[发明专利]一种基于三维点云极化地图表征的智能车定位方法及系统

说明书

本发明公开一种基于三维点云极化地图表征的智能车定位方法、系统及计算机可读存储介质，属于智能车定位技术领域，解决了现有技术中智能车的定位误差较大的问题。一种基于三维点云极化地图表征的智能车定位方法，包括以下步骤：根据全局位置信息、点云的二维特征及三维特征制作出极化地图；采集待定位节点的初步GPS坐标数据，根据初步GPS坐标及极化地图中节点的GPS坐标，得到待定位节点的初定位范围；根据待定位节点的点云及待定位节点的初定位范围，获取极化地图中的最近地图节点；根据极化图子块获取角特征点和面特征点，根据角特征点、面特征点及最近地图节点，获取待定位节点车辆的位置和姿态。本发明所述方法减小了智能车的定位误差。

技术领域

本发明涉及智能车定位技术领域，尤其是涉及一种基于三维点云极化地图表征的智能车定位方法、系统及计算机可读存储介质。

背景技术

随着现代社会智能化和信息化的增强，智能车已经成为当今世界研究的热点；在中国，基于政策和经济的支持，智能车发展迅速，在智能车的研究和推广过程中，定位技术是核心关键之一；由于激光雷达高频、远程且高精度的数据采集，使得其在车辆定位中被广泛运用。目前基于激光的主流定位方法为SLAM(同步定位与建图)；SLAM主要分为里程计和优化两部分，里程计根据帧间点云匹配结果计算车辆的运动，其中基于特征点云的帧间匹配算法最受研究者关注；虽然通过帧间特征匹配可快速获取车辆位姿，但是随着车辆行驶距离增长及帧间匹配次数增多，累计误差逐渐增大，SLAM算法中通过三维重建构图消除累计误差，校正定位轨迹，但是其地图是在线生成的，且需要实时更新，资源占用过大，同时，由于点云数据量大、重复点及阻隔点的存在，需要进行下采样等处理，制图过程复杂，并且随着定位距离的增长，仍然会有较大的累计误差存在。

发明内容

有鉴于此，本发明提供了一种基于三维点云极化地图表征的智能车定位方法、系统及计算机可读存储介质，以解决现有技术中智能车的定位误差较大的技术问题。

一方面，本发明提供了一种基于三维点云极化地图表征的智能车定位方法，包括以下步骤：

在待定位路段采集路段的点云数据及惯导数据，根据所述惯导数据获取全局位置信息，根据点云数据获取点云的二维特征及三维特征，根据所述全局位置信息、点云的二维特征及三维特征制作出极化地图；

采集待定位节点的初步GPS坐标数据，根据所述初步GPS坐标数据及极化地图中节点的GPS坐标数据，得到待定位节点的初定位范围；

根据待定位节点的点云及待定位节点的初定位范围，获取极化地图中的最近地图节点；

根据极化图子块获取角特征点和面特征点，根据所述角特征点、面特征点及最近地图节点，获取待定位节点车辆的位置和姿态。

进一步地，所述在待定位路段采集路段的点云数据及惯导数据，具体包括，通过激光雷达扫描在惯导定位接收器上的点云集合，计算点云集合的质心，以点云集合的质心作为组合惯导定位接收器在激光雷达坐标系中的位置，等距的方式在待定位路段采集路段的点云数据及惯导数据。

进一步地，所述根据点云数据获取点云的二维特征，具体包括，根据点云所在的扫描线及水平视场角度获取点云的像素坐标，以点云数据与激光雷达的欧式距离作为灰度值进行投影，生成极化图，切割极化图获取图像子块，对图像子块提取SURF和ORB 全局特征。

进一步地，所述根据点云数据获取点云的三维特征，具体包括，进行地面点的提取并在所述极化图上对所述地面点进行标记，对极化图上未标记的点进行聚类，设置聚类阈值，将点云数小于所述聚类阈值的点簇去除，将未除去的点云在极化图上标记，通过所述极化图上已标记的点获取面特征点和角特征点。