【技术实现步骤摘要】
本公开涉及自动驾驶技术和机器人，本公开尤其涉及一种雷达定位方法、装置、电子设备及存储介质。
技术介绍
1、近年来，slam(simultaneous localization and mapping，即时定位与地图构建)技术越发成熟，并成功应用于无人驾驶技术中，且扮演者越来越重要的角色。由于slam需要实时处理传感器数据，比如图像、点云等，需要占用较大cpu和内存资源。然而车企为降低成本，一般采用具有较低算力的车载芯片和较小容量的存储单元，这无疑限制了slam技术的应用。因此，大多数的无人驾驶公司和车企采用离线建图和在线定位的方案。
2、由于受光照条件影响较大，纯视觉的定位方案，难以处理夜间等光照条件较差的场景，其次，受天气变化影响，制作生成的视觉全局地图，难以用于后期的视觉定位，从而制约了无人驾驶技术的广泛应用。然而由于激光雷达测距不受光照、天气等条件的影响，逐渐成为实现全天候、全场景的无人驾驶技术的必备传感器，并且由于制作工艺日益成熟，制作成本逐渐降低，越来越多的车企开始考虑在自家无人驾驶车上安装激光雷达，以提升车辆的感知和定位能力。
3、以下为一些现有技术文献。
4、技术1《ndt-matching》为开源无人驾驶框架autoware中的定位模块，首先，它将使用离线slam技术生成的全局点云地图加载到内存中，并将其设置为ndt配准方法的目标点云；然后不断接受点云帧，并将其设置为ndt配准方法的源点云，最后执行配准操作以得到当前帧点云的位姿。上述方案将全局点云地图全部加载到内存的操作，无疑
5、技术2《smartcar-pcd-map-tools》是github上的一个仓储库，它提供了大规模场景下全局点云地图的分割功能。并且认为由于点云地图稠密性，在大规模场景中难以一次性加载所有的地图，因此，将地图切分成多个子地图，并实现点云子地图的动态加载是非常有必要的。首先，slam建立的全局地图，有很多点是重合的，需要执行下采样操作以减少点的数量；其次，遍历下采样后全局点云地图中的每个点，将其投影到在xoy平面内划分的自定义大小的栅格中，以实现点云地图的分割。当使用全局地图定位时，可以根据载具当前位置，加载所在区域的栅格点云，以减少内存占用。该方案仅实现了点云的分割功能，并未结合定位所采用的配准算法，实现点云地图的转换功能。
6、当前的在线激光雷达定位流程：首先，根据场景选择最优的建图方案，使用采集到的激光雷达点云数据生成全局一致的高精度的点云地图；其次，将生成的点云地图加载到内存中，并设置为ndt配准算法的目标点云；最后，不断接受新的雷达点云数据，将其设置为ndt配准算法的源点云，并执行配准操作，以获取当前帧点云的全局位姿信息。受各种因素的影响，上述流程在执行时会存在以下问题：
7、1.受限的车载存储单元，难以将整个全局点云地图加载到内存中，尤其是面对城市级别的大规模场景的情形时。虽然技术2给出了一种分割全局点云地图的方法，定位时仅加载所在区域的栅格点云，这种动态加载的方式可有效减少内存的占用。然而当载具的轨迹正好在分割两块栅格点云的边界上时，由于载具位姿具有一定的误差，无疑会导致载具所在的当前栅格在相邻的两块栅格间频繁切换，从而增加内存到硬盘的刷写次数，严重影响系统的运行效率。
8、2.根据ndt配准算法的原理，当设置目标点云时，算法首先将空间体素化，并将目标点云向空间体素中投影，最后，遍历空间体素计算期望和协方差等统计量。当算法切换新的目标点云时，都需要进行上述的初始化过程。因此，使用ndt配准算法进行在线定位，当载具在不同的栅格区域切换时，初始化过程将严重影响系统的运行效率。
9、3.受动态障碍物和潜在动态障碍物的影响，离线建立的点云地图，与当前的定位场景存在差异，比如，采集数据时载具周围可能存在的移动目标，或者路边停靠的其他车辆，但是定位时，车辆被开走了等等。尽管ndt配准算法能够容忍部分此种差异，但是经测试，使用此类地图进行定位时，输出的位姿会存在不同程度的跳变，这无疑将影响控制模块的精度。
技术实现思路
1、本公开提供了一种雷达定位方法、装置、电子设备及存储介质。
2、一方面，提供了一种雷达定位方法，包括：
3、将离线的点云数据进行体素转换，转换后的点云数据包括当前体素中点云分布的统计参数；
4、对当前获取的点云数据进行至少一步的配准，得到最终配准结果，所述最终配准结果中包括当前点云帧的位姿；
5、基于所述最终配准结果将当前点云帧的位姿添加到位姿图中，进行位姿优化；
6、基于优化的点云帧位姿更新里程计子图中的累计误差以及切换全局地图中的子图，基于更新的所述全局地图中的子图进行定位。
7、在一种可选地实施例中，所述对当前获取的点云数据进行至少一步的配准，得到最终配准结果，包括：
8、对所述当前获取的点云数据进行第一步配准，得到第一配准结果，所述第一配准结果中包括当前点云帧的第一位姿；
9、基于所述当前点云帧的第一位姿与执行最新一次观测时载具的里程计位姿间的相对位姿，以及所述统计参数进行第二步配准，得到第二配准结果，将所述第二配准结果作为所述最终配准结果。
10、在一种可选地实施例中，所述对所述当前获取的点云数据进行第一步配准，得到第一配准结果，包括：
11、以在当前时段中选取的历史关键帧形成的子图为第一目标点云，以当前点云帧为第一源点云；
12、对所述第一目标点云和所述第一源点云进行对齐操作，得到所述当前点云帧的第一位姿。
13、在一种可选地实施例中，所述基于所述当前点云帧的位姿与执行最新一次观测时载具的里程计位姿间的相对位姿，以及所述统计参数进行第二步配准，得到第二配准结果，包括：
14、以所述载具当前时刻所在位置及相邻区域内的点云组成的全局子图为第二目标点云，以当前点云帧为第二源点云，对所述第二目标点云和所述第二源点云进行对齐操作，得到所述当前点云帧的第二位姿。
15、在一种可选地实施例中，对所述当前获取的点云数据进行第一步配准，得到第一配准结果，所述第一配准结果中包括当前点云帧的第一位姿之后，进行第二步配准之前，所述方法还包括对子图的更新：
16、获取最新关键点云帧位姿与当前点云帧位姿之间的相对距离和相对旋转角度；
17、基于所述最新关键点云帧位姿与当前点云帧位姿之间的相对距离和相对旋转角度对子图的更新。
18、在一种可选地实施例中，获取最新关键点云帧位姿与当前点云帧位姿之间的相对距离和相对旋转角度，包括：
19本文档来自技高网...
【技术保护点】
1.一种雷达定位方法，其特征在于，包括：
2.根据权利要求1所述的雷达定位方法，其特征在于，所述对当前获取的点云数据进行至少一步的配准，得到最终配准结果，包括：
3.根据权利要求2所述的雷达定位方法，其特征在于，所述对所述当前获取的点云数据进行第一步配准，得到第一配准结果，包括：
4.根据权利要求2所述的雷达定位方法，其特征在于，对所述当前获取的点云数据进行第一步配准，得到第一配准结果，所述第一配准结果中包括当前点云帧的第一位姿之后，进行第二步配准之前，所述方法还包括对子图的更新：
5.根据权利要求4所述的雷达定位方法，其特征在于，获取最新关键点云帧位姿与当前点云帧位姿之间的相对距离和相对旋转角度，包括：
6.根据权利要求1所述的雷达定位方法，其特征在于，基于优化的点云帧位姿更新里程计子图中的累计误差以及切换全局地图中的子图，包括：
7.根据权利要求6所述的雷达定位方法，其特征在于，基于优化的点云帧位姿更新里程计子图中的累计误差以及切换全局地图中的子图，基于更新的全局地图中的子图进行定位，还包括：
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。