【技术实现步骤摘要】
本专利技术属于无人车定位领域，具体指一种基于毫米波雷达的无人车定位方法。
技术介绍
1、无人车定位技术是实现无人驾驶的关键技术之一，是实现无人车决策控制、导航和路径规划的基本前提条件。基于高精地图的无人车定位方案是无人车定位技术中一个主流的方案。在此方案中，首先需要使用激光雷达或者相机等传感器在离线环境下构建高精度的定位地图，然后在在线运行环境下，使用与构建地图相同的传感器感知周围环境并与高精定位地图匹配，最终获得高精度的位姿输出。
2、然而，在恶劣天气环境下(如雨雪天、大雾天)，车载传感器会受到雨滴和雪花等物体的影响，导致收集到的数据中会带有大量的噪声，使得在线数据无法与离线高精地图匹配，影响定位精度。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供一种基于毫米波雷达的无人车定位方法，针对恶劣天气环境下，利用毫米波雷达穿透性强的特点，实现无人车高精度定位。其包括离线建图操作和在线定位操作两部分。在离线环境下，通过激光雷达、惯性导航、毫米波雷达和gnss等车载传感器收集数据用于高精地图的构建，利用k-strongest算法和激光雷达特征点对毫米波雷达数据进行滤波处理，使用惯性导航、gnss解算出离线环境下车辆的位姿变换，并将其作为真值构建高精地图。在线定位中使用惯导数据去除毫米波雷达畸变，通过k-strongest算法和主成分分析算法提取毫米波雷达数据特征点，使用高斯牛顿法将特征点与高精地图匹配，解算出最终位姿。
2、为了达到上述目的，本专利技术采
3、一种基于毫米波雷达的无人车定位方法，该定位方法包括离线建图和在线定位两部分：
4、(1)离线环境下，同时使用激光雷达与毫米波雷达采集数据，其中激光雷达数据用于辅助提取毫米波图像(毫米波图像由毫米波雷达采集数据得到)中的特征点，最终使用毫米波图像特征点构建高精定位地图。
5、(2)在线环境下，使用毫米波雷达提取特征点与高精定位地图匹配，输出位姿。
6、本专利技术中的具体实施步骤如下：
7、第一，离线建图操作中的激光雷达数据处理
8、步骤1.1：使用惯性测量单元补偿激光雷达点云数据畸变。
9、由于本专利技术中所使用的激光雷达与毫米波雷达都是旋转式的传感器，故在运动过程中会产生点云畸变问题。本专利技术通过采用惯性测量单元测量数据修正点云数据采集过程中的车辆位姿变换，从而实现点云去畸变。
10、设ti表示第i帧点云的起始时刻，ri、pi与vi分别表示第i帧点云的旋转矩阵、平移矩阵和速度。和分别为第i帧陀螺仪和加速度计输出的测量值，bg,i和ba,i分别为第i帧陀螺仪和加速度计的零偏大小。则可以写出惯性测量单元的航迹推算公式：
11、
12、其中，exp(·)表示从李代数变换到李群的函数操作，δti＝ti+1-ti表示第i+1帧点云的测量时间。由公式(1)可以获得ti+1时刻的车辆的位姿变换矩阵为：
13、
14、由于一帧点云中的点采样时刻不同，所以可以根据点的采样时刻实现点云的去畸变。假设某一个点pj的采样时刻为tj，则该点的位姿变换矩阵为：
15、
16、通过上述方法可以计算出每个点相对于第i帧点云起始时刻车辆坐标系的位姿变换，从而将原始激光雷达点云数据转换为去畸变后的点云数据。
17、步骤1.2：去除去畸变后点云数据中的地面点。
18、由于建立高精地图采用的传感器为激光雷达，采集到的点云数据为三维数据，且包含地面点。而定位模块所采用的传感器为毫米波雷达，其扫描面为二维水平面，可以类比为单线激光雷达，无法获得地面点数据。因此，需要去除激光雷达点云中的地面点。具体如下：
19、首先将步骤1.1中去畸变后的点云投影到垂直于地面的二维平面上，形成深度图ii。深度图的每一行表示激光雷达的一线光束，每一列表示单线光束旋转360°所采集到的点，像素值表示某点到激光雷达的距离。假设点云中某点pk1＝(xj,yj,zj)投影到深度图上的坐标为qk1＝(um,vn)，则可以表示为：
20、
21、其中um,vn分别表示第m个激光雷达光束和第n个采样点。而对于深度图上与qk1在纵坐标方向上相邻的点qk2可以表示为：
22、qk2＝(um+1,vn) (5)
23、假设激光雷达第m个激光束与地面夹角为αm，第n个采样点在车辆坐标系下与x轴的夹角为θn，则qk1与qk2所对应的三维点与水平面的夹角为：
24、
25、当角度βk1,k2小于阈值βmax(15°≤βmax≤30°)时，可以认为qk1与qk2所对应的三维点均为地面点。遍历深度图像，将所有的地面点筛选出并去除，得到去除地面点后的激光雷达点云数据。
26、步骤1.3：根据平滑度提取去除地面点后的点云数据中的平面特征。
27、由于去除了地面点的点云数据中仍然包含一些动态物体以及噪声数据，并会影响最终的定位精度，故需要将这两类数据滤除。由于平面点一般为建筑物墙体等大型静态物体，故为简化操作，本方案通过提取平面点来代替去除动态物体与噪声数据的点云。具体方法如下：
28、(1.3.1)对于去除地面点后的点云中的某个点p，设p点所处的激光线为li，在激光线li上p点左右各取若干个连续的点，记为相邻点集γ。
29、(1.3.2)计算相邻点集γ中所有点到激光雷达距离的均值μ。
30、(1.3.3)计算p点到激光雷达距离与均值μ的差值，若差值小于固定的阈值dmax(0.1≤dmax≤0.2)，标记该点为平面点，否则标记该点为非平面点。
31、(1.3.4)返回步骤(1.3.1)并顺序执行，直至点云中所有点都被标记。
32、通过上述步骤1.1、步骤1.2与步骤1.3，从原始的激光雷达数据中提取了去畸变的平面特征点，这些特征点将用于辅助毫米波雷达提取有效特征。
33、第二，离线建图操作中的毫米波数据处理
34、步骤2.1：提取离线环境中采集到的毫米波图像中的特征。
35、由于采集到的原始的毫米波图像中含有大量的噪声，所以需要提取毫米波图像中的特征点进行建图。本方案中使用的是旋转式的调频连续波雷达，该雷达在采集过程中会不断旋转，从而采集水平方向360°的数据。假设ti时刻采集到的毫米波雷达图像为qi。
36、首先采用k-strongest算法，对qi进行粗滤波。该方法从原始毫米波雷达图像的每个方位角上采集前k个振幅值最大的点。由于建图环节需要尽可能多的保存毫米波雷达图像中的有效目标，所以此时k-strongest算法中选取的k尽量取大(如k＝40)。然后使用步骤1.3中提取的激光雷达特征点云对粗滤波后的qi进行精滤波。具体方法如下：
37、(2.1.1)以激光雷达为中心，按毫米波雷达的距离分辨率划分为n个同心圆本文档来自技高网...
【技术保护点】
1.一种基于毫米波雷达的无人车定位方法，其特征在于，所述的无人车定位方法包括离线建图和在线定位两部分：
2.根据权利要求1所述的一种基于毫米波雷达的无人车定位方法，其特征在于，所述的无人车定位方法具体包括以下步骤：
3.根据权利要求2所述的一种基于毫米波雷达的无人车定位方法，其特征在于，所述的第一，离线建图过程中的激光雷达数据处理，具体过程如下：
4.根据权利要求3所述的一种基于毫米波雷达的无人车定位方法，其特征在于，所述的步骤3.1中，所述的步骤1.2中，阈值15°≤βmax≤30°。
5.根据权利要求2所述的一种基于毫米波雷达的无人车定位方法，其特征在于，所述的步骤2.1具体方法如下：
6.根据权利要求2所述的一种基于毫米波雷达的无人车定位方法，其特征在于，所述的步骤3.1中，主成分分析方法如下：
7.根据权利要求2所述的一种基于毫米波雷达的无人车定位方法，其特征在于，所述的步骤3.2具体如下：
【技术特征摘要】
1.一种基于毫米波雷达的无人车定位方法，其特征在于，所述的无人车定位方法包括离线建图和在线定位两部分：
2.根据权利要求1所述的一种基于毫米波雷达的无人车定位方法，其特征在于，所述的无人车定位方法具体包括以下步骤：
3.根据权利要求2所述的一种基于毫米波雷达的无人车定位方法，其特征在于，所述的第一，离线建图过程中的激光雷达数据处理，具体过程如下：
4.根据权利要求3所述的一种基于毫米波雷达的无人车定位方...
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。