基于RAC/DR的无人车辆导航定位研究开题报告

1. 研究目的与意义（文献综述）

1.1 选题背景

近年来，智慧社区发展如火如荼，同时受到了国家大力支持。中央陆续出台《国家高新技术产业开发区创新驱动战略提升行动实施方案》、《全国民政标准化“十三五”发展规划》、《关于加强和完善城乡社区治理的意见》等一系列政策，明确提出要务实推进智慧社区信息系统建设，积极开发智慧社区移动客户端，实现服务项目、资源和信息的多平台交互和多终端同步，从国家层面引导智慧社区建立相关标准，进而实现规范化管理。且随着物联网、大数据的不断发展与完善，人工智能时代的大幕已然开启，正逐渐颠覆我们的生活方式，提高社会的运行效率。而“大数据 人工智能”在社区管理和社区服务中的创新应用，已然成为智慧社区发展建设中的一大热点。

目前，世界各地已经陆续出现了利用小型机器人进行社区服务的案例，涉及社区内安防巡逻、物流派送、垃圾回收转运和道路清扫等许多社区服务板块。2020春节期间，京东的快递车就在武汉市青山区使用了无人配送车，将医疗资源送到医，如图1

图1 深夜一辆无人运输车将货物送到医院

其中，社区安防与居民的生命财产安全密切相关，随着居民安全意识不断提高，已有不少社区率先开启了24小时全天候巡逻模式，并逐渐成为保证社区安全的常态需求。但传统人工巡逻方式考虑到安保人员工作强度，要实现24小时不间断巡逻监控意味着高昂的人力成本。而小型的社区安防机器人以其机动灵活、不知疲倦的特点，能够作为智慧社区安保体系的有力补充，方便以低成本实现全天候动态巡逻安防。在此背景下，本人拟选择“基于RAC/DR的无人车导航定位研究”作为毕业设计选题，依据社区和园区低速少人的运用场景，拟设计一种适用于社区、园区环境的无人导航定位系统。

1.2 研究现状

针对各类无人车辆的设计研发在国内外早已不是新鲜事，其研发重点一直落在如何实现复杂环境的车辆精确定位以及车辆感知反馈等控制层面，例如无人物流车的运送过程可分为如下几个步骤：“在哪里”、“去哪里”、“怎么走”、“怎么躲”。自2007年起，卡内基梅隆大学，斯坦福大学的研究机构以及Google公司研制的无人驾驶车辆开始了城市道路的行驶测试。2012年，美国内华达州机动车辆管理局为一辆搭载谷歌智能驾驶系统的汽车颁发了牌照，这也使得无人驾驶汽车开始真正驶入普通人的视线。直至目前，除了特斯拉等个别数企业上市了具备自动驾驶功能的民用车辆外，多数企业和高校所进行的研究仍处在试验阶段，且起步较晚，在2011年，由国防科技大学研制的红旗HQ3无人驾驶汽车，首次完成了从长沙到武汉286km的高速全程无人驾驶试验。2012年11月底，一辆由军事交通学院研制的无人驾驶智能汽车成功完成高速公路测试，成为我国第一辆官方认证完成高速公路测试的无人驾驶智能汽车。虽然现在国内交通法规暂不允许无人车辆在开放的民用道路上行驶，但在某些专用场景，例如厂区的短距物料配送和室内楼层间送件等已有成熟的应用案例。国内相对成熟的，包括知名的首钢集团“自动驾驶示范区”，目前已有“无人快递车”、“无人清扫车”“自动巡逻车”、和“无人零售车”在园区中试运营并与清华大学汽车工程系、京东、美团点评、中国联通、智行者等多家企业合作，加速产品体系的成长成熟，且有意承担部分2020年的园区服务工作。

图2 首钢园区无人车

社区无人车也是另一个成熟运用。2019年年底，广州的实地常春藤小区就开始使用无人车来为住户提供不太远的出行。这辆车不追求速度，但是追求绝对的安全，它可以在比较突发的情况下紧急制动，能在距离人30厘米到1米的距离停下。

图3 小区无人车

1.3智能车独立定位方法概述

定位技术作为智能汽车几大关键技术之一，是实现汽车其他多种智能行为的前提。它通过对汽车行驶状态的观测或对周围环境的感知来估计自身在某一坐标系下的位姿信息，进而给出定位结果，当观测模型或感知设备不同时，用于实现定位的技术方法也相应不同。目前，典型的独立定位方法有以下几种。

（1）全球导航卫星系统

全球导航卫星系统具有全天候、全时段、全方位的服务特点，是现今应用最为广泛的室外全局定位方式。目前比较成熟且已投入使用的全球导航卫星系统有美国的全球定位系统（Global Positioning System, GPS）、中国的北斗导航卫星系统（BeiDou Navigation SatelliteSystem, BDS）、俄罗斯的格洛纳斯导航卫星系统（Global Navigation SatelliteSystem, GLONASS）、欧盟的伽利略导航卫星系统（Galileo NavigationSatellite System）。此外，一些国家也研制了相关的区域系统和增强系统，如日本的准天顶卫星系统（Quasi-ZenithSatellite System, QZSS）、多功能卫星增强系统（Muti-FunctionalSatellite Augmentation System, MSAS ）、印度区域导航卫星系统（ Indian Regional Navigation Satellite System, IRNSS）、GPS 辅助型静地轨道增强导航系统（GPS Aided GEO Augmented Navigation, GAGAN）等。

图4 全球导航定位系统

（2）磁定位

智能汽车磁定位技术的基础是磁信号，它通过磁感应传感器对磁信号的检测来获得位姿信息。根据磁信号产生方式的不同，磁定位技术可分为信号电缆、磁带、道路磁钉以及磁钉与磁带混合定位四种。磁性材料的环境适应性好，基本不受天气、光照等自然因素的影响，但它需要对现有道路做出改动，施工量大，成本较高，而且系统也不够灵活，当车辆要改变行驶路径时，需要重新铺设磁信号发生装置，因而限制了它在复杂环境下的应用。目前，磁定位技术主要应用在一些特定场景，比如仓库里的自动导引小车、变电站巡检车、机场摆渡车等。

图5 磁定位车

（3）惯性导航系统

惯性导航系统INS是一种完全不依赖外界信号的自主式定位系统。它通过陀螺仪、加速度计等惯性器件测得载体的角速度和加速度信息，然后对其分别进行一次积分与二次积分，就可得到载体的航向角和移动距离。因此，若已知初始点位姿，根据连续的测量结果就可以推算出下一时刻载体的位姿。按照惯性测量单元（Inertial Measurement Unit, IMU）是否直接安装在载体上，INS可分为捷联式惯性导航系统（Strap-down Inertial Navigation System, SINS）和平台式惯性导航系统（Platform Inertial Navigation System, PINS）。INS的定位精度取决于所采用惯性器件的精度，尤其是陀螺仪，它的漂移率所引起的位置误差是时间的三次方函数，这也决定了高精度惯导设备制作困难、价格高昂。此外，由于积分的存在，长时间运行会引起INS系统的误差累积，因此它通常会配合GNSS或者差分 GNSS 一起使用，且需要初始校准，花费时间较长。

（4）航迹推算

航迹推算DR是众多独立定位方法中比较简单易用的一种方法，早期被运用于航海。它也是根据上一时刻的车辆位姿以及单位时间内移动的距离和航向角来累加得到当前时刻的位姿信息。所采用的传感器主要有里程计、陀螺仪、磁罗盘等。同INS一样，在短期内，DR具有很高的定位精度，而随着时间的增长，定位误差会逐渐累积，甚至不可收敛。虽然DR的定位精度没有INS高，但其所用传感器价格低廉，采样频率也足够高，而且通过采用卡尔曼滤波等技术对陀螺仪信号进行滤波处理以减小干扰和漂移误差，或者利用GNSS定位信息对传感器误差进行校正，这些方法都能大幅度提高DR的定位精度和应用范围。

（5）地图匹配

地图匹配MM的基本思想是采用最优匹配算法将车辆实时动态感知的环境信息与预存储的环境地图关联起来，从而确定车辆在地图中的位置，它包括地图构建和地图匹配两个关键问题。如果覆盖范围较小且场景相对简单，则地图可以手动构建，而一旦待构建场景变得复杂或者覆盖范围变大，仅依靠人工来生成地图是不太现实的，需要寻求环境地图的自动生成方法由于传感器存在着测量误差，无论是手动还是自动生成的环境地图，其精度都很难保持一致性，因此这就要求地图匹配算法须有良好的鲁棒性，同时也要保证实时性。

（6）视觉定位

利用计算机视觉来实现车辆定位的一个重要基础是两幅或多幅图像之间要有交叠的内容。在一组连续采集的图像中，由于坐标系的移动，同一特征在当前帧和上一帧中的坐标是不一样的，它们之间的差异即反映了与之对应的车辆位姿的变化，因此可将相邻两帧图像进行匹配来求得车辆位姿的增量，进而估计车体本身的三自由度旋转以及三自由度平移运动。由于与基于里程计的航迹推算类似，这种基于图像信息的位姿估计方法也被称为视觉里程计（Visual Odometry, VO）。从使用相机的个数来分，视觉里程计可分为单目视觉和多目视觉，其中后者在大多情况下指的是双目视觉。单目视觉计算量小、设备安装简便，但是在解算位姿时会有尺度歧义，双目视觉则不会存在该问题。相反，双目视觉对两个摄像机的安装位置要求比较高，也仅能获取一定范围内的景深信息。无论是单目还是双目，采用视觉定位的最大优势在于可以获取丰富的环境信息，具有较高的灵活性，而且花费成本相对较低。

图6 视觉定位车

（7）同时定位与地图创建

同时定位与地图创建SLAM最早由 Smith Self 和 Cheeseman 于 1986 年提出。它是指载体从一个未知环境开始移动，在运动过程中同步进行车体位置、航向的确定以及环境地图的创建与更新，常应用于“机器人绑架问题”。按照在定位过程中所使用的传感器不同，可将SLAM分成激光SLAM（LidarSLAM）与视觉SLAM（Visual SLAM）两种。激光SLAM通过高速旋转的激光雷达来采集周围环境的三维点云信息，在移动的同时采用迭代最近点（IterativeClosest Point, ICP）等经典算法进行点云拼接，从而实现载体的精确定位与高精度三维地图的构建。视觉SLAM则是采用相机作为外部传感器，通常根据所采用相机数目的不同，视觉SLAM有单目SLAM和双目SLAM之分。SLAM方法的运算量会随着运动范围的扩大而成平方增长，因此该方法目前主要应用于室内移动机器人，针对室外大规模场景，相关技术还需进一步完善。

图7 SLAM车

（8）无线通信定位

无线通信定位是指在道路两侧布置传感器节点（又称路侧设备，Road Side Unit, RSU）、在移动载体上布置终端设备（又称车载设备，OnBoard Unit, OBU），通过无线信号在二者之间的相互传输过程来估算出 OBU 的绝对位置或相对位置。在估算OBU的位置时，根据是否需要计算 RSU 与 OBU 之间的距离，可以将无线通信定位算法分为基于测距和非测距两种。目前可应用于无线通信定位的技术有很多，其中，射频识别（Radio Frequency Identification Devices, RFID）与UWB技术应用最为广泛。利用这些无线传感器，不仅可以实现车辆的位姿估计，还可实现车辆的实时跟踪与交通流信息采集，这对车联网（Vehicle Ad hoc Network, VANET）、ITS等技术领域有着重要意义。

综上，智能汽车独立定位方法丰富多样，可根据应用需求进行相应选择。表 1 从硬件成本、定位精度以及环境适应性三方面对部分独立定位方法作出了定性评价，从表中可以看出，任一独立定位方法都有着明显的优势与弊端，且相互之间存在一定的互补关系，因而组合定位成为了理论研究与实践应用的重点。

表1 智能汽车独立定位方法性能比较

1.5组合定位的概述

尽管现有定位方法有很多，但任何一种独立定位方法都有其各自的缺点，例如相对定位依赖于上一时刻的车辆位姿，因此它对初始位姿的精确性要求很高，也不可避免地存在着误差累积问题；而绝对定位方法为保证结果具有高的可信度，所采用的设备都比较昂贵。因此，为适应日趋复杂的道路交通状况，同时赋予定位系统更高的应用可靠性，智能汽车组合定位方式成为了研究热点，例如 GNSS/INS（InertialNavigation System，惯性导航）、DR/MM（MapMatching，地图匹配）、GNSS/Vision（VisionPositioning，视觉定位）、GNSS/DR（DeadReckoning，航迹推算） 等组合方式。

1.6 RAC的介绍

RAC是一种不依赖差分基站的卫星接收机，通过创新的天线阵列设计方案和软件算法，使得水平定位误差减小，提高了定位的精度和稳定性。

RAC卫星定位接收机仅需接收和解算普通民用的GPS L1信号，硬件采用当前市场上已经大规模普及应用的廉价的车载或者消费级的卫星定位芯片和模块既可以实现。因此可以将高精度卫星定位接收机的价格从采用差分技术的万元级别，降低到百元级别。

图8 RAC的原理和演示图

1.7 DR的介绍

DR,全称是Dead-Reckoning，原意是航迹推算，早期用于航海。它是根据上一时刻的车辆位姿以及单位时间内移动的距离和航向角来累加得到当前时刻的位姿信息。所采用的传感器主要有里程计、陀螺仪、磁罗盘等。

而这里的DR，其实是采用的类似于DR的思想，只不过硬件上是用的惯导（惯性导航系统）

惯导（惯性导航系统，也就是INS）是一种不依赖于外部信息、也不向外部辐射能量的自主式导航系统。其工作环境不仅包括空中、地面，还可以在水下。惯导的基本工作原理是以牛顿力学定律为基础，通过测量载体在惯性参考系的加速度，将它对时间进行积分，且把它变换到导航坐标系中，就能够得到在导航坐标系中的速度、偏航角和位置等信息。

图9航迹推算的原理图 图10惯导

1.8目的和意义

本课题意在设计一种能够在低速环境和不依靠差分基站实现低成本定位、快速定位的组合定位系统，解决现有组合定位中传感器价格昂贵、定位抗干扰能力弱等问题。而对于设计人员而言，研究专用场景下的无人车辆，符合汽车近期的行业发展趋势，可从中学习到无人车发展现状、运行环境等，也可在设计过程中，训练计算机虚拟设计和仿真软件的使用，加强实践操作能力。智能驾驶不仅需要获悉车辆在环境中的准确位姿，还需要尽可能保证获悉方式的简便易行，为满足大范围应用需求，智能汽车定位技术将朝着多传感、低成本、高精度的方向发展，并最终实现各区域的无缝衔接。因此，在开展智能汽车组合定位策略研究时，应综合考虑成本、精度等因素以合理选择参与组合定位的独立定位方法，进而实现最佳的定位性能。

2. 研究的基本内容与方案

2.1 研究的基本内容

（1）研究rac工作原理，并提出对rac的数据进行解析、处理的算法。

（2）研究惯导的工作原理，并提出对惯导的数据进行解析、处理的算法。

3. 研究计划与安排

表2 进度安排表

4. 参考文献（12篇以上）

[1]胡玉文. 城市环境中基于混合地图的智能车辆定位方法研究[d].北京: 北京理工大学,2014.

本课题基于地图匹配技术开展了面向城市环境的无人驾驶智能车辆定位方法研究，以解决传统定位方法中由于累积误差以及卫星定位信号受遮蔽等原因对定位精度的影响问题。对于地图匹配定位，一方面其定位精度受地图准确度的影响，另一方面其定位实时性受地图范围的制约。针对以上限制因素，本文提出了一种基于混合地图的智能车辆定位方法，并将研究内容分为三个方面：混合地图的创建方法研究、基于混合地图的智能车辆定位方法研究和基于仿真系统和实车平台的实验研究。