【技术实现步骤摘要】
本专利技术涉及工业场景无人驾驶领域，具体地，涉及一种基于激光雷达与传感器信息融合的轨道车定位方法及系统，更为具体地，涉及一种工业场景下轨道无人运输车辆的实时定位。
技术介绍
1、现有技术中最接近技术(授权号为cn114440881a的专利，公开了“一种融合多源传感器信息的无人车定位方法”)该方法通过将gps信息和imu信息进行优劣互补，实现在简单环境下获取更为精确的无人车定位效果，通过对非线性系统下三种滤波算法效果的比较，实现非线性程度不同的环境下的融合定位。
2、同行方案中可能受制于gps信号覆盖范围的限制，相比之下激光雷达可以提供全局的地图信息，在没有gps信号的环境中实现定位。
3、目前轨道车在装备制造领域的广泛应用对定位精度提出了更高的要求。传统的基于rfid识别的轨道车定位装置存在识别范围过大、精度不高等问题。而gps在码头、矿山或封闭工厂内的定位精度也会因为信号缺失等干扰受到影响，不能提供稳定可靠的实时定位。为了克服这些技术缺陷，需要一种新的轨道车定位方法和系统。
4、基于激光雷达与传感器信息融合的轨道车定位方法利用激光雷达获取车体周围的环境点云数据，并通过传感器收集轨道车的运动参数。通过融合激光雷达和传感器数据，可以实现对轨道车的准确定位和姿态估计。
5、相比传统的基于rfid识别的装置，基于激光雷达与传感器信息融合的轨道车定位方法具有更高的定位精度、更小的识别范围。本专利技术的应用可以满足装备制造领域中对定位精度的高要求，为轨道车的自动化控制提供更准确、可靠和高效的
技术实现思路
1、针对现有技术中的缺陷，本专利技术的目的是提供一种基于激光雷达与传感器信息融合的轨道车定位方法及系统。
2、根据本专利技术提供的一种基于激光雷达与传感器信息融合的轨道车定位方法，包括：
3、步骤s1：进行激光雷达与惯性导航的离线标定；
4、步骤s2：根据激光雷达点云与惯性导航数据建立基于点云特征的车辆位姿推算；根据rfid坐标观测求解图优化问题，构建全局优化的点云地图；
5、步骤s3：基于点云地图，匹配地图与实时激光雷达数据，得到车辆定位结果；使用误差状态卡尔曼滤波方法，融合惯性导航数据进行位姿优化，得到车辆精确定位结果。
6、优选地，在所述步骤s1中：
7、步骤s1.1：激光雷达、惯性导航的外参标定：车辆静止时，获取激光雷达采集到的点云数据和imu采集到的惯性测量数据，使用开源工具进行外参标定，计算以激光雷达为参考坐标系时，imu的三轴坐标与三轴旋转四元数，组成雷达到imu的平移向量与旋转矩阵；
8、步骤s1.2：惯性导航的内参标定：车辆静止时，获取imu采集到的惯性测量数据，通过静止时间内加速度计和陀螺仪的读数计算噪声与零偏。
9、优选地，在所述步骤s2中：
10、步骤s2.1：激光点云的接收与预处理，利用惯性导航数据对激光点云去畸变，将一帧扫描的每个数据点旋转变换到帧尾：
11、
12、其中，是帧尾时间雷达坐标系下每个点的坐标，pt是一次扫描时间中任意时刻的点的坐标，旋转矩阵的下标从右到左表示转换关系tli，til分别是惯性导航到激光雷达、激光雷达到惯性导航的变换矩阵，t(tend)iw和t(t)wi分别是惯性导航在帧尾与一次扫描时间中任意时刻的位姿；
13、步骤s2.2：通过激光雷达的视场角计算激光雷达扫描帧的每个点的线束并归类，依次计算线束中每个点与其他临近点的差值即曲率，通过线束曲率判断角点和平面点，对激光点云进行特征提取；
14、步骤s2.3：执行激光点云到局部地图的匹配，搜索待匹配角点的最近邻几个点拟合直线，求解待匹配角点到直线的距离以及垂线向量在三个轴方向的分量，提取出稳定的角点特征；搜索待匹配平面点的最近邻几个点拟合平面，通过点到拟合平面的距离判断平面的可靠性，提取出稳定的平面点特征；基于点到线和点到面距离求解最小二乘问题，得到雷达里程计；
15、步骤s2.4：利用并行机制，在执行匹配时进行回环检测；通过搜索历史关键帧进行迭代最近点匹配，识别曾到达过的场景；
16、步骤s2.5：利用图优化库gtsam，将雷达里程计与rfid观测因子加入因子图进行优化；如果执行了回环检测，检测到回环信息，再加入回环检测因子，得到全局优化的关键帧位姿，保存关键帧激光点云到地图。
17、优选地，在所述步骤s3中：
18、步骤s3.1：接收激光雷达点云与传感器数据，进行数据同步，并根据rfid数据执行定位初始化；
19、步骤s3.2：利用惯性导航数据对激光点云去畸变；
20、步骤s3.3：使用占据栅格地图进行地图管理，将当前扫描与地图匹配；基于高斯牛顿法实现点到点的icp方法，每一次的迭代中计算点与点的最近邻，通过求解最小二乘问题得到位姿的增量；以车辆位姿为状态变量的最小二乘问题为：
21、
22、其中，d(x)为对应点对的距离和函数，x为当前车辆的二维位姿，是世界坐标系下当前扫描帧中的扫描点，是在地图中的最近邻点，i为当前点对的索引，n为这帧点云的所有点数。
23、优选地，在所述步骤s3中：
24、步骤s3.4：采用误差状态卡尔曼滤波方法，融合车辆轮速数据、惯性导航数据与地图匹配结果，进行车辆的航迹推算，具体流程为：在预测阶段，对惯性导航数据积分得到名义状态变量，噪声带来的误差作为误差变量；在更新阶段，将地图匹配结果与轮速数据作为观测，更新误差状态的均值与协方差，两个数值用于描述误差状态的变化；将更新后的误差状态融入名义状态变量并将误差状态重置为零，完成一次循环；
25、误差状态变量运动方程线性化表示为
26、δx(t+δt)＝jδx+ω
27、其中，δx＝[δp,δv,δθ,δbg,δba,g]t为误差状态变量，p为平移，v为速度，bg和ba为陀螺仪与加速度计的零偏，g为重力加速度，ω＝[0,-ηv,-ηθ,ηg,ηa,0]t为噪声；t为当前时刻的绝对时间，δt为连续两个时刻之间的时间差；ηv为误差速度；ηg为陀螺仪的测量噪声；ηθ为旋转误差；ηa为加速度计的测量噪声；
28、j为雅可比矩阵：
29、
30、其中，i为单位矩阵，与为惯性导航的加速度与角速度读数；
31、在预测阶段，对名义状态变量与运动方程的噪声协方差的预测值为
32、δxpred＝jδx,
33、ppred＝jpjt+q,
34、其中，δxpred为名义状态变量的预测值，q为采样时间内的噪声协方差；
35、在更新阶段，误差状态的更新过程为
36、k＝ppredht(hppredht+v)-1,
37、δx＝k(z-h(xpred)),
38、x＝xpred+δx,...
【技术保护点】
1.一种基于激光雷达与传感器信息融合的轨道车定位方法，其特征在于，包括：
2.根据权利要求1所述的基于激光雷达与传感器信息融合的轨道车定位方法，其特征在于，在所述步骤S1中：
3.根据权利要求1所述的基于激光雷达与传感器信息融合的轨道车定位方法，其特征在于，在所述步骤S2中：
4.根据权利要求1所述的基于激光雷达与传感器信息融合的轨道车定位方法，其特征在于，在所述步骤S3中：
5.根据权利要求4所述的基于激光雷达与传感器信息融合的轨道车定位方法，其特征在于，在所述步骤S3中：
6.一种基于激光雷达与传感器信息融合的轨道车定位系统，其特征在于，包括：
7.根据权利要求6所述的基于激光雷达与传感器信息融合的轨道车定位系统，其特征在于，在所述模块M1中：
8.根据权利要求6所述的基于激光雷达与传感器信息融合的轨道车定位系统，其特征在于，在所述模块M2中：
9.根据权利要求6所述的基于激光雷达与传感器信息融合的轨道车定位系统，其特征在于，在所述模块M3中：
10.根据权利要求9所述
...【技术特征摘要】
1.一种基于激光雷达与传感器信息融合的轨道车定位方法，其特征在于，包括：
2.根据权利要求1所述的基于激光雷达与传感器信息融合的轨道车定位方法，其特征在于，在所述步骤s1中：
3.根据权利要求1所述的基于激光雷达与传感器信息融合的轨道车定位方法，其特征在于，在所述步骤s2中：
4.根据权利要求1所述的基于激光雷达与传感器信息融合的轨道车定位方法，其特征在于，在所述步骤s3中：
5.根据权利要求4所述的基于激光雷达与传感器信息融合的轨道车定位方法，其特征在于，在所述步骤s3中：
...【专利技术属性】
技术研发人员：齐艺童，张宇涵，金麒麟，
申请(专利权)人：上海宝信软件股份有限公司，
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。