[发明专利]一种顾及动态障碍物的激光雷达惯导里程计与建图方法及系统

说明书

本发明提供一种顾及动态障碍物的激光雷达惯导里程计与建图方法及系统，其中方法包括数据预处理，还包括以下步骤：顾及动态障碍物的特征提取；进行激光点云帧间匹配和ESKF数据融合；利用帧与局部地图进行精细点云匹配，优化激光里程计的位姿，建立全局的3D点云地图。本发明提出的顾及动态障碍物的激光雷达惯导里程计与建图方法及系统，采用深度图像的方式去除道路环境中的动态障碍物，方案不同，采用三种特征点云分类别分步骤的进行点云匹配和位姿求解，充分的问题，利用ESKF框架融合惯导的预积分信息和激光雷达帧间匹配信息，提高位姿估计的精度。

技术领域

本发明涉及AB测试的技术领域，特别是一种顾及动态障碍物的激光雷达惯导里程计与建图方法及系统。

背景技术

准确的位姿估计是移动机器人定位与导航的关键技术，它能够计算出机器人的位置和姿态信息，为机器人的实时控制、决策和路径规划提供重要保障。

SLAM技术能够实现移动机器人在未知环境中的自我运动估计即“定位”，同时建立周围环境地图。按照搭载传感器的不同，SLAM技术可大致分为激光SLAM和视觉SLAM两大类[1]。基于3D激光雷达的SLAM技术无需GNSS信号，可直接获取空间三维信息，不受光照变化影响、不存在尺度漂移现象，同时无需预先布置场景，可融合多传感器生成便于导航的环境地图，因此成为目前定位方案中不可或缺的新技术[2]。另外，仅依靠3D激光SLAM进行位姿估计存在诸多局限，输出位姿的频率过低，且随着行驶距离增加，会产生较大的累计误差，不能满足机器人快速定位与导航的需求。而微机电(MicroElectroMechanicalSystem，MEMS)惯导成本低廉，能够输出高频率的三轴加速度和角速度信息，具有较高的角速度测量精度，可以在激光雷达扫描之间提供稳健的状态估计。通过多传感器融合，能够弥补单一传感器进行状态估计的不足，可以提供更可靠的位置和姿态信息。

Zhang等人提出的激光雷达里程计与地图构建方案(LidarOdometryandMapping，LOAM)，它仅是个激光里程计算法，无回环检测和后端优化，LOAM方案将复杂的SLAM问题划分为两个算法的结合，即高频的粗略配准和低频的精细配准。Shan等人提出轻量级和地面优化的LOAM(LightweightandGroundOptimizedLOAM，Lego-LOAM)，在LOAM基础上加入数据预处理、回环检测、后端优化，后端采用基于增量平滑的非线性优化库，是较完整的3D激光SLAM方案。Zhang等人提出在LOAM基础上利用视觉里程计高频的估计位姿，激光里程计低频的优化位姿，并校准漂移；Ye等人提出一种基于图优化的激光雷达惯导紧耦合里程计方案，经过实际测试，该算法过于耗时，为了达到实时输出位姿，被动采用跳帧处理，室内跳一帧计算，室外跳两帧计算。Qin等人在Lego-LOAM的基础上加入迭代误差状态卡尔曼滤波数据融合框架；李等人在Lego-LOAM中加入惯导因子进行后端因子图优化。Behley等人提出一种稠密的基于Surfel的3D激光SLAM方案。Zuo等人提出一种基于MSCKF融合激光惯导视觉的里程计方法。Lin等人[11]提出一种基于固态激光雷达的的里程计方法。Li等人提出一种扫描到扫描的实时激光里程计估计网络。Zhang等人提出激光雷达视觉惯导耦合的SLAM方案，能够实现较高精度的里程计。然而，由于上述方法均假设周围环境是静态的，没有顾及到动态障碍物对位姿估计和建图的影响，因此这些方法很难在室外动态道路环境中实现低漂移、鲁棒的位姿估计。

发明内容

为了解决上述的技术问题，本发明提出的顾及动态障碍物的激光雷达惯导里程计与建图方法及系统，采用深度图像的方式去除道路环境中的动态障碍物，方案不同，采用三种特征点云分类别分步骤的进行点云匹配和位姿求解，充分的问题，利用ESKF框架融合惯导的预积分信息和激光雷达帧间匹配信息，提高位姿估计的精度。

本发明的第一目的是提供一种顾及动态障碍物的激光雷达惯导里程计与建图方法，数据预处理，还包括以下步骤：

步骤1：顾及动态障碍物的特征提取；

步骤2：进行激光点云帧间匹配和ESKF数据融合；