一种基于体素化精配准的LiDAR-IMU-GNSS融合定位方法技术

本发明专利技术公开了一种基于体素化精配准的LiDAR

【技术实现步骤摘要】
一种基于体素化精配准的LiDAR
‑
IMU
‑
GNSS融合定位方法


[0001]本专利技术属于多传感器即时定位与建图领域，具体涉及一种基于体素化精配准的LiDAR
‑
IMU
‑
GNSS融合定位方法。

技术介绍

[0002]对于任何自主机器人系统，精确和鲁棒的移动载体导航定位技术是最基本的技术之一。针对移动观测平台的定位问题。近年来，基于SLAM(Simultaneous Localization and Mapping，即时定位与建图)的多源融合定位技术受到了来自相关企业和研究人员的广泛关注。基于SLAM的多源融合定位方案可根据主要传感器的不同分为基于视觉的SLAM和基于激光雷达的SLAM两种。由于传感器的优越性，基于激光雷达的SLAM的方案可以对空间指纹信息进行更高频、更精确的采集，更适用于车载平台实时高精度定位需求。因此，以激光雷达
‑
惯性里程计(LiDAR
‑
Inertial Odometry，LIO)为代表的基于激光雷达的SLAM方案被广泛用于获取复杂环境的三维地理信息并用于载体定位及地图重构。
[0003]激光雷达的点云配准为移动载体位姿估计的关键步骤，其严格影响着定位方法的位姿估计和地图重构结果。常用的点云滤波配准方法有正态分布变换(Normal Distributions Transform,NDT)、迭代最近点(Iterative Closest Point，ICP)及各类改进方法。NDT方法的核心在于将源点云与目标点云的概率密度函数作为目标函数，利用非线性优化的方法最小化二者之间的概率密度函数求得最优解，虽实时性能较优，但需多点构建协方差阵，在点云稀疏区域具有低鲁棒性。作为点云配准的另一种方法，ICP方法定位精度较高，但其每次迭代过程中须重新搜索最近邻点，并求取变换矩阵，其高昂计算成本难以适配计算资源有限的车载平台。综上所述，在压缩计算成本的基础上，一种适用于车载平台的高精度实时点云配准方法仍有待研究。
[0004]此外，作为局部传感器，LIO对当前帧进行位姿估计时的局部地图与全局地图之间存在累积偏移，这限制了LIO定位建图方案在大型室外环境中的定位精度。需采用来自全球卫星定位导航系统(Global Navigation Satellite System,GNSS)的全局观测信息可以为LIO系统提供一个可信的全局约束校正。传统融合方法常引入三维GNSS量测因子对LIO进行辅助的优化框架，但单一关键帧的量测信息较为冗余，且行驶至GNSS多径区域添加的GNSS因子可靠性较差。为了降低数据冗余度，现有方法提出可筛选GNSS角点因子以约束局部位姿，但未考虑平直路段角点数量不足的情况，量测信息利用率较低，在大型复杂室外环境中的应用具有局限性。
[0005]由以上分析可知，亟需提出一种适用于车载平台的LIO
‑
GNSS融合方案，主要技术要点包括：(1)在压缩计算成本的基础上，实现实时高精度的点云配准。(2)在充分利用GNSS量测信息的基础上，利用GNSS对LIO进行全局累计误差校正。

技术实现思路

[0006]为解决上述问题，本专利技术公开了一种基于体素化精配准的LiDAR
‑
IMU
‑
GNSS融合定
位方法，在实际城市环境内实现了较其他同类方法更高的定位精度，可以为车载平台在复杂城市环境的行驶过程中提供精准且连续的位姿估计结果。
[0007]为达到上述目的，本专利技术的技术方案如下：
[0008]一种基于体素化精配准的LiDAR
‑
IMU
‑
GNSS融合定位方法，包括以下步骤：
[0009](1)采用一种基于曲率分割的体素化降采样方法：给定一组激光雷达采集的原始点云序列，遍历原始点云序列中的所有点，利用广度优先方法进行粗聚类；
[0010]具体来说，利用基于欧氏距离的几何角度阈值对深度相近的点云簇进行细分割。设激光雷达扫描中心为O，点云簇中两个相近边缘点p
a
、p
b
，深度分别为d
a
、d
b
(d
a
>d
b
)，设点p
i
所在点云簇中点云数为M，则p
i
点云粗糙度为：
[0011][0012]设粗糙度阈值为遍历M，将的点归为边缘特征点集，将的点归为平面特征点集，分别进行降采样操作，然后利用哈希函数映射值代替随机取样对曲率粗分类后的点云簇进行快速降采样；设一组点云序列中某特征点在体素空间中的坐标为p(x,y,z)。设体素网格尺寸为r，则体素网格在x方向的维数为D
x
＝(x
max
‑
x
min
)/r，p在体素网格内的x方向索引为h
x
＝(x
‑
x
min
)/r，y、z方向同理。
[0013]得到特征点在体素空间中的三维索引后，采用哈希函数对特征点索引快速排序，将其映射到N个容器中(N＝80)，哈希映射函数为：
[0014]hash(h
x
,h
y
,h
z
)＝(h
x
+h
y
·
D
x
+h
z
·
D
x
·
D
y
)％N
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0015]为避免哈希冲突，设冲突检测条件为：
[0016]hash(h
x
,h
y
,h
z
)＝hash(h'
x
,h'
y
,h'
z
)(h
x
≠h'
x
|h
y
≠h'
y
|h
z
≠h'
z
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0017]一旦检测到哈希冲突，则将当前容器中的索引值输出并清空容器，将新索引值置入容器中。
[0018](2)基于平滑体素化处理的点云配准
[0019]采用基于体素内特征点分布求解T的方法，将利用树状图构建单点对最近邻模型问题转化为构建点与邻域点集的最近邻模型；首先将两组点云序列近似为高斯分布，即问题转化为构建点与邻域点集的最近邻模型；首先将两组点云序列近似为高斯分布，即其中i∈(1,n)，和分别为两组点云序列协方差阵；设a
i
的邻域点集为其中，λ为邻域判断阈值，由此计算刚体变换误差为：
[0020][0021]该步骤实现了对a
i
邻域内所有邻近点云的平滑处理；由此可推估帧间位姿变换矩阵T的最大似然估计如下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于体素化精配准的LiDAR
‑
IMU
‑
GNSS融合定位方法，包括以下步骤：(1)采用一种基于曲率分割的体素化降采样方法：给定一组激光雷达采集的原始点云序列，遍历原始点云序列中的所有点，利用广度优先方法进行粗聚类；具体来说，利用基于欧氏距离的几何角度阈值对深度相近的点云簇进行细分割；设激光雷达扫描中心为O，点云簇中两个相近边缘点p
a
、p
b
，深度分别为d
a
、d
b
(d
a
>d
b
)，设点p
i
所在点云簇中点云数为M，则p
i
点云粗糙度为：设粗糙度阈值为遍历M，将的点归为边缘特征点集，将的点归为平面特征点集，分别进行降采样操作，然后利用哈希函数映射值代替随机取样对曲率粗分类后的点云簇进行快速降采样；设一组点云序列中某特征点在体素空间中的坐标为p(x,y,z)；设体素网格尺寸为r，则体素网格在x方向的维数为D
x
＝(x
max
‑
x
min
)/r，p在体素网格内的x方向索引为h
x
＝(x
‑
x
min
)/r，y、z方向同理；得到特征点在体素空间中的三维索引后，采用哈希函数对特征点索引快速排序，将其映射到N个容器中(N＝80)，哈希映射函数为：hash(h
x
,h
y
,h
z
)＝(h
x
+h
y
·
D
x
+h
z
·
D
x
·
D
y
)％N
ꢀꢀꢀꢀꢀ
(2)为避免哈希冲突，设冲突检测条件为：hash(h
x
,h
y
,h
z
)＝hash(h'
x
,h'
y
,h'
z
)(h
x
≠h'
x
|h
y
≠h'
y
|h
z
≠h'
z
)
ꢀꢀꢀꢀ
(3)一旦检测到哈希冲突，则将当前容器中的索引值输出并清空容器，将新索引值置入容器中；(2)基于平滑体素化处理的点云配准采用基于体素内特征点分布求解T的方法，将利用树状图构建单点对最近邻模型问题转化为构建点与邻域点集的最近邻模型；首先将两组点云序列近似为高斯分布，即转化为构建点与邻域点集的最近邻模型；首先将两组点云序列近似为高斯分布，即其中i∈(1,n)，和分别为两组点云序列协方差阵；设a
i
的邻域点集为其中，λ为邻域判断阈值，由此计算刚体变换误差为：该步骤实现了对a
i
邻域内所有邻近点云的平滑处理；由此可推估帧间位姿变换矩阵T的最大似然估计如下，其中N
i
为a
i
邻域内点云数量；除了对a
i
邻域内所有邻近点云的平滑处理外，为避免多次迭代后陷入局部最优的盲区，设立迭代终止阈值ε如下：|RMSE
k+1
‑
RMSE
k
|＞ε
ꢀꢀꢀꢀ
(6)
其中，RMSE
k+1<...

【专利技术属性】
技术研发人员：潘树国，何璇，高旺，刘宏，陆新宇，
申请(专利权)人：东南大学，
类型：发明
国别省市：