CN116642482A - 基于固态激光雷达和惯性导航的定位方法、设备和介质 - Google Patents
基于固态激光雷达和惯性导航的定位方法、设备和介质 Download PDFInfo
- Publication number
- CN116642482A CN116642482A CN202310404810.2A CN202310404810A CN116642482A CN 116642482 A CN116642482 A CN 116642482A CN 202310404810 A CN202310404810 A CN 202310404810A CN 116642482 A CN116642482 A CN 116642482A
- Authority
- CN
- China
- Prior art keywords
- state
- solid
- laser radar
- error
- points
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 90
- 238000001914 filtration Methods 0.000 claims abstract description 54
- 230000008569 process Effects 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000003068 static effect Effects 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 230000007704 transition Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000007787 solid Substances 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 101000981685 Homo sapiens Protein Lines homolog 1 Proteins 0.000 description 1
- 102100024087 Protein Lines homolog 1 Human genes 0.000 description 1
- IIBYAHWJQTYFKB-UHFFFAOYSA-N bezafibrate Chemical compound C1=CC(OC(C)(C)C(O)=O)=CC=C1CCNC(=O)C1=CC=C(Cl)C=C1 IIBYAHWJQTYFKB-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G01C21/1652—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 with ranging devices, e.g. LIDAR or RADAR
-
- 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
- G01C21/183—Compensation of inertial measurements, e.g. for temperature effects
- G01C21/188—Compensation of inertial measurements, e.g. for temperature effects for accumulated errors, e.g. by coupling inertial systems with absolute positioning systems
-
- 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
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明提供一种基于固态激光雷达和惯性导航的定位方法、设备和介质,通过获取惯性传感器的测量值,基于几何和强度提取固态激光雷达的特征点,减小了运动模糊对采集到的数据的影响;在迭代误差卡尔曼滤波算法的状态传播过程中,将惯性传感器的测量值作为传播误差状态,构建离散式传播方程,利用固态激光雷达的特征点计算迭代残差向量,更新迭代误差卡尔曼滤波算法中的状态,对迭代误差卡尔曼滤波算法中的卡尔曼增益进行调节,有效提高了定位算法的位姿估计结果,提高了定位精度和鲁棒性,最后基于迭代误差卡尔曼滤波算法,将固态激光雷达的特征点的参数和惯性传感器的测量值进行合成,更新全局位姿,实现精确定位。
Description
技术领域
本发明涉及同步定位与地图构建技术领域,尤其涉及一种基于固态激光雷达和惯性导航的定位方法、设备和介质。
背景技术
随着人工智能、大数据、计算机技术的快速进步,无人驾驶技术在军用领域和民用领域都得到了广泛的应用。无人驾驶技术是传感器、计算机、人工智能、通信、导航定位、模式识别、机器视觉、智能控制等多门前沿学科的综合体。许多自动驾驶算法(例如路径规划、地图构建和运动控制)都需利用定位系统估计物体(自动驾驶车辆、无人机等)的位置信息。良好的定位系统能有效帮助自动驾驶车辆完成自动驾驶功能,或者有效帮助无人机完成自动飞行功能,提高安全性,可靠和精确的实时定位是自动驾驶车辆和无人机安全运行和高效率运行的基础。
同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)是一种广泛应用与无人驾驶定位技术的地图辅助类定位方法。使用激光雷达进行SLAM研究的称为激光SLAM,是当前最稳定、最主流的定位导航方法。激光雷达是一种可以准确获取高清三维环境感知信息的传感器,且稳定性较高,能直接用于避障或定位导航。激光雷达主要分为机械激光雷达和固态激光雷达,机械激光雷达存在回环检测困难、稳定性较低等缺点,价格也比较昂贵,与机械激光雷达相比,固态激光雷达价格便宜,可以极大地降低成本,但是由于非重复扫描模型的机制,固态激光雷达相较于机械激光雷达会产生更严重的运动模糊,影响数据采集效果。相比于激光雷达,惯性传感器(Inertial Measurement Unit,IMU)可以获取三个方向的角速度和加速度数据,并且只与传感器自身的状态相关,不容易受外界环境的影响,短期内可以获得更加精确的位姿估计。但是,IMU存在数据漂移现象,随着时间的推移,误差会逐渐积累变大,不能长时间单独工作。
因此,当前SLAM技术的发展主要集中在多传感器融合领域,由于上述的固态激光雷达存在的运动模糊问题,以及IMU存在的数据漂移问题,目前的多传感器融合算法存在定位精度和鲁棒性不足的缺点。
发明内容
本发明提供一种基于固态激光雷达和惯性导航的定位方法、设备和介质,用以解决现有技术中多传感器融合算法存在定位精度和鲁棒性不足的缺陷,实现有效结合各个传感器的优势,提高定位精度和鲁棒性的效果。
本发明提供一种基于固态激光雷达和惯性导航的定位方法,包括:
获取惯性传感器的测量值,基于几何和强度提取固态激光雷达的特征点;
在迭代误差卡尔曼滤波算法的状态传播过程中,将所述惯性传感器的测量值作为传播误差状态,构建离散式传播方程;
利用所述固态激光雷达的特征点计算迭代残差向量,更新所述迭代误差卡尔曼滤波算法中的状态;
对所述迭代误差卡尔曼滤波算法中的卡尔曼增益进行调节;
基于所述迭代误差卡尔曼滤波算法,将所述固态激光雷达的特征点的参数和所述惯性传感器的测量值进行合成,更新全局位姿。
根据本发明提供的一种基于固态激光雷达和惯性导航的定位方法,从所述固态激光雷达中获取原始激光点云的数据,并进行预处理,将时间ti∈[tj,tj+1]所述固态激光雷达采样的扫描中的所有点都投影到扫描结束时间tj+1,对时间域中的每个点搜索最接近的变换矩阵将第i个点/>转换为/>
其中,为原始激光点云,W为世界坐标系,I为惯性传感器坐标系,L为激光雷达坐标系;
为每个候选点分配一个局部补丁,根据候选点相对于拟合平面的距离提取几何平面点,所述候选点为所述原始激光点云中的点;为每个候选点分配一个局部补丁给定一个经过处理的点云/>对所述点云/>进行时域排序,确定扩展补丁的方向,每个所述局部补丁/>均存在一个拟合平面Π(x,y,z),所述拟合平面表示为:
其中,nx,ny,nz,是平面参数,
其中,是拟合平面的法向量,/>是/>的质心,N是/>中点的数量,在所有点相对于拟合平面的距离/>均小于平均补丁大小的十分之一的情况下,判定所述局部补丁/>中的点均为几何平面点;
根据光滑度大小提取几何边缘点,并计算相邻两个几何边缘点之间的强度差,选取相邻的几何边缘点中强度差超过强度读数最大值十分之一的几何边缘点作为强度边缘点;对于不符合式(3)中平面函数要求的每个补丁,按照光滑度从大到小的顺序提取多个几何边缘点pi∈GeE,点pi与同直线的pi+1的点之间的强度差ΔI表示为:
根据本发明提供的一种基于固态激光雷达和惯性导航的定位方法,在迭代误差卡尔曼滤波算法的状态传播过程中,将所述惯性传感器的测量值作为传播误差状态,构建离散式传播方程,具体包括:
在状态传播过程中,在有新的所述惯性传感器的测量值到达的情况下,传播误差状态δx、误差状态协方差矩阵Pk和状态先验
惯性传感器误差状态的线性化连续时间模型为:
其中,是高斯噪声向量,Ft和Gt为t时刻的误差状态转移矩阵和噪声雅可比矩阵,由式(5)得到的传播方程为:
其中,Δt=tτ-tτ-1,tτ和tτ-1为连续的惯性传感器时间步长,Q表示w的协方差矩阵。
根据本发明提供的一种基于固态激光雷达和惯性导航的定位方法,利用所述固态激光雷达的特征点计算迭代残差向量,更新所述迭代误差卡尔曼滤波算法中的状态,具体包括:
在迭代误差卡尔曼滤波算法中,基于对先验的偏差和由测量模型导出的残差函数f(·),将状态更新与优化问题联系起来:
其中,||·||为马氏范数,Jk为f(·)关于测量噪声的雅可比矩阵,Mk为测量噪声的协方差矩阵,f(·)的输出是由点-面或点-边对计算出来的叠加残差向量;为Lk+1中的第i个特征点,给定/>则f(·)对应于/>的误差项描述为:
其中,为/>从Lk+1到Lk的变换点,/>和/>表示激光雷达和IMU之间的外部参数;
使用以下迭代更新方程求解式(8):
δxj+1=δxj+Δxj (13)
其中,Δxj为第j次迭代时的修正向量,Ηk,j是关于δxj的雅可比矩阵;
初始化下一个状态
其中,q0表示单位四元数,和/>分别由/>和/>计算。
根据本发明提供的一种基于固态激光雷达和惯性导航的定位方法,对所述迭代误差卡尔曼滤波算法中的卡尔曼增益进行调节,具体包括:
利用所述惯性传感器的测量值定义参数Xm·k,并根据静态和动态情况将Xm·k分为Xstatic·k和Xdynamic·k;
采用Baum-Welch重估计算法对Xstatic·k进行建模,得到隐马尔科夫模型λ0;
使用Viterbi算法计算λ0产生Xm·k的概率,并进行归一化,根据计算出的概率对卡尔曼增益进行调节。
根据本发明提供的一种基于固态激光雷达和惯性导航的定位方法,利用所述惯性传感器的测量值定义参数Xm·k,并根据静态和动态情况将Xm·k分为Xstatic·k和Xdynamic·k,具体包括:
定义如下公式:
其中,惯性传感器在采样时间i处的测量被构造成am·i;
定义在时间区间[k-N+1,k]内不动的Xm·k为Xstatic·k,定义在时间区间内移动的Xm·k为Xdynamic·k;隐马尔科夫可符号化为λ=(A,B,π),其中A={φij},1≤i,j≤M为跃迁概率分布,B={bj(Xm·k)},1≤j≤M,1≤k≤D为观测概率分布,π={πi},1≤i≤M为初始态概率分布;
状态sj的观测概率密度函数定义为:
其中F(Xm·k,μjr,Σjr),1≤j≤M,1≤r≤L是高斯函数,μjr和Σjr是第r个高斯函数的均值和协方差,cjr是分配给每个高斯函数的权重。
根据本发明提供的一种基于固态激光雷达和惯性导航的定位方法,采用Baum-Welch重估计算法对Xstatic·k进行建模,得到隐马尔科夫模型λ0,具体包括:
S4021、对cjr,μjr,Σjr和πi设置初始条件,约束条件为/>cjr≥0,πi≥0,其中/>表示状态i到状态j的转移概率;
S4022、从模型参数的当前估计值中,通过式(18)到式(23)重新估计新模型
S4023、计算在/>的情况下,设置/>并返回步骤S4021,在/>的情况下,设置ε=10-7。
根据本发明提供的一种基于固态激光雷达和惯性导航的定位方法,使用Viterbi算法计算λ0产生Xm·k的概率,并进行归一化,根据计算出的概率对卡尔曼增益进行调节,具体包括:
对Viterbi算法进行修正:
其中,α1(i)=πibi(Xm·1);
计算
令P(Xstatic·k|λ0)≈1,P(Xdynamic·k|λ0)接近于0,即0≤P(Xm·k|λ0)≤1,归一化λ0的输入:
Kk调节模式设置为:
其中,Q为迭代误差卡尔曼滤波算法中的过程噪声的协方差矩阵,M为迭代误差卡尔曼滤波算法中的观测噪声的协方差矩阵。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述的基于固态激光雷达和惯性导航的定位方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的基于固态激光雷达和惯性导航的定位方法。
本发明提供的基于固态激光雷达和惯性导航的定位方法、设备和介质,通过获取惯性传感器的测量值,基于几何和强度提取固态激光雷达的特征点,减小了运动模糊对采集到的数据的影响;在迭代误差卡尔曼滤波算法的状态传播过程中,将惯性传感器的测量值作为传播误差状态,构建离散式传播方程,利用固态激光雷达的特征点计算迭代残差向量,更新迭代误差卡尔曼滤波算法中的状态,对迭代误差卡尔曼滤波算法中的卡尔曼增益进行调节,有效提高了定位算法的位姿估计结果,提高了定位精度和鲁棒性,最后基于迭代误差卡尔曼滤波算法,将固态激光雷达的特征点的参数和惯性传感器的测量值进行合成,更新全局位姿,实现精确定位。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于固态激光雷达和惯性导航的定位方法的流程示意图;
图2是本发明实施例中的基于固态激光雷达和惯性导航的定位方法和对比算法在数据集FR-IOSB的Tree序列上的估计轨迹和地面真实值对比图;
图3是图2中轨迹1的示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
下面结合图1-图4描述本发明提供的基于固态激光雷达和惯性导航的定位方法。
如图1所示,本发明提供的基于固态激光雷达和惯性导航的定位方法,包括以下步骤:
S1、获取惯性传感器的测量值,基于几何和强度提取固态激光雷达的特征点;
S2、在迭代误差卡尔曼滤波算法的状态传播过程中,将惯性传感器的测量值作为传播误差状态,构建离散式传播方程;
S3、利用固态激光雷达的特征点计算迭代残差向量,更新迭代误差卡尔曼滤波算法中的状态;
S4、对迭代误差卡尔曼滤波算法中的卡尔曼增益进行调节;
S5、基于迭代误差卡尔曼滤波算法,将固态激光雷达的特征点的参数和惯性传感器的测量值进行合成,更新全局位姿。
应当理解的是,如图1所示,步骤S2和S3,与步骤S4之间并无特定的时序关系。
在本发明的一种可选的实施例中,惯性传感器包括加速度计(或加速度传感计)和角速度传感器(陀螺)以及它们的单、双、三轴组合惯性测量单元(Inertial MeasurementUnit,IMU),固态激光雷达可采用固态激光雷达Livox Avia,该产品具有远量程、高精度、宽视角、重量轻和高可靠性等特点,广泛应用于测绘、车联网(V2X)、机器人等领域。
在步骤S1中,基于几何和强度提取固态激光雷达的特征点,具体包括以下步骤:
S101、从固态激光雷达中获取原始激光点云的数据,并进行预处理。
当载体移动时,运动模糊对载体上的固态激光雷达的定位和建图性能有显著影响,与传统旋转激光雷达相比,由于非重复扫描模型的机制,固态激光雷达产生了更严重的运动模糊。为了补偿运动,将时间ti∈[tj,tj+1]固态激光雷达采样的扫描中的所有点都投影到扫描结束时间tj+1,假设为原始激光点云,W为世界坐标系,I为IMU坐标系,L为激光雷达坐标系,对时间域中的每个点搜索最接近的变换矩阵/>(在ti时刻从坐标系I转换到坐标系W),则第i个点/>将转换为/>
S102、为每个候选点分配一个局部补丁,根据候选点相对于拟合平面的距离提取几何平面点。
候选点为原始激光点云中的点,在特征提取过程之前,为每个候选点分配一个局部补丁给定一个经过处理的点云/>对点云/>进行时域排序,确定扩展补丁的方向。首先使用最邻搜索策略,以保证周围的点都包含在补丁中。此外,如果所选点不够,则在每条扫描线上额外搜索以获得一定数量的点。为了确定候选点/>是否都属于平面点,假设每个局部补丁/>均存在一个拟合平面Π(x,y,z),拟合平面表示为:
其中,nx,ny,nz,是平面参数,计算如下:
其中,是拟合平面的法向量,/>是/>的质心,N是/>中点的数量,在所有点相对于拟合平面的距离/>均小于平均补丁大小的十分之一的情况下(假设平均补丁大小为1m,则判定局部补丁/>中的点均为几何平面点(GeP)。
S103、根据光滑度大小提取几何边缘点,并计算相邻两个几何边缘点之间的强度差,选取相邻的几何边缘点中强度差超过强度读数最大值十分之一的几何边缘点作为强度边缘点。
提取边缘点时,不仅利用几何信息,还利用强度来权衡候选点与周围点的差值。对于不符合式(3)中平面函数要求的每个补丁,提取光滑度较大的几何边缘点按照光滑度从大到小的顺序提取多个几何边缘点pi∈GeE,光滑度的定义如下:
其中,其中k表示第k次扫描。在本申请的一种可选的实施例中,为第k次扫描中距离点pi最近的十个点的集合。在本发明的一种可选的实施例中,在每次扫描中,所有点都按s值进行排序,选择所有点中s值较高的占总数三分之一的点(按照四舍五入原则,例如在10个点的集合中选取s值最高的3个点)作为几何边缘点。
目标表面颜色对反射强度Ii的影响不仅与目标物体表面的颜色和材料有关,还与入射角θi和与固态激光雷达的距离有关。通过提取平面点的过程,得到每个补丁对应的法向量因此,点pi与同直线的pi+1的点之间的强度差ΔI表示为:
强度差ΔI超过强度读数最大值的十分之一(即ΔI>25)的点属于强度边缘点(InE)。
在本发明的一种可选的实施例中,步骤S2、在迭代误差卡尔曼滤波算法的状态传播过程中,将惯性传感器的测量值作为传播误差状态,构建离散式传播方程,具体包括:
设W为固定的世界坐标系,Ik为第k个激光雷达时间步长的惯性传感器坐标系,Lk为第k个激光雷达时间步长的激光雷达坐标系。为W相对于Ik的位置,/>为描述Ik+1到Ik相对变换的局部状态,其定义如下:
其中,是为W相对于Ik的位置,/>是描述W到Ik旋转的单位四元数。/>和/>表示Ik+1到Ik的平移和旋转,/>是关于Ik的速度,ba是加速度偏差,bg是陀螺仪偏差。局部引力(在Ik中表示)也是局部状态的一部分。
为了使状态估计具有良好的性质,本发明采用误差状态(error-state)表示法求解定义/>的误差向量为δx:
δx:=[δp,δv,δθ,δba,δbg,δg]
其中,δ表示误差项,δθ为3自由度误差角。
根据误差状态卡尔曼滤波(Error State Kalman Filter,ESKF)的传统,一旦δx被求解,就可以通过将δx注入到的先验状态/>中,得到最终的/>这是通过操作符/>实现的,定义为:
其中表示四元数乘积,exp:/>是将角度向量映射到四元数旋转。
在状态传播过程中,在有新的所述惯性传感器的测量值到达的情况下,传播误差状态δx、误差状态协方差矩阵Pk和状态先验惯性传感器误差状态的线性化连续时间模型为:
其中,是高斯噪声向量,Ft和Gt为t时刻的误差状态转移矩阵和噪声雅可比矩阵,由式(5)得到的传播方程为:
其中,Δt=tτ-tτ-1,tτ和tτ-1为连续的惯性传感器时间步长,Q表示w的协方差矩阵,在惯性传感器标定时离散计算。
在本发明的一种可选的实施例中,步骤S3、利用固态激光雷达的特征点计算迭代残差向量,更新迭代误差卡尔曼滤波算法中的状态,具体包括:
在迭代误差卡尔曼滤波中,基于对先验的偏差和由测量模型导出的残差函数f(·),将状态更新与优化问题联系起来:
其中,||·||为马氏范数,Jk为f(·)关于测量噪声的雅可比矩阵,Mk为测量噪声的协方差矩阵。f(·)的输出是由点-面或点-边对计算出来的叠加残差向量;为Lk+1中的第i个特征点,给定/>则f(·)对应于/>的误差项描述为:
其中,为/>从Lk+1到Lk的变换点,/>和/>表示激光雷达和IMU之间的外部参数。具体的,在本申请的一种可选的实施例中,/>表示激光雷达和惯性传感器之间的角度旋转的误差,/>表示激光雷达和惯性传感器之间的平移的误差。
使用以下迭代更新方程求解式(8):
δxj+1=δxj+Δxj (13)
其中,Δxj为第j次迭代时的修正向量,Ηk,j是关于δxj的雅可比矩阵;
初始化下一个状态
其中,q0表示单位四元数,和/>分别由/>和/>计算。
在本申请的一种可选的实施例中,步骤S4、对迭代误差卡尔曼滤波算法中的卡尔曼增益进行调节,具体包括:
S401、利用所述惯性传感器的测量值定义参数Xm·k,并根据静态和动态情况将Xm·k分为Xstatic·k和Xdynamic·k。
其中,主要利用惯性传感器中的加速度计的测量值定义参数Xm·k。
具体地,在步骤S401中,首先定义如下公式:
其中,惯性传感器在采样时间i处的测量被构造成am·i;
定义在时间区间[k-N+1,k]内不动的Xm·k为Xstatic·k,定义在时间区间内移动的Xm·k为Xdynamic·k。
隐马尔科夫模型(Hidden Markov Model,HMM)符号化为λ=(A,B,π),其中A={φij},1≤i,j≤M为跃迁概率分布,也成为跃迁矩阵;B={bj(Xm·k)},1≤j≤M,1≤k≤D为观测概率分布,也成为发射矩阵;π={πi},1≤i≤M为初始态概率分布。考虑到Xm·k是连续变量,采用连续隐马尔科夫模型(CHMM)。
状态sj的观测概率密度函数定义为状态sj的观测概率密度函数定义为:
其中F(Xm·k,μjr,Σjr),1≤j≤M,1≤r≤L是高斯函数,μjr和Σjr是第r个高斯函数的均值和协方差,cjr是分配给每个高斯函数的权重。
S402、采用Baum-Welch重估计算法对Xstatic·k进行建模,得到隐马尔科夫模型λ0。
具体地,步骤S402包括以下步骤:
S4021、对cjr,μjr,Σjr和πi设置初始条件,约束条件为/>cjr≥0,πi≥0,其中/>表示状态i到状态j的转移概率。
在步骤S4021中,对未知的量设初始条件,包括cjr,μjr,Σjr和πi。其中/>表示状态i到状态j的转移概率。这些量可以随机设置,但约束条件为/>cjr≥0,πi≥0,
S4022、从模型参数的当前估计值中,通过式(18)到式(23)重新估计新模型
S4023、计算在/>的情况下,设置/>并返回步骤S4021,在/>的情况下,设置ε=10-7。
S403、使用Viterbi算法计算λ0产生Xm·k的概率,并进行归一化,根据计算出的概率对卡尔曼增益进行调节。
Viterbi(维特比)算法是一种动态规划算法,用于寻找最有可能产生观测事件序列的-维特比路径-隐含状态序列,特别是在马尔可夫信息源上下文和隐马尔可夫模型中。隐马尔科夫模型对输入的变化很敏感,因此对Viterbi做了一个简单的修正,抑制了载体不动时隐马尔科夫模型输出的变化,这种变化是由传感器输出噪声引起的。
对Viterbi算法进行修正如下:
其中,α1(i)=πibi(Xm·1);
计算
令P(Xstatic·k|λ0)≈1,P(Xdynamic·k|λ0)接近于0,即0≤P(Xm·k|λ00)≤1,归一化λ0的输入:
Kk调节模式设置为:
其中,Q为迭代误差卡尔曼滤波算法中的过程噪声的协方差矩阵,M为迭代误差卡尔曼滤波算法中的观测噪声的协方差矩阵。
在本申请的一种可选的实施例中,步骤S5、基于迭代误差卡尔曼滤波算法,将固态激光雷达的特征点的参数和惯性传感器的测量值进行合成,更新全局位姿,具体包括:
在迭代误差卡尔曼滤波算法中的状态更新过后,通过以下合成步骤更新全局位姿
在本申请提供的一种可选的实施例中,使用开源数据集FR-IOSB和ROS无人车平台来实现上述的基于固态激光雷达和惯性导航的定位方法。图2所示为本发明提供的基于固态激光雷达和惯性导航的定位方法和对比算法在数据集FR-IOSB的Tree序列上的估计轨迹和地面真实值对比图,图2中的LI表示本发明提供的基于固态激光雷达和惯性导航的定位方法,LINS、LeGO-LOAM和LH-LOAM为对比算法。表1为本发明提供的基于固态激光雷达和惯性导航的定位方法和对比算法在数据集FR-IOSB的Tree序列上的轨迹平均误差和角度平均误差。从图2和表1中可以看出,本发明提供的基于固态激光雷达和惯性导航的定位方法的轨迹更接近于地面真实值(即图2中的ground_truth轨迹),且在大部分方向上都有最小误差,定位更加准确。使用无人车进行测试时,ROS无人车搭载固态激光雷达、惯性传感器和NANO开发板等硬件设备,通过电脑端远程控制使无人车按照程序指令进行移动。
表1:本发明提供的基于固态激光雷达和惯性导航的定位方法和对比算法在数据集FR-IOSB的Tree序列上的轨迹平均误差和角度平均误差
在无人车运动过程中,固态激光雷达和惯性传感器分别采集激光点云、陀螺仪和加速度数据,经过预处理、特征提取和位姿估计等算法获得最终无人车位姿,同时绘制路径轨迹曲线,图3中展示了一种作为示例的路径轨迹曲线,即表2中的轨迹1。表2为本发明算法和对比算法在四条不同轨迹下的CPU占用率及平均值,表2中LI表示本发明算法,LH-LOAM为对比算法,从表中可以看出,本发明算法的CPU占用率在所有轨迹上都远低于对比算法。
表2:本发明提供的基于固态激光雷达和惯性导航的定位方法和对比算法在四条不同轨迹下的CPU占用率及平均值
轨迹序列 | 1 | 2 | 3 | 4 | Average |
LH-LOAM/% | 34.568 | 34.972 | 35.803 | 33.967 | 34.828 |
LI/% | 25.16 | 25.92 | 26.70 | 24.95 | 25.68 |
应当理解的是,上述示例仅作为本发明提供的基于固态激光雷达和惯性导航的定位方法的一种可行的应用方式,并非限制本发明提供的方法仅能用于无人车平台,本发明提供的方法可应用于多种载体之上,例如需要具备自动驾驶功能的各种车辆、无人机等。
本发明提供的基于固态激光雷达和惯性导航的定位方法,通过获取惯性传感器的测量值,基于几何和强度提取固态激光雷达的特征点,减小了运动模糊对采集到的数据的影响;在迭代误差卡尔曼滤波算法的状态传播过程中,将惯性传感器的测量值作为传播误差状态,构建离散式传播方程,利用固态激光雷达的特征点计算迭代残差向量,更新迭代误差卡尔曼滤波算法中的状态,对迭代误差卡尔曼滤波算法中的卡尔曼增益进行调节,有效提高了定位算法的位姿估计结果,提高了定位精度和鲁棒性,最后基于迭代误差卡尔曼滤波算法,将固态激光雷达的特征点的参数和惯性传感器的测量值进行合成,更新全局位姿,实现精确定位。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行基于固态激光雷达和惯性导航的定位方法,该方法包括:
获取惯性传感器的测量值,基于几何和强度提取固态激光雷达的特征点;
在迭代误差卡尔曼滤波算法的状态传播过程中,将所述惯性传感器的测量值作为传播误差状态,构建离散式传播方程;
利用所述固态激光雷达的特征点计算迭代残差向量,更新所述迭代误差卡尔曼滤波算法中的状态;
对所述迭代误差卡尔曼滤波算法中的卡尔曼增益进行调节;
基于所述迭代误差卡尔曼滤波算法,将所述固态激光雷达的特征点的参数和所述惯性传感器的测量值进行合成,更新全局位姿。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于固态激光雷达和惯性导航的定位方法,该方法包括:
获取惯性传感器的测量值,基于几何和强度提取固态激光雷达的特征点;
在迭代误差卡尔曼滤波算法的状态传播过程中,将所述惯性传感器的测量值作为传播误差状态,构建离散式传播方程;
利用所述固态激光雷达的特征点计算迭代残差向量,更新所述迭代误差卡尔曼滤波算法中的状态;
对所述迭代误差卡尔曼滤波算法中的卡尔曼增益进行调节;
基于所述迭代误差卡尔曼滤波算法,将所述固态激光雷达的特征点的参数和所述惯性传感器的测量值进行合成,更新全局位姿。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于固态激光雷达和惯性导航的定位方法,该方法包括:
获取惯性传感器的测量值,基于几何和强度提取固态激光雷达的特征点;
在迭代误差卡尔曼滤波算法的状态传播过程中,将所述惯性传感器的测量值作为传播误差状态,构建离散式传播方程;
利用所述固态激光雷达的特征点计算迭代残差向量,更新所述迭代误差卡尔曼滤波算法中的状态;
对所述迭代误差卡尔曼滤波算法中的卡尔曼增益进行调节;
基于所述迭代误差卡尔曼滤波算法,将所述固态激光雷达的特征点的参数和所述惯性传感器的测量值进行合成,更新全局位姿。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于固态激光雷达和惯性导航的定位方法,其特征在于,包括:
获取惯性传感器的测量值,基于几何和强度提取固态激光雷达的特征点;
在迭代误差卡尔曼滤波算法的状态传播过程中,将所述惯性传感器的测量值作为传播误差状态,构建离散式传播方程;
利用所述固态激光雷达的特征点计算迭代残差向量,更新所述迭代误差卡尔曼滤波算法中的状态;
对所述迭代误差卡尔曼滤波算法中的卡尔曼增益进行调节;
基于所述迭代误差卡尔曼滤波算法,将所述固态激光雷达的特征点的参数和所述惯性传感器的测量值进行合成,更新全局位姿。
2.根据权利要求1所述的基于固态激光雷达和惯性导航的定位方法,其特征在于,基于几何和强度提取固态激光雷达的特征点,具体包括:
从所述固态激光雷达中获取原始激光点云的数据,并进行预处理,将时间ti∈[tj,tj+1]所述固态激光雷达采样的扫描中的所有点都投影到扫描结束时间tj+1,对时间域中的每个点搜索最接近的变换矩阵将第i个点/>转换为/>
其中,为原始激光点云,W为世界坐标系,I为惯性传感器坐标系,L为激光雷达坐标系;
为每个候选点分配一个局部补丁,根据候选点相对于拟合平面的距离提取几何平面点,所述候选点为所述原始激光点云中的点;为每个候选点分配一个局部补丁给定一个经过处理的点云/>对所述点云/>进行时域排序,确定扩展补丁的方向,每个所述局部补丁/>均存在一个拟合平面Π(x,y,z),所述拟合平面表示为:
其中,nx,ny,nz,是平面参数,
其中,是拟合平面的法向量,/>是/>的质心,N是/>中点的数量,在所有点相对于拟合平面的距离/>均小于平均补丁大小的十分之一的情况下,判定所述局部补丁/>中的点均为几何平面点;
根据光滑度大小提取几何边缘点,并计算相邻两个几何边缘点之间的强度差,选取相邻的几何边缘点中强度差超过强度读数最大值十分之一的几何边缘点作为强度边缘点;对于不符合式(3)中平面函数要求的每个补丁,按照光滑度从大到小的顺序提取多个几何边缘点pi∈GeE,点pi与同直线的pi+1的点之间的强度差ΔI表示为:
3.根据权利要求2所述的基于固态激光雷达和惯性导航的定位方法,其特征在于,在迭代误差卡尔曼滤波算法的状态传播过程中,将所述惯性传感器的测量值作为传播误差状态,构建离散式传播方程,具体包括:
在状态传播过程中,在有新的所述惯性传感器的测量值到达的情况下,传播误差状态δx、误差状态协方差矩阵Pk和状态先验
惯性传感器误差状态的线性化连续时间模型为:
其中,是高斯噪声向量,Ft和Gt为t时刻的误差状态转移矩阵和噪声雅可比矩阵,由式(5)得到的传播方程为:
其中,Δt=tτ-tτ-1,tτ和tτ-1为连续的惯性传感器时间步长,Q表示w的协方差矩阵。
4.根据权利要求3所述的基于固态激光雷达和惯性导航的定位方法,其特征在于,利用所述固态激光雷达的特征点计算迭代残差向量,更新所述迭代误差卡尔曼滤波算法中的状态,具体包括:
在迭代误差卡尔曼滤波算法中,基于对先验的偏差和由测量模型导出的残差函数f(·),将状态更新与优化问题联系起来:
其中,||·||为马氏范数,Jk为f(·)关于测量噪声的雅可比矩阵,Mk为测量噪声的协方差矩阵,f(·)的输出是由点-面或点-边对计算出来的叠加残差向量;为Lk+1中的第i个特征点,给定/>则f(·)对应于/>的误差项描述为:
其中,为/>从Lk+1到Lk的变换点,/>和/>表示激光雷达和IMU之间的外部参数;
使用以下迭代更新方程求解式(8):
δxj+1=δxj+Δxj (13)
其中,Δxj为第j次迭代时的修正向量,Ηk,j是关于δxj的雅可比矩阵;
初始化下一个状态
其中,q0表示单位四元数,和/>分别由/>和/>计算。
5.根据权利要求1所述的基于固态激光雷达和惯性导航的定位方法,其特征在于,对所述迭代误差卡尔曼滤波算法中的卡尔曼增益进行调节,具体包括:
利用所述惯性传感器的测量值定义参数Xm·k,并根据静态和动态情况将Xm·k分为Xstatic·k和Xdynamic·k;
采用Baum-Welch重估计算法对Xstatic·k进行建模,得到隐马尔科夫模型λ0;
使用Viterbi算法计算λ0产生Xm·k的概率,并进行归一化,根据计算出的概率对卡尔曼增益进行调节。
6.根据权利要求5所述的基于固态激光雷达和惯性导航的定位方法,其特征在于,利用所述惯性传感器的测量值定义参数Xm·k,并根据静态和动态情况将Xm·k分为Xstatic·k和Xdynamic·k,具体包括:
定义如下公式:
其中,惯性传感器在采样时间i处的测量被构造成am·i;
定义在时间区间[k-N+1,k]内不动的Xm·k为Xstatic·k,定义在时间区间内移动的Xm·k为Xdynamic·k;隐马尔科夫可符号化为λ=(A,B,π),其中A={φij},1≤i,j≤M为跃迁概率分布,B={bj(Xm·k)},1≤j≤M,1≤k≤D为观测概率分布,π={πi},1≤i≤M为初始态概率分布;
状态sj的观测概率密度函数定义为:
其中F(Xm·k,μjr,Σjr),1≤j≤M,1≤r≤L是高斯函数,μjr和Σjr是第r个高斯函数的均值和协方差,cjr是分配给每个高斯函数的权重。
7.根据权利要求6所述的基于固态激光雷达和惯性导航的定位方法,其特征在于,采用Baum-Welch重估计算法对Xstatic·k进行建模,得到隐马尔科夫模型λ0,具体包括:
S4021、对cjr,μjr,Σjr和πi设置初始条件,约束条件为/>cjr≥0,πi≥0,其中/>表示状态i到状态j的转移概率;
S4022、从模型参数的当前估计值中,通过式(18)到式(23)重新估计新模型
S4023、计算在/>的情况下,设置并返回步骤S4021,在/>的情况下,设置ε=10-7。
8.根据权利要求7所述的基于固态激光雷达和惯性导航的定位方法,其特征在于,使用Viterbi算法计算λ0产生Xm·k的概率,并进行归一化,根据计算出的概率对卡尔曼增益进行调节,具体包括:
对Viterbi算法进行修正:
其中,α1(i)=πibi(Xm·1);
计算
令P(Xstatic·k|λ0)≡1,P(Xdynamic·k|λ0)接近于0,即0≤P(Xm·k|λ0)≤1,归一化λ0的输入:
Kk调节模式设置为:
其中,Q为迭代误差卡尔曼滤波算法中的过程噪声的协方差矩阵,M为迭代误差卡尔曼滤波算法中的观测噪声的协方差矩阵。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任一项所述的基于固态激光雷达和惯性导航的定位方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于固态激光雷达和惯性导航的定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310404810.2A CN116642482A (zh) | 2023-04-14 | 2023-04-14 | 基于固态激光雷达和惯性导航的定位方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310404810.2A CN116642482A (zh) | 2023-04-14 | 2023-04-14 | 基于固态激光雷达和惯性导航的定位方法、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116642482A true CN116642482A (zh) | 2023-08-25 |
Family
ID=87623596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310404810.2A Pending CN116642482A (zh) | 2023-04-14 | 2023-04-14 | 基于固态激光雷达和惯性导航的定位方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116642482A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116908810A (zh) * | 2023-09-12 | 2023-10-20 | 天津大学四川创新研究院 | 一种无人机搭载激光雷达测量建筑土方的方法和系统 |
CN117433518A (zh) * | 2023-12-18 | 2024-01-23 | 三一重型装备有限公司 | 定位控制系统、方法、电子设备、存储介质和芯片 |
CN117804448A (zh) * | 2024-02-23 | 2024-04-02 | 北京理工大学 | 一种自主系统定位方法、装置、计算机设备及存储介质 |
CN117804448B (zh) * | 2024-02-23 | 2024-04-30 | 北京理工大学 | 一种自主系统定位方法、装置、计算机设备及存储介质 |
-
2023
- 2023-04-14 CN CN202310404810.2A patent/CN116642482A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116908810A (zh) * | 2023-09-12 | 2023-10-20 | 天津大学四川创新研究院 | 一种无人机搭载激光雷达测量建筑土方的方法和系统 |
CN116908810B (zh) * | 2023-09-12 | 2023-12-12 | 天津大学四川创新研究院 | 一种无人机搭载激光雷达测量建筑土方的方法和系统 |
CN117433518A (zh) * | 2023-12-18 | 2024-01-23 | 三一重型装备有限公司 | 定位控制系统、方法、电子设备、存储介质和芯片 |
CN117804448A (zh) * | 2024-02-23 | 2024-04-02 | 北京理工大学 | 一种自主系统定位方法、装置、计算机设备及存储介质 |
CN117804448B (zh) * | 2024-02-23 | 2024-04-30 | 北京理工大学 | 一种自主系统定位方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111207774B (zh) | 一种用于激光-imu外参标定的方法及系统 | |
CN112347840B (zh) | 视觉传感器激光雷达融合无人机定位与建图装置和方法 | |
CN116642482A (zh) | 基于固态激光雷达和惯性导航的定位方法、设备和介质 | |
CN113052908B (zh) | 一种基于多传感器数据融合的移动机器人位姿估计算法 | |
US11158065B2 (en) | Localization of a mobile unit by means of a multi hypothesis kalman filter method | |
CN113252038B (zh) | 基于粒子群算法的航迹规划地形辅助导航方法 | |
CN114526745A (zh) | 一种紧耦合激光雷达和惯性里程计的建图方法及系统 | |
CN111189442A (zh) | 基于cepf的无人机多源导航信息状态预测方法 | |
CN113325452A (zh) | 一种三星无源融合定位体制机动目标跟踪方法 | |
CN114485643B (zh) | 一种煤矿井下移动机器人环境感知与高精度定位方法 | |
CN115930977A (zh) | 特征退化场景的定位方法、系统、电子设备和可读存介质 | |
Liu et al. | Strong tracking UKF-based hybrid algorithm and its application to initial alignment of rotating SINS with large misalignment angles | |
Doer et al. | x-rio: Radar inertial odometry with multiple radar sensors and yaw aiding | |
Zhang et al. | An integrated navigation method for small-sized AUV in shallow-sea applications | |
Jiang et al. | 3D SLAM based on NDT matching and ground constraints for ground robots in complex environments | |
CN112923934A (zh) | 一种适用于非结构化场景中结合惯导的激光slam技术 | |
CN115950414A (zh) | 一种不同传感器数据的自适应多重融合slam方法 | |
CN113252039B (zh) | 面向地形辅助导航的粒子群快速匹配方法 | |
CN113503891B (zh) | 一种sinsdvl对准校正方法、系统、介质及设备 | |
CN111811501B (zh) | 一种基于树干特征的无人机定位方法、无人机及存储介质 | |
CN107990893A (zh) | 二维激光雷达slam中探测环境发生突变的检测方法 | |
CN110749327B (zh) | 一种合作环境下的车辆导航方法 | |
Dong et al. | Global localization using object detection in indoor environment based on semantic map | |
Li et al. | Research on Laster Positioning Algorithm of Unmanned Formula Racing Car | |
Sun et al. | A Novel Localization Method for Indoor Mobile Robot Based on Adaptive Weighted Fusion |
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 |