预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共24页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111272165A(43)申请公布日2020.06.12(21)申请号202010124025.8(22)申请日2020.02.27(71)申请人清华大学地址100084北京市海淀区清华园1号(72)发明人张新钰郭世纯高文举刘华平李骏(74)专利代理机构北京方安思达知识产权代理有限公司11472代理人陈琳琳武玥(51)Int.Cl.G01C21/00(2006.01)G01C21/16(2006.01)G01C21/20(2006.01)权利要求书6页说明书13页附图4页(54)发明名称一种基于特征点标定的智能车定位方法(57)摘要本发明了提供一种基于特征点标定的智能车定位方法,包括:判断智能车是位于盲区还是非盲区;当智能车位于GNSS非盲区,将GNSS信号、里程计数据和惯性测量单元数据组合,通过卡尔曼滤波获取智能车当前位姿,利用激光雷达扫描智能车周围环境,提取角点、圆弧特征并通过处理得到角点、圆心作为特征点,计算特征点的全局坐标和权重存入当前特征点列表;将当前特征点列表中的特征点加入已有特征点列表,将已有特征点列表中满足条件的特征点加入可信任列表;当智能车位于GNSS盲区,使用激光雷达获取周围可信任列表的特征点作为观测量,融合里程计数据和惯性测量单元数据,通过粒子滤波方法获取智能车当前位姿,从而实现智能车从非盲区进入盲区的定位无缝切换。CN111272165ACN111272165A权利要求书1/6页1.一种基于特征点标定的智能车定位方法,所述方法包括:根据GNSS锁星数确定GNSS信号质量,由此判断智能车是位于盲区还是非盲区;当智能车位于GNSS非盲区,将GNSS信号、里程计数据和惯性测量单元数据进行组合,通过卡尔曼滤波获取智能车当前位姿,同时利用激光雷达扫描智能车周围环境,提取角点、圆弧特征并通过处理得到角点、圆心作为特征点,计算特征点的全局坐标和权重存入当前特征点列表;将当前特征点列表中的特征点加入已有特征点列表,将已有特征点列表中满足条件的特征点加入可信任列表;当智能车位于GNSS盲区,使用激光雷达获取周围可信任列表的特征点作为观测量,融合里程计数据和惯性测量单元数据,通过粒子滤波方法获取智能车当前位姿,从而实现智能车从非盲区进入盲区的定位无缝切换。2.根据权利要求1所述的基于特征点标定的智能车定位方法,其特征在于,所述当智能车位于GNSS非盲区,将GNSS信号、里程计数据和惯性测量单元数据进行组合,通过卡尔曼滤波获取智能车当前位姿;具体包括:步骤1-1)通过智能车左后轮、右后轮的光电编码器,计算智能车位移和航向角变化量,具体过程如下:计算单位采样时间TS内左后轮和右后轮位置增量ΔdL和ΔdR:其中,ΔNL和ΔNR分别为左后轮和右后轮采样时间内脉冲增量,D为车轮当量直径,P为光码盘光栅总数,m为编码器减速率;计算tk-1时刻到tk时刻智能车的位移变化量ΔDk和航向角变化量其中,W为两后轮轴线长度;计算tk时刻的速度:步骤1-2)从IMU中直接得到tk时刻航向角加速度ωk,对每一时刻角加速度ωk进一步积分得到第二航向角变化量航向角步骤1-3)通过智能车采集到的GNSS信息通过坐标转换得到tk时刻智能车位置步骤1-4)将上述信息通过卡尔曼滤波器融合;定义智能车tk-1时刻状态为:Xk-1=[xk-1,2CN111272165A权利要求书2/6页Tyk-1,Vk-1,θk-1,ωk-1],运动和观测模型分别为:运动过程状态转移函数为:其中,为tk时刻智能车的预测状态,为观测模型转移函数,为加入噪声的观测量,ck是协方差为Q的系统过程噪声,vk是协方差为R的传感器测量噪声;基于上述模型,获取智能车当前位姿。3.根据权利要求2所述的基于特征点标定的智能车定位方法,其特征在于,所述卡尔曼滤波器的预测和更新过程,具体为:预测状态量:T预测误差协方差矩阵:P(k|k-1)=APk-1A+Q更新最优估计状态量:更新卡尔曼增益:更新误差协方差矩阵:Pk=[I-KkH]P(k|k-1)其中,是tk时刻的预测位姿状态量,A为状态转移矩阵,是tk-1时刻的最优位姿状态量,Pk-1是tk-1时刻已更新的误差协方差矩阵,Kk是tk时刻的卡尔曼增益,H为测量矩阵,观测量是tk时刻的最优位姿状态量。4.根据权利要求3所述的基于特征点标定的智能车定位方法,其特征在于,所述,利用激光雷达扫描智能车周围环境,提取角点、圆弧特征并通过处理得到角点、圆心作为特征点,计算特征点的全局坐标和权重存入当前特征点列表;具体包括:根据预先设计的点云密度阈值,去除激光雷达获取的点云数据中的个别噪声点;然后根据各点间欧几里得距离阈值将点云分割成不同的点云簇;基于Hough变换机制从点云簇中提取圆