【技术实现步骤摘要】
一种面向港口环境的多源数据融合的无人驾驶汽车实时定位方法
本专利技术属于人工智能
，尤其是涉及一种面向港口环境的多源数据融合的无人驾驶汽车实时定位方法。
技术介绍
近年来，全球范围内掀起了自动驾驶技术研究的热潮。自动驾驶技术经过十多年发展，逐渐从实验室研究，到封闭环境技术竞赛，再到固定场景示范应用，虽然取得了长足的进展，但距离实际应用仍有加大距离。车企普遍采用的由低级辅助驾驶到高级辅助驾驶，再到限定场景自动驾驶，最后到达全自动驾驶的路途并不十分顺利。L4级别(超高度自动驾驶)和L5级别(全自动驾驶)的自动驾驶座位智能驾驶技术的理想目标，是人工智能皇冠中各国和厂商奋力竞争摘取的最璀璨的明珠，是无人驾驶市场领域高效的生产力，奠定我国在未来新兴产业国际市场的领导地位具有十分重要的意义。在面向港口环境的无人驾驶应用场景中，有大量的集装箱卡车且一般行驶速度较低，在场景中还有大量金属箱体和其他金属障碍物。无人车定位是自动驾驶系统的核心基础功能，同时也是限制自动驾驶技术发展的瓶颈技术之一，在港口的运行环境下，...
【技术保护点】
1.一种面向港口环境的多源数据融合的无人驾驶汽车实时定位方法，其特征在于，包括以下步骤：/n(1)预测无人车的当前时刻状态：通过惯性传感器观测无人车惯性信息，根据前一时刻的状态和当前时刻的惯性传感器的测量值，得出服从高斯分布的当前时刻的预测状态
【技术特征摘要】
1.一种面向港口环境的多源数据融合的无人驾驶汽车实时定位方法，其特征在于，包括以下步骤：
(1)预测无人车的当前时刻状态：通过惯性传感器观测无人车惯性信息，根据前一时刻的状态和当前时刻的惯性传感器的测量值，得出服从高斯分布的当前时刻的预测状态的均值μ′和协方差∑′；
(2)点云配准：将所述步骤(1)中得到的无人车的预测状态的均值μ′和协方差∑′作为预测值，对先验点云地图与当前场景点云进行点云匹配，得到当前场景点云和场景之间的坐标变换矩阵，利用该变换矩阵对匹配前的预测值进行转换，输出匹配后配准结果，所述配准结果包括点云和无人车的位置信息；
(3)状态校正：根据所述步骤(1)的预测状态数据和步骤(2)的配准结果，校正得到校准后的无人车状态。
2.根据权利要求1所述的无人驾驶汽车实时定位方法，其特征在于，所述步骤(1)中预测出服从高斯分布的当前时刻的状态信息的步骤如下：
(1-1)对惯性传感器的滤波参数初始化，确定在当前时刻t的噪声协方差Rt和惯性元件的偏置参数bt，计算出当前时刻t的协方差值∑，由如下公式计算；
∑＝VDVT：
其中，D为对角阵，V为特征向量，Rt为惯性传感器在测量过程中环境和系统不可测变量对测量结果造成的干扰所服从的高斯分布的协方差矩阵，bt为所述惯性传感器在理想状态使用中的测量值均值和真值的固定偏差；
(1-2)对前一时刻状态进行采样，计算出预测状态的采样点χ[i]的分布，由如下公式计算：
χ[0]＝μ
λ＝α2(n+κ)-n
其中，设定采样数量为2n+1，n是状态的维数，设定状态维数为10，μ、α、κ为确定σ点分布在均值范围内的比例系数；
(1-3)对所述步骤(1-2)中的采样点χ[i]根据预设的运动模型函数进行状态转移，得到新的采样点为y[i]，由如下公式计算：
y[i]＝f(χ[i]，ctrt).
ctr＝[acc，gyr]T：
xt-1＝[pt-1，qt-1，vt-1]T
[pt，qt，vt]T＝ft＝[pt-1，qt-1，vt-1]T·[1，Δq，1]·[vt-1dt，0，acct·Δt]T；
其中，y[i]＝f(χ[i]，ctrt)为运动模型函数，ctrt为当前时刻的惯性元件传感器测量值，acc为无人车加速度值，gyr为无人车角速度值，xt-1为上一时刻无人车状态，pt-1为上一时刻无人车的位置，qt-1为上一时刻无人车的姿态，vt-1为上一时刻无人车的速度，pt为当前时刻t无人车的位置，qt当前时刻t无人车的姿态，vt为当前时刻t无人车的速度，Δqt为无人车在当前时刻与上一时刻的时间间隔Δt内产生的旋转，为无人车在当前时刻t的角速度值；
(1-4)对所述步骤(1-3)中得到采样点y[i]进行加权统计，计算得出预测状态的均值μ′和协方差∑′，由如下公式计算：
...
【专利技术属性】
技术研发人员：张祖锋，杨迪海，闵文芳，
申请(专利权)人：畅加风行苏州智能科技有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。