1、上海交通大学硕士学位论文基于激光雷达的智能车定位技术研究姓名：伍舜喜申请学位级别：硕士专业：控制理论与控制工程指导教师：杨明20080201上海交通大学硕士论文 摘 要 I基于激光雷达的智能车定位技术研究 摘 要 智能车的定位问题，是智能车辆自主导航研究中最重要的内容之一。在众多车载传感器中，激光雷达测量精度高，已经成为大部分智能车车载的一种传感器。基于激光雷达的定位技术也得到了研究人员的重视。 本文针对传统的基于路标定位方法中路标检测的可靠性问题，提出了基于路标对的智能车定位方法。该方法把路标对作为环境地图的特征，提高了路标检测的可靠性和鲁棒性；并利用扩展卡尔曼滤波进行位姿跟踪，进一步提高定
2、位的精度。大量的仿真数据和实际数据实验证明该方法中路标检测成功率可达100%，具有很高的可靠性和抗干扰性。 基于路标对的定位方法，虽然解决了环境中路标检测的可靠性问题，但是该方法需要在环境中摆放人工路标对，这就限制了其在大范围环境下的运用。为了解决这一问题，提出了基于自然柱状特征地图的智能车定位方法。该方法利用环境中现有的柱状特征进行定位，无需人工路标；上海交通大学硕士论文 摘 要 II不仅可以利用基于卡尔曼滤波的地图自动生成算法自动建立环境中的柱状特征地图，并且在此柱状特征地图基础上，采用迭代最近点算法可以大大提高车辆定位精度。该方法也得到了大量仿真数据和实际数据实验的验证。 针对环境特征地
3、图中传感器的误差传递问题，提出了基于激光雷达传感器记忆的智能车定位方法。该方法直接利用原始的传感器数据进行定位，可以得到更高的定位精度。大量的仿真数据和实际数据实验结果表明，该方法具有较高的鲁棒性，并能得到相当高的定位精度。 关键词：智能车辆，激光雷达，定位 上海交通大学硕士论文 ABSTRACT IIIRESEARCH ON LOCALIZATION FOR INTELLIGENT VEHICLES USING LASER RADAR ABSTRACT Localization for intelligent vehicles is one of greatest importance pa
4、rts in the research field of intelligent vehicles. Among lots of sensors, with its high precision in distance measurement, laser radar has become a common sensor on board for most intelligent vehicles. Also, researchers have attached great importance on the localization technology based on laser rad
5、ar. In this thesis, aiming at solving the reliability of the traditional landmark based localization method, Landmark Pair based Localization Method is proposed. This method uses the landmark pair as the map feature to enhance the reliability and robustness of landmark detection; to do pose track us
6、ing 上海交通大学硕士论文 ABSTRACT IVKalman filter in order to obtain more accurate pose estimation. It has been verified on both synthetic data and real range data in the outdoor environment. Experimental results demonstrate that the landmark detection rate is 100% and this method has very high reliability an
7、d robustness. Landmark Pair based Localization Method can provide high reliability of landmark detection, but this method needs to put some artificial landmarks in the environment, which is the limitation for wide range application. As for this problem, Natural Pole Map based Localization Method is
8、proposed, which uses the natural pole-like objects as the map feature and need not to modify the environment. This method can build the map automatically using a Kalman filter based Mapping algorithm, and can obtain very high pose accuracy using an Iterative Closest Points algorithm. Experimental re
9、sults show the wonderful performance of this method. Aiming at reducing the error transfer problem, Sensor Memory based Localization Method is proposed, which uses the original data of laser radar to do pose estimation and has considerable high pose accuracy. Also, this method has been verified by b
10、oth synthetic data and real range data. Experimental results show its high robustness and accuracy of localization. 上海交通大学硕士论文 ABSTRACT VKEY WORDS: Intelligent vehicles, Laser radar, Localization 上海交通大学 学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本
11、文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名：伍舜喜 日期：2008 年 2 月 18 日 上海交通大学 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权上海交通大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 保密，在 年解密后适用本授权书。 本学位论文属于 不保密。 （请在以上方框内打“”） 学位论文作者签名：伍舜喜 指导教师签
12、名：杨 明 日期：2008 年 2 月 18 日 日期：2008 年 2 月 18 日 上海交通大学硕士论文 第一章 绪 论 1第一章 绪 论 1.1 课题背景 机器人技术的发展程度体现了一个国家的高科技水平、经济综合实力和工业自动化程度。在当今世界里，机器人在生产生活中的应用越来越广泛，正在逐步代替人发挥着日益重要的作用。机器人技术是综合了计算机、控制论、信息和传感技术、人工智能、机构学、仿生学等多学科而形成的高新技术，集多学科的发展成果，代表着高技术的发展前沿，是世界科技研究的热点。 随着计算机、微电子、信息技术和机器人技术的快速发展，移动机器人不仅在工业制造方面，而且在军事、民用、科研等
13、许多方面得到了广泛应用12。它们的工作环境也从单纯的室内环境变成了今天的各种环境，包括天空、地下、水下、地面等。其中地面作为人类大部分活动的地面移动机器人的研究从很早就开始了。在军事上，移动机器人可以代替人类到危险地带完成排雷、侦察等任务；在民用方面，移动机器人涉足到自动或辅助驾驶系统，以及智能轮椅等帮助残疾人士的应用；在科研方面，移动机器人可以完成探索外太空的使命。如今，机器人正朝着智能化和多样化等方向发展。同时，机器人涉及到的技术也不断扩展，如多传感器信息融合、路径规划、机器人视觉、智能人机接口等，产生了一系列的研究课题。 智能车，也称为无人自动驾驶车辆，是室外轮式移动机器人在交通领域的重
14、要应用2。它使用车载传感器，例如激光雷达、GPS、里程计、视觉、磁传感器等，感知车辆运行环境，并根据感知所获得的车辆位姿、道路和障碍物信息，进行智能车的自主导航。无人自动驾驶车辆从根本上改变了传统的车辆控制方式，即“车-路-人”闭环控制方式，将不可观且不可控的驾驶员从该闭环系统中请出去，并用相对上海交通大学硕士论文 第一章 绪 论 2可靠的车载电脑来控制车辆，车辆控制方式变成了“车-路”闭环控制方式，从而大大提高交通系统的效率和安全性。智能车的关键技术与移动机器人基本相同，大致包括定位技术、车辆控制技术和安全三个方面。而定位技术是智能车最基本的环节3，也是智能车技术研究的基础性问题。 1.2
15、国内外智能车的发展概况 1.2.1 国外概况 如前所述，机器人研究、制造和应用水平是一个国家科技和经济综合实力的一个指标。因此机器人研究受到世界强国的重视。在这方面，美国、日本、欧盟等都走在了世界前列。 世界第一辆智能车于1979年在日本研制成功14。该样车上装有两台TV摄像机以及专用信号处理器，当时测试最高时速可达30km/h。 美国也在智能车领域投入了大量的资金和深入的研究，它也是最早从事智能车研究的国家之一。早在上个世纪八十年代初期，在美国DARPA(国防部)的支持下，CMU，Stanford和麻省理工大学等单位就已经开展了针对智能车的广泛研究。这些单位也在过去几十年内取得了令人振奋的研
16、究成果，如卡内基梅隆大学(Carnegie Mellon University, CMU)机器人研究所研制的NavLab系列机器人4，其中最新的NavLab-11智能车上安装的传感器有GPS、陀螺仪、激光雷达和全景摄像机等，如图1所示。自从2004年以来，美国DARPA连续三年先后举行了三届智能车挑战赛(Grand Challenge)活动，不仅赢得了来自世界各地相关专家们的参与，也进一步推动了智能车领域和智能车技术的飞速发展。该赛事由第一届参赛者的全军覆没，到第二届在美国西南部的沙漠环境下举行，到第三届在美国城市环境下运行，每一届都有许多惊人的进步。其中比较典型的智能车包括分别获得后两届冠军
17、的来自Stanford的Stanley智能车和来自CMU的BOSS智能车。 上海交通大学硕士论文 第一章 绪 论 3图1 卡内基梅隆大学的NavLab11智能车 Fig.1 NavLab11 Intelligent Vehicle for CMU 在欧洲，智能车的发展也已经初具成效，并逐渐成立了统一的合作组织。其中，欧盟的代表性研究项目包括第五框架的CyberCars和CyberMove项目、第六框架的CyberCars-2项目等567。经过几年的研究，已经获得了初步的成功，部分系统已投入实际运行。例如，Frog公司于1997年12月，就有ParkShuttle在荷兰阿姆斯特丹Schiphol
18、机场的应用，如图2所示，但那只是最早期的技术，在两地间按既定路线行驶，没有过多的人车交流。 上海交通大学硕士论文 第一章 绪 论 4图2 Frog公司CyberCar在机场的应用 Fig.2 Frog CyberCar in Schiphol Airport 1999年2月，在荷兰鹿特丹，同样的技术用于ParkShuttle在Rivium商业区的应用上。2002年，CyberCab在荷兰2002年园艺博览会上进行了客人的运送试验，如图3所示，这时技术已经相对成熟，能够进行一定的人车交流，在既定路线上完成客人的运送服务。 图3 雅马哈公司的智能车辆CyberCab Fig.3 CyberCab
19、from Yamaha 在2003年10月，丹麦RUF 双模式单轨系统进行了演示。2004年6月，法国上海交通大学硕士论文 第一章 绪 论 5的欧盟CyberCars/CyberMove项目进行了最终的演示。2005年6月，法国南锡进行了法国MobiVip项目的演示，这一系列的演示见证了无人驾驶车技术在欧盟的起步和发展。 1.2.2 国内概况 与国外研究情况相比，国内的智能车辆研究起步较晚，规模较小，但也取得了很大的进展。开展这方面研究工作的单位主要是一些大学和研究所，如国防科技大学、清华大学、吉林大学、上海交通大学等。其中在“八五”期间由包括浙江大学在内的国内六所重点大学联合研制成功的我国第
20、一辆智能车ALVLAB1124，其总体性能达到了当时国际先进水平。实际演示表明，该车具有自主行驶、跟踪道路、避障、越野及岔路选择等功能，在直路上自主行使最高速度达21.6km/h，转弯及避障速度也达12km/h。而“九五”期间的研制的ALVLABII124，全部实验在北京某装甲兵实验场完成，道路环境下自主行使最高速度为74km/h，正常行使速度为30.6km/h，越野环境白天行使最高速度为24km/h，夜间行驶最高速度为15km/h，同时支持临场感遥控驾驶及战场侦查等功能。 THMR-V (TsingHua Mobile Robot V)清华V型智能车是清华大学计算机系智能技术与系统国家重点实
21、验室在中国科学院院士张钹主持下研制的新一代智能车辆，兼有面向高速公路和一般道路的功能。车体采用道奇7座厢式车改装，设计车速高速公路为80km/h，一般道路为20 km/h。目前已能够在校园的非结构化道路环境下，进行道路跟踪和避障自主行驶。 上海交通大学硕士论文 第一章 绪 论 6图4 清华大学THMR 智能车辆 Fig.4 Tsinghua THMR Intelligent Vehicle 吉林大学智能车辆课题组从1992年开展智能车辆自主导航研究，在智能车辆JUTIV-II8的体系结构、传感器信息的获取与处理、路径识别与规划、智能车辆前方障碍物探测及车距保持等方面进行了较为深入的研究。 我校
22、主持了欧盟CyberC3项目，并参加了欧盟CyberCars-2项目，已经研制出四辆智能车，如图5所示，经测试性能优良，已在上海市东方绿舟向公众进行了大规模的演示。具有基于视觉的跟踪道路白线导航功能、基于视觉纹理的自主定位功能、基于磁传感器的自主定位功能、基于激光雷达的自主定位功能、以及无人自动驾驶车辆班车模式等功能。 上海交通大学硕士论文 第一章 绪 论 7图5 上海交通大学Cyberc3智能车辆 Fig.5 Shanghai Jiao Tong Cyberc3 Intelligent Vehicle 1.3 基于激光雷达的智能车定位方法 激光测距传感器，简称为激光雷达，它是基于飞行时间测量
23、(Time-Of-Flight)的原理，是一种非接触式光学测量系统，可根据向环境中发射红外激光和接收到反射的激光所需时间计算物体的距离。本文中使用的激光雷达是来自德国SICK公司的LMS291-S05型号激光雷达，如图6所示。该型号是一种二维的激光雷达，只扫描一个平面的数据，其特点是：(1) 感知距离远，最大可达80米；覆盖角度范围大，最大可达180度；(2) 距离和角度测量精度高，分别可达5厘米和0.1度；(3) 扫描时间短，约为26.6毫秒，可以获得高车速情况下的实时测量；(4) 具有雾校正功能，对环境光线变化不敏感，适用于室外环境。 上海交通大学硕士论文 第一章 绪 论 8图6 SICK
24、公司的LMS291-S05型号激光雷达 Fig.6 LMS291-S05 Laser Radar from SICK Comp. 该型号激光雷达详细的技术参数请见表1所示。其中比较重要的参数包括角度测量范围和角度分辨率、扫描周期、系统误差。角度测量范围和角度分辨率决定了激光雷达得到的数据量；扫描周期是对定位算法实时性的评价标准；系统误差对整个定位过程的精度有很大影响。在本文的研究过程中，激光雷达的参数选择取为厘米模式下的参数，即最大测量距离为80米，角度测量范围180，角度分辨率为0.5，扫描周期为26.6毫秒，系统距离测量误差为5厘米。 表1 LMS291-S05型号激光雷达的技术参数 技术
25、项目 参数值 测量距离 80m/8m 角度测量范围 180/100 角度分辨率 1/0.5/0.25 扫描周期 13.3ms/26.6ms/.数据传输速率 500K Bd 距离测量分辨率 10mm 系统误差（距离测量精度）5cm 智能车辆的位姿估计，简称为定位，是智能车辆自主导航研究中最重要的内容之一。所谓定位，就是指移动机器人在二维工作环境下，通过对内部状态的检测或上海交通大学硕士论文 第一章 绪 论 9对外部环境的感知估算相对于全局坐标的自身位置及其本身的姿态。在二维环境中，移动机器人的位姿通常使用三元级(x, y, )表示，其中，(x, y)表示移动机器人相对世界坐标位置(平移分量)，表
26、示其方位(旋转分量)。定位技术中可分为相对定位技术和绝对定位技术9。相对定位技术或称为航位推算法，主要有测距法和惯性导航法。绝对定位技术现有全球定位系统、路标定位和地图匹配定位。 到目前为止已经存在多种基于不同传感器的方法被提出来，如基于编码器、激光雷达、磁传感器、视觉、GPS等传感器的方法。在这些传感器中，激光雷达具有距离测量精度高的特点。故而基于激光雷达的方法是一个比较有发展前景的。近年来该方法得到了研究人员的重视，一些具有代表性的基于激光雷达的定位算法得到了验证和应用。 基于激光雷达的智能车定位，其主要原理是采用将智能车的位置传感器(如里程计、惯性导航单元或者GPS等)提供的信息和外部环
27、境传感器(二维激光雷达等)提供的信息进行融合，从而得到智能车的精确定位10-14。之所以这样做，是因为仅仅依靠位置传感器无法实现精确定位，里程计的输出结果会随着运动距离的增加而出现越来越大的累积误差；惯导的输出也有漂移，导致积分后的位置信息出现偏差；GPS的输出只有位置信息，而不包含重要的车辆朝向角信息。尽管如此，在运动定位中，一般来说位置传感器是不可缺少的，它提供了智能车的大致的定位信息，在此基础上，外部环境传感器从环境中感知的信息用来在小范围内和已知地图匹配，实现对位置传感器定位的校正。如果没有位置传感器的辅助，仅靠外部环境传感器获得的大量不确定和不完全的信息实现智能车的大范围的位置估计就
28、变得很困难。 具体的方法有基于蒙特卡罗(Monte Carlo)的定位方法15、基于角度直方图的定位方法16、基于特征提取和匹配的定位方法14等。基于蒙特卡罗的定位方法是一种基于概率的定位方法，需要建立起激光雷达传感器的概率模型。由于传感器概率模型的准确性直接影响到定位的结果，又由于传感器概率模型的获取比较复杂困难，因此这种方法具有一定的局限性。基于角度直方图的定位方法是匹配相邻两帧的激光雷达数据，比较两帧之间的位置偏移量和角度偏移量，从而得到智能车辆的位姿估计。这种做法要求运动环境中具有比较明显的线段特征，而且其精度由于与直方图上海交通大学硕士论文 第一章 绪 论 10的分辨率有关而十分有限
29、。基于特征提取和匹配的定位方法，是根据激光雷达数据的特点，利用点和线段特征来描述环境；提取出当前时刻的点或线段特征，与已知地图进行匹配，从而得到车辆的位姿估计。这种方法需要建立环境的地图，并在已知地图的基础上进行定位，因此这种方法也可以称为基于地图的定位方法。该方法关键问题是对环境地图的描述和地图自动生成问题、环境地图的匹配问题、以及定位的精度问题。 基于地图的定位方法的前提是已知环境地图，即在定位之前需要用某一种方式来表示环境地图。为使智能车辆能够有效地进行自定位，地图的表示方法是非常重要的。研究人员对地图的表示方法做了大量的研究工作。但是一个有效的环境地图表示方法，都应满足以下三个要求：(
30、1) 便于计算机的处理；(2) 容易加入新的信息更新地图；(3) 机器人可以依靠该地图信息完成特定的任务，如导航、搜索等等。 上面所提到的地图，是特定机器人领域下的地图。在机器人研究的历史上，地图的表示方法17主要可以分为三种：栅格表示法、特征表示法或几何信息表示法、拓扑图表示法。 基于栅格的地图表示方式即将整个环境分为若干相同大小的栅格，对于每个栅格指出其中是否存在障碍物，这里是一个表示该单元格被占据可能性的概率值。栅格地图是一个近似的解决方案，但其对特定感知系统的假设参数不敏感，具有较强的鲁棒性。其主要的缺点：当栅格数量增大时(在大规模环境或对环境划分比较详细时)，对于地图的维护所占用的内
31、存和CPU时间迅速增长，使计算机的实时处理变得很困难。 基于几何特征的地图表示方法是指机器人收集对环境的感知信息，从中提取更为抽象的几何特征，比如线段或曲线，使用这些几何信息描述环境。这种表示方法更为紧凑，且便于位置估计和目标识别。几何特征的提取需要对感知信息作额外的处理，且需要一定数量的感知数据才能得到结果。这些特征地图通过对环境特征的提取和参量化描述来表征环境，具有直观、精度高的特点，运用参量法描述几何特征尤其适合于不同坐标系之间的转换以及对不同传感器信息的融合。 拓扑图表示方法将环境表示为一张拓扑图(graph)，图中的节点对应于环境中的上海交通大学硕士论文 第一章 绪 论 11一个特征
32、状态、地点(由感知决定)，如果节点间存在直接连接的路径则相当于图中连接节点的弧。优点：可以实现快速的路径规划；由于拓扑图通常不需要机器人准确的位置信息，对于机器人的位置误差也就有了更好的鲁棒性；由拓扑节点和连接节点的边组成，抽象度高，适合于大环境的结构化描述。缺点：当环境中存在两个很相似的地方时，拓扑图的方法将很难确定这是否为同一节点(特别是机器人从不同的路径到达这些节点时)。 经过分析三种地图表示方法的优缺点，为达到环境地图的理想化表示，近年来提出了以特征表示与拓扑图表示相结合的方法。这种方法集成了两种表示法的优点。如表示方法更为紧凑，且便于位置估计和目标识别，同时也能实现快速的路径规划等。
33、只需要保证了局部地图的一致性，可以很好地降低系统的累积误差。 针对以上介绍的不同的地图表示方式，分别有不同的地图生成方法。 基于栅格的地图生成方法。栅格的地图表示方式即将整个环境分为若干相同大小的栅格，对于每个栅格指出其中是否存在障碍物，这里是一个表示该单元格被占据可能性的概率值。Elfes, A.18在用声纳传感器建立的地图中首先采用了栅格的形式，栅格被分为“占有”和“空”和“未知”三种状态，分别表示机器人不可通过、可通过和未知三类区域。该方法曾经被很多人引用和发展19，直到现在还一直有人在研究20。栅格地图是一个近似的解决方案，但其对特定感知系统的假设参数不敏感，具有较强的鲁棒性。该方法的
34、突出的优点是非常适合于机器人的运动规划，可行与不可行区域一目了然，非常简单。其主要缺点在于：当栅格数量增大时(在大规模环境或对环境划分比较详细时)，对于地图的维护所占用的内存和CPU时间迅速增长，使计算机的实时处理变得很困难。此外，栅格的精度低，不适合于定位。 基于几何特征的地图生成方法。几何特征的地图表示方式是指机器人收集对环境的感知信息，从中提取更为抽象的几何特征，比如线段或曲线，使用这些几何信息描述环境。这种表示方法更紧凑，且便于位置估计和目标识别。几何特征的提取需要对感知信息作额外的处理，且需要一定数量的感知数据才能得到结果。这些特征地图通过对环境特征的提取和参量化描述来表征环境，具有
35、直观、精度高的特点，运用参量法描述几何特征尤其适合于不同坐标系之间的转换以及对不同传感器信息上海交通大学硕士论文 第一章 绪 论 12的融合。而且更接近于真实的结构化室内环境。很适用于机器人导航中的自定位，很多机器人系统都采用了这种方法2122。但是几何表示法用于表示环境的模型单一，即只能以线段、圆圈等来表示。这适合于结构化的室内并且静止的环境。对于较复杂的室内环境则很适合。 基于拓扑图的地图生成方法。拓扑图表示方法2324将环境表示为一张拓扑图，图中的节点对应于环境中的一个特征状态、地点(由感知决定)，如果节点间存在直接连接的路径则相当于图中连接节点的弧。优点：可以实现快速的路径规划；由于拓
36、扑图通常不需要机器人准确的位置信息，对于机器人的位置误差也就有了更好的鲁棒性；由拓扑节点和连接节点的边组成，抽象度高，适合于大环境的结构化描述。缺点：当环境中存在两个很相似的地方时，拓扑图的方法将很难确定这是否为同一节点(特别是机器人从不同的路径到达这些节点时)。 基于统计区域表示法的地图生成方法。针对基于几何特征地图生成的不足，有人提出了统计区域法25。统计区域法对扫描进来的距离数据点先按距离阈值准则进行聚簇。对于每一簇内的点以统计的随机变量表示：x，y均值、方差、x，y协方差，协方差矩阵特征值。协方差矩阵特征值求出后，该区域的特征就确定了。从几何上来说，两个特征值分别表示一个椭圆障碍区域的
37、长轴和短轴，还可以求出长轴和短轴的倾角。该方法不需要任何环境模型，也比较适合于复杂环境的地图建立。但是与栅格法相似，精度不高。 模糊自组织神经网络方法(Fuzzy ART)26采用将雷达数据和矩形框相匹配的方法，可以逐步实时地构造一幅完整的地图。该模型能在线学习雷达数据点，相似的点能直接和已存在的矩形框类相关，而无法找到相关的数据点则能触发建立一个新类。它的最大特点在于无监督自组织完成整个过程，速度快。算法由三个参数控制，选择参数，学习率参数，警戒参数。此方法速度快且以矩形框来表示地图，也适合于无法以线段描述的非结构化室外非结构化环境。以矩形框表示障碍的团块比较合适。但该文中也指出了它目前将继
38、续做的工作，包括：已有类别的分支，修剪和动态修改。 从上面的分析看，各种方法都存在各自的缺点。为了得到更好的地图估计值，上海交通大学硕士论文 第一章 绪 论 13研究人员开始尝试多种方法的结合。在Francois27的论文中提出了一种将几何地图和拓扑图结合在一起的方法，让机器人既能运用拓扑图实现基于行为的导航，又能在各个节点上利用几何图实现定位。 1.4 本文主要研究内容 本课题针对基于地图的定位方法的三个关键问题，在深入分析国内外智能车基于激光雷达的定位技术研究成果的基础上，研究了三种定位技术算法，解决了定位技术的关键问题，弥补了传统方法的缺陷，具有较高的鲁棒性。本文研究内容大致可以分为以下
39、几个部分： (1) 研究了基于路标对的智能车定位方法。该部分内容包括以路标对为特征的环境地图表示，路标对的检测，基于路标对的定位，以及基于扩展卡尔曼滤波的位姿跟踪；同时，给出了该方法相应的仿真数据和实际数据实验的结果与分析。 (2) 研究了基于自然柱状特征地图的智能车定位方法。该部分内容从自然柱状特征地图的描述和自动生成和基于自然柱状特征地图的定位两个方面分别进行详细介绍；最后，给出了该方法相应的仿真数据和实际数据实验的结果与分析。 (3) 研究了基于传感器记忆的智能车定位方法。该部分阐述了环境传感器记忆地图的描述和建立，以及基于记忆地图的定位方法两个方面的内容；同时，也给出了该方法相应的仿真
40、数据和实际数据实验的结果与分析。 本文组织结构如下：第二章阐述基于路标对的智能车定位方法，第三章阐述基于自然柱状特征地图的智能车定位方法，第四章阐述基于传感器记忆的智能车定位方法，第五章是本文的结论与展望。 上海交通大学硕士论文 第二章 基于路标对的智能车定位 14第二章 基于路标对的智能车定位 2.1 引 言 车辆的精确定位是智能车领域的关键问题，也是移动机器人领域的基础性问题。在过去20年里，研究人员提出了多种方法328。其中比较简单廉价的是航位推算法，该方法利用里程计或者编码器来获得车辆的相对位姿；然而，此方法存在一些固有的缺陷，如难于标定、抗干扰性差等。另外一种方法是惯性导航法，采用陀
41、螺仪和加速度计来获得车辆相对位姿；这种方法比航位推算法定位精度高，缺点是比较昂贵，也存在难于标定的问题。此外，以上两种方法都存在累积误差，不适用于绝对定位要求。还有一种方法是基于路标的定位方法，利用车辆传感器检测放置在环境中的一些特征明显的人工路标，并与已知地图匹配来确定车辆的位姿；该方法不存在累积误差的问题，关键技术是如何可靠、准确地检测路标。研究人员提出了一些解决办法，如基于路标的模糊定位29、基于彩色路标的定位方法30等。这些方法的主要缺陷在于运算量大和抗干扰性差。 在基于路标定位的研究过程中，如果采用的是基于单个或者多个(大于两个)路标的定位，这种做法存在许多缺点。如传感器检测路标的准
42、确性不高、由检测到的路标反推车辆的位姿误差过大、自然特征难于提取，并且单路标提取法很容易受到干扰等。为了解决这些问题，本章采取了一种比较好的改进算法，即基于路标对的定位(Landmark Pair based Localization using Laser Radar, L3P)。引入路标对，增加了地图的特征量，提高了路标提取的准确性和高效性；用扩展卡尔曼滤波进行车辆位姿跟踪，进一步提高定位的精度。该方法由三部分组成：路标对的检测、基于路标对的车辆定位和位姿跟踪。 上海交通大学硕士论文 第二章 基于路标对的智能车定位 15定位是估计智能车辆在全局坐标系下的位置和姿态。在二维环境中，车辆位姿通
43、常用(x, y, )表示， 其中(x, y)表示车辆的位置，表示车辆的方向角。定位的任务就是估计每一时刻车辆的位姿(x, y, )。在本系统中，环境地图指的是由一些有标志性的位置点所组成二维图形。在实验场地，首先，人为地摆放若干个人工路标对，设定系统全局坐标的原点和X轴、Y轴。然后，实地测量出各个路标在全局坐标系下的具体位置。这样，把这些路标点位置绘制在一张图上，就构成了车辆运行环境的地图。这些路标对，具有特定的特征，是基于特征的地图表示方法。对环境中其它的位置，一律视为无特征区，理想化成空旷的场地。 由此设定全局地图如下： ()()iiiiiiiiiiglobaldDDyxyxPmiPM,1
44、,212211= L(2-1) 其中，(xi1, yi1), Di1表示路标i1的全局坐标和直径；(xi2, yi2), Di2表示路标i2的全局坐标和直径；di和i表示两个路标间的距离和连线的方向角。 而在某个特定的时刻，车辆车载的激光雷达将根据其扫描特性，建立其自身的一个坐标系。在此坐标系下，包含若干个路标。这样得到的是一个局部地图。用此局部地图与全局地图进行结合匹配，完成了系统地图的建立。设定以激光雷达为中心的局部地图模型如下： ()()jjjjjjjjjjlocaldDDyxyxQnjQM,1,212211= L(2-2) 其中，(xj1, yj1), Dj1表示路标j1的局部坐标和直
45、径；(xj2, yj2), Dj2表示路标j2的局部坐标和直径；dj和j表示两个路标间的距离和连线的方向角。匹配的任务就是在Mlocal中寻找Mglobal中路标对的对应。 这样，利用路标的位置数据，绘制出车辆运行环境的二维地图。 2.2 路标对检测 在车辆运行过程中，激光雷达扫描环境得到了一组极坐标下的点数据，需要从上海交通大学硕士论文 第二章 基于路标对的智能车定位 16这些数据中提取出路标对。该过程分为两个步骤：数据分割和特征提取。 首先是数据分割(Data clustering)。由于激光雷达获得的数据量大，每帧数据包括361个测量点，而其中部分数据受环境噪声影响，或者不是感兴趣的点，
46、对进一步利用数据建立环境地图不利，因此需要进行预处理。目前激光雷达数据预处理主要的工作是数据聚类。 聚类即数据分割(Data Segmentation)，目的是将一帧原始测量点的数据分成若干个点簇。首先求出相邻两点的几何距离，如果该距离在某一阈值内，则这两个相邻的点属于同一个组。其判断规则如下31： ( )() ()2sin2coscos12tanmin01,+rCrkk(2-3) 式中，设相邻两个激光雷达的距离值为rk和rk+1，rmin=minrk, rk+1，rk,k+1=|rk-rk+1|，是激光扫描仪的角度分辨率。和C0为两个系统参数，是引入用来减少所分割部分对激光雷达到物体距离的依
47、赖性，可以通过实际数据计算出来的。C0是用来调节激光雷达的纵向误差，可以通过经验值给定的。聚类方法的原理如图7所示。若C0=0时，就表示一个物体可以被检测为一个独立部分的最大绝对倾斜角度。在图中的距离d表示两个相邻点可以认为是一个物体的最大允许误差。 该规则的物理意义为，当相邻两扫描点的距离值在某个阈值(Threshold)内时，可以认为这两个点是属于同一个物体的。由于C0可以通过经验值给出，故对于阈值的确定过程主要是确定值的确定。具体过程如下： ()cos21212+=+ kkkkrrrrf (2-4) ( ) =fr sinarcsin22min(2-5) 上式中，f表示两相邻点之间的距离
48、(如图7)；相邻两个激光雷达的距离值为rk和rk+1，rmin=minrk, rk+1；是激光扫描仪的角度分辨率。上面两个公式是利用图7中的几何关系来确定的。 通过该方法可以将原始的一帧激光雷达数据点(361个)分为若干个组，为后面的上海交通大学硕士论文 第二章 基于路标对的智能车定位 17进一步处理打下基础。 图7 聚类方法的原理图 Fig.7 Schematic of clustering method 上述过程可以用数学描述成如下： 对于一帧激光雷达数据，在聚类前为 ( ) miRDataii,2,1, L= (2-6) 上式中，Data表示原始的单帧激光雷达数据集合；m表示扫描到点的个
49、数；(Ri, i)表示激光雷达坐标系下扫描到点的极坐标形式。聚类算法就是对这个数据集合进行处理。 经过聚类算法以后，得到结果为 maxmin,jjjrjljjjRRyxseg = (2-7) 其中，xj, yj表示该物体的中心点坐标；jl, jr表示该物体的左右边界角；Rjmin, Rjmax表示该物体的最大、最小极径。 以上过程的程序流程图如图8所示。 上海交通大学硕士论文 第二章 基于路标对的智能车定位 18图8 聚类方法的程序流程图 Fig.8 Flow chart of clustering method 其次是特征提取(Feature extraction)。假设从上面数据分割过程中，得到了n个如下式表示的物体。segk表示一个分割的物体，(xk, yk)表示物体的中心位置，Dk表示物体的极径，k表示物体的主轴方向。利用物体的极径特征，若与实际路标直径在一
