1.一种高程图的建立方法，其特征在于，包括以下步骤：通过车辆的点云数据确定车辆的第一位姿信息；通过车辆的惯导数据确定车辆的第二位姿信息；从所述点云数据中提取全局描述子并进行回环检测，获得车辆的第三位姿信息；建立以所述第一位姿信息、所述第二位姿信息和所述第三位姿信息为观测量因子的因子图并求解，得到车辆的位姿信息；基于所述位姿信息对所述点云数据进行拼接，得到点云地图；对所述点云地图中的点云进行聚类处理并基于聚类处理结果建立高程图。
2.根据权利要求1所述的建立方法，其特征在于，还包括：将所述高程图输入到预先训练好的高程图补全模型，完成对所述高程图的补全。
3.根据权利要求1所述的建立方法，其特征在于，所述从所述点云数据中提取全局描述子并进行回环检测，获得车辆的第三位姿信息包括：将所述点云数据投影成距离图像；将所述距离图像输入到特征提取模型，得到所述距离图像的全局描述子；使用K-NN算法对当前时刻的全局描述子和历史时刻的全局描述子进行最近邻匹配，得到车辆的第三位姿信息。
4.根据权利要求3所述的建立方法，其特征在于，所述特征提取模型包括Transformer神经网络和多层感知机，所述Transformer神经网络用于提取所述距离图像的特征信息，所述多层感知机用于将所述特征信息聚集为表征不同时刻的所述距离图像是否代表车辆处于同一位姿的全局描述子。
5.根据权利要求1所述的建立方法，其特征在于，所述因子图的观测量因子还包括车辆的第四位姿信息，所述第四位姿信息是通过车辆的全球导航卫星系统GNSS数据确定的，并且，所述因子图的初始因子是由所述惯导数据推算出的车辆初始位姿确定的。
6.根据权利要求1所述的建立方法，其特征在于，对所述点云地图中的点云进行聚类处理之后，并基于聚类处理结果建立高程图之前，还包括：统计所述点云地图中的每一类点云的分布信息；将最近邻的欧几里德距离大于预设阈值的离群点视为烟尘并滤除。
7.根据权利要求6所述的建立方法，其特征在于，所述基于所述位姿信息对所述点云数据进行拼接，得到点云地图包括：通过所述位姿信息确定位置变化信息和第二姿态变化信息，其中所述第二姿态变化信息包括航向角变化信息；根据所述位置变化信息和所述姿态变化信息对所述点云数据进行拼接，得到点云地图。
8.根据权利要求7所述的建立方法，其特征在于，在基于所述位姿信息对所述点云数据进行拼接之前，还包括：获取关键帧对应的所述点云数据，其中，所述关键帧为车辆的第二位姿信息变化满足预设阈值的帧；对关键帧对应的所述点云数据进行降采样，得到关键帧的稀疏点云；并且，所述根据所述位置变化信息和所述姿态变化信息对所述点云数据进行拼接，得到点云地图包括：根据所述位置变化信息和所述姿态变化信息对所述关键帧的稀疏点云进行拼接，得到稀疏点云地图。
9.根据权利要求5所述的建立方法，其特征在于，所述因子图的建立方法包括：将车辆的第二位姿信息变化满足预设阈值的帧设置为关键帧；以最近时刻的R个关键帧建立滑动窗口，其中，R为大于1的整数；将车辆的所述第一位姿信息、所述第二位姿信息、所述第三位姿信息、所述第四位姿信息以增量形式插入因子图。
10.根据权利要求2所述的建立方法，其特征在于，所述高程图补全模型为基于编码器-解码器的U-Net神经网络模型。
