没有合适的资源?快使用搜索试试~ 我知道了~
首页Robust and Precise Vehicle Localization based on Multi-sensor Fusion in...中文翻译
Robust and Precise Vehicle Localization based on Multi-sensor Fu...
需积分: 46 26 下载量 40 浏览量
更新于2023-03-03
评论 1
收藏 4.26MB DOCX 举报
百度apollo定位文献中文翻译 Robust and Precise Vehicle Localization based on Multi-sensor Fusion in Diverse City Scenes
资源详情
资源评论
资源推荐
基于多传感器融合的多城市场景高精确车辆定位
摘要
本文提出了一种在不同城市场景中实现厘米级定位精度的稳定精确的定位系统。
我们的系统自适应地使用来自互补传感器(如全球导航卫星系统,激光雷达,惯性测
量单元)的信息,从而实现在具有挑战性的场景(如市区,高速公路和隧道)下达到
高精度定位和适应能力。我们不再仅仅依靠激光雷达强度或三维几何,还创造性地利
用激光雷达强度和高度提示,显著提高定位系统的精度和鲁棒性。我们的全球导航卫
星系统-载波相位差分技术模块利用了多传感器融合框架,实现了更高的模糊度解算成
功率。应用误差状态下的卡尔曼滤波器将不同源的定位测量数据与新的不确定度评定
进行融合。我们详细验证了该方法的有效性,实现了 5-10cm 的均方根误差精度,并
优于现有的最先进系统。重要的是,当我们的系统部署在大型自动驾驶平台上时,能
够使我们的车辆在拥挤的城市街道上完全自主,尽管道路施工时有发生。我们使用的
数据集包括在各种城市道路上行驶超过 60 公里的实际交通量,用于全面测试我们的系
统。
1
.Ⅰ 介绍
车辆定位是自动驾驶的基本任务之一。由于卫星轨道和时钟误差以及对流层和电离
层的延迟,全球导航卫星系统(GNSS)的单点定位精度约为 10 米。这些误差可以通
过测量参考站的观测值进行校准。基于载波相位的差分 GNSS 技术,称为实时动态
(RTK),可以提供厘米定位精度
[1]
。RTK 最大的优势是它提供几乎全天候的可用性。
然而其缺点同样明显,它依赖于精密的载波相位定位技术,极易受到信号阻塞、多径
的影响。直观来说,激光雷达(LiDAR)是一个很有前途的精确定位传感器。在恶劣的天
气条件和道路施工时定位失败仍然是 LiDAR 的一个重要问题,尽管相关工程在解决这
些问题方面已经取得了良好的进展,例如小雨
[2]
和雪
[3]
。此外,LiDAR 和 RTK 是两种
在应用场景方面互补的传感器。当环境充满三维或纹理特征时,激光雷达工作良好,
而 RTK 在开放空间中表现出色。惯性测量单元(IMU)包括陀螺仪和加速度计,通过
通常称为航迹推算的技术,连续计算位置、方向和速度。它是自包含的导航方法,不
受干扰和欺骗。但它受积分偏差的影响严重。
2
图 1 我们的自动驾驶汽车配备了 Velodyne LiDAR HDL-64E。NovAtel ProPak6 以及 NovAtel IMU-
IGM-A1 的集成导航系统用于原始传感器数据收集,例如 GNSS 伪距和载波、IMU 比力和转速。未
使用内置紧耦合的惯性和卫星导航解决方案。配备双 Xeon E5-2658 v3 12 内核和具有 55%利用率的
Xilinx KU115 FPGA 芯片的计算平台,用于 LiDAR 定位。
因此,每个传感器都有其独特的特性和工作条件。在这里,我们提出了一个基于
多传感器融合的稳定精确的定位系统,专用于在复杂的城市和公路场景中行驶的自动
驾驶车辆。更 确切地说 ,我们自适应地融 合了 基于不同传感器的 定位 方法,如
LiDAR、RTK 和 IMU。该系统的传感器配置如图 1 所示。我们的系统为自动驾驶车辆
中的其他模块提供稳定、适应和精确的定位服务,能够在多个复杂场景中行驶,如市
中心、隧道、绿树成荫的道路、停车场和高速公路。在动态城市和高速公路场景中,
我们使用超过 60 公里的数据演示了大规模定位。在图 2 中,我们展示了多传感器融合
框架的体系结构。
总体而言,我们的主要贡献是:
3
• 一 种 用 于 车 辆 定 位 的 联 合 框 架 , 可 自 适 应 地 融 合 不 同 的 传 感 器 , 包 括
LiDAR、RTK 和 IMU。有效地利用了它们的优势,并通过有效的不确定性估计保护我
们的系统在各种场景中不受其故障的影响。
• 一种 LiDAR 定位方法,可自适应地将强度和高度提示相结合,从而获得鲁棒、
准确的结果,尤其是在道路施工等具有挑战性的情况下,优于以前的工程。
• 一种每天都在拥挤的城市街道上经过严格测试车辆定位系统,使我们的车辆在
各种具有挑战性的场景中完全自主,包括市中心、高速公路和隧道。
图 2 系统结构概述,该系统通过将传感器输入(紫色)与预构建的 LiDAR 地图(黄色)相结合来
估算自动驾驶车辆的最佳位置、速度、姿态(PVA)。GNSS 和 LiDAR 估算被用于误差状态卡尔曼
滤波器测量的 PVA,而卡尔曼滤波器提供预测的前 PVA。捷联惯性导航系统(SINS)是一个卡尔
曼滤波器传播阶段的预测模型,通过积分加速度计测得的比力 fb 和陀螺仪测得的转速 wibb。将卡
尔曼滤波器估计的加速度计和陀螺仪偏差、PVA 误差等的修正送入 SINS。
.Ⅱ 相关工作
多传感器融合并不是一个全新的概念。然而,融合多个传感器,使整个系统准确、
4
车辆或漫游车
Velodyne LiDAR
IMU
基准站
GNSS 定位
SINS
误差状态卡尔曼滤
波器(估计状态包
括位置、速度、姿
态、加速度偏差、
陀螺仪偏差)
原始 GNSS 观测值
用 VCV 预测前 PVA
3D 点云
预先 LiDAR 地图
原始 GNSS 观测值
LiDAR 定位
用 VCV 预测前 PVA
用 VCV 观察
后位 / 速度
基于方差和协方差
(VCV) 的位置 / 速
度 / 姿态 (PVA) 在
线定位估计
预建地图数据库
修正联合 PVA
融合框架
比力和转率
剩余26页未读,继续阅读
weixin_43886795
- 粉丝: 0
- 资源: 1
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- RTL8188FU-Linux-v5.7.4.2-36687.20200602.tar(20765).gz
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
- SPC统计方法基础知识.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0