[发明专利]一种长期场景下无人车的自主定位方法

权利要求书

1.一种长期场景下无人车的自主定位方法，其特征在于，包括以下步骤：

S1：语义聚类提取：通过深度学习技术获取语义点云的语义标签，同时将语义点云进行分割聚类，通过聚类筛选得到环境中鲁棒静态物体的语义聚类；

S2：语义聚类地图创建：利用激光里程计输出的六自由度位姿，将鲁棒静态物体的语义聚类注册到全局语义聚类地图中；

S2.1：检测当前位置的鲁棒静态物体在同一位置被观测的次数，若当前位置的鲁棒静态物体在同一位置被观测的次数超过设定值时，进入S2.2；

S2.2：若全局语义聚类地图中不存在当前位置的鲁棒静态物体的语义聚类时，进入S2.3，若全局语义聚类地图中已存在当前位置的鲁棒静态物体的语义聚类时，进入S2.4；

S2.3：将当前位置的鲁棒静态物体的语义聚类加入到全局语义聚类地图中；

S2.4：检测全局语义聚类地图中当前位置的鲁棒静态物体的语义聚类被注册的次数，若全局语义聚类地图中当前位置的鲁棒静态物体的语义聚类被注册的次数超过设定值时，进入S2.5，否则进入S2.6；

S2.5：当前位置的鲁棒静态物体的语义聚类仅增加被观测的次数，而不将当前位置的鲁棒静态物体合并在全局语义聚类地图已存在当前位置的鲁棒静态物体的语义聚类中；

S2.6：将当前位置的鲁棒静态物体的语义聚类合并到全局语义聚类地图已存在当前位置的鲁棒静态物体的语义聚类中；

S3：长期重定位：当无人车重新进入已建立全局语义聚类地图的环境中时，将无人车获取的局部语义聚类地图和全局语义聚类地图进行匹配；

S4：长期定位：局部语义聚类地图与全局语义聚类地图持续地进行匹配，校正激光里程计的漂移。

2.根据权利要求1所述的自主定位方法，其特征在于，鲁棒静态物体包括树干和杆子。

3.根据权利要求2所述的自主定位方法，其特征在于，步骤S1包括：

S1.1：激光雷达扫描获得当前环境的激光点云，采用RangeNet++网络用于获取激光点云的语义，得到语义点云，并将语义点云通过语义标签进行分类；

S1.2：采用基于深度图的语义分割算法获取树干和杆子的语义聚类。

4.根据权利要求1所述的自主定位方法，其特征在于，步骤S2还包括步骤S2.1：

将全局语义聚类地图中语义聚类的中心点投影到X-Y平面上，形成二维的全局语义聚类地图。

5.根据权利要求4所述的自主定位方法，其特征在于，步骤S3包括：

S3.1：语义聚类匹配：以当前语义聚类为中心，半径为R的领域范围内的语义聚类为当前语义聚类的邻居语义聚类，计算当前语义聚类与邻居语义聚类的位置关系和角度关系来描述几何关系，判断在局部语义聚类地图与全局语义聚类地图的当前语义聚类是否匹配，获得粗糙的匹配对；

S3.2：几何一致性验证：任取两对语义聚类匹配对c_i,c_j，若局部语义聚类地图与全局语义聚类地图中的聚类质心之间的欧式距离之差小于设定的阔值，则c_i,c_j满足几何一致性，在语义聚类匹配对找到所有满足几何一致性的匹配对，获得精确的匹配对；

S3.3：重定位位姿计算：利用精准的匹配对进行重定位位姿的计算。