本发明涉及复杂环境下测量定位，更具体的说是涉及一种基于激光雷达的车厢边界预估方法、系统、装置及介质。
背景技术：
1、激光雷达以其高精度、高分辨率的特点，在车厢边界测量方面发挥着重要作用。通过激光束的发射和接收，激光雷达可以构建出车厢的三维空间模型，从而实现对车厢边界的识别与策略。这对于自动驾驶、智能物流等领域具有重要意义，有助于提高车辆的安全性和效率。
2、然而，激光雷达在车厢测量中也存在一些技术缺陷。首先，激光雷达的测量范围和精度可能受到一些限制。此外，激光雷达在长距离测量时可能存在较大的误差，需要进行误差校正。其次，激光雷达的扫描速度相对较慢，可能无法满足快速移动和高动态场景中的测量需求。在车厢内部进行测量时，如果车厢处于运动状态或内部物体发生快速移动，激光雷达可能无法实时捕捉这些变化，导致测量结果的滞后或不准确。
3、为了提高测量的准确性，相关人员设计了各种车厢边界预估算法并通过优化算法参数、改进数据处理方法以及引入机器学习等技术，来提高激光雷达在车厢边界预估中的准确性和稳定性。
4、但是，现有的车厢边界预估算法在处理激光雷达数据时，往往没有充分考虑到有色测量噪声对测量精度的影响。有色测量噪声是指噪声的统计特性（如均值、方差或协方差）与测量值之间存在相关性，这种相关性可能导致预估算法的性能下降，从而在实际应用中产生估计误差。有色测量噪声可能来源于多种因素，如激光雷达的硬件特性、环境干扰、温度变化等。这些因素可能导致测量数据的不准确或不稳定，进而影响到车厢边界预估的准确性。
技术实现思路
1、针对以上问题，本发明的目的在于提供一种基于激光雷达的车厢边界预估方法、系统、装置及介质，通过重构观测噪声消除有色测量噪声的影响，能够有效的提高复杂情况下数据融合滤波器的预估的精度，进而提高车厢边界预估的准确性。
2、本发明为实现上述目的，通过以下技术方案实现：一种基于激光雷达的车厢边界预估方法，包括：
3、通过激光雷达测量待测车厢的边界信息；
4、将待测车厢的边界信息作为滤波算法的状态向量，并构建滤波算法的状态方程和滤波算法的观测方程；
5、基于滤波算法的观测方程，构建第二观测方程，以抵消有色噪声的影响；
6、基于第二观测方程、滤波算法的状态方程和滤波算法的观测方程，利用自适应期望辅助kalman算法对车厢边界进行预估。
7、进一步，所述通过激光雷达测量待测车厢的边界信息包括：
8、通过激光雷达测量激光雷达本身在x、y和z方向的位置和速度，以及车厢边界点在x、y和z方向的位置。
9、进一步，所述滤波算法的状态方程具体如下：
10、；
11、其中，为激光雷达k时刻在x、y和z方向的位置；为激光雷达k时刻在x、y和z方向的速度；为采样周期，为k时刻的系统噪声，其协方差阵为；为车厢边界点k时刻在x、y和z方向的位置信息；为系统矩阵；为k时刻的滤波算法数据融合模型的状态向量；为k时刻的滤波算法数据融合模型状态向量的一步预估；m为车厢边界点的数量。
12、进一步，所述滤波算法的观测方程具体如下：
13、；
14、其中，为滤波算法数据融合模型的观测向量，为滤波算法数据融合模型观测方程的观测矩阵，为激光雷达测量得到的激光雷达到车厢边界点之间的距离；为有色观测噪声；为有色因子；为白噪声，为的协方差阵。
15、进一步，所述第二观测方程具体如下：
16、；
17、其中，为k时刻的雅克比矩阵；为第二观测方程的观测矩阵；为第二观测方程的白噪声，为的协方差阵；为系统矩阵；；
18、第二观测方程的观测噪声为：
19、。
20、进一步，所述利用自适应期望辅助kalman算法对车厢边界进行预估，包括：
21、利用如下公式进行一步预估：
22、；
23、；
24、其中，为k时刻的误差矩阵；为k时刻的误差矩阵的一步预估；
25、利用公式进行初始化赋值；
26、其中，为k时刻内部迭代的误差向量，为k时刻内部迭代的状态向量，上标括号内表示迭代次数，0为初始次数；
27、初始化赋值完成后，利用滤波器进行步内部迭代；
28、所述滤波器具体如下：
29、；
30、；
31、；
32、；
33、其中，为迭代总步数，s为迭代步数；表示k时刻内部迭代第s+1步的新息矩阵；表示k时刻内部迭代第s+1步的滤波增益；为k时刻内部迭代第s步的误差向量；为k时刻内部迭代第s步的状态向量；为k时刻内部迭代第s+1步的状态向量；
34、每次迭代完成后，利用公式计算马氏距离，并比较与门限值door；
35、若，则进行噪声和误差向量预估；预估完成后，迭代步数s加1，继续内部迭代直到迭代步数s满足迭代总步数；
36、若，则直接跳出内部迭代；
37、内部迭代完成后，根据以下公式得到滤波器的输出：
38、；
39、；
40、根据滤波器的输出确定车厢边界预估结果。
41、进一步，根据以下公式进行噪声和误差向量预估：
42、；
43、。
44、相应的，本发明公开了一种基于激光雷达的车厢边界预估系统，包括：
45、测量模块，用于通过激光雷达测量待测车厢的边界信息；
46、第一方程构建模块，用于将待测车厢的边界信息作为滤波算法的状态向量，并构建滤波算法的状态方程和滤波算法的观测方程；
47、第二方程构建模块，用于基于滤波算法的观测方程，构建第二观测方程，以抵消有色噪声的影响；
48、预估模块，用于基于第二观测方程、滤波算法的状态方程和滤波算法的观测方程，利用自适应期望辅助kalman算法对车厢边界进行预估。
49、相应的，本发明公开了一种基于激光雷达的车厢边界预估装置，包括：
50、存储器，用于存储基于激光雷达的车厢边界预估程序；
51、处理器，用于执行所述基于激光雷达的车厢边界预估程序时实现如上文任一项所述基于激光雷达的车厢边界预估方法的步骤。
52、相应的，本发明公开了一种可读存储介质，所述可读存储介质上存储有基于激光雷达的车厢边界预估程序，所述基于激光雷达的车厢边界预估程序被处理器执行时实现如上文任一项所述基于激光雷达的车厢边界预估方法的步骤。
53、对比现有技术，本发明有益效果在于：本发明公开了一种基于激光雷达的车厢边界预估方法、系统、装置及介质，通过激光雷达测量得到距离信息，在此基础上，利用采用考虑有色噪声的自适应期望辅助kalman滤波算法对激光雷达测量得到的车厢边界进行预估。本发明构建的观测方程充分考虑了有色测量噪声对测量精度的影响，并通过重构观测噪声消除有色测量噪声的影响。在滤波过程中，又利用马氏距离判断极大期望估计辅助的kf的性能，有效提高算法的自适应能力，进而提高算法的精度。
54、本发明通过激光雷达测量待测车厢的边界信息，这种方法可以获取到车厢的精确位置信息。结合滤波算法的状态方程和观测方程，能够更准确地预估车厢的边界。特别地，通过构建第二观测方程来抵消有色噪声的影响，进一步提升了预估的精确性。
55、本发明不仅考虑了激光雷达在x、y和z方向的位置和速度，还考虑了车厢边界点在x、y和z方向的位置，因此能够适应不同车厢形状和尺寸的情况。此外，通过自适应期望辅助kalman算法进行预估，使得本发明能够根据不同情况动态调整参数，进一步提高适应性。
56、在面对有色噪声等干扰因素时，本发明通过构建第二观测方程，能够有效地抵消这些噪声的影响，从而提高了系统的鲁棒性。此外，利用滤波器进行内部迭代，能够进一步减小误差，提高预估结果的稳定性。
57、综上所述，本发明通过精确测量、滤波算法优化以及噪声处理等手段，实现了对车厢边界的高精度预估，具有适应性强、鲁棒性高、实时性良好以及算法优化与灵活性等优点。
58、由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。
1.一种基于激光雷达的车厢边界预估方法，其特征在于，包括：
2.根据权利要求1所述的基于激光雷达的车厢边界预估方法，其特征在于，所述通过激光雷达测量待测车厢的边界信息包括：
3.根据权利要求2所述的基于激光雷达的车厢边界预估方法，其特征在于，所述滤波算法的状态方程具体如下：
4.根据权利要求3所述的基于激光雷达的车厢边界预估方法，其特征在于，所述滤波算法的观测方程具体如下：
5.根据权利要求4所述的基于激光雷达的车厢边界预估方法，其特征在于，所述第二观测方程具体如下：
6.根据权利要求5所述的基于激光雷达的车厢边界预估方法，其特征在于，所述利用自适应期望辅助kalman算法对车厢边界进行预估，包括：
7.根据权利要求6所述的基于激光雷达的车厢边界预估方法，其特征在于，根据以下公式进行噪声和误差向量预估：
8.一种基于激光雷达的车厢边界预估系统，其特征在于，包括：
9.一种基于激光雷达的车厢边界预估装置，其特征在于，包括：
10.一种可读存储介质，其特征在于：所述可读存储介质上存储有基于激光雷达的车厢边界预估程序，所述基于激光雷达的车厢边界预估程序被处理器执行时实现如权利要求1至7任一项权利要求所述的基于激光雷达的车厢边界预估方法的步骤。
