一种基于多传感器融合的无人车定位方法与流程

本发明涉及无人驾驶领域，尤其涉及无人车定位、传感器和系统

背景技术：

近年来，随着人工智能的兴起，无人驾驶也越来越多的出现在人们的视野，各类无人车也正为人类提供便捷的服务，但是无人车要保证清楚地执行自己的规划，就必须要明白自己身处何方。因此，无人车的定位技术可以说是无人驾驶技术的核心。

目前已有的全局定位大多是基于rtk的差分gnss定位系统，这种系统在开阔环境下的定位精度可达厘米级，但是无人车往往需要在城市的高楼大厦下穿梭，由于受建筑物遮挡影响严重，无人车仅通过gnss定位系统的信号无法得到高精度的位置。

激光雷达定位技术在无人车定位中的作用逐渐凸显，它对环境的适应性强，对于gnss定位系统来说是干扰的建筑物环境，对于激光雷达来说反而提供了丰富的定位特征；另一方面，在非常开阔的环境下，当激光雷达扫描不到有效的定位特征时，恰好是gnss能够发挥最佳定位作用的时候。

这两者融合起来可以为无人车提供可靠的定位信息。

技术实现要素：

本发明的目的是提供一种可以实现城市级高精度定位的方法，同时满足低成本应用的解决方案。

为解决上述提出的问题，本发明的技术方案是：一种基于多传感器融合的无人车定位方法，包括获取当前无人车位置对应的三维激光点云数据，其中所述的三维激光点云数据包括各个激光点的三维空间立体坐标以及所述的三维激光点云数据中各个激光点对应的反射强度值。

作为一种基于多传感器融合的无人车定位方法的优选方案，所述的三维激光点云数据由三维激光传感器或其他具有相同功能的传感器测量获得。

作为一种基于多传感器融合的无人车定位方法的优选方案，对所述的三维激光点云数据进行滤波处理以减少数据噪声得到降噪的激光采样数据，其中所述的滤波处理包括但不限于体素滤波、中值滤波、统计滤波。

作为一种基于多传感器融合的无人车定位方法的优选方案，根据预先计算的先验位置计算所述的降噪的激光采样数据与点云地图的最佳匹配转换关系，从而得到无人车在点云地图中的位置，其中所述的无人车在点云地图中的位置包括三维空间中的三维立体坐标以及三维空间中的三个旋转方向的变化。

作为一种基于多传感器融合的无人车定位方法的优选方案，所述的点云地图包括但不限于周围环境中的建筑物形状、地面路边沿的轮廓、道路两旁树木的结构以及花坛的外形，并且所述的点云地图中各个特征的位置坐标均统一在一个全球的坐标系下。

作为一种基于多传感器融合的无人车定位方法的优选方案，所述的全球的坐标系由全球导航卫星系统(gnss)通过投影变换计算得到，其中所述的投影变换是指通用横轴墨卡托投影以及包括在此基础上经过任何偏移；

作为一种基于多传感器融合的无人车定位方法的优选方案，所述的预先计算的先验位置在系统初始化时由全球导航卫星系统经过所述的投影变换计算得到，所属的预先计算的先验位置在系统正常运行时由系统的状态估计器根据系统的运动状态进行预测得到。

作为一种基于多传感器融合的无人车定位方法的优选方案，所述的系统状态估计器是一个以无迹卡尔曼滤波器为基础的贝叶斯滤波器，但不仅限于所述的无迹卡尔曼滤波器这种贝叶斯滤波器；

作为一种基于多传感器融合的无人车定位方法的优选方案，所述的系统的运动状态由惯性测量单元测量得到，测量的运动状态包括系统在三维空间中三个维度方向上的加速度以及绕三个轴的旋转角速度；

作为一种基于多传感器融合的无人车定位方法的优选方案，系统的位置用x表示，系统的速度用v表示，系统在三维空间中的旋转姿态用四元数q表示，系统所选用的惯性测量单元中加速度计与陀螺仪的零偏分别用bacc和bgyro表示，则所述系统的状态由{xvqbaccbgyro}表示；

作为一种基于多传感器融合的无人车定位方法的优选方案，所述的预测是指根据系统前一时刻的状态以及当前时刻的运动状态来计算系统当前时刻的状态，前后两时间之间的时间差用dt来表示，所述加速度计的测量结果用acc表示，所述陀螺仪的测量结果用gyro表示，可以递推地计算得到下一时刻系统的状态：

x(t)＝x(t-1)+v(t-1)*dt；

v(t)＝v(t-1)+(acc(t)-bacc(t-1))*dt；

q(t)＝q(t-1)*{1，0.5*(gyro-bgyro(t-1))*dt}；

bacc(t)＝bacc(t-1)；

bgyro(t)＝bgyro(t-1)；

与现有技术相比，本发明的优点在于：

1、本发明提供的定位方法可以在弱gps或无gps的环境下提供高精度的定位；

2、本发明提供的定位方法可以更稳定的定位无人车的位置，便于无人车的决策控制；

3、本发明提供的定位方法是一套低成本的方案，可以快速部署在无人车上。

附图说明

图1是本申请的基于多传感器融合的无人车定位方法的一个实施例的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明作进一步地详细描述。

一种基于多传感器融合的无人车定位方法，包括获取当前无人车位置对应的三维激光点云数据，其中所述的三维激光点云数据包括各个激光点的三维空间立体坐标以及所述的三维激光点云数据中各个激光点对应的反射强度值；

所述的三维激光点云数据由三维激光传感器或其他具有相同功能的传感器测量获得

对所述的三维激光点云数据进行滤波处理以减少数据噪声得到降噪的激光采样数据，其中所述的滤波处理包括但不限于体素滤波、中值滤波、统计滤波；

根据预先计算的先验位置计算所述的降噪的激光采样数据与点云地图的最佳匹配转换关系，从而得到无人车在点云地图中的位置，其中所述的无人车在点云地图中的位置包括三维空间中的三维立体坐标以及三维空间中的三个旋转方向的变化。

所述的点云地图包括但不限于周围环境中的建筑物形状、地面路边沿的轮廓、道路两旁树木的结构以及花坛的外形，并且所述的点云地图中各个特征的位置坐标均统一在一个全球的坐标系下。

所述的全球的坐标系由全球导航卫星系统(gnss)通过投影变换计算得到，其中所述的投影变换是指通用横轴墨卡托投影以及包括在此基础上任何偏移；

所述的预先计算的先验位置在系统初始化时由全球导航卫星系统经过所述的投影变换计算得到，所属的预先计算的先验位置在系统正常运行时由系统的状态估计器根据系统的运动状态进行预测得到。本发明中的gnss是基于一种rtk-gps技术，在信号较好时可以得到厘米级的定位；

所述的系统状态估计器是一个以无迹卡尔曼滤波器为基础的贝叶斯滤波器，系统的位置用x表示，系统的速度用v表示，系统在三维空间中的旋转姿态用四元数q表示，系统所选用的惯性测量单元中加速度计与陀螺仪的零偏分别用bacc和bgyro表示，则所述系统的状态由{xvqbaccbgyro}表示；

所述的系统的运动状态由惯性测量单元测量得到，这个惯性测量单元选用的是一个mems六轴imu，包括三周加速度计和三周陀螺仪，测量的运动状态包括系统在三维空间中三个维度方向上的加速度以及绕三个轴的旋转角速度；

所述的预测是指根据系统前一时刻的状态以及当前时刻的运动状态来计算系统当前时刻的状态，前后两时间之间的时间差用dt来表示，所述加速度计的测量结果用acc表示，所述陀螺仪的测量结果用gyro表示，可以递推地计算得到下一时刻系统的状态：

x(t)＝x(t-1)+v(t-1)*dt；

v(t)＝v(t-1)+(acc(t)-bacc(t-1))*dt；

q(t)＝q(t-1)*{1，0.5*(gyro-bgyro(t-1))*dt}；

bacc(t)＝bacc(t-1)；

bgyro(t)＝bgyro(t-1)；

由此可以根据这个递推公式不断地由上一个时刻估计下一个时刻的系统状态，再根据激光与点云地图的计算转换结果得到激光的位置作为状态估计器中x和q的观测量对系统状态进行观测校正从而得到新的系统状态，由此不断重复预测和观测校正的步骤，即可实时获得系统的状态。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。