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，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。
瑞士KISTLER奇石乐压力传感器/扭矩传感器
KISTLER产品范围：KISTLER压力传感器、KISTLER扭矩传感器、KISTLER加速度传感器、KISTLER加速度计、KISTLER放大器、KISTLER电子压头、KISTLER分析软件
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 6157BB6158A
6159A 6169A 6190A 6052C 6053CC 6055C 6056A 6057A 6081A6113A(M10) 6115A(M12)
6125B 6617B 6625B 6652B 6041A 6043A 6061B 6067C 7061B 4065A4067A
6229A 4005B4043A 4045A 4073A 4075A 6013CA 7013C 7613C 6213B601A
601H 603B 701A 5011B 5039A5041E 9211A1 9213A1 9221AA 9221AC1
