针对低纹理车库的智能网联汽车激光雷达定位系统及方法与流程

技术特征：
1.一种针对低纹理车库的智能网联汽车激光雷达定位系统，其特征在于，该系统包括初始位姿确定模块(100)、静态物体滤波模块(200)、特征提取模块(300)、基于点云强度的里程计匹配模块(400)、雷达点云帧与先验地图匹配模块(500)以及融合定位模块(600)；其中：所述初始位姿确定模块(100)，在车辆初次进入车库时生效，用于捕捉到车辆初次进入车库时的位姿；所述静态物体滤波模块(200)，用于，滤除从激光雷达获取到的点云帧中的动态物体和地面点，获得静态物体；所述特征提取模块(300)，用于在进行特征点提取时结合强度差和几何空间差选取静态物体骨架点；所述基于点云强度的里程计匹配模块(400)，用于进行激光雷达里程计采集到的相邻帧间的匹配；所述雷达点云帧与先验地图匹配模块(500)，用于将雷达点云帧与在先验地图之中的里程计记录的累计位姿进行匹配；所述融合定位模块(600)，用于将初始位姿进行雷达点云帧与先验地图进行匹配所得到的车辆位姿和将滤波后得到的静态物体点进行骨架特征进行基于强度的里程计匹配所得到的车辆位姿进行融合，得到车辆的定位结果。2.一种针对低纹理车库的智能网联汽车激光雷达定位方法，其特征在于，该流程具体步骤如下：步骤1：判断此次是否为首次调用系统，如果是，则转至步骤2，进行初始位姿确定；如果否，则转至步骤4，进行静态物体滤波；步骤2：确定车辆初始位姿；步骤3：将初始位姿发送给雷达点云帧与先验地图进行匹配，其中所述先验地图采用实时更新与加载的地图流；步骤4：进行静态物体滤波：通过对于点云库中的数据统计进行合适的动态阈值滤波，在当前t时刻，从激光雷达获取到的点云帧中进行静态物体的提取，具体包括：通过强度过滤有效高速的去除动态物体和地面点；步骤5：对滤波后得到的静态物体点进行骨架特征提取；对当前情况是否为长廊进行判断，如果为长廊情况则进行分视角的特征提取；步骤6：将滤波后得到的静态物体点进行骨架特征进行基于强度的里程计匹配，即利用激光雷达里程计对连续两帧点云进行匹配，获得局部位姿变换；通过预测估计的车辆变换对两帧点云进行对齐，然后对两帧点云中的最近点作为对应点，之后对变换不断进行地图下降迭代调整，直到误差最小为止；步骤7：将初始位姿进行雷达点云帧与先验地图进行匹配和将滤波后得到的静态物体点进行骨架特征进行基于强度的里程计匹配。3.如权利要求2所述的一种针对低纹理车库的智能网联汽车激光雷达定位方法，其特征在于，所述步骤3进一步包括以下具体操作：步骤3.1：选取车库入口地图，具体操作包括：选定车辆进入时走的是哪一个入口，将从室外进入到车库之中的影像初始帧与车库的一些固定的入口处的局部地图进行比较，选取
不同入口的局部地图进行匹配之后取匹配度最高的地图作为当前被比较的车库入口局部地图；如果当前与地图的匹配错误，此时匹配的地图改为附近局部地图；步骤3.2：之后，将激光雷达扫描得到的点云帧与车库入口先验地图进行配准；首先对当前t时刻的点云进行降采样得到点云p0＝{p
i
}，i＝1，......，n与地图帧}，i＝1，......，n与地图帧进行比较，其中，表示骨架点形成的地图，表示平面点组成的地图；在得到变换结果后，进行后续帧与地图的比较，计算累计车辆变换公式如下：其中，m表示先验地图的坐标系，l表示激光雷达的坐标系，t表示时刻；通过车辆变换，将车辆坐标系统合并到先验地图的坐标系统中，得到先验地图坐标中的全局坐标，并获取其他物体在地图上的相对位置。4.如权利要求2所述的一种针对低纹理车库的智能网联汽车激光雷达定位方法，其特征在于，所述步骤4进一步包括以下具体操作：步骤4.1：对于点云的强度进行转换，点云中每一点返回的信息有(x，y，z，i)，(x，y，z)表示相对于激光雷达的物理坐标，计算每一点的反射强度i，公式如下：其中，ρ为被测物体本身的材质，r为被测物体距离激光雷达的距离，λ为被测物体的反射角，通过公式的推导将点云强度的值转化为被测物体本身的材质直接相关成正比：步骤4.2：有效性验证，即抽取点云帧对静态物体和非静态物体的有效分割进行验证；步骤4.3：计算出一个合适的阈值作为点云强度滤波的基准，且该阈值是动态的，根据不同的环境选取合适的不同阈值；对每一帧点云强度分布中的斜率进行计算，选取点云分布中强度变化的明显凹值作为滤波的阈值，通过这个合适的阈值进行静态物体滤波。5.如权利要求2所述的一种针对低纹理车库的智能网联汽车激光雷达定位方法，其特征在于，所述步骤4进一步包括以下具体操作：步骤5.1：计算特征描述子c
i
，公式如下：其中，n
p
表示当前点p周围的10个点的集合的距离值，r表示当前点p与激光雷达原点的距离，i表示强度，α为权重，r
j
‑
r
i
表示两个相邻点p
i
，p
j
之间的距离差，i
j
‑
i
i
表示两个相邻点p
i
，p
j
之间的反射强度差，α表示权重，r
i
表示点p
i
，i、j分别表示雷达中同一直线上最近的点和相邻直线上最近的点，i
i
表示点p
i
的反射强度；步骤5.2：进行雷达拍摄的点云中的长廊情况判定，针对于长廊情况选择根据水平角度的分视角进行特征提取。6.如权利要求2所述的一种针对低纹理车库的智能网联汽车激光雷达定位方法，其特
征在于，所述步骤6中的误差计算公式如下：征在于，所述步骤6中的误差计算公式如下：其中，e表示匹配误差项，ω
r
和ω
i
表示距离误差和强度误差的权重，c表示坐标，坐标相减表示向量，右上角标l表示点在雷达坐标系，每个点的右下角标(t，i)表示在t时刻计算点i的信息，i表示点云强度，r表示当前点到坐标原点的距离；在比较时，误差项为前后帧匹配点的最小几何距离和强度差，进行不断迭代得到激光雷达坐标系下的车辆位姿变换，得到10hz的高频车辆局部坐标变换。

技术总结
本发明公开了一种针对低纹理车库的智能网联汽车激光雷达定位系统及方法，包括初始位姿确定模块(100)、静态物体滤波模块(200)、特征提取模块(300)、基于点云强度的里程计匹配模块(400)、雷达点云帧与先验地图匹配模块(500)以及融合定位模块600)，确定车辆初始位姿和进行静态物体滤除，进而，融合初始位姿进行雷达点云帧与先验地图进行匹配所得到的车辆位姿和将滤波后得到的静态物体点进行骨架特征进行基于强度的里程计匹配所得到的车辆位姿，从而得到车辆的定位结果。与现有技术相比，本发明能够得到高频高精度的车辆定位结果。果。果。


技术研发人员：张朝昆 周勃麟 单涛涛 郭钰 周晓波
受保护的技术使用者：天津大学
技术研发日：2021.09.26
技术公布日：2022/1/3