1、基于点云极化表征与孪生网络的智能车定位陶倩文胡钊政*万金杰胡华桦张明(武汉理工大学智能交通系统研究中心武汉430063)(武汉理工大学信息工程学院武汉430070)(武汉理工大学重庆研究院重庆401120)摘要：基于3维激光雷达(LiDAR)的智能车定位在地图存储空间与匹配效率、准确率等方面仍存在诸多问题。该文提出一种轻量级点云极化地图构建方法：采用多通道图像模型对3维点云进行编码生成点云极化图，利用孪生网络结构提取并训练点云极化指纹，结合轨迹位姿信息构建点云极化地图。还提出一种基于点云极化地图匹配的智能车定位方法：采用孪生网络对查询指纹与地图指纹进行相似度建模实现快速的地图粗匹配，采用基于2
2、阶隐马尔可夫模型(HMM2)的地图序列精确匹配方法获取最近的地图节点，通过点云配准计算车辆位姿。使用实地数据集和公开的KITTI数据集进行测试。实验结果表明，地图匹配准确率高于96%，定位平均误差约为30cm，并对不同类型的LiDAR传感器与不同的场景具有较好的鲁棒性。关键词：智能车定位；点云极化表征；地图匹配；孪生网络中图分类号：TN249;TP242.6文献标识码：A文章编号：1009-5896(2023)04-1163-10DOI:10.11999/JEIT220140Intelligent Vehicle Localization Based on Polarized LiDARRep
3、resentation and Siamese NetworkTAOQianwenHUZhaozhengWANJinjieHUHuahuaZHANGMing(Intelligent Transportation Systems Research Center,Wuhan University of Technology,Wuhan 430063,China)(School of Information Engineering,Wuhan University of Technology,Wuhan 430070,China)(Chongqing Research Institute of Wu
4、han University of Technology,Chongqing 401120,China)Abstract:Intelligentvehiclelocalizationbasedon3DLightDetectionAndRanging(LiDAR)isstillachallengingtaskinmapstorageandtheefficiencyandaccuracyofmapmatching.Alightweightnode-levelpolarizedLiDARmapisconstructedbyaseriesofnodeswitha2DpolarizedLiDARimag
5、e,apolarizedLiDARfingerprint,andsensorpose,whilethepolarizedLiDARimageencodesa3Dcloudusingamulti-channelimageformat,andthefingerprintisextractedandtrainedusingSiamesenetwork.AnintelligentvehiclelocalizationmethodisalsoproposedbymatchingwiththepolarizedLiDARmap.Firstly,Siamesenetworkisusedtomodelthes
6、imilarityofthequeryandmapfingerprintsforfastandcoarsemapmatching.ThenaSecond-OrderHiddenMarkovModel(HMM2)-basedmapsequencematchingmethodisusedtofindthenearestmapnode.Finally,thevehicleisreadilylocalizedusing3Dregistration.TheproposedmethodistestedusingtheactualfielddataandthepublicKITTIdatabase.Ther
7、esultsindicatethattheproposedmethodcanachievemapmatchingaccuracyupto96%and30cmlocalizationaccuracywithrobustnessindifferenttypesofLiDARsensorsanddifferentenvironments.Key words:Intelligentvehiclelocalization;PolarizedLiDARrepresentation;Mapmatching;Siamesenetwork收稿日期：2022-02-15；改回日期：2022-06-13；网络出版：
8、2022-06-22*通信作者：胡钊政基金项目：武汉市科技局基金(2020010601012165,2020010602011973)，重庆市自然科学基金(cstc2020jcyj-msxmX0978)，国家重点研发计划(2021YFB2501100)FoundationItems:TheFundationsofWuhanScienceandTechnologyBureau(2020010601012165,2020010602011973),TheNaturalScienceFoundationofChongqing(cstc2020jcyj-msxmX0978),TheNationalKe
9、yResearchandDevelopmentProgramofChina(2021YFB2501100)第45卷第4期电子与信息学报Vol.45No.42023年4月JournalofElectronics&InformationTechnologyApr.20231 引言高精度、高稳定性的定位技术是智能车系统的关键。目前主流的智能车定位技术是基于全球定位系统(GlobalPositioningSystem,GPS)的定位技术。普通GPS定位误差为210m，需与高精度惯导或载波相位差分技术结合获得高精度定位，但无法适用于大范围卫星信号盲区1。2020年，中国科协公布的十大工程技术难题就包含“
10、无人车如何实现在卫星不可用条件下的高精度智能导航”问题2。针对这个问题，研究学者提供了许多辅助定位手段，按照传感器类型主要可分为视觉定位方法与LiDAR定位方法。视觉定位方法主要包括视觉里程计、视觉即时建图与定位(SimultaneousLocalizationandMap-ping,SLAM)以及基于视觉地图的定位方法3。视觉里程计计算连续帧之间的位姿，随着时间推移会产生累计误差，无法进行长时间定位。视觉SLAM采用闭环检测方法解决累计误差问题4，但在复杂交通场景下闭环检测的效率与准确率都难以满足智能车的实时性与安全性需求。近年来许多研究学者提出了基于视觉地图的定位方法5,6。李祎承等人5提
11、出利用多尺度视觉特征构建节点级视觉地图，并通过多尺度地图匹配实现车辆定位。视觉地图能提供稳定的位置参考，可有效避免累计误差问题，但由于光照变化、图像重叠视野较小等原因，视觉地图匹配的成功率较低。姚萌等人6提出利用语义信息与视觉地图序列进行匹配，有效地提高地图匹配的鲁棒性，但受限于图像重叠视野较小的原因，更适用于轻轨这类具有固定行驶轨道的场景。近年来随着成本降低，LiDAR成为智能车系统中的关键传感器。基于LiDAR的定位方法主要包括LiDAR里程计，LiDARSLAM7与基于LiDAR地图的定位方法811。与视觉相机相比，LiDAR可直接获取高精度的3维信息，无需3维重建且不受光照影响。但Li
12、DAR里程计与LiDARSLAM也具有累计误差与闭环检测效率低等问题。基于LiDAR地图的定位方法可根据LiDAR地图类型进行分类，LiDAR地图主要可分为3维全局地图8、栅格地图9、车道级地图10与节点级地图11等。Koide等人8利用正态分布变换算法配准查询点云与3维全局地图。百度9利用直方图滤波计算车辆在栅格地图中的位姿。但3维全局地图与栅格地图检索复杂，均需要高精度GPS装置提供先验信息缩小检索范围。胡钊政等人10通过LiDAR检测墙面并匹配车道级地图获取横向位置约束以增强定位精度。但车道级地图仅能利用稀疏的车道线、道路标志与墙面等提供横向或纵向约束，缺少完整的道路场景信息。Yin等人
13、11提出使用LocNet网络从点云中提取向量化指纹并与地图指纹进行相似度建模实现全局检索。Kim等人12提出一种基于点云的非直方图全局描述符并使用相似性评分计算点云间的距离实现全局定位。Chen等人13提出利用点云的多类信息进行特征学习从而估计点云之间的重叠率与偏航角。但这些方法需要在每个地图节点保存3维点云以进行点云配准与位姿估计，导致地图存储量过大，现有的网络传输设备难以支持用户端下载基于3维点云的节点级地图。具体而言，基于LiDAR地图的定位方法主要具有以下3类问题：(1)现有的LiDAR地图表征模型具有数据量大、存储量大等问题，导致地图检索效率低、传输实时性差；(2)现有的LiDAR地
14、图匹配方法缺少地图粗匹配方法，需要高精度定位装置提供先验信息；(3)现有的LiDAR地图匹配方法仍是对单帧点云与单帧地图节点之间的相似度进行建模，导致地图匹配的鲁棒性较差。针对以上问题，本文提出了轻量级点云极化地图表征方法与基于点云极化地图匹配的智能车定位方法，创新之处主要为以下两点：(1)提出了一种基于孪生网络的点云极化地图粗匹配方法。轻量级点云极化地图模型由一系列的节点组成，每个节点均包含点云极化图、点云极化指纹以及轨迹信息。其中点云极化图是一种基于多通道图像模型的3维点云无损轻量化表征模型，点云极化指纹是一种利用孪生网络结构从点云极化图中提取并训练的具有场景分辨能力的指纹信息。利用基于孪
15、生网络的点云极化指纹匹配方法可以实现快速的点云极化地图粗匹配，缩小地图检索的范围，无需GPS提供先验位置信息。(2)提出了一种基于HMM2的地图序列精确匹配方法。相比于单帧点云与单帧地图节点之间的相似度建模，该方法以地图节点序列作为状态，以查询点云极化图为观测，对查询图像与地图节点序列之间相似度进行建模，并融入地图节点间的拓扑关系与车辆运动学模型，增强地图匹配的鲁棒性与准确性。2 本文算法本文算法的整体框架如图1所示，主要包括点云极化地图构建方法与基于点云极化地图匹配的智能车定位方法。轻量级点云极化地图由一系列的数据采集节点构成，每个数据采集节点主要包括3种要素：点云极化图、点云极化指纹与轨迹
16、信息。智能车定位方法首先利用基于孪生网络的点云极化地1164电子与信息学报第45卷图粗匹配方法缩小定位范围，然后利用基于HMM2的地图序列精确匹配方法获取最近的地图节点，最后通过与最近地图节点之间的点云配准计算车辆位姿，从而实现智能车定位。2.1 点云极化地图构建2.1.1 点云极化表征模型FovRes(N,Fov/Res)I(row,col)pi(d,r,l,a)本文提出了一种轻量化、简洁化、结构化的点云极化表征模型，将无序的3维点云转化为有序的2维点云极化图，并能通过成熟的图像处理技术与深度学习技术进行特征提取与匹配。设定LiD-AR传感器包含N条激光束，水平视场角与分辨率为和，则所生成的点云极化图大小为。如图2所示，图像像素与3维点存在式(1)一一对应关系row=l+1col=aRes+1(1)rowcold r lapil0,N)a0,Fov)其中，和分别表示像素的行数与列数，并且,和 分别表示3维点 的距离信息、反射强度、激光束的线数与方位角。其中，且。机械式LiDAR传感器一般以16bit二进制形式输出距离，以8bit二进制形式输出反射强度。因此可利用3通道RGB图像的两个
