一种基于激光雷达点云特征匹配的无人驾驶定位方法、装置及存储介质制造方法及图纸

本申请公开了一种基于激光雷达点云特征匹配的无人驾驶定位方法、装置及存储介质，用于提高定位的鲁棒性和定位精度，从而适应复杂多变的城市形式路况。本申请公开的定位方法包括：确定车辆的初始位姿，对所述初始位姿进行预处理；根据所述初始位姿，进行特征提取；对所述特征进行融合处理，并根据所述融合处理后的特征进行定位，根据定位结果生成局部地图，得到定位结果。本申请还提供了一种定位装置及存储介质。储介质。储介质。

【技术实现步骤摘要】
一种基于激光雷达点云特征匹配的无人驾驶定位方法、装置及存储介质


[0001]本申请涉及无人驾驶领域，尤其涉及一种基于激光雷达点云特征匹配的无人驾驶定位方法、装置和存储介质。

技术介绍

[0002]随着汽车智能化和高性能传感器普及化的不断推进，自动驾驶已经是未来发展的必然趋势。定位问题是无人驾驶首先需要解决的问题，解决定位问题对自动驾驶技术中的车辆规划控制、环境感知和行为决策等方面发挥着重要的作用。
[0003]现有技术中，三维点云(3D点云)定位方法在复杂城市场景下往往会出现点云匹配特征退化的问题，从而难以完成定位，例如驶在隧道、树木密闭道路等道路时现有的3D点云定位方法往往难以完成定位。因此，如何在城市复杂的工况下完成定位是自动驾驶亟需解决的技术问题。

技术实现思路

[0004]针对上述技术问题，本申请实施例提供了一种基于激光雷达点云特征匹配的无人驾驶定位方法、装置及存储介质，用以提高定位的鲁棒性和定位精度，从而适应复杂多变的城市形式路况。
[0005]第一方面，本申请实施例提供的一种基于激光雷达点云特征匹配的无人驾驶定位方法，包括：
[0006]确定车辆的初始位姿，对所述初始位姿进行预处理；
[0007]根据所述初始位姿，进行特征提取；
[0008]对所述特征进行融合处理，并根据所述融合处理后的特征进行定位，根据定位结果生成局部地图，得到定位结果。
[0009]优选的，所述确定车辆的初始位姿包括：
[0010]通过惯性测量单元IMU预积分获得所述车辆的初始位姿，所述预积分中包括误差模型；
[0011]将所述定位结果反馈到所述误差模型，以修正所述误差模型。
[0012]其中，所述将所述定位结果反馈到所述误差模型，以修正所述误差模型包括：
[0013]通过以下公式修正位置误差：
[0014][0015]其中，i和j为时间，为i时刻到j时刻的IMU递推位姿与所述定位结果的差值，为i时刻的预积分旋转量，v
i
为i时刻的预积分速度量，b为IMU 误差项，上标g表示陀螺仪，a代表加速度计，Δt
ij
为第i和第j时刻的时间差， p
i
为i时刻的IMU位置，p
j
为j时刻的
IMU位置，为IMU从i时刻到j时刻的位置变换量，表示i时刻IMU中陀螺仪的误差，表示i时刻IMU中加速度计的误差，b
g
表示IMU中陀螺仪误差项，δ表示变换量，b
a
表示IMU中加速度计误差项；
[0016]所述p
j
通过以下公式确定：
[0017][0018]其中，k为所需积分的时间数据序列，v
k
为第k时刻的速度，Δt为两数据序列的时间差，R
k
为第k时刻的旋转量，为第k时刻的加速度计测量量，为第k时刻的加速度计噪声，为第k时刻的加速度计白噪声。
[0019]优选的，所述对所述初始位姿进行预处理包括：
[0020]3D点云畸变的去除和动态点的滤除。
[0021]其中，所述3D点云畸变的去除包括：
[0022]对3D点云传感器的帧间位移T
b2e
根据点云获取时间t
offset
进行插值，以获得无畸变点云，具体包括：
[0023]T
Ldiso
＝1
‑
(t
offset
)/t
offset
T
b2e
[0024][0025]其中，T
Ldiso
为插值的无畸变传感器位置，R
b2e
为传感器帧间旋转量，R为旋转量，SO(3)为三维空间对应的李群，T为位移量。
[0026]其中，所述动态点的滤除包括：
[0027]利用传感器的帧间位移将前一帧点云变换到当前帧，分别对前一帧点云和当前帧点云进行八叉树的建树操作，比较两帧点云八叉树占用概率变换。
[0028]优选的，所述根据所述初始位姿，进行特征提取包括：
[0029]将去畸变、去动态点的点云投影为深度图；
[0030]根据当前点云像素与深度图周围像素点对应的点云与当前点云的深度差值大小得到杆状物点，根据当前点对关系的曲率大小得到角点和面点；
[0031]对点云高度、斜率和反射率进行滤波，利用随机抽样一致性聚类得到地面点；
[0032]对所述地面点中的点云进行反射率聚类得到地面车道线点；
[0033]其中，所述周围像素点为像素点所在行左右n个点和所在列上下m个点之内的像素点，n和m为大于1的正整数。
[0034]其中，所述对所述特征进行融合处理包括：
[0035]利用所述地面点帧间匹配对定位位姿的高程z、翻滚角roll和俯仰角pitch 进行约束；
[0036]利用所述角点和所述杆状物点对所述定位位姿的x、y和yaw进行约束；
[0037]利用所述地面点对所述定位位姿的x和y进行约束；
[0038]根据所述地面车道线点对x、y、z、roll、pitch和yaw进行定位。
[0039]优选的，所述根据所述融合处理后的特征进行定位包括：
[0040]若检测到所述地面点小于第一阈值，则所述z与roll、pitch无变换；
[0041]若检测到所述杆状物点与角点小于第二阈值，则只根据所述面点确定所述 x，y相关的定位位姿；
[0042]若所述地面点，杆状物点，角点，面点均小于第三阈值，或者所述地面点，杆状物点，角点，面点中的其中三项小于第四阈值并且定位效果小于第五阈值时，使用所述地面车道线点进行定位。
[0043]优选的，本专利技术提供的基于激光雷达点云特征匹配的无人驾驶定位方法还包括：
[0044]对定位结果进行校验，若帧间特征点云对的距离残差小于第六阈值时，使用初始位姿作为最终定位位姿，并将所述最终定位位姿传回所述误差模型进行预积分模型优化。
[0045]优选的，所述根据定位结果生成局部地图包括：
[0046]将所述定位结果分四层保存下来，并进行精确的匹配；
[0047]所述四层为地面点层、角点与杆状物点层、面点层和车道线点层；
[0048]所述精确的匹配包括：依据当前帧点云的四种点云数量确定匹配方式，利用当前帧点云与历史累计图层的点云进行匹配；
[0049]其中所述四种点云为角点、面点、地面点、杆状物点。
[0050]利用本法专利技术的方法，在帧间匹配定位时首先将周围物体感知识别为杆状物、车道线、角点、面点和地面点。继而利用角点和杆状物细长的特征对车辆定位位姿横纵位置x、y以及横摆角yaw进行解算，利用地面的平面特征对车辆定位位姿所在高度z以及翻滚角roll、侧倾角pitch进行解算，如若周围存在较大的墙面等面点则进一步对车辆定位位姿的横纵位置x、y进行进一步约束。如果上述四种特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于激光雷达点云特征匹配的无人驾驶定位方法，其特征在于，包括：确定车辆的初始位姿，对所述初始位姿进行预处理；根据所述初始位姿，进行特征提取；对所述特征进行融合处理，并根据所述融合处理后的特征进行定位，根据定位结果生成局部地图，得到定位结果。2.根据权利要求1所述的方法，其特征在于，所述确定车辆的初始位姿包括：通过惯性测量单元IMU预积分获得所述车辆的初始位姿，所述预积分中包括误差模型；将所述定位结果反馈到所述误差模型，以修正所述误差模型。3.根据权利要求2所述的方法，其特征在于，所述将所述定位结果反馈到所述误差模型，以修正所述误差模型包括：通过以下公式修正位置误差：其中，i和j为时间，为i时刻到j时刻的IMU递推位姿与所述定位结果的差值，为i时刻的预积分旋转量，v
i
为i时刻的预积分速度量，b为IMU误差项，上标g表示陀螺仪，a代表加速度计，为第i和第j时刻的时间差，p
i
为i时刻的IMU位置，p
j
为j时刻的IMU位置，为IMU从i时刻到j时刻的位置变换量，表示i时刻IMU中陀螺仪的误差，表示i时刻IMU中加速度计的误差，b
g
表示IMU中陀螺仪误差项，δ表示变换量，b
a
表示IMU中加速度计误差项；所述p
j
通过以下公式确定：其中，k为所需积分的时间数据序列，v
k
为第k时刻的速度，Δt为两数据序列的时间差，R
k
为第k时刻的旋转量，为第k时刻的加速度计测量量，为第k时刻的加速度计噪声，为第k时刻的加速度计白噪声。4.根据权利要求2所述的方法，其特征在于，所述对所述初始位姿进行预处理包括：3D点云畸变的去除和动态点的滤除。5.根据权利要求4所述的方法，其特征在于，所述3D点云畸变的去除包括：对3D点云传感器的帧间位移T
b2e
根据点云获取时间t
offset
进行插值，以获得无畸变点云，具体包括：T
Ldiso
＝1
‑
(t
offset
)/t
offset
T
b2e
其中，T
Ldiso
为插值的无畸变传感器位置，R
b2e
为传感器帧间旋转量，R为旋转量，SO(3)为三维空间对应的李群，T为位移量。6.根据权利要求4所述的方法，其特征在于，所述动态点的滤除包括：利用传感器的帧间位移将前一帧点云变换到当前帧，分别对前一帧点云和当前帧点云进行八叉树的建树操作，比较两帧点云八叉树占用概率变换。
7.根据权利要求1所述的方法，其特征在于，所述根据所述初始位姿，进行特征提取包括：将去畸...

【专利技术属性】
技术研发人员：吴新开，王朋成，陈林冲，张少伟，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：