摘要：現(xiàn)有的差分全球定位系統(tǒng)通常需要高精度地圖數(shù)據(jù)的支持，然而高精地圖制作成本高昂，且龐大的地圖數(shù)據(jù)對車載電腦性能及網(wǎng)絡(luò)通訊帶寬有較高要求。該文提出一種基于低數(shù)據(jù)量矢量地圖的智能車導(dǎo)航方法，通過引入道路標簽機制，從高層次抽象組織道路點，以便快速建立矢量導(dǎo)航地圖，并大幅度降低道路點的重復(fù)存儲。基于該地圖的導(dǎo)航方法自動規(guī)劃最優(yōu)全局路徑，通過基于預(yù)瞄點與歷史點的幾何學算法進行路徑跟蹤與避障，從而將上位機計算出的方向盤轉(zhuǎn)角、油門和制動踏板深度信息傳遞到車輛底層控制器，以控制車輛按規(guī)劃路徑行駛。該方法的有效性和準確性在自主開發(fā)的無人駕駛平臺上得到了驗證。

關(guān)鍵詞：智能駕駛；矢量地圖；路徑跟蹤；避障

中圖分類號U471.15文獻標志碼A

1、引言

    無人車也被稱為智能車輛，是當今車輛工程與機器人技術(shù)、人工智能結(jié)合最熱門的領(lǐng)域之一[1]。ErnstDickmanns在20世紀80年代開啟智能汽車發(fā)展之路[2]。1994年，在美國由卡內(nèi)基梅隆大學研發(fā)的Navlab從賓州的匹茲堡行駛到加州的圣迭哥，其中自主駕駛部分達98.2%[3]。意大利的帕爾瑪大學研制的智能車將傳感器進行了內(nèi)嵌，該智能車可以同時應(yīng)用于高速公路和城市道路，通過采用視覺導(dǎo)航的方式對交通信號燈及交通標記進行有效的識別，實現(xiàn)行人檢測的能力，經(jīng)過多年研究Vislab智能車已經(jīng)具備了多項自主駕駛的功能[4,5]。我國近年來在無人駕駛領(lǐng)域也取得了飛速發(fā)展。例如，百度無人駕駛汽車在北京進行全程自動駕駛測跑，實現(xiàn)了多次跟車減速、變道、超車、上下匝道、調(diào)頭等復(fù)雜駕駛動作，完成進出高速道路等不同場景的切換，最高時速可達100km/h[6]。21世紀以來，許多汽車制造廠商推出了具有輔助駕駛、自動泊車、自動入庫等功能的車輛，如傳統(tǒng)的汽車巨頭BBA及沃爾沃等汽車品牌都已在自己旗下的不同車型上應(yīng)用了最先進的自動駕駛系統(tǒng)，通過雷達、探頭、全球定位系統(tǒng)(GlobalPositionSystem，GPS)、視覺傳感器等裝置，車輛可以按照預(yù)定的線路自動駕駛，可以說目前半自動駕駛技術(shù)已經(jīng)相對比較成熟。

    安全、高效的導(dǎo)航方法是無人車實現(xiàn)的關(guān)鍵[7]。導(dǎo)航定位系統(tǒng)利用高精度GPS采集位置信息及車速，從而通過核心控制單元進行處理，根據(jù)位置和角度信息控制執(zhí)行機構(gòu)?，F(xiàn)階段無人駕駛導(dǎo)航策略大多應(yīng)用于車道線或引導(dǎo)線標記清晰的結(jié)構(gòu)化道路[8]，但在國內(nèi)依然有許多鄉(xiāng)村道路不具備實現(xiàn)該導(dǎo)航機制的條件[9]。其次，標記詳細的高精度地圖雖然能滿足自動駕駛導(dǎo)航的需要，但其數(shù)據(jù)量龐大，數(shù)據(jù)的處理和融合相對耗時、困難，亦給自動駕駛技術(shù)的落地帶來了巨大挑戰(zhàn)[10,11]。

    為了解決以上問題，本文提出了一種基于輕量級矢量地圖的智能車導(dǎo)航方法。該方法包含地圖構(gòu)建與導(dǎo)航部分。其中，地圖構(gòu)建部分創(chuàng)新采用道路點(waypoint)與標簽(waytag)相結(jié)合的機制。道路點用來描述各條道路并標記精準的道路經(jīng)緯度及無人駕駛決策信息；道路標簽從高層次抽象組織道路點，從而極大地降低數(shù)據(jù)的重復(fù)存儲。導(dǎo)航部分緊密結(jié)合道路點與標簽的地圖結(jié)構(gòu)，通過運用預(yù)瞄點與歷史點快速決定車輛的轉(zhuǎn)向角，有效實現(xiàn)路徑追蹤。本文所提出的地圖構(gòu)建與導(dǎo)航方法可作為無人駕駛的基礎(chǔ)模塊，可與激光雷達數(shù)據(jù)處理、車輛避障算法、車輛動力學模型相結(jié)合，實現(xiàn)算法與存儲的輕量級化，降低無人駕駛對硬件設(shè)備計算能力的需求。

2、相關(guān)研究進展

    城市環(huán)境中，路標、道路邊界和車道標記等一直是無人車導(dǎo)航的關(guān)鍵。Zhang和Singh[12]使用3D點云并提取特征點匹配計算坐標變換從而構(gòu)建道路邊界幾何模型，并通過配備的傳感器來構(gòu)建離線地圖，進而預(yù)估車輛在全球坐標和相對道路的位置。Lundgren等[13]使用攝像機和激光雷達創(chuàng)建道路地圖及其周圍環(huán)境，并將道路和車道標記等信息融合于地圖中，但在復(fù)雜的環(huán)境下或光線不足的夜間，攝像機對車輛、交通標志的識別誤檢率、漏檢率較高，不能覆蓋整個車體周邊的整個導(dǎo)航區(qū)域，因此在使用場景上受到了較大的局限。在美國DARPA城市挑戰(zhàn)賽中，官方發(fā)布了一種名為RNDF的地圖格式，后來廣泛用于無人駕駛車輛挑戰(zhàn)賽[14]。它是具有拓撲信息的地圖表示方式，道路由一組航路點和寬度可調(diào)整的車道線組成。其中，航路點被用于標記道路的起點和終點，在道路之間建立連接。拓撲地圖不考慮環(huán)境具體的幾何特征，也無需描述節(jié)點之間精確的空間位置關(guān)系，因此構(gòu)造簡單，且占用存儲空間少。缺點是由于其簡單的結(jié)構(gòu)特性省略了很多具體環(huán)境信息，因此不適合大環(huán)境構(gòu)圖，且導(dǎo)航定位精度低[15]。麻省理工學院的CSAIL團隊開發(fā)了一個新的MapLite框架，可以在沒有3D地圖的情況下，在鄉(xiāng)村道路實現(xiàn)自動駕駛[9]。Maplite是一種新型的無網(wǎng)格驅(qū)動框架，它結(jié)合了稀疏拓撲地圖的GPS和基于傳感器的本地感知系統(tǒng)進行導(dǎo)航，使用激光雷達來估計道路邊緣的位置，利用最小二乘殘差和遞歸濾波方法規(guī)劃行駛路徑，無需詳細的先驗地圖。同樣卡內(nèi)基梅隆大學利用Velodyne64激光雷達構(gòu)建道路邊緣幾何進行導(dǎo)航定位[16]。

目前智能車導(dǎo)航主要通過以下3種方式：

    （1）基于視覺道路標志線跟蹤導(dǎo)航，其代表為特斯拉公司所用導(dǎo)航技術(shù)。智能車首先利用攝像頭拍攝道路周圍環(huán)境的局部圖像，并通過圖像處理技術(shù)中的特征識別、距離估計等，進行智能車定位及其下一步的動作規(guī)劃；然后，利用傅里葉變換處理全方位圖像，并將關(guān)鍵位置圖像經(jīng)過變換得到的數(shù)據(jù)存儲起來，將其作為下一步的參考點；最后，將攝像頭拍攝的圖像與之對比，從而得到車輛的當前位置，進一步實現(xiàn)對智能車的局部路徑規(guī)劃。在新的環(huán)境中通過圖像處理數(shù)據(jù)分析出環(huán)境中的道路，不需要事先建立數(shù)據(jù)庫以及鋪設(shè)大量的輔助設(shè)施[3]。

    （2）基于激光雷達的高精地圖導(dǎo)航，其代表是Google公司無人車。其借助激光三維點云構(gòu)建周圍環(huán)境的幾何關(guān)系，通過實時采集周邊點云與地圖中點云相匹配，從而對無人車進行準確定位。

    （3）基于差分GPS(DGPS)的導(dǎo)航，其代表為百度無人車。然而，百度無人車導(dǎo)航需依賴激光雷達和視覺生成的高精度地圖，比普通地圖對信息的需求更大，行駛路段都需要配備激光雷達的數(shù)據(jù)采集車進行實測。例如，四維圖新?lián)碛?00輛數(shù)據(jù)采集車，可以采集全景影像數(shù)據(jù)、路面影像數(shù)據(jù)、亞米級高精度GPS數(shù)據(jù)、路測近距離激光雷達等高精度數(shù)據(jù)，其對車載電腦的存儲與計算能力要求極高，相對資金花費會更高[17]。同時激光點云的實時匹配的準確性受周圍動態(tài)環(huán)境的影響較大，而且激光雷達無法對周圍環(huán)境中的路標、指示牌和紅綠燈等信息進行提取，導(dǎo)致其對復(fù)雜路況理解能力的局限性等問題尚未解決。當今車載定位和手機定位運用的是單一的GPS，提供的定位精度是優(yōu)于25m，而為得到更高的定位精度，無人車通常采用差分GPS技術(shù)，將差分GPS接收機安置在基準站上進行觀測。根據(jù)基準站已知精密坐標，計算出基準站到衛(wèi)星的距離改正數(shù)，并由基準站實時將這一數(shù)據(jù)發(fā)送出去。用戶接收機在進行GPS觀測的同時，也接收到基準站發(fā)出的改正數(shù)，并對其定位結(jié)果進行改正，從而得到厘米級的定位精度。

3、無人駕駛導(dǎo)航系統(tǒng)

    本文采用差分GPS錄制無人車導(dǎo)航矢量地圖并對地圖進行濾波分類處理，從而規(guī)劃全局行駛路徑，利用激光雷達進行前方障礙物檢測，根據(jù)激光雷達的信息反饋動態(tài)調(diào)整局部路徑進行避障，最后輸出方向盤轉(zhuǎn)角、油門和制動踏板深度信息到底層控制器。無人駕駛系統(tǒng)的示意圖見圖1。

3.1矢量地圖建立與全局路徑規(guī)劃

    主流智能駕駛技術(shù)依賴于高精度地圖對環(huán)境信息的準確描述，而高精度地圖對存儲要求較高。例如，Levinson與Thrun[18]通過數(shù)據(jù)壓縮技術(shù)將20000英里的道路信息存儲于200GB的空間，相當于每公里6.25MB的存儲密度。如此龐大的數(shù)據(jù)量對車載電腦的存儲容量是極高的挑戰(zhàn)，亦給數(shù)據(jù)處理和融合所需計算的實時性帶來巨大困難。

    相比之下，本文采用輕量級矢量地圖與軌跡跟蹤算法相結(jié)合的方法達到自主導(dǎo)航效果。具體來說，該地圖建立方法利用差分GPS抽取經(jīng)緯度信息，去除大規(guī)模激光點云數(shù)據(jù)，通過在地圖中標記車道、十字路口、速度限制等關(guān)鍵信息達到準確導(dǎo)航的目的。本文采用的矢量地圖如圖2所示，共13條道路26條車道，總行駛里程約5公里僅占用約500kB的數(shù)據(jù)存儲，相當于每公里100kB存儲密度，極大地簡化了數(shù)據(jù)結(jié)構(gòu)，同時確保了高精度。

全局路徑規(guī)劃模塊是根據(jù)矢量地圖和起點、終點信息，規(guī)劃全局路徑。具體步驟如下：

    (1)如圖2所示某地區(qū)高精度矢量地圖，首先將每條車道進行編號(如1,2,3,…)，并分別將每條車道經(jīng)緯度信息、對應(yīng)道路的紅綠燈和標志牌等存儲到MATLAB的cell矩陣中，建立waypoint數(shù)組。然后，建立waytag數(shù)組作為各路口的標簽和車道線的連接，定義路口直行、左拐、右拐、變道和掉頭。圖3所示為MATLAB中waytag和waypoint數(shù)組。waytag行序號為每條車道編號(如1～26號)，列序號為路口決策編號(如直行、左拐、右拐、左變道、右變道、掉頭)。waytag表格則為下一步要行駛的車道編號(－1表示無車道)。例如，當車輛從3號車道左轉(zhuǎn)行駛到11號車道，該11號車道對應(yīng)的waypoint如圖3所示，包含該車道的經(jīng)緯度、紅綠燈、人行橫道和限速標志等。1表示該位置有以上標志；相反，－1表示沒有。車輛可根據(jù)以上信息確定參考車速或停車等待，保證車輛行駛符合道路交通法規(guī).

    (2)利用差分GPS實時定位搜尋車輛在地圖上的投影點，從而確定起始點，并通過指定行駛方向，或給定終點坐標的方式確定終點，從而得到規(guī)劃行駛路徑。

3.2差分GPS數(shù)據(jù)處理與路徑跟蹤

    差分GPS數(shù)據(jù)處理模塊主要是定義經(jīng)緯度范圍、過濾錯誤數(shù)據(jù)和消除噪聲，并實時打印定位點和地圖投影點。

    路徑跟蹤模塊將根據(jù)差分GPS和預(yù)先錄制的waypoint信息產(chǎn)生一個適當?shù)霓D(zhuǎn)向位置命令，并根據(jù)方向盤轉(zhuǎn)角匹配適當?shù)男旭偹俣?。利用差分GPS可以獲取車輛的實時位置，從錄制地圖中能夠看到車輛運動的參考路徑。如圖4所示，綠色線條為預(yù)先錄制的車輛waypoint；藍點為車輛定位點；紅點為車輛waypoint投影點。為使藍點不斷趨近于地圖中紅點，設(shè)計了一種角度的算法來實現(xiàn)。如圖5所示，藍色區(qū)域為車輛的幾何模型，C點是當前車輛的定位點，即圖4中藍點；A點為車輛先前的定位點；B點和D點(紅點)分別是地圖中距離A點和C點的最近點；E是預(yù)瞄點，即車輛的目標位置。向量BC和向量BD的夾角為β，其正負和大小可以用來判斷車輛的位置誤差；為向量AC和向量DE夾角，α為車輛動態(tài)行駛路徑與參考路徑的角誤差，通過不斷修正使α和β減小直到趨于0，使車輛沿規(guī)劃路徑行駛。公式(1～8)為根據(jù)各點的經(jīng)緯度計算相應(yīng)向量。其中，下標x、y表示該向量在x軸、y軸方向的大小。

由于向量夾角余弦公式得到的 α、β 無正負值，故用夾角正切公式求得：

最后，航向角為：  (11)

其中，coeff₁ 與 coeff₂ 為權(quán)重系數(shù)，用來調(diào)整α、β對航向角的影響。該角度需要在測試中進行調(diào)整，建議在轉(zhuǎn)彎時通過降低車速來優(yōu)化跟蹤waypoint 的效果。

3.3動態(tài)路徑調(diào)整模塊

    動態(tài)路徑調(diào)整模塊功能主要是在同一行駛方向具備多車道時，實現(xiàn)基于差分 GPS 的避障， 即遇到障礙物后進行車道切換。障礙物檢測可基于視覺或激光雷達的信息反饋，一旦決定避障，則可將參考 waypoint 從當前車道切換到另一并行車道，通過計算與并行車道 waypoint 的航向角從而實現(xiàn)車道切換。若新車道仍檢測到障礙物，則需停車等待障礙物清空后再繼續(xù)行駛。在實現(xiàn)過程中將多車道 waypoint 分別建立，但存儲于同一數(shù)組中不同行(列)，當避障時切換投影 waypoint，從而節(jié)省計算時間。亦可在車道waypoint 數(shù)組中指定優(yōu)先級，在確認避障結(jié)束后切換到第一優(yōu)先級車道，避免逆行。如圖 6 所示為四條并行車道 waypoint。

3.4轉(zhuǎn)向、油門、制動模塊

    轉(zhuǎn)向、油門、制動模塊主要功能是將方向盤角度和速度命令發(fā)送給車輛底層控制器。本文采用 CANanalyzer 搭建 MATLAB 與CAN(Controller Area Network)總線的信息交互平臺，將上層模塊計算的角度和速度信息發(fā)送到底層控制器并控制無人車的轉(zhuǎn)向和啟停。

4、實驗

4.1實驗建立

    本文采用實時動態(tài)差分全球定位系統(tǒng)(Novatel DGPS)進行實驗測試，由接收機、天線、無線調(diào)制解調(diào)器和電池組成，具體如圖 7(a)、(b)所示。其中，最大采樣率為 10 Hz，定位精度為 5 cm。

設(shè)備分為基站與移動站，基站覆蓋半徑為 20 km 的區(qū)域，可以建立單一基站對多移動站的使用方式。實驗將基站搭建在樓頂，移動站搭建在車內(nèi)，通過 4G 信號(中國移動)實現(xiàn)基站與移動站之間的數(shù)據(jù)傳輸，從而實現(xiàn)較好的數(shù)據(jù)接收效果。

    實驗過程中，首先搭建差分 GPS 導(dǎo)航定位平臺，進行錄制園區(qū)內(nèi)無人車行駛路徑，然后建立差分 GPS 和 MATLAB 接口，將地圖導(dǎo)入MATLAB 中，進行算法編寫。圖 7(c)為園區(qū)路徑在谷歌地球上呈現(xiàn)的效果圖，圖 7(d)為未處理的矢量地圖。由圖 7 可以看出，與普通 GPS 相比，Novatel DGPS 具備較高的抗干擾性與準確性，適合基于其進行路徑追蹤與避障。

    本文采用禾賽科技 Pandar40 四十線激光雷達和 Hokuyo 單線激光雷達對障礙物進行檢測與避障。其中，二者位于車前保險杠中央，Pandar40 安裝在下方，Hokuyo 在上方，安裝位置如圖 8 所示。實驗車輛為開沃新能源汽車，前置前輪驅(qū)動，裝有電子助力轉(zhuǎn)向(EPS)和整車控制單元(VCU)，通過 CAN 總線可以控制車輛的運行狀態(tài)。采用創(chuàng)芯科技的 CANalyst-II 分析儀對上位機和底層 CAN 總線進行連接。從而搭建MATLAB 與 CAN 總線的信息交互平臺，將上位機計算的角度和速度信息通過分析儀發(fā)送到底層控制器。

4.2實驗結(jié)果

4.2.1 路徑追蹤測試

    圖 9 為錄制某地區(qū)的矢量地圖，其中紅色和綠色線條表示路徑。該地圖以 20 km/h 勻速行駛進行錄制，waypoint 采樣頻率為 10 Hz。在矢量地圖中確定起點和終點，如圖中的 Start 點和 End 點。路徑規(guī)劃算法依據(jù)起點和終點規(guī)劃出一條最優(yōu)路徑，從起點到終點，車輛經(jīng)過的路徑依次為1-2-3-4-5-6，用紅色實線標識，其他路徑用綠色虛線標識，通過路口用 A、B、C、D、E 表示。

    為了檢驗路徑跟蹤算法的準確性，本實驗采用人為駕駛和自動駕駛來驗證。因為速度的不同會對路徑追蹤的效果有較大影響，所以實驗選擇在平均車速為 15 km/h、20 km/h 兩種車速下測試。圖 10(a)是當車輛以平均車速 15 km/ h 行駛時，車輪轉(zhuǎn)角隨路徑變換的關(guān)系。其中，紅色為車輛沿規(guī)劃路徑自動駕駛時車輪轉(zhuǎn)角的變化曲線；藍色為人為駕駛的轉(zhuǎn)向角變化曲線；綠色直方圖是以上兩個角度之差，用來衡量自動駕駛的準確性。由圖10(a)可以看到，當車輛直線行駛時，角度誤差較小，保持在 2°以內(nèi)；當轉(zhuǎn)彎時，角度誤差有增大趨勢，但基本達到轉(zhuǎn)向所需轉(zhuǎn)角。圖 10(b)為平均車速 20 km/h 時車輪轉(zhuǎn)向角與行駛路徑的關(guān)系。由圖可以看到，車速增大后，直線行駛時角度誤差較之前變化不大，轉(zhuǎn)彎時誤差較之前稍有增大，自動駕駛轉(zhuǎn)向角比人為駕駛轉(zhuǎn)向角出現(xiàn)輕微的角度滯后。

    以上實驗結(jié)果表明，隨著車速的增大角度誤差會增大并出現(xiàn)角度滯后。分析其原因有以下幾點：首先，差分 GPS 在進行精準定位時會有約0.2 s 的定位延時，造成轉(zhuǎn)向角滯后；其次，雖然差分 GPS 達到了很高的定位精度，但依然會有因噪聲產(chǎn)生定位誤差，這對轉(zhuǎn)向角的計算非常敏感；最后，速度調(diào)節(jié)器不能完全維持車速的恒定，尤其在有坡度的道路測試中。為了減小以上因素的影響，要求車速限制在 20 km/h 以內(nèi)。

    在圖 5 車輛和路徑的幾何關(guān)系中，地圖中預(yù)瞄點 E 和車輛在地圖上投影點 D 的距離大小對路徑跟蹤也有較大影響。實驗中選取距投影點20～60 個 waypoint 的地圖坐標作為預(yù)瞄點 E。因為預(yù)瞄點 E 對路徑追蹤的影響只發(fā)生在轉(zhuǎn)彎情形中，故在圖 9 中沿路徑 1-A-2-B-3 測試角度誤差和 waypoint 個數(shù)的關(guān)系，滿足了左轉(zhuǎn)彎、右轉(zhuǎn)彎兩種情形。圖 11 為預(yù)瞄點與車輛轉(zhuǎn)向角誤差變化關(guān)系。因為角度誤差存在正負，故采取角度誤差的絕對值之和來衡量誤差的大小。由圖 11 可以看出，當距離從 20 到 50 時，角度誤差之和呈減小趨勢；當距離達到 60 時，誤差開始增大。這是因為當預(yù)瞄點距離過近時，算法中計算向量的夾角變化過于頻繁，造成轉(zhuǎn)向角不斷增大，車輛轉(zhuǎn)向過度。而預(yù)瞄點距離太遠時，向量夾角變化過于遲鈍，造成車輛轉(zhuǎn)向不足。綜上所述，投影點與預(yù)瞄點之間點的個數(shù)應(yīng)在 50 左右，以保證轉(zhuǎn)角誤差最小。

4.2.2動態(tài)路徑調(diào)整測試

    實驗一：在行駛過程中放入障礙物來檢測動態(tài)路徑調(diào)整模塊，如圖 12(a)所示。實驗采用假人作為障礙物進行實車測試。當激光雷達檢測到前方有障礙物時，動態(tài)路徑調(diào)整模塊作出反應(yīng)， 將參考 waypoint 從當前車道切換到另一并行車道，計算與并行車道 waypoint 的航向角實現(xiàn)車道切換，當繞過障礙物后車輛切換到原有車道繼續(xù)行駛。

    實驗二：在兩條并行車道上分別放有假人和箱子作為障礙物，如圖 12(b)所示。當車輛行駛過程中檢測到前方有障礙物 1(假人)，從當前車道切換到另一并行車道，緊接著又檢測到該并行車道有障礙物 2(箱子)，動態(tài)路徑調(diào)整模塊作出反應(yīng)，制動停車并等待障礙物清空后繼續(xù)行駛。為了檢驗動態(tài)路徑調(diào)整算法的準確性和有效性，本實驗依然采用人為駕駛和自動駕駛來對比驗證。圖 13(a)、(b)分別為雙車道中單個和兩個障礙物情況下車輛轉(zhuǎn)向角與行駛路徑的關(guān)系。由圖可以看出，自動駕駛的轉(zhuǎn)向角和人為駕駛的轉(zhuǎn)向角基本吻合，最大角度為 15°左右，滿足正常切換車道所需角度。但為保證行駛安全，激光雷達探測到障礙物距離 5 m 時觸發(fā)動態(tài)路徑調(diào)整模塊，相比正常人為駕駛距離略遠，如圖 13 中 M 點。自動駕駛轉(zhuǎn)向角變化要提前于人為駕駛，同樣角度峰值點也提前到達。

5、結(jié) 論

    本文提出了一種基于矢量地圖的無人車導(dǎo)航方法。首先，建立無人車導(dǎo)航矢量地圖，然后利用矢量地圖和激光雷達完成路徑跟蹤及動態(tài)路徑調(diào)整的避障，并實車測試其實時性和準確性。該策略不依賴于激光雷達的高精度地圖創(chuàng)建，因為激光點云的實時匹配受到動態(tài)環(huán)境的影響較大， 在復(fù)雜環(huán)境中降低了車輛定位的準確性。在實時避障方面，激光雷達無法對周圍環(huán)境中的語義信息進行提取(如路標、紅綠燈等)，導(dǎo)致其對復(fù)雜路況的理解能力存在局限性。本文基于差分 GPS 創(chuàng)建的地圖通過對關(guān)鍵信息的標記(如車道、標志、速度、紅綠燈等)，增加了無人車對環(huán)境語義的理解能力，通過分段標記的方法實現(xiàn)動態(tài)形式路線的變化。與此同時，結(jié)合激光雷達的實時障礙物檢測能力，通過改變矢量地圖中參考路徑，實現(xiàn)了避障、車道線切換等功能，在實現(xiàn)動態(tài)駕駛決策的同時提高了駕駛安全性。另外， 在準確導(dǎo)航的同時極大地降低了對存儲空間的要求，每公里道路僅產(chǎn)生 100 kB 的數(shù)據(jù)存儲，且定位精度可達到厘米級。實車測試結(jié)果表明，本文提出的車輛轉(zhuǎn)向角算法和避障策略效果良好， 基本完成規(guī)劃路線的行駛。但在隧道或有遮蔽的道路，差分 GPS 定位精度受到較大影響，未來可考慮加入慣性測量單元進行輔助定位。在實時避障方面，其對車速和障礙物動靜態(tài)也有一定的要求，未來將對這一問題作進一步研究。

參 考 文 獻

[1]王晨. 無人駕駛智能車控制與規(guī)劃系統(tǒng)的設(shè)計與實現(xiàn) [D]. 上海: 上海交通大學, 2009.
[2]崔佳超. 無人駕駛智能車在動態(tài)環(huán)境中的避障方法 [D]. 西安: 西安工業(yè)大學, 2015.
[3]鄧子豪. 無人駕駛智能車導(dǎo)航系統(tǒng)的研究與實現(xiàn)
[D]. 西安: 西安工業(yè)大學, 2014.
[4]Wolcott RW, Eustice RM. Fast lidar localization using multiresolution Gaussian mixture maps [C] // IEEE International Conference on Robotics and Automation, 2015: 2814-2821.
[5]葉偉銓. 無人車的自主導(dǎo)航與控制研究 [D]. 廣州: 華南理工大學, 2016.
[6]楊森森. 基于 GPS/INS/激光雷達的無人車組合導(dǎo)航 [D]. 上海: 上海交通大學, 2013.
[7]Wu BF, Lee TT, Chang HH, et al. GPS navigationbased autonomous driving system design for intelligent vehicles [C] // IEEE International Conference on Systems, 2007: 3294-3299.

[8]Levinson J, Thrun S. Robust vehicle localization in urban environments using probabilistic maps

[C] // International Conference on Robotics and Automation, 2010: 4372-4378.
[9]Ort T, Paull L, Rus D. Autonomous vehicle navigation in rural environments without detailed prior maps [C] // IEEE International Conference on Robotics and Automation, 2018.
[10]Ji XW, He XK, Lv C, et al. Adaptive-neural- network-based robust lateral motion control for autonomous vehicle at driving limits [J]. Control Engineering Practice, 2018, 76(4): 41-53.
[11]Seo YW, Rajkumar RR. Detection and tracking of boundary of unmarked roads [C] // The 17th International Conference on Information Fusion, 2014: 1-6.
[12]Zhang J, Singh S. Low-drift and real-time lidar odometry and mapping [J]. Autonomous Robots, 2016, 41(2) : 1-16.
[13]Lundgren M, Stenborg E, Svensson L, et al. Vehicle self-localization using off-the-shelf sensors and a detailed map [C] // IEEE Intelligent Vehicles Symposium Proceedings, 2014: 522-528.
[14]Wang HF, Li SM, Zheng YF. DARPA robotics grand challenge participation and ski-type gait for rough-terrain walking [J]. Engineering, 2015, 1(1): 36-45.
[15]Qu a c k T, B osi ng e r M, He be l e r F, e t a l . Infrastructure-based digital maps for connected autonomous vehicles [J]. Automatisierungstechnik, 2018, 66(2): 126-135.
[16]Chebly A, Talj R, Charara A. Coupled longitudinal and lateral control for an autonomous vehicle dynamics modeled using a robotics formalism [J]. IFAC-PapersOnLine, 2017, 50(1): 12526-12532.
[17]Javanmardi E, Gu YL, Javanmardi M, et al. Autonomous vehicle self-localization based on abstract map and multi-channel LiDAR in urban area [J]. IATSS Research, 2018, 3(05): 156-162.
[18]Levinson J, Thrun S. Map-based precision vehicle localization in urban environments [C] // Proceedings of International Symposium on Semiconductor Manufacturing, 2007.