本申请涉及智慧矿山、无人驾驶、车辆，具体涉及一种遮挡环境下的车辆定位方法、无人车。
背景技术：
1、矿山作业环境较为复杂，像破碎站等区域存在遮挡信号的情况，这会导致rtk（real - time kinematic，实时动态测量）定位失效，同时惯导递推又存在累计误差的问题，传统的slam（simultaneous localization and mapping，同步定位与建图）方案在建图与定位方面也面临诸多困难，因而无法满足无人驾驶车辆对于定位的高精度要求。
技术实现思路
1、有鉴于此，本申请实施例提供了一种遮挡环境下的车辆定位方法、无人车。
2、第一方面，本申请一实施例提供了一种遮挡环境下的车辆定位方法，包括：基于多个粒子各自的第一位姿，计算多个粒子各自的第二位姿，第一位姿表示车辆进入目标环境的遮挡区域时的估计位姿，第二位姿表示车辆移动第一移动距离后的位姿；基于每个粒子的第二位姿，将车辆在移动第一移动距离后的目标点云投影至目标环境对应的栅格地图，得到目标点云中的每个观测点所落入的栅格，栅格地图包括多个栅格，每个栅格标记有目标数值，目标数值表示在该栅格上观测到特定语义特征的概率；基于每个观测点所落入的栅格和每个栅格对应的目标数值，计算每个粒子的匹配度；基于多个粒子各自的匹配度，确定车辆的定位结果。
3、结合第一方面，在第一方面的某些实现方式中，在基于每个粒子的第二位姿，将车辆在移动第一移动距离后的目标点云投影至目标环境对应的栅格地图，得到目标点云中的每个观测点所落入的栅格之前，还包括：判断第一帧点云是否存在遮挡，第一帧点云是车辆在移动第一移动距离后采集的；若确定第一帧点云存在遮挡，则将第二帧点云和第一帧点云进行融合，得到目标点云，第二帧点云是车辆在移动第一移动距离之前采集的；若确定第一帧点云不存在遮挡，则将第一帧点云确定为目标点云；优选地，该方法还包括：对目标点云进行去畸变处理。
4、结合第一方面，在第一方面的某些实现方式中，判断第一帧点云是否存在遮挡，包括：确定第一帧点云中的每个观测点所落入的栅格；若观测点所落入的栅格对应的目标数值大于第一预设阈值，则将该观测点所落入的栅格确定为有效栅格；统计有效栅格的数量，若有效栅格的数量小于第二预设阈值，则确定第一帧点云存在遮挡。
5、结合第一方面，在第一方面的某些实现方式中，将第二帧点云和第一帧点云进行融合，得到目标点云，包括：基于多个粒子各自的第二位姿，计算第二位姿的分布数据；若第二位姿的分布数据表征多个粒子各自的第二位姿满足位姿离散条件，则将第二帧点云和第一帧点云进行融合，得到目标点云；优选地，将多个粒子各自的第二位姿之间的标准差确定为第二位姿的分布数据；位姿离散条件包括标准差大于第三预设阈值。
6、结合第一方面，在第一方面的某些实现方式中，在基于多个粒子各自的第一位姿，计算多个粒子各自的第二位姿之前，还包括：预先采集目标环境的点云数据；删除点云数据中的动态语义特征，得到静态语义点云；基于静态语义点云，构建目标环境的栅格地图，并根据栅格的静态语义特征进行似然计算，确定每个栅格对应的目标数值；优选地，动态语义特征包括灰尘语义特征、车辆语义特征和行人语义特征中的至少一种。
7、结合第一方面，在第一方面的某些实现方式中，目标环境中的目标区域设置有反光柱，目标区域包括狭窄区域，无纵向约束的道路区域和特征缺失区域中的至少一种。
8、结合第一方面，在第一方面的某些实现方式中，栅格地图包括多个语义图层，目标数值通过下述方法计算：确定每个语义图层的观测噪声，以及每个语义图层中每个栅格的中心点与该语义图层中最近的静态语义特征的特征点之间的距离；基于每个语义图层的观测噪声和每个语义图层中每个栅格对应的距离进行似然计算，确定每个栅格对应的目标数值。
9、结合第一方面，在第一方面的某些实现方式中，基于每个观测点所落入的栅格和每个栅格对应的目标数值，计算每个粒子的匹配度，包括：基于每个观测点所落入的栅格和每个栅格对应的目标数值，计算目标点云中的所有观测点各自所落入的栅格的目标数值之和；将目标数值之和除以目标点云中的观测点的总数，得到每个粒子的匹配度。
10、结合第一方面，在第一方面的某些实现方式中，基于多个粒子各自的匹配度，确定车辆的定位结果，包括：将匹配度最高的粒子的第二位姿确定为车辆移动第一移动距离后的定位结果；或者，对多个粒子各自对应的匹配度进行归一化处理，将归一化处理后数值最高的粒子的第二位姿确定为车辆移动第一移动距离后的定位结果；优选地，该方法还包括：基于多个粒子的第二位姿的分布数据，判断车辆的定位结果的精度。
11、第二方面，本申请一实施例提供了一种遮挡环境下的车辆定位装置，包括：
12、第一计算模块，用于基于多个粒子各自的第一位姿，计算多个粒子各自的第二位姿，第一位姿表示车辆进入目标环境的遮挡区域时的估计位姿，第二位姿表示车辆移动第一移动距离后的位姿；
13、投影模块，用于基于每个粒子的第二位姿，将车辆在移动第一移动距离后的目标点云投影至目标环境对应的栅格地图，得到目标点云中的每个观测点所落入的栅格，栅格地图包括多个栅格，每个栅格标记有目标数值，目标数值表示在该栅格上观测到特定语义特征的概率；
14、第二计算模块，用于基于每个观测点所落入的栅格和每个栅格对应的目标数值，计算每个粒子的匹配度；
15、确定模块，用于基于多个粒子各自的匹配度，确定车辆的定位结果。
16、第三方面，本申请一实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序用于执行第一方面所述的遮挡环境下的车辆定位方法。
17、第四方面，本申请一实施例提供了一种无人车，该无人车包括：处理器；用于存储处理器可执行指令的存储器；该处理器用于执行第一方面所述的遮挡环境下的车辆定位方法。
18、第五方面，本申请一实施例提供了一种计算机程序产品，该计算机程序产品包括指令，该指令在无人车上执行时使无人车实现第一方面所述的遮挡环境下的车辆定位方法。
19、在本申请中，通过基于多个粒子及其位姿的递推计算，实现了在rtk信号失效点之后的持续位姿跟踪，解决了单纯依赖rtk、而在遮挡区域定位不准的问题。其次，通过目标点云，将粒子与栅格地图进行匹配度计算，这个过程会不断检测并纠正运动递推的偏差，从而有效抑制并校正了单纯依靠惯导或里程计递推所产生的累积误差。并且，本方案是通过栅格地图中每个栅格的目标数值，计算粒子的匹配度，相比传统点云匹配方法（如迭代最近点算法），本方案无需复杂的点对点对应关系搜索，仅需查询栅格的数值并进行算术运算即可，更适用于大规模环境下的高频定位需求。最后，通过多个粒子的匹配度确定最终的定位结果，实现了对多个位姿假设的最优估计，增强了对传感器噪声和环境干扰的鲁棒性，避免了因单个异常观测导致的定位跳变。
1.一种遮挡环境下的车辆定位方法，其特征在于，包括：
2.根据权利要求1所述的遮挡环境下的车辆定位方法，其特征在于，在所述基于每个所述粒子的第二位姿，将所述车辆在移动所述第一移动距离后的目标点云投影至所述目标环境对应的栅格地图，得到所述目标点云中的每个观测点所落入的栅格之前，还包括：
3.根据权利要求2所述的遮挡环境下的车辆定位方法，其特征在于，所述判断第一帧点云是否存在遮挡，包括：
4.根据权利要求2所述的遮挡环境下的车辆定位方法，其特征在于，所述将第二帧点云和所述第一帧点云进行融合，得到所述目标点云，包括：
5.根据权利要求1至4任一项所述的遮挡环境下的车辆定位方法，其特征在于，在所述基于多个粒子各自的第一位姿，计算所述多个粒子各自的第二位姿之前，还包括：
6.根据权利要求1至5任一项所述的遮挡环境下的车辆定位方法，其特征在于，所述目标环境中的目标区域设置有反光柱，所述目标区域包括狭窄区域，无纵向约束的道路区域和特征缺失区域中的至少一种。
7.根据权利要求1至6任一项所述的遮挡环境下的车辆定位方法，其特征在于，所述栅格地图包括多个语义图层，所述目标数值通过下述方法计算：
8.根据权利要求1至7任一项所述的遮挡环境下的车辆定位方法，其特征在于，所述基于每个所述观测点所落入的栅格和每个所述栅格对应的目标数值，计算每个所述粒子的匹配度，包括：
9.根据权利要求1至8任一项所述的遮挡环境下的车辆定位方法，其特征在于，所述基于所述多个粒子各自的匹配度，确定所述车辆的定位结果，包括：
10.一种无人车，其特征在于，包括：