[发明专利]一种无人车在地下车库中的精确定位方法

权利要求书

1.一种无人车在地下车库中的精确定位方法，其特征在于，该方法基于无人车在地下车库中的精确定位系统，所述无人车在地下车库中的精确定位系统包括地面分割模块(M1)、特征提取与特征匹配，以及非地面有效点选择模块(M2)、有效点合并与降采样模块(M3)、栅格地图产生与三维地图匹配模块(M4)和初始位姿模块(M5)；地面分割模块(M1)连接特征提取与特征匹配，以及非地面有效点选择模块(M2)和有效点合并与降采样模块(M3)，特征提取与特征匹配，以及非地面有效点选择模块(M2)连接有效点合并与降采样模块(M3)，有效点合并与降采样模块(M3)连接栅格地图产生与三维地图匹配模块(M4)，初始位姿模块(M5)连接栅格地图产生与三维地图匹配模块(M4)；

地面分割模块(M1)包括地面分割模块(M11)、地面点云(M13)和非地面点云(M12)；

特征提取与特征匹配，以及非地面有效点选择模块(M2)包括特征提取(M21)、特征匹配(M22)、场景特征(M24)、非地面有效云点(M25)和特征地图(M23)，

有效点合并与降采样模块(M3)包括点云合并(M31)、降采样(M33)、全部有效点云(M32)和最终参与匹配点云(M34)；

栅格地图产生与三维地图匹配模块(M4)包括格栅地图生成模块(M42)和地图匹配模块(M41)，用于确定车辆在地下车库中的精确位姿；

初始位姿模块(M5)，用于为栅格地图产生与三维地图匹配模块(M4)提供车辆的初始位姿；

具体包括以下步骤：

步骤1，地面分割模块(M11)采用高斯过程回归算法实现对完整的三维激光扫描场景的分割，得到地面点云(M13)和非地面点云(M12)，地面点云(M13)和非地面点云(M12)分别表示为P_Grd和P_NoGrd；地面点云是场景结构中的点，属于有效点云；

步骤2，提取非地面点云的特征，并和事先建立的特征地图进行匹配，选择出场景中的有效特征，进而反推获得非地面有效点云，记为P_NoGrdValid；

步骤3，非地面有效点选择模块(M2)产生的非地面有效点云P_NoGrdValid与地面分割模块(M1)产生的地面点云P_Grd参与的点云合并(M31)，得到全部有效点云(M32)，表示为P_Valid，再经过降采样(M33)，得到最终参与匹配点云(M34)，表示为P_LastValid；P_LastValid模块表示为：

P_Valid＝P_Grd∪P_NoGrdValid，其中

P_LastValid＝Downsample(P_Valid)；

步骤4，基于Graph-SLAM技术实现栅格地图生成，通过点到面测度的配准算法实现地图匹配；假设两个点集为和在分别对应实时点云和栅格占据地图点云，C_pq(P,Q)表示点集P和点集Q之间的对应关系，该关系通过最近邻搜索实现，N_p和N_q表示两个点集中点的个数，T＝(R,t)为两个点集之间的变换关系，包括旋转变换R和位移变换t，满足R∈SO(3),t∈R³，则有：

其中，{p_i,q_i}∈C_pq为两个点集之间的一对对应点；

步骤5，初始位姿模块(M5)为地图匹配模块(M41)提供初始位姿信息，匹配得到精确位姿。

2.根据权利要求1所述的一种无人车在地下车库中的精确定位方法，其特征在于，地面分割模块(M11)利用高斯回归过程对采集到的激光点云进行分割处理，得到地面点云和包含有墙面、柱子、车辆、行人障碍物的非地面点云，其中地面点云能够在定位过程中提供丰富的俯仰角和横滚角信息，属于有效点云。