[发明专利]一种多传感器融合的定位方法及系统

说明书

本发明公开了一种多传感器融合的定位方法及系统，涉及移动机器人三维地图构建与定位技术领域。所述定位方法包括：获取目标区域的先验地图和多传感器数据；根据先验地图和多传感器数据建立位姿因子；根据先验地图、惯性测量数据和激光雷达数据建立转换因子；根据GPS因子和转换因子，采用因子图优化方法确定优化位姿；判断优化位姿的协方差是否小于设定协方差阈值；若是，则根据优化位姿对目标区域进行建图；若否，则采用地图定位因子对优化位姿进行更新，得到优化更新位姿，并根据优化更新位姿对目标区域进行定位。本发明通过自适应选用地图定位因子进行因子图优化，显著提升多传感器融合的定位能力。

技术领域

本发明涉及移动机器人三维地图构建与定位技术领域，特别是涉及一种多传感器融合的定位方法及系统。

背景技术

同时定位与建图(Simultaneous Localization and Mapping，SLAM)是当前机器人导航定位领域具有研究前景的技术领域。其技术意义在于，机器人在未知环境中能够依赖于自身传感器确定自身在环境地图中的位置，同时可以根据传感器信息建立环境点云地图。激光雷达由于精度高，鲁棒性强，已经被广泛应用于自动驾驶、智慧物流、智能农业等多个领域中。但是单一的激光雷达SLAM技术仍存在一些问题，因此以激光雷达、全球定位系统(Global Positioning System，GPS)、惯性测量传感器(Inertial Measurement Unit，IMU)为主要传感器的多传感器融合SLAM成为了专家学者们的主要选择。

针对目前SLAM领域存在的问题，已有的解决方案有如下几种：

以正态分布转换(Normal Distributions Transform，NDT)算法作为前端匹配算法，使用原始点云基于概率匹配的方式与先验地图进行点云配准，虽然得到了比较好的定位结果，但是会由于原始点云数量巨大造成计算资源浪费与运算效率降低的问题。

激光雷达里程计(Lidar Odometry and Mapping in Real-time，LOAM)算法，其核心主要在于两个部分：特征提取和里程计解算，其提取了边缘点和平面点作为特征匹配的依据；然后通过两个高频率的里程计实现粗定位和低频率的里程计实现精定位。不过，LOAM算法没有后端优化，并且不能处理大规模的旋转变换，并且LOAM中使用IMU为点云配准提供初始值，相对于原始版本并没有取得很好的结果。

基于线、面特征匹配的轻量化激光雷达测距与地图构建(Lightweight andGround-Optimized Lidar Odometry and Mapping on Variable Terrain，LEGO_LOAM)算法，该算法相对于LOAM算法的提升主要在于轻量级和地面优化，在点云处理部分加入了分割模块去除地面点的干扰，然后利用剩余的特征点进行点云配准，提高了匹配效率，同时加入了后端优化的部分使得回环之后点云地图会更加精确，但是其并没有完全解决大尺度环境下激光SLAM算法高度漂移的问题。

通过增量平滑和映射实现紧耦合的激光雷达惯性里程计(Tightly-coupledLidar Inertial Odometry via Smoothing and Mapping，LIO-SAM)算法，紧耦合了多种不同传感器，通过优化包含激光雷达里程计因子，IMU预积分因子，GPS因子和回环因子来得到机器人的全局一致的位姿，但是在该算法的全局特征匹配方法中容易丢失部分点云信息，从而导致定位不精确。

发明内容

本发明的目的是提供一种多传感器融合的定位方法及系统，能够显著提升同时定位与建图能力。

为实现上述目的，本发明提供了如下方案：

一种多传感器融合的定位方法，包括：

获取目标区域的先验地图和多传感器数据；所述多传感器数据包括惯性测量数据、激光雷达数据和GPS数据；