CN110288708A - 一种地图构建方法、装置及终端设备 - Google Patents
一种地图构建方法、装置及终端设备 Download PDFInfo
- Publication number
- CN110288708A CN110288708A CN201910367650.2A CN201910367650A CN110288708A CN 110288708 A CN110288708 A CN 110288708A CN 201910367650 A CN201910367650 A CN 201910367650A CN 110288708 A CN110288708 A CN 110288708A
- Authority
- CN
- China
- Prior art keywords
- laser radar
- radar data
- frame
- sub
- graph
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 88
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000010276 construction Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 27
- 238000011478 gradient descent method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 1
- 238000009825 accumulation Methods 0.000 abstract 1
- 238000003780 insertion Methods 0.000 abstract 1
- 230000037431 insertion Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
-
- 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
- G06T17/05—Geographic models
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明适用于移动机器人导航技术领域，提供了一种地图构建方法、装置及终端设备，方法包括：控制小车在目标范围内运动；通过设置于小车上的激光雷达采集激光雷达数据；在采集第N帧激光雷达数据时创建第M个子图，其中，N和M为正整数，N和M的初始值均为1；通过相关扫描匹配，将预设帧数的激光雷达数据插入第M个子图中，获得M个子地图；在将预设帧数的激光雷达数据插入第M个子图的过程中，进行闭环检测，并对每一帧激光雷达数据进行初值优化；根据M个子地图构建基于目标范围的全局地图。通过本发明可以减少每一帧激光雷达数据与子图的匹配误差，以及每个子地图中，激光雷达数据和子图累积的匹配误差，使得最终构建的全局地图精确可靠。
Description
技术领域
本发明涉及移动机器人导航技术领域，尤其涉及一种地图构建方法、装置及终端设备。
背景技术
在求解机器学习算法的模型参数，即获取最小化的损失函数和模型参数值时，梯度下降法、迭代计算方法是最常采用的方法。例如，进行机器人的地图构建时，通常会使用初值优化减少地图构建的误差，其中，迭代、梯度下降方法对初值敏感，初值的选择对最后扫描匹配的结果有很大影响，较好的初值可以使得扫描匹配容易收敛，得到较好的效果，较差的初值容易陷入局部极小值、不收敛的情况。因此，为在进行迭代优化时能提供较好的初值，通常要求传感器具有较高的采样频率，使得两帧数据之间采样间隔小。
然而，即使优化了初值，地图构建的过程中仍会产生误差，在一个分地图的地图构建中，这些误差将累积起来，严重影响建图效果。
发明内容
本发明的主要目的在于提出一种地图构建方法、装置及终端设备，以解决现有技术中的初值优化在地图构建过程中产生误差，并累积误差，使得建图效果差的问题。
为实现上述目的，本发明实施例第一方面提供一种地图构建方法，包括：
控制小车在目标范围内运动；
通过设置于所述小车上的激光雷达采集激光雷达数据；
在采集第N帧所述激光雷达数据时创建第M个子图，其中，N和M为正整数，N和M的初始值均为1；
通过相关扫描匹配，将预设帧数的所述激光雷达数据插入所述第M个子图中，获得M个子地图；
在所述将预设帧数的所述激光雷达数据插入第M个子图的过程中，进行闭环检测，并对每一帧所述激光雷达数据进行初值优化；
根据所述M个子地图构建基于所述目标范围的全局地图。
结合本发明第一方面，本发明第一实施方式中，在所述将预设帧数的所述激光雷达数据插入第M个子图的过程中，进行闭环检测，并对每一帧激光雷达数据进行初值优化，包括：
在预设帧数的所述激光雷达数据中的每一帧所述激光雷达数据插入第M个所述子图时，进行初值优化；
开启闭环检测，以使预设帧数的所述激光雷达数据插入第M个所述子图时，对第M个所述子图进行闭环检测，消除第M个所述子图与所述激光雷达数据的累积误差。
结合本发明第一方面的第一实施方式，本发明第二实施方式中，在预设帧数的所述激光雷达数据中的每一帧所述激光雷达数据插入第M个子图时，进行初值优化，包括：
进行第一次相关扫描匹配；
计算每一帧所述激光雷达数据与第M个所述子图匹配的概率，公式为：
其中，xi表示小车当前时刻的位姿，小车上一时刻的位姿为xi-1，z表示任一帧激光雷达数据，j表示预设帧数，m表示世界模型，且小车当前时刻的位姿通过第一次的相关扫描匹配获取；
获取所述概率的最大值；
选择所述概率最大时的激光雷达数据，并获取梯度下降法的初值；
根据所述初值，通过梯度下降法对所述激光雷达数据进行优化；
进行第二次相关扫描匹配，将优化后的每一帧所述激光雷达数据，插入第M个所述子图。
结合本发明第一方面的第二实施方式，本发明第三实施方式中，所述概率最大时，获取梯度下降法的初值，包括：
所述概率最大时的激光雷达数据上均匀划分栅格；
利用高斯分布扩散栅格得分；
在三维空间(x,y,θ)中迭代循环计算总栅格得分；
所述总栅格得分为所述概率最大时的激光雷达数据的后一帧激光雷达数据，与所述概率最大时的激光雷达数据的前一帧激光雷达数据的栅格得分之和；
输出总栅格得分最高的变换(xm,ym,θm)，并以所述总栅格得分最高的变换(xm,ym,θm)作为梯度下降法的初值。
结合本发明第一方面的第一实施方式，本发明第四实施方式中，所述开启闭环检测，以使预设帧数的所述激光雷达数据插入第M个所述子图时，对第M个所述子图进行闭环检测，消除第M个所述子图与所述激光雷达数据的累积误差，包括：
设置检测周期；
每间隔所述检测周期，在预设帧数的所述激光雷达数据中查找关键帧，并通过关键帧的激光雷达数据进行闭环检测，根据闭环检测结果消除第M个所述子图与所述激光雷达数据的累积误差；
其中，所述检测周期小于所述预设帧数的激光雷达数据插入第M个子图，和所述预设帧数的激光雷达数据插入第M+1个子图的周期。
结合本发明第一方面的第四实施方式，本发明第五实施方式中，每间隔所述检测周期，在预设帧数的所述激光雷达数据中查找关键帧，并通过关键帧的激光雷达数据进行闭环检测，根据闭环检测结果消除第M个所述子图与所述激光雷达数据的累积误差，包括：
每间隔所述检测周期，选择所述预设帧数的激光雷达数据中的任意两个关键帧，作为第一关键帧和第二关键帧；
将具有预设距离阈值的所述第一关键帧和所述第二关键帧，组合为闭环检测匹配帧；
通过所述匹配帧检测所述第一关键帧和所述第二关键帧的相似度是否在预设范围内；
若否，则所述闭环检测不通过，第一关键帧的激光雷达数据与第二关键帧的激光雷达数据不重复，消除第M个所述子图与所述激光雷达数据的累积误差；
若是，则所述闭环检测通过，第一关键帧的激光雷达数据与第二关键帧的激光雷达数据重复，删除重复的激光雷达数据。
本发明第二方面提供了一种地图构建装置，包括：
控制模块，用于控制小车在目标范围内运动；
数据采集模块，用于通过设置于所述小车上的激光雷达采集激光雷达数据；
子图创建模块，用于在采集第N帧所述激光雷达数据时创建第M个子图，其中，N和M为正整数，N和M的初始值均为1；
子地图获取模块，用于通过相关扫描匹配，将预设帧数的所述激光雷达数据插入所述第M个子图中，获得M个子地图；
数据分析模块，用于在所述将预设帧数的所述激光雷达数据插入第M个子图的过程中，进行闭环检测，并对每一帧所述激光雷达数据进行初值优化；
地图构建模块，用于根据所述M个子地图构建基于所述目标范围的全局地图。
结合本发明第二方面，本发明第一实施方式中，所述数据分析模块包括：
初值优化单元，用于在预设帧数的所述激光雷达数据中的每一帧所述激光雷达数据插入第M个所述子图时，进行初值优化；
闭环检测单元，用于开启闭环检测，以使预设帧数的所述激光雷达数据插入第M个所述子图时，对第M个所述子图进行闭环检测，消除第M个所述子图与所述激光雷达数据的累积误差。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上第一方面所提供的方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上第一方面所提供的方法的步骤。
本发明实施例提出一种地图构建方法，通过设置在小车上的激光雷达，获取小车在要进行地图构建的目标范围内运动时的数据，其中，将要构建的全局地图分为多个子图，将构建完成的子图作为子地图，通过将一定帧数的激光雷达数据相关扫描匹配到子图中，获得子地图，并在相关扫描匹配完成前，即完成激光雷达数据插入子图这一操作之前，进行初值优化，减少每一帧激光雷达数据与子图的匹配误差，还在相关扫描匹配的过程中，即将预设帧数的激光雷达数据插入第M个子图的过程中，通过周期性的闭环检测减少累积误差，从而减少子地图中激光雷达数据和子图累积的匹配误差，使得最终构建的全局地图精确可靠。
附图说明
图1为本发明实施例一提供的地图构建方法的实现流程示意图；
图2为本发明实施例二提供的地图构建方法的实现流程示意图；
图3为本发明实施例三提供的地图构建方法的实现流程示意图；
图4为本发明实施例三提供的闭环检测匹配帧的形成过程示意图；
图5为本发明实施例三提供的闭环检测过程示意图；
图6为本发明实施例三提供的另一闭环检测过程示意图；
图7为本发明实施例四提供的地图构建装置的组成结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本文中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，"模块"与"部件"可以混合地使用。
在后续的描述中，发明实施例序号仅仅为了描述，不代表实施例的优劣。
实施例一
如图1所示，本发明实施例一提供了一种地图构建方法，包括：
S101、控制小车在目标范围内运动。
在上述步骤S101中，目标范围表示需要进行地图构建的范围。
在具体应用中，小车可以为AGV(Automated Guided Vehicle，自动导引运输车)，AGV装备有电磁或光学等自动导引装置，沿规定的导引路径行驶。
在本发明实施例中，可以在目标范围内规划导引路径，以使小车在行驶过程中可以获取目标范围中，可以用于地图构建的信息。
S102、通过设置于所述小车上的激光雷达采集激光雷达数据。
在上述步骤S102中，激光雷达可直接获取与目标之间的距离、角度、反射强度、速度等数据。
在本发明实施例中，不对激光雷达所获得的具体数据进行限定，通过上述的一个或几个数据能够构建出基于目标范围的二维地图即可。
S103、在采集第N帧所述激光雷达数据时创建第M个子图。
其中，N和M为正整数，N和M的初始值均为1.
在上述步骤S103中，在获取到第一帧激光雷达数据时，创建第一个子图，但其后的子图，如第二子图、第三子图中，第一子图和第二子图、第二子图和第三子图之间所间隔的激光雷达数据帧数不定，可以为5帧的激光雷达数据，也可以为10帧的激光雷达数据。
S104、通过相关扫描匹配，将预设帧数的所述激光雷达数据插入所述第M个子图中，获得M个子地图。
在上述步骤S104中，通过预设帧数的激光雷达数据，填充子图，使子图成为子地图，即最终的全局地图的一部分。
S105、在所述将预设帧数的所述激光雷达数据插入第M个子图的过程中，进行闭环检测，并对每一帧所述激光雷达数据进行初值优化。
在上述步骤S105中，激光雷达数据插入子图之前，需要校准激光雷达数据和子图的位置关系，也需要校准每一帧激光雷达数据之间的位置关系。
如图2所示，本发明实施例提出了上述步骤S105的一种实现方式，包括：
S1051、在预设帧数的所述激光雷达数据中的每一帧所述激光雷达数据插入第M个所述子图时，进行初值优化。
S1052、开启闭环检测，以使预设帧数的所述激光雷达数据插入第M个所述子图时，对第M个所述子图进行闭环检测，消除第M个所述子图与所述激光雷达数据的累积误差。
上述的步骤S1051将优化后的初值，作为后续的梯度下降法的初值，使得梯度下降法的结果容易收敛，得到较好的相关扫描匹配效果，从而对准每一帧激光雷达数据和子图的位置。
上述的步骤S1052的闭环检测，通过是否闭环成功，判断子图中各帧的激光雷达数据之间是否存在需要消除的累积误差，从而进行误差消除。
S106、根据所述M个子地图构建基于所述目标范围的全局地图。
在上述步骤S106中，已经插入预设激光雷达数据的子图为子地图，此时，子图中包括了全局地图这一部分应该具有的所有数据，则M个子图中的数据，可以表现目标范围中的所有地图数据，实现全局地图的构建。
本发明实施例提供的地图构建方法，通过设置在小车上的激光雷达，获取小车在要进行地图构建的目标范围内运动时的数据，其中，将要构建的全局地图分为多个子图，将构建完成的子图作为子地图，通过将一定帧数的激光雷达数据相关扫描匹配到子图中，获得子地图，并在相关扫描匹配完成前，即完成激光雷达数据插入子图这一操作之前，进行初值优化，减少每一帧激光雷达数据与子图的匹配误差，还在相关扫描匹配的过程中，即将预设帧数的激光雷达数据插入第M个子图的过程中，通过周期性的闭环检测减少累积误差，从而减少子地图中激光雷达数据和子图累积的匹配误差，使得最终构建的全局地图精确可靠。
实施例二
本发明实施例对上述实施例一中，步骤S105的子步骤S1051的实现方式进行解释，说明其中的初值优化的详细过程。
如图3所示，在本发明实施例中，步骤S1051可以包括以下实施步骤：
S10511、进行第一次相关扫描匹配。
在上述步骤S10511中，第一次相关扫描匹配后，将对其结果进行处理，并将处理后的结果，作为第二次相关扫描匹配的输入。
S10512、计算每一帧所述激光雷达数据与第M个所述子图匹配的概率，公式为：
其中，xi表示小车当前时刻的位姿，小车上一时刻的位姿为xi-1，z表示任一帧激光雷达数据，j表示预设帧数，m表示世界模型，且小车当前时刻的位姿通过第一次的相关扫描匹配获取。
在上述步骤S105112中，激光雷达所采集的全部的N帧激光雷达数据中，可以根据子图的划分而分为多组，当采集到第N帧激光雷达数据时，与第N帧激光雷达数据匹配的子图是确定的。而在激光雷达数据与子图匹配的过程中存在误差，即这一帧激光雷达的数据不能完全与子图重合，但此第N帧的激光雷达数据中，仍然存在可以与子图重合的点，因此每帧激光雷达数据与子图的匹配情况可以用概率表示。
S10513、获取所述概率的最大值。
S10514、选择所述概率最大时的激光雷达数据，并获取梯度下降法的初值。
在上述步骤S10513和步骤S10514中，上述概率的值为最大时，说明此帧激光雷达数据与子图的匹配最优。根据得出最大概率的激光雷达数据，即可获取梯度下降法的初值。
在本发明实施例中，还给出了如何获取梯度下降法的初值的算法过程，其主要包括以下步骤：
a、在所述概率最大时的激光雷达数据上均匀划分栅格；
b、利用高斯分布扩散栅格得分；
c、在三维空间(x,y,θ)中迭代循环计算总栅格得分；
所述总栅格得分为所述概率最大时的激光雷达数据的后一帧激光雷达数据，与所述概率最大时的激光雷达数据的前一帧激光雷达数据的栅格得分之和；
d、输出总栅格得分最高的变换(xm,ym,θm)，并以所述总栅格得分最高的变换(xm,ym,θm)作为梯度下降法的初值。
上述的步骤S10512至步骤S10514，是通过第一次相关扫描匹配获取相对位姿后，将相对位姿作为了非线性优化问题的初值的过程。在下面的步骤S10515和步骤S10516中，则是将初值参与第二次扫描匹配的过程。
S10515、根据所述初值，通过梯度下降法对所述激光雷达数据进行优化。
S10516、进行第二次相关扫描匹配，将优化后的每一帧所述激光雷达数据，插入第M个所述子图。
在具体应用中，由于梯度下降方法对初值敏感，容易陷入局部极小值、不收敛等问题，因此本发明实施例提出分别进行两次相关扫描匹配，其中，第一次相关扫描匹配用于获取小车当前时刻的位姿，作为初始数据，进行分析计算，从而获得匹配概率最大时的梯度下降法初值，用于优化激光雷达数据，然后进行第二次相关扫描匹配，此时可以使用优化后的激光雷达数据，与子图完成高质量的匹配。
实施例三
本发明实施例对上述实施例一中，步骤S105的子步骤S1052的实现方式进行解释，说明其中的闭环检测的详细过程。
如图4所示，在本发明实施例中，步骤S1052可以包括以下实施步骤：
S10521、设置检测周期。
S10522、每间隔所述检测周期，在预设帧数的所述激光雷达数据中查找关键帧，并通过关键帧的激光雷达数据进行闭环检测，根据闭环检测结果消除第M个所述子图与所述激光雷达数据的累积误差。
其中，所述检测周期小于所述预设帧数的激光雷达数据插入第M个子图，和所述预设帧数的激光雷达数据插入第M+1个子图的周期。
在具体应用中，检测周期与激光雷达数据插入子图的时机互不影响，因此，在根据检测周期进行闭环检测时，使检测周期能够保证每个子图中至少包括一次闭环检测即可。
在具体应用中，当任一子图中的激光雷达数据帧数较多，则也存在进行两次闭环检测的情况。
在本发明实施例中，还给出了如何进行闭环检测，以及如何将闭环检测应用到激光雷达数据的过程，其主要包括以下步骤：
A、每间隔所述检测周期，选择所述预设帧数的激光雷达数据中的任意两个关键帧，作为第一关键帧和第二关键帧。
B、将具有预设距离阈值的所述第一关键帧和所述第二关键帧，组合为闭环检测匹配帧。
C、通过所述匹配帧检测所述第一关键帧和所述第二关键帧的相似度是否在预设范围内；
若否，则所述闭环检测不通过，第一关键帧的激光雷达数据与第二关键帧的激光雷达数据不重复，消除第M个所述子图与所述激光雷达数据的累积误差；
若是，则所述闭环检测通过，第一关键帧的激光雷达数据与第二关键帧的激光雷达数据重复，删除重复的激光雷达数据。
在具体应用中，由于场景存在很多环境相似的地方，因此很容易造成错误的闭环检测。其中，错误的闭环检测说明产生了错误的闭环。
但是，由于单帧的激光雷达数据信息量少，而基于关键帧匹配的信息量多，局部特征更加丰富，因此在相似环境中，本发明实施例提供了通过选取关键帧中的数据避免错误的闭环检测的方法。
上述步骤A至C示出了通过关键帧进行闭环检测的过程，在步骤C中：
若相似度不在预设范围内，闭环检测不通过，则说明第一关键帧和第二关键帧中的激光雷达数据是不重复的，然而实际应用中，第一关键帧和第二关键帧中的激光雷达数据不应该是重复的，因此对本发明实施例而言，若闭环检测不通过，可以判断产生的是正确的闭环。在本发明实施例中，通过正确的闭环可以通过分析第一关键帧和第二关键帧中的激光雷达数据之间的误差，获得第M个子图中的累积误差。
若相似度在预设范围内，闭环检测通过，则说明第一关键帧和第二关键帧中的激光雷达数据是重复的，然而第一关键帧和第二关键帧中的激光雷达数据不应该是重复的，因此对本发明实施例而言，若闭环检测通过，可以判断产生的是错误的闭环，此时可以删除第一关键帧或第二关键帧中的激光雷达数据。
可见，通过上述步骤A至C可以判断闭环是否出现错误，从而避免了错误的闭环检测。
如图5所示，本发明实施例还以实际的地图构建，说明上述实施例三中的使用关键帧的闭环检测的效果，并将闭环检测阈值，作为相似度的预设范围。
请参阅图5，图5中是两个不同位置的扫描数据，由于两者具有相似性，细线条的数据大部分与粗线条的数据重合，两者相似度超过闭环检测的阈值，被认为匹配成功，造成错误的闭环。而基于关键帧的闭环检测，请参阅图6，图6中，由于匹配帧信息量较大，虽然有部分与关联帧(粗线条的数据)重合，但还是有大部分没有重合，从而拉低此次相似度，使得闭环失败，即没有产生错误的闭环。
实施例四
如图7所示，本发明实施例提供了一种地图构建装置70，包括：
控制模块71，用于控制小车在目标范围内运动；
数据采集模块72，用于通过设置于所述小车上的激光雷达采集激光雷达数据；
子图创建模块73，用于在采集第N帧所述激光雷达数据时创建第M个子图，其中，N和M为正整数，N和M的初始值均为1；
子地图获取模块74，用于通过相关扫描匹配，将预设帧数的所述激光雷达数据插入所述第M个子图中，获得M个子地图；
数据分析模块75，用于在所述将预设帧数的所述激光雷达数据插入第M个子图的过程中，进行闭环检测，并对每一帧所述激光雷达数据进行初值优化；
地图构建模块76，用于根据所述M个子地图构建基于所述目标范围的全局地图。
在一个实施例中，述数据分析模块75包括：
初值优化单元，用于在预设帧数的所述激光雷达数据中的每一帧所述激光雷达数据插入第M个所述子图时，进行初值优化；
闭环检测单元，用于开启闭环检测，以使预设帧数的所述激光雷达数据插入第M个所述子图时，对第M个所述子图进行闭环检测，消除第M个所述子图与所述激光雷达数据的累积误差。
在本发明实施例中，通过初值优化，减少每一帧激光雷达数据与子图的匹配误差，通过周期性的闭环检测减少累积误差，从而减少子地图中激光雷达数据和子图累积的匹配误差，使得最终构建的全局地图精确可靠。
本发明实施例还提供一种终端设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如实施例一中所述的地图构建方法中的各个步骤。
本发明实施例还提供一种存储介质，所述存储介质为计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如实施例一中所述的地图构建方法中的各个步骤。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种地图构建方法，其特征在于，包括：
控制小车在目标范围内运动；
通过设置于所述小车上的激光雷达采集激光雷达数据；
在采集第N帧所述激光雷达数据时创建第M个子图，其中，N和M为正整数，N和M的初始值均为1；
通过相关扫描匹配，将预设帧数的所述激光雷达数据插入所述第M个子图中，获得M个子地图；
在所述将预设帧数的所述激光雷达数据插入第M个子图的过程中，进行闭环检测，并对每一帧所述激光雷达数据进行初值优化；
根据所述M个子地图构建基于所述目标范围的全局地图。
2.如权利要求1所述的地图构建方法，其特征在于，在所述将预设帧数的所述激光雷达数据插入第M个子图的过程中，进行闭环检测，并对每一帧激光雷达数据进行初值优化，包括：
在预设帧数的所述激光雷达数据中的每一帧所述激光雷达数据插入第M个所述子图时，进行初值优化；
开启闭环检测，以使预设帧数的所述激光雷达数据插入第M个所述子图时，对第M个所述子图进行闭环检测，消除第M个所述子图与所述激光雷达数据的累积误差。
3.如权利要求2所述的地图构建方法，其特征在于，在预设帧数的所述激光雷达数据中的每一帧所述激光雷达数据插入第M个子图时，进行初值优化，包括：
进行第一次相关扫描匹配；
计算每一帧所述激光雷达数据与第M个所述子图匹配的概率，公式为：
其中，xi表示小车当前时刻的位姿，小车上一时刻的位姿为xi-1，z表示任一帧激光雷达数据，j表示预设帧数，m表示世界模型，且小车当前时刻的位姿通过第一次的相关扫描匹配获取；
获取所述概率的最大值；
选择所述概率最大时的激光雷达数据，并获取梯度下降法的初值；
根据所述初值，通过梯度下降法对所述激光雷达数据进行优化；
进行第二次相关扫描匹配，将优化后的每一帧所述激光雷达数据，插入第M个所述子图。
4.如权利要求3所述的地图构建方法，其特征在于，所述概率最大时，获取梯度下降法的初值，包括：
所述概率最大时的激光雷达数据上均匀划分栅格；
利用高斯分布扩散栅格得分；
在三维空间(x,y,θ)中迭代循环计算总栅格得分；
所述总栅格得分为所述概率最大时的激光雷达数据的后一帧激光雷达数据，与所述概率最大时的激光雷达数据的前一帧激光雷达数据的栅格得分之和；
输出总栅格得分最高的变换(xm,ym,θm)，并以所述总栅格得分最高的变换(xm,ym,θm)作为梯度下降法的初值。
5.如权利要求2所述的地图构建方法，其特征在于，所述开启闭环检测，以使预设帧数的所述激光雷达数据插入第M个所述子图时，对第M个所述子图进行闭环检测，消除第M个所述子图与所述激光雷达数据的累积误差，包括：
设置检测周期；
每间隔所述检测周期，在预设帧数的所述激光雷达数据中查找关键帧，并通过关键帧的激光雷达数据进行闭环检测，根据闭环检测结果消除第M个所述子图与所述激光雷达数据的累积误差；
其中，所述检测周期小于所述预设帧数的激光雷达数据插入第M个子图，和所述预设帧数的激光雷达数据插入第M+1个子图的周期。
6.如权利要求5所述的地图构建方法，其特征在于，每间隔所述检测周期，在预设帧数的所述激光雷达数据中查找关键帧，并通过关键帧的激光雷达数据进行闭环检测，根据闭环检测结果消除第M个所述子图与所述激光雷达数据的累积误差，包括：
每间隔所述检测周期，选择所述预设帧数的激光雷达数据中的任意两个关键帧，作为第一关键帧和第二关键帧；
将具有预设距离阈值的所述第一关键帧和所述第二关键帧，组合为闭环检测匹配帧；
通过所述匹配帧检测所述第一关键帧和所述第二关键帧的相似度是否在预设范围内；
若否，则所述闭环检测不通过，第一关键帧的激光雷达数据与第二关键帧的激光雷达数据不重复，消除第M个所述子图与所述激光雷达数据的累积误差；
若是，则所述闭环检测通过，第一关键帧的激光雷达数据与第二关键帧的激光雷达数据重复，删除重复的激光雷达数据。
7.一种地图构建装置，其特征在于，包括：
控制模块，用于控制小车在目标范围内运动；
数据采集模块，用于通过设置于所述小车上的激光雷达采集激光雷达数据；
子图创建模块，用于在采集第N帧所述激光雷达数据时创建第M个子图，其中，N和M为正整数，N和M的初始值均为1；
子地图获取模块，用于通过相关扫描匹配，将预设帧数的所述激光雷达数据插入所述第M个子图中，获得M个子地图；
数据分析模块，用于在所述将预设帧数的所述激光雷达数据插入第M个子图的过程中，进行闭环检测，并对每一帧所述激光雷达数据进行初值优化；
地图构建模块，用于根据所述M个子地图构建基于所述目标范围的全局地图。
8.如权利要求7所述的地图构建装置，其特征在于，所述数据分析模块包括：
初值优化单元，用于在预设帧数的所述激光雷达数据中的每一帧所述激光雷达数据插入第M个所述子图时，进行初值优化；
闭环检测单元，用于开启闭环检测，以使预设帧数的所述激光雷达数据插入第M个所述子图时，对第M个所述子图进行闭环检测，消除第M个所述子图与所述激光雷达数据的累积误差。
9.一种终端设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至6任一项所述的地图构建方法中的各个步骤。
10.一种存储介质，所述存储介质为计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至6任一项所述的地图构建方法中的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910367650.2A CN110288708B (zh) | 2019-05-05 | 2019-05-05 | 一种地图构建方法、装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910367650.2A CN110288708B (zh) | 2019-05-05 | 2019-05-05 | 一种地图构建方法、装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110288708A true CN110288708A (zh) | 2019-09-27 |
| CN110288708B CN110288708B (zh) | 2023-06-16 |
Family
ID=68001557
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910367650.2A Active CN110288708B (zh) | 2019-05-05 | 2019-05-05 | 一种地图构建方法、装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110288708B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102400A (zh) * | 2020-09-15 | 2020-12-18 | 上海云绅智能科技有限公司 | 基于距离的闭环检测方法、装置、电子设备和存储介质 |
| CN112380312A (zh) * | 2020-11-30 | 2021-02-19 | 重庆智行者信息科技有限公司 | 基于栅格检测的激光地图更新方法、终端及计算机设备 |
| CN112668653A (zh) * | 2020-12-30 | 2021-04-16 | 北京百度网讯科技有限公司 | 基于激光雷达地图的回环检测方法、装置、设备及介质 |
| CN113325435A (zh) * | 2021-05-25 | 2021-08-31 | 武汉大学 | 定位方法、装置、设备及可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108152829A (zh) * | 2017-12-22 | 2018-06-12 | 华中科技大学 | 一种加装直线导轨的二维激光雷达建图装置及其建图方法 |
| CN108550318A (zh) * | 2018-03-12 | 2018-09-18 | 浙江大华技术股份有限公司 | 一种构建地图的方法及装置 |
| US20180341022A1 (en) * | 2017-05-24 | 2018-11-29 | Beijing Green Valley Technology Co., Ltd. | Lidar-based mapping method, device and system |
| CN109682373A (zh) * | 2018-12-28 | 2019-04-26 | 中国兵器工业计算机应用技术研究所 | 一种无人平台的感知系统 |
-
2019
- 2019-05-05 CN CN201910367650.2A patent/CN110288708B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180341022A1 (en) * | 2017-05-24 | 2018-11-29 | Beijing Green Valley Technology Co., Ltd. | Lidar-based mapping method, device and system |
| CN108152829A (zh) * | 2017-12-22 | 2018-06-12 | 华中科技大学 | 一种加装直线导轨的二维激光雷达建图装置及其建图方法 |
| CN108550318A (zh) * | 2018-03-12 | 2018-09-18 | 浙江大华技术股份有限公司 | 一种构建地图的方法及装置 |
| CN109682373A (zh) * | 2018-12-28 | 2019-04-26 | 中国兵器工业计算机应用技术研究所 | 一种无人平台的感知系统 |
Non-Patent Citations (2)
| Title |
|---|
| 文国成等: "一种适用于激光SLAM大尺度地图的闭环检测方法", 《计算机应用研究》 * |
| 纪嘉文等: "一种基于多传感融合的室内建图和定位算法", 《成都信息工程大学学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102400A (zh) * | 2020-09-15 | 2020-12-18 | 上海云绅智能科技有限公司 | 基于距离的闭环检测方法、装置、电子设备和存储介质 |
| CN112102400B (zh) * | 2020-09-15 | 2022-08-02 | 上海云绅智能科技有限公司 | 基于距离的闭环检测方法、装置、电子设备和存储介质 |
| CN112380312A (zh) * | 2020-11-30 | 2021-02-19 | 重庆智行者信息科技有限公司 | 基于栅格检测的激光地图更新方法、终端及计算机设备 |
| CN112380312B (zh) * | 2020-11-30 | 2022-08-05 | 北京智行者科技股份有限公司 | 基于栅格检测的激光地图更新方法、终端及计算机设备 |
| CN112668653A (zh) * | 2020-12-30 | 2021-04-16 | 北京百度网讯科技有限公司 | 基于激光雷达地图的回环检测方法、装置、设备及介质 |
| CN113325435A (zh) * | 2021-05-25 | 2021-08-31 | 武汉大学 | 定位方法、装置、设备及可读存储介质 |
| CN113325435B (zh) * | 2021-05-25 | 2024-01-09 | 武汉大学 | 定位方法、装置、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110288708B (zh) | 2023-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110288708A (zh) | 一种地图构建方法、装置及终端设备 | |
| CN108550318B (zh) | 一种构建地图的方法及装置 | |
| CN107481292B (zh) | 车载摄像头的姿态误差估计方法和装置 | |
| CN110009718B (zh) | 一种三维高精度地图生成方法及装置 | |
| JP5452442B2 (ja) | ロボットシステム及び地図更新方法 | |
| CN111192331B (zh) | 一种激光雷达和相机的外参标定方法及装置 | |
| CN111536964A (zh) | 机器人定位方法及装置、存储介质 | |
| CN106780631B (zh) | 一种基于深度学习的机器人闭环检测方法 | |
| CN111638526B (zh) | 一种陌生环境下机器人自主建图的方法 | |
| US20220198688A1 (en) | Laser coarse registration method, device, mobile terminal and storage medium | |
| CN107742304B (zh) | 移动轨迹的确定方法及装置、移动机器人及存储介质 | |
| CN104517275A (zh) | 对象检测方法和系统 | |
| CN110749901B (zh) | 自主移动机器人及其地图拼接方法、装置和可读存储介质 | |
| CN111680747B (zh) | 用于占据栅格子图的闭环检测的方法和装置 | |
| CN110470333B (zh) | 传感器参数的标定方法及装置、存储介质和电子装置 | |
| CN116255992A (zh) | 一种同时定位与建图的方法和装置 | |
| EP3722906A1 (en) | Device motion control | |
| CN115512175A (zh) | 模型训练、点云数据处理方法、装置、设备及存储介质 | |
| CN113608170B (zh) | 雷达标定方法、雷达、机器人、介质及计算机程序产品 | |
| EP4258078A1 (en) | Positioning method and apparatus, and vehicle | |
| CN112733971A (zh) | 扫描设备的位姿确定方法、装置、设备及存储介质 | |
| CN115962773A (zh) | 一种移动机器人同步定位与地图构建方法、装置和设备 | |
| JP5953393B2 (ja) | ロボットシステム及び地図更新方法 | |
| CN113985436A (zh) | 基于slam的无人机三维地图构建与定位方法及装置 | |
| CN110705519B (zh) | 自主移动机器人及其地图拼接方法、装置和可读存储介质 |
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 |