胡釗政,李 飛,2,陶倩文,陳佳良
(1.武漢理工大學(xué) 智能交通系統(tǒng)研究中心,武漢 430063;2.武漢理工大學(xué) 重慶研究院,重慶 401120)
隨著人工智能、大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)等先進(jìn)科學(xué)技術(shù)的應(yīng)用和通信交互能力的增強(qiáng),智能車技術(shù)已日趨成熟[1]。感知與定位技術(shù)在智能車的發(fā)展過(guò)程中占據(jù)重要地位,而由于LiDAR具有高頻、遠(yuǎn)程、高精度的數(shù)據(jù)采集性能,使得其在智能車定位中被廣泛運(yùn)用。目前基于激光的主流定位方法為SLAM(simultaneous localization and mapping)。SLAM主要分為里程計(jì)和優(yōu)化兩部分。里程計(jì)根據(jù)幀間點(diǎn)云匹配結(jié)果計(jì)算車輛的運(yùn)動(dòng)。ICP(iterative closest point)[2]是經(jīng)典的點(diǎn)云幀間匹配算法,通過(guò)逐點(diǎn)查找對(duì)應(yīng)關(guān)系,ICP不斷嘗試對(duì)齊兩組點(diǎn)云,直到滿足條件為止,當(dāng)點(diǎn)云數(shù)量過(guò)多時(shí),ICP算法會(huì)有較高的計(jì)算復(fù)雜度。基于特征點(diǎn)云的幀間匹配算法通過(guò)在環(huán)境中尋找具有代表性的特征而只需要較少的計(jì)算資源,備受關(guān)注。Rusu等[3]提出的PFH(point feature histogram)特征通過(guò)參數(shù)化查詢點(diǎn)和鄰域點(diǎn)的空間差異并形成一個(gè)多維直方圖來(lái)描述查詢點(diǎn)k鄰域的幾何屬性,該類特征提取方法簡(jiǎn)單且具有旋轉(zhuǎn)不變性,同時(shí)對(duì)采樣密度和噪聲點(diǎn)具有較強(qiáng)的魯棒性。雖然通過(guò)幀間特征匹配可快速獲取車輛位姿,但隨著車輛行駛距離增長(zhǎng)及幀間匹配次數(shù)增多,累計(jì)誤差逐漸增大。LOAM[4-5](lidar odometry and mapping in real-time)算法通過(guò)三維重建構(gòu)圖校正定位軌跡,但其地圖為在線生成且在制圖前需對(duì)點(diǎn)云進(jìn)行下采樣、濾波等預(yù)處理,導(dǎo)致算法的空間復(fù)雜度和時(shí)間復(fù)雜度較高;并且隨著定位距離的增長(zhǎng),LOAM算法仍會(huì)存在較大的累計(jì)誤差。
本文提出了一種三維點(diǎn)云極化地圖表征模型,該模型以極化圖為節(jié)點(diǎn),通過(guò)融合全局位置信息、點(diǎn)云的二維和三維特征并結(jié)合多尺度定位方法實(shí)現(xiàn)智能車定位。實(shí)驗(yàn)在兩種典型場(chǎng)景下進(jìn)行,結(jié)果表明,本文算法在節(jié)點(diǎn)級(jí)和度量級(jí)定位上均具有高精度,滿足智能車的定位需求,且魯棒性強(qiáng)、成本低、計(jì)算過(guò)程簡(jiǎn)單。本文的創(chuàng)新點(diǎn)為:
1)離線制圖和在線定位均以極化圖為節(jié)點(diǎn),極化圖構(gòu)造方法簡(jiǎn)單且保留了點(diǎn)云的原始數(shù)據(jù),同時(shí)將點(diǎn)云的二維和三維信息融合。
2)利用極化圖提取點(diǎn)云的二維和三維特征,實(shí)現(xiàn)制圖和定位節(jié)點(diǎn)的多尺度特征表征。
3)提出了一種基于點(diǎn)云極化地圖表征模型的多尺度定位方法,該方法采用多尺度漸進(jìn)定位策略,通過(guò)基于GPS/拓?fù)浣Y(jié)構(gòu)的初定位、基于點(diǎn)云二維特征的節(jié)點(diǎn)級(jí)定位和基于點(diǎn)云三維特征的度量級(jí)定位,獲取智能車位姿。
圖1為系統(tǒng)流程圖,輸入為L(zhǎng)iDAR和普通GPS采集的激光點(diǎn)云及GPS數(shù)據(jù),輸出為待定位車輛位姿。系統(tǒng)分為離線制圖、初定位、節(jié)點(diǎn)級(jí)定位和度量級(jí)定位4個(gè)模塊:
1)離線制圖模塊利用高精度慣導(dǎo)數(shù)據(jù)和點(diǎn)云數(shù)據(jù)制作極化地圖,主要包含全局位置信息、點(diǎn)云的二維和三維特征。
2)初定位模塊在GPS信號(hào)良好時(shí),將待定位節(jié)點(diǎn)與地圖節(jié)點(diǎn)進(jìn)行GPS匹配并根據(jù)GPS精度篩選地圖節(jié)點(diǎn);若GPS信號(hào)缺失,則利用拓?fù)浣Y(jié)構(gòu)進(jìn)行初定位并篩選地圖節(jié)點(diǎn)。
3)節(jié)點(diǎn)級(jí)定位模塊通過(guò)極化表征生成點(diǎn)云極化圖并利用加權(quán)特征匹配算法與初定位結(jié)果進(jìn)行SURF(speeded up robust features)[6]和ORB(oriented FAST and rotated BRIEF)[7]全局特征匹配,結(jié)合WH-KNN(weighted hybridk-nearest neighbor)[8]算法挑選最近地圖節(jié)點(diǎn)。
4)度量級(jí)定位利用極化圖提取點(diǎn)云角特征點(diǎn)和面特征點(diǎn)并與最近地圖節(jié)點(diǎn)進(jìn)行特征點(diǎn)云匹配,結(jié)合L-M(Levenberg-Marquardt)[9]算法計(jì)算待定位車輛位姿。
三維點(diǎn)云極化地圖表征模型以極化圖為節(jié)點(diǎn),融合了全局位置信息、點(diǎn)云的二維和三維特征,地圖構(gòu)建示意圖見(jiàn)圖2。利用數(shù)據(jù)采集車輛搭載LiDAR和組合慣導(dǎo)并結(jié)合RTK(real-time kinematic)技術(shù)在待定位路段采集激光點(diǎn)云和高精度慣導(dǎo)數(shù)據(jù)。在數(shù)據(jù)采集之前,需通過(guò)LiDAR對(duì)組合慣導(dǎo)定位接收器進(jìn)行標(biāo)定以獲取其在LiDAR坐標(biāo)系中的位置,通過(guò)標(biāo)定獲取的位置參數(shù)用于在線定位中的坐標(biāo)修正。設(shè)PI={PI1,PI2,…,PIi,…}為L(zhǎng)iDAR掃描在慣導(dǎo)定位接收器上的點(diǎn)云集合,計(jì)算PI的質(zhì)心坐標(biāo)PINS并以此作為組合慣導(dǎo)定位接收器在LiDAR坐標(biāo)系中的位置,計(jì)算公式為
圖2 極化地圖Fig.2 Polarization map
(1)
式中nI為PI中點(diǎn)云數(shù)量。標(biāo)定完成后,以等距的方式在待定位路段進(jìn)行數(shù)據(jù)采集,采集頻率1 m/次,每次數(shù)據(jù)采集包含一幀點(diǎn)云數(shù)據(jù)和一條高精度慣導(dǎo)數(shù)據(jù)。值得提出的是,組合慣導(dǎo)結(jié)合RTK僅用于構(gòu)建極化地圖,在線定位時(shí)采用普通GPS接收機(jī)即可。數(shù)據(jù)采集完成后,離線處理每個(gè)數(shù)據(jù)節(jié)點(diǎn),處理步驟為:1)全局位置表征;2)二維特征表征;3)三維特征表征。具體實(shí)施如下。
從高精度慣導(dǎo)數(shù)據(jù)中提取全局位置信息。全局位置信息包含GPS信息和歐拉角,其中歐拉角由翻滾角(roll)、俯仰角(pitch)和航向角(yaw)組成。
點(diǎn)云二維特征表征。首先通過(guò)極化表征將激光點(diǎn)云數(shù)據(jù)轉(zhuǎn)化成極化圖,本文所選用VLP-16 LiDAR的激光掃描線數(shù)、水平視場(chǎng)和水平角分辨率分別為16、360°、0.2°,故極化圖的分辨率為1 800×16,根據(jù)每個(gè)點(diǎn)云所在激光掃描線位置及水平視場(chǎng)角度確認(rèn)其像素坐標(biāo)并以其與LiDAR的歐式距離作為灰度值進(jìn)行投影,生成極化圖。其次對(duì)極化圖進(jìn)行切割及預(yù)處理并提取預(yù)處理圖像子塊的SURF和ORB全局特征,具體而言:1)將極化圖切割成N個(gè)圖像子塊,本文N為30,圖像子塊分辨率為60×16;2)對(duì)圖像子塊進(jìn)行直方圖均衡化和尺寸歸一化(63×63)處理;3)將處理后的圖像子塊中心作為特征點(diǎn),整個(gè)圖像子塊作為特征點(diǎn)的鄰域;4)計(jì)算特征描述符,并將此描述符作為圖像子塊的全局特征描述符。最終得到的SURF全局特征描述符是一個(gè)64維的向量,ORB全局特征是一個(gè)256位的二進(jìn)制字符串,見(jiàn)圖3。
圖3 SURF(上方)和ORB(下方)全局特征Fig.3 SURF (above)and ORB (below)holistic features
點(diǎn)云三維特征表征。首先基于極化圖像的列式評(píng)估方法[10]完成地面點(diǎn)云提取并將其作為一類特殊的聚類點(diǎn)簇,地面點(diǎn)云對(duì)后續(xù)的面特征點(diǎn)提取具有重要意義。其次基于圖像的點(diǎn)云聚類方法[11]對(duì)極化圖上非地面點(diǎn)云進(jìn)行聚類,需要注意的是,小物體(例如樹葉)點(diǎn)云會(huì)在后續(xù)的特征點(diǎn)云提取中形成瑣碎且不可靠的特征點(diǎn)云,而車輛在兩次不同的激光數(shù)據(jù)采集中,很難捕捉到同一個(gè)小物體,為了提取到可靠的特征點(diǎn)云,通過(guò)設(shè)置聚類點(diǎn)云數(shù)量閾值kp篩除小物體聚類點(diǎn)簇,本文kp=30。聚類結(jié)果如圖4(b)所示,圖4(a)為原始點(diǎn)云。最后提取點(diǎn)云三維特征,即面特征點(diǎn)云和角特征點(diǎn)云,特征提取方式與LOAM[5]類似,不同的是,本文在聚類點(diǎn)云中完成特征提取,具體而言:1)計(jì)算點(diǎn)云Pi的曲率ci,計(jì)算公式為
圖4 點(diǎn)云聚類Fig.4 Point cloud clustering
(2)
式中:S為與Pi在極化圖上呈行連續(xù)的點(diǎn)集且均勻分布在Pi兩側(cè),ri為Pi在極化圖中對(duì)應(yīng)點(diǎn)的灰度值,rj為S中第j個(gè)點(diǎn)云在極化圖中對(duì)應(yīng)點(diǎn)灰度值;2)點(diǎn)云分類,通過(guò)設(shè)置曲率閾值cth將點(diǎn)云劃分為面特征點(diǎn)(ci
本文在線定位采用多尺度漸進(jìn)定位策略,通過(guò)基于GPS/拓?fù)浣Y(jié)構(gòu)的初定位,基于點(diǎn)云二維特征的節(jié)點(diǎn)級(jí)定位和基于點(diǎn)云三維特征的度量級(jí)定位,獲取智能車位姿,具體實(shí)施如下。
基于GPS/拓?fù)浣Y(jié)構(gòu)的初定位。定位之前需利用LiDAR對(duì)GPS接收機(jī)進(jìn)行標(biāo)定以獲取其在LiDAR坐標(biāo)系中的位置PGPS,方法與制圖所用相同。
標(biāo)定完成后,根據(jù)以下兩種情況進(jìn)行初定位:
1)GPS信號(hào)良好時(shí),匹配待定位節(jié)點(diǎn)與地圖節(jié)點(diǎn)的GPS,完成初定位。設(shè)待定位節(jié)點(diǎn)L的粗GPS為gl=(al,bl),地圖節(jié)點(diǎn)序列Mi的高精度GPS為Gm={gm1,gm2,…,gmi,…}={(am1,bm1),(am2,bm2),…,(ami,bmi),…},計(jì)算待定位節(jié)點(diǎn)與地圖節(jié)點(diǎn)的歐氏距離并通過(guò)設(shè)置距離閾值kg對(duì)地圖節(jié)點(diǎn)進(jìn)行篩選,計(jì)算公式為:
(3)
Dl={Umi|dist(Ul,Umi)≤kg}
(4)
式中:Ul=(Xl,Yl)為待定位節(jié)點(diǎn)的粗GPS數(shù)據(jù)經(jīng)轉(zhuǎn)化后的歐氏坐標(biāo),Umi=(Xmi,Ymi)為第i個(gè)地圖節(jié)點(diǎn)的高精度GPS數(shù)據(jù)經(jīng)轉(zhuǎn)化后的歐氏坐標(biāo),trans()為GPS坐標(biāo)轉(zhuǎn)歐氏坐標(biāo)的公式,dist()為歐氏距離計(jì)算公式,Dl為符合要求的地圖節(jié)點(diǎn)集合。由于普通GPS的定位精度為10 m,故kg=10。
2)GPS信號(hào)缺失時(shí),利用拓?fù)浣Y(jié)構(gòu)完成初定位,示意圖見(jiàn)圖5。在很短的時(shí)間內(nèi),智能車被認(rèn)為勻速運(yùn)動(dòng),可通過(guò)前一位置來(lái)預(yù)測(cè)智能車當(dāng)前位置范圍。智能車在ti-1時(shí)刻的位置為Ui-1,di-1為智能車從ti-2到ti-1時(shí)刻的移動(dòng)距離,由于之前位置已知,故智能車在ti時(shí)刻的位置可用下式推導(dǎo)
圖5 拓?fù)涑醵ㄎ籉ig.5 Coarse localization based on topology
(5)
由于拓?fù)涠ㄎ淮嬖谡`差dε,則智能車的位置范圍為Ui±dε,以此范圍篩選地圖節(jié)點(diǎn)。dε根據(jù)實(shí)際設(shè)置,本文dε=10 m。
基于點(diǎn)云二維特征的節(jié)點(diǎn)級(jí)定位。首先基于極化表征將待定位節(jié)點(diǎn)激光點(diǎn)云數(shù)據(jù)轉(zhuǎn)化成極化圖并進(jìn)行切割及預(yù)處理,提取預(yù)處理圖像子塊的SURF和ORB全局特征,方法與制圖所用相同。其次匹配待定位節(jié)點(diǎn)和初定位結(jié)果的SURF和ORB全局特征,為了更準(zhǔn)確表達(dá)不同極化圖之間的相似度,本文提出了加權(quán)特征匹配算法,具體而言:1)待定位節(jié)點(diǎn)與初定位結(jié)果分別進(jìn)行SURF和ORB全局特征匹配;2)計(jì)算SURF和ORB特征距離加權(quán)均值,距離值越小,說(shuō)明不同極化圖之間的相似度越高,具體計(jì)算公式為
(6)
式中:nf為相匹配的特征點(diǎn)對(duì)數(shù)目,dfi為第i個(gè)相匹配特征點(diǎn)對(duì)之間的距離,df為不同極化圖之間的特征距離。加權(quán)特征匹配算法通過(guò)對(duì)圖像進(jìn)行區(qū)域劃分,將區(qū)域圖像作為特征并進(jìn)行匹配,利用匹配特征間的距離加權(quán)均值作為不同圖像的特征距離,更加準(zhǔn)確地表達(dá)了不同圖像的相似度。最后通過(guò)WH-KNN算法挑選最近的地圖節(jié)點(diǎn),WH-KNN算法通過(guò)引入權(quán)值解決識(shí)別模糊性問(wèn)題,結(jié)合加權(quán)特征匹配算法,極大提高了最近節(jié)點(diǎn)檢測(cè)的正確率。
基于點(diǎn)云三維特征的度量級(jí)定位。首先通過(guò)待定位節(jié)點(diǎn)極化圖完成點(diǎn)云聚類、特征點(diǎn)云提取,方法與制圖所用相同,需要注意的是,待定位節(jié)點(diǎn)只需從子圖像每行點(diǎn)云中挑選較少數(shù)量的角特征點(diǎn)和面特征點(diǎn)即可,本文挑選數(shù)量分別為2和4。其次匹配待定位節(jié)點(diǎn)和最近地圖節(jié)點(diǎn)的角特征點(diǎn)和面特征點(diǎn),匹配方式分別為點(diǎn)到線和點(diǎn)到面的特征匹配方法[5]。再次利用標(biāo)定獲取的GPS接收機(jī)位置參數(shù)PGPS和組合慣導(dǎo)定位接收器位置參數(shù)PINS對(duì)匹配點(diǎn)云對(duì)進(jìn)行坐標(biāo)修正,地圖數(shù)據(jù)采集時(shí),以組合慣導(dǎo)定位接收器代替車輛的位置,而在線定位時(shí),以GPS接收機(jī)代替車輛的位置,所以應(yīng)將點(diǎn)云坐標(biāo)原點(diǎn)分別移至兩者處,計(jì)算公式為
(7)
式中:Pbefore={xbefore,ybefore,zbefore}為修正前的點(diǎn)云坐標(biāo),Pafter={xafter,yafter,zafter}為修正后的點(diǎn)云坐標(biāo),Pc={xc,yc,zc}為GPS接收機(jī)或組合慣導(dǎo)定位接收器位置參數(shù)。最后通過(guò)修正后的匹配點(diǎn)云對(duì)坐標(biāo)及L-M算法計(jì)算待定位節(jié)點(diǎn)與最近地圖節(jié)點(diǎn)的旋轉(zhuǎn)向量R和平移向量T,結(jié)合最近地圖節(jié)點(diǎn)的全局位置信息,即可獲取待定位車輛的位置和姿態(tài),完成定位。
實(shí)驗(yàn)在兩種典型場(chǎng)景下進(jìn)行:1)某高校園區(qū)閉環(huán)路線,見(jiàn)圖6(a),該路線長(zhǎng)為600 m,覆蓋面積為15 000 m2;2)某工業(yè)園區(qū)閉環(huán)路線,見(jiàn)圖6(b),該路線長(zhǎng)為891 m,覆蓋面積為20 900 m2。極化地圖構(gòu)建采用Velodyne VLP-16 LiDAR與組合慣導(dǎo)結(jié)合RTK技術(shù)來(lái)完成,在線定位采用Velodyne VLP-16 LiDAR與普通GPS接收機(jī)來(lái)完成。VLP-16 LiDAR的最大測(cè)量范圍為100 m,精度為3 cm,16條激光掃描線,垂直視場(chǎng)為30°(±15°),垂直角分辨為2°,水平視場(chǎng)為360°,水平角分辨率可在0.1°~0.4°中進(jìn)行選擇,本文設(shè)置的掃描速率為10 Hz,水平角分辨率為0.2°;組合慣導(dǎo)的工作速率為10 Hz,結(jié)合RTK技術(shù)后的定位精度為1 cm;普通GPS接收機(jī)的定位精度為10 m;本文系統(tǒng)的運(yùn)算平臺(tái)為具有2.8 GHz i7-7700HQ CPU的筆記本電腦。場(chǎng)景1采用比亞迪E5電動(dòng)車作為測(cè)試車,實(shí)驗(yàn)平臺(tái)見(jiàn)圖6(c);場(chǎng)景2采用智能物流車作為測(cè)試車,實(shí)驗(yàn)平臺(tái)見(jiàn)圖6(d)。
圖6 實(shí)驗(yàn)場(chǎng)景與平臺(tái)Fig.6 Experimental scenarios and platforms
首先在閉環(huán)路線上采集數(shù)據(jù)構(gòu)建極化地圖,數(shù)據(jù)采集頻率1 m/次,每次采集數(shù)據(jù)包括一幀高精度慣導(dǎo)數(shù)據(jù)和一幀點(diǎn)云數(shù)據(jù)。極化地圖構(gòu)建完成后,進(jìn)行在線定位實(shí)驗(yàn),該閉環(huán)路線上共786個(gè)待定位節(jié)點(diǎn),地圖采集和在線定位時(shí)間間隔超過(guò)24 h。本文選取Tao等[12]提出的算法作為節(jié)點(diǎn)級(jí)定位對(duì)比算法,該算法首先將待定位節(jié)點(diǎn)和地圖節(jié)點(diǎn)的點(diǎn)云俯視投影圖進(jìn)行ORB特征匹配并利用RANSAC(random sample consensus)算法去除錯(cuò)誤匹配點(diǎn)對(duì),其次根據(jù)匹配點(diǎn)對(duì)數(shù)量選取最近地圖節(jié)點(diǎn)。若通過(guò)節(jié)點(diǎn)定位獲取的地圖節(jié)點(diǎn)與待定位節(jié)點(diǎn)的GPS真值(ground truth)距離最短,則認(rèn)為節(jié)點(diǎn)定位正確。同時(shí),本文選取經(jīng)典的SLAM算法LOAM[5]作為度量級(jí)定位對(duì)比算法。本文算法在該閉環(huán)路線上的定位軌跡見(jiàn)圖7(a),定位誤差見(jiàn)圖7(b),對(duì)比實(shí)驗(yàn)結(jié)果見(jiàn)表1。
表1 高校園區(qū)對(duì)比實(shí)驗(yàn)Tab.1 Comparative experiment on campus
圖7 高校園區(qū)定位結(jié)果Fig.7 Localization results of campus
在該閉環(huán)路線上,本文算法正確定位最近地圖節(jié)點(diǎn)個(gè)數(shù)為773,節(jié)點(diǎn)定位準(zhǔn)確率為98.3%,度量級(jí)定位誤差為33.2 cm,最大定位誤差為42.9 cm,滿足智能車高精度定位需求。與Tao等提出的算法和LOAM算法相比,本文算法節(jié)點(diǎn)級(jí)定位準(zhǔn)確率提高了51.2%,度量級(jí)定位誤差降低了43.1 cm。
與高校園區(qū)的定位實(shí)驗(yàn)相似,首先在該閉環(huán)路線上采集數(shù)據(jù)構(gòu)建極化地圖,其次進(jìn)行在線定位,該閉環(huán)路線上共5 205個(gè)待定位節(jié)點(diǎn),構(gòu)圖與定位的時(shí)間間隔超過(guò)24 h,分別選取Tao等提出的算法和LOAM算法作為節(jié)點(diǎn)級(jí)定位和度量級(jí)定位的對(duì)比算法。本文算法在該閉環(huán)路線上的定位軌跡和定位誤差分別如圖8(a)和8(b)所示,對(duì)比實(shí)驗(yàn)結(jié)果見(jiàn)表2。
表2 工業(yè)園區(qū)對(duì)比實(shí)驗(yàn)Tab.2 Comparative experiment on factory
圖8 工業(yè)園區(qū)定位結(jié)果Fig.8 Localization results of factory
在該閉環(huán)路線上,本文算法正確定位最近地圖節(jié)點(diǎn)個(gè)數(shù)為5 138,節(jié)點(diǎn)定位準(zhǔn)確率為98.7%,度量級(jí)定位誤差為19.6 cm,最大定位誤差為38.4 cm,滿足智能車高精度定位需求。與Tao等提出的算法和LOAM算法相比,本文算法節(jié)點(diǎn)級(jí)定位準(zhǔn)確率提高了52.4%,度量級(jí)定位誤差降低了77.8 cm。
本文提出一種基于三維點(diǎn)云極化地圖表征模型的智能車定位算法,以點(diǎn)云極化圖為節(jié)點(diǎn),采用多尺度漸進(jìn)定位策略,首先利用GPS/拓?fù)浣Y(jié)構(gòu)完成初定位,其次利用點(diǎn)云二維特征完成節(jié)點(diǎn)級(jí)定位,最后利用點(diǎn)云三維特征完成度量級(jí)定位,通過(guò)兩種典型場(chǎng)景的實(shí)驗(yàn)驗(yàn)證,結(jié)論如下:
1)通過(guò)極化地圖和點(diǎn)云二維特征定位最近地圖節(jié)點(diǎn),整體節(jié)點(diǎn)定位準(zhǔn)確率,即兩種實(shí)驗(yàn)場(chǎng)景的平均節(jié)點(diǎn)定位準(zhǔn)確率,為98.7%,證明該方法可有效定位最近地圖節(jié)點(diǎn)。
2)通過(guò)基于三維點(diǎn)云極化地圖表征模型的多尺度定位算法實(shí)現(xiàn)智能車定位,整體定位誤差,即兩種實(shí)驗(yàn)場(chǎng)景的平均定位誤差,為21.4 cm,最大定位誤差為42.9 cm,滿足智能車高精度定位需求。
3)實(shí)驗(yàn)中選取了不同的場(chǎng)景和實(shí)驗(yàn)車進(jìn)行測(cè)試,均實(shí)現(xiàn)了高精度定位,證明本文算法在不同的場(chǎng)景和實(shí)驗(yàn)車中具有良好的魯棒性。同時(shí),本文算法在線定位時(shí),只需要LiDAR和普通GPS接收機(jī),降低了定位成本。
本文算法仍存在以下不足之處:1)在相似且特征單一的場(chǎng)景中,定位誤差較大,如對(duì)稱的車道等;2)平均定位誤差只達(dá)到了分米級(jí),尚未達(dá)到厘米級(jí)。利用定位過(guò)程中的誤差信息作為反饋對(duì)制圖過(guò)程進(jìn)行干預(yù),即利用眾包技術(shù)提高地圖表征能力,降低定位誤差,將是本文下一階段的重點(diǎn)研究計(jì)劃。