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)常采用多傳感器進行組合導(dǎo)航，常見組合形式有INS/GPS組合導(dǎo)航,。文獻[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[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)進行篩選后再進行組合導(dǎo)航。并通過實車實驗驗證了其可靠的導(dǎo)航性能和突出的容錯性,，具有較高的實用價值,。

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 視覺模塊坐標定義

    攝像頭成像變換涉及不同坐標系之間的轉(zhuǎn)換,。在視覺系統(tǒng)中需將大地坐標系換算成攝像頭坐標系,，大地坐標系原點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方向,，y_v軸在圖中垂直紙面向外。O_c為攝像機坐標系原點,，與O_w點的水平距離為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為攝像頭坐標系，大地坐標系中點(x_w,，y_w,，z_w)^T換算到(x_c，y_c,，z_c)^T為攝像頭坐標系采用式(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。

    本文以大地坐標系為主坐標系,，統(tǒng)一其他坐標系^[16],。視覺坐標系中X軸的正方向為行駛方向的負方向，Y軸的正方向垂直于X軸,，水平向右,。建筑物的特征點其在視覺坐標系中的坐標定義為(x_pvision，y_pvision),。攝像頭在大地坐標系中的位置是由GPS實時獲得的,，其坐標為(x_v，y_v),，通過此坐標和智能車航向角可以將視覺坐標系轉(zhuǎn)換到大地坐標系下,，求出目標點在大地坐標系下的坐標(x_p，y_p),。建筑物特征點在大地坐標中的坐標與視覺坐標系中的坐標可表示為：

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,。為了尋找建筑物上下角點，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作為建筑物上角點,，以上角點作垂線，與最大填充域的交點最為建筑物下角點,。然后,，分別計算各交點到車體的距離。最后求處于同一垂直線上的點（大于一個的）到車體點距離的余弦值^[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行非視距傳播的衛(wèi)星與未被遮擋直接進行視距傳播的衛(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為參照點所處緯度,，l_s為衛(wèi)星所處經(jīng)度，l_e參考點的經(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,，實時性好,，能很好地滿足實際工程需求。

    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 實驗分析

    本文以無人駕駛智能車BJUT-IV為實驗對象如圖4所示,。BJUT-IV實驗平臺安裝應(yīng)用載波相位技術(shù)的差分GPS，設(shè)備組為FlexPak-G2系列GPS接收處理機和PDL4535數(shù)傳電臺及GPS-702-GG接收天線,。將攝像機安裝在導(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,，利用此軟件平臺進行實驗驗證,。

    實車實驗環(huán)境及周邊環(huán)境情況如圖5所示，試驗路段為一段兩側(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)，重新定義坐標原點O于北緯39.871 9°,，東經(jīng)116.478 9°（即圖6中N8點為原點）,。實驗中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,，視覺模塊單獨在一臺移動電腦上運行,，如圖7所示。

    試驗車輛嚴格按照試驗道路中線以低于20 m/s的速度沿實驗路線低速行駛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，進而造成接收機接收到的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前位置形成的遮擋角度,，并與此時接收機接收到的GPS導(dǎo)航的衛(wèi)星所處俯仰角進行對比,，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)準確性造成的影響,。實車實驗表明,，無人駕駛汽車采用本文提出的基于機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用價值,。

參考文獻

[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.計算機視覺中攝像機定標綜述[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.