CN112767490B - 一种基于激光雷达的室外三维同步定位与建图方法 - Google Patents
一种基于激光雷达的室外三维同步定位与建图方法 Download PDFInfo
- Publication number
- CN112767490B CN112767490B CN202110129307.1A CN202110129307A CN112767490B CN 112767490 B CN112767490 B CN 112767490B CN 202110129307 A CN202110129307 A CN 202110129307A CN 112767490 B CN112767490 B CN 112767490B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- plane
- feature points
- ground
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Abstract
本发明提供了一种基于激光雷达的室外三维同步定位与建图方法,包括步骤:利用激光雷达获取周围环境的完整点云数据;对点云数据进行预处理,去除离群点,并进行地面分割,提取地面点集合;分别从地面点集合和非地面点集合中提取边缘特征点和平面特征点;利用提取到的边缘特征点和平面特征点,通过点到边线和点到平面的扫描匹配,建立相邻两次扫描之间点云数据的关联,完成运动估计;将提取到的边缘特征点和平面特征点匹配到周围的点云图中,进一步优化位姿变换;利用回环检测算法减少累积漂移误差,实现位姿估计和地图构建。本发明能够实现准确性更高、鲁棒性更强的建图。
Description
技术领域
本发明涉及移动机器人的三维SLAM技术领域,特别是一种基于激光雷达的室外三维同步定位与建图方法。
背景技术
近年来,随着机器人技术的快速发展,机器人正在逐步走向完全自主化,而同步定位与建图是机器人能否真正实现完全自主化的关键技术之一。在移动机器人领域,如何实现对环境的良好感知是决定移动机器人能否广泛应用于实际问题的关键因素之一。常用的环境感知传感器主要有相机、激光雷达、声呐等,其中,相机和激光雷达是应用最广泛的两类传感器。目前,基于视觉传感器和激光传感器的技术都已经得到了很大的发展,但是由于视觉传感器受到环境光照条件的限制并且测量精度有限,在室外环境中的应用就受到限制。
激光雷达传感器具有测距精度高、受光线影响小、抗电磁干扰性强优点,因此在实际应用中备受青睐。尤其是在室外机器人领域,三维激光雷达已成为其必不可少的环境感知传感器。在园区等室外低速环境下,由于激光雷达采集数据的精度高且受外部因素如光照等影响较小,因此可以用于高精度地图构建、动态障碍物检测、路径规划、实时避障等,目前三维激光雷达已成为室外同步定位与建图领域的必备传感器。
与二维激光雷达相比,三维激光雷达的视野更广、数据测量密度更高,对三维环境的感知更加全面,因此在室外环境应用中三维激光雷达成为主流。另外,三维地图相较于二维地图而言,更能完整反映出环境的真实情况,在三维地图中能够实现对象识别,提供更可靠的定位和数据关联,还可以进行更精确的路径规划,为在特殊环境下如崎岖地形、上下坡等环境的导航提供了可能性。因此在室外环境下实现三维同步定位与建图具有十分重要的意义。目前,使用激光雷达实现室外三维同步定位与建图成为当前研究的热点。
发明内容
有鉴于此,本发明的目的是提出一种基于激光雷达的室外三维同步定位与建图方法,能够实现精度更高、鲁棒性更强的位姿估计和地图构建。
本发明采用以下方案实现:一种基于激光雷达的室外三维同步定位与建图方法,具体包括以下步骤:
利用激光雷达获取周围环境的完整点云数据;
对点云数据进行预处理,去除离群点,并进行地面分割,提取地面点集合;
分别从地面点集合和非地面点集合中提取边缘特征点和平面特征点;
利用提取到的边缘特征点和平面特征点,通过点到边线和点到平面的扫描匹配,建立相邻两次扫描之间点云数据的关联,完成运动估计;
将提取到的边缘特征点和平面特征点匹配到周围的点云图中,进一步优化位姿变换;
利用回环检测算法减少累积漂移误差,实现位姿估计和地图构建。
进一步地,所述利用激光雷达获取周围环境的完整点云数据具体为:
在移动小车平台上搭载多线激光雷达,并使小车匀速行驶,利用激光雷达获取周围环境的完整点云数据。
进一步地,所述对点云数据进行预处理,去除离群点,并进行地面分割,提取地面点集合具体包括以下步骤:
步骤S21:使用距离滤波器去除有效范围外无用的点云,并利用体素网格滤波器对点云进行下采样,完成对噪声点和离群点的剔除;
Ax+By+Cz+D=0 (1)
式中,(A,B,C)T为平面P法向量;
步骤S24:遍历整帧点云PL,根据公式(2)计算点在平面P上的数量,记录P上点的数量得分:
|Axi+Byi+Czi+D|<δth (2)
式中,(xi,yi,zi)T∈PL,δth为距离阈值;
步骤S25:重复步骤S23与步骤S24,经过K次,选取得分最高的平面Pm,将其作为地面点集合。
进一步地,所述分别从地面点集合和非地面点集合中提取边缘特征点和平面特征点具体包括以下步骤:
步骤S31:对于点云中的每个点,在该点所在的扫描线上,从该点左右两边各选取若干个连续的点组成点集S,计算该点的粗糙度:
步骤S32:为了在环境中均匀分布特征点,将扫描分为若干个相同的子区域。然后根据粗糙度c值的大小,对每一个子区域中的点进行排序;
步骤S33:对于每一个子区域内的非地面点,设置阈值cthe、cthp来区分不同类型的特征点;c值大于阈值cthe的为Fe边缘特征点,c值小于阈值cthp的为Fp平面特征点;所有子区域内的非地面边缘特征点和平面特征点的集合设为FE和FP;然后,从每个子区域的Fe边缘特征点中选择ne个粗糙度值最大的点作为fe边缘特征点,从每个子区域的Fp平面特征点中选择np个粗糙度值最小的点作为fp平面特征点;设fE、fP分别为该过程中所有子区域内的非地面边缘特征点和平面特征点的集合;其中,
步骤S34:对于每一个子区域内的地面点,c值小于阈值cthp的为Fg平面特征点,所有子区域内的地面平面特征点的集合设为FG;然后,从每个子区域的Fg平面特征点中选择ng个粗糙度值最小的点作为fg平面特征点;设fG为该过程中所有子区域内的地面平面特征点的集合;其中,
进一步地,所述利用提取到的边缘特征点和平面特征点,通过点到边线和点到平面的扫描匹配,建立相邻两次扫描之间点云数据的关联,完成运动估计具体包括以下步骤:
步骤S41:对于扫描k中的边缘特征通过KD-Tree在扫描k-1中的边缘特征中寻找最近点,并在最近点所在扫描线的前后各两条扫描线上找到一个最近点,由两点构成一条对应的边线,计算该特征点到对应边线的距离,并作为点线约束dpe:
步骤S42:对于扫描k中的地面平面特征和非地面平面特征通过KD-Tree在扫描k-1中的地面平面特征和非地面平面特征中寻找最近点,并在最近点同一扫描线和相邻扫描线上各找到一个最近点,由三点构成一个对应的平面,计算该特征点到对应平面的距离,并作为点面约束dpp:
步骤S43:利用地面特征点提供的点面约束关系,应用Levenberg-Marquardt方法进行迭代求解,获得[tz,θx,θy]T;
步骤S44:以[tz,θx,θy]T为初值,利用非地面特征点提供的点面约束关系和点线约束关系,再次应用Levenberg-Marquardt方法进行迭代求解,获得[tx,ty,θz]T;最后,通过融合[tx,ty,θz]T和[tz,θx,θy]T获得两个连续扫描之间的六维姿态变换[tx,ty,tz,θx,θy,θz]T;其中,tx、ty、tz分别表示激光雷达在x、y、z轴方向上的平移量,θx、θy、θz分别表示激光雷达绕x、y、z轴的旋转量。
进一步地,所述将提取到的边缘特征点和平面特征点匹配到周围的点云图中,进一步优化位姿变换具体包括以下步骤:
其中,T=[tx,ty,tz,θx,θy,θz]T,dpe(T)、dpp(T)分别为点到直线、平面的距离。
进一步地,所述利用回环检测算法减少累积漂移误差,实现位姿估计和地图构建具体为:
首先对当前扫描的轨迹点进行邻域搜索,当有轨迹点出现在其邻域范围内,比较当前扫描与历史扫描的几何形状和强度特征,完成回环检测,当检测到回环时,对其进行优化,实现位姿估计和地图构建。
进一步地,所述利用回环检测算法减少累积漂移误差,实现位姿估计和地图构建具体包括以下步骤:
步骤S61:首先,对当前扫描的轨迹点进行邻域搜索,根据公式(7)判断是否有历史轨迹点在其δr范围内:
式中,(xi,yi,zi)T为当前轨迹点的坐标,(xj,yj,zj)T为历史轨迹点的坐标,δr为距离阈值;
步骤S62:当检测到有轨迹点在其δr范围内时,比较当前扫描和历史扫描的几何形状和强度特征;
步骤S63:用ξ表示强度读数,则点a表示为[xa,ya,za,ξa]T,转换为极坐标为:
步骤S64:将极坐标沿方位角和径向方向均等的分成Ns个扇区和Nr个环,对点云进行分段;则扇区的圆心角为环之间的径向间隙为其中,Lmax为激光雷达扫描的最大有效扫描半径;将第i环和第j扇区重叠的段内点集记为Pij,则Pij为:
步骤S65:对于每个分段,应用编码函数来减少强度维度:
若Pij为空集,则ξij为0;最终将强度几何特征Θ表示为Nr×Ns矩阵为:
步骤S66:引入一种有效的二进制运算几何重识别以实现快速索引;给定Θ,其在局部坐标上的几何分布可以表示为二进制矩阵Ω:
对于查询强度几何特征Θq,候选强度几何特征Θc,及其对应的二进制矩阵Ωq,Ωc,几何相似度为:
式中,|Ωq|代表Ωq中元素的个数,XOR(Ωq,Ωc)是指两个矩阵之间逐元素异或运算后的元素之和;Ω的列向量表示方位角方向,则将视角变化看作是Ω的列偏移;加入视角变化后的几何相似度计算为:
步骤S67:对于查询强度几何特征Θq和候选强度几何特征Θc,通过比较对应列之间的余弦距离,计算强度相似度:
式中,vj是Θ的第j列;由公式(14)确定了视角变化k,则加入视角变化后的强度相似度计算为:
设定阈值δi过滤掉不匹配的对,完成回环检测;
步骤S68:回环检测完成后,利用GTSAM进行优化,完成全局位姿优化和全局地图的构建。
本发明还提供了一种基于激光雷达的室外三维同步定位与建图系统,包括存储器、处理器以及存储于存储器中,并能够被处理器所运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
本发明还提供了一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
与现有技术相比,本发明有以下有益效果:
1、本发明在特征点提取过程中,首先将点云分割为地面点和非地面点,然后分别从地面点和非地面点提取边缘特征和平面特征,最后针对相应的地面平面特征点和非地面边缘特征点、平面特征点进行特征匹配,提高了匹配精度。
2、本发明在回环检测过程中,提出了两步检测方法,首先根据当前轨迹点进行邻域搜索,判断是否有历史轨迹点满足距离阈值,若满足,则根据查询强度几何特征和候选强度几何特征的相似度得分判断是否有回环发生,完成回环检测。最后,利用GTSAM进行优化,实现全局位姿优化和全局地图构建。
附图说明
图1是本发明的方法流程图;
图2是本发明使用的设备实物图;
图3是本发明实施例中提取的地面点云图;
图4是本发明点云地图构建过程示意图;
图5是本发明的回环检测方法流程图;
图6是本发明实施例中的校园环境(部分);
图7是本发明实施例中LOAM建图结果图;
图8是本发明实施例中所提方法建图结果图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种基于激光雷达的室外三维同步定位与建图方法,具体包括以下步骤:
步骤S1:利用激光雷达获取周围环境的完整点云数据;
步骤S2:对点云数据进行预处理,去除离群点,并利用随机采样一致性算法进行地面分割,提取地面点集合;
步骤S3:计算各点的粗糙度值,根据粗糙度值的大小,分别从地面点集合和非地面点集合中提取边缘特征点和平面特征点;
步骤S4:利用提取到的边缘特征点和平面特征点,通过点到边线和点到平面的扫描匹配,建立相邻两次扫描之间点云数据的关联,完成运动估计;
步骤S5:将提取到的边缘特征点和平面特征点匹配到周围的点云图中,进一步优化位姿变换,这一过程以较低的频率运行;
步骤S6:利用回环检测算法减少累积漂移误差,实现位姿估计和地图构建。
在本实施例中,所述利用激光雷达获取周围环境的完整点云数据具体为:
如图2所示,为实施例中所用的设备仪器,在Guardian移动平台上搭载Velodyne64线激光雷达HDL-64E,并使小车匀速行驶,利用HDL-64E激光雷达获取周围环境的完整点云数据。
在本实施例中,所述对点云数据进行预处理,去除离群点,并进行地面分割,提取地面点集合具体包括以下步骤:
步骤S21:激光雷达在扫描过程中会受到噪声干扰,因此需要对获取的点云数据进行预处理。使用距离滤波器去除有效范围外无用的点云,并利用体素网格滤波器对点云进行下采样,完成对噪声点和离群点的剔除;
Ax+By+Cz+D=0 (1)
式中,(A,B,C)T为平面P法向量;
步骤S24:遍历整帧点云PL,根据公式(2)计算点在平面P上的数量,记录P上点的数量得分:
|Axi+Byi+Czi+D|<δth (2)
式中,(xi,yi,zi)T∈PL,δth为距离阈值;
步骤S25:重复步骤S23与步骤S24,经过K次,选取得分最高的平面Pm,将其作为地面点集合。如图3所示,为提取的地面点。
在本实施例中,所述分别从地面点集合和非地面点集合中提取边缘特征点和平面特征点具体包括以下步骤:
步骤S31:对于点云中的每个点,在该点所在的扫描线上,从该点左右两边各选取若干个连续的点组成点集S,计算该点的粗糙度:
步骤S32:为了在环境中均匀分布特征点,将扫描分为若干个相同的子区域。然后根据粗糙度c值的大小,对每一个子区域中的点进行排序;
步骤S33:对于每一个子区域内的非地面点,设置阈值cthe、cthp来区分不同类型的特征点;c值大于阈值cthe的为Fe边缘特征点,c值小于阈值cthp的为Fp平面特征点;所有子区域内的非地面边缘特征点和平面特征点的集合设为FE和FP;然后,从每个子区域的Fe边缘特征点中选择ne个粗糙度值最大的点作为fe边缘特征点,从每个子区域的Fp平面特征点中选择np个粗糙度值最小的点作为fp平面特征点;设fE、fP分别为该过程中所有子区域内的非地面边缘特征点和平面特征点的集合;其中,
步骤S34:对于每一个子区域内的地面点,c值小于阈值cthp的为Fg平面特征点,所有子区域内的地面平面特征点的集合设为FG;然后,从每个子区域的Fg平面特征点中选择ng个粗糙度值最小的点作为fg平面特征点;设fG为该过程中所有子区域内的地面平面特征点的集合;其中,
在本实施例中,所述利用提取到的边缘特征点和平面特征点,通过点到边线和点到平面的扫描匹配,建立相邻两次扫描之间点云数据的关联,完成运动估计具体包括以下步骤:
步骤S41:对于扫描k中的边缘特征通过KD-Tree在扫描k-1中的边缘特征中寻找最近点,并在最近点所在扫描线的前后各两条扫描线上找到一个最近点,由两点构成一条对应的边线,计算该特征点到对应边线的距离,并作为点线约束dpe:
步骤S42:对于扫描k中的地面平面特征和非地面平面特征通过KD-Tree在扫描k-1中的地面平面特征和非地面平面特征中寻找最近点,并在最近点同一扫描线和相邻扫描线上各找到一个最近点,由三点构成一个对应的平面,计算该特征点到对应平面的距离,并作为点面约束dpp:
步骤S43:利用地面特征点提供的点面约束关系,应用Levenberg-Marquardt方法进行迭代求解,获得[tz,θx,θy]T;
步骤S44:以[tz,θx,θy]T为初值,利用非地面特征点提供的点面约束关系和点线约束关系,再次应用Levenberg-Marquardt方法进行迭代求解,获得[tx,ty,θz]T;最后,通过融合[tx,ty,θz]T和[tz,θx,θy]T获得两个连续扫描之间的六维姿态变换[tx,ty,tz,θx,θy,θz]T;其中,tx、ty、tz分别表示激光雷达在x、y、z轴方向上的平移量,θx、θy、θz分别表示激光雷达绕x、y、z轴的旋转量。
在本实施例中,所述将提取到的边缘特征点和平面特征点匹配到周围的点云图中,进一步优化位姿变换具体包括以下步骤。如图4所示,:
步骤S53:将当前特征点集合与周围点云图进行配准,与步骤S4的方法类似,根据公式(4)、(5),计算点到直线或平面的距离,构建最小二乘公式(6),然后使用Levenberg-Marquardt方法对其进行求解。
其中,T=[tx,ty,tz,θx,θy,θz]T,dpe(T)、dpp(T)分别为点到直线、平面的距离。
在本实施例中,所述利用回环检测算法减少累积漂移误差,实现位姿估计和地图构建具体为:
首先对当前扫描的轨迹点进行邻域搜索,当有轨迹点出现在其邻域范围内,比较当前扫描与历史扫描的几何形状和强度特征,完成回环检测,当检测到回环时,对其进行优化,实现位姿估计和地图构建。
在本实施例中,如图5所示,所述利用回环检测算法减少累积漂移误差,实现位姿估计和地图构建具体包括以下步骤:
步骤S61:首先,对当前扫描的轨迹点进行邻域搜索,根据公式(7)判断是否有历史轨迹点在其δr范围内:
式中,(xi,yi,zi)T为当前轨迹点的坐标,(xj,yj,zj)T为历史轨迹点的坐标,δr为距离阈值;
步骤S62:当检测到有轨迹点在其δr范围内时,比较当前扫描和历史扫描的几何形状和强度特征;
步骤S63:用ξ表示强度读数,则点a表示为[xa,ya,za,ξa]T,转换为极坐标为:
步骤S64:将极坐标沿方位角和径向方向均等的分成Ns个扇区和Nr个环,对点云进行分段;则扇区的圆心角为环之间的径向间隙为其中,Lmax为激光雷达扫描的最大有效扫描半径;将第i环和第j扇区重叠的段内点集记为Pij,则Pij为:
步骤S65:由于一个分段只占据一帧点云的很小一部分,因此可以假设强度读数在一个分段内变化不大。强度读数对于同一个物体通常是一致的,因此,对于每个分段,应用编码函数来减少强度维度:
若Pij为空集,则ξij为0;最终将强度几何特征Θ表示为Nr×Ns矩阵为:
步骤S66:引入一种有效的二进制运算几何重识别以实现快速索引;给定Θ,其在局部坐标上的几何分布可以表示为二进制矩阵Ω:
对于查询强度几何特征Θq,候选强度几何特征Θc,及其对应的二进制矩阵Ωq,Ωc,几何相似度为:
式中,|Ωq|代表Ωq中元素的个数,XOR(Ωq,Ωc)是指两个矩阵之间逐元素异或运算后的元素之和;Ω的列向量表示方位角方向,则将视角变化看作是Ω的列偏移;加入视角变化后的几何相似度计算为:
步骤S67:对于查询强度几何特征Θq和候选强度几何特征Θc,通过比较对应列之间的余弦距离,计算强度相似度:
式中,vj是Θ的第j列;与几何匹配类似,必须纠正视角变化。由公式(14)确定了视角变化k,则加入视角变化后的强度相似度计算为:
设定阈值δi过滤掉不匹配的对,完成回环检测;
步骤S68:回环检测完成后,利用GTSAM进行优化,完成全局位姿优化和全局地图的构建。
如图6所示,为部分校园环境实景图。在本实施例中,使用该方法与LOAM方法进行了对比,如图7所示,为LOAM方法完成的建图结果,图8为该方法完成的建图结果。由此可见,本发明所提出的方法优于LOAM算法。
本实施例还提供了一种基于激光雷达的室外三维同步定位与建图系统,包括存储器、处理器以及存储于存储器中,并能够被处理器所运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
本实施例还提供了一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (8)
1.一种基于激光雷达的室外三维同步定位与建图方法,其特征在于,包括以下步骤:
利用激光雷达获取周围环境的完整点云数据;
对点云数据进行预处理,去除离群点,并进行地面分割,提取地面点集合;
分别从地面点集合和非地面点集合中提取边缘特征点和平面特征点;
利用提取到的边缘特征点和平面特征点,通过点到边线和点到平面的扫描匹配,建立相邻两次扫描之间点云数据的关联,完成运动估计;
将提取到的边缘特征点和平面特征点匹配到周围的点云图中,进一步优化位姿变换;
利用回环检测算法减少累积漂移误差,实现位姿估计和地图构建;所述利用回环检测算法减少累积漂移误差,实现位姿估计和地图构建具体为:
首先对当前扫描的轨迹点进行邻域搜索,当有轨迹点出现在其邻域范围内,比较当前扫描与历史扫描的几何形状和强度特征,完成回环检测,当检测到回环时,对其进行优化,实现位姿估计和地图构建;
所述利用回环检测算法减少累积漂移误差,实现位姿估计和地图构建具体包括以下步骤:
步骤S61:首先,对当前扫描的轨迹点进行邻域搜索,根据公式(7)判断是否有历史轨迹点在其δr范围内:
式中,(xi,yi,zi)T为当前轨迹点的坐标,(xj,yj,zj)T为历史轨迹点的坐标,δr为距离阈值;
步骤S62:当检测到有轨迹点在其δr范围内时,比较当前扫描和历史扫描的几何形状和强度特征;
步骤S63:用ξ表示强度读数,则点a表示为[xa,ya,za,ξa]T,转换为极坐标为:
步骤S64:将极坐标沿方位角和径向方向均等的分成Ns个扇区和Nr个环,对点云进行分段;则扇区的圆心角为环之间的径向间隙为其中,Lmax为激光雷达扫描的最大有效扫描半径;将第i环和第j扇区重叠的段内点集记为Pij,则Pij为:
步骤S65:对于每个分段,应用编码函数来减少强度维度:
若Pij为空集,则ξij为0;最终将强度几何特征Θ表示为Nr×Ns矩阵为:
步骤S66:引入一种有效的二进制运算几何重识别以实现快速索引;给定Θ,其在局部坐标上的几何分布可以表示为二进制矩阵Ω:
对于查询强度几何特征Θq,候选强度几何特征Θc,及其对应的二进制矩阵Ωq,Ωc,几何相似度为:
式中,|Ωq|代表Ωq中元素的个数,XOR(Ωq,Ωc)是指两个矩阵之间逐元素异或运算后的元素之和;Ω的列向量表示方位角方向,则将视角变化看作是Ω的列偏移;加入视角变化后的几何相似度计算为:
步骤S67:对于查询强度几何特征Θq和候选强度几何特征Θc,通过比较对应列之间的余弦距离,计算强度相似度:
式中,vj是Θ的第j列;由公式(14)确定了视角变化k,则加入视角变化后的强度相似度计算为:
设定阈值δi过滤掉不匹配的对,完成回环检测;
步骤S68:当检测到回环时,利用GTSAM进行优化,完成全局位姿优化和全局地图的构建。
2.根据权利要求1所述的一种基于激光雷达的室外三维同步定位与建图方法,其特征在于,所述利用激光雷达获取周围环境的完整点云数据具体为:
在移动小车平台上搭载多线激光雷达,并使小车匀速行驶,利用激光雷达获取周围环境的完整点云数据。
3.根据权利要求1所述的一种基于激光雷达的室外三维同步定位与建图方法,其特征在于,所述对点云数据进行预处理,去除离群点,并进行地面分割,提取地面点集合具体包括以下步骤:
步骤S21:使用距离滤波器去除有效范围外无用的点云,并利用体素网格滤波器对点云进行下采样,完成对噪声点和离群点的剔除;
Ax+By+Cz+D=0 (1)
式中,(A,B,C)T为平面P法向量;
步骤S24:遍历整帧点云PL,根据公式(2)计算点在平面P上的数量,记录P上点的数量得分:
|Axi+Byi+Czi+D|<δth (2)
式中,(xi,yi,zi)T∈PL,δth为距离阈值;
步骤S25:重复步骤S23与步骤S24,经过K次,选取得分最高的平面Pm,将其作为地面点集合。
4.根据权利要求1所述的一种基于激光雷达的室外三维同步定位与建图方法,其特征在于,所述分别从地面点集合和非地面点集合中提取边缘特征点和平面特征点具体包括以下步骤:
步骤S31:对于点云中的每个点,在该点所在的扫描线上,从该点左右两边各选取若干个连续的点组成点集S,计算该点的粗糙度:
步骤S32:为了在环境中均匀分布特征点,将扫描分为若干个相同的子区域;然后根据粗糙度值的大小,对每一个子区域中的点进行排序;
步骤S33:对于每一个子区域内的非地面点,设置阈值cthe、cthp来区分不同类型的特征点;粗糙度值大于阈值cthe的为Fe边缘特征点,粗糙度值小于阈值cthp的为Fp平面特征点;所有子区域内的非地面边缘特征点和平面特征点的集合设为FE和FP;然后,从每个子区域的Fe边缘特征点中选择ne个粗糙度值最大的点作为fe边缘特征点,从每个子区域的Fp平面特征点中选择np个粗糙度值最小的点作为fp平面特征点,设fE、fP分别为过程中所有子区域内的非地面边缘特征点和平面特征点的集合;其中,
5.根据权利要求1所述的一种基于激光雷达的室外三维同步定位与建图方法,其特征在于,所述利用提取到的边缘特征点和平面特征点,通过点到边线和点到平面的扫描匹配,建立相邻两次扫描之间点云数据的关联,完成运动估计具体包括以下步骤:
步骤S41:对于扫描k中的边缘特征通过KD-Tree在扫描k-1中的边缘特征中寻找最近点,并在最近点所在扫描线的前后各两条扫描线上找到一个最近点,由两点构成一条对应的边线,计算该特征点到对应边线的距离,并作为点线约束dpe:
步骤S42:对于扫描k中的地面平面特征和非地面平面特征通过KD-Tree在扫描k-1中的地面平面特征和非地面平面特征中寻找最近点,并在最近点同一扫描线和相邻扫描线上各找到一个最近点,由三点构成一个对应的平面,计算该特征点到对应平面的距离,并作为点面约束dpp:
步骤S43:利用地面特征点提供的点面约束关系,应用Levenberg-Marquardt方法进行迭代求解,获得[tz,θx,θy]T;
步骤S44:以[tz,θx,θy]T为初值,利用非地面特征点提供的点面约束关系和点线约束关系,再次应用Levenberg-Marquardt方法进行迭代求解,获得[tx,ty,θz]T;最后,通过融合[tx,ty,θz]T和[tz,θx,θy]T获得两个连续扫描之间的六维姿态变换[tx,ty,tz,θx,θy,θz]T;其中,tx、ty、tz分别表示激光雷达在x、y、z轴方向上的平移量,θx、θy、θz分别表示激光雷达绕x、y、z轴的旋转量。
6.根据权利要求1所述的一种基于激光雷达的室外三维同步定位与建图方法,其特征在于,所述将提取到的边缘特征点和平面特征点匹配到周围的点云图中,进一步优化位姿变换具体包括以下步骤:
其中,T=[tx,ty,tz,θx,θy,θz]T,dpe(T)、dpp(T)分别为点到直线、平面的距离。
7.一种基于激光雷达的室外三维同步定位与建图系统,其特征在于,包括存储器、处理器以及存储于存储器中,并能够被处理器所运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如权利要求1-6任一项所述的方法步骤。
8.一种计算机可读存储介质,其特征在于,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如权利要求1-6任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110129307.1A CN112767490B (zh) | 2021-01-29 | 2021-01-29 | 一种基于激光雷达的室外三维同步定位与建图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110129307.1A CN112767490B (zh) | 2021-01-29 | 2021-01-29 | 一种基于激光雷达的室外三维同步定位与建图方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112767490A CN112767490A (zh) | 2021-05-07 |
CN112767490B true CN112767490B (zh) | 2022-06-21 |
Family
ID=75704095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110129307.1A Active CN112767490B (zh) | 2021-01-29 | 2021-01-29 | 一种基于激光雷达的室外三维同步定位与建图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767490B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326752A (zh) * | 2021-05-20 | 2021-08-31 | 淮阴工学院 | 一种基于无人机的光伏电站识别方法及系统 |
CN113345018B (zh) * | 2021-05-31 | 2022-06-14 | 湖南大学 | 一种动态场景下的激光单目视觉融合定位建图方法 |
CN113379841A (zh) * | 2021-06-21 | 2021-09-10 | 上海仙工智能科技有限公司 | 一种基于相位相关法与因子图的激光slam方法及其可读存储介质 |
CN113516682B (zh) * | 2021-07-08 | 2023-08-11 | 福州大学 | 一种激光slam的回环检测方法 |
CN113759947B (zh) * | 2021-09-10 | 2023-08-08 | 中航空管系统装备有限公司 | 基于激光雷达的机载飞行避障辅助方法、装置及系统 |
CN113607166B (zh) * | 2021-10-08 | 2022-01-07 | 广东省科学院智能制造研究所 | 基于多传感融合的自主移动机器人室内外定位方法及装置 |
CN113985435A (zh) * | 2021-10-13 | 2022-01-28 | 上海师范大学 | 一种融合多激光雷达的建图方法及系统 |
CN114485684B (zh) * | 2021-12-31 | 2023-11-28 | 武汉中海庭数据技术有限公司 | 一种基于地面要素拓扑关系的地图道路匹配方法和系统 |
CN114152937B (zh) * | 2022-02-09 | 2022-05-17 | 西南科技大学 | 一种旋转激光雷达的外参标定方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100963651B1 (ko) * | 2009-03-12 | 2010-06-15 | 세종대학교산학협력단 | 항공라이다자료를 이용한 건물외곽선 자동 추출 방법 |
US7752483B1 (en) * | 2006-12-13 | 2010-07-06 | Science Applications International Corporation | Process and system for three-dimensional urban modeling |
CN109709801A (zh) * | 2018-12-11 | 2019-05-03 | 智灵飞(北京)科技有限公司 | 一种基于激光雷达的室内无人机定位系统及方法 |
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 |
CN111583369A (zh) * | 2020-04-21 | 2020-08-25 | 天津大学 | 一种基于面线角点特征提取的激光slam方法 |
CN112070770A (zh) * | 2020-07-16 | 2020-12-11 | 国网安徽省电力有限公司检修分公司 | 一种高精度三维地图与二维栅格地图同步构建方法 |
-
2021
- 2021-01-29 CN CN202110129307.1A patent/CN112767490B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7752483B1 (en) * | 2006-12-13 | 2010-07-06 | Science Applications International Corporation | Process and system for three-dimensional urban modeling |
KR100963651B1 (ko) * | 2009-03-12 | 2010-06-15 | 세종대학교산학협력단 | 항공라이다자료를 이용한 건물외곽선 자동 추출 방법 |
CN109709801A (zh) * | 2018-12-11 | 2019-05-03 | 智灵飞(北京)科技有限公司 | 一种基于激光雷达的室内无人机定位系统及方法 |
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 |
CN111583369A (zh) * | 2020-04-21 | 2020-08-25 | 天津大学 | 一种基于面线角点特征提取的激光slam方法 |
CN112070770A (zh) * | 2020-07-16 | 2020-12-11 | 国网安徽省电力有限公司检修分公司 | 一种高精度三维地图与二维栅格地图同步构建方法 |
Non-Patent Citations (3)
Title |
---|
Low-cost and High-accuracy LIDAR SLAM for Large Outdoor Scenarios;Chenglin Pang et al.;《2019 IEEE International Conference on Real-time Computing and Robotics (RCAR)》;20200323;全文 * |
基于三维激光雷达的自动驾驶车辆高精度地图构建;陈贵宾;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20191015(第10期);全文 * |
基于地面稳定特征的激光雷达实时地图构建方法研究;姜重吉等;《长春理工大学学报 (自然科学版)》;20201030;第43卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112767490A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112767490B (zh) | 一种基于激光雷达的室外三维同步定位与建图方法 | |
CN111862672B (zh) | 基于顶视图的停车场车辆自定位及地图构建方法 | |
CN110686677B (zh) | 一种基于几何信息的全局定位方法 | |
Xu et al. | Road curb extraction from mobile LiDAR point clouds | |
Kang et al. | Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model | |
Mu et al. | Research on SLAM algorithm of mobile robot based on the fusion of 2D LiDAR and depth camera | |
Qian et al. | Hy-Seg: A hybrid method for ground segmentation using point clouds | |
Xiong et al. | Road-Model-Based road boundary extraction for high definition map via LIDAR | |
Yabuuchi et al. | Visual localization for autonomous driving using pre-built point cloud maps | |
Lu et al. | A lightweight real-time 3D LiDAR SLAM for autonomous vehicles in large-scale urban environment | |
CN117029870A (zh) | 一种基于路面点云的激光里程计 | |
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 | |
Zhang et al. | Accurate real-time SLAM based on two-step registration and multimodal loop detection | |
CN116563377A (zh) | 一种基于半球投影模型的火星岩石测量方法 | |
Aggarwal | Machine vision based SelfPosition estimation of mobile robots | |
CN113850864B (zh) | 一种面向室外移动机器人的gnss/lidar回环检测方法 | |
CN115690138A (zh) | 一种融合车载影像与点云的道路边界提取与矢量化方法 | |
CN111239761B (zh) | 一种用于室内实时建立二维地图的方法 | |
Ouyang et al. | Iterative Closest Point (ICP) Performance Comparison Using Different Types of Lidar for Indoor Localization and Mapping. | |
Zhao et al. | Self-localization using point cloud matching at the object level in outdoor environment | |
Tamas et al. | 3D map building with mobile robots | |
Yang et al. | A marker-free calibration method for mobile laser scanning point clouds correction | |
Su | Vanishing points in road recognition: A review | |
Wang et al. | A point-line feature based visual SLAM method in dynamic indoor scene | |
Zhang et al. | Stereo image matching for vehicle-borne mobile mapping system based on digital parallax model |
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 |