[发明专利]一种基于立体相机与IMU融合的低速无人车定位方法及系统

说明书

一种基于立体相机与IMU融合的低速无人车定位方法，包括以下步骤：步骤1：传感器数据获取及时空同步；步骤2：系统状态向量构建；步骤3：系统初始化判断；步骤4：车辆运动信息传播；步骤5：图像特征提取及跟踪；步骤6：立体相机状态及协方差增广；步骤7：车辆运动信息校正；步骤8：滑动窗口状态管理；步骤9：IMU/无人车车体坐标系位姿转换；步骤10：无人车位姿估计值实时输出。本发明还包括基于立体相机与IMU融合的低速无人车定位系统，包括数据获取层、数据预处理层、算法决策层和状态显示层等。本发明能够在缺失GPS及BDS信号等环境中根据无人车的真实运动轨迹生成精确的位姿信息，是一种低成本、高精度的组合定位方案，可以快速、方便地部署在无人车平台上以实现精确且鲁棒的车辆定位，对缺失GPS及BDS信号等环境中的低速无人车定位具有非常大的参考价值。

技术领域

本发明涉及无人驾驶领域，具体涉及一种基于立体相机与IMU融合的低速无人车定位方法及系统。

背景技术

近年来，随着传感器成本的降低、计算机计算能力的提升以及人工智能行业的兴起，无人驾驶日益成为了当前的热门研究领域。其中，实现精确、鲁棒的车辆定位是无人车进行环境感知、路径规划和自主导航的关键技术之一，具有非常重要的研究价值。目前，已有的全局车辆定位技术主要包括全球定位系统(Global Positioning System,GPS)、北斗卫星导航系统(BeiDou Navigation Satellite System,BDS)等，其在信号良好的开阔环境中的定位精度相对较高、可达到厘米级，但在山区、隧道、城市街道和地下车库等环境中由于信号易受干扰、存在多路径效应等问题，从而导致车辆定位精度下降甚至定位失败。

由于单一传感器的定位精度和稳定性有限，无法满足车辆的实际定位需求，因此多传感器数据融合方式受到了无人驾驶领域的广泛关注。同时，考虑到相机和惯性测量单元(Inertial Measurement Unit,IMU)的低成本、微型化以及两者之间存在较强的互补性等因素，基于相机与IMU融合的视觉惯性里程计(Visual Inertial Odometry,VIO)技术受到了较多研究者的青睐，在无人驾驶等领域得到了广泛应用。然而，将VIO系统直接应用于无人驾驶领域仍面临着一些严峻挑战。例如，无人车车载计算单元的计算能力有限以及经常行驶于光照变化、纹理缺失和结构退化等复杂环境中，等等。因此，有效提高VIO系统应用于GPS及BDS信号缺失等环境下的低速无人车定位性能，是目前亟需解决的重要问题。

发明内容

为了解决上述的技术问题，本发明提出了一种基于立体相机与IMU融合的低速无人车定位方法及系统，结合多状态约束卡尔曼滤波器(Multi-State Constraint KalmanFilter,MSCKF)框架，利用IMU测量传播车辆运动信息，并利用立体相机观测实现对车辆运动信息的校正，从而实现实时、准确的低速无人车定位。

为了实现上述目的，本发明采用以下技术方案：

一种基于立体相机与IMU融合的低速无人车定位方法，包括以下步骤：

步骤1：传感器数据获取及时空同步，通过车载传感器采集无人车当前的环境信息，包括立体相机获取的图像信息以及六轴IMU获取的三轴角速度和三轴加速度数据，定义立体相机、IMU、无人车车体和世界坐标系、并完成立体相机与IMU坐标系之间的时空同步；

步骤2：系统状态向量构建，在MSCKF框架下构建系统状态向量，并将立体相机与六轴IMU间的联合外参加入到系统状态向量中以实现在线空间标定；

步骤3：系统初始化判断，若未完成初始化，则执行初始化，若已经完成初始化，则执行步骤4；

步骤4：车辆运动信息传播，根据IMU的运动学模型和测量模型构建IMU误差状态的线性化连续时间模型及系统状态协方差矩阵，然后分别执行系统状态向量及协方差矩阵传播，从而完成车辆运动信息传播；