CN110223379A - 基于激光雷达的三维点云重建方法 - Google Patents
基于激光雷达的三维点云重建方法 Download PDFInfo
- Publication number
- CN110223379A CN110223379A CN201910498317.5A CN201910498317A CN110223379A CN 110223379 A CN110223379 A CN 110223379A CN 201910498317 A CN201910498317 A CN 201910498317A CN 110223379 A CN110223379 A CN 110223379A
- Authority
- CN
- China
- Prior art keywords
- point
- laser radar
- dimensional
- point cloud
- characteristic
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2016—Rotation, translation, scaling
Abstract
本发明涉及三维重建技术领域,公开了一种基于激光雷达的三维点云重建方法,包括以下步骤:数据采集与预处理、特征提取、特征匹配、运动估计、点云融合等步骤,通过二维激光雷达实现对三维环境的实时建图功能,相对于基于多线激光雷达的方案,其具有成本低、去运动畸变效果好、实时性强以及建图精度高的特点,对于三维环境重建技术的普及应用具有较强的实际意义。
Description
技术领域
本发明属于基于激光雷达的三维重建技术领域,特别适用于移动机器人、无人驾驶汽车、建筑测绘以及其它需要对三维场景进行实时感知与重建的领域,涉及一种基于激光雷达的三维点云重建方法。
背景技术
三维环境重建技术是当前移动机器人、无人驾驶汽车等应用场合下的一项重要技术,其对于机器人感知三维环境信息并进行后续运动策略规划具有重要作用。目前主流的三维场景重建技术按照使用的传感器不同主要分为两类:一类是使用视觉传感器,比如单目相机、双目相机和RGB-D相机等;另一类是基于激光雷达传感器,比如单线激光传感器,多线激光传感器等。视觉传感器需要处理的数据量大,测量距离较小而且容易受环境光照影响,一般只能应用于室内环境下。激光传感器的测量精度较高,数据采集速度快,但是常见的例如Velodyne-32、Velodyne-64等多线激光雷达的价格十分昂贵,对于三维重建技术的普及应用产生了很大的障碍。
在基于激光雷达进行定位与建图的过程中,当激光雷达扫描速率相比于外部运动足够高时,相邻扫描之间产生的运动畸变可以被忽略不计,此时通常使用标准的ICP算法来进行不同扫描之间的匹配。但是当激光雷达扫描速率相对于自身运动太低时,不得不对由于自身运动产生的点云畸变进行去畸变处理。
S.Hong等人于2010年提出了一种基于ICP算法的速度估计和点云畸变补偿方法,见S.Hong,H.Ko,and J.Kim,“VICP:Velocity updating iterative closest pointalgorithm,”in IEEE International Conference on Robotics and Automation(ICRA),Anchorage,Alaska,May 2010。这种方法在对于去除点云畸变有一定的效果,但是当扫描速率太低时,运动畸变仍然会十分严重。
Bosse和Zlot等人于2012年提出了一种基于单线激光雷达和IMU的三维建图方法,见R.Zlot and M.Bosse,“Efficient large-scale 3D mobile mapping and surfacereconstruction of an underground mine,”in The 7th International Conference onField and Service Robots,Matsushima,Japan,July 2012。该方法将单线激光雷达通过一个弹簧和手柄相连,利用弹簧的摆动来实现对三维环境信息的感知,同时利用IMU的位姿测量信息来注册点云,并使用批优化的方法来处理点云以修正IMU的漂移。该方法不足之处需要耗时较长的批优化方法来建立精确的地图,不适用与对于实时性要求较高的应用场合。
发明内容
本发明的目的是为了解决现有三维激光建图方法传感器价格昂贵、低扫描速率下运动畸变严重以及建图实时性差的缺点,提出了一种基于旋转单线激光雷达和LM最优化方法的能够对三维环境进行实时感知与重建方法。
针对上述问题,本发明采用的一个技术方案是:
一种基于激光雷达的三维点云重建方法,包括以下步骤:数据采集与预处理、特征提取、特征匹配、运动估计和点云融合;所述数据采集与预处理部分使用激光雷达采集环境点云信息;所述特征提取部分提取点云的结构特征点,然后对特征点进行筛选,剔除存在问题的特征点;所述的特征匹配部分匹配当前扫描的特征点与前一次扫描的对应,建立特征点之间的约束关系;所述的运动估计部分通过最优化方法迭代求解相邻两次扫描之间的位姿变换;所述的点云融合部分使用运动估计得到的位姿变换关系,将当前扫描的局部点云与已有的全局点云地图进行匹配,进一步优化得到更精确的位姿变换关系,同时将局部点云注册到全局地图中,实现实时建图。
优选的,所述的特征提取部分的具体步骤如下:
(1)利用曲率计算公式,计算一次扫描的各点处曲率;
(2)将一次扫描分成4个完全相同的子区域,限定每一个子区域可以提供最多2个边缘点和4个平面点;
(3)剔除那些位于与激光光速夹角小于一定阈值的局部平面上的点;
(4)剔除那些位于被遮挡区域边界上的点;
(5)在每一个子区域按照曲率大小对点集进行排序;
(6)在每一个子区域,按照上一步的排序结果选择曲率极大的点为边缘点,选择曲率极小的点为平面点,并将该特征点及其自然相邻的左右5个点从排序中剔除;
(7)验证每个子区域是否已选择了2个边缘点和4个平面点,若有,结束迭代,若没有则返回上一步骤。
其中,所述的曲率计算公式为:
设i是激光雷达第k次扫略获得的点集Pk中的一点,i∈Pk;设U为激光雷达在一次扫描的点集中包含i点的子连续点集,点i位于点集U的中间位置,在点i的两侧各有N个点,并且已知激光雷达每相邻两点之间的角度间隔参数为0.25°。
优选的,所述的特征匹配部分的具体步骤如下:
(1)设tk为第k次扫略的起始时间,在每一次扫略结束时,利用该次扫略的位姿估计将该扫略过程中感知到的点云Pk投影到时间戮tk+1,并表示为
(2)寻找与Pk+1的特征点对应:使用前述的特征提取方法从该激光点云中提取出边缘点整点集和平面特征点集,分别设为Ek+1和Fk+1,然后,从中寻找边缘线作为Ek+1中边缘点的对应,寻找平面块作为Fk+1中平面点的对应;
(3)在每一次迭代中,使用当前估计的位姿变换将Pk+1中的边缘点集Ek+1和平面点集Fk+1再投影到扫略开始时刻,分别设为和
(4)将存储于一个3D kd-tree中,用来快速搜索其最近邻点;
(5)在特征点的对应找到之后,推导计算从一个特征点到其对应的距离公式。
优选的,所述的特征匹配部分的步骤2中,寻找与Pk+1的特征点对应的具体方法为:
(1)寻找边缘线作为边缘点对应的方法为:对于中的每一个点,在中寻找其对应边缘线上的最近两点,设i为中一点,设j是i在中的最近邻点,设l为j所在的扫描的两个相邻扫描中i点的最近邻点,(j,l)形成了特征点i的对应,基于前述的曲率计算公式检查局部表面的平滑性,验证j和l均为边缘点;
(2)寻找平面块作为平面点对应的方法为:对于中的每一个点,在中寻找其对应平面块上的最近三点,设i为中一点,在中寻找点i的最近邻点j,在j的同一扫描平面中寻找到点i的第二最近邻点l,在j所在扫描的相邻两个扫描中寻找点i的最近邻点m,基于前述的曲率计算公式检查局部表面的平滑性,验证j,l,m三点都是平面点。
优选的,所述的特征匹配的步骤5中,距离公式为:
对于一个边缘点如果(j,l)是其在中对应的边缘线,那么点i到其对应边缘线的距离可以通过如下方程计算:
式中,和分别是点i,j和l在激光雷达坐标系{L}中的坐标参数;
对于平面点如果(j,l,m)是其在中对应的平面块,那么点i到其对应平面块的距离可以通过如下方程计算:
式中,是点m在激光雷达坐标系{L}中的坐标参数。
优选的,所述的运动估计部分的具体步骤包括:
(1)设t为当前时间戳,已知tk+1是第k+1次扫略的开始时刻;设是时间[tk+1,t]内激光雷达的位姿变换;包含了激光雷达6自由度的刚性运动,其中tx、ty和tz分别是沿激光雷达坐标系{L}的x轴、y轴和z轴的位移,θx、θy和θz是旋转向量的参数,服从右手定则;考虑一点i,i∈Pk+1,设ti为其时间戳,设为时间[tk+1,ti]内激光雷达的位姿变换;可以由线性插值得到,
(2)利用线性插值得到的一次扫略中各点对应时刻的位姿变换将特征点集Ek+1和Fk+1再投影第k+1次扫略初始时刻tk+1得到和以去除由于激光雷达自身运动产生的点云运动畸变;再投影公式如下:
式中,是Ek+1和Fk+1中点i的坐标参数,是和中对应点的坐标参数;是表示平移运动量的第1至第3项;旋转矩阵R是由罗德里格斯公式定义的旋转矩阵,
在上式中,θ是旋转的角度大小,即旋转向量的模,
θ=||(θx,θy,θz)||;
n是表示旋转方向的单位向量,
n=(θx,θy,θz)T/||(θx,θy,θz)||=(nx,ny,nz)T;
是旋转单位向量n的反对称矩阵,用于将两向量叉乘时的左侧向量转化为矩阵形式:
(3)由前述计算和中的特征点到其在点集中对应的距离公式,联立上式得到Ek+1中的边缘点和其对应边缘线的距离几何关系:
(4)计算得到Fk+1中的平面点和其对应平面块的距离几何关系:
(5)对于每一个Ek+1和Fk+1中的特征点,我们得到一个关于激光雷达6个自由度运动参数的非线性方程组:
(6)最后,使用Levenberg-Marquardt方法来求解该非线性约束方程组,以求得激光雷达运动的数值解。
优选的,所述的点云融合部分的具体步骤包括:
(1)在第k+1次扫略结束时刻,激光里程计生成一个去畸变的点云并且同时产生一个位姿变换其包含了激光雷达在该次扫略时间范围[tk+1,tk+2]内的运动信息;
(2)定义Qk为从建图初始到第k次扫略结束时刻(即tk+1时刻)地图上已建成的点云,并设为该时刻激光雷达在地图上相对世界坐标系的位姿;使用激光里程计的输出结果建图算法将位姿变换从tk+1时刻拓展到tk+2时刻,得到
(3)将投影到世界坐标系{W},记为
(4)利用与运动估计部分相同的特征点提取方法从中提取特征点;
(5)为了寻找特征点的对应,我们以边长为15m大小的立方体区域在地图Qk上存储点云;
(6)提取立方体中的点云与相交的部分,并将其存储在一个3D kd-tree中;
(7)在特征点周围一定的区域内查找Qk中的点;设S'是某特征点的一个周围区域点集,对于一个边缘点来说,我们只保留S'中边缘线上的点,同样对于一个平面点我们只保留S'中平面块上的点;
(8)计算S'的协方差矩阵,确定对应边缘线或者平面块的位置;
(9)在一条边缘线上选取两个点,在一个平面块上选取三个点;同样使用上述计算特征点到其对应的距离公式计算从一个特征点到其对应的距离,并联立得到非线性约束方程组;
(10)通过LM方法再次求解该非线性优化公式,得到求解后的最优化的激光雷达位姿;
(11)使用求得的最优化的激光雷达位姿,将注测到地图上;
(12)为了均匀地分布这些点,通过一个体元边长为5cm的体元网格,来降采样合并后的地图点云,得到扩展后的点云地图;
(13)开始下一周期。
优选的,所述的点云融合部分的步骤8中,对应边缘线或者平面块的位置的计算方法如下:S'的协方差矩阵,记为M,以及M的特征值V和特征向量E;
(1)S'是分布在一个边缘线上,那么V将包含一个较大特征值且显著大于另外两个特征值,并且在E中与V中最大特征值对应的特征向量代表了该边缘线的方向;
(2)S'是分布在一个平面块上,那么V包含两个较大特征值且第三个特征值要显著小于它们,并且在E中与V中最小特征值对应的特征向量表征了该平面块的方向;
(3)边缘线或者平面块的位置是由穿过S'的几何中心所决定,即边缘线或者平面块的位置和方向分别是由S'的几何中心和过该几何中心的特征向量表示。
优选的,所述方法中采用的扫描装置包括旋转头、驱动体和数据处理器,所述旋转头为连续旋转的二维激光雷达扫描仪,所述二维激光雷达扫描仪安装在驱动体的转轴上,所述驱动体用于驱动所述二维激光雷达扫描仪及其二维扫描平面绕驱动体的转轴旋转、控制其旋转速度并实时向数据处理器返回旋转角度信息。
优选的,所述驱动体包括Cortex-M4控制板、步进电机、编码器和USB通信板;所述的驱动体和旋转头之间通过一个滑环来连接信号和功率线;所述的步进电机与编码器通过信号线路连接,用于记录二维激光雷达扫描仪的实时旋转角度,所述的数据处理器通过信号线路连接旋转头和驱动体,接收来自二维激光雷达扫描仪的点云数据和编码器获得的步进电机角位置数据,然后将二维扫描信息转换成三维点云信息,并最终实时的重建三维环境的点云地图。
本发明的有益效果是:1、本发明通过将单线激光雷达与旋转驱动体相结合,通过特征提取、特征匹配和点云融合等步骤实现了通过二维激光雷达对三维环境进行实时建图的功能。相对于基于多线激光雷达的方案,其具有成本低、去运动畸变效果好、实时性强以及建图精度高的特点,对于三维环境重建技术的普及应用具有较强的实际意义。2、本发明体积小、精度高、采集速度快,可被广泛推广应用于机器人领域,能耗低且不易受到环境光的影响,可长期在户外实用。
附图说明
图1是本发明的三维点云重建的系统流程图;
图2是本发明的特征提取部分的流程图;
图3是本发明的点云投影示意图;
图4是本发明的运动估计流程图;
图5是本发明的点云融合算法流程图;
图6是本发明以街道扫描为例的点云重建效果图;
图7为图6另一方向的视图;
图8是本发明的激光雷达扫描装置的结构示意图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1~5,本发明实施例的基于激光雷达的三维点云重建方法,其基于单线激光雷达的三维重建方法的具体过程包括:
步骤1:使用单线激光雷达采集环境点云信息,并使用编码器读取步进电机的角位置信息,数据处理器将平面内的采集点坐标转换到三维空间中;
步骤2:利用曲率计算公式,计算一次扫描的各点处曲率。设i是激光雷达第k次扫略获得的点集Pk中的一点,i∈Pk;设U为激光雷达在一次扫描的点集中包含i点的子连续点集,点i位于点集U的中间位置,在点i的两侧各有N个点(此处取N=4),并且已知激光雷达每相邻两点之间的角度间隔参数为0.25°。使用如下公式来计算i点处的局部等效曲率:
步骤3:将一次扫描分成4个完全相同的子区域,限定每一个子区域可以提供最多2个边缘点和4个平面点。
步骤4:剔除那些位于与激光光束夹角小于一定阈值的局部平面上的点。
步骤5:剔除那些位于被遮挡区域边界上的点。
步骤6:在每一个子区域按照曲率大小对点集进行排序。
步骤7:在每一个子区域,按照上一步的排序结果选择曲率极大的点为边缘点,选择曲率极小的点为平面点,并将该特征点及其自然相邻的左右5个点从排序中剔除。
步骤8:验证每个子区域是否已选择了2个边缘点和4个平面点,若没有则返回上一步骤。
步骤9:设tk为第k次扫略的起始时间,在每一次扫略结束时,利用该次扫略的位姿估计将该扫略过程中感知到的点云Pk投影到时间戳tk+1,并表示为
步骤10:利用Pk+1,我们使用前述的特征点提取方法从该激光点云中提取出边缘特征点集和平面特征点集,分别设为Ek+1和Fk+1。
步骤11:在每一次迭代中,使用当前估计的位姿变换将Pk+1中的边缘点集Ek+1和平面点集Fk+1再投影到扫略开始时刻,分别设为和
步骤12:将存储于一个3D kd-tree中,用来快速搜索最近邻点。
步骤13:对于中的每一个点,在中寻找其对应边缘线上的最近两点。设i为中一点,设j是i在中的最近邻点,设l为j所在的扫描的两个相邻扫描中i点的最近邻点。(j,l)形成了特征点i的对应。为了验证j和l均为边缘点,我们基于前述的曲率计算公式检查局部表面的平滑性。
步骤14:对于中的每一个点,在中寻找其对应平面块上的最近三点。设i为中一点,我们首先在中寻找点i的最近邻点j。然后,在j的同一扫描平面中寻找到点i的第二最近邻点l,在j所在扫描的相邻两个扫描中寻找点i的最近邻点m。这样可以确保选择的三个点不共线。为了验证j,l,m三点都是平面点,同样我们还是基于前述的曲率计算公式检查局部表面的平滑性。
步骤15:对于一个边缘点如果(j,l)是其在中对应的边缘线,那么通过如下方程计算点i到其对应边缘线的距离:
式中,和分别是点i,j和l在激光雷达坐标系{L}中的坐标参数。
步骤16:对于一个平面点如果(j,l,m)是其在中对应的平面块,那么通过如下方程计算点i到其对应平面块的距离:
式中,是点m在激光雷达坐标系{L}中的坐标参数。
步骤17:设t为当前时间戳,已知tk+1是第k+1次扫略的开始时刻。设是时间[tk+1,t]内激光雷达的位姿变换。包含了激光雷达6自由度的刚性运动,其中tx、ty和tz分别是沿激光雷达坐标系{L}的x轴、y轴和z轴的位移,θx、θy和θz是旋转向量的参数,服从右手定则。考虑一点i,i∈Pk+1,设ti为其时间戳,设为时间[tk+1,ti]内激光雷达的位姿变换。可以由线性插值得到,
步骤18:利用线性插值得到的一次扫略中各点对应时刻的位姿变换将特征点集Ek+1和Fk+1再投影第k+1次扫略初始时刻tk+1得到和以去除由于激光雷达自身运动产生的点云运动畸变。再投影公式如下:
式中,是Ek+1和Fk+1中点i的坐标参数,是和中对应点的坐标参数。是表示平移运动量的第1至第3项。旋转矩阵R是由罗德里格斯公式定义的旋转矩阵,
在上式中,θ是旋转的角度大小,即旋转向量的模,
θ=||(θx,θy,θz)||
n是表示旋转方向的单位向量,
n=(θx,θy,θz)T/||(θx,θy,θz)||=(nx,ny,nz)T
是旋转单位向量n的反对称矩阵,用于将两向量叉乘时的左侧向量转化为矩阵形式。
步骤19:由前述计算和中的特征点到其在点集中对应的距离公式,联立上式得到Ek+1中的边缘点和其对应边缘线的距离几何关系,
步骤20:计算得到Fk+1中的平面点和其对应平面块的距离几何关系,
步骤21:对于每一个Ek+1和Fk+1中的特征点,我们得到一个关于激光雷达6个自由度运动参数的非线性方程组,
步骤22:最后,我们使用Levenberg-Marquardt方法来求解该非线性约束方程组,以求得激光雷达运动的数值解。设该方程组一共有n个方程,则求解步骤如下:
(1)给定迭代初始点x0=T0,取参数ε,μ0,γ1,γ2,η1,η2,使得:
0<ε<1,μ0>0,0<γ1<1<γ2,0<η1≤1≤η2,k=0
(2)计算f关于T的雅克比矩阵:
(3)若则结束迭代,否则进行下一步;
(4)计算迭代增量
(5)计算
(6)若ρk<η1,则取μk+1=γ2μk;若η1≤ρk<η2,则取μk+1=μk;若ρk≥η2,则取μk+1=γ1μk;
(7)更新xk+1=xk+Δxk,k=k+1,返回第(2)步;
步骤23:在第k+1次扫略结束时刻,激光里程计生成一个去畸变的点云并且同时产生一个位姿变换其包含了激光雷达在该次扫略时间范围[tk+1,tk+2]内的运动信息。
步骤24:定义Qk为从建图初始到第k次扫略结束时刻(即tk+1时刻)地图上已建成的点云,并设为该时刻激光雷达在地图上相对世界坐标系的位姿。使用激光里程计的输出结果建图算法将位姿变换从tk+1时刻拓展到tk+2时刻,得到
步骤25:将投影到世界坐标系{W},记为
步骤26:利用与运动估计部分相同的特征点提取方法从中提取特征点。
步骤27:为了寻找特征点的对应,我们以边长为15m大小的立方体区域在地图Qk上存储点云。
步骤28:提取立方体中的点云与相交的部分,并将其存储在一个3D kd-tree中。
步骤29:在特征点周围一定的区域内查找Qk中的点。设S'是某特征点的一个周围区域点集,对于一个边缘点来说,我们只保留S'中边缘线上的点,同样对于一个平面点我们只保留S'中平面块上的点。
步骤30:计算S'的协方差矩阵,记为M,以及M的特征值V和特征向量E,并根据如下方法确定对应边缘线或者平面块的位置:
(1)如果S'是分布在一个边缘线上,那么V将包含一个较大特征值且显著大于另外两个特征值,并且在E中与V中最大特征值对应的特征向量代表了该边缘线的方向。
(2)另一方面,如果S'是分布在一个平面块上,那么V包含两个较大特征值且第三个特征值要显著小于它们,并且在E中与V中最小特征值对应的特征向量表征了该平面块的方向。
(3)边缘线或者平面块的位置是由穿过S'的几何中心所决定,即边缘线或者平面块的位置和方向分别是由S'的几何中心和过该几何中心的特征向量表示。
步骤31:在一条边缘线上选取两个点,在一个平面块上选取三个点。同样使用上述计算特征点到其对应的距离公式计算从一个特征点到其对应的距离,并联立得到非线性约束方程组。
步骤32:通过LM方法再次求解该非线性优化公式:,得到求解后的最优化的激光雷达位姿。
步骤33:使用求得的最优化的激光雷达位姿,将注测到地图上。
步骤34:为了均匀地分布这些点,通过一个体元边长为5cm的体元网格,来降采样合并后的地图点云:,得到扩展后的点云地图。
步骤35:开始下一周期。
实施例2
本实施例以一处街道为例,通过实施例1所述的三维点云重建方法进行实时建图,建图结果如图6和图7所示,其中图6为该街道三维点云重建的斜视图,图7为俯视图,其中点云颜色对应竖直高度从低到高按照灰度值从高到低分布,即代表地面的点云颜色最浅,而代表车辆、树木、围墙和建筑等较高位置的点云颜色较深。从建图结果看,本方法对该街道的三维重建效果效果很好。
实施例3
本实施例针对实施例1所述的的三维点云重建方法,建立相应的扫描系统,扫描系统包括了二维激光扫描装置和数据处理器,请参阅图8,所述扫描装置包括:单线激光雷达1和驱动体2,所述单线激光雷达1安装在驱动体2的转轴上,所述驱动体2用于驱动单线激光雷达1及其二维扫描平面绕驱动体2的转轴旋转、控制其旋转速度并实时向数据处理器返回旋转角度信息,驱动体2包括一个Cortex-M4控制板7、一个步进电机6、一个减速器5和一个编码器8,单线激光雷达1安装在上托架3上,上托架3通过减速器5与步进电机6的输出轴传动相连,由步进电机6驱动上托架3和单线激光雷达1旋转并控制其旋转速度,编码器8用于记录步进电机6的实时旋转角度位置并向数据处理器反馈,数据处理器分别通过导电滑环4与单线激光雷达1及编码器8进行通讯连接,用于接收来自单线激光雷达1的激光扫描数据和编码器8获得的步进电机6角位置数据,然后将二维扫描信息转换成三维点云信息,并最终实时的重建三维环境的点云地图。
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内。
Claims (10)
1.一种基于激光雷达的三维点云重建方法,其特征在于,包括以下步骤:数据采集与预处理、特征提取、特征匹配、运动估计和点云融合;所述数据采集与预处理部分使用激光雷达采集环境的点云信息;所述特征提取部分提取点云的结构特征点,然后对特征点进行筛选,剔除存在问题的特征点;所述特征匹配部分匹配当前扫描的特征点与前一次扫描的对应,建立特征点之间的约束关系;所述运动估计部分通过最优化方法迭代求解相邻两次扫描之间的位姿变换;所述的点云融合部分使用运动估计得到的位姿变换关系,将当前扫描的局部点云与已有的全局点云地图进行匹配,进一步优化得到更精确的位姿变换关系,同时将局部点云注册到全局地图中,实现实时建图。
2.根据权利要求1所述的基于激光雷达的三维点云重建方法,其特征在于,所述的特征提取部分的具体步骤如下:
(1)利用曲率计算公式,计算一次扫描的各点处曲率;
(2)将一次扫描分成4个完全相同的子区域,限定每一个子区域可以提供最多2个边缘点和4个平面点;
(3)剔除那些位于与激光光束夹角小于一定阈值的局部平面上的点;
(4)剔除那些位于被遮挡区域边界上的点;
(5)在每一个子区域按照曲率大小对点集进行排序;
(6)在每一个子区域,按照上一步的排序结果选择曲率极大的点为边缘点,选择曲率极小的点为平面点,并将该特征点及其自然相邻的左右5个点从排序中剔除;
(7)验证每个子区域是否已选择了2个边缘点和4个平面点,若有,结束迭代,若没有则返回上一步骤。
3.根据权利要求1或2所述的基于激光雷达的三维点云重建方法,其特征在于,所述的特征匹配部分的具体步骤如下:
(1)设tk为第k次扫略的起始时间,在每一次扫略结束时,利用该次扫略的位姿估计将该扫略过程中感知到的点云Pk投影到时间戮tk+1,并表示为
(2)寻找与Pk+1的特征点对应:使用前述的特征提取方法从该激光点云Pk+1中提取出边缘特征点集和平面特征点集,分别设为Ek+1和Fk+1,然后,从中寻找边缘线作为Ek+1中边缘点的对应,寻找平面块作为Fk+1中平面点的对应;
(3)在每一次迭代中,使用当前估计的位姿变换将Pk+1中的边缘点集Ek+1和平面点集Fk+1再投影到扫略开始时刻,分别设为和
(4)将存储于一个3D kd-tree中,用来快速搜索其最近邻点;
(5)在特征点的对应找到之后,推导计算从一个特征点到其对应的距离公式。
4.根据权利要求3所述的基于激光雷达的三维点云重建方法,其特征在于,所述的特征匹配部分的步骤2中,寻找与Pk+1的特征点对应的具体方法为:
(1)寻找边缘线作为边缘点对应的方法为:对于中的每一个点,在中寻找其对应边缘线上的最近两点,设i为中一点,设j是i在中的最近邻点,设l为j所在的扫描的两个相邻扫描中i点的最近邻点,(j,l)形成了特征点i的对应,基于前述的曲率计算公式检查局部表面的平滑性,验证j和l均为边缘点;
(2)寻找平面块作为平面点对应的方法为:对于中的每一个点,在中寻找其对应平面块上的最近三点,设i为中一点,在中寻找点i的最近邻点j,在j的同一扫描平面中寻找到点i的第二最近邻点l,在j所在扫描的相邻两个扫描中寻找点i的最近邻点m,基于前述的曲率计算公式检查局部表面的平滑性,验证j,l,m三点都是平面点。
5.根据权利要求3所述的基于激光雷达的三维点云重建方法,其特征在于,所述的特征匹配部分的步骤5中,距离公式为:
对于一个边缘点如果(j,l)是其在中对应的边缘线,那么点i到其对应边缘线的距离可以通过如下方程计算:
式中,和分别是点i,j和l在激光雷达坐标系{L}中的坐标参数;
对于平面点如果(j,l,m)是其在中对应的平面块,那么点i到其对应平面块的距离可以通过如下方程计算:
式中,是点m在激光雷达坐标系{L}中的坐标参数。
6.根据权利要求1或2所述的基于激光雷达的三维点云重建方法,其特征在于,所述的运动估计部分的具体步骤包括:
(1)设t为当前时间戳,已知tk+1是第k+1次扫略的开始时刻;设是时间[tk+1,t]内激光雷达的位姿变换;包含了激光雷达6自由度的刚性运动,其中tx、ty和tz分别是沿激光雷达坐标系{L}的x轴、y轴和z轴的位移,θx、θy和θz是旋转向量的参数,服从右手定则;考虑一点i,i∈Pk+1,设ti为其时间戳,设为时间[tk+1,ti]内激光雷达的位姿变换;可以由线性插值得到,
(2)利用线性插值得到的一次扫略中各点对应时刻的位姿变换将特征点集Ek+1和Fk+1再投影第k+1次扫略初始时刻tk+1得到和以去除由于激光雷达自身运动产生的点云运动畸变;再投影公式如下:
式中,是Ek+1和Fk+1中点i的坐标参数,是和中对应点的坐标参数;是表示平移运动量的第1至第3项;旋转矩阵R是由罗德里格斯公式定义的旋转矩阵,
在上式中,θ是旋转的角度大小,即旋转向量的模,
θ=||(θx,θy,θz)||;
n是表示旋转方向的单位向量,
n=(θx,θy,θz)T/||(θx,θy,θz)||=(nx,ny,nz)T;
是旋转单位向量n的反对称矩阵,用于将两向量叉乘时的左侧向量转化为矩阵形式:
(3)由前述计算和中的特征点到其在点集中对应的距离公式,联立上式得到Ek+1中的边缘点和其对应边缘线的距离几何关系:
(4)计算得到Fk+1中的平面点和其对应平面块的距离几何关系:
(5)对于每一个Ek+1和Fk+1中的特征点,我们得到一个关于激光雷达6个自由度运动参数的非线性方程组:
(6)最后,使用Levenberg-Marquardt方法来求解该非线性约束方程组,以求得激光雷达运动的数值解。
7.根据权利要求1或2所述的基于激光雷达的三维点云重建方法,其特征在于,所述的点云融合部分的具体步骤包括:
(1)在第k+1次扫略结束时刻,激光里程计生成一个去畸变的点云并且同时产生一个位姿变换其包含了激光雷达在该次扫略时间范围[tk+1,tk+2]内的运动信息;
(2)定义Qk为从建图初始到第k次扫略结束时刻(即tk+1时刻)地图上已建成的点云,并设为该时刻激光雷达在地图上相对世界坐标系的位姿;使用激光里程计的输出结果建图算法将位姿变换从tk+1时刻拓展到tk+2时刻,得到
(3)将投影到世界坐标系{W},记为
(4)利用与运动估计部分相同的特征点提取方法从中提取特征点;
(5)为了寻找特征点的对应,我们以边长为15m大小的立方体区域在地图Qk上存储点云;
(6)提取立方体中的点云与相交的部分,并将其存储在一个3D kd-tree中;
(7)在特征点周围一定的区域内查找Qk中的点;设S'是某特征点的一个周围区域点集,对于一个边缘点来说,我们只保留S'中边缘线上的点,同样对于一个平面点我们只保留S'中平面块上的点;
(8)计算S'的协方差矩阵,确定对应边缘线或者平面块的位置;
(9)在一条边缘线上选取两个点,在一个平面块上选取三个点;同样使用上述计算特征点到其对应的距离公式计算从一个特征点到其对应的距离,并联立得到非线性约束方程组;
(10)通过LM方法再次求解该非线性优化公式,得到求解后的最优化的激光雷达位姿;
(11)使用求得的最优化的激光雷达位姿,将注测到地图上;
(12)为了均匀地分布这些点,通过一个体元边长为5cm的体元网格,来降采样合并后的地图点云,得到扩展后的点云地图;
(13)开始下一周期。
8.根据权利要求7所述的基于激光雷达的三维点云重建方法,其特征在于,所述的点云融合部分的步骤8中,对应边缘线或者平面块的位置的计算方法如下:S'的协方差矩阵,记为M,以及M的特征值V和特征向量E;
(1)S'是分布在一个边缘线上,那么V将包含一个较大特征值且显著大于另外两个特征值,并且在E中与V中最大特征值对应的特征向量代表了该边缘线的方向;
(2)S'是分布在一个平面块上,那么V包含两个较大特征值且第三个特征值要显著小于它们,并且在E中与V中最小特征值对应的特征向量表征了该平面块的方向;
(3)边缘线或者平面块的位置是由穿过S'的几何中心所决定,即边缘线或者平面块的位置和方向分别是由S'的几何中心和过该几何中心的特征向量表示。
9.根据权利要求1-8中任一项所述的基于激光雷达的三维点云重建方法,其特征在于,所述方法中采用的扫描装置包括旋转头、驱动体和数据处理器,所述旋转头为连续旋转的二维激光雷达扫描仪,所述二维激光雷达扫描仪安装在驱动体的转轴上,所述驱动体用于驱动所述二维激光雷达扫描仪及其二维扫描平面绕驱动体的转轴旋转、控制其旋转速度并实时向数据处理器返回旋转角度信息。
10.根据权利要求9所述的基于激光雷达的三维点云重建方法,其特征在于,所述驱动体包括Cortex-M4控制板、步进电机、编码器和USB通信板;所述的驱动体和旋转头之间通过一个滑环来连接信号和功率线;所述的步进电机与编码器通过信号线路连接,用于记录二维激光雷达扫描仪的实时旋转角度,所述的数据处理器通过信号线路连接旋转头和驱动体,接收来自二维激光雷达扫描仪的点云数据和编码器获得的步进电机角位置数据,然后将二维扫描信息转换成三维点云信息,并最终实时的重建三维环境的点云地图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910498317.5A CN110223379A (zh) | 2019-06-10 | 2019-06-10 | 基于激光雷达的三维点云重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910498317.5A CN110223379A (zh) | 2019-06-10 | 2019-06-10 | 基于激光雷达的三维点云重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110223379A true CN110223379A (zh) | 2019-09-10 |
Family
ID=67816206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910498317.5A Pending CN110223379A (zh) | 2019-06-10 | 2019-06-10 | 基于激光雷达的三维点云重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110223379A (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110764096A (zh) * | 2019-09-24 | 2020-02-07 | 浙江华消科技有限公司 | 灾害区域的三维地图构建方法、机器人及机器人控制方法 |
CN111090103A (zh) * | 2019-12-25 | 2020-05-01 | 河海大学 | 水下小目标动态精细检测三维成像装置及方法 |
CN111123280A (zh) * | 2019-12-31 | 2020-05-08 | 武汉万集信息技术有限公司 | 激光雷达的定位方法、装置、系统、电子设备及存储介质 |
CN111257909A (zh) * | 2020-03-05 | 2020-06-09 | 安徽意欧斯物流机器人有限公司 | 一种多2d激光雷达融合建图与定位方法及系统 |
CN111275748A (zh) * | 2020-01-15 | 2020-06-12 | 南京航空航天大学 | 动态环境下基于激光雷达的点云配准方法 |
CN111428578A (zh) * | 2020-03-03 | 2020-07-17 | 深圳市镭神智能系统有限公司 | 一种自主体及其定位方法和装置 |
CN111580129A (zh) * | 2020-04-07 | 2020-08-25 | 华南理工大学 | 一种基于单线激光雷达获取3d激光点云的方法 |
CN111612829A (zh) * | 2020-06-03 | 2020-09-01 | 纵目科技(上海)股份有限公司 | 一种高精度地图的构建方法、系统、终端和存储介质 |
CN111710039A (zh) * | 2020-06-03 | 2020-09-25 | 纵目科技(上海)股份有限公司 | 一种高精度地图的构建方法、系统、终端和存储介质 |
CN111710040A (zh) * | 2020-06-03 | 2020-09-25 | 纵目科技(上海)股份有限公司 | 一种高精度地图的构建方法、系统、终端和存储介质 |
CN111932614A (zh) * | 2020-07-06 | 2020-11-13 | 清华大学 | 一种基于聚类中心特征的激光雷达即时定位与建图方法 |
CN112578399A (zh) * | 2020-12-23 | 2021-03-30 | 雷熵信息科技(潍坊)有限公司 | 不重复扫描激光雷达三维重建中的特征点剔除方法 |
CN112649815A (zh) * | 2019-10-10 | 2021-04-13 | 华为技术有限公司 | 处理数据的方法和装置 |
CN112767490A (zh) * | 2021-01-29 | 2021-05-07 | 福州大学 | 一种基于激光雷达的室外三维同步定位与建图方法 |
CN112799096A (zh) * | 2021-04-08 | 2021-05-14 | 西南交通大学 | 基于低成本车载二维激光雷达的地图构建方法 |
CN113345025A (zh) * | 2021-04-26 | 2021-09-03 | 香港理工大学深圳研究院 | 一种基于背包式激光雷达系统的建图和地面分割方法 |
WO2021178517A1 (en) * | 2020-03-05 | 2021-09-10 | Uatc, Llc | Systems and methods for object detection and motion prediction by fusing multiple sensor sweeps into a range view representation |
CN113447949A (zh) * | 2021-06-11 | 2021-09-28 | 天津大学 | 一种基于激光雷达和先验地图的实时定位系统及方法 |
CN113447948A (zh) * | 2021-05-28 | 2021-09-28 | 淮阴工学院 | 一种基于ros机器人的相机与多激光雷达融合方法 |
WO2021212477A1 (zh) * | 2020-04-24 | 2021-10-28 | 华为技术有限公司 | 校正点云数据的方法和相关装置 |
CN113761090A (zh) * | 2020-11-17 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种基于点云地图的定位方法和装置 |
WO2021253429A1 (zh) * | 2020-06-19 | 2021-12-23 | 深圳市大疆创新科技有限公司 | 数据处理方法、装置、激光雷达和存储介质 |
WO2022003179A1 (en) * | 2020-07-03 | 2022-01-06 | Five AI Limited | Lidar mapping |
CN113932732A (zh) * | 2021-10-08 | 2022-01-14 | 四川吉埃智能科技有限公司 | 一种开放式货运车辆全特征检测设备和方法 |
CN114371716A (zh) * | 2022-01-20 | 2022-04-19 | 红骐科技(杭州)有限公司 | 一种用于消防机器人的自动驾驶巡检方法 |
WO2022087916A1 (zh) * | 2020-10-28 | 2022-05-05 | 华为技术有限公司 | 定位方法、装置、电子设备和存储介质 |
CN114612348A (zh) * | 2022-05-11 | 2022-06-10 | 季华实验室 | 激光点云运动畸变校正方法、装置、电子设备及存储介质 |
CN116358517A (zh) * | 2023-02-24 | 2023-06-30 | 杭州宇树科技有限公司 | 一种用于机器人的高度地图构建方法、系统以及存储介质 |
-
2019
- 2019-06-10 CN CN201910498317.5A patent/CN110223379A/zh active Pending
Cited By (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110764096A (zh) * | 2019-09-24 | 2020-02-07 | 浙江华消科技有限公司 | 灾害区域的三维地图构建方法、机器人及机器人控制方法 |
CN112649815A (zh) * | 2019-10-10 | 2021-04-13 | 华为技术有限公司 | 处理数据的方法和装置 |
CN111090103A (zh) * | 2019-12-25 | 2020-05-01 | 河海大学 | 水下小目标动态精细检测三维成像装置及方法 |
CN111090103B (zh) * | 2019-12-25 | 2021-03-02 | 河海大学 | 水下小目标动态精细检测三维成像装置及方法 |
CN111123280A (zh) * | 2019-12-31 | 2020-05-08 | 武汉万集信息技术有限公司 | 激光雷达的定位方法、装置、系统、电子设备及存储介质 |
CN111123280B (zh) * | 2019-12-31 | 2023-02-03 | 武汉万集光电技术有限公司 | 激光雷达的定位方法、装置、系统、电子设备及存储介质 |
CN111275748A (zh) * | 2020-01-15 | 2020-06-12 | 南京航空航天大学 | 动态环境下基于激光雷达的点云配准方法 |
CN111275748B (zh) * | 2020-01-15 | 2023-04-07 | 南京航空航天大学 | 动态环境下基于激光雷达的点云配准方法 |
CN111428578A (zh) * | 2020-03-03 | 2020-07-17 | 深圳市镭神智能系统有限公司 | 一种自主体及其定位方法和装置 |
CN111257909A (zh) * | 2020-03-05 | 2020-06-09 | 安徽意欧斯物流机器人有限公司 | 一种多2d激光雷达融合建图与定位方法及系统 |
WO2021178517A1 (en) * | 2020-03-05 | 2021-09-10 | Uatc, Llc | Systems and methods for object detection and motion prediction by fusing multiple sensor sweeps into a range view representation |
CN111257909B (zh) * | 2020-03-05 | 2021-12-07 | 安徽意欧斯物流机器人有限公司 | 一种多2d激光雷达融合建图与定位方法及系统 |
US11762094B2 (en) | 2020-03-05 | 2023-09-19 | Uatc, Llc | Systems and methods for object detection and motion prediction by fusing multiple sensor sweeps into a range view representation |
CN111580129A (zh) * | 2020-04-07 | 2020-08-25 | 华南理工大学 | 一种基于单线激光雷达获取3d激光点云的方法 |
CN111580129B (zh) * | 2020-04-07 | 2022-05-24 | 华南理工大学 | 一种基于单线激光雷达获取3d激光点云的方法 |
WO2021212477A1 (zh) * | 2020-04-24 | 2021-10-28 | 华为技术有限公司 | 校正点云数据的方法和相关装置 |
CN111710040B (zh) * | 2020-06-03 | 2024-04-09 | 纵目科技(上海)股份有限公司 | 一种高精度地图的构建方法、系统、终端和存储介质 |
CN111710039A (zh) * | 2020-06-03 | 2020-09-25 | 纵目科技(上海)股份有限公司 | 一种高精度地图的构建方法、系统、终端和存储介质 |
CN111612829B (zh) * | 2020-06-03 | 2024-04-09 | 纵目科技(上海)股份有限公司 | 一种高精度地图的构建方法、系统、终端和存储介质 |
CN111710040A (zh) * | 2020-06-03 | 2020-09-25 | 纵目科技(上海)股份有限公司 | 一种高精度地图的构建方法、系统、终端和存储介质 |
CN111612829A (zh) * | 2020-06-03 | 2020-09-01 | 纵目科技(上海)股份有限公司 | 一种高精度地图的构建方法、系统、终端和存储介质 |
WO2021253429A1 (zh) * | 2020-06-19 | 2021-12-23 | 深圳市大疆创新科技有限公司 | 数据处理方法、装置、激光雷达和存储介质 |
WO2022003179A1 (en) * | 2020-07-03 | 2022-01-06 | Five AI Limited | Lidar mapping |
CN111932614A (zh) * | 2020-07-06 | 2020-11-13 | 清华大学 | 一种基于聚类中心特征的激光雷达即时定位与建图方法 |
CN111932614B (zh) * | 2020-07-06 | 2022-10-14 | 清华大学 | 一种基于聚类中心特征的激光雷达即时定位与建图方法 |
WO2022087916A1 (zh) * | 2020-10-28 | 2022-05-05 | 华为技术有限公司 | 定位方法、装置、电子设备和存储介质 |
CN113761090B (zh) * | 2020-11-17 | 2024-04-05 | 北京京东乾石科技有限公司 | 一种基于点云地图的定位方法和装置 |
CN113761090A (zh) * | 2020-11-17 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种基于点云地图的定位方法和装置 |
CN112578399A (zh) * | 2020-12-23 | 2021-03-30 | 雷熵信息科技(潍坊)有限公司 | 不重复扫描激光雷达三维重建中的特征点剔除方法 |
CN112767490A (zh) * | 2021-01-29 | 2021-05-07 | 福州大学 | 一种基于激光雷达的室外三维同步定位与建图方法 |
CN112767490B (zh) * | 2021-01-29 | 2022-06-21 | 福州大学 | 一种基于激光雷达的室外三维同步定位与建图方法 |
CN112799096A (zh) * | 2021-04-08 | 2021-05-14 | 西南交通大学 | 基于低成本车载二维激光雷达的地图构建方法 |
CN113345025A (zh) * | 2021-04-26 | 2021-09-03 | 香港理工大学深圳研究院 | 一种基于背包式激光雷达系统的建图和地面分割方法 |
CN113345025B (zh) * | 2021-04-26 | 2022-09-09 | 香港理工大学深圳研究院 | 一种基于背包式激光雷达系统的建图和地面分割方法 |
CN113447948A (zh) * | 2021-05-28 | 2021-09-28 | 淮阴工学院 | 一种基于ros机器人的相机与多激光雷达融合方法 |
CN113447949B (zh) * | 2021-06-11 | 2022-12-09 | 天津大学 | 一种基于激光雷达和先验地图的实时定位系统及方法 |
CN113447949A (zh) * | 2021-06-11 | 2021-09-28 | 天津大学 | 一种基于激光雷达和先验地图的实时定位系统及方法 |
CN113932732A (zh) * | 2021-10-08 | 2022-01-14 | 四川吉埃智能科技有限公司 | 一种开放式货运车辆全特征检测设备和方法 |
CN114371716A (zh) * | 2022-01-20 | 2022-04-19 | 红骐科技(杭州)有限公司 | 一种用于消防机器人的自动驾驶巡检方法 |
CN114612348B (zh) * | 2022-05-11 | 2022-07-15 | 季华实验室 | 激光点云运动畸变校正方法、装置、电子设备及存储介质 |
CN114612348A (zh) * | 2022-05-11 | 2022-06-10 | 季华实验室 | 激光点云运动畸变校正方法、装置、电子设备及存储介质 |
CN116358517A (zh) * | 2023-02-24 | 2023-06-30 | 杭州宇树科技有限公司 | 一种用于机器人的高度地图构建方法、系统以及存储介质 |
CN116358517B (zh) * | 2023-02-24 | 2024-02-23 | 杭州宇树科技有限公司 | 一种用于机器人的高度地图构建方法、系统以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223379A (zh) | 基于激光雷达的三维点云重建方法 | |
CN111968129B (zh) | 具有语义感知的即时定位与地图构建系统及方法 | |
CN111486855B (zh) | 一种具有物体导航点的室内二维语义栅格地图构建方法 | |
CN106826833B (zh) | 基于3d立体感知技术的自主导航机器人系统 | |
Newcombe et al. | Kinectfusion: Real-time dense surface mapping and tracking | |
Hähnel et al. | Learning compact 3D models of indoor and outdoor environments with a mobile robot | |
CN110189399B (zh) | 一种室内三维布局重建的方法及系统 | |
Fruh et al. | Fast 3D model generation in urban environments | |
CN109308737A (zh) | 一种三阶段式点云配准方法的移动机器人v-slam方法 | |
CN108230247B (zh) | 基于云端的三维地图的生成方法、装置、设备及计算机可读的存储介质 | |
CN105225269A (zh) | 基于运动机构的三维物体建模系统 | |
CN106898022A (zh) | 一种手持式快速三维扫描系统及方法 | |
CN102622732A (zh) | 一种前扫声纳图像拼接方法 | |
CN101161151A (zh) | 基于线结构光传感器自动生成鞋底喷胶轨迹的方法及系统 | |
Zhao et al. | Reconstruction of textured urban 3D model by fusing ground-based laser range and CCD images | |
CN103971404A (zh) | 一种高性价比的3d实景复制装置 | |
CN112833892B (zh) | 一种基于轨迹对齐的语义建图方法 | |
Cole et al. | Using naturally salient regions for SLAM with 3D laser data | |
Abdul-Rahman et al. | Innovations in 3D geo information systems | |
Koch et al. | Wide-area egomotion estimation from known 3d structure | |
Tian et al. | Lidar super-resolution based on segmentation and geometric analysis | |
CN112581505B (zh) | 一种简易的激光雷达点云与光学影像自动配准方法 | |
CN107123135B (zh) | 一种无序三维点云的无畸变成像方法 | |
Agouris et al. | Automation and digital photogrammetric workstations | |
Chen et al. | Low cost and efficient 3D indoor mapping using multiple consumer RGB-D cameras |
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 |