[发明专利]一种多传感器融合的车辆定位方法及系统

说明书

本发明涉及一种多传感器融合的车辆定位方法及系统，如果可以接收GPS信号，则融合GPS装置和IMU惯性传感器进行车辆的定位，使用激光雷达进行障碍物检测，实现车辆的定位导航；如果不能接收GPS信号，则使用激光雷达构建栅格地图，融合IMU惯性传感器和相机进行车辆的定位和障碍物检测，实现车辆的定位导航。与现有技术相比，本发明根据有无GPS信号的情况，在不同的场景下采用不同的传感器融合方案进行车辆的定位导航，适用范围更广，结合多种传感器自身不同的优缺点相互配合辅助定位，定位精度高，鲁棒性好。

技术领域

本发明涉及车辆定位技术领域，尤其是涉及一种多传感器融合的车辆定位方法及系统。

背景技术

2007年至今，无人驾驶系统中的定位手段大致可分为四代，其中第一代主要采用Velodyne64线激光雷达与相机分开处理方案；第二代主要方案为融合多颗16线或32线雷达融合摄像头以及其他传感器，进行定位于与目标识别；第三代主要将第二代激光雷达升级为固态激光雷达，并将固态雷达安装到车辆的前方；第四代方案将去除方向盘，采用的是移动空间的概念，目前是所有厂商追求的终极目标。综上可以看出，多传感器融合均是定位技术中必须攻克的难点。

多传感器融合技术主要存在传感器同步与融合数据开发两个难点，前者主要在于传感器高精度的时间以及空间同步，需要对激光雷达、摄像头等传感器的特性，以及人工智能有着较为深刻的理解；后者则涌现出了多种传感器融合方案，主要分为前融合与后融合两大方案。其中，后融合算法在数据原始层进行处理，可得到点云、视觉、毫米波信息的处理结果，并将目标识别结果进行汇总，从而不会丧失数据的完整性；前融合算法先将各种传感器算法进行空间与时间同步，通过算法过滤掉一些目标，从而达到端到端的目标识别效果，但是由于激光雷达产生的是3D点云数据，与摄像头收到的图像数据帧率完全不同且难以在数据空间内进行匹配，且不同品牌的激光雷达，激光雷达产生的点云特性也不尽相同，导致无人驾驶中传感器前融合算法鲁棒性较弱。

多传感器融合技术的发展，主要依赖与自动驾驶与深度学习的持续推进，在一定的融合准则下，通过对不同时间与空间维度的多传感器信息进行分析，并获得被测目标的相同描述与解释，进而得到精准的后续决策和估计。传统的传感器融合算法主要是卡尔曼滤波算法、D-S证据理论等，但是随着深度学习的发展，基于深度学习模型的融合算法也逐渐成为主要的研究方向。

目前多传感器融合的体系结构主要分为分布式、集中式和混合式。其中分布式先对各个独立传感器所获得的原始数据进行局部处理，然后再将结果送入信息融合中心进行智能优化组合来获得最终的结果。分布式对通信带宽的需求低、计算速度快、可靠性和延续性好，但跟踪的精度却远没有集中式高。集中式将各传感器获得的原始数据直接送至中央处理器进行融合处理，可以实现实时融合。其数据处理的精度高，算法灵活，缺点是对处理器的要求高，可靠性较低，数据量大，故难于实现。混合式多传感器信息融合框架中，部分传感器采用集中式融合方式，剩余的传感器采用分布式融合方式。混合式融合框架具有较强的适应能力，兼顾了集中式融合和分布式的优点，稳定性强。混合式融合方式的结构比前两种融合方式的结构复杂，这样就加大了通信和计算上的代价。

多传感器信息融合方案主要分为数据级融合、特征级融合和决策级融合三类方案，其中数据级融合：针对传感器采集的数据，依赖于传感器类型，进行同类数据的融合。数据级的融合要处理的数据都是在相同类别的传感器下采集，所以数据融合不能处理异构数据。特征级融合通过提取所采集数据包含的特征向量，用来体现所监测物理量的属性，这是面向监测对象特征的融合。如在图像数据的融合中，可以采用边沿的特征信息，来代替全部数据信息。决策级融合根据特征级融合所得到的数据特征，进行一定的判别、分类，以及简单的逻辑运算，根据应用需求进行较高级的决策，从而产生面向应用的融合。