CN116772892A - 一种应用于空间网络结构中的无人机激光惯性里程计方法 - Google Patents

Abstract

本发明公开了一种应用于空间网络结构中的无人机激光惯性里程计方法，包括以下步骤：在空间网格结构中激光雷达采集的点云上提取网架线特征点；在空间网格结构中激光雷达采集的点云上提取网壳曲面特征点；根据提取到的特征点设置激光雷达里程计，获取无人机位姿，进行无人机的定位和导航。本发明公开的应用于空间网络结构中的无人机激光惯性里程计方法，提高了无人机位姿的估计准确度，尤其提高了空间网格结构中无人机激光惯性里程计的准确度。

Description

一种应用于空间网络结构中的无人机激光惯性里程计方法

技术领域

本发明涉及一种应用于空间网络结构中的无人机激光惯性里程计方法，属于导航技术领域。

背景技术

基于特征的激光惯性里程计凭借快速、准确的位姿估计被广泛用于GNSS拒止环境中无人机的导航。

基于激光雷达的无人机自主导航方案的核心问题是激光雷达点云配准，即从激光雷达两帧点云的变化中获得相对位姿，一个典型的方法是迭代最近点法(ItetativeClosest Points，ICP)。迭代最近点法一般分为两个步骤，第一步计算两次扫描之间点的匹配关系，第二步计算最优的转移矩阵使匹配点之间距离的代价函数最小。但是，当点云稀疏时，无法找到精确的匹配点；当点云稠密时，点级别的匹配关系难以实时计算。为了解决这些问题，许多使用环境中更高维度信息的ICP变种算法被提出。这类方法在点云中提取直线、曲线、平面等特征，构建点到线、点到平面、平面到平面等的代价函数。

Zhang等人首先提出了一种低漂移、实时的激光雷达里程计和建图算法LOAM(Lidar Odom-etry and Mapping in Real-time)。其前端提取了平面特征点和平面相交直线的角落线特征点，并通过最小化点到直线、点到平面距离的代价函数求解无人机的位姿变化；得益于这种基于特征的里程计方法，其可以在多数机载嵌入式计算平台上实时解算。许多方法在此基础上进行了改进，例如LIO-SAM(Tightly-coupled Lidar Iner-tialOdometry via Smoothing and Mapping)在前端提出了一个基于因子图的激光惯性松耦合方法，利用激光雷达里程计高精度的位姿估计修正IMU的测量偏差，再以高频的IMU测量预测Lidar的运动，为点云去畸变、里程计求解提供信息。Wang等人对激光雷达里程计方法进行了改进，提出的F-LOAM(Fast LiDAR Odometry And Mapping)构建了新的点到直线、点到平面匹配的代价函数，实现了更加快速、准确的激光雷达里程计求解。

虽然这些基于平面特征点和角落线特征点的方法在多数人造环境中是可靠的，但它们在缺乏清晰平面和直线边缘的环境中存在问题，如树林、月球表面等。在特征点提取数量不足的情况下，将会导致运动估计的误差较大、系统定位失败。无人机在体育场馆、航站楼、飞机库、工厂车间、煤棚与仓库等空间网格结构中应用时，就面临上述问题，搭载的激光雷达在建筑上方镂空的柱状网架以及曲面网壳结构中很难获得充足、稳定的平面特征点和平面相交直线的角落线特征点，限制了自主导航无人机在该环境下的使用。

因此，有必要对空间网络结构中的无人机激光惯性里程计方法进一步研究，以解决上述问题。

发明内容

无人机在体育场馆、航站楼、飞机库、工厂车间、煤棚与仓库等空间网格结构中应用时，搭载的激光雷达在建筑上方镂空的柱状网架以及曲面网壳结构中很难获得充足、稳定的平面特征点和平面相交直线的角落线特征点，在特征点提取数量不足的情况下，将会导致运动估计的误差较大、系统定位失败，给基于激光雷达的无人机自主导航带来了巨大的挑战，限制了自主导航无人机在该环境下的使用，为了克服上述问题，本发明人进行了深入研究，提供了一种应用于空间网络结构中的无人机激光惯性里程计方法，包括以下步骤：

在空间网格结构中激光雷达采集的点云上提取网架线特征点；

在空间网格结构中激光雷达采集的点云上提取网壳曲面特征点；

根据提取到的特征点设置激光雷达里程计，获取无人机位姿，进行无人机的定位和导航。

在一个优选的实施方式中，所述网架线特征点的提取包括以下子步骤：

S11、去除原始点云的运动畸变；

S12、从去畸变激光雷达点云中提取网架线特征。

在一个优选的实施方式中，S12中，从去畸变激光雷达点云中筛选满足条件的激光雷达点，将筛选出的激光雷达点作为网架线特征点。

在一个优选的实施方式中，针对任意一个激光雷达点，当满足筛选条件时，将其作为网架线特征点，所述筛选条件表示为：

L_{e_th}≤r_k,j+m-r_k,j≤U_{e_th}

L_{e_th}≤r_k,j-m-r_k,j≤U_{e_th}

其中，r_k,j为待筛选激光雷达点到激光雷达的距离，所述待筛选激光雷达点为第k层线束中第j光束对应的激光雷达点；r_k,j+m表示第k层线束中第j+m光束对应激光雷达点到激光雷达的距离；r_k,j-m表示第k层线束中第j-m光束对应激光雷达点到激光雷达的距离，L_{e_th}为设定的最小距离阈值，U_{e_th}为设定的最大距离阈值。

在一个优选的实施方式中，对网壳曲面特征点进行二次筛选。

在一个优选的实施方式中，所述二次筛选通过将网壳曲面特征点与相邻k-1和k+1线束中相同序号的点/>和/>进行比较进行，当不满足筛选标准时，将该网壳曲面特征点/>删除。

在一个优选的实施方式中，所述根据提取到的特征点设置激光雷达里程计，获取无人机位姿，进行无人机的定位和导航，包括以下子步骤：

S31、根据网架线特征点及其邻点，获得局部网架线的几何中心和目标直线方向；

S32、获得网架线特征点到目标直线的距离；

S33、根据网壳曲面特征点及其邻点，获得网壳曲面特征点到目标平面的距离；

S34、将网架线特征点到目标直线的距离以及网壳曲面特征点到目标平面的距离之和作为代价函数，获得无人机位姿，将无人机位姿与IMU进行松耦合，实现无人机的定位和导航。

在一个优选的实施方式中，S31中，对于任意一个网架线特征点寻找多个与其最近的邻点，将该网架线特征点和最近邻点组合成点集，计算获得点集的几何中心，该几何中心即为该网架线特征点的最近邻几何中心；根据点集拟合直线，该直线方向即为目标直线的方向。

在一个优选的实施方式中，S32中，网架线特征点到目标直线的距离表示为：

其中，为网架线特征点，/>为网架线特征点到目标直线的距离，a为特征点到目标直线方向的单位向量，/>为激光雷达在导航坐标系的位姿转换矩阵，/>为网架线特征点的最近邻几何中心，/>为目标直线的方向。

在一个优选的实施方式中，S33中，网壳曲面特征点到目标平面的距离表示为：

其中，为网壳曲面特征点，/>为网壳曲面特征点到目标平面的距离，/>为激光雷达在导航坐标系的位姿转换矩阵，/>为网壳曲面特征点的最近邻的几何中心，/>为目标平面的法向量。

本发明所具有的有益效果包括：

(1)仅使用逻辑判断就实现了网架线特征提取，提取过程简单、高效，提高了无人机位姿的估计准确度；

(2)提高了空间网格结构中无人机激光惯性里程计的准确度。

附图说明

图1示出根据本发明一种优选实施方式的应用于空间网络结构中的无人机激光惯性里程计方法流程示意图；

图2示出根据本发明一种优选实施方式的应用于空间网络结构中的无人机激光惯性里程计中网架线特征点提取示意图；

图3示出曲面特征点提取错误示意图；

图4示出根据本发明一种优选实施方式的应用于空间网络结构中的无人机激光惯性里程计中曲面特征点提取示意图；

图5示出实施例1中单次扫描中特征点提取的数量和总耗时；

图6示出实施例1与对比例1中的特征提取结果；

图7示出实施例1与对比例2、3中单帧激光雷达的处理时间；

图8示出实施例1与对比例3中俯视图中左下方建图精度对比结果；

图9示出实施例1与对比例3中环境地图的侧视图建图精度对比结果。

具体实施方式

下面通过附图和实施例对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

根据本发明提供的一种应用于空间网络结构中的无人机激光惯性里程计方法，如图1所示，包括以下步骤：

在空间网格结构中激光雷达采集的点云上提取网架线特征点；

在空间网格结构中激光雷达采集的点云上提取网壳曲面特征点；

根据提取到的特征点设置激光雷达里程计，获取无人机位姿，进行无人机的定位和导航。

传统激光惯性里程计中，采用的特征点一般为平面特征点和角落线特征点，然而这些特征点在空间网络结构环境中并不稳定，存在数量少、提取方式复杂等问题，进而导致运动估计的误差较大、定位失败。

在本发明中，采用网架线特征点和网壳曲面特征点设置激光雷达里程计，从而解决传统惯性里程计中特征不稳定、提取方式复杂的问题。

根据本发明，所述网架线特征点的提取包括以下子步骤：

S11、去除原始点云的运动畸变；

S12、从去畸变激光雷达点云中提取网架线特征。

在t_i时刻获取到的一帧激光雷达扫描的点云通常是激光雷达在[t_i-1,t_i]连续时间内采集的点云，这就造成获取时刻与采集时刻并不相同，造成运动畸变，需要将原始点云/>转换至t_i时刻，才能利用这些点云求解无人机t_i时刻对应的位姿而不引入较大的传感器测量误差。

S11中，根据原始点云中每个激光雷达点的采集时间和IMU预测的[t_i-1,t_i]时刻激光雷达的高频位姿，通过插值获得到每个激光雷达点相对于t_i时刻激光雷达坐标系L_i的位置和姿态，再将该位置和姿态投影至t_i时刻对应的激光雷达坐标系L_i，获得去畸变后的激光雷达点云/>

如图2所示，无人机在空间网格结构内部飞行时，激光雷达从建筑内部测量环境的三维信息，激光测量的激光雷达距离网架的距离通常小于到附近的网壳的距离，在同一线的扫描中，落在网架上的点与临近的落在网壳曲面上的点满足“V”的形状，利用这种“V”的形状，在S12中，采用单线的扫描信息进行网架线特征的筛选。

优选地，S12中，从去畸变激光雷达点云中筛选满足条件的激光雷达点，将筛选出的激光雷达点作为网架线特征点；

具体地，通过单线扫描获得激光雷达点，所述单线扫描是指一次激光雷达从一个位置开始，沿着一个方向发射一束激光光束并接收反射回来的光信号所得到的数据，激光的反射点称为一个激光雷达点，由于激光雷达扫描过程中，会旋转一定的角度，多次进行单线扫描，则激光雷达第k层线束中的第j光束反射点记为针对任意一个激光雷达点，当满足筛选条件时，将其作为网架线特征点。

优选地，所述筛选表示为：

L_{e_th}≤r_k,j+m-r_k,j≤U_{e_th}

L_{e_th}≤r_k,j-m-r_k,j≤U_{e_th}

其中，r_k,j为待筛选激光雷达点到激光雷达的距离，其为第k层线束中第j光束对应的激光雷达点；r_k,j+m表示第k层线束中第j+m光束对应激光雷达点到激光雷达的距离；r_k,j-m表示第k层线束中第j-m光束对应激光雷达点到激光雷达的距离，L_{e_th}为设定的最小距离阈值，U_{e_th}为设定的最大距离阈值。

如图2所示，若待筛选激光雷达点为网架线特征点，激光雷达测量到与网架的距离为r_k,j，则第j+m、j-m光束表示未照射到网架且距离网架两侧最近的激光束，r_k,j+m、r_k,j-m表示距离网架两侧最近激光束的测量距离，即测量到的距离网架两侧最近网壳截面的距离；由于落在网架上的点与临近的落在网壳曲面上的点满足“V”的形状，则满足筛选条件的与/>之间的激光雷达点均为网架线特征点。

在本发明中，L_{e_th}、U_{e_th}的具体设置值不做限制，本领域技术人员可根据实际经验自由确定。

在一个优选的实施方式中，m通过以下方式获得：

其中，groudup表示向上取整操作，d表示框架的特征直径，α为激光雷达的水平角分辨率，通过m保证搜寻到落在网架上的点两侧的网格曲面特征点。

在本发明中，网架线特征提取过程仅使用逻辑判断，从而实现了简单、高效的提取。

网壳曲面特征点属于平面特征点，是激光惯性里程计中常用的一种特征点，根据本发明一个优选的实施方式，采用LOAM中的方法提取网壳曲面特征点。

LOAM可参见文献Lidar Odom-etry and Mapping in Real-time，在本发明中不做赘述。

与传统激光惯性里程计不同的是，在本发明中，还对网壳曲面特征点进行二次筛选。

在传统的激光惯性里程计中，例如LOAM方法中，同一线束的连续多个测量点可能会同时落在网架上，从而将网架判断为面特征点，出现误提取。

如图3所示，在第k层扫描中，序列j前后连续n个扫描点落在网架上，这种情况下，容易被LOAM提取为面特征点，相比于LOAM仅使用单一线束测量的信息，本发明中使用不同线束之间的关系来剔除这种误提取，如图4所示。

所述二次筛选通过将网壳曲面特征点与相邻k-1和k+1线束中相同序号的点和/>进行比较进行，当不满足筛选标准时，将该网壳曲面特征点/>删除。

所述二次筛选条件表示为：

L_{s_th}≤r_k+1,j-r_k,j≤U_{s_th}

L_{s_th}≤r_k-1,j-r_k,j≤U_{s_th}

其中，r_k,j为网壳曲面特征点到激光雷达的距离，r_k+1,j为相邻k+1线束对应的特征点/>到激光雷达的距离，r_k+1,j为相邻k-1线束对应的特征点/>到激光雷达的距离，L_{s_th}、U_{s_th}为设定的距离阈值。

所述根据提取到的特征点设置激光雷达里程计，获取无人机位姿，进行无人机的定位和导航，包括以下子步骤：

S31、根据网架线特征点及其邻点，获得局部网架线的几何中心和目标直线方向；

S32、获得网架线特征点到目标直线的距离；

S33、根据网壳曲面特征点及其邻点，获得网壳曲面特征点到目标平面的距离；

S34、将网架线特征点到目标直线的距离以及网壳曲面特征点到目标平面的距离之和作为代价函数，获得无人机位姿，将无人机位姿与IMU进行松耦合，实现无人机的定位和导航。

S31中，对于任意一个网架线特征点寻找多个与其最近的邻点，优选寻找5个最近邻点，将该网架线特征点和最近邻点组合成点集，计算获得点集的几何中心，该几何中心即为该网架线特征点的最近邻几何中心；根据点集拟合直线，该直线方向即为目标直线的方向。

在本发明中，通过将网架线特征点进行局部共直线表达，进而降低运算量。

进一步地，S32中，网架线特征点到目标直线的距离表示为：

其中，为网架线特征点，/>为网架线特征点到目标直线的距离，a为特征点到目标直线方向的单位向量，/>为激光雷达在导航坐标系的位姿转换矩阵，/>为网架线特征点的最近邻几何中心，/>为目标直线的方向。

进一步地，特征点到目标直线方向的单位向量可以表示为：

基于S31-S32相同的原理，S33中，网壳曲面特征点到目标平面的距离表示为：

其中，为网壳曲面特征点，/>为网壳曲面特征点到目标平面的距离，/>为激光雷达在导航坐标系的位姿转换矩阵，/>为网壳曲面特征点的最近邻的几何中心，/>为目标平面的法向量。

S34中、针对所有的网架线特征点和网壳曲面特征点，获得网架线特征点到目标直线的距离以及网壳曲面特征点到目标平面的距离之和作为代价函数，最小化该代价函数，获得无人机位姿。

进一步地，S34中，优选采用LIO-SAM中的方法获得无人机位姿，使用与LIO-SAM相同的方法与IMU进行松耦合，实现无人机的定位和导航。

实施例

实施例1

采用含激光雷达、六轴惯性测量元件的无人机进行实验，其中激光雷达为VLP-16，最远探测距离为100米，精度为3cm。具有水平360°、垂直30°的视场角，设定其转速为600rpm，对应水平分辨率为0.2°，16个垂直通道的分辨率为2°，实验场地选为煤棚。

通过以下步骤进行无人机激光惯性里程计：

在空间网格结构中激光雷达采集的点云上提取网架线特征点；

在空间网格结构中激光雷达采集的点云上提取网壳曲面特征点；

根据提取到的特征点设置激光雷达里程计，获取无人机位姿，进行无人机的定位和导航。

所述网架线特征点的提取包括以下子步骤：

S11、去除原始点云的运动畸变；

S12、从去畸变激光雷达点云中提取网架线特征

S12中，针对任意一个激光雷达点，当满足筛选条件时，将其作为网架线特征点，所述筛选表示为：

L_{e_th}≤r_k,j+m-r_k,j≤U_{e_th}

L_{e_th}≤r_k,j-m-r_k,j≤U_{e_th}

m通过以下方式获得：

其中，α设置为0.2°，L_{e_th}设置为0.3米，U_{e_th}设置为6米，d设置为0.2米。

采用LOAM中的方法提取网壳曲面特征点，对网壳曲面特征点进行二次筛选。

所述二次筛选表示为：

L_{s_th}≤r_k+1,j-r_k,j≤U_{s_th}

L_{s_th}≤r_k-1,j-r_k,j≤U_{s_th}

其中，L_{s_th}设置为0.3米，U_{s_th}设置为6米。

所述根据提取到的特征点设置激光雷达里程计，获取无人机位姿，进行无人机的定位和导航，包括以下子步骤：

S31、根据网架线特征点及其邻点，获得局部网架线的几何中心和目标直线方向；

S32、获得网架线特征点到目标直线的距离；

S33、根据网壳曲面特征点及其邻点，获得网壳曲面特征点到目标平面的距离；

S34、将网架线特征点到目标直线的距离以及网壳曲面特征点到目标平面的距离之和作为代价函数，获得无人机位姿，采用LIO-SAM中的方法将无人机位姿与IMU进行松耦合，实现无人机的定位和导航。

S31中，对于任意一个网架线特征点寻找5个与其最近的邻点，将该网架线特征点和最近邻点组合成点集，计算获得点集的几何中心，该几何中心即为该网架线特征点的最近邻几何中心；根据点集拟合直线，该直线方向即为目标直线的方向。S32中，网架线特征点到目标直线的距离表示为：

S33中，网壳曲面特征点到目标平面的距离表示为：

单次扫描中特征点提取的数量和总耗时如图5所示。从图中可以看出，特征点提取的总耗时与网格曲面特征点数量正相关，说明耗时主要来自于网壳曲面特征点的提取，同时也反映了实施例1中仅使用逻辑判断的网架线特征点提取算法在机载资源有限的情况下也能快速、高效提取。

对比例

对比例1

进行与实施例1相同的实验，区别在于，采用LOAM方法进行。

对比例2

进行与实施例1相同的实验，区别在于，采用F-LOAM方法进行，F-LOAM方法具体可参见文献Wang,Han,and Raquel Urtasun."F-LOAM:Fast LiDAR Odometry and Mapping."International Conference on Intelligent Robots and Systems.IEEE,2020.。

对比例3

进行与实施例1相同的实验，区别在于，采用LIO-SAM方法进行，LIO-SAM方法具体可参见文献Tixiao Shan,Long Quan,and Ying Liu."Tightly-coupled lidar inertialodometry via smoothing and mapping."Robotics and Autonomous Systems 114(2020):102533.。

对比例4

进行与实施例1相同的实验，区别在于，采用DJI方法进行，DJI方法具体可参见文献Chen,Yi,et al."A survey of unmanned aerial vehicle navigation and control."IEEE Transactions on Industrial Electronics 65.5(2018):3617-3640.。

实验例1

对比实施例1与对比例1中的特征提取结果，如图6所示，其中粉色为网壳曲面特征点，绿色为网架线特征点。

图中，(a)、(b)为实施例1中起飞区域提取的特征点，其中粉色为网壳曲面特征点，绿色为网架线特征点；(e)、(f)为对比例1中起飞区域提取的特征点，其中粉色为平面特征点，绿色为直线特征点；

(c)、(d)为实施例1中室内高空区域提取的特征点，其中粉色为网壳曲面特征点，绿色为网架线特征点；(g)、(h)为对比例1中室内高空区域提取的特征点，其中粉色为平面特征点，绿色为直线特征点。从图上可以看出，对比例1在起飞区域，将大量属于地面的特征点识别为其直线特征点，在飞行过程中，将落在网架上的点识别为了平面特征点，这种错误的识别会给定位带来误差。而实施例1中不论无人机在空中还是地面均可以在环境中准确提取网架线特征点和网壳曲面特征点。

对比实施例1与对比例2-4中定位结果，定量地评估了各种算法的终点误差。如表一所示，试验过程中，手动遥控无人机降落，旋翼造成的扬尘导致无人机的降落点和起飞点很难保持在同一点，无人机降落后，降落点相对于起飞点的位置通过离线ICP算法匹配激光雷达在起飞点和降落点扫描的点云得到，从表中可以看出，实施例1在水平方向的落点精度远高于对比例1-4，同时在Z轴方向，也接近表现最好的方案。需要说明的是，LIO-SAM方法(对比例3)在后端使用了基于ICP方法的回环检测，而实施例1仅为激光惯性里程计。

表一终点误差对比(单位：米)

实施例1与对比例2、3中单帧激光雷达的处理时间如图7所示，从图中可以看出，实施例1中由于使用了更好的环境结构约束，收敛速度更快，平均处理速度在50ms以下。

由于对比例1、2、4中并没有建立有意义的点云地图，仅采用对比例3与实施例1进行建图精度对比，结果如图8-9所示。其中图8放大了俯视图中左下方建筑的轮廓，对比例3构建的建筑轮廓出现了很多“鬼影”，这些“鬼影”反映出来了沿水平方向(导航坐标系的X-Y平面)，该方法估计的无人机位移与真实位移有较大偏差；而实施例1中，对左下方建筑轮廓的构建非常清晰，反映了实施例1水平方向估计的位移非常准确。

图9示出了环境地图的侧视图，从图中可以看出，实施例1中的方法相较于LIO-SAM(对比例3)构建的地图，对于建筑物的表达更为精确，如顶部的网壳表面厚度更小，底部支撑处更好地反映了建筑结构和墙体真实的形状，这也反映了实施例1估计的无人机运动非常准确。

在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“前”、“后”等指示的方位或位置关系为基于本发明工作状态下的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”“相连”“连接”应作广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体的连接普通；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

以上结合了优选的实施方式对本发明进行了说明，不过这些实施方式仅是范例性的，仅起到说明性的作用。在此基础上，可以对本发明进行多种替换和改进，这些均落入本发明的保护范围内。

Claims (10)

1.一种应用于空间网络结构中的无人机激光惯性里程计方法，其特征在于，包括以下步骤：

在空间网格结构中激光雷达采集的点云上提取网架线特征点；

在空间网格结构中激光雷达采集的点云上提取网壳曲面特征点；

根据提取到的特征点设置激光雷达里程计，获取无人机位姿，进行无人机的定位和导航。

2.根据权利要求1所述的应用于空间网络结构中的无人机激光惯性里程计方法，其特征在于，

所述网架线特征点的提取包括以下子步骤：

S11、去除原始点云的运动畸变；

S12、从去畸变激光雷达点云中提取网架线特征。

3.根据权利要求2所述的应用于空间网络结构中的无人机激光惯性里程计方法，其特征在于，

S12中，从去畸变激光雷达点云中筛选满足条件的激光雷达点，将筛选出的激光雷达点作为网架线特征点。

4.根据权利要求3所述的应用于空间网络结构中的无人机激光惯性里程计方法，其特征在于，

针对任意一个激光雷达点，当满足筛选条件时，将其作为网架线特征点，所述筛选条件表示为：

L_{e_th}≤r_k,j+m-r_k,j≤U_{e_th}

L_{e_th}≤r_k,j-m-r_k,j≤U_{e_th}

其中，r_k,j为待筛选激光雷达点到激光雷达的距离，所述待筛选激光雷达点为第k层线束中第j光束对应的激光雷达点；r_k,j+m表示第k层线束中第j+m光束对应激光雷达点到激光雷达的距离；r_k,j-m表示第k层线束中第j-m光束对应激光雷达点到激光雷达的距离，L_{e_th}为设定的最小距离阈值，U_{e_th}为设定的最大距离阈值。

5.根据权利要求1所述的应用于空间网络结构中的无人机激光惯性里程计方法，其特征在于，

对网壳曲面特征点进行二次筛选。

6.根据权利要求5所述的应用于空间网络结构中的无人机激光惯性里程计方法，其特征在于，

所述二次筛选通过将网壳曲面特征点与相邻k-1和k+1线束中相同序号的点/>和进行比较进行，当不满足筛选标准时，将该网壳曲面特征点/>删除；

所述二次筛选条件表示为：

L_{s_th}≤r_k+1,j-r_k,j≤U_{s_th}

L_{s_th}≤r_k-1,j-r_k,j≤U_{s_th}

其中，r_k,j为网壳曲面特征点到激光雷达的距离，r_k+1,j为相邻k+1线束对应的特征点到激光雷达的距离，r_k+1,j为相邻k-1线束对应的特征点/>到激光雷达的距离，L_{s_th}、U_{s_th}为设定的距离阈值。

7.根据权利要求1所述的应用于空间网络结构中的无人机激光惯性里程计方法，其特征在于，

所述根据提取到的特征点设置激光雷达里程计，获取无人机位姿，进行无人机的定位和导航，包括以下子步骤：

S31、根据网架线特征点及其邻点，获得局部网架线的几何中心和目标直线方向；

S32、获得网架线特征点到目标直线的距离；

S33、根据网壳曲面特征点及其邻点，获得网壳曲面特征点到目标平面的距离；

S34、将网架线特征点到目标直线的距离以及网壳曲面特征点到目标平面的距离之和作为代价函数，获得无人机位姿，将无人机位姿与IMU进行松耦合，实现无人机的定位和导航。

8.根据权利要求7所述的应用于空间网络结构中的无人机激光惯性里程计方法，其特征在于，

S31中，对于任意一个网架线特征点寻找多个与其最近的邻点，将该网架线特征点和最近邻点组合成点集，计算获得点集的几何中心，该几何中心即为该网架线特征点的最近邻几何中心；根据点集拟合直线，该直线方向即为目标直线的方向。

9.根据权利要求7所述的应用于空间网络结构中的无人机激光惯性里程计方法，其特征在于，

S32中，网架线特征点到目标直线的距离表示为：

其中，为网架线特征点，/>为网架线特征点到目标直线的距离，a为特征点到目标直线方向的单位向量，/>为激光雷达在导航坐标系的位姿转换矩阵，/>为网架线特征点的最近邻几何中心，/>为目标直线的方向。

10.根据权利要求7所述的应用于空间网络结构中的无人机激光惯性里程计方法，其特征在于，

S33中，网壳曲面特征点到目标平面的距离表示为：

其中，为网壳曲面特征点，/>为网壳曲面特征点到目标平面的距离，/>为激光雷达在导航坐标系的位姿转换矩阵，/>为网壳曲面特征点的最近邻的几何中心，/>为目标平面的法向量。