0 引言

    自主駕駛智能車輛的研究受到許多國家的重視，并成為研究的重要內(nèi)容。車輛實(shí)現(xiàn)無人駕駛的前提是其配備的導(dǎo)航系統(tǒng)能夠?qū)崟r、準(zhǔn)確地提供車輛的狀態(tài)信息。其中以慣性導(dǎo)航系統(tǒng)（INS）和全球定位系統(tǒng)（GPS）提供信息更為豐富完備。車載導(dǎo)航系統(tǒng)常采用多傳感器進(jìn)行組合導(dǎo)航，常見組合形式有INS/GPS組合導(dǎo)航。文獻(xiàn)[1]將GPS觀測姿態(tài)信息引入組合導(dǎo)航濾波模型，提高了組合導(dǎo)航系統(tǒng)的估計精度，且提高了方位失準(zhǔn)角的估計速度，但是沒顧及在城市化道路中GPS信號易受建筑群遮擋，造成信號丟失或跳變的問題，因此有很多學(xué)者提出INS/GPS/視覺的組合方式。文獻(xiàn)[2]采用此方法，但該方法矩陣維數(shù)較高，易出現(xiàn)數(shù)值不穩(wěn)定情況，存在不合理性。針對以上問題，本文提出一種新的組合導(dǎo)航方法，通過攝像頭采集的周圍環(huán)境信息對GPS的衛(wèi)星數(shù)據(jù)進(jìn)行篩選后再進(jìn)行組合導(dǎo)航。并通過實(shí)車實(shí)驗(yàn)驗(yàn)證了其可靠的導(dǎo)航性能和突出的容錯性，具有較高的實(shí)用價值。

1 基于視覺篩選的組合導(dǎo)航方法系統(tǒng)框架

    本文提出的導(dǎo)航系統(tǒng)框架如圖1所示，通過機(jī)器視覺采集周圍環(huán)境信息，處理得到周圍建筑物對車體遮擋角度并與GPS接收到的衛(wèi)星與地面夾角信息進(jìn)行對比，判定GPS衛(wèi)星有效性并篩選。由于GPS基于無線電定位技術(shù)，其中視距傳播(Line of Sight，LOS)是準(zhǔn)確定位的必要條件。而移動端與基站間大多通過反射、散射、衍射方式到達(dá)接收端，多為非視距傳播（Not Line of Sight，NLOS），因此對GPS衛(wèi)星數(shù)據(jù)的準(zhǔn)確性篩選很有必要。

2 基于視覺篩選的GPS衛(wèi)星有效性判定

2.1 視覺模塊坐標(biāo)定義

    攝像頭成像變換涉及不同坐標(biāo)系之間的轉(zhuǎn)換。在視覺系統(tǒng)中需將大地坐標(biāo)系換算成攝像頭坐標(biāo)系，大地坐標(biāo)系原點(diǎn)O_w在車體重心正下方地面上，z_v軸垂直向上，x_v軸平行地面指向車體前進(jìn)方向，y_v軸在圖中垂直紙面向外。O_c為攝像機(jī)坐標(biāo)系原點(diǎn)，與O_w點(diǎn)的水平距離為l₁，與地面的垂直距離為l₂。α，β，γ分別為攝像頭旋轉(zhuǎn)角度，本文攝像頭只繞x，y，z軸旋轉(zhuǎn)，該軸與水平面傾斜角為α，旋轉(zhuǎn)角度β、γ為0。如圖2所示，(x_c，y_c，z_c)^T為攝像頭坐標(biāo)系，大地坐標(biāo)系中點(diǎn)(x_w，y_w，z_w)^T換算到(x_c，y_c，z_c)^T為攝像頭坐標(biāo)系采用式(1)的方法^[3-5]。

    其中(t_x，t_y，t_z)^T為平移向量，R為旋轉(zhuǎn)矩陣。

    本文以大地坐標(biāo)系為主坐標(biāo)系，統(tǒng)一其他坐標(biāo)系^[16]。視覺坐標(biāo)系中X軸的正方向?yàn)樾旭偡较虻呢?fù)方向，Y軸的正方向垂直于X軸，水平向右。建筑物的特征點(diǎn)其在視覺坐標(biāo)系中的坐標(biāo)定義為(x_pvision，y_pvision)。攝像頭在大地坐標(biāo)系中的位置是由GPS實(shí)時獲得的，其坐標(biāo)為(x_v，y_v)，通過此坐標(biāo)和智能車航向角可以將視覺坐標(biāo)系轉(zhuǎn)換到大地坐標(biāo)系下，求出目標(biāo)點(diǎn)在大地坐標(biāo)系下的坐標(biāo)(x_p，y_p)。建筑物特征點(diǎn)在大地坐標(biāo)中的坐標(biāo)與視覺坐標(biāo)系中的坐標(biāo)可表示為：

2.2 周圍環(huán)境圖像處理方法

    圖像經(jīng)處理后提取出代表建筑物特征的候選點(diǎn)。為了尋找建筑物上下角點(diǎn)，對圖像做Canny變換以累計概率霍夫變換尋找連續(xù)性較高的、近水平和豎直方向的直線簇作為建筑邊緣。尋找水平和豎直方向建筑邊緣的交點(diǎn)作為建筑物上角點(diǎn)，以上角點(diǎn)作垂線，與最大填充域的交點(diǎn)最為建筑物下角點(diǎn)。然后，分別計算各交點(diǎn)到車體的距離。最后求處于同一垂直線上的點(diǎn)（大于一個的）到車體點(diǎn)距離的余弦值^[6]。

    建筑物的俯仰角換算方法定義如下：

2.3 非視距環(huán)境下衛(wèi)星信號可用性檢測

    本文采用改進(jìn)的NLOS識別方法，主要為判斷車體周圍的建筑物是否遮擋了GPS提供的衛(wèi)星信號，原理如圖3所示。

    其中，a，b分別表示被建筑物遮擋而進(jìn)行非視距傳播的衛(wèi)星與未被遮擋直接進(jìn)行視距傳播的衛(wèi)星。如果衛(wèi)星的高度E_a、E_b以及與航向角夾角A_a、A_b屬于建筑物Bn遮擋區(qū)域，此衛(wèi)星被定義為NLOS情況。衛(wèi)星高度與車體所在位置水平切線的夾角定義為：

其中，r_s為衛(wèi)星軌道半徑，r_e為地球半徑，L_s為衛(wèi)星所處緯度，L_e為參照點(diǎn)所處緯度，l_s為衛(wèi)星所處經(jīng)度，l_e參考點(diǎn)的經(jīng)度。

    因此，若cos(E_a)<cos(E_bn)，則說明衛(wèi)星Sa俯仰角度大于前方建筑物Bn的俯仰角度，接收機(jī)接收到的Sa衛(wèi)星傳輸數(shù)據(jù)屬于視距傳播，精確度高。若cos(E_a)≥cos(E_bn)則說明衛(wèi)星S_a俯仰角度小于前方建筑物B_n的俯仰角度，接收機(jī)接收到的S_a衛(wèi)星傳輸數(shù)據(jù)屬于NLOS傳播方式，精確度相對較低，此顆衛(wèi)星提供的數(shù)據(jù)信息被篩掉，不參與下一步的組合導(dǎo)航。由于采用雙目攝像頭可以直接采集車體到前方建筑物距離信息，因此采用此方法計算量小，實(shí)時性好，能很好地滿足實(shí)際工程需求。

    經(jīng)過視覺篩選后的GPS數(shù)據(jù)與INS采用松組合模式，狀態(tài)變量取為15維，包括3個相對平面坐標(biāo)系的位置及速度誤差、姿態(tài)角誤差、加速度計偏差、陀螺漂移^[7-8]。

    其中F為系統(tǒng)狀態(tài)轉(zhuǎn)移矩陣，u為狀態(tài)過程噪聲向量。

    組合導(dǎo)航數(shù)據(jù)融合采用松耦合方式，取GPS/INS輸出的位置和速度之差作為觀測值，構(gòu)造觀測量。

3 實(shí)驗(yàn)分析

    本文以無人駕駛智能車BJUT-IV為實(shí)驗(yàn)對象如圖4所示。BJUT-IV實(shí)驗(yàn)平臺安裝應(yīng)用載波相位技術(shù)的差分GPS，設(shè)備組為FlexPak-G2系列GPS接收處理機(jī)和PDL4535數(shù)傳電臺及GPS-702-GG接收天線。將攝像機(jī)安裝在導(dǎo)航車前端的支架上，距離地面高度為 1.73 m，與水平面平行，距車體中心約1 m。

    BJUT-IV組合導(dǎo)航控制系統(tǒng)以Microsoft VS2008為軟件開發(fā)平臺并引入MapX地圖控件，編寫了導(dǎo)航與定位系統(tǒng)軟件，利用此軟件平臺進(jìn)行實(shí)驗(yàn)驗(yàn)證。

    實(shí)車實(shí)驗(yàn)環(huán)境及周邊環(huán)境情況如圖5所示，試驗(yàn)路段為一段兩側(cè)有連續(xù)建筑物群遮擋的NLOS路段，如下圖所示。

    BJUT-IV采用本文所提出的基于攝像頭的組合導(dǎo)航系統(tǒng)，重新定義坐標(biāo)原點(diǎn)O于北緯39.871 9°，東經(jīng)116.478 9°（即圖6中N8點(diǎn)為原點(diǎn)）。實(shí)驗(yàn)中GPS/INS組合導(dǎo)航處理結(jié)果呈現(xiàn)于一臺移動電腦上，如圖6所示，視覺模塊單獨(dú)在一臺移動電腦上運(yùn)行，如圖7所示。

    試驗(yàn)車輛嚴(yán)格按照試驗(yàn)道路中線以低于20 m/s的速度沿實(shí)驗(yàn)路線低速行駛5次，為未采用視覺篩選法GPS數(shù)據(jù)，選取其中一次結(jié)果進(jìn)行分析討論，如圖8所示，畫圈部分未有較大偏差，究其原因，由于道路周圍存在較高建筑物，遮擋了部分GPS衛(wèi)星信號，導(dǎo)致其傳播方式為NLOS，即使采用跟蹤強(qiáng)度較高平滑度較好的濾波算法仍造成定位精度下降，圖8中N6到N7段路線出現(xiàn)多處偏差甚至跳變，此種情況和前文分析周圍建筑物群密集情況相符。

    如圖9所示，采用本文提出的導(dǎo)航方法對GPS數(shù)據(jù)信號進(jìn)行篩選后，依舊行駛在建筑物密集的N6至N7路段軌跡，估計數(shù)據(jù)穩(wěn)定準(zhǔn)確，且在其他有建筑物遮擋的路段均未發(fā)生大偏差。

4 結(jié) 論

    無人駕駛智能車行駛在城市道路上，其配備導(dǎo)航系統(tǒng)容易受到連續(xù)建筑物群遮擋，進(jìn)而造成接收機(jī)接收到的GPS信號為NLOS傳播方式，最終導(dǎo)致定位偏差甚至跳變的問題。本文提出的基于視覺篩選GPS信號的組合導(dǎo)航方法首先通過攝像頭采集到的車體周圍環(huán)境信息，處理得出周圍建筑物與車體當(dāng)前位置形成的遮擋角度，并與此時接收機(jī)接收到的GPS導(dǎo)航的衛(wèi)星所處俯仰角進(jìn)行對比，若建筑物的遮擋角度大于衛(wèi)星的俯仰角，則建筑物遮擋了部分衛(wèi)星信號，造成衛(wèi)星信號非視距傳播，導(dǎo)致定位精度下降，因此通過視覺模塊對此類衛(wèi)星信號進(jìn)行剔除。將經(jīng)過視覺模塊篩選后的GPS衛(wèi)星數(shù)據(jù)信息與慣導(dǎo)進(jìn)行組合導(dǎo)航，從而最大限度降低由于建筑物群遮擋對車輛定位系統(tǒng)準(zhǔn)確性造成的影響。實(shí)車實(shí)驗(yàn)表明，無人駕駛汽車采用本文提出的基于機(jī)器視覺篩選的組合導(dǎo)航系統(tǒng)，能在道路兩側(cè)存在連續(xù)建筑物遮擋的情況下，保證定位信息不發(fā)生跳變，與傳統(tǒng)方法相比定位精度明顯提高，滿足了無人駕駛智能汽車在城市路況下導(dǎo)航需求，方法新穎且具有很高的工程實(shí)用價值。

參考文獻(xiàn)

[1] 周建軍.車輛自動導(dǎo)航定位與控制方法研究[D]．北京：中國農(nóng)業(yè)大學(xué)，2009．

[2] Sun Chuanwei，Liu Jingao.The design of low-pass filter based on megacore functions[C].2nd International  Conference on Education Technology  and  Computer.2010，V1-24-V1-27.

[3] 邱茂林，馬頌德，李毅.計算機(jī)視覺中攝像機(jī)定標(biāo)綜述[J].自動化學(xué)報，2000，26(1)：43－55．

[4] 楊少榮，吳迪靖，段德山.機(jī)器視覺算法與應(yīng)用[M]．北京：清華大學(xué)出版社，2008．

[5] 趙穎，孫群，王書茂.單目視覺導(dǎo)航智能車輛的自定位方法[J]．計算機(jī)工程與設(shè)計，2008，29(9)：2372－2374．

[6] Jay A F，Tony D G，Matthew J B.Real-time differential carrier phase GPS-aided INS[J].IEEE Transactions on Control Systems Technology，2000，8(4)：709-720.

[7] 趙其杰，屠大維，高健，等.基于Kalman濾波的視覺預(yù)測目標(biāo)跟蹤及其應(yīng)用[J].光學(xué)精密工程，2008(5)：937-942.

[8] 吳鳳柱，何矞，焦旭，等.GPS/SINS緊組合導(dǎo)航系統(tǒng)信息融合技術(shù)研究[J].電子技術(shù)應(yīng)用，2013(2)：67-69，73.