本发明涉及大尺度场景车辆定位，尤其涉及一种用于大尺度场景的自适应车辆定位系统及方法。
背景技术：
1、近年来自动驾驶技术受到了广泛关注，实时鲁棒的车辆定位是自动驾驶技术的先决条件。针对于车辆运行的城市、高速场景，研究者通过融合rtk、路边单元或车间协同来提高车辆定位的精度和鲁棒性。然而，在城市场景中存在很多弱gnss环境，比如城市峡谷、存在茂密的树木的道路，这些会严重影响车辆定位的精度和鲁棒性。但是，在这些区域实现车辆鲁棒定位对于自动驾驶的安全性非常重要。然而，在高速场景中部署路边单元非常困难，并且利用率较低。与此同时，车间协同的方法需要利用不同车辆之间的信息交换，这种方法容易受到噪声的影响，这对于车辆定位来说是不够准确和可靠的，会降低车辆运行的安全性。因此，这些依靠外部基础设施的车辆定位方法在复杂大尺度场景是不适用的。
2、随着不同领域技术的不断交叉融合与发展，同步建图和定位技术(slam)和基于地图的匹配技术也逐渐运用到车辆位姿估计领域。slam技术通常用在室内场景或者室外小场景，通过相机或者激光雷达等传感器对车辆进行位姿估计，但是对于户外大尺度场景并不适用。基于地图的匹配方法利用实时点云和预先建立的高精地图进行匹配实现车辆位姿估计。然而，针对于大尺度场景的基于地图的匹配定位方法，不可避免地会导致计算资源和存储资源的大量占用，尤其是保存并加载大尺度的高精地图，并严重降低车辆定位系统的运行效率。因此，针对复杂大尺度场景，研究高效的地图管理和鲁棒的地图特征匹配算法对于提升车辆匹配定位算法的运算效率和鲁棒性具有非常重要的意义。
3、针对于车辆定位技术的研究中，当前主流的方法大部分依赖于gnss来实现大场景下的车辆定位。如中国专利“cn202310090814.8一种用单天线gnss进行车辆定位定向的方法及装置”所述的技术方法中使用gnss装置获取北斗、gps信息，并用于计算车辆当前的位置和航向。该发明采用单天线进行车辆定位，安装实施简单便捷不影响上路驾驶，跟双天线比较，更加符合道路行驶条件，方向盘角度获取不受外界影响，相对鲁棒，刷新速度快。但是这种方法过分依赖gnss，在城市场景中存在很多弱gnss环境，比如城市峡谷、存在茂密的树木的道路，这些会严重影响车辆定位的精度和鲁棒性。
4、在车辆定位技术的研究中，也出现了很多依赖于激光雷达和图像的发明专利。如中国专利“cn202211247009.3一种车辆定位方法、装置、设备及存储介质”所述的技术方法中，通过利用相邻两帧图像中线面特征各自对应的点云数据进行匹配处理，得到较为精确且稳定的定位信息。但是这种基于视觉的方法很容易受到光照的影响，在光照不足的情况下，视觉图像不能够获取稳定的环境信息，会大大影响车辆定位的精度和稳定性。中国专利“cn202310288571.9一种定位信息确定装置、车辆、方法及程序产品”所述的技术方法中，使用视觉图像和激光雷达数据结合起来的方式，实现快捷、鲁棒车辆定位。但是这种方法只适用于特征丰富的城市场景，对于复杂大尺度、场景变化多样的场景效果并不好，并不能保证鲁棒的车辆定位。
技术实现思路
1、针对现有技术的不足，本发明提出一种用于大尺度场景的自适应车辆定位系统及方法，该方法能够实现从车辆任意位置进行系统初始化到实时高精度鲁棒定位，利用动态加载地图的方式，减少系统对于运行内存的占用，提高提出方法的运行效率，利用提出的自适应匹配参数的方法，提高在复杂多变的大尺度场景下的车辆定位的精度和鲁棒性。
2、本发明一方面提供一种用于大尺度场景的自适应车辆定位系统，包括gnss模块、imu模块、激光雷达、轮速计、传感器数据预处理模块、全局定位与状态初始化模块、全局地图管理与子地图加载模块、环境分析与自适应激光匹配模块和传感器融合定位模块。
3、所述imu模块用于获取车辆的imu数据；将imu数据发送给传感器数据预处理模块，将imu数据中的航向数据发送给全局定位与状态初始化模块；所述imu数据包括航向数据、加速度和角速度，其中航向数据用四元数或者欧拉角表示；
4、所述gnss模块用于获取车辆的gnss经纬高数据并将gnss经纬高数据发送给全局定位与状态初始化模块，将gnss经纬高数据中的经度数据和纬度数据发送给全局地图管理与子地图加载模块；所述gnss经纬高数据包括经度数据、纬度数据和高度数据；
5、所述激光雷达用于获取激光雷达点云数据并将激光雷达点云数据发送给传感器数据预处理模块；
6、所述轮速计用于获取速度脉冲数据并将速度脉冲数据发送给传感器数据预处理模块；
7、所述全局地图管理与子地图加载模块，在初始化时用于获取全局地图并将全局地图发送给全局定位与状态初始化模块，接收gnss经纬高数据中的经度数据和纬度数据并根据gnss经纬高数据中的经度数据和纬度数据从全局地图中选择距离车辆当前二维位置最近的一张全局子地图并发送给全局定位与状态初始化模块；根据gnss经纬高数据中的经度数据和纬度数据从全局地图中选择距离车辆当前二维位置最近的n张全局子地图，然后将n张全局子地图进行降采样，得到n张全局降采样子地图并发送给环境分析与自适应激光匹配模块；在非初始化时，该模块用于接收传感器融合定位模块发送的车辆状态中的车辆二维位置，利用车辆的二维位置来自适应的选择并加载距离车辆当前二维位置最近的n张全局子地图，并将距离车辆当前二维位置最近的n张全局子地图进行降采样，得到n张全局降采样子地图并发送给环境分析与自适应激光匹配模块。
8、所述全局定位与状态初始化模块，用于接收gnss模块发送的gnss经纬高数据和imu模块发送的航向数据；接收全局地图管理与子地图加载模块发送的全局地图及距离车辆当前位置最近的一张全局子地图；将gnss经纬高数据中的经度数据和纬度数据转换到地图坐标系得到车辆在全局地图中的初始二维位置并发送给传感器数据预处理模块完成车辆二维位置的初始化；将航向数据转换到地图坐标系，得到车辆在全局地图中的初始航向并发送给传感器数据预处理模块完成车辆姿态的初始化；将gnss经纬高数据中的高度数据和距离车辆当前位置最近的一张全局子地图的高度进行比较，若gnss经纬高数据中的高度数据和全局子地图的高度的差值大于设定阈值，则将全局子地图的高度作为初始高度并发送给传感器数据预处理模块完成车辆高度的初始化，否则将gnss经纬高数据中的高度数据作为初始高度并发送给传感器数据预处理模块完成车辆高度的初始化；所述全局地图中包括若干个全局子地图；
9、进一步地，所述传感器融合定位模块包括激光imu测量更新模块和轮速计测量更新模块；
10、所述传感器数据预处理模块用于接收imu数据、激光雷达点云数据、速度脉冲数据、全局定位与状态初始化模块发送的初始二维位置、初始航向和初始高度和传感器融合定位模块发送的轮速计更新的车辆状态和状态协方差；对激光雷达点云数据通过去畸变处理进行去除运行畸变，然后通过体素滤波器进行降采样得到降采样的激光雷达点云数据并发送给环境分析与自适应激光匹配模块；根据速度脉冲数据，获得车辆在轮速计坐标系下的速度，并进行积分得到上一时刻至当前时刻之间所产生的位移并将轮速计坐标系下的速度和上一时刻至当前时刻之间所产生的位移发送给传感器融合定位模块；在首次预处理时根据初始二维位置、初始航向和初始高度及imu数据对车辆状态进行预测，得到下一时刻的车辆状态并根据下一时刻的车辆状态计算得到误差状态及状态协方差并发送给激光imu测量更新模块；在非首次预处理时，根据传感器融合定位模块发送的轮速计更新的车辆状态和状态协方差及imu数据对车辆状态进行预测，得到下一时刻的车辆状态并根据下一时刻的车辆状态计算得到误差状态及状态协方差并发送给激光imu测量更新模块；所述体素滤波器的叶子大小ml在首次预处理时使用设定值，在非首次预处理时，接收环境分析与自适应激光匹配模块发送的体素滤波器的叶子大小ml；所述车辆状态包括车辆的姿态、车辆的位置、车辆的速度、imu中的陀螺仪随机游走误差、imu中的加速度计随机游走误差和重力加速度；
11、所述环境分析与自适应激光匹配模块用于接收降采样的激光雷达点云数据，并根据环境尺度判据和特征丰富程度判据分别对车辆周围环境特点进行分析得到环境尺度信息和特征丰富程度信息；对降采样的激光雷达点云数据与全局地图管理与子地图加载模块发送的全局降采样子地图进行特征关联实现激光匹配得到激光特征匹配关系，提高激光匹配的精度和鲁棒性；根据环境分尺度信息和特征丰富程度信息利用自适应点云匹配判据调整下一时刻体素滤波器的叶子大小ml并发送给传感器数据预处理模块；所述环境尺度判据用于评估周围环境的尺度大小；所述特征丰富程度判据用于判断周围环境的特征丰富程度；所述自适应点云匹配判据用于调整体素滤波器的叶子大小ml。
12、所述传感器融合定位模块，用于融合定位解算得到车辆的实时位姿；
13、所述激光imu测量更新模块用于接收传感器预处理模块发送的下一时刻的车辆状态、误差状态及状态协方差和环境分析与自适应激光匹配模块发送的激光特征匹配关系，根据下一时刻的车辆状态、误差状态及状态协方差和激光特征匹配关系得到更新的误差状态、车辆状态和状态协方差并将更新的车辆状态和状态协方差发送给轮速计测量更新模块；
14、所述轮速计测量更新模块用于接收轮速计坐标系下的速度、上一时刻至当前时刻之间所产生的位移和激光imu测量更新模块得到的更新的车辆状态和状态协方差，进行融合定位最终解算得到轮速计更新的车辆状态和状态协方差；
15、本发明另一方面还提供一种用于大尺度场景的自适应车辆定位方法，包括如下具体步骤：
16、步骤1：利用gnss模块、imu模块、激光雷达、轮速计进行数据采集，分别得到k时刻的gnss经纬高数据、imu数据、激光雷达点云数据和速度脉冲数据；
17、步骤2：利用全局定位与状态初始化模块进行车辆状态初始化，得到车辆的初始位置、姿态；所述位置包括二维位置和高度；
18、步骤2.1：利用全局地图管理与子地图加载模块读取全局地图，根据k时刻的gnss经纬高数据中的经度数据和纬度数据从全局地图中选择全局子地图将gnss经纬高数据中的高度数据hcur与所选择的全局子地图的高度作差得到高度误差并利用自适应高度判据得到车辆在全局地图中的初始高度；
19、所述全局子地图为距离车辆当前经度数据和纬度数据所对应的二维位置最近的全局子地图；
20、所述自适应高度判据为：若高度误差大于设定的高度误差阈值，则将全局子地图的高度作为初始高度，否则将gnss经纬高数据中的高度数据hcur作为初始高度，表达式为：
21、
22、其中，hinit为初始高度；为距离车辆当前经度数据和纬度数据所对应的二维位置最近的全局子地图的高度；hcur为gnss经纬高数据中的高度数据；hthr为高度误差的阈值；
23、步骤2.2：将wgs-84坐标系下的k时刻的gnss经纬高数据中的经度数据和纬度数据转换到地图坐标系，得到车辆在全局地图中的初始二维位置；
24、具体为：首先利用wgs-84坐标系与地心地固坐标系之间的变换关系，将wgs-84坐标系下的gnss经纬高数据中的经度数据和纬度数据转换到地心地固坐标系，然后根据地图原点的经纬高信息设置东北天坐标系参考点，并利用地心地固坐标系与东北天坐标系之间的变换关系，将地心地固坐标转换到地图坐标系，得到车辆在全局地图中的初始二维位置；
25、步骤2.3：根据地图坐标系与东北天坐标系之间的旋转关系，将k时刻的航向数据转换到地图坐标系，得到车辆在全局地图中的初始航向；
26、步骤3：使用传感器数据预处理模块根据车辆的初始二维位置、初始航向和初始高度及k时刻的imu数据对车辆状态进行预测，得到k+1时刻的车辆状态及误差状态；对速度脉冲数据进行处理得到轮速计坐标系下的速度，并积分得到k时刻至k+1时刻所产生的位移，对激光雷达点云数据通过去畸变处理进行去除运行畸变，然后进行降采样处理得到降采样的激光雷达点云数据；
27、步骤3.1：利用imu的离散运动学模型，根据车辆k时刻的初始二维位置、初始航向和初始高度及k时刻的imu数据对车辆状态进行预测，得到k+1时刻的车辆预测状态
28、所述k+1时刻的车辆预测状态为：
29、
30、
31、
32、
33、
34、
35、
36、其中，xk为k时刻的更新后的车辆状态，当k＝0时，xk来自于全局定位与车辆状态初始化模块，当k>0时，xk来自于传感器融合定位模块；为k+1时刻的车辆预测状态；pk,tk,vk,bgk,bak分别为k时刻的车辆姿态、位置、速度、imu中的陀螺仪随机游走误差、imu中的加速度计随机游走误差；分别为k+1时刻的预测的车辆姿态、位置、速度、imu中的陀螺仪随机游走误差、imu中的加速度计随机游走误差；g为重力加速度；是imu中的陀螺仪的测量值；ng是imu中的陀螺仪的测量白噪声；δt是k时刻与k+1时刻的之间的时间间隔；是imu中的加速度计的测量值；na为imu中的加速度计的测量白噪声；nba是imu中的加速度计随机游走误差的高斯噪声；nbg是imu中的陀螺仪随机游走误差的高斯噪声；k时刻表示上一时刻，k+1时刻表示当前时刻。
37、步骤3.2：根据k+1时刻的车辆预测状态计算得到k+1时刻的误差状态和状态协方差
38、所述k+1时刻的误差状态和状态协方差为：
39、
40、
41、其中，是k时刻的误差状态，是k+1时刻的预测的误差状态，f1是状态转移矩阵，f2是噪声传递矩阵，wk为噪声且σk是k时刻的状态协方差，是k+1时刻的预测的状态协方差，q是噪声的协方差；
42、步骤3.3：根据速度脉冲数据，获得车辆在轮速计坐标系下的速度并根据轮速计离散运动学模型进行积分得到车辆在k时刻到k+1时刻之间的位移
43、所述车辆在轮速计坐标系下的速度为：
44、
45、其中，是轮速计的速度测量值，f是轮速计的输出数据频率，即速度脉冲数据的频率；δs为轮速计的速度脉冲数据。
46、所述车辆在k时刻到k+1时刻之间的位移
47、
48、其中，是车辆在k时刻到k+1时刻之间的位移，t是轮速计的输出数据周期，即速度脉冲数据的周期，i是k时刻至k+1时刻之间的速度脉冲数据的序号，是第i个速度数据。
49、步骤3.4：对获取的k时刻的激光雷达点云数据执行去畸变处理，得到去畸变后的激光雷达点云数据；
50、第α个去畸变之后的激光点的坐标为：
51、p'α＝δt*pα (13)
52、其中，p'α是第α个去畸变之后的激光点的坐标，pα是获取到的第α个激光点的坐标，δt是第α个激光点pα所在时刻klα相对于该激光帧中第一个激光点所在时刻kl0的变换；klα为第α个激光点pα所在时刻；l代表激光雷达坐标系；
53、步骤3.5：对去畸变后的激光雷达点云数据采用体素滤波器执行降采样处理，得到降采样的激光雷达点云数据。所述体素滤波器的叶子大小为ml，在第一次执行降采样时为设定的初始值；
54、步骤4：根据k时刻的gnss经纬高数据中的经度数据和纬度数据，全局地图管理与子地图加载模块利用自适应子地图选择判据选择距离车辆的初始二维位置最近的n张全局子地图；
55、采用一种基于滑窗的全局地图管理方法加载距离车辆当前二维位置最近的n张全局子地图，具体为：首先加载硬盘中的每张全局子地图的经纬高信息，利用式(14)根据车辆当前的二维位置与预先建立的全局子地图的经纬度信息进行计算得到距离，其次根据获得的距离大小，对预先建立的全局子地图进行升序排序，最后，选择距离当前车辆位置最近的n张全局子地图，并通过滑窗方式实现动态加载距离车辆当前二维位置最近的n张全局子地图。所述全局子地图的经纬高信息包括全局子地图的经度信息、纬度信息和高度信息；所述全局子地图的经纬度信息包括全局子地图的经度信息和纬度信息；
56、
57、其中，是长度单位与经纬度单位之间的变换关系，tg为地图坐标系与wgs-84坐标系之间的变换；tcur为在地图坐标系下的车辆当前的二维位置，代表第j张全局子地图的经纬度信息；dj代表车辆当前的二维位置与第j张全局子地图的参考点之间的距离；j为全局子地图的序号。
58、采用一种优化的子地图读取策略读取全局子地图：设定加载距离车辆当前二维位置最近的n张全局子地图，上一时刻加载的全局子地图包括第j至j+n-1张全局子地图，j为全局子地图的序号，当车辆运行一段距离后根据车辆当前二维位置加载距离车辆当前二维位置最近的n张全局子地图，具体为，将上一时刻的全局子地图中的后n-1张从运行内存中读取，再从硬盘中只读取最新1张全局子地图，最后，将原来的n-1张全局子地图与最新的1张全局子地图进行组合得到距离车辆当前二维位置最近的n张子地图，并用于后续特征匹配。
59、步骤5：对距离车辆当前二维位置最近的n张全局子地图进行降采样，得到n张全局降采样子地图；
60、步骤6：环境分析与自适应激光匹配模块利用降采样的激光雷达点云数据对车辆周围环境特点进行分析，对降采样的激光雷达点云数据与n张全局降采样子地图进行特征关联实现激光匹配，得到激光特征匹配关系；
61、步骤6.1：根据环境尺度判据和特征丰富程度判据分别对车辆周围环境特点进行分析得到环境分尺度信息和特征丰富程度信息；所述环境分尺度信息表示车辆在不同方向上尺度的大小；所述特征丰富程度信息表示车辆所处环境的特征丰富程度；
62、所述环境尺度判据为：首先，获取阈值dthr1范围内的激光点s1，其次选取阈值dthr2范围内的激光点s2，最后将激光点s1和激光点s2分别进行体素化，分别获取在x,y,z方向上的体素比率，并进行环境尺度大小分析，得到环境分尺度信息。其中阈值dthr1>阈值dthr2；其中，y方向为前进方向，x方向为车辆前进方向的右侧方向，z方向为垂直于地平面的上方向；
63、rs＝voxelize(s2)/voxelize(s1) (15)
64、其中，表示体素比率，表示x方向体素比率，表示y方向体素比率，是z方向体素比率。如果说明车辆x轴方向上的尺度较小，y轴方向上的尺度较大。表示设定的阈值最大值，voxelize()表示体素化函数，表示设定的阈值最小值。
65、所述特征丰富程度判据为：首先，根据距离车辆当前二维位置最近的n张全局降采样子地图构建迭代k维树ikd-tree，使用当前的降采样的激光雷达点云数据中激光点在ikd-tree中进行搜索得到全局降采样子地图中的nm个地图点，然后将nm个地图点拟合得到若干个平面，最后对其中拟合程度大于阈值的平面中对应的激光点进行统计得到有效的激光点数量neff，并进行特征丰富程度分析，如果neff>nthr，说明车辆周围环境特征丰富，反之说明车辆周围环境特征稀疏，其中nthr是设定的有效激光点数量阈值。
66、步骤6.2：对降采样的激光雷达点云数据与n张全局降采样子地图进行特征关联实现激光匹配，得到激光特征匹配关系；
67、根据步骤6.1中拟合得到若干个平面，利用点到平面的距离公式构建下式的残差函数进行特征关联，得到激光特征匹配关系，所述激光特征匹配关系通过残差函数表征；
68、
69、其中，是激光雷达坐标系下的第α个激光点，为车辆当前的姿态；为车辆当前的二维位置；vα为拟合得到的平面的法向量；为表征激光特征匹配关系的残差函数；为拟合得到的平面的中心点；为激光到imu之间的旋转矩阵，为激光到imu之间的平移向量；m代表地图坐标系，l代表激光雷达坐标系，b代表imu坐标系；
70、步骤7：利用传感器融合定位模块实现传感器融合定位，得到车辆实时位姿；
71、步骤7.1：利用激光imu测量更新模块通过迭代计算得到迭代更新结束后的误差状态，并根据迭代更新结束后的误差状态得到更新的车辆状态和状态协方差；
72、所述迭代更新结束后的误差状态为：
73、
74、其中，是迭代更新结束后的误差状态；是k+1时刻的预测的误差状态，是k+1时刻的预测的状态协方差，c是参与点云匹配的激光点数，为表征激光特征匹配关系的残差函数，σl是激光传感器的协方差矩阵。
75、所述更新的车辆状态和状态协方差为：
76、
77、
78、
79、其中，是更新后的车辆状态，是预测的车辆状态，k1是滤波增益，j是误差状态定义式的雅可比矩阵，h1是的雅可比矩阵，σl是激光传感器的协方差矩阵，是k+1时刻的预测的状态协方差，是k+1时刻的激光imu更新后的状态协方差，i是单位矩阵。
80、步骤7.2：将激光imu测量更新模块得到的更新的车辆状态和状态协方差输入轮速计测量更新模块，并利用轮速计测量更新模块进行融合定位最终解算得到轮速计更新的车辆状态和状态协方差，所述轮速计更新的车辆状态包含车辆的实时位姿；
81、步骤7.2.1：根据步骤3.3得到的车辆速度和位移，构建轮速计的观测方程得到轮速计坐标系下的车辆位姿；
82、
83、其中，是轮速计脉冲数据计算得到的车辆速度和位移h2是轮速计的观测矩阵，no是均值为零方差为r的高斯白噪声；是利用轮速计数据求得的轮速计坐标系下的车辆位姿。
84、步骤7.2.2：根据卡尔曼滤波原理，构建轮速计的状态更新方程和协方差更新方程并进行车辆状态和状态协方差更新，得到轮速计更新的车辆状态和状态协方差；
85、所述状态更新方程、协方差更新方程：
86、
87、
88、
89、其中，xk+1是经过轮速计更新的车辆状态，是轮速计坐标系下的观测值，h2是轮速计的观测矩阵，是经过激光imu测量更新之后的转换到轮速计坐标系下的车辆状态，是经过激光imu测量更新之后的中的旋转部分，是轮速计坐标系到imu坐标系的旋转关系，是经过激光imu测量更新的状态协方差，σk+1是经过轮速计更新的状态协方差，k2是卡尔曼滤波增益，i是单位矩阵，r是轮速计的噪声协方差。
90、步骤8：利用gnss模块、imu模块、激光雷达、轮速计再次进行数据采集，分别得到k+1时刻的gnss经纬高数据、imu数据、激光雷达点云数据和速度脉冲数据；
91、步骤9：使用传感器数据预处理模块，根据步骤7中得到的轮速计更新的车辆状态和状态协方差及k+1时刻的imu数据对车辆状态进行预测，得到k+2时刻的车辆状态；对速度脉冲数据进行处理得到轮速计坐标系下的速度，并积分得到k+1时刻至k+2时刻所产生的位移，对激光雷达点云数据首先进行去畸变处理，然后进行降采样处理得到降采样的激光雷达点云数据；
92、此时传感器数据预处理模块中体素滤波器的叶子大小ml为环境分析与自适应激光匹配模块利用自适应点云匹配判据得到的体素滤波器的叶子大小ml；
93、
94、其中，m0是设定的滤波器叶子的变化增量，a1,a2是设定的比例因子。a1是一个设定值，根据步骤6.1环境分析的结果，当neff<nthr，设置a2<0，当neff>nthr或者或者设置a2>0。
95、步骤10：根据步骤7中得到的车辆状态中的车辆二维位置，全局地图管理与子地图加载模块利用自适应子地图选择判据选择距离车辆当前二维位置最近的n张全局子地图；
96、步骤11：对步骤10中选择的距离车辆当前二维位置最近的n张全局子地图进行降采样，得到n张全局降采样子地图；
97、步骤12：环境分析与自适应激光匹配模块，利用步骤9中降采样的激光雷达点云数据对车辆周围环境特点进行分析，对降采样的激光雷达点云数据与步骤11中得到的n张全局降采样子地图进行特征关联实现激光匹配，得到激光特征匹配关系；
98、步骤13：利用传感器融合定位模块实现传感器融合定位，得到车辆实时位姿。
99、与现有技术相比较，本发明的有益效果为：
100、本发明提出一种用于大尺度场景的自适应车辆定位系统及方法，当车辆在环境中任意位置上电启动时，状态初始化模块根据gnss经纬高数据和imu数据，并使用自适应高度判据实现车辆的全局定位和状态初始化。本发明提出的全局地图管理与子地图加载模块自适应地选择并加载车辆当前的位置附近的全局子地图，有效降低系统的资源占用，提高定位系统的运行效率。本发明提出的环境分析与自适应点云匹配方法，能够实时对周围环境的尺度大小、特征丰富程度进行分析，并根据环境分析结果和自适应点云匹配判据，调整点云匹配参数，提高激光匹配的精度和鲁棒性。
1.一种用于大尺度场景的自适应车辆定位系统，其特征在于，包括gnss模块、imu模块、激光雷达、轮速计、传感器数据预处理模块、全局定位与状态初始化模块、全局地图管理与子地图加载模块、环境分析与自适应激光匹配模块和传感器融合定位模块；
2.基于权利要求1所述一种用于大尺度场景的自适应车辆定位系统实现的一种用于大尺度场景的自适应车辆定位方法，其特征在于，包括如下具体步骤：
3.根据权利要求2所述的一种用于大尺度场景的自适应车辆定位方法，其特征在于，所述步骤2具体包括：
4.根据权利要求2所述的一种用于大尺度场景的自适应车辆定位方法，其特征在于，所述步骤3具体包括：
5.根据权利要求2所述的一种用于大尺度场景的自适应车辆定位方法，其特征在于，步骤4中采用一种基于滑窗的全局地图管理方法加载距离车辆当前二维位置最近的n张全局子地图，具体为：首先加载硬盘中的每张全局子地图的经纬高信息，利用式(14)根据车辆当前的二维位置与预先建立的全局子地图的经纬度信息进行计算得到距离，其次根据获得的距离大小，对预先建立的全局子地图进行升序排序，最后，选择距离当前车辆位置最近的n张全局子地图，并通过滑窗方式实现动态加载距离车辆当前二维位置最近的n张全局子地图；所述全局子地图的经纬高信息包括全局子地图的经度信息、纬度信息和高度信息；所述全局子地图的经纬度信息包括全局子地图的经度信息和纬度信息；
6.根据权利要求2所述的一种用于大尺度场景的自适应车辆定位方法，其特征在于，步骤4中采用一种优化的子地图读取策略读取全局子地图：设定加载距离车辆当前二维位置最近的n张全局子地图，上一时刻加载的全局子地图包括第j至j+n-1张全局子地图，j为全局子地图的序号，当车辆运行一段距离后根据车辆当前二维位置加载距离车辆当前二维位置最近的n张全局子地图，具体为，将上一时刻的全局子地图中的后n-1张从运行内存中读取，再从硬盘中只读取最新1张全局子地图，最后，将原来的n-1张全局子地图与最新的1张全局子地图进行组合得到距离车辆当前二维位置最近的n张子地图，并用于后续特征匹配。
7.根据权利要求2所述的一种用于大尺度场景的自适应车辆定位方法，其特征在于，所述步骤6具体包括：
8.根据权利要求2所述的一种用于大尺度场景的自适应车辆定位方法，其特征在于，所述步骤7具体包括：
9.根据权利要求2所述的一种用于大尺度场景的自适应车辆定位方法，其特征在于，步骤9中所述传感器数据预处理模块中体素滤波器的叶子大小ml为环境分析与自适应激光匹配模块利用自适应点云匹配判据得到的体素滤波器的叶子大小ml；
10.根据权利要求8所述的一种用于大尺度场景的自适应车辆定位方法，其特征在于，所述步骤7.2具体包括：
