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快速匹配。
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；
Kistler压力传感器 5495A2 Nr：18005013
Kistler压力传感器 6152ABSP0,7
Kistler压力传感器 6152ABSP1,6
Kistler压力传感器 4570A10
Kistler扭矩传感器 4520A-050
Kistler放大器 5039A312
Kistler放大器 4701A10B
KISTLER压力传感器 9223A0.4
9223A 9827A 9001A 9011A 9071A 9081A 9091A 9101A 9104A 9130B9136B
9131BA 9136BA 9602A 9602AA 9301B 9331B 9341B 9371B 9173B9176B
93639931A1 9931A4 9345A 9277A5 9143B 9251A 9252A 9067C 9068C9602A
9317B 9327A 9420A 9232A 9017B 9018B 9047C 9048C 9067C 9068C9077B 9078B
9347C 9367C 9377B 9366BB 9203 9217A 9323AA 9333A 9343A