袁 超，潘文波，陳志偉，黃文宇，李源征宇，楊振宇

（中車株洲電力機車研究所有限公司，湖南 株洲 412001）

0 引言

路旁一般情況下主要存在著樹木、路燈等桿狀物，它們作為參照物在城市、城際和郊區(qū)道路環(huán)境和安全分析中發(fā)揮著重要作用［1］，但也給自動駕駛帶來挑戰(zhàn)。樹木可能干擾衛(wèi)星定位信號并阻礙傳感器的可視性，導(dǎo)致出現(xiàn)定位精度下降、潛在的遺漏或錯誤檢測等問題，甚至造成安全事故［2］。自動駕駛系統(tǒng)依賴對周圍環(huán)境的全面理解以有效感知并應(yīng)對復(fù)雜的道路情況，其中路旁桿狀物作為重要的路邊特征對車輛定位和安全分析具有重要影響。因此，開發(fā)一種可同時實現(xiàn)定位、高精地圖創(chuàng)建以及路邊桿狀物識別和分類的有效方法對于提高駕駛安全至關(guān)重要。

傳統(tǒng)測繪方式耗時、流程煩瑣且設(shè)備昂貴。因此，航空影像、光檢測與測距點云等遙感數(shù)據(jù)成為創(chuàng)建路邊桿狀物清單的重要資源［3］。移動激光掃描（mobile laser scanning，MLS）系統(tǒng)由于能夠安全高效地獲取準(zhǔn)確的三維信息，因此在道路環(huán)境建模中變得越來越重要［4］。MLS系統(tǒng)通過收集激光脈沖的坐標(biāo)來生成密集的點云，其速率可達每秒一百萬個點，可見MLS 系統(tǒng)在提取道路環(huán)境（包括樹木、交通標(biāo)志和其他特征）信息方面具有強大的能力［5-6］。MLS 系統(tǒng)由高精度的全球?qū)Ш叫l(wèi)星系統(tǒng)（global navigation satellite system，GNSS）、慣性測量單 元（inertial measurement unit，IMU）和測繪級激光掃描儀組成。雖然MLS 系統(tǒng)能夠?qū)崿F(xiàn)高精度的三維地圖創(chuàng)建，但高昂的成本使其難以被廣泛應(yīng)用。此外，MLS 系統(tǒng)的地圖創(chuàng)建和感知效率較低，難以滿足自動駕駛的實時性需求。

雖然同步定位與地圖構(gòu)建（simultaneous localization and mapping，SLAM）技術(shù)對于車輛定位和實時路旁桿狀物清單創(chuàng)建具有潛力，但目前仍缺乏能夠?qū)崿F(xiàn)同時進行車輛定位和路邊桿狀物清單創(chuàng)建的方法。主要的技術(shù)挑戰(zhàn)如下：

1）長距離的樹木遮擋會阻礙GNSS信號，顯著降低衛(wèi)星導(dǎo)航的精度。慣性導(dǎo)航系統(tǒng)（inertial navigation system，INS）依賴IMU進行車輛定位，而IMU累計誤差大。

2）單獨運行SLAM 算法和路旁桿狀物提取算法會導(dǎo)致較高的計算成本?，F(xiàn)有的SLAM 特征提取算法和路旁桿狀物特征提取算法存在明顯差異，很難采用統(tǒng)一的算法來同時實現(xiàn)車輛定位和實時路旁桿狀物清單創(chuàng)建。

3）在道路條件復(fù)雜的地區(qū)，利用共享SLAM特征信息的桿狀物檢測算法容易受到環(huán)境干擾而產(chǎn)生誤報。

基于桿狀物結(jié)構(gòu)識別、樹木清單創(chuàng)建方法和SLAM 算法，本文提出了一個準(zhǔn)確而穩(wěn)健的車輛定位和路旁桿狀物清單創(chuàng)建系統(tǒng)，其具有以下特點：

1）引入適用于長距離遮擋場景定位和地圖構(gòu)建的方案。該方案通過滑動窗口形式，緊耦合了激光雷達（LiDAR）、IMU和GNSS，減少了遮擋和退化場景中的誤差積累，提高了系統(tǒng)的準(zhǔn)確性。

2）采用兩階段的方法來最小化全局地圖誤差，通過GNSS輔助來修正累積的地圖誤差。

3）提出了一種桿狀物檢測方法，利用SLAM中的共享特征提取算法，從而最大化特征信息的利用。該算法減少了系統(tǒng)的計算成本，實現(xiàn)了同時定位和桿狀物檢測。

4）引入了一種利用方位角特征信息進一步減少誤報的方法。

本文所提系統(tǒng)在城市和郊區(qū)進行了廣泛的測試和評估。結(jié)果表明，該系統(tǒng)具有較好的準(zhǔn)確性和穩(wěn)健性，能夠有效處理各種場景中的定位和桿狀物清單創(chuàng)建任務(wù)。

1 研究現(xiàn)狀

目前，使用MLS 自動提取燈桿、電線桿等形狀單一的桿狀物的信息已經(jīng)有了快速、高效的解決方案，且準(zhǔn)確率較高［5-6］。然而，樹木的形狀較為復(fù)雜，需要區(qū)分樹干與樹冠。在過去的十年中，關(guān)于從點云數(shù)據(jù)中進行個體樹木分割也受到了重視，例如從密集的點云信息中獲取樹木高度、樹干直徑、胸徑等屬性信息［7-11］并基于點云數(shù)據(jù)進行3D目標(biāo)檢測［12］。此外，將相機與MLS點云結(jié)合起來添加圖像信息的研究也受到了廣泛的關(guān)注。例如，將全景圖像與MLS點云融合，在分割過程中添加來自圖像的顏色信息作為樹木識別的行動準(zhǔn)則［13］。類似的方法包括將多光譜圖像信息與MLS點云融合以進行樹木識別［14-16］。然而，這些依賴MLS 系統(tǒng)的方法需要昂貴的高精度GNSS/IMU定位設(shè)備和測量級激光掃描儀，限制了它們的大規(guī)模部署應(yīng)用。此外，基于高精度點云數(shù)據(jù)進行自動樹木識別和標(biāo)定的方法實時性能較差。

激光雷達以其對光照變化的抗干擾性和精確測距能力在物體感知和導(dǎo)航領(lǐng)域得到了廣泛的應(yīng)用［17］。激光雷達傳感器在各種機器人應(yīng)用中越來越常見，如自動駕駛車輛［18］、無人機［19］等。文獻［20］將SLAM 姿態(tài)估計轉(zhuǎn)化為最小二乘優(yōu)化問題，利用泰勒展開將非線性目標(biāo)函數(shù)線性化，并通過梯度下降、高斯-牛頓或列文伯格-馬夸爾特法等方法進行求解。最為經(jīng)典的3D激光雷達SLAM 算法——實時激光里程計和建圖（lidar odometry and mapping in real-time，LOAM）根據(jù)曲率從每幀中提取角點和平面點，并基于角點構(gòu)建特征線，基于平面點構(gòu)建特征平面?；趫?zhí)行點云配準(zhǔn)并使用最小二乘優(yōu)化方法解決姿態(tài)，LOAM通過低頻率建圖和高頻率定位確保了準(zhǔn)確的定位和良好的建圖結(jié)果。然而，該方法缺乏回環(huán)檢測模塊［21］，無法修正累積誤差且不能進行重定位。文獻［22］改進了LOAM，對點云進行聚類和分割，成功地將地面點與其他點分離。其基于聚類方法，過濾掉了不可靠的點云，提高了特征點的質(zhì)量；還提出了一種兩步優(yōu)化方法來加速姿態(tài)估計和收斂速度；此外，還引入了一種基于歐幾里得距離的回環(huán)檢測方法，以消除累積誤差。這種方法比LOAM 更高效，更適合在自動駕駛系統(tǒng)中部署，同時在系統(tǒng)完整性方面也超過了LOAM［22］。2021 年，文獻［23］提出了一種利用激光雷達點云中的幾何和強度信息的新型SLAM 解決方案，其設(shè)計了一個基于強度信息的前端里程計估計和一個基于強度信息的后端優(yōu)化的方法，該方法優(yōu)于僅依賴幾何信息的SLAM方法。文獻［24］介紹了一種名為R3LIVE的新型激光雷達-慣性-視覺傳感器融合框架，其利用激光雷達、慣性和視覺傳感器的測量來進行強大而準(zhǔn)確的狀態(tài)估計。該框架還整合了視覺慣性傳感器的數(shù)據(jù)并渲染地圖紋理。文獻［25］提出了一種實時、準(zhǔn)確、穩(wěn)健的激光雷達SLAM 方法，其將非重復(fù)掃描激光雷達、IMU、輪式里程計和GNSS 緊密耦合，用于姿態(tài)估計和同步全局地圖生成。盡管當(dāng)前基于激光雷達的SLAM 算法在許多場景中已經(jīng)呈現(xiàn)出足夠的精度和穩(wěn)健性，但在退化和大規(guī)模環(huán)境中仍面臨挑戰(zhàn)。此外，上述提到的SLAM方法中的特征提取算法并未考慮到桿狀物檢測和識別的要求，使得同時實現(xiàn)車輛定位和路旁桿狀物清單創(chuàng)建變得困難。

2 系統(tǒng)介紹

本文提出了一種可以同時實現(xiàn)車輛定位和道路旁桿狀物清單生成的多傳感器融合方案，其能夠在長距離樹木遮擋衛(wèi)星信號和光照條件不理想等場景下穩(wěn)定運行。在選擇定位、建圖和感知傳感器時，常用的選項包括GNSS、IMU、激光雷達和相機等。然而，相機易受光照影響，而GNSS+IMU在長距離遮擋場景下會累積顯著誤差。因此，本文主要采用激光雷達和組合慣導(dǎo)作為主要傳感器。車輛定位和路旁桿狀物清單創(chuàng)建系統(tǒng)的工作流程如圖1所示。

圖1 車輛定位和路旁桿狀物清單創(chuàng)建系統(tǒng)概述Fig.1 Overview of vehicle localization and roadside pole-shaped object inventory creation system

在本文提出的系統(tǒng)中，首先通過將激光雷達采集的點云數(shù)據(jù)與組合慣導(dǎo)中的測量值相結(jié)合，對激光點云進行運動補償和畸變?nèi)コ忍幚?，再從點云中提取邊緣特征、平面特征等信息。接著，提取的特征點被分別應(yīng)用于桿狀物檢測模塊和迭代卡爾曼濾波模塊的計算中。桿狀物檢測模塊對樹干特征進行聚類和檢測，并將屬于樹木特征點的屬性信息發(fā)送到全局地圖，以增加這些特征點的樹木屬性信息。迭代卡爾曼濾波模塊利用特征點和局部地圖構(gòu)建殘差方程，并結(jié)合IMU預(yù)積分對位姿狀態(tài)進行更新。如果誤差狀態(tài)收斂，則輸出位姿信息；否則，繼續(xù)迭代。然后，根據(jù)迭代卡爾曼濾波模塊輸出的位姿信息來更新特征點并將其添加到全局地圖中。最后，在全局地圖中根據(jù)樹木特征點的方位信息進一步過濾樹冠的誤報，并通過GNSS-RTK 信息或回環(huán)檢測進一步優(yōu)化關(guān)鍵幀的位姿。

2.1 特征提取

本節(jié)對激光里程計特征提取模塊進行介紹，主要針對點云中面特征和線特征候選點篩選展開描述。

2.1.1 候選點計算

激光雷達感知周圍環(huán)境信息，形成三維點云，一幀點云往往包含上萬至數(shù)十萬的點，如果全部用于計算，會極大消耗計算資源，且實時性也無法得到滿足。如圖2 所示，空間中存在大量的特征點云，如面點和線點，通過對該類點云進行提取，可以極大地減少計算過程中使用點的個數(shù)，從而節(jié)約計算時間［21-22］。

圖2 激光雷達點云Fig.2 LiDAR point cloud

現(xiàn)有的特征點計算算法，如 LOAM 和 Lego-LOAM 等，通過計算同一線激光點中相鄰點的空間距離，得出該點的線曲率，并以該線曲率作為分類特征點的標(biāo)準(zhǔn)。該方法可以有效地通過計算得到面點和線點，能很好地檢測到路燈和電線桿，但是特征提取方法不適用于樹木檢測，且當(dāng)激光入射角度和距離變化時，特征提取將變得不穩(wěn)定。例如，由于現(xiàn)有的SLAM的特征提取方法在樹葉密集情況下容易將樹葉點云作為無效特征點濾除，導(dǎo)致后續(xù)基于特征點的樹冠部分點丟失。當(dāng)激光雷達入射角正對樹葉且距離適中時，不僅有部分激光點云被表層樹葉反射，還有相當(dāng)一部分穿過表層樹葉，被后面的樹葉或樹枝反射回來。在這種情況下，可以較好地提取出角點。當(dāng)入射距離比較近且樹葉茂密時，可能連續(xù)出現(xiàn)在同一線束上多個點被表層樹葉反射的情況，計算得到的線曲率將明顯變小，甚至?xí)`判成面點。因此，本文將重點介紹如何解決樹木檢測的問題。

本文通過自適應(yīng)空間幾何候選特征計算方式，對面點候選集合P1和線點候選集合L1進行初步篩選。

記一幀完整點云為Q，待判斷點為qi。首先對點云進行預(yù)處理操作，去除無效點后，根據(jù)點云中各點的行列索引，將點云映射至序列圖上，如圖3所示。點云中各個有效點都將被映射到序列圖上，以方便后續(xù)查詢操作。若點qi的行屬性為m、列屬性為n，則其將被映射到序列圖中第m行、第n列，索引符號被記作indexm，n。

圖3 點云序列映射圖Fig.3 Point cloud sequence mapping

通過序列圖對點進行索引，得到點pi。對點pi進行特征初步判斷時，不再通過選取固定個數(shù)領(lǐng)域點的方式計算曲率，而是根據(jù)距離閾值 Δd對周圍點進行篩選，并對與pi距離為 Δd的同一條線上的點pi～pi-m和pi～pi+n構(gòu)建特征判斷函數(shù)，具體如下：

式中：ci——候選點判斷值；pi+j，pi-j——pi點前j點和后j點。

Nj計算公式如下：

計算得到ci后，對ci作如下判斷，將其分類為P1和L1：

式中：Δc——平面特征點的閾值。

2.1.2 特征點篩選

根據(jù)式（1）～式（3）計算，得到P1和L1；進一步對L1進行篩選，得到篩選后的線點候選集合L2，并建立體素柵格，對密集點云進行采樣，完成面特征點集合P和線特征點集合L的篩選。

針對L1構(gòu)建分類，如圖4所示。

圖4 線點候選集合分類篩選Fig.4 Classification and filtering of candidate line feature point cloud sets

記L1中線點pli，其周圍a×b鄰域內(nèi)線特征點個數(shù)記為k，線特征點鄰域內(nèi)同類點個數(shù)的閾值為ΔK，則根據(jù)式（4）對pli篩選：

圖4中，橘色索引表示當(dāng)前待篩選點pli，對其鄰域 5 × 3 格內(nèi)的點進行查詢，比如索引為index4，4的點，其周圍查詢到 6 個同類點；而索引為（index4，n-1）的待篩選點，其周圍僅一個同類點。設(shè)置ΔK=5，并代入式（4），則刪除（index4，n-1）索引點，并在L2中加入index4，4索引點。

對P1和L2進行體素網(wǎng)格采樣，首先根據(jù)各點坐標(biāo)（x，y，z）計算各點所處體素柵格坐標(biāo)（coordinateX、coordinateY、coordinateZ），假設(shè)體素柵格長、寬、高分別為l、w、h，則

一個體素柵格中可能存在多個特征點，這些聚集的特征點如果全部被用于位姿解算，不僅不會提升定位精度，反而會加大時間消耗。若某一體素網(wǎng)格中，點云簇過于聚集，則對其進行體素采樣，每個體素網(wǎng)格保留單個特征點，用于位姿解算過程。通過體素采樣的方式，能夠解決點云簇過于聚集的問題，最終得到特征點集合P和L。

2.2 桿狀物檢測

為了確保車輛自動駕駛的安全性，需要實時檢測桿狀物的信息。路燈桿形狀單一，易被檢測；而樹木形狀復(fù)雜且需檢測出樹干部分。因此，本文首次提出直接利用SLAM中的特征點進行樹木檢測，以提高檢測效率。大部分樹木特征點云位于特征點集合L中，因此本文對集合L中的特征點進行聚類和提取樹干特征。在提取樹干之前，根據(jù)車輛姿態(tài)和雷達的安裝高度，直接濾除地面以下和接近地面的特征點，這樣可以進一步減輕計算負(fù)擔(dān)；此外，這些接近地面的點通常代表灌木叢和路旁設(shè)備，可能在樹干提取步驟中引起錯誤提取的問題。

樹干可被定義為從根部或靠近地面的地平線開始向上延伸到一個或多個不確定點的樹木的主干。樹干的提取分為兩個步驟，即聚類和樹干識別。

基于密度的聚類（DBSCAN）方法將具有相似距離和角度的特征點分組到同一個聚類中。針對樹干特征提取，本文對DBSCAN算法進行了改進，主要體現(xiàn)在搜索方向權(quán)重的調(diào)整和樹干聚類的優(yōu)化兩個方面。首先，考慮到樹干主要向上（即z方向）生長，雷達在z方向上測量的點之間的距離較大，而在x和y方向上較為密集，因此，在x、y和z方向上賦予不同的權(quán)重ωx、ωy和ωz。改進后的聚類算法中的搜索距離如式（6）所示。

式中：Dij——目標(biāo)i與目標(biāo)j的搜索距離；xi、yi、zi——目標(biāo)i的坐標(biāo)；xj、yj、zj——目標(biāo)j的坐標(biāo)。

調(diào)整權(quán)重系數(shù)，使得ωx=ωy＞ωz，此時Dij受x和y方向上距離的影響將大于z方向，這也符合樹干現(xiàn)狀特性及反射點在x、y方向和z方向上的差異情況。

為了滿足實時性的需求，需要快速聚類出樹干。首先選擇高度約為1.5 m的特征點作為DBSCAN聚類的初始點。由于樹干部分的點云比樹冠部分更密集，特別是在x和y方向上的距離差異較大，因此可以根據(jù)樹冠和樹干之間特征點的差異將樹干單獨聚類出來。

樹干反射的雷達點具有獨特的形狀特征，可以將其與其他目標(biāo)區(qū)分開。因此，本文系統(tǒng)主要依靠聚類后的形狀估計來綜合判斷目標(biāo)是否為樹干，即對一組聚類點進行形狀估計，從而得到一個矩形框，通過矩形的高寬比來判斷目標(biāo)是否為樹干；同時，將樹干上方一定范圍內(nèi)的角特征點視為樹冠點云。由于樹冠點云較為稀疏，在地圖構(gòu)建的過程中，本文系統(tǒng)通過疊加多幀特征點來進一步識別樹冠。

2.3 前端里程計

本文所提地圖構(gòu)建算法利用信號質(zhì)量良好的歷史GNSS-RTK 定位信息構(gòu)建關(guān)鍵幀局部地圖，以豐富點云地圖歷史信息。前端里程計利用位姿優(yōu)化初值將當(dāng)前提取的幀特征點投影至局部地圖，并進行最近點查詢。若最近點距離大于預(yù)先設(shè)定的距離閾值，則該特征點為離群點，無法構(gòu)建重投影誤差；反之，構(gòu)建點云重投影代價函數(shù)（點-面距離、點-點距離），利用非線性最小二乘法迭代優(yōu)化位姿參數(shù)。最后，根據(jù)位姿更新量進行關(guān)鍵幀診斷，若為關(guān)鍵幀，則更新局部地圖。本文對局部地圖采用滑動窗口法，在保證實時動態(tài)更新的同時，達到減少數(shù)據(jù)量和計算量的目的。點-面重投影誤差rpi，f、點-點重投影誤差rpj，s如式（7）所示。點-面重投影誤差和點-點重投影誤差組成的優(yōu)化目標(biāo)函數(shù)f(R，t)如式（8）所示。

式中：rpk，f——平面特征點重投影誤差；pk——當(dāng)前幀激光點云平面特征點；R——待優(yōu)化的旋轉(zhuǎn)矩陣；t——待優(yōu)化平移向量；pk，m——pk在局部地圖中的最近點；nk——局部地圖平面點pk，m所在平面單位法向量；pj——當(dāng)前幀激光點云邊線特征點；pj，m——pj在局部地圖中的最近點；Pf——當(dāng)前幀激光點云中所有平面特征點的集合；Ps——當(dāng)前幀激光點云中所有邊線特征點的集合。

2.4 后端優(yōu)化

為減小激光SLAM 前端位姿估計累計誤差，SLAM 后端融合GNSS 觀測約束和前端里程計約束，構(gòu)建位姿圖優(yōu)化代價函數(shù)，迭代優(yōu)化以減小前端累計位姿估計誤差，提升定位精度。如圖5 所示，變換矩陣TGs為在GNSS-RTK 信號丟失區(qū)段之前由GNSS-RTK定位模式輸出的東北天坐標(biāo)系下車輛位姿約束；變換矩陣Ti，i∈{0，1，2，…，k}為GNSS-RTK 信號丟失區(qū)段內(nèi)待優(yōu)化車輛位姿；變換矩陣TGe為GNSS-RTK信號恢復(fù)后由GNSS-RTK定位模式輸出的東北天坐標(biāo)系下車輛位姿約束；變換矩陣為激光SLAM前端里程計輸出的相鄰兩幀位姿約束信息。待優(yōu)化位姿目標(biāo)函數(shù)如式（9）所示，其由位姿約束rT0、rTi，Ti+1、rTk組成。

圖5 后端位姿優(yōu)化圖Fig.5 Diagram of pose optimization at rear end

式中：(·)?——李代數(shù)到李群的映射。

3 實驗結(jié)果與分析

為了評估所提出方法的性能，在城市和郊區(qū)道路環(huán)境中進行了廣泛的測試。

3.1 實驗設(shè)備

本系統(tǒng)選擇的LiDAR 型號是RS-Ruby-80 線激光雷達，其最大測距范圍為200 m；所使用的組合慣性導(dǎo)航系統(tǒng)（INS）是華測CGI-610，其提供（0.1+1×10-6D）m（D為INS 與定位基站的距離，單位為m）的GNSSRTK定位精度；采用SPAN-ISA-100C系統(tǒng)作為評估本文系統(tǒng)定位性能的基準(zhǔn)參考；車載計算機配備了Intel i7-6820HQ 處理器，主頻2.7 GHz，以及16 GB 的內(nèi)存。此外，所有算法都是使用C++實現(xiàn)，并在Ubuntu Linux上使用機器人操作系統(tǒng)（robot operating system，ROS）進行執(zhí)行。測試平臺車輛和傳感器的安裝布置如圖6所示。

圖6 自動駕駛平臺車輛和傳感器安裝Fig.6 Installation of sensors on autonomous driving platform vehicles

3.2 實驗結(jié)果分析

在城市和郊區(qū)道路環(huán)境下的自動駕駛車輛平臺上進行了同步實現(xiàn)車輛定位和路旁桿狀物清單創(chuàng)建實驗，實驗涵蓋了某市中心和郊區(qū)高速公路上的多個場景。自動駕駛汽車運行了2 300 s，行駛距離12.95 km。圖7 顯示了原始點云和桿狀物檢測的結(jié)果，可見本文系統(tǒng)能夠清晰地提取桿狀物。

圖7 城市道路數(shù)據(jù)集的原始點云和桿狀物提取結(jié)果Fig.7 Extraction results of raw point clouds and pole-shaped objects from urban road dataset

x、y、z方向的軌跡曲線如圖8所示?；疑摼€表示SPAN-ISA-100C 設(shè)備提供的真實軌跡，藍色曲線表示算法輸出的關(guān)鍵幀軌跡?？梢钥闯觯壽E誤差在水平和垂直方向上都相對較小，并且表現(xiàn)出與真實情況相似的趨勢。

圖8 x、y、z 方向上的真實軌跡和關(guān)鍵幀軌跡Fig.8 Real trajectories and key frame trajectories in the x,y,and z directions

為了定量評價算法精度，選擇軌跡的絕對位姿誤差（APE）作為評價指標(biāo)。僅考慮位置誤差，而忽略方向誤差，從而得到以米為單位的 APE 值，結(jié)果如圖9 所示。圖9統(tǒng)計結(jié)果表明，APE的最大值為0.223 m，最小值為0.001 m，平均值（mean）為0.027 m，均方根誤差（RMSE）為0.035 m 。與高精度、高成本的定位設(shè)備SPAN-ISA-100C 設(shè)備提供的地面真實軌跡作對比，該算法的平均誤差小于3 cm。這些定量分析結(jié)果表明，該算法具有較高的軌跡精度。

圖9 APE 統(tǒng)計結(jié)果Fig.9 APE statistical results

4 結(jié)束語

為同步實現(xiàn)車輛定位和對道路環(huán)境的感知，本文提出了一種利用LiDAR-IMU-GNSS 融合系統(tǒng)同時實現(xiàn)車輛定位和路旁桿狀物絕對位置清單創(chuàng)建的方法。其通過緊耦合LiDAR、IMU和GNSS信息，實現(xiàn)了在遮擋環(huán)境下準(zhǔn)確的姿態(tài)估計；基于滑動窗口的優(yōu)化融合定位算法，通過融合多傳感器數(shù)據(jù)提高了系統(tǒng)的魯棒性。此外，本文提出了一種與SLAM共享特征提取的樹木檢測方法，減輕了計算負(fù)載，使得系統(tǒng)能夠?qū)崟r地進行定位建圖和樹干檢測。通過在城市和郊區(qū)的各種道路場景中進行廣泛測試、評估，本文所提系統(tǒng)展示了厘米級定位精度，同時實現(xiàn)了實時自動創(chuàng)建路側(cè)桿狀物清單。總體來說，本文所提的融合LiDAR-IMU-GNSS系統(tǒng)為同時實現(xiàn)車輛定位和路旁桿狀物清單構(gòu)建提供了一種解決方案，有助于提高駕駛安全性和對道路環(huán)境的理解。但本文未剔除道路中運動的車輛和行人等因素，后續(xù)研究中需要在前端在線過濾動態(tài)物體，以進一步提高定位精度。