基于惯导/激光雷达的无人车融合定位技术研究

摘  要： 在无人车运行过程中，由于卫星导航信号受到遮挡、干扰等因素影响，惯导难以持续提供稳定可靠的高精度定位信息，影响无人车运行。本文提出了一种面向复杂应用场景的激光雷达辅助无人车融合定位技术，利用最小二乘算法对滤波后的雷达点云数据进行拟合，获取无人车可行驶道路区域，并据此进行轨迹规划，实现无人车的运动控制。论文对该技术进行了工程化实现和验证，结果表明，卫星RTK定位不可用时，激光雷达可实现稳定、可靠的无人车导航。

关键词： 无人车;定位;数据融合;激光雷达

中图分类号： TP211+.5    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2020.01.030

本文著录格式：李治国. 基于惯导/激光雷达的无人车融合定位技术研究[J]. 软件，2020，41（01）：138142

【Abstract】： Because of the satellite navigation signals are blocked or disturbed when unmanned vehicle is running， inertial navigation system cannot provide continuous and reliable location information of high-precision which can affect normal operation of the vehicle. In this paper， by using lidar， we present a fusion location technique of unmanned vehicle facing complex scenarios. At first， we use the least square approach to fit filtered point cloud data and then get drivable area of unmanned vehicle. According to the above drivable region we achieve the control of unmanned vehicle by path planning. At the end of this paper we carry out an engineering realization and verification. The result shows that when satellite RTK position service is unavailable， navigation based on lidar is a stable and reliable means for unmanned vehicle.

【Key words】： Unmanned vehicle; Location; Data fusion; Lidar

0  引言

無人车技术起源于军用和特种应用，20世纪 80年代至90年代初，美国国防高级研究计划局（DARPA）通过“战略计算计划”，开展自主陆地车辆项目研究。经过几十年发展，无人车系统框架、实现方式和技术方向已基本发展成熟，尤其是一些军事强国，无人战车已投入使用。

因具备物理环境适应能力强、风险小、代价低、非接触、无人伤亡、长续航、多功能、自主可控、可成组编队等诸多方面的优点，无人车在军事作战领域率先应用，并被列为重大颠覆性技术[1]。通过大量试验测试和实际应用表明，无人车可大幅提升部队综合作战效能，人机协同、全自主化与集群化已成为新的发展方向[2]。

不但在军事作战领域具有不可替代的优势，社会治安综合治理、应急救援等领域也是无人车的典型应用场景。在治安巡逻、消防抢险、应急救灾、反恐侦查等工作中，通过人机协同、自主作业、自编队等技术，无人车可实现全天时全天候执勤，降低消防、救灾、反恐等危险场景人员伤亡，同时，可以有效弥补执法人员不足的缺陷，实现快速响应。

高精度卫星定位、视觉是无人车轨迹规划的常用手段，尤其是基于高精度卫星定位和数字地图的轨迹规划技术，在特种无人车领域具有广泛应用。但是，在社会治安综合治理、应急救援等领域，存在信号遮挡、光线条件差等复杂场景，卫星定位和视觉数据可用性差，导致特种无人车无法以常规方式进行轨迹规划和控制。文献[3]提供了一种应用于智慧农机的激光雷达导航技术，基于单线激光雷达对两侧农作物扫描，形成道路特征点，利用最小二乘法对点云数据进行轨迹拟合，形成行驶轨迹。文献[4]研究了并优化了激光雷达道路边沿检测算法，提出了一种基于可通行区域的导航方法，并采用Vector Field Histogram+（VFH+）进行车辆的局部路径规划，有效解决了恶劣环境中单一轨迹规划方法导致的导航失败问题。

针对无人车在复杂场景中应用面临的导航问题，本文验证了一种基于激光雷达的导航技术，可以实现复杂场景下的障碍物识别、轨迹规划、车辆控制，提高了特种无人车的环境适应性和可靠性。论文首先分析了特种无人车感知系统各传感器特性，针对复杂场景的应用，分析了激光雷达导航方案可行性，在此基础上，推导了点云拟合和轨迹规划算法，并进行了软件实现，最后通过实车试验验证了该技术的可行性[5]。

1  特种无人车感知系统

1.1  无人车系统原理

从技术实现角度，无人驾驶系统可分为环境感知、智能规划和决策、自适应控制和车辆底层线控四部分。感知系统通过激光雷达、视觉、惯导等传感器获取车辆周边和自身状态信息，并通过数据处理和融合后，形成驾驶态势图，发送至规划和决策模块。规划和决策系统根据驾驶态势图、任务规划和自身状态生成规划轨迹和决策命令。智能控制系统通过横向控制和纵向控制，实现对轨迹的实时精确跟踪，并形成转向、驱动和制动命令，发送至车辆底层执行部件[6]。车辆底层执行部件通过对车辆底盘、运行状态、路况、载重、天气等因素进行适配后，执行控制模块发送的命令。无人驾驶系统原理结构图如图1所示。

1.2  无人车感知系统

图1中，左侧为无人驾驶系统传感器配置，其中，激光雷达通过点云数据可以实现障碍物识别、周边环境建图;毫米波雷达、超声波雷达主要用于障碍物检测;视觉传感主要用于障碍物识别，周边环境色彩及语义信息识别，如车道线、红绿灯、限速牌等;惯导/GPS/BDS主要用于车辆定姿、定位[7]。图2给出了一种用于校园无人驾驶观光/接驳车传感器配置方案。

基于各传感器实现原理差异，数据特性不同，分别适用不同的环境，因此，多传感器数据融合是提高感知系统性能的有效途径。自主循迹、障碍物识别及避障是无人车的基本功能，其中，自主循迹主要依靠GPS/BDS定位，障碍物识别及避障主要依靠毫米波雷达、激光雷达和视觉。在社会治安综合管理、应急救援的具体任务场景中，经常存在隧道、茂密树木、城市峡谷等卫星定位不可用场景，基于高精度定位的自主循迹功能不可用，同时，视觉传感器容易受光线影响，可靠性难以满足特种无人车应用要求[8]。本文实现了基于速腾聚创16线激光雷达的无人车导航技术，可以在高精度定位和视觉不可用的复杂环境中，利用激光雷达实现无人车的轨迹规划和控制。

2  激光雷达导航技术

由于激光雷达具有不需要接受外界电磁信号，不受光线影响的优点，因此，可以在卫星信号被遮挡、光线条件差的环境中稳定工作。本文根据激光雷达點云数据获取道路特征，以此形成目标轨迹点，再进行路径拟合和轨迹规划[9]。

2.1  道路特征提取

本文中激光雷达导航技术主要针对卫星信号不可用的复杂场景，因此，道路两侧一般有绿化带、建筑物等清晰的道路边缘信息。本文首先提取激光雷达点云数据中道路特征信息，然后将激光雷达的极坐标系数据转化到车体坐标系中，获取道路特征相对于车体的位置信息。

通过上述公式，可以求出轨迹曲线函数，作为横向控制的输入信息，实现无人车导航控制。

3  工程实现和验证

为了验证复杂场景下激光雷达导航技术的可行性，本文实现了一台电动无人巡逻车，无人巡逻车由RTK定位系统、车载差分定位移动站、上位机等组成[11]。

3.1  RTK定位系统

载波相位差分定位（RTK）技术可实现厘米级的高精度定位，其基本结构如图4所示，由卫星、差分定位基准站、车载差分定位移动站组成[12]。差分定位基准站包括电台发射天线、卫星接收机、无线电台、卫星接收天线。车载差分定位移动站包括卫星定位定向接收机、卫星接收天线、电台接收天线。

该定位系统的工作原理是，在基准站上安置一台卫星接收机，对卫星进行连续观测，并通过无线电台和电台发射天线实时地将载波相位的修正量传送给车载差分定位移动站。车载差分定位移动站在接收卫星信号的同时通过电台接收天线接收基准站的差分定位信息，根据相对定位原理实时处理数据并以厘米级精度给出车载差分定位移动站的三维坐标，并通过串行通信接口发送给车载自动驾驶定位及控制系统中的上位机[13]。

3.2  自动驾驶系统

3.2.1  无人车系统结构

根据图1提出的无人驾驶系统结构图，车辆控制部分通过底盘嵌入式控制板对无人车进行控制，其系统结构如图5所示[14]。

上图所示的自动驾驶系统包括环境和车辆状态感知模块、车辆底盘控制模块、底层数据和通信支持模块，环境和车辆状态感知模块由上位机、惯性/卫星组合导航系统、无线电台天线、GPS主天线、视觉传感器、激光雷达、毫米波雷达、超声波雷达。底层数据和通信支持模块由以太网-CAN转换器实现，毫米波雷达、超声波雷达、底盘嵌入式控制板、车辆电动转向器都通过其与上位机实现通信[15]。车辆底盘控制模块由底盘嵌入式控制板实现，底盘嵌入式控制板分别外接车辆的档位、油门、刹车系统，在上位机的控制下对车辆的档位、油门、刹车进行控制，电动转向器在上位机的控制下对车辆的转向进行控制[16]。

3.2.2  无人巡逻车配置

根据图5所示系统结构设计进行器件选型，无人车有关传感器、导航的配置如表1所示。

3.2.3  实现效果

该车通过底盘线控改造、传感器安装和调试、无人驾驶软件开发和测试，具备自主循迹、障碍物识别、动态避障、车道保持、自动泊车、激光雷达导航、远程智能终端、服务器监控和交互等功能，实现了封闭场景L4级别的自动驾驶[17]。

利用该款无人车，本文进行了基于激光雷达的轨迹规划和控制技术验证，试验表明，在卫星定位和视觉无效时，依靠激光雷达可以实现稳定可靠的路径规划和导航控制[18]。试验实车、测试场景及效果图如图6和图7所示。

4  结论

本文提出了一种面向复杂应用场景的激光雷达辅助无人车融合定位技术，在某些卫星导航无法正常定位的场景下，利用最小二乘算法对滤波后的雷达点云数据进行拟合，获取无人车可行驶道路区域，并据此进行轨迹规划，实现无人车的运动控制[19]。并对该技术在电动无人巡逻车上进行了工程化实现和验证，构建了RTK定位系统、自动驾驶控制系统，开发了无人驾驶软件。测试结果表明，卫星RTK定位不可用时，依靠激光雷达可实现稳定、可靠的无人车导航。

参考文献

[1] 薛春祥， 黄孝鹏， 朱咸军， 等. 外军无人系统现状与发展趋势[J]. 雷达与对抗， 2016， 36（1）： 1-5.

[2] 王桂芝， 沈卫. 国外自主地面无人系统发展综述[J]. 机器人技术与应用， 2017（6）： 23-25.

[3] 张顺顺. 基于激光雷达的农业自主车辆导航研究[D]. 南京， 南京农业大学， 2014.

[4] 白聪敏. 区域交通环境下的智能车全自主导航方法研究[D]. 上海， 上海交通大学， 2012.

[5] 姜雪原. 基于动态规划算法的轨迹地图匹配软件设计与实现[J]. 软件， 2015， 36（5）： 108-112.

[6] 陈曦斌， 焦明海， 刘昊汧， 等. 移动机器人养老服务路径规划的粒子群算法研究[J]. 软件， 2018， 39（6）： 135-138.

[7] 张晟歌. 基于GNSS的飞行器姿态测量技术综述[J]. 软件， 2018， 39（8）： 100-103.

[8] 郭文俊， 常桂然. 基于三帧间的移动障碍物背景目标提取算法[J]. 软件， 2016， 37（2）： 58-62.

[9] 马炳武， 罗志清， 李志杰. 基于国产SW-LiDAR系统的安置角检校分析[J]. 软件， 2018， 39（2）： 114-119.

[10] 张迪， 施昆， 李照永. 移动测量系统的GNSS/INS组合定位方法的对比研究[J]. 软件， 2018， 39（8）： 110-116.

[11] 刘周巍. 基于STK的GNSS系统的定位精度分析[J]. 软件， 2018， 39（8）： 104-109.

[12] 赵新超， 陈敏. 基于聚类分析的差分算法协作研究[J]. 软件， 2018， 39（10）： 87-91.

[13] 徐颖章， 金海波. RTK技术在无人机导航应用中的实现[J]. 江蘇航空， 2018（3）： 24-26.

[14] 张艳红， 张鹏， 吴辉， 等. 基于RTK的低成本GPS+BDS接收机设计与性能分析[J]. 测绘通报， 2018（11）： 1-6.

[15] 王晓晖， 乔通. 云环境下面向感知数据汇集的通信服务系统设计与实现[J]. 软件， 2016， 37（2）： 155-159.

[16] 张家旭. 汽车底盘集成非线性鲁棒控制方法研究[D]. 吉林大学， 2018.

[17] 李盛福. 复杂环境下智能汽车自动驾驶系统研究[J]. 机械设计与制造， 2019（5）： 199-203+207.

[18] 李柏. 复杂约束下自动驾驶车辆运动规划的计算最优控制方法研究[D]. 浙江大学， 2018.

[19] 端木琼， 杨学友， 邾继贵. 基于小二乘-卡尔曼滤波的WMPS系统跟踪定位算法研究[J]. 传感技术学报， 2012， 25（2）： 236-239.