论文部分内容阅读
定位是自动驾驶汽车研究领域中的核心问题之一,也是机器人系统感知-规划-控制三层体系中最基础的环节之一。稳定高频的高精度定位是自动驾驶汽车安全行驶的保证,公共道路场景下的自动驾驶要求定位误差控制在20厘米以内,为了实现厘米级的定位,主流的定位方法分为两类:以全球卫星导航系统(Global Navigation Satellite System,GNSS)为基础的定位技术和以高精度地图为基础的定位技术。基于全球卫星导航系统的定位技术被广泛应用于定位领域,其具备全天候、无需通信、可移动定位等特点,根据接收机的不同,基于GNSS的定位误差在数厘米到数米之间。对于自动驾驶汽车应用领域而言,可以通过结合GNSS和实时差分定位技术(Real-time Kinematic,RTK)、惯性导航系统(Inertial Navigation System,INS)进一步提高定位精度,以达到自动驾驶汽车厘米级定位精度的要求。然而,基于GNSS的定位方法易受环境地形的影响,在自然峡谷、隧道、高楼林立的城市道路等环境中,卫星信号的传播受到干扰而造成定位精度下降,因此基于全球卫星导航系统的定位方法难以在自动驾驶领域推广应用。基于高精度地图的匹配定位是目前自动驾驶汽车领域主流的一种定位方法,高精度地图不仅能够提供实时高频的厘米级定位,同时,其包含的大量道路语法标注信息能够帮助无人驾驶汽车理解道路静态语义。本文提出了一种基于全卷积神经网络(Fully Convolutional Network,FCN)的非地图元素过滤方法,并基于此方法提出了FCN-NDT高精度地图优化方法,研究了基于优化地图和普通地图的正态分布变换(Normal Distributions Transform,NDT)定位稳定性,并且比较了基于优化地图NDT匹配定位方法相较于实时动态定位-惯性导航(RTK-INS)组合定位方法在城市道路下的定位精度和稳定性。主要研究内容包括:第一,提出了一种基于全卷积神经网络的点云非地图元素语义分割方法,该方法能够端到端地对点云数据中的非地图目标进行分割和分类,实验结果表明该方法具备良好的检测精度,并且在实时性方面优于目前广泛使用的VoxelNet。第二,提出了FCN-NDT高精度地图优化方法,该方法利用FCN提取地图元素点和非地图元素点,结合NDT匹配方法和RTK-INS定位数据将地图元素点添加至地图中,在高精度地图构建的过程中自动化地过滤掉点云中的非地图目标(如行人、车辆和货车等),为后期道路标注识别提供清晰的路面信息。第三,研究了优化地图对于NDT匹配定位稳定性的影响,对照实验表明,采用本研究构建的优化地图在定位的稳定性方面要优于原始地图,并且定位精度和实时性均满足城市道路场景下自动驾驶汽车的需求。第四,开展了优化地图NDT定位方法和RTK-INS定位方法在城市道路下的对照实验,分析了本方法相对于RTK-INS方法在城市道路场景下的优势。实验结果表明本文提出的方法能够有效优化高精度地图,滤除地图中的非地图动态元素。基于优化地图NDT匹配定位方法能够实现城市道路下的高频高精度定位,相比于RTK-INS组合导航定位,本方法的定位稳定性更高,更适合于城市道路场景下的自动驾驶汽车。