史鹏程，叶 勤，张绍明，邓海峰

1. 自然资源部城市国土资源监测与仿真重点实验室，广东 深圳 518034； 2. 同济大学测绘与地理信息学院，上海 200092； 3. 武汉大学计算机学院，湖北 武汉 430072； 4. 上海华测导航技术股份有限公司，上海 201702

伴随人工智能技术快速发展，自动驾驶不仅改变了人们的出行方式，在物流、餐饮、医疗等领域发挥着重要作用，对于推动智慧化城市进程具有重要意义[1-3]。目前自动驾驶分为L0—L5共6个级别，L3级以上才能实现无须人工干预的无人驾驶。L1—L4可在限定条件下运行，无人驾驶场景分为：包括矿山、机场、港口及园区等低速封闭场景，包括高速公路等高速半封闭场景，以及包括城市中道路等的高速开放场景。无人驾驶对于定位暂无具体严格要求，但目前各个研究机构都在致力于进行高精度定位欲实现厘米级定位效果。

同时定位与地图建图(simultaneous localization and mapping，SLAM)[4]是自动驾驶与机器人导航定位的关键技术。目前根据传感器类型主要分为视觉和激光两大类。视觉SLAM以ORB-SLAM[5]和LSD-SLAM[6]为代表，但是这类方法受限于视觉传感器的量测范围，不适用于本文中的大尺度场景。激光SLAM以LOAM[7]和LeGO-LOAM[8]为代表，量测范围广、精度高，抗干扰能力强，是目前较为稳定和有效的自动驾驶方案。定位初始化是机器人导航定位SLAM中的重要环节，即当传感器初始位于某场景中，需要通过定位初始化确定其在当前场景下的初始位置，为后续导航定位提供初始信息，保证平台定位工作正常进行[9]。在机器人的连续定位过程中，若由于信号遮挡、传感器故障、目标特征缺失等某些不确定性原因造成机器人定位失效，即机器人的追踪丢失，可再次启动定位初始化来恢复机器人的实时位姿，即机器人的绑架恢复[10]。……