【摘要】：在信息時代的今天,無人駕駛技術和駕駛輔助技術正在日益受到業(yè)界人士的關注,為了更好地解決駕駛者在駕駛過程中的導航問題同時體驗更好、更舒適的駕駛感覺,使得駕駛者的雙手得到解放。無人駕駛汽車能夠在道路上安全的行駛,無不依靠更高精度的導航電子地圖的參與,特別是車道級別的導航地圖數據庫的建立在其中扮演著絕對重要的角色。車道級別的要素信息需要獲取的前期數據包括道路形狀,車道的曲率、坡度、航向、高程以及側傾等主要數據。根據道路設計安全理念,為了車輛的行駛安全,道路的線形設計幾乎都是以曲線為主,而每條曲線的曲率都是不同的,特別是在智能駕駛高精度導航電子地圖表達中更要對車輛進行實時提醒,所以,道路曲率的準確性在道路屬性數據中起到至關重要的作用,這直接關系到自動駕駛車輛能否在道路上安全行駛。高精度導航電子地圖的高精度,一方面意味著高精度導航地圖的絕對坐標的精度較普通電子地圖的精度更高,圖上坐標精度即是指地圖上的物體與外界真實世界之間的精確性;另一方面,高精度導航地圖的屬性信息中包含了更多、更豐富和更詳細的道路交通信息元素。本文在研究高精度導航地圖的發(fā)展現狀以及道路曲率估計方法的基礎上,根據本文所采用實驗數據的特點,提出了一種基于GNSS數據計算道路曲率的“迭代圓曲率估計算法”。首先,對每條路段的原始數據曲線擬合進行預處理,以等間距內插的方式生成擬合曲線的折線,然后將生成的折線利用立體投影的方法投影到單位球上,再根據最小二乘法則,在單位球上尋找數據點的最佳擬合平面,以及擬合平面與單位球的相交圓,相交圓立體投影到赤道面就可以得到相應的圓弧和曲線,識別得到的曲線按圓心角的大小分類為:無曲線、簡單曲線、復合曲線、逆曲線和螺旋曲線等五種類型,通過識別結果證明利用本文提出的最小擬合圓算法所提取的道路邊線具有準確性且保證了邊界點精度。本文在道路曲率精度驗證方面主要分為兩個步驟。第一步是曲線庫構建,將GNSS-RTK采集的道路邊線數據進行處理后,利用識別的五種曲線進行曲線數據庫的建立,以備后面精度驗證之用。第二步是曲線精度驗證,將點云數據擬合后內插得到的曲線節(jié)點坐標數據導入系統(tǒng),自動進行數據的檢測和曲線曲率值對比驗證,最終得出驗證結果,直接導出保存進行后續(xù)的數據分析。本文的主要考核數據為道路邊線的曲率估計值,對兩種數據進行精度驗證以及數據分析看出,同一曲線段曲率值的差值最大值為8.99×10~(-3),最小值為5.7×10~(-6),差值均方根為3.38×10~(-3),平均值差值的相對精度為1/442,該精度達到預期設想。通過與點云數據提取的道路邊線曲率進行對比,結果表明該方法整體完成較好,實現了在提高運算效率的同時又保證了成果精度的預期目標。
【圖文】：

圖 3-2 近景圖像投影到三維點云Fig. 3-2 Close-range image projection to 3D point cloud.3.2 區(qū)域生長區(qū)域增長分割的主要目的是將點云數據劃分為若干有意義的區(qū)域。這種方法檢查種子點的鄰域區(qū)域，并確定是否將鄰域添加到該區(qū)域。如果相鄰點云屬于該區(qū)域，們的鄰域也會被重復檢查，直到沒有更多數據添加為止。在一個區(qū)域完成區(qū)域生長后一個區(qū)域再次擴大并帶有另一個種子點。這個過程一直運行直到沒有更多的數據保域增長算法易于實現并且適用于同時使用多個準則。此外，從當前位置檢查可達區(qū)是合適的。點云分割中，基于模型擬合方法的替代方法是區(qū)域增長算法[40]。Besl 和 Jain 在 19提出來的方法包含兩個階段：第一步，基于平均值和每個點的高斯曲率及其符號化分割；第二步，使用基于變量二元曲面擬合生長的迭代區(qū)域對粗分割的結果進行細割。之后，其他人則采用這種方法多次進行三維點云的分割。例如，2002 年，Go用 TIN 三角形作為種子區(qū)域[41]，根據相鄰三角形之間的角度和距離為特征值來進行生長分割，基于此，種子區(qū)域用來生長其他三角形達到分割目的。2005 年，Tóv

圖 3-3 該區(qū)域向四鄰域發(fā)展Fig.3-3 The region growing toward four neighborhood復持續(xù)檢查四個鄰域中未標記的像素，并且具有區(qū)域生長標準的滿黑色粗體邊界是中點八個相鄰的估計法向量。準中的特征類型及其組合對于增強分段結果至關重要。對差和梯度被用來考慮掃描車輛可以從中心點到達的地方。如估計一個點上的局部表面的法向矢量，所述法向矢量被分配差值i ,jdn 由兩個法向量的內積得出；下標 i 表示當前點索引，j 表示兩個相鄰點之間的相關性。梯度i ,jg 表示兩點之間的差除以兩個連續(xù)點之間的距離。光雷達的特點，，與傳感器的距離越近，由于傳感器噪聲量較矢量噪聲。因此，導出的特征值通過平均濾波器被平滑，并thresd 內的高度差i ,jdh 交替。區(qū)域生長準則由 S 形函數的歸一, ,,i j i j thresi jdh if d df ≤ =
【學位授予單位】：北京建筑大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：U463.67;U495

【參考文獻】

相關期刊論文 前10條

1 馬浩;王留召;;基于車載激光點云的道路邊線自動分類與提取[J];測繪科學;2014年06期

2 李明輝;田雪冬;胡維強;;基于車載三維激光掃描的道路線提取研究[J];測繪與空間地理信息;2014年04期

3 方莉娜;楊必勝;;車載激光掃描數據的結構化道路自動提取方法[J];測繪學報;2013年02期

4 王果;崔希民;袁德寶;張強;王立鴻;;車載激光點云領域比較的道路邊線提取方法[J];測繪通報;2012年09期

5 賈立山;羅劍;李世其;;基于車道線直線模型的道路曲率估計方法[J];江蘇大學學報(自然科學版);2012年04期

6 彭志;李傳榮;周梅;;基于最小二乘曲線擬合法的點云濾波算法研究[J];遙感信息;2011年05期

7 王志鋼;;中國導航電子地圖行業(yè)的發(fā)展現狀和前景[J];數字通信世界;2011年02期

8 劉丹;宋偉東;;基于邊界點云數據的3次B樣條曲線擬合[J];交通科技與經濟;2009年06期

9 唐力明;丁華祥;朱紫陽;;應用車載DGPS數據計算道路線形參數[J];測繪科學技術學報;2008年05期

10 馮曉;李敏;楊佳;張明;;不同類型緩和曲線的正算與反算的通用算法[J];測繪通報;2008年06期

相關碩士學位論文 前5條

1 蔡尚書;車載激光點云地面濾波與道路識別方法研究[D];山東科技大學;2017年

2 李強;無人駕駛車輛的行道線檢測方法研究[D];南京理工大學;2017年

3 張莉婷;基于出租車GPS軌跡的導航道路數據更新[D];昆明理工大學;2014年

4 丁宇虹;導航電子地圖中道路網增量縮編更新信息的提取[D];首都師范大學;2013年

5 劉丹;基于點云數據的曲線擬合[D];遼寧工程技術大學;2009年

本文編號：2699990