【技术实现步骤摘要】
一种基于因子图的城市峡谷环境下车辆鲁棒定位方法
本专利技术涉及车辆导航定位领域,尤其涉及一种面向城市峡谷环境的自动驾驶汽车鲁棒定位方法。
技术介绍
随着汽车工业和社会经济的不断发展,我国汽车保有量不断增长。然而,车辆数量的迅速增加带来的交通拥堵、环境污染和道路事故等一系列问题,给国民经济发展和人民群众生活带来一定负面影响。依托传感器、信息融合、人工智能等前沿技术的自动驾驶汽车,可以提供更为安全高效的车辆控制及驾驶策略,降低了疲劳驾驶、违反交规等情况的发生,进而提高了交通系统的安全和效率,被认为是解决上述问题的有效手段。精准且鲁棒的定位系统是保证自动驾驶汽车安全高效的关键。当前主流的自动驾驶汽车定位系统采用卡尔曼滤波(KalmanFilter,KF)融合惯性导航系统(InertialNavigationSystem,INS)和全球导航卫星系统(GlobalNavigationSatelliteSystem,GNSS)的信息来提供可靠的全局位置。INS以较高的频率(典型值100Hz)提供加速度和角速度数据,不受外界干扰,但存在随时间增长的累计误差;GNSS信号作为观测量,以较低的频率(典型值1Hz)提供更精确的全局位置。两者通过卡尔曼滤波融合,最终输出高频准确鲁棒的全局位置,为后续的驾驶策略提供可靠位置信息。尽管该系统已能够在大多数场景下有效运行,但在建筑稠密的城市峡谷等环境中表现仍不如人意。更重要的是,城市峡谷不仅是自动驾驶汽车最主要的应用场景之一,还有着极为密集的人/车流。如果在此场景下出现定位误差甚至错误, ...
【技术保护点】
1.一种基于因子图的城市峡谷环境下车辆鲁棒定位方法,其特征在于,在现有GNSS/INS定位的基础上,引入激光雷达观测量,并构建基于因子图的动态融合模型,提出一种既考虑观测量可用性及可靠性,又遵循特定选用策略的动态融合规则,依据规则利用因子图更新定位结果,具体包括以下步骤:/n步骤一:转换激光雷达坐标系到全局坐标系/n记k-1时刻在地心大地坐标下自动驾驶汽车的纬度、经度和高度为
【技术特征摘要】
1.一种基于因子图的城市峡谷环境下车辆鲁棒定位方法,其特征在于,在现有GNSS/INS定位的基础上,引入激光雷达观测量,并构建基于因子图的动态融合模型,提出一种既考虑观测量可用性及可靠性,又遵循特定选用策略的动态融合规则,依据规则利用因子图更新定位结果,具体包括以下步骤:
步骤一:转换激光雷达坐标系到全局坐标系
记k-1时刻在地心大地坐标下自动驾驶汽车的纬度、经度和高度为通过下式将其转换至地心空间直角坐标系下为(xk-1,yk-1,zk-1):
上式中,e为地球椭球偏心率,N为地球基准椭球体曲率半径,记k时刻激光里程计在地心空间直角坐标系下得到的自动驾驶汽车位置增量为(Δxk,Δyk,Δz),则k时刻自动驾驶汽车在地心空间直角坐标系下的位置(xk,yk,zk):
再通过下式将位置由地心空间直角坐标系转向地心大地坐标系:
式中,分别表示k时刻激光里程计得到的自动驾驶汽车的经纬高数值,即LiDAR传感器的观测量;
步骤二:构建因子图动态融合框架
基于因子图构建融合框架,具体步骤如下:
子步骤一:构建变量节点
首先构建表示自动驾驶汽车状态的变量节点Xk,主要包含k时刻自动驾驶汽车的经纬高;其次构建表示INS误差参数状态的变量节点Ck,主要包含k时刻惯导的常值漂移及随机游走;
子步骤二:构建因子节点
首先,构建用于连接自动驾驶汽车状态变量节点、INS误差参数状态变量节点的INS观测因子节点,代价函数为:
上式中的下标皆表示时刻,代表k时刻惯导测量值,即陀螺仪和加速度计的数据,为k+1时刻的先验状态,h()为系统状态转移函数;其次,构建用于连接惯导误差参数状态变量节点的INS偏置因子节点,其代价函数:
fbias(Ck+1,Ck)=d(Ck+1-g(Ck))(5)
g()为误差状态更新函数;接着,构建GNSS因子节点,其代价函数为:
其中表示k时刻GNSS的经纬高等观测量,hGNSS()表示GNSS观测方程,并设置其协方差矩阵QGNSS,为GNSS所测经纬高的标称协方差;
最后,构建LiDAR因子节点,其代价函数为:
其中表示k时刻雷达里程计获取的经纬高观测量,hLiDAR()为LiDAR的观测方程,并设置其协方差矩阵QLiDAR,初值为LiDAR所测值的标称协方差;
步骤三:依据动态融合规则选择观测...
【专利技术属性】
技术研发人员:李旭,胡悦,孔栋,朱建潇,
申请(专利权)人:东南大学,东南大学江北新区创新研究院,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。