李祎承，楊東曉，高 翔，馬育林，許述財(cái)

（1.江蘇大學(xué) 汽車工程研究院，江蘇 鎮(zhèn)江 212013；2.清華大學(xué) 蘇州汽車研究院（相城），江蘇 蘇州 215133；3.安徽工程大學(xué) 機(jī)械工程學(xué)院，安徽 蕪湖 241000；4.清華大學(xué) 汽車安全與節(jié)能國家重點(diǎn)實(shí)驗(yàn)室，北京 100084）

1 引言

近年來，計(jì)算機(jī)處理能力的提高以及人工智能的快速發(fā)展掀起了汽車行業(yè)自動(dòng)駕駛研究的熱潮，關(guān)于智能車輛的研究在學(xué)術(shù)及工業(yè)領(lǐng)域中都受到了廣泛的關(guān)注。在典型框架實(shí)現(xiàn)中，智能車輛系統(tǒng)可被分為感知系統(tǒng)（Perception System）和決策系統(tǒng)（Decision Making System）［1］。其中，定位是智能車輛感知系統(tǒng)的核心功能之一，車輛定位效果的好壞將直接影響后續(xù)的規(guī)劃與控制。決策系統(tǒng)則負(fù)責(zé)在獲取定位及其它感知信息之后規(guī)劃出可行駛路線。

對于定位來說，在開闊的室外場景中，智能車輛借助全球?qū)Ш叫l(wèi)星系統(tǒng)（Global Navigation Satellite System，GNSS）、慣性導(dǎo)航系統(tǒng)（Inertial Navigation System，INS）或者兩者結(jié)合可以取得較高的定位精度［2］，但在城市建筑物密集區(qū)域，由于多徑效應(yīng)，全球定位系統(tǒng)（Global Positioning System，GPS）的定位精度將會(huì)下降，而在室內(nèi)場景，特別是在地下停車場中，GPS 信號的缺失會(huì)使得此類系統(tǒng)快速失效。

目前，多種室內(nèi)定位系統(tǒng)（Indoor Positioning System，IPS）被開發(fā)出來以解決室內(nèi)定位問題，不同的IPS 可能會(huì)使用不同的傳感器和不同的算法，目前常用的室內(nèi)定位方法主要包括航位推算（Dead Reckoning，DR）［3-6］、基于通訊技術(shù)的定位［7-9］和基于同時(shí)建圖與定位（Simultaneous Location and Mapping，SLAM）的方法［10-13］。DR 方法將自身加速度、角度等傳感器數(shù)據(jù)進(jìn)行積分得到自身位置，其積分原理使得這類技術(shù)會(huì)產(chǎn)生較大的累積誤差。基于通訊技術(shù)的定位方法通過場景中的無線信號進(jìn)行定位，但是這類方法通常需要在場景中預(yù)先架設(shè)設(shè)備，并且難以獲取車輛的精確姿態(tài)，而精確位姿是智能車輛后續(xù)自主決策與控制所必需的，這使得這類基于無線的定位技術(shù)很難應(yīng)用于智能車輛室內(nèi)定位。SLAM 方法是目前智能車輛在室內(nèi)場景定位時(shí)應(yīng)用較多的一種方法，SLAM 方法利用如相機(jī)、激光雷達(dá)之類的傳感器在不同時(shí)刻的數(shù)據(jù)通過拼接對周圍環(huán)境進(jìn)行建圖并同時(shí)給出載體在地圖中的定位，但是其過高的復(fù)雜度使得計(jì)算資源會(huì)被大幅消耗。將SLAM 方法拆分成建圖、定位兩個(gè)步驟，用先建圖后定位的方式在保證精度的前提下減少復(fù)雜度是一種可行的方式。

在決策層面，智能車輛根據(jù)感知信息進(jìn)行路徑規(guī)劃等工作。路徑規(guī)劃算法根據(jù)理論的不同大體上可以分為智能算法、基于圖搜索的算法、基于采樣的算法等［14］。智能算法對自然現(xiàn)象進(jìn)行仿生，以較低的成本對具有不確定性的復(fù)雜問題進(jìn)行解決，遺傳算法［15］、粒子群算法［16］、蟻群算法［17］等常用的智能優(yōu)化方法都可以應(yīng)用于路徑規(guī)劃，但這類方法需要大規(guī)模的訓(xùn)練且計(jì)算量較大，難以應(yīng)用于大規(guī)模環(huán)境中的精確求解。圖搜索算法利用可視圖方法對場景進(jìn)行建模并在可視圖中進(jìn)行圖搜索，是目前應(yīng)用最為廣泛的算法，A*［18］、D*［19］等都是典型的圖搜索算法，這類方法需要對環(huán)境預(yù)先進(jìn)行建模，并可與其他方法結(jié)合使用取得更好的效果?；诓蓸拥姆椒▌t可以在沒有構(gòu)建好可視圖之前用隨機(jī)采樣的方式對環(huán)境進(jìn)行探索，之后可以選擇結(jié)合圖搜索方法規(guī)劃出可行駛路線，典型的采樣方法包括概率路徑圖（Probabilistic Roadmap，PRM）［20］、快速擴(kuò)展隨機(jī)樹（Rapidly-exploring Random Tree，RRT）［21］等。

通過上述分析可以得知，采用先建圖、后定位的策略在室內(nèi)場景中進(jìn)行定位是一種較優(yōu)的方法，同時(shí)，基于采樣的路徑規(guī)劃方法較為適合道路構(gòu)造簡單的地下停車場環(huán)境。因此，本文針對上述分析及地下停車場的特點(diǎn)，對地下停車場的定位及路徑規(guī)劃算法進(jìn)行了設(shè)計(jì)。采用雙目離線建圖、單目在線定位的策略實(shí)現(xiàn)低成本高精度室內(nèi)定位，并通過選取路口作為路徑圖生成節(jié)點(diǎn)，提出了一種基于路口路徑圖（Intersection Roadmap，IRM）的路徑規(guī)劃算法，提升了其在資源占用率、定位規(guī)劃效果及實(shí)時(shí)性方面的整體表現(xiàn)。

2 地下停車場定位方法

2.1 多層級地圖構(gòu)建

地下停車場多層級地圖是實(shí)現(xiàn)智能汽車定位的基礎(chǔ)，多層級地圖的構(gòu)建使得單次制圖，多次定位得到實(shí)現(xiàn)。多層級地圖建圖時(shí)采用一臺雙目攝像機(jī)，將地下停車場分成一系列的數(shù)據(jù)采集節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)間距為2 m。為了能夠在定位匹配時(shí)能夠同時(shí)保證高效性與準(zhǔn)確性，多層級地圖將每個(gè)節(jié)點(diǎn)采集場景進(jìn)行處理，得到不同層次的信息并分別存入3 個(gè)層級：（1）BoW（Bag of Words）［22］特征層，特征層對左右目圖像分別提取視覺局部特征，并將左目特征與BoW 模型結(jié)合，構(gòu)成BoW 特征層；（2）場景結(jié)構(gòu)層，將左右目局部特征進(jìn)行匹配，并通過三角法計(jì)算三維信息構(gòu)成場景結(jié)構(gòu)層；（3）節(jié)點(diǎn)坐標(biāo)層，即節(jié)點(diǎn)在地下停車場坐標(biāo)系下的真實(shí)坐標(biāo)，坐標(biāo)信息的真實(shí)值通過節(jié)點(diǎn)間場景結(jié)構(gòu)位姿計(jì)算綜合手工測量得出，同時(shí)借助如車道線一類的環(huán)境參照物可以標(biāo)定出節(jié)點(diǎn)采集時(shí)鏡頭的朝向。在此基礎(chǔ)上得到這些節(jié)點(diǎn)的節(jié)點(diǎn)坐標(biāo)系與地圖坐標(biāo)系的旋轉(zhuǎn)矩陣，并作為推算剩余節(jié)點(diǎn)坐標(biāo)系與地圖坐標(biāo)系之間旋轉(zhuǎn)矩陣的基準(zhǔn)定位結(jié)果的相對位姿，在結(jié)合坐標(biāo)信息后可轉(zhuǎn)化為絕對位姿。文章構(gòu)建的多層級視覺地圖的數(shù)據(jù)采集如圖1 所示。

圖1 多層級視覺地圖數(shù)據(jù)采集Fig.1 Data acquisition of multi-layer visual map

2.2 多層級地圖中的視覺定位

2.2.1 節(jié)點(diǎn)級定位

本文中車輛的節(jié)點(diǎn)級定位主要依靠詞袋法將車載相機(jī)拍攝畫面與視覺地圖庫中圖像進(jìn)行匹配，得出與車載相機(jī)拍攝畫面最相似的地圖庫圖像，詞袋模型進(jìn)行圖像匹配主要分為三個(gè)步驟：特征提取及描述，視覺詞典構(gòu)造，節(jié)點(diǎn)匹配。

步驟1：特征提取及描述

對地圖庫中圖像進(jìn)行預(yù)處理，將各圖像灰度化及直方圖均衡化并縮放至同一尺度，利用ORB（Oriented Fast and Rotated Brief）［23］算法提取預(yù)處理后各圖像的特征點(diǎn)與描述符并生成特征描述子。

步驟2：視覺詞典構(gòu)造

采用K-means［24］聚類方法將提取到的特征構(gòu)造成單詞表，對各地圖庫圖像的詞頻數(shù)進(jìn)行統(tǒng)計(jì)得出詞頻直方圖并生成對應(yīng)的特征頻描述子。

步驟3：節(jié)點(diǎn)匹配

采用同樣方法提取出待定位點(diǎn)圖片的特征頻描述子，并計(jì)算該描述子與視覺地圖庫中所有的特征頻描述子的海明距離，距離最小的特征頻描述子對應(yīng)的節(jié)點(diǎn)即為與車輛最近的地圖節(jié)點(diǎn)。

2.2.2 位姿級定位

粗定位將車輛定位在視覺地圖中某節(jié)點(diǎn)附近，通過透視n點(diǎn)（Perspective n-points，PnP）［25］求解可以實(shí)現(xiàn)車輛的位姿級定位。首先對檢索得出節(jié)點(diǎn)是否為最近節(jié)點(diǎn)進(jìn)行確認(rèn)，其次通過標(biāo)定矯正后雙目相機(jī)的拍攝畫面及定位節(jié)點(diǎn)對車輛的位姿進(jìn)行確定。

位姿估計(jì)的主要求解目標(biāo)是計(jì)算出車輛所在位置相對于視覺地圖中對應(yīng)節(jié)點(diǎn)位置的位移向量t和旋轉(zhuǎn)矩陣R。當(dāng)有n個(gè)特征點(diǎn)時(shí)，將第i個(gè)特征點(diǎn)記作Pi，將其世界坐標(biāo)記作[XiYiZi]T，將其投影的像素坐標(biāo)記作[uivi]T，對于透視n點(diǎn)問題，在齊次坐標(biāo)下有：

其中：K代表車載相機(jī)的內(nèi)參數(shù)矩陣，t為平移向量，R為車載相機(jī)坐標(biāo)系與模型中的攝像機(jī)坐標(biāo)系間的旋轉(zhuǎn)矩陣。

當(dāng)有6 個(gè)及以上的特征點(diǎn)時(shí)，可以根據(jù)上式求出R和t，以此可以求出當(dāng)前位置與節(jié)點(diǎn)的距離：

3 路口中心檢測與路徑規(guī)劃算法

PRM 是一種經(jīng)典的采樣路徑規(guī)劃算法，其在場景中進(jìn)行隨機(jī)采樣后，將各采樣點(diǎn)在其鄰域范圍內(nèi)進(jìn)行碰撞檢測并連線構(gòu)建路徑圖，規(guī)劃時(shí)將起點(diǎn)、終點(diǎn)添加至路線圖中并進(jìn)行尋路，這種單次構(gòu)圖、多次規(guī)劃的規(guī)劃策略簡單而高效，但隨機(jī)采樣使得規(guī)劃路徑并不一定能達(dá)到最優(yōu)且有可能規(guī)劃失敗，增加采樣點(diǎn)可以在一定程度上提高規(guī)劃效果，但規(guī)劃時(shí)間會(huì)大幅增加。針對此問題，本文提出了一種路口路徑圖（IRM）規(guī)劃方法，首先提取出道路的邊線，之后在提取到的邊線基礎(chǔ)上計(jì)算出路口中心，利用路口中心作為采樣節(jié)點(diǎn)來構(gòu)建路徑圖，克服了PRM 算法的缺點(diǎn)。

3.1 道路邊線檢測

3.1.1 道路輪廓提取

Canny 邊緣檢測是目前應(yīng)用非常廣泛的一種邊緣檢測算法，該算法使用基于梯度幅值的雙閾值方法對圖像輪廓、邊緣進(jìn)行檢測，本文使用Canny 邊緣檢測算法提取道路輪廓。

Canny 算法對輸入圖像依次進(jìn)行去噪、圖像梯度計(jì)算和非極大值抑制，最終使用雙閾值方法確定出邊緣。在梯度計(jì)算時(shí)，Canny 邊緣檢測利用一階微分算子計(jì)算圖像中各點(diǎn)處的梯度幅值和梯度方向，以圖像某點(diǎn)(i，j)為例，其兩方向偏導(dǎo)分別如式（3）、式（4）所示：

其中，I(·)代表某點(diǎn)處灰度值，此時(shí)點(diǎn)(i，j)處的梯度幅值G(i，j)和梯度方向θ(i，j)分別為：

將Canny 算法應(yīng)用于地圖場景得到的道路輪廓如圖2 所示。

圖2 道路輪廓Fig.2 Road contour

3.1.2 道路邊線檢測

在提取的道路輪廓圖中，通過Hough 直線變換［26］可以得出道路的邊線。Hough 變換將笛卡爾空間或極坐標(biāo)空間映射至霍夫空間，原空間中的點(diǎn)會(huì)映射為霍夫空間中的一條線，而原空間中的線會(huì)映射為霍夫空間中的一個(gè)點(diǎn)。根據(jù)變換性質(zhì)，在霍夫坐標(biāo)系下，多條直線的交點(diǎn)在原空間中很可能是條直線。因此，當(dāng)霍夫坐標(biāo)系內(nèi)交于某點(diǎn)的曲線數(shù)達(dá)到某設(shè)定閾值時(shí)，就認(rèn)為原空間中存在相應(yīng)的一條直線，在道路輪廓圖中使用Hough 直線變換即可得出道路邊線的檢測結(jié)果。

由于Hough 變換的檢測原理，邊線檢測結(jié)果中，單條直線附近容易出現(xiàn)距離很近的冗余直線，因此需要在邊線檢測基礎(chǔ)上進(jìn)行優(yōu)化，通過形態(tài)學(xué)閉運(yùn)算，對檢測圖像先膨脹后腐蝕，從而將距離很近的線條整合為單條直線，通過上述步驟即可得出道路邊線檢測的擬合結(jié)果，如圖3所示。

圖3 道路邊線檢測Fig.3 Detection of road edge

3.2 路徑圖生成與路徑規(guī)劃

3.2.1 道路邊線交點(diǎn)檢測

Shi-Tomasi 角點(diǎn)檢測［27］方法在經(jīng)典的Harris角點(diǎn)檢測方法基礎(chǔ)上對角點(diǎn)響應(yīng)函數(shù)進(jìn)行了改進(jìn)，Shi-Tomasi 方法以一個(gè)小窗口在圖像中進(jìn)行滑動(dòng)，并計(jì)算窗口內(nèi)部的像素值變化量E(u，v)：

其中：[u，v]為窗口中心像素坐標(biāo)；ω(x，y)為設(shè)定的窗口響應(yīng)函數(shù)；Ix，Iy為相應(yīng)的灰度偏導(dǎo)。

像素梯度矩陣的特征值可以計(jì)算出來并用于角點(diǎn)響應(yīng)函數(shù)計(jì)算，記相應(yīng)的特征值為λ1、λ2，根據(jù)特征值可對窗口區(qū)域進(jìn)行非極大值抑制，Shi-Tomasi 角點(diǎn)檢測方法中設(shè)定的角點(diǎn)響應(yīng)函數(shù)為：

R值可用于非極大值抑制及角點(diǎn)檢測，R值大于設(shè)定閾值時(shí)，即認(rèn)為檢測出角點(diǎn)，圖4 中展示了邊線交點(diǎn)檢測的結(jié)果。

圖4 邊線交點(diǎn)檢測Fig.4 Edge line intersection detection

3.2.2 路口中心檢測

3.2.1 節(jié)中檢測出了各道路邊線交點(diǎn)，但各交點(diǎn)所歸屬的路口位置仍是未知的，因此無法根據(jù)交點(diǎn)直接計(jì)算出路口中心坐標(biāo)，針對此問題，采用K-means 聚類算法來在多個(gè)交點(diǎn)中得出相應(yīng)的路口中心，K-means 均值聚類隨機(jī)選取k個(gè)點(diǎn)作為分類中心點(diǎn)，并將每個(gè)數(shù)據(jù)點(diǎn)放入距離最近的中心點(diǎn)所在的類中，計(jì)算各個(gè)分類數(shù)據(jù)點(diǎn)中心點(diǎn)的平均值作為新的中心點(diǎn)并循環(huán)迭代至不發(fā)生變化，圖5 中展示了最終的路口檢測結(jié)果。

圖5 路口檢測結(jié)果Fig.5 Result of intersection detection

其中，Pip表示道路邊線交點(diǎn)，num（·）表示點(diǎn)數(shù)量。

路口節(jié)點(diǎn)坐標(biāo)在初次計(jì)算完成后，可供PRM 算法解算路徑多次使用，無需重復(fù)計(jì)算。

3.2.3 基于IRM 的路徑規(guī)劃

在得到了各路口坐標(biāo)之后，使用與PRM 算法類似的路徑圖生成策略可以構(gòu)建出基于路口節(jié)點(diǎn)的路徑圖。

路徑圖構(gòu)造時(shí)首先對檢測到的路口節(jié)點(diǎn)進(jìn)行檢測，當(dāng)節(jié)點(diǎn)位于障礙物內(nèi)部時(shí)，將其作為誤檢測進(jìn)行剔除。當(dāng)節(jié)點(diǎn)檢測完成后，將剩余的節(jié)點(diǎn)進(jìn)行連線，所有節(jié)點(diǎn)均連線完成后即成功完成了IRM 的構(gòu)造，連線時(shí)需要保證各節(jié)點(diǎn)的連線不能與障礙物重疊，為了節(jié)省計(jì)算量，縮短路徑檢索時(shí)間，各節(jié)點(diǎn)只連接自己鄰域范圍內(nèi)的點(diǎn)，太遠(yuǎn)的點(diǎn)不進(jìn)行連接，圖6 中展示了在地下停車場地圖中生成的IRM。

圖6 路口路徑圖Fig.6 Intersection Roadmap

當(dāng)車輛在地下停車場環(huán)境中規(guī)劃全局可行駛路線時(shí)，在給定目標(biāo)位置作為終點(diǎn)后，利用路徑圖構(gòu)造方法將其添加至路徑圖中，同時(shí)使用本文提出的由粗到精視覺定位方法對車輛進(jìn)行定位，并將定位結(jié)果作為規(guī)劃起點(diǎn)，起點(diǎn)隨著車輛行駛進(jìn)行實(shí)時(shí)更新并以同樣的方式添加至路徑圖中。起點(diǎn)、終點(diǎn)均添加至路徑圖后，可利用A*、Dijkstra 等圖搜索算法在路徑圖中找到最短路徑。本文在實(shí)驗(yàn)環(huán)節(jié)對于不同算法規(guī)劃出的路徑進(jìn)行了對比，并將IRM 與PRM 算法的規(guī)劃時(shí)間和規(guī)劃路徑長度進(jìn)行了測試。

4 實(shí)驗(yàn)與結(jié)果

為驗(yàn)證算法可靠性，選取江蘇大學(xué)汽車工程研究院一樓車庫和鎮(zhèn)江市吾悅廣場購物中心地下停車場作為實(shí)驗(yàn)場景，選用ZED2 雙目相機(jī)作為實(shí)驗(yàn)數(shù)據(jù)采集設(shè)備，圖7 中展示了使用的數(shù)據(jù)采集設(shè)備，圖8 中展示了實(shí)驗(yàn)場景。

圖7 數(shù)據(jù)采集設(shè)備Fig.7 Data acquisition equipment

圖8 實(shí)驗(yàn)場景Fig.8 Experimental scenario

在完成多層級地圖構(gòu)建的停車場區(qū)域內(nèi)進(jìn)行多尺度定位的驗(yàn)證。為方便圖像數(shù)據(jù)的處理，使用地圖構(gòu)建時(shí)的測試車輛和ZED2 相機(jī)記錄車輛行駛時(shí)的相機(jī)錄像。設(shè)定ZED2 錄制視頻為15 幀每秒，并手動(dòng)測量每一段行駛軌跡的長度作為真值，共采集30 條軌跡，長度在15 m到30 m。

將錄制的所有視頻按幀截取圖片，利用多尺度定位方法得到每一幀圖像在停車場地圖中的定位信息，連接所有待定位點(diǎn)，得到計(jì)算軌跡。

多尺度定位中首先驗(yàn)證節(jié)點(diǎn)級定位的準(zhǔn)確率。截取所有軌跡視頻總共得到2 657 幀待定位圖像。其中最近節(jié)點(diǎn)的匹配率為63%，最近兩個(gè)節(jié)點(diǎn)匹配率為82%，最近三個(gè)節(jié)點(diǎn)匹配率為98%。盡管有很多點(diǎn)沒有匹配到距離最近的節(jié)點(diǎn)，PnP 算法在5 m 內(nèi)具有較高的計(jì)算精度，最近三個(gè)節(jié)點(diǎn)匹配率為98%，這意味著這些點(diǎn)距離匹配到的節(jié)點(diǎn)距離不超過3 m。在精確定位的過程中依然能夠順利計(jì)算相對節(jié)點(diǎn)的位姿信息。

通過算法的自檢過程，完成定位的待定位點(diǎn)為1 903 個(gè)，定位成功率為71.6%。比較所有計(jì)算得到軌跡與對應(yīng)真值，其中最大誤差2.3 m。平均誤差為1.3 m，平均誤差率為7.4%。

同時(shí)，為了比較規(guī)劃算法的優(yōu)劣，對本文使用的IRM 算法和典型的A*算法、PRM 算法、蟻群算法、RRT 算法進(jìn)行了對比。圖9 中展示了不同算法規(guī)劃出的路徑，可以看出IRM 算法規(guī)劃的全局路徑最為合理，同時(shí)文章將IRM 算法和PRM算法在不同參數(shù)下的規(guī)劃時(shí)間和規(guī)劃路徑長度進(jìn)行了對比，表1 中展示了不同參數(shù)下的規(guī)劃算法數(shù)據(jù)平均結(jié)果。

從圖9 的規(guī)劃結(jié)果對比中可看出，在均未經(jīng)過進(jìn)一步的路徑平滑或節(jié)點(diǎn)剪枝等處理之前，IRM 算法規(guī)劃出的路徑在各個(gè)規(guī)劃結(jié)果中最為合理且規(guī)劃路徑最短，實(shí)驗(yàn)結(jié)果表明，在規(guī)劃路徑的合理性及可行性上，IRM 算法可以取得較優(yōu)的效果。

圖9 不同算法規(guī)劃路徑Fig.9 Path of different algorithms

另外，由于PRM 算法與IRM 算法在路徑圖生成后的路徑搜索部分原理相同，因此對IRM算法和PRM 算法進(jìn)行了對比分析。從表1 中可以看出，在增加了采樣點(diǎn)數(shù)量或者鄰域距離時(shí)，PRM 算法的規(guī)劃出的路徑長度會(huì)有所下降，但受限于其隨機(jī)采樣原理，其路徑長度無法達(dá)到最優(yōu)，同時(shí)PRM 算法在路徑圖生成時(shí)會(huì)占用大量的計(jì)算資源，從表1 中可以看出采樣點(diǎn)數(shù)量及鄰域距離增加后，盡管規(guī)劃效果會(huì)有所提升，但規(guī)劃時(shí)間會(huì)快速增長；當(dāng)采樣點(diǎn)數(shù)量由200 增長至500，鄰域距離由500 像素增長至1 000 像素時(shí)，規(guī)劃時(shí)間會(huì)由5 s 左右增長至接近1 min，這樣的規(guī)劃代價(jià)是難以接受的；并且PRM 的隨機(jī)性會(huì)使得在不同的節(jié)點(diǎn)采樣生成不同的規(guī)劃路徑，與原始的PRM 算法相比，IRM 算法的規(guī)劃時(shí)間由5 s 左右縮短至0.2 s 以內(nèi)，路徑長度縮短了約9.56%。可以看出IRM 算法能夠穩(wěn)定的輸出在極短時(shí)間內(nèi)實(shí)時(shí)生成的最短路徑，IRM 算法的實(shí)時(shí)性和規(guī)劃可行性均得到了保證。

表1 規(guī)劃算法數(shù)據(jù)Tab.1 Data of the planning algorithm

5 結(jié)論

針對車輛在地下停車場中的定位導(dǎo)航問題，本文圍繞路徑規(guī)劃問題展開研究，針對地下停車場環(huán)境的特點(diǎn)，利用計(jì)算機(jī)視覺技術(shù)根據(jù)視覺地圖對車輛進(jìn)行定位。導(dǎo)航采用的路徑規(guī)劃方法中使用路口中心坐標(biāo)取代傳統(tǒng)PRM 算法的隨機(jī)采樣，使用單目相機(jī)的視覺定位平均誤差為1.3 m，平均誤差率為7.4%。基于路口節(jié)點(diǎn)的規(guī)劃算法相比原始的PRM 算法，規(guī)劃時(shí)間由5 s 左右縮短至0.2 s 以內(nèi)，路徑長度縮短了約9.56%。定位導(dǎo)航系統(tǒng)能夠?qū)崟r(shí)準(zhǔn)確地實(shí)現(xiàn)車輛在停車場環(huán)境中的導(dǎo)航，具備良好的實(shí)用性，IRM 算法在規(guī)劃時(shí)間大幅縮短的情況下得到了最優(yōu)的路徑，實(shí)現(xiàn)了在地下停車場環(huán)境中對司機(jī)尋路的引導(dǎo)。