论文部分内容阅读
近年来，智能无人驾驶引起人们的广泛关注。其中，实时高精度定位是智能无人驾驶的关键技术之一。在户外，基于全球卫星导航系统(GNSS)与惯性导航单元(IMU)的组合导航技术已日趋成熟，但在存在GNSS信号屏蔽区域的停车场到使用者之间“最后一公里”的自动驾驶，仍是技术难点所在。车辆一旦驶入室内停车场，车辆位置信息必须依靠稳健、高精度的室内定位方法获得。传统通过无线基站进行定位的方式精度较低，且布设成本高。通过共同定位与建图(Simultaneous Localization And Mapping，SLAM)方法，首先利用自身传感器进行自动化的建图，然后利用地图实时地对车辆进行准确定位，从而可为“最后一公里”无人驾驶提供重要支撑。
目前，基于低层次点、线特征的视觉SLAM难以适用于室内停车场及类似的纹理重复或单调，以及光照条件变化剧烈的场景。而人类通过对场景中的语义地标及其分布模式的认知，能够鲁棒、准确的对自身进行位置估计。可见，基于高层次的语义地标的视觉SLAM是无人车在上述场景定位的关键。随着基于机器学习的目标检测和图像分割技术的发展，对语义地标的提取和基于其的SLAM方法已经成为重要研究方向。但现有语义SLAM中，语义信息尚未得到充分利用。对语义地标的准确观测，适用于语义地标的粗差探测与回环检测方法，以及基于多种语义地标的SLAM都有待进一步的探索。
本文以语义SLAM作为研究对象，以典型室内停车场环境为例，提出算法对室内停车场环境中典型的语义地标：库位、编号进行提取，同时研究基于语义地标的数据关联与回环优化，及该过程中的粗差探测策略，从而实现鲁棒自动建图与高精度定位。论文的主要工作包括：
(1)利用计算机视觉方法和深度学习方法检测停车场环境中的库位、库位编号以及二维码；
(2)对传统SLAM方法中的数据关联与粗差探测方法进行改进，提出了适用于语义地标地图的数据关联与粗差探测算法；
(3)对多种语义地标并存的SLAM进行定量分析，并提出了基于以上算法的面向“最后一公里”的无人驾驶共同定位与建图系统。
目前，基于低层次点、线特征的视觉SLAM难以适用于室内停车场及类似的纹理重复或单调，以及光照条件变化剧烈的场景。而人类通过对场景中的语义地标及其分布模式的认知，能够鲁棒、准确的对自身进行位置估计。可见，基于高层次的语义地标的视觉SLAM是无人车在上述场景定位的关键。随着基于机器学习的目标检测和图像分割技术的发展，对语义地标的提取和基于其的SLAM方法已经成为重要研究方向。但现有语义SLAM中，语义信息尚未得到充分利用。对语义地标的准确观测，适用于语义地标的粗差探测与回环检测方法，以及基于多种语义地标的SLAM都有待进一步的探索。
本文以语义SLAM作为研究对象，以典型室内停车场环境为例，提出算法对室内停车场环境中典型的语义地标：库位、编号进行提取，同时研究基于语义地标的数据关联与回环优化，及该过程中的粗差探测策略，从而实现鲁棒自动建图与高精度定位。论文的主要工作包括：
(1)利用计算机视觉方法和深度学习方法检测停车场环境中的库位、库位编号以及二维码；
(2)对传统SLAM方法中的数据关联与粗差探测方法进行改进，提出了适用于语义地标地图的数据关联与粗差探测算法；
(3)对多种语义地标并存的SLAM进行定量分析，并提出了基于以上算法的面向“最后一公里”的无人驾驶共同定位与建图系统。