發(fā)布時間：2020-09-02 18:20

　　 智能車輛(Intelligent Vehicle,IV)是智能交通系統(tǒng)的重要組成部分。為了能夠徹底將人類從繁重的駕駛過程中解放出來,有效避免交通事故的發(fā)生,智能車輛需要完全實現(xiàn)無人駕駛。同時定位與建圖(simultaneous localization and mapping,SLAM)技術(shù)作為智能車輛實現(xiàn)自主導(dǎo)航的關(guān)鍵技術(shù),能夠為車輛在定位系統(tǒng)失效的未知環(huán)境中實現(xiàn)無人駕駛提供必要的條件。為此,論文分別從基于概率的SLAM方法、SLAM中的數(shù)據(jù)關(guān)聯(lián)方法和基于掃描匹配的地圖構(gòu)建與定位方法三個方面出發(fā),對智能車同時定位與建圖的關(guān)鍵技術(shù)進行了深入的研究,主要內(nèi)容如下:(1)針對智能車輛SLAM系統(tǒng),定義了其研究中所需要的坐標系,建立了車輛運動學(xué)模型、傳感器觀測模型、環(huán)境地圖模型以及數(shù)據(jù)關(guān)聯(lián)模型,并基于上述模型給出了智能車SLAM問題的概率模型,為智能車同時定位與建圖關(guān)鍵技術(shù)的研究搭建了統(tǒng)一平臺。(2)針對幾何特征地圖中自然實體路標的提取問題,研究了一種基于激光雷達數(shù)據(jù)的圓型特征提取方法。該方法可根據(jù)雷達數(shù)據(jù)點的距離信息和角度信息提取環(huán)境中實體路標的中心和直徑。通過Victoria Park數(shù)據(jù)集驗證了圓型特征提取方法的有效性,從而為后續(xù)SLAM算法中的幾何地圖構(gòu)建提供特征提取方法。針對基于擴展卡爾曼濾波的SLAM(EKF-SLAM)算法易受非線性模型的不確定性和誤差統(tǒng)計的不確定性影響,基于強跟蹤濾波思想,提出了一種自適應(yīng)漸消EKF-SLAM算法。該算法為后續(xù)章節(jié)核心算法的研究奠定了理論基礎(chǔ)。(3)為了解決基于粒子濾波器的快速同時定位與建圖算法(Fast simultaneous localization and mapping,FastSLAM)一致性差、估計精度隨粒子的退化和貧化逐漸降低的問題,提出了一種基于改進粒子建議分布函數(shù)和部分重采樣策略的FastSLAM算法。在該算法中,設(shè)計了強跟蹤平方根中心差分卡爾曼濾波(strong tracking square root central difference Kalman filter,STSRCDKF);在車輛位姿估計階段利用STSRCDKF獲取可自適應(yīng)調(diào)節(jié)的建議分布函數(shù),使其更貼近粒子后驗概率分布,進而提高粒子采樣精度;在地圖估計階段,采用STSRCDKF實現(xiàn)對環(huán)境路標位置的估計,提高建圖精度;在重采樣階段,采用部分重采樣策略降低粒子集的退化和貧化現(xiàn)象,提高算法的一致性。實驗結(jié)果證明了提出算法在魯棒性、一致性和估計精度方面的優(yōu)勢。(4)在SLAM中,數(shù)據(jù)關(guān)聯(lián)作為狀態(tài)估計的前提和基礎(chǔ),是保證定位與建圖過程收斂的核心和關(guān)鍵。針對目前SLAM中所應(yīng)用的數(shù)據(jù)關(guān)聯(lián)算法無法同時保證計算復(fù)雜度低和關(guān)聯(lián)正確率高的問題,提出了兩種不同的聯(lián)合數(shù)據(jù)關(guān)聯(lián)算法。首先,在聯(lián)合兼容分枝定界(Joint Compatibility Branch and Bound,JCBB)算法的基礎(chǔ)上,提出了一種基于聚類分組策略和中心差分聯(lián)合兼容準則的數(shù)據(jù)關(guān)聯(lián)算法,該算法有效解決了JCBB算法易受線性化誤差影響和復(fù)雜度高的問題,能夠在獲得準確關(guān)聯(lián)結(jié)果的同時,降低SLAM算法的復(fù)雜度。其次,根據(jù)聯(lián)合最大似然準則將SLAM數(shù)據(jù)關(guān)聯(lián)問題轉(zhuǎn)化為一種組合優(yōu)化問題,采用一種基于跳躍行為和自適應(yīng)步長改進的人工魚群算法搜索最優(yōu)數(shù)據(jù)關(guān)聯(lián)解。實驗結(jié)果表明提出的兩種關(guān)聯(lián)算法能夠為提高智能車SLAM的實時性和準確性提供可靠的保障。(5)為了實現(xiàn)車輛準確自定位且構(gòu)建描述環(huán)境細節(jié)的稠密特征地圖,提出了一種基于掃描匹配和粒子濾波器的點云地圖創(chuàng)建與定位方法。采用強跟蹤平方根中心差分粒子濾波融合基于迭代最近點(Iterative Closest Points,ICP)匹配的定位結(jié)果和基于里程計的定位結(jié)果,有效避免了掃描匹配定位過程中的累積誤差對車輛位姿估計和地圖更新的影響。在點云地圖構(gòu)建階段,通過尋找當前掃描數(shù)據(jù)點與參考數(shù)據(jù)點之間的對應(yīng)關(guān)系,將存在對應(yīng)關(guān)系的點根據(jù)各自的權(quán)重值進行融合;最后基于車輛的全局位姿完成點云地圖的拼接。實驗結(jié)果表明提出的方法不僅能夠?qū)崿F(xiàn)車輛的準確定位,而且構(gòu)建的點云地圖可以為智能車自主駕駛提供細致的環(huán)境信息。
【學(xué)位單位】：北京工業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2018
【中圖分類】：U463.6
【部分圖文】：

為了促進軍方、科研院校以及公司團體等機構(gòu)之間輛的研究，美國國防高級研究計劃局（Defense Advanced ncy, DARPA）舉辦了 3 次智能車輛挑戰(zhàn)賽。2004 年 3 月第一屆賽在美國的莫哈維沙漠舉行，共有 15 支隊伍報名參加，但沒賽所設(shè)定的沙漠路程。其中卡內(nèi)基梅隆大學(xué)的 Sandstorm 智能在比賽中獲得了第一名，共行駛了 7.4 英里。2005 年舉行了第]，共有 23 支伍報名參加，其中冠軍是來自斯坦福大學(xué)的 Stan備了 5 個 SICK 激光雷達、1 個彩色攝像頭、2 個 GPS、慣性行機構(gòu)等[16]。2007 年舉行的第三屆挑戰(zhàn)賽是城市挑戰(zhàn)賽[17]，內(nèi)基梅隆大學(xué)的 Boss[18]，亞軍和季軍分別是斯坦福大學(xué)的 大學(xué)的 Odin。圖 1-2 是三屆挑戰(zhàn)賽的冠軍車輛圖：

圖 1-1 NavLab 系列智能車輛Fig.1-1 Navlab intelligent vehicles進入二十一世紀，為了促進軍方、科研院校以及公司團體等機構(gòu)之間的交流，推動智能車輛的研究，美國國防高級研究計劃局（Defense Advanced ResearchProjects Agency, DARPA）舉辦了 3 次智能車輛挑戰(zhàn)賽。2004 年 3 月第一屆 DARPA智能車挑戰(zhàn)賽在美國的莫哈維沙漠舉行，共有 15 支隊伍報名參加，但沒有一支隊伍完成比賽所設(shè)定的沙漠路程。其中卡內(nèi)基梅隆大學(xué)的 Sandstorm 智能車憑借卓越的性能在比賽中獲得了第一名，共行駛了 7.4 英里。2005 年舉行了第二屆沙漠挑戰(zhàn)賽[15]，共有 23 支伍報名參加，其中冠軍是來自斯坦福大學(xué)的 Stanley 智能車，該車配備了 5 個 SICK 激光雷達、1 個彩色攝像頭、2 個 GPS、慣性導(dǎo)航系統(tǒng)和操作執(zhí)行機構(gòu)等[16]。2007 年舉行的第三屆挑戰(zhàn)賽是城市挑戰(zhàn)賽[17]，其中冠軍車輛是卡內(nèi)基梅隆大學(xué)的 Boss[18]，亞軍和季軍分別是斯坦福大學(xué)的 Junior 和弗吉尼亞州大學(xué)的 Odin。圖 1-2 是三屆挑戰(zhàn)賽的冠軍車輛圖：

北京工業(yè)大學(xué)工學(xué)博士學(xué)位論文7，在帕爾瑪大學(xué)到帕爾瑪市中心廣場整段路程中，Vislab 實驗室研能車 BRAiVE 進行了無人干預(yù)的真實道路環(huán)境測試，取得了很好3]。牛津大學(xué)研制的智能車 Wildcat 在不依賴 GPS 的情況下，主要采攝像機獲取道路狀況，實時檢測和識別行人和其它障礙物，從而完上的自主行駛。牛津大學(xué)還研制了智能車 RobotCar UK，該智能車S 定位，而是采用一套價值 7750 美元的立體像機和激光系統(tǒng)獲取道車輛自主定位[24]。

【參考文獻】

相關(guān)期刊論文 前10條

1 王曉君;裴�？�;劉紅云;;一種改進馬氏距離的最近鄰數(shù)據(jù)關(guān)聯(lián)算法[J];導(dǎo)航定位學(xué)報;2015年04期

2 韓明瑞;周波;錢X;房芳;;基于激光雷達的室外移動機器人三維定位和建圖[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2015年S1期

3 洪蕾;;粒子群及人工魚群算法優(yōu)化研究[J];軟件;2014年08期

4 王宏健;王晶;劉振業(yè);;基于迭代擴展Kalman濾波建議分布和線性優(yōu)化重采樣的快速同步定位與構(gòu)圖[J];電子與信息學(xué)報;2014年02期

5 宋宇;李慶玲;康軼非;閆德立;;平方根容積Rao-Blackwillised粒子濾波SLAM算法[J];自動化學(xué)報;2014年02期

6 林敏;李團結(jié);紀志飛;;采用改進魚群算法的張拉整體結(jié)構(gòu)找形方法[J];西安電子科技大學(xué)學(xué)報;2014年05期

7 陳業(yè);胡昌華;周志杰;張偉;王華國;;一種改進的SR-CDKF算法及其在早期微小故障檢測中的應(yīng)用[J];自動化學(xué)報;2013年10期

8 郭澤;繆玲娟;趙洪松;;一種改進的強跟蹤UKF算法及其在SINS大方位失準角初始對準中的應(yīng)用[J];航空學(xué)報;2014年01期

9 黨秋月;陸月明;;基于OPTICS可達圖的自動識別簇方法[J];計算機應(yīng)用;2012年S2期

10 李娜;;無人駕駛汽車何時上路[J];科技導(dǎo)報;2012年34期

本文編號：2810938