自动驾驶汽车综述.pdf

发布时间：2022-05-31 发布人：admin 分类：说明书资料大小：0.83M 资料格式：pdf 举报版权申诉

qq_26623879-11635298-4744300845389311181.pdf-第1页.png

第1页 / 共42页

qq_26623879-11635298-4744300845389311181.pdf-第2页.png

第2页 / 共42页

qq_26623879-11635298-4744300845389311181.pdf-第3页.png

第3页 / 共42页

qq_26623879-11635298-4744300845389311181.pdf-第4页.png

第4页 / 共42页

qq_26623879-11635298-4744300845389311181.pdf-第5页.png

第5页 / 共42页

qq_26623879-11635298-4744300845389311181.pdf-第6页.png

第6页 / 共42页

qq_26623879-11635298-4744300845389311181.pdf-第7页.png

第7页 / 共42页

qq_26623879-11635298-4744300845389311181.pdf-第8页.png

第8页 / 共42页

Claudine Badue, Rânik Guidolini, Raphael V. Carnei

Forechi, Luan F. R. Jesus, Rodrigo F. Berriel, Thi

Departamento de Informática

Universidade Federal do Espírito Santo

Vitória, Brasil

{claudine, ranik. carneiro.raphael, pedro, viniciu

I.引言

II.自动驾驶汽车架构概述

III.感知

1）基于激光雷达的定位

2）激光雷达加摄像头定位

3）基于相机的定位

B.离线障碍物建图

2）连续空间度量表示法

C.道路建图

1）路线图表示

a)度量建图

b)拓扑表示

2）道路地图创建

a)手工标注

b)自动生成

D.运动物体跟踪

E.交通信号检测和识别

IV.决策

A.路线规划

1）目标导向技术

2）基于分离器的技术

3）分层技术

4）有界跳跃技术

5）组合方法

1)路径规划

2)轨迹规划

C.控制

1）路径跟踪方法

2）硬件驱动控制方法

V.UFES IARA 汽车架构

VI. 在工业中不断发展的自动驾驶汽车

参考文献

自动驾驶汽车综述 Self-Driving Cars: A Survey

目录 I. 引言........................................................................................................................................................... 3 II. 自动驾驶汽车架构概述..........................................................................................................................4 III. 感知.........................................................................................................................................................6 A. 定位...................................................................................................................................................6 1）基于激光雷达的定位..............................................................................................................6 2）激光雷达加摄像头定位..........................................................................................................7 3）基于相机的定位......................................................................................................................7 B. 离线障碍物建图...............................................................................................................................8 1）离散空间度量表示..................................................................................................................8 2）连续空间度量表示法..............................................................................................................9 C. 道路建图...........................................................................................................................................9 1）路线图表示..............................................................................................................................9 2）道路地图创建........................................................................................................................10 D. 运动物体跟踪.................................................................................................................................11 1）传统的 MOT..........................................................................................................................11 2）基于模型的 MOT..................................................................................................................12 3）基于立体视觉的 MOT..........................................................................................................12 4）基于网格图的 MOT..............................................................................................................12 5）基于传感器融合的 MOT......................................................................................................13 6）基于深度学习的 MOT..........................................................................................................13 E. 交通信号检测和识别..................................................................................................................... 13 1）交通灯检测和识别................................................................................................................13 2）交通标志检测和识别............................................................................................................14 3）路面标记检测和识别............................................................................................................15 IV. 决策...................................................................................................................................................... 15 A.路线规划...........................................................................................................................................15 1）目标导向技术........................................................................................................................16 2）基于分离器的技术................................................................................................................16 3）分层技术................................................................................................................................16 4）有界跳跃技术........................................................................................................................16 5）组合方法................................................................................................................................17 B.运动规划...........................................................................................................................................17 1) 路径规划.................................................................................................................................. 17 2) 轨迹规划.................................................................................................................................. 18 C.控制...................................................................................................................................................20 1）路径跟踪方法........................................................................................................................20 2）硬件驱动控制方法................................................................................................................20 V. UFES IARA 汽车架构.......................................................................................................................... 21 VI. 在工业中不断发展的自动驾驶汽车.................................................................................................. 23 参考文献......................................................................................................................................................25

自动驾驶汽车综述 Self-Driving Cars: A Survey Claudine Badue, Rânik Guidolini, Raphael V. Carneiro, Pedro Azevedo, Vinicius B. Cardoso, Avelino Forechi, Luan F. R. Jesus, Rodrigo F. Berriel, Thiago M. Paixão, Filipe Mutz, Thiago Oliveira-Santos, Alberto F. De Souza Departamento de Informática Universidade Federal do Espírito Santo Vitória, Brasil {claudine, ranik. carneiro.raphael, pedro, vinicius, avelino, luan.jesus, rodrigo.berriel, thiagopx, filipe , todsantos, alberto}@lcad.inf.ufes.br 摘要:我们调查了自 DARPA 挑战后开发的关于自动驾驶汽车的研究，这类汽车配备了可归类为 SAE 3 级的或更高级别的自动驾驶汽车的自主系统。自动驾驶汽车自主系统的体系结构一般分为感知系统和决策系统。感知系统一般分为多个子系统，负责自驾汽车定位、静态障碍物绘制、移动障碍物检测与跟踪、道路绘制、交通信号检测与识别等任务。决策系统通常被划分为许多负责任务的子系统，如路线规划、路径规划、行为选择、运动规划和控制。在本次调查中，我们介绍了自动驾驶汽车自主系统的典型结构。我们还回顾了有关感知和决策方法的研究。此外，我们还详细描述了 UFES 汽车的自主系统 IARA 的体系结构。最后，我们列出了由科技公司开发并在媒体上报道的著名自主研发汽车。关键词:索引术语-自动驾驶汽车、感知、障碍物绘制、道路绘制、定位、移动障碍物检测和跟踪、交通信号检测和识别、决策、路线规划、行为选择、运动规划、控制。 Self-Driving Cars: A Survey Summary: We surveyed research on autonomous vehicles developed since the DARPA challenge, which is equipped with an autonomous system that can be classified as SAE 3 or a higher level of self-driving cars. The architecture of autonomous vehicle independent system is generally divided into perceptual system and decision system. Perception system is generally divided into several subsystems, responsible for self-driving car positioning, static obstacle drawing, mobile obstacle detection and tracking, road drawing, traffic signal detection and identification and other tasks. Decision-making systems are often divided into many subsystems responsible for tasks, such as route planning, Path planning, behavior selection, motion planning, and control. In this survey, we introduced the typical structure of autonomous vehicle self-driving system. We also reviewed the research on perception and decision making methods. In addition, we describe in detail the architecture of the autonomous system Iara of Ufes automobile. Finally, we list the famous autonomous R & amp; d cars developed by technology companies and reported in the media. Key words: Indexing terms-autopilot, perception, obstacle drawing, road drawing, positioning, mobile obstacle detection and tracking, traffic signal detection and identification, decision making, route planning, behavior selection, motion planning, control.

I. 引言自 20 世纪 80 年代中期以来，世界各地的许多大学、研究中心、汽车公司和其他行业的公司都在研究和开发自动驾驶汽车（又称无人驾驶汽车和自动驾驶汽车）。过去的二十年里主要的自动驾驶研究平台有德国联邦国防大学慕尼黑分校 University of the Bundeswehr Munich(UniBw Munich)[DIC87],Navlab 的移动平台[THO91],UniBw Munich 和 DaimlerBenz 的汽车”VaMP”和”VITA-2”[GER14],帕维亚大学 University of Pavia 和帕尔马大学 (University of Parma) 的汽车 ARGO[BRO99],UBM 的”VaMoRs”和”VaMP”[GRE00]。为了促进自动驾驶汽车的技术发展，美国国防高级研究计划局（DARPA）在过去十年里组织了三次竞赛。第一次为 DARPA Grand Challenge 的项目于 2004 年在美国莫哈韦沙漠（Mojave Desert）进行，要求无人驾驶汽车在 10 小时内在 142 英里长的沙漠小径上行驶。所有参赛车辆在最初几英里内都失败了。 DARPA 大挑战[BUE07]于 2005 年再次举行，要求机器人汽车在 132 英里长的路线上行驶，穿过平地、干涸的湖床和山口，包括三条狭窄的隧道和 100 多个急转弯。本次比赛共有 23 名决赛选手和 4 辆赛车在规定的时间内完成了比赛路线。斯坦福大学的汽车“斯坦利” （THR07）位居第一，卡内基梅隆大学的汽车“沙尘暴”和“h1ghlander”分别位居第二和第三。 2007 年，第三次比赛，即 DARPA 城市挑战赛（BUE09），在美国加利福尼亚州前乔治空军基地举行，要求自动驾驶汽车在 6 小时的时间内和其他自动驾驶和人工驾驶的汽车一起，在模拟城市环境中行驶 60 英里长的路线。汽车必须遵守加利福尼亚州的交通规则。这次比赛有 11 名决赛选手和 6 辆赛车在规定的时间内完成了比赛路线。卡内基梅隆大学的汽车“BOSS” [URM08] 位居第一，斯坦福大学的汽车 “Junior ” [MON08]位居第二，弗吉尼亚理工大学的汽车“Odin” [BAC08]位居第三。尽管这些比赛所带来的挑战比日常交通中常见的挑战要简单得多，但它们被誉为自动驾驶汽车发展的里程碑。 DARPA 挑战赛以来，已经进行了许多自驾汽车比赛和试验。例如：2006 年至今年举行的欧洲陆地机器人试验（ELROB）[ELR18]。2009-2013 年智能汽车未来挑战[Xin14]；2009 年至 2017 年的自主车辆竞赛 [AUT 17]；现代自主挑战赛，2010 年[CER11]；vislab 洲际自治挑战赛，2010 年[bro12]；2011 年和 2016 年合作驾驶大挑战赛（GCDC）[GCD16]。还有公共道路 2013 年城市无人驾驶汽车测试[Bro15]。与此同时，全球学术界和工业界对无人驾驶汽车的研究都在加速。机器人汽车研究的著名大学如卡内基梅隆大学（Car18）、斯坦福大学（Stanford University）（Sta18）、麻省理工学院（MIT17）、弗吉尼亚理工学院（Vir18）和 FZI 信息技术研究中心（FZI18）开展相关研究。著名的公司包括谷歌[Way18]、优步[UBE18]、百度[Apo18]、Lyft[Lyf18]、Aptiv[Apt18]、特斯拉[Tes18]、英伟达[Nvidia 18]、Aurora[Aur18]、Zenuity[Zen18]、戴姆勒和博世 [Bos18] 、 Argo Ai[Arg18] ， Renesas Autonomy[Ren18] 、 Almotive[AIM18] Autox[Aut18] ， Mobileye[Mob18]，Ambarella[Amb18]，Pony.ai.[pon18]、 jd[jd18]、idriverplus[idr18]、丰田[toy18]，福特（For18）、沃尔沃（Volv18）,奔驰（Mercedes-Benz）[Mel18]。尽管大学对自驾汽车的研究大多在美国、欧洲和亚洲进行，但在中国、巴西和其他国家也进行了一些相关的调查。巴西自驾汽车研究水平台例如联邦大学的米纳斯•杰拉斯（UFMG ）汽车。CADU [LIM10] [SAB10] [LIM13] [DIA15a], 圣保罗大学的汽车 CARINA [FER14] [MAS14] [SHI16][HAT17],以及大学的联邦政府，特别是圣多里托（UFES）的汽车 IARA [MUT16] [CAR17] [GUI16] [GUI17].IARA 是巴西第一辆在城市道路和高速公路上自主行驶 74 公里的无人驾驶汽车。为了衡量自动驾驶汽车的自主性水平，国际汽车工程师学会（以前简称为 SAE，或汽车工程师协会）发布了一个基于人类驾驶员干预和注意程度的分类系统。他们要求，自动驾驶汽车的自主权等级可以从 L0 （汽车的自主权系统发出警告，可以暂时干预，但没有持续的汽车控制）到 L5（任何情况下都不需要人为干预）[SAE16]。在本文中，我们调查了自 DARPA 挑战以来的自主汽车文献中发表的关于自主汽车的研究，这些自主汽车配备了一个可归类为 SAE 3 级或更高级别的自主系统[SAE16]。自动驾驶汽车自主系统的体系结构通常分为两个

主要部分：感知系统和决策系统[PAD16]。感知系统一般分为多个子系统，负责自驾汽车定位、静态障碍物绘制、移动障碍物检测与跟踪、道路绘制、交通信号检测与识别等任务。决策系统通常被划分为许多负责任务的子系统，如路线规划、路径规划、行为选择、运动规划和控制，尽管这种划分有些模糊，文献中有几个不同的变化[PAD16]。在本次调查中，我们介绍了自动驾驶汽车自主系统的典型结构。我们还回顾了有关感知和决策方法的研究。本文的其余部分结构如下。在第二节中，我们概述了自动驾驶汽车自主系统的典型结构；概述了感知系统、决策系统及其子系统的功能；并概述了文献中关于一些自动驾驶汽车的结构。在第三节中，我们对感知系统的重要方法进行了研究，包括障碍物绘制、道路绘制、定位、移动障碍物检测和跟踪、交通信号检测和识别。在第四节中，我们对决策系统的相关技术进行了研究，包括路径规划、路径规划、行为选择、运动规划和控制子系统。在第五节中，我们详细描述了 UFES 汽车的自主系统 IARA 的体系结构。最后，在第六节中，我们列出了由科技公司开发并在媒体上报道的知名自主研究汽车。 II. 自动驾驶汽车架构概述在本节中，我们概述了自动驾驶汽车自动化系统的典型架构，并对感知系统、决策系统及其子系统的任务进行了概述。图 1 显示了自动驾驶汽车自动化系统的典型结构框图，其中感知和决策系统[PAD16]显示为不同颜色模块。感知系统负责估计车辆状态，并使用车载传感器采集的数据（如光探测和测距（LiDAR）、无线电探测和测距（雷达）、摄像头、全球定位系统（GPS）、惯性测量（IMU）、里程计等，以及与传感器、道路网络、交通规则、汽车动力学等的初始信息。决策系统负责将车辆从初始位置导航到用户定义的最终目标，考虑车辆状态和环境的内部表示，以及交通规则和乘客舒适度。头、全球定位系统（GPS）、惯性测量（IMU）、里程计等，以及与传感器、道路网络、交通规则、汽车动力学等的初始信息。决策系统负责将车辆从初始位置导航到用户定义的最终目标，考虑车辆状态和环图 1 自动驾驶汽车典型的层次结构境的内部表示，以及交通规则和乘客舒适度。为了在整个环境中驾驶汽车，决策系统需要知道汽车在其中的位置。定位器模块（图 1）负责估计与环境静态地图相关的车辆状态（姿态、线性速度、角速度等）。这些静态地图（或离线地图，图 1）在自动运行之前自动计算，通常使用自动驾驶汽车本身的传感器，尽管通常需要手动注释（即人行横道或交通灯的位置）或编辑（即删除传感器捕获的非静态物体）。TSD 表示交通信号检测和 MOT、移动目标跟踪。定位模块接收离线地图、传感器数据和平台里程计的输入，并生成自动驾驶汽车的状态输出（图 1）。值得注意的是，尽管 GPS 可能有助于定位过程，但由于高大树木、建筑物、隧道等造成的干扰，仅 GPS 定位不足以在城市环境中进行准确的定位，这使得 GPS 定位不可靠。我们相关内容在 III.A 节中关于局部定位技术讲述。建图模块接收离线地图和状态作为输入，并生成在线建图作为输出。这种在线地图通常是离线

地图中的信息，传感器数据和当前状态在线计算的占用网格地图的合并。我们在第 III.B 节中分析了关于在线地图计算方法，希望在线地图只包含环境的静态表示，因为这可能有助于决策系统的某些模块的操作。为了检测和删除在线地图中的移动对象，通常使用移动对象跟踪模块或 MOT（图 1）。我们在第 III.D 节中分析了关于自动驾驶汽车中运动物体检测和跟踪方法的文献。其中 kv 是时间 k k 时的所需速度， k 是时间 k 时的所需转向角， kt 是 kc 的持续时间。轨迹将汽车从当前状态平稳安全地到达目标。我们调查了第 IV.B.2 节中有关运动规划方法的文献。避障器模块接收运动规划器计算的轨迹，并在必要时更改轨迹（通常降低速度），以避免碰撞。关于避障器模块功能的实现方法，文献不多。我们将在第 IV.B 节中讨论相关文献。自动驾驶汽车必须识别和遵守水平（车道标志）最后，控制器模块接收运动规划器轨迹，最终由和垂直（如限速、交通灯等）交通信号。交通信号检测模块或 TSD（图 1）负责交通信号的检测和识别。我们分析了第三章 E 中有关交通信号检测和识别方法的文献。如果用户在离线地图中定义了最终目标，那么路线规划模块将在离线地图中计算从当前状态到最避障器进行修改，并计算并向方向盘、油门和制动器的执行机构发送动作指令，使汽车尽可能地执行修改后的轨迹。我们分析了 IV 中关于车辆控制方法的文献。在下面的内容中，我们将详细介绍框架中每一个模块，以终目标的路线。路线是路线点的序列，即，其中每及它们的技术实现以及它们的改进，这些模块分组在个路径点是离线地图中的坐标对，即。我们分析了第 IV.A 节中有关路线规划方法的文献。在给定路线的情况下，路径规划模块根据车辆形态和环境 i w  i ( yx i , ) 2 p ( }  ,  i i yx , pp ,{ 2 1 pp ,{ 1 ，路径是一系列位姿，即 p ,..., ,..., c pp ,..., } p ，其中每个姿势 ip 是一个坐标对。的内部表示以及交通规则，计算出一组奇数路径， P  Pj  在离线地图中，以及在该坐标对定义的位置（即 pi 处的所需汽车方向。中心路径 cp 尽可能与W 对齐，而左侧路径和其是初始姿势与 cP 相同的路径，右侧其余姿势从 cP 向左和向右偏离，具有不同程度的误差。我们在第 IV.B.1 节中有关路径规划方法的文献详细描述。 pp ,{ 1 ,..., ,..., P P   p p p } { } 1  1  ) p 2 c c r i l 行为选择模块负责选择当前的驾驶行为，如车道保持、交叉口处理、红绿灯处理等。它通过在当前状态前几秒（约 5 秒）选择路径, P 中的 jP , jP 中的一个姿势来选择当前的驾驶行为-决策范围和此姿势下的期望速度。 jP 中的成对姿势和相关速度视为目标，目。行为选择器选择一个目标 Goal  v y x ) ( , , ,  g g g g g 标，考虑当前的驾驶行为，并避免在决策范围时间范围内与环境中的静态和移动障碍物发生碰撞。运动规划模块负责计算从当前车辆状态到当前目标的轨迹T ，该轨迹遵循行为选择器定义的路径，满足车辆的运动和动态约束，并为乘客提供舒适性。A 轨 ) ，迹， 是命令序列， cc ,{ 1 2 T  ,..., ck } v ( t , Tc k k k 感知和决策系统中。 III. 感知在本节中，我们对文献中提出的自动驾驶汽车感知系统的重要方法进行了研究，包括定位、离线障碍物建图、道路建图、移动障碍物跟踪和交通信号检测与识别。 A. 定位定位模块负责估计自动驾驶汽车相对于地图或道路的姿态（位置和方向）（例如，由路缘或道路标记表示）。大多数通用定位子系统都是基于 GPS 的。但是，总的来说，它们不适用于城市自驾汽车，因为在树木下、城市峡谷（被大型建筑物包围的道路）或隧道等封闭区域无法保证 GPS 信号。文献中提出了各种不依赖 GPS 的定位方法。它们主要分为三类：基于激光雷达、基于激光雷达与相机和基于相机。基于激光雷达的定位方法完全依赖于激光雷达传感器，具有测量精度高、处理方便等特点。然而，尽管激光雷达行业努力降低生产成本，但与相机相比，它的价格仍然很高。在典型的激光雷达加相机定位方法中，激光雷达数据仅用于构建地图，相机数据用于估计自驾汽车相对于地图的位置，降低了成本。基于相机的定位方法既便宜又方便，尽管通常不

那么精确和/或可靠。 1）基于激光雷达的定位 Levinson 和 Thrun[LEV10]提出了一种定位方法，该方法将环境地图的概率分布的离线网格图用于激光雷达激光（激光缓解网格图，图 2）；他们在工作中使用了 Velodyne HDL-64E 激光雷达。无监督校准方法用于校准 Velodyne HDL-64E 激光束，以便它们对激光雷达所看到的具有相同亮度的物体做出类似的响应。采用二维直方图滤波器[THR05]估计自驾汽车位置。通常，滤波器由两部分组成：运动更新（或预测），以降低基于运动的估计的置信度，以及测量更新（或校正），以提高基于传感器数据的估计的置信度。在运动更新中，车辆运动被建模为从航位推算坐标系（使用 Applanix LV-420 导航系统的惯性更新计算）到离线地图的全局坐标系的高斯噪声漂移的随机运动。图 2 缓存地图在测量步骤中，他们对不同的位移使用在线计算的缓存图与离线计算的缓存图之间的相似性。每个位移对应于柱状图过滤器的一个单元。为了将柱状图归纳成一个单一的姿态估计，他们使用柱状图所建模的概率分布的重心。然而，作者并没有描述他们是如何估计方向的。他们的方法显示了 9 厘米的均方根横向误差和 12 厘米的均方根纵向误差。 Veronese 等人[Ver15]提出了一种 MCL 定位方法，比较卫星航拍图和缓存图。航拍图是从互联网上的资源离线下载的，比如 OpenStreetMap，而缓存图是从激光雷达反射强度数据在线构建的。采用 MCL 算法，利用归一化互信息（NMI），将缓存图与航拍图进行匹配，估计出汽车姿态，计算出粒子的概率。该方法在机器人车“IARA”采集的 6.5 公里数据集上进行了评估，获得了 0.89 米的位置估计精度。这种方法的一个优点是它不需要专门为该方法构建地图。 Hata 和 Wolf[Hat16b]提出了一种基于道路特征检测的定位方法。他们的路缘检测算法使用环压缩分析和最近修剪平方 [HAT16B] 来分析多层激光雷达（ Velodyne HDL-32E）扫描形成的连续同心测量（或环）之间的距离。道路标记检测算法利用 OTSU 阈值[OTS79]对激光雷达反射强度数据进行分析。路缘和道路标记特征存储在网格地图中。采用蒙特卡罗局部化（MCL）算法对汽车进行估计。通过将从多层激光雷达测量中提取的道路特征匹配到栅格地图来估计位姿。在自主车辆“Carina”[FER14]上对该方法进行了评估，显示横向和纵向定位估计误差小于 0.30 m。（a）（b）图 3 Veronese 等人提出的定位方法[V16]。（a）离线占据网格图 -红色矩形是汽车的定位，黑色单元格包含障碍物，白色单元格没有障碍物，蓝色单元格是地图绘制过程中传感器未触及的区域。（b）在线占用网格图。在线地图与离线地图匹配，计算自驾汽车的精确定位。 Rohde 等人[RoH16]提出了一种多层自适应蒙特卡罗定位（ML-AMCL）方法，该方法与三维点匹配算法结合使用。为了估计汽车姿态，从三维激光雷达测量中提取水平层，并使用单独的 AMCL 实例将层与使用三维点注册算法构建的三维点云地图的二维投影对齐。对于每个位姿估计，对一系列里程测量进行一致性检查。检查结果一致的姿态估计融合到最终的姿态估计。根据实际数据对该方法进行评估，相对于 GPS 参考点的位置估计误差为 0.25 米。然而，因为储存的是一张 3D 地图，存储起来比较昂贵。 Veronese 等人[Ver16]提出了一种基于 MCL 算法的定位方法，通过二维在线占据网格图和二维离线占据网格图之间的地图匹配来修正粒子的姿态，如图 3 所示评估了两个地图匹配距离函数：改进了传统的两个网格地图之间的似然场距离，以及两个高维向量之间的标准余弦距离。对 IARA 自驾汽车的试验评价表明，该定位方法能够在 100Hz 左右用余弦距离函数进行定位，横向和纵向误差分别为 0.13 米和 0.26 米。

Wolcott 和 Eustice [WOL17]提出了一种概率局部化方法，将环境建模为高斯混合体的多分辨率地图。道路图表示和一个概率模型,估计汽车如何横穿这个图表。利用这一概率模型和视觉里程测量，他们估计汽它们的高斯混合图代表了多层激光雷达扫描仪（Velodyne HDL-32E）测量的环境高度和反射强度（缓解）分布。利用扩展卡尔曼滤波（EKF）定位算法，对高斯混合多分辨率地图进行三维点云配准，对汽车姿态进行估计。对两辆无人驾驶汽车在恶劣天气条件下的定位估计误差进行了评价，提出了 0.15 米左右的定位估计误差。 2）激光雷达加摄像头定位一些方法使用激光雷达数据建立地图和相机数据来估计自驾汽车相对于该地图的位置。Xu 等人[XU17] 提出了一种将立体图像与三维点云地图匹配的定位方法。该地图由一家测绘公司（http://www.whatmms.com）生成。由几何数据（纬度、经度和海拔）和从里程表、 RTK-GPS 和二维激光雷达扫描仪获取的缓解数据组成。 Xu 等人将地图的三维点从现实坐标系转换为相机坐标系，并从中提取深度和亮度图像。利用 MCL 算法，将从汽车相机拍摄的立体深度和强度图像与从三维点车相对于路线图的位移。采用递归贝叶斯滤波算法，利用车辆的结构和视觉里程测量模型，对车辆的行驶过程进行推理。该算法通过增加当前姿态位于与最新车辆运动（直线行驶距离和最近曲线）相关的图形点的概率，以及降低其位于不相关点的概率，来精确定位车辆在图形中的位置。在 KITTI 视觉里程测量数据集上评估定位方法，并能够在行驶 52 s 后在包含 2150 km 可行驶道路的 18 km2 地图上以 4 m 的精度定位车辆。有些方法使用相机数据来构建特征图。Ziegler 等人在[Ber14]中描述了自主车辆 Bertha 在历史悠久的 Bertha-Benz 纪念路线上自主驾驶的定位方法。提出了两种基于视觉的互补定位技术，即点特征定位（PFL）和车道特征定位（LFL）。在 pfl 中，将当前相机图像与之前在映射期间使用从中提取的 Dird 描述符获取的相机图像序列的图像进行比较。全局位置估计从映射期间捕获的图像的全局位置恢复。在 LFL 中，地图半自动计算，提供道路标记特征（水平道路信号）的全云地图中提取的深度和强度图像进行匹配，以估计汽局几何表示。车位置。根据实际数据对该方法进行了评估，并给出了 0.08 m 至 0.25 m 之间的位置估计误差。 Viswanathan 等人[vis16]提出了一种将地面全景图像与一年中不同季节拍摄的卫星图像相匹配的自动驾驶汽车定位方法。在其方法中，激光雷达数据分为地面/非地面类别。接下来，利用激光雷达数据将自驾汽车中全景相机拍摄的地面图像分割成地面/非地面区域，然后进行扭曲以获得鸟瞰图。卫星图像也被分割成地面/非地面区域，使用 Kmeans 聚类。然后使用 MCL 通过将鸟瞰图像与卫星图像相匹配来估计姿态。在 NavLab11 自动驾驶汽车上对该方法进行了测试，实现了 3 米到 4.8 米之间的位置估计误差。 3）基于相机的定位有些方法主要依靠相机数据来定位自动驾驶汽车。 Brubaker 等人[Bru16]提出了一种基于视觉里程计和道路图的定位方法。他们使用 OpenStreetMap，从中提取所有交叉口和连接感兴趣区域的所有可行驶道路（以分段线性段表示）。然后，他们建立了一个基于图表的通过检测和关联从相机图像的鸟瞰图中提取的道路标记特征与地图中存储的水平道路信号，当前相机图像与地图匹配。然后，通过卡尔曼滤波器（作者不提供组合定位误差的估计值）将 PFL 和 LFL 得到的定位估计结合起来。Jo 等人提出了类似于 LFL 的定位方法。[Jo15]，Suhr 等人[Suh17]和 Vivaqua 等人[Viv17]。一些方法建议使用神经网络来定位自动驾驶汽车 [Lyr15][Oli17]。它们由相关的相机图像和相关的全局位置组成。在建图阶段，用神经网络构建环境的表示。为此，它学习图像序列和图像被捕获的全局位置，这些图像存储在神经地图中。在定位阶段，神经网络利用神经地图提供的先前获得的知识，从当前观察到的图像估计全局位置。这些方法存在米级误差，难以在大面积上定位自动驾驶车辆。 B. 离线障碍物建图离线障碍物建图子系统负责计算自动驾驶汽车环境中的障碍物建图。该子系统是使自动驾驶车辆能够在公共道路上安全行驶而不与障碍物（如路标、路缘）

分享到：

赞收藏

资料库

自动驾驶汽车综述.pdf

相关推荐

人工智能

热门标签

最新资料