奇石乐KISTLER放大器传感器的功能参数

gps和激光雷达传感器在使用卡尔曼滤波算法预测无人车下一时刻的方法是完全相同的。gps和激光雷达的参数更新部分是不同的，不同的原因是不同传感器收到的测量值是不同的。当收到gps或激光雷达的测量值，依次执行预测、更新步骤；当同时收到gps和激光雷达的测量值，依次执行预测校正、更新位姿参数步骤。

融合位姿替代slam定位算法预测矩阵

本发明中，激光雷达slam定位算法采用ndt(normaldistributionstransform)点云配准算法，ndt算法配准实质上是在高精度的地图中利用激光雷达实时扫描到的激光雷达点云数据进行点云匹配来实现高精度定位的方法，ndt算法的定位指标评价表如表5-1所示。

表5-1ndt算法点云匹配定位指标评价表

无人车在高精度地图中利用激光雷达ndt点云匹配算法定位的过程中，当点云匹配的匹配率低于80％时，会导致激光雷达ndt算法定位失败，导致ndt算法必须将此时激光雷达的局部环境点云与整个高精度点云地图进行搜索配准来确定车辆当前的位置，这个过程会耗费巨大的时间，例如当整个地图的点云数量达到40万以上时，当发生点云失配时，耗费时间大约在20分钟以上，而且匹配成功率具有不确定性。由于耗时巨大且无法确定Zui终的匹配结果，无人车不得不回到地图的起点位置，重新初始化预测矩阵来获得在全局地图的位置。本发明针对激光雷达ndt点云匹配算法失配时无法快速匹配的情况，提出了激光雷达快速重新匹配定位方法，其中gps定位评价指标如图6所示,当gps信号较强时，即当前gps搜星数大于10颗时，无人车接收到的gps坐标信息无异常的坐标点，如图6(a)所示，当gps信号较差时，即当前gps搜星数小于10颗。无人车接收到的gps坐标信息有异常的坐标值(坐标突变)，如图6(b)所示。

当ndt算法点云失配时，根据当前的gps信号状态分情况的对ndt算法的预测矩阵进行替代，其中ndt算法的定位策略如表5-2所示。

表5-2ndt算法点云匹配策略

当ndt算法在定位过程中，如果点云的匹配率小于80％时会导致ndt点云匹配算法将会定位失败，此时利用gps传感器与激光雷达传感器融合后的位姿矩阵来替换ndt算法的预测矩阵利用当前的融合位姿信息帮助激光雷达ndt定位算法再次获得在全局地图中的位置，gps与激光雷达slam融合定位的算法流程图如图7所示。

当ndt算法失配时，若此时的gps信号状态较好时，即gps传感器表示的无人车位置坐标无异常值的存在，则利用gps与激光雷达的融合位姿矩阵对ndt算法的预测矩阵进行jingque替换，由图10所示，在gps信号较强时，此时融合位姿矩阵与ndt点云匹配算法在正常定位下的预测矩阵几乎一致，在gps信号较差的地方，即gps代表的无人车位置坐标有异常值的存在，则利用融合位姿缩小ndt预测矩阵点云搜索匹配的范围，而不需要将局部点云地图与整个点云地图进行搜索匹配，本发明在某学校校区内分别选取了两个场景，分别在gps信号较好的路段以及gps较差的路段分别进行了若干此实验，实验场景如图8(a),8(b)所示：

实验过程中，当无人车在利用slam持续定位导航时，分别在gps较好的路段以及gps信号较差的路段对前进的无人车进行人为的长时间的车辆遮挡，当无人车当前的点云匹配失败时，我们将遮挡车辆移除，如图9(a),9(b)所示，计算无人车激光雷达slam再次快速重新匹配定位的时间。

实验结果如表5-3所示，在无人车定位过程中，当ndt点云匹配失败时，在gps信号较好的地方，利用融合位姿一替换ndt算法的预测矩阵，ndt在断点处再次匹配的时间大约在14.3ms左右；在gps信号较差的地方，利用融合位姿二替换ndt算法的预测矩阵，ndt在断点处再次匹配的时间大约在85ms左右。经过实验数据可得，当ndt算法失配时，利用本文算法可以使ndt算法再次快速定位。

表5-3ndt算法点云失配再匹配时间

实现无人车激光雷达快速再匹配的过程中，需要用到激光雷达与gps传感器融合后的位姿矩阵，在实验分析中，为了说明当ndt算法失配时，融合位姿矩阵可以代替ndt算法的预测矩阵。图10中描述了无人车当前位置坐标的横纵坐标信息。当ndt算法点云匹配率不足80％时，即ndt算法的预测矩阵代表的无人车横纵坐标会出现异常值，如图10(b)所示，在gps信号较好的路段，采用gps与激光雷达融合的位姿坐标曲线相对平滑，如图10(a)所示。图11是ndt算法预测矩阵与多传感器融合的位姿矩阵对比图，其中“---”状曲线代表ndt预测矩阵中的(x,y)横纵坐标信息，“…”曲线代表gps传感器与激光雷达传感器融合后的位姿矩阵(x,y)横纵坐标信息。通过图10以及图11证明了在ndt算法的失配处，可以利用融合位姿矩阵近似代替ndt的预测矩阵，使ndt算法不需要进行全局扫描，可以通过融合位姿矩阵再次快速匹配。

瑞士奇石乐KISTLER压力传感器 扭矩传感器主要型号：

2118A25 211b1 211B3 211B5 2122A25 6152AA 6152AB 6157BA 6157BB 6158A

6159A 6169A 6190A 6052C 6053CC 6055C 6056A 6057A 6081A 6113A(M10) 6115A(M12) 

6125B 6617B 6625B 6652B 6041A 6043A 6061B 6067C 7061B 4065A 4067A

6229A 4005B4043A 4045A 4073A 4075A 6013CA 7013C 7613C 6213B 601A

601H 603B 701A 5011B 5039A5041E 9211A1 9213A1 9221AA 9221AC1

9223A 9827A 9001A 9011A 9071A 9081A 9091A 9101A 9104A 9130B 9136B

9131BA 9136BA 9602A 9602AA 9301B 9331B 9341B 9371B 9173B 9176B

93639931A1 9931A4 9345A 9277A5 9143B 9251A 9252A 9067C 9068C 9602A

总结：本发明针对低速园区的复杂环境，提出了无人车激光雷达快速重新匹配定位的方法，从而解决无人车在slam定位过程中，点云匹配失败无法再次快速匹配的问题，大大提高了无人车在低速园区内任意场景下slam的定位精度，保障无人车安全性的同时，也为无人车后续的决策控制提供了可靠的依据。

基于双卫星定位模块的定向装置及定向方法，用于解决现有的定向技术容易受到电磁干扰、磁场干扰、高压传输线干扰、地域差别干扰等因素影响而导致的定向精度差的技术问题。

有鉴于此，本申请第一方面提供了一种基于双卫星定位模块的定向装置，包括：第一卫星定位模块、第二卫星定位模块和处理模块，所述第一卫星定位模块的输出端与所述第二卫星定位模块的输出端均与所述处理模块第一端连接，所述第一卫星定位模块连接有第一天线，所述第二卫星定位模块连接有第二天线，所述第一天线的中心点与所述第二天线的中心点处于同一水平面；

所述处理模块具体包括：

星历数据获取子模块，用于获取第一原始星历数据和第二原始星历数据，其中，所述第一原始星历数据为通过第一卫星定位模块采集的星历数据，所述第二原始星历数据为通过第一卫星定位模块采集的星历数据；

双差载波相位计算子模块，用于根据所述第一原始星历数据和所述第二原始星历数据，通过双差载波相位差分方式，得到所述定向装置与观测卫星的双差载波相位值；

基线向量计算子模块，用于根据所述双差载波相位值、所述定向装置的整周模糊度，结合所述双卫星定位模块组合定向系统与所述观测卫星的几何位置关系，换算出所述基线向量；

定向计算子模块，用于根据所述基线向量通过坐标转换方式，解算得到所述基线向量与真北方向的夹角。

可选地，所述双差载波相位计算子模块具体包括：

单差载波相位计算二级子模块，用于根据所述第一原始星历数据和所述第二原始星历数据，通过单差载波相位计算方式，分别计算第一单差载波相位值与第二单差载波相位值，其中所述第一单差载波相位值为所述第一天线、所述第二天线与第一卫星的单差载波相位值，所述第二单差载波相位值为所述第一天线、所述第二天线与第二卫星的单差载波相位值；

双差载波相位计算二级子模块，用于根据所述第一单差载波相位值与所述第二单差载波相位值，通过双差载波相位差分方式，得到所述定向装置与观测卫星的双差载波相位值。

可选地，所述定向计算子模块具体包括：

坐标转换二级子模块，用于根据所述基线向量，通过坐标转换方式将所述基线向量转换为enu坐标向量；

定向计算二级子模块，用于根据enu坐标系下的所述enu坐标向量，解算得到所述基线向量与真北方向的夹角。

可选地，所述第一天线的中心点与所述第二天线的中心点的间距大于或等于第一间距阈值。

可选地，所述第一间距阈值为29cm～31cm。

本申请第二方面提供了一种基于双卫星定位模块的定向方法，应用于如本申请第一方面所述的定向装置，包括：

获取第一原始星历数据和第二原始星历数据，其中，所述第一原始星历数据为通过第一卫星定位模块采集的星历数据，所述第二原始星历数据为通过第一卫星定位模块采集的星历数据；

根据所述第一原始星历数据和所述第二原始星历数据，通过双差载波相位差分方式，得到所述定向装置与观测卫星的双差载波相位值；

根据所述双差载波相位值、所述定向装置的整周模糊度，结合所述双卫星定位模块组合定向系统与所述观测卫星的几何位置关系，换算出所述基线向量；

根据所述基线向量通过坐标转换方式，解算得到所述基线向量与真北方向的夹角。