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(lái),有效避免交通事故的發(fā)生,智能車輛需要完全實(shí)現(xiàn)無(wú)人駕駛。同時(shí)定位與建圖(simultaneous localization and mapping,SLAM)技術(shù)作為智能車輛實(shí)現(xiàn)自主導(dǎo)航的關(guān)鍵技術(shù),能夠?yàn)檐囕v在定位系統(tǒng)失效的未知環(huán)境中實(shí)現(xiàn)無(wú)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(gè)方面出發(fā),對(duì)智能車同時(shí)定位與建圖的關(guān)鍵技術(shù)進(jìn)行了深入的研究,主要內(nèi)容如下:(1)針對(duì)智能車輛SLAM系統(tǒng),定義了其研究中所需要的坐標(biāo)系,建立了車輛運(yùn)動(dòng)學(xué)模型、傳感器觀測(cè)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(shí)定位與建圖關(guān)鍵技術(shù)的研究搭建了統(tǒng)一平臺(tái)。(2)針對(duì)幾何特征地圖中自然實(shí)體路標(biāo)的提取問題,研究了一種基于激光雷達(dá)數(shù)據(jù)的圓型特征提取方法。該方法可根據(jù)雷達(dá)數(shù)據(jù)點(diǎn)的距離信息和角度信息提取環(huán)境中實(shí)體路標(biāo)的中心和直徑。通過Victoria Park數(shù)據(jù)集驗(yàn)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(duì)基于擴(kuò)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(jì)的不確定性影響,基于強(qiáng)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(shí)定位與建圖算法(Fast simultaneous localization and mapping,FastSLAM)一致性差、估計(jì)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(jìn)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(jì)了強(qiáng)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(jì)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(yàn)概率分布,進(jìn)而提高粒子采樣精度;在地圖估計(jì)階段,采用STSRCDKF實(shí)現(xiàn)對(duì)環(huán)境路標(biāo)位置的估計(jì),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(shí)驗(yàn)結(jié)果證明了提出算法在魯棒性、一致性和估計(jì)精度方面的優(yōu)勢(shì)。(4)在SLAM中,數(shù)據(jù)關(guān)聯(lián)作為狀態(tài)估計(jì)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(duì)目前SLAM中所應(yīng)用的數(shù)據(jù)關(guān)聯(lián)算法無(wú)法同時(shí)保證計(jì)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(zhǔn)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(zhǔn)確關(guān)聯(lián)結(jié)果的同時(shí),降低SLAM算法的復(fù)雜度。其次,根據(jù)聯(lián)合最大似然準(zhǔn)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(zhǎng)改進(jìn)的人工魚群算法搜索最優(yōu)數(shù)據(jù)關(guān)聯(lián)解。實(shí)驗(yàn)結(jié)果表明提出的兩種關(guān)聯(lián)算法能夠?yàn)樘岣咧悄苘嘢LAM的實(shí)時(shí)性和準(zhǔn)確性提供可靠的保障。(5)為了實(shí)現(xiàn)車輛準(zhǔn)確自定位且構(gòu)建描述環(huán)境細(xì)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(diǎn)云地圖創(chuàng)建與定位方法。采用強(qiáng)跟蹤平方根中心差分粒子濾波融合基于迭代最近點(diǎn)(Iterative Closest Points,ICP)匹配的定位結(jié)果和基于里程計(jì)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(duì)車輛位姿估計(jì)和地圖更新的影響。在點(diǎn)云地圖構(gòu)建階段,通過尋找當(dāng)前掃描數(shù)據(jù)點(diǎn)與參考數(shù)據(jù)點(diǎn)之間的對(duì)應(yīng)關(guān)系,將存在對(duì)應(yīng)關(guān)系的點(diǎn)根據(jù)各自的權(quán)重值進(jìn)行融合;最后基于車輛的全局位姿完成點(diǎn)云地圖的拼接。實(shí)驗(yàn)結(jié)果表明提出的方法不僅能夠?qū)崿F(xiàn)車輛的準(zhǔn)確定位,而且構(gòu)建的點(diǎn)云地圖可以為智能車自主駕駛提供細(xì)致的環(huán)境信息。
【學(xué)位單位】：北京工業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2018
【中圖分類】：U463.6
【部分圖文】：

為了促進(jìn)軍方、科研院校以及公司團(tuán)體等機(jī)構(gòu)之間輛的研究，美國(guó)國(guó)防高級(jí)研究計(jì)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(guó)的莫哈維沙漠舉行，共有 15 支隊(duì)伍報(bào)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(bào)名參加，其中冠軍是來(lái)自斯坦福大學(xué)的 Stan備了 5 個(gè) SICK 激光雷達(dá)、1 個(gè)彩色攝像頭、2 個(gè) GPS、慣性行機(jī)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(jìn)入二十一世紀(jì)，為了促進(jìn)軍方、科研院校以及公司團(tuán)體等機(jī)構(gòu)之間的交流，推動(dòng)智能車輛的研究，美國(guó)國(guó)防高級(jí)研究計(jì)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(guó)的莫哈維沙漠舉行，共有 15 支隊(duì)伍報(bào)名參加，但沒有一支隊(duì)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(bào)名參加，其中冠軍是來(lái)自斯坦福大學(xué)的 Stanley 智能車，該車配備了 5 個(gè) SICK 激光雷達(dá)、1 個(gè)彩色攝像頭、2 個(gè) GPS、慣性導(dǎo)航系統(tǒng)和操作執(zhí)行機(jī)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(chǎng)整段路程中，Vislab 實(shí)驗(yàn)室研能車 BRAiVE 進(jìn)行了無(wú)人干預(yù)的真實(shí)道路環(huán)境測(cè)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(jī)獲取道路狀況，實(shí)時(shí)檢測(cè)和識(shí)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(jià)值 7750 美元的立體像機(jī)和激光系統(tǒng)獲取道車輛自主定位[24]。

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王曉君;裴�？�;劉紅云;;一種改進(jìn)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(bào);2015年04期

2 韓明瑞;周波;錢X;房芳;;基于激光雷達(dá)的室外移動(dòng)機(jī)器人三維定位和建圖[J];華中科技大學(xué)學(xué)報(bào)(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(kuò)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(bào);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(dòng)化學(xué)報(bào);2014年02期

6 林敏;李團(tuán)結(jié);紀(jì)志飛;;采用改進(jìn)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(bào);2014年05期

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

8 郭澤;繆玲娟;趙洪松;;一種改進(jìn)的強(qiáng)跟蹤UKF算法及其在SINS大方位失準(zhǔn)角初始對(duì)準(zhǔn)中的應(yīng)用[J];航空學(xué)報(bào);2014年01期

9 黨秋月;陸月明;;基于OPTICS可達(dá)圖的自動(dòng)識(shí)別簇方法[J];計(jì)算機(jī)應(yīng)用;2012年S2期

10 李娜;;無(wú)人駕駛汽車何時(shí)上路[J];科技導(dǎo)報(bào);2012年34期

本文編號(hào)：2810938