倪志康 葉盛波 史 城 潘 俊 鄭之杰 方廣有*

①(中國(guó)科學(xué)院空天信息創(chuàng)新研究院 北京 100094)

②(中國(guó)科學(xué)院電磁輻射與探測(cè)技術(shù)重點(diǎn)實(shí)驗(yàn)室 北京 100094)

③(中國(guó)科學(xué)院大學(xué)電子電氣與通信工程學(xué)院 北京 100049)

1 引言

隨著自動(dòng)駕駛技術(shù)的發(fā)展，越來(lái)越多的定位方法被應(yīng)用于確定車輛的精確位置中[1]。普遍使用的車輛定位方法是全球?qū)Ш叫l(wèi)星系統(tǒng)[2]，但是全球?qū)Ш叫l(wèi)星系統(tǒng)容易受到城市高樓、茂密植被以及隧道的影響，使得GPS衛(wèi)星信號(hào)的接收受到干擾導(dǎo)致無(wú)法定位。另一類車輛定位方法是通過(guò)車載傳感器(例如光學(xué)相機(jī)[3]和激光雷達(dá)[4]等)感知車輛周圍的環(huán)境信息來(lái)將車輛精確定位在先前記錄的高精度地圖中，但當(dāng)環(huán)境特征發(fā)生變化時(shí)，例如在雨、雪、沙塵、強(qiáng)光以及黑暗等環(huán)境下，激光雷達(dá)和光學(xué)相機(jī)等傳感器會(huì)因?yàn)闊o(wú)法準(zhǔn)確感知外界環(huán)境信息的變化導(dǎo)致失效。探地雷達(dá)作為一類非侵入式的地下目標(biāo)探測(cè)技術(shù)[5]，已經(jīng)被廣泛應(yīng)用在城市道路病害探測(cè)[6]、工程質(zhì)量檢測(cè)[7]以及深空探測(cè)[8]等眾多領(lǐng)域中。由于大多數(shù)地下目標(biāo)在時(shí)間尺度上基本保持不變，且受地面上環(huán)境變化的影響小，而探地雷達(dá)作為一種超寬帶雷達(dá)，受雨雪、沙塵的影響較小，因此探索利用探地雷達(dá)技術(shù)感知地下環(huán)境實(shí)現(xiàn)車輛在惡劣環(huán)境下的定位具有重要意義。

將探地雷達(dá)技術(shù)應(yīng)用于車輛定位領(lǐng)域目前還處于探索階段。先前的工作主要將探地雷達(dá)搭載在機(jī)器人平臺(tái)上完成對(duì)地下目標(biāo)分布的自動(dòng)建圖[9]，但是都沒(méi)有將建立好的地圖用于機(jī)器人的定位。美國(guó)麻省理工林肯實(shí)驗(yàn)室提出了一種基于先驗(yàn)地圖的探地雷達(dá)定位方法—定位探地雷達(dá)(Localization Ground Penetrating Radar, LGPR)[10,11]，其設(shè)計(jì)并使用一套包含12個(gè)天線單元的頻率步進(jìn)體制探地雷達(dá)線陣系統(tǒng)，通過(guò)開關(guān)控制通道的切換使該探地雷達(dá)系統(tǒng)一幀掃描可以收集11個(gè)通道的數(shù)據(jù)。在LGPR建圖時(shí)，使用該探地雷達(dá)線陣系統(tǒng)收集地下目標(biāo)回波數(shù)據(jù)和高精度GPS信息來(lái)構(gòu)建地下目標(biāo)回波數(shù)據(jù)先驗(yàn)地圖。在定位時(shí)，將探地雷達(dá)系統(tǒng)采集的一幀當(dāng)前地下目標(biāo)回波數(shù)據(jù)與先前構(gòu)建的先驗(yàn)地圖數(shù)據(jù)計(jì)算相似度，輸出相似度最高的先驗(yàn)地圖數(shù)據(jù)對(duì)應(yīng)的GPS信息作為定位的結(jié)果。林肯實(shí)驗(yàn)室提出的LGPR使用頻率步進(jìn)體制的探地雷達(dá)線陣系統(tǒng)結(jié)構(gòu)復(fù)雜，同時(shí)計(jì)算探地雷達(dá)原始回波數(shù)據(jù)之間的相似度，容易受到回波數(shù)據(jù)中噪聲、抖動(dòng)以及異常值等因素的干擾，使得探地雷達(dá)在同一位置處兩次收集到的回波數(shù)據(jù)之間相似度可能很低，導(dǎo)致定位誤差偏大。同時(shí)由于實(shí)際地下目標(biāo)分布一般是稀疏的，在探地雷達(dá)回波數(shù)據(jù)中，目標(biāo)回波部分只占其中很小一部分，因此直接計(jì)算原始回波數(shù)據(jù)間的相似度會(huì)存在很多冗余計(jì)算。

本文針對(duì)目前基于探地雷達(dá)的定位方法使用原始回波數(shù)據(jù)構(gòu)建地下目標(biāo)數(shù)據(jù)地圖魯棒性差，數(shù)據(jù)計(jì)算量大以及數(shù)據(jù)傳輸量大的問(wèn)題，提出深度學(xué)習(xí)輔助的探地雷達(dá)定位方法。其核心思想是利用深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Network, DCNN)提取探地雷達(dá)回波數(shù)據(jù)中的目標(biāo)特征，構(gòu)建地下目標(biāo)的特征指紋地圖，而不是回波數(shù)據(jù)地圖，計(jì)算目標(biāo)特征間的相似度，提高對(duì)離群數(shù)據(jù)干擾的魯棒性，同時(shí)結(jié)合測(cè)距輪測(cè)量的里程信息，實(shí)現(xiàn)多傳感器融合定位，減小定位誤差。本文的主要?jiǎng)?chuàng)新工作如下：(1)提出使用DCNN提取探地雷達(dá)回波數(shù)據(jù)中的目標(biāo)特征，構(gòu)建地下目標(biāo)特征指紋地圖，減小數(shù)據(jù)的計(jì)算量以及數(shù)據(jù)的傳輸量，降低異常值對(duì)特征指紋地圖匹配結(jié)果的影響；(2)基于粒子群優(yōu)化方法加速與特征指紋地圖間匹配計(jì)算速度，保證定位方法運(yùn)行實(shí)時(shí)性，融合測(cè)距輪信息和探地雷達(dá)定位結(jié)果，有效減小定位誤差，提高定位精度。

2 算法框架

所提算法框架如圖1所示，主要分為離線建圖和在線定位兩個(gè)階段。離線建圖階段，依靠探地雷達(dá)的運(yùn)動(dòng)采集地下目標(biāo)回波數(shù)據(jù)并使用預(yù)訓(xùn)練的DCNN提取回波數(shù)據(jù)中的目標(biāo)特征，將目標(biāo)回波數(shù)據(jù)特征與采集的地理位置信息相結(jié)合，生成用于特征檢索的帶有地理位置信息標(biāo)記的地下目標(biāo)特征指紋地圖。在線定位階段，首先探地雷達(dá)會(huì)采集當(dāng)前位置的回波數(shù)據(jù)并利用預(yù)訓(xùn)練的DCNN提取出目標(biāo)特征，然后利用粒子群方法在特征指紋地圖上搜索和當(dāng)前位置回波特征最相似的特征，并輸出對(duì)應(yīng)的地理位置信息，得到探地雷達(dá)定位結(jié)果。最后通過(guò)卡爾曼濾波融合探地雷達(dá)定位結(jié)果和測(cè)距輪的里程信息，輸出最終定位結(jié)果。

圖1 深度學(xué)習(xí)輔助的探地雷達(dá)定位方法框圖

2.1 基于DCNN構(gòu)建地下目標(biāo)的離線特征指紋地圖

在離線構(gòu)建地下目標(biāo)特征指紋地圖時(shí)，假設(shè)探地雷達(dá)沿著長(zhǎng)度為L(zhǎng)的測(cè)線收集地下目標(biāo)回波數(shù)據(jù)Xraw。探地雷達(dá)每次采集的數(shù)據(jù)點(diǎn)個(gè)數(shù)為M，每道數(shù)據(jù)間采集間隔(道間距)長(zhǎng)度為?L，則收集到的回波數(shù)據(jù)Xraw∈RM×N，其中N=L/?L。數(shù)據(jù)預(yù)處理之后，以大小為M×n的重疊采樣窗口將數(shù)據(jù)矩陣Xraw裁切成切片集合Xpatch= (xpatch,1,xpatch,2,...,xpatch,t)，其中t=「N/?n?，?n為重疊采樣窗口的間隔，xpatch,i ∈RM×n為第i個(gè)窗口裁切出的切片，同時(shí)獲得與切片集合一一對(duì)應(yīng)的地理位置標(biāo)記集合D=(d1,d2,...,dt)。則地下目標(biāo)特征指紋地圖為Xfeat=(xfeat,1,xfeat,2,...,xfeat,t)，其中xfeat,i ∈Rj×k，xfeat,i= DCNN(xpatch,i)表示從切片數(shù)據(jù)中使用DCNN提取出j×k維度的目標(biāo)特征，本文使用的DCNN為Faster R-CNN網(wǎng)絡(luò)[12]。

由于光學(xué)圖像的目標(biāo)特征和雷達(dá)圖像的目標(biāo)特征差異較大，且光學(xué)圖像多為8 bit無(wú)符號(hào)整型數(shù)據(jù)，雷達(dá)圖像多為32 bit有符號(hào)整型數(shù)據(jù)，因此在光學(xué)圖像上預(yù)訓(xùn)練的DCNN網(wǎng)絡(luò)權(quán)重不能運(yùn)用到處理雷達(dá)圖像中[13]。本文使用工作頻率為270 MHz, 400 MHz和500 MHz的探地雷達(dá)在實(shí)際城市道路上收集地下目標(biāo)實(shí)測(cè)回波數(shù)據(jù)用于重新訓(xùn)練DCNN，共收集探地雷達(dá)B-scan回波圖2323張，回波數(shù)據(jù)圖的維度為416 × 416，其中600張回波數(shù)據(jù)用于測(cè)試網(wǎng)絡(luò)性能。Faster R-CNN網(wǎng)絡(luò)是一種經(jīng)典的2階段目標(biāo)檢測(cè)網(wǎng)絡(luò)，其首先通過(guò)主干網(wǎng)提取輸入圖像的全局特征，然后在提取的全局特征的基礎(chǔ)上，區(qū)域生成網(wǎng)絡(luò)和感興趣區(qū)域池化層提取出目標(biāo)的局部特征[14,15]，最后經(jīng)過(guò)分類網(wǎng)絡(luò)和位置回歸網(wǎng)絡(luò)得到目標(biāo)的類別與位置。Faster R-CNN網(wǎng)絡(luò)不同網(wǎng)絡(luò)層輸出的特征所包含的信息不同，網(wǎng)絡(luò)層越深提取出的特征越高級(jí)，而高層次的語(yǔ)義特征丟失了目標(biāo)的空間分布信息，因此保留低層次的全局特征以及高層次的局部特征作為輸入圖像的描述符。在訓(xùn)練階段，更新Faster R-CNN網(wǎng)絡(luò)的全部參數(shù)，當(dāng)網(wǎng)絡(luò)訓(xùn)練好后，固定網(wǎng)絡(luò)的權(quán)重同時(shí)去除網(wǎng)絡(luò)中的分類網(wǎng)絡(luò)和目標(biāo)位置回歸網(wǎng)絡(luò)，此時(shí)Faster R-CNN網(wǎng)絡(luò)只用于提取輸入圖像的全局特征和局部特征。圖2顯示了Faster R-CNN網(wǎng)絡(luò)提取探地雷達(dá)目標(biāo)回波數(shù)據(jù)特征示意圖，其中主干網(wǎng)絡(luò)為VGG16網(wǎng)絡(luò)，輸入雷達(dá)圖像大小為416 × 416，輸出的全局特征向量維度為1 × 1024，局部特征向量維度為5 × 512，數(shù)據(jù)量減小為原來(lái)的2%。

圖2 Faster R-CNN 網(wǎng)絡(luò)提取全局特征和局部特征示意圖

在網(wǎng)絡(luò)訓(xùn)練階段，前1000次迭代設(shè)置初始學(xué)習(xí)率為0.002，后1400次迭代設(shè)置學(xué)習(xí)率為0.0002，權(quán)重衰減和動(dòng)量大小分別設(shè)置為0.0005和0.9。訓(xùn)練完成后，F(xiàn)aster R-CNN網(wǎng)絡(luò)在測(cè)試數(shù)據(jù)集上對(duì)探地雷達(dá)地下目標(biāo)檢測(cè)的準(zhǔn)確率達(dá)到90%，說(shuō)明訓(xùn)練后的網(wǎng)絡(luò)已經(jīng)具備提取地下目標(biāo)回波特征的能力。

2.2 基于粒子群優(yōu)化的在線定位算法

計(jì)算當(dāng)前回波數(shù)據(jù)特征與特征指紋地圖間相似度的最簡(jiǎn)單的方法是窮舉法，但是隨著地圖數(shù)據(jù)庫(kù)越來(lái)越大，計(jì)算復(fù)雜度也會(huì)越高。粒子群優(yōu)化方法是一種解決最優(yōu)化問(wèn)題的啟發(fā)式算法[17]，能夠在很大搜索空間中搜索出候選解，同時(shí)對(duì)搜索的空間不做任何假設(shè)。相對(duì)于其他啟發(fā)式算法來(lái)說(shuō)，粒子群優(yōu)化方法易于實(shí)現(xiàn)且復(fù)雜度相對(duì)較低，因此本文基于粒子群優(yōu)化方法加速特征間的相似度計(jì)算。粒子群優(yōu)化方法首先在搜索空間中隨機(jī)創(chuàng)建沒(méi)有體積和質(zhì)量的粒子，每個(gè)粒子具有位置屬性和速度屬性，位置屬性代表粒子在搜索空間中的位置，速度屬性用于控制算法迭代時(shí)粒子位置更新。每個(gè)粒子在迭代過(guò)程中會(huì)向著粒子群已經(jīng)搜索到的全局最優(yōu)位置和粒子本身歷史最優(yōu)位置不斷接近，不斷迭代尋找最優(yōu)值。隨著計(jì)算的推移，通過(guò)探索和利用搜索空間中已知的有利位置，粒子圍繞1個(gè)或多個(gè)最優(yōu)點(diǎn)聚集。粒子群優(yōu)化算法迭代公式為

使用粒子群優(yōu)化方法搜索當(dāng)前回波特征和特征指紋地圖間相似度的過(guò)程可以分為兩個(gè)階段：初始搜索階段和局部搜索階段。初始搜索階段在特征指紋地圖上搜索和當(dāng)前回波數(shù)據(jù)的全局特征最相似的幾個(gè)候選特征。由于全局特征失去了目標(biāo)間的空間分布關(guān)系，因此在全局特征搜索結(jié)果的基礎(chǔ)上再搜索局部特征最相似的特征，得到最終搜索結(jié)果。

2.3 基于卡爾曼濾波的多傳感器融合算法

基于探地雷達(dá)的定位方法在不存在地下目標(biāo)、地下目標(biāo)回波弱和地下目標(biāo)分布相似時(shí)，由于無(wú)法感知到有效的目標(biāo)信息，因此會(huì)存在較大的定位誤差，使得定位結(jié)果不穩(wěn)定?？柭鼮V波是一種對(duì)線性系統(tǒng)最優(yōu)的估計(jì)算法[18]，本文在探地雷達(dá)獲取的定位結(jié)果的基礎(chǔ)上，利用卡爾曼濾波融合測(cè)距輪測(cè)量的里程信息，減少探地雷達(dá)定位的不穩(wěn)定性，以實(shí)現(xiàn)對(duì)車輛高精度的定位。為簡(jiǎn)化問(wèn)題，本文假設(shè)車輛近似于勻速運(yùn)動(dòng)狀態(tài)，因此可通過(guò)車輛的勻速運(yùn)動(dòng)方程得到車輛k+1時(shí)刻狀態(tài)g(k+1)和k時(shí)刻狀態(tài)g(k)的更新關(guān)系為

利用卡爾曼濾波將探地雷達(dá)定位結(jié)果和測(cè)距輪的里程信息相融合，能夠平滑探地雷達(dá)定位產(chǎn)生的離群點(diǎn)，減少定位誤差的抖動(dòng)，從而可以獲得車輛更為精確的位置。

3 系統(tǒng)參數(shù)設(shè)置

深度學(xué)習(xí)輔助探地雷達(dá)定位方法系統(tǒng)平臺(tái)如圖3所示，主要包括探地雷達(dá)、測(cè)距輪、車載平臺(tái)、地理位置信息采集器以及高性能計(jì)算機(jī)(圖3中未展示)。其中探地雷達(dá)為中國(guó)科學(xué)院空天信息創(chuàng)新研究院自主研發(fā)的500 MHz單發(fā)單收探地雷達(dá)，帶有一個(gè)編碼測(cè)距輪。500 MHz探地雷達(dá)最大探測(cè)深度介于1 m和5 m之間，能夠探測(cè)常見的城市道路地下埋藏目標(biāo)，雖然其體積較大，但未來(lái)使用的時(shí)候可以通過(guò)重新設(shè)計(jì)天線結(jié)構(gòu)和電子學(xué)器件來(lái)方便集成于汽車底部。100 MHz和200 MHz探地雷達(dá)雖然最大探測(cè)深度深，但是體積相對(duì)于500 MHz探地雷達(dá)來(lái)說(shuō)更大且一般城市道路地下目標(biāo)埋深不會(huì)太深。800 MHz, 1000 MHz以及1600 MHz探地雷達(dá)雖然體積較小，但是最大探測(cè)深度較淺，在一些地下目標(biāo)埋深較深的場(chǎng)景下可能無(wú)法有效探測(cè)到目標(biāo)。地理位置信息采集器采用海星達(dá)高精度差分GPS接收器。高性能計(jì)算機(jī)搭載英偉達(dá)GTX 1080 Ti顯卡加速DCNN的計(jì)算。系統(tǒng)詳細(xì)參數(shù)如表1所示。

表1 系統(tǒng)詳細(xì)參數(shù)

圖3 深度學(xué)習(xí)輔助探地雷達(dá)定位系統(tǒng)車載平臺(tái)圖

4 實(shí)驗(yàn)結(jié)果與分析

在兩處不同的室外場(chǎng)景下測(cè)試與驗(yàn)證所提深度學(xué)習(xí)輔助探地雷達(dá)定位方法的定位性能。實(shí)驗(yàn)場(chǎng)景1如圖4(a)所示，為一段60 m × 4 m的水泥道路，其地下每隔約0.5 m分布有埋深約0.2 m的鋼筋結(jié)構(gòu)，可提取出的地下目標(biāo)回波信息多，但是存在一些目標(biāo)特征分布相似的區(qū)域；實(shí)驗(yàn)場(chǎng)景2如圖4(b)所示，為一段長(zhǎng)度約500 m的實(shí)際城市道路，地下埋藏的管道目標(biāo)分布稀疏，還存在一些位置檢測(cè)不到目標(biāo)回波。場(chǎng)景1中定位的參考位置使用激光測(cè)距儀測(cè)得，場(chǎng)景2中定位的參考位置通過(guò)高精度GPS接收器獲取。

圖4 實(shí)驗(yàn)場(chǎng)景圖

在實(shí)驗(yàn)場(chǎng)景1中獨(dú)立進(jìn)行6次實(shí)驗(yàn)來(lái)驗(yàn)證定位方法的定位性能。每次實(shí)驗(yàn)中，探地雷達(dá)沿隨機(jī)路線移動(dòng)約55 m距離，每隔約0.01 m收集一次地下目標(biāo)的回波數(shù)據(jù)，經(jīng)過(guò)Faster R-CNN網(wǎng)絡(luò)提取出地下目標(biāo)特征之后，建立地下目標(biāo)特征指紋地圖。在定位階段，探地雷達(dá)盡量沿著建圖階段的路線移動(dòng)，以保證在定位階段探地雷達(dá)能掃過(guò)和建圖階段相同的地下目標(biāo)，定位階段探地雷達(dá)移動(dòng)距離約50 m。比較回波數(shù)據(jù)地圖定位方法(即利用探地雷達(dá)原始回波數(shù)據(jù)構(gòu)建回波數(shù)據(jù)地圖來(lái)定位)和本文所提方法的實(shí)驗(yàn)結(jié)果，如圖5所示。從圖5(a)可知，由于地下目標(biāo)回波信息豐富，因此所有定位方法的平均定位誤差均小于5 m。注意到回波數(shù)據(jù)地圖定位方法受到回波數(shù)據(jù)微小變化以及異常值的影響大，導(dǎo)致其誤差在4種定位方法中最大。通過(guò)卡爾曼濾波融合測(cè)距輪的里程信息后，回波數(shù)據(jù)地圖方法和特征指紋地圖方法定位誤差分別降低20%～70%，說(shuō)明融合其他傳感器數(shù)據(jù)能提升定位性能。由于特征指紋地圖的定位方法對(duì)回波數(shù)據(jù)中異常值的敏感程度降低，因此其定位誤差在6次實(shí)驗(yàn)中均小于基于回波數(shù)據(jù)地圖的定位方法，且加入卡爾曼濾波融合測(cè)距輪信息之后，其6次實(shí)驗(yàn)的平均定位誤差比回波數(shù)據(jù)地圖方法的定位誤差減小85%，均小于1.2 m。從圖5(b)能看出，本文所提融合特征指紋地圖和測(cè)距輪信息的定位方法的誤差閾值小于1 m的數(shù)據(jù)占比80%，優(yōu)于其他方法。由表2可知，僅將單一的探地雷達(dá)作為定位的結(jié)果時(shí)，受限于地下目標(biāo)回波不明顯以及存在地下目標(biāo)回波相似的區(qū)域，定位結(jié)果存在跳變，最大定位誤差均大于5 m。融合測(cè)距輪信息后，回波數(shù)據(jù)地圖定位方法和特征地圖定位方法的最大定位誤差分別減少15%和80%，而計(jì)算量并沒(méi)有明顯增加。本文所提方法的定位頻率要比回波數(shù)據(jù)地圖定位方法高出約9倍。

表2 場(chǎng)景1中單次實(shí)驗(yàn)下不同方法的最大定位誤差和計(jì)算時(shí)間比較

圖5 實(shí)驗(yàn)場(chǎng)景1中不同定位方法的定位結(jié)果對(duì)比圖

與場(chǎng)景1的實(shí)驗(yàn)不同，在進(jìn)行場(chǎng)景2實(shí)驗(yàn)前先使用探地雷達(dá)沿場(chǎng)景2中實(shí)際城市道路移動(dòng)約500 m距離建立地下目標(biāo)特征指紋地圖。在定位階段，使用探地雷達(dá)在6個(gè)不同時(shí)刻沿著建圖階段的路線移動(dòng)約500 m距離進(jìn)行定位，不同定位方法的實(shí)驗(yàn)結(jié)果如圖6所示?？梢钥吹接捎趯?shí)際城市道路場(chǎng)景中地下目標(biāo)分布稀疏，在一些位置處沒(méi)有明顯的目標(biāo)回波，導(dǎo)致所有定位方法的平均定位誤差均大于1.5 m。雖然可以通過(guò)累積大范圍內(nèi)探地雷達(dá)采集的數(shù)據(jù)來(lái)減輕地下目標(biāo)分布稀疏或者地下紋理特征信息相似帶來(lái)的影響，但是數(shù)據(jù)計(jì)算量和存儲(chǔ)量也會(huì)變大。回波數(shù)據(jù)地圖方法的平均定位誤差最大，僅有30%的情況可以將定位誤差控制在2 m以內(nèi)，雖然融合測(cè)距輪的里程信息后誤差在2 m內(nèi)的數(shù)據(jù)占比提高到53%，但本文所提方法在6次實(shí)驗(yàn)中的平均定位誤差均小于2.5 m，比回波數(shù)據(jù)地圖方法的定位誤差減少70%，同時(shí)定位誤差小于2 m的數(shù)據(jù)占65%，定位誤差閾值在3 m內(nèi)的占88%。從表3可以看出僅用回波數(shù)據(jù)地圖時(shí)最大定位誤差接近30 m，融合測(cè)距輪里程信息后最大誤差也達(dá)到11 m，說(shuō)明在實(shí)際城市道路上直接使用原始雷達(dá)回波數(shù)據(jù)構(gòu)建地圖進(jìn)行定位的穩(wěn)定性很差。雖然特征指紋地圖定位方法對(duì)回波數(shù)據(jù)變化有魯棒性，但也受到地下目標(biāo)分布稀疏的影響，其最大定位誤差將近17 m，利用卡爾曼濾波融合測(cè)距輪信息后，最大誤差相比于融合前減少83%，達(dá)到2.82 m，有效地提高了定位精度。同時(shí)本文所提定位方法定位頻率達(dá)到13.11 Hz，滿足實(shí)時(shí)性要求。

圖6 實(shí)驗(yàn)場(chǎng)景2 中不同定位方法的定位結(jié)果對(duì)比圖

表3 場(chǎng)景2 中單次實(shí)驗(yàn)下不同方法的最大定位誤差和計(jì)算時(shí)間比較

圖7展示了場(chǎng)景1中1次實(shí)驗(yàn)采集的長(zhǎng)度約50 m的地下目標(biāo)特征指紋地圖(僅將從回波數(shù)據(jù)中提取的全局特征作為特征指紋地圖)。從圖7(a)能看出每個(gè)位置提取地下回波的主要特征分布相似，這是因?yàn)樘降乩走_(dá)B-scan回波數(shù)據(jù)間的主要特征很相似(回波數(shù)據(jù)中主要是收發(fā)天線直耦波、地面回波以及地下分層回波)，尤其是在同一個(gè)區(qū)域收集的回波數(shù)據(jù)。盡管主要特征分布相似，但是所提出定位方法基于特征向量間的差異。圖7(b)是將圖7(a)中的特征向量減去其在距離維度上的均值得到的結(jié)果，從圖7(b)能看出減去均值之后，每個(gè)距離上提取的地下目標(biāo)回波特征存在較大差異。

圖7 實(shí)驗(yàn)場(chǎng)景 1 中采集的地下目標(biāo)特征指紋地圖

圖8展示了場(chǎng)景1中1次實(shí)驗(yàn)采集的原始回波數(shù)據(jù)。在圖8(a)和圖8(b)中，前25 m采集的地下目標(biāo)回波數(shù)據(jù)相似度高，此區(qū)域的定位誤差較小。與圖8(a)相比，在定位階段圖8(b)中25～35 m位置采集的地下目標(biāo)回波受到雜波干擾，這些異常值的干擾會(huì)增大定位誤差。圖8(b)中40～45 m位置處由于建圖階段和定位階段路線的偏移導(dǎo)致采集的回波數(shù)據(jù)和圖8(a)相比存在較大差異，這部分差異會(huì)嚴(yán)重影響定位精度。

圖8 實(shí)驗(yàn)場(chǎng)景 1 中采集的原始回波數(shù)據(jù)

5 結(jié)束語(yǔ)

面對(duì)常用的視覺(jué)、激光等傳感器在惡劣環(huán)境下會(huì)因?yàn)闊o(wú)法正確感知外界環(huán)境變化而失效的問(wèn)題，本文提出一種深度學(xué)習(xí)輔助的探地雷達(dá)定位方法，通過(guò)探地雷達(dá)感知地下基本固定不變的埋藏目標(biāo)來(lái)實(shí)現(xiàn)車輛位置的確定。所提方法首先采用Faster RCNN網(wǎng)絡(luò)提取探地雷達(dá)收集的地下目標(biāo)回波數(shù)據(jù)中的目標(biāo)特征，構(gòu)建地下目標(biāo)特征指紋地圖。然后基于粒子群優(yōu)化算法計(jì)算探地雷達(dá)當(dāng)前采集的目標(biāo)特征和特征指紋地圖間的相似度得到探地雷達(dá)定位結(jié)果，避免直接使用原始回波數(shù)據(jù)計(jì)算相似度容易受到噪聲、異常值等因素干擾的問(wèn)題，同時(shí)減少了數(shù)據(jù)計(jì)算量與傳輸量，保證定位算法的實(shí)時(shí)性。最后使用卡爾曼濾波融合探地雷達(dá)定位結(jié)果與測(cè)距輪測(cè)量的里程信息，得到更精確的定位結(jié)果。在實(shí)際城市道路上的實(shí)驗(yàn)驗(yàn)證所提方法的平均定位誤差比回波數(shù)據(jù)地圖方法的平均定位誤差降低70%，定位頻率滿足實(shí)時(shí)性要求，且所使用的探地雷達(dá)系統(tǒng)易于安裝和維護(hù)。深度學(xué)習(xí)輔助的探地雷達(dá)方法可以作為一種未來(lái)自動(dòng)駕駛車輛在惡劣環(huán)境下感知定位的補(bǔ)充方法。