应用于自动驾驶的定位方法及装置、智能车辆及存储介质与流程

1.本发明涉及智能车辆技术领域，具体而言，涉及一种应用于自动驾驶的激光雷达轮速计紧耦合定位方法、一种智能车辆制冷模式新风控制装置、一种智能车辆和一种可读存储介质。


背景技术：

2.在自动驾驶技术中，对车辆的精确定位是保证整个系统的稳定性和可靠性的基础，也是实现自动驾驶高级功能的基本先决条件。
3.在自动驾驶领域，基于视觉或者激光雷达的定位方案已经十分成熟。尽管基于视觉的定位方案在系统成本和回环检测中具有一定的优势，但视觉传感器对于光照、快速运动和初始化的敏感性可能会给系统的稳定性带来一定的风险。
4.为了更好地实现在不同环境下的车辆定位任务，基于激光雷达的定位系统已经成为了解决自动驾驶领域车辆定位问题的主流方案。目前市面上高分辨率的激光雷达已经能够实现远距离、大范围的环境信息捕获，并不受夜间等环境的影响。
5.由于自动驾驶系统需要面对复杂的环境工况，基于激光雷达的定位方法往往需要与其他传感器进行融合，以进一步增强定位系统的鲁棒性。
6.激光雷达里程计一般通过扫描匹配的方法(如icp、gicp等)，计算两个连续帧之间的相对位姿变换来实现定位。基于全点云匹配的匹配方法由于计算效率的问题，在许多实时性要求较高的场合已被基于特征的匹配方法所取代。如何在兼顾实时性的同时更有效地利用激光点云的数据，提高定位精度，已成为了优化激光雷达定位算法的关键。


技术实现要素：

7.因此，本发明实施例提供一种应用于自动驾驶的激光雷达轮速计紧耦合定位方法，在兼顾实时性的同时更有效地利用激光点云的数据，提高定位精度。
8.为解决上述问题，本发明提供一种应用于自动驾驶的激光雷达轮速计紧耦合定位方法，包括：步骤s100：实时获取当前帧激光雷达点云数据ft+1；步骤s200：判断所述激光雷达点云数据ft+1是否为关键帧数据；步骤s300：若判断所述激光雷达点云数据ft+1为关键帧数据则将所述激光雷达点云数据ft+1进行采样和提取特征点，并通过迭代最近点与相邻关键帧构建目标函数，并求得激光雷达里程计位姿估计值，若判断所述激光雷达点云数据ft+1不为关键帧数据则将所述激光雷达点云数据ft+1丢弃；步骤s400：将所述激光雷达里程计位姿估计值和激光雷达里程计位姿估计值融合，对激光雷达里程计位姿进行更新。
9.与现有技术相比，采用该技术方案所达到的技术效果：一方面，本实施例通过基于激光雷达和轮速计的紧耦合定位框架，相较于单一激光雷达传感器的定位方案，能够更有效地利用车辆周围的环境信息，并大大降低了周围环境对定位结果的影响，提高了算法的鲁棒性，能够解决不同环境下自动驾驶的车辆定位问题；另一方面，本实施例基于关键帧策略和特征点的激光雷达里程计，在兼顾定位精度的同时大大降低了点云的运算量。
10.在本发明的一个实例中，所述步骤s200具体包括：步骤s210：计算所述当前帧激光雷达点云数据ft+1的雷达里程计的当前位姿步骤s220：计算上一时刻的帧激光雷达点云数据ft的雷达里程计的上一时刻位姿步骤s230：通过所述当前位姿和所述上一时刻位姿相减得到位姿增量[δw,δh]，其中，δw为旋转增量在yaw方向上的分量，δh为平移增量的绝对值；步骤s240：当δw大于旋转阈值，且δh大于平移阈值时，则所述当前帧激光雷达点云数据ft+1为关键帧数据，若δw小于等于旋转阈值和/或δh小于等于平移阈值时，所述当前帧激光雷达点云数据ft+1不为关键帧数据。
[0011]
与现有技术相比，采用该技术方案所达到的技术效果：通过旋转增量和平移增量得到对应的位姿增量，且通过设定旋转阈值、平移阈值和旋转增量、平移增量进行对比，且只有当δw大于旋转阈值，且δh大于平移阈值时才将当前帧激光雷达点云数据ft+1做为关键帧数据，其余的均不为关键帧数据，从而提高对关键帧识别的准确度。
[0012]
在本发明的一个实例中，所述步骤s210和所述步骤s220中计算激光雷达点云数据的雷达里程计的位姿，具体包括：读取轮速脉冲数据，根据运动学方程对轮速计数据进行积分，估计激光雷达里程计在平面分量上的位姿增量。
[0013]
与现有技术相比，采用该技术方案所达到的技术效果：通过读取轮速脉冲数据，根据运动学方程对轮速计数据进行积分，估计激光雷达里程计在平面分量上的位姿增量提高计算激光雷达点云数据的雷达里程计的位姿的准确性。
[0014]
在本发明的一个实例中，所述读取轮速脉冲数据，根据运动学方程对轮速计数据进行积分，估计激光雷达里程计在平面分量上的位姿增量，具体包括：当前t时刻，轮速里程计的状态为o
t
＝[w
t
,v
t
]，w
t
为当前轮速计的瞬时角速度，且v
t
为当前轮速计的瞬时线速度，且其中，k
l
,kr为左轮、右轮的轮速系数，v
l
,vr为左轮、右轮的线速度，l为左右车轮的轴距；当前t时刻，轮速计位姿为根据运动学方程估计t+1时刻的轮速计位姿其中，其中，其中，表示由轮速计坐标系到世界系的旋转矩阵；表示由轮速计坐标系到世界系的平移矩阵；δt为t时刻到t+1时刻的时间间隔；为欧式群，分别表示t、t+1时刻轮速计坐标系到世界系的外参矩阵。
[0015]
与现有技术相比，采用该技术方案所达到的技术效果：通过轮速里程计的状态o
t
和轮速计位姿得到位姿增量，从而提高定位算法的精度，减小激光雷达累积误差的影响。
[0016]
在本发明的一个实例中，所述将所述激光雷达点云数据ft+1进行采样和提取特征点，包括：sor滤波去噪：根据所述激光雷达点云数据ft+1中每一点的k邻点的平均距离设定阈值，剔除离散的噪点。
[0017]
与现有技术相比，采用该技术方案所达到的技术效果：通过采用sor滤波去噪，剔除离散的噪点，从而提高定位算法的精度。
[0018]
在本发明的一个实例中，所述将所述激光雷达点云数据ft+1进行采样和提取特征点，还包括：iss关键点提取：设定搜索半径r在完成去噪的点云数据中，对每个点r空间邻域内建立局部坐标系，根据空间邻域内所有点到关键点的距离计算对应的协方差矩阵，得到其特征值，设定阈值并剔除不满足阈值的点，将采样的关键帧记为f
′
t+1
，将关键帧的上一时刻的帧记为f
′
t
。
[0019]
与现有技术相比，采用该技术方案所达到的技术效果：通过iss关键点提取，取得其特征值，设定阈值并剔除不满足阈值的点，从而在兼顾定位精度的同时大大降低了点云的运算量。
[0020]
在本发明的一个实例中，所述通过迭代最近点与相邻关键帧构建目标函数，包括：对f
′
t
和f
′
t+1
通过迭代最近点方法求解并估计位姿，目标函数如下：其中，pi，p
′i表示f
′
t+1
、f
′
t
中的第i对特征点，表示f
′
t
到f
′
t+1
的转换关系的迭代初值。
[0021]
与现有技术相比，采用该技术方案所达到的技术效果：通过对f
′
t
和f
′
t+1
通过迭代最近点方法求解并估计位姿进而得到f
′
t
到f
′
t+1
的转换关系的迭代初值，从而便于对激光雷达里程计位姿进行更新。
[0022]
另一方面，本发明还提供了一种应用于自动驾驶的定位装置，包括：获取模块，所述获取模块用于获取当前帧激光雷达点云数据ft+1；判断模块，所述判断模块用于判断所述激光雷达点云数据ft+1是否为关键帧数据；控制模块，所述控制模块当判断所述激光雷达点云数据ft+1为关键帧数据则将所述激光雷达点云数据ft+1进行采样和提取特征点，并通过迭代最近点与相邻关键帧构建目标函数，并求得激光雷达里程计位姿估计值，若判断所述激光雷达点云数据ft+1不为关键帧数据则将所述激光雷达点云数据ft+1丢弃；将所述激光雷达里程计位姿估计值和激光雷达里程计位姿估计值融合，对激光雷达里程计位姿进行更新。
[0023]
本实施例中的应用于自动驾驶的定位装置用于实施如本发明任一实施例的应用于自动驾驶的激光雷达轮速计紧耦合定位方法，因此其具有如本发明任一实施例的应用于自动驾驶的激光雷达轮速计紧耦合定位方法的全部有益效果，在此不再赘述。
[0024]
又一方面，本发明实施例还提供了一种智能车辆，包括：处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如上述中任一项实施例所述的应用于自动驾驶的激光雷达轮速计紧耦合定位方法的步骤。
[0025]
本实施例中的智能车辆运行如本发明任一实施例的应用于自动驾驶的激光雷达轮速计紧耦合定位方法，因此其具有如本发明任一实施例的应用于自动驾驶的激光雷达轮速计紧耦合定位方法的全部有益效果，在此不再赘述。
[0026]
再一方面，本发明实施例还提供了一种可读存储介质，所述可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如本发明任一实施例的应用于自动驾驶的激光雷达轮速计紧耦合定位方法的步骤。
[0027]
本实施例中的可读存储介质包括存储的计算机程序，且计算机程序被处理器运行时控制所述存储介质所在设备执行如本发明任一实施例的应用于自动驾驶的激光雷达轮
速计紧耦合定位方法的步骤，因此其具有如本发明任一实施例的应用于自动驾驶的激光雷达轮速计紧耦合定位方法的全部有益效果，在此不再赘述。
[0028]
采用本发明的技术方案后，能够达到如下技术效果：
[0029]
(1)本实施例通过基于激光雷达和轮速计的紧耦合定位框架，相较于单一激光雷达传感器的定位方案，能够更有效地利用车辆周围的环境信息，并大大降低了周围环境对定位结果的影响，提高了算法的鲁棒性，能够解决不同环境下自动驾驶的车辆定位问题；
[0030]
(2)本实施例基于关键帧策略和特征点的激光雷达里程计，在兼顾定位精度的同时大大降低了点云的运算量；
[0031]
(3)通过轮速里程计的状态o
t
和轮速计位姿得到位姿增量，从而提高定位算法的精度，减小激光雷达累积误差的影响。
附图说明
[0032]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中待要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]
图1为本发明第一实施例所述的应用于自动驾驶的激光雷达轮速计紧耦合定位方法的流程图；
[0034]
图2为本发明第二实施例所述的应用于自动驾驶的定位装置的结构示意框图；
[0035]
图3为本发明第三实施例所述的智能车辆的组成框图；
[0036]
图4为本发明第四实施例所述的可读存储介质的结构示意图。
[0037]
附图标记说明：
[0038]
100为应用于自动驾驶的定位装置；110为获取模块；120为判断模块；130为控制模块；200为智能车辆；210为存储器；211为计算机程序；230为处理器；300为可读存储介质；310为计算机可执行指令。
具体实施方式
[0039]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0040]
【第一实施例】
[0041]
参见图1，应用于自动驾驶的激光雷达轮速计紧耦合定位方法具体包括：
[0042]
步骤s100：实时获取当前帧激光雷达点云数据ft+1；
[0043]
步骤s200：判断激光雷达点云数据ft+1是否为关键帧数据；
[0044]
步骤s300：若判断激光雷达点云数据ft+1为关键帧数据则将激光雷达点云数据ft+1进行采样和提取特征点，并通过迭代最近点与相邻关键帧构建目标函数，并求得激光雷达里程计位姿估计值，若判断激光雷达点云数据ft+1不为关键帧数据则将激光雷达点云数据ft+1丢弃；
[0045]
步骤s400：将激光雷达里程计位姿估计值和激光雷达里程计位姿估计值融合，对激光雷达里程计位姿进行更新。
[0046]
举例来说，一方面，本实施例通过基于激光雷达和轮速计的紧耦合定位框架，相较于单一激光雷达传感器的定位方案，能够更有效地利用车辆周围的环境信息，并大大降低了周围环境对定位结果的影响，提高了算法的鲁棒性，能够解决不同环境下自动驾驶的车辆定位问题；另一方面，本实施例基于关键帧策略和特征点的激光雷达里程计，在兼顾定位精度的同时大大降低了点云的运算量。
[0047]
具体的，步骤s200具体包括：
[0048]
步骤s210：计算当前帧激光雷达点云数据ft+1的雷达里程计的当前位姿
[0049]
步骤s220：计算上一时刻的帧激光雷达点云数据ft的雷达里程计的上一时刻位姿
[0050]
步骤s230：通过当前位姿和上一时刻位姿相减得到位姿增量[δw,δh]，其中，δw为旋转增量在yaw方向上的分量，δh为平移增量的绝对值；
[0051]
步骤s240：当δw大于旋转阈值，且δh大于平移阈值时，则当前帧激光雷达点云数据ft+1为关键帧数据，若δw小于等于旋转阈值和/或δh小于等于平移阈值时，当前帧激光雷达点云数据ft+1不为关键帧数据。
[0052]
举例来说：通过旋转增量和平移增量得到对应的位姿增量，且通过设定旋转阈值、平移阈值和旋转增量、平移增量进行对比，且只有当δw大于旋转阈值，且δh大于平移阈值时才将当前帧激光雷达点云数据ft+1做为关键帧数据，其余的均不为关键帧数据，从而提高对关键帧识别的准确度。
[0053]
在一个具体的实施例中，旋转阈值为10
°
，平移阈值为1m。
[0054]
更进一步的，步骤s210和步骤s220中计算激光雷达点云数据的雷达里程计的位姿，具体包括：读取轮速脉冲数据，根据运动学方程对轮速计数据进行积分，估计激光雷达里程计在平面分量上的位姿增量。
[0055]
举例来说，通过读取轮速脉冲数据，根据运动学方程对轮速计数据进行积分，估计激光雷达里程计在平面分量上的位姿增量提高计算激光雷达点云数据的雷达里程计的位姿的准确性。
[0056]
优选的，读取轮速脉冲数据，根据运动学方程对轮速计数据进行积分，估计激光雷达里程计在平面分量上的位姿增量，具体包括：当前t时刻，轮速里程计的状态为o
t
＝[w
t
,v
t
]，w
t
为当前轮速计的瞬时角速度，且v
t
为当前轮速计的瞬时线速度，且其中，k
l
,kr为左轮、右轮的轮速系数，v
l
,vr为左轮、右轮的线速度，l为左右车轮的轴距；当前t时刻，轮速计位姿为根据运动学方程估计t+1时刻的轮速计位姿其中，其中，其中，表示由轮速计坐标系到世界系的旋转矩阵；表示
由轮速计坐标系到世界系的平移矩阵；δt为t时刻到t+1时刻的时间间隔；为欧式群，分别表示t、t+1时刻轮速计坐标系到世界系的外参矩阵。
[0057]
举例来说，通过轮速里程计的状态o
t
和轮速计位姿得到位姿增量，从而提高定位算法的精度，减小激光雷达累积误差的影响。
[0058]
优选的，将激光雷达点云数据ft+1进行采样和提取特征点，包括：sor滤波去噪：根据激光雷达点云数据ft+1中每一点的k邻点的平均距离设定阈值，剔除离散的噪点。举例来说，通过采用sor滤波去噪，剔除离散的噪点，从而提高定位算法的精度。
[0059]
较佳地，将激光雷达点云数据ft+1进行采样和提取特征点，还包括：iss关键点提取：设定搜索半径r在完成去噪的点云数据中，对每个点r空间邻域内建立局部坐标系，根据空间邻域内所有点到关键点的距离计算对应的协方差矩阵，得到其特征值，设定阈值并剔除不满足阈值的点，将采样的关键帧记为f
′
t+1
，将关键帧的上一时刻的帧记为f
′
t
。举例来说，通过iss关键点提取，取得其特征值，设定阈值并剔除不满足阈值的点，从而在兼顾定位精度的同时大大降低了点云的运算量。
[0060]
具体的，通过迭代最近点与相邻关键帧构建目标函数，包括：对f
′
t
和f
′
t+1
通过迭代最近点方法求解并估计位姿，目标函数如下：代最近点方法求解并估计位姿，目标函数如下：其中，pi，p
′i表示f
′
t+1
、f
′
t
中的第i对特征点，表示f
′
t
到f
′
t+1
的转换关系的迭代初值。
[0061]
举例来说，通过对f
′
t
和f
′
t+1
通过迭代最近点方法求解并估计位姿进而得到f
′
t
到f
′
t+1
的转换关系的迭代初值，从而便于对激光雷达里程计位姿进行更新。
[0062]
优选的，本实施例结合轮速惯性里程计对激光雷达位姿进行融合优化，具体包括：
[0063]
设轮速里程计到激光雷达传感器的外参为t
lo
，根据轮速计的数据，可以根据t时刻位姿获得激光雷达在t+1时刻位姿的估计值获得激光雷达在t+1时刻位姿的估计值且根据获得的估计位姿，继续构建目标函数并求解，获得优化后的位姿，目标函数如下：其中，ρr(r1,r2)表示r1、r2在yaw分量上的相差的绝对值，ρ
p
(p1,p2)表示p1、p2在x、y平面分量上的距离。
[0064]
由轮速计数据给出的位姿估计将缺乏z方向、roll方向和pitch方向上的约束，融合计数据后主要改善激光雷达里程计平面分量，即x、y、yaw方向上的分量。
[0065]
【第二实施例】
[0066]
参见图2，本发明实施例还提供一种应用于自动驾驶的定位装置100，例如包括：获取模块110，获取模块110用于获取当前帧激光雷达点云数据ft+1；判断模块120，判断模块120用于判断激光雷达点云数据ft+1是否为关键帧数据；控制模块130，控制模块130当判断激光雷达点云数据ft+1为关键帧数据则将激光雷达点云数据ft+1进行采样和提取特征点，并通过迭代最近点与相邻关键帧构建目标函数，并求得激光雷达里程计位姿估计值，若判断激光雷达点云数据ft+1不为关键帧数据则将激光雷达点云数据ft+1丢弃；将激光雷达里
程计位姿估计值和激光雷达里程计位姿估计值融合，对激光雷达里程计位姿进行更新。
[0067]
在一个具体实施例中，该应用于自动驾驶的定位装置100的获取模块110、判断模块120和控制模块130，配合实现如上第一实施例的应用于自动驾驶的激光雷达轮速计紧耦合定位方法，此处不再赘述。
[0068]
【第三实施例】
[0069]
参见图3，其为本发明第四实施例提供的一种智能车辆的结构示意图，所述智能车辆200例如包括处理器230以及电连接处理器230的存储器210，存储器210上存储有计算机程序211，处理器230加载计算机程序211以实现如第一实施例的应用于自动驾驶的激光雷达轮速计紧耦合定位方法。
[0070]
【第四实施例】
[0071]
参见图4，本实施例还提供一种可读存储介质300，所述可读存储介质300存储有计算机可执行指令310，所述计算机可执行指令310被处理器读取并运行时，控制所述可读存储介质300所在的智能车辆实施如第一实施例中所述的应用于自动驾驶的激光雷达轮速计紧耦合定位方法。
[0072]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0073]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：u盘、移动硬盘、只读存储器(rom，read－only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0074]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种应用于自动驾驶的激光雷达轮速计紧耦合定位方法，其特征在于，应用于自动驾驶的激光雷达轮速计紧耦合定位方法包括：步骤s100：实时获取当前帧激光雷达点云数据ft+1；步骤s200：判断所述激光雷达点云数据ft+1是否为关键帧数据；步骤s300：若判断所述激光雷达点云数据ft+1为关键帧数据则将所述激光雷达点云数据ft+1进行采样和提取特征点，并通过迭代最近点与相邻关键帧构建目标函数，并求得激光雷达里程计位姿估计值，若判断所述激光雷达点云数据ft+1不为关键帧数据则将所述激光雷达点云数据ft+1丢弃；步骤s400：将所述激光雷达里程计位姿估计值和激光雷达里程计位姿估计值融合，对激光雷达里程计位姿进行更新。2.根据权利要求1所述的应用于自动驾驶的激光雷达轮速计紧耦合定位方法，其特征在于，所述步骤s200具体包括：步骤s210：计算所述当前帧激光雷达点云数据ft+1的雷达里程计的当前位姿步骤s220：计算上一时刻的帧激光雷达点云数据ft的雷达里程计的上一时刻位姿步骤s230：通过所述当前位姿和所述上一时刻位姿相减得到位姿增量[δw,δh]，其中，δw为旋转增量在yaw方向上的分量，δh为平移增量的绝对值；步骤s240：当δw大于旋转阈值，且δh大于平移阈值时，则所述当前帧激光雷达点云数据ft+1为关键帧数据，若δw小于等于旋转阈值和/或δh小于等于平移阈值时，所述当前帧激光雷达点云数据ft+1不为关键帧数据。3.根据权利要求2所述的应用于自动驾驶的激光雷达轮速计紧耦合定位方法，其特征在于，所述步骤s210和所述步骤s220中计算激光雷达点云数据的雷达里程计的位姿，具体包括：读取轮速脉冲数据，根据运动学方程对轮速计数据进行积分，估计激光雷达里程计在平面分量上的位姿增量。4.根据权利要求3所述的应用于自动驾驶的激光雷达轮速计紧耦合定位方法，其特征在于，所述读取轮速脉冲数据，根据运动学方程对轮速计数据进行积分，估计激光雷达里程计在平面分量上的位姿增量，具体包括：当前t时刻，轮速里程计的状态为o
t
＝[w
t
,v
t
]，w
t
为当前轮速计的瞬时角速度，且v
t
为当前轮速计的瞬时线速度，且其中，k
l
,k
r
为左轮、右轮的轮速系数，v
l
,v
r
为左轮、右轮的线速度，l为左右车轮的轴距；当前t时刻，轮速计位姿为根据运动学方程估计t+1时刻的轮速计位姿其中，其中，其中，表示由轮速计坐标系到世界系的旋转矩阵；表示由轮速计坐标系到世界
系的平移矩阵；δt为t时刻到t+1时刻的时间间隔；为欧式群，分别表示t、t+1时刻轮速计坐标系到世界系的外参矩阵。5.根据权利要求1所述的应用于自动驾驶的激光雷达轮速计紧耦合定位方法，其特征在于，所述将所述激光雷达点云数据ft+1进行采样和提取特征点，包括：sor滤波去噪：根据所述激光雷达点云数据ft+1中每一点的k邻点的平均距离设定阈值，剔除离散的噪点。6.根据权利要求1所述的应用于自动驾驶的激光雷达轮速计紧耦合定位方法，其特征在于，所述将所述激光雷达点云数据ft+1进行采样和提取特征点，还包括：iss关键点提取：设定搜索半径r在完成去噪的点云数据中，对每个点r空间邻域内建立局部坐标系，根据空间邻域内所有点到关键点的距离计算对应的协方差矩阵，得到其特征值，设定阈值并剔除不满足阈值的点，将采样的关键帧记为f'
t+1
，将关键帧的上一时刻的帧记为f'
t
。7.根据权利要求6所述的应用于自动驾驶的激光雷达轮速计紧耦合定位方法，其特征在于，所述通过迭代最近点与相邻关键帧构建目标函数，包括：对f'
t
和f'
t+1
通过迭代最近点方法求解并估计位姿，目标函数如下：其中，p
i
，p'
i
表示f'
t+1
、f'
t
中的第i对特征点，表示f'
t
到f'
t+1
的转换关系的迭代初值。8.一种应用于自动驾驶的定位装置，其特征在于，包括：获取模块，所述获取模块用于获取当前帧激光雷达点云数据ft+1；判断模块，所述判断模块用于判断所述激光雷达点云数据ft+1是否为关键帧数据；控制模块，所述控制模块当判断所述激光雷达点云数据ft+1为关键帧数据则将所述激光雷达点云数据ft+1进行采样和提取特征点，并通过迭代最近点与相邻关键帧构建目标函数，并求得激光雷达里程计位姿估计值，若判断所述激光雷达点云数据ft+1不为关键帧数据则将所述激光雷达点云数据ft+1丢弃；将所述激光雷达里程计位姿估计值和激光雷达里程计位姿估计值融合，对激光雷达里程计位姿进行更新。9.一种智能车辆，其特征在于，处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-7中任一项所述的应用于自动驾驶的激光雷达轮速计紧耦合定位方法的步骤。10.一种可读存储介质，其特征在于，所述可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如权利要求1-7任意一项所述的应用于自动驾驶的激光雷达轮速计紧耦合定位方法的步骤。

技术总结
本发明提供了一种应用于自动驾驶的定位方法及装置、智能车辆及存储介质，应用于自动驾驶的定位方法包括：步骤S100：实时获取当前帧激光雷达点云数据Ft+1；步骤S200：判断激光雷达点云数据Ft+1是否为关键帧数据；步骤S300：若判断激光雷达点云数据Ft+1为关键帧数据则将激光雷达点云数据Ft+1进行采样和提取特征点，并通过迭代最近点与相邻关键帧构建目标函数，并求得激光雷达里程计位姿估计值，若判断激光雷达点云数据Ft+1不为关键帧数据则将激光雷达点云数据Ft+1丢弃；步骤S400：将激光雷达里程计位姿估计值和激光雷达里程计位姿估计值融合，对激光雷达里程计位姿进行更新。本发明实施例在兼顾实时性的同时更有效地利用激光点云的数据，提高定位精度。提高定位精度。提高定位精度。


技术研发人员：程伟 许丁宁 唐境蔓
受保护的技术使用者：宁波均胜智能汽车技术研究院有限公司
技术研发日：2023.02.24
技术公布日：2023/9/25