Оценка точности позиционирования трамвая в кривых на основе данных карты и сегментированных изображений

   Введение. Предложен подход к оценке точности навигационных систем по информации датчиков технического зрения и данных цифровой карты. Цифровая карта задается в виде арочно-линейных сплайнов, аппроксимирующих осевую линию рельсового пути. Такой подход не требует использования навигационных спутниковых данных и актуален в задачах оценки качества навигационных решений для подвижных транспортных средств, эксплуатирующимися в городской среде.

   Метод. Предложенное решение основывается на идее сопоставления сегментированных изображений, содержащих рельсовый путь, с данными цифровой карты. В работе рассмотрены два способа сопоставления. Первый способ основан на сравнении областей с использованием метрики IoU, второй — на сравнении линий и расчета невязки между ними. В первом способе арочно-линейный сплайн маршрута проецируется в кадр изображения, выделяя область дороги по показаниям навигационной системы и цифровой карты. Во втором способе из области рельсового полотна на сегментированном изображении извлекается осевая линия, которая сравнивается со сплайном маршрута. Поскольку формируемые невязки в обоих случаях являются нелинейными, оценка ошибок навигационной системы осуществляется на основе фильтра частиц, где каждая частица определяет координаты и ориентацию «вероятного» местоположение трамвая. Оценка местоположения и ориентации трамвая осуществляется на основе взвешенного суммирования частиц: чем лучше согласуются данные измерений и синтезированных областей/линий, тем выше «вес» частицы.

   Основные результаты. Предложенная методика апробирована на модельных и реальных данных, собранных на трамвайных маршрутах в Санкт-Петербурге. Эксперименты показали, что первый способ обеспечивает более высокую точность. Это объясняется необходимостью постпроцессинга данных сегментированного изображения для выделения осевой линии рельсового пути и, как следствие, уменьшением полезной информации. Полученная зависимость точности определения навигационных параметров от радиуса кривизны дороги продемонстрировала снижение точности на кривых большего радиуса.

   Обсуждение. Экспериментально подтверждена применимость предложенного подхода для оценки навигационных ошибок, его устойчивость к изменению погодных условий и качеству дорожного покрытия. Предложенный в работе подход выгодно отличается простотой и доступностью данных. По сравнению с методами, основанными на лидарных данных, предложенный подход не требует наличия дорогих датчиков и трудоемкого процесса сопоставления лидарного облака с высокоточной картой. В отличие от методов, использующих техническое зрение, не требуется составления карты ориентиров, разработки сложной процедуры их идентификации и сопоставления.

1. Lobanov M.G., Sholomov D.L. Application of shared backbone DNNs in ADAS perception systems // Proceedings of SPIE. 2021. V. 11605. P. 1160525. doi: 10.1117/12.2586932

2. Guzhva N.S., Prun V.E., Postnikov V.V., Lobanov M.G., Sadekov R.N., Sholomov D.L. Using 3D object detection DNN in an autonomous tram to predict the behaviour of vehicles in the road scene // Proc. of the 29^th Saint Petersburg International Conference on Integrated Navigation Systems (ICINS). 2022. P. 1–6. doi: 10.23919/ICINS51784.2022.9815388

3. Dikeman M., Burns C. Trust in autonomous vehicles: The case of Tesla Autopilot and Summon // IEEE International Conference on Systems, Man, and Cybernetics (SMC). 2017. P. 1093–1098. doi: 10.1109/smc.2017.8122757

4. Kukkala V.K., Tunnell J., Pasricha S., Bradley T. Advanced Driver-Assistance Systems: a path toward autonomous vehicles // IEEE Consumer Electronics Magazine. 2018. V. 7. N 5. P. 18–25. doi: 10.1109/mce.2018.2828440

5. Song J.H., Jee G.I. Performance enhancement of land vehicle positioning using multiple GPS receivers in an urban area // Sensors. 2016. V. 16. N 10. P. 1688. doi: 10.3390/s16101688

6. Jimenez F., Monzon S., Naranjo J.E. Definition of an enhanced map-matching algorithm for urban environments with poor GNSS signal quality // Sensors. 2016. V. 16. N 2. P. 193. doi: 10.3390/s16020193

7. Шолохов А.В., Беркович С.Б., Котов Н.И., Садеков Р.Н. Формирование траектории корреляционно-экстремальной навигационной системы по критерию минимума погрешностей координат // Юбилейная XXV Санкт-Петербургская Международная конференция по интегрированным навигационным системам : Сборник материалов. СПб.: “Концерн “Центральный научно-исследовательский институт “Электроприбор”, 2018. С. 175–177.

8. Salleh D.N.S.D.A., Seignez E. Longitudinal error improvement by visual odometry trajectory trail and road segment matching // IET Intelligent Transport Systems. 2019. V. 13. N 2. P. 313–322. doi: 10.1049/iet-its.2018.5272

9. Alonso I.P., Llorca D.F., Gavilan M., Pardo S.A., García-Garrido M.A., Vlacic L., Sotelo M.A. Accurate global localization using visual odometry and digital maps on urban environments // IEEE Transactions on Intelligent Transportation Systems. 2012. V. 13. N 4. P. 1535–1545. doi: 10.1109/TITS.2012.2193569

10. Schaefer A., Büscher D., Vertens J., Luft L., Burgard W. Long-term urban vehicle localization using pole landmarks extracted from 3-D lidar scans // Proc. of the European Conference on Mobile Robots (ECMR). 2019. P. 1–7. doi: 10.1109/ecmr.2019.8870928

11. Бикмаев Р.Р., Полукаров А.А., Садеков Р.Н. Определение местоположения наземного транспортного средства с использованием монокамеры и дорожных знаков с геодезической привязкой // XXVII Санкт-Петербургская Международная конференция по интегрированным навигационным системам : Cборник материалов. СПб.: «Концерн «Центральный научно-исследовательский институт «Электроприбор», 2020. С. 341–345.

12. Wang L., Zhang Y., Wang J. Map-based localization method for autonomous vehicles using 3D-LIDAR // IFAC-PapersOnline. 2017. V. 50. N 1. P. 276–281. doi: 10.1016/j.ifacol.2017.08.046

13. Wang C., Huang H., Ji Y., Wang B., Yang M. Vehicle localization at an Intersection using a traffic light map // IEEE Transactions on intelligent transportation systems. 2019. V. 20. N 4. P. 1432–1441. doi: 10.1109/TITS.2018.2851788

14. Murali V., Chiu H.P., Samarasekera S., Kumar R.T. Utilizing semantic visual landmarks for precise vehicle navigation // Proc. of the IEEE 20^th International Conference on Intelligent Transportation Systems (ITSC). 2017. P. 1–8. doi: 10.1109/ITSC.2017.8317859

15. Qu X., Soheilian B., Paparoditis N. Landmark based localization in urban environment // ISPRS Journal of Photogrammetry and Remote Sensing. 2018. V. 140. P. 90–103. doi: 10.1016/j.isprsjprs.2017.09.010