项目编号： ?1733??

基于感知地图的无人车高度定位技术

High-Precision Positioning Technology of Unmanned Vehicle

Based on Perception Map

 

项目研制单位：上海交通大学，泛亚汽车技术中心有限公司

主要研制人员：杨明，赵祥磊，王春香，王冰，张晓，金纯山，郭林栋，李亮，陈彧豪，李天一，何磊，王炳琪，周袁磊

主题词：无人驾驶，感知地图，数据融合，SLAM，高精度定位

1、研究内容介绍

1）研究的目的意义

无人车对于提高交通效率、道路安全、解放人类驾驶行为具有重要意义和良好前景。在支撑无人车的众多技术（如定位、环境感知、路径规划、控制等）中，定位是最为基本且关键的。定位是路径规划、导航的前提。定位结合高精度地图，可为环境感知提供先验知识，提高目标检测的精度与鲁棒性。

定位对车辆来说很重要，但不同级别的自动驾驶对于定位精度的要求不同，大致可归结为以下四类：（1）人工驾驶：米级定位精度。5至10米的定位可以使人类司机大致判断自己的位置，并采取适当的驾驶行为；（2）辅助驾驶：米级定位精度。人类司机可根据情况随时干预驾驶行为；（3）协作驾驶：分米级定位精度。可以判别与周围车辆之间的位置关系，防止撞到其他车辆；（4）自动驾驶：厘米级定位精度，所有驾驶行为均由系统完成,需要高精度定位防止车辆撞倒障碍物。

一般而言，厘米级定位可保证无人车在任何环境中的定位需求。但有些环境中，分米级定位也可满足自动驾驶需求，并且不同环境中对于无人车横向与纵向的定位精度要求不同。因此，首先要进行无人驾驶对定位精度的要求分析，如表1所示。

表1 无人驾驶对定位精度的要求

?	路段	路口	泊车
横向精度	分米级	分米级	厘米级
纵向精度	米级	分米级	厘米级

在路段以及高速公路中，车辆只需在规定车道内行驶，因此对横向定位精度为分米级，以使车辆保持车道，纵向定位精度为米级即可。当车辆到达路口时，车辆需要直行或者转弯，此时对于横向与纵向的定位精度要求是相同的，均为分米级。 当需要泊车或者车辆在复杂、拥挤环境中时，为防止撞倒其他车辆或者静态障碍物，横向与纵向精度应均为厘米级。

2）解决的关键技术

基于SLAM和GPS的混合建图实现基于感知地图的定位算法，精度达到分米级，实现车载惯导、轮速计多传感器融合算法，定位频率达到100Hz，同时在校内和泛亚测试车园区进行实车控制实验。

• 地图表达

本项目采用SLAM技术在GPS遮挡区内完成地图创建，使用位姿图优化的方法实现了GPS和SLAM的混合建图。将地图按照实时的车辆全局坐标下的位姿划分为多个子地图，将当前的车辆位姿看作子地图的位姿，对地图的位姿使用两端的有精度保证的GPS位置点进行优化，并且及时更新地图。可以看出来地图的全局一致性较好，能够如实创建环境的三维点云模型，如图1、图2所示。

?a）交大行政楼感知地图

?b）交大行政楼百度地图图片

图1 交大行政楼感知地图

?a）泛亚感知地图

b）泛亚百度地图图片

图2 泛亚园区感知地图

• 车辆定位

考虑效率和存储空间的因素，将地图转化为2.5D的占据栅格图，在减少存储空间的同时也考虑了高度方向的环境信息，使用点云匹配算法完成了当前车辆观测的点云信息和地图中占据栅格图的网格点之间的匹配，获得当前车辆相对于地图的位置，实现了车辆定位。

由于地图是具有GPS信息的，所以获得的定位结果也是全局的。同时，点云匹配输出的定位结果，和车载惯导、轮速编码器完成了数据融合。一方面，将10 Hz的激光雷达定位结果转化为100 Hz的定位结果，较高的定位频率能够保证较高的控制频率，最终获得较平稳的车辆控制。另一方面，通过多传感器的数据融合，获得结果精度提高，定位结果更加平滑。

在交大行政楼区域和泛亚园区都完成了实车定位实验和分析，获得的定位结果分析如下。在交大行政楼区域，定位横向平均误差为8cm，纵向平均误差为11 cm，角度平均误差为1度，误差较大区域为较开阔区域和停车场进出口。在泛亚园区区域，横向误差基本在7 cm以内，总定位误差在20 cm左右。

在交大实验车辆和泛亚实验车辆上都完成了实车控制实验，最高车速达到了30 km/h, 在泛亚园区的平均车速在20 km/h。在实验车辆上完成了多次控制实验，体现了算法的鲁棒性。

3）采用的技术路线和方法

基于地图定位的核心问题即为实时数据与地图匹配的问题。确定匹配对象与确定匹配方法是解决此问题的两个关键环节。

本项目采用当前观测的激光雷达和全局地图匹配实现定位相的方法，提取环境特征点信息，将环境信息栅格化，并且突出环境特征中高度信息突出的结构比如建筑物和灯杆，去除可能会干扰定位的地面车辆，构建以距离为目标函数的最优化问题，通过迭代求解定位结果。最后，系统还设计了对定位结果融合惯导信息进行优化的模块。整个系统可以分为数据传感器层、地图创建层、定位层等三个层级，具体的总体框架图如图3所示。

图3总体框架图

4）达到的效果和成果技术水平

本项目建立了基于SLAM和GPS的混合建图框架，实现了基于感知地图的定位算法，精度达到了分米级，并且完成了车载惯导、轮速计多传感器融合算法，定位频率达到100Hz，同时在交大和泛亚测试车园区进行了大量实车控制实验。

• 完成了构建基于2.5维占据栅格地图与SLAM技术的室内外环境地图。
• 实现了基于权重ICP算法的定位方法，定位成功率达到项目考核指标中的接近100%。实现横向误差基本在6 cm以内，纵向误差达到7cm，总定位误差在10 cm左右，定位达到了考核指标中的分米级车辆定位精度。在泛亚园区近两公里的道路上可以实现多圈定位，定位达到考核指标中的距离在百米数量级。
• 定位模块平均耗时为11ms，而激光雷达传感器单次扫描时间为100ms，达到了指标中的满足实时性的要求。

2、技术创新点

1）传感器方案

本项目主要采用激光雷达与车载IMU、编码器实现车辆定位，而不是使用传统的高精度GPS，可以达到分米级定位精度，同时也不受信号干扰、遮挡等影响，其鲁棒性高于使用高精度GPS的传统方案，也不需要架设GPS天线，因此本方案具有其独特的优越性。

本项目采用了低成本的三维激光雷达传感器方案，同时采用车载的IMU与编码器实现定位的多传感器融合，相比于目前无人车上常用的64线激光雷达与高精度组合惯导，成本减少了近20倍。

2）GPS测绘及SLAM混合建图模块

本项目采用GPS与SLAM混合创建环境地图，采用图优化框架实现了混合创建地图模块。相比于GPS测绘建图方法，能解决GPS失效区的地图创建问题，而相比SLAM方法的地图创建方法，能解决大范围环境地图创建下难以保证全局一致性的问题。

3）激光雷达外参标定方法

本项目采用手眼标定实现激光雷达外参标定，相比于基于环境特定结构的标定方法，该方法能够在大部分环境下完成传感器标定，且能够获得较高的标定精度。

4）基于高度占据栅格图的定位方法

本项目将点云地图转化为高度占据栅格图我们采用高度权重的ICP算法，通过突出相对高度较大的三维结构，提高定位的鲁棒性和精度。

3、专利/论文/获奖情况

1）国家发明专利

专利名称：园区环境下的车辆自定位系统及方法

申请人：何磊，杨明，赵祥磊，郑争兴

申请号：CN201910910028.1

2）省部级奖

2020年度上海市技术发明一等奖

项目名称：低速无人系统定位导航技术及应用

完成单位：上海交通大学，上海高仙自动化科技发展有限公司，上海诺力智能科技有限公司，上海宝信软件股份有限公司，上汽通用五菱汽车股份有限公司，苏州青飞智能科技有限公司，中国船舶重工集团公司第七一六研究所，泛亚汽车技术中心有限公司

完成人：杨明，王春香，秦宝星，周敏龙，赵小羽，陶钧，王景川，孙一飞，王冰，玄甲辉，赵祥磊，李亮，林智桂，钱烨强

4、成果应用及经济效益预测

定位技术是无人系统的重要内容，也是热点、难点问题。面临的主要挑战是GPS失效区、恶劣天气情况和存在大量复杂动态目标情况下的高精度、高可靠、高鲁棒定位技术。本项目促进了国内优势力量联合及与汽车制造企业、无人系统研发企业以及无人系统应用企业的密切合作，培养一批高层次专业技术人才，为无人系统产业链的未来发展储备研究队伍。

高精度定位将助力无人驾驶的快速落地，具有良好社会、经济和环保效益。在商用车层面，面向区域交通设计的无人驾驶可以投入机场、商业中心、旅游区、公园、医院、大学校园、CBD地区、工业园等场合。在乘用车层面，可以提高乘用车L4级别的自动驾驶的安全性。项目成果还具有广泛延伸应用，如共享出行、矿山开采、农机、零售等领域，促进国家重点行业智能化发展。