无人驾驶智能车导航定位系统设计

德州职业技术学院 安 妮

本文所设计的无人驾驶智能车导航定位系统采用全球定位系统、机器视觉技术以及超声波雷达技术，根本目的在于保障无人驾驶智能车能够在简单化、结构化道路环境下自动行驶。

近些年来，传感器技术、智能算法技术以及定位技术的快速发展为智能车的自动驾驶及定位提供重要技术支持，促使智能车可以在非人为干预的情况下安全抵达目的地。为进一步提高智能车的自动驾驶效果，还需要对无人驾驶智能车导航定位系统进行研究，提高定位精度和控制能力，保障智能车在各类工作条件下的运行效果。因此，对无人驾驶智能车导航定位系统设计进行研究已成为当前研究的重点内容之一。

1 总体架构设计

文中所设计的无人驾驶智能车导航定位系统会采用车载电脑和电控系统双核心架构，其中，车载电脑将会作为上位机，用于处理交换量和计算量相对较大的数据；电控系统作为下位机，主要用于处理交换量较小，但适用性较高的数据。此外，设计中材料模块化结构，实际系统将会设置有视觉传感器模块、上下位机通信模块、车辆运动控制模块、超声波模块以及GPS/INS模块等五个功能模块，具体设计总体架构如图1所示。

图1 无人驾驶智能车导航定位系统总体设计架构

在系统运作过程中，首先，电控系统会通过GPS/INS模块获取周边地理坐标信息，并根据地理坐标信息来自动匹配具体空间数据，提取当前道路中车道数量及宽度；其次，视觉传感器模块会通过设置在智能车前方的传感器来检测前方车道线，相关数据信息在经过车载电脑处理以后，会通过上下位机通信模块传递给电控系统；最后，电控系统会结合超声波模块来获取道路边缘信息，对智能车周围车道线和路边数据进行数据融合，从而达成无人驾驶智能车导航定位效果。

2 硬件设计

对于无人驾驶智能车导航定位系统的硬件部分，设计中将会采用“核心板+母板”的双板卡式结构。为保障硬件部分的应用效果，核心板和母板之间将会采用BTB（板対板）连接器进行连接。在具体设计过程中，核心板和母板均会采用PCB（印刷电路板）线路板，此线路板具有体积小、质量轻、可装配密度高等优势，不仅可以有效提高整体系统设计的通用性、可拓展性以及易维护性，还能够降低设计开发成本，符合当前系统设计的经济性要求。

具体来说，核心板采用双面PCB线路板，其上装配有外部存储器、电源电路、通信电路、复位电路、时钟电路、下载电路、输出接口以及嵌入式处理器等。其中，外部存储器将会采用IS62WV51216存储芯片，该芯片的实际容量为1Mb可挂载FSMC（可变静态存储控制器），在设计中将会作为主控芯片扩展内存；嵌入式处理器将会采用STM32F407ZGT6主控芯片，此芯片内置Cortex-M4内核、192kb SRAM（静态随机存取存储器）、1024kb Flash、FPU（浮点运算单元）硬件，支持DSP（数据信号处理）指令集。

母板会采用双面单层PCB线路板，其上装配有电源模块、GPS模块、车辆运动控制模块、INS模块、超声波模块、输入接口以及输出接口等。其中，GPS模块将会采用ZBT TG621S-BD芯片，此芯片内置为167通道三模全球定位导航接收器，此导航接收器的实际定位精度可达到2.5m；车辆运动控制模块上集成有刹车电机、转向电机以及驱动电机控制系统，可以根据电控系统所发出的控制指令执行相应的控制动作；INS模块采用MPU6050芯片，此芯片内置有三轴MEMS（微机电系统）、三轴陀螺仪、数字运动处理器、加速度计等设备，可以满足无人驾驶智能车导航定位系统的设计需求；超声波模块将会采用URM37传感器，此传感器内置有微控制器，在具体应用过程中可以降低系统的运算需求。设计中为保障超声波模块的应用效果，将会设置4个URM37传感器，分别处于智能车4个车轮附近。

3 软件设计

3.1 车道检测

（1）机器视觉

现阶段，基于机器视觉的车道检测算法可以细化为基于模板的车道检测算法、基于特征的车道检测算法以及基于区域的车道检测算法。其中，基于模板的车道检测算法在抗干扰性能方面更具优势，适用于各类环境条件下的车道检测分析，所以在综合考虑分析后，最终采用基于模板的车道检测算法作为设计中的机器视觉车道线检测算法。

具体设计过程中，基于模板的车道检测算法主要工作原理如下：

第一，通过数据库函数对相机内外参数进行科学标定。

第二，通过IPM（逆透视变换）算法求解逆透视/反透视变换矩阵，根据矩阵构建空间坐标系和图像坐标系，并将空间坐标系与图像坐标系相关联。

第三，将完成IPM处理后的图像进行阀值化处理，剔除掉图像边界并通过高斯滤波器进行平滑处理，消除图像中的噪声点，完成图像的预处理。

第四，通过Canny算子将完成预处理后的图像独立边进行轮廓拼接。

第五，通过PPHT（累计概率霍夫变换）实现图像边缘轮廓中的直线特征的提取和累加处理。

第六，对图像中直线掩码区进行过滤合并，进而利用RANSAC（随机抽样一致性）算法在直线掩码区进行局内点选取，实施贝塞尔曲线拟合。

第七，在经过上述处理流程以后，还需要在保留图像高峰曲线的情况下，再次实施贝塞尔曲线拟合，并在完成拟合后实施反逆透视变换，将变换后的曲线与原始图像相结合，剔除原始图像中的噪声点，获取到设计所需的最终处理图像。

（2）超声波雷达

文中所设计的无人驾驶智能车导航定位系统中的4个超声波传感器分别设置在智能车的4个车轮附近，根据智能车的左右方位将其划分为左右两组超声波传感器，实际设计过程中会根据智能车待运行车道宽度来合理调整超声波传感器的数据采集距离。在正常数据采集的情况下，左右两组传感器将会获取到正常道路宽度数据；但若是智能车周围存在行人、车辆等干扰因素，那么超声波传感器便会获取到噪声数据。

为保障智能车的稳定运行，需要对相关噪声进行有效消除，具体消除方法如下：

第一，在所有超声波传感器所采集到的数据点中随机抽取2组数据作为研究样本，并以此为基础构建样本估计模型。

第二，通过样本估计模型对所有样本点进行遍历分析，计算出样本估计模块计算点错误率，然后标记出其中非干扰数据点。

第三，通过标记的非干扰数据点重新构建样本估计模型，然后再次重复上述操作，直至循环迭代至退出条件。

3.2 数据融合

无人驾驶智能车导航定位系统涉及到超声波道边检测数据、机器视觉车道检测数据、GPS定位数据、INS定位数据、OSM（公开地图）数据等多样化定导航定位数据，需要对相关数据进行有效融合，才能充分发挥出导航定位效果。具体来说，数据融合主要分为GPS定位数据、INS定位数据与OSM数据匹配分析；超声波道边检测数据与机器视觉车道检测数据匹配分析两部分工作内容。其中，GPS定位数据、INS定位数据与OSM数据匹配分析是通过GPS定位模块和INS定位模块来获取智能车所在位置的经纬度、高程坐标数据，然后将相关空间参数与OSM数据库中数据进行匹配对比，并从中提取当前道路的车道数量及道路宽度；超声波道边检测数据与机器视觉车道检测数据匹配分析则是以智能车为坐标轴原点，然后通过构建空间坐标轴的方式来实现超声波道边检测数据与机器视觉车道检测数据匹配对比。

结束语：综上，文章提出一种无人驾驶智能车导航定位系统设计，此设计中主要包含硬件和软件两部分内容，其中硬件部分采用“核心板+母板”的双板卡式结构设计；软件部分则主要介绍了无人驾驶智能车导航定位系统中的车道检测和数据融合这两种功能的实现方式。虽然文章中并没有对具体设计参数进行分析说明，但文中所说明的具体设计架构仍可为后续无人驾驶智能车导航定位系统设计提供参考。