基于多信息融合模型的SLAM算法研究及控制器设计.docVIP

基于多信息融合模型的SLAM算法研究及控制器设计 　　摘要：针对无人驾驶车辆SLAM算法中全局定位感知系统存在的问题，提出一种融合多信息认知模型的广义SLAM算法来设计控制器结构，并且利用道路结构化环境下智能传感器节点作为环境地图的一部分，快速构建道路环境地图，采用基于局部视觉的辅助定位导航方法进行车辆辅助定位，从而提高控制器全局定位的感知能力和系统定位响应速度。仿真计算表明，控制器可以得到车辆位置似然度的最佳值。 　　关键词：多信息融合；无人驾驶车辆；SLAM 　　中图分类号：TM711 文献标识码：A 　　1引言 　　同步定位与地图构建（SLAM）实际上就是在完全未知环境中，无人驾驶车辆需要在自身位置和行驶状态不完全确定的条件下创建地图，同时利用地图进行自主定位和导航。现有的SLAM算法大都是依靠无人驾驶车辆本身携带的车载传感器或车辆状态感知系统，虽然具有很强的局部感知能力，能够在局部范围内完成高精度的定位，但由于无人驾驶车辆所处环境是很难预知的，如其他车辆的加入等造成的环境变化等，这种状况下，在车辆运行过程中系统全局定位的感知能力就存在一定的缺陷，容易出现误匹配而造成定位失败[1-2]。 　　伴随着道路交通智能化程度的提高和网络化技术的发展（道路结构化），在现有道路环境中，已经拥有越来越多的带通讯功能的传感器节点，这些节点可以定义为道路结构化环境下的智能传感器节点[3-4]。论文作者提出一种基于多信息融合模型的广义SLAM算法设计思路，利用结构化环境下智能传感器节点作为环境地图的一部分，建立多传感器信息融合的数学模型进行辅助定位，以在实现无人驾驶汽车的定位和环境建模的同时，提高车辆全局定位的感知能力。 　　2控制器结构 　　控制器采用定位和地图创建交替更迭、全局自回归的方法，实现融合多信息认知模型的分布式感知广义SLAM算法[5-6]。即：采用粒子滤波算法，将每个粒子的全局地图、里程传感器数据、车速传感器数据、激光红外传感器数据、车载摄像头的视觉信号、GPS导航信号接收机信号等多类车载外部感知信息和车辆本身行驶状态信息按认知模型的匹配程度进行多传感器的数据融合，估计当前时刻无人驾驶汽车的位置；同时，用不确定的无人驾驶汽车位置来创建环境地图和重新标定各个传感器变量的内外参数，把结构化环境下的智能节点作为环境地图的一部分，实现广义SLAM算法的基本架构。随着迭代次数的增加，无人驾驶汽车位置和环境地图的确定性（即准确度）都相应得到提高并相互影响，最后，融合每个粒子的全局地图解算得到最终的全局环境地图，从而获得当前时刻最有效的（全局最优）的综合路径。 　　3.3基于局部视觉的辅助定位导航 　　视觉定位信息量大，导航效果好，是无人驾驶技术定位和导航常用的方法，而且结构化环境下智能节点常采用摄像云台作为分布式传感器对环境中的车辆进行检测，因此，控制器采用基于局部视觉的辅助定位导航方法。 　　为了能够应用结构化环境下智能节点的摄像云台传感器辅助车辆进行定位，要求检测每个粒子对应位置在图像中的相似度匹配情况。首先，选择无人驾驶车辆匹配的特征；然后，引入智能节点参数自动标定；最后，采用广义特征值得到相似度匹配情况。 　　5结束语 　　车辆的导航定位是无人驾驶车辆当前控制技术研究的重点，本文采用了一种基于多信息融合认知模型的广义SLAM算法来设计道路结构化环境下无人驾驶车辆控制器，为该项技术的研究提供了一种新的方法。 　　参考文献 　　[1]Bailey T， Nieto J， Guivant J. Consistency of the EKFSLAM algorithm. Proc[J]. of IEEE Int. Conf. On Intelligent Robots and Systems， Beijing， 2006：3562-3568. 　　[2]Chang H. J， Lee C. S. G， YungHsiang Lu， Hu Y. C. PSLAM： Simultaneous Localization and Mapping With Environmental-Structure Prediction[J]. IEEE Transactions on Robotics， 2007，23（2）：289-293. 　　[3]乔维高，徐学进.无人驾驶汽车的发展现状及方向[J].上海汽车，2007，07 ：40-43， 　　[4]秦贵和，葛安林，雷雨龙.智能交通系统及其车辆自动控制技术[J].汽车工程， 2001，02：92-95. 　　[5]鞠纯纯，何波，刘宝龙，等.基于粒子滤波器的SLAM的仿真研究[J].系统仿真学报， 2007，19（16）：3715-3723. 　　[6]王耀南，余