云控无人物流系统路侧感知定位误差分析

刘 鹏

（上汽通用五菱汽车股份有限公司广西汽车新四化重点实验室，广西 柳州 545007）

引言

云控系统是车路云协同的控制系统，利用5G通信技术，将交通参与者及交通环境通过数字化表达融为一体，进行多源头融合感知、协同决策与控制，增强驾驶安全和提高交通效率的信息物理系统[1]。感知定位模块在系统中扮演着重要的角色，其定位精度直接影响系统功能实现和运行安全性。在系统的开发和调试中需要着重分析感知定位系统的定位误差，查找误差来源并及时纠正。

1 云控无人物流系统组成

云控无人物流系统由具有线控底盘的智能网联无人电动汽车、路侧感知设备、云计算平台、基于新一代信息与通信技术的5G网络组成。搭载5G云控制器的智能网联无人电动汽车是该系统的执行层，货物运送的载体，负责接收云计算平台下发的控车指令并按照指令执行前进、转向、制动动作。

路侧感知设备包括摄像机、激光雷达、边缘计算单元，其通常安装在无人车行驶道路两侧的灯杆或建筑物上。摄像机负责捕获无人物流车行驶道路中的画面以流式文件的形式传送至云计算平台GPU服务器，利用AI技术识别跟踪实时画面中的人、无人车、社会车辆、道路障碍物并计算出各个对象的位置。激光雷达负责在路况复杂区域（如环道、路口）以发射多线束激光实时获取环境内的点云数据，边缘计算单元利用AI技术流式处理点云数据提取点云特征、识别出环境内的对象类型、对象几何尺寸、对象移动速度、对象航向角、对象位置等信息。路侧感知设备为系统提供了道路环境内对象的元数据或者处理后位姿信息。

云计算平台在系统中担任大脑的角色，负责感知数据的收集、处理、融合，通过对无人车自身状态及其周围环境的数字表达并结合高精度地图对车辆线路做出规划。当车辆周围发生变化并影响无人车辆安全行驶时，云计算平台可根据信息综合判断做出规避、减速、停车决策，并有相应模块生成无人车能够理解的控制指令。5G通信网络具有低延时、高速率、大带宽、虚拟专网的特性，为系统内车云通信、路云通信、车路通信提供了高可靠性的网络连接[2]。

2 云控无人物流系统中感知定位技术简介

云控无人物流系统的感知一方面通过网络摄像机获取道路的实时画面，另一方面多线束激光雷达通过点云的方式构建了雷达周围3D的道路环境。

基于网络摄像机的视觉感知技术提供了丰富的易于人类理解的道路信息，人们能够了解当前时刻图像内所包含的车辆、行人、建筑物等信息，然而这对于计算机系统来说这是个复杂问题。随着计算机硬件性能提升、图像处理器成本的下降以及神经网络模型算法的发展，计算机图像识别技术能够满足实时检测要求。在该系统中，路侧网络摄像机将获取的视频信息以流式文件的方式通过5G网络高速实时地传输至云计算平台GPU服务器，服务器对流式文件以固定的时间间隔抽取帧图像，并交由基于卷积神经网络模型的目标检测模块处理。目标检测模块根据训练模型识别画面中的对象并使用矩形框标注对象的类型。在该系统中使用标注矩形框的下边中点像素位置作为该对象在画面中的坐标。像素点位置到画面中的大地坐标映射从事先标定好的配置文件中获得。

基于多线束激光雷达的感知技术通常是由激光雷达发射器发出的多条激光线束照射在物体表面由物体表面反射回至激光雷达接收器，基于TOF飞行时间原理获得感知对象与激光雷达中心点的距离及反射强度信息[3]。这些数据经网络连接至边缘计算单元中交由点云处理软件提取特征获得感知对象轮廓的几何尺寸、几何中心位置、运动速度、航向角以及对象类型。由于激光雷达安装时已经获得了精确的地理坐标，激光雷达所感知对象相对于激光雷达中心坐标可通过激光雷达标定时的点云配准获得坐标转换矩阵将其转换至大地坐标系中。

3 定位误差定量分析

由于系统中交通环境内的对象需要在高精地图进行数字表达，即采用大地坐标表示其在道路中的位置。然而基于摄像机和激光雷达感知技术无法直接获得交通环境内的对象的大地坐标，通常需要经过坐标转换近似求解的方式获得。交通环境内的对象地理坐标的精确度对感知到的对象在系统中的数字表达有至关重要的作用，它影响着多设备感知定位数据的融合结果。

为了掌握系统中感知定位设备对交通环境内对象的定位偏差程度，故以无人车为例介绍测试统计分析感知定位系统对无人小车定位误差的方法。

3.1 数据采集

1）在确保安全的情况下，将无人车按照车道线方向停在车道内。

2）当测试无人车周围10 m范围内无其他交通参与者时，从后台获取自该时刻起持续时间为t秒（一般取10 s）的各传感器所采集的坐标Ps（l，b，h）。

3）将测试无人车的外轮廓前后缘中点（如图1中P1、P2）、后轴左右侧轴线端点（如图1中P3、P4）四个点投影至地面并做标记。

4）将前后缘中点连线、后轴左右侧轴线端点连线，此时两直线应垂直相交。在前后缘中点连线上取得测试无人车的几何中心点投影（如图1Pc）。

5）使用手持RTK连续在Pc点连续获得10个测试无人车的几何中心点所在坐标Pc（l，b，h）。

3.2 数据处理

1）由于获得的GPS坐标无法直接进行距离计算需要根据CGCS2000坐标系[4]将各坐标P（l，b，h）转换至大地坐标P（x，y，z）。GPS使用WGS84，定义上CGCS2000与WGS84是一致的，即关于坐标系原点、尺度、定向及定向演变的定义都是相同的，两个坐标系使用的参考椭球也非常相近，在4个椭球常数a、f、GM、ω中，唯有扁率f有微小差异fWGS84为1/298.257 223 563，fCGCS2000为1/298.257 222 101[5]。坐标转换算法可参考高斯-克吕格投影相关文献[6-7]。算法实现中需要注意正确使用扁平率参数。

3.3 统计分析

4 误差来源及提升定位精度的方法

4.1 设备安装导致的误差

视觉设备和激光雷达设备通常使用杆状物固定。杆状物并非完全刚性，在受到风力或者其他外力影响时会将振动传递至设备上引起摄像头抖动、激光雷达随杆摇摆。建议设备安装时基座稳固，在灯杆或建筑物振动较小的位置安装固定。

4.2 算法模型导致的误差

视觉及激光雷达对对象的定位基于人工智能算法，算法结果的好坏依赖于深度学习的模型。车辆在同一位置航向角有变化会导致视觉检测出的包围框尺寸不同，直接导致包围框下边缘中点在画面中的像素位置不同其定位结果也不同。而对激光雷达来说也有同样的问题，车辆角度不同所反射给激光雷达的光点数量和位置不同，会导致点云形状有差异。点云形状直接影响及包围盒的几何尺寸其中心点位置也会变化。针对该类问题可通过增加训练数据量的方法进行模型优化，并使用识别对象几何尺寸进行约束。或采用视觉和激光雷达联合定位方式提高准确性。

4.3 传感器标定误差

基于视觉定位的技术中采用了画面像素点与大地坐标映射的方法。大地坐标点采集时坐标点不准确、采集点位置不合理会引入误差。坐标点采集时应确保设备与地面垂直无遮挡。由于远离摄像机位置的物体在图像中所占的尺寸较近处物体偏小[9]。识别过程可能出现误识别或漏识别的情况，建议根据实际情况对画面中的坐标位置做约束，超出一定位置的结果应被过滤掉。基于激光雷达的定位技术时设备安装位置的准确性和精确性直接影响输出结果，设备安装位置应多次测量验证消除误差。设备标定建议根据与设备的距离选取不同点位作为参考点。建立参考点与设备位置的映射关系。

4.4 天气引入的误差

雨天潮湿天气摄像机镜头起雾积水会导致摄像机镜头画面局部变形，引起该区域内物体的检测和定位准确性。设备应做好挡雨和除雾措施。

5 结论

云控无人物流车的自主行驶依赖于感知设备的定位准确性为其提供道路环境内数字化表达。通过对感知定位设备的定位误差进行定量分析评价一方面可以发现其规律为改进提供数据支持，另一方面可以作为偏差数据在系统内做纠偏处理。定位误差来源于设备安装、算法模型、设备标定和天气，通过对各个要素分析为定位准确性提升提供了思路。