一种基于规则的集成LSTM融合方法,用于在复杂的环境中定位智能汽车

科学领域:

• 机器人技术 机器人技术 机器人技术
• 计算机视觉 计算机视觉
• 传感器融合式传感器

背景情况:

• 自动驾驶汽车的定位对于导航和安全至关重要.
• 复杂的环境对传统的本地化方法构成重大挑战.
• 现有的方法往往在准确性和稳定性方面扎.

研究的目的:

• 为自动驾驶汽车开发一个强大而准确的多源融合本地化方法.
• 在复杂和具有挑战性的环境中增强本地化性能.
• 在有限的计算资源下实现厘米级定位精度.

主要方法:

• 全球定位系统 (GPS) 的集成,同时定位和绘制 (SLAM) 使用激光传感器和计时器模型.
• 使用模糊规则来分析本地化偏差和信心因子.
• 采用公里计模型进行预测轨迹分析和噪声抑制.
• 实施双长短记忆 (LSTM) 网络,用于本地化预测和电子围的创建.

主要成果:

• 实现了厘米级的定位精度,比现有方法有了显著的改进.
• 与扩展卡尔曼波器 (EKF) 融合本地化相比,将本地化的平均根平均平方误差降低了66%.
• 在真实的车辆平台上长期运行时,证明了可靠和准确的本地化性能.
• 成功保证了车辆安全和持续的近距离定位更新.

结论:

• 拟议的多源融合本地化方法为复杂环境中的自动驾驶汽车提供了卓越的准确性和稳定性.
• 集成GPS,激光SLAM,公里计,模糊逻辑和双LSTM网络提供了一个全面的解决方案.
• 该方法适用于具有有限计算约束的现实应用,为更安全的自主导航铺平了道路.