1.一种基于视觉里程计的松耦合多传感器融合定位算法，其特征在于，包括：步骤S1：获取从SLO‑VLP计算得到的移动终端观测位姿Sk（Xk,Yk,Zk，k），其中偏航角 k通过激光雷达进行校正；

步骤S2：将步骤S1中由SLO‑VLP计算得到的移动终端位姿作为自适应蒙特卡罗定位算法中粒子的初始化位姿，由自适应蒙特卡罗定位算法估计的位姿记作（Xi,Y）i ；

步骤S3：获取由视觉里程计基于ORB特征匹配的移动终端的位姿 ；

步骤S4：将步骤S1、S2获得的位姿作为卡尔曼滤波算法的观测值以校正由步骤S3获得的视觉里程计计算的移动终端的位姿 ；

所述步骤S4中，步骤S1、S2获得的位姿作为卡尔曼滤波算法的观测值以校正由步骤S3获得的视觉里程计计算的移动终端的位姿 的方法如下：由SLO‑VLP计算的观测位姿和自适应蒙特卡罗定位算法估计的位姿可以获得位姿观测值Zt,并通过卡尔曼滤波器对所述步骤S3获得的位姿 进行校正，得到最终的移动终端的位姿 ；

步骤S4：将步骤S1、S2得到的位姿观测值Zt作为EKF算法的输入值以纠正由步骤S3获得的视觉里程计计算的移动终端位姿估计值 ；其方法包括：步骤S41：计算卡尔曼增益K= （3）

= ,其中F= ；

其中 是观测矩阵， 是观测噪声的误差协方差矩阵，且观测噪声服从正态分布；

步骤S42：以步骤S41获得的卡尔曼增益K去更新位姿向量和协方差矩阵，具体做法如下：= +K（ ） （4）

= ‑K （5）

以上中， 为对现状态真实值 的估计；输入噪声和观测噪声均服从正态分布，Q 为输入噪声的协方差， R为观测噪声的协方差,  为协方差矩阵。

2.根据权利要求1所述的一种基于视觉里程计的松耦合多传感器融合定位算法，其特征在于，所述步骤S1中，获取从SLO‑VLP计算并得到校正后的移动终端观测位姿Sk（Xk,Yk,Zk，）k 的计算方法包括：步骤S11：调制 LED 灯光，用于传递 LED 灯体ID以及获得与所述灯体ID 相对应的 LED 灯体位姿信息；

步骤S12：获取某一LED灯体在世界坐标系中的位姿（Xi，Yi, Zi），并计算位于移动终端上的相机图像中心在世界坐标系中的位姿（Xs，Ys, Z）s ；

步骤S13： 通过位于移动终端上的相机的坐标系与该移动终端坐标系的坐标系变换关系计算得到该移动终端的姿态（Xk,Yk,Z）k ；

步骤S14：由移动终端上的视觉里程计获取估计的偏航角 、激光雷达检测的的相对方向变换关系 ,可以得到校正后的偏航角 k +；并由步骤S13获得的（Xk,Yk,Zk）可得到移动终端的SLO‑VLP位姿Sk（Xk,Yk,Zk，）k 。

3.根据权利要求1所述的一种基于视觉里程计的松耦合多传感器融合定位算法，其特征在于，所述步骤S2中，获取由自适应蒙特卡罗定位算法得到的位姿（Xi,Y）i ，其方法包括：步骤S21：将权利要求2获得的SLO‑VLP位姿Sk作为自适应蒙特卡罗定位算法滤波器粒子的初始化位姿；

步骤S22：把视觉里程计传感器获取的位姿信息和激光雷达数据输入到自适应蒙特卡罗定位算法定位器，输出移动终端在地图坐标系上的位姿（Xi,Y）i 。

4.根据权利要求1所述的一种基于视觉里程计的松耦合多传感器融合定位算法，其特征在于，所述步骤S3中，获取由视觉里程计基于ORB特征匹配的移动终端的位姿的方法包括：步骤S31：特征检测：从相机拍摄的图片中进行兴趣点检测，提取关键点；

步骤S32：计算由步骤S31获得的关键点的描述子，根据描述子进行特征点匹配；

步骤S33：根据对极几何约束，并由八点法估计出本质矩阵E，并由E通过奇异值分解SVD恢复旋转矩阵和平移矩阵；

步骤S34：由步骤S33获得的旋转矩阵和平移矩阵估计相机的相对运动，从而估计得到相机的当前位姿；

步骤S35：由相机坐标系与移动终端坐标系的TF变换关系可以计算得到移动终端的位姿 。