[发明专利]一种面向自动驾驶车辆的结构共用多传感器融合定位系统

说明书

本发明公开了一种面向自动驾驶车辆的结构共用多传感器融合定位系统，包括：车辆运动学模型模块，根据车辆运动学模型预测车辆运动状态；激光SLAM算法模块；扩展卡尔曼滤波模块，利用扩展卡尔曼滤波技术融合车辆运动学模型提供的车辆预测位姿和激光SLAM算法提供的车辆优化位姿，从而获取准确的车辆位姿信息。本发明的面向自动驾驶车辆的结构共用多传感器融合定位系统，通过车辆运动学模型模块、激光SLAM算法模块和扩展卡尔曼滤波模块的设置，便可有效的实现进行定位了。

技术领域

本发明涉及自动驾驶车辆定位方法，特别是关于一种面向自动驾驶车辆的结构共用多传感器融合定位系统。

背景技术

近年来，自动驾驶技术研究已成为热点和趋势。自动驾驶技术包含环境感知、定位导航、路径规划和决策控制，其中定位导航是自动驾驶的关键。准确、鲁棒的实时定位是自动驾驶车辆安全行驶的基础，确定车辆在全局坐标系中的位置信息为规划和控制模块提供依据。自动驾驶车辆通过传感器获得自身运动状态和周围地形环境信息，实现车辆位姿的准确估计。

目前，自动驾驶车辆常用定位技术分为两类：1)基于全球卫星导航系统(GNSS)定位。2)基于自主式传感器定位。GNSS定位精度较高，但容易受到高楼、隧道、高架和地下车库等使用环境的遮蔽影响而失效。基于自主式传感器的定位主要利用激光雷达、惯性测量单元或者里程计。利用里程计或IMU传感器进行航迹推算是一种低成本、自主的车辆定位方式，其优点在于抗干扰能力强，同时能根据传感器数据在短时间内提供较高精度的车辆定位信息，但航迹推算定位算法的误差会随时间不断累积，因此并不适合长时间单独定位。SLAM算法利用激光雷达或相机实现自动驾驶车辆实时定位。大多数情况下，自动驾驶车辆以平面运动为主，而SLAM算法并未考虑激光雷达受安装平台的约束影响，导致车辆优化位姿出现偏差。综上所述，使用单一传感器进行定位难以满足自动驾驶车辆的定位精度要求。因此，设计一种面向自动驾驶车辆的结构共用多传感器融合定位系统，通过融合多种传感器数据提高自动驾驶车辆定位精度和鲁棒性。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种面向自动驾驶车辆的结构共用多传感器融合定位系统，通过车辆运动学模型预测车辆运动状态，并利用激光SLAM算法优化车辆位姿。采用扩展卡尔曼滤波技术实现车辆运动学模型和激光SLAM算法的位姿融合，以期提高自动驾驶车辆定位精度与鲁棒性。为实现上述目的，本发明提供了如下技术方案：一种面向自动驾驶车辆的结构共用多传感器融合定位系统，包括：

车辆运动学模型模块，以在新一帧激光点云数据还未到达之前，通过轮速传感器和方向盘转角传感器数据构建车辆运动学模型，根据车辆运动学模型预测车辆运动状态；

激光SLAM算法模块，分为前端匹配和后端图优化部分，前端匹配完成：基于车辆预测状态，矫正激光点云运动畸变，通过邻域点信息计算点云局部光滑度，采用双邻域策略提取角点和平面点特征，并与上一帧点云进行匹配，后端优化完成：基于点云强度和局部光滑度构建全局描述符，利用卡方检验计算扫描相似性并根据特征点进行验证，通过帧与局部地图匹配优化车辆位姿，基于当前帧与历史回环帧的位姿转换，构建位姿图优化，降低车辆位姿累计误差；

扩展卡尔曼滤波模块，利用扩展卡尔曼滤波技术融合车辆运动学模型提供的车辆预测位姿和激光SLAM算法提供的车辆优化位姿，从而获取准确的车辆位姿信息。

作为本发明的进一步改进，所述车辆运动模型模块构建车辆运动学模型和预测车辆状态的具体步骤如下：

步骤1，通过轮速传感器直接提供车辆纵向速度v和通过方向盘转角传感器提供车辆横摆角速度ω计算所需的方向盘转角δ_s；

步骤2，基于速度v、方向盘转角δ_s、转向器角传动比η以及轴距L计算车辆横摆角速度ω：