智能車輛精確定位新方法:對路面車道進行編碼

摘要：自定位是智能車輛的關鍵技術之一，本文通過對路面車道線的簡單編碼，給出了一種實用、簡便的車輛自定位解決方案。尤其是路面車道線的編碼使得在一定范圍內(nèi)區(qū)分不同的路面標志成為可能，這對于車輛定位至關重要。我們基于編碼的路面車道線，提出了一種多尺度精確定位車輛的策略，該定位方法包括實時定位系統(tǒng)的粗定位、標記匹配的標記級定位和標記區(qū)域周圍特征點匹配的度量定位。利用現(xiàn)場采集的實際數(shù)據(jù)對該方法進行了測試，對兩種不同顏色<白色和黃色>的路面車道線進行了編碼。結(jié)果表明，該方法通過參考編碼的路面車道線，可以達到亞米定位的精度。研究結(jié)果還表明，先進的道路基礎設施可以為智能汽車提供低成本、可靠的解決方案。。

作者：Qianwen Tao, Zhaozheng Hu*, Hao Cai, GangHuang and Jie Wu

原文題目：Coding Pavement Lanes for AccurateSelf-localization of Intelligent

Ⅰ介紹

典型的智能車輛通常由感知模塊、決策模塊、路徑規(guī)劃模塊和控制模塊組成。車輛自定位是確定車輛的位置和姿態(tài)的過程，對上述所有模塊都是至關重要的。

從文獻來看，現(xiàn)有的車輛自定位方法一般可分為三類。第一類是全球定位系統(tǒng)(GPS)相關方法，由于原始GPS接收機只能提供較低的定位精度(如精度低至10米或以下)，無法直接應用于智能汽車。通常，GPS與其他傳感器(例如，慣性測量單元(IMU)，實時動態(tài)差分法(RTK)等，以獲得更準確的精度。例如，GPS和IMU的集成可以產(chǎn)生小于10厘米的定位誤差[1]。差分GPS (D-GPS)方法也可以達到較高的定位精度( 5cm以下)，以基站為基礎，另外一種流行的方法是RTK方法[2]。

然而，這些方法在實踐中通常是非常昂貴的。他們都患有gps盲癥，尤其是在城市環(huán)境中。因此，許多研究人員提出利用實時定位系統(tǒng)(RTLS)來實時識別和跟蹤車輛的位置。這些方法可以利用WiFi[3]、超寬帶(UWB)[4]、藍牙[5]等進行實時定位。第二類是基于低成本相機的視覺定位方法[6-10]。

一種常用的方法是使用單目攝像機進行車道檢測，從而計算出攝像機與車道之間的相對位置[6，7]。然而，對于車輛自定位，只計算了導線位置，一些方法試圖將路面標記和高清晰度(HD)地圖用于車輛定位[8，9]。然而，由于天然路面標志分布均勻、重復性高，在實際應用中還不夠?qū)嵱谩Ｒ曈X里程測量、同步定位和建圖(SLAM)方法也被應用于車輛自我定位[10]。

然而，視覺測距儀存在著嚴重的漂移誤差問題，這對于開放式道路場景是至關重要的。而視覺SLAM方法的前端閉環(huán)檢測魯棒性差，后期優(yōu)化比較復雜。近年來，一些基于預先存儲的視覺地圖的定位方法被發(fā)展起來。最后一類是基于LiDAR的定位方法。Apollo團隊利用VelodyneHDL-64E提出了一種最先進的方法。他們將LiDAR數(shù)據(jù)用于地圖生成，并將LiDAR數(shù)據(jù)以5-10厘米的精度匹配在單元格網(wǎng)中，從而使車輛定位[11]。然而，這種方法依賴于高成本的激光硬件。

從文獻綜述來看，現(xiàn)有的方法大多依賴于傳感器數(shù)據(jù)(如GPS、圖像、LiDAR等)。對于車輛定位，在實際應用中往往存在成本高、精度低、魯棒性差等問題。

本文提出了一種通過對路面車道進行編碼來實現(xiàn)車輛自定位的新方法。結(jié)果表明，如果路面車道線采用不同顏色編碼，可以大大簡化車輛定位問題。此外，還可以根據(jù)編碼后的路面車道，開發(fā)出一種更可靠、更準確的車輛定位方法。

本文的貢獻有兩方面，首先，提出了一種支持智能車輛定位的道路車道編碼方法。因此，我們可以通過不同顏色的路面車道線編碼來準確定位，從而在一定范圍內(nèi)區(qū)分獨特的路面標記。其次，在編碼車道的基礎上，提出了一種基于RTLS的車輛精確定位的多尺度定位策略，包括基于RTLS的粗定位、標記級定位，最后通過匹配標記區(qū)域周圍的視覺點進行度量定位。

Ⅱ方法

所提出的車輛定位方法如圖1所示。該方法基于建立的車輛視覺地圖采集的所有道路的WiFi指紋、圖像和地面真相數(shù)據(jù)庫，由三個步驟組成。

首先，通過粗定位得到一定范圍的路面區(qū)域，從而確定路面的獨特標志。

其次，利用顏色模型對查詢圖像中的黃色路面標記進行檢測后，通過標記級定位，從包含唯一路面標記的地圖圖像中選擇最近的地圖圖像。

第三，提取最近地圖圖像和查詢圖像的局部特征描述子，通過度量定位進一步細化定位結(jié)果。

圖1.車輛定位是指編碼的路面行車線：(A)使用RTLS進行粗定位；(B)通過匹配標記來定位標記級；(C)通過匹配標記區(qū)域周圍的獨特視覺特征點來進行度量定位。

A.用于定位的路面車道編碼

對路面車道進行編碼是為了實現(xiàn)車輛的定位。如圖2(a)所示，典型的虛線車道由一系列白色方塊組成。由于這些方塊具有相同的形狀和顏色，因此不可能為了定位的目的而區(qū)分它們。然而，如果我們用不同的顏色(即黃色)對部分正方形進行編碼，如圖2(b )所示，則可以在一定距離內(nèi)導出唯一的標記，例如編碼的黃色正方形(參見圖1 )。

在實際應用中，可以采用不同的編碼策略，如顏色編碼、紋理編碼、尺寸編碼等。(見圖2(b))。在本文中，我們編碼兩種不同的顏色，即白色和黃色，使這兩種不同的顏色依次出現(xiàn)。我們嘗試從一些E方格中編碼一個黃色的正方形。根據(jù)這些標準，在圖4(A)中顯示了一條典型公路的幾何參數(shù)。

r表示粗局部化的不確定性。因此，我們可以用上面這個方程計算E，其中CEIL(.)是天花板函數(shù)，dL和da分別是車道線距離和兩車道線之間的分離距離。這樣的顏色編碼使我們能夠區(qū)分出一個獨特的黃色正方形和粗糙的定位，因此對于車輛定位。顯然，適當?shù)膔可以解決查詢圖像與圖像數(shù)據(jù)庫匹配的模糊性問題。

B.RTLS粗定位

圖2.用于車輛定位的兩種顏色的路面車道編碼：(A)常規(guī)車道；(B)彩色編碼車道。

針對城市中GPS盲區(qū)較多的問題，提出了一種基于WiFi指紋的車輛粗定位策略。WiFi接入點(AP)可以均勻分布在路邊。在定位之前，應該建立一個WiFi指紋圖譜，圖譜是一個查找表，它描述位置和相應的WiFi指紋。WiFi指紋由所有可訪問AP的MAC地址以及相應的RSSI值組成，如下所示：

其中M代表AP MAC地址，R代表RSSI，Mi代表從ith站點收集的WiFi數(shù)量。在定位步驟中，每個步驟采集到的WiFi指紋與地圖中的指紋進行匹配，以獲取車輛位置。在本文中，我們提出了一種新的匹配方法，它將MAC地址匹配和RSSI匹配輸入到帳戶中，如下所示：

其中N是MAC地址的個數(shù)，xi和yi表示當前WiFi的RSSI和地圖中的WiFi的RSSI，它們對應于匹配的ithMAC地址，而λ≥0是一個經(jīng)驗值。使用(3)，我們可以在地圖中找到一些L(x，y)最小的指紋，從而得到粗定位。

C.通過標記匹配實現(xiàn)標記級定位

從粗略的定位結(jié)果，我們可以得到一個特定的范圍，在此范圍內(nèi)，所有的圖像在地圖上選擇為候選。標記級定位步驟試圖從離查詢圖像最近的候選對象中檢索一個地圖圖像。為了達到這一目的，我們需要實現(xiàn)兩個步驟：(A)建立一個統(tǒng)計顏色模型(SCM)來提取和檢測黃色路面標記，即路面標記檢測；(B)將查詢圖像中編碼的黃色方格與候選圖像匹配，本文稱之為路面標記匹配。

(a)路面標記檢測

我們提出了一種利用單片機從圖像中提取和檢測黃色路面標志的方法。由于不同的照明條件和道路環(huán)境，黃色標記具有不同的顏色值，因此我們需要對這種顏色分布進行建模以進行顏色分析。

其中H、S、V是所有訓練顏色樣本的色調(diào)、飽和度和值分量，E(H)、E(S)和E(V)分別是它們的均值。計算了3×3協(xié)方差矩陣C

其中，函數(shù)v(X，Y)采用如下形式：

從G-SCM中，我們可以計算輸入顏色為黃色的概率或可能性，如下所示

其中我是圖像中每個點的像素值，一個3×1矩陣。在實踐中，為了便于計算，我們可以修改上述方程如下：

利用所提出的G-SCM模型，我們可以對圖像中的所有黃顏色進行分割和高亮化。結(jié)果表明，顏色分割結(jié)果可以與傳統(tǒng)的直線提取和跟蹤方法結(jié)合起來進行黃色路面標志檢測。

(b)標記匹配

因此，通過對黃色路面材料的檢測，我們可以縮小候選范圍，只有那些帶有黃色標記的候選人才能被選中。此外，從檢測到的車道線和頂點，我們可以通過一些傳統(tǒng)的方法[12，13]計算攝像機與路面標志之間的距離。計算出的相機到標記距離可以作為線索，改進標記匹配。從地圖上，我們可以計算相機到標記的距離，從所有從檢測步驟得到的候選圖像。因此，我們可以得到一個唯一的地圖圖像，從查詢圖像計算出的距離與從地圖獲得的候選圖像之間的距離相差最小。

D.度量定位

由于我們使用標記級定位來通過標記匹配獲得唯一的地圖圖像，最終采用度量定位來進一步細化定位結(jié)果，通過匹配標記區(qū)域周圍獨特的視覺特征點來進一步細化定位結(jié)果。針對實時定位的要求，本文提出了一種利用ORB(面向快速旋轉(zhuǎn)簡報)[14]中已知的局部特征描述子來快速匹配查詢圖像和唯一地圖圖像的方法。

首先，從查詢圖像中提取足夠數(shù)量的ORB特征點。注意，所有特征點都是預先提取出來的，并存儲在地圖中的所有圖像中。因此，我們可以直接匹配查詢和候選圖像之間的本地特征。在實際應用中，我們還采用了隨機樣本一致性(RANSAC)[15]方法去除異常值，以增強匹配的魯棒性。最后，如果兩幅圖像之間有足夠數(shù)量的特征點匹配，則可以認為路面標志匹配是正確的。

根據(jù)匹配的特征點(也稱為點對應)，我們可以通過如下[12]的單調(diào)法將這兩幅圖像聯(lián)系起來。

從映射過程中，由校準步驟計算物理平面(即路面平面)與地圖圖像之間的同調(diào)HM，具體步驟如下：

通過梳理(9)和(10)，我們可以得到物理平面和查詢圖像之間的同源性，如下所示

從射影幾何出發(fā)，同形可以用相機校準矩陣K、旋轉(zhuǎn)R和平移t來表示，如下[12]

因此，當ri是R的第ith列向量時，車載攝像機相對于編碼的路面車道的姿態(tài)計算如下[12]：

當hi是H的第ith列矢量時，通過坐標變換，最終確定車輛的位置。

III實驗

通過在大學校園的實際現(xiàn)場測試，驗證了該方法的有效性。如圖3(a)所示，我們選擇了兩個測試地點，其中人行道車道線編碼用于車輛定位。并使用車載單目攝像機捕捉路面圖像進行定位(見圖3(b))。攝像機的角度被配置成至少可以觀察到場景中的兩個方塊。對攝像機的外部參數(shù)和內(nèi)在參數(shù)都進行了精確的標定。為了克服GPS的盲目性問題，我們提出了一種基于WIFI指紋的粗定位方法。為了達到這一目的，我們干擾了試驗場附近的AP基站。

圖3.(a)WUT于家頭校園內(nèi)的兩個測試地點；(b)原型車作定位用途。

在路面編碼階段，參考了我國路面幾何設計國家標準[16]。根據(jù)標準，路面破折線由一系列白色方格組成。每個車道線方格有2米長，15厘米寬。兩個相鄰的車道線方格相距2米。利用這種幾何構(gòu)型，用(1)計算出E值為3。因此，我們從三個方格中編碼了一個黃色方格，如圖4(a)所示。

圖4.(a)由幾何結(jié)構(gòu)編碼的行車線；(b)編碼路面標記的圖像。

為了實現(xiàn)所提出的多尺度定位方法，我們需要預先存儲一些信息以供參考，一個步驟也稱為映射。對于粗定位，我們將道路區(qū)域劃分成若干個單元，并收集所有小區(qū)的WiFi指紋。由于我們還匹配了編碼的路面標記周圍的局部特征，我們存儲所有提取的特征點和它們的特征描述符。從攝像機標定結(jié)果中，還可以計算出編碼路面標志與攝像機在測繪過程中的相對位置。

首先利用(3)對WiFi指紋匹配得到粗定位結(jié)果。然后，將車輛采集的實時WiFi數(shù)據(jù)與不同小區(qū)的數(shù)據(jù)進行比較，達到粗定位的目的。兩個測試點的定位結(jié)果如圖5所示。觀測到粗定位的定位誤差均小于6.1米。從兩個地點的粗定位結(jié)果來看，平均偏差為2.4米，標準差為1.8米。因此，我們可以將定位不確定度定義為4.2米(均值加標準差)。因此，編碼值E在(1)可以計算為E=3。因此，這種粗略的定位結(jié)果使我們能夠從攝像機拍攝的圖像中得到一個獨特的編碼路面標記(即黃色)。從粗定位結(jié)果可以得到一組范圍內(nèi)的候選圖像。

圖5.粗定位結(jié)果從WiFi指紋。

圖6.用黃色編碼的路面標記的檢測結(jié)果。

在標識層定位階段，我們使用所提出的G-SCM模型對路面標志進行了檢測。在G-SCM中，查詢圖像中的所有像素都被劃分為黃色或非黃色像素(如圖6所示)。因此，我們可以過濾掉圖像中的所有黃色區(qū)域，包括編碼的黃色標記。此外，我們還提出使用線檢測和跟蹤來去除編碼黃色標記以外的所有其他黃色區(qū)域。根據(jù)檢測結(jié)果，從攝像機標定和路面車道幾何形狀兩個方面計算出候選圖像中攝像機與編碼路面標記之間的距離。因此，我們在地圖中選擇了一幅距離差最小的唯一圖像作為標記級的定位結(jié)果。

從標記級定位結(jié)果中，最終執(zhí)行度量定位，通過匹配標記區(qū)域周圍的不同視覺特征點來計算車載攝像機與編碼標記的相對姿態(tài)，如圖7所示。請注意，此步驟還可以強制執(zhí)行查詢圖像與根據(jù)標記級定位計算的圖像之間的匹配。通過坐標系變換，將相對位姿進一步轉(zhuǎn)化為全局坐標系。測量定位的地面真相是在現(xiàn)場人工獲得的。在每一次試驗中，我們使用計算的坐標和地面真實值之間的差異來評價定位結(jié)果的性能。

結(jié)果如圖8所示，不同測試的結(jié)果用不同的顏色標記。可以觀察到，測量定位的定位誤差均小于0.76米。從兩個試驗點的定位結(jié)果來看，平均偏差和標準差分別為0.5米和0.1米。結(jié)果表明，該方法能夠在多尺度定位的基礎上提高車輛定位精度，具有較強的魯棒性。

圖7.查詢圖像與候選圖像之間匹配的圖像特征點。

最后，我們將所提出的方法與一些低成本的視覺方法進行了比較，并在相同的條件下進行了驗證。實驗結(jié)果如表一所示，與其它方法相比，該方法實時實現(xiàn)了亞表定位精度，具有最佳的定位精度和較快的處理速度。雖然文[8]中的方法處理速度最快，但只適用于有突出標記而不需要對現(xiàn)有基礎設施進行修改的情況下，其精度比我們所提出的方法差一下，這意味著我們所提出的方法比其他方法更先進。

圖8.度量標準化定位結(jié)果。

Ⅳ.結(jié)論

本文提出了一種新的、精確的車輛定位方法——簡單編碼路面車道線。相對于傳統(tǒng)的基于車道線的車輛定位方法，可以計算車輛的縱向和橫向位置以實現(xiàn)車輛的自定位。因此，該方法克服了現(xiàn)有基于車道檢測的車輛定位方法的局限性。

此外，本文還提出了一種多尺度定位策略，用于從粗到精的定位計算，有助于實現(xiàn)精確的車輛定位。該方法已在兩個不同顏色的路面車道編碼現(xiàn)場進行了驗證。實驗結(jié)果表明，該方法只需對路面車道進行編碼，就可以實現(xiàn)亞米級定位。在此基礎上，可以利用其它基于視覺的定位方法來提高車輛的實時定位精度。

表一.不同車輛定位方法的比較結(jié)果