0 引言

    自主駕駛智能車輛的研究受到許多國家的重視，并成為研究的重要內容。車輛實現無人駕駛的前提是其配備的導航系統能夠實時、準確地提供車輛的狀態信息。其中以慣性導航系統（INS）和全球定位系統（GPS）提供信息更為豐富完備。車載導航系統常采用多傳感器進行組合導航，常見組合形式有INS/GPS組合導航。文獻[1]將GPS觀測姿態信息引入組合導航濾波模型，提高了組合導航系統的估計精度，且提高了方位失準角的估計速度，但是沒顧及在城市化道路中GPS信號易受建筑群遮擋，造成信號丟失或跳變的問題，因此有很多學者提出INS/GPS/視覺的組合方式。文獻[2]采用此方法，但該方法矩陣維數較高，易出現數值不穩定情況，存在不合理性。針對以上問題，本文提出一種新的組合導航方法，通過攝像頭采集的周圍環境信息對GPS的衛星數據進行篩選后再進行組合導航。并通過實車實驗驗證了其可靠的導航性能和突出的容錯性，具有較高的實用價值。

1 基于視覺篩選的組合導航方法系統框架

    本文提出的導航系統框架如圖1所示，通過機器視覺采集周圍環境信息，處理得到周圍建筑物對車體遮擋角度并與GPS接收到的衛星與地面夾角信息進行對比，判定GPS衛星有效性并篩選。由于GPS基于無線電定位技術，其中視距傳播(Line of Sight，LOS)是準確定位的必要條件。而移動端與基站間大多通過反射、散射、衍射方式到達接收端，多為非視距傳播（Not Line of Sight，NLOS），因此對GPS衛星數據的準確性篩選很有必要。

2 基于視覺篩選的GPS衛星有效性判定

2.1 視覺模塊坐標定義

    攝像頭成像變換涉及不同坐標系之間的轉換。在視覺系統中需將大地坐標系換算成攝像頭坐標系，大地坐標系原點O_w在車體重心正下方地面上，z_v軸垂直向上，x_v軸平行地面指向車體前進方向，y_v軸在圖中垂直紙面向外。O_c為攝像機坐標系原點，與O_w點的水平距離為l₁，與地面的垂直距離為l₂。α，β，γ分別為攝像頭旋轉角度，本文攝像頭只繞x，y，z軸旋轉，該軸與水平面傾斜角為α，旋轉角度β、γ為0。如圖2所示，(x_c，y_c，z_c)^T為攝像頭坐標系，大地坐標系中點(x_w，y_w，z_w)^T換算到(x_c，y_c，z_c)^T為攝像頭坐標系采用式(1)的方法^[3-5]。

    其中(t_x，t_y，t_z)^T為平移向量，R為旋轉矩陣。

    本文以大地坐標系為主坐標系，統一其他坐標系^[16]。視覺坐標系中X軸的正方向為行駛方向的負方向，Y軸的正方向垂直于X軸，水平向右。建筑物的特征點其在視覺坐標系中的坐標定義為(x_pvision，y_pvision)。攝像頭在大地坐標系中的位置是由GPS實時獲得的，其坐標為(x_v，y_v)，通過此坐標和智能車航向角可以將視覺坐標系轉換到大地坐標系下，求出目標點在大地坐標系下的坐標(x_p，y_p)。建筑物特征點在大地坐標中的坐標與視覺坐標系中的坐標可表示為：

2.2 周圍環境圖像處理方法

    圖像經處理后提取出代表建筑物特征的候選點。為了尋找建筑物上下角點，對圖像做Canny變換以累計概率霍夫變換尋找連續性較高的、近水平和豎直方向的直線簇作為建筑邊緣。尋找水平和豎直方向建筑邊緣的交點作為建筑物上角點，以上角點作垂線，與最大填充域的交點最為建筑物下角點。然后，分別計算各交點到車體的距離。最后求處于同一垂直線上的點（大于一個的）到車體點距離的余弦值^[6]。

    建筑物的俯仰角換算方法定義如下：

2.3 非視距環境下衛星信號可用性檢測

    本文采用改進的NLOS識別方法，主要為判斷車體周圍的建筑物是否遮擋了GPS提供的衛星信號，原理如圖3所示。

    其中，a，b分別表示被建筑物遮擋而進行非視距傳播的衛星與未被遮擋直接進行視距傳播的衛星。如果衛星的高度E_a、E_b以及與航向角夾角A_a、A_b屬于建筑物Bn遮擋區域，此衛星被定義為NLOS情況。衛星高度與車體所在位置水平切線的夾角定義為：

其中，r_s為衛星軌道半徑，r_e為地球半徑，L_s為衛星所處緯度，L_e為參照點所處緯度，l_s為衛星所處經度，l_e參考點的經度。

    因此，若cos(E_a)<cos(E_bn)，則說明衛星Sa俯仰角度大于前方建筑物Bn的俯仰角度，接收機接收到的Sa衛星傳輸數據屬于視距傳播，精確度高。若cos(E_a)≥cos(E_bn)則說明衛星S_a俯仰角度小于前方建筑物B_n的俯仰角度，接收機接收到的S_a衛星傳輸數據屬于NLOS傳播方式，精確度相對較低，此顆衛星提供的數據信息被篩掉，不參與下一步的組合導航。由于采用雙目攝像頭可以直接采集車體到前方建筑物距離信息，因此采用此方法計算量小，實時性好，能很好地滿足實際工程需求。

    經過視覺篩選后的GPS數據與INS采用松組合模式，狀態變量取為15維，包括3個相對平面坐標系的位置及速度誤差、姿態角誤差、加速度計偏差、陀螺漂移^[7-8]。

    其中F為系統狀態轉移矩陣，u為狀態過程噪聲向量。

    組合導航數據融合采用松耦合方式，取GPS/INS輸出的位置和速度之差作為觀測值，構造觀測量。

3 實驗分析

    本文以無人駕駛智能車BJUT-IV為實驗對象如圖4所示。BJUT-IV實驗平臺安裝應用載波相位技術的差分GPS，設備組為FlexPak-G2系列GPS接收處理機和PDL4535數傳電臺及GPS-702-GG接收天線。將攝像機安裝在導航車前端的支架上，距離地面高度為 1.73 m，與水平面平行，距車體中心約1 m。

    BJUT-IV組合導航控制系統以Microsoft VS2008為軟件開發平臺并引入MapX地圖控件，編寫了導航與定位系統軟件，利用此軟件平臺進行實驗驗證。

    實車實驗環境及周邊環境情況如圖5所示，試驗路段為一段兩側有連續建筑物群遮擋的NLOS路段，如下圖所示。

    BJUT-IV采用本文所提出的基于攝像頭的組合導航系統，重新定義坐標原點O于北緯39.871 9°，東經116.478 9°（即圖6中N8點為原點）。實驗中GPS/INS組合導航處理結果呈現于一臺移動電腦上，如圖6所示，視覺模塊單獨在一臺移動電腦上運行，如圖7所示。

    試驗車輛嚴格按照試驗道路中線以低于20 m/s的速度沿實驗路線低速行駛5次，為未采用視覺篩選法GPS數據，選取其中一次結果進行分析討論，如圖8所示，畫圈部分未有較大偏差，究其原因，由于道路周圍存在較高建筑物，遮擋了部分GPS衛星信號，導致其傳播方式為NLOS，即使采用跟蹤強度較高平滑度較好的濾波算法仍造成定位精度下降，圖8中N6到N7段路線出現多處偏差甚至跳變，此種情況和前文分析周圍建筑物群密集情況相符。

    如圖9所示，采用本文提出的導航方法對GPS數據信號進行篩選后，依舊行駛在建筑物密集的N6至N7路段軌跡，估計數據穩定準確，且在其他有建筑物遮擋的路段均未發生大偏差。

4 結 論

    無人駕駛智能車行駛在城市道路上，其配備導航系統容易受到連續建筑物群遮擋，進而造成接收機接收到的GPS信號為NLOS傳播方式，最終導致定位偏差甚至跳變的問題。本文提出的基于視覺篩選GPS信號的組合導航方法首先通過攝像頭采集到的車體周圍環境信息，處理得出周圍建筑物與車體當前位置形成的遮擋角度，并與此時接收機接收到的GPS導航的衛星所處俯仰角進行對比，若建筑物的遮擋角度大于衛星的俯仰角，則建筑物遮擋了部分衛星信號，造成衛星信號非視距傳播，導致定位精度下降，因此通過視覺模塊對此類衛星信號進行剔除。將經過視覺模塊篩選后的GPS衛星數據信息與慣導進行組合導航，從而最大限度降低由于建筑物群遮擋對車輛定位系統準確性造成的影響。實車實驗表明，無人駕駛汽車采用本文提出的基于機器視覺篩選的組合導航系統，能在道路兩側存在連續建筑物遮擋的情況下，保證定位信息不發生跳變，與傳統方法相比定位精度明顯提高，滿足了無人駕駛智能汽車在城市路況下導航需求，方法新穎且具有很高的工程實用價值。

參考文獻

[1] 周建軍.車輛自動導航定位與控制方法研究[D]．北京：中國農業大學，2009．

[2] Sun Chuanwei，Liu Jingao.The design of low-pass filter based on megacore functions[C].2nd International  Conference on Education Technology  and  Computer.2010，V1-24-V1-27.

[3] 邱茂林，馬頌德，李毅.計算機視覺中攝像機定標綜述[J].自動化學報，2000，26(1)：43－55．

[4] 楊少榮，吳迪靖，段德山.機器視覺算法與應用[M]．北京：清華大學出版社，2008．

[5] 趙穎，孫群，王書茂.單目視覺導航智能車輛的自定位方法[J]．計算機工程與設計，2008，29(9)：2372－2374．

[6] Jay A F，Tony D G，Matthew J B.Real-time differential carrier phase GPS-aided INS[J].IEEE Transactions on Control Systems Technology，2000，8(4)：709-720.

[7] 趙其杰，屠大維，高健，等.基于Kalman濾波的視覺預測目標跟蹤及其應用[J].光學精密工程，2008(5)：937-942.

[8] 吳鳳柱，何矞，焦旭，等.GPS/SINS緊組合導航系統信息融合技術研究[J].電子技術應用，2013(2)：67-69，73.