[發(fā)明專利]一種城市峽谷環(huán)境下基于景象匹配與機器學習的定位方法

有效

• 申請?zhí)枺?/td>: 202011229629.5
• 申請日: 2020-11-06
• 公開（公告）號: CN112666588B
• 公開（公告）日: 2021-10-22
• 發(fā)明（設(shè)計）人: 孫蕊;傅麟霞;何偉;毛億;王超
• 申請（專利權(quán)）人: 南京航空航天大學
• 主分類號: G01S19/45
• 分類號: G01S19/45;G01S19/43;G01S17/86;G01S17/08;G06K9/62
• 代理公司: 江蘇圣典律師事務(wù)所 32237
• 代理人: 于瀚文;胡建華

1.一種城市峽谷環(huán)境下基于景象匹配與機器學習的定位方法，其特征在于，包括以下步驟：

步驟1，構(gòu)建建筑物輪廓線數(shù)據(jù)庫；

步驟2，標定隨機森林訓練數(shù)據(jù)集；

步驟3，訓練用于接收類型判定的多特征隨機森林決策樹；

步驟4，獲取載體實際所處位置建筑物輪廓信息；

步驟5，載體實際位置建筑物輪廓特征提取與特征匹配粗略定位；

步驟6，確定最佳候選區(qū)域；

步驟7，通過候選區(qū)域內(nèi)插值獲取精確位置信息；

步驟1包括：建筑物輪廓線數(shù)據(jù)庫構(gòu)建方法如下：根據(jù)3D地圖模型構(gòu)建以東北天ENU坐標系，即以站心為坐標系原點O的站心坐標系的水平面NOE為基準面的建筑物輪廓線數(shù)據(jù)庫，其中，建筑物輪廓線數(shù)據(jù)庫包括如下信息：建筑物高度信息、街道路寬信息、建筑物邊界輪廓信息和建筑物邊角點位置信息；

步驟2包括：由GNSS觀測數(shù)據(jù)解算得到衛(wèi)星的方位角∠distA與高度角∠elA，根據(jù)城市峽谷已知點坐標位置信息，在所建立的建筑物輪廓線數(shù)據(jù)庫中調(diào)取已知點坐標位置周邊的建筑物輪廓數(shù)據(jù)，令NOE平面為0°高度角的起始面，令N軸正向為方位角的0°起始方向，由建筑物邊角點位置信息獲取建筑邊角點坐標位置，計算已知點至建筑物邊角點的方位角與高度角，結(jié)合獲得的建筑物邊角點方位角、高度角信息與建筑物邊界輪廓信息，得到建筑物邊界的方位角閉區(qū)間∠distB與高度角閉區(qū)間∠elB，由此得到以數(shù)值區(qū)間形式刻畫的建筑物遮擋陰影區(qū)間，通過比較衛(wèi)星的方位角、高度角與建筑物遮擋陰影區(qū)間的數(shù)值關(guān)系，判斷衛(wèi)星是否落在建筑物遮擋陰影內(nèi)，如果∠distA處于∠distB閉區(qū)間內(nèi)且∠elA也處于∠elB閉區(qū)間內(nèi)時，則衛(wèi)星落在建筑物遮擋陰影中，否則衛(wèi)星未受到建筑物遮擋，從而確定衛(wèi)星信號接收類型，如果衛(wèi)星信號受到遮擋，即該衛(wèi)星的高度角、方位角數(shù)值處于建筑物遮擋陰影區(qū)間內(nèi)，在天空圖上的反映即為衛(wèi)星落在建筑物邊界輪廓陰影內(nèi)，將該衛(wèi)星的GNSS原始觀測量對應(yīng)的信號接收類型標定為NLOS/Multipath，否則標定為LOS，由此生成用于隨機森林訓練的標定訓練數(shù)據(jù)集；

步驟3包括：

步驟3-1，隨機采樣構(gòu)建樣本采樣集：令步驟2生成的用于隨機森林訓練的標定訓練數(shù)據(jù)集樣本容量為m，每組樣本由GNSS原始觀測量和標定的信號接收類型構(gòu)成，對樣本進行隨機采樣，構(gòu)建K個樣本采樣集；采用的隨機采樣方法為有放回采樣，即對于一個樣本，在對m個樣本的隨機采樣中，每個樣本每次被采集到的概率是1/m；

步驟3-2，訓練決策樹：對K個隨機采樣的樣本采樣集進行訓練，生成K棵決策樹，每棵決策樹都構(gòu)成一個弱分類器，且每棵決策樹互不相關(guān)；

步驟3-3，輸出預測分類結(jié)果：對于新輸入的觀測樣本，每棵決策樹輸出相應(yīng)預測信號接收類型；

步驟3-4，分類結(jié)果投票：對每個弱分類器的預測類別進行投票統(tǒng)計，票數(shù)最多的類別為最終輸出的衛(wèi)星信號接收類型類別；

步驟4包括：使用基于RANSAC算法的點云分割獲取載體實際所處位置建筑物輪廓信息，RANSAC算法的輸入包括：激光雷達點云數(shù)據(jù)DATA_LiDar、初始擬合模型Model0、最小數(shù)據(jù)組數(shù)k、迭代次數(shù)n、數(shù)據(jù)點匹配程度閾值t和判定模型適用性的數(shù)據(jù)數(shù)目d，RANSAC算法的輸出包括：最佳擬合模型Model_Best、估計的模型數(shù)據(jù)點集Set_BestModel和數(shù)據(jù)點相關(guān)的模型誤差E_Best，具體包括如下步驟：

步驟4-1，輸出參數(shù)初始化：

Model_Best＝[NaN]

Set_BestModel＝[NaN]

E_Best＝inf

即設(shè)最佳擬合模型與模型數(shù)據(jù)點集為空集[NaN]、模型誤差為無窮大inf；

步驟4-2，當前迭代次數(shù)N＜n時：

從數(shù)據(jù)DATA_LiDar中隨機選擇k個點作為可能的局內(nèi)點inLier_may，擬合出當前k個點的模型Model_may，當前模型的數(shù)據(jù)點集Set_Model為隨機選擇出的k個點，對于每個DATA_LiDar中位于點集inLier_may外的點，計算這些點關(guān)于模型Model_may的擬合誤差ε，如果ε＜t，則將對應(yīng)的點列入點集Set_Model，如果點集Set_Model中點的數(shù)量＞d，則認定當前模型符合要求，令Model_Better＝Model_may，如果模型Model_Better的誤差E_Better＜E_Best，則令：E_Best＝E_Better，Model_Best＝Model_Better，Set_BestModel＝Set_Model，保存當前模型直到更好的模型出現(xiàn)，執(zhí)行步驟4-4；

步驟4-3，迭代次數(shù)增加：N＝N+1，返回步驟4-2；

步驟4-4，輸出：E_Best、Model_Best、Set_BestModel；

至此，已經(jīng)利用RNASAC算法分離了建筑物立面點云，將獲取的建筑物立面點云分割結(jié)果與激光雷達的測距信息相結(jié)合，并將點云投影至道路平面上，即得到由點構(gòu)成的當前載體實際所處位置的周邊建筑物輪廓信息，得到投影至道路平面的載體周邊建筑物輪廓平面圖像；

步驟5包括：

進行FAST特征點檢測，包括如下步驟：

步驟5a-1，給定像素點p，設(shè)該點亮度為L，特征點界定灰度值閾值為L_t；

步驟5a-2，給定半徑r，設(shè)以像素p為中心、r為半徑的圓形邊界所覆蓋的像素數(shù)目為N；

步驟5a-3，設(shè)定像素數(shù)目閾值M，用于角點判定，如果圓形邊界上，存在灰度值超過(L+L_t)或灰度值低于(L-L_t)的像素數(shù)量大于M，則判斷像素p為特征點；

進行BRIEF特征描述，包括如下步驟：

步驟5b-1，對圖像進行高斯濾波；

步驟5b-2，以特征點為中心，選取大小為S×S的鄰域，在該鄰域內(nèi)隨機選擇一對像素點對(x，y)進行二進制賦值，以τ表示鄰域內(nèi)一像素點對的二進制數(shù)值，記為：

其中，L(·)表示一點的灰度值；

步驟5b-3，在鄰域中繼續(xù)隨機選取D對點對，重復步驟5b-2中的二進制賦值，形成特征點的二進制編碼，從而完成對該特征點的描述，即特征描述子；

劃定候選區(qū)域范圍；

步驟5中，所述劃定候選區(qū)域范圍具體包括：由特征點的提取結(jié)果得到特征點間相對距離、特征點間相對距離比例、特征點相對位置信息，與建筑物輪廓線數(shù)據(jù)庫中建筑物邊界輪廓信息、建筑物邊角點位置信息進行匹配搜索，根據(jù)匹配相似度能夠選定可能的候選位置，將匹配得到的候選位置坐標作為候選區(qū)域的中心位置坐標，并根據(jù)載體的最大速度，確定載體在運算平均時間內(nèi)的最大移動距離，從而約束候選區(qū)域半徑以劃定候選區(qū)域范圍；

步驟6包括：利用步驟3中的衛(wèi)星信號接收類型判定模型，輸入新接收到的GNSS原始觀測量得到當前該衛(wèi)星信號的接收類型，并根據(jù)衛(wèi)星星歷獲取判定為LOS衛(wèi)星的衛(wèi)星坐標其中下標i表示衛(wèi)星號，i＝1，2，…，n，n為衛(wèi)星總數(shù)；利用距離候選選區(qū)域中心最近的兩相鄰基準點的精確坐標插值得到候選區(qū)域中心位置坐標其中基準點精準坐標的下標k表示基準點坐標號，侯選位置坐標下標j表示候選區(qū)域號，m表示候選區(qū)域總數(shù)；計算候選區(qū)域中心位置j至衛(wèi)星i的偽距以得到計算偽距如下式所示：

并與接收到的接收偽距作差，得到計算偽距與模擬偽距的差值其中，Δρ_ij表示第i號衛(wèi)星到第j個候選區(qū)域的計算偽距與接受偽距之間的偽距差值；予以差值較小的候選區(qū)域以較高的權(quán)重，最佳候選區(qū)域的獲取方法如下：

步驟c1，將所有偽距差值執(zhí)行(0，1)歸一化：

令偽距差值的最大值與最小值分別為Δρ_max與Δρ_min，則有：

其中，為由上式得到的歸一化結(jié)果；

步驟c2，對每顆衛(wèi)星得到的歸一化偽距誤差進行排序與候選區(qū)域投票，歸一化數(shù)值最大，得票一份，對每顆衛(wèi)星執(zhí)行此步驟；

步驟c3，結(jié)合各衛(wèi)星執(zhí)行結(jié)果，統(tǒng)計各候選區(qū)域分數(shù)，選定得分最高者為最佳候選區(qū)域。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟7包括：在步驟5中基于載體最大速度劃定的候選區(qū)域內(nèi)利用基準點精確坐標進行插值，獲取最佳候選區(qū)域內(nèi)的位置坐標(X_t，Y_t，Z_t)，t＝1，2，…，h，下標t表示侯選位置號，h表示侯選位置總數(shù)；

比較各插值所得的坐標點至衛(wèi)星間的計算偽距與實際接收偽距之間差值的大小，最終確定差值最小的位置為最終輸出的精確位置解，其中，衛(wèi)星i到侯選位置t的偽距差值Δρ_it為：

予以差值較小的候選位置以較高的權(quán)重，最佳候選區(qū)域的獲取方法如下：

步驟d1，將所有偽距差值執(zhí)行(0，1)歸一化：

令偽距差值的最大值與最小值分別為Δρ_max與Δρ_min，則有：

其中，為由上式得到的偽距差值歸一化結(jié)果，偽距差值越小則歸一化數(shù)值越大；

步驟d2，對每顆衛(wèi)星得到的歸一化偽距誤差進行排序與候選區(qū)域投票；

步驟d3，結(jié)合各衛(wèi)星執(zhí)行結(jié)果，統(tǒng)計各候選區(qū)域分數(shù)，選定得分最高者為最終輸出的精確位置解。