CN109799513B - 一种基于二维激光雷达数据中直线特征的室内未知环境定位方法 - Google Patents
一种基于二维激光雷达数据中直线特征的室内未知环境定位方法 Download PDFInfo
- Publication number
- CN109799513B CN109799513B CN201910006561.5A CN201910006561A CN109799513B CN 109799513 B CN109799513 B CN 109799513B CN 201910006561 A CN201910006561 A CN 201910006561A CN 109799513 B CN109799513 B CN 109799513B
- Authority
- CN
- China
- Prior art keywords
- straight line
- data
- laser radar
- point
- line segment
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明涉及室内未知环境的机器人定位技术领域,具体是一种基于二维激光雷达数据中直线特征的室内未知环境定位方法,包括获得室内未知环境的激光雷达数据;对每帧数据点集进行自适应阈值分割,标注得每帧连通域点集;使用非直线特征分割法对连通域集合进行再分割,生成每帧数据的直线段特征描述符;对于相邻帧的直线段特征描述符,使用聚类算法计算相邻两帧数据之间的旋转角度;对于相邻帧的直线段特征描述符,利用聚类算法计算出相邻两帧数据的位移矩阵。本发明使用更加稳定的直线特征,保证了匹配算法的稳健性。抛弃复杂的搜索对应点或者对应直线的过程,直接转化为聚类问题,保证了算法的快速性,可以广泛的在硬件平台上运行,适合工程实用。
Description
技术领域
本发明涉及机器人定位技术领域,尤其是一种基于二维激光雷达数据中直线特征的室内未知环境定位方法。
背景技术
定位技术广泛应用了军事、科技、经济以及人们生活的各个领域,室外定位技术普遍采用全球导航卫星系统(CNSS,包括美国的GPS系统,俄罗斯的Glonass系统,欧洲的Galileo以及中国的北斗系统),但是由于室内定位要求更高的定位精度(cm级别),以及CNSS在室内信号不稳定或者直接没有等原因,所以现有的定位系统很难满足室内的定位需求,而且室内定位准确性差。
目前的室内定位技术,大多针对已知环境,即需要提前对室内环境进行传感器的布置或者提前获得室内地图,比如基于指纹的定位技术、基于WIFI的定位技术等等。
然而,室内未知环境的定位,不需要提前对室内环境进行传感器的布置或者提前获得室内地图即可完成室内定位,传统基于激光雷达的定位技术利用的是激光数据的点特征,比如ICP算法,当两帧数据间由于遮挡、大位移和大旋转导致数据重合率下降时,这类算法精度会急剧下降甚至崩溃,即稳定性不好。并且需要复杂的策略和公式来搜索对应点,此外还有迭代过程,这些均导致算法运行速度较慢。
发明内容
针对现有技术的不足,本发明提供一种基于二维激光雷达数据中直线特征的室内未知环境定位方法,该方法能够改善现有技术的基于激光雷达的点特征的方法稳定性和快速性的问题。
本发明的技术方案为:一种基于二维激光雷达数据中直线特征的室内未知环境定位方法,包括以下步骤:
进一步的,步骤S2)中,使用自适应阈值分割法标注连通域,具体步骤如下:
S201)、根据激光雷达数据Pi,计算相邻采样点的距离di和自适应分割阈值Φi,具体如下式:
其中,为/>和/>之间的欧式距离,/>和/>为分别为激光雷达数据Pi的第j-1和j个数据点,/>为激光雷达数据Pi的第j个数据点的自适应阈值,ξ为环境变量,O为采样传感器位置,/>为计算辅助点,延长线段/>至点/>使/>
S202)、对于数据点集Pi,提取分割点集:
进一步的,步骤S3)中,使用非直线特征分割法对连通域集合进行再分割,具体步骤如下:
其中,A、B、C分别为方程的参数;
进一步是,步骤S4)中,使用聚类算法计算两帧数据之间的旋转角度△βi,具体包括以下步骤:
S402)、以△θ作为样本进行聚类,取样本数最多的簇作为关键簇,最后对关键簇的所有样本加权平均即可得到最终的旋转角度△βi。
S502)、如果对应第i帧的第ki条直线段,在第i+1帧中存在一条或多条直线,使得:
S503)、如果两帧数据中的任意两对直线段对:
本发明的有益效果为:
1、本发明使用更加稳定的直线特征,即使大部分受到遮挡,直线特征参数任然保持一样,保证了匹配算法的稳健性;
2、抛弃复杂的搜索对应点或者对应直线的过程,直接转化为聚类问题,一次性求解旋转角度和位移矩阵,同时不存在迭代,保证了算法的快速性,可以在更加广泛的对计算资源要求苛刻的硬件平台上运行,适合工程实用。
附图说明
图1为本发明的流程示意图;
图2为自适应阈值δi计算示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
如图1所示,一种基于二维激光雷达数据中直线特征的室内未知环境定位方法,包括以下步骤:
其中,传感器器采用日本北阳HOKUYO公司的URG-04LX-UG01 2D激光扫描仪,将其安装在移动机器人上,机器人在未知环境中移动,按照一定的时间间隔激光雷达采集相邻两帧数据点集Pi和Pi+1,并使用中值滤波对数据进行去噪处理。
具体步骤如下:
S201)、根据激光雷达数据Pi,计算相邻采样点的距离di和自适应分割阈值Φi,具体如下式:
其中,为/>和/>之间的欧式距离,/>和/>为激光雷达数据Pi的第j-1和j个数据点,/>为激光雷达数据Pi的第j个数据点的自适应阈值,ξ为环境变量,O为采样传感器位置,/>为计算辅助点,延长线段/>至点/>使/>
S202)、对于数据点集Pi,提取分割点集:
具体的,本实施例中,t1取为5,自适应阈值的原理如图1所示,其中,θ为激光雷达相邻采样的角度间隔,根据不同的型号而不同,本实施例采用的是日本北阳HOKUYO公司的URG-04LX-UG01 2D激光扫描仪,θ=0.36°。
其中,A、B、C为方程的参数;
S402)、以△θ作为样本进行聚类,取样本数最多的簇作为关键簇,最后对关键簇的所有样本加权平均即可得到最终的旋转角度△βi。
S5)、对于利用聚类算法计算出相邻两帧数据的位移矩阵△T=[△p,△q]T,其中,△p为,△q为,T为,聚类算法选为密度聚类算,ζ是为了保证两直线近乎平行,与直线特征参数的提取精度有关,本实施例取为1.5度。η是为了保证两对直线段对不平行,与直线特征参数的提取精度有关,本实施例取为3度;
具体步骤如下:
S502)、如果对应第i帧的第ki条直线段,在第i+1帧中存在一条或多条直线,使得:
S503)、如果两帧数据中的任意两对直线段对:
从实施例中可以看出,本发明使用更加稳定的直线特征(即使大部分受到遮挡,直线特征参数任然保持一样)保证了匹配算法的稳健性。抛弃复杂的搜索对应点或者对应直线的过程,直接转化为聚类问题,一次性求解旋转角度和位移矩阵,同时不存在迭代,保证了算法的快速性,可以在更加广泛的对计算资源要求苛刻的硬件平台上运行,适合工程实用。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (5)
1.一种基于二维激光雷达数据中直线特征的室内未知环境定位方法,包括以下步骤:
S502)、如果对应第i帧的第ki条直线段,在第i+1帧中存在一条或多条直线,使得:
S503)、如果两帧数据中的任意两对直线段对:
2.根据权利要求1所述的一种基于二维激光雷达数据中直线特征的室内未知环境定位方法,其特征在于:步骤S1)中,传感器采用二维激光扫描仪,将其安装在移动机器人上,机器人在未知环境中移动,按照一定的时间间隔激光雷达采集相邻两帧数据点集Pi和Pi+1,并使用中值滤波对采集的数据进行去噪处理。
3.根据权利要求1所述的一种基于二维激光雷达数据中直线特征的室内未知环境定位方法,其特征在于:步骤S2)中,使用自适应阈值分割法标注连通域,具体步骤如下:
S201)、根据激光雷达数据Pi,计算相邻采样点的距离di和自适应分割阈值Φi,具体如下式:
其中,为/>和/>之间的欧式距离,/>和/>分别为激光雷达数据Pi的第j-1和j个数据点,/>为激光雷达数据Pi的第j个数据点的自适应阈值,ξ为环境变量,O为采样传感器位置,/>为计算辅助点,延长线段/>至点/>使/>
S202)、对于数据点集Pi,提取分割点集:
4.根据权利要求1所述的一种基于二维激光雷达数据中直线特征的室内未知环境定位方法,其特征在于:步骤S3)中,使用非直线特征分割法对连通域集合进行再分割,具体步骤如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910006561.5A CN109799513B (zh) | 2019-01-04 | 2019-01-04 | 一种基于二维激光雷达数据中直线特征的室内未知环境定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910006561.5A CN109799513B (zh) | 2019-01-04 | 2019-01-04 | 一种基于二维激光雷达数据中直线特征的室内未知环境定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109799513A CN109799513A (zh) | 2019-05-24 |
CN109799513B true CN109799513B (zh) | 2023-06-23 |
Family
ID=66558546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910006561.5A Active CN109799513B (zh) | 2019-01-04 | 2019-01-04 | 一种基于二维激光雷达数据中直线特征的室内未知环境定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109799513B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110824457B (zh) * | 2019-11-05 | 2023-05-30 | 广西大学 | 一种避免遮挡的三维激光扫描系统 |
CN113362290B (zh) * | 2021-05-25 | 2023-02-10 | 同济大学 | 点阵平面共线特征快速识别方法、存储设备及装置 |
CN115965688B (zh) * | 2022-12-14 | 2024-02-02 | 重庆赛迪奇智人工智能科技有限公司 | 一种定位方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941264A (zh) * | 2014-03-26 | 2014-07-23 | 南京航空航天大学 | 一种室内未知环境下使用激光雷达定位方法 |
WO2017177533A1 (zh) * | 2016-04-12 | 2017-10-19 | 深圳市龙云创新航空科技有限公司 | 基于激光雷达的微型无人机操控方法及系统 |
JP2017219385A (ja) * | 2016-06-06 | 2017-12-14 | 株式会社デンソーアイティーラボラトリ | 物体検出装置、物体検出システム、物体検出方法、およびプログラム |
CN108828621A (zh) * | 2018-04-20 | 2018-11-16 | 武汉理工大学 | 基于三维激光雷达的障碍检测和路面分割算法 |
CN108932736A (zh) * | 2018-05-30 | 2018-12-04 | 南昌大学 | 二维激光雷达点云数据处理方法以及动态机器人位姿校准方法 |
CN109001757A (zh) * | 2018-05-31 | 2018-12-14 | 重庆大学 | 一种基于2d激光雷达的车位智能检测方法 |
-
2019
- 2019-01-04 CN CN201910006561.5A patent/CN109799513B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941264A (zh) * | 2014-03-26 | 2014-07-23 | 南京航空航天大学 | 一种室内未知环境下使用激光雷达定位方法 |
WO2017177533A1 (zh) * | 2016-04-12 | 2017-10-19 | 深圳市龙云创新航空科技有限公司 | 基于激光雷达的微型无人机操控方法及系统 |
JP2017219385A (ja) * | 2016-06-06 | 2017-12-14 | 株式会社デンソーアイティーラボラトリ | 物体検出装置、物体検出システム、物体検出方法、およびプログラム |
CN108828621A (zh) * | 2018-04-20 | 2018-11-16 | 武汉理工大学 | 基于三维激光雷达的障碍检测和路面分割算法 |
CN108932736A (zh) * | 2018-05-30 | 2018-12-04 | 南昌大学 | 二维激光雷达点云数据处理方法以及动态机器人位姿校准方法 |
CN109001757A (zh) * | 2018-05-31 | 2018-12-14 | 重庆大学 | 一种基于2d激光雷达的车位智能检测方法 |
Non-Patent Citations (11)
Title |
---|
A LIDAR SLAM Based on Point-Line Features for Underground Mining Vehicle;Di Wu 等;《2018 Chinese Automation Congress》;20181202;全文 * |
一种基于激光传感器的自适应直线提取算法;徐君等;《计算机工程与应用》;20130115;第49卷(第02期);第43-47页 * |
一种改进ICP算法的移动机器人激光与视觉建图方法研究;张杰等;《机电工程》;20171218(第12期);全文 * |
地面激光扫描数据在建筑物重建中的研究进展;王方建等;《遥感信息》;20141215(第06期);全文 * |
基于分开-合并的激光雷达距离图像特征提取;满增光等;《中国机械工程》;20111010(第19期);全文 * |
基于图像质量约束的无序图像关键帧提取;郑恩等;《计算机工程》;20171115(第11期);全文 * |
基于激光雷达的移动机器人定位和地图创建;王元华等;《微计算机信息》;20090515(第14期);全文 * |
基于直线特征提取的自主车辆可通行区域检测;周智等;《华中科技大学学报(自然科学版)》;20111111;第39卷;第188-191页 * |
基于自适应阈值的距离图像线段特征提取;满增光等;《深圳大学学报(理工版)》;20111130(第06期);全文 * |
环境特征自适应激光雷达数据分割方法;杜玉红等;《红外与激光工程》;20180825(第08期);全文 * |
移动机器人同时定位与构图中的自适应区域分割方法;黄佳维等;《舰船电子工程》;20151120(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109799513A (zh) | 2019-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | Underwater acoustic target tracking: A review | |
CN109799513B (zh) | 一种基于二维激光雷达数据中直线特征的室内未知环境定位方法 | |
CN104730520B (zh) | 基于子孔径合成的圆周sar后向投影自聚焦方法 | |
CN110032201A (zh) | 一种基于卡尔曼滤波的imu机载视觉姿态融合的方法 | |
CN107703480A (zh) | 基于机器学习的混合核函数室内定位方法 | |
CN103206954A (zh) | 一种基于ukf的移动机器人多传感器信息融合方法 | |
CN107516322A (zh) | 一种基于对数极空间的图像物体大小和旋转估计计算方法 | |
Naus et al. | Use of a weighted ICP algorithm to precisely determine USV movement parameters | |
An et al. | Coastline detection with Gaofen-3 SAR images using an improved FCM method | |
CN108152812B (zh) | 一种调整网格间距的改进agimm跟踪方法 | |
Lu et al. | A method for rainfall detection and rainfall intensity level retrieval from X-band marine radar images | |
CN107463871A (zh) | 一种基于角特征加权的点云匹配方法 | |
Chen et al. | Joint passive detection and tracking of underwater acoustic target by beamforming-based Bernoulli filter with multiple arrays | |
CN111929676B (zh) | 一种基于密度聚类的x波段雷达目标检测与跟踪方法 | |
Zhou et al. | Adaptive SLAM Methodology Based on Simulated Annealing Particle Swarm Optimization for AUV Navigation | |
Wang et al. | Multidimensional particle swarm optimization-based unsupervised planar segmentation algorithm of unorganized point clouds | |
CN110927765B (zh) | 激光雷达与卫星导航融合的目标在线定位方法 | |
Zhuangsheng et al. | Study on initial gravity map matching technique based on triangle constraint model | |
Hong et al. | Research on multi-ship target detection and tracking method based on camera in complex scenes | |
CN108710816B (zh) | 一种基于概率融合的极化sar图像建筑物检测方法 | |
CN113554705B (zh) | 一种变化场景下的激光雷达鲁棒定位方法 | |
CN116124161A (zh) | 一种基于先验地图的LiDAR/IMU融合定位方法 | |
Song et al. | Underwater terrain-aided navigation based on multibeam bathymetric sonar images | |
CN111220158B (zh) | 一种基于时间方位历程图的线谱目标运动参数估计方法 | |
CN108093153A (zh) | 目标跟踪方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |