CN111275748A - 动态环境下基于激光雷达的点云配准方法 - Google Patents
动态环境下基于激光雷达的点云配准方法 Download PDFInfo
- Publication number
- CN111275748A CN111275748A CN202010040679.2A CN202010040679A CN111275748A CN 111275748 A CN111275748 A CN 111275748A CN 202010040679 A CN202010040679 A CN 202010040679A CN 111275748 A CN111275748 A CN 111275748A
- Authority
- CN
- China
- Prior art keywords
- point
- laser
- points
- point cloud
- moment
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
本发明公开了动态环境下基于激光雷达的点云配准方法,包括如下步骤:(1)读取k时刻每个激光雷达线上的激光点云信息,并将每个激光雷达线上的激光点云进行平均划分,对每一段进行特征点筛选,从而得到k时刻对应的特征点集合;(2)基于先验信息的随机采样一致性方法迭代获取k时刻最优内点集以及转移矩阵;(3)根据最优内点集采用LM方法重新解算转移矩阵;(4)计算k时刻内点比重,根据内点比重计算得到k+1时刻解算模型参数的先验信息;进入k+1时刻,重复(1)‑(4)。在动态环境下,相对于传统ICP匹配模型,通过本发明公开的基于先验信息的配准方法能够在包含大量动态点的环境中有效提高点云配准精度和实时性。
Description
技术领域
本发明涉及动态环境下基于激光雷达的点云配准方法,属于机器人自主导航技术领域。
背景技术
同步定位与地图(SLAM,Simultaneous Localization and Mapping)技术是机器人自主导航技术领域中的一大研究热点,也是机器人实际应用中的关键技术。激光雷达不依赖于外界光照条件,是一种主动式探测传感器,且具备高精度的测距信息。激光雷达SLAM方法是机器人SLAM方法中应用最为广泛的方法之一。
目前大多激光雷达SLAM技术都针对于静态环境,即整个SLAM过程中,环境不会发生任何变化,而实际应用环境大多为动态环境,存在着移动物体的影响。机器人SLAM方法中,通常利用激光雷达扫描的点云数据进行匹配来求解位姿,而激光雷达探测到移动物体的扫描点云数据会对直接影响匹配的效果,造成较大的误差,不仅如此,移动物体会直接导致构图精度变差。
发明内容
本发明所要解决的技术问题是:提供动态环境下基于激光雷达的点云配准方法,以解决动态环境下已有的点云配准方法中容易受动态点导致定位与构图效果差的问题,从而提高激光雷达SLAM在动态环境下的点云匹配精度。
本发明为解决上述技术问题采用以下技术方案:
动态环境下基于激光雷达的点云配准方法,包括如下步骤:
步骤1,读取k时刻每个激光雷达线上的激光点云信息,并将每个激光雷达线上的激光点云平均划分为Nb段,对每一段进行特征点筛选,从而得到k时刻对应的特征点集合;
步骤2,基于先验信息的随机采样一致性方法迭代获取k时刻最优内点集以及[k+1,k]时刻之间的转移矩阵;具体过程如下:
步骤21,设置参数,包括最大迭代次数Ks,内点集内点集内点个数第l段激光点云Bk,l中的内点集内点个数内点比重阈值Tbetter,一致集一致集内点个数第l段激光点云Bk,l中的一致集内点个数一致集评分sbest,最优内点集最优内点集内点个数第l段激光点云Bk,l中的最优内点集内点个数
步骤22,获取k时刻激光点云先验点集Dk,当k=0时,每个Bk,l随机选取一个激光点,构成先验点集D0;当k≠0时,根据k-1时刻计算得到解算模型参数的先验点集Dk;令迭代次数K=0;
步骤23,在先验点集Dk中随机抽样3个点,记为a、b、c,通过kNN算法在Pk+1中搜索与a最邻近的点a′、与b最邻近的点b′、与c最邻近的点c′,组成3个点对,Pk+1为k+1时刻对应的特征点集合,利用SVD方法计算[k+1,k]时刻之间的转移矩阵Tk+1,k;
步骤24,对于k时刻对应的特征点集合Pk={pk,r},预测k+1时刻各特征点pk,r的坐标通过kNN算法在Pk+1中搜索与pk,r最邻近的点,其坐标记为xk+1,r,计算xk+1,r到的欧式距离dk,r,设置距离阈值L1,若dk,r>L1,则将点pk,r加入并更新
步骤4,计算k时刻Bk,l中内点比重,根据Bk,l中内点比重计算得到k+1时刻解算模型参数的先验信息,包括先验点集Dk+1和先验采样概率pk+1,l;
步骤5,进入k+1时刻,重复步骤1-步骤4。
作为本发明的一种优选方案,所述步骤1的具体过程如下:
步骤11,记si为k时刻激光点云信息Sk的第i线激光点云,Sk={si},1≤i≤Na,Na为激光雷达线数,将si平均划分为Nb段,则Sk被划分为Na×Nb段,记Bk,l为Sk的第l段激光点云,l=1,2,...,Na×Nb;
步骤12,计算第i线激光点云中每个激光点的曲率,筛选出Bk,l中曲率最大的2个点和曲率最小的4个点作为Bk,l的特征点,则k时刻对应的特征点集合为Pk={pk,r},1≤r≤Nk,Nk为特征点总数,Nk=6×Na×Nb。
作为本发明的一种优选方案,步骤12所述第i线激光点云中每个激光点的曲率,计算公式为:
其中,ci,d为第i线激光点云中第d个激光点的曲率,第i线激光点云中第d个激光点的曲率由第d个激光点的前5个点和后5个点的坐标得到,S=10,xi,d为第i线激光点云中第d个激光点的坐标,xi,e为第d个激光点的前5个点和后5个点中任意一个点的坐标。
作为本发明的一种优选方案,步骤24所述预测k+1时刻各特征点pk,r的坐标,公式为:
作为本发明的一种优选方案,所述步骤3的具体过程如下:
计算d关于Tk+1,k的雅可比矩阵J:
步骤32,通过非线性迭代,最小化d为0,根据以下公式更新Tk+1,k:
Tk+1,k←Tk+1,k-(JTJ+λdiag(JTJ))-1JTd
其中,λ为由Levenberg-Marquardt方法确定的因子。
作为本发明的一种优选方案,所述步骤4的具体过程如下:
Dk+1,l=Na×Nb×pk+1,l
其中,pk+1,l为k+1时刻从Bk+1,l中采样一个点的先验采样概率,Na×Nb为k时刻激光点云信息Sk被划分的段数,Dk+1,l为k+1时刻第l段激光点云的先验点集,Dk+1为k+1时刻先验点集。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明提供一种动态环境下的激光雷达点云配准方法,解决了动态环境下已有的点云配准方法中容易受动态点导致定位与构图效果差的问题。通过本发明方法,可以提高激光雷达SLAM在动态环境下的点云匹配精度。
2、通过本发明基于先验信息的配准方法能够在包含大量动态点的环境中有效提高点云配准精度和实时性。
附图说明
图1是本发明动态环境下基于激光雷达的点云配准方法的流程示意图。
图2是本发明基于先验信息的随机采样一致性方法迭代获取k时刻最优内点集及转移矩阵的流程示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
如图1所示,为本发明动态环境下基于激光雷达的点云配准方法的流程示意图,其具体步骤如下:
步骤1:进行激光雷达点云划分和特征提取,具体方法如下:
步骤11,周期读取k时刻的激光点云信息Sk并进行点云划分:
记si为Sk的第i线激光点云,Sk={si},1≤i≤Na,i按照激光雷达线垂直角度从小到大依次递增,Na为激光雷达线数。将si平均分为Nb段,Sk将被划分为Na×Nb段,记Bk,l为Sk的第l段激光点云,l=1,2,...,Na×Nb。
步骤12,检测Sk中每个Bk,l的特征点:
计算每个激光点的曲率c:
其中,xi,d,xi,e分别表示k时刻第i线上不同两点的坐标,S选取10,表示该激光点位于同一激光线根据时间戳顺序前后各5个点。筛选出Bk,l曲率最大的2个点(作为角特征点)和曲率最小的4个点(作为平面特征点)为特征点。记特征点的集合为Pk={pk,r},r=1,2,...,Nk,Nk为特征点总数,Nk=6×Na×Nb,记xk,r为特征点pk,r在全局系下的坐标。记初始时刻雷达坐标系为全局系,记雷达坐标系的X,Y,Z轴分别为激光雷达的前向、右向、下向。
步骤2:基于先验信息的随机采样一致性方法迭代获取最优内点集,具体方法如图2所示:
步骤21,设置参数并进行初始化:
记Ks为最大迭代次数,K为迭代次数。记为内点集(认定为静态点),为内点集内点个数,为Bk,l中的内点集内点个数,Tbetter为内点比重阈值。记为一致集,为一致集内点个数,为Bk,l中的一致集内点个数,sbest为一致集评分。记为最优内点集,为最优内点集内点个数,为Bk,l中的最优内点集内点个数。
步骤22,筛选k时刻雷达先验采样数据集:
k=0时,每个Bk,l随机选取一个激光点,构成点集D0。k≠0时,根据上一时刻步骤4计算得到解算模型参数的先验点集Dk。
步骤23,根据先验采样数据集解算模型参数:
在点集Dk随机抽样3个点,通过k最近邻算法(k-NearestNeighbor,kNN)在Pk+1中搜索与之邻近的3个点组成3个点对,利用奇异值分解(Singular Value Decomposition,SVD)方法计算[k+1,k]时刻采样之间的转换矩阵记为Tk+1,k=[tx,ty,tz,θx,θy,θz]T。其中,tx,ty,tz分别是沿着雷达系的x,y,z轴的平移,θx,θy,θz是旋转角度,旋转方向遵循右手法则。
步骤24,根据激光点与模型的欧氏距离筛选内点集:
其中,Tk+1,k(1:3)是Tk+1,k前三列向量,Rk+1,k是由罗德里格斯公式定义的一个旋转矩阵:
步骤25,根据内点比重筛选一致集:
步骤26,根据内点分布情况筛选最优内点集:
记内点分布的权重协方差矩阵为C,计算公式如下:
步骤27,更新迭代次数并判断是否满足终止条件:
迭代的同时不断更新迭代次数K,如果K<Ks,则跳转至步骤23,直到满足终止条件,如果K>Ks,将直接停止迭代。Ks的计算公式如下:
其中,记μ为采样Ks次都至少包含一个非地面点的概率。记pk,l为k时刻从Bk,l中采样一个点的概率,k=0时k≠0时,pk,l根据步骤(4)得到先验采样概率。记为k时刻Bk,l中内点比率,计算公式如下:
步骤3:根据最优内点集采用LM(列文伯格-马夸尔特算法)算法重新解算转移矩阵,具体方法如下:
其中,f中的每一行对应一个特征点坐标信息,d包含了所有的对应距离。计算d关于Tk+1,k的雅可比矩阵,记为J:
步骤32,通过非线性迭代,最小化d为0,根据以下公式更新Tk+1,k。
Tk+1,k←Tk+1,k-(JTJ+λdiag(JTJ))-1JTd (12)
其中,λ是由Levenberg-Marquardt方法确定的因子。
步骤4:计算k时刻内点比重,得到k+1时刻解算模型参数的先验信息,具体方法如下:
步骤41,将k时刻Bk,l的内点比重映射到[δ,1],以确保每一个Bk,l均有采样的几率:
其中,0<δ<1。
步骤42,根据内点分布获得k+1时刻采样数据集:
记pk+1,l为k+1时刻从Bk+1,l中采样一个点的概率,记Dk+1为根据pk+1,l从Bk+1,l中取整抽样数据集。
Dk+1,l=Na×Nb×pk+1,l (15)
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (6)
1.动态环境下基于激光雷达的点云配准方法,其特征在于,包括如下步骤:
步骤1,读取k时刻每个激光雷达线上的激光点云信息,并将每个激光雷达线上的激光点云平均划分为Nb段,对每一段进行特征点筛选,从而得到k时刻对应的特征点集合;
步骤2,基于先验信息的随机采样一致性方法迭代获取k时刻最优内点集以及[k+1,k]时刻之间的转移矩阵;具体过程如下:
步骤21,设置参数,包括最大迭代次数Ks,内点集内点集内点个数第l段激光点云Bk,l中的内点集内点个数内点比重阈值Tbetter,一致集一致集内点个数第l段激光点云Bk,l中的一致集内点个数一致集评分sbest,最优内点集最优内点集内点个数第l段激光点云Bk,l中的最优内点集内点个数
步骤22,获取k时刻激光点云先验点集Dk,当k=0时,每个Bk,l随机选取一个激光点,构成先验点集D0;当k≠0时,根据k-1时刻计算得到解算模型参数的先验点集Dk;令迭代次数K=0;
步骤23,在先验点集Dk中随机抽样3个点,记为a、b、c,通过kNN算法在Pk+1中搜索与a最邻近的点a′、与b最邻近的点b′、与c最邻近的点c′,组成3个点对,Pk+1为k+1时刻对应的特征点集合,利用SVD方法计算[k+1,k]时刻之间的转移矩阵Tk+1,k;
步骤24,对于k时刻对应的特征点集合Pk={pk,r},预测k+1时刻各特征点pk,r的坐标通过kNN算法在Pk+1中搜索与pk,r最邻近的点,其坐标记为xk+1,r,计算xk+1,r到的欧式距离dk,r,设置距离阈值L1,若dk,r>L1,则将点pk,r加入并更新
步骤4,计算k时刻Bk,l中内点比重,根据Bk,l中内点比重计算得到k+1时刻解算模型参数的先验信息,包括先验点集Dk+1和先验采样概率pk+1,l;
步骤5,进入k+1时刻,重复步骤1-步骤4。
2.根据权利要求1所述动态环境下基于激光雷达的点云配准方法,其特征在于,所述步骤1的具体过程如下:
步骤11,记si为k时刻激光点云信息Sk的第i线激光点云,Sk={si},1≤i≤Na,Na为激光雷达线数,将si平均划分为Nb段,则Sk被划分为Na×Nb段,记Bk,l为Sk的第l段激光点云,l=1,2,...,Na×Nb;
步骤12,计算第i线激光点云中每个激光点的曲率,筛选出Bk,l中曲率最大的2个点和曲率最小的4个点作为Bk,l的特征点,则k时刻对应的特征点集合为Pk={pk,r},1≤r≤Nk,Nk为特征点总数,Nk=6×Na×Nb。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010040679.2A CN111275748B (zh) | 2020-01-15 | 2020-01-15 | 动态环境下基于激光雷达的点云配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010040679.2A CN111275748B (zh) | 2020-01-15 | 2020-01-15 | 动态环境下基于激光雷达的点云配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275748A true CN111275748A (zh) | 2020-06-12 |
CN111275748B CN111275748B (zh) | 2023-04-07 |
Family
ID=71002170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010040679.2A Active CN111275748B (zh) | 2020-01-15 | 2020-01-15 | 动态环境下基于激光雷达的点云配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275748B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084875A (zh) * | 2020-08-11 | 2020-12-15 | 南京航空航天大学 | 一种多激光雷达坐标系统一方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204611A (zh) * | 2016-07-19 | 2016-12-07 | 中国科学院地理科学与资源研究所 | 一种基于HASM模型的LiDAR点云数据处理方法及装置 |
CN107991680A (zh) * | 2017-11-21 | 2018-05-04 | 南京航空航天大学 | 动态环境下基于激光雷达的slam方法 |
EP3349041A1 (en) * | 2017-01-17 | 2018-07-18 | Delphi Technologies LLC | Object detection system |
CN110223379A (zh) * | 2019-06-10 | 2019-09-10 | 于兴虎 | 基于激光雷达的三维点云重建方法 |
-
2020
- 2020-01-15 CN CN202010040679.2A patent/CN111275748B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204611A (zh) * | 2016-07-19 | 2016-12-07 | 中国科学院地理科学与资源研究所 | 一种基于HASM模型的LiDAR点云数据处理方法及装置 |
EP3349041A1 (en) * | 2017-01-17 | 2018-07-18 | Delphi Technologies LLC | Object detection system |
CN107991680A (zh) * | 2017-11-21 | 2018-05-04 | 南京航空航天大学 | 动态环境下基于激光雷达的slam方法 |
CN110223379A (zh) * | 2019-06-10 | 2019-09-10 | 于兴虎 | 基于激光雷达的三维点云重建方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084875A (zh) * | 2020-08-11 | 2020-12-15 | 南京航空航天大学 | 一种多激光雷达坐标系统一方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111275748B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345574B (zh) | 基于语义点云配准的激光雷达三维建图方法 | |
CN109682382B (zh) | 基于自适应蒙特卡洛和特征匹配的全局融合定位方法 | |
CN107688665B (zh) | 一种室内地图自动构建方法、装置及存储介质 | |
CN103488972B (zh) | 基于深度信息的指尖检测方法 | |
CN107703480B (zh) | 基于机器学习的混合核函数室内定位方法 | |
CN110930495A (zh) | 基于多无人机协作的icp点云地图融合方法、系统、装置及存储介质 | |
CN110866934B (zh) | 基于规范性编码的复杂点云分割方法及系统 | |
CN111340875B (zh) | 一种基于三维激光雷达的空间移动目标检测方法 | |
CN112070770B (zh) | 一种高精度三维地图与二维栅格地图同步构建方法 | |
CN113432600A (zh) | 基于多信息源的机器人即时定位与地图构建方法及系统 | |
CN110986956B (zh) | 一种基于改进的蒙特卡洛算法的自主学习全局定位方法 | |
CN110533726B (zh) | 一种激光雷达场景三维姿态点法向量估计修正方法 | |
CN109242019B (zh) | 一种水面光学小目标快速检测与跟踪方法 | |
WO2021082380A1 (zh) | 一种基于激光雷达的托盘识别方法、系统和电子设备 | |
CN114526745A (zh) | 一种紧耦合激光雷达和惯性里程计的建图方法及系统 | |
CN116538996B (zh) | 基于激光雷达的地形测绘系统及方法 | |
CN107832778A (zh) | 一种基于空间综合相似度的相同目标识别方法 | |
CN112861341A (zh) | 一种结合形状和环境特征的多尺度面要素匹配方法及系统 | |
CN111275748B (zh) | 动态环境下基于激光雷达的点云配准方法 | |
CN117053779A (zh) | 一种基于冗余关键帧去除的紧耦合激光slam方法及装置 | |
CN116758153A (zh) | 用于机器人精准位姿获取的基于多因子图的后端优化方法 | |
CN113759928B (zh) | 用于复杂大尺度室内场景的移动机器人高精度定位方法 | |
CN113554705B (zh) | 一种变化场景下的激光雷达鲁棒定位方法 | |
Guo et al. | 3D Lidar SLAM Based on Ground Segmentation and Scan Context Loop Detection | |
CN114374931A (zh) | 基于近邻成分分析的度量学习的指纹定位方法 |
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 |