基于TDSDA-最大混合因子图算法的高精度地图视觉定位方法.pdfVIP

摘要

近年来，随着自动驾驶技术的快速发展，基于高精度地图的车辆定位成为自动

驾驶领域的研究热点。高精度地图能够提供车辆定位所需的环境信息，此外，相较

于其他定位方法，基于高精度地图的车辆定位的成本更低，因此，越来越多的实验

和项目采用高精度地图实现车辆定位。

在基于高精度地图的视觉定位中，如何建立观测地标与高精度地图中地标之

间的数据关联是研究焦点之一。当地标类型识别出现错检、漏检或误检时，可能导

致建立错误的数据关联，进而影响车辆的定位准确性。本文提出一种新的TDSDA

（DataAssociationbasedonTargetDistanceSimilarity）算法，在位姿优化阶段采用

最大混合因子图优化模型，从而提高车辆定位的精度，本文主要内容包括：

（1）针对在地标类型识别错误时已有算法可能建立错误数据关联的问题，本

文提出了一种新的TDSDA算法，以提高建立数据关联的正确率。TDSDA算法尝

试对不同类型的观测地标及预测地标建立匹配关系，综合考虑观测地标与地图中

的地标之间的语义相似性、几何位置相似性、目标间距相似性建立数据关联。当地

标类型识别错误时，该算法能依靠几何位置相似性和目标间距相似性的约束，提高

建立数据关联的正确率。

（2）针对错误的数据关联对位姿估计的负面影响较大的问题，本文根据

TDSDA算法构建最大混合因子图优化框架，以进一步减小错误的数据关联对位姿

估计的负面影响。根据数据关联的结果，构建观测地标约束项，并融合里程计约束

项和GPS约束项，构建最大混合因子图优化模型，优化车辆位姿估计。在最大混

合因子图优化框架中，每一次迭代过程需要重新建立一次数据关联，以尝试修正迭

代前建立的错误数据关联，进一步减小错误的数据关联对位姿估计的负面影响。

（3）实验结果分析。本文分别采用数学仿真和CARLA仿真平台，对提出的

数据关联算法和车辆定位算法进行了实验。实验结果表明，即使在地标类型识别出

现错误的情况下，本文提出的算法也能建立正确的数据关联，避免了车辆定位过程

中因地标类型识别错误导致的数据关联错误，提高了位姿估计的准确度。

关键词：高精度地图；数据关联；自动驾驶；视觉定位；因子图优化

Abstract

Inrecentyears,withtherapiddevelopmentofautonomousdrivingtechnology,

vehiclelocalizationbasedonhighprecisionmapshasbecomearesearchhotspotinthe

fieldofautonomousdriving.High-definitionmapscanprovidetheenvironmental

informationrequiredforvehiclelocalization.Inaddition,comparedwithother

localizationmethods,thecostofvehiclelocalizationbasedonhigh-definitionmapsis

lower,therefore,moreandmoreexperimentsandprojectsadopthigh-definitionmapsto

realizevehiclelocalization.

Inthevisuallocalizationbasedonhigh-definitionmaps,howtoestablishdata

associationbetweenobservedlandmarksandlandmarksinhigh-definitionmapisoneof

theresearchfocuses.Whenthereisawrongdetection,omissionormisdetectionof

landmarktyperecognition,itmayleadtothe