熟女人妻水多爽中文字幕,国产精品鲁鲁鲁,隔壁的少妇2做爰韩国电影,亚洲最大中文字幕无码网站

    摘要：現有的差分全球定位系統通常需要高精度地圖數據的支持，然而高精地圖制作成本高昂，且龐大的地圖數據對車載電腦性能及網絡通訊帶寬有較高要求。該文提出一種基于低數據量矢量地圖的智能車導航方法，通過引入道路標簽機制，從高層次抽象組織道路點，以便快速建立矢量導航地圖，并大幅度降低道路點的重復存儲。基于該地圖的導航方法自動規劃最優全局路徑，通過基于預瞄點與歷史點的幾何學算法進行路徑跟蹤與避障，從而將上位機計算出的方向盤轉角、油門和制動踏板深度信息傳遞到車輛底層控制器，以控制車輛按規劃路徑行駛。該方法的有效性和準確性在自主開發的無人駕駛平臺上得到了驗證。

關鍵詞：智能駕駛；矢量地圖；路徑跟蹤；避障

中圖分類號U471.15文獻標志碼A

1、引言

    無人車也被稱為智能車輛，是當今車輛工程與機器人技術、人工智能結合最熱門的領域之一[1]。ErnstDickmanns在20世紀80年代開啟智能汽車發展之路[2]。1994年，在美國由卡內基梅隆大學研發的Navlab從賓州的匹茲堡行駛到加州的圣迭哥，其中自主駕駛部分達98.2%[3]。意大利的帕爾瑪大學研制的智能車將傳感器進行了內嵌，該智能車可以同時應用于高速公路和城市道路，通過采用視覺導航的方式對交通信號燈及交通標記進行有效的識別，實現行人檢測的能力，經過多年研究Vislab智能車已經具備了多項自主駕駛的功能[4,5]。我國近年來在無人駕駛領域也取得了飛速發展。例如，百度無人駕駛汽車在北京進行全程自動駕駛測跑，實現了多次跟車減速、變道、超車、上下匝道、調頭等復雜駕駛動作，完成進出高速道路等不同場景的切換，最高時速可達100km/h[6]。21世紀以來，許多汽車制造廠商推出了具有輔助駕駛、自動泊車、自動入庫等功能的車輛，如傳統的汽車巨頭BBA及沃爾沃等汽車品牌都已在自己旗下的不同車型上應用了最先進的自動駕駛系統，通過雷達、探頭、全球定位系統(GlobalPositionSystem，GPS)、視覺傳感器等裝置，車輛可以按照預定的線路自動駕駛，可以說目前半自動駕駛技術已經相對比較成熟。

    安全、高效的導航方法是無人車實現的關鍵[7]。導航定位系統利用高精度GPS采集位置信息及車速，從而通過核心控制單元進行處理，根據位置和角度信息控制執行機構。現階段無人駕駛導航策略大多應用于車道線或引導線標記清晰的結構化道路[8]，但在國內依然有許多鄉村道路不具備實現該導航機制的條件[9]。其次，標記詳細的高精度地圖雖然能滿足自動駕駛導航的需要，但其數據量龐大，數據的處理和融合相對耗時、困難，亦給自動駕駛技術的落地帶來了巨大挑戰[10,11]。

    為了解決以上問題，本文提出了一種基于輕量級矢量地圖的智能車導航方法。該方法包含地圖構建與導航部分。其中，地圖構建部分創新采用道路點(waypoint)與標簽(waytag)相結合的機制。道路點用來描述各條道路并標記精準的道路經緯度及無人駕駛決策信息；道路標簽從高層次抽象組織道路點，從而極大地降低數據的重復存儲。導航部分緊密結合道路點與標簽的地圖結構，通過運用預瞄點與歷史點快速決定車輛的轉向角，有效實現路徑追蹤。本文所提出的地圖構建與導航方法可作為無人駕駛的基礎模塊，可與激光雷達數據處理、車輛避障算法、車輛動力學模型相結合，實現算法與存儲的輕量級化，降低無人駕駛對硬件設備計算能力的需求。

2、相關研究進展

    城市環境中，路標、道路邊界和車道標記等一直是無人車導航的關鍵。Zhang和Singh[12]使用3D點云并提取特征點匹配計算坐標變換從而構建道路邊界幾何模型，并通過配備的傳感器來構建離線地圖，進而預估車輛在全球坐標和相對道路的位置。Lundgren等[13]使用攝像機和激光雷達創建道路地圖及其周圍環境，并將道路和車道標記等信息融合于地圖中，但在復雜的環境下或光線不足的夜間，攝像機對車輛、交通標志的識別誤檢率、漏檢率較高，不能覆蓋整個車體周邊的整個導航區域，因此在使用場景上受到了較大的局限。在美國DARPA城市挑戰賽中，官方發布了一種名為RNDF的地圖格式，后來廣泛用于無人駕駛車輛挑戰賽[14]。它是具有拓撲信息的地圖表示方式，道路由一組航路點和寬度可調整的車道線組成。其中，航路點被用于標記道路的起點和終點，在道路之間建立連接。拓撲地圖不考慮環境具體的幾何特征，也無需描述節點之間精確的空間位置關系，因此構造簡單，且占用存儲空間少。缺點是由于其簡單的結構特性省略了很多具體環境信息，因此不適合大環境構圖，且導航定位精度低[15]。麻省理工學院的CSAIL團隊開發了一個新的MapLite框架，可以在沒有3D地圖的情況下，在鄉村道路實現自動駕駛[9]。Maplite是一種新型的無網格驅動框架，它結合了稀疏拓撲地圖的GPS和基于傳感器的本地感知系統進行導航，使用激光雷達來估計道路邊緣的位置，利用最小二乘殘差和遞歸濾波方法規劃行駛路徑，無需詳細的先驗地圖。同樣卡內基梅隆大學利用Velodyne64激光雷達構建道路邊緣幾何進行導航定位[16]。

目前智能車導航主要通過以下3種方式：

    （1）基于視覺道路標志線跟蹤導航，其代表為特斯拉公司所用導航技術。智能車首先利用攝像頭拍攝道路周圍環境的局部圖像，并通過圖像處理技術中的特征識別、距離估計等，進行智能車定位及其下一步的動作規劃；然后，利用傅里葉變換處理全方位圖像，并將關鍵位置圖像經過變換得到的數據存儲起來，將其作為下一步的參考點；最后，將攝像頭拍攝的圖像與之對比，從而得到車輛的當前位置，進一步實現對智能車的局部路徑規劃。在新的環境中通過圖像處理數據分析出環境中的道路，不需要事先建立數據庫以及鋪設大量的輔助設施[3]。

    （2）基于激光雷達的高精地圖導航，其代表是Google公司無人車。其借助激光三維點云構建周圍環境的幾何關系，通過實時采集周邊點云與地圖中點云相匹配，從而對無人車進行準確定位。

    （3）基于差分GPS(DGPS)的導航，其代表為百度無人車。然而，百度無人車導航需依賴激光雷達和視覺生成的高精度地圖，比普通地圖對信息的需求更大，行駛路段都需要配備激光雷達的數據采集車進行實測。例如，四維圖新擁有600輛數據采集車，可以采集全景影像數據、路面影像數據、亞米級高精度GPS數據、路測近距離激光雷達等高精度數據，其對車載電腦的存儲與計算能力要求極高，相對資金花費會更高[17]。同時激光點云的實時匹配的準確性受周圍動態環境的影響較大，而且激光雷達無法對周圍環境中的路標、指示牌和紅綠燈等信息進行提取，導致其對復雜路況理解能力的局限性等問題尚未解決。當今車載定位和手機定位運用的是單一的GPS，提供的定位精度是優于25m，而為得到更高的定位精度，無人車通常采用差分GPS技術，將差分GPS接收機安置在基準站上進行觀測。根據基準站已知精密坐標，計算出基準站到衛星的距離改正數，并由基準站實時將這一數據發送出去。用戶接收機在進行GPS觀測的同時，也接收到基準站發出的改正數，并對其定位結果進行改正，從而得到厘米級的定位精度。

3、無人駕駛導航系統

    本文采用差分GPS錄制無人車導航矢量地圖并對地圖進行濾波分類處理，從而規劃全局行駛路徑，利用激光雷達進行前方障礙物檢測，根據激光雷達的信息反饋動態調整局部路徑進行避障，最后輸出方向盤轉角、油門和制動踏板深度信息到底層控制器。無人駕駛系統的示意圖見圖1。

3.1矢量地圖建立與全局路徑規劃

    主流智能駕駛技術依賴于高精度地圖對環境信息的準確描述，而高精度地圖對存儲要求較高。例如，Levinson與Thrun[18]通過數據壓縮技術將20000英里的道路信息存儲于200GB的空間，相當于每公里6.25MB的存儲密度。如此龐大的數據量對車載電腦的存儲容量是極高的挑戰，亦給數據處理和融合所需計算的實時性帶來巨大困難。

    相比之下，本文采用輕量級矢量地圖與軌跡跟蹤算法相結合的方法達到自主導航效果。具體來說，該地圖建立方法利用差分GPS抽取經緯度信息，去除大規模激光點云數據，通過在地圖中標記車道、十字路口、速度限制等關鍵信息達到準確導航的目的。本文采用的矢量地圖如圖2所示，共13條道路26條車道，總行駛里程約5公里僅占用約500kB的數據存儲，相當于每公里100kB存儲密度，極大地簡化了數據結構，同時確保了高精度。

全局路徑規劃模塊是根據矢量地圖和起點、終點信息，規劃全局路徑。具體步驟如下：

    (1)如圖2所示某地區高精度矢量地圖，首先將每條車道進行編號(如1,2,3,…)，并分別將每條車道經緯度信息、對應道路的紅綠燈和標志牌等存儲到MATLAB的cell矩陣中，建立waypoint數組。然后，建立waytag數組作為各路口的標簽和車道線的連接，定義路口直行、左拐、右拐、變道和掉頭。圖3所示為MATLAB中waytag和waypoint數組。waytag行序號為每條車道編號(如1～26號)，列序號為路口決策編號(如直行、左拐、右拐、左變道、右變道、掉頭)。waytag表格則為下一步要行駛的車道編號(－1表示無車道)。例如，當車輛從3號車道左轉行駛到11號車道，該11號車道對應的waypoint如圖3所示，包含該車道的經緯度、紅綠燈、人行橫道和限速標志等。1表示該位置有以上標志；相反，－1表示沒有。車輛可根據以上信息確定參考車速或停車等待，保證車輛行駛符合道路交通法規.

    (2)利用差分GPS實時定位搜尋車輛在地圖上的投影點，從而確定起始點，并通過指定行駛方向，或給定終點坐標的方式確定終點，從而得到規劃行駛路徑。

3.2差分GPS數據處理與路徑跟蹤

    差分GPS數據處理模塊主要是定義經緯度范圍、過濾錯誤數據和消除噪聲，并實時打印定位點和地圖投影點。

    路徑跟蹤模塊將根據差分GPS和預先錄制的waypoint信息產生一個適當的轉向位置命令，并根據方向盤轉角匹配適當的行駛速度。利用差分GPS可以獲取車輛的實時位置，從錄制地圖中能夠看到車輛運動的參考路徑。如圖4所示，綠色線條為預先錄制的車輛waypoint；藍點為車輛定位點；紅點為車輛waypoint投影點。為使藍點不斷趨近于地圖中紅點，設計了一種角度的算法來實現。如圖5所示，藍色區域為車輛的幾何模型，C點是當前車輛的定位點，即圖4中藍點；A點為車輛先前的定位點；B點和D點(紅點)分別是地圖中距離A點和C點的最近點；E是預瞄點，即車輛的目標位置。向量BC和向量BD的夾角為β，其正負和大小可以用來判斷車輛的位置誤差；為向量AC和向量DE夾角，α為車輛動態行駛路徑與參考路徑的角誤差，通過不斷修正使α和β減小直到趨于0，使車輛沿規劃路徑行駛。公式(1～8)為根據各點的經緯度計算相應向量。其中，下標x、y表示該向量在x軸、y軸方向的大小。

由于向量夾角余弦公式得到的 α、β 無正負值，故用夾角正切公式求得：

最后，航向角為：  (11)

其中，coeff₁ 與 coeff₂ 為權重系數，用來調整α、β對航向角的影響。該角度需要在測試中進行調整，建議在轉彎時通過降低車速來優化跟蹤waypoint 的效果。

3.3動態路徑調整模塊

    動態路徑調整模塊功能主要是在同一行駛方向具備多車道時，實現基于差分 GPS 的避障， 即遇到障礙物后進行車道切換。障礙物檢測可基于視覺或激光雷達的信息反饋，一旦決定避障，則可將參考 waypoint 從當前車道切換到另一并行車道，通過計算與并行車道 waypoint 的航向角從而實現車道切換。若新車道仍檢測到障礙物，則需停車等待障礙物清空后再繼續行駛。在實現過程中將多車道 waypoint 分別建立，但存儲于同一數組中不同行(列)，當避障時切換投影 waypoint，從而節省計算時間。亦可在車道waypoint 數組中指定優先級，在確認避障結束后切換到第一優先級車道，避免逆行。如圖 6 所示為四條并行車道 waypoint。

3.4轉向、油門、制動模塊

    轉向、油門、制動模塊主要功能是將方向盤角度和速度命令發送給車輛底層控制器。本文采用 CANanalyzer 搭建 MATLAB 與CAN(Controller Area Network)總線的信息交互平臺，將上層模塊計算的角度和速度信息發送到底層控制器并控制無人車的轉向和啟停。

4、實驗

4.1實驗建立

    本文采用實時動態差分全球定位系統(Novatel DGPS)進行實驗測試，由接收機、天線、無線調制解調器和電池組成，具體如圖 7(a)、(b)所示。其中，最大采樣率為 10 Hz，定位精度為 5 cm。

設備分為基站與移動站，基站覆蓋半徑為 20 km 的區域，可以建立單一基站對多移動站的使用方式。實驗將基站搭建在樓頂，移動站搭建在車內，通過 4G 信號(中國移動)實現基站與移動站之間的數據傳輸，從而實現較好的數據接收效果。

    實驗過程中，首先搭建差分 GPS 導航定位平臺，進行錄制園區內無人車行駛路徑，然后建立差分 GPS 和 MATLAB 接口，將地圖導入MATLAB 中，進行算法編寫。圖 7(c)為園區路徑在谷歌地球上呈現的效果圖，圖 7(d)為未處理的矢量地圖。由圖 7 可以看出，與普通 GPS 相比，Novatel DGPS 具備較高的抗干擾性與準確性，適合基于其進行路徑追蹤與避障。

    本文采用禾賽科技 Pandar40 四十線激光雷達和 Hokuyo 單線激光雷達對障礙物進行檢測與避障。其中，二者位于車前保險杠中央，Pandar40 安裝在下方，Hokuyo 在上方，安裝位置如圖 8 所示。實驗車輛為開沃新能源汽車，前置前輪驅動，裝有電子助力轉向(EPS)和整車控制單元(VCU)，通過 CAN 總線可以控制車輛的運行狀態。采用創芯科技的 CANalyst-II 分析儀對上位機和底層 CAN 總線進行連接。從而搭建MATLAB 與 CAN 總線的信息交互平臺，將上位機計算的角度和速度信息通過分析儀發送到底層控制器。

4.2實驗結果

4.2.1 路徑追蹤測試

    圖 9 為錄制某地區的矢量地圖，其中紅色和綠色線條表示路徑。該地圖以 20 km/h 勻速行駛進行錄制，waypoint 采樣頻率為 10 Hz。在矢量地圖中確定起點和終點，如圖中的 Start 點和 End 點。路徑規劃算法依據起點和終點規劃出一條最優路徑，從起點到終點，車輛經過的路徑依次為1-2-3-4-5-6，用紅色實線標識，其他路徑用綠色虛線標識，通過路口用 A、B、C、D、E 表示。

    為了檢驗路徑跟蹤算法的準確性，本實驗采用人為駕駛和自動駕駛來驗證。因為速度的不同會對路徑追蹤的效果有較大影響，所以實驗選擇在平均車速為 15 km/h、20 km/h 兩種車速下測試。圖 10(a)是當車輛以平均車速 15 km/ h 行駛時，車輪轉角隨路徑變換的關系。其中，紅色為車輛沿規劃路徑自動駕駛時車輪轉角的變化曲線；藍色為人為駕駛的轉向角變化曲線；綠色直方圖是以上兩個角度之差，用來衡量自動駕駛的準確性。由圖10(a)可以看到，當車輛直線行駛時，角度誤差較小，保持在 2°以內；當轉彎時，角度誤差有增大趨勢，但基本達到轉向所需轉角。圖 10(b)為平均車速 20 km/h 時車輪轉向角與行駛路徑的關系。由圖可以看到，車速增大后，直線行駛時角度誤差較之前變化不大，轉彎時誤差較之前稍有增大，自動駕駛轉向角比人為駕駛轉向角出現輕微的角度滯后。

    以上實驗結果表明，隨著車速的增大角度誤差會增大并出現角度滯后。分析其原因有以下幾點：首先，差分 GPS 在進行精準定位時會有約0.2 s 的定位延時，造成轉向角滯后；其次，雖然差分 GPS 達到了很高的定位精度，但依然會有因噪聲產生定位誤差，這對轉向角的計算非常敏感；最后，速度調節器不能完全維持車速的恒定，尤其在有坡度的道路測試中。為了減小以上因素的影響，要求車速限制在 20 km/h 以內。

    在圖 5 車輛和路徑的幾何關系中，地圖中預瞄點 E 和車輛在地圖上投影點 D 的距離大小對路徑跟蹤也有較大影響。實驗中選取距投影點20～60 個 waypoint 的地圖坐標作為預瞄點 E。因為預瞄點 E 對路徑追蹤的影響只發生在轉彎情形中，故在圖 9 中沿路徑 1-A-2-B-3 測試角度誤差和 waypoint 個數的關系，滿足了左轉彎、右轉彎兩種情形。圖 11 為預瞄點與車輛轉向角誤差變化關系。因為角度誤差存在正負，故采取角度誤差的絕對值之和來衡量誤差的大小。由圖 11 可以看出，當距離從 20 到 50 時，角度誤差之和呈減小趨勢；當距離達到 60 時，誤差開始增大。這是因為當預瞄點距離過近時，算法中計算向量的夾角變化過于頻繁，造成轉向角不斷增大，車輛轉向過度。而預瞄點距離太遠時，向量夾角變化過于遲鈍，造成車輛轉向不足。綜上所述，投影點與預瞄點之間點的個數應在 50 左右，以保證轉角誤差最小。

4.2.2動態路徑調整測試

    實驗一：在行駛過程中放入障礙物來檢測動態路徑調整模塊，如圖 12(a)所示。實驗采用假人作為障礙物進行實車測試。當激光雷達檢測到前方有障礙物時，動態路徑調整模塊作出反應， 將參考 waypoint 從當前車道切換到另一并行車道，計算與并行車道 waypoint 的航向角實現車道切換，當繞過障礙物后車輛切換到原有車道繼續行駛。

    實驗二：在兩條并行車道上分別放有假人和箱子作為障礙物，如圖 12(b)所示。當車輛行駛過程中檢測到前方有障礙物 1(假人)，從當前車道切換到另一并行車道，緊接著又檢測到該并行車道有障礙物 2(箱子)，動態路徑調整模塊作出反應，制動停車并等待障礙物清空后繼續行駛。為了檢驗動態路徑調整算法的準確性和有效性，本實驗依然采用人為駕駛和自動駕駛來對比驗證。圖 13(a)、(b)分別為雙車道中單個和兩個障礙物情況下車輛轉向角與行駛路徑的關系。由圖可以看出，自動駕駛的轉向角和人為駕駛的轉向角基本吻合，最大角度為 15°左右，滿足正常切換車道所需角度。但為保證行駛安全，激光雷達探測到障礙物距離 5 m 時觸發動態路徑調整模塊，相比正常人為駕駛距離略遠，如圖 13 中 M 點。自動駕駛轉向角變化要提前于人為駕駛，同樣角度峰值點也提前到達。

5、結 論

    本文提出了一種基于矢量地圖的無人車導航方法。首先，建立無人車導航矢量地圖，然后利用矢量地圖和激光雷達完成路徑跟蹤及動態路徑調整的避障，并實車測試其實時性和準確性。該策略不依賴于激光雷達的高精度地圖創建，因為激光點云的實時匹配受到動態環境的影響較大， 在復雜環境中降低了車輛定位的準確性。在實時避障方面，激光雷達無法對周圍環境中的語義信息進行提取(如路標、紅綠燈等)，導致其對復雜路況的理解能力存在局限性。本文基于差分 GPS 創建的地圖通過對關鍵信息的標記(如車道、標志、速度、紅綠燈等)，增加了無人車對環境語義的理解能力，通過分段標記的方法實現動態形式路線的變化。與此同時，結合激光雷達的實時障礙物檢測能力，通過改變矢量地圖中參考路徑，實現了避障、車道線切換等功能，在實現動態駕駛決策的同時提高了駕駛安全性。另外， 在準確導航的同時極大地降低了對存儲空間的要求，每公里道路僅產生 100 kB 的數據存儲，且定位精度可達到厘米級。實車測試結果表明，本文提出的車輛轉向角算法和避障策略效果良好， 基本完成規劃路線的行駛。但在隧道或有遮蔽的道路，差分 GPS 定位精度受到較大影響，未來可考慮加入慣性測量單元進行輔助定位。在實時避障方面，其對車速和障礙物動靜態也有一定的要求，未來將對這一問題作進一步研究。

參 考 文 獻

[1]王晨. 無人駕駛智能車控制與規劃系統的設計與實現 [D]. 上海: 上海交通大學, 2009.
[2]崔佳超. 無人駕駛智能車在動態環境中的避障方法 [D]. 西安: 西安工業大學, 2015.
[3]鄧子豪. 無人駕駛智能車導航系統的研究與實現
[D]. 西安: 西安工業大學, 2014.
[4]Wolcott RW, Eustice RM. Fast lidar localization using multiresolution Gaussian mixture maps [C] // IEEE International Conference on Robotics and Automation, 2015: 2814-2821.
[5]葉偉銓. 無人車的自主導航與控制研究 [D]. 廣州: 華南理工大學, 2016.
[6]楊森森. 基于 GPS/INS/激光雷達的無人車組合導航 [D]. 上海: 上海交通大學, 2013.
[7]Wu BF, Lee TT, Chang HH, et al. GPS navigationbased autonomous driving system design for intelligent vehicles [C] // IEEE International Conference on Systems, 2007: 3294-3299.

[8]Levinson J, Thrun S. Robust vehicle localization in urban environments using probabilistic maps

[C] // International Conference on Robotics and Automation, 2010: 4372-4378.
[9]Ort T, Paull L, Rus D. Autonomous vehicle navigation in rural environments without detailed prior maps [C] // IEEE International Conference on Robotics and Automation, 2018.
[10]Ji XW, He XK, Lv C, et al. Adaptive-neural- network-based robust lateral motion control for autonomous vehicle at driving limits [J]. Control Engineering Practice, 2018, 76(4): 41-53.
[11]Seo YW, Rajkumar RR. Detection and tracking of boundary of unmarked roads [C] // The 17th International Conference on Information Fusion, 2014: 1-6.
[12]Zhang J, Singh S. Low-drift and real-time lidar odometry and mapping [J]. Autonomous Robots, 2016, 41(2) : 1-16.
[13]Lundgren M, Stenborg E, Svensson L, et al. Vehicle self-localization using off-the-shelf sensors and a detailed map [C] // IEEE Intelligent Vehicles Symposium Proceedings, 2014: 522-528.
[14]Wang HF, Li SM, Zheng YF. DARPA robotics grand challenge participation and ski-type gait for rough-terrain walking [J]. Engineering, 2015, 1(1): 36-45.
[15]Qu a c k T, B osi ng e r M, He be l e r F, e t a l . Infrastructure-based digital maps for connected autonomous vehicles [J]. Automatisierungstechnik, 2018, 66(2): 126-135.
[16]Chebly A, Talj R, Charara A. Coupled longitudinal and lateral control for an autonomous vehicle dynamics modeled using a robotics formalism [J]. IFAC-PapersOnLine, 2017, 50(1): 12526-12532.
[17]Javanmardi E, Gu YL, Javanmardi M, et al. Autonomous vehicle self-localization based on abstract map and multi-channel LiDAR in urban area [J]. IATSS Research, 2018, 3(05): 156-162.
[18]Levinson J, Thrun S. Map-based precision vehicle localization in urban environments [C] // Proceedings of International Symposium on Semiconductor Manufacturing, 2007.