[发明专利]智能驾驶中的融合定位方法

说明书

本发明涉及智能驾驶中的融合定位方法，包含步骤：输出边界拟合曲线；计算得车道线拟合曲线；得到全局坐标系下的航向角计算曲线；得到对应的车道中线形点信息；得到车道线曲线；得到第一离散型点集合；得到第二离散型点集合；将第一离散型点对应的曲率第一曲率值；得到第一曲率集合；将第二离散型点对应的曲率第二曲率值；得到第二曲率集合；输出基准点；对车辆纵向位置校正；对车辆横向位置校正；对车辆航向角校正。本发明得到教现有技术更准确的拟合模型，且获得的校正点可以更准确的修正车辆当前位置的横坐标；推算出现有技术所不具备的车辆的纵向位置修正信息；进一步修正车辆当前的航向角。

技术领域

本发明涉及智能驾驶技术领域，具体地涉及智能驾驶中的融合定位方法。

背景技术

高精度定位是发展智能自动驾驶不可或缺的底层技术之一；当前对于智能自动驾驶技术领域中，如何才能克服现阶段的技术局限，确保高精度定位的连续性、完好性和高可用性，尚无定论。目前的主流观点集中在视觉定位和雷达传感器这两大类别中。

首先要明确，现阶段人类对于智能自动驾驶的共识在以下四大性能指标：精度：测量值和真实值之间的重合度；完好性：服务不可用时提出告警的能力；连续性：告知客户系统正常工作的持续能力；可用性：提供符合指标定位服务的百分比；

现有技术中，视觉定位是指用车载摄像头拍摄环境图像，跟已知的地图元素做对比或以递推方式计算车辆位置的定位方式，可分为绝对定位和相对定位；其中：

绝对定位的素材来源主要有三类：地面印刷物，包括路政部门在道路地面上印刷的车道线、斑马线、导流带、地面文字、地面图标等，只要没有施工涂改或使用磨损，这种语义特征是非常稳定的；空中语义对象，包括道路上空的道路标牌、交通标识、红绿灯等，这些装置的位置基本固定而且语义信息明确，也非常适合做定位；街景，相对来说没有前两种方法主流。

相对定位，也就是现在比较流行的vSLAM(视觉同步定位和建图)和VO(视觉里程计)。这两个词常常一起出现，前者包含后者，一般讨论中都以vSLAM代替，其主要特点是提供后端的回环和优化，但车辆正常行驶时，开出去以后短时间内几乎不会再回到之前去过的地方，回环的用途并不是很大，所以视觉定位中主要使用的还是VO。

vSLAM和VO的理论基础是多视图几何，从上图中可以看出，相机从不同位置拍摄同一个物体得到的图像一定是相似而略有区别的。通过图像处理方法，可以找到两张图像中一一对应的特征点。当匹配的特征点数量足够时，通过求解单应矩阵或本质矩阵即可求得两个相机之间的旋转和平移关系，旋转和平移合称变换。当相机连续采集的数据构成一个视频序列时，求解两两帧之间的变换并组合起来即可得到一条从起始位置出发到当前位置的轨迹。由于得到的是相对轨迹，SLAM本身并不能直接完成定位任务，还需要和绝对定位做融合。可以将其他传感器的数据放到SLAM框架中作为额外约束，也可以将视觉观测或里程计的局部关系作为约束输出给其他定位框架。

无论采用哪种方式，视觉定位的一般流程可分为四步：摄像头采集图像、图像预处理、提取图像特征或提取语义、用多视图几何和优化方法求解位姿。视觉定位任务中的摄像头需要考虑多种硬件因素。比如，为了让视觉算法在夜间也能运行，可选用红外相机、星光相机，甚至热成像相机；为了覆盖不同的视场范围，可选用广角镜头、鱼眼镜头、全视相机等；车载摄像头有多种安装位置和多种数量配置，用于定位任务的主要是前视单目或前视双目。

现有技术视觉定位的缺陷在于：

1.由于视场角小时取像范围小，从而并不利于定位；

2.而由于视场角大时取像范围大，虽然有利于看到更多的东西，但对同样尺寸的CCD靶面，如果装载了视场角较大的镜头，那么图像中每个物体的尺寸都要小得多，从而大视场角不利于完成某些视觉任务；

3.如果采用单目摄像头，则还有一个缺陷，就是无法分辨物体的尺度。