[发明专利]车辆定位方法及装置

权利要求书

1.一种车辆定位方法，其特征在于，所述方法应用于在港口作业的无人驾驶车辆中，所述方法包括：

航迹推算扩展卡尔曼滤波器DR_EKF获取车辆低线束激光雷达扫描的原始点云数据；

DR_EKF从所述原始点云数据中提取目标物的点云数据，所述目标物为车辆行驶环境中位置固定的物体；所述目标物包括车道线和围栏；所述从所述原始点云数据中提取目标物的点云数据，包括：通过车道线和普通路面的反射强度的区别从所述原始点云数据中提取车道线的点云数据；通过两个相邻点云之间的深度差聚类柱状物，从所述原始点云数据中提取围栏的点云数据；

DR_EKF将所述点云数据与历史点云数据累积，得到局部地图，所述历史点云数据为与当前帧相连的历史帧的原始点云数据中目标物的点云数据；

激光雷达扩展卡尔曼滤波器LIDAR_EKF基于所述局部地图、全局地图和所述车辆的全局位姿确定所述车辆的位姿，所述全局地图为世界坐标系下的包含所述目标物的点云数据，是预先扫描构建的，所述全局位姿是基于低线束激光雷达进行全局定位得到的；

所述基于所述局部地图、全局地图和所述车辆的全局位姿确定所述车辆的位姿，包括：

DR_EKF调用迭代最近点ICP匹配算法基于所述局部地图、所述全局地图和所述全局位姿计算出位姿残差；

LIDAR_EKF采用所述位姿残差修正所述全局位姿，确定所述车辆的位姿，所述全局位姿基于、预测得到；其中，直接从惯性测量单元中直接获取，是k时刻的角速度和加速度为k-1到k时刻的控制量，A为状态转移矩阵，B为控制矩阵，P为系统预测状态的协方差阵，Q为过程噪声的协方矩阵。

2.根据权利要求1所述的方法，其特征在于，所述将所述点云数据与历史点云数据累积，得到局部地图，包括：

将所述车道线的点云数据与第一预设帧的所述车道线的历史点云数据累积，得到第一局部地图；

将所述围栏的点云数据与第二预设帧的所述围栏的历史点云数据累积，得到第二局部地图，所述第二预设帧的数量小于所述第一预设帧的数量；

叠加所述第一局部地图和所述第二局部地图，得到所述局部地图。

3.根据权利要求1所述的方法，其特征在于，在基于所述局部地图、全局地图和所述车辆的全局位姿确定所述车辆的位姿之前，所述方法还包括：

获取所述车辆的航位推算位姿和全局位姿，所述航位推算位姿是基于相邻滤波周期的所述目标物的点云数据得到的；

根据所述航位推算位姿和所述全局位姿的相对关系，将所述局部地图从航位推算DR坐标系转换到世界坐标系，得到世界坐标系的局部地图；

所述基于所述局部地图、全局地图和所述车辆的全局位姿确定所述车辆的位姿，包括：

根据世界坐标系的局部地图、全局地图和所述车辆的全局位姿确定所述车辆的位姿。

4.根据权利要求3所述的方法，其特征在于，在从所述原始点云数据中提取目标物的点云数据之前，所述方法还包括：

将所述原始点云数据从激光雷达坐标系转换到车体坐标系；

所述从所述原始点云数据中提取目标物的点云数据，包括：

从车体坐标系的原始点云数据中提取目标物的点云数据；

在将所述点云数据与历史点云数据累积，得到局部地图之前，所述方法还包括：

将所述点云数据从车体坐标系转换到所述航位推算DR坐标系；

所述将所述点云数据与历史点云数据累积，得到局部地图，包括：

将航位推算DR坐标系的点云数据与航位推算DR坐标系的历史点云数据累积，得到航位推算DR坐标系的局部地图。

5.根据权利要求3所述的方法，其特征在于，在基于所述局部地图、全局地图和所述车辆的全局位姿确定所述车辆的位姿之前，所述方法还包括：

在初始化阶段，将所述车辆的航位推算位姿设置为，以及在空旷环境下获取所述车辆的全局位姿。