關(guān)于智能車(chē)在未知環(huán)境中的定位誤差分析和算法優(yōu)化的研究

【摘 ?要】隨著智能車(chē)應(yīng)用的普及，同時(shí)定位技術(shù)和地圖模型建立技術(shù)的發(fā)展，能夠幫助智能車(chē)在未知環(huán)境下移動(dòng)和信息采集。智能車(chē)在未知環(huán)境下通過(guò)周?chē)h(huán)境事物進(jìn)行二維地圖坐標(biāo)構(gòu)建。本文分析了在SLAM問(wèn)題中，智能車(chē)在移動(dòng)過(guò)程中與環(huán)境產(chǎn)生相對(duì)誤差以及地圖模型建立的精度不夠高的問(wèn)題。通過(guò)多傳感器融合和算法優(yōu)化的方法，彌補(bǔ)了單一傳感器功能局限的缺點(diǎn)，智能車(chē)定位不準(zhǔn)確，并提高整體性能。

【關(guān)鍵詞】SLAM;智能車(chē);定位;誤差;陀螺儀;PID;控制

一、引言

自動(dòng)駕駛技術(shù)的發(fā)展與應(yīng)用已經(jīng)成為當(dāng)今社會(huì)的發(fā)展趨勢(shì)，智能車(chē)將會(huì)在今后的幾年甚至幾十年內(nèi)廣泛的被普及，盡管現(xiàn)在有大量的關(guān)于智能車(chē)的研究，依舊難以解決道路復(fù)雜問(wèn)題和構(gòu)圖精確問(wèn)題?，F(xiàn)在社會(huì)中依舊存在智能車(chē)因算法問(wèn)題或者硬件設(shè)備問(wèn)題而導(dǎo)致的危險(xiǎn)事故。本文針對(duì)智能車(chē)在未知環(huán)境中定位存在誤差進(jìn)行了誤差分析和算法優(yōu)化。主要內(nèi)容如下：

（1）針對(duì)不同環(huán)境下SLAN技術(shù)對(duì)環(huán)境的成像存在誤差進(jìn)行分析。

（2）特征點(diǎn)識(shí)別判斷存在誤判

（3）根據(jù)已有的數(shù)學(xué)算法對(duì)智能車(chē)二維坐標(biāo)定位和路徑移動(dòng)進(jìn)行優(yōu)化，主要通過(guò)陀螺儀實(shí)時(shí)采集智能車(chē)當(dāng)前姿態(tài)來(lái)測(cè)算出小車(chē)的行駛方向，移動(dòng)速度和行駛距離。

二、SLAM定位誤差分析[1]

現(xiàn)階段智能車(chē)定位功能主要是通過(guò)自身攜帶的傳感器對(duì)周?chē)h(huán)境的感知，獲取周?chē)煌较虿煌嚯x的事物，對(duì)比自身位置，在二維坐標(biāo)軸上標(biāo)注出環(huán)境事物的位置。智能車(chē)在動(dòng)態(tài)移動(dòng)時(shí)，實(shí)時(shí)更新出周?chē)挛锏奈蛔硬?biāo)在二維地圖上。由于激光雷達(dá)在發(fā)送接收時(shí)存在傳播時(shí)延，智能車(chē)在雷達(dá)工作期間存在位移，使得在實(shí)時(shí)更新二維地圖建模中，周?chē)矬w位置不準(zhǔn)確。不同物體表面反射波的能力不同，可能接收到多個(gè)信息點(diǎn)或者丟失信號(hào)，導(dǎo)致特征點(diǎn)的重復(fù)判定或誤判。現(xiàn)階段的激光SLAM算法有限并且只適用于低移動(dòng)速度的物體，若車(chē)速過(guò)快，精度和準(zhǔn)確性不高。

2.1傳播時(shí)延

建立以移動(dòng)智能車(chē)為中心的二維坐標(biāo)軸，雷達(dá)通過(guò)發(fā)送接收信號(hào)，在坐標(biāo)軸上顯示物體的特征點(diǎn)位。距離雷達(dá)越近的物體（或者墻面），雷達(dá)掃描到的點(diǎn)越密集，刷新速度越快，距離越遠(yuǎn)點(diǎn)越稀疏、分散、刷新速度慢。如圖1-1室內(nèi)地形。

2.2未知環(huán)境空曠程度

當(dāng)未知環(huán)境存在的路標(biāo)較少時(shí)，無(wú)法準(zhǔn)確的構(gòu)建出二維坐標(biāo)軸邊界，從而使智能車(chē)無(wú)法根據(jù)邊界和參照物確定所在空間位置。導(dǎo)致在地圖構(gòu)建過(guò)程中存在長(zhǎng)度或者寬度的誤差或錯(cuò)誤。也會(huì)使智能車(chē)失去方向，無(wú)法完成導(dǎo)航。如圖2室外空曠拍攝，在智能車(chē)周?chē)嬖诘纳贁?shù)草堆和數(shù)目，僅能反映出智能車(chē)此時(shí)的位置，不能得出智能車(chē)前方的環(huán)境信息。

2.3復(fù)雜環(huán)境中特征點(diǎn)的誤判

本次實(shí)驗(yàn)的環(huán)境在教室過(guò)道中，當(dāng)前位置在過(guò)道的交匯處，由圖3復(fù)雜環(huán)境可以看出，智能車(chē)正前方兩側(cè)的特征點(diǎn)稀疏且分布不均勻，但是在實(shí)際環(huán)境中左側(cè)為墻面。右側(cè)走廊中沒(méi)有行人和障礙物，檢測(cè)到的地形依然存在誤判的情況。

三、算法優(yōu)化

目前的空間定位算法大多是以周?chē)h(huán)境為參照物[3]，通過(guò)不同傳感器獲得到的數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)處理和傳感器融合，構(gòu)建地圖。在實(shí)際數(shù)據(jù)融合過(guò)程中，使用對(duì)信號(hào)影響最小的卡爾曼濾波法對(duì)融合數(shù)據(jù)進(jìn)行處理，但是沒(méi)有考慮到環(huán)境因素的干擾，智能車(chē)位置的變動(dòng)和SLAM輸出信號(hào)的非線性。以下是我對(duì)智能車(chē)二維地圖中運(yùn)行姿態(tài)和減小誤差的算法優(yōu)化。

3.1慣性技術(shù)

慣性技術(shù)的核心是陀螺儀和加速度計(jì)，通過(guò)物體的移動(dòng)使陀螺儀產(chǎn)生傾斜角度，獲取陀螺儀角度 進(jìn)行積分，Angle是傾斜角度的積分，Angle為正數(shù)時(shí)，表示順時(shí)針傾斜角，物體的移動(dòng)是前進(jìn)，狀態(tài)反之則為后退。計(jì)算傾斜角度的積分與智能車(chē)的移動(dòng)速度可以的到速度與Angle的代數(shù)關(guān)系. ?.如圖4MPU-6050方向示意圖。

空間方向定位是構(gòu)建二維坐標(biāo)系中最重要的一點(diǎn)，不僅關(guān)系到物體距離智能車(chē)的方向和距離，還決定了小車(chē)的行駛方向。與慣性測(cè)量單元（inertial measurement unit，IMU）構(gòu)造相類(lèi)似，通過(guò)固定X軸為固定軸，XOY平面為水平平面，Y軸為智能車(chē)行駛的正方向。當(dāng)智能車(chē)左右轉(zhuǎn)彎時(shí)，Z軸旋轉(zhuǎn)，產(chǎn)生了角速度和角加速度。對(duì)角加速度積分Angle2，理論上旋轉(zhuǎn)360°時(shí)Angle2的積分為定值。再通過(guò)信號(hào)放大，比例算出當(dāng)前智能車(chē)的朝向。

每4毫秒采集一次陀螺儀各方向角加速度，系統(tǒng)每16毫秒執(zhí)行一次數(shù)據(jù)求和。對(duì)16毫秒內(nèi)的數(shù)據(jù)加權(quán)平均，減小不可避免因素例如濾波，硬件等對(duì)數(shù)據(jù)的影響，將累計(jì)求和的方向轉(zhuǎn)動(dòng)信息和小車(chē)的運(yùn)行距離在二維坐標(biāo)上進(jìn)行修正，可以得到智能車(chē)的行動(dòng)軌跡點(diǎn)以及在地圖建模中的具體位置和前進(jìn)方向。

當(dāng)前IMU作為SUS的產(chǎn)物，以體積小，功耗低，的優(yōu)勢(shì)被廣泛運(yùn)用在了智能汽車(chē)，精度較高的數(shù)控設(shè)備上，可以在一定程度上解決無(wú)法獲取物體當(dāng)前運(yùn)動(dòng)姿態(tài)的問(wèn)題，以便于更好的做出修正和改變。

3.2增量式PID

現(xiàn)在關(guān)于PID算法的種類(lèi)非常多，常見(jiàn)的PID算法有位置式PID控制算法，增量式PID控制算法，積分分離PID控制算法，變速積分PID控制算法等。本文中采用的方法是增量式PID控制算法。

由于智能車(chē)處在一個(gè)變化的環(huán)境當(dāng)中，周?chē)矬w參照物的位置確定存在誤差，周?chē)苿?dòng)的物體（人）會(huì)使二維坐標(biāo)中的路標(biāo)動(dòng)態(tài)移動(dòng)，會(huì)影響到智能小車(chē)在行駛過(guò)程中自身位置的確定。通過(guò)學(xué)習(xí)智能車(chē)技術(shù)報(bào)告[4]中的增量式PID算法，增量式PID公式為speed=（KP*（err[2]-err[1]）+（KI*err[2]+KD*（err[2]-2*err[1]+err[0]）））;其中的speed是智能車(chē)輸出的速度，KP，KI，KD分別為比例項(xiàng)，積分項(xiàng)，微分項(xiàng)，err[3]為三次采樣值與設(shè)定速度的偏差。結(jié)合陀螺儀的Angel2積分與輸出速度speed對(duì)于時(shí)間t的積分，得到智能車(chē)當(dāng)前的行駛方向和行駛距離，通過(guò)設(shè)置定時(shí)器中斷在一定時(shí)間內(nèi)采集智能車(chē)的行駛姿態(tài)，每四次采集進(jìn)行一次數(shù)據(jù)處理，將得到的數(shù)據(jù)通過(guò)增量式PID算法對(duì)數(shù)據(jù)的有效性進(jìn)行判定，無(wú)效數(shù)據(jù)刪除，有效數(shù)據(jù)加權(quán)平均，得到適中的增量。將角度增量和位移增量融合到二維坐標(biāo)軸中。

四、總結(jié)

綜上所述，針對(duì)SLAM技術(shù)對(duì)智能小車(chē)在未知環(huán)境中定位存在誤差和錯(cuò)誤的情況，主要問(wèn)題是小車(chē)不能準(zhǔn)確獲得周?chē)h(huán)境的地理路標(biāo)，智能車(chē)不能確定自身坐標(biāo)并實(shí)時(shí)動(dòng)態(tài)性更新坐標(biāo)。智能車(chē)在運(yùn)行過(guò)程當(dāng)中，會(huì)因?yàn)榄h(huán)境因素，車(chē)輪轉(zhuǎn)速不同等因素使其偏離的指定的導(dǎo)航，從而造成智能車(chē)的方向錯(cuò)誤并且會(huì)導(dǎo)致周?chē)窐?biāo)的定位錯(cuò)誤。目前，多傳感器融合SLAM技術(shù)從根本上彌補(bǔ)了單一視覺(jué)SLAM的不足，提高了智能車(chē)在位置環(huán)境中自主導(dǎo)航的準(zhǔn)確性和定位準(zhǔn)確性。但是由于目前數(shù)據(jù)融合技術(shù)的不夠成熟，多傳感器數(shù)據(jù)耦合度不高，這一問(wèn)題相關(guān)技術(shù)和研究還有待突破。綜合近年來(lái)相關(guān)SLAM技術(shù)的發(fā)展，數(shù)據(jù)融合，實(shí)時(shí)性成為關(guān)鍵，這將推動(dòng)智能車(chē)發(fā)展，更好的適應(yīng)未知環(huán)境。

參考文獻(xiàn)：

[1]季秀才，鄭志強(qiáng)，張輝.SLAM問(wèn)題中機(jī)器人定位誤差分析與控制.自動(dòng)化學(xué)報(bào).2008（03）

[2]孫永全，田紅麗.視覺(jué)慣性SLAM綜述.計(jì)算機(jī)應(yīng)用研究，河北工業(yè)大學(xué)人工智能與數(shù)據(jù)科學(xué)學(xué)院.河北工業(yè)大學(xué)河北省大數(shù)據(jù)計(jì)算重點(diǎn)實(shí)驗(yàn)室.2019

[3]鄧世燕，郭承軍. 基于多傳感器融合的即時(shí)定位與地圖構(gòu)建方法研究.第十一屆中國(guó)衛(wèi)星導(dǎo)航年會(huì)論文集——S13自主導(dǎo)航，電子科技大學(xué)電子科學(xué)技術(shù)研究院，電子科技大學(xué)通信抗干擾技術(shù)國(guó)家級(jí)重點(diǎn)實(shí)驗(yàn)室.2020

[4]郭威，王旭，王新域.第十一屆“恩智浦”杯全國(guó)大學(xué)生智能汽車(chē)競(jìng)賽五菱宏光技術(shù)報(bào)告

基金項(xiàng)目：

青島工學(xué)院2020年山東省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃資助項(xiàng)目，項(xiàng)目名稱：“機(jī)器視覺(jué)”視障醫(yī)療輔助智能設(shè)備，項(xiàng)目編號(hào)：S202013995003，項(xiàng)目負(fù)責(zé)人：葉乾耀，項(xiàng)目成員：趙舒欣 于志鵬

（作者單位：青島工學(xué)院）