【技术实现步骤摘要】
本专利技术属于定位，涉及一种基于多源传感器融合的定位技术，特别涉及在退化场景下激光雷达和imu融合的定位技术算法。
技术介绍
1、激光雷达定位技术是自动驾驶领域中的重要技术之一，已经得到了广泛的研究和应用。在激光雷达定位技术中最主要的是解决前端里程计激光扫描匹配的问题，目前主流算法可分为基于直接匹配和基于特征匹配的算法。基于直接匹配的算法以icp(iterativecloest point，迭代最临近点)算法和ndt(normal distribution transformation，正态分布变化)算法两种为主；近年来，研究重点转向基于特征的点云匹配算法，以loam算法为主。
2、但在退化场景下，比如环境特征稀疏、缺失的情况下，仅依靠纯激光雷达匹配方法存在失效的风险，因此开展激光雷达与imu等传感器融合的方法，以提高定位精度和系统鲁棒性。激光雷达与imu融合的方法一般是以激光雷达算法为主要部分，在其中引入imu信息进行动力学解算。融合方式有松耦合与紧耦合两种，以紧耦合为主，将激光雷达原始特征点与imu数据进行融合，共同构建运动方程进行状态估计，紧耦合融合的核心在于状态估计器件的设计，分为基于滑窗优化的方法和基于滤波的方法。滑窗优化的代表算法为lio-sam，该算法基于滑窗与关键帧策略进行点云匹配，同时与imu预积分进行位姿图优化，滑窗优化的优点在于可以联合多个时刻的状态量，精度比较高，但是其运算效率较低，早期基于滑窗优化的激光雷达惯性里程计甚至不能保证实时性。在滤波优化算法中，通常使用迭代卡尔曼滤波，其优点在于计算
3、在现有技术中，优化的方法通常比滤波的方法在精度上有更好的表现，但在实际进行多源传感器信息融合时应考虑到综合计算能力、数学模型等因素，因此结合优化方法和滤波方法的优点，滤波方法虽然在运算效率上得到了提升，但其缺乏前端，缺少全局一致性，因此本技术在滤波方法中加入回环检测算法，在面对特征点退化的环境中，使用基于滤波的紧耦合方法将激光雷达与imu进行融合，同时使用回环检测算法结合前端里程计进行全局位姿优化。
技术实现思路
1、为解决上述问题，本专利技术公开了一种基于多源传感器融合的定位技术算法，以迭代误差状态卡尔曼滤波的方式以紧耦合的形式将激光雷达原始特征点与imu数据进行融合，imu每次测量的数据进行前向传播，对激光雷达扫描中产生的运动畸变进行反向传播，根据imu测量值估计扫描中每个点相对于扫描结束时间的相对位姿，估计的相对位姿可以根据扫描点的精确采样时间将所有点投影至扫描结束时间，进行运动补偿；本专利技术还将前向传播和反向传播得到的数据进行残差计算、迭代更新，输出前端里程计建图和定位算法，同时加入回环检测算法进行全局位姿优化，防止前端里程计误差累积，产生漂移。
2、为达到上述目的，本专利技术的技术方案如下：
3、一种基于多源传感器融合的定位技术算法，包括以下步骤：
4、s1：激光雷达imu原始数据处理；
5、s2：运动状态估计；
6、s3：地图管理；
7、s4：点云增量插入删除；
8、s5：回环检测；
9、s6：重定位。
10、进一步的，步骤s1具体如下：
11、s11：在前端里程计方面，使用imu数据建模系统的运动，提供加速度和角速度信息，通过积分这些测量值得到位姿的变化。
12、s12：imu存在由于积分误差的累积，使用激光雷达数据作为附加测量
13、激光雷达提供了关于机器人周围环境的稀疏但高精度信息，用imu的测量值估计该帧中的点相对于该帧扫描结束时刻的位姿，将激光雷达和imu的数据结合更准确地估计位姿。
14、s13：imu数据运动补偿
15、得到的激光雷达数据特征点并非同一时刻测量的，不同时刻特征点之间存在着相对运动，因此必须对其进行运动补偿，特征点之间的相对运动使得其之间存在着相对位姿变化，求得各个时刻的特征点与最后时刻特征点之间的相对位姿，再将各个时刻的特征点全部投影至最后时刻，可以得到一系列的特征点，认为该系列特征点都是最后同一时刻测量得到的特征点。也就是说在激光雷达进行连续运动采样时，需要对扫描过程的运动进行补偿，根据imu值估计扫描中每个点相对于扫描结束时的激光雷达位姿，再根据扫描每个点的采样时间投影至扫描结束的时间，所有的扫描点即可视为在同一时间采样得到的，补偿了运动采样造成的误差。
16、s14：imu数据反向传播。
17、获得一帧完整点云数据，完成反向传播补充了点云的运动畸变后进行残差计算，通过卡尔曼增益系数融合残差和前向传播预测的状态信息得到最终位姿，残差源于激光雷达原始特征点与现有地图点之间的差值，那么残差的值通过计算特征点的全局估计坐标与地图上最近平面或边缘点的距离得到，因为激光雷达原始点云中经过运动补偿得到的特征点是相对于激光雷达坐标系的，而地图点是相对于全局坐标系的，所以在进行残差计算前也要将激光雷达原始特征点转换到全局坐标系下，要注意的是这里得到的特征点使用了前向传播中的状态估计值，所以其对应的估计全局坐标系不能直接加入全局地图中，经后面的迭代更新得到最优状态估计，结合最优状态估计将特征点全部转换到全局坐标系，再将对应的全局坐标点加入到全局地图中。
18、进一步的，步骤s2具体如下：
19、s21：通过对比状态差和测量差，用当前的迭代差值代表真值状态的地图，将激光雷达原始特征点的残差分别与前向传播中的状态估计融合，求得最优的状态估计。
20、s22：将扫描得到的每个激光雷达点转换到全局坐标系框架，并将转换后的激光雷达点插入到增量式kd树结构表示的映射中，完成更新，更新值再作为前向传播的初始值，如果不收敛则重新进行残差计算与迭代更新步骤。
21、s23：在封闭空间内进行点云采集的输出，然后在走廊进行静态实验测试，采集静止状态下，在走廊尽头ouster激光雷达的点云数据。确保静态实验测试点云正常后进行动态实验，在室内环境中进行小车移动，跟随小车激光雷达采集点云信息通过位姿优化进行建图，然后移步到开阔室内退化环境，如长走廊进行动态实验，匀速从走廊一端尽头驶向另一端，同时激光雷达采集点云信息。
22、s24：进行室外实验，采用ouster32激光雷达采集数据集，将其搭载在小车装置上，通过控制小车进行地图采集，室外实验选择露天停车场作为实验场景，分别进行直线行驶、简单绕圈和复杂绕圈的实验，在运动过程中采集数据集并通过算法对数据集进行回环全局位姿优化建图。
23、s25：在直线实验中将小车从起点驶向标记地点，并调头驶回起点，在简单绕圈实验中将小车驶向拐弯地点，调头拐弯从另一车道驶回起点，共绕一圈，在复杂绕圈实验中将小车驶向拐弯地点，调头拐弯从另一车道行驶并在拐弯地点继续调头向前行驶，共绕两圈。
24、进一步的，步骤s3具体如下：
25、s31：将地图点组织本文档来自技高网...
【技术保护点】
1.一种基于多源传感器融合的定位技术算法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于多源传感器融合的定位技术算法，其特征在于：步骤S1具体如下：
3.根据权利要求1所述的一种基于多源传感器融合的定位技术算法，其特征在于：步骤S2具体如下：
4.根据权利要求1所述的一种基于多源传感器融合的定位技术算法，其特征在于：步骤S3具体如下：
5.根据权利要求1所述的一种基于多源传感器融合的定位技术算法，其特征在于：步骤S4具体如下：
6.根据权利要求1所述的一种基于多源传感器融合的定位技术算法，其特征在于：步骤S5具体如下：
7.根据权利要求1所述的一种基于多源传感器融合的定位技术算法，其特征在于：步骤S6具体如下：
8.根据权利要求3所述的一种基于多源传感器融合的定位技术算法，其特征在于：步骤S23所述的四轮可移动遥控小车，小车上安装多种传感器，包括但不限于IMU、激光雷达、视觉摄像头，其中激光雷达使用的Ouster32激光雷达，惯性测量单元使用的为MTI680g传感器。
【技术特征摘要】
1.一种基于多源传感器融合的定位技术算法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于多源传感器融合的定位技术算法，其特征在于：步骤s1具体如下：
3.根据权利要求1所述的一种基于多源传感器融合的定位技术算法，其特征在于：步骤s2具体如下：
4.根据权利要求1所述的一种基于多源传感器融合的定位技术算法，其特征在于：步骤s3具体如下：
5.根据权利要求1所述的一种基于多源传感器融合的定位技术算法，其特征在于：步骤s4具体如下...
【专利技术属性】
技术研发人员：赵立业，李文君，杨皓明，李宏生，黄丽斌，丁徐锴，
申请(专利权)人：东南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。