1.一种地面约束的多传感器融合定位与建图方法，其特征在于，包括以下步骤：步骤一：通过移动机器人平台采集周围区域的多线激光雷达LiDAR、惯性测量单元IMU和底盘编码器的数据；

步骤二：将IMU和多线激光雷达通过FAST‑LIO2算法作为前端构建激光惯性里程计，并且得到去畸变后的点云帧；

步骤三：通过RANSAC算法提取去畸变后的点云帧的地面点云，并通过前端激光惯性里程计构建全局地平面因子，全局地平面因子构建如下：移动机器人附近的地面点可以建模为一个无限的平面PF:(n,d)，n为地平面法向量，d为地平面与激光雷达坐标系原点之间的距离，假设地面参数PF:(nk,dk)对应第k个LiDAR关键帧，属于地面的每个注册点 的约束方程可以定义为：前端可以得到第k个激光雷达关键帧到第k+1个激光雷达关键帧的变换，变换包括旋转部分 和平移部分 两部分，因此第k+1个激光雷达关键帧参数的地面就是每个注册点所属的约束，LiDAR第k个关键帧下到地平面的距离可以定义为：当机器人在室外环境中移动时，地平面通常会发生变化，需要设置不同的地平面参数，不同地面高度的判断如下：其中Δθk,k+1表示法向量nk和nk+1之间的角度，Δdk,k+1表示相邻激光雷达帧与地平面之间的高度差；

如果Δθk,k+1或Δdk,k+1大于阈值，则认为两个激光雷达关键帧属于不同的地面，最后，将每个关键帧中观察到的地面参数与估计的全局地面之间的偏差合并到因子图中作为地面因子，两个激光雷达关键帧之间的残差模型可计算为：k W k

其中PF和PF分别表示第k个激光雷达关键帧的地平面和全局地平面，H(PF)是在世界坐标下从第k个激光雷达关键帧测量的地平面参数；

步骤四：将IMU和编码器采集的数据分别进行预积分处理，构建IMU和编码器测量模型和预积分模型，并分别构建IMU和编码器预积分因子；

步骤五：通过计算前端得到的去畸变后的点云帧中的时空法向量去除动态点云，得到去除畸变且动态点的点云帧，动态点云去除如下：考虑在世界坐标系中没有注册地面点的去畸变点云Pi(i∈1,...,n)，其局部协方差为：其中 表示Pi中的第j个点， 表示关联的时间戳， 表示邻居点的集合，和 分别表示 对应的最小特征向量和最小特征值；

最后，动态得分 定义为：

点云中的空间点的低动态分数表明它是静止的或者在三维空间中具有非常低的速度；

因此，根据动态分数将点分类为静态或动态；

步骤六：对去除畸变且动态点的点云帧进行通过时间和距离信息提取关键帧，并将步骤三中的点云帧与关键帧相结合构建子图；

步骤七：将全局描述符Scan Context用于闭环检测，构建回环因子，修正累计误差；

步骤八：采用图优化的方式对构建的因子残差项与约束方程进行联合优化，同时考虑到轮子打滑的情况下，采用编码器预积分权重对编码器因子残差项进行约束，通过建立非线性最小二乘目标函数式优化子图的位姿，获得最终的位姿状态和全局静态地图；

系统实际运行过程中，车轮可能会在光滑路面上打滑，导致偏航角估计不准确，整体定位出现偏差，为了提高编码器测量的可靠性，引入了编码器的优化权重，以减少车轮打滑时编码器约束的影响，编码器的优化权重 如下：其中， 和 分别为左编码器和右编码器计算出的从时间k到时间k+1的移动距离，b表示轮距，λ表示最大偏航角增量阈值，设置为0.17。

2.根据权利要求1所述的一种地面约束的多传感器融合定位与建图方法，其特征在于，根据步骤四所述的IMU和编码器预积分因子构建如下：在t时刻来自IMU的原始加速度计测量值 和陀螺仪测量值 在IMU坐标系下的测量可定义为：其中at和wt分别是陀螺仪和加速度计的真实值， 和 分别是加速度计的偏置和白噪声，而 和 分别是陀螺仪的偏置和白噪声，陀螺仪和加速度计中的附加噪声 和被建模为高斯白噪声， 其中σa和σw分别为高斯白噪声的标准偏差，陀螺仪和加速度计中的偏差 和 被建模为随机游走，其导数为高斯W分布， σba和σbw分别为高斯随机游走的标准差，g 是

世界坐标系下的重力加速度；

车轮编码器根据单片机计数器接收到的脉冲确定轴的转速，并可计算出t时刻左后轮和右后轮的线速度 和 为：其中 和 分别是左后轮和右后轮的测量转速， 和 分别是左后轮和右后轮转速的真实值，rl和rr分别表示为左后轮的半径和右后轮的半径， 和 分别是 和对应的零均值高斯白噪声，因此，在编码器坐标下车轮编码器的测量模型定义为：其中 和 分别表示机器人在t时刻的线速度和角速度，b表示轮距， 表示 的零均值高斯白噪声， 表示 的零均值高斯白噪声；

IMU预积分模型用来估计激光雷达第k帧和第k+1帧之间间隔时间的相对运动，定义如下式：其中 和 分别是IMU预积分的位移，速度和姿态角，vk是加速度计在最后一个间隔时间内积分的速度，Δtk,k+1为第k帧到k+1帧的时间间隔， 和 分别为第k帧时刻IMU坐标系下的加速度计和陀螺仪的测量值， 和 分为第k帧时刻IMU坐标系下的加速度计和陀螺仪的真实值， 和 分别为第k帧时刻加速度计和陀螺仪的噪声；

对第k和第k+1LiDAR帧之间的增量进行编码器预积分，定义如下式：其中 和 分别是编码器预积分的位置和速度， 为第k帧时刻编码器坐标系到世界坐标系下的姿态， 和 分别第k帧时刻编码器测量模型计算的角速度和线速度。

3.根据权利要求2所述的一种地面约束的多传感器融合定位与建图方法，其特征在于，根据步骤八所述的图优化位姿方式如下：首先根据IMU和编码器的测量模型，分别构建IMU和编码器预积分约束方程的残差模型，考虑第k个和第k+1个LiDAR关键帧之间的IMU测量，IMU预积分因子残差模型如下：其中， 为IMU预积分因子残差项， 为世界坐标系到第k帧时刻IMU坐标系的旋转矩阵， 和 分别为第k+1帧和第k帧时刻在世界坐标系下IMU积分计算的W位移，g 为在世界坐标系下的重力加速度值，Δtk,k+1为第k帧到第k+1帧的时间间隔，和 分别为第k+1帧和第k帧时刻在世界坐标系下IMU积分计算的速度， 和 分别为第k+1帧和第k帧时刻IMU在世界坐标系下计算的姿态四元数， 和 分别为第k+1帧时刻加速度计和陀螺仪的偏置；

在连续的两个LiDAR运动帧中，编码器预积分因子残差模型定义如下式：其中 为编码器预积分因子残差项；

若形成正确的循环约束，获得一对回环检测关键帧xi和xj,通过对xi和xj进行ICP匹配，如果ICP拟合得分小于阈值，则可以获得相对变换，回环检测因子的残差模型可以定义为：其中si,j是移动机器人的状态节点i和j之间的闭环因子的缩放因子，h(·)是上述节点之间的相对变换，zi,j是回环检测测量值；

通过最小化IMU预积分因子残差，编码器预积分因子残差，地平面因子残差闭环残差之和，可以计算获得优化后的位姿状态X，如下式：Σ(·)表示每个残差模型的噪声协方差矩阵，决定了每个测量的不确定性。