英语原文共 23 页，剩余内容已隐藏，支付完成后下载完整资料
使用移动3D激光扫描仪和GNSS实现实时自驾车导航和避免障碍物
Jing Li1 amp; Hong Bao1 amp; Xiangmin Han1 amp; Feng Pan1 amp;
Weiguo Pan1 amp; Feifei Zhang1 amp; Di Wang1 Received: 1 June 2016 /Revised: 16 November 2016 /Accepted: 23 November 2016 /
Published online: 29 November 2016
# Springer Science Business Media New York 2016
摘要 自驾车导航目前吸引了大量的研究兴趣。该关键问题是如何以安全无障碍的路径实时引导汽车到达目的地在现实世界的环境中。我们提出了一种创新的自驾式汽车导航方法结合适用于现代3D激光的VFH（矢量场直方图）局部路径规划器扫描仪和全球路径规划者使用卫星定位和数字地图以及a定制的PID控制器（比例积分微分控制器）。自古典道路像VFH这样的计划方法通常用于带有超声波测距仪或者小型机器人的小型机器人基于仿真的环境，我们将VFH方法应用于一辆真正的自驾驶汽车，其中两辆不同的LiDAR（光检测和测距）配置。定量结果来自广泛的实验表明，现代实时3D所开发的VFH方法LiDAR在效率，准确度和性能方面的表现通常优于传统激光雷达可靠性。另外，三维激光雷达产生的轨道更趋于收敛，平滑和平滑一致性比其他配置。 VFH与3D的最大位置偏差LiDAR为0.28 m和-0.16 m，而另一种低成本解决方案的偏差为0.88 m和-0.49米。全球路径规划者可以提供最多1米范围内的精度的时间。
关键词 自驾车 自主车辆 LiDAR 卫星导航 矢量字段 直方图 路径规划
1介绍
目前，自动驾驶或自主车辆导航吸引了大量研究由于自动驾驶车辆的存在，学术界和工业界都非常关注被认为是未来运输系统的关键组成部分，因此可能会有巨大的商业化和市场潜力。新的传感器和尖端算法正在被采用由世界各地的学者和企业工程师以快速的速度开发自驾车被部署在真正的道路上，目的是实现更大的舒适性，保证安全，更广泛的适用性，减少拥堵和多式联运。汽车制造商和信息技术（IT）公司正在发展中发挥积极作用应用于自动驾驶汽车的最先进的技术。这样的例子包括谷歌，百度，通用汽车，奥迪，福特等。此外，大学的研究人员一直在推广在开发自动驾驶算法和软件组件方面做出重大努力[4-6，11，25]。国防高级研究计划局（DARPA）Grand是一个关键的里程碑2007年挑战了美国十一所主要大学和大型汽车公司积极参与。在中国，自驾车竞赛是由中国组织的2009年中国国家自然科学基金会（NNSFC）和一系列比赛一直持续到2015年11月（即未来挑战赛2015），其中20支队伍来自12个队中国的大学和研究机构也参与其中。直到现在，大量的算法并且在图像领域已经开发了可以与自驾车相关的方法处理，地理信息科学，计算机视觉，卫星导航[13]，遥控传感[15,17,18,27]，机器人技术，控制系统，决策理论，机器学习[16,28]等。其中包括移动机器人领域的路径规划。自驾车导航是严重依赖当地和全球路径规划，将车辆引导至目的地实时安全和无障碍路径，同时满足准确性，效率，朗姆酒时间，控制，稳定性，鲁棒性和交通法规定。由于最近在自驾车行业的广泛研究兴趣，现有的路径规划算法最初是在机器人社区内开发的，目前正在进行中适应处理自动驾驶遇到的挑战性路况车辆，特别是在城市交通场景中。这些算法通常并行运行与机载传感器（如卫星导航，激光扫描仪和照相机），控制和决策模块。道路驾驶路径规划方法的例子包括快速探索随机树（RRT），动态窗口，状态格和矢量场直方图（VFH）[3]等Katrakazas et al。 [10]提供了一个全面的和对路上自驾的路径规划方法进行严格审查，并得出结论认为，加强后应逐步纳入自主驾驶之中在模拟和现实世界中进行测试。但应该指出的是，事实并非如此直接将这些方法应用于自动驾驶而不适应现实世界环境和过度的路上测试。例如，基于RRT的方法可以处理车辆运动学和多个自由度，但受到生产的限制交错的路径和过度检查每个树节点的碰撞检测，MPC（模式预测控制）基于方法能够采取车辆运动学和
动态考虑在内，但在路径优化时遇到困难车辆变量正在考虑增加[14]。 VFH及其增强型变体属于经典的路径规划方法系列，并且已广泛用于小型机器人，因为它们非常适合于不准确的传感器数据和传感器融合，即使在杂乱的障碍环境中也很稳健并且实时执行。到目前为止，基于VFH的方法尚未在装备的自驾平台上得到应用和充分评估采用先进的3D LIDAR（光探测和测距）传感器，因为甚高频通常被认为是超声波测距仪的小型机器人。在这项工作，由于其固有的优势，我们采用了VFH方法。另外，因为在文献中的大量研究仅产生了基于模拟的结果，但缺乏比较实验结果和从实际测试中获得的实践经验VFH自动驾驶或其他使用不同传感器配置的计划方法。因此，这项工作的发现将有助于现有的文献体系
自驾车，也可作为参考。本文的主要贡献是：（1）我们提出了一种结合了VFH的创新型自驾车导航方法当地路径规划适应了现代Velodyne HDL-32E 3D LiDAR以及a低成本配置三ibeo四/八多层激光雷达传感器，基于地图具有GNSS（全球导航卫星系统）的全球路径规划和自定义PID控制器（比例积分微分控制器）专门设计用于自我驱动（2）对不同LIDAR传感器配置进行了详细比较突出各种传感器配置下的导航性能条件下进行定量分析，以确定不同VFH的不确定性LiDAR传感器也是基于真实自行驱动的众多实验提供的（3）广泛的实验结果清楚地表明了有效性在各种现实环境下提出的导航方法的准确性。
本文的其余部分组织如下：第2部分提供了一个简要的文献审查有关自行驾驶路径规划; 第3节描述了所提出的方法进行自我驾驶，然后在第4部分对实验结果进行详细分析。最后，在第5节中，论文得出结论并讨论了未来的工作。
2相关工作
尽管路径规划在过去的五十年中一直是一个基础研究课题，近年来，由于该领域的快速发展，它最近受到越来越多的研究关注新兴的自驾车导航领域。一般来说，根据生成的路线全局路径规划器，局部路径规划方法产生最优或接近最优无障碍的本地路径，以完成整个路径规划过程对自主车辆导航至关重要。流行的路径规划的例子方法包括A *，D *，势场，Voronoi图，模糊逻辑，蚁群优化，图搜索，RRT，VFH，动态窗口，状态格等[9,10]。一个对这些方法的批判性回顾可以在[10]中找到。目前，传统的算法正在适应自动驾驶。例如，[22]使用Voronoi单元的边缘算法在他们的测试车辆EURECAR进行局部路径规划[12]时提出了许多扩展为了使RRT计划者能够实时运行，采用了标准的RRT算法同时为麻省理工学院的麻省理工学院车辆提供复杂的车辆动力城市挑战赛。但是，应该指出的是，许多现有的方法有其优点和缺点，从而激励研究人员开发改进技术。因此，开发一个通用的路径规划器各种条件（例如车辆动态[20]，动态障碍，运行时间，对变化的环境和复杂的交通场景的不准确感知）仍然是一个挑战研究问题。混合路径规划系统（例如几种方法的集成）通常是最好的选择之一，伴随着先进的辅助技术和算法。在这项工作中，静态环境中用于本地路径规划的经典VFH由于其本身在本文第一部分提到的固有优势而被使用并被描述在[3,19,29]中详细描述。为了克服传统方法的缺点，如振动和不稳定的运动，最初由[3]提出的VFH方法使用了两个二维直方图作为由该环境创建和更新的环境地图板载LIDAR传感器。这个二维直方图然后减少到一个二维极坐标直方图将活动窗口分成合适的数量以设定的角度分辨率对扇区进行测量，并在每个扇区的极坐标直方图周围进行机器人的瞬时位置包含极地障碍物密度值。最多随后从全部中选择具有低障碍密度值的合适扇区
直方图扇区并与车辆转向对齐。可以看出，VHF方法的原理和设计都是面向传感器的，实时的，非常适合到传感器融合[29]。此外，它还没有得到充分的评估与更复杂和先进的3D LiDAR传感器在自动驾驶汽车上比使用的超声波传感器小型机器人。与最初的VFH方法相反，其增强型变体称为VFH [1,24]和VFH * [7]，可以提供更平滑的轨迹，改进的选择
通过考虑车辆宽度和动力学，可以获得更好的方向和更高的可靠性（例如，通过放大障碍单元和改进成本函数）以及选定方向的结果（例如预见树来纯粹地克服本地限制）。 [2]提出了可处理的VFH * TDT（具有时间依赖树的VFH *）静态和移动障碍。为了适应汽车的非完整约束车辆，[21]描述了一个约束VFH，它采用运动学和动力学通过开发一个新的活动窗口来考虑车辆的约束改善成本功能。还介绍了他们的方法基于仿真的结果。综上所述，文献中有关VFH的大多数研究是基于仿真或在小型机器人上进行测试。为了这项研究的目的，标准VFH的选择是因为它通常在正常条件下运行良好而增强如上所述，VFH的变体甚至在极端情况下也提供改进的性能条件（例如更高的速度和高度混乱和复杂的环境）
3理论
本部分包括三部分。 3.1节解释了局部VFH方法的细节连同PID控制器一起，然后描述拟议的全球路径规划方法在3.2节。 3.3节给出了运动学模型和模拟结果。
3.1使用3D LIDAR和PID控制器的基于VFH的本地路径规划
VFH利用二维直方图网格（即本研究中的600 * 100）来表示环境它由10赫兹的高清晰度Velodyne 3D激光雷达不断更新100毫秒）。 在这项研究中，网格的单元格大小设置为20厘米* 20厘米，并且每个单元格都包含一个确定性值（CV），表示对存在障碍的置信度。该
LIDAR传感器寻找障碍物，并随着自动驾驶汽车的移动更新CVevery 100 ms。也就是说，CV越高，那个位置就越有信心存在障碍。该系统的体系结构如图1所示。VFH方法如图2所示
图一
图二
图三
从图2中可以看出，直方图网格中的每个单元格的内容都被转换成了其方向和大小分别由（2）和（1）给出的障碍矢量：
i，j是行号和列号。
ci，j是活动单元Ci，j的确定性值。
di，j是从活动小区ci，j到VCP（车辆中心点）的距离。
a，b是正常数。
障碍矢量的方向是从小区到车辆中心点的方向
（VCP）。
xc，ycare VCP的当前坐标。
xi，yiare是活动单元格的坐标。
所以，方程 1定义了汽车与障碍物之间的距离关系， 2是
障碍物对汽车的定位。
图四
图五
请注意，通常需要将所有障碍物登记在地面坐标系中为了保持准确的全球环境地图，特别是在高端GNSS时和IMU（惯性测量单元）。 在车辆坐标系{C}中，障碍物Q与车辆C之间的距离由下式给出：
障碍物theta;的方向定义为：
i，j是列和行号，
xiC，yjC是车辆坐标系中障碍物的坐标。
在地面坐标系{G}中，车辆的位置和方向是如图2所示由M = [x，y，rho;]表示，障碍物的位置矢量如图2所示车辆坐标系{C}为MQC = [xiC yjC] T，其中障碍物的坐标为地面坐标系{G}由此给出：
图六
图七
P（rho;）-1是一个旋转矩阵
rho;是地面和车辆坐标系之间的角度，
theta;是车辆坐标系中障碍物的方向。
根据方程式建立了二维直方图网格。 1和2，然后创建一维极坐标直方图通过将活动窗口划分为多个扇区n。 基于各自的视野传感器，Velodyne 3D LiDAR的扇区数以角分辨率设置为360度，而ibeo激光雷达的扇区数为180.另外，ibeo LiDAR是安装在车辆的前部，而Velodyne 3D LiDAR安装在车顶上车辆的机架。 通过比较图3和图4，可以看出这两种LIDAR配置之间的差异。可以看出，对于c = 0,1,2,3 ...的任何扇区c，每个扇区c与障碍物矢量之间的关系。 2呈现为：
图八 图九
INT函数获得gamma;i的整数;Ĵbeta;，对于每个扇区c，极地障碍物密度（POD）在对应于扇区c的方向上通过以下方式计算：
为了选择最合适的转向方向，选择阈值以使扇区POD低于阈值时被称为候选谷，这些谷被进一步分类为窄而宽的谷（即与间隙相距很近的障碍物）。 该部门是最接近目的地并在阈值以下被表示为近边界wr而远处边界被定义为wl。 然后将合成的转向方向定义为：
一旦所需的行驶方向由VFH确定，决策模块就会接收并执行车辆的速度由PID控制器控制。 本文使用经典的PID控制器和开发的VFH进行局部路径规划。 横向和纵向控制分开设计。 横向控制是通过一个单一的变量完成的这是VFH车辆输出的转向方向。 车速被控制如图5所示。PID控制器连续计算误差值e（t）这是输入期望速度r（t）和实际速度c（t）之间的差值由机载GNSS / IMU传感器测量。 这个误差e（t）通过调整来最小化随时间控制变量u（t）。 控制变量u（t）与制动器和加速器相关联我们的测试车如图5所示。 全文共12835字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[8953]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
