1.一种附有几何约束的LiDAR/INS融合定位与制图方法，其特征在于，包括以下步骤：

1)获取矿井下的移动载体的INS原始数据以及同步的LiDAR原始数据；

2)对获取的INS进行零偏不稳定性和陀螺漂移的误差建模与补偿；

3)在水平通道上，构建Kalman滤波状态方程和量测方程：利用补偿后的INS数据进行状态预测并构建Kalman滤波状态方程，通过该状态方程得到状态预测载体位姿；同时采用基于主成分分析的附有几何约束的方法对LiDAR原始数据进行特征提取，以INS数据状态预测位姿作为LiDAR初始位姿进行水平特征修正与扫描匹配，通过巷道约束特征对提取特征进行修正；同时利用LiDAR数据对INS输出的位置和速度信息进行辅助修正，以LiDAR和INS输出的位置和速度信息之差为观测模型构建Kalman滤波量测方程，解算Kalman滤波状态方程和量测方程得出状态向量及其协方差矩阵；

4)在垂直通道上，将相对于运输巷道的垂向和侧向的零速作为约束引入到LiDAR/INS组合的观测量中，并将俯仰角误差和东向陀螺零偏误差增广至Kalman滤波状态向量中，构建Kalman滤波状态方程和量测方程，解算Kalman滤波状态方程和量测方程得出状态向量及其协方差矩阵；

5)对步骤(3)和步骤(4)Kalman滤波解算后的结果进行最优平滑处理：将解算得到的状态向量及其协方差矩阵作为初值输入到最优平滑算法中，利用正反向滤波算法实现固定区间平滑，得到移动载体平滑后在当地地理坐标系中的精确位置和姿态信息并建图；

在整个过程中，采用滑轨式的测量方法，将INS测量单元、LiDAR装置直接固定在移动载体上，移动载体贴于矿井运输巷行驶，垂向上与运输巷顶面保持刚性连接接触。

2.根据权利要求1所述的一种附有几何约束的LiDAR/INS融合定位与制图方法，其特征在于，在LiDAR装置中采用重复位置识别技术。

3.根据权利要求1所述的一种附有几何约束的LiDAR/INS融合定位与制图方法，其特征在于，步骤(3)中采用基于主成分分析的附有几何约束的方法对LiDAR原始数据进行特征提取，具体方法如下：

在矿井环境下LiDAR数据具有集聚类的特点，采用基于主成分分析的附有几何约束的方法进行直线和角点特征的提取，具体方法如下：a)将区域的两端LiDAR数据点连成一条直线l；

b)求区域之间其他所有点到此直线l的距离d；

c)找出最大的距离值dmax，判断dmax与阈值D1的大小：若dmax

若dmax≥D1，则将该点看作角点特征，并以该点到直线l的垂线或垂线延长线为界划分区域，连接划分后区域两端的点构成直线l；

d)重复b)‑步骤c)，直到所有区域都寻找完成。

4.根据权利要求3所述的一种附有几何约束的LiDAR/INS融合定位与制图方法，其特征在于，将矿井巷道本身的线特征作为约束对LiDAR提取的直线特征和角点特征进行纠正，纠正方法如下：

判断相邻两条直线特征的斜率之差是否大于设定阈值D2，若是，则将这两条直线特征提取至修正后的直线特征集Ω2，若否，删除该角点特征并合并这两条直线特征，提取至直线特征集Ω1。

5.根据权利要求1所述的一种附有几何约束的LiDAR/INS融合定位与制图方法，其特征在于，步骤(3)中以INS数据状态预测位姿作为初始位姿进行水平特征修正与扫描匹配，具体方法如下：

在k时刻扫描匹配过程中，利用k‑1时刻的INS预测位姿 进行初始化迭代，公式如下：记k‑1时刻的位姿为 其中(px‑1,k,py‑1,k)为移动载体在地球坐标系中的坐标， 为航偏角； 为利用INS信息预测的移动载体从k‑1至k时刻的位姿变化量。

6.根据权利要求1所述的一种附有几何约束的LiDAR/INS融合定位与制图方法，其特征在于，步骤3)中通过下述公式构建Kalman滤波状态方程和量测方程：Kalman滤波状态方程：

Xk＝Φk/k‑1Xk‑1+Γk/k‑1Wk‑1式中： 为INS的姿态角误差，δv为在INS下的位置误差，δr为在INS下的位置误差；

Φk/k‑1为状态一步转移矩阵，Γk/k‑1为INS系统噪声分配矩阵，Wk‑1是INS系统噪声向量，Xk表示k时刻的状态向量，Xk‑1表示k‑1时刻的状态向量，k和k‑1分别表示k时刻和k‑1时刻；

Kalman滤波量测方程包括位置误差量测方程Zr和速度误差量测方程Zv：其中：

式中：rx1、ry1表示INS在导航坐标系下的位置推算值，rx2、ry2表示LiDAR的位置输出值，δrx、δry表示INS的位置误差，Ax、Ay为LiDAR的位置误差；

其中：

式中：vx1、vy1表示INS数据在导航坐标系下水平面内的速度信息，vx2、vy2表示LiDAR的速度输出值，δrx、δry表示INS的速度误差，Bx、By为LiDAR的速度误差。

7.根据权利要求1所述的一种附有几何约束的LiDAR/INS融合定位与制图方法，其特征在于，步骤4)中通过下述公式构建Kalman滤波状态方程和量测方程：构建Kalman滤波状态方程：

高程方向Kalman滤波状态向量xD和状态方程 为：式中：FD(t)表示INS系统动态矩阵；GD(t)表示INS系统噪声驱动矩阵；WD(t)表示INS系统激励噪声矩阵；

将INS系统激励噪声WD(t)均假设为高斯白噪声：WD(t)＝[0 Wa,D Wg,E Wgb,E Wab,D]其中：δhINS为INS导航机械编排推算高程的实际误差；

δhINS(t)＝hINS(t)‑hreal(t)式中：hINS(t)表示INS导航推算值，hreal(t)表示INS导航的实际值；δvINS,D为INS导航推算的垂向误差；bg,N为北向陀螺零偏误差； 为来自于东向陀螺零偏误差bg,E和东向陀螺测量白噪声Wg,E的俯仰角误差；ba,D为加速度计垂直零偏误差；Wa,D为垂向加速度计误差，并假设其仅为高斯白噪声过程；I表示单位矩阵；t表示载体移动的时间；

将INS参与零偏误差建模为一阶高斯马尔科夫过程：式中：bg,E为东向陀螺零偏误差，Tgb为相关时间，Wgb,E为驱动白噪声；ba,D为加速度计垂直零偏误差，Tab为相关时间，驱动白噪声为Wab,D为驱动白噪声；

对状态方程 进行线性化得：

Xk＝Ψk/k‑1Xk‑1+Wk‑1其中：

式中：Ψk/k‑1表示状态一步转移矩阵；Wk‑1是INS系统噪声向量；F(t)表示INS系统动态矩阵；G(t)表示INS系统噪声驱动矩阵；W(t)表示INS系统激励噪声矩阵；k和k‑1分别表示k时刻和k‑1时刻；

构建Kalman滤波量测方程：

INS导航推算的高程与LiDAR解算高程之差的量测方程为：zh＝hINS‑hLiDAR＝δhINS+nr,h式中：hINS表示INS导航推算值，hLiDAR表示LiDAR输出值，δhINS为INS导航机械编排推算高程的实际误差；nr,h(t)表示LiDAR的高程误差；

零速约束的速度误差量测方程为：

zv,D＝δvD‑vNφpitch+nv,D式中：zv,D表示零速约束在v系下的垂向速度误差；vN表示移动载体沿北向的速度；

表示俯仰角误差；nv,D表示零速约束观测值的观测噪声。