胡钊政，李 飞,2，陶倩文，陈佳良

(1.武汉理工大学 智能交通系统研究中心，武汉 430063；2.武汉理工大学 重庆研究院，重庆 401120)

随着人工智能、大数据、云计算、物联网等先进科学技术的应用和通信交互能力的增强，智能车技术已日趋成熟[1]。感知与定位技术在智能车的发展过程中占据重要地位，而由于LiDAR具有高频、远程、高精度的数据采集性能，使得其在智能车定位中被广泛运用。目前基于激光的主流定位方法为SLAM(simultaneous localization and mapping)。SLAM主要分为里程计和优化两部分。里程计根据帧间点云匹配结果计算车辆的运动。ICP(iterative closest point)[2]是经典的点云帧间匹配算法，通过逐点查找对应关系，ICP不断尝试对齐两组点云，直到满足条件为止，当点云数量过多时，ICP算法会有较高的计算复杂度。基于特征点云的帧间匹配算法通过在环境中寻找具有代表性的特征而只需要较少的计算资源，备受关注。Rusu等[3]提出的PFH(point feature histogram)特征通过参数化查询点和邻域点的空间差异并形成一个多维直方图来描述查询点k邻域的几何属性，该类特征提取方法简单且具有旋转不变性，同时对采样密度和噪声点具有较强的鲁棒性。虽然通过帧间特征匹配可快速获取车辆位姿，但随着车辆行驶距离增长及帧间匹配次数增多，累计误差逐渐增大。LOAM[4-5](lidar odometry and mapping in real-time)算法通过三维重建构图校正定位轨迹，但其地图为在线生成且在制图前需对点云进行下采样、滤波等预处理，导致算法的空间复杂度和时间复杂度较高；并且随着定位距离的增长，LOAM算法仍会存在较大的累计误差。……