【技术实现步骤摘要】
一种退化场景下的无人车定位方法和装置
[0001]本专利技术属于无人车定位
，具体涉及一种退化场景下的无人车定位方法和装置。
技术介绍
[0002]在无人驾驶领域中，鲁棒的定位是必不可少的环节之一。目前基于点云的定位方案已经十分成熟，然而在一些退化场景中，例如下地库或者隧道中，基于点云的定位方案仍存在巨大的挑战。
[0003]在这些退化场景中，纵向上的结构特征不够丰富且大量重复，同时伴随着地面的起伏以及坡道的影响，对定位造成了严重的影响。目前主流的定位方案为点云配准算法，点云配准(Point Cloud Registration)算法指的是输入两幅点云Ps(source)和Pt(target)，输出一个变换T(即旋转R和平移t)使得T(Ps)和Pt的重合程度尽可能高。常用的点云配准算法有NDT、ICP。
[0004]例如迭代最近邻算法(ICP，Iterative Closest Point)和正态分布变换算法(NDT，Normal Distributions Transform)，迭代最近邻算法是经典的...
【技术保护点】
【技术特征摘要】
1.一种退化场景下的无人车定位方法，其特征在于，包括：基于上一帧和当前帧的IMU信息以及车辆底盘速度信息，根据卡尔曼滤波模型或更新后的卡尔曼滤波模型得到上一帧至当前帧的位姿增量，基于上一帧实际位姿与所述位姿增量计算得到当前帧实际位姿，即无人车定位信息；所述卡尔曼滤波模型的更新方式，包括：获得退化场景的点云地图，对点云地图进行预处理得到特征图层，特征图层包括每个点对应的类型标签、平面方程、直线方程和占据体素信息；获得激光点云，将激光点云投影到特征图层的空间体素内，保留位于占据体素的激光点云，并对保留的激光点云进行特征点的提取；对不同帧实际位姿进行时间插值得到与激光点云时间同步的同步位姿；根据同步位姿将对应的激光点云的特征点投影到点云地图中，从点云地图中获得与对应的激光点云的特征点的空间距离最近且类型相同的近邻地图点，获得对应的激光点云的特征点与近邻地图点的多个统计误差，基于多个统计误差采用最小二乘算法对同步位姿进行迭代优化得到全局位姿，基于全局位姿和同步位姿的差值对卡尔曼滤波模型进行更新。2.根据权利要求1所述的一种退化场景下的无人车定位方法，其特征在于，所述卡尔曼滤波模型的更新方式，还包括：对上一帧激光点云对应的特征点和当前帧激光点云对应的特征点进行点云配准得到相对位姿，并根据与上一帧激光点云时间同步的同步位姿和所述相对位姿得到里程计位姿，基于里程计位姿和与当前帧激光点云时间同步的同步位姿的差值对卡尔曼滤波模型进行更新。3.根据权利要求2所述的一种退化场景下的无人车定位方法，其特征在于，所述对上一帧激光点云对应的特征点和当前帧激光点云对应的特征点进行点云配准，包括：根据与上一帧激光点云时间同步的同步位姿和与当前帧激光点云时间同步的同步位姿，将上一帧激光点云对应的特征点投影到当前帧激光点云对应的特征点坐标系中，根据特征点的类型进行最近邻搜索，采用ICP算法得到相对位姿。4.根据权利要求1所述的一种退化场景下的无人车定位方法，其特征在于，所述对点云地图进行预处理，包括：遍历点云地图中的每个点，设定每个点的领域范围，基于每个点的领域范围得到对应的特征值，基于对应的特征值将每个点分为角点，边缘点，平面点、无效点和直线点，并标记点的类型标签，基于提取的平面点集合拟合得到多个平面方程，基于提取的直线点集合拟合得到多个直线方程；按照设定分辨率对点云地图进行划分得到空间体素，将存在点的体素标记为占据体素，将不存在点的体素标记为非占据体素；通过类型标签、平面方程、直线方程和占据体素信息构建特征图层。5.根据权利要求1所述的一种退化场景下的无人车定位方法，其特征在于，所述对保留的激光点云进行特征点的提取，包括：根据同步位姿将对应的激光点云映射到点云地图坐标系中，根据特征图层的占据体素信息，过滤掉属于非占据体素中的点；根据剩余的点的空间位置对剩余的点进行降维操作得到二维矩阵，然后根据激光发射
装置的高度将二维矩阵分为上下两部分；统计二维矩阵的下半部分中的每个点的横向曲率与纵向仰角信息，将小于曲率最小阈值且小于仰角最小阈值的点作为地面点；统计二维矩阵的上半部分的每个点的横向曲率信息，将小于横向曲率最小阈值的点作为平面点，将大于横向曲率最大阈值的点作为角点；通过获得的地面点、平面点和角点统称为特征点。6.根据权利要求5所述的一种退化场景下的无人...
【专利技术属性】
技术研发人员：张顺，华炜，高海明，邱奇波，张骞，张霄来，史进，
申请(专利权)人：之江实验室，
类型：发明
国别省市：
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。