朱云濤 李 飛 胡釗政▲ 吳華偉

（1.武漢理工大學(xué)智能交通系統(tǒng)研究中心 武漢 430063；2.武漢理工大學(xué)重慶研究院 重慶401120；3.湖北文理學(xué)院汽車與交通工程學(xué)院 湖北 襄陽 441053）

0 引 言

近些年，“汽車智能化”越來越受到學(xué)術(shù)界和工業(yè)界的關(guān)注，其中的高精度定位技術(shù)[1]是智能車技術(shù)的基礎(chǔ)和核心。激光雷達(dá)[2]由于有探測精準(zhǔn)、信息量豐富、抗干擾性強(qiáng)等優(yōu)點(diǎn)，被廣泛應(yīng)用在智能車定位領(lǐng)域。

基于激光雷達(dá)的定位主要分為激光SLAM[3]（simultaneous localization and mapping）和地圖定位[4]2種。Zhang等[5]提出實(shí)時(shí)建立三維點(diǎn)云地圖并基于地圖矯正位姿的方法，但該方法在線建圖較耗時(shí)且隨運(yùn)動(dòng)距離增長會(huì)產(chǎn)生累積誤差。K.Koide等[6]同時(shí)融合GPS，慣性測量單元和激光雷達(dá)進(jìn)行實(shí)時(shí)建圖和定位，引入了閉環(huán)優(yōu)化策略大大改善了累積誤差和定位高程差問題，但實(shí)際中閉環(huán)檢測和優(yōu)化非常困難。而地圖定位由于地圖離線采集、精度高等優(yōu)點(diǎn)，目前已經(jīng)被廣泛應(yīng)用于工程實(shí)踐和生活當(dāng)中。

語義地圖是通過語義分割建立的地圖。S.Thrun等[7]利用投影網(wǎng)格中點(diǎn)的高度差分割地面，D.Zermas等[8]對分段的地面點(diǎn)云分別利用RANSAC分割地面；彭澤民等[9]提取標(biāo)準(zhǔn)圖片與待識(shí)別圖片的垂直、水平方位的灰度分布，通過計(jì)算Pearson相關(guān)系數(shù)識(shí)別交通標(biāo)志牌；李游[10]對體素化后的數(shù)據(jù)進(jìn)行垂直連續(xù)性分析，同時(shí)結(jié)合自適應(yīng)圓柱模型的方法分割桿狀物。這些單一方法都存在欠分割和使用場景單一的缺點(diǎn)。

利用語義地圖[11]對智能車定位意義重大。R.Dube等[12]將分割的語義目標(biāo)直接匹配實(shí)現(xiàn)場景識(shí)別，但分割目標(biāo)包括車輛等靜態(tài)物體，影響后續(xù)定位。Liu等[13]利用語義地圖中各語義目標(biāo)的拓?fù)潢P(guān)聯(lián)信息實(shí)現(xiàn)場景識(shí)別，但單一的拓?fù)湫畔⒉荒芎芎玫乇碚鲌鼍啊hen等[14]使用深度學(xué)習(xí)剔除動(dòng)態(tài)語義目標(biāo)以實(shí)現(xiàn)靜態(tài)語義地圖的構(gòu)建和智能車定位，但深度學(xué)習(xí)方法存在參數(shù)多、訓(xùn)練量大的缺點(diǎn)。基于地圖的智能車定位分為節(jié)點(diǎn)級(jí)定位和度量級(jí)定位2個(gè)部分，本文主要研究基于地圖的節(jié)點(diǎn)級(jí)定位。

本文提出了1種基于3D點(diǎn)云語義地圖表征的智能車定位方法，分為語義分割、地圖表征、定位3個(gè)部分。分割的語義目標(biāo)由地面、交通標(biāo)志牌、桿狀物組成；地圖表征模型由一系列位置節(jié)點(diǎn)組成，各位置節(jié)點(diǎn)由語義編碼和高精度全局位置共同表征，其中語義編碼的生成先后經(jīng)過語義俯視投影、帶權(quán)有向圖生成、語義路生成和語義路編碼4個(gè)過程，高精度全局位置由高精度慣導(dǎo)的數(shù)據(jù)表征；定位時(shí)，首先利用地圖節(jié)點(diǎn)的全局位置進(jìn)行GPS粗定位，然后采用語義編碼漸進(jìn)匹配的策略完成節(jié)點(diǎn)級(jí)定位，最后完成整個(gè)智能車定位過程。

1 本文算法

1.1 系統(tǒng)概述

圖1為系統(tǒng)流程圖，系統(tǒng)共分為3個(gè)模塊。

圖1 系統(tǒng)流程圖Fig.1 Flow of the system

1）語義分割。首先，對點(diǎn)云預(yù)處理和規(guī)則化實(shí)現(xiàn)地面點(diǎn)云分割；然后，基于反射強(qiáng)度和形狀特征實(shí)現(xiàn)交通標(biāo)志牌的篩選；最后，利用基于對象分析的方法分割桿狀物。

2）地圖表征。利用語義編碼對地圖節(jié)點(diǎn)作語義表征，利用組合慣導(dǎo)采集的高精度GPS對地圖節(jié)點(diǎn)作全局位置表征，再由一系列位置節(jié)點(diǎn)組成語義地圖表征模型。

3）定位。在語義地圖表征模型建立后，通過GPS粗定位確定待定位節(jié)點(diǎn)在地圖中的大致范圍，語義編碼漸進(jìn)匹配確定與當(dāng)前車輛位置相距最近的表征模型的節(jié)點(diǎn)。

1.2 基于三維激光點(diǎn)云的語義分割

地面點(diǎn)占據(jù)整個(gè)點(diǎn)云的絕大部分，對分割影響較大，需要在分割其他物體前剔除；交通標(biāo)志牌和桿狀物是道路場景的典型靜態(tài)特征，其形狀規(guī)則且特征顯著，分別代表了場景的水平維度特征和豎直維度特征；因此本文選擇這三者作為語義分割對象。

1.2.1 基于俯仰角評(píng)估的地面分割

對規(guī)則化后的點(diǎn)云作俯仰角評(píng)估實(shí)現(xiàn)地面點(diǎn)云分割，見圖2。先通過條件濾波截取設(shè)定范圍內(nèi)的點(diǎn)云，再用統(tǒng)計(jì)濾波器去除離群點(diǎn)，再對點(diǎn)云規(guī)則化，即求出任意1個(gè)點(diǎn)的行和列下標(biāo)，則點(diǎn)Pi(xi，yi，zi)的垂直角θvi和水平角θhi分別為

圖2 俯仰角評(píng)估示意圖Fig.2 Schematic of pitch angle evaluation

式中：(xi，yi，zi)為點(diǎn)云p中第i個(gè)點(diǎn)云pi的坐標(biāo)；sqrt()為平方根函數(shù)；arctan（）為僅正切函數(shù)。

點(diǎn)P(xi，yi，zi)的水平序號(hào)IDh為

式中：θres為激光雷達(dá)的垂直角分辨率；θh為激光點(diǎn)云的水平角；floor()為向下取整函數(shù)。

分別連接相同水平序號(hào)的相鄰2個(gè)點(diǎn)，即點(diǎn)Pa(xa，ya，za)和其上面1個(gè)點(diǎn)Pb(xb，yb，zb)，則其的俯仰角θab為

式中：abs（）為絕對值函數(shù)；xab，yab和zab分別為對應(yīng)方向的坐標(biāo)。由于實(shí)際中城市道路斜面坡度很小，本文設(shè)置俯仰角閾值為10°，若滿足θab≤θmax，則認(rèn)為pb屬于地面點(diǎn)云。

1.2.2 基于反射強(qiáng)度和形狀特征的交通標(biāo)志牌分割

利用反射強(qiáng)度和形狀特征從地面分割后的剩余點(diǎn)云中繼續(xù)分割交通標(biāo)志牌。設(shè)置強(qiáng)度閾值對點(diǎn)云粗分割，將點(diǎn)云分割為大強(qiáng)度點(diǎn)云和小強(qiáng)度點(diǎn)云?；趶?qiáng)度對交通標(biāo)志牌作粗分割的具體的效果見圖3。

圖3 交通標(biāo)志牌粗分割Fig.3 Coarse segmentation of traffic signs

大強(qiáng)度點(diǎn)云包含絕大多數(shù)明顯的交通標(biāo)志牌，對其歐式聚類，再對各聚類點(diǎn)云基于3種先驗(yàn)信息構(gòu)建多級(jí)濾波器完成精確分割，多級(jí)濾波器中設(shè)置點(diǎn)云數(shù)量閾值Nmin，高度閾值Hmin，高度差閾值Hdiff，當(dāng)聚類Ci同時(shí)滿足

則該聚類Ci為最終分割的交通標(biāo)志牌。

小強(qiáng)度點(diǎn)云可能包含背面朝向激光雷達(dá)的交通標(biāo)志牌，以下對小強(qiáng)度點(diǎn)云實(shí)施精分割，精分割最終效果見圖4。舍棄高度Hi＜Hmin的點(diǎn)，以去除灌木叢等干擾物，再利用PCA（principal component analysis）算法求出對應(yīng)的特征值λ1，λ2和λ3以描述點(diǎn)云的形態(tài)特征，設(shè)λ1≥λ2≥λ3，D為空間維度，則有以下關(guān)系。

圖4 交通標(biāo)志牌精分割Fig.4 Precise segmentation of traffic signs

由于道路上的交通標(biāo)志牌附著在桿狀物體上，其點(diǎn)云集具有平面維度特征，因此若檢測到某點(diǎn)云點(diǎn)集的空間維度D=2，則表明其可能含有交通標(biāo)志牌。其次再通過點(diǎn)的曲率特征，定義某幀點(diǎn)云中某1個(gè)點(diǎn)pi的曲率為

式中：|S|為點(diǎn)集S中的點(diǎn)云數(shù)量，S為與pi在同1條激光線束上的點(diǎn)集，且S表示的點(diǎn)集均勻分布在pi的兩側(cè)；ri為點(diǎn)云pi與激光坐標(biāo)系原點(diǎn)間的歐式距離；rj為S中另1個(gè)點(diǎn)云pj與激光坐標(biāo)系原點(diǎn)間的歐式距離；計(jì)算出某1個(gè)點(diǎn)的曲率后，設(shè)置曲率閾值cth，當(dāng)滿足ci＜cth則該點(diǎn)為平面上的點(diǎn)云。最終利用上述基于先驗(yàn)信息的多級(jí)濾波器篩選出交通標(biāo)志牌。

綜合對大強(qiáng)度點(diǎn)云的分割結(jié)果和對小強(qiáng)度點(diǎn)云的分割結(jié)果，可準(zhǔn)確提取整個(gè)場景中的交通標(biāo)志牌。

1.2.3 基于對象分析的桿狀語義目標(biāo)分割

利用基于對象分析的方法從地面分割、交通標(biāo)志牌分割后的剩余點(diǎn)云中分割桿狀目標(biāo)，其主要包括桿狀交通設(shè)施和樹干。

對濾除地面和交通標(biāo)志牌后的剩余點(diǎn)云歐式聚類生成點(diǎn)簇對象集合，該對象集合中存在僅包含單個(gè)物體的點(diǎn)簇對象和可能包含桿狀物的混合點(diǎn)簇對象。通過最小外包盒和迭代最小割結(jié)合的方法從混合對象中初步分割桿狀物，生成所有點(diǎn)簇對象的最小外包盒并設(shè)置篩選條件。

式中：st，Smin，zt，Hmin分別為最小外包盒在水平面上的俯視投影面積、面積閾值、最小外包盒高度、高度閾值。將滿足該條件的對象稱為混合點(diǎn)云對象，其次利用迭代最小割法[15]從中分割桿狀目標(biāo)。

歐式聚類和迭代最小割后，桿狀目標(biāo)被分割成一個(gè)個(gè)獨(dú)立的點(diǎn)簇對象。鑒于桿狀物豎直方向的半徑變化均勻且高度較高，本小節(jié)剔除大于一定高度的點(diǎn)簇對象后，用切片生長法從剩余點(diǎn)簇對象中分割出桿狀物，見圖5，步驟如下。

圖5 切片生長法分割Fig.5 Segmentation of slice growth

1）將點(diǎn)簇對象沿豎直方向均勻橫切形成若干切片，計(jì)算各切片的對角線長度di。

2）從下往上依次比較兩兩相鄰切片的對角線長度差Ddiff和長度差閾值dt，若Ddiff＜dt則連接切片并進(jìn)行切片增長生成增長切片。

3）設(shè)置閾值ds和Hs，按順序計(jì)算各增長切片對角線長度d和垂直高度H，若d＜ds且H＞Hs,若最終保留的增長切片數(shù)不為0，則為桿狀目標(biāo)。

1.3 面向智能車的點(diǎn)云語義地圖表征

對智能車道路場景做地圖表征，表征過程見圖6，該模型由一系列地圖節(jié)點(diǎn)組成，各地圖節(jié)點(diǎn)由語義編碼和高精度全局位置組成,全局位置表示為通用橫墨卡托（universal transverse mercator，UTM）坐標(biāo)。

圖6 點(diǎn)云語義地圖模型Fig.6 Semantic map modeling from point clouds

1.3.1 地圖節(jié)點(diǎn)的語義表征

首先生成語義編碼：以語義目標(biāo)的整體點(diǎn)云質(zhì)心代替實(shí)際物體，將分割的交通標(biāo)志牌和桿狀語義目標(biāo)作俯視投影得到語義俯視投影圖，見圖7。

圖7 語義俯視投影圖Fig.7 Semantic overhead projection

本文規(guī)定俯視圖左下角為起點(diǎn)，右上角為終點(diǎn)，從起點(diǎn)重復(fù)遍歷各類目標(biāo)至終點(diǎn)結(jié)束，生成的帶權(quán)有向圖見圖8，語義目標(biāo)間的權(quán)值以歐式距離表示。

圖8 語義帶權(quán)有向圖Fig.8 Semantically weighted digraph

記錄下每條路徑下的所有信息，包括目標(biāo)節(jié)點(diǎn)序列、目標(biāo)節(jié)點(diǎn)間距離、目標(biāo)最小外包盒尺寸以及目標(biāo)離地高度，生成1條語義路。式（11）表示從起點(diǎn)S經(jīng)過dsp1距離遍歷到桿狀目標(biāo)，再經(jīng)過dp1s1遍歷到交通標(biāo)志牌，再經(jīng)過ds1E距離到達(dá)終點(diǎn)E。

式中：lp1，wp1，hp1，zp1max分別為最小外包盒的長、寬、高和離地高度；p和s分別為桿和交通標(biāo)志牌；1和2分別為桿和交通標(biāo)志牌，最終所有語義路構(gòu)成該場景的場景語義編碼，見圖9。

圖9 場景語義編碼Fig.9 Scene semantic coding

1.3.2 地圖節(jié)點(diǎn)的全局位置表征

利用組合慣導(dǎo)結(jié)合實(shí)時(shí)動(dòng)態(tài)（real-time kinematic，RTK）載波相位差分技術(shù)采集高精度的GPS信息，由于智能車行駛的道路環(huán)境可以簡化為二維平面，UTM坐標(biāo)系統(tǒng)使用基于網(wǎng)格的方法將地球的球面經(jīng)緯度坐標(biāo)轉(zhuǎn)換成平面直角坐標(biāo)，因此將節(jié)點(diǎn)的高精度GPS坐標(biāo)投影到UTM平面坐標(biāo)系中，即通用橫軸墨卡托投影系統(tǒng)，以高精度UTM坐標(biāo)表征地圖節(jié)點(diǎn)的全局位置。

1.4 基于語義表征模型的智能車定位

本文以道路場景的地圖模型為基礎(chǔ)，將智能車定位分為粗定位和節(jié)點(diǎn)級(jí)定位。定位時(shí)只需要激光雷達(dá)和普通的GPS設(shè)備。

粗定位時(shí)，主要利用普通GPS縮小定位范圍，即根據(jù)待定位節(jié)點(diǎn)的GPS信息轉(zhuǎn)換成的UTM信息，從地圖表征模型的地圖節(jié)點(diǎn)中確定與當(dāng)前待定位節(jié)點(diǎn)最相近的幾個(gè)地圖節(jié)點(diǎn)，該過程通過比較節(jié)點(diǎn)間的UTM坐標(biāo)的歐式距離完成，最后得到節(jié)點(diǎn)候選集，粗定位過程見圖10。

圖10 GPS粗定位Fig.10 GPS coarse positioning

節(jié)點(diǎn)級(jí)定位時(shí)，通過不同節(jié)點(diǎn)對應(yīng)的語義編碼之間的匹配實(shí)現(xiàn)，以編碼中的語義路匹配數(shù)量表征節(jié)點(diǎn)間的匹配度，從節(jié)點(diǎn)候選集中選出和當(dāng)前待定位節(jié)點(diǎn)匹配度最高的地圖節(jié)點(diǎn)，節(jié)點(diǎn)級(jí)定位見圖11。設(shè)semanticRoadj為待定位節(jié)點(diǎn)中的某條語義路，MSR={semanticRoadMi|i=1,2,…,n}為GPS粗定位后節(jié)點(diǎn)候選集中某個(gè)節(jié)點(diǎn)包含的語義路集合，待定位節(jié)點(diǎn)和候選節(jié)點(diǎn)間的語義路匹配依次按以下規(guī)則。

圖11 節(jié)點(diǎn)級(jí)定位Fig.11 Node-level Localization

1）目標(biāo)種類序列匹配。設(shè)semanticRoadj的目標(biāo)種類序列為S12121E，若MSR中存在某語義路序列與其相同則匹配成功。

2）最小外包盒和離地高度匹配。若語義路間對應(yīng)種類的語義目標(biāo)符合以下條件則匹配成功。

3）路徑權(quán)值匹配。設(shè)2個(gè)語義路集合的路徑權(quán)值集合為{di|i=1,2,…,N}和{dj|j=1,2,…,N}，若滿足以下條件稱匹配成功。

式中：dth為路徑間的權(quán)重閾值；N為路徑總數(shù)，通常經(jīng)過以上3個(gè)步驟可以確定出1條與semanticRoadj匹配上的語義路。

4）匹配唯一性檢驗(yàn)。當(dāng)semanticRoadj與MSR中多條語義路匹配時(shí)，此步確定出匹配度最高的語義路,設(shè)和分別為語義路中第m對桿狀物的距離和第n對交通標(biāo)志牌間的距離，D為2條語義路的最終距離，則有

2 實(shí)驗(yàn)與分析

實(shí)驗(yàn)平臺(tái)為搭載激光雷達(dá)和組合慣導(dǎo)的比亞迪E5智能車，見圖12(a)，其上搭載的激光雷達(dá)和組合慣導(dǎo)系統(tǒng)的安裝位置見圖12(b)。實(shí)驗(yàn)數(shù)據(jù)集由智能車以20～40 km/h的速度行駛在武漢市臨江大道上采集，雷達(dá)和慣導(dǎo)采集節(jié)點(diǎn)的頻率均為10 Hz且時(shí)間已同步，相鄰節(jié)點(diǎn)間距約0.5 m，實(shí)驗(yàn)共采集3組數(shù)據(jù)集，總長度為3 576 m，覆蓋面積為47 628 m2，各數(shù)據(jù)集采集場景見圖12，其中：①數(shù)據(jù)集1閉環(huán)采集路線的總長度為792 m，地圖占用空間50.4 MB，共1 175個(gè)數(shù)據(jù)節(jié)點(diǎn)；②數(shù)據(jù)集2閉環(huán)采集路線的總長度為1 087 m，地圖占用空間91.2 MB，共1 987個(gè)數(shù)據(jù)節(jié)點(diǎn)；③數(shù)據(jù)集3閉環(huán)采集路線3的總長度為1 697 m，地圖占用空間168.3 MB，共3 077個(gè)數(shù)據(jù)節(jié)點(diǎn)。

圖12 實(shí)驗(yàn)平臺(tái)和數(shù)據(jù)集路線Fig.12 Experimental platform and data set route

2.1 多語義目標(biāo)分割的實(shí)驗(yàn)

為充分驗(yàn)證多語義目標(biāo)分割算法的準(zhǔn)確性，在3個(gè)數(shù)據(jù)集上分別對地面、交通標(biāo)志牌和桿狀物的分割算法做實(shí)驗(yàn)驗(yàn)證。

2.1.1 地面語義分割

以改進(jìn)的RANSAC算法[16]為對比算法，取每次擬合的最優(yōu)模型為最終模型，由于地面在激光雷達(dá)下方，只需對垂直角度小于0°的點(diǎn)云作地面分割，本文算法和RANSAC效果對比見圖13。

圖13 節(jié)點(diǎn)的地面分割結(jié)果Fig.13 Ground segmentation result of a node

從結(jié)果可以看出，用RANSAC會(huì)出現(xiàn)欠分割等缺點(diǎn)，可能會(huì)使漏檢的地面點(diǎn)影響后續(xù)語義目標(biāo)的分割，而本文方法剔除地面充分，計(jì)算過程簡單。

2.1.2 交通標(biāo)志牌語義分割

通過人工標(biāo)注的方式統(tǒng)計(jì)到數(shù)據(jù)集1，2，3中分別包含交通標(biāo)志牌的個(gè)數(shù)為26，42，57，以構(gòu)建真值系統(tǒng)，設(shè)立精確度(precision)和完整度(complete)這2個(gè)量化指標(biāo)來評(píng)價(jià)交通標(biāo)志牌的提取結(jié)果，計(jì)算見式（19）～（20）。

式中：TPs和FPs分別為檢測出的正確交通標(biāo)志牌數(shù)量、錯(cuò)誤交通標(biāo)志牌數(shù)量；FNs為沒有檢測出來的交通標(biāo)志牌數(shù)量。對于某1塊交通標(biāo)志牌，在所有包含它的所有數(shù)據(jù)節(jié)點(diǎn)中，若交通標(biāo)志牌都能被正確檢測出，則TPs加1；若在某1個(gè)節(jié)點(diǎn)中其他物體被錯(cuò)誤檢測為交通標(biāo)志牌，則FPs加1；若該交通標(biāo)志牌在某1個(gè)節(jié)點(diǎn)中未能被成功檢測出，則FNs加1。

算法實(shí)驗(yàn)效果見圖14，以文獻(xiàn)[17]所用的交通標(biāo)志牌的檢測分割算法作為實(shí)驗(yàn)對比的算法，對比實(shí)驗(yàn)結(jié)果見表1～3。

表1 數(shù)據(jù)集1～3交通標(biāo)志牌語義分割對比Tab.1 Comparative experiment results of data set 1～3

圖14 節(jié)點(diǎn)的交通標(biāo)志牌分割結(jié)果Fig.14 Traffic-sign segmentation of a node

由表可知：本文方法在數(shù)據(jù)集1～3中的分割精確度分別為96.2%，97.6%，92.9%，完整度分別為96.2%，95.2%，94.7%，相較于文獻(xiàn)[17]的方法，本文方法精確度分別提高了0.2%，2.5%，1.7%；完整度分別提高了3.9%，2.3%，3.5%。從整體實(shí)驗(yàn)結(jié)果來看，本文交通標(biāo)志牌檢測方法優(yōu)于文獻(xiàn)[17]的方法，分割效果更好。

2.1.3 桿狀語義分割

通過人工標(biāo)注的方式統(tǒng)計(jì)到數(shù)據(jù)集1～3中分別包含的桿狀語義的個(gè)數(shù)為132，213，326，以此構(gòu)建真值系統(tǒng)。同樣，以2.1.2中的指標(biāo)來評(píng)價(jià)桿狀語義的提取結(jié)果，以下標(biāo)p代表?xiàng)U狀語義。

實(shí)驗(yàn)效果見圖15，以文獻(xiàn)[18]所用的桿狀物檢測算法作為對比算法，最終的對比實(shí)驗(yàn)結(jié)果見表2。

由表2可知：本文方法在數(shù)據(jù)集1，2，3中的精確度分別為97.7%，97.6%，96.6%，完整度分別為96.2%，94.8%，96.2%，相比較于文獻(xiàn)[18]方法，本文方法分割的精確度分別提高0.9%，1.7%，2.3%。完整度分別提高6.1%，7.0%，9.4%。從整體的實(shí)驗(yàn)結(jié)果來看，本文方法的精確度和完整度更高，更適用于道路場景的三維激光點(diǎn)云的桿狀語義目標(biāo)分割。

表2 數(shù)據(jù)集1～3桿狀語義分割對比Tab.2 Comparative experiment results of data set 1～3

至此，所有語義目標(biāo)分割結(jié)束，最終分割效果見圖15。

圖15 節(jié)點(diǎn)的桿狀語義分割結(jié)果Fig.15 Pole-shaped object segmentation result of a node

2.2 點(diǎn)云語義地圖表征

根據(jù)數(shù)據(jù)節(jié)點(diǎn)的位置序列，依次將數(shù)據(jù)集1～3分為奇數(shù)序列節(jié)點(diǎn)集和偶數(shù)序列節(jié)點(diǎn)集，其中奇數(shù)節(jié)點(diǎn)集和偶數(shù)節(jié)點(diǎn)集分別用于地圖表征模型的構(gòu)建和定位，數(shù)據(jù)集1～3分別包含的奇數(shù)序列數(shù)據(jù)節(jié)點(diǎn)個(gè)數(shù)分別為588，994，1 539，本文分別為3組數(shù)據(jù)集構(gòu)建了3套語義表征模型，其表征模型的地圖節(jié)點(diǎn)全局位置軌跡見圖16。

圖16 地圖節(jié)點(diǎn)全局位置軌跡Fig.16 Global positional trajectory of map nodes

2.3 基于地圖表征模型的智能車定位

偶數(shù)序列節(jié)點(diǎn)集用于智能車定位，數(shù)據(jù)集1，2，3分別包含的偶數(shù)序列數(shù)據(jù)節(jié)點(diǎn)個(gè)數(shù)為587，993，1 538。在GPS粗定位時(shí)，將GPS轉(zhuǎn)換成UTM坐標(biāo)后計(jì)算待定位節(jié)點(diǎn)的UTM和地圖模型中各節(jié)點(diǎn)UTM的歐式距離，由于普通GPS的定位誤差約為10 m，因此將歐式距離小于5 m的所有節(jié)點(diǎn)作為粗定位結(jié)果，一般包含10個(gè)節(jié)點(diǎn)，得到的相鄰節(jié)點(diǎn)間距約1 m。節(jié)點(diǎn)級(jí)定位時(shí)，從粗定位結(jié)果中選擇語義編碼匹配度最高的1個(gè)節(jié)點(diǎn)作為節(jié)點(diǎn)定位結(jié)果。本文以文獻(xiàn)[19]中的方法作為定位的對比算法，最終得到了在數(shù)據(jù)集1～3中的定位對比實(shí)驗(yàn)結(jié)果，見表3。

表3 數(shù)據(jù)集1～3定位精度對比Tab.3 Comparative experiment results of data set 1～3

由表3可知：數(shù)據(jù)集1，2，3中本文定位算法準(zhǔn)確率分別為98.5%，97.6%，97.8%；相較于文獻(xiàn)[19]，本文方法在以上3個(gè)數(shù)據(jù)集中準(zhǔn)確率分別提高25.1%，30.2%，26.2%。

從實(shí)驗(yàn)結(jié)果可以看出，本文提出的基于3D點(diǎn)云語義地圖表征的智能車定位方法的最近節(jié)點(diǎn)定位準(zhǔn)確率高、魯棒性強(qiáng)。

3 結(jié)束語

針對智能車定位時(shí)節(jié)點(diǎn)定位準(zhǔn)確率低、地圖存在動(dòng)態(tài)物體等問題，本文提出了1種基于3D點(diǎn)云語義地圖表征的智能車定位方法：①提出了3種魯棒性強(qiáng)、精度高的語義分割算法：基于俯仰角評(píng)估的地面分割、基于反射強(qiáng)度和形狀特性的交通標(biāo)志牌分割、基于對象分析的桿狀語義分割；②提出了新穎的智能車節(jié)點(diǎn)定位方法，該方法先后經(jīng)過語義投影、生成帶權(quán)有向圖、生成語義路和構(gòu)造語義編碼等步驟，以語義信息表征場景信息，同時(shí)和全局位置共同表征語義地圖的各地圖節(jié)點(diǎn)，最終基于該語義模型實(shí)現(xiàn)了魯棒性強(qiáng)、精度高的節(jié)點(diǎn)級(jí)定位。

此外，本文的研究工作也存在一些不足之處，如：①語義分割的目標(biāo)種類不是很豐富，下一步考慮增加語義分割的目標(biāo)種類；②在場景過于相似之處，本文得到的語義編碼也會(huì)大致相同，下一步考慮優(yōu)化編碼方法，增強(qiáng)場景語義編碼的獨(dú)特性。