基于视觉里程计轨迹跟踪在车辆定位中的优化研究-法国巴黎萨克雷大学博士学位论文

基于视觉里程计轨迹跟踪达扬努尔·萨勒米·达哈米扎·阿旺·萨勒引用此版本：达扬·努尔·萨尔米·达哈米扎·阿旺·萨列。基于视觉测距轨迹跟踪的车辆定位优化研究信号与图像处理巴黎萨克雷大学（COmUE），2018年。英语NNT：2018SACLS601。电话：03091994HAL Id：tel-03091994https://theses.hal.science/tel-030919942021年1月1日提交HAL是一个多学科的开放获取的弧形蜂巢，用于存放和传播科学研究文件，无论它们是否已这些文件可能来自法国或国外的教学和研究机构，或来自公共或私人研究中心。L’archive ouverte pluridisciplinaireNNT：2018SACLS601基于视觉里程计轨迹跟踪巴黎萨克雷大学博士学位论文Ecole doctorale n19580 Sciences et technologies de通信（STIC）Spécialité de doctorat：Traitement du signal et des imagesThèse présentée et soutenue à Orsay，le 19/12/2018，par达扬 N UR S ALMI D HARMIZA AWANG SALLEH评审团组成：Maan El Badaoui El NajjarRoland Chapuis校长Clermont Ferrand大学讲师特别报告员David Betaille研究主任，南特国际科学技术研究所特别报告员Lydie Nouveliere埃夫里大学教务长巴黎南大学iii合成Au sein des systèmes avancés- ADAS）用于智能运输系统（ITS）、定位系统、或定位系统，这些系统在车辆中起着主要作用。GPS（全球定位系统）系统的使用可能会产生一个类似于信号约束或信号关联的简单结果。这些错误可能发生在将所提供的GPS信息与其他船长提供的信息相融合时。在车辆中增加可供使用的辅助系统，并增加可供使用的药物数量在这个框架中，我们对将两个提供给驾驶员的驾驶座进行融合以便于车辆定位感兴趣。Parmi ces sources- VO），couplée à une carte de l'acquisition.我们将研究这一路线的特点，但要提高车辆在路线上横向和纵向位置的质量，并检测路线的可能变化在与GPS数据融合后，该通用地图与开放街道地图（OSM）提供的菜单相耦合 为此，我们提出了一种基于分配因素的方法。然而，纵向位置是最佳的，因为在为了验证系统的鲁棒性，该方法在考虑到GPS杂音的情况下，通过对KITTI测试结果的分析，通常不会出现白杂音、双测量值和单一信号GPS杂音。Plusieurs méth- odesd'odométrie visuelle ont été utilisées pour comparer l'influence de la méthode sur 结果的改善之路是在女孩子们融合之后。通过使用我们提出的技术，定位精度与有意义的改进有关，特别是对于错误的处理定位的性能与同步定位和地图绘制（SLAM）技术相当，可纠正视觉系统初始定位误差不同的GPS信号模式对车辆行驶路径选择所需的不同路线的定位结果和所提出方法的鲁棒性没有影响IV我们可以在检测道路变化的干部中使用视觉系统的工具该指示对车辆导航系统有用。通过一种累积的方法和一种调整路线的技术来检测路线的变化，并使其成为一种现实通过对侦查策略的研究，提出了在同一路线上的路名发生变化的情况下，确定车辆初始路线的方法此外，结果优化的统计学方法也被用于确定最后，这些研究结果表明，该研究对利用可视光学系统的探测器具有重要意义，可作为车辆定位的信息来源该摄像机提供的信息源可用于辅助摄像机系统所见的不同环节v作者声明本人，达扬·努尔·萨勒米·达哈米扎·阿旺斯·阿勒，声明本论文本人确认：• 这项工作全部或主要是在候选人在这所大学的研究学位。• 这篇论文的任何部分以前都没有在这所大学或任何其他机构提交学位或任何其他• 在我查阅他人已发表的著作时，这一点总是明确的。• 在我引用别人的作品时，总是给出出处。除了这些引文外，这篇论文完全是我自己的作品。• 我已经确认了所有主要的帮助来源vii确认首先，我想对我的导师Em- manuel Seignez表示衷心的感谢，从我踏上法国的第一天起，他就在生活的许多方面给了我无尽的支持和动力。我真的很感激有这样一位伟大的导师，在我学习的过程中，他一直给我鼓励。我还要感谢我的论文审稿人David Betaille教授和Ronald Chapuis教授对我的工作提出的意见和富有成效的建议。别忘了，我的同事们-我也很感激我的家人，特别是我的父母，他们把我抚养得很好，帮助我做决定，在我的学习上非常支持我。我的兄弟姐妹也值得在这里提及，为他们为我的成功祈祷。最后但并非最不重要的是，我想无休止地感谢我的丈夫，他在我们完成我的学业的旅途中牺牲了很多，言语无法真正描述我是多么感激有你在我身边，只有上帝才能回报你的善良。ix内容SynthèseIII作者声明V鸣谢.七图十三表151车辆国产化介绍11.1背景21.1.1GPS31.1.2传感器5A. 车轮里程计（ABS）5B. INS5C. 雷达6D. 摄像机7E. 8号激光雷达1.1.3从数字地图9A. 必应地图10B. 谷歌地图10C. 苹果地图10D. OpenStreetMaps111.1.4数字地图比较131.2捐款. 141.3第十五章大纲x2视觉里程计定位的相关工作172.1视觉里程计172.1.1VO接近18A. 基于知识的方法18B. 基于外观的方法20C. 混合办法222.1.2先前VO Works22A. 立体声系统22B. 单目系统242.1.3挑战与局限252.2多传感器定位262.2.1GPS、相机、INS和激光雷达2.2.2低成本数据融合与相机282.3VO基准测试数据集292.4问题陈述322.5结论323利用道路概率分布因子进行数据融合以实现定位改进353.1数据融合过滤器363.1.1卡尔曼滤波器363.1.2颗粒滤清器383.1.3摘要403.2传统视觉里程计403.3OSM数据结构3.4VO与GPS和OSM43的融合验证3.4.1KITTI数据集443.4.2粒子滤波器的数据融合3.4.3讨论与讨论463.5道路分布概率系数473.5.1与OSM数据473.5.2方法验证493.5.3结果与讨论503.6综合报告514使用VO-OSM分段曲线匹配的534.1概览.534.2相关作品544.3系统概要56xi4.3.1VO和OSM分割574.3.2曲线匹配594.3.3多级数据融合61第一级：全球头寸估计62第2级：通过道路概率分布进行横向位置校正-作用系数（RPDF）62第3级：采用分段曲线匹配（SCM）的纵向位置校正624.4验证和结果讨论644.4.1方法验证64A. KITTI数据集65B. GPS噪声建模664.4.2结果与讨论67第01集Highway Drive67序列02：住宅驱动器72与其他VO方法的4.4.3综合报告784.5使用最新VO方法794.5.1验证结果804.5.2综合报告824.6结论835用于车道级定位855.1概览855.2相关作品865.3系统概述875.3.1变道875.3.2视觉里程计885.3.3OpenStreetMap895.4轨迹分析915.4.1方法935.4.2曲线拟合方法945.5验证和结果945.5.1数据集945.5.2AQUIUM Chart结果965.5.3曲线拟合结果985.6实施方面的挑战1035.7综合103xii6一般结论和今后的工作1056.1结论. 1056.2未来的工作107xiii图目录1.1传感器配备在特斯拉型号S21.2Waymo自动驾驶汽车的传感器21.3车轮里程计编码器（PololuCorporation 2016）61.4惯性导航系统框图（Gade，2005年）61.5中远程汽车雷达传感器运行的示例到250米。 （博世雷达）................................................................................................... 71.6巴黎萨克雷12大学Digiteo大楼的制图差异1.7朝鲜平壤的地图差异132.1FAST角点检测器：像素11- 1 - 6和1-6比p亮，因此p被检测为特征点。...................192.2传感器设置俯视图292.3用于收集数据的293.1采样重要性恢复（SIR）算法的表示粒子滤波器393.2传统的VO算法应用在我们的方法413.3OSM地图中的道路表示和.osm文件中的数据结构示例443.4粒子滤波器中的数据融合步骤453.5数据集1的定位结果473.6数据集2的本地化结果473.7不同道路类型的道路概率分布系数（RPDF）493.8数据集150的RPDF定位结果3.9由于GPS影响，错误道路选择期间的错误峰值513.10 数据集2的RPDF定位结果514.1定位错误544.2拟议办法的系统概述xiv4.3OSM文件中的节点放置584.4OSM数据中的节点生成算法594.5用于曲线匹配的三个节点的角度参数604.6VO和OSM节点三重曲线匹配步骤604.7双弯道路在驱动器34与2s的VO轨迹在二次曲线附加在小框614.8多级数据融合和每个级624.9来自作为查找中心的融合输出的候选道路的概率分布644.10 GPS误差源664.11 高速公路行驶的轨迹结果（序列01的684.12 序列中的横向和纵向定位误差01694.13 序列0171的错误摘要4.14 73号住宅区的轨迹结果4.15 序列中的横向和纵向定位误差02754.16 序列0276的错误摘要4.17 （a）序列01和（b）序列02804.18 （a）序列01和（b）序列02的轨迹累积漂移804.19 Libviso2（M）轨迹中的严重平移错误导致错误的路径选择，sen during fusion融合期间的815.1变道轨迹885.2发生变道的路段（以红色突出显示），在OSM文件905.3基于OSM91车道信息的车道变更决策流程图5.4车道变换检测的框架概述925.5从VO/SLAM方法生成的车辆轨迹965.6基于噪声过滤后VO曲线的偏航率975.7从CANUUM图中995.8航向角曲线拟合误差1005.9曲线拟合的车道变更检测结果101xv表的列表2.1在KITTI数据集上进行的VO / SLAM方法的性能比较303.1定位距离误差504.1SCM技术的本地化性能774.2与其他VO作品的784.3不同VO方法794.4定位精度比较815.1换道事件955.2整体换道检测结果102xvii献给：巴巴，玛雅，还有我们的新宝贝. .1第1车辆国产化当亨利·福特制造出廉价可靠的汽车时，人们会说：“不，马有什么不好？”这是一个巨大的赌注，他做了，它的工作。- 正如特斯拉公司的联合创始人、首席执行官和产品架构师所说，它证明了随着创新和技术的发展，生活质量得到了提高，尽管一开始看起来可能很糟糕。事实上，人类--无论是有意识的还是无意识的--总是通过大力发展技术来追求更舒适的生活。这就是为什么技术的发展从未停止过，研究人员在各自的领域相互合作汽车技术作为人们日常生活中的重要必需品之一，得到了飞速的发展。它是成年人购买的第二大商品，仅次于住宅物业。人们乘坐公共交通工具或私人车辆从一个地点到另一个地点，安全是主要问题之一。此外，随着城市发展及先进的道路网络，使用在行车时间及燃料消耗方面最具效率的路线是我们繁忙生活中须考虑的重要因素。因此，对具有精确定位技术和不间断路由服务的高安全性车辆的需求一直很高。