CN105760811B - 全局地图闭环匹配方法及装置 - Google Patents

全局地图闭环匹配方法及装置 Download PDF

Info

Publication number
CN105760811B
CN105760811B CN201610006233.1A CN201610006233A CN105760811B CN 105760811 B CN105760811 B CN 105760811B CN 201610006233 A CN201610006233 A CN 201610006233A CN 105760811 B CN105760811 B CN 105760811B
Authority
CN
China
Prior art keywords
map
histogram
local
module
point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610006233.1A
Other languages
English (en)
Other versions
CN105760811A (zh
Inventor
潘晨劲
赵江宜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foochow Hua Ying Heavy Industry Machinery Co Ltd
Original Assignee
Foochow Hua Ying Heavy Industry Machinery Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Foochow Hua Ying Heavy Industry Machinery Co Ltd filed Critical Foochow Hua Ying Heavy Industry Machinery Co Ltd
Priority to CN201610006233.1A priority Critical patent/CN105760811B/zh
Publication of CN105760811A publication Critical patent/CN105760811A/zh
Application granted granted Critical
Publication of CN105760811B publication Critical patent/CN105760811B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/14—Classification; Matching by matching peak patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

一种全局地图闭环匹配方法及装置，其中方法包括步骤，获取局部地图，所述局部地图包含局部坐标系信息和扫描到的地图点云信息；根据扫描到的地图点云中点的法向分布频率得到方向直方图；根据正交投影将扫描到的地图点云从离散的方向加权投影到线上得到投影直方图；计算直方图相关性，快速匹配相近的第一局部地图和第二局部地图；根据第一局部地图和第二局部地图对应的方向直方图计算角度偏移量；根据第一局部地图和第二局部地图对应的投影直方图计算平移偏移量；根据角度偏移量和平移偏移量合成第一局部地图和第二局部地图；重复上述步骤，直到全局地图构建完毕。上述技术方案解决了全局地图精准匹配的问题。

Description

全局地图闭环匹配方法及装置
技术领域
本发明涉及地图采集领域，尤其涉及一种用于超大闭环地图方法中的全局地图不换匹配方法及装置。
背景技术
无人车(或者其他机器人)的工程化、实用化过程中一个重要问题是如何在一个超大的范围内(几公里、几十公里、甚至几千公里的区域)，以及长时间的行驶过程中实现对自身的精准的定位的同时记录下经过的环境的地图。
虽然先验地图的好处不言而喻，但是先验地图并不是所有的情形下都能获取。不依赖先验地图可以极大地拓展机器人的使用范围。比如，应用范围从城市拓展到野外。对于其它类型的需要导航定位的机器人，比如说无人水下机器人或者无人飞行器，获取先验地图可能十分困难或者不现实。因此，具备实时构建地图的能力对于无人车(或者其它机器人)很有用。
上述的问题需要在两个层面上解决：
1.在本地层面(受机器人传感器的有效范围和算法的影响，一般在米/十米/百米级别)，需要解决在时间和空间上临近的几个位置上采集的传感器数据的关联性问题。将几个不同连续的位置采集的传感器数据通过某种方式匹配，是构建本地地图的基础。
2.在全局层面，需要一种寻找当前的局部数据和全局(整个地图)数据之间匹配的方法。也就是说，当无人车重新回到之前到过的一个地点的时候，无人车要能够辨别出当前的本地环境就是地图上之前记录过的某一个地点。这个功能对于超大范围的自主导航至关重要，因为一般定位所依赖的惯性导航仪或者里程计有累积误差的问题，距离越远误差越大。而不受距离影响的一些定位方法，如卫星定位系统，又有诸多限制。在这种情况下，无人车重新回到之前到过的地点时就有机会把两次到达之间累积的误差基本消除。这也是所谓的导航中的闭环问题。
本方法提出一种全局地图匹配技术中闭环匹配的技术，可以应用于全局范围内地图匹配。解决全局范围内的匹配。这种技术可以用于本方法中的定位和地图构建系统的匹配，也可以用作其它需要解决闭环问题的系统，比如另一篇中提到的(一种依靠经历数据库提高无人车定位应变能力的方法)。另外，全局地图匹配技术可以作用于实时采集的地图，也可以作用于先验的地图。
发明内容
为此，需要提供一种应用于去全局地图闭环匹配技术，解决局部地图匹配的问题。
为实现上述目的，发明人提供了一种全局地图闭环匹配方法，包括步骤，获取局部地图，所述局部地图包含局部坐标系信息和扫描到的地图点云信息；
根据扫描到的地图点云中点的法向分布频率得到方向直方图；
根据正交投影将扫描到的地图点云从离散的方向加权投影到线上得到投影直方图；
计算直方图相关性，快速匹配相近的第一局部地图和第二局部地图；
根据第一局部地图和第二局部地图对应的方向直方图计算角度偏移量；
根据第一局部地图和第二局部地图对应的投影直方图计算平移偏移量；
根据角度偏移量和平移偏移量合成第一局部地图和第二局部地图；
重复上述步骤，直到全局地图构建完毕。
进一步地，在得到投影直方图后，还包括步骤，
根据投影直方图的归一化概率分布求得熵序列，所述熵序列包含每一个角度投影线的熵测量信息，根据所述熵测量信息计算角度偏移量。
进一步地，还包括步骤，根据第一局部地图和第二局部地图对应的投影直方图做相关性计算，并且记录下相关性计算中得到的全局峰值，将具有相同的角度偏移量的全局峰值值取平均，并按顺序排列，计算角度偏移量。
进一步地，还包括步骤，根据直方图相关性中的峰值或信噪比决定度量的最优阈值。
一种全局地图闭环匹配装置，包括地图获取模块、直方图计算模块、相关性计算模块、偏移量计算模块、合成模块，
所述地图获取模块用于获取局部地图，所述局部地图包含局部坐标系信息和扫描到的地图点云信息；
所述直方图计算模块用于根据扫描到的地图点云中点的法向分布频率得到方向直方图；
所述直方图计算模块还用于根据正交投影将扫描到的地图点云从离散的方向加权投影到线上得到投影直方图；
所述相关性计算模块用于计算直方图相关性，快速匹配相近的第一局部地图和第二局部地图；
所述偏移量计算模块用于根据第一局部地图和第二局部地图对应的方向直方图计算角度偏移量；根据第一局部地图和第二局部地图对应的投影直方图计算平移偏移量；
所述合成模块用于根据角度偏移量和平移偏移量合成第一局部地图和第二局部地图。
进一步地，还包括熵序列计算模块，
所述熵序列计算模块用于根据投影直方图的归一化概率分布求得熵序列，所述熵序列包含每一个角度投影线的熵测量信息，
所述偏移量计算模块还用于根据所述熵测量信息计算角度偏移量。
进一步地，还包括穷举计算模块，所述穷举计算模块用于根据第一局部地图和第二局部地图对应的投影直方图做相关性计算，并且记录下相关性计算中得到的全局峰值，将具有相同的角度偏移量的全局峰值值取平均，并按顺序排列，计算角度偏移量。
进一步地，还包括最优阈值确定模块，所述最优阈值确定模块用于根据直方图相关性中的峰值或信噪比决定度量的最优阈值。
区别于现有技术，上述技术方案通过建立直方图和匹配机制，解决了全局地图中闭环匹配的问题。
附图说明
图1为本发明具体实施方式所述的位姿状态演化图；
图2为本发明具体实施方式所述的基于表面法向的点匹配示意图；
图3为本发明具体实施方式所述的法向量计算示意图；
图4为本发明具体实施方式所述的地图中表面法向的频率分布图；
图5为本发明具体实施方式所述的带权重的投影直方图；
图6为本发明具体实施方式所述的地图直方图与熵序列对比图；
图7为本发明具体实施方式所述的穷举法全局峰值示意图；
图8为本发明具体实施方式所述的穷举相关系列示意图；
图9为本发明具体实施方式所述的直方图和熵序列相关图；
图10为本发明具体实施方式所述的接收者操作特征(ROC)曲线图；
图11为本发明具体实施方式所述的局部地图构建方法流程图；
图12为本发明具体实施方式所述的局部地图构建装置模块图；
图13为本发明具体实施方式所述的全局闭环地图匹配方法流程图；
图14为本发明具体实施方式所述的全局闭环地图匹配装置模块图；
图15为本发明具体实施方式所述的不同、非连续的时间点获取的局部地图的匹配示意图。
附图标记说明：
1200、坐标建立模块；
1202、快照记录模块；
1204、滤波模块；
1206、最近邻匹配模块；
1400、地图获取模块；
1402、直方图计算模块；
1404、相关性计算模块；
1406、偏移量计算模块；
1408、合成模块；
1410、熵序列计算模块；
1412、穷举计算模块；
1414、最优阈值确定模块。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
1.总体思路
在SLAM(simultaneous localization and mapping)中，可靠的数据关联技术对于建立大尺度的环境地图尤为关键。数据关联技术有两个层面的要求：(1)局部层面代表着建图算法的内环；(2)全局层面代表着新建立的地图区域与之前建立的地图区域重复程度和闭环。局部地图的建立通过鲁邦的迭代扫描匹配技术，并结合扩展卡尔曼滤波，状态包含当前的位姿和之前周期性采样的位姿，以及采样间隔从当前的时间。固定的采样降低了定位和结果地图中误差的增长。对于全局地图匹配，我们增强了已有的直方图交叉关联技术，引入投影直方图的熵序列和详尽的关联方法为了针对非结构化环境中的可靠的匹配。这样保证了闭环并且不基于之前的地图配准信息。环境地图可以分为：基于特征的地图、位置地图，和视场地图。
2.基于激光扫描的局部地图建立
下面先介绍一种局部地图建立方法，仅利用激光扫描序列就可以建立局部地图和估计机器人的状态。机器人的运动可以由连续的激光扫描估计出来，为了保证扫描的重叠区域，激光扫描的频率相对于机器人的速度要足够高。该方法使用一种扩展卡尔曼滤波(EKF)，利用机器人在之前时间不长中位姿的“快照”来增强机器人当前的状态信息。
当前位置的扫描与之前位姿信息的快照做比对来更新当前的状态并估计当前的位姿和速度。利用鲁邦的最近邻迭代(ICP)匹配算法来实现扫描间的比对。通过这种方式，局部地图被增量式的建立起来直到状态向量维度达到最大，此时，当前的地图建立完成，并开始建立新的局部地图。后面要讨论的闭环问题就是决定局部地图间的空间关系。这里讨论局部地图的建立。
2.1初步定义
一帧扫描是激光一次扫描中所产生的一组有方向的点集，这组有方向的点集相对于传感器的位姿。点集的表达也是在传感器坐标系。
我们区分两种层面的地图：局部地图和全局地图。局部地图由一组有限的扫描序列产生，每一次扫描的位姿表达在一个单一的局部坐标系中。因此如图11所示，一种局部地图构建方法，开始于步骤S1100建立局部坐标系。全局地图是局部地图的集合，每个局部坐标系变换到一个统一的全局坐标系中。比如一个局部地图可以包含十米范围的扫描，全局地图包含建图全过程中所有的局部地图。
从坐标系b到坐标系a的坐标变换记为Ta b。一个坐标系可以测量时间或者地图索引来引用。
一个Atlas图是一个局部地图坐标系的网络，网络的每个边代表着有重叠局部地图间坐标变换的估计和不确定度。从Atlas图，一个全局地图可以利用边界变换通过计算每个节点相对于一个统一的坐标系的全局变换产生。
2.2基于位姿快照的卡尔曼滤波
扩展卡尔曼滤波(EKF)可以被用来维持局部地图中所有位姿的状态和协方差。滤波器中没有利用直接的地图特征，也不需要从激光扫描数据中提取特征。本方法还需进行地图的数据采样有多种实施方式，例如采样车，无人驾驶车等，在某些实施例中以采样机器人为例进行说明。还包括步骤S1102，每次快照时记录位姿信息，所述快照为激光扫描地图信息，所述位姿包括相对局部坐标系偏移量和方向角。在具体的实施例中，每个保存下来的机器人位姿包含一个快照，是对应的时间戳获取的原始数据，因此称为位姿快照卡尔曼滤波(PSKF)。
机器人的在局部地图m时刻t的位姿Tm t表示为相对于局部坐标系的转移量xt，yt和方向角θt。PSKF的状态向量Xm是当前时刻t的位姿和所选择之前时刻的位姿t0,t1,...,tN的列置：
随后还进行步骤S1104，基于快照和位姿信息进行卡尔曼滤波。初始时，PSKF状态仅包含机器人的起始位姿。在距离和角度阈值内当前的激光视角。没有姿态快照在距离和角度满足从当前激光视角的阈值，新的位姿加入到状态向量中。这些位姿快照被称为绝对时刻(AT)位姿，因为他们是机器人相对于特定时刻的状态。PSKF的预测步仅更新机器人的当前位姿。状态向量添加新的位姿恰好在当前位姿更新之前。一些文献中，把EKF状态向量中保留以前时刻的绝对位姿被称为“延迟状态”或“基于轨迹”的SLAM。
地图的大小受限于绝对位置快照的数量，因此限制状态向量和协方差矩阵的最大尺寸。由于PSKF状态向量最大的维度被界定，因此每个时间周期内所需的计算时间也被界定。
PSKF的预测步骤使用一个基于车辆运动学和当前速度估计的处理噪声的模型。比如，如果车辆是非完整系统，我们可以利用垂直于轮子的速度近似为零。或者，如果里程计的数据可以获得，他们可以被用来代替速度估计。
对于每一个时间步长，当前时刻t的扫描与保存的扫描(在时刻ti)连续匹配(利用ICP)。如果在当前的扫描和所保存的扫描间有明显的重叠，由ICP算法决定的转移矩阵Tti t是这两个坐标系相对位姿的观测。在滤波器测量模型z＝h(X)中所使用的相对状态变量来更新PSKF状态和协方差矩阵
z＝h(X)，
两个符号分别是逆转移矩阵和复合运算符。相对位姿Tti t和其测量协方差由迭代扫描匹配算法计算得到。值得注意的是更新的信息矫正了在PSKF状态中当前的位姿和所有之前的位姿，并且当前扫描和与之相关联的扫描重叠也被检测出来。
2.2.1固定滞后步长的位姿快照
我们利用额外的位姿状态增强了PSKF状态模型，额外的状态模型是用来减小建图中的误差增长。在另一些实施例中，除了基于距离间隔内的绝对位姿状态的卡尔曼滤波，增强的滤波器还包含从当前位姿起一个固定滞后(FL)间隔内的位姿状态：以下具体实施方式介绍基于固定滞后位姿的卡尔曼录播方法
FL位姿快照是之前的n次扫描时的状态(n通常小于等于3)，在每一次更新时他们都被最近的n次扫描所取代。FL位姿的更新方式同于AT位姿的更新方式。值得注意的是在方程(1)中FL位姿相对于当前位姿来索引，而AT位姿是绝对索引。
通常当前扫描和FL状态时扫描的重叠度要大于与最近AT状态时的重叠度。这样改善了转移矩阵更新的质量。滤波器可以纳入FL状态更多的更新来减少建图中的误差。图1所示的实施例中说明了典型的PSKF快照利用单一的FL位姿的状态演化。如图所示，FL状态在连续位姿间引入了额外的测量，连续位姿间的重叠度大。
此外，基于当前位姿和最近的FL位姿相对运动的速度估计也在滤波器的预测步中使用(使用了噪声模型)。这个速度估计比使用最近的AT位姿更精确，可以使滤波器处理大的加速度及转弯。
2.3最近邻匹配(ICP)
在某些进一步的实施例中还包括步骤S1106对上述卡尔曼滤波的结果进行最近邻匹配。ICP是一个简单的算法，对其两组未知的点云。总体思路上，算法的每次迭代有两个步骤。在第一个步骤，关联第一点集中每个点到第二点集中的最近点找到匹配点。第二个步，找到坐标变换，减小匹配点间的误差。这两个步重复直到收敛或者最大的迭代次数。
迭代算法的伪代码如下：
其中Sa和Sb是激光扫描数据，Ta b是激光扫描中心相对的坐标转换，χa b是两个扫描点集对应点。∑ab是最终校准的协方差。
2.3.1曲面法线
在不同的扫描中，表面并不是精确的被采样相同的点，点间的欧氏距离不是扫描间距离的合适评价机制。在优选的实施例中，用对准误差计算公式计算每对匹配点在法向上的差值，所述差值记为匹配误差。具体地，可以使用一个更精确的表面误差表达：向量的分量是从当前扫描点到另一组扫描点表面法向方向上的偏差(如图2所示)。这样不需要点插值，也降低了非均匀表面产生的偏差。由经验，已证明使用这种误差机制改进了ICP算法的收敛速度。法向也可以使用在关联步通过限制具有相似法向方向的匹配点。由于有效的匹配表面而不是点，这个算法与其叫点最近邻迭代(ICP)，不如叫表面最近邻迭代(ICS)。
每一个扫描点的表面的法向近似于点从一个表面上采样得到。给定连续的点A、B和C，点B的法向是线段和法向的平均值(如图3所示)。连续性假设在遮挡处或是扫描边界不成立。因此，如果点A和点B或者点B和点C的距离大于一个阈值，仅仅短线用来确定法向。如果两个距离都很大，比如探测到一根细管，这个点的法向简单的计算为该点指向扫描中心的方向。
2.3.2转移矩阵的更新
在每次ICP迭代中，在扫描表面点匹配完成后，之前对准的转移矩阵Ta b被更新。更新过程是最小化当前关联点集的对准误差。对准误差公式计算每一个匹配点在法向方向上的差值
Pa和Pb是扫面点向量，na是点a的法向量，Ta b是对准转移矩阵，Ealign是对准误差和。这个测量机制类似于Lu和Milios的方法。
目标是确定转移矩阵，使得对准误差最小。由于旋转量，最优变换没有线性解。相反，误差方程在转移矩阵的初始估计附近被线性化相对于，这样一个最优的线性解可以求得。对准误差可以写为向量的形式：
向量方程h()的每一行是方程(2)求和中的一项。线性化的误差可以表达为一阶泰勒展式：
H是h关于x，y和θ的雅可比矩阵。
求方程(3)关于未知量(x，y，θ)的微分，利用公式(4)中的近似，并使表达式为零，就可以转变成一个线性系统，可以求得最优线性解：
H的每一行为
将更新添加到变换矩阵参数中，并且线性化过程迭代直到收敛。至此完成了矩阵的坐标变换。值得注意的是这个解每一个对应仅包含一个约束，而点对应包含两个约束。这种区别防止扫描点定位中的偏差。
2.3.3鲁邦的外点权重
进一步地实施例中，还进行步骤，对所述匹配误差进行洛伦兹修正；为了减轻数据中(扫描的非重叠区域，移动物体和/或地面点)外点的影响，匹配误差利用Lorentzian修正，当错误变大降低权重。Lorentzian权重等同于假设Cauchy误差分布。
对准误差方程被修正为Lorentzian方程：
定义为外点软阈值。
最小化误差的参数可以通过求误差方程的微分并赋值结果为零。使用方程(7)和(3)唯一的区别是Lorentzian对每行增加了每一项可以看做是基于初始误差每个表面对应点的权重。权重可以形成一个对角矩阵W，带权重的最小方差解为：
收敛后每一个对应点的最终权重被使用来初始化权重在随后的扫描匹配中，多匹配的总权重被用来决定环境中的外点，这些外点在随后的处理中将被忽略。
2.3.4对准转移协方差
进一步地，还包括步骤：用匹配误差的方差和匹配误差相对于位姿变换参数的雅克比矩阵用来生成最近领匹配变换的协方差。在最后的ICS转移矩阵的更新时，确定扫描匹配变换的协方差。最终的表面对应和对准误差被用来确定平均点误差的方差。然后，点误差的方差和配准误差相对于转移变换参数的雅克比矩阵用来生成对准转移矩阵的协方差。
表面点匹配误差的方差为公式(2)中求和项的样本方差：
N是表面上的匹配点数量。
转移矩阵参数[x y θ]T的协方差为(公式(5))最后更新的协方差，假设
协方差矩阵用来描述在公式(1)更新PSKF时的测量噪声方差。转移矩阵更新的协方差取决于匹配的扫描点数量和每个匹配的平均误差，以及扫描的几何形状。比如，当二维扫描点的法向不能够支撑一个二维空间，协方差是病态矩阵。这种情况在长走廊环境中特别明显，此时仅有两个平行的平面墙被观测到。在这种情况下，卡尔曼滤波器沿着走廊的方向不能够减小其不确定性。
3.地图匹配
上一部分描述了，当一个有效地初始值给定后，激光扫描间的配准，和基于激光配准建立局部精确地图(配准一系列激光扫描)的方法。这部分考虑在一个更大的尺度下(局部地图间的)关联问题。这有助于检测闭环以及从不同方向重复经过同一地方的判断。在地图间的初始匹配间通常存在一个较大的不确定性，在很多情况下地图根本就不匹配。因此，需要额外的步骤来确定地图是否有重叠，并且对重叠确定一个初始的猜测。这个初始的猜测可以提供给ICS算法来保证快速收敛到全局最小。在图13所示的某些实施例中提出了一种全局地图闭环匹配方法，包括步骤S1300，获取局部地图，所述局部地图包含局部坐标系信息和扫描到的地图点云信息；所述局部地图可以通过第二节所述的方式获得，也可以从特定的局部地图数据库中提取，均不影响本方法的实现，
3.1直方图匹配
为了快速对其两幅地图，每幅局部地图需要对其显著性的特征有一个紧凑的表示。这个表达可以用来区别不同的局部地图，并且能够用于确定地图间的转移矩阵如果有重叠。在本实施例中，还包括步骤S1302根据扫描到的地图点云中点的法向分布频率得到方向直方图；
步骤S1304根据正交投影将扫描到的地图点云从离散的方向加权投影到线上得到投影直方图；
以下介绍方向直方图和投影直方图的具体构建方法。我们的地图匹配表达包含一个扫描法向的方向直方图和一系列带权重的投影直方图，投影直方图由正交投影将扫描点从离散的方向投影到线上。直方图间的强关联可以用来推导出潜在的地图匹配：首先方向直方图可以用来确定角度偏移量，然后将投影直方图关联到所求的的方向上确定出平移分量。为了改进匹配的质量以及将这个方法推广到非结构化的室外环境，一些增强的技术可以添加到现有的直方图匹配方法上。
在不考虑平移分量的情况下，方向直方图用来计算局部地图间的旋转量。为了建立直方图，一个单位圆被离散化为一系列相同大小单元，每个单元在地图中表面法向的频率(如图4所示)代表直方图中所对应那个单元的值。方向直方图的峰值表示主要的表面方向，最明显的当有大面积的平整表面在激光视野中。通常，直方图的单元大小应该与地图中扫描的噪声和确定性相匹配。经验是一个角度份为5.625度(360度/64)最适合工业建筑，城市，郊区的街道，和居民区。一个地图实例和其方向直方图如图5所示。
带权重的投影直方图用来确定局部地图间的平移分量，一旦他们的旋转分量确定。每一个投影直方图Hm(θp,d)的生成通过正交投影地图m中的每一个扫描点(xi,yi)到一条倾角为θp的直线上，产生一个偏移为di的直方图相对于单元的中心d，点乘他们表面的法向
Δ是直方图的单元大小。
投影直方图的动态范围由给每一个点加权其的法向向量。表面方向平行于投影线的点的权重被消弱，因此他们不会对直方图产生模糊。表面垂直于投影线的点被赋予更大的权重。此外，由于权重可以是负的，根据扫描点法向的方向区分扫描点的贡献是可行的(如图5)。这增加了投影直方图的动态范围和显著性。当投影线平行于墙面时，长墙壁的累积贡献不会淡化精细结构。否则，垂直于投影线的墙面不会与相同方向的墙面匹配上了。
每一个投影线的方向和最终产生投影直方图的数量由方向直方图中角向单元的数量决定。对于投影直方图，偏移单元的大小应该足够小以致环境中的结构细节可以捕获到，但是不能够太小以致由噪声占了单元中的主导。经验上，单元的大小在1m对文中上面提到的环境适用。
一个完整的带权重的投影直方图如图6所示。图中的每一列代表了一个对其于角度直方图单元沿特定角度θp的投影直方图。
3.2直方图相关性
进一步的实施例中，还进行步骤步骤S1306计算直方图相关性，快速匹配相近的第一局部地图和第二局部地图。直方图匹配算法的目的是快速确定是否有局部地图对匹配上，如果有，计算匹配对间的转移矩阵。这种方法的通常的想法是确定两幅局部地图间的角度偏移通过计算方向直方图的相关性。然后，给定计算的角度偏移，垂直于偏移角度方向的位置偏移量可以通过计算投影直方图的相关性确定。
将要看到，决定角度的直方图匹配非常适用于结构化的环境，这种环境能够在方向直方图中得到显著的结果对于地图中平坦的地面。对于非结构化环境，需要一个更可靠地技术，将在3.3节中介绍。
3.2.1方向直方图相关性
本小节及下一小节节所述的实施例中还包括步骤S1308根据第一局部地图和第二局部地图对应的方向直方图计算角度偏移量；
根据第一局部地图和第二局部地图对应的投影直方图计算平移偏移量；
S1310根据角度偏移量和平移偏移量合成第一局部地图和第二局部地图；
重复上述步骤，直到全局地图构建完毕。
具体地，地图匹配的第一步是计算地图方向直方图的相关性来确定可能的旋转偏移量。为了躲避边界的影响，相关性由圆卷积计算，直方图归一化于其弗罗贝尼乌斯范数(Frobenius norms)，此时直方图的自相关将得到最大值为1。相关性峰的位置代表了地图间旋转偏移量的估计值。由于噪声，不完整重叠，和周期性，其他的局部最大值也可以预示真正地角度偏移量；因此，在随后的计算中将考虑多峰值。
3.2.2投影直方图相关性
方向直方图相关性的峰值预示着两幅局部地图一个角度配准的候选值；因此，对每一个候选偏移量，以每个峰值所给定的角度偏移量为投影线，计算两幅局部地图的投影直方图相关性。进一步地，给定一个候选的旋转偏移量θo，如果在第一幅地图中投影线的角度为θp，第二幅地图中的投影线角度为θp+θo，比如对于地图a投影直方图为Ha(θp,d)，相应的地图b的投影直方图为Hb(θp+θo,d)。
平移量的的计算方法如下。从第一幅局部地图中，选择两个垂直投影直方图(需要两个是为了解决在两个方向上的对准量)与第二幅地图(投影直线旋转了θo)中的相应的直方图做相关性运算计算平移量。可以凭经验最好选择两个投影直方图中熵最小的(通常对应的是方向直方图中峰最大的)，另一个是其正交量，因为这种选择提高了匹配的可靠性。投影直方图相关性的峰值代表了在给定一个候选角度偏移量时所估计的平移偏移量。投影直方图相关性的例子如图15(d)和(e)所示。用于计算相关性的角度偏移量是基于图15(c)中的峰值。
地图坐标系间平移向量通过求解线性系统得到tx和ty：
θp是第一个投影线相对于x轴的角度，是第一个投影直方图相关性最大峰值的偏移量，由第二个投影直方图相关性计算得。转移矩阵的精度取决于直方图单元的大小。尽管配准很粗糙，如图15(f)，精度足够满足对于2.3节中描述的迭代算法收敛于精度高的匹配。图15显示了两副在不同、非连续的时间点获取的局部地图的匹配。(a)(b)两副局部地图，点代表了扫描点，实线代表了车辆的轨迹。(c)两副地图的熵值随着角度的变化，以及两副地图的相关性。(d)(e)用来给匹配打分的平移偏移量与相关性图盒投影直方图与相关性图。(f)根据极值匹配的两幅局部地图，融合的效果。
3.3熵序列
在某些进一步的实施例中，在得到投影直方图后，还包括步骤，根据投影直方图的归一化概率分布求得熵序列，所述熵序列包含每一个角度投影线的熵测量信息，根据所述熵测量信息计算角度偏移量。可以看到方向直方图对于非结构化环境不是十分可靠。在许多典型的室外环境场景中缺少平整的表面导致一致性方向直方图缺少主峰。
因此，作为一个替代使用方向直方图的方法，使用基于投影直方图H(θp,d)熵的一系列测量ε(θp)来计算角度偏移量更加可靠。直观地，熵代表了直方图的均匀度，均匀的直方图熵最大，当直方图仅有一个单元非零时熵最小。因此，熵有效的测量了峰的存在及其锐度，峰随着投影线的角度变化而变化。方差用来描述直方图的延展度，不像熵，它不能捕捉到多峰情况下的“模糊性”(这在应用中是常见的)，并且对于地图的边界敏感。
对于一个给定地图中的每一个投影直方图可以归一化于概率分布，熵由这个概率分布计算得。熵序列包含从每一个角度为θp投影线的熵测量：
每个直方图单元的绝对值是需要的，应为权重有可能是负值。
匹配之前，熵首先变成一个大峰(通过求幂)，然后取反，移位，并归一化使序列类似于一个方向直方图：
由于两个投影直线的角度差为180度，含有相同的点分布，熵序列重复周期为180度。因此，熵序列相关性的每一个峰产生两个角度偏移，相差180度。这个歧义性，经常由子序列步骤解决，利用当投影直方图关联时，虚假的偏移会有低相应。
图6显示并对比方向直方图和熵序列的表现在结构化和非结构化环境中。图中使用的地图由2.4节中的数据得到，车载这两个激光雷达，行驶了1140m。图6(a)和图6(b)显示了示例地图，一个结构化的环境包含墙体和建筑，和一个非结构化的环境包含自然障碍物如树木。
在图6(c)和6(d)给出了两幅地图的方向直方图和熵序列。对于结构化的地图，直方图和熵序列有相同的峰位置，尽管熵序列峰更宽一些。这时结构化环境的一般情况，熵序列的测量信息不够如此丰富。相反，对于非结构化地图，方向直方图缺少明显的峰，并且有噪声主导，熵序列信息更加丰富，有强烈的信号和清晰的峰。
信号的自相关如图6(e)和6(f)所示。自相关显示了在理想条件下我们所期待的，地图的匹配很完美。可以看到，对于结构化地图，角度直方图和熵序列拥有相似的自相关的峰值(尽管角度直方图的峰更强)，对于非结构化地图，仅熵序列有清晰的峰。这个例子展示了在非结构化环境中直方图会噪声很到以致不能得到可靠的匹配，此时必须使用熵序列。
3.4穷举法
在另一些实施例中，进一步地，还包括步骤，根据第一局部地图和第二局部地图对应的投影直方图做相关性计算，并且记录下相关性计算中得到的全局峰值，将具有相同的角度偏移量的全局峰值值取平均，并按顺序排列，计算角度偏移量。
当方向直方图和熵序列相关配准时噪声过大或者没有可靠的峰，可以使用一种穷举法，仅基于投影直方图来确定偏移量。在这种方法中，一幅图像中所有的投影直方图与另一幅图像中每一个投影直方图做相关性计算，并且记录下相关性计算中的全局峰值(如图7所示)。所有直方图相关性中求得的最大值，将具有相同的旋转偏移量的最大值取平均，并按顺序排列，以偏移量为索引，这样我们称之为穷举相关序列(如图8所示)。在这个序列中的局部峰值决定两幅图像的候选旋转偏移量(类似于图9中直方图和熵序列相关中的峰)。可以按照3.2部分所描述的方法来确定平移量。
穷举法比方向直方图或者熵序列相关方法计算复杂，因此应当作为最后一招，当其他两种方法没有找到具有质量的匹配。在直接实现时，枚举法的计算复杂度是O(n4)，而传统的相关方法时间复杂度是O(n2).然而，相关性计算可以在傅里叶域用乘积运算，因此枚举法的时间复杂度可以优化为O(n3log n).主要的计算量为计算快速傅里叶变换(FFT)的逆变换，因为每一个投影直方图的FFTs仅需要计算一次。实际中，可以发现穷举法很少需要用到，因此总体的运行时间不会受很大的影响。
3.5匹配度量
另一些进一步的实施例，还包括步骤，根据直方图相关性中的峰值或信噪比决定度量的最优阈值。我们的地图匹配算法可以计算两幅地图间的转移量，但是我们只关注具有高置信度的匹配，这样的匹配地图重叠精度高。尽管错误的匹配通常在ICS步被排除掉，但是限制地图匹配过程中错误匹配的数量会节省计算量。因此，有必要评估从直方图或者熵序列相关性计算中的匹配质量。匹配质量可以有很多度量方法，比如利用四个相关性(方向直方图，熵序列，和两个投影直方图)中的峰值，或者利用相关性序列的信噪比。这些值可以结合成一个数量度量法，比如通过求和或者联乘运算。
信噪比(SNR)可以定义为:
其中，η(a,b)是信号a和b的交叉相关系数。
通过计算大量数据地图集的接收者操作特征(ROC)曲线(如图10)，已知这些地图集的相关性的，对四个不同的度量方法区分正确匹配能力进行评估。针对特定的测试或者度量，ROC曲线是一条随检测阈值变化的概率曲线，检测虚警的概率。这里考虑的度量是相关峰值的和，相关峰值的乘积，信噪比的和，以及信噪比的乘积(对于每个情况，求和或者乘积包括方向直方图，熵序列，选择的投影直方图对的相关性)。ROC曲线也被用来决定度量的最优的阈值，这导致高的检测概率，P(D)，和低的虚警概率，P(FA)。具有最佳性能的度量是交叉相关系数求和(如图10(a))。未来的工作将研究其他的度量，可考虑到峰值响应的显着性。
对于可以接受的高质量的度量，其的阈值选择是凭经验的。对每一个阈值，检测概率P(D)和虚警概率P(FA)的估计，通过分析大量具有质量度量的数据集，在已知正确的和错误匹配的情况下，如图10所示。使用这些概率方程，我们选择交叉相关的系数求和度量法的阈值为3.4，其检测概率为0.51，虚警率低于0.01。实际中，这样低的检测率是可以接受的，因为丢失多个相邻地图匹配的概率还是相当低的，((1-P(D))n)。通常希望限制误警频率，通过分析执行额外扫描匹配的计算代价与缺少闭环检测的功能成本。另一个策略是依据匹配度量的质量，保持一个匹配的优先级序列，以便为进一步的考虑，然后，以一种随时的方式处理潜在的匹配，基于可用的计算资源。
所有利用具有质量度量计算的转移量，随后通过迭代扫描匹配配准进行检验(和改善)。此外，任何来自于真实含糊的环境中的错误的匹配，利用周期验证过程滤去(如第四部分所述)。
在图12所示的某些实施例中，为一种局部地图构建装置，包括坐标建立模块1200、快照记录模块1202、滤波模块1204和最近邻匹配模块1206，
所述坐标建立模块1200用于建立局部坐标系；
所述快照记录模块1202用于每次快照时记录位姿信息，所述快照为激光扫描地图信息，所述位姿包括相对局部坐标系偏移量和方向角；
所述滤波模块1204用于基于所述快照和位姿信息进行卡尔曼滤波；
所述最近邻匹配模块1206用于对上述卡尔曼滤波的结果进行最近邻匹配：匹配第一点集中的每个点到第二点集中的最近点，计算坐标变换，减小匹配点间的误差。
在某些具体的实施例中，
所述滤波模块1204用于基于绝对位姿的卡尔曼滤波和基于固定滞后位姿的卡尔曼滤波；
另一些具体的实施例中，所述最近邻匹配模块1206具体还用于：
用对准误差计算公式计算每对匹配点在法向上的差值，所述差值记为匹配误差，
对所述匹配误差进行洛伦兹修正；
用匹配误差的方差和匹配误差相对于位姿变换参数的雅克比矩阵用来生成最近领匹配变换的协方差。
在图14所示的实施例中，为一种全局地图闭环匹配装置模块图，包括地图获取模块1400、直方图计算模块1402、相关性计算模块1404、偏移量计算模块1406、合成模块1408，
所述地图获取模块1400用于获取局部地图，所述局部地图包含局部坐标系信息和扫描到的地图点云信息；
所述直方图计算模块1402用于根据扫描到的地图点云中点的法向分布频率得到方向直方图；
所述直方图计算模块1402还用于根据正交投影将扫描到的地图点云从离散的方向加权投影到线上得到投影直方图；
所述相关性计算模块1404用于计算直方图相关性，快速匹配相近的第一局部地图和第二局部地图；
所述偏移量计算模块1406用于根据第一局部地图和第二局部地图对应的方向直方图计算角度偏移量；根据第一局部地图和第二局部地图对应的投影直方图计算平移偏移量；
所述合成模块1408用于根据角度偏移量和平移偏移量合成第一局部地图和第二局部地图。
进一步地实施例中，还包括熵序列计算模块1410，
所述熵序列计算模块1410用于根据投影直方图的归一化概率分布求得熵序列，所述熵序列包含每一个角度投影线的熵测量信息，
所述偏移量计算模块1406还用于根据所述熵测量信息计算角度偏移量。
进一步地实施例中，还包括穷举计算模块1412，所述穷举计算模块用于根据第一局部地图和第二局部地图对应的投影直方图做相关性计算，并且记录下相关性计算中得到的全局峰值，将具有相同的角度偏移量的全局峰值值取平均，并按顺序排列，计算角度偏移量。
进一步地实施例中，还包括最优阈值确定模块1414，所述最优阈值确定模块用于根据直方图相关性中的峰值或信噪比决定度量的最优阈值。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。
本领域内的技术人员应明白，上述各实施例可提供为方法、装置、或计算机程序产品。这些实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。上述各实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机设备可读取的存储介质中，用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备，包括但不限于：个人计算机、服务器、通用计算机、专用计算机、网络设备、嵌入式设备、可编程设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等；所述的存储介质，包括但不限于：RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。
上述各实施例是参照根据实施例所述的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到计算机设备的处理器以产生一个机器，使得通过计算机设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机设备以特定方式工作的计算机设备可读存储器中，使得存储在该计算机设备可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机设备上，使得在计算机设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。

Claims (8)

1.一种全局地图闭环匹配方法，其特征在于，包括步骤，获取局部地图，所述局部地图包含局部坐标系信息和扫描到的地图点云信息；
根据扫描到的地图点云中点的法向分布频率得到方向直方图；
根据正交投影将扫描到的地图点云从离散的方向加权投影到线上得到投影直方图；
计算直方图相关性，快速匹配相近的第一局部地图和第二局部地图；
根据第一局部地图和第二局部地图对应的方向直方图计算角度偏移量；
根据第一局部地图和第二局部地图对应的投影直方图计算平移偏移量；
根据角度偏移量和平移偏移量合成第一局部地图和第二局部地图；
重复上述步骤，直到全局地图构建完毕，
其中，获取局部地图具体包括步骤，建立局部坐标系；
每次快照时记录位姿信息，所述快照为激光扫描地图信息，所述位姿包括相对局部坐标系偏移量和方向角；
基于所述快照和位姿信息进行卡尔曼滤波；
对上述卡尔曼滤波的结果进行最近邻匹配：匹配第一点集中的每个点到第二点集中的最近点，计算坐标变换，减小匹配点间的误差。
2.根据权利要求1所述的全局地图闭环匹配方法，其特征在于，在得到投影直方图后，还包括步骤，
根据投影直方图的归一化概率分布求得熵序列，所述熵序列包含每一个角度投影线的熵测量信息，根据所述熵测量信息计算角度偏移量。
3.根据权利要求1所述的全局地图闭环匹配方法，其特征在于，还包括步骤，根据第一局部地图和第二局部地图对应的投影直方图做相关性计算，并且记录下相关性计算中得到的全局峰值，将具有相同的角度偏移量的全局峰值值取平均，并按顺序排列，计算角度偏移量。
4.根据权利要求1所述的全局地图闭环匹配方法，其特征在于，还包括步骤，根据直方图相关性中的峰值或信噪比决定度量的最优阈值。
5.一种全局地图闭环匹配装置，其特征在于，包括地图获取模块、直方图计算模块、相关性计算模块、偏移量计算模块、合成模块，
所述地图获取模块用于获取局部地图，所述局部地图包含局部坐标系信息和扫描到的地图点云信息；
所述直方图计算模块用于根据扫描到的地图点云中点的法向分布频率得到方向直方图；
所述直方图计算模块还用于根据正交投影将扫描到的地图点云从离散的方向加权投影到线上得到投影直方图；
所述相关性计算模块用于计算直方图相关性，快速匹配相近的第一局部地图和第二局部地图；
所述偏移量计算模块用于根据第一局部地图和第二局部地图对应的方向直方图计算角度偏移量；根据第一局部地图和第二局部地图对应的投影直方图计算平移偏移量；
所述合成模块用于根据角度偏移量和平移偏移量合成第一局部地图和第二局部地图；
还包括坐标建立模块、快照记录模块、滤波模块和最近邻匹配模块，
所述坐标建立模块用于建立局部坐标系；
所述快照记录模块用于每次快照时记录位姿信息，所述快照为激光扫描地图信息，所述位姿包括相对局部坐标系偏移量和方向角；
所述滤波模块用于基于所述快照和位姿信息进行卡尔曼滤波；
所述最近邻匹配模块用于对上述卡尔曼滤波的结果进行最近邻匹配：匹配第一点集中的每个点到第二点集中的最近点，计算坐标变换，减小匹配点间的误差。
6.根据权利要求5所述的全局地图闭环匹配装置，其特征在于，还包括熵序列计算模块，
所述熵序列计算模块用于根据投影直方图的归一化概率分布求得熵序列，所述熵序列包含每一个角度投影线的熵测量信息，
所述偏移量计算模块还用于根据所述熵测量信息计算角度偏移量。
7.根据权利要求5所述的全局地图闭环匹配装置，其特征在于，还包括穷举计算模块，所述穷举计算模块用于根据第一局部地图和第二局部地图对应的投影直方图做相关性计算，并且记录下相关性计算中得到的全局峰值，将具有相同的角度偏移量的全局峰值值取平均，并按顺序排列，计算角度偏移量。
8.根据权利要求5所述的全局地图闭环匹配装置，其特征在于，还包括最优阈值确定模块，所述最优阈值确定模块用于根据直方图相关性中的峰值或信噪比决定度量的最优阈值。
CN201610006233.1A 2016-01-05 2016-01-05 全局地图闭环匹配方法及装置 Active CN105760811B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610006233.1A CN105760811B (zh) 2016-01-05 2016-01-05 全局地图闭环匹配方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610006233.1A CN105760811B (zh) 2016-01-05 2016-01-05 全局地图闭环匹配方法及装置

Publications (2)

Publication Number Publication Date
CN105760811A CN105760811A (zh) 2016-07-13
CN105760811B true CN105760811B (zh) 2019-03-22

Family

ID=56342327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610006233.1A Active CN105760811B (zh) 2016-01-05 2016-01-05 全局地图闭环匹配方法及装置

Country Status (1)

Country Link
CN (1) CN105760811B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108225341B (zh) * 2016-12-14 2021-06-18 法法汽车(中国)有限公司 车辆定位方法
CN108571960A (zh) * 2017-03-09 2018-09-25 深圳市朗驰欣创科技股份有限公司 一种定位方法和定位设备
CN110651315B (zh) * 2017-06-01 2021-09-07 三菱电机株式会社 地图处理装置、地图处理方法以及计算机能读取的存储介质
CN107300919B (zh) * 2017-06-22 2021-06-15 中国科学院深圳先进技术研究院 一种机器人及其行进控制方法
CN107917712B (zh) * 2017-11-16 2020-07-28 苏州艾吉威机器人有限公司 一种同步定位与地图构建方法及设备
CN108256060B (zh) * 2018-01-16 2021-02-09 广州视源电子科技股份有限公司 一种闭环检测方法、装置、终端及存储介质
CN108550318B (zh) * 2018-03-12 2020-09-29 浙江大华技术股份有限公司 一种构建地图的方法及装置
CN108981701B (zh) * 2018-06-14 2022-05-10 广东易凌科技股份有限公司 一种基于激光slam的室内定位和导航方法
CN109360239B (zh) * 2018-10-24 2021-01-15 长沙智能驾驶研究院有限公司 障碍物检测方法、装置、计算机设备和存储介质
CN109895094B (zh) * 2019-02-11 2020-11-24 苏州瀚华智造智能技术有限公司 一种工业机器人测量轨迹定位误差分析方法及系统
CN109959937B (zh) * 2019-03-12 2021-07-27 广州高新兴机器人有限公司 长廊环境基于激光雷达的定位方法、存储介质及电子设备
US10977480B2 (en) * 2019-03-27 2021-04-13 Mitsubishi Electric Research Laboratories, Inc. Detection, tracking and 3D modeling of objects with sparse RGB-D SLAM and interactive perception
CN111462072B (zh) * 2020-03-30 2023-08-29 北京百度网讯科技有限公司 点云图质量检测方法、装置以及电子设备
CN111504335B (zh) * 2020-04-23 2022-08-05 东软睿驰汽车技术（上海）有限公司 地图构建方法、装置、电子设备及存储介质
CN114509065B (zh) * 2022-02-16 2023-11-07 北京易航远智科技有限公司 地图构建方法、系统、车辆终端、服务器端及存储介质
CN116105721B (zh) * 2023-04-11 2023-06-09 深圳市其域创新科技有限公司 地图构建的回环优化方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103941750A (zh) * 2014-04-30 2014-07-23 东北大学 基于小型四旋翼无人机的构图装置及方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103941750A (zh) * 2014-04-30 2014-07-23 东北大学 基于小型四旋翼无人机的构图装置及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Histogram Matching and Global Initialization for Laser-only SLAM in Large Unstructured Environments";Michael Bosse,Jonathan Roberts;《2007 IEEE International Conference on Robotics and Automation》;20070430;论文第4820-4724页第II节

Also Published As

Publication number Publication date
CN105760811A (zh) 2016-07-13

Similar Documents

Publication Publication Date Title
CN105760811B (zh) 全局地图闭环匹配方法及装置
CN105758408A (zh) 局部地图构建方法及装置
Thrun et al. Fastslam: An efficient solution to the simultaneous localization and mapping problem with unknown data association
Badino et al. Visual topometric localization
Nieto et al. Recursive scan-matching SLAM
US8831778B2 (en) Method of accurate mapping with mobile robots
CN109522832B (zh) 基于点云片段匹配约束和轨迹漂移优化的回环检测方法
CN114526745B (zh) 一种紧耦合激光雷达和惯性里程计的建图方法及系统
CN105678076A (zh) 点云测量数据质量评估优化的方法及装置
CN105738915A (zh) 三维雷达测量方法及装置
Han et al. A matching algorithm based on the nonlinear filter and similarity transformation for gravity-aided underwater navigation
Li et al. A GMM based uncertainty model for point clouds registration
Ayanoglu et al. Crowdsourcing-based magnetic map generation for indoor localization
Yang et al. Linking persistent scatterers to the built environment using ray tracing on urban models
CN115930977A (zh) 特征退化场景的定位方法、系统、电子设备和可读存介质
CN114608568A (zh) 一种基于多传感器信息即时融合定位方法
Nielsen et al. Survey on 2d lidar feature extraction for underground mine usage
Lu et al. A lightweight real-time 3D LiDAR SLAM for autonomous vehicles in large-scale urban environment
CN114577196A (zh) 使用光流的激光雷达定位
Zhuangsheng et al. Study on initial gravity map matching technique based on triangle constraint model
Mohedano et al. Camera localization usingtrajectories and maps
Laftchiev et al. Terrain-based vehicle localization from real-time data using dynamical models
Sohn et al. Sequential modelling of building rooftops by integrating airborne LiDAR data and optical imagery: preliminary results
CN107543541B (zh) 一种适合室内自由运动载体的地磁定位方法
Opromolla et al. PCA‐Based Line Detection from Range Data for Mapping and Localization‐Aiding of UAVs

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant