CN111505662A - 一种无人驾驶车辆定位方法及系统 - Google Patents

Abstract

本发明涉及一种无人驾驶车辆定位方法及系统，包括：利用激光雷达，在一个角度下获取不同帧的点云数据；根据不同帧的点云数据构建第一点云地图；将所述第一点云地图中的地面点删除，确定第二点云地图；采用自适应阈值区域生长算法和kdtree搜索方法对所述第二点云地图中的地图点进行聚类，确定归类结果；采用视点特征直方图对所述归类结果进行描述，确定每类的单词描述子；根据选取的关键帧对应的单词描述子构建数据库；获取无人驾驶车辆当前帧；根据所述数据库和所述无人驾驶车辆当前帧确定无人驾驶车辆的位置。通过本发明的上述方法能够在没有GPS信号的情况下，实现对无人驾驶车辆的定位。

Description

一种无人驾驶车辆定位方法及系统

技术领域

本发明涉及无人驾驶建图与定位领域，特别是涉及一种无人驾驶车辆定位方法及系统。

背景技术

无人车辆定位问题是无人驾驶的重要技术之一，当前大部分民用无人平台都采用GPS与惯性导航组合定位，但在一些环境下，GPS信号往往会缺失，需要无人作战平台依靠自身传感器进行定位。因此，同时定位与地图构建(Simultaneous Localization AndMapping，SLAM)技术成为无人驾驶的一个研究重点。SLAM技术解决了无人车辆在移动的同时边建立地图边定位的问题，但对于事先已经建好的地图，如何在进入地图范围时快速确定车辆在地图内的位置，仍缺少高效的方法，尤其是在复杂动态环境下，移动的物体会加大定位的难度。在未来无人驾驶体系下，各无人平台间信息共享，单独一辆无人驾驶单元在已有地图中如何快速确定自己的位置将是其是否能迅速投入工作的关键。

发明内容

本发明的目的是提供一种无人驾驶车辆定位方法及系统，在没有GPS信号的情况下，实现对无人驾驶车辆的定位。

为实现上述目的，本发明提供了如下方案：

一种无人驾驶车辆定位方法，所述无人驾驶车辆定位方法包括：

利用激光雷达，在一个角度下获取不同帧的点云数据；所述角度为多个；

根据所述不同帧的点云数据构建第一点云地图；

将所述第一点云地图中的地面点删除，确定第二点云地图；

采用自适应阈值区域生长算法和kdtree搜索方法对所述第二点云地图中的地图点进行聚类，确定归类结果；

采用视点特征直方图对所述归类结果进行描述，确定每类的单词描述子；

根据选取的关键帧对应的单词描述子构建数据库；

获取无人驾驶车辆当前帧；

根据所述数据库和所述无人驾驶车辆当前帧确定无人驾驶车辆的位置。

可选的，所述根据所述不同帧的点云数据构建第一点云地图，具体包括：

根据所述不同帧的点云数据确定每个点为动态障碍点的概率，得到点动态概率集合；所述点动态概率集合中包括多个点动态概率值；

获取动态概率阈值；

选取所述点动态概率集合中小于或等于所述动态概率阈值的点动态概率值对应的点作为地图点，构建第一点云地图；所述第一点云地图中包括多个所述地图点。

可选的，所述根据所述不同帧的点云数据确定每个点为动态障碍点的概率，具体包括：

根据公式

确定每个点为动态障碍点的概率；

其中，P_i(Dyn|z_t)为第t帧时点i为动态障碍点的概率，P_i(Dyn|z_1:t-1)为第1帧至第t-1帧时点i为动态障碍点的概率，P_i(Dyn|z_1:t)为第1帧至第t帧时点i为动态障碍点的概率，P_i(ODyn)为点i的先验概率。

可选的，所述根据选取的关键帧对应的单词描述子构建数据库，具体包括：

获取关键帧集合；所述关键帧集合包括多个关键帧；

根据所述单词描述子和所述关键帧集合构建所述数据库。

可选的，所述根据所述数据库和所述无人驾驶车辆当前帧确定无人驾驶车辆的位置，具体包括：

根据所述数据库，采用词袋模型和ICP匹配方法确定所述无人驾驶车辆的初始位置；

根据所述初始位置采用LOAM算法确定所述无人驾驶车辆的最终位置，所述最终位置即为无人驾驶车辆的位置。

一种无人驾驶车辆定位系统，所述无人驾驶车辆定位系统包括：

获取模块，用于利用激光雷达，在一个角度下获取不同帧的点云数据；所述角度为多个；

第一点云地图构建模块，用于根据所述不同帧的点云数据构建第一点云地图；

第二点云地图确定模块，用于将所述第一点云地图中的地面点删除，确定第二点云地图；

归类结果确定模块，用于采用自适应阈值区域生长算法和kdtree搜索方法对所述第二点云地图中的地图点进行聚类，确定归类结果；

单词描述子确定模块，用于采用视点特征直方图对所述归类结果进行描述，确定每类的单词描述子；

数据库构建模块，用于根据选取的关键帧对应的单词描述子构建数据库；

当前帧获取模块，用于获取无人驾驶车辆当前帧；

位置确定模块，用于根据所述数据库和所述无人驾驶车辆当前帧确定无人驾驶车辆的位置。

可选的，所述第一点云地图构建模块具体包括：

点动态概率集合得到单元，用于根据所述不同帧的点云数据确定每个点为动态障碍点的概率，得到点动态概率集合；所述点动态概率集合中包括多个点动态概率值；

动态概率阈值获取单元，用于获取动态概率阈值；

第一点云地图构建单元，用于选取所述点动态概率集合中小于或等于所述动态概率阈值的点动态概率值对应的点作为地图点，构建第一点云地图；所述第一点云地图中包括多个所述地图点。

可选的，所述点动态概率集合得到单元具体包括：

动态障碍点概率确定子单元，用于根据公式

确定每个点为动态障碍点的概率；

其中，P_i(Dyn|z_t)为第t帧时点i为动态障碍点的概率，P_i(Dyn|z_1:t-1)为第1帧至第t-1帧时点i为动态障碍点的概率，P_i(Dyn|z_1:t)为第1帧至第t帧时点i为动态障碍点的概率，P_i(ODyn)为点i的先验概率。

可选的，所述数据库构建模块具体包括：

关键帧集合获取单元，用于获取关键帧集合；所述关键帧集合包括多个关键帧；

数据库构建单元，用于根据所述单词描述子和所述关键帧集合构建数据库。

可选的，所述位置确定模块具体包括：

初始位置确定单元，用于根据所述数据库，采用词袋模型和ICP匹配方法确定所述无人驾驶车辆的初始位置；

最终位置确定单元，用于根据所述初始位置采用LOAM算法确定所述无人驾驶车辆的最终位置，所述最终位置即为无人驾驶车辆的位置。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明涉及一种无人驾驶车辆定位方法及系统，包括：利用激光雷达，在一个角度下获取不同帧的点云数据；根据不同帧的点云数据构建第一点云地图；将所述第一点云地图中的地面点删除，确定第二点云地图；采用自适应阈值区域生长算法和kdtree搜索方法对所述第二点云地图中的地图点进行聚类，确定归类结果；采用视点特征直方图对所述归类结果进行描述，确定每类的单词描述子；根据选取的关键帧对应的单词描述子构建数据库；获取无人驾驶车辆当前帧；根据所述数据库和所述无人驾驶车辆当前帧确定无人驾驶车辆的位置。通过本发明的上述方法能够在没有GPS信号的情况下，实现对无人驾驶车辆的定位。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的一种无人驾驶车辆定位方法的流程图；

图2为本发明实施例中动态障碍概率更新推导举例图一；

图3为本发明实施例中动态障碍概率更新推导举例图二；

图4为本发明实施例中采用词袋模型的初始位姿匹配流程图；

图5为本发明实施例中后续精准定位流程图；

图6为本发明所提供的一种无人驾驶车辆定位系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种无人驾驶车辆定位方法及系统，在没有GPS信号的情况下，实现对无人驾驶车辆的定位。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明所提供的一种无人驾驶车辆定位方法的流程图，如图1所示，本发明所述无人驾驶车辆定位方法包括：

S101，利用激光雷达，在一个角度下获取不同帧的点云数据；所述角度为多个。具体的，在一个角度下获取不同帧的点云数据，指的是在不同时刻相同角度下获取点云数据，在无人驾驶车辆上设置激光雷达，利用激光雷达本身360度角度的探测，分别在每个角度下获取不同时刻的点云数据，即不同帧的点云数据。

S102，根据所述不同帧的点云数据构建第一点云地图，具体包括：

2-1)根据所述不同帧的点云数据确定每个点为动态障碍点的概率，得到点动态概率集合；所述点动态概率集合中包括多个点动态概率值。具体的，根据公式

确定每个点为动态障碍点的概率。其中，P_i(Dyn|z_t)为第t帧时点i为动态障碍点的概率，P_i(Dyn|z_1:t-1)为第1帧至第t-1帧时点i为动态障碍点的概率，P_i(Dyn|z_1:t)为第1帧至第t帧时点i为动态障碍点的概率，P_i(ODyn)为点i的先验概率。

为确定点云数据中的点是否为动态障碍点，需要对不同帧的点进行判断：

采用公式(1)和(2)求得不同帧下的点云在球面坐标系下对应的方位角与仰角，通过kdTree搜索方法找到与地图点P具有相近方位角与仰角值的当前帧点云Q。即每个P点会分入以Q-球心连线为轴线的一个圆锥体范围内，kdTree设定的阈值大小即为圆锥体的顶角大小，

其中，

为水平面方位角，θ为相对水平面的仰角，x,y,z为点的坐标值。

依据激光雷达特性与无人车实际工况，做出以下推论：

1)地图点即为点云数据中的一点P在雷达坐标系下的距离dP与当前测得的距离dQ的差距越大，为动态障碍的概率越大，dP由计算P点和激光雷达原点坐标差获得，dQ可通过直接读取当前帧数据中的距离值获得。

2)点P所对应的视角与Q的视角相差越大，当前帧判断可信度越低，概率改变量越小。

3)dP值越大，当前帧判断可信度越低，概率改变量越小。

4)点P所对应的视角与车辆航向夹角越大，概率改变量越小。

推论1)、2)、3)可从图2和图3中推出，对于时刻t，激光雷达扫到障碍物S上返回点P。对于时刻t+n，点P在此时与激光雷达的距离为dP，点Q为当前点云中与点P视角最接近的点，测得其距离为dQ；若障碍物S为动态障碍物，此时激光将打在其他物体上，从而得到不同的距离值，因此dP与dQ的差距越大，P为动态概率点的概率也越大。激光雷达竖直方向上相邻两线间存在一定夹角，且点云预处理时对原始点云进行了降采样操作，因此kdTree搜索的阈值需保证大部分点都能够获得匹配，但也导致P点与雷达连线OP和Q点与雷达连线OQ会存在一定的角度偏差，两点可能为不同障碍物返回的点，因此当两者间视角相差越大，此次判断的可信度也越低。随着时差n的增加，P点距离激光雷达越远，被其他障碍物遮挡的可能性越高，且对于距离较远的点，相同角度差对应的横向偏差也越大，属于同一障碍物的概率也越低，因此dP值越大时，此次判断可信度越低。

推论4)针对无人车实际工况所提出。无人车辆行驶时与周边动态障碍物运动方向多为一致，因此在航向上动态障碍物所带来的距离变化量最大，且打在同一障碍上的概率最大。如图4所示，对于越偏离车辆航向的障碍物，在t时刻记入地图的点P，在t+n时刻容易被两侧其他障碍物遮挡，造成dP与dQ存在较大差异。因此OP与车辆航向夹角越大，可信度越低，概率改变量越少。

为量化计算每个点为动态障碍物的概率，根据1)—4)推出如下公式计算每帧观测值下P点为动态障碍点的概率。

P(Dyn|α,β,δ,dP)∝P(ODyn)[1+C(δ)U(α,β,dP)] (3)

其中，P(Dyn|α,β,δ,dP)为P点为动态点的概率，U(α,β,dP)为帧判断可信度，P为t时刻扫到的点，Q为t+1时刻相同角度下扫到的点，O为激光雷达原点，α为OP与OQ的夹角，即两点的视角差，β为OP与车辆航向的夹角，δ为dP与dQ的差值相对于dP的比值，即|dP-dQ|/dP，C为基于δ得出的概率改变量，取值如下：

U为此帧判断的可信度，取值如下：

P(ODyn)为每个点为动态障碍的初始概率，由实际观测经验取20％，αmax和dpmax均根据实际情况设定。

通过贝叶斯公式(6)可以计算每个点经过10次判断后为动态障碍点的概率P_i(Dyn|z_1:10)。

2-2)获取动态概率阈值。

2-3)选取所述点动态概率集合中小于或等于所述动态概率阈值的点动态概率值对应的点作为地图点，构建第一点云地图；所述第一点云地图中包括多个所述地图点。具体的，对连续多帧进行累积计算，当最后的动态概率高于设定的动态概率阈值时，即认为该点为动态障碍点，从而从地图中予以剔除，将剩余的点作为地图点，构建第一点云地图。

S103，将所述第一点云地图中的地面点删除，确定第二点云地图。

地面点不属于正常障碍物，但分布密集且将各物体连结在一起，若不予以事先剔除则易将分属于不同物体的点划分到同一点集中。采用判断相邻两线点间连线与水平面的夹角是否超过阈值来判断点是否属于平面点，在同一垂直面上激光雷达将会同时发射出去各相差一定角度的十六束光线，打在障碍物上返回点，计算相邻两线返回的点的连线与水平面的夹角，夹角小于设定的阈值时则暂时将点归为地面点，将地面点删除，确定第二点云地图。

S104，采用自适应阈值区域生长算法和kdtree搜索方法对所述第二点云地图中的地图点进行聚类，确定归类结果。

具体的，通过对第二点云地图点云进行聚类处理使每个物体作为一个单词以对场景进行描述，所以首先需将每个物体提取出来。

为将点云中的物体分隔开来，对第二点云地图中的点云进行聚类处理，采用自适应阈值的区域生长算法进行聚类，随机选取关键帧中的一个点云作为种子点，在其设定的阈值距离范围内的其他点将通过kdtree搜索后归入一类，再以新加入的点为原点进行下一轮搜索，直到在阈值范围内搜索不到其他点为止从而构成一组点集，再在剩余的点云中随机选取一点开始新的一组聚类，直到点云内所有点都被划入各组中。考虑到激光雷达点云近处稠密远处稀疏的特性，应对远近不同的点云需选用不同的阈值大小，因此设定阈值大小与种子点距雷达的距离成正比。

S105，采用视点特征直方图对所述归类结果进行描述，确定每类的单词描述子。

选取视点特征直方图(VFH)作为聚类结果的描述子，该描述子为一个由308个浮点数组成的向量，其在快速点特征直方图(FPFH)的基础上增加了视点方向与聚类点集中每个点估计法线之间的统计信息，同时仍具有FPFH描述子快速计算的特性满足实时性的需求。描述子既能明确区分不同的物体也能对激光雷达的视角作出反应。每帧点云对应于n*308的描述向量，n为物体数量。当建图完成后，每个关键帧都拥有其对应的描述向量与全局坐标以构成数据库，而所有单词被放入词典中。

S106，根据选取的关键帧对应的单词描述子构建数据库，具体包括：

6-1)获取关键帧集合；所述关键帧集合包括多个关键帧。

6-2)根据所述单词描述子和所述关键帧集合构建所述数据库。

具体的，训练词典并构建匹配数据库与建图同步进行。通过将相邻多帧点云进行叠加，将叠加后的点云集作为关键帧进行点云聚类和描述子计算。每组局部点云对应于n*308的描述向量，n为物体数量。当建图完成后，每个关键帧都拥有其对应的描述向量与全局坐标以构成数据库，而所有单词被放入词典中。

采用DBoW3库完成词典与数据库的构建，可最多容纳k*d个单词，k为每层分类数，d为层数。匹配时，每个单词只需比较d次即可找到最相近的单词。

数据库中的每组关键帧可由其拥有的单词在词典中的分布来表示。DBoW3为词典中每个单词的重要性加以评估，通过TF-IDF公式(7)赋予每个单词以权重。

其中，n_id为单词i在关键帧d中出现的次数；n_d为关键帧d中单词的数量；N为构建词典所使用的关键帧数量；N_i为包含单词i的关键帧数目，ω_i为单词i的权重。

S107，获取无人驾驶车辆当前帧。

S108，根据所述数据库和所述无人驾驶车辆当前帧确定无人驾驶车辆的位置，具体包括：

8-1)根据所述数据库，采用词袋模型和ICP匹配方法确定所述无人驾驶车辆的初始位置；

8-2)根据所述初始位置采用LOAM算法确定所述无人驾驶车辆的最终位置，所述最终位置即为无人驾驶车辆的位置。具体的，高频的激光里程计作为初始参考坐标变换矩阵，再以粗匹配结果的初始位姿为圆心，将一定范围内的地图点云作为匹配点云参与低频匹配。提取当前帧与地图点中的角点与平面点分别匹配，L-M优化方法求解。

具体的，在重定位阶段，首先采用词袋模型来进行初始位姿的选取，方法如下：通过比较当前点云描述向量与数据库中存储的描述向量，找寻相似度最大的关键帧，在建图时选取关键帧时也保存了该关键帧原点的位姿坐标，匹配时则将匹配到的关键帧所对应的位姿坐标作为初始定位结果从而初步确认当前车辆所在地图中的位置，此步骤在重定位过程中只执行一次。通过L1范数形式(8)计算向量与数据库中每一个向量的相似度，选取相似度最高的关键帧。

其中，vn,vi分别为当前点云与数据库中关键帧i的描述向量，s(v_n,v_i)为匹配相似度。

为提高匹配准确率，先由词袋模型选取相似度从高到低依次排名前几的关键帧，再采用ICP匹配方式对这几组候选点云进行细匹配，最终每组候选点云的匹配分数由词袋模型相似度与ICP匹配相似度相乘而得，选取分数最高的作为最终匹配点云，从而得到在地图中更精确的初始位姿。

在通过关键帧对应的位姿得到车辆在地图中初始位置后，通过更改LOAM算法实现在地图中的后续精准定位，定位流程如图5所示。激光里程计以10Hz高频运算，为以1Hz低频进行的与地图匹配节点提供初始参考位姿变换。以初始位姿为圆心，将一定范围内的地图点云作为匹配点云参与低频匹配，从而获得与建图精度相同的定位精度。

本发明提出的定位方法与初始位姿的NDT算法以及帧-帧匹配方法相比虽然正确率稍微降低，但所需的计算时间大幅减少。与NDT、自适应蒙特卡洛定位等需提供初始位姿的点云配准方法相比，可由算法自主计算初始位姿，因此可以在完全失去GPS定位的情况下仍旧达到高准确率。与SAC-IA+ICP等点云全局粗匹配加局部细匹配方法相比，不仅减少了计算量，且避免了室外点云集法线方向不确定性的影响。与采用依次与关键帧匹配计算相似度的遍历方法相比，通过聚类方法与描述子提取方法大幅降低运算量，且待匹配的数据库在建图结束后就已经计算完成，即大量的计算工作量已于重定位前完成，从而大幅减少匹配所需时间。

本发明还提供了一种无人驾驶车辆定位系统，如图6所示，所述无人驾驶车辆定位系统包括：

获取模块1，用于利用激光雷达，在一个角度下获取不同帧的点云数据；所述角度为多个。

第一点云地图构建模块2，用于根据所述不同帧的点云数据构建第一点云地图。

第二点云地图确定模块3，用于将所述第一点云地图中的地面点删除，确定第二点云地图。

归类结果确定模块4，用于采用自适应阈值区域生长算法和kdtree搜索方法对所述第二点云地图中的地图点进行聚类，确定归类结果。

单词描述子确定模块5，用于采用视点特征直方图对所述归类结果进行描述，确定每类的单词描述子。

数据库构建模块6，用于根据选取的关键帧对应的单词描述子构建数据库。

当前帧获取模块7，用于获取无人驾驶车辆当前帧。

位置确定模块8，用于根据所述数据库和所述无人驾驶车辆当前帧确定无人驾驶车辆的位置。

优选的，所述第一点云地图构建模块2具体包括：

点动态概率集合得到单元，用于根据所述不同帧的点云数据确定每个点为动态障碍点的概率，得到点动态概率集合；所述点动态概率集合中包括多个点动态概率值。

动态概率阈值获取单元，用于获取动态概率阈值。

第一点云地图构建单元，用于选取所述点动态概率集合中小于或等于所述动态概率阈值的点动态概率值对应的点作为地图点，构建第一点云地图；所述第一点云地图中包括多个所述地图点。

优选的，所述点动态概率集合得到单元具体包括：

动态障碍点概率确定子单元，用于根据公式

确定每个点为动态障碍点的概率，其中，P_i(Dyn|z_t)为第t帧时点i为动态障碍点的概率，P_i(Dyn|z_1:t-1)为第1帧至第t-1帧时点i为动态障碍点的概率，P_i(Dyn|z_1:t)为第1帧至第t帧时点i为动态障碍点的概率，P_i(ODyn)为点i的先验概率。

优选的，所述数据库构建模块6具体包括：

关键帧集合获取单元，用于获取关键帧集合；所述关键帧集合包括多个关键帧。

数据库构建单元，用于根据所述单词描述子和所述关键帧集合构建数据库。

优选的，所述位置确定模块8具体包括：

初始位置确定单元，用于根据所述数据库，采用词袋模型和ICP匹配方法确定所述无人驾驶车辆的初始位置。

最终位置确定单元，用于根据所述初始位置采用LOAM变种算法确定所述无人驾驶车辆的最终位置，所述最终位置即为无人驾驶车辆的位置。

本发明公开了一种无人驾驶车辆定位方法及系统。该方法包括：通过概率更新每个点云作为动态障碍物的概率，并根据贝叶斯公式进行连续的多帧概率更新从而在建图和重定位阶段剔除动态障碍点，避免动态障碍的干扰；在建图和重定位阶段均对点云进行依据自适应阈值区域生长的聚类处理，将点云中的物体进行区分组成一个个点云簇，依次对每个点云簇计算其VFH描述子作为一个单词的描述向量从而对一帧点云进行整体描述；在建图阶段选取关键帧构建词袋模型词典与数据库，在重定位阶段将当前点云与数据库进行匹配；选取匹配度最高的关键帧作为重定位粗定位，最后通过更改LOAM算法实现精准定位。本发明所需计算时间短，同时保证了重定位的准确性，解决了传统重定位方法耗费时间与精确度难以同时保证的问题。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种无人驾驶车辆定位方法，其特征在于，所述无人驾驶车辆定位方法包括：

利用激光雷达，在一个角度下获取不同帧的点云数据；所述角度为多个；

根据所述不同帧的点云数据构建第一点云地图；

将所述第一点云地图中的地面点删除，确定第二点云地图；

采用自适应阈值区域生长算法和kdtree搜索方法对所述第二点云地图中的地图点进行聚类，确定归类结果；

采用视点特征直方图对所述归类结果进行描述，确定每类的单词描述子；

根据选取的关键帧对应的单词描述子构建数据库；

获取无人驾驶车辆当前帧；

根据所述数据库和所述无人驾驶车辆当前帧确定无人驾驶车辆的位置。

2.根据权利要求1所述的无人驾驶车辆定位方法，其特征在于，所述根据所述不同帧的点云数据构建第一点云地图，具体包括：

根据所述不同帧的点云数据确定每个点为动态障碍点的概率，得到点动态概率集合；所述点动态概率集合中包括多个点动态概率值；

获取动态概率阈值；

选取所述点动态概率集合中小于或等于所述动态概率阈值的点动态概率值对应的点作为地图点，构建第一点云地图；所述第一点云地图中包括多个所述地图点。

3.根据权利要求2所述的无人驾驶车辆定位方法，其特征在于，所述根据所述不同帧的点云数据确定每个点为动态障碍点的概率，具体包括：

根据公式

确定每个点为动态障碍点的概率；

其中，P_i(Dyn|z_t)为第t帧时点i为动态障碍点的概率，P_i(Dyn|z_1:t-1)为第1帧至第t-1帧时点i为动态障碍点的概率，P_i(Dyn|z_1:t)为第1帧至第t帧时点i为动态障碍点的概率，P_i(ODyn)为点i的先验概率。

4.根据权利要求1所述的无人驾驶车辆定位方法，其特征在于，所述根据选取的关键帧对应的单词描述子构建数据库，具体包括：

获取关键帧集合；所述关键帧集合包括多个关键帧；

根据所述单词描述子和所述关键帧集合构建所述数据库。

5.根据权利要求1所述的无人驾驶车辆定位方法，其特征在于，所述根据所述数据库和所述无人驾驶车辆当前帧确定无人驾驶车辆的位置，具体包括：

根据所述数据库，采用词袋模型和ICP匹配方法确定所述无人驾驶车辆的初始位置；

根据所述初始位置采用LOAM算法确定所述无人驾驶车辆的最终位置，所述最终位置即为无人驾驶车辆的位置。

6.一种无人驾驶车辆定位系统，其特征在于，所述无人驾驶车辆定位系统包括：

获取模块，用于利用激光雷达，在一个角度下获取不同帧的点云数据；所述角度为多个；

第一点云地图构建模块，用于根据所述不同帧的点云数据构建第一点云地图；

第二点云地图确定模块，用于将所述第一点云地图中的地面点删除，确定第二点云地图；

归类结果确定模块，用于采用自适应阈值区域生长算法和kdtree搜索方法对所述第二点云地图中的地图点进行聚类，确定归类结果；

单词描述子确定模块，用于采用视点特征直方图对所述归类结果进行描述，确定每类的单词描述子；

数据库构建模块，用于根据选取的关键帧对应的单词描述子构建数据库；

当前帧获取模块，用于获取无人驾驶车辆当前帧；

位置确定模块，用于根据所述数据库和所述无人驾驶车辆当前帧确定无人驾驶车辆的位置。

7.根据权利要求6所述的无人驾驶车辆定位系统，其特征在于，所述第一点云地图构建模块具体包括：

点动态概率集合得到单元，用于根据所述不同帧的点云数据确定每个点为动态障碍点的概率，得到点动态概率集合；所述点动态概率集合中包括多个点动态概率值；

动态概率阈值获取单元，用于获取动态概率阈值；

第一点云地图构建单元，用于选取所述点动态概率集合中小于或等于所述动态概率阈值的点动态概率值对应的点作为地图点，构建第一点云地图；所述第一点云地图中包括多个所述地图点。

8.根据权利要求7所述的无人驾驶车辆定位系统，其特征在于，所述点动态概率集合得到单元具体包括：

动态障碍点概率确定子单元，用于根据公式

确定每个点为动态障碍点的概率；

其中，P_i(Dyn|z_t)为第t帧时点i为动态障碍点的概率，P_i(Dyn|z_1:t-1)为第1帧至第t-1帧时点i为动态障碍点的概率，P_i(Dyn|z_1:t)为第1帧至第t帧时点i为动态障碍点的概率，P_i(ODyn)为点i的先验概率。

9.根据权利要求6所述的无人驾驶车辆定位系统，其特征在于，所述数据库构建模块具体包括：

关键帧集合获取单元，用于获取关键帧集合；所述关键帧集合包括多个关键帧；

数据库构建单元，用于根据所述单词描述子和所述关键帧集合构建数据库。

10.根据权利要求6所述的无人驾驶车辆定位系统，其特征在于，所述位置确定模块具体包括：

初始位置确定单元，用于根据所述数据库，采用词袋模型和ICP匹配方法确定所述无人驾驶车辆的初始位置；

最终位置确定单元，用于根据所述初始位置采用LOAM算法确定所述无人驾驶车辆的最终位置，所述最终位置即为无人驾驶车辆的位置。

Images