李帥帥，鮑晨，沈勇

(同濟大學汽車學院，上海 201804)

路面不平度識別與地圖匹配在車輛定位中的應(yīng)用

李帥帥，鮑晨，沈勇

(同濟大學汽車學院，上海 201804)

隨著電子地圖精度的不斷提高及信息種類的逐步豐富，將高精度電子地圖用于輔助車輛定位，對提升定位精度與定位穩(wěn)定性具有很大價值。在高精度電子地圖及GPS/INS定位的基礎(chǔ)上，提出了通過分析車輛垂向振動感知路面不平度特征，并與電子地圖存儲的道路不平度信息匹配，以實現(xiàn)車輛高精度定位的方法。道路測試結(jié)果表明：路面不平度識別與地圖匹配定位方法能有效利用電子地圖信息，獲得高精度的車輛定位數(shù)據(jù)，在GPS/INS定位精度較低的情況下達到高精度定位效果。

車輛定位； 地圖匹配； 路面不平度識別； 高精度地圖

0 引言

先進駕駛輔助系統(tǒng)(Advanced Driver Assistant System, ADAS)、智能交通(Intelligent Transportation System, ITS)及自動駕駛車輛均需要獲得車輛在道路上的精確位置信息[1-2]。目前車輛獲得精確的定位信息多采用GPS、慣性定位(Inertial Navigation System, INS)、航位推算(Dead Reckoning, DR)及地圖匹配(Map Matching, MM)組合等定位方法[3-5]。考慮到GPS定位穩(wěn)定性較差和慣性定位隨時間累積誤差增大的特點，引入包含先驗環(huán)境信息、位置信息的高精度電子地圖輔助車輛定位，對提高車輛定位精度及定位穩(wěn)定性具有極大價值。除傳統(tǒng)的基于行車軌跡點[6-7]、基于行車軌跡段的地圖匹配外[8-10]，基于車輛感知環(huán)境信息的匹配定位方法近年來得到廣泛研究[11-16]。用于地圖匹配的道路環(huán)境信息主要包括交通參與者、交通設(shè)施、路邊建筑、路面標線、路面不平度及道路坡度等靜態(tài)交通信息。然而目前感知這些環(huán)境信息的研究多采用圖像傳感器、激光雷達等，所需傳感器及數(shù)據(jù)處理器成本很高[11-14]?？紤]以低成本傳感器感知特定環(huán)境信息，如路面結(jié)構(gòu)等也有所

研究[15]，而利用慣性傳感器感知路面不平度、道路接縫及凸起交通標線等路面環(huán)境以實現(xiàn)精確的地圖匹配是文中的研究重點。

文中提出了基于道路不平度感知與高精度電子地圖匹配結(jié)合的車輛定位方法。車輛通過慣性傳感器的加速度計測量車輛垂向振動，進而感知識別路面不平度振動信息，并在GPS/INS定位誤差的范圍內(nèi)搜索地圖數(shù)據(jù)中對應(yīng)的路面特征信息進行匹配，實現(xiàn)車輛在道路縱向上的高精度定位。

1 基于路面不平度特征的地圖匹配定位方法

文中車輛定位采用GPS/INS及地圖匹配組合定位方法，同時利用路面不平度特征與地圖匹配修正定位誤差，并可用于校準慣性傳感器，提高后續(xù)路段慣性定位的精度。車輛定位流程如圖1所示，GPS/INS組合定位給出車輛位置及地圖匹配特征識別的搜索范圍，INS的加速度計同時可用于識別路面不平度特征，高精度電子地圖提供用于特征匹配的先驗環(huán)境信息。

圖1 基于路面不平度感知的地圖匹配定位流程

1.1 融入路面不平度信息的高精度地圖

地圖匹配是一種軟件定位導(dǎo)航技術(shù)，通過假設(shè)車輛按交通規(guī)則行駛在道路上以將定位不在道路上的車輛修正到車輛可能行駛的道路上。車輛通過感知道路環(huán)境信息與車輛電子地圖的先驗環(huán)境信息匹配獲得精確的位置信息，不僅可以在GPS信號缺失時獲得車輛的全局位置信息，且可以校正慣性器件誤差。

為實現(xiàn)精確的地圖匹配定位，需采用位置精度高、信息類型多樣的電子地圖。其中，電子地圖為車道級電子地圖，以達到分米定位精度[16]。電子地圖的路面特征屬性圖層包含引起車輛垂向振動的路面輸入特征，如路面不平度、道路接縫、振動標線、路面交通設(shè)施等路面環(huán)境信息，文中將這些引起車輛垂向振動的路面輸入因素統(tǒng)稱為路面不平度，且路面不平度表現(xiàn)為車輛垂向振動加速度，所以選取車輛垂向加速度表征路面不平度。

1.2 車輛GPS/INS/MM組合定位算法

GPS/INS給出用于地圖匹配的車輛位置數(shù)據(jù)，同時也給出特征匹配搜索范圍。采用擴展卡爾曼濾波(Extended Kalman Filter, EKF)方法融合GPS/INS與地圖定位數(shù)據(jù)，以保證在GPS信號缺失情況下車輛的定位。

車輛定位系統(tǒng)的狀態(tài)方程為：

(1)

其中：(x,y)、θ分別為車輛全局坐標和航向；v為車速；t為濾波間隔；ω為噪聲。

車輛位置、航向的觀測值為車輛感知的環(huán)境特征與地圖匹配的結(jié)果，觀測方程為：

(2)

式中：V1、V2、V3為量測誤差。

由于地圖匹配是依據(jù)車輛感知到的道路縱向特征完成的，因此車輛位置觀測更新在道路不平度特征與地圖匹配處實現(xiàn)，車輛航向的更新為GPS輸出航向，但當車速較低時GPS航向誤差較大[17]，若此時車輛在道路直線段，則用道路方向更新航向。

路面不平度特征的搜索區(qū)域為定位誤差范圍，以誤差矩形表示定位誤差范圍，GPS/INS組合定位的誤差范圍定義如下：

(Δx,Δy)=u1(ΔxGPS,ΔyGPS)+u2(ΔxINS,ΔyINS)

(3)

其中：u1、u2分別為根據(jù)不同GPS定位狀態(tài)及慣性推算時間確定的誤差范圍擴展系數(shù)。

2 路面不平度特征識別與地圖匹配定位實現(xiàn)

2.1 路面不平度特征選取

由于道路設(shè)計及道路施工原因等形成的路面不平度，對車輛有垂向振動激勵輸入，進而車輛能感知到路面不平度環(huán)境，得到地圖匹配的標識。圖2為車輛以不同速度通過同一路段時車輛的垂向振動響應(yīng)，車輛垂向振動由INS的加速度計測量?？梢钥闯鲆圆煌囁俳?jīng)過同一路段時，車輛在路段上相同位置具有相似的垂向振動響應(yīng)，僅響應(yīng)幅值有所不同。

圖2 車輛以不同速度經(jīng)過同一路段時的垂向加速度響應(yīng)

大量路測試驗表明，路面的隨機輸入和汽車振動響應(yīng)都基本符合正態(tài)分布[18]。圖3為某路段路面不平度激勵引起車輛垂向振動加速度的分布。因此，可選取出現(xiàn)概率較小但引起車輛振動響應(yīng)較大且車輛感知重復(fù)性較好的路面不平度輸入作為地圖匹配特征，而選取的兩相鄰特征點距離應(yīng)在慣性定位誤差較小的距離內(nèi)，同時應(yīng)考慮使兩相鄰路面不平度特征點距離大于GPS/INS定位誤差，以避免造成特征誤匹配。

圖3 某路段車輛垂向加速度分布

2.2 路面不平度特征處理

圖4所示為雙軸汽車振動系統(tǒng)的簡化，從模型中可以看出車輛垂向振動由前、后輪輸入且由于大部分車輛的懸掛質(zhì)量分配系數(shù)ε接近1，因此車輛前后懸掛系統(tǒng)的垂直振動幾乎是獨立的，即安裝于車輛質(zhì)心處的加速度計測得的車身垂向加速度az為前后車輪輸入的兩個獨立垂向加速度af、ar的分量。而車輛前后軸經(jīng)過同一路面不平度區(qū)域存在時間上的延遲，因此匹配區(qū)域路面沖擊信號表現(xiàn)為兩個連續(xù)的脈沖信號，如圖5中的兩個連續(xù)波峰P1、P2，脈沖時間差為軸距/車速，因此可以對車輛垂向加速度信號做相關(guān)性分析，降低路面輸入噪聲。由于較大的路面不平度激勵輸入頻率都偏向低頻段，在進行分析前可采用低通濾波降低平整路面激勵的影響[19-20]。

圖4 車輛四自由度振動模型

圖5 車輛垂向加速度信號分析

求取加速度信號az的功率Pa，提高特征的信噪比，車輛振動信號功率計算公式如下：

(4)

車輛車身垂向加速度功率自相關(guān)序列Acor為：

Acor(ti)=Pa(ti)Pa(ti-Δt)

(5)

其中：Δt為前、后輪經(jīng)過路面某點的時間差為：

(6)

式中：tr為后輪經(jīng)過路面特征點時刻；tf為前輪經(jīng)過路面特征點時刻；L為前后輪軸距;v為前、后輪依次經(jīng)過路面特征點時間段內(nèi)的平均車速。

圖5為車輛垂向加速度經(jīng)過式(4)—(6)處理后的效果圖，可以看出垂向加速度序列經(jīng)過處理在路面不平度特征點處就有較大的值，且與普通平整路面區(qū)別較大。

2.3 地圖匹配定位實現(xiàn)

由于不同路段對車輛的振動激勵有較大差別，且不同車速下車輛感知的振動加速度信號幅值大小也有區(qū)別，為保證車輛對振動特征的準確識別，文中對地圖匹配特征點附近路段的車輛振動加速度相關(guān)序列進行歸一化處理，進而設(shè)置路面不平度識別閾值并儲存于電子地圖中，其中歸一化路段的長度為特征點位置前后2倍的定位誤差范圍。

采用Z-Score歸一化方法處理垂向加速度：

(7)

圖6為某路段車輛垂向加速度功率自相關(guān)序列及其歸一化后的序列，歸一化后的序列在具有不同幅值垂向加速度響應(yīng)的路面特征點具有差別不大的匹配判斷值。

圖6 車輛垂向加速度功率自相關(guān)序列及其歸一化后的序列

車輛行駛時，GPS/INS組合車輛定位可大致確定車輛定位位置，在定位誤差范圍內(nèi)對車輛垂向加速度相關(guān)序列歸一化處理，并搜索超出判斷閾值的極值點，該點即為地圖上標記的匹配特征點，以該特征點的位置作為定位精確值更新車輛位置(xk+1,yk+1)，同時可根據(jù)相鄰匹配特征點的精確位置校正慣性器件推算誤差。

3 試驗結(jié)果與分析

為驗證文中基于路面不平度特征識別的地圖匹配定位的精度，利用實車在上海智能網(wǎng)聯(lián)汽車封閉測試區(qū)進行跑車測試，圖7為測試路線。其中，高精度地圖為包含路面不平度信息的車道級電子地圖，地圖定位精確到10 cm；GPS接收機為u-blox NEO-M8N；INS的慣性測量單元為Xsens MTi-1、MEMS三軸加速度計及三軸陀螺儀。

試驗時，測試車輛沿試車場道路車道中線行駛，以符合地圖匹配時假設(shè)車輛行駛在道路上的要求。在進行路面特征匹配時，路面特征搜索范圍為2倍的GPS/INS誤差范圍，選取的路面不平度特征識別閾值為3倍的垂向振動加速度響應(yīng)標準差σAcor，試驗路段包含12個匹配特征點，兩相鄰特征點最遠距離為132.86 m。

圖7 上海智能網(wǎng)聯(lián)汽車試車場測試環(huán)境

圖8、圖9為采用路面不平度特征匹配算法車輛定位軌跡與GPS/INS定位、車輛實際軌跡的對比，可以明顯看出文中定位方法的行車軌跡與參考軌跡更接近。

圖8 路面特征識別/地圖匹配、GPS/INS與參考軌跡對比

圖10為采用GPS/INS定位與文中GPS/INS/特征匹配定位方法定位誤差對比，可以看出文中方法相對GPS/INS的定位精度較高，其中匹配點處的定位誤差小于0.2 m，試驗結(jié)果對比見表1。基于路面特征識別的地圖匹配定位，在實驗道路上有93.01%的定位點精度小于1 m，達到了高精度定位的效果。

圖9 典型匹配路段軌跡對比

圖10 路面特征識別/地圖匹配與GPS/INS定位誤差對比

定位方法定位誤差均值定位誤差最大值定位誤差小于1m的比例匹配的特征點數(shù)目兩相鄰匹配點間平均距離GPS/INS5.67m5.89m0%——————路面特征識別/地圖匹配0.48m1.54m93.01%12132.86m

4 結(jié)論

采用在試車場跑車的方式驗證了提出的基于路面不平度的地圖匹配車輛定位方法，在假設(shè)車輛行駛在車道中線上且車輛能獲得存儲有路面不平度信息的高精度電子地圖的前提下，在上海智能網(wǎng)聯(lián)汽車試車場的1.26 km道路測試結(jié)果表明:在GPS/INS定位精度為5 m左右的情況下，通過識別路面不平度與高精度地圖存儲的先驗道路特征信息匹配進行車輛定位，有90%以上的定位點定位精度小于1 m,且匹配點處的定位精度小于0.2 m，證明文中提出的定位方法可以實現(xiàn)高精度定位效果。

【1】AMINIA,de la GARZA J M.Computer Simulations of the Vehicle Localization for Intelligent Transportation Systems[C]//International Conference on Computing in Civil and Building Engineering.Florida,2014:1118-1125.

【2】MATTHAEI R,BAGSCHIK G,MAURER M.Map-relative Localization in Lane-level Maps for ADAS and Autonomous Driving[C]//IEEE Intelligent Vehicles Symposium Proceedings,Dearborn,2014:49-55.

【3】LEE Y C,CHRISTIAND,YU W,et al.Urban Localization Method for Mobile Robots Based on Dead Reckoning Sensors,GPS,and Map Matching[C]//IEEE International Conference on Systems,Man,and Cybernetics.Anchorage,2011:2363-2368.

【4】LI Q,FANG Z,LI H,et al.Integrating GPS,GYRO,Vehicle Speed Sensor,and Digital Map to Provide Accurate and Real-time Position in an Intelligent Navigation System[C]//Proceedings of SPIE—The International Society for Optical Engineering,2005.

【5】ZHANG X,WANG Q,WAN D.Map Matching in Road Crossings of Urban Canyons Based on Road Traverses and Linear Heading-Change Model[J].IEEE Transactions on Instrumentation & Measurement,2008,56(6):2795-2803.

【6】王楠,王勇峰,劉積仁.一個基于位置點匹配的地圖匹配算法[J].東北大學學報(自然科學版),1999,20(4):344-347. WANG N,WANG Y F,LIU J R.A Point-based Map-matching Algorithm[J].Journal of Northeastern University(Natural Science),1999,20(4):344-347.

【7】孫棣華,張星霞,張志良.地圖匹配技術(shù)及其在智能交通系統(tǒng)中的應(yīng)用[J].計算機工程與應(yīng)用,2005,41(20):225-228. SUN D H,ZHANG X X,ZHANG Z L.Map Matching Technology and Its Application in ITS[J].Computer Engineering and Applications,2005,41(20):225-228.

【8】蘇奎峰,鄧志東,黃振.基于曲率特征的自主車輛地圖匹配定位方法[J].機器人,2012,34(4):440-448. SU K F,DENG Z D,HUANG Z.A Novel Localization Approach for Autonomous Vehicles Based on Map Matching with Curvature Features[J].Robot,2012,34(4):440-448.

【9】KNAUP J,HOMEIER K.Road Graph-Graph Based Environmental Modelling and Function Independent Situation Analysis for Driver Assistance Systems[C]//IEEE Conference on Intelligent Transportation Systems.Funchal,2010:428-432.

【10】KUHNT F,KOHLHAAS R,JORDAN R,et al.Particle Filter Map Matching and Trajectory Prediction Using a Spline Based Intersection Model[C]//International IEEE Conference on Intelligent Transportation Systems.Qingdao,2014:1892-1893.

【11】PEKER A U,TOSUN O,AKIN H L,et al.Fusion of Map Matching and Traffic Sign Recognition[C]//IEEE Intelligent Vehicles Symposium.Dearborn,2014:867-872.

【12】PENG J,El NAJJAR M E,CAPPELLE C,et al.A Novel Geo-localization Method Using GPS,3D-GIS and Laser Scanner for Intelligent Vehicle Navigation in Urban Areas[C]//International Conference on Advanced Robotics.Munich,2009:1-6.

【13】RIEUX V,CARBON C,AZOULAY-DUPUIS E. Intelligent Geolocalization in Urban Areas Using Global Positioning Systems,Three-dimensional Geographic Information Systems,and Vision[J].Journal of Intelligent Transportation Systems,2010,14(1):3-12.

【15】DEAN A J,MARTINI R D,BRENNAN S N.Terrain-based Road Vehicle Localization Using Particle Filters[C]// American Control Conference.Seattle,2008:236-241.

【16】賀勇,路昊,王春香,等.基于多傳感器的車道級高精細地圖制作方法[J].長安大學學報(自然科學版),2015(S1):274-278. HE Y,LU H,WANG C X,et al.Generation of Precise Lane-level Maps Based on Multi-sensors [J].Journal of Chang’an University(Natural Science Edition),2015(S1):274-278.

【17】JO K,SUNWOO M.Generation of a Precise Roadway Map for Autonomous Cars[J].IEEE Transactions on Intelligent Transportation Systems,2014,15(3):925-937.

【18】余志生.汽車理論[M].北京：機械工業(yè)出版社，2006:211-216.

【19】張立軍,陳華杰,刁坤,等.電動汽車動力電池振動與沖擊問題研究綜述[J].電源技術(shù),2013,37(1):156-160. ZHANG L J,CHEN H J,DIAO K,et al.Review of Vibration and Shock Dynamics of Electric Vehicles Battery[J].Chinese Journal of Power Sources,2013,37(1):156-160.

【20】KATRANITSAS P F,ORDYS A W,DARNELL P M,et al.Road Gradient Detection Using Kalman Filter[C]//Eurocon.IEEE,2013:1492-1497.

Application of Road Roughness Recognition and Map Matching in Vehicle Positioning

LI Shuaishuai, BAO Chen, SHEN Yong

(School of Automotive Studies, Tongji University, Shanghai 201804, China)

With the increasing of localization precision and information variety, digital map is used for vehicle positioning, and is of great value in improving vehicle positioning accuracy and stability. Based on high-precision electronic map and GPS/INS combined positioning method, a method that through analyzing vehicle vertical vibration caused by road roughness to identify the road features was proposed,then they were matched with the road surface data stored in the map, to complete the high precision and reliable vehicle localization. Road test results show that the method can use the information of the electronic map effectively, and can obtain the vehicle positioning data with a high degree of accuracy, especially when the GPS/INS positioning under the condition of low precision.

Vehicle positioning; Map matching; Road roughness recognition; High-precision map

2016-12-01

上海市科學技術(shù)委員會項目(13DZ1108000)

李帥帥(1991—)，男，碩士研究生，專業(yè)方向為汽車電子-車載信息技術(shù)。E-mail:liss1810@foxmail.com。

10.19466/j.cnki.1674-1986.2017.01.003

U495

B

1674-1986(2017)01-013-05