潘文波，李源征宇，龍 騰，陳志偉，黃文宇，秦小輝

（1.中車株洲電力機(jī)車研究所有限公司， 湖南 株洲 412001；2.湖南大學(xué) 汽車車身先進(jìn)設(shè)計制造國家重點實驗室，湖南 長沙 410082）

0 引言

隨著城市的建設(shè)發(fā)展及常住人口的不斷增多，交通擁堵、城市運輸能力不足及交通運輸所帶來的城市污染等問題愈發(fā)顯著。相較其他交通工具，智軌電車具有高效、快捷、綠色且成本較低的特點，近年來已相繼在株洲、宜賓等城市展開試點商業(yè)運行。

車輛定位技術(shù)是智能軌道快運系統(tǒng)的核心技術(shù)之一。對車輛的精確定位可以有效提升車輛決策控制效率與準(zhǔn)確率，保障車輛行車安全。多數(shù)有軌列車具有專用的交通路線和開闊的交通環(huán)境，而智軌電車的運行路線環(huán)境則相對復(fù)雜。大部分智軌電車采用混合車道和半封閉車道，路權(quán)相對而言更加開放，因此不能照搬現(xiàn)有有軌列車的定位方法。乘用車自動駕駛作為近十年來在世界范圍迅速發(fā)展的技術(shù)，正深刻影響著現(xiàn)有交通系統(tǒng)［1］，由于其與智軌電車運行環(huán)境相似，感知、決策和定位等相關(guān)技術(shù)可進(jìn)行移植。乘用車智能駕駛定位技術(shù)根據(jù)輸出形式可分為兩類：全局定位和相對定位。

典型乘用車智能駕駛定位技術(shù)多采用基于全球?qū)Ш叫l(wèi)星系統(tǒng)（global navigation satellite system，GNSS）的全局定位方法。該方法雖可有效抑制全局定位誤差，但其中單點定位精度為米級，因此無法滿足自動駕駛的需求［2］。全球?qū)Ш叫l(wèi)星系統(tǒng)的實時動態(tài)（real time kinematic，RTK）載波相位差分技術(shù)可全天候提供相對于全局坐標(biāo)系的厘米級精準(zhǔn)定位［3］，且無累積定位漂移也是差分定位技術(shù)的顯著優(yōu)勢。該技術(shù)雖在自動駕駛領(lǐng)域被廣泛應(yīng)用，但仍存在致命弱點，即由于多徑干擾，其無法鎖定基準(zhǔn)站。此外，在城市樓區(qū)、隧道等有遮擋的環(huán)境，信號強度會大大衰減［4］，基于GNSS-IMU組合導(dǎo)航的定位方法可在短暫失去衛(wèi)星信號的環(huán)境中提供定位服務(wù)，卻不可避免地引入了累計誤差，若長時間失去衛(wèi)星信號，其定位精度會下降。

為彌補上述定位技術(shù)的不足，近年來乘用車智能駕駛定位技術(shù)多引進(jìn)同步定位與建圖（simultaneous localization and mapping，SLAM）技術(shù)，其可通過車載傳感器收集環(huán)境信息以構(gòu)建地圖，并同步推算當(dāng)前車輛位姿［5-7］。SLAM技術(shù)一般采用激光雷達(dá)和攝像頭作為主要傳感器，其中激光雷達(dá)具備厘米級的遠(yuǎn)距離測距精度，相對于傳統(tǒng)的相對定位方法，SLAM技術(shù)定位更加準(zhǔn)確，是里程計技術(shù)研究的熱點［8-10］。如基于場景識別算法將當(dāng)前幀點云描述信息與先驗點云地圖進(jìn)行匹配，利用匹配信息對最近點迭代（iterative closest point，ICP）算法進(jìn)行精確修正，以獲取當(dāng)前幀全局位姿，有效修正了累計定位漂移，提升了推算精度［11］。基于3D點云正態(tài)分布（3D-NDT）求解定位信息的方法，相較于ICP算法，其通過構(gòu)建目標(biāo)點云和參考點云正態(tài)分布模型，利用模型距離代替點-點距離，降低了ICP計算量，提升了定位系統(tǒng)的魯棒性［12］。在提升點云匹配精度、增加特征匹配效率和減少算力需求等方面，均有相關(guān)研究論文［13-15］。目前基于相機(jī)傳感器的圖像處理技術(shù)比較成熟，且相機(jī)傳感器的成本較低，也是常用的SLAM傳感器，存在多種基于該傳感器的位姿估計研究［16-18］，但測距精度不足，導(dǎo)致視覺里程計精度較低，難以滿足高階自動駕駛厘米級定位精度需求。此外，使用多傳感器融合來實現(xiàn)相對局部定位的方法成為新的研究熱點，如利用慣性傳感器（inertial measurement unit，IMU）測量值來完成相機(jī)尺度的初始化以及利用IMU預(yù)積分?jǐn)?shù)據(jù)來預(yù)測相機(jī)位姿，以提升特征跟蹤算法的匹配速度和魯棒性［19］，實現(xiàn)基于IMU測量值和視覺特征緊耦合的高精度視覺-慣性里程計［20］。但是基于SLAM的定位方式（包括融合IMU和輪速信息）在遠(yuǎn)距離、長時間建圖定位過程中，累計誤差會帶來定位漂移，因此急需探索消除累計誤差的新方法。

針對復(fù)雜城市環(huán)境對遮擋、長時間和長距離定位的需求，本文提出一種基于激光雷達(dá)-全局地圖匹配的長時、長距、高精度定位系統(tǒng)，其定位主要包含兩個步驟：全局地圖構(gòu)建和地圖匹配定位。通過引入GNSS絕對位置約束，消除激光里程計累計誤差，以構(gòu)建全局一致的高精度地圖；通過融合全局地圖匹配定位信息和動態(tài)局部地圖匹配定位信息，降低環(huán)境變化、車輛移動等因素對定位精度的影響，從而有效提升定位系統(tǒng)的精度和魯棒性。

1 基于多源傳感器融合的建圖與定位系統(tǒng)框架

基于多源傳感器融合的建圖與定位系統(tǒng)框架由建圖模塊和定位模塊這兩個部分組成，如圖1所示。

圖1 建圖與定位系統(tǒng)框架圖Fig.1 Mapping and localization system frame diagram

建圖模塊首先利用GNSS時間信息和激光點云時間信息對相鄰兩GNSS定位數(shù)據(jù)進(jìn)行插值處理，以獲得與激光點云時間對齊的GNSS定位信息。之后，判斷GNSS定位信息狀態(tài)，根據(jù)狀態(tài)信息分別采用不同策略求解車輛位姿。若存在RTK定位數(shù)據(jù)，則根據(jù)RTK定位數(shù)據(jù)計算當(dāng)前車輛位姿信息。若不存在RTK定位數(shù)據(jù)，則利用歷史幀位姿信息，構(gòu)建局部點云地圖；提取當(dāng)前幀激光點云特征點，并與局部地圖相匹配，以估算當(dāng)前車輛位姿信息；待恢復(fù)RTK定位模式，緊耦合RTK定位信息和激光里程計位姿估計，優(yōu)化位姿參數(shù)，完成車輛位姿求解。最后，利用位姿信息對各關(guān)鍵幀點云進(jìn)行投影，對點云地圖進(jìn)行濾波，以降低地圖數(shù)據(jù)量，并存儲全局點云地圖。

定位模塊用于判斷GNSS定位信息狀態(tài)。若存在RTK定位數(shù)據(jù)，則根據(jù)RTK定位數(shù)據(jù)計算當(dāng)前車輛位姿信息。若不存在RTK定位數(shù)據(jù)，則結(jié)合歷史幀位姿信息、當(dāng)前幀激光點云特征點和建圖模塊存儲的全局點云地圖，計算當(dāng)前車輛位姿信息。

2 建圖與定位

GNSS RTK可實時提供厘米級定位精度，但市區(qū)的高樓、綠化種植等物體易遮擋GNSS信號。盡管組合慣導(dǎo)在GNSS或RTK丟失路段信息時仍可持續(xù)提供定位數(shù)據(jù)，但受慣性測量單元噪聲和零偏的影響，累計漂移逐漸增大，使得定位精度難以滿足項目需求。雖然基于全局地圖匹配的定位算法既不依賴外界信號又無累計誤差，其憑借實時、魯棒、精準(zhǔn)等特性被廣泛應(yīng)用于自動駕駛領(lǐng)域，但是全局地圖匹配需預(yù)先構(gòu)建全局地圖，而如何構(gòu)建精準(zhǔn)的全局地圖仍具有挑戰(zhàn)性。

2.1 全局地圖構(gòu)建

全局地圖由多幀環(huán)境數(shù)據(jù)依據(jù)空間位姿疊加而成。為減少地圖重影、構(gòu)建清晰的點云地圖，需獲取準(zhǔn)確的位姿估計。本文通過融合GNSS RTK定位信息和激光SLAM位姿估計信息，獲得連續(xù)、穩(wěn)定、準(zhǔn)確的車輛位姿參數(shù)，從而提升全局點云地圖構(gòu)建精度：

（1）對于GNSS RTK良好工況，為充分利用GNSS RTK定位精度高、無累計定位誤差的優(yōu)點，根據(jù)激光點云的時間信息對相鄰兩GNSS RTK定位數(shù)據(jù)進(jìn)行插值處理，以獲得與激光點云時間同步的全局定位信息。

（2）對于GNSS RTK異常工況，若GNSS RTK信號質(zhì)量較差，則利用激光SLAM前端里程計估計車輛位姿并提取關(guān)鍵幀。在GNSS RTK信號較弱的周期內(nèi)，激光定位具有一定的累積定位誤差；待GNSS RTK信號恢復(fù)正常，結(jié)合GNSS RTK在這一周期始末階段的觀測約束和激光里程計的約束，利用梯度下降算法迭代優(yōu)化激光雷達(dá)幀的位姿參數(shù)，以減少累計位姿誤差，進(jìn)而提升地圖構(gòu)建精度。

在經(jīng)典的激光SLAM建圖算法中，如LOAM（Lidar odometry and mapping）算法［5］，其構(gòu)建的地圖為激光單幀點云逐漸累積的結(jié)果。雖然此算法對點云進(jìn)行體素濾波處理，但仍存在特征不明顯、點云過于密集且地圖存儲量較大等問題。因此，在有效降低點云地圖存儲量的前提下，為了提升地圖的質(zhì)量，本算法采用SLAM中的關(guān)鍵幀處理方法。其根據(jù)車輛位姿變化量提取關(guān)鍵幀，對每一幀關(guān)鍵幀內(nèi)的點云進(jìn)行聚類；在進(jìn)行點云濾波時，對非特征點云類和特征點云類采用不同的濾波體素柵格值，以增強一幀點云中特征點云聚類的影響，優(yōu)化點云的質(zhì)量。最后，將各關(guān)鍵幀的激光點云通過重投影進(jìn)行疊加和點云濾波處理，以獲得更加均勻、豐富的點云地圖。

2.1.1 特征提取

智軌電車的運行環(huán)境十分復(fù)雜，道路兩邊的墻體具有聚集的面特征，城市道路設(shè)施（如照明路燈桿、廣告牌桿等）具有強烈的線特征，而行道樹以及聚集的人群等具有不規(guī)則的點云聚集特征，會增加角點和面點的誤檢測率，降低定位精度。因此，在特征提取階段，利用激光雷達(dá)采集的點云信息來提取環(huán)境中的面、線等信息；為提升計算效率，激光點云采用深度圖格式。深度圖格式類似于圖像，有固定的行和列，圖元素與激光點云相對應(yīng)。綜合考慮計算時長和里程計精度，設(shè)定空間區(qū)域待選特征點提取數(shù)量并以均勻特征分布；根據(jù)聚類信息對邊線待選點進(jìn)行過濾，獲取較為穩(wěn)定的邊線特征點。根據(jù)六自由度可視性篩選平面特征點，如沿空間三軸平移和繞空間三軸旋轉(zhuǎn)。圖2示出平移可視性示意，沿平面法線n平移具有良好約束；沿法線n垂直的任意方向t產(chǎn)生無約束滑移。圖3示出旋轉(zhuǎn)可視性示意，繞平面法線n旋轉(zhuǎn)，產(chǎn)生無約束旋轉(zhuǎn)［9］。

圖2 平移可視性Fig.2 Translation visibility

圖3 旋轉(zhuǎn)可視性Fig.3 Rotational visibility

特征點提取方法如下：

（1）計算深度圖行數(shù)量和列數(shù)量

根據(jù)激光雷達(dá)線束數(shù)量和水平分辨率，計算深度圖行數(shù)量和列數(shù)量：

式中：nr——深度圖行數(shù)量；nc——深度圖列數(shù)量；nl——激光雷達(dá)線束數(shù)量；rhor——激光雷達(dá)點云水平分辨率。

圖4示出空間激光點云示意圖。

圖4 空間激光點云示意圖Fig.4 Schematic diagram of space LiDAR point cloud

根據(jù)點云三維空間位置P(x，y，z)，計算豎直夾角和水平夾角。圖4中，豎直夾角為PO（點云P與激光雷達(dá)坐標(biāo)系原點O)連線與激光雷達(dá)坐標(biāo)系XOY平面的夾角；水平夾角為PO連線在XOY平面內(nèi)投影p與X軸方向的夾角。利用角度信息，計算該點在深度圖中的行(r）和列（c）信息，并將其儲存至深度圖對應(yīng)像素點(r，c)：

式中：Vu——激光雷達(dá)豎直視場角最小值；Hr——激光雷達(dá)水平視場角最小值；Dver——激光雷達(dá)垂直視場角；Dhor——激光雷達(dá)水平視場角。

（2）計算點云曲率，獲取最終的特征點

將深度圖各行進(jìn)行切分，分別計算區(qū)域內(nèi)點云曲率pcur。由于激光雷達(dá)垂直分辨率遠(yuǎn)低于水平分辨率，目前多選用水平臨近點計算點云曲率。

為充分結(jié)合水平臨近點和垂直臨近點幾何特征，本文首先利用水平臨近點計算曲率，并選取待選特征點集。然后，引入點云垂直方向臨近點，對待選特征點集進(jìn)行過濾，獲取最終的特征點。文中，水平臨近點曲率計算是通過在點云左右兩側(cè)各取m個點，根據(jù)所選臨近點集與點云的深度差異程度來表示曲率大?。ú町惓潭仍酱?，曲率越大），根據(jù)曲率大小對點云進(jìn)行排序。按預(yù)先設(shè)定的曲率閾值，將曲率大于設(shè)定閾值為邊線待選點，曲率小于設(shè)定閾值為平面待選點。為使特征點分布較為均勻，相鄰兩待選特征點間需間隔n個點，且在各分割區(qū)域待選平面特征點數(shù)量應(yīng)少于閾值nflat，待選邊線特征點數(shù)量應(yīng)小于閾值nline。曲率計算如下：

本文預(yù)先采用深度圖，結(jié)合深度圖對提取的邊線待選點進(jìn)行聚類處理，可降低聚類過程中臨近點搜索計算量。若聚類點云數(shù)量不少于設(shè)定閾值，表明該待選點穩(wěn)定，保留該點；反之，則表明該待選點不穩(wěn)定，剔除該點。該方法能有效剔除不穩(wěn)定邊線點，減少環(huán)境觀測噪聲，提升定位精度和魯棒性。通過深度圖查詢其上下兩行臨近點和左右兩列臨近點，并利用空間平面方程對該點及其臨近點進(jìn)行平面擬合。若平面擬合成功，保留該平面待選點及其所在平面單位法向量；否則，刪除該平面待選點。

2.1.2 位姿估計

為兼顧實時性和精確性，結(jié)合前端里程計和后端姿態(tài)優(yōu)化進(jìn)行位姿估計。前端里程計利用位姿優(yōu)化初值，將所提取的當(dāng)前幀特征點投影至局部地圖進(jìn)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(jìn)行關(guān)鍵幀診斷，若為關(guān)鍵幀，更新局部地圖（本文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(dá)到減少數(shù)據(jù)量和計算量的目的）。后端姿態(tài)優(yōu)化用于減少激光SLAM前端里程計累計誤差，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)化以減少前端累計位姿估計誤差，提升定位精度。

2.2 融合定位

GNSS RTK定位方法與點云-全局地圖匹配定位方法均具有無累計定位誤差的優(yōu)點，且具有一定的互補性。智軌電車所運行的城市環(huán)境復(fù)雜多變，采用GNSS RTK定位技術(shù)，在較為空曠的無遮擋場景下，信號良好，可獲得準(zhǔn)確的定位信息，但在建筑較為稠密的道路場景，信號易被遮擋，無法獲得連續(xù)穩(wěn)定的定位信息；采用點云-全局地圖匹配定位技術(shù)，在空曠道路場景，難以提取有效的平面點和邊線點，無法實現(xiàn)特征點和點云地圖的良好匹配，具有較大的位姿估計誤差，但在建筑較為稠密的道路場景中，可提取豐富的平面點和邊線點，實現(xiàn)特征點與點云地圖的良好匹配，獲得較為精準(zhǔn)的車輛位姿信息。因此，本文提出一種車輛定位方案，其融合GNSS RTK和點云-地圖匹配這兩種定位方法，以彌補二者的缺點，從而獲得實時連續(xù)、穩(wěn)定的車輛位姿。該方案主要基于是否有穩(wěn)定的GNSS RTK信號來進(jìn)行切換，若GNSS RTK信號質(zhì)量良好，將GNSS RTK定位信息作為當(dāng)前車輛位姿最優(yōu)估計；若GNSS RTK信號質(zhì)量較差，利用車輛勻速運動模型計算待優(yōu)化位姿初始值，提取當(dāng)前幀激光點云特征點并與已知點云地圖相匹配，構(gòu)建點-面距離殘差和點-線距離殘差，計算相應(yīng)雅克比矩陣，利用非線性優(yōu)化技術(shù)迭代求解最優(yōu)位姿估計。本文的融合定位方法具有普適性，在空曠的無遮擋場景以及建筑較為稠密的道路場景中均有準(zhǔn)確的定位效果，能夠適用于智軌電車運行的各種道路場景。

由于城市道路復(fù)雜多變，在環(huán)境變化較大的路段，若只采用全局地圖匹配會產(chǎn)生誤匹配，導(dǎo)致優(yōu)化問題陷入局部最優(yōu)，降低定位系統(tǒng)的穩(wěn)定性。為有效克服環(huán)境變化對點云匹配算法的影響，本文引入實時動態(tài)局部地圖，通過判斷當(dāng)前局部地圖點云與全局地圖點云的差異，對當(dāng)前道路環(huán)境的變化進(jìn)行判斷；采用點云-局部地圖匹配和點云-全局地圖匹配松耦合技術(shù)，有效提升匹配定位精度和系統(tǒng)魯棒性。

3 實車驗證與結(jié)果分析

為驗證GNSS RTK定位方法在實際運行路況中的可靠性和準(zhǔn)確性，在環(huán)境復(fù)雜度和路徑長度接近實際應(yīng)用的道路上進(jìn)行了算法相對位姿估計誤差實驗。測試采用智軌電車實車，融合定位系統(tǒng)主要硬件設(shè)備如圖5所示，車頂選用三維激光雷達(dá)傳感器、組合導(dǎo)航系統(tǒng)，并配置了工控機(jī)，配置信息見表1。運行路線中既有結(jié)構(gòu)化場景又有非結(jié)構(gòu)化場景，如圖6所示。主要傳感器及數(shù)據(jù)處理平臺的基本信息見表1。在軟件層面，驗證平臺采用Ubuntu操作系統(tǒng)，并采用機(jī)器人操作系統(tǒng)（robot operating system，ROS）進(jìn)行開發(fā)。

圖5 實驗硬件平臺Fig.5 Experimental hardware platform for autonomous rail rapid tram

表1 融合定位系統(tǒng)的硬件配置Tab.1 Hardware configuration of the fusion positioning system

全局地圖構(gòu)建的實驗場景為開放道路，如圖6所示，車道旁有樹木與建筑物，整體呈現(xiàn)長方形形狀。該環(huán)境條件復(fù)雜度較高，局部路段存在衛(wèi)星信號弱的情況；大部分路段信號較好，GNSS定位精度可以達(dá)到厘米級。在該場景下，智軌電車保持30 km/h以下的車速行駛進(jìn)行地圖數(shù)據(jù)采集，通過融合GNSS RTK定位信息和激光SLAM位姿估計信息以獲得連續(xù)、穩(wěn)定、準(zhǔn)確的車輛位姿參數(shù)，提升全局點云地圖構(gòu)建精度，實現(xiàn)高精度地圖的建立。圖7（a）和圖7（b）分別是激光雷達(dá)點云的面特征和線特征提取效果圖，其中彩色點云為提取的特征，白色為背景點云，能夠清晰提取出路面的平面特征和周邊樹木、燈桿等的線特征。

圖6 智軌電車行駛環(huán)境Fig.6 Driving environment of the autonomous-rail rapid tram

圖7 激光雷達(dá)點云的特征提取Fig.7 Feature extracted from LiDAR point cloud

圖8（a）為行駛過程生成的全景點云地圖，一圈長度為2.7 km；圖8（b）示出地圖中具體環(huán)境放大的局部效果?？梢钥闯?，本算法利用融合GNSS RTK定位信息和激光SLAM位姿估計信息方法可以有效消除地圖累計誤差；根據(jù)生成地圖的分辨率可知，本算法建圖精度可達(dá)0.1 m，滿足實際自動駕駛場景需求。

圖8 行駛環(huán)境點云特征地圖Fig.8 Feature map of the points cloud of the driving enviroment

為了對本文提出的高精度定位系統(tǒng)性能進(jìn)行評價，實驗采用高精度組合導(dǎo)航系統(tǒng)的定位、定向結(jié)果作為激光匹配定位、定向性能評價的對比數(shù)據(jù)。選用的組合導(dǎo)航系統(tǒng)在RTK穩(wěn)定解且定位定向狀態(tài)下的位姿信息作為真值，其定位精度可達(dá)到厘米級，航向角的定向精度達(dá)到0.1°。圖9示出該場景下激光雷達(dá)匹配定位與GNSS RTK定位估計結(jié)果對比，其中藍(lán)色曲線表示位置誤差，紅色曲線表示車輛速度。分析實驗結(jié)果可以看出，在加減速、轉(zhuǎn)彎等動作發(fā)生較少的路段，激光雷達(dá)匹配定位與GNSS RTK定位均有誤差，但定位誤差均在0.15 m以內(nèi)；而平直道路，定位誤差始終控制在0.07 m以內(nèi)。這表明在該場景下激光雷達(dá)匹配定位算法可代替GNSS/INS實現(xiàn)高精度定位。同時，為了驗證本算法定位精度提升的有效性，將其與基于（normal distribution transformation，NDT）的激光SLAM建圖定位算法的定位精度進(jìn)行對比。由圖9（d）可以看出，基于正態(tài)分布變換NDT的激光SLAM建圖定位算法隨著時間和距離的增加，因受累計誤差影響其精度逐步降低；而本文提出的方法，定位精度一直穩(wěn)定能夠?qū)崿F(xiàn)高精度的定位。

圖9 以GNSS RTK為真值的激光雷達(dá)位置估計誤差Fig.9 Lidar position estimation error as GNSS RTK is true value

圖10為該場景下激光雷達(dá)角度估計與GNSS RTK角度值結(jié)果對比?？梢钥闯觯诩訙p速、轉(zhuǎn)彎等工況較少的路段，激光雷達(dá)角度估計與GNSS RTK角度值有一些區(qū)別，其俯仰角誤差在0.2°以內(nèi)，橫滾角在0.25°以內(nèi)，差距最大的航向角誤差也在0.35°以內(nèi)；而在平直道路，所有角度誤差始終控制在0.2°以內(nèi)。由此表明，在弱GNSS信號場景下本算法可代替GNSS/INS實現(xiàn)高精度姿態(tài)估計。

圖10 以GNSS RTK為真值的激光雷達(dá)角度估計誤差Fig.10 LiDAR angle estimation error as GNSS RTK is true value

4 結(jié)語

本文提出了一種魯棒、實時的GNSS RTK與激光雷達(dá)融合的預(yù)建圖定位系統(tǒng)。該系統(tǒng)基于線面特征的激光里程計和預(yù)建圖匹配方式，將不同工況下的GNSS RTK數(shù)據(jù)與激光匹配融合技術(shù)應(yīng)用于城市復(fù)雜環(huán)境下，實現(xiàn)構(gòu)建全局一致的高質(zhì)量點云地圖并達(dá)到厘米級定位精度。此外，在地圖構(gòu)建時，采用基于深度圖格式的線面特征提取方法，有效降低了智軌電車在行道樹以及人群聚集等環(huán)境下對角點、面點的誤檢率，提升了智軌電車定位系統(tǒng)在復(fù)雜、動態(tài)城市環(huán)境下的定位精度。通過實車在城市環(huán)境下對不同時段數(shù)據(jù)進(jìn)行評估，結(jié)果顯示該系統(tǒng)具有與現(xiàn)有的公開可用方法相當(dāng)或更好的定位準(zhǔn)確性。目前該系統(tǒng)沒有提取環(huán)境語義信息功能，后續(xù)將結(jié)合視覺信息實現(xiàn)環(huán)境語義提取和匹配的能力，從而提升車輛在長隧道、霧霾天等極端退化場景中的位姿估計性能。