一种面向恶劣天气的多模态传感器去噪与置信度融合定位方法与流程

本发明属于机器人定位与导航，具体涉及一种用于新能源汽车充电机器人的多模态传感器去噪与置信度融合定位方法，尤其是一种在雨、雾、雪等恶劣天气条件下实现鲁棒定位的技术方案。

背景技术：

1、随着自动充电机器人的快速发展，其在室外充电站环境中的自主定位能力成为影响作业可靠性的关键因素。充电机器人通常部署于露天停车场或充电站，需要面对各种天气条件，包括雨天、雾天、雪天、沙尘等恶劣天气。

2、经检索，与本技术相关的现有技术如下：

3、一、多传感器融合定位技术

4、对比文件1：公开号为cn121876948a的中国专利申请（申请日2026年1月5日，公开日2026年4月17日）公开了基于4d毫米波雷达补偿去噪的激光点云惯性里程计方法。其技术方案为：通过多传感器融合实现作业机器人在退化环境中的鲁棒环境感知；激光雷达和4d毫米波雷达的耦合去噪确保在滤除激光噪声的同时保留结构化的环境点云；强度加权的优化gicp匹配与添加二阶对易子项的eskf确保里程计的位姿估计稳定性。然而，该技术（1）仅涉及激光雷达与毫米波雷达的耦合去噪，未涉及视觉相机等其他模态传感器的去噪与融合；（2）未涉及环境退化等级的评估与自适应策略选择；（3）未涉及基于实时置信度的动态加权融合。

5、对比文件2：公开号为cn121932795a的中国专利申请（机科发展科技股份有限公司等，申请日2026年2月14日）公开了一种基于点云质量裁判的多传感器鲁棒定位方法。其技术方案为：基于假目标模式或稀疏可信模式的模式识别结果与场景因子进行折叠得到可用性谱；根据预设映射关系确定卡尔曼滤波更新的参与方式以及激光雷达传感器与其他传感器的主导模式；通过点云质量裁判量化单一传感器可信度并据此通过自适应卡尔曼通道化更新动态调整其参与方式与强度。然而，该技术（1）仅基于点云质量进行裁判，未涉及视觉图像和imu等传感器的置信度评估；（2）未涉及传感器数据的去噪预处理；（3）未涉及环境退化等级的评估。

6、对比文件3：公开号为cn121632097a的中国专利申请（南京奥看信息科技有限公司，申请日2026年2月4日，公开日2026年3月10日）公开了一种多传感融合感知精度自适应系统。其技术方案为：集成激光雷达、gps等多源传感单元；通过滤波、去噪等预处理手段优化数据质量；由动态权重融合模块依据实时质量评分分配权重；通过多维指标评估精度等级，自适应调整传感器参数与融合策略。然而，该技术（1）未公开针对不同天气退化等级的去噪策略库；（2）未公开各传感器置信度的具体计算方法；（3）未涉及充电机器人的特定应用场景。

7、二、恶劣天气下的传感器去噪技术

8、对比文件4：公开号为cn121848920a的中国专利申请（申请日2026年）公开了一种适用于动态雨雾环境的多传感器融合slam方法。其技术方案为：包含点云预处理模块、环境判断与决策模块、数据关联模块、里程计模块和优化模块；融合了4d毫米波雷达、imu和相机多个传感器数据，解决雨雾环境下传统slam受限的问题。然而，该技术（1）的去噪方法主要针对4d毫米波雷达点云（自适应dbscan多维聚类去噪），未涉及激光雷达和视觉图像在恶劣天气下的专门去噪策略；（2）其“环境判断与决策模块”仅用于“根据图像特征判断当前环境状况，做出图像处理决策和视觉里程计开关决策”，未将环境退化等级作为去噪策略选择和多传感器融合权重调整的依据。

9、对比文件5：公开号为cn121841627a的中国专利申请（申请日2026年）公开了一种高精度的地面无人平台自主定位方法和系统。其技术方案为：采集激光雷达点云、4d毫米波雷达点云及惯导数据；筛选4d毫米波雷达点云中的动态点云；基于动态点云对激光雷达点云进行二次降噪；利用因子图对初始位姿进行全局优化。然而，该技术（1）仅涉及激光雷达和4d毫米波雷达的去噪，未涉及视觉图像的去噪；（2）未涉及置信度评估与动态加权融合；（3）未涉及环境退化等级的评估。

10、对比文件6：公开号为cn121702394a的中国专利申请公开了一种无卫星导航下抗颠簸与环境退化的自主定位方法。其技术方案为：提取多源传感器的抗颠簸与畸变的鲁棒性融合特征基元；通过语义信息约束消除特征匹配中的误匹配；通过分析观测矩阵特征值进行环境特征是否严重退化的自适应判断。然而，该技术（1）未涉及针对不同退化等级的专门去噪策略；（2）未涉及各传感器置信度的实时计算与动态加权融合。

11、三、置信度评估与加权融合技术

12、对比文件7：公开号为cn121865020a的中国专利申请（名商科技有限公司，申请日2026年2月4日）公开了一种多源传感器置信度动态加权融合定位系统。其技术方案为：包括多源数据采集、时空对齐、状态监测、动态置信度评估、非线性加权映射、自适应滤波融合、环境约束补偿及闭环反馈模块，通过实时评估各传感器置信度并动态调整融合权重。然而，该技术（1）未涉及传感器数据的去噪预处理；（2）未涉及基于环境退化等级的置信度修正；（3）其置信度评估主要基于传感器自身数据质量，未结合环境退化特征进行综合评估。

13、对比文件8：公开号为cn121706512a的中国专利申请公开了一种基于贝叶斯多传感器误差约束的定位置信度优化方法。其技术方案为：在多源融合状态更新模型的基础上提取各传感器误差约束；在时序的滑动窗口内引入贝叶斯决策方程对各信源进行权重均衡；构建联合全局误差约束方程，优化自适应融合定位框架。然而，该技术（1）未涉及传感器去噪；（2）未涉及恶劣天气场景的专门优化。

14、四、现有技术的总体不足

15、综合上述对比文件，现有技术存在以下共同缺陷：

16、缺乏针对恶劣天气的多模态传感器联合去噪机制。现有技术中，对比文件1和对比文件5仅涉及激光雷达与毫米波雷达的去噪，对比文件4主要针对4d毫米波雷达点云去噪，均未涉及视觉相机在雨雾天气下的图像去噪与激光雷达点云去噪的协同处理。

17、2. 缺乏基于环境退化等级的自适应去噪策略选择机制。现有技术（对比文件4、6）虽涉及环境判断，但未将环境退化等级量化为多级指标并据此调用不同的去噪策略组合。

18、3. 缺乏将环境退化特征纳入传感器置信度评估的机制。现有技术（对比文件2、3、7）的置信度评估主要基于传感器数据自身质量指标（点云密度、信噪比等），未充分考虑不同传感器在特定退化环境下的历史表现差异。

19、4. 缺乏“环境感知→退化评估→去噪选择→置信度计算→加权融合→反馈调整”的完整技术闭环。现有技术或仅关注去噪，或仅关注融合，均未将各环节有机串联。

技术实现思路

1、一．要解决的技术问题

2、本发明针对现有技术的上述缺陷，提供一种面向恶劣天气的多模态传感器去噪与置信度融合定位方法，旨在解决以下技术问题：（1）如何在雨、雾、雪等恶劣天气下对不同模态的传感器数据进行联合去噪；（2）如何根据环境退化等级自适应选择最优的去噪策略组合；（3）如何将环境退化特征纳入传感器置信度评估；（4）如何形成“环境感知→退化评估→去噪选择→置信度计算→加权融合→反馈调整”的完整技术闭环。

3、二．技术方案

4、本发明提供一种面向恶劣天气的多模态传感器去噪与置信度融合定位方法，包括以下步骤：

5、s1：多源传感器数据采集。 通过设置于机器人上的多源传感器采集环境数据，所述多源传感器包括激光雷达、视觉相机和惯性测量单元（imu）。

6、激光雷达采集三维点云数据，用于环境建图和距离测量；视觉相机采集二维图像数据，用于特征提取和环境识别；惯性测量单元采集加速度和角速度数据，用于机器人运动状态估计。

7、s2：环境退化特征提取与退化等级评估。 提取各传感器当前采集数据的信号特征，基于所述信号特征评估当前环境的退化等级。

8、所述信号特征包括但不限于：

9、（1）激光雷达信号特征：点云信噪比（信号强度与噪声强度的比值）、点云密度（单位面积内的点云数量）、反射强度分布（点云反射强度的均值和方差）；

10、（2）视觉图像信号特征：图像对比度（像素灰度值的标准差）、图像清晰度（基于梯度能量的清晰度评价）、纹理丰富度（基于局部二值模式的纹理特征量）；

11、（3）惯性测量单元信号特征：噪声方差（静态时加速度计和陀螺仪的噪声方差）、信号稳定性（信号漂移率）。

12、基于上述信号特征，采用预训练的环境退化分类器将当前环境划分为以下四个等级：

13、

正常环境

各传感器信号质量良好

晴天、阴天

轻度退化

部分传感器信号轻微下降

小雨、薄雾

中度退化

多个传感器信号明显下降

中雨、浓雾、小雪

重度退化

多数传感器信号严重退化

大雨、暴雪、沙尘暴

14、s3：基于退化等级的自适应去噪。 根据所述退化等级，从预构建的去噪策略库中为各传感器调用对应的去噪策略，对各传感器数据进行去噪处理。

15、所述去噪策略库包含以下策略：

16、（1）激光雷达去噪策略：

17、·策略l1（正常/轻度退化）：基于统计滤波的去噪——计算每个点的邻域距离分布，去除距离均值超过n倍标准差的离群点；

18、·策略l2（中度退化）：基于动态阈值的去噪——根据点云密度自适应调整滤波阈值，去除雨雪造成的噪点；

19、·策略l3（重度退化）：基于反射强度阈值与邻域密度的联合去噪——滤除反射强度低于阈值且邻域密度稀疏的噪点，结合多帧点云时序一致性进行噪点判别。

20、（2）视觉图像去噪策略：

21、·策略c1（正常/轻度退化）：基于引导滤波的图像增强——保持边缘的同时平滑噪声；

22、·策略c2（中度退化）：基于暗通道先验的去雾算法——恢复雾天图像的对比度和色彩；

23、·策略c3（重度退化）：基于深度学习的图像去雨去雪网络——利用预训练的神经网络模型去除图像中的雨线或雪斑。

24、（3）惯性测量单元去噪策略：

25、·策略i1（正常/轻度退化）：基于低通滤波的噪声抑制；

26、·策略i2（中度退化）：基于零速检测的静态噪声抑制——在检测到机器人静止时对imu数据进行零速修正；

27、·策略i3（重度退化）：基于自适应卡尔曼滤波的振动噪声滤除。

28、不同退化等级对应的去噪策略组合如下：

29、

正常环境

策略l1

策略c1

策略i1

轻度退化

策略l1

策略c1

策略i1

中度退化

策略l2

策略c2

策略i2

重度退化

策略l3

策略c3

策略i3

30、s4：传感器数据实时置信度计算。 计算去噪后各传感器数据的实时置信度。

31、所述置信度计算包括以下子步骤：

32、（1）基础置信度计算：基于各传感器的信号质量指标计算基础置信度。对于激光雷达，基于点云信噪比和点云密度计算基础置信度；对于视觉相机，基于图像对比度和清晰度计算基础置信度；对于惯性测量单元，基于噪声方差计算基础置信度。

33、（2）退化修正系数计算：基于各传感器在当前退化等级下的历史定位精度计算修正系数。具体地，统计各传感器在历史数据中相同退化等级下的定位误差均值和方差，计算修正系数——历史定位精度越高的传感器获得越高的修正系数。

34、（3）实时置信度输出：将所述基础置信度与所述修正系数相乘，得到各传感器的实时置信度。

35、s5：自适应加权融合。 基于所述实时置信度，通过自适应加权融合算法对各传感器的定位结果进行融合，输出融合后的机器人位姿。

36、具体地，各传感器的融合权重与其实时置信度成正比，且所有权重之和为1：

37、其中，为第i个传感器的融合权重，为第i个传感器的实时置信度，n为传感器总数。

38、融合位姿为各传感器定位结果的加权平均值：

39、其中，为融合后的机器人位姿，为第i个传感器的定位结果。

40、s6：融合权重反馈调整。 根据所述融合后的机器人位姿与各传感器定位结果之间的误差，动态调整下一时刻的融合权重。

41、具体地：计算所述融合后的机器人位姿与各传感器定位结果之间的残差；当某一传感器的残差连续超过预设阈值时，判定该传感器当前数据不可靠，降低该传感器的融合权重；当该传感器的残差恢复至阈值以下时，逐步恢复其融合权重。

42、所述反馈调整机制采用以下公式：

43、其中，为第t时刻第i个传感器的置信度，为第i个传感器的定位残差，为预设残差阈值，为衰减系数，为示性函数。

44、三．有益效果

45、1. 实现了恶劣天气下多模态传感器的联合去噪。相比于现有技术中仅针对单一或部分传感器进行去噪的方案（对比文件1仅涉及激光雷达与毫米波雷达、对比文件4主要针对4d毫米波雷达、对比文件5仅涉及激光雷达），本发明同时对激光雷达、视觉相机和惯性测量单元三种模态的传感器进行去噪处理，实现了多模态传感器的协同去噪。

46、2. 建立了基于环境退化等级的自适应去噪策略选择机制。相比于现有技术中静态的去噪参数或单一的去噪算法（对比文件4虽涉及环境判断但仅用于开关视觉里程计），本发明将环境量化为四个退化等级，并为每个等级匹配不同的去噪策略组合，实现了去噪策略的自适应选择。

47、3. 将环境退化特征纳入传感器置信度评估。相比于现有技术中仅基于传感器自身数据质量进行置信度评估的方案（对比文件2、对比文件3、对比文件7），本发明在基础置信度的基础上引入了基于历史定位精度的退化修正系数，使置信度评估更加准确地反映传感器在特定退化环境下的实际可用性。

48、4. 形成了“环境感知→退化评估→去噪选择→置信度计算→加权融合→反馈调整”的完整技术闭环。相比于现有技术中分散的去噪、融合或置信度评估方案，本发明将各环节有机串联，实现了从环境感知到定位输出的端到端自适应处理。

49、5. 专为充电机器人室外作业场景定制。本发明的退化等级划分、去噪策略选择和置信度修正机制均针对充电机器人部署于室外充电站环境的特点进行设计，具有高度的场景适配性。