CN112612788B - 一种无导航卫星信号下的自主定位方法 - Google Patents

一种无导航卫星信号下的自主定位方法 Download PDF

Info

Publication number
CN112612788B
CN112612788B CN202011460748.1A CN202011460748A CN112612788B CN 112612788 B CN112612788 B CN 112612788B CN 202011460748 A CN202011460748 A CN 202011460748A CN 112612788 B CN112612788 B CN 112612788B
Authority
CN
China
Prior art keywords
ndt
local
map
grid
maps
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011460748.1A
Other languages
English (en)
Other versions
CN112612788A (zh
Inventor
康晓
吴越
靳璐
靳保
海丹
罗涛
谢强
苏治宝
苏波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China North Vehicle Research Institute
Original Assignee
China North Vehicle Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China North Vehicle Research Institute filed Critical China North Vehicle Research Institute
Priority to CN202011460748.1A priority Critical patent/CN112612788B/zh
Publication of CN112612788A publication Critical patent/CN112612788A/zh
Application granted granted Critical
Publication of CN112612788B publication Critical patent/CN112612788B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Graphics (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Navigation (AREA)

Abstract

本发明涉及一种无导航卫星信号下的自主定位方法，属于无人车、机器人技术领域。本发明采用正态分布变换同步定位与地图生成(NDT‑SLAM)的自主定位方法，通过正态分布变换占用地图(NDT‑OM)方法形成基于三维激光雷达扫描数据的NDT‑OM局部地图，并通过NDT‑D2D匹配方法完成局部NDT‑OM地图之间的匹配，并在此基础上融合由惯性导航系统(INS)与里程计生成的位置估计信息与局部地图匹配信息，该方法能够有效融合激光雷达、INS与里程计等多源传感器信息，实现无人车、机器人等智能系统在无导航卫星信号下的准确自主定位。

Description

一种无导航卫星信号下的自主定位方法
技术领域
本发明属于无人车、机器人技术领域，具体涉及一种无导航卫星信号下的自主定位方法。
背景技术
无人车、机器人等智能系统自主行驶与作业时，只有获取准确的自主定位信息才能进行准确的环境感知、自主导航与自主作业。真实复杂环境中，当导航卫星系统受到电磁干扰、物体遮蔽等环境影响时，无人车、机器人等智能系统可能完全无法获取导航卫星信号。因此，如何实现智能系统在无导航卫星信号下的准确自主定位是智能系统复杂环境真实应用中所必须解决的问题。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是：如何设计一种无导航卫星信号下的自主定位方法，实现智能系统在无导航卫星信号环境下的准确自主定位。
(二)技术方案
为了解决上述技术问题，本发明提供了一种无导航卫星信号下的自主定位方法，包括以下步骤：
步骤1：采用NDT-OM地图生成方法初始化形成基于三维激光雷达扫描数据的NDT-OM局部地图；
步骤2：采用NDT-D2D匹配方法将利用步骤1的方法生成的通过三维激光雷达扫描生成的当前时刻的新的局部地图与利用步骤1的方法生成的通过三维雷达扫描生成的前一时刻的局部地图进行匹配；
步骤3：局部地图匹配完成后，融合里程计、INS获取的位姿估计信息与该局部地图匹配量信息，同步完成自主定位。
优选地，步骤1中，所述NDT-OM地图生成方法为：
将智能系统周围的空间规则地细分成大小一定的栅格单元ci，ci中测量点个数为N，其中第k个测量点为xk∈R3，ci位置处测量点的平均值为ci位置处测量点的协方差矩阵为/>ci表示为：
ci＝{ui,Pi,Ni,p(mi|z1:t)} (1)
其中，u为均值，Ni是估计正态分布参数所使用的点数，p(mi|z1:t)为栅格单元被占有的概率，其利用平均值和协方差矩阵建立的正态分布模型来度量某个位置样本zk位于栅格单元ci内的概率，即：
对于三维测量数据，每个NDT-OM三维空间栅格单元中需要保存的最少参数为11个，即x、y、z三个方向的3个平均值和6个协方差、栅格单元ci中的激光点数量、栅格单元ci被占用的概率值；
对于新获得的测量值信息，系统将更新每个栅格单元的概率值进行地图更新，假设有两组测量点值和/>m，n均为小于或等于N的正整数，采用下列公式对其进行融合，得到新的栅格单元概率值：
ux为x的均值，uy是y的均值,令 则组合后的协方差估计值为：
其中，
经推导可得：
以上更新方法未考虑环境动态变化的情况，为此增加射线跟踪步骤，其目的是评估位于传感器原点(传感器射线发射中心)和测量点之间直线上的所有栅格单元，对于不包含测量点的栅格单元则计数值加1，并利用以下对数概率公式对栅格单元占用概率进行估计：
其中，l(mk|z1:t-1)是在获得1到t-1时刻观测的情况下占用栅格mk的概率，Np是zt数据集合中落入栅格单元的数量，Ne是栅格单元被观察为空的次数，po为栅格单元当被测量为占有时的占有概率，pe为栅格单元被观察为空时的占有概率。
优选地，步骤1中NDT-OM地图生成的步骤概括为：
(1)采集三维测量数据，更新测量数据对象；
(2)利用测量数据对象更新地图栅格单元；
(3)重新计算各栅格单元模型参数；
(4)返回(1)。
优选地，步骤2中，所述NDT-D2D匹配方法是通过最小化两个三维激光雷达数据形成的NDT-OM局部地图之间的距离L2，实现当前时刻与前一时刻局部地图的匹配。
优选地，步骤2中，通过最小化两个三维激光雷达数据形成的NDT-OM局部地图之间的距离L2，实现当前时刻与前一时刻局部地图的匹配的过程为：
假设一组参考激光雷达扫描点为F，附近位置处的一组动态扫描点为Μ，MNDT(F)与MNDT(Μ)分别指对这两组扫描点采用步骤1中利用NDT-OM的方式进行建模生成的局部地图，设T'为两张地图的平移方程，Θ为其参数，T'(Μ,Θ)即为两组扫描点的平移方程，则两张NDT-OM局部地图MNDT(F)与MNDT(Μ)之间的距离L2定义为：
p表示概率密度；式(8)等价为：
当方程(9)可以表示为Renyi’s二次熵之和时，即会有关两张地图的距离项，Renyi’s二次熵定义为：
Hrqe(P(x))＝-∫p2(x)dx (10)
获取的两张局部地图的最小距离项为：
∫Ν(x|μi,∑i)Ν(x|μj,∑j)dx＝Ν(0|μi-μj,∑i+∑j) (11)
其中，∑i，∑j为高斯分布的方差，i为MNDT(Μ)里的第i个栅格单元的序号，j为MNDT(F)里的第j个栅格单元的序号，N为高斯分布密度函数(方差是sigma)，x为变量，μi，μj分别为两张地图对应高斯模型的均值，将该距离项最小化，即会获取两张局部NDT-OM地图的最小距离L2的最终表达式为：
MNDT(Μ)、MNDT(F)中分别有n个栅格单元，Μ(n)表示MNDT(Μ)里第n个栅格单元，F(n)表示MNDT(F)里第n个栅格单元，T(·,Θ)为平移变化矩阵，旋转矩阵为R，将其用欧拉角参数化来表示，转换矩阵的可以用向量p＝{tx,ty,tz,rx,ry,rz}来表示，t＝{tx,ty,tz}为平移参数，rx、ry、rz为三个方向的欧拉角，则获取两张NDT-OM局部地图的最小距离L2方程为：
其中，d1、d2为设置的扫描参数，μij(p)为平均的矢量距离，即μij(p)＝Rμi+t-μj；
如果距离L2小于预先设置的阈值，则基于NDT融合算法，用新的扫描数据更新该两张局部地图，而后继续处理新的数据；如果距离L2大于预先设定的阈值，则初始化一个新的NDT-OM局部地图，每一时刻计算的是当前时刻局部地图和前一刻共2个局部地图。
优选地，步骤2中，如果有多个局部地图，则通过批处理扩展卡尔曼滤波方法融合里程计、INS信息，获取智能系统的位置估计值，以获取两张局部NDT-OM地图之间的相对位置约束，即局部地图原点之间的距离，如果该距离小于设定的阈值，则再次利用NDT-D2D算法对两个局部地图进行匹配，如果地图匹配成功，则给图增加新的相对位置约束，直至闭环。
优选地，还包括步骤4：进行闭环探测：进行地图的索引值评估，当两个索引值超过阈值，则认为探测到了闭环。
优选地，还包括步骤5：探测到闭环后，进行SLAM后端优化，采用iSAM库实现，优化SLAM中的稀疏非线性问题。
本发明还提供了一种所述方法在无人车技术领域中的应用。
本发明还提供了一种所述方法在机器人技术领域中的应用。
(三)有益效果
本发明采用正态分布变换同步定位与地图生成(NDT-SLAM)的自主定位方法，通过正态分布变换占用地图(NDT-OM)方法形成基于三维激光雷达扫描数据的NDT-OM局部地图，并通过NDT-D2D匹配方法完成局部NDT-OM地图之间的匹配，并在此基础上融合由惯性导航系统(INS)与里程计生成的位置估计信息与局部地图匹配信息，该方法能够有效融合激光雷达、INS与里程计等多源传感器信息，实现无人车、机器人等智能系统在无导航卫星信号下的准确自主定位。
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合实施例，对本发明的具体实施方式作进一步详细描述。
本发明提供的一种无导航卫星信号下的自主定位方法，用于实现智能系统在无导航卫星信号下的准确自主定位，包括以下步骤：
步骤1：采用NDT-OM地图生成方法初始化形成基于三维激光雷达扫描数据的NDT-OM局部地图，所述NDT-OM地图生成方法为：
将智能系统周围的空间规则地细分成大小一定的栅格单元ci，ci中测量点个数为N，其中第k个测量点为xk∈R3，ci位置处测量点的平均值为ci位置处测量点的协方差矩阵为/>ci表示为：
ci＝{ui,Pi,Ni,p(mi|z1:t)} (1)
其中，u为均值，Ni是估计正态分布参数所使用的点数，p(mi|z1:t)为栅格单元被占有的概率，其利用平均值和协方差矩阵建立的正态分布模型来度量某个位置样本zk位于栅格单元ci内的概率，即：
对于三维测量数据，每个NDT-OM三维空间栅格单元中需要保存的最少参数为11个，即x、y、z三个方向的3个平均值和6个协方差、栅格单元ci中的激光点数量、栅格单元ci被占用的概率值；
对于新获得的测量值信息，系统将更新每个栅格单元的概率值进行地图更新，假设有两组测量点值和/>m，n均为小于或等于N的正整数，采用下列公式对其进行融合，得到新的栅格单元概率值：
ux为x的均值，uy是y的均值,令 则组合后的协方差估计值为：
其中，
经推导可得：
但以上更新方法未考虑环境动态变化的情况，为此增加了射线跟踪步骤，其目的是评估位于传感器原点(传感器射线发射中心)和测量点之间直线上的所有栅格单元，对于不包含测量点的栅格单元则计数值加1，并利用以下对数概率公式对栅格单元占用概率进行估计：
其中，l(mk|z1:t-1)是在获得1到t-1时刻观测的情况下占用栅格mk的概率，Np是zt数据集合中落入栅格单元的数量，Ne是栅格单元被观察为空的次数，po为栅格单元当被测量为占有时的占有概率，pe为栅格单元被观察为空时的占有概率。
综上所述，NDT-OM地图生成的基本步骤为：
(1)采集三维测量数据，更新测量数据对象；
(2)利用测量数据对象更新地图栅格单元；
(3)重新计算各栅格单元模型参数；
(4)返回(1)；
步骤2：采用NDT-D2D匹配方法将利用步骤1的方法生成的通过三维激光雷达扫描生成的当前时刻的新的局部地图与利用步骤1的方法生成的通过三维雷达扫描生成的前一时刻的局部地图进行匹配。
所述NDT-D2D匹配方法是通过最小化两个三维激光雷达数据形成的NDT-OM局部地图之间的距离L2，实现当前时刻与前一时刻局部地图的匹配。其主要过程为：
假设一组参考激光雷达扫描点为F，附近位置处的一组动态扫描点为Μ，MNDT(F)与MNDT(Μ)分别指对这两组扫描点采用步骤1中利用NDT-OM的方式进行建模生成的局部地图，设T'为两张地图的平移方程，Θ为其参数，T'(Μ,Θ)即为两组扫描点的平移方程，则两张NDT-OM局部地图MNDT(F)与MNDT(Μ)之间的距离L2定义为：
p表示概率密度；上式等价为：
当上述方程可以表示为Renyi’s二次熵之和时，即会有关两张地图的距离项，Renyi’s二次熵定义为：
Hrqe(P(x))＝-∫p2(x)dx (10)
获取的两张局部地图的最小距离项为：
∫Ν(x|μi,∑i)Ν(x|μj,∑j)dx＝Ν(0|μi-μj,∑i+∑j) (11)
其中，∑i，∑j为高斯分布的方差，i为MNDT(Μ)里的第i个栅格单元的序号，j为MNDT(F)里的第j个栅格单元的序号，N为高斯分布密度函数(方差是sigma)，x为变量，μi，μj分别为两张地图对应高斯模型的均值，将该距离项最小化，即会获取两张局部NDT-OM地图的最小距离L2的最终表达式为：
MNDT(Μ)、MNDT(F)中分别有n个栅格单元，Μ(n)表示MNDT(Μ)里第n个栅格单元，F(n)表示MNDT(F)里第n个栅格单元，T(·,Θ)为平移变化矩阵，旋转矩阵为R，将其用欧拉角参数化来表示，转换矩阵的可以用向量p＝{tx,ty,tz,rx,ry,rz}来表示，t＝{tx,ty,tz}为平移参数，rx、ry、rz为三个方向的欧拉角，则获取两张NDT-OM局部地图的最小距离L2方程为：
其中，d1、d2为设置的扫描参数，μij(p)为平均的矢量距离，即μij(p)＝Rμi+t-μj；
如果距离L2小于预先设置的阈值，则基于NDT融合算法，用新的扫描数据更新该两张局部地图，而后继续处理新的数据；如果该距离大于预先设定的阈值，则初始化一个新的NDT-OM局部地图，每一时刻计算的是当前时刻局部地图和前一刻的2个局部地图，随着时间变化，对应多个时刻即多个地图，因此，如果有多个局部地图，则通过批处理扩展卡尔曼滤波(BOEKF)方法融合里程计、INS信息，获取智能系统的位置估计值，以获取两张局部NDT-OM地图之间的相对位置约束，即局部地图原点之间的距离，如果该距离小于设定的阈值，则再次利用NDT-D2D算法对两个局部地图进行匹配。如果地图匹配成功，则给图增加新的相对位置约束，直至闭环。
步骤3：局部地图匹配完成后，融合里程计、INS获取的位姿估计信息与该局部地图匹配量信息，同步完成自主定位。
步骤4：进行闭环探测。进行地图的索引值评估，当两个索引值超过阈值，则认为探测到了闭环。
步骤5：探测到闭环后，进行SLAM后端优化，采用iSAM库实现，优化SLAM中的稀疏非线性问题。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (7)

1.一种无导航卫星信号下的自主定位方法，其特征在于，包括以下步骤：
步骤1：采用NDT-OM地图生成方法初始化形成基于三维激光雷达扫描数据的NDT-OM局部地图；
步骤2：采用NDT-D2D匹配方法将利用步骤1的方法生成的通过三维激光雷达扫描生成的当前时刻的新的局部地图与利用步骤1的方法生成的通过三维雷达扫描生成的前一时刻的局部地图进行匹配；
步骤3：局部地图匹配完成后，融合里程计、INS获取的位姿估计信息与该局部地图匹配量信息，同步完成自主定位；
步骤1中，所述NDT-OM地图生成方法为：
将智能系统周围的空间规则地细分成大小一定的栅格单元ci，ci中测量点个数为N，其中第k个测量点为xk∈R3，ci位置处测量点的平均值为ci位置处测量点的协方差矩阵为/>ci表示为：
ci＝{ui,Pi,Ni,p(mi|z1:t)} (1)
其中，u为均值，Ni是估计正态分布参数所使用的点数，p(mi|z1:t)为栅格单元被占有的概率，其利用平均值和协方差矩阵建立的正态分布模型来度量某个位置样本zk位于栅格单元ci内的概率，即：
对于三维测量数据，每个NDT-OM三维空间栅格单元中需要保存的最少参数为11个，即x、y、z三个方向的3个平均值和6个协方差、栅格单元ci中的激光点数量、栅格单元ci被占用的概率值；
对于新获得的测量值信息，系统将更新每个栅格单元的概率值进行地图更新，假设有两组测量点值和/>m，n均为小于或等于N的正整数，采用下列公式对其进行融合，得到新的栅格单元概率值：
ux为x的均值，uy是y的均值,令 则组合后的协方差估计值为：
其中，
经推导得到：
以上更新方法未考虑环境动态变化的情况，为此增加射线跟踪步骤，其目的是评估位于传感器原点和测量点之间直线上的所有栅格单元，对于不包含测量点的栅格单元则计数值加1，并利用以下对数概率公式对栅格单元占用概率进行估计：
其中，l(mk|z1:t-1)是在获得1到t-1时刻观测的情况下占用栅格mk的概率，Np是zt数据集合中落入栅格单元的数量，Ne是栅格单元被观察为空的次数，po为栅格单元当被测量为占有时的占有概率，pe为栅格单元被观察为空时的占有概率；
步骤2中，所述NDT-D2D匹配方法是通过最小化两个三维激光雷达数据形成的NDT-OM局部地图之间的距离L2，实现当前时刻与前一时刻局部地图的匹配；
步骤2中，通过最小化两个三维激光雷达数据形成的NDT-OM局部地图之间的距离L2，实现当前时刻与前一时刻局部地图的匹配的过程为：
假设一组参考激光雷达扫描点为F，附近位置处的一组动态扫描点为Μ，MNDT(F)与MNDT(Μ)分别指对这两组扫描点采用步骤1中利用NDT-OM的方式进行建模生成的局部地图，设T'为两张地图的平移方程，Θ为其参数，T'(Μ,Θ)即为两组扫描点的平移方程，则两张NDT-OM局部地图MNDT(F)与MNDT(Μ)之间的距离L2定义为：
p表示概率密度；式(8)等价为：
当方程(9)可以表示为Renyi’s二次熵之和时，即会有关两张地图的距离项，Renyi’s二次熵定义为：
Hrqe(P(x))＝-∫p2(x)dx (10)
获取的两张局部地图的最小距离项为：
∫N(x|μi,∑i)N(x|μj,∑j)dx＝N(0|μi-μj,∑i+∑j) (11)
其中，∑i，∑j为高斯分布的方差，i为MNDT(Μ)里的第i个栅格单元的序号，j为MNDT(F)里的第j个栅格单元的序号，N为高斯分布密度函数，x为变量，μi，μj分别为两张地图对应高斯模型的均值，将该距离项最小化，即会获取两张局部NDT-OM地图的最小距离L2的最终表达式为：
MNDT(Μ)、MNDT(F)中分别有n个栅格单元，Μ(n)表示MNDT(Μ)里第n个栅格单元，F(n)表示MNDT(F)里第n个栅格单元，T(·,Θ)为平移变化矩阵，旋转矩阵为R，将其用欧拉角参数化来表示，转换矩阵的用向量p＝{tx,ty,tz,rx,ry,rz}来表示，t＝{tx,ty,tz}为平移参数，rx、ry、rz为三个方向的欧拉角，则获取两张NDT-OM局部地图的最小距离L2方程为：
其中，d1、d2为设置的扫描参数，μij(p)为平均的矢量距离，即μij(p)＝Rμi+t-μj；
如果距离L2小于预先设置的阈值，则基于NDT融合算法，用新的扫描数据更新该两张局部地图，而后继续处理新的数据；如果距离L2大于预先设定的阈值，则初始化一个新的NDT-OM局部地图，每一时刻计算的是当前时刻局部地图和前一刻共2个局部地图。
2.如权利要求1所述的方法，其特征在于，步骤1中NDT-OM地图生成的步骤概括为：
(1)采集三维测量数据，更新测量数据对象；
(2)利用测量数据对象更新地图栅格单元；
(3)重新计算各栅格单元模型参数；
(4)返回(1)。
3.如权利要求1所述的方法，其特征在于，步骤2中，如果有多个局部地图，则通过批处理扩展卡尔曼滤波方法融合里程计、INS信息，获取智能系统的位置估计值，以获取两张局部NDT-OM地图之间的相对位置约束，即局部地图原点之间的距离，如果该距离小于设定的阈值，则再次利用NDT-D2D算法对两个局部地图进行匹配，如果地图匹配成功，则给图增加新的相对位置约束，直至闭环。
4.如权利要求3所述的方法，其特征在于，还包括步骤4：进行闭环探测：进行地图的索引值评估，当两个索引值超过阈值，则认为探测到了闭环。
5.如权利要求4所述的方法，其特征在于，还包括步骤5：探测到闭环后，进行SLAM后端优化，采用iSAM库实现，优化SLAM中的稀疏非线性问题。
6.一种如权利要求1至5中任一项所述方法在无人车技术领域中的应用。
7.一种如权利要求1至5中任一项所述方法在机器人技术领域中的应用。
CN202011460748.1A 2020-12-11 2020-12-11 一种无导航卫星信号下的自主定位方法 Active CN112612788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011460748.1A CN112612788B (zh) 2020-12-11 2020-12-11 一种无导航卫星信号下的自主定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011460748.1A CN112612788B (zh) 2020-12-11 2020-12-11 一种无导航卫星信号下的自主定位方法

Publications (2)

Publication Number Publication Date
CN112612788A CN112612788A (zh) 2021-04-06
CN112612788B true CN112612788B (zh) 2024-03-01

Family

ID=75233572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011460748.1A Active CN112612788B (zh) 2020-12-11 2020-12-11 一种无导航卫星信号下的自主定位方法

Country Status (1)

Country Link
CN (1) CN112612788B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113740864B (zh) * 2021-08-24 2023-06-09 上海宇航系统工程研究所 基于激光三维点云的探测器软着陆末段自主位姿估计方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5432520A (en) * 1993-10-18 1995-07-11 Hughes Aircraft Company SAR/GPS inertial method of range measurement
WO2013130518A1 (en) * 2012-03-02 2013-09-06 Alliant Techsystems Inc. Methods and apparatuses for active protection from aerial threats
WO2013192308A1 (en) * 2012-06-22 2013-12-27 Brookhaven Science Associates, Llc Atmospheric radar
CN105021190A (zh) * 2015-06-30 2015-11-04 中国兵器工业计算机应用技术研究所 反卫星导航欺诈的方法以及基于该方法的无人系统
CN106503248A (zh) * 2016-11-08 2017-03-15 深圳市速腾聚创科技有限公司 地图生成方法及地图生成装置
CN107179086A (zh) * 2017-05-24 2017-09-19 北京数字绿土科技有限公司 一种基于激光雷达的制图方法、装置及系统
CN109341705A (zh) * 2018-10-16 2019-02-15 北京工业大学 智能探测机器人同时定位与地图构建系统
CN109946732A (zh) * 2019-03-18 2019-06-28 李子月 一种基于多传感器数据融合的无人车定位方法
CN110189331A (zh) * 2018-05-31 2019-08-30 上海快仓智能科技有限公司 建图方法、图像采集和处理系统和定位方法
CN110208783A (zh) * 2019-05-21 2019-09-06 同济人工智能研究院(苏州)有限公司 基于环境轮廓的智能车辆定位方法
CN110285806A (zh) * 2019-07-05 2019-09-27 电子科技大学 基于多次位姿校正的移动机器人快速精确定位算法
CN110686677A (zh) * 2019-10-10 2020-01-14 东北大学 一种基于几何信息的全局定位方法
CN110873568A (zh) * 2018-08-30 2020-03-10 百度在线网络技术（北京）有限公司 高精度地图的生成方法、装置以及计算机设备
CN111089585A (zh) * 2019-12-30 2020-05-01 哈尔滨理工大学 一种基于传感器信息融合的建图及定位方法
CN111551953A (zh) * 2020-05-06 2020-08-18 天津博诺智创机器人技术有限公司 基于slam算法的室内建图优化方法
CN111765886A (zh) * 2020-05-18 2020-10-13 浙江西贝虎特种车辆股份有限公司 一种多端协同森林树冠下地貌建图系统及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3078935A1 (en) * 2015-04-10 2016-10-12 The European Atomic Energy Community (EURATOM), represented by the European Commission Method and device for real-time mapping and localization
IL250382B (en) * 2017-01-31 2021-01-31 Arbe Robotics Ltd A radar-based system and method for real-time simultaneous positioning and mapping
CN110914779A (zh) * 2017-07-20 2020-03-24 纽诺有限公司 自主车辆重新定位
US11125567B2 (en) * 2019-01-18 2021-09-21 GM Global Technology Operations LLC Methods and systems for mapping and localization for a vehicle

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5432520A (en) * 1993-10-18 1995-07-11 Hughes Aircraft Company SAR/GPS inertial method of range measurement
WO2013130518A1 (en) * 2012-03-02 2013-09-06 Alliant Techsystems Inc. Methods and apparatuses for active protection from aerial threats
WO2013192308A1 (en) * 2012-06-22 2013-12-27 Brookhaven Science Associates, Llc Atmospheric radar
CN105021190A (zh) * 2015-06-30 2015-11-04 中国兵器工业计算机应用技术研究所 反卫星导航欺诈的方法以及基于该方法的无人系统
CN106503248A (zh) * 2016-11-08 2017-03-15 深圳市速腾聚创科技有限公司 地图生成方法及地图生成装置
CN107179086A (zh) * 2017-05-24 2017-09-19 北京数字绿土科技有限公司 一种基于激光雷达的制图方法、装置及系统
CN110189331A (zh) * 2018-05-31 2019-08-30 上海快仓智能科技有限公司 建图方法、图像采集和处理系统和定位方法
CN110873568A (zh) * 2018-08-30 2020-03-10 百度在线网络技术（北京）有限公司 高精度地图的生成方法、装置以及计算机设备
CN109341705A (zh) * 2018-10-16 2019-02-15 北京工业大学 智能探测机器人同时定位与地图构建系统
CN109946732A (zh) * 2019-03-18 2019-06-28 李子月 一种基于多传感器数据融合的无人车定位方法
CN110208783A (zh) * 2019-05-21 2019-09-06 同济人工智能研究院(苏州)有限公司 基于环境轮廓的智能车辆定位方法
CN110285806A (zh) * 2019-07-05 2019-09-27 电子科技大学 基于多次位姿校正的移动机器人快速精确定位算法
CN110686677A (zh) * 2019-10-10 2020-01-14 东北大学 一种基于几何信息的全局定位方法
CN111089585A (zh) * 2019-12-30 2020-05-01 哈尔滨理工大学 一种基于传感器信息融合的建图及定位方法
CN111551953A (zh) * 2020-05-06 2020-08-18 天津博诺智创机器人技术有限公司 基于slam算法的室内建图优化方法
CN111765886A (zh) * 2020-05-18 2020-10-13 浙江西贝虎特种车辆股份有限公司 一种多端协同森林树冠下地貌建图系统及方法

Also Published As

Publication number Publication date
CN112612788A (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
Oleynikova et al. Signed distance fields: A natural representation for both mapping and planning
JP4650750B2 (ja) 三次元形状データの記憶・表示方法と装置および三次元形状の計測方法と装置
Siegemund et al. A temporal filter approach for detection and reconstruction of curbs and road surfaces based on conditional random fields
CN110689576A (zh) 一种基于Autoware的动态3D点云正态分布AGV定位方法
CN112363158B (zh) 机器人的位姿估计方法、机器人和计算机存储介质
CN113108773A (zh) 一种融合激光与视觉传感器的栅格地图构建方法
CN112444246B (zh) 高精度的数字孪生场景中的激光融合定位方法
CN110187337B (zh) 一种基于ls和neu-ecef时空配准的高机动目标跟踪方法及系统
CN111982124B (zh) 基于深度学习的玻璃场景下三维激光雷达导航方法及设备
CN114325634A (zh) 一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法
CN112612788B (zh) 一种无导航卫星信号下的自主定位方法
CN114608568B (zh) 一种基于多传感器信息即时融合定位方法
CN113763549A (zh) 融合激光雷达和imu的同时定位建图方法、装置和存储介质
CN111765883B (zh) 机器人蒙特卡罗定位方法、设备及存储介质
CN116520302A (zh) 应用于自动驾驶系统的定位方法和构建三维地图的方法
CN116540206A (zh) 一种足式机器人高程估计方法、装置及系统
CN113409446B (zh) 一种盲人辅助视觉处理方法及装置
CN114763998A (zh) 基于微型雷达阵列的未知环境并行导航方法和系统
Aditya Implementation of a 4D fast SLAM including volumetric sum of the UAV
Siew et al. Extended target tracking and shape estimation via random finite sets
Herath et al. A two-tier map representation for compact-stereo-vision-based SLAM
CN111145187A (zh) 基于霍夫空间的物体识别方法、系统、设备及存储介质
CN114088086B (zh) 一种抗测量野值干扰的多目标鲁棒定位方法
CN109035301B (zh) 一种基于斥力模型修正随机矩阵算法的群组目标跟踪方法
Eryomin et al. Optical Sensors Fusion Approaches for Map Construction: A Review of Recent Studies

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant