基于多传感器融合的智能网联汽车复合定位方法及装置制造方法及图纸

本发明专利技术提供了一种基于多传感器融合的智能网联汽车复合定位方法及装置。本发明专利技术利用车联网下V2X通信的优势，结合地平线AI芯片设计了智能网联汽车复合定位方法及装置。其中，搭载V2X通信单元的路侧定位平台可代替差分基准站，通过V2X同通信的方式完成修正量的发送至车载平台。同时，本发明专利技术提出了基于无迹卡尔曼滤波算法的多层融合方法，能够在路侧端准确定位智能网联汽车。通过与高精地图相匹配得到精准的智能网联汽车定位偏差并通过路侧单元将经纬度偏差量发送至车载单元，修正车载GNSS定位结果，达到厘米级的定位精度，提高了智能网联汽车复合定位系统的可靠性。联汽车复合定位系统的可靠性。联汽车复合定位系统的可靠性。

【技术实现步骤摘要】
基于多传感器融合的智能网联汽车复合定位方法及装置


[0001]本专利技术属于智能驾驶/智能网联汽车
，面向V2X(Vehicle to Everything)通信环境的城市交叉口，具体涉及一种基于多传感器数据融合的智能网联汽车(Intelligent Connected Vehicle，ICV)复合定位方法与装置。

技术介绍

[0002]当前人们的日常生活与前沿的军事领域对位置服务的依赖日益增强，高精度的定位数据为出行导航、抗震救灾以及国防建设等技术提供基础。从国内外智能交通系统的发展概况可知，定位服务不再仅仅服务于人类驾驶员，而是逐步向智能网联汽车领域延伸。目前，在开阔且没有信号干扰的场地针对智能网联汽车的复合定位方法主要基于全球导航卫星系统(Global Navigation Satellite System，GNSS)实现。该类方法需要在车身安装GNSS接收机，用于获取卫星星历，包括位置信息以及时间信息。车身安装的GNSS接收机基于位置信息计算其到卫星间的距离，同时结合时间信息计算信号传输的时间误差，能够实现米级的车辆定位。
[0003]智慧城市建设与规划推动了城市的网联化发展，对车辆定位方法的通用性与精度提出了更高的要求。增加精确位置已知的基础设施修正星历间的公共误差可以有效提高车辆定位的精度，因此，结合第四代移动通信技术的差分定位成为主流方案。差分定位在原有GNSS基础之上增加了差分基准站与差分解算模块，差分基准站与车载GNSS接收机同时接收星历信息，抵消星历间的公共误差，目前主流的差分定位方案有位置差分、伪距差分以及载波相位差分，且基于载波相位的差分定位精度达到了厘米级。但基于载波相位的差分定位方案存在成本较高、基建需求较大以及通信时延较高等问题，且在信号不良区域会失去定位效果。
[0004]随着自动驾驶技术的快速发展，自动驾驶汽车的行驶安全越来越受到重视。虽然利用多感知传感器与GNSS接收机实现道路周边信息实时获取的方式更容易落地，但在雨雪雾天气等很多极端情景下易导致传感器失效，构成安全隐患。因此，结合车载传感器与高精地图获取的冗余数据提升行车的安全成为了先进的解决方案。其中以高精地图、GNSS+定位增强服务、IMU与单目相机的组合定位方案为主。车载CAN总线读取的多传感器信息与高精地图信息融合，提高数据量进而提高感知的精度，该方案可以有效优化极端天气下GNSS定位结果，保障驾驶安全。然而，具备长时间精确推算航迹能力的IMU价格过于高昂，在现阶段推广较为困难。
[0005]综上所述，复合定位已经成为车辆定位技术的重要组成部分。随着传感器的不断进步，现有的智能网联汽车的定位方法层出不穷，实现平台涵盖了车载端与路侧端，并取得了较好的定位效果。但考虑到可实现精确推算航迹的IMU成本高昂，且差分定位依赖的4G通信时延较高，目前并无法有效推广。同时，对于L3及以上级别的自动驾驶汽车而言，高精地图已是必备选项，结合差分定位、高精地图与多传感器融合的复合定位方法成为研究方向之一。此外，在路侧架设搭载V2X通信单元的复合定位平台并结合高精地图实现车道级的车
辆定位在目前国内外还没有系统性的研究，相应的技术成果和产品应用案例也很少。
[0006]相关技术
[0007]1、智能网联汽车技术
[0008]智能网联汽车是指应用了先进的传感器技术、计算平台、控制装置等的新一代综合智能体。结合现代通信技术，智能网联汽车能够与人、车、路、云等信息交换，并基于网联信息完成环境感知、协同决策、群体控制等功能，提升驾驶的安全性、舒适性、便捷性以及环保性。
[0009]2、多传感器数据融合技术
[0010]多传感器数据融合(Multi
‑
Sensor Data Fusion，MSDF)技术是一种多层次、多方面的数据处理技术。通过对多个感知传感器的输出数据进行处理，获得相关或集成特性的融合信息。多传感器数据融合技术主要包括数据级融合、特征级融合以及决策级融合三个层次。数据级融合是最低层次的融合，直接融合自于传感器的原始信息；特征极融合是中层的融合，提取来自于传感器的原始特征并完成融合；决策级融合是最高层的融合，将完成各类预处理后的传感器数据进行独立决策后，再进行融合。
[0011]3、车辆复合定位技术
[0012]车辆复合定位是依靠智能网联汽车自身的定位设备或路侧的感知设备完成车身位置检测的方法。车身会安装GNSS接收机与车载单元，利用多个卫星的星历数据计算车身GNSS接收机所处位置的经纬度信息。同时，结合多个惯性传感器(Inertial Measurement Unit，IMU)推算的航迹数据，修正GNSS接收机获取的经纬度数据，提高智能网联汽车的复合定位精度。
[0013]现有技术不足
[0014]1、当前智能网联汽车定位方法主要基于带有定位增强服务的GNSS接收机实现。上述方法结合了差分基站，能够减少星历间的公共误差，但仍无法降低智能网联汽车定位的绝对误差。同时，该方法依赖于大量的差分基站与4G通信，在信号不良区域无法实现准确定位且4G通信的较高时延会进一步降低定位的精度，没有充分发挥如V2X通信等车联网技术的优势；
[0015]2、结合车身搭载的惯性传感器、带有定位增强服务的GNSS接收机来实现定位的方法，在卫星信号良好的场地能够实现米级的车辆定位。但上述方法仍依赖于成本高昂的战术级惯性传感器，无法大规模推广。随着车联网的快速发展，城市交叉口的路侧端逐渐布设雷视一体以及通信单元，车路协同成为发展的趋势，结合路侧端实现智能网联汽车定位有待进一步研究。
[0016]3、对于多传感器数据融合算法，当前常用的方法是通过扩展卡尔曼滤波(Extended Kalman Filter，EKF)融合多传感器数据，EKF引入了泰勒线性化方法将非线性系统近似线性化，计算量低。但EKF忽略了系统的高阶项，估计精度低、稳定性较差，考虑到在路侧定位智能网联汽车应具备更高的精度与稳定性，算法的检测效果需要被提高；
[0017]4、对于路侧的复合定位装置，当前该装置与智能网联汽车通信主要基于UDP实现，通信具有较大的距离限制与较高的时延。同时，当前部分关于路侧定位的现有成果还没有安装车路通信设备，忽视了智能网联汽车自身的信息对于复合定位精度的影响。

技术实现思路

[0018]针对以上四个相关技术的不足，本专利技术的创新性在于充分利用了车联网下V2X通信的优势，结合地平线AI芯片设计了智能网联汽车复合定位方法及装置。其中，搭载V2X通信单元的路侧定位平台可代替差分基准站，通过V2X同通信的方式完成修正量的发送至车载平台。同时，本专利技术提出了基于无迹卡尔曼滤波(Unscented Kalman Filter，UKF)算法的多层融合方法，能够在路侧端准确定位智能网联汽车。通过与高精地图相匹配得到精准的智能网联汽车定位偏差并通过路侧单元(Road Side Unit，RSU)将经纬度偏差量发送至车载单元，修正车载GNSS定位结果，达到厘米级的定位精本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多传感器融合的智能网联汽车复合定位方法，其特征在于，该方法包括如下步骤：步骤1：智能网联汽车状态定义激光雷达与摄像机分别为单个局部滤波器，定义每个局部滤波器定位智能网联汽车的状态如下：X(t)＝[δx,δy,δv
x
,δv
y
]
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，δx,δy为智能网联汽车横纵向位置偏差；δv
x
,δv
y
为智能网联汽车横纵向速度偏差，其标准状态方程如下：其中，f(
·
)是具有离散形式的非线性状态转移函数；w(k)为零均值高斯白噪声，假设其协方差为Q(k)；B(t)u(t)为局部滤波器的控制输入，为获取智能网联汽车的位置与速度的观测值，构建激光雷达与摄像机的量测模型，如下：其中，Z
C
(k)表示摄像机的量测模式，Z
L
(k)表示激光雷达的量测模式；x
m
、y
m
、v
xm
与v
ym
分别表示由高精地图获取的智能网联汽车位置与速度数据；x
Camera
、y
Camera
、v
xCamera
与v
yCamera
分别表示由摄像机获取的智能网联汽车位置与速度数据；x
Lidar
、y
Lidar
、v
xLidar
与v
yLidar
分别表示由激光雷达获取的智能网联汽车位置与速度数据；步骤2：基于无迹卡尔曼滤波的智能网联汽车定位数据融合初始化激光雷达与摄像机代表的局部滤波器X
s
，如公式(4)所示。其中，表示局部滤波器X
s
的初始均值；P
s
(0)表示局部滤波器X
s
的初始方差；分别获取激光雷达与摄像机定位智能网联汽车的结果作为观测值，通过无迹变换得到k
‑
1时刻2n+1个σ点的状态，如公式(5)所示。定义无迹变换采用的参数如公式(6)所示。1时刻2n+1个σ点的状态，如公式(5)所示。定义无迹变换采用的参数如公式(6)所示。其中，分别表示第0个和第s个σ点的状态；α是正极小量；是通过矩阵P
s
(k
‑
1)的下三角分解获得的平方根的第j列，其向量维数为n。
在k时刻计算下一步复合定位方法的预测结果，如公式(7)所示。通过复合定位方法预测的结果更新激光雷达与摄像机传感器的量测结果，如公式(8)所示。更新方程中权重值定义如公式(9)所示。定义如公式(9)所示。其中，H
s
(k)表示测量矩阵；表示局部滤波器X
s
第k次观测的中间变量；表示局部滤波器X
s
第k次观测结果；表示局部滤波器X
s
第k次观测结果的协方差；R
s
(k)表示系统噪声；最后计算各局部滤波器的最优状态估计和协方差矩阵并将每个局部滤波器的结果输入至补偿融合层，如公式(10)所示。其中，K
s
(k)表示卡尔曼滤波增益；步骤3：智能网联汽车定位数据融合补偿智能网联汽车安装的GNSS接收机实时获取经纬度数据，并分别计算激光雷达、摄像机传感器与接收机的相对定位误差平均值，将高精度地图下智能网联汽车的位置数据P
m
＝[x
m
,y
m
,v
xm
,v
ym
]作为局部滤波器的参考，分别与激光雷达与摄像机的观测结果做差，获取路侧定位平台中单传感器定位智能网联汽车的偏差量，如公式(11)所示。
其中，ΔY＝[Δx,Δy,Δv
x
,Δv
y
]
T
为激光雷达与摄像机分别定位车辆坐标的状态误差补偿值；分别为激光雷达与摄像机复合定位智能网联汽车的结果；为智能网联汽车的经纬度数据；采用均值理论处理所有局部滤波器的结果，如公式(12)所示。其中，与表示第1个与第2个滤波器结果，在此分别表示激光雷达与摄像机对智能网联汽车的量测结果；表示补偿前智能网联汽车的位置与速度状态，补偿方法如公式(13)、(14)所示。Y
*Sensors
＝[x
*
,y
*
,v
*x
,v
*y
]
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)其中，Y
*Sensors
表示补偿后智能网联汽车状态；x
*
,y
*
,v
*x
,v
*y
表示补偿后的智能网联汽车期望横纵向位置与速度；步骤4：结合路侧定位平台经纬度数据的智能网联汽车定位联合优化将补偿后的传感器定位数据与路侧定位平台的经纬度数据相结合，通过UKF进行异构优化。联合优化层中智能网联汽车状态向量X'(t)与离...

【专利技术属性】
技术研发人员：王庞伟，刘程，俞宏胜，张名芳，叶荣盛，
申请(专利权)人：北方工业大学，
类型：发明
国别省市：