自动驾驶汽车位姿估计与组合导航

第1章 绪 论 1.1 背 景 智能化是汽车技术发展的趋势，智能汽车技术已成为整车企业乃至信息技术(IT)企业的竞争焦点。2020年2月24日国家发展改革委等11部委联合印发《智能汽车创新发展战略》，明确指出“智能汽车已成为全球汽车产业发展的战略方向”，需要加快推进智能汽车创新发展。高精度导航定位技术是自动驾驶汽车的关键技术之一，《智能汽车创新发展战略》将多源传感信息融合感知和高精度时空基准服务列为要突破的关键基础技术，中国科学技术协会将无人车如何实现在卫星不可用条件下的高精度智能导航列为2020重大科学问题和工程技术难题之一。 准确的位姿和导航信息包括车辆的位置、速度与姿态。这些位姿和导航信息对于自动驾驶的实现至关重要(位置信息包含经度、纬度和高度，速度信息包括纵向速度、侧向速度和垂向速度，姿态信息包含侧倾角、俯仰角和航向角)。决策控制功能需根据车辆的导航信息和参考信息计算控制输入，精确的导航信息是保证控制精度的必要条件。车辆导航信息为环境感知的诸多模块提供支持，准确的车身姿态可辅助视觉和雷达等传感系统的识别算法。低成本、实时可靠的车辆导航信息估计技术是自动驾驶汽车研发中的核心技术。 自动驾驶汽车配备的多源异构传感系统(图1.1)通常包括底盘标配的轮速传感器、方向盘转角传感器、多轴惯性测量单元(inertial measurement unit，IMU)、全球导航卫星系统(global navigation satellite system，GNSS)接收机、相机、激光雷达和磁力计等。多源异构传感系统中单一传感器无法完全满足车辆的位姿测量要求。基于多源信息融合的位姿估计与组合导航技术是获取准确的车辆导航信息的重要方法。本书将重点关注多源传感信息的时序混杂问题，并通过融入车辆动力学信息辅助GNSS、IMU和相机等运动学传感器，实现自动驾驶汽车位姿和导航信息的准确估计。 图1.1 多源异构传感系统配置 1.2 自动驾驶汽车位姿估计与组合导航发展现状 基于自动驾驶汽车的多源异构传感系统，国内外学者针对车辆位姿估计问题展开了大量研究。单一信息源无法提供低成本和实时可靠的位姿信息，大多数学者通过多源异构信息融合来估计车辆位姿与导航信息。这些信息通常包括车辆姿态、速度和位置。本节首先介绍自动驾驶汽车中常用传感器的基本功能，然后分别介绍姿态估计、速度估计和位置估计技术的发展现状。 1.2.1 自动驾驶汽车中常用传感器 自动驾驶汽车搭载了丰富的运动传感测量单元，包括传统汽车的车载传感器(方向盘转角传感器、轮速传感器)、多轴IMU、GNSS接收机、相机、磁力计、激光雷达和拉压力传感器等。基于这些传感器，即可设计融合组合导航算法以对车辆位姿进行估计。本节重点简要介绍这些传感器的基本功能，以增强读者关于自动驾驶汽车上搭载的常用传感器的认知。对传感器相关原理感兴趣的读者可参考相关专业文献。 1. 车载传感器 近年来，车辆电子控制技术如电子稳定系统(electronic stability program，ESP)被广泛应用，一些**的传感器如方向盘转角传感器、轮速传感器、纵向/侧向加速度传感器和横摆角速度传感器成为大多数车型的标配[1]。部分传感器示意图如图1.2所示。这些传感器可测量车辆部分运动参数。 图1.2 车载传感器示意图 方向盘转角传感器可对驾驶员操纵方向盘转动的角度进行测量；轮速传感器可对车轮转动的角速度进行测量；纵向/侧向加速度传感器和横摆角速度传感器一般集成于三轴IMU中，并安装于车辆质心附近，对车身的纵向(车辆前进方向)和侧向(横向)的加速度进行测量；横摆角速度传感器可测量车辆水平旋转的角速度。 2. 多轴IMU 图1.3 六轴IMU示意图 传统非自动驾驶汽车的车载传感器一般已搭载有三轴IMU。在自动驾驶汽车中，为了应对更加复杂的工况和环境，六轴IMU被大量采用。相较于三轴IMU，六轴IMU增加了车身俯仰角速度、侧倾角速度和垂向加速度传感器，即可测量车身的三轴转动的角速度与三轴平动的加速度，采用六轴IMU可以结合外界辅助的信息源来设计融合算法对车身的三维姿态、三维速度和三维位置进行更好的估计[2，3]。由于微机电系统(micro-electro-mechanical system，MEMS)近年来快速发展，MEMS类型的IMU已经在成本和性能上同时具备较大的优势，在自动驾驶系统开发中被大量采用[4]。本研究采用了Analog Devices公司的一款MEMS IMU，型号为ADIS16495，如图1.3所示。 3. GNSS接收机 由GNSS发出的卫星信号，如中国的北斗导航卫星系统、美国的全球定位系统(global positioning system，GPS)、欧洲的伽利略导航卫星系统和俄罗斯的全球导航卫星系统(GLONASS)发出的卫星信号，在车端由卫星信号接收天线接收后发送至GNSS接收机解算得到卫星天线处的位置和速度[3]。本研究采用的卫星信号接收天线和GNSS接收机如图1.4所示，GNSS接收机型号为NovAtel OEM718D。 图1.4 卫星信号接收天线和GNSS接收机 4. 相机 常用于位姿估计的相机有单目相机和双目立体相机。视觉相机可将三维世界中的物体拍摄并映射到二维像素图像平面上，基于相机模型，算法可根据捕捉到的二维像素图像设计物体识别算法或者里程计对车辆的位姿进行估计[5]。本研究选用了Mobileye公司的一款630智能相机，如图1.5所示。该智能相机内置算法可输出车辆前方预瞄点与车道线间距离，该距离可用于车辆的位姿估计。 图1.5 Mobileye公司的630智能相机 5. 激光雷达 激光雷达通过一组激光发射器主动发射并接收反射的激光计算发射器与物体间的距离和激光的反射强度。随着车辆位姿的改变，该测量距离也相应发生改变，基于该距离即可设计里程计算法解算当前车辆的位姿[6]。常用的旋转式激光雷达如图 1.6所示。 图 1.6 速腾聚创16线激光雷达 6. 磁力计 类似于加速度传感器可测量地球重力加速度矢量，磁力计可对地球磁场矢量进行测量。当车辆的姿态发生改变时，地球磁场投影在磁力计三轴上的分量也相应发生改变，基于磁力计三轴测得的磁场分量即可计算车辆相对于地磁场的位姿[7]。磁力计如图1.7所示。 图1.7 磁力计示意图 图1.8 Kistler 9321B拉压力传感器 7. 拉压力传感器 自动驾驶汽车的线控系统也可提供传感信息，如线控转向系统可提供轮边的回正力矩信息或者转向横拉杆处拉压力信息。本研究中将拉压力传感器安装至转向横拉杆处，以测量横拉杆处拉压力信息，进一步可测量轮边回正力矩信息，该信息将被用于车辆的侧向速度估计。拉压力传感器如图1.8所示，型号为Kistler 9321B。 1.2.2 姿态估计 车辆的姿态估计是指通过融合算法处理多源传感器信号，计算出车辆的姿态。车辆的姿态一般指车身坐标系相对于导航坐标系或者世界坐标系的姿态。以车身坐标系相对于导航坐标系为例说明，两个坐标系的相对关系如图1.9所示。车身坐标系以车身前进方向为x轴，横向向左为y轴，垂直x和y轴形成的平面向上为z轴，坐标系三轴标记为，坐标轴下标为b；导航坐标系以当地位置东向为x轴，北向为y轴，天向为z轴，坐标系三轴标记为，坐标轴下标为n。车身坐标系与导航坐标系的相对角度即为车身姿态角，分别为绕z轴的航向角φ，绕y轴的俯仰角θ，绕x轴的侧倾角φ。由此可以看出，这里定义的车身姿态角是绝对姿态，实际包含了两个部分，即悬架变化导致的车身相对于车辆底盘的姿态和当前道路的坡度。 图1.9 车身坐标系b和导航坐标系n关系示意图 下面将根据传感器配置的不同从四个方面介绍姿态估计研究进展。 1. 基于角速度与加速度传感器的估计 通常，姿态角的表示方法有三种：欧拉角法、直接方向余弦法和四元数法。它们之间可以互相转化，在实际应用中应根据表达形式的便捷性加以选择。以欧拉角法为例，*直接获取姿态角的方法是对从IMU获取的三轴角速度积分得到的。然而MEMS IMU中陀螺仪包含非正交误差、非线性度误差、轴间耦合误差、温度漂移和不稳定零偏误差等[3]，即使经过出厂的校准，不稳定零偏误差仍然具有一定的随机性，不可被忽略；对角速度长时间积分将导致较大的姿态角误差。为了解决角速度零偏时变问题，迈阿密大学的Wang[8]发现角速度零偏与角加速度直接相关，通过估计角加速度对角速度进行在线补偿后，姿态角的估计精度可以显著提升。尽管如此，经过一段时间，由于估计误差，姿态角仍然存在一定估计误差。 因此，在进行姿态估计时，一般将角速度传感器与其他可获取姿态且无累积误差的传感器一同使用。IMU中的加速度传感器就是一种可辅助角速度传感器进行姿态估计的信息源，加速度传感器可测量重力矢量，根据三轴测得的加速度分量即可计算车身的姿态。从加速度传感器中获取姿态后，即可通过算法与从角速度积分获取的姿态信息进行融合，从而获取更加准确的姿态。 除了重力加速度外，车辆运动导致的加速度同样可被加速度传感器测量，这为使用加速度传感器带来了挑战[9]。有学者试图将车辆运动的加速度建模为一阶马尔可夫过程，首先根据加速度测量信号使用卡尔曼滤波(Kalman filter，KF)算法对车辆运动的加速度进行估计，将加速度传感器中测得的总加速度除去估计得到的运动加速度，余下部分即可用于姿态角估计，