牛國(guó)臣,馮 寧,王 瑜
(中國(guó)民航大學(xué)機(jī)器人研究所,天津 300300)
在過(guò)去的幾十年里,同時(shí)定位與建圖(SLAM)的應(yīng)用領(lǐng)域受到了越來(lái)越多的關(guān)注,尤其是在無(wú)人駕駛領(lǐng)域。而地圖構(gòu)建是實(shí)現(xiàn)無(wú)人駕駛的基本前提,目前典型的地圖主要有4 種:拓?fù)涞貓D、柵格地圖、點(diǎn)云地圖、語(yǔ)義地圖。
不同類型的地圖在無(wú)人駕駛自主導(dǎo)航方面各有優(yōu)缺點(diǎn)。拓?fù)涞貓D和柵格地圖易于路徑規(guī)劃。Wang 等提出一種雙層路徑規(guī)劃算法,分別在拓?fù)鋵雍吐酚蓪舆M(jìn)行路徑規(guī)劃。Jubair 等在柵格地圖中尋找源節(jié)點(diǎn)到單個(gè)目標(biāo)節(jié)點(diǎn)的最短路徑。Sepehrifar 和Asaduzzaman 等解決了柵格地圖中多目標(biāo)點(diǎn)的最短路徑搜索問(wèn)題。但由于拓?fù)浜蜄鸥竦貓D缺乏足夠的3D特征信息,往往難以用于定位。
點(diǎn)云地圖容易獲得足夠的特征信息,但在室外場(chǎng)景下,地圖的數(shù)據(jù)量很大且存在動(dòng)態(tài)物體,會(huì)給定位的準(zhǔn)確性和實(shí)時(shí)性帶來(lái)很大挑戰(zhàn)。近年來(lái),由于激光雷達(dá)傳感器具有測(cè)量精度高、可靠性好、不易受光照變化影響等優(yōu)點(diǎn),激光SLAM 在無(wú)人駕駛領(lǐng)域的應(yīng)用越來(lái)越廣泛。Zhang 等提出一種低漂移實(shí)時(shí)的雷達(dá)定位和建圖方法(LOAM),通過(guò)計(jì)算每個(gè)點(diǎn)的曲率來(lái)提取特征點(diǎn),考慮到系統(tǒng)的實(shí)時(shí)性,采取高頻里程計(jì)和低頻建圖相結(jié)合的方法,但由于缺少后端優(yōu)化,導(dǎo)致所建地圖準(zhǔn)確性較差。Ji 等在LOAM 的基礎(chǔ)上,加入GPS 約束來(lái)消除部分累積誤差。Liu等利用地平面約束減小匹配誤差。Holder等提出一種基于實(shí)時(shí)位姿圖的SLAM 系統(tǒng)。最近,Le等在后端提出一個(gè)優(yōu)化問(wèn)題對(duì)LIDAR運(yùn)動(dòng)進(jìn)行補(bǔ)償,相比以前的工作,后端處理方法取得了更好的性能,但是不能實(shí)時(shí)運(yùn)行。
語(yǔ)義地圖可以為人機(jī)交互提供環(huán)境語(yǔ)義信息,有效提升對(duì)環(huán)境的理解能力,但語(yǔ)義信息提取復(fù)雜。Chen 等采用RangeNet++的方法提取語(yǔ)義信息,濾除建圖過(guò)程中的動(dòng)態(tài)物體。Bavle 等提出一種視覺(jué)語(yǔ)義SLAM 方法。Erik 等利用語(yǔ)義信息進(jìn)行定位,節(jié)省了存儲(chǔ)空間,但是不適用于單一環(huán)境。Qin等提出了一個(gè)基于視覺(jué)的定位解決方案,利用魯棒的語(yǔ)義特征來(lái)輔助車輛在停車場(chǎng)中導(dǎo)航,但是只適用于停車場(chǎng)。而用于無(wú)人駕駛的高精度地圖需要昂貴的測(cè)繪系統(tǒng)和人工標(biāo)注等復(fù)雜的后處理步驟,成本昂貴。
為解決上述問(wèn)題,有必要將不同類型的地圖組合到一起。Bücken 等提出一種結(jié)合柵格和拓?fù)涞慕M合地圖用來(lái)進(jìn)行室內(nèi)導(dǎo)航,但在室外環(huán)境下,無(wú)法進(jìn)行精確定位。Liu 等提出一種融合拓?fù)涞貓D和柵格地圖的方法,解決了機(jī)器人在未知環(huán)境中的自動(dòng)探索問(wèn)題,但其選定的候選目標(biāo)點(diǎn)是二維,缺乏三維空間信息。Galindo 等利用語(yǔ)義信息標(biāo)記拓?fù)涞貓D,進(jìn)行導(dǎo)航。Richter 和Yu 等提出語(yǔ)義柵格地圖。Cailhol 等結(jié)合語(yǔ)義和拓?fù)涞貓D,提高了人機(jī)交互能力。Erik 等構(gòu)建點(diǎn)云語(yǔ)義地圖,打破傳統(tǒng)點(diǎn)云匹配定位方法,利用環(huán)境語(yǔ)義信息定位,但實(shí)現(xiàn)路徑規(guī)劃比較困難。
基于上述討論,本文中提出一種適用于無(wú)人駕駛的室外多圖層地圖。區(qū)別于傳統(tǒng)單一地圖,該地圖包含有拓?fù)?、點(diǎn)云、柵格和動(dòng)態(tài)數(shù)據(jù)的多層環(huán)境信息。動(dòng)態(tài)層實(shí)時(shí)點(diǎn)云信息與點(diǎn)云地圖匹配,并融合拓?fù)涞貓D的絕對(duì)位置信息,實(shí)現(xiàn)精確、實(shí)時(shí)且魯棒的無(wú)人車定位;拓?fù)浜蜄鸥竦貓D以及對(duì)動(dòng)態(tài)層檢測(cè)的實(shí)時(shí)障礙物數(shù)據(jù),為無(wú)人車的路徑規(guī)劃和避障等功能提供豐富的環(huán)境信息。為驗(yàn)證提出的地圖,在實(shí)際環(huán)境下進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)表明,該地圖在大規(guī)模的園區(qū)環(huán)境中也能很好地工作。
本文主要面向園區(qū)內(nèi)L4 級(jí)別的無(wú)人駕駛,園區(qū)環(huán)境具有車速較低、車流量較少、障礙物較少且多為靜態(tài)障礙物的特點(diǎn)。實(shí)驗(yàn)平臺(tái)為改裝長(zhǎng)城歐拉電動(dòng)汽車,如圖1 所示,配備有北科天繪的16 線激光雷達(dá),華測(cè)的組合導(dǎo)航和毫米波雷達(dá)等傳感器。地圖體系結(jié)構(gòu)如圖2 所示,由軌跡層、靜態(tài)層和動(dòng)態(tài)層組成。組合導(dǎo)航路徑點(diǎn)構(gòu)建軌跡層,激光SLAM 生成點(diǎn)云和柵格地圖,共同構(gòu)建靜態(tài)層,動(dòng)態(tài)層包含激光雷達(dá)的實(shí)時(shí)點(diǎn)云。
圖1 實(shí)驗(yàn)平臺(tái)
圖2 地圖體系結(jié)構(gòu)
基于多圖層地圖的定位方法如圖3(a)所示,根據(jù)軌跡層的GNSS 位置信息給定無(wú)人車初始位置,并實(shí)現(xiàn)靜態(tài)層點(diǎn)云地圖的分塊動(dòng)態(tài)加載,然后將動(dòng)態(tài)層的實(shí)時(shí)點(diǎn)云信息與局部點(diǎn)云地圖做NDT匹配定位。當(dāng)點(diǎn)云定位偏差超過(guò)閾值時(shí),將使用GNSS 位置信息進(jìn)行重定位,輸出無(wú)人車精確位姿。
圖3(b)顯示障礙物的檢測(cè)方法,根據(jù)動(dòng)態(tài)層的實(shí)時(shí)信息,結(jié)合定位輸出的無(wú)人車位姿實(shí)現(xiàn)障礙物的實(shí)時(shí)檢測(cè)。將檢測(cè)的障礙物同靜態(tài)層?xùn)鸥竦貓D結(jié)合,為無(wú)人車的局部路徑規(guī)劃和避障提供環(huán)境障礙物信息。
圖3 定位和障礙物檢測(cè)
軌跡層包含了由GNSS 路徑點(diǎn)組成的拓?fù)涞貓D,為無(wú)人車的全局路徑規(guī)劃提供信息。根據(jù)GNSS位置信息給定無(wú)人車的初始位置,并實(shí)現(xiàn)點(diǎn)云地圖的分塊動(dòng)態(tài)加載。
通過(guò)將組合導(dǎo)航原始數(shù)據(jù)的經(jīng)緯度信息轉(zhuǎn)換到WGS-84 坐標(biāo)系下,計(jì)算每個(gè)坐標(biāo)相對(duì)于初始坐標(biāo)的位置,得到運(yùn)動(dòng)軌跡,并采用g2o 庫(kù)生成拓?fù)涞貓D。
2.2.1 點(diǎn)云地圖
根據(jù)激光SLAM 輸出得到最優(yōu)軌跡,將其對(duì)應(yīng)的點(diǎn)云幀拼接生成三維點(diǎn)云地圖,因此位姿的精確度影響地圖的質(zhì)量。實(shí)驗(yàn)平臺(tái)所使用的傳感器是16 線激光雷達(dá),數(shù)據(jù)較為稀疏,所以后端采用圖優(yōu)化方法,通過(guò)將地平面約束、GNSS約束作為一元邊,聚類特征作為閉環(huán)約束加入到圖中,在后端優(yōu)化得到精確位姿。
(1)圖優(yōu)化
圖由“頂點(diǎn)”和“邊”組成,“頂點(diǎn)”為車輛位姿,“邊”為位姿間的約束。圖的結(jié)構(gòu)如圖4所示。
圖4 圖優(yōu)化結(jié)構(gòu)
(2)地平面約束
地面點(diǎn)云是對(duì)地面車輛位姿估計(jì)的良好約束。設(shè)定無(wú)人車前進(jìn)方向?yàn)檩S,軸指向左側(cè),軸指向上方,通過(guò)將三維點(diǎn)云降到二維平面,可以根據(jù)激光雷達(dá)投影到地面的射線中前后兩點(diǎn)的坡度是否大于事先設(shè)定的坡度閾值來(lái)判斷點(diǎn)是否為地面點(diǎn)。
為輸入點(diǎn)云,對(duì)任一點(diǎn),∈,有
式中:x、y為點(diǎn)在LIDAR 坐標(biāo)系下的坐標(biāo)位置;r為點(diǎn)到LIDAR的水平距離。
按照水平距離排序,計(jì)算同一射線上相鄰兩點(diǎn)的坡度:
式中:z為點(diǎn)的垂直高度;d為點(diǎn)和+ 1點(diǎn)的坡度;為L(zhǎng)IDAR的安裝高度。
將式(2)的坡度與所設(shè)定的閾值作比較,當(dāng)d<時(shí),將點(diǎn)歸為地面點(diǎn)。
完成地平面的檢測(cè)后,根據(jù)時(shí)刻的車輛位姿,估計(jì)地平面:
式中:[n,n,n,]=[0,0,1,0]為初始時(shí)刻平面;T為時(shí)刻的車輛位姿;′、′、′、′為時(shí)刻車輛位姿估計(jì)的地平面′。
采用最小參數(shù)法,定義平面參數(shù)表達(dá)式:
式中:arctan(n/n)為平面方位角;arctan(n/||)為平面仰角;為截距的長(zhǎng)度。
則位姿節(jié)點(diǎn)和地平面節(jié)點(diǎn)之間的誤差為
(3)GNSS約束
將位姿節(jié)點(diǎn)和GNSS 數(shù)據(jù)的時(shí)間戳對(duì)齊,GNSS位置可作為先驗(yàn)位置信息,成為車輛位姿節(jié)點(diǎn)的一元邊。計(jì)算兩者之間的誤差:
式中:T為時(shí)刻的車輛位姿;G為GNSS數(shù)據(jù)生成的節(jié)點(diǎn)。
(4)閉環(huán)約束
完成聚類特征提取后,基于點(diǎn)云聚類特征閉環(huán)得到當(dāng)前幀點(diǎn)云與局部地圖的粗匹配,利用NDT 得到當(dāng)前點(diǎn)云和局部地圖間的精確變換。最后將閉環(huán)得到的變換矩陣,作為約束加入到后端進(jìn)行優(yōu)化位姿。
2.2.2 二維柵格地圖
二維柵格地圖用占用柵格的形式存儲(chǔ)環(huán)境中靜態(tài)障礙物信息,為無(wú)人駕駛的路徑規(guī)劃提供信息。柵格地圖由濾除地平面后的點(diǎn)云地圖向水平平面投影得到。
柵格狀態(tài)有占用、空閑、未知(即初始化)3 種狀態(tài),柵格的初始狀態(tài)= 0。用(空閑)、(占據(jù))表示對(duì)柵格的觀測(cè)。
式中:為柵格測(cè)量值;(= 0)為柵格空閑的概率;(= 1)為柵格占據(jù)的概率。
更新柵格狀態(tài):
或
式中和分別為更新前后柵格的狀態(tài)。
動(dòng)態(tài)層接收RTK 和LIDAR 傳感器的實(shí)時(shí)數(shù)據(jù)。首先對(duì)LIDAR 進(jìn)行運(yùn)動(dòng)補(bǔ)償,去除掃描過(guò)程中由于車輛移動(dòng)造成的運(yùn)動(dòng)畸變,再利用體素濾波去除噪點(diǎn)和地面點(diǎn),得到處理過(guò)的當(dāng)前幀點(diǎn)云數(shù)據(jù)。
根據(jù)處理后的實(shí)時(shí)感知信息,進(jìn)行NDT 匹配定位和障礙物檢測(cè),得到的障礙物信息可用于無(wú)人車避障。為實(shí)現(xiàn)局部路徑規(guī)劃等功能,需最后將障礙物信息同靜態(tài)層?xùn)鸥竦貓D結(jié)合,為無(wú)人車自主導(dǎo)航提供環(huán)境信息。
將各層地圖轉(zhuǎn)換到世界坐標(biāo)系進(jìn)行組合,完成多圖層地圖的構(gòu)建。如圖5 所示,GNSS 拓?fù)涞貓D提供絕對(duì)位置信息,二維柵格地圖存儲(chǔ)環(huán)境靜態(tài)障礙物信息,兩者為無(wú)人車的路徑規(guī)劃提供信息,點(diǎn)云地圖提供環(huán)境幾何結(jié)構(gòu)信息,與動(dòng)態(tài)層點(diǎn)云匹配為無(wú)人車提供相對(duì)定位信息,動(dòng)態(tài)環(huán)境信息層提供了實(shí)時(shí)環(huán)境信息,組合構(gòu)成了完整的環(huán)境感知系統(tǒng)。
圖5 多圖層地圖構(gòu)建
室外點(diǎn)云地圖的數(shù)據(jù)量非常大,加載全局地圖耗時(shí)很長(zhǎng),因此在實(shí)際定位時(shí),將當(dāng)前幀點(diǎn)云與局部地圖進(jìn)行配準(zhǔn)。本文對(duì)點(diǎn)云地圖進(jìn)行分割,按照方形區(qū)域劃分并分塊存儲(chǔ),設(shè)置劃分區(qū)域的邊長(zhǎng)為30 m,定位時(shí)根據(jù)軌跡層GNSS 信息實(shí)現(xiàn)點(diǎn)云地圖分塊動(dòng)態(tài)加載,提高定位效率。
在實(shí)際應(yīng)用場(chǎng)景中定位時(shí),由于環(huán)境變化的影響,例如車輛及行人的移動(dòng)、樹(shù)木的稀疏程度等,會(huì)導(dǎo)致較大匹配誤差,選擇NDT 來(lái)解決上述問(wèn)題,可以在很大程度上消除這種不確定性,具體步驟如下。
(1)根據(jù)軌跡層的GNSS 位置信息,給定無(wú)人車的初始位置,并動(dòng)態(tài)加載分塊點(diǎn)云地圖。
(2)動(dòng)態(tài)層實(shí)時(shí)點(diǎn)云與點(diǎn)云地圖進(jìn)行NDT 匹配定位。
NDT 首先將參考點(diǎn)云(即先驗(yàn)地圖)網(wǎng)格化,基于網(wǎng)格內(nèi)的點(diǎn)計(jì)算其概率密度:
式中:為正態(tài)分布的均值;為協(xié)方差矩陣;=[,…,x],對(duì)3D點(diǎn)云,= 3。
NDT配準(zhǔn):定義當(dāng)前幀點(diǎn)云=[,,],變換參數(shù),空間轉(zhuǎn)換函數(shù)(,)表示使用對(duì)點(diǎn)進(jìn)行變換。求出使得概率密度之和最大的變換參數(shù)。
非線性優(yōu)化:使用牛頓法進(jìn)行優(yōu)化,更新姿態(tài)。
(3)為進(jìn)一步保證定位精度,設(shè)定NDT 匹配定位得分_>100 時(shí),用軌跡層提供的GNSS位置信息進(jìn)行重定位。
動(dòng)態(tài)層接收傳感器的實(shí)時(shí)點(diǎn)云信息,在對(duì)點(diǎn)云進(jìn)行障礙物檢測(cè)時(shí),由于點(diǎn)云密度不均等原因可能會(huì)導(dǎo)致誤檢等問(wèn)題,本文中采用DBSCAN 算法檢測(cè)障礙物。輸出的障礙物信息,通過(guò)與靜態(tài)層?xùn)鸥竦貓D信息結(jié)合,為無(wú)人車自主導(dǎo)航提供豐富的環(huán)境信息。檢測(cè)步驟如下:
(1)設(shè)定點(diǎn)云分割閾值,在LIDAR 坐標(biāo)系下按長(zhǎng)方形區(qū)域劃分車體周圍點(diǎn)云,正方向上取30 m,負(fù)方向取10 m,正負(fù)方向各取10 m;
(2)將LIDAR獲取的點(diǎn)云數(shù)據(jù)去除地面點(diǎn);
(3)密度聚類確定障礙物的點(diǎn)云簇;
(4)利用最小面積矩形包絡(luò)法構(gòu)建障礙物的外接框,輸出環(huán)境中的障礙物信息。
采用實(shí)際數(shù)據(jù)對(duì)提出的地圖進(jìn)行評(píng)估。首先創(chuàng)建實(shí)際環(huán)境中的多圖層地圖,然后基于該地圖實(shí)現(xiàn)實(shí)時(shí)定位和障礙物檢測(cè),最后對(duì)結(jié)果進(jìn)行分析。
本文中分別對(duì)多圖層地圖的各個(gè)圖層構(gòu)建進(jìn)行了實(shí)驗(yàn)驗(yàn)證,最后將各個(gè)圖層轉(zhuǎn)換到世界坐標(biāo)系,構(gòu)建出完整地圖并進(jìn)行分析。
圖6 顯示了實(shí)驗(yàn)環(huán)境和行駛路線,A 點(diǎn)為起點(diǎn),車輛沿A-B-C-D-E-F-A 路線行駛,總路線長(zhǎng)約700 m,雙向車道,道路平坦寬廣,道路寬約6 m,有減速帶。
圖6 實(shí)驗(yàn)環(huán)境與行駛路線
4.1.1 軌跡層
如圖7 所示,綠線表示無(wú)人車的行駛軌跡,由組合導(dǎo)航的路徑點(diǎn)組成,A 為起點(diǎn),B~F 代表拐點(diǎn)。實(shí)驗(yàn)平臺(tái)配備的高精度的組合導(dǎo)航,精度約在2~3 cm,構(gòu)建的GNSS 拓?fù)涞貓D精度達(dá)到了厘米級(jí),能夠應(yīng)用于真實(shí)環(huán)境。
圖7 GNSS拓?fù)涞貓D
4.1.2 靜態(tài)層
(1)三維點(diǎn)云地圖
為了不丟失特征信息,且有更好的建圖效果,在實(shí)車建圖實(shí)驗(yàn)時(shí)采用了后端圖優(yōu)化的方法。圖8(a)表示生成的點(diǎn)云地圖,圖8(b)和圖8(c)分別表示局部細(xì)節(jié)。從地圖來(lái)看,沒(méi)有丟失環(huán)境細(xì)節(jié)信息,誤匹配較少,沒(méi)有出現(xiàn)模糊不清的場(chǎng)景。
圖8 點(diǎn)云地圖效果示意
(2)二維柵格地圖
通過(guò)將濾除地平面后的點(diǎn)云地圖向地面投影,實(shí)現(xiàn)柵格地圖的創(chuàng)建。為保證地圖的存儲(chǔ)效率,設(shè)置柵格地圖分辨率為0.2 m ,柵格占據(jù)和空閑的概率分別設(shè)置為0.3和0.7。圖9(a)為柵格地圖,圖中黑色部分指的是障礙物占據(jù)區(qū)域,環(huán)境邊界清晰,能很好的描述環(huán)境中的靜態(tài)障礙物。圖9(b)和圖9(c)是柵格地圖的細(xì)節(jié),為更好展示柵格地圖構(gòu)建效果,圖中還顯示了原始點(diǎn)云信息(彩色為點(diǎn)云)。
圖9 柵格地圖效果示意
4.1.3 動(dòng)態(tài)層
傳感器獲取實(shí)時(shí)環(huán)境信息,圖10(a)為A路口處的當(dāng)前幀點(diǎn)云,在地圖中顯示如圖10(b)所示,紅色為當(dāng)前幀點(diǎn)云。
圖10 動(dòng)態(tài)環(huán)境信息
4.1.4 多圖層地圖
通過(guò)將各個(gè)圖層轉(zhuǎn)換到同一坐標(biāo)系,構(gòu)建完整的環(huán)境地圖。如圖11 所示,彩色為點(diǎn)云地圖,柵格地圖在點(diǎn)云下方,藍(lán)色軌跡為GNSS路徑。
圖11 多圖層地圖
4.2.1 定位
基于多圖層地圖進(jìn)行定位,效果如圖12 所示,黃線為匹配定位得到的軌跡,藍(lán)線為真實(shí)軌跡。可以明顯看出,定位軌跡和真實(shí)軌跡基本重合,沒(méi)有明顯的偏差,定位精確。
圖12 定位效果示意圖
為驗(yàn)證定位的準(zhǔn)確性,將定位得到的軌跡與真實(shí)軌跡作對(duì)比,并計(jì)算誤差,進(jìn)行定量分析,如圖13所示。
圖13(a)左列顯示了定位得到的軌跡與真實(shí)軌跡的對(duì)比圖,右列展示了兩者對(duì)比的細(xì)節(jié)圖。圖13(b)、圖13(c)顯示了兩個(gè)軌跡間、方向上的誤差,誤差均值分別為0.095、0.180 m。圖13(d)展示了軌跡間的距離誤差,距離誤差均值為0.222 m,定位精度較高。結(jié)果表明,本文提出的多圖層地圖能夠用于室外實(shí)時(shí)定位。
圖13 定位誤差分析
4.2.2 障礙物檢測(cè)
對(duì)動(dòng)態(tài)層的實(shí)時(shí)信息進(jìn)行障礙物檢測(cè),檢測(cè)效果如圖14 所示,左列為實(shí)際環(huán)境圖,右列為檢測(cè)結(jié)果。圖14(a)是靜態(tài)障礙物場(chǎng)景,左圖紅框區(qū)域?yàn)闄z測(cè)到的靜態(tài)障礙物。圖14(b)為動(dòng)態(tài)障礙物場(chǎng)景,紅框區(qū)域?yàn)閯?dòng)態(tài)物體。結(jié)果表明檢測(cè)較準(zhǔn)確,能用于無(wú)人車避障等,且檢測(cè)到的實(shí)時(shí)障礙物信息可以同柵格地圖結(jié)合,為無(wú)人車的路徑規(guī)劃提供信息。
圖14 障礙物檢測(cè)效果
本文中提出一種基于圖優(yōu)化的室外多圖層地圖,經(jīng)實(shí)驗(yàn)驗(yàn)證得到以下結(jié)論:
(1)區(qū)別于傳統(tǒng)單一地圖,該地圖由軌跡層、靜態(tài)層和動(dòng)態(tài)層構(gòu)成,包含了拓?fù)?、點(diǎn)云、柵格和動(dòng)態(tài)數(shù)據(jù)的多種環(huán)境信息,為無(wú)人車自主導(dǎo)航提供了充足的信息。
(2)基于該地圖可以實(shí)現(xiàn)精確、實(shí)時(shí)且魯棒的無(wú)人車定位,在實(shí)際實(shí)驗(yàn)中,距離誤差均值可達(dá)到0.222 m 以下。
(3)在地圖的動(dòng)態(tài)層準(zhǔn)確完成了實(shí)時(shí)障礙物檢測(cè),與柵格地圖信息相結(jié)合,為無(wú)人車自主導(dǎo)航提供了精準(zhǔn)的環(huán)境障礙物信息。
加入語(yǔ)義信息提供人機(jī)交互功能將是今后進(jìn)一步研究的方向。