[发明专利]一种自动驾驶车辆的多传感器融合定位建图方法

说明书

本发明公开了一种自动驾驶车辆的多传感器融合定位建图方法，包括以下步骤：在获取激光雷达、IMU和轮速里程计的原始数据后，先对积累激光雷达扫面的一个scan，同时IMU进行里程计积分和连续激光关键帧之间的预积分，轮速里程计同时进行车速预积分；当三种传感器的初始数据都进行处理后，IMU预积分和车速预积分作为后端因子图优化的优化因子；激光里程计部分通过IMU的里程计积分进行运动去畸变，同时检测是否回环；通过iEKF方法将局部地图中的历史关键帧和当前帧进行点云配准与数据融合过程中的残差计算，得到前端里程计位姿，最后将因子介入到因子图优化模型中进行融合定位求解。

技术领域

本发明属于激光雷达、惯性测量单元与轮速编码器数据融合的技术领域，特别涉及一种自动驾驶车辆的多传感器融合定位建图方法。

背景技术

在无特征环境下，如隧道、矿井、地下管道等场景，传统SLAM算法面临着较大的挑战。由于这些环境中缺乏典型的特征点，导致传统的基于特征点的SLAM算法难以实现高精度的定位与建图。此外，低照度环境也给激光雷达测量带来困难，影响SLAM算法的性能。目前在自动驾驶领域针对这类场景的车辆定位问题的解决方案有通过大量消耗人力物力的基础设施部署的方法以及采用价格昂贵的高精度传感器的方案，但是其定位精度还是无法满足此类场景下的车辆定位建图问题。

由于激光雷达的测量不受光照条件和天气条件的影响，并且能够获得周围环境准确的距离信息，从原理上保证基于激光雷达的定位算法的精度，因此以激光雷达为核心传感器的定位与建图技术成为了绝大多数自动驾驶公司的方案。由于使用纯激光雷达的定位与建图方案无法解决环境退化、采样频率低等问题，所以该方案定位的鲁棒性、精度以及输出频率都无法满足自动驾驶面对各种复杂工况时的定位需求(CN202210285283.3)。

目前，IMU是激光雷达融合方案中最常用的辅助传感器，一方面它可以提供高频率的三轴加速度和三轴角速度，这可以弥补激光雷达采集频率较低的问题，另一方面IMU的测量不受光照条件，纹理结构，天气条件等外部环境的影响，可以增加激光和IMU融合SLAM算法的鲁棒性。激光雷达和IMU的融合方式有松耦合和紧耦合两种。基于激光雷达的松耦合方法通常是分别处理激光雷达和IMU的测量结果，并且之后对其结果进行加权融合。松耦合的方法把激光雷达和IMU的数据分开单独处理，数据之间没有进行相互更新，尽管这种方法的计算效率比较高，但是理论上的精度不如紧耦合的算法，所以，在现有技术中没有一种适用于车辆在无特征隧道场景自动驾驶的既经济又能够精准定位的方法。

发明内容

本发明对现有的自动驾驶车辆在无GPS且无边缘特征场景下车辆的定位建图方法的技术问题，提出一种经济且定位精度满足自动驾驶车辆导航需求的多传感器融合定位方法，涉及一种基于激光雷达、惯性测量单元(IMU)和轮式编码器融合的在低照度、无特征隧道环境中的同时定位与建图(SLAM)算法，可实现在无GPS信号、低照度、无特征隧道环境中提高地面车辆的精准鲁棒定位的精准鲁棒定位；

本发明至少通过如下技术方案之一实现。

一种自动驾驶车辆的多传感器融合定位建图方法，包括以下步骤：

步骤1、对车载传感器进行标定；

步骤2、采集标定的传感器接收的车辆运动过程中实际场景的激光雷达点云数据、IMU的位姿数据、轮速计车轮速度数据，并存储在缓存区中；

步骤3、利用组合导航系统测量的姿态角初始化IMU的重力方向以消除不同地理位置重力的影响，降低姿态估计误差；

步骤4、构建IMU预积分模型和车轮预积分模型，以获取IMU预积分和车速预积分；

步骤5、激光点云预处理：对每一帧点云进行体素滤波，再结合IMU的里程计信息对点云去除畸变；

步骤6、点云配准与建立局部地图，以得到前端里程计位姿；