CN112014857B - 用于智能巡检的三维激光雷达定位导航方法及巡检机器人 - Google Patents

Abstract

本发明公开了一种用于智能巡检的三维激光雷达定位导航方法S1：通过激光雷达获取待巡检区域的原始点云数据，并建立的全局点云地图；S2：将全局点云地图转化为栅格地图，根据预设的巡查点进行全局路径规划，获取最优巡检路径；S3：预估得到初始位置并获取其初始点云数据，将初始点云数据与全局点云地图进行匹配，得到基于全局地图坐标系的初始定位值；S4：通过实时获取的当前帧点云数据和全局点云地图匹配，获取当前巡检位姿。由于本发明利用了三维激光雷达实现本方法，能够良好地实现对环境的三维感知、自主路径规划和定位导航功能，提高巡检机器人巡检精度；无需采用GPS定位导航，抗电磁干扰能力强。

Description

用于智能巡检的三维激光雷达定位导航方法及巡检机器人

技术领域

本发明属于巡检机器人领域，尤其涉及用于智能巡检的三维激光雷达定位导航方法及巡检机器人。

背景技术

随着科技的进步，巡检机器人在工业、军事、日常生活中发挥了越来越重要的作用，代替人工完成园区安防、特殊高危工作场景巡检、野外侦查等任务。要想自主完成巡查安防等任务，高精度的定位导航是基础。

目前，现有技术中，巡检机器人的定位导航方式主要分为有轨式和无轨式。有轨式包括磁导轨和悬轨导航，这两种方式定位精度高，但是需要提前铺设轨道，变换巡检路线困难，灵活性差。而无轨式的定位导航方式则无需提前铺设导轨，可灵活变换巡检路线。在无轨式定位导航方法中，传统采用的是GPS或者北斗等全球定位卫星来获得机器人的位置，这种方法定位精度较低，并且在一些环境下易受电磁干扰而出现信号丢失无法定位的情况。

对于高精度的定位，目前多采用的是通过视觉或者激光雷达进行环境感知来实现对机器人的定位。然而视觉传感器易受环境光照的影响，在一些曝光较强或者低亮度的情境下会出现定位丢失的情况。而二维激光雷达只能获得某一高度的环境二维信息，并不能有效描述三维的环境空间，从而会影响到定位精度。

发明内容

本发明的技术目的是提供一种用于智能巡检的三维激光雷达定位导航方法包括如下步骤：

S1：通过激光雷达获取待巡检区域的原始点云数据，并根据原始点云数据建立待巡检区域的全局点云地图；

S2：将全局点云地图转化为栅格地图，并且基于栅格地图，根据预设的巡查点进行全局路径规划，获取最优巡检路径；

S3：预估得到初始位置并获取其初始点云数据，将所述初始点云数据与所述全局点云地图进行匹配，得到基于全局地图坐标系的初始定位值；

S4：将实时获取的当前时间帧的点云数据和全局点云地图进行匹配，获取当前巡检位姿，根据初始定位值和当前巡检位姿得到全局点云地图内的当前位置。

其中，在步骤S1中，根据原始点云数据建立待巡检区域的全局点云地图进一步包括如下步骤：

A1：对原始点云数据进行预处理，得到预处理后的点云优化数据；

A2：对点云优化数据进行点云匹配，并基于运动估计算法得到相邻时间帧的位姿转换关系；

A3：根据相邻时间帧的位姿转换关系依次将对应的点云优化数据拼接得到全局点云地图；

A4：基于点云优化数据，提取得到高层次的点云特征信息，根据高层次的点云特征信息建立图优化模型对位姿和全局点云地图进行修正，得到高精度的全局点云地图。

具体地，在步骤A1中，对原始点云数据进行预处理得到预处理后的点云优化数据，进一步包括如下步骤：

A11：对原始点云数据进行滤波操作，滤除距离过远的稀疏点云，得到滤波点云数据；

A12：对滤波点云数据进行下采样和野值点滤除，得到点云优化数据。

其中，在步骤S2中，将全局点云地图转化为栅格地图，进一步包括如下步骤：

B1：将全局点云地图转化为八叉图；

B2：根据智能巡检预设的可越障高度和可通过高度，将八叉图转化为二维栅格图，其中，二维栅格图的地图信息包括待巡检区域的通行区域和禁行区域。

具体地，在步骤S2中，根据预设的巡查点进行全局路径规划，获取最优巡检路径进一步包括如下步骤：

基于估值函数F＝G+H对栅格地图进行启发式搜索，获取最优巡检路径；

其中，G为上一预设巡检点到当前位置的实际代价，H为当前位置到下一预设巡检点的估计代价，最优巡检路径为F值取的最小值时所对应的移动路径，若基于巡检要求顺序相邻的预设巡检点之间的连线不经过禁行区域，则基于巡检要求顺序相邻的预设巡检点之间的最优路径为两点之间的直线连线。

进一步优选地，在步骤S4中，通过实时获取的当前时间帧的点云数据和全局点云地图匹配获取当前巡检位姿，进一步包括如下步骤：

C1：将全局点云地图离散划分为若干体素，并计算若干体素的正态分布参数，得到若干体素所对应的均值和协方差；

C2：根据上一时间帧的位姿得到当前时间帧的预估变换矩阵；

C3：将当前时间帧的点云数据中的各个点云转化到全局地图坐标系中，通过正态分布的概率计算方法，得到相对应的正态分布概率；

C4：计算好所有的正态分布概率，得到一个联合概率，即为优化目标函数；

C5：对联合概率通过极大似然估计进行计算，得到最优变换矩阵，基于最优变换矩阵得到全局点云地图内的当前巡检位姿，其中，极大似然估计采用取负对数方法，并通过非线性优化算法求解。

其中，上述计算公式具体如下，

联合概率的计算公式为：

极大似然估计的计算公式为：T^*＝argmax_Tp；

对联合概率进行极大似然估计采用取负对数的方法，推导出的最优变换矩阵计算公式为：

其中，

T为预估变换矩阵，T^*为最优变换矩阵，x为当前时间帧的点云，μ_i为点云x在体素i所对应的均值，∑_i为点云x在体素i所对应的协方差，i为区分不同体素的编号。

进一步优选地，在步骤S4中，还包括：通过测距装置实时检测周围障碍物信息，以配合扫描装置扫描不同的待巡检区域，从而实时调整巡检机器人巡检路线。

一种巡检机器人包括：

扫描装置：用于扫描不同的待巡检区域，得到不同待巡检区域的原始点云数据、在巡检过程中的实时点云数据和毫米波雷达数据；

地图构建模块：用于对原始点云数据进行特征提取得到点云优化数据，对点云优化数据依次进行逐帧匹配、拼接以及修正，得到待巡检区域的全局点云地图；

路线规划模块：用于将全局点云地图转化为栅格地图，基于预设巡检点采用全局路径规划算法在栅格地图中自主规划出最优巡检路径；

定位处理模块：用于将实时点云数据与全局点云地图进行匹配，得到最优变换矩阵，基于最优变换矩阵，得到巡检机器人的当前位姿；

巡检处理模块：用于根据当前位姿和最优巡检路径实时调整巡检机器人巡检路线，实现智能巡检。

具体地，扫描装置包括三维激光雷达和毫米波雷达；

三维激光雷达用于获取原始点云数据和实时点云数据；

毫米波雷达用于检测周围障碍物信息，配合三维激光雷达进行扫描。

其中，地图构建模块包括：点云匹配里程计和地面检测节点，点云匹配计接收点云优化数据用于构建全局点云地图，地面检测节点接收点云优化数据处理得到地面参数，用以对全局点云地图进行优化。

本发明由于采用以上技术方案，使其与现有技术相比具有以下的优点和积极效果：由于本发明提供一种巡检定位导航方法及巡检机器人，利用了三维激光雷达以实现本方法，能够良好地实现对环境的三维感知、自主路径规划和定位导航功能；

本发明通过对得到的原始点云数据进行处理，对点云优化数据依次进行逐帧匹配、拼接以及修正等步骤，从而得到高精度的全局点云地图，并将三维的全局点云地图转换为二维栅格图，能有效描述三维的环境空间，提高巡检机器人巡检精度；

本发明将全局点云地图转化为栅格地图，基于预设巡检点采用全局路径规划算法在栅格地图中自主规划出最优巡检路径，无需采用GPS定位导航，抗电磁干扰能力强。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。

图1为本发明的一种用于智能巡检的三维激光雷达定位导航方法的步骤示意图；

图2为本发明的一种用于智能巡检的三维激光雷达定位导航方法的获取当前位姿的步骤示意图；

图3为本发明的一种用于智能巡检的三维激光雷达定位导航方法框架示意图；

图4为本发明的一种用于智能巡检的三维激光雷达定位导航方法流程示意图；

图5为本发明一种实施例的巡检机器人框架示意图；

图6为本发明构建一种实施例的全局点云地图的示例图；

图7为本发明构建一种实施例的栅格地图和自主规划的路线结果示例图。

附图标记说明

1：扫描装置；11：三维激光雷达；12：毫米波雷达；2：地图构建模块；21：点云里程计；22：底面检测节点；3：路线规划模块；4：定位处理模块；5：巡检处理模块。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。

为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。

以下结合附图和具体实施例对本发明提出的一种巡检定位导航方法及巡检机器人作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。

实施例1

参看图1，本实施例提供一种用于智能巡检的三维激光雷达定位导航方法包括如下步骤：

S1：通过激光雷达获取待巡检区域的原始点云数据，并根据原始点云数据建立待巡检区域的全局点云地图；

S2：将全局点云地图转化为栅格地图，并且基于栅格地图，根据预设的巡查点进行全局路径规划，获取最优巡检路径；

S3：预估得到初始位置并获取其初始点云数据，将所述初始点云数据与所述全局点云地图进行匹配，得到基于全局地图坐标系的初始定位值；

S4：将实时获取的当前时间帧的点云数据和全局点云地图进行匹配，获取当前巡检位姿，根据初始定位值和当前巡检位姿得到全局点云地图内的当前位置。

现对本实施例进行详细说明：

参看图1、图3和图4，在本实施例中，步骤S1具体为：首先需要建立所需要巡检区域的全局点云地图，本实施例采用的机器人导航硬件包括三维激光雷达，毫米波雷达，三维激光雷达用来获取三维点云数据，用于地图的构建和通过点云配准提供定位信息，毫米波雷达用于探测前方障碍。导航系统采用机器人操作系统ROS，在上面搭建定位导航框架完成算法实现。本实施例也可以通过其他机器人软件系统加以实施，本实施例采用ROS系统仅作为一种示例性实现方式，而非旨在对其进行限制。

通过高精度的三维激光雷达扫描待巡检区域，即通过连续拍摄获得若干不同的外部待巡检区域的原始点云数据，每一时间帧的原始点云数据各不相同，用于区分不同巡逻区域，其中，当巡逻机器人移动到指定预设巡检点时得到的原始点云数据标记出来，为后续自主路径规划提供基准，不同预设巡检点之间存在先后位置关系。对上述得到原始点云数据还需进行滤波等处理，得到滤波点云数据，对滤波点云数据进行下采样和野值点滤除，得到点云优化数据，滤波处理具体过程包括：遍历所有原始点云数据，若任意一个原始点云数据内的一点对应的欧氏距离在规定的范围里，则不滤除得以保留；下采样采用Voxel Grid或Approximate Voxel Grid的方法，利用划定的正方体内的质心或中心代替整个正方体内的点，从而实现降采样；野值的剔除采用的是RadiusOutlierRemoval，该方法是遍历整个滤波点云数据，对于任意一个滤波点云数据内的每一个点计算其欧式距离dist，得到欧式距离dist小于给定半径的点的数量，若该数量超过预设值，则认为该滤波点云数据不是野值点。

接着，将点云优化数据分别给到点云里程计和地面检测节点，点云里程计用于计算连续两时间帧之间的相对运动；地面检测节点用于检测到计算连续两时间帧的地面参数，最后构建出全局点云地图。

其中，点云里程计采用正态分布的形式来拟合分析点云优化数据的局部特性并获得之间的变换关系，即点云配准，从而获得连续两帧时间内激光雷达的运动，通过初始位姿估计方法对首个点云数据进行计算得到初始估计位姿值，通过回环计算不断更新位姿值，通过运动估计算法得到相邻时间帧的位姿转换关系，并根据位姿转换关系依次将对应的点云优化数据拼接得到全局点云地图。

回环计算具体如下：从历史关键帧中寻找当前帧相似的场景，即定义为可能的回环，然后对可能的回环与当前帧进行点云配准，从而形成回环，减小累积误差。在寻找可能回环(candidates)的时候，主要遵循两个原则：第一个准则是两个关键帧之间的运动距离大于某一个阈值，这一标准通常意味着从时序上比较相近的关键帧不是我们需要检测的回环。例如，在当前时刻有一个关键帧k1，1s后又有一个关键帧k2，关键帧k1和k2点云可能比较相似，这一标准可以避免将误检测为回环关键帧。第二个准则是两个关键帧之间估计的位移小于某一个阈值。

与此同时，地面检测节点用于进行地面检测，通过地面检测节点可以获取某点的地面特征，以及到该点的相对位移量。具体操作如下：首先根据刚性链接假设，认为激光雷达与地面的距离在某一个阈值范围内，从而滤出掉过高或过低的点云。然后估计每一个点的法向量，并滤出那些与地面法向量夹角过大如垂直的点云。最后剩下的点云就是地面以及地面附近的扫描点，然后利用RANSAC算法就可以将地面提取出来，每当有一新的时间帧所对应的激光雷达数据时，检测一下地面特征，然后根据检测的地面特征，对此时的位姿相关数据进行修正，提高建图的精度。

通过上述点云里程计逐帧匹配，将拍摄区域相近的点云优化数据进行拼接，得到全局点云地图。另外还需地面检测节点将提取得到高层次的点云特征信息即地面信息，实现全局范围的闭环检测，建立图优化模型并对位姿和全局点云地图进行修正，得到高精度的全局点云地图。最后，将得到的高精度的全局点云地图保存至数据库中，以保障后续步骤正常运作。

参看图1和图3，步骤S2具体为：全局点云地图构建完成后，按照分布密度和设置的分辨率转化为用占据概率描述的八叉树图，然后根据实际可越障高度和可通过高度将八叉图再转化为二维栅格图，二维栅格图能描述出巡检机器人通行区域和禁行区域。

得到二维栅格图后，基于上述提到的预设巡检点进行自主的全局路径规划。在全局路径规划前会先指定初始位置、终止位置以及当前位置，然后基于估值函数进行启发式搜索，估值函数的公式如下：F＝G+H，其中，G为初始位置到当前位置的实际代价，初始位置即为当前位置的上一巡检点，H为当前位置到终点位置的估计代价，终点位置即为当前位置的下一巡检点，F就是G和H的总和，最优路径也就是选择最小的F值，从而进行下一步移动。其中，为减少搜索时间，如果两个巡检点的连线不经过禁行区域，则两个巡检点的路径即为两点之间的连线。

为了保证找到最短路径(最优解的)，关键在于估价函数H的选取：估价值H不大于该点到终点的距离实际值，这种情况下，搜索的点数多，搜索范围大，效率低。但能得到最优解。如果估价值大于实际值，搜索的点数少，搜索范围小，效率高，但不能保证得到最优解。估价值与实际值越接近，估价函数取得就越好。其主要搜索过程：创建两个表，OPEN表保存所有已生成而未考察的节点，CLOSED表中记录已访问过的节点。遍历当前节点的各个节点，将当前节点放入CLOSE中，取该节点的子节点算估价值。最后，将得到的最优的可通行路径保存至数据库中，以在巡检机器人工作时实时调用。

步骤S3具体为：定一点作为该巡检机器人的最初起始点，并获取该点的点云数据作为初始点云数据，与步骤S1的方法相同，基于本步骤的初始点云数据通过初始位姿估计方法得到初始估计位姿值，基于该初始估计位姿值将初始点云数据与全局点云地图进行匹配，得到基于全局地图坐标系的初始定位值，其中，全局地图坐标系是为构建全局点云地图前所设置的坐标系，在此不作展开。

参看图1和图6和图7，在本实施例中，步骤S4具体为：通过上文提到的自主路径规划，可获得了一条最优的可通行路径，进而需要得到巡检机器人在带巡检区域的定位信息，从而实现自主跟踪路径的功能。该定位方式是通过利用三维激光雷达获得当前位置的实时点云数据与全局点云地图进行点云配准，从而获得当前机器人的位姿。首先将全局点云地图离散划分为若干大小设置好的体素，将全局点云地图划分到不同的体素中来描述各体素中点云的局部特性。点云配准实际就是要获得当前点云数据与全局点云地图之间的最优变换矩阵。

基于根据上一时间帧的位姿得到当前时间帧的预估变换矩阵，得到预估变换矩阵T。将当前时间帧的点云数据中的各个点云通过预估变换矩阵T转化到全局地图坐标系中，通过正态分布的概率计算方法，得到相对应的正态分布概率，即各个点云通过预估变换矩阵T落在相应分割好的体素里的正态分布概率密度。在计算好所有的坐标点的概率后，可以得到这样一个联合概率：

对该联合概率作极大似然估计，极大似然估计基础公式如下：

T^*＝argmax_Tp

接着采用对联合概率这一目标函数取负对数进行极大似然估计，就可以将上式转化为：

其中，T为预估变换矩阵，T^*为最优变换矩阵，x为当前时间帧中的点云，μ_i,∑_i分别为点云x在体素i内正态分布均值和协方差矩阵，i为体素标号。

利用非线性优化算法可求解上式，得到变换矩阵的最优解，根据得到的最优变换矩阵从而获得了当前巡检机器人的位姿，根据步骤S3的初始定位值和当前巡检位姿得到在全局点云地图内的当前位置，从而实现定位。

最后还通过测距装置实时检测周围障碍物信息，以配合所述扫描装置扫描不同的待巡检区域，从而实时调整巡检机器人巡检路线。

实施例2

参看图5，一种巡检机器人包括：

扫描装置1：用于扫描不同的待巡检区域，得到不同待巡检区域的原始点云数据、当前位置的实时点云数据和毫米波雷达数据。具体地，扫描装置1包括三维激光雷达11和毫米波雷达12；三维激光雷达11用于获取原始点云数据和实时点云数据；毫米波雷达12用于检测周围障碍物信息，配合三维激光雷达11进行扫描。利用了三维激光雷达11以实现本实施例，能够良好地实现对环境的三维感知、自主路径规划和定位导航功能。

地图构建模块2：用于对原始点云数据进行特征提取得到点云优化数据，对点云优化数据依次进行逐帧匹配、拼接以及修正，得到待巡检区域的全局点云地图。其中，地图构建模块2包括：点云里程计21和地面检测节点22，点云里程计21接收点云优化数据用于构建全局点云地图，地面检测节点22接收点云优化数据处理得到地面参数，用以对全局点云地图进行优化。过对得到的原始点云数据进行处理，对点云优化数据依次进行逐帧匹配、拼接以及修正等步骤，从而得到高精度的全局点云地图。

路线规划模块3：用于将全局点云地图转化为栅格地图，基于预设巡检点采用全局路径规划算法在栅格地图中自主规划出最优巡检路径。将三维的全局点云地图转换为二维栅格图，能有效描述三维的环境空间，提高巡检机器人巡检精度。此外，基于预设巡检点采用全局路径规划算法在栅格地图中自主规划出最优巡检路径，无需采用GPS定位导航，抗电磁干扰能力强

定位处理模块4：用于将实时点云数据与全局点云地图进行匹配，得到最优变换矩阵，基于最优变换矩阵，得到巡检机器人的当前位姿；

巡检处理模块5：用于根据当前位姿和最优巡检路径实时调整巡检机器人巡检路线，实现智能巡检。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式。即使对本发明作出各种变化，倘若这些变化属于本发明权利要求及其等同技术的范围之内，则仍落入在本发明的保护范围之中。

Claims (10)

1.一种用于智能巡检的三维激光雷达定位导航方法，其特征在于，包括如下步骤：

S1：通过激光雷达获取待巡检区域的原始点云数据，并根据所述原始点云数据建立所述待巡检区域的全局点云地图；

S2：将所述全局点云地图转化为栅格地图，并且基于所述栅格地图，根据预设的巡查点进行全局路径规划，获取最优巡检路径；

S3：预估得到初始位置并获取其初始点云数据，将所述初始点云数据与所述全局点云地图进行匹配，得到基于全局地图坐标系的初始定位值；

S4：将实时获取的当前时间帧的点云数据和所述全局点云地图进行匹配，获取当前巡检位姿，根据所述初始定位值和所述当前巡检位姿得到所述全局点云地图内的当前位置；

其中，在所述步骤S1中，所述根据所述原始点云数据建立所述待巡检区域的全局点云地图进一步包括如下步骤：

A1：对所述原始点云数据进行预处理，得到预处理后的点云优化数据；

A2：对所述点云优化数据进行点云配准，并基于运动估计算法得到相邻时间帧的位姿转换关系；

A3：根据相邻时间帧的所述位姿转换关系依次将对应的所述点云优化数据拼接得到所述全局点云地图；

A4：基于所述点云优化数据，提取得到高层次的点云特征信息，根据高层次的所述点云特征信息建立图优化模型对位姿和所述全局点云地图进行修正，得到高精度的所述全局点云地图。

2.根据权利要求1所述的用于智能巡检的三维激光雷达定位导航方法，其特征在于，在所述步骤A1中，所述对所述原始点云数据进行预处理得到预处理后的点云优化数据，进一步包括如下步骤：

A11：对所述原始点云数据进行滤波操作，滤除距离过远的稀疏点云，得到滤波点云数据；

A12：对所述滤波点云数据进行下采样和野值点滤除，得到所述点云优化数据。

3.根据权利要求1所述的用于智能巡检的三维激光雷达定位导航方法，其特征在于，在所述步骤S2中，所述将所述全局点云地图转化为栅格地图，进一步包括如下步骤：

B1：将所述全局点云地图转化为八叉图；

B2：根据智能巡检预设的可越障高度和可通过高度，将所述八叉图转化为二维栅格图，其中，所述二维栅格图的地图信息包括待巡检区域的通行区域和禁行区域。

4.根据权利要求1所述的用于智能巡检的三维激光雷达定位导航方法，其特征在于，在所述步骤S2中，所述根据预设的巡查点进行全局路径规划，获取最优巡检路径进一步包括如下步骤：

基于估值函数F＝G+H对所述栅格地图进行启发式搜索，获取最优巡检路径；

其中，G为上一所述预设巡检点到当前位置的实际代价，H为当前位置到下一所述预设巡检点的估计代价，所述最优巡检路径为所述F值取的最小值时所对应的移动路径，若基于巡检要求顺序相邻的所述预设巡检点之间的连线不经过所述禁行区域，则基于巡检要求顺序相邻的所述预设巡检点之间的最优路径为两点之间的直线连线。

5.根据权利要求1所述的用于智能巡检的三维激光雷达定位导航方法，其特征在于，在所述步骤S4中，所述通过实时获取的当前时间帧的点云数据和所述全局点云地图匹配获取当前巡检位姿，进一步包括如下步骤：

C1：将所述全局点云地图离散划分为若干体素，并计算若干所述体素的正态分布参数，得到若干所述体素所对应的均值和协方差；

C2：根据上一时间帧的位姿得到当前时间帧的预估变换矩阵；

C3：将当前时间帧的所述点云数据中的若干点云转化到所述全局地图坐标系中，通过正态分布的概率计算方法，得到相对应的正态分布概率；

C4：计算好所有的所述正态分布概率，得到一个联合概率，即为优化目标函数；

C5：对所述联合概率通过极大似然估计进行计算，得到最优变换矩阵，基于所述最优变换矩阵得到全局点云地图内的所述当前巡检位姿，其中，所述极大似然估计采用取负对数，并通过非线性优化算法求解。

6.根据权利要求5所述的用于智能巡检的三维激光雷达定位导航方法，其特征在于，

所述联合概率的计算公式为：

所述极大似然估计的计算公式为：T^*＝argmax_Tp；

对所述联合概率进行极大似然估计采用取负对数的方法，推导出的最优变换矩阵计算公式为：

其中，

T为所述预估变换矩阵，T^*为所述最优变换矩阵，x为当前时间帧的若干点云，μ_i为若干点云x在体素i所对应的均值，∑_i为若干点云x在体素i所对应的协方差，i为区分不同所述体素的编号。

7.根据权利要求1所述的用于智能巡检的三维激光雷达定位导航方法，其特征在于，在所述步骤S4中，还包括：通过测距装置实时检测周围障碍物信息，以配合扫描装置扫描不同的待巡检区域，从而实时调整巡检机器人巡检路线。

8.一种巡检机器人，配置有如权利要求1至7任意一项所述的用于智能巡检的三维激光雷达定位导航方法，其特征在于，包括：

扫描装置：用于扫描不同的待巡检区域，得到不同待巡检区域的原始点云数据、在巡检过程中的实时点云数据和毫米波雷达数据；

地图构建模块：用于对所述原始点云数据进行特征提取得到点云优化数据，对所述点云优化数据依次进行逐帧匹配、拼接以及修正，得到待巡检区域的全局点云地图；

路线规划模块：用于将所述全局点云地图转化为栅格地图，基于预设巡检点采用全局路径规划算法在所述栅格地图中自主规划出最优巡检路径；

定位处理模块：用于将所述实时点云数据与所述全局点云地图进行匹配，得到最优变换矩阵，基于所述最优变换矩阵，得到巡检机器人的当前位姿；

巡检处理模块：用于根据所述当前位姿和所述最优巡检路径实时调整巡检机器人巡检路线，实现智能巡检。

9.根据权利要求8所述的巡检机器人，其特征在于，所述扫描装置包括三维激光雷达和毫米波雷达；

所述三维激光雷达用于获取所述原始点云数据和所述实时点云数据；

所述毫米波雷达用于检测周围障碍物信息，配合所述三维激光雷达进行扫描。

10.根据权利要求8所述的巡检机器人，其特征在于，所述地图构建模块包括：点云匹配里程计和地面检测节点，所述点云匹配里程计接收所述点云优化数据用于构建全局点云地图，所述地面检测节点接收所述点云优化数据处理得到地面参数，用以对所述全局点云地图进行优化。

Images