基于主观逻辑的自动驾驶系统多源定位在线性能评估

自动驾驶严重依赖高精度定位，将其作为所有驾驶相关软件组件的关键部分。精确定位对于利用高精地图、预测其他道路参与者以及控制车辆本身是必不可少的。因此，定位具有绝对的安全相关性。定位系统的典型误差（如长期漂移、跳变和错误定位）必须被检测到以提升安全性。对当前定位性能进行在线评估是一项具有挑战性的任务，对于单一定位系统通常通过卡尔曼滤波来完成。当前的自动驾驶车辆通过将多种独立定位方法融合为整体状态估计来应对这些挑战。此类方法需要专家知识才能在复杂环境中实现有竞争力的性能。这种专家知识基于对当前情况和环境下不同定位方法的信任与优先级排序。本工作提出了一种利用主观逻辑对多种定位系统进行在线性能评估的新技术。在我们的研究车辆中，有三种不同的定位系统可用，即基于里程计、同步定位与建图（SLAM）和全球导航卫星系统（GNSS）的定位。我们的性能评估分别对这三种定位系统的行为进行建模，并将它们相互作为参考。实验使用基于奥迪 A6 的 CoCar NextGen 进行。车辆的定位系统在具有挑战性的条件下（特别是在隧道环境中）进行了评估。总体评估表明了该方法的可行性。