考虑车辆运动约束的无人车三维点云地图构建及定位研究.pdfVIP

摘要

考虑车辆运动约束的无人车三维点云地图构建及定位研究

自动驾驶技术已经成为汽车行业的研究热点，高精度定位是无人车不可或缺

的基础，基于点云地图的多传感器融合定位是实现鲁棒、精确定位的有效技术方

法之一。点云数据蕴含详尽的空间信息，对自动驾驶车辆的定位和路径规划至关

重要。构建一个统一的点云地图并实现精确的多源数据融合定位，是自动驾驶技

术进步的关键步骤。

本研究依托于中华人民共和国工信部信息技术发展司“国家级工业软件”

（TC210804S）项目，利用3D激光雷达、惯性测量单元（IMU）、全球卫星导航

系统（GNSS）为主要传感器，辅以车速等车辆运动约束，旨在解决园区场景下

L4级别中低速自动驾驶高精度地图构建及定位问题。具体研究内容如下：

（1）对本研究采用的主要数据信息来源激光雷达传感器、IMU、GNSS、车辆

车速等进行预处理。为了提高算法精度，同时降低算法计算压力，激光点云数据

需要进行预处理，包括雷达数据下采样、去除运动畸变等处理算法。为了提高建

图及定位精度，对用于辅助车辆定位的车速信息进行预处理，对车速进行滤波融

合，减少由于车速突变而引起的定位失效。此外，为实现全局定位需求，对各传

感器坐标系转换关系进行了统一，对传感器数据时间同步做了预处理，为后续研

究奠定有效基础。

（2）在中低速无人驾驶园区环境中，构建点云地图的常见技术是同步定位

与建图（SLAM）。SLAM技术分为前端和后端处理，前端主要负责点云的配准，

其核心是激光里程计，通过比较当前帧与地图参考帧来实现位置和姿态的估计。

然而，随着里程计的累积，位姿估计可能会出现偏差，进而影响地图的准确性。

为解决前端里程计漂移问题，兼顾计算效率，提出了基于点云特征提取的数据处

理方法，对点云帧进行帧间匹配，与标准的NDT点云配准方法相比，计算量更低，

精度更高。由于环境特征退化或剧烈运动导致的帧间匹配误差，本研究在预积分

框架下引入了IMU、车速信息，对帧间匹配误差进行了优化，提升了前端里程计

精度。

（3）在地图构建系统中，后端优化是确保系统核心稳定性的关键。前端虽

然能够通过相邻两帧点云数据计算出相对位置和姿态，并生成增量式地图，但长

I

期累积的误差可能导致地图出现漂移和重影现象。SLAM技术旨在提供一种长期

可靠的解决方案，因此，仅依赖前端是不足以保证地图准确性的。随着地图数据

的不断累积，误差的累积效应会使得后续数据的准确性降低。为了减少前端里程

计引入的漂移，后端优化通过引入外部观测约束来实现。本研究采用的是非线性

优化技术，与仅考虑上一帧位姿的滤波优化方法不同，本研究的方法考虑了所有

历史数据，并结合了全球定位系统（GNSS）和闭环检测数据进行全局优化。尽管

这种方法会增加计算负担，但它能够显著提高优化的精度。在获得优化后的全局

地图后，本文采用基于ESKF的匹配定位方法，将点云地图匹配定位结果与IMU、

GNSS进行融合，获得稳定可靠的定位输出。

（4）最后，本研究利用开源数据集、实验室自动驾驶研究平台以及ROS机

器人操作系统软件平台，验证算法有效性。实验表明，本研究基于前后端优化的

点云地图，实现了10厘米级别的地图精度，有效消除了地图漂移。此外，本研

究使用ESKF来融合LiDAR、IMU和车辆速度等互补传感器信息，以在各种具有挑

战性的场景中实现良好的定位精度，充分利用地面自动驾驶车辆的车辆速度约束

来优化定位结果，实现30厘米级别的定位精度，并表现出环境鲁棒性。这种良

好且稳定的地图构建和定位结果可以帮助自动驾驶车辆安全完成导航任务。此外，

所提出的方法可以用于分别对离线地图构建和在线定位融合更多传感器，以应对

不同的应用场景。

关键词：自动驾驶，车辆运动约束，点云地图，高精度定位

II

Abstract

Researchon3DPointCloudMapConstructionandLocalizationof

AutonomousDrivingVehiclesConsideringVehicleMotionConstraints

Autonomousdriving