駛車輛就有可能對環(huán)境做出錯誤的判斷。一般地,高精地圖中的動態(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)進行比對,調(diào)整元素的位置,補充原有地圖中沒有的元素,并刪去當前已經(jīng)不存在的元素。通過專業(yè)采集車進行的更新,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)來進行更新,即利用自動駕駛汽車車載傳感器感知到的數(shù)據(jù)進行更新,其精度低于專業(yè)采集車,但是隨著自動駕駛汽車數(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)星導航系統(tǒng)衛(wèi)星導航定位系統(tǒng)是星基無線電導航系統(tǒng),以人造地球衛(wèi)星作為導航臺,為全球海陸空的各類軍民載體提供位置、速度和時間信息,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、導航和授時系統(tǒng)。衛(wèi)星導航定位系統(tǒng)包括全球四大導航衛(wèi)星系統(tǒng)、區(qū)域衛(wèi)星導航系統(tǒng)和增強系統(tǒng)。全球四大導航衛(wèi)星系統(tǒng)中國的北斗導航衛(wèi)星系統(tǒng)(BeidouNavigationSatelliteSystem,BDS):2000年年底建成北斗一號系統(tǒng),向我國提供服務(wù);2012年年底建成北斗二號系統(tǒng),向亞太地區(qū)提供服務(wù);2020年建成北斗三號系統(tǒng),向全球提供服務(wù)。4.2適用于車輛駕駛的定位技術(shù)美國的全球定位系統(tǒng)(GlobalPositioningSystem,GPS):提供具有全球覆蓋、全天時、全天候、連續(xù)性等優(yōu)點的三維導航和定位功能。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)的實時、全天候連續(xù)導航、定位和授時服務(wù)。歐盟的伽利略衛(wèi)星導航系統(tǒng)(GalileoSatelliteNavigationSystem,GALILEO):正在建設(shè)中的全球衛(wèi)星導航系統(tǒng),目的是使歐洲擺脫對美國GPS的依賴。區(qū)域衛(wèi)星導航系統(tǒng)區(qū)域衛(wèi)星導航系統(tǒng)有日本的準天頂衛(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)星基增強系統(tǒng)星基增強系統(tǒng)(Satellite-BasedAugmentationSystem,SBAS)是由美國實施選擇可用性(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。地基增強系統(tǒng)(Ground-BasedAugmentationSystems,GBAS)是衛(wèi)星導航系統(tǒng)建設(shè)中的一項重要內(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航增強技術(shù),主要包括精度增強技術(shù)、完好性增強技術(shù)、連續(xù)性和可用性增強技術(shù),實現(xiàn)其增強衛(wèi)星導航服務(wù)性能的功能。地基增強系統(tǒng)4.2適用于車輛駕駛的定位技術(shù)定位原理根據(jù)后方交會定位原理,要實現(xiàn)GNSS定位,需要解決兩個問題:一是觀測瞬間衛(wèi)星的空間位置;二是觀測站點和衛(wèi)星之間的距離,即衛(wèi)星在某坐標系中的坐標。坐標系統(tǒng)和時間系統(tǒng)坐標系統(tǒng)可分為地理坐標系、慣性坐標系、地球坐標系、地心坐標系和參心坐標系。GNSS采用了一個獨立的時間系統(tǒng)作為導航定位計算的依據(jù),稱為GNSS時間系統(tǒng),簡稱GNSST。GNSST屬于原子時系統(tǒng),其秒長與原子時秒長相同。4.2適用于車輛駕駛的定位技術(shù)定位原理GNSS被設(shè)想為一種測距系統(tǒng),測量從衛(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。信號離開衛(wèi)星和到達接收器之間的時間間隔是確定距離的關(guān)鍵。需要衛(wèi)星作為參考點,在任何給定時間知道每顆衛(wèi)星的確切位置(參考點)。衛(wèi)星發(fā)送的電子信號,使接收器能夠測量到衛(wèi)星的距離。圖2GNSS定位原理如圖2所示,每個衛(wèi)星相對于地球中心的空間坐標可以根據(jù)開普勒定律從衛(wèi)星廣播的星歷表中計算出來。通過記錄(編碼)衛(wèi)星信號到達接收器所需的時間,可以準確地測量到每顆衛(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站將公共誤差估算出來,通過相關(guān)的補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)置一臺或多臺接收機,將一臺已知精密坐標的接收機作為差分基準站,基準站連續(xù)接收GNSS信號,與基準站已知的位置和距離數(shù)據(jù)進行比較,從而計算出差分校正量?；鶞收緯⒋瞬罘中Ｕ堪l(fā)送到其范圍內(nèi)的流動站進行數(shù)據(jù)修正,從而減少甚至消除衛(wèi)星時鐘、衛(wèi)星星歷、電離層延遲與對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)將坐標測量值與基準站實際坐標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,與車輛的測量值進行差分改正。由于基準站與流動站必須觀測同一組衛(wèi)星,通常流動站與基準站間距離不超過100km。4.2適用于車輛駕駛的定位技術(shù)通過在基準站上利用已知坐標求出測站至衛(wèi)星的幾何距離,并將其與觀測所得的偽距比較,然后利用一個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站,流動站利用此誤差來改正GNSS衛(wèi)星傳輸測量偽距。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)中基準站不直接傳輸關(guān)于GNSS測量的差28分校正量,而是發(fā)送GNSS的測量原始值。流動站收到基準站的數(shù)據(jù)后,與自身觀測衛(wèi)星的數(shù)據(jù)組成相位差分觀測值,利用組合后的測量值求出基線向量完成相對定位,推算出測量點的坐標。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慣性導航定位慣性導航定位系統(tǒng)組成慣性導航定位系統(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航系統(tǒng),主要由慣性測量單元、信號預(yù)處理單元和機械力學編排模塊3個模塊組成。圖4慣性導航定位系統(tǒng)組成一個慣性測量單元包括3個相互正交的單軸加速度計(Accelerometer)和3個相互正交的單軸陀螺儀(Gyroscopes)。信號預(yù)處理單元對慣性測量單元輸出信號進行信號調(diào)理、誤差補償并檢查輸出量范圍等,以確保慣性測量單元正常工作4.3慣性導航定位慣性導航定位工作原理慣性導航定位系統(tǒng)是一種以陀螺儀和加速度計為感知元件的導航參數(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,可以說是一個由慣性測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,再將加速度計測量得到載體“比力”信息轉(zhuǎn)換到導航坐標系進行加速度信息的積分運算,就能推算出車輛的位置和姿態(tài)信息。工作原理:基于牛頓第二運動定律,通過慣性測量單元檢測載體所受“比力”,可算出車輛在三維空間內(nèi)的運動加速度和角速度,慣性導航定位誤差分析在外部沖擊、振動等力學環(huán)境中,慣性導航系統(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誤差。4.3慣性導航定位航跡遞推從一個已知的坐標位置開始,根據(jù)載體在該點的航向、航速和航行時間,推算下一時刻坐標位置的導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)和計程儀所指示的航向、航程以及船舶操縱要素和風流要素等在不借助外界導航物標的條件下求取航跡和船位,逐漸演化成如今自動駕駛車輛定位技術(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,通過對加速度進行積分即可得到車輛在t時刻的速度,對速度積分即可得到t時刻的位置。圖5車輛一維運動示意圖4.3慣性導航定位二維航跡遞推將車輛看作是在二維平面上運動,已知車輛的起始點和起始航向角,通過實時檢測車輛在x、y兩個方向上的行駛距離和航向角的變化,即可實時推算車輛的二維位置。下圖中坐標系為導航坐標系,N軸與地理北向保持一致。圖6車輛二維航跡遞推捷聯(lián)式慣性導航二維航跡遞推慣性坐標系到導航坐標系的轉(zhuǎn)換4.3慣性導航定位三維航跡遞推三維航跡遞推需要3個陀螺儀來測量載體相對于慣性空間的旋轉(zhuǎn)角速率,還需要3個加速度計來測量載體相對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行比較,并采用適當?shù)乃惴ù_定車輛當前的行駛路段以及在路段中的準確位置,校正定位誤差,并為自動駕駛車輛實現(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