【技術實現步驟摘要】
本專利技術涉及激光雷達定位，具體涉及一種基于激光雷達和慣性導航的定位方法、系統、設備及介質。
技術介紹
1、隨著智能科技領域的飛速發展，智能車的智能化程度不斷提高，其中同時定位與建圖技術作為實現智能車自主行駛的核心技術，其重要性愈發凸顯。然而，面對復雜多變的實際應用場景，對智能車精準定位和建圖算法在效率、精度以及魯棒性等方面的性能要求日益嚴苛。傳統的智能車定位方法由于其內在局限性，已難以滿足現代應用對高精度、強穩定性的迫切需求。
技術實現思路
1、本專利技術針對現有技術中存在的技術問題，提供一種基于激光雷達和慣性導航的定位方法、系統、設備及介質包括：
2、通過激光雷達單元和慣性測量單元，獲取智能車的點云數據和姿態數據，根據所述點云數據和姿態數據進行數據矯正，得到矯正后的點云數據；
3、根據所述矯正后的點云數據，通過三維特征哈希映射閉環檢測算法進行閉環檢測，獲取智能車的精確位姿數據；
4、基于所述智能車的精確位姿數據，構建因子圖，通過所述因子圖獲取智能車優化位姿數據，根據所述智能車位姿數據，進行全局點云數據更新，得到更新點云數據，根據所述更新點云數據對智能車進行定位。
5、優選的，所述通過激光雷達單元和慣性測量單元，獲取智能車的點云數據和姿態數據，根據所述點云數據和姿態數據進行數據矯正，得到矯正后的點云數據，包括：
6、將預先設置的激光雷達單元和慣性測量單元安裝于智能車，通過所述激光雷達單元采集智能車行駛周圍環境的點云數據，
7、獲取所述激光雷達單元和慣性測量單元的時間標簽，基于所述時間標簽以時間戳為橫坐標構建所述激光雷達單元和慣性測量單元的數據采樣時刻的時間序列圖；
8、根據所述時間序列圖，對所述點云數據和姿態數據進行對應時間配對，確定同一時刻的點云數據和姿態數據；
9、基于同一時刻的點云數據和姿態數據，建立慣導坐標系和激光雷達坐標系之間的映射關系，根據所述映射關系，設置所述慣導坐標系和激光雷達坐標系之間的變換矩陣；
10、基于所述變換矩陣將點云數據轉換至慣導坐標系，得到與所述姿態數據對應的轉換點云數據；
11、通過低通濾波方法對所述轉換點云數據進行濾波處理，得到有效轉換點云數據；
12、通過體素濾波方法對所述有效轉換點云數據進行二次濾波處理，獲取點云質心集合，通過所述慣性測量單元采集的姿態數據對所述點云質心集合進行點云畸變矯正，獲取矯正后的點云數據。
13、優選的，所述有效轉換點云數據計算式如下：
14、
15、其中，
16、式中，l表示有效轉換點云數據；m表示濾波參數；v(x,y)坐標為(x,y)的轉換點云數據；δ(q,h)坐標為(q,h)的姿態數據；q表示姿態數據橫坐標值；h表示姿態數據縱坐標值；r表示智能車行駛周圍環境的所有點云數據集合；ρ表示轉換比例值；k表示智能車行駛的姿態數據的集合；g(x,y)表示智能車行駛周圍環境坐標為(x,y)的點云數據；w表示時間參數；∈表示變換矩陣；ζ表示坐標系轉換參數；av表示時間序列圖中同一時刻與姿態數據對應的點云數據值；bk表示表示時間序列圖中同一時刻與點云數據對應的姿態數據值。
17、優選的，所述通過體素濾波方法對所述有效轉換點云數據進行二次濾波處理，獲取點云質心集合，通過所述慣性測量單元采集的姿態數據對所述點云質心集合進行點云畸變矯正，獲取矯正后的點云數據，包括：
18、通過體素濾波方法計算每一幀所述有效轉換點云數據在三維坐標系中各軸中的最大點云數據和最小點云數據；
19、基于所述最大點云數據和最小點云數據，計算三維空間能夠包含所有轉換點云數據點的最小長方體的邊長，根據所述邊長計算所述最小長方體的體積；
20、根據預先設置的體素柵格尺寸和所述最小長方體的體積，計算所述最小長方體所有柵格數量，對所述最小長方體中所有柵格進行編號處理，得到編號體素柵格；
21、基于所述編號體素柵格，計算每個體素柵格的質心，通過所述質心替換對應柵格中其他轉換點云數據，獲取點云質心集合；
22、通過激光雷達單元確定所述點云質心集合中每個點云質心的當前時刻k，并通過慣性測量單元解算獲取在k和k+1時刻的智能車的載體位姿；
23、對所述載體位姿進行積分，得到智能車載體在k和k+1時刻的積分狀態量，通過中值積分法對所述積分狀態量進行離散化處理，得到在k和k+1時刻的預積分量；
24、對在k和k+1時刻的所述積分狀態量和預積分量進行條件約束，得到預積分誤差；
25、基于所述預積分誤差，根據在k和k+1時刻的載體位姿，通過線性插值方法計算當前時刻k對應的點云位姿；
26、根據每個點云質心的起始時刻的位姿和每個點云質心在當前時刻k對應的點云位姿，計算得到每個點云質心在當前時刻k相對起始時刻的點云畸變值；
27、將所述點云畸變值通過世界坐標系進行轉換，獲取在當前時刻k相對起始時刻的轉換點云畸變值；
28、將在當前時刻的點云畸變值和轉換點云畸變值通過相減進行點云畸變矯正，獲取矯正后的點云數據。
29、優選的，所述預積分誤差計算式如下：
30、
31、其中，
32、其中，
33、式中，p表示預積分誤差；a表示積分狀態量；b表示預積分量；μ表示雅可比矩陣；ζ1表示誤差參數；k表示當前時刻；tα表示智能車的載體位姿；旋轉誤差；βk表示k時刻對應的點云質心的狀態量；βk+1表示k+1時刻對應的點云質心狀態量；αk表示k時刻對應的點云質心的測量值；αk+1表示k+1時刻對應的點云質心的測量值；η表示離散因子；表示測量噪聲。
34、優選的，根據所述矯正后的點云數據，通過三維特征哈希映射閉環檢測算法進行閉環檢測，獲取智能車的精確位姿數據，包括：
35、根據所述矯正后的點云數據，通過三維特征哈希映射閉環檢測算法將所述點云數據轉化為二維關鍵點數據，將所述二維關鍵點數據在預先構建的數據庫中進行存儲；
36、基于所述二維關鍵點數據，通過預先確定的點云數據空間進行劃分，得到具有不同目標點云數據的體積單元；
37、通過預先設置的邊緣檢測算法對所述體積單元中具有顯著邊緣特征的點云進行篩選，得到具有邊緣特征的關鍵點云數據，根據所述關鍵點云數據生成聚合關鍵點；
38、將所述聚合關鍵點在水平面進行投影，以投影后的當前關鍵點為圓心，在所述水平面上進行離散化搜索空間的構建；
39、其中，所述離散化搜索空間由預設數目個扇區進行構建；
40、第一個扇區以從當前關鍵點至最近鄰關鍵點的連線方向進行對齊，確定描述符方向；
41、基于所述描述符方向，按照逆時針順序對剩余扇區進行編號，并在每個扇區內搜索距離最近的關鍵點；
42、當扇本文檔來自技高網...
【技術保護點】
1.一種基于激光雷達和慣性導航的定位方法，其特征在于，包括：
2.根據權利要求1所述的一種基于激光雷達和慣性導航的定位方法，其特征在于，所述通過激光雷達單元和慣性測量單元，獲取智能車的點云數據和姿態數據，根據所述點云數據和姿態數據進行數據矯正，得到矯正后的點云數據，包括：
3.根據權利要求2所述的一種基于激光雷達和慣性導航的定位方法，其特征在于，所述有效轉換點云數據計算式如下：
4.根據權利要求2所述的一種基于激光雷達和慣性導航的定位方法，其特征在于，所述通過體素濾波方法對所述有效轉換點云數據進行二次濾波處理，獲取點云質心集合，通過所述慣性測量單元采集的姿態數據對所述點云質心集合進行點云畸變矯正，獲取矯正后的點云數據，包括：
5.根據權利要求4所述的一種基于激光雷達和慣性導航的定位方法，其特征在于，所述預積分誤差計算式如下：
6.根據權利要求1所述的一種基于激光雷達和慣性導航的定位方法，其特征在于，根據所述矯正后的點云數據，通過三維特征哈希映射閉環檢測算法進行閉環檢測，獲取智能車的精確位姿數據，包括：
7.根
8.一種基于激光雷達和慣性導航的定位系統，其特征在于，包括：
9.一種電子設備，其特征在于，包括：
10.一種非暫態計算機可讀存儲介質，其特征在于，所述存儲介質中存儲有計算機軟件程序，所述計算機軟件程序被處理器執行時實現如權利要求1-7任一項所述的基于激光雷達和慣性導航的定位方法。
...【技術特征摘要】
1.一種基于激光雷達和慣性導航的定位方法，其特征在于，包括：
2.根據權利要求1所述的一種基于激光雷達和慣性導航的定位方法，其特征在于，所述通過激光雷達單元和慣性測量單元，獲取智能車的點云數據和姿態數據，根據所述點云數據和姿態數據進行數據矯正，得到矯正后的點云數據，包括：
3.根據權利要求2所述的一種基于激光雷達和慣性導航的定位方法，其特征在于，所述有效轉換點云數據計算式如下：
4.根據權利要求2所述的一種基于激光雷達和慣性導航的定位方法，其特征在于，所述通過體素濾波方法對所述有效轉換點云數據進行二次濾波處理，獲取點云質心集合，通過所述慣性測量單元采集的姿態數據對所述點云質心集合進行點云畸變矯正，獲取矯正后的點云數據，包括：
5.根據權利要求4所述的一種基于激光雷達和慣性導航的定位方法，其特征在于，所述預積分誤差計算式如下：
【專利技術屬性】
技術研發人員：樊國鵬，夏可，殷磊，黃春，滕永，
申請(專利權)人：誠芯智聯武漢科技技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。