一种基于多分辨率贝叶斯网格的融合定位方法技术

本发明专利技术属于自动驾驶相关技术领域，是一种基于多分辨率贝叶斯网格的融合定位方法，包括步骤：获取车辆里程计信息以及激光雷达数据；通过点云匹配得到车辆的初始位姿，在初始位姿附近构建一个贝叶斯全概率空间；从车辆里程计信息获取运动控制向量，与车辆初始位姿一起输入进行运动估计，得到一个预测的车辆位置；更新概率空间中栅格概率；分别计算栅格权重后与栅格概率结合形成最终概率，选中当前空间中概率最高的栅格，将其所代表的位姿信息作为最终结果输出

【技术实现步骤摘要】
一种基于多分辨率贝叶斯网格的融合定位方法


[0001]本专利技术主要涉及自动驾驶相关
，具体是一种基于多分辨率贝叶斯网格的融合定位方法
。

技术介绍

[0002]在自动驾驶车辆行驶时，车辆需要做到厘米级的精准定位
。
例如，自动驾驶车辆需要估计其在地图上的精确位置及车与道路路沿的距离
。
自动驾驶系统通过点云配准技术，将实时采集到的点云数据与高精地图的数据做匹配，为自动驾驶车辆给出精确的定位
。
[0003]自动驾驶技术近几年发展迅猛
,
这也促进了实时定位的发展
。
在特征丰富的环境中基于雷达的定位算法研究成果丰富
,
但在特征一致的退化环境（或弱特征环境）下
,
目前的算法点云会发生退化问题
,
定位精度较低
,
表现效果不佳，这限制了无人车在特殊环境下的自主行驶
。
[0004]目前已有的定位方式也是百花齐放，种类繁多
。
对于室外来说
,
主流的就是采用全球卫星导航系统例如 GPS 获得经纬度海拔高进行全局定位，但是如果其上位机接收到的卫星数量很少
,
误差就会在 10 米以上
,
除此之外
,
其信息更新的频率过低
。
对于另一种主流的惯性导航定位来说
,
室内室外都可以使用，而且可以克服周围环境的不利因素，但是由于自身采用运动学积分会随时间推移产生越来越大的误差
。
这也促使了同步定位与建图
(Simultaneous Localization andMapping, SLAM)
技术的迅速发展
,
使之成为无人驾驶领域一大研究热点
。
它的本质就是无人车搭载感知外界信息的传感器
,
比如雷达
,
通过分析采集的丰富帧间特征信息的变化
,
来判断自身相对于起点的运动情况
,
实现实时定位
,
并能够同时生成描述刻画外界的点云地图
。
这个地图可以提供给后续的全局路径规划模块进行路径生成
,
同时也可以提供给其他车辆实现基于点云地图的匹配定位
,
是一个对无人车自动驾驶一举多得的系统
。
但是当车辆在无丰富建筑物标志的环境下行驶时
,
对无人车的实时定位提出了挑战
。
在 GPS 更新频率不足以满足实时性的前提下
,
依靠航迹推算的惯性定位又存在着无法消除的累计误差
,
和它们一样
,
基于雷达的 SLAM 系统在这种恶劣环境下一样会受到限制
,
会出现运动估计不精确甚至完全失效的退化问题
,
连带着生成的地图也是混乱的
,
无法准确地描绘世界环境
,
由于雷达本身的机械设备特点
,
只能采集外界三维特征
,
而现有 SLAM 系统又大多根据特征进行匹配定位
,
因此只依靠激光雷达很难解决这种问题
。
[0005]现有技术中，如公开号为
CN116222588B
，名称为一种
GPS
与车载里程计融合的定位方法的相关技术中，通过粒子滤波的方法搭建多传感器融合框架，能够一定程度上为自动驾驶车提供连续
、
平滑
、
实时的高精度定位信息，然而粒子滤波在使用的过程中严重依赖于对初始状态的估计，可能很快收敛，也可能很快发散；有粒子退化问题，由于根据权重采样，又有粒子匮乏，丢失部分数据等问题
。

技术实现思路

[0006]为解决目前技术的不足，本专利技术结合现有技术，从实际应用出发，提供一种基于多分辨率贝叶斯网格的融合定位方法，本方法是基于贝叶斯理论进行了弱特征环境下以雷达为主
、
组合导航设备为辅的定位研究，致力于实现一种弱特征条件下的融合定位方法
。
[0007]本专利技术的技术方案如下：一种基于多分辨率贝叶斯网格的融合定位方法，包括如下步骤：
S1、
获取车辆里程计信息以及激光雷达数据；
S2、
对激光雷达数据进行拼接以及特征提取，通过点云匹配得到车辆的初始位姿，在初始位姿附近构建一个贝叶斯全概率空间；
S3、
从车辆里程计信息获取运动控制向量，与车辆初始位姿一起输入进行运动估计，得到一个预测的车辆位置，同时，概率空间随车辆位置变动转移到预测位置附近；
S4、
依次计算上一次概率空间中每个大栅格运动到当前概率空间中单个大栅格的概率，再用同样的方式计算大栅格中的小栅格概率，将概率空间运动后的每个栅格中的概率进行统计后，按照栅格所含概率大小重新分配栅格对应概率；
S5、
在重新分配概率后的贝叶斯概率空间中引入当前的点云匹配定位信息作为观测值，计算每个栅格的权重值后与该栅格对应的概率结合，形成该栅格最终的选择概率，比较整个概率空间中各栅格的选择概率，选出概率最高者作为本次最优位姿输出；
S6、
重复执行步骤
S3
‑
S5
，进行车辆位置及对应概率空间的迭代求解以实现车辆的高精度定位
。
[0008]本专利技术以贝叶斯理论基础，通过贝叶斯滤波的方法搭建无人车定位框架，使用车载里程计作为状态输入，利用高精度点云匹配定位作为观测，最后输出最优定位，为自动驾驶车提供连续
、
平滑
、
实时的高精度定位信息
。
[0009]进一步，步骤
S1
中，利用车辆中的
CAN
口与车载里程计进行数据交换以获取里程计信息，利用车辆的网口接收激光雷达数据，再通过交换机传输到车辆计算单元
。
[0010]进一步，在初始位姿附近构建一个贝叶斯全概率空间，并根据精度需求调整该空间的大
、
小栅格分辨率，每个栅格中的概率均等，车辆在各方向上的位姿信息对应于栅格在全概率空间中的
X、Y、Z
轴上的坐标
。
[0011]进一步，从车辆里程计信息获取运动控制向量，与车辆初始位姿一起输入到里程计运动模型中进行运动估计
。
[0012]里程计运动模型表示车辆由初始位姿
x
t
‑1= [ X Y θ ]T
运动至当前时刻位姿
x
t
= [ X
ꢀ′ꢀ
Y
ꢀ′ꢀ
θ
ꢀ′ꢀ
]T
可拆分为车辆首先旋转角度
δ
rot1
，再沿着此方向平移
δ
t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多分辨率贝叶斯网格的融合定位方法，其特征在于，包括如下步骤：
S1、
获取车辆里程计信息以及激光雷达数据；
S2、
对激光雷达数据进行拼接以及特征提取，通过点云匹配得到车辆的初始位姿，在初始位姿附近构建一个贝叶斯全概率空间；
S3、
从车辆里程计信息获取运动控制向量，与车辆初始位姿一起输入进行运动估计，得到一个预测的车辆位置，同时，概率空间随车辆位置变动转移到预测位置附近；
S4、
依次计算上一次概率空间中每个大栅格运动到当前概率空间中单个大栅格的概率，再用同样的方式计算大栅格中的小栅格概率，将概率空间运动后的每个栅格中的概率进行统计后，按照栅格所含概率大小重新分配栅格对应概率；
S5、
在重新分配概率后的贝叶斯概率空间中引入当前的点云匹配定位信息作为观测值，计算每个栅格的权重值后与该栅格对应的概率结合，形成该栅格最终的选择概率，比较整个概率空间中各栅格的选择概率，选出概率最高者作为本次最优位姿输出；
S6、
重复执行步骤
S3
‑
S5
，进行车辆位置及对应概率空间的迭代求解以实现车辆的高精度定位
。2.
根据权利要求1所述的一种基于多分辨率贝叶斯网格的融合定位方法，其特征在于，步骤
S1
中，利用车辆中的
CAN
口与车载里程计进行数据交换以获取里程计信息，利用车辆的网口接收激光雷达数据，再通过交换机传输到车辆计算单元
。3.
根据权利要求1所述的一种基于多分辨率贝叶斯网格的融合定位方法，其特征在于，步骤
S2
中，在初始位姿附近构建一个贝叶斯全概率空间，并根据精度需求调整该空间的大
、
小栅格分辨率，每个栅格中的概率均等，车辆在各方向上的位姿信息对应于栅格在全概率空间中的
X、Y、Z
轴上的坐标
。4.
根据权利要求1所述的一种基于多分辨率贝叶斯网格的融合定位方法，其特征在于，步骤
S3
中，从车辆里程计信息获取运动控制向量，与车辆初始位姿一起输入到里程计运动模型中进行运动估计；里程计运动模型表示车辆由初始位姿
x
t
‑1=[X Y θ
]
T
运动至预测位姿
x
t
=[X
′
Y
′
θ
′
]
T
可拆分为车辆首先旋转角度
δ
rot1
，再沿着此方向平移
δ trans
，随后再次旋转角度

【专利技术属性】
技术研发人员：王维，黄浩哲，
申请(专利权)人：睿羿科技山东有限公司，
类型：发明
国别省市：