[发明专利]一种融合码盘和激光雷达的里程计方法与建图方法

说明书

本发明涉及一种融合码盘和激光雷达的里程计方法与建图方法，包括以下步骤：通过车轮编码器和方向盘转角传感器获取车轮里程计信息；通过激光雷达获得点云数据，对该点云数据进行格式转换，获得激光扫描序列；对所述激光扫描序列进行特征点提取，所述特征点包括平面点和边缘点；以所述车轮里程计信息作为优化初值，基于所述特征点实现位姿优化，获得激光里程计结果，作为最终的里程计结果，基于因子图，融合回环因子和可选的GPS因子对姿态进行优化，通过增量平滑和建图算法在线生成全局地图。与现有技术相比，本发明具有低漂移、低延迟等优点。

技术领域

本发明涉及机器人定位技术领域，尤其是涉及一种融合码盘和激光雷达的里程计方法与建图方法。

背景技术

同步定位与建图(SLAM)是机器人领域的热门话题，近年来，自动驾驶汽车的发展给SLAM带来了新的场景和新的挑战。最重要的挑战之一是自我定位，这也是SLAM的基本问题，但它在更大范围内面临来自现实世界的各种挑战，例如光照、天气、GPS信号质量等。在这一挑战下，利用了不同类型传感器的融合方法脱颖而出，如视觉惯性法和激光雷达惯性法的组合等。

LiDAR Odometer and Mapping(LOAM)方法使用两层优化来实现高频LiDAR里程计和低频LiDAR建图和里程计校正，但是，里程表的频率受到激光雷达帧率的限制。LiDAR惯性里程计方法融合惯性测量产生更高的里程计输出频率，有助于在不假设线性运动的情况下校正点云，其性能优于LOAM，尤其是当传感器剧烈移动或旋转时。但它在一个紧密耦合的框架中工作，惯性模块和LiDAR里程计模块之间的反馈使它在点云的良好特征很少时容易失效。

特征提取是基于特征的激光雷达里程计方法的核心，它决定了精度、鲁棒性甚至计算效率。特征提取的一般过程是：将点分类为边缘点或平坦点，在对应的特征图中搜索相邻点，以最小化点对线或点对点的方式将点合并入特征图中。这种方法适用于大多数平面物体，如墙壁或地面，产生平滑的平面特征图，但一些粗糙的物体，如灌木或草地，会产生有噪声的边缘特征图，大多数方法基于相邻点的空间分布过滤边缘特征。但是，实际上，一些被遗弃的特征，例如植被的特征点，在经过体素网格过滤后可以看作是平坦的特征，因为它们在较大的邻域中看起来是平坦的，过多丢弃特征会对降低系统的鲁棒性。

SLAM系统的另一个重要问题是漂移的校正。现有技术中提出一种基于迭代最近点(ICP)的闭环方法，但是当漂移太大时很容易失败。

综上所述，有必要为自动驾驶汽车设计一个准确、鲁棒和实时的SLAM系统。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种低漂移、低延迟的融合码盘和激光雷达的里程计与建图方法。

本发明的目的可以通过以下技术方案来实现：

一种融合码盘和激光雷达的里程计方法，包括以下步骤：

通过车轮编码器和方向盘转角传感器获取车轮里程计信息；

通过激光雷达获得点云数据，对该点云数据进行格式转换，获得激光扫描序列；

对所述激光扫描序列进行特征点提取；

以所述车轮里程计信息作为优化初值，基于所述特征点实现位姿优化，获得激光里程计结果，作为最终的里程计结果。

进一步地，所述车轮里程计信息基于阿克曼转向几何学获取。

进一步地，获得点云数据后，对点云数据进行去畸变处理。

进一步地，所述采用基于角度的几何方法对所述激光扫描序列进行特征点提取，所述特征点包括平面点和边缘点。

进一步地，所述基于角度的几何方法具体为：

通过以下公式计算激光数据点M的角度corner angle：