CN118131633A - 基于LQR和Kalman滤波的无人自行车自平衡控制方法 - Google Patents

Abstract

本发明公开了基于LQR和Kalman滤波的无人自行车自平衡控制方法，包括自行车本体，所述自行车本体的前叉上设置有动量轮，所述自行车本体的后架上设置有无刷电机，所述自行车本体的前杠上设置有惯性传感器，所述自行车本体的前杠上设置有微控制器和卡片电脑，所述自行车本体的前杠上设置有激光雷达，所述自行车本体的前杠上设置有舵机，所述自行车本体的车头上设置有激光雷达，芯片通过读取惯性传感器的姿态角度信息，结合LQR和卡尔曼滤波算法控制无刷电机和动量轮，实现车身自平衡，最后使用卡片电脑采集激光雷达数据，建立离线地图并识别障碍物后进行避障和自动规划路径，本发明可以提高自行车的稳定性和安全性，更加便利人们出行和生活。

Description

基于LQR和Kalman滤波的无人自行车自平衡控制方法

技术领域

本发明涉及自行车技术领域，具体为带有平衡飞轮的无人自行车及其控制和导航方法。

背景技术

自行车作为一种使用最广泛的交通工具，具有结构简单、节能环保等优点，在自平衡自行车领域，已有带飞轮、控制力矩陀螺作用的两轮自行车，自行车行驶速度越快，***越不容易受到路况、风力等外界环境的影响而发生倾倒，具有一定的抗干扰能力。

自平衡的无人自行车将传统自行车行驶结构与智能机器人技术结合，保持了自行车简单的机械结构，继承了其体积小利用率高等优点；但是目前的自行车还需要有人控制，无法满足用户的需求，并且现有自行车自平衡方案的尝试大多需要对自行车进行复杂的机械改造，实用性和灵活性较低，现有技术中的控制方法自平衡、避障、路径规划功能单一，并且无人驾驶自行车需要适应不同的环境，如路面形状、风速、坡度等，传统的控制方法对环境的变化跟踪性能差，不能很好的保持自行车的稳定性，对复杂恶劣环境的适应性差。

发明内容

本发明的目的是针对现有技术的不足，提供基于LQR和Kalman滤波的无人自行车自平衡控制方法，解决了自行车操作复杂的难题。

本发明通过以下技术方案予以实现：

基于LQR和Kalman滤波的无人自行车自平衡控制方法，该方法包括如下步骤：

S1、在自行车上安装控制***，控制***包括自行车本体，自行车本体的前叉上设置有动量轮，自行车本体的后架上设置有无刷电机，自行车本体的前杠上设置有MPU6050惯性传感器，自行车本体的前杠上设置有STM32单片机和卡片电脑，自行车本体的前杠上设置有激光雷达，自行车本体的前杠上设置有舵机，自行车本体的车头上设置有摄像头，自行车本体的下杠上设置有电池盒，所述自行车本体的前杠上设置有一体化动量轮支架与FOC驱动器；

通过STM32单片机和卡片电脑、MPU6050惯性传感器、无刷电机和电机驱动器的设置，其中STM32单片机和卡片电脑利用Keil MDK环境调试，用来调试控制MPU6050惯性传感器和无刷电机的操作；MPU6050惯性传感器用于实时读取自行车的姿态角度信息，而无刷电机则通过电机驱动器进行控制；

S2：通过控制电机的扭矩和转速，使得车轮能够向左或向右转动，从而使车身保持平衡，通过MPU6050惯性传感器能够获取自行车姿态信息进行测量，其中包括角度和角速度，根据姿态测量的结果，STM32单片机和卡片电脑根据LQR控制算法对动量轮扭矩计算需要施加的控制量，并将控制量输出到无刷电机轻微转动轮胎，调整自行车的倾斜状态，以达到平衡状态；

S3：在无人自行车行驶过程中，通过使用MPU6050惯性传感器采集车辆绕轴方向的加速度信息，而后基于传感器数据，使用卡尔曼滤波算法计算车辆在三维空间中的俯仰角、偏航角和横滚角，以估计车身的倾斜程度；

实际***测量模型中含有测量噪声，为了获得***的确切状态，使用卡尔曼滤波对***状态进行观测，惯性测量单元测量到轴角速度/>以及/>轴的加速度轴的加速度/>，其中/>为IMU到地面的距离***在平衡时，对上述公式近似，令，/>，令/>,求得***的状态递推和观测方程有如下公式描述：

其中，/>为观测噪声，它符合正态分布/>：

其对***的状态预测可以有如下公式描述：

其对***的状态更新可以有如下公式描述：

其中为/>时刻卡尔曼增益，/>为/>时刻先验估计协方差矩阵，/>为/>时刻后验估计协方差矩阵，/>和分别为过程激励噪声和测量噪声的协方差矩阵；

S4：在无人自行车行驶过程中，需要进行规划行驶路径，通过使用Lidar模块定位自行车的位置和方向信息，而后利用摄像头或激光雷达对道路、建筑物等进行三维建模，而后生成路网拓扑结构，基于地图建模的结果，通过路径规划处理来确定行驶路径，并计算出前方的障碍物、路线偏差信息，而后根据规划得到的信息，在行驶过程中通过控制算法和环境信息实现自主方向控制、平衡及避障控制，从而能够完成路径规划。

优选的，所述S1中的MPU6050惯性传感器与无刷电机的输入端分别电性连接在STM32单片机和卡片电脑的输出端。

优选的，所述S1中的MPU6050惯性传感器、STM32单片机和卡片电脑、激光雷达与舵机在自行车本体的前杠上从左到右依次排列。

进一步的，所述控制***中，通过以矩阵形式表示的状态方程来描述***，其中包括***的状态变量、输入和参数，为了实现对***的线性化，将其近似为局部线性***，通过在***处于某一工作点时进行泰勒展开来实现，线性化后的状态方程表示为：

其中表示***状态变量，/>、/>分别表示自行车偏离竖直方向角度，动量轮选装的角度，/> 和 /> 是状态矩阵，分别表示***的动态特性，/> 是输入在平衡飞轮上的转矩，表示施加在***上的控制输入,即动量轮提供的转矩，可以根据平衡自行车固有机械结构的参数计算得出：

和 /> 状态矩阵中的部分参数表示如下：

， />

其中、/>分别表示自行车车体和惯性轮的质量，/>、/>分别表示车辆重心和惯性轮重心到地面的距离，/>、/>分别表示车体和惯性轮以地面点为转动点的转动惯量；

在LQR（线性二次型调节器）控制方法中，选择权重矩阵 Q 和 R 作为调节器的参数，给定 Q 和 R 的值后，通过解代数矩阵方程来计算状态反馈矩阵 K 以及***的输入u；

首先，选择 和 />，代价函数的形式如下：

通过解代数矩阵方程来计算最优 P 矩阵，代数矩阵方程为：

其中，A是状态矩阵，B是输入矩阵，P是状态权重矩阵，解得最优P矩阵后，计算状态反馈矩阵的表达式为:

K矩阵描述了在每个时刻如何根据当前状态来施加最优的控制输入；同时，***的输入u表示为:

激光雷达数据采集：激光雷达通过激光束扫描环境，并获取目标点的空间坐标信息，反射回的激光束数据包括目标的位置、距离和反射强度关键信息；

IMU数据采集：IMU负责测量车辆或设备的加速度和角速度惯性信息，包括车辆的线性和角度运动，为地图构建提供了重要的姿态和运动信息；

数据同步与时间戳标定：通过确保激光雷达和IMU的数据拥有相同的时间戳，实现两者之间的时间同步；

地图构建：在数据融合阶段，激光雷达和IMU的数据进行融合，基于IEKF对激光雷达和IMU数据进行融合，基于融合后的数据，***开始进行地图构建，通过将激光雷达的空间信息与IMU提供的姿态信息结合，建立高分辨率、精确度的环境地图，地图在运动过程中实时更新，以适应动态环境的变化；

障碍物检测与识别：构建完成的地图后，使用RANSAC的平面分割算法对地面点进行点云分割，在剩余非地面点之中，利用Kd树对非地面点进行空间分割，最后使用欧几里得聚类算法对非地面点进行聚类，将聚类结果中点数较小的簇过滤掉，最后识别出真实的障碍物；

实时定位与导航：利用先验地图数据，将环境划分为网格单元，并计算每个网格单元内点云的平均值和协方差矩阵，使用NDT匹配算法在保证全局一致性的情况下对无人自行车进行定位，利用Hybird-Astar算法在网格地图上进行搜索找到最佳的连续化路径，最后在连续化路径的引导下完成无人自行车的导航。

本发明具备以下有益效果：本发明使用的车架材料为超轻碳纤维材料，结合可靠算法，不仅提高无人自行车的稳定性和安全性，也减轻了环境负担，更加便利人们出行和生活，本发明以微控制器和卡片电脑为主，结合LQR和卡尔曼滤波等算法、路径规划算法等控制车辆平衡和运动，使无人驾驶自行车的功能范围扩大，带有自平衡、避障、路径规划功能，提高对复杂恶劣环境的适应性。

附图说明

图1为本发明的自行车整体立体图；

图2为本发明的自行车整体俯视图；

图3为本发明的自行车整体侧视图；

图4为本发明的动量轮示意图；

图5为本发明的无刷电机展示图；

图6为本发明的控制方法的框架图；

图7为本发明的控制方法平衡***的控制原理图；

图8为本发明的控制方法平衡***的控制框图；

图9为本发明的控制方法***导航过程的流程图。

图中：1、自行车本体；2、动量轮；3、无刷电机；4、MPU6050惯性传感器；5、STM32单片机和卡片电脑；6、激光雷达；7、舵机；8、摄像头；9、电池盒；10、一体化动量轮支架与FOC驱动器。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例：

请参阅附图1-附图9，本发明实施例提供基于LQR和Kalman滤波的无人自行车自平衡控制方法，

S1、在自行车上安装控制***，控制***包括自行车本体1，自行车本体1的前叉上设置有动量轮2，自行车本体1的后架上设置有无刷电机3，自行车本体1的前杠上设置有MPU6050惯性传感器4，自行车本体1的前杠上设置有STM32单片机和卡片电脑5，自行车本体1的前杠上设置有激光雷达6，自行车本体1的前杠上设置有舵机7，自行车本体1的车头上设置有摄像头8，自行车本体1的下杠上设置有电池盒9，所述自行车本体1的前杠上设置有一体化动量轮支架与FOC驱动器10；

惯性传感器4与无刷电机3的输入端分别电性连接在STM32单片机5的输出端；

惯性传感器4、STM32单片机和卡片电脑5、激光雷达6与舵机7在自行车本体1的前杠上从左到右依次排列；

通过STM32单片机和卡片电脑5、MPU6050惯性传感器4、无刷电机3和电机驱动器的设置，其中STM32单片机和卡片电脑5利用Keil MDK环境调试，用来调试控制MPU6050惯性传感器4和无刷电机3的操作；MPU6050惯性传感器4用于实时读取自行车的姿态角度信息，而无刷电机3则通过电机驱动器进行控制。

S2：通过控制电机的扭矩和转速，使得车轮能够向左或向右转动，从而使车身保持平衡，通过MPU6050惯性传感器4能够获取自行车姿态信息进行测量，其中包括角度和角速度，根据姿态测量的结果，STM32单片机和卡片电脑5根据LQR控制算法对动量轮扭矩计算需要施加的控制量，并将控制量输出到无刷电机3轻微转动轮胎，调整自行车的倾斜状态，以达到平衡状态；

在该***中，通过以矩阵形式表示的状态方程来描述***，其中包括***的状态变量、输入和参数，为了实现对***的线性化，将其近似为局部线性***，通过在***处于某一工作点时进行泰勒展开来实现，线性化后的状态方程表示为：

其中表示***状态变量，/>、/>分别表示自行车偏离竖直方向角度，动量轮选装的角度，/> 和 /> 是状态矩阵，分别表示***的动态特性，/> 是输入在平衡飞轮上的转矩，表示施加在***上的控制输入,即动量轮提供的转矩，可以根据平衡自行车固有机械结构的参数计算得出：

和 /> 状态矩阵中的部分参数表示如下：

， />

其中、/>分别表示自行车车体和惯性轮的质量，/>、/>分别表示车辆重心和惯性轮重心到地面的距离，/>、/>分别表示车体和惯性轮以地面点为转动点的转动惯量；

在LQR（线性二次型调节器）控制方法中，选择权重矩阵 Q 和 R 作为调节器的参数，给定 Q 和 R 的值后，通过解代数矩阵方程来计算状态反馈矩阵 K 以及***的输入u；

首先，选择 和 />，代价函数的形式如下：

通过解代数矩阵方程来计算最优 P 矩阵，代数矩阵方程为：

其中，A是状态矩阵，B是输入矩阵，P是状态权重矩阵，解得最优P矩阵后，计算状态反馈矩阵的表达式为:

K矩阵描述了在每个时刻如何根据当前状态来施加最优的控制输入；同时，***的输入u表示为:

其中，是***的状态向量，控制输入/>是由状态反馈矩阵K和***状态/>的线性组合得到，选择适当的权重矩阵Q和R，并计算出最优的状态反馈矩阵/>，从而实现了对自行车平衡***的优化控制。

这种控制方法不仅提高了***的稳定性，还考虑了能量消耗的优化，使得***在各种工况下都能表现出较好的性能。

S3：在无人自行车行驶过程中，通过使用MPU6050惯性传感器4采集车辆绕轴方向的加速度信息，而后基于传感器数据，使用卡尔曼滤波算法计算车辆在三维空间中的俯仰角、偏航角和横滚角，以估计车身的倾斜程度；

实际***测量模型中含有测量噪声，为了获得***的确切状态，使用卡尔曼滤波对***状态进行观测，惯性测量单元测量到轴角速度/>以及/>轴的加速度，其中/>为IMU到地面的距离***在平衡时，对上述公式近似，令，/>，令/>,求得***的状态递推和观测方程有如下公式描述：

其中，/>为观测噪声，它符合正态分布/>：

其对***的状态预测可以有如下公式描述：

其对***的状态更新可以有如下公式描述：

其中，/>为观测噪声，它符合正态分布/>：

其对***的状态预测可以有如下公式描述：

其对***的状态更新可以有如下公式描述：

其中为/>时刻卡尔曼增益，/>为/>时刻先验估计协方差矩阵，/>为/>时刻后验估计协方差矩阵，/>和分别为过程激励噪声和测量噪声的协方差矩阵；

S4：在无人自行车行驶过程中，需要进行规划行驶路径，通过使用Lidar模块定位自行车的位置和方向信息，而后利用摄像头或激光雷达对道路、建筑物等进行三维建模，而后生成路网拓扑结构，基于地图建模的结果，通过路径规划处理来确定行驶路径，并计算出前方的障碍物、路线偏差信息，而后根据规划得到的信息，在行驶过程中通过控制算法和环境信息实现自主方向控制、平衡及避障控制，从而能够完成路径规划。

在无人自行车导航和避障技术的实施过程中，通过激光雷达（LiDAR）和惯性测量单元（IMU）的协同作用，实现了高效精确的环境地图构建，无人自行车导航和避障技术的实施过程如图9所示。该过程包括以下步骤：

激光雷达数据采集：激光雷达通过激光束扫描环境，并获取目标点的空间坐标信息。反射回的激光束数据包括目标的位置、距离和反射强度等关键信息。

IMU数据采集：IMU负责测量车辆或设备的加速度和角速度等惯性信息。这包括车辆的线性和角度运动，为地图构建提供了重要的姿态和运动信息。

数据同步与时间戳标定：通过确保激光雷达和IMU的数据拥有相同的时间戳，实现两者之间的时间同步。时间同步是数据融合的前提，确保各传感器数据在同一时间戳上对应同一环境状态。

地图构建：在数据融合阶段，激光雷达和IMU的数据进行融合。基于IEKF对激光雷达和IMU数据进行融合，基于融合后的数据，***开始进行地图构建。通过将激光雷达的空间信息与IMU提供的姿态信息结合，建立高分辨率、精确度的环境地图。地图在运动过程中实时更新，以适应动态环境的变化。

障碍物检测与识别：构建完成的地图后，使用RANSAC的平面分割算法对地面点进行点云分割，在剩余非地面点之中，利用Kd树（k-dimensional tree）对非地面点进行空间分割，提高后续聚类算法的效率，最后使用欧几里得聚类算法对非地面点进行聚类，将聚类结果中点数较小的簇过滤掉，以排除由于噪声或其他异常情况导致的小型聚类，最后识别出真实的障碍物。

实时定位与导航：利用先验地图数据，将环境划分为网格单元，并计算每个网格单元内点云的平均值和协方差矩阵。使用NDT（Normal Distributions Transform）匹配算法在保证全局一致性的情况下对无人自行车进行定位，利用Hybird-Astar算法在网格地图上进行搜索找到最佳的连续化路径，最后在连续化路径的引导下完成无人自行车的导航。

通过以上步骤，本发明实现了激光雷达和IMU在地图构建过程中的协同作用，从而有效提高了地图的精确性和实时性，有效构建了高精度的环境地图，并通过先进的障碍物检测与识别以及实时定位与导航技术，实现了无人自行车在复杂环境中高效、精确的导航和避障。这种整合的方法对于多种应用领域，尤其是自动驾驶、机器人导航等方面具有重要的实际应用价值。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.基于LQR和Kalman滤波的无人自行车自平衡控制方法，其特征在于：该方法包括如下步骤：

S1、在自行车上安装控制***，控制***包括自行车本体（1），自行车本体（1）的前叉上设置有动量轮（2），自行车本体（1）的后架上设置有无刷电机（3），自行车本体（1）的前杠上设置有MPU6050惯性传感器（4），自行车本体（1）的前杠上设置有STM32单片机和卡片电脑（5），自行车本体（1）的前杠上设置有激光雷达（6），自行车本体（1）的前杠上设置有舵机（7），自行车本体（1）的车头上设置有摄像头（8），自行车本体（1）的下杠上设置有电池盒（9），所述自行车本体（1）的前杠上设置有一体化动量轮支架与FOC驱动器（10）；

通过STM32单片机和卡片电脑（5）、MPU6050惯性传感器（4）、无刷电机（3）和电机驱动器的设置，其中STM32单片机和卡片电脑（5）利用Keil MDK环境调试，用来调试控制MPU6050惯性传感器（4）和无刷电机（3）的操作；MPU6050惯性传感器（4）用于实时读取自行车的姿态角度信息，而无刷电机（3）则通过电机驱动器进行控制；

S2：通过控制电机的扭矩和转速，使得车轮能够向左或向右转动，从而使车身保持平衡，通过MPU6050惯性传感器（4）能够获取自行车姿态信息进行测量，其中包括角度和角速度，根据姿态测量的结果，STM32单片机和卡片电脑（5）根据LQR控制算法对动量轮扭矩计算需要施加的控制量，并将控制量输出到无刷电机（3）轻微转动轮胎，调整自行车的倾斜状态，以达到平衡状态；

S3：在无人自行车行驶过程中，通过使用MPU6050惯性传感器（4）采集车辆绕轴方向的加速度信息，而后基于传感器数据，使用卡尔曼滤波算法计算车辆在三维空间中的俯仰角、偏航角和横滚角，以估计车身的倾斜程度；

实际***测量模型中含有测量噪声，为了获得***的确切状态，使用卡尔曼滤波对***状态进行观测，惯性测量单元测量到轴角速度/>以及/>轴的加速度，其中/>为IMU到地面的距离***在平衡时，对上述公式近似，令，/>，令/>,求得***的状态递推和观测方程有如下公式描述：

，

其中，/>为观测噪声，它符合正态分布/>：

，

，

，

其对***的状态预测可以有如下公式描述：

，

其对***的状态更新可以有如下公式描述：

，

其中为/>时刻卡尔曼增益，/>为/>时刻先验估计协方差矩阵，/>为时刻后验估计协方差矩阵，/>和分别为过程激励噪声和测量噪声的协方差矩阵；

S4：在无人自行车行驶过程中，需要进行规划行驶路径，通过使用Lidar模块定位自行车的位置和方向信息，而后利用摄像头（8）或激光雷达（6）对道路、建筑物等进行三维建模，而后生成路网拓扑结构，基于地图建模的结果，通过路径规划处理来确定行驶路径，并计算出前方的障碍物、路线偏差信息，而后根据规划得到的信息，在行驶过程中通过控制算法和环境信息实现自主方向控制、平衡及避障控制，从而能够完成路径规划。

2.根据权利要求1所述的基于LQR和Kalman滤波的无人自行车自平衡控制方法，其特征在于：所述S1中的MPU6050惯性传感器（4）与无刷电机（3）的输入端分别电性连接在STM32单片机和卡片电脑（5）的输出端。

3.根据权利要求2所述的基于LQR和Kalman滤波的无人自行车自平衡控制方法，其特征在于：所述S1中的MPU6050惯性传感器（4）、STM32单片机和卡片电脑（5）、激光雷达（6）与舵机（7）在自行车本体（1）的前杠上从左到右依次排列。

4.根据权利要求1-3任一项所述的基于LQR和Kalman滤波的无人自行车自平衡控制方法，其特征在于：所述控制***中，通过以矩阵形式表示的状态方程来描述***，其中包括***的状态变量、输入和参数，为了实现对***的线性化，将其近似为局部线性***，通过在***处于某一工作点时进行泰勒展开来实现，线性化后的状态方程表示为：

，

其中表示***状态变量，/>、/>分别表示自行车偏离竖直方向角度，动量轮选装的角度，/> 和 /> 是状态矩阵，分别表示***的动态特性，/> 是输入在平衡飞轮上的转矩，表示施加在***上的控制输入,即动量轮提供的转矩，可以根据平衡自行车固有机械结构的参数计算得出：

，

和 /> 状态矩阵中的部分参数表示如下：/> ， ，

，

其中、/>分别表示自行车车体和惯性轮的质量，/>、/>分别表示车辆重心和惯性轮重心到地面的距离，/>、/>分别表示车体和惯性轮以地面点为转动点的转动惯量；

在LQR控制方法中，选择权重矩阵 Q 和 R 作为调节器的参数，给定 Q 和 R 的值后，通过解代数矩阵方程来计算状态反馈矩阵 K 以及***的输入 u；

首先，选择 和 />，代价函数的形式如下：

，

通过解代数矩阵方程来计算最优 P 矩阵，代数矩阵方程为：

，

其中，A是状态矩阵，B是输入矩阵，P是状态权重矩阵，解得最优P矩阵后，计算状态反馈矩阵的表达式为:

，

K矩阵描述了在每个时刻如何根据当前状态来施加最优的控制输入；同时，***的输入u表示为:

，

其中，是***的状态向量，控制输入/>是由状态反馈矩阵K和***状态/>的线性组合得到，选择适当的权重矩阵Q和R，并计算出最优的状态反馈矩阵/>，从而实现了对自行车平衡***的优化控制。

5.根据权利要求1-3任一项所述的基于LQR和Kalman滤波的无人自行车自平衡控制方法，其特征在于：

所述S4过程包括以下步骤：

激光雷达（6）数据采集：激光雷达（6）通过激光束扫描环境，并获取目标点的空间坐标信息，反射回的激光束数据包括目标的位置、距离和反射强度关键信息；

IMU数据采集：IMU负责测量车辆或设备的加速度和角速度惯性信息，包括车辆的线性和角度运动，为地图构建提供了重要的姿态和运动信息；

数据同步与时间戳标定：通过确保激光雷达（6）和IMU的数据拥有相同的时间戳，实现两者之间的时间同步；

地图构建：在数据融合阶段，激光雷达（6）和IMU的数据进行融合，基于IEKF对激光雷达（6）和IMU数据进行融合，基于融合后的数据，***开始进行地图构建，通过将激光雷达（6）的空间信息与IMU提供的姿态信息结合，建立高分辨率、精确度的环境地图，地图在运动过程中实时更新，以适应动态环境的变化；

障碍物检测与识别：构建完成的地图后，使用RANSAC的平面分割算法对地面点进行点云分割，在剩余非地面点之中，利用Kd树对非地面点进行空间分割，最后使用欧几里得聚类算法对非地面点进行聚类，将聚类结果中点数较小的簇过滤掉，最后识别出真实的障碍物；

实时定位与导航：利用先验地图数据，将环境划分为网格单元，并计算每个网格单元内点云的平均值和协方差矩阵，使用NDT匹配算法在保证全局一致性的情况下对无人自行车进行定位，利用Hybird-Astar算法在网格地图上进行搜索找到最佳的连续化路径，最后在连续化路径的引导下完成无人自行车的导航。