【技术实现步骤摘要】
本专利技术属于自动驾驶和高精地图构建，具体涉及一种用于大型户外场景的无人车高精地图构建方法。
技术介绍
1、近年来，基于激光雷达的建图和定位技术在自主移动机器人、自动驾驶汽车领域得到了广泛的应用。无人车作为自主移动机器人领域的一项重要应用场景，在投入使用前需要构建工作环境的高精地图，以实现路径规划和定位。
2、在构建高精地图时，为了生成更完整的环境地图，减小扫描死角和盲区，一般使用视场角为360°的激光雷达；但在实际的工程应用中，由于无人车的激光雷达安装位置固定，视场角往往受限，无法实现全方位无遮挡扫描，增大了高精地图的构建难度。
3、目前存在一些高精地图构建方案，如loam算法(zhang j,singh s.loam:lidarodometry and mapping in real-time[c]//robotics:science and systems.2014,2(9):1-9.)、lio-sam算法(shan t,englot b,meyers d,et al.lio-sam:tightly-coupledlidar inertial odometry via smoothing and mapping[c]//2020ieee/rsjinternational conference on intelligent robots and systems(iros).ieee,2020:5135-5142.)等，上述方法在计算资源充足的条件下，在室内场景和小型户外场景中有不错的表现，但应用于大型
4、1)均使用了视场角为360°的激光雷达，未考虑激光雷达视场角受限条件下的建图场景(如专利cn 111578932 b要求)；
5、2)性能开支较大，而无人车的车载计算机难以达到算法所需的性能，无法实现性能开支与建图质量的平衡(如专利cn 112116656 b要求)；
6、3)在大型户外场景中表现不稳定，地图漂移会随着距离和运行时间累积，难以得到高质量的高精地图；
7、4)高精地图构建方案需要多种价格昂贵的传感器作为支撑，与无人车的经济性要求相悖(如专利cn 103901774 b要求)。
8、因此，有必要设计一种用于大型户外场景的无人车高精地图构建方法，用于解决上述技术问题。
技术实现思路
1、为解决现有技术的不足，实现降低高精地图构建算法对于激光雷达视场角的依赖，提升高精地图构建的稳定性，降低高精地图构建的性能开支和无人系统成本的目的，本专利技术采用如下的技术方案：
2、一种用于大型户外场景的无人车高精地图构建方法，包括如下步骤：
3、步骤s1：获取无人车当前位置下的点云信息；
4、步骤s2：将无人车的初步定位结果pt作为点云配准的初始估计，在点云配准前，使用分层空间筛选法将当前位置下完成预处理的3d点云帧ft2中的孤立激光点剔除，将剔除孤立激光点后的3d点云帧ft3作为源点云，以全局点云地图map作为目标点云，通过点云配准算法对源点云ft3和目标点云map进行配准，得到无人车的实时位姿pt1和坐标变换矩阵ttrue；
5、步骤s3：为了降低高精地图构建的性能开支，不是所有的点云帧都会被拼接到全局点云地图map中，而是依据无人车的位移信息和转弯信息选取关键帧fkey，通过所述坐标变换矩阵ttrue变换至无人车的实时位姿pt1处，并将关键帧fkey拼接到全局点云地图map中；
6、步骤s4：基于当前和历史关键帧，从空间和时间上，确定可能存在回环的区域进行回环检测，若检测出回环，则添加回环约束并执行地图优化。
7、进一步地，所述步骤s1中，为了尽可能地降低性能开支，而不影响高精地图的构建质量，通过直通滤波对点云信息进行预处理，依据距离信息和高度信息，除掉当前位置下的3d点云帧ft中高度高于高度阈值的激光点和与无人车距离大于距离阈值的激光点，得到直通滤波后的3d点云帧ft1，进一步提升了地面及其附近激光点的优先级，也提升了与无车环卫车距离较近的激光点的优先级，降低了对于道路的建图难度。
8、进一步地，所述直通滤波会将激光雷达采集到的当前位置下的点云帧ft中满足如下公式的激光点保留：
9、
10、其中，xi，yi，zi分别表示当前位置下的3d点云帧ft中第i个激光点相对于无人车的实时位姿pt1的x，y，z轴坐标，hmax表示所设置的高度阈值，rmax表示所设置的距离阈值。
11、进一步地，所述步骤s1中，经过直通滤波后的3d点云帧ft1的点云范围减小，但点云仍过于稠密，为了进一步降低性能开支，还需对直通滤波后的3d点云帧ft1进行梯度负反馈体素下采样，得到3d点云帧ft2，包括如下步骤：
12、步骤s1.1：根据无人车系统性能，设定计算设备能够处理激光点的总数s，设定被允许的激光点误差数量∈，设定下采样参数初值v，设定下采样参数v的向上变化梯度初值δvup及其副本δvup1，设定下采样参数v的向下变化梯度初值δvdown及其副本为δvdown1；
13、步骤s1.2：获取直通滤波后的3d点云帧ft1及其激光点数量按如下公式调整下采样参数初值v：
14、
15、步骤s1.3：根据调整后的下采样参数v进行下采样，得到预处理后的3d点云帧ft2。
16、进一步地，所述步骤s2中，通过轮式里程计信息获取无人车的地面平面速度，通过惯性测量单元信息获取无人车的三轴加速度和三轴角速度，并基于无人车前一时刻的位姿pt-1与当前时刻的时间差δt、位姿变化δp，计算无人车的初步定位结果pt＝pt-1+δp，δp的计算公式如下：
17、
18、其中，δx、δy、δz分别表示x轴、y轴、z轴方向上的位置变化，δφ，δθ，δψ分别表示绕x轴、y轴、z轴的角度变化，分别表示无人车在前一时刻x轴、y轴方向上的速度，分别表示无人车在前一时刻x轴、y轴、z轴方向上的加速度，分别表示无人车在前一时刻绕x轴、y轴、z轴的角速度。
19、进一步地，所述步骤s2中，为了降低ndt点云配准算法的性能开支，并加快点云配准的速度，基于无人车初步定位结果pt作为点云配准的初始估计，并以此构造坐标变换矩阵tpre，通过坐标变换矩阵tpre将完成预处理的3d点云帧ft2预先变换至地面坐标系，当源点云中含有孤立激光点时会影响到区域的统计特性，为了得到更好的点云配准结果，需要在点云配准前将点云帧ft2中的孤立激光点剔除，通过分层空间筛选，为变换至地面坐标系的3d点云帧ft2构建第一数据结构octree，对当前位置下完成预处理的3d点云帧ft2进行空间划分，以使点云分布到空间立方体节点中，计算第一数据结构octree中每个节点的激光点密度ρ，对于激光点密度ρ低于密度阈值ρthresh的节点构建第二数据结构kd-tree以执行最近邻搜索，以剔除本文档来自技高网...
【技术保护点】
1.一种用于大型户外场景的无人车高精地图构建方法，其特征在于包括如下步骤：
2.根据权利要求1所述的一种用于大型户外场景的无人车高精地图构建方法，其特征在于：所述步骤S1中，通过直通滤波对点云信息进行预处理，依据距离信息和高度信息，除掉当前位置下的点云帧Ft中高度高于高度阈值的点和与无人车距离大于距离阈值的点，得到直通滤波后的点云帧Ft1。
3.根据权利要求2所述的一种用于大型户外场景的无人车高精地图构建方法，其特征在于：所述直通滤波会将当前位置下的点云帧Ft中满足如下公式的点保留：
4.根据权利要求1所述的一种用于大型户外场景的无人车高精地图构建方法，其特征在于：所述步骤S1中，对点云帧进行梯度负反馈体素下采样，得到点云帧Ft2，包括如下步骤：
5.根据权利要求1所述的一种用于大型户外场景的无人车高精地图构建方法，其特征在于：所述步骤S2中，获取无人车的地面平面速度、加速度和角速度，并基于无人车前一时刻的位姿Pt-1与当前时刻的时间差Δt、位姿变化ΔP，计算无人车的初步定位结果Pt＝Pt-1+ΔP，ΔP的计算公式如下：
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。