1.一种空地协同的无人系统高可靠定位导航方法，其特征在于，包括如下步骤：步骤1.无人机基于自身搭载的激光雷达、IMU传感器以及4D毫米波雷达，采用LIO‑SAM融合4D毫米波雷达进行无人机构图，得到三维地图；

步骤2.将步骤1无人机生成的三维地图即地面点云地图，采用基于RANSAC算法和区域生长法相结合的方式，提取并分割负障碍物；

步骤3.将步骤1生成的三维地图通过重投影的方式，转换为二维地图，并在二维地图上标注上步骤2提取的负障碍物，生成带有负障碍物信息的二维栅格地图；

步骤4.无人机将步骤3生成的带有负障碍物信息的二维栅格地图以及步骤1生成的三维地图传送给无人车，并给无人车的定位与导航提供先验地图；

步骤5.无人车基于自身带有激光雷达、IMU传感器以及4D毫米波雷达，扫描出自身局部地图，并与步骤1无人机提供的三维地图匹配，确定无人车自身初始位置；

步骤6.无人车基于无人机提供的带有负障碍物信息的二维栅格地图，生成格栅代价地图；设定导航目标点，基于时间序列卷积神经网络TSCNN与A*算法结合实现路径规划与导航；

无人车使用搭载的激光雷达、IMU传感器以及4D毫米波雷达多模态传感器收集环境数据，将采集的传感器数据形成输入时间序列X＝{Xt‑T+1,Xt‑T+2,…,Xt}；

其中，Xt‑T+1、Xt‑T+2、Xt表示为各个时间步t采集的最新传感器数据；

传感器输入格式为：Xt＝{Lt,Rt,It}；

其中，Lt为障碍物位置，由激光雷达点云数据(X,Y,Z)获得；Rt为障碍物速度和距离，由毫米波雷达数据(Vx,Vy,d)获得，It为无人车加速度和角速度，由IMU数据获得；

将输入时间序列X输入到TSCNN中，基于TSCNN预测未来K秒的动态障碍物轨迹，其表达形式如下：其中， 表示t+k时刻TSCNN的预测结果， 为预测的动态障碍物未来位置，为预测的动态障碍物速度，M为当前时间步预测的动态障碍物总数；i为障碍物编号。

2.根据权利要求1所述的空地协同的无人系统高可靠定位导航方法，其特征在于，所述步骤2中，RANSAC算法的处理过程如下：步骤2.1.从步骤1构建的三维地图即地面点云地图中，利用RANSAC算法随机选择3个点，使用3个点拟合得到一个拟合平面；

步骤2.2.对于点云中的每个点，计算点到拟合平面的距离；

步骤2.3.预设点到拟合平面之间的距离阈值∈；如果某点到拟合平面的距离小于距离阈值∈，则该点视为内点，即属于地面，否则视为外点；

步骤2.4.重复随机选择点和拟合平面的过程多次，并选择内点最多的拟合平面作为地面模型，其他不符合地面模型的点归类为非地面点；

步骤2.5.对于点云中的非地面点，计算所有非地面点到地面模型之间的高度差；

步骤2.6.预设一个第一高度阈值∈diff1；如果非地面点到地面模型的高度差大于预设的第一高度阈值∈diff1，则认为该非地面点属于障碍物的一部分；

步骤2.7.对于每个步骤2.6得到的障碍物点云区域，计算该点云区域内的Z值平均值，并根据计算得到的Z值平均值与周围地面点的高度进行比较；

若Z值平均数低于地面基准点的平均高度超过第二高度阈值∈diff2，则该区域为负障碍物候选区域；若Z值平均数高于地面基准点的平均高度超过∈diff2，则该区域是普通障碍物；

步骤2.8.使用区域生长法识别凹陷负障碍物。

3.根据权利要求2所述的空地协同的无人系统高可靠定位导航方法，其特征在于，所述步骤2.8具体为：步骤2.8.1.在已识别的负障碍物候选区域中，选择高度差最大的点作为种子点；

步骤2.8.2.定义如下相似性准则；

定义高度差异为邻域点与种子点在高度上的差异；若某个邻域点的高度与当前种子点的高度差异小于设定的第三高度阈值∈z，则认为其与种子点相似，二者加入同一区域；

定义空间距离为邻域点与种子点在空间上的距离；设定一个距离阈值∈d，若邻域点距离种子点小于距离阈值∈d，则邻域点加入与种子点所在的同一区域；

步骤2.8.3.对于每个邻域点，计算其与种子点的高度差异和空间距离，并与预设的阈值∈z、∈d进行比较；如果满足相似性准则，则将该点加入到与种子点相同的区域；

一旦某个邻域点被加入与种子点相同的区域，该邻域点成为新的种子点，继续与其他邻域点进行比较，迭代进行直到没有更多满足条件的邻域点加入为止；

步骤2.8.4.区域生长过程会持续进行，直到不能再找到任何满足相似性准则的点为止；此时区域生长法结束并输出一个负障碍物区域的点云数据；

步骤2.8.5.将步骤2.8.4中输出的点云数据通过噪声去除消除离散点和误识别点，利用曲面拟合优化负障碍物区域边界的平滑度，并结合邻域点计算凹陷区域的边缘；

步骤2.8.6.标记负障碍物区域并存储为栅格地图或点云数据，在栅格地图或点云数据中同时采用颜色编码，以区分不同深度的负障碍物。

4.根据权利要求1所述的空地协同的无人系统高可靠定位导航方法，其特征在于，所述步骤3具体为：步骤3.1.通过栅格化投影，将三维点云数据投影到二维平面；投影公式对于每个点(x,y,z)，保留x和y坐标，投影后二维平面坐标为(x′,y′)；

步骤3.2.对x′和y′坐标进行归一化处理，以便栅格化处理；

步骤3.3.将连续的归一化的二维坐标点转换为固定大小的离散网格，形成栅格地图，归一化后的点云坐标映射到固定大小的栅格单元中，并给出如下栅格化公式：xgrid＝[Xnorm/res]，ygrid＝[Ynorm/res]；

其中，res是栅格分辨率，每个栅格代表实际空间中的预设大小的面积；ygrid与xgrid表示二维栅格索引，(Xnorm,Ynorm)为归一化二维平面坐标；

步骤3.4.在二维地图上标注经步骤2提取的负障碍物；对负障碍物区域进行标记，使用颜色编码，不同深度的负障碍物用不同颜色表示；

步骤3.5.将带有负障碍物信息的二维栅格地图进行可视化处理，并保存为占据网格地图。

5.根据权利要求1所述的空地协同的无人系统高可靠定位导航方法，其特征在于，所述步骤5具体为：步骤5.1.无人车接收到的无人机生成的三维地图，并进行坐标变换，将其从无人机坐标系转换到无人车的本地坐标系，转换后得到全局坐标系下的一致地图即全局地图；

步骤5.2.按照如步骤1所述的构图方式进行本地SLAM地图构建，构建局部地图；

步骤5.3.在局部地图中，确定无人车相对于其初始位置的位姿；

其中初始位置是指无人车启动时的参考坐标；

步骤5.4.无人车获取局部环境的点云数据，并使用ICP算法将其与步骤5.1得到的全局地图进行匹配，通过ICP计算无人车在全局地图中的位姿；

通过计算无人车在全局坐标系下的位姿，确定其在全局地图中的位置；在完成迭代优化即平移和旋转矩阵的优化后，无人车的局部地图通过变换对齐到全局地图。

6.根据权利要求1所述的空地协同的无人系统高可靠定位导航方法，其特征在于，所述步骤6具体为：步骤6.1.读取并预处理步骤3生成的带有负障碍物信息的二维栅格地图；

步骤6.2.生成栅格代价地图；

步骤6.2.1.定义栅格代价值，栅格代价值根据每个栅格单元的属性进行赋值；

栅格单元的属性是指栅格中包含的环境特征，即静态障碍物、动态障碍物、负障碍物、可通行区域；计算静态障碍物代价值、负障碍物避让代价值以及动态障碍物代价值；

步骤6.3.输出栅格代价地图并进行可视化；使用Matplotlib绘制热力图或OpenCV伪彩色映射可视化代价地图，并通过颜色表示不同代价值区域；

步骤6.4.使用步骤6.3中已生成的代价地图确定导航目标点，由用户或系统指定，若导航目标点附近有负障碍物，动态调整导航目标点至可行区域；

其中可行区域为指的是代价值较低、无人车可安全通行的区域；

步骤6.5.在每个时间周期内基于无人车使用搭载的激光雷达、IMU传感器以及4D毫米波雷达多模态传感器收集环境数据，将采集的传感器数据形成输入时间序列；

将时间序列输入到TSCNN模型中，基于TSCNN网络预测未来一段时间的动态障碍物轨迹信息，利用TSCNN预测的动态障碍物轨迹，更新栅格代价地图；

*

基于更新后的栅格代价地图，利用A计算最优路径，并进行该时间周期内的路径导航；

步骤6.6.在下一时间周期内，重复上述步骤6.5的过程，直至到达导航目标点。

7.根据权利要求6所述的空地协同的无人系统高可靠定位导航方法，其特征在于，所述步骤6.4具体为：步骤6.4.1.使用栅格代价地图检查导航目标点的代价值C(xgoal,ygoal)，并预设可通行阈值Cthreshold；其中，9xgoal,ygoal)表示导航目标点，C9xgoal,ygoal)表示导航目标点的代价值；

若C(xgoal,ygoal)>Cthreshold，则导航目标点不可通行，则转到步骤6.4.2；

若C(xgoal,ygoal)≤Cthreshold导航目标点可通行，直接进行路径规划，跳转至步骤6.5；

步骤6.4.2.若导航目标点选择不对，则在导航目标点处设置一个搜索半径为Rsearch的搜索区域，该搜索区域Rsearch为以目标点为中心的圆形或矩形区域；

邻域检查遍历导航目标点附近的栅格；

定义(xi,yi)表示搜索范围内的一个栅格单元，检查栅格单元的代价值C(xi,yi)；

若C(xi,yi)≤Cthreshold，则认为该点是可行区域；在所有可行区域中，选择与初始导航目标点(xgoal,ygoal)距离最近的点作为新的导航目标点，放在栅格代价地图中。

8.根据权利要求6所述的空地协同的无人系统高可靠定位导航方法，其特征在于，所述步骤6.5具体为：步骤6.5.1.在系统启动时，初始化所有关键组件，包括地图初始化、定义无人车初始位姿、路径规划初始化、TSCNN模型初始化设定时间窗口T、未来预测步长K；

步骤6.5.2.在当前时间周期内无人车使用搭载的激光雷达、IMU传感器以及4D毫米波雷达多模态传感器收集环境数据，将采集的传感器数据形成输入时间序列X；

X＝{Xt‑T+1,Xt‑T+2,…,Xt}；

其中，Xt‑T+1、Xt‑T+2、Xt表示为各个时间步t采集的最新传感器数据；

步骤6.5.3.将输入时间序列X输入到TSCNN模型中，基于TSCNN网络预测未来K秒的动态障碍物轨迹信息，其表达形式如下：其中， 表示t+k时刻TSCNN网络的预测结果； 为预测的动态障碍物未来位置， 为预测的动态障碍物速度，M为当前时间步预测的动态障碍物总数，i为障碍物编号；

步骤6.5.4.利用TSCNN预测的动态障碍物轨迹，更新栅格代价地图；

*

步骤6.5.5.基于更新后的栅格代价地图，利用A计算最优路径，无人车按照规划的路径向导航目标点前进，记录当前位置并完成当前时间步内的位移；

记录当前时间步内的位移，即计算无人车从当前位置移动到下一位置的位移量，更新其位置和朝向，以追踪无人车在路径上的进度，并确保连续更新位姿；

步骤6.5.6.在下一时间周期内，重复上述骤6.5.2至步骤6.5.5，则无人车按照重新规划的路径前进，记录当前位置并完成当前时间步内的位移；

步骤6.5.7.重复上述过程执行，直至无人车到达导航目标点。

9.根据权利要求8所述的空地协同的无人系统高可靠定位导航方法，其特征在于，所述步骤6.5.4中，利用TSCNN预测的动态障碍物轨迹，更新动态障碍物位置；

其中， 为TSCNN预测的第i个障碍物的未来位置；G(i,j)表示栅格代价地图中的栅格代价值，表示某个位置是否可通行；Cdynamic为动态障碍物区域的代价；

TSCNN预测出的动态障碍物可能经过的位置，在栅格代价地图上将所有可能经过的位置赋值为Cdynamic，表示该位置暂时被障碍物占据，路径规划时需要避让。

10.根据权利要求8所述的空地协同的无人系统高可靠定位导航方法，其特征在于，所述步骤6.5.5具体为：*

步骤6.5.5.1.利用A算法计算从当前无人车位置到导航目标点的最优路径：f(n)＝g(n)+h(n)；

其中，f(n)为总路径代价，表示从起点到导航目标点经过当前点n的总代价，g(n)为起点到当前点的路径代价，表示无人车从起点行驶到当前点n所需的实际代价；

G(xi,yi)是栅格代价地图中每个栅格的代价值；

若查询规划路径中经过所有栅格代价值，若G(xi,yi)＝Cnegative即负障碍物，则代价很高，路径规划将避免经过此区域；若G(xi,yi)＝Cdynamic即动态障碍物，路径规划会绕行；

h(n)为目标点的启发式代价，表示从当前点n到导航目标点的预估代价；

其中，h(n)表示欧几里得距离，表示当前点(xn,yn)到导航目标点(xgoal,ygoal)的直线距离；启发式代价h(n)越小，表示离导航目标点越近，A*优先选择靠近导航目标点的路径；

步骤6.5.5.2.A*算法通过搜索当前所有可行路径，选择代价最小的路径；

步骤6.5.5.3.最终，A*计算出的最优路径为：

Pt＝{(x0,y0),(x1,y1),…,(xgoal,ygoal)}；

其中，Pt为无人车从当前起点到目标点的最优路径集合，(x0,y0)为起点坐标，(xgoal,ygoal)为目标点坐标，(xi,yi)路径中间经过的坐标点；

步骤6.5.6.在下一时间周期内，重复上述骤6.5.2至步骤6.5.5，无人车按照重新规划的路径前进，记录当前位置并完成当前时间步内的位移；

步骤6.5.7.重复上述过程执行，直至到达导航目标点。