CN115962791A - 一种智能驾驶的轮速修正方法 - Google Patents
一种智能驾驶的轮速修正方法 Download PDFInfo
- Publication number
- CN115962791A CN115962791A CN202211610139.9A CN202211610139A CN115962791A CN 115962791 A CN115962791 A CN 115962791A CN 202211610139 A CN202211610139 A CN 202211610139A CN 115962791 A CN115962791 A CN 115962791A
- Authority
- CN
- China
- Prior art keywords
- wheel speed
- speed
- data
- vehicle
- inertial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Navigation (AREA)
Abstract
本发明公开一种智能驾驶的轮速修正方法,通过在不同道路条件、变荷条件下的速度时刻系数标定方法,用于IMU+轮速融合的里程计方案中,减小轮速误差,提高了局部里程计的精度,另外,最终结果为生成速度刻度系数查找表,通过标定,将GNSS信号固定到查找表中,可以满足无GNSS的情况,并且因为没有在线标定的计算,节省了算力,对运行平台的计算能力要求相对较低,对嵌入式方案的推进具有较良好的基础奠定。
Description
技术领域
本发明属于智能驾驶技术领域,具体涉及到一种智能驾驶的轮速修正方法。
背景技术
近年来,自动驾驶技术飞速发展,各种传感器都应用到了汽车上,更有一些公司提出了惯性器件的定位方式,惯性器件可以很方便地给出当前汽车的全局定位信息,但是这种惯性器件对于GNSS/GPS信号的依赖程度很高,而在一些特定场景中,并不能很好的获取GNSS/GPS信号,因此对这些特殊场景工况下的定位有不小的挑战,目前基于高精地图的定位技术得到了广泛应用,只要有对应场景的高精度地图,就能有相当不错的定位效果,但是一些场景下也会导致相机或激光雷达等传感器工作不可靠,于是对于一个稳定工作的里程计是必要的,而能够稳定可靠工作的传感器必须满足对外界的依赖小这一条件,可以考虑的传感器信号有:车子本身的信号和IMU(惯性测试元件)测量得到的加速度和角速度。
在现有的技术方案中,包括三种方案:1)只使用车子本身的信号来进行递推,如用方向盘拟合出前轮转角的关系,给出车身的航向,再用轮速得到车子的位置,以此来得到车子的姿态,但是这种方案中车子方向盘角度和轮速信号精度本身就不够,加上方向盘到前轮转角的拟合精度也有待评估,所以整体精度不高;2)使用IMU+轮速信号通过卡尔曼滤波进行融合,车子的航向主要是通过IMU的陀螺仪给出,轮速用来修正位置,以此给出车子的姿态,但是在此方案中,通过车子底盘传出来的轮速信号存在误差,会影响车子的位姿,另外,车子在不同路况上行驶,车子的载重等待,这些因素都会对里程的精度有相当大的影响;3)另外,在方案2的基础上通过GNSS信号对轮速进行在线修正的,因此,里程计的精度会相应提高,但是当GNSS信号较弱或者完全接收不到GNSS信号时,对轮速的修正就不起作用了。
因此,在现有的技术方案中,大都是直接使用轮速输出参与里程计的计算,没有考虑到一些外部因素对于轮速精度的影响,并且需要在没有GNSS信号的条件下获取较高的轮速精度。
发明内容
针对上述问题,本发明的主要目的在于设计一种智能驾驶的轮速修正方法,解决在不同道路条件、变载荷情况下轮速修正的问题,进而提高局部里程计的精度。
为了实现上述目的本发明采用如下技术方案:
一种智能驾驶的轮速修正方法,自动驾驶车辆装载惯性导航***,该方法包括:
步骤1:加载标定的惯性器件与车辆中心之间的外参;
步骤2:获得惯性器件和轮速的相关信号;
步骤3:对惯性器件和轮速信号进行预处理;
步骤4:判断处理后的数据是否异常,如果异常返回步骤2;
步骤5:通过轮速大小,对无异常的数据进行速度区间划分归类;
步骤6:通过惯性器件的位置信息选择场景,加载相应预值;
步骤7:通过车身负载信号选择载重条件预值;
步骤8:求解轮速修正模型参数;
步骤9:生成对应的速度刻度系数查找表。
作为本发明进一步的描述,该方法涉及的模块包括参数加载模块、数据采集模块、数据预处理模块、模型拟合模块、结果生成模块。
作为本发明进一步的描述,该方法的具体步骤包括:
步骤1:通过参数加载模块加载标定惯性器件与车辆中心之间的外参;
步骤2:通过数据采集模块实时采集惯性器件与车辆轮速信号;
步骤3:通过数据预处理模块将步骤2采集的数据先做解析,再做时间和空间上的同步和统一;
步骤4:对步骤3处理后的轮速与惯性器件速度数据进行判断:
数据无异常执行以下步骤,数据异常则返回步骤2;
步骤5:通过轮速大小,对同步后无异常的轮速、惯性器件数据进行速度区间划分归类;
步骤6:通过惯性器件的位置信息判断所在场景,加载相应的路面条件因子Kr的预值;
步骤7:通过车身重量信号,加载负载条件因子Kl的预值;
步骤8:通过模型拟合模块求解轮速修正模型参数;
步骤9:通过结果生成模块最后生成对应的速度刻度系数查找表。
作为本发明进一步的描述,步骤1中,加载参数包括:1)惯性器件到车辆中心的安装距离;2)惯性器件坐标系与车辆坐标系之间的相对角度。
作为本发明进一步的描述,步骤2中,采集车辆轮速、惯性器件速度、惯性器件中IMU的加速度和角速度。
作为本发明进一步的描述,步骤3中,通过惯性器件的时间戳对惯性器件的速度做线性插值,得到对应轮速时刻惯性器件的速度;
具体的插值方法为:
其中,vi,k为k时刻惯性器件的速度,vi,k+1为k+1时刻惯性器件的速度,ti,k为k时刻惯性器件的时间戳,ti,k+1为k+1时刻惯性器件的时间戳,tw为轮速的时间戳,v′i为插值后惯性器件在tw时刻的速度;满足:ti,k≤tw<ti,k+1;
时间上同步后,需要利用惯性器件与车辆中心之间的外参做空间上的对齐:
作为本发明进一步的描述,步骤4中,轮速与惯性器件速度数据的判断标准:
其轮速与惯性器件的速度比值r为:
其中,vw为轮速,vi惯性器件速度;
数据无异常情况为:比值r∈[0.9,1.1];
数据异常情况为:比值r∈[0,0.9)或r∈(1.1,+∞)。
作为本发明进一步的描述,步骤8中,对每个速度区间的数据对均进行操作:
轮速对应的矩阵为:
Vw=[vw,1 ... vw,N]T
做时间同步和空间***一后,惯性器件速度对应的矩阵为:
则误差:
Kl和Kr即可通过求解最小二乘法得出:
作为本发明进一步的描述,步骤9中,不同速度区间的数据处理后,生成的速度刻度系数查找表包括:速度以及不同速度条件下对应的路面条件因子和负载条件因子。
相对于现有技术,本发明的技术效果为:
本发明提供了一种智能驾驶的轮速修正方法,通过在不同道路条件、变荷条件下的速度时刻系数标定方法,用于IMU+轮速融合的里程计方案中,减小轮速误差,提高了局部里程计的精度,另外,通过生成速度刻度系数查找表的形式,对运行平台的计算能力要求较低,对嵌入式方案的推进具有较良好的基础奠定。
附图说明
图1为本发明的轮速修正方法整体流程示意图;
图2为本发明中轮速修正方法涉及的各模块示意图。
具体实施方式
下面结合附图对本发明进行详细描述:
一种智能驾驶的轮速修正方法,参考图1-2所示,该方法涉及的***模块包括:参数加载模块、数据采集模块、数据预处理模块、模型拟合模块、结果生成模块。
针对该方法涉及的***各模块进行具体分析,分析内容如下:
一、参数加载模块:
建立车辆坐标系和惯性器件坐标系,正向均为前方和左向,即:车辆前向为x轴正向,车辆左向为y轴正向,车辆向天为z轴正向,车辆坐标系中心在车辆后轴中心,惯性器件坐标系中心在其几何中心;
加载已经标定好的惯性器件与车辆中心之间的外参,包括惯性器件到车辆中心的距离和安装角。
二、数据采集模块:
通过安装在车辆上的惯性器件实时采集含有惯性器件的速度信息;通过车身底盘can实时采集车辆的轮速信息。
三、数据预处理模块:
解析实时采集到的惯性器件信息,得到需要的惯性器件的速度;解析车身底盘can得到与之对应的轮速。对惯性器件速度进行时间同步和空间统一,判断数据是否异常并进行速度区间分类;
数据判断,即认为合理的数据,如:惯性器件的速度为2km/h,而轮速为0km/h,则剔除;
速度区间分类,如:分辨率为1km/h,则将0-1km/h的数据对归为一类,1-2km/h的数据归为一类…以此类推。
四、模型拟合模块:
通过最小二乘法拟合出对应模型。
五、结果生成模块:
生成不同场景下对应的速度刻度系数查找表。
本实施例,基于上述涉及的各模块,智能驾驶的轮速修正方法的具体步骤包括:
步骤1:通过参数加载模块加载标定惯性器件与车辆中心之间的外参;
步骤2:通过数据采集模块实时采集惯性器件与车辆轮速信号;
步骤3:通过数据预处理模块将步骤2采集的数据先做解析,再做时间和空间上的同步和统一;
步骤4:对步骤3处理后的轮速与惯性器件速度数据进行判断:
数据无异常执行以下步骤,数据异常则返回步骤2;
步骤5:通过轮速大小,对同步后无异常的轮速、惯性器件数据进行速度区间划分归类;
步骤6:通过惯性器件的位置信息判断所在场景,加载相应的路面条件因子Kr的预值;
步骤7:通过车身重量信号,加载负载条件因子Kl的预值;
步骤8:通过模型拟合模块求解轮速修正模型参数;
步骤9:通过结果生成模块最后生成对应的速度刻度系数查找表。
具体的,本实施例,针对该轮速修正方法的步骤进行具体分析,分析内容如下:
步骤3:一般来说,惯性器件的频率较轮速的频率高,因此为了提高精度,会通过惯性器件的时间戳对惯性器件的速度做线性插值,得到对应轮速时刻惯性器件的速度;
具体的插值方法为:
其中,vi,k为k时刻惯性器件的速度,vi,k+1为k+1时刻惯性器件的速度,ti,k为k时刻惯性器件的时间戳,ti,k+1为k+1时刻惯性器件的时间戳,tw为轮速的时间戳,v′i为插值后惯性器件在tw时刻的速度;满足:ti,k≤tw<ti,k+1;
时间上同步后,需要利用惯性器件与车辆中心之间的外参做空间上的对齐:
其中,vw为轮速,vi惯性器件速度;
数据无异常情况为:比值r∈[0.9,1.1];
数据异常情况为:比值r∈[0,0.9)或r∈(1.1,+∞)。
步骤5:通过轮速的大小对同步好的一对轮速与惯性器件数据进行分类;
如:分辨率为1km/h,则将0-1km/h的数据对归为一类,1-2km/h的数据归为一类…以此类推。
现给出求解Kl和Kr的步骤:
对每个速度区间的数据对均进行操作:
轮速对应的矩阵为:
Vw=[vw,1 ... vw,N]T
时间同步和空间***一后,惯性器件速度对应的矩阵为:
则误差:
即可得到与Kl和Kr相关的最小二乘法问题:
根据最小二乘法问题的求解步骤,对误差项求关于状态变量Kl和Kr的导数:
具体的,该方程的解法为:
1)给定Kl和Kr的初值;
2)对于第k次迭代,求出当前的雅可比矩阵J和误差e;
3)求解高斯牛顿法的增量方程,得到Δx;
4)若Δx足够小,则停止,即得到所要求的Kl和Kr;
否则,令xk+1=xk+Δx,返回步骤2,重新执行该轮速修正方法的操作步骤。
步骤9:不同速度区间的数据处理后,生成的速度刻度系数查找表包括:速度以及不同速度条件下对应的路面条件因子和负载条件因子。
上述生成的速度刻度系数查找表格,格式如下:
速速度(km/h) | <![CDATA[路面条件因子K<sub>r</sub>]]> | <![CDATA[负载条件因子K<sub>l</sub>]]> |
0~0.5 | 0.02123 | 0.0254 |
0.5~1.0 | 0.01892 | 0.02224 |
1.0~1.5 | 0.02003 | 0.02784 |
... | ... | ... |
需要说明的,上述公开的速度区间对应的路面条件因子、负载条件因子数值仅为参考,具体在实施过程中,针对不同的速度区间,需要依据上述整体步骤进行合理的计算,进而得到相应的路面条件因子数值和负载条件因子数值。
基于本实施例,提出了一种在不同路面、变载荷条件下的速度刻度系数标定方法,用于IMU+轮速融合的里程计方案。
本实施例的技术方案,减小了轮速误差,提高了局部里程计的精度,另外,本实施例的最终结果为生成速度刻度系数查找表,通过标定,将GNSS信号固定到查找表中,可以满足无GNSS的情况,并且因为没有在线标定的计算,节省了算力,对运行平台的计算能力要求相对较低,对于嵌入式方式较友好,同样也适用于多场景、变载荷的轮速精度的标定,精度有较大程度的提高。
以上实施例仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种智能驾驶的轮速修正方法,用于自动驾驶车辆,自动驾驶车辆装载惯性导航***,其特征在于:该方法包括:
步骤1:加载标定的惯性器件与车辆中心之间的外参;
步骤2:获得惯性器件和轮速的相关信号;
步骤3:对惯性器件和轮速信号进行预处理;
步骤4:判断处理后的数据是否异常,如果异常返回步骤2;
步骤5:通过轮速大小,对无异常的数据进行速度区间划分归类;
步骤6:通过惯性器件的位置信息选择场景,加载相应预值;
步骤7:通过车身负载信号选择载重条件预值;
步骤8:求解轮速修正模型参数;
步骤9:生成对应的速度刻度系数查找表。
2.根据权利要求1所述的一种智能驾驶的轮速修正方法,其特征在于:该方法涉及的模块包括参数加载模块、数据采集模块、数据预处理模块、模型拟合模块、结果生成模块。
3.根据权利要求2所述的一种智能驾驶的轮速修正方法,其特征在于:该方法的具体步骤包括:
步骤1:通过参数加载模块加载标定惯性器件与车辆中心之间的外参;
步骤2:通过数据采集模块实时采集惯性器件与车辆轮速信号;
步骤3:通过数据预处理模块将步骤2采集的数据先做解析,再做时间和空间上的同步和统一;
步骤4:对步骤3处理后的轮速与惯性器件速度数据进行判断:
数据无异常执行以下步骤,数据异常则返回步骤2;
步骤5:通过轮速大小,对同步后无异常的轮速、惯性器件数据进行速度区间划分归类;
步骤6:通过惯性器件的位置信息判断所在场景,加载相应的路面条件因子Kr的预值;
步骤7:通过车身重量信号,加载负载条件因子Kl的预值;
步骤8:通过模型拟合模块求解轮速修正模型参数;
步骤9:通过结果生成模块最后生成对应的速度刻度系数查找表。
4.根据权利要求3所述的一种智能驾驶的轮速修正方法,其特征在于:步骤1中,加载参数包括:1)惯性器件到车辆中心的安装距离;2)惯性器件坐标系与车辆坐标系之间的相对角度。
5.根据权利要求3所述的一种智能驾驶的轮速修正方法,其特征在于:步骤2中,采集车辆轮速、惯性器件速度、惯性器件中IMU的加速度和角速度。
6.根据权利要求3所述的一种智能驾驶的轮速修正方法,其特征在于:步骤3中,通过惯性器件的时间戳对惯性器件的速度做线性插值,得到对应轮速时刻惯性器件的速度;
具体的插值方法为:
其中,vi,k为k时刻惯性器件的速度,vi,k+1为k+1时刻惯性器件的速度,ti,k为k时刻惯性器件的时间戳,ti,k+1为k+1时刻惯性器件的时间戳,tw为轮速的时间戳,vi ′为插值后惯性器件在te时刻的速度;满足:ti,k≤tw<ti,k+1;
时间上同步后,需要利用惯性器件与车辆中心之间的外参做空间上的对齐:
10.根据权利要求3所述的一种智能驾驶的轮速修正方法,其特征在于:步骤9中,不同速度区间的数据处理后,生成的速度刻度系数查找表包括:速度以及不同速度条件下对应的路面条件因子和负载条件因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211610139.9A CN115962791A (zh) | 2022-12-12 | 2022-12-12 | 一种智能驾驶的轮速修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211610139.9A CN115962791A (zh) | 2022-12-12 | 2022-12-12 | 一种智能驾驶的轮速修正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115962791A true CN115962791A (zh) | 2023-04-14 |
Family
ID=87358056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211610139.9A Pending CN115962791A (zh) | 2022-12-12 | 2022-12-12 | 一种智能驾驶的轮速修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115962791A (zh) |
-
2022
- 2022-12-12 CN CN202211610139.9A patent/CN115962791A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113945206B (zh) | 一种基于多传感器融合的定位方法及装置 | |
CN113819914B (zh) | 一种地图构建方法及装置 | |
CN109975792B (zh) | 基于多传感器融合矫正多线激光雷达点云运动畸变的方法 | |
CN112083725B (zh) | 一种面向自动驾驶车辆的结构共用多传感器融合定位*** | |
Schafer et al. | A commute in data: The comma2k19 dataset | |
CN113311411B (zh) | 一种用于移动机器人的激光雷达点云运动畸变校正方法 | |
CN112083726B (zh) | 一种面向园区自动驾驶的双滤波器融合定位*** | |
CN111323050B (zh) | 一种捷联惯导和多普勒组合***标定方法 | |
CN113819905B (zh) | 一种基于多传感器融合的里程计方法及装置 | |
US20040148093A1 (en) | Vehicle behavior detector, in-vehicle processing system, detection information calibrator, and in-vehicle processor | |
CN110077392B (zh) | 一种自动泊车定位***的航迹推算方法 | |
CN108345021B (zh) | 一种多普勒雷达辅助gps/ins车辆测速方法 | |
CN108051839B (zh) | 一种车载三维定位装置及三维定位的方法 | |
CN111238535B (zh) | 一种基于因子图的imu误差在线标定方法 | |
CN108759822B (zh) | 一种移动机器人3d定位*** | |
CN112904396A (zh) | 一种基于多传感器融合的高精度定位方法及*** | |
WO2024041156A1 (zh) | 车辆定位校准方法、装置、计算机设备及存储介质 | |
KR20190040818A (ko) | 차량 내부 센서, 카메라, 및 gnss 단말기를 이용한 3차원 차량 항법 시스템 | |
CN110426011A (zh) | 车辆转向角测量***及方法 | |
CN113008229B (zh) | 一种基于低成本车载传感器的分布式自主组合导航方法 | |
CN113494910B (zh) | 一种基于uwb定位的车辆定位方法、装置及存储介质 | |
CN110871824B (zh) | 一种轨道周围环境监测方法及*** | |
CN114475581B (zh) | 基于轮速脉冲和imu卡尔曼滤波融合的自动泊车定位方法 | |
CN116576849A (zh) | 一种基于gmm辅助的车辆融合定位方法及*** | |
CN115962791A (zh) | 一种智能驾驶的轮速修正方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |