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 PDF

Info

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
Application number
CN202110129307.1A
Other languages
English (en)
Other versions
CN112767490A (zh
Inventor
张立伟
朱富伟
刘宸希
何炳蔚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN202110129307.1A priority Critical patent/CN112767490B/zh
Publication of CN112767490A publication Critical patent/CN112767490A/zh
Application granted granted Critical
Publication of CN112767490B publication Critical patent/CN112767490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种基于激光雷达的室外三维同步定位与建图方法
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；
步骤S22：设移动小车所处位置的小范围内存在地面点，则这些点处于激光雷达较低的扫描线上，选取最低五条扫描线上的点，组成初始点集
Figure BDA0002924936090000021
步骤S23：从初始点集
Figure BDA0002924936090000022
中随机选取三个点，得到平面P模型，如下式所示：
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：
Figure BDA0002924936090000031
式中，ci为点i的粗糙度值，
Figure BDA0002924936090000032
表示点i到传感器的欧氏距离；
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，
Figure BDA0002924936090000033
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，
Figure BDA0002924936090000041
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
Figure BDA0002924936090000042
通过KD-Tree在扫描k-1中的边缘特征
Figure BDA0002924936090000043
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：
Figure BDA0002924936090000044
式中，
Figure BDA0002924936090000045
为扫描k中的边缘特征点
Figure BDA0002924936090000046
在扫描k-1中的最近点，
Figure BDA0002924936090000047
为
Figure BDA0002924936090000048
所在扫描线的前后各两条扫描线上的最近点，
Figure BDA0002924936090000049
是扫描k的边缘特征点
Figure BDA00029249360900000410
变换到扫描k-1的坐标；
步骤S42：对于扫描k中的地面平面特征
Figure BDA00029249360900000411
和非地面平面特征
Figure BDA00029249360900000412
通过KD-Tree在扫描k-1中的地面平面特征
Figure BDA00029249360900000413
和非地面平面特征
Figure BDA00029249360900000414
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：
Figure BDA00029249360900000415
式中，
Figure BDA00029249360900000416
为扫描k中的平面特征点
Figure BDA00029249360900000417
在扫描k-1中的最近点，
Figure BDA00029249360900000418
分别为
Figure BDA00029249360900000419
所在扫描线的同一扫描线和相邻扫描线上的最近点，
Figure BDA00029249360900000420
是扫描k的平面特征点
Figure BDA0002924936090000051
变换到扫描k-1的坐标；
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：
步骤S51：获取当前扫描的特征点集合
Figure BDA0002924936090000052
其中上标k表示扫描k，
Figure BDA0002924936090000053
为保存的所有特征集的集合，Mk中的每个特征集还与扫描时传感器的位姿相关联；
步骤S52：从Mk-1中选择一组与当前扫描最近的特征集合获取周围点云图
Figure BDA0002924936090000054
其中，a定义了
Figure BDA0002924936090000055
的大小；
步骤S53：将当前特征点集合
Figure BDA0002924936090000056
与周围点云图
Figure BDA0002924936090000057
进行配准，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。
Figure BDA0002924936090000058
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：
Figure BDA0002924936090000061
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：
Figure BDA0002924936090000062
Figure BDA0002924936090000063
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
Figure BDA0002924936090000064
环之间的径向间隙为
Figure BDA0002924936090000065
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：
Figure BDA0002924936090000066
式中，
Figure BDA0002924936090000067
其中，N表示Nr或Ns；
步骤S65：对于每个分段，应用编码函数来减少强度维度：
Figure BDA0002924936090000071
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：
Figure BDA0002924936090000072
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：
Figure BDA0002924936090000073
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：
Figure BDA0002924936090000074
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：
Figure BDA0002924936090000075
式中，
Figure BDA0002924936090000076
是Ωq的第i列移位；同时，根据公式(14)确定最匹配的
Figure BDA0002924936090000077
用于校正视角变化；设定阈值δo过滤掉不匹配的对；
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：
Figure BDA0002924936090000078
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：
Figure BDA0002924936090000081
式中，
Figure BDA0002924936090000082
表示Θq的第k列移位；
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；
步骤S22：设移动小车所处位置的小范围内存在地面点，则这些点处于激光雷达较低的扫描线上，选取最低五条扫描线上的点，组成初始点集
Figure BDA0002924936090000101
步骤S23：从初始点集
Figure BDA0002924936090000102
中随机选取三个点，得到平面P模型，如下式所示：
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：
Figure BDA0002924936090000103
式中，ci为点i的粗糙度值，
Figure BDA0002924936090000111
表示点i到传感器的欧氏距离；
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，
Figure BDA0002924936090000112
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，
Figure BDA0002924936090000113
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
Figure BDA0002924936090000114
通过KD-Tree在扫描k-1中的边缘特征
Figure BDA0002924936090000115
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：
Figure BDA0002924936090000121
式中，
Figure BDA0002924936090000122
为扫描k中的边缘特征点
Figure BDA0002924936090000123
在扫描k-1中的最近点，
Figure BDA0002924936090000124
为
Figure BDA0002924936090000125
所在扫描线的前后各两条扫描线上的最近点，
Figure BDA0002924936090000126
是扫描k的边缘特征点
Figure BDA0002924936090000127
变换到扫描k-1的坐标；
步骤S42：对于扫描k中的地面平面特征
Figure BDA0002924936090000128
和非地面平面特征
Figure BDA0002924936090000129
通过KD-Tree在扫描k-1中的地面平面特征
Figure BDA00029249360900001210
和非地面平面特征
Figure BDA00029249360900001211
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：
Figure BDA00029249360900001212
式中，
Figure BDA00029249360900001213
为扫描k中的平面特征点
Figure BDA00029249360900001214
在扫描k-1中的最近点，
Figure BDA00029249360900001215
分别为
Figure BDA00029249360900001216
所在扫描线的同一扫描线和相邻扫描线上的最近点，
Figure BDA00029249360900001217
是扫描k的平面特征点
Figure BDA00029249360900001218
变换到扫描k-1的坐标；
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S51：获取当前扫描的特征点集合
Figure BDA0002924936090000131
其中上标k表示扫描k，
Figure BDA0002924936090000132
为保存的所有特征集的集合，Mk中的每个特征集还与扫描时传感器的位姿相关联；
步骤S52：由于激光雷达地图构建模块的位姿估计误差较低，可以假设在一个较短的时间内几乎没有误差，因此从Mk-1中选择一组与当前扫描最近的特征集合获取周围点云图
Figure BDA0002924936090000133
其中，a定义了
Figure BDA0002924936090000134
的大小；
步骤S53：将当前特征点集合
Figure BDA0002924936090000135
与周围点云图
Figure BDA0002924936090000136
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。
Figure BDA0002924936090000137
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：
Figure BDA0002924936090000138
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：
Figure BDA0002924936090000141
Figure BDA0002924936090000142
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
Figure BDA0002924936090000143
环之间的径向间隙为
Figure BDA0002924936090000144
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：
Figure BDA0002924936090000145
式中，
Figure BDA0002924936090000146
其中，N表示Nr或Ns；
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：
Figure BDA0002924936090000147
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：
Figure BDA0002924936090000148
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：
Figure BDA0002924936090000151
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：
Figure BDA0002924936090000152
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：
Figure BDA0002924936090000153
式中，
Figure BDA0002924936090000154
是Ωq的第i列移位；同时，根据公式(14)确定最匹配的
Figure BDA0002924936090000155
用于校正视角变化；设定阈值δo过滤掉不匹配的对；
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：
Figure BDA0002924936090000156
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：
Figure BDA0002924936090000157
式中，
Figure BDA0002924936090000158
表示Θq的第k列移位；
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：
Figure FDA0003620460250000011
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：
Figure FDA0003620460250000021
Figure FDA0003620460250000022
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
Figure FDA0003620460250000023
环之间的径向间隙为
Figure FDA0003620460250000024
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：
Figure FDA0003620460250000025
式中，
Figure FDA00036204602500000210
其中，N表示Nr或Ns；遍历整帧点云PL；
步骤S65：对于每个分段，应用编码函数来减少强度维度：
Figure FDA0003620460250000026
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：
Figure FDA0003620460250000027
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：
Figure FDA0003620460250000028
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：
Figure FDA0003620460250000029
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：
Figure FDA0003620460250000031
式中，
Figure FDA0003620460250000032
是Ωq的第i列移位；同时，根据公式(14)确定最匹配的
Figure FDA0003620460250000033
用于校正视角变化；设定阈值δo过滤掉不匹配的对；
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：
Figure FDA0003620460250000034
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：
Figure FDA0003620460250000035
式中，
Figure FDA0003620460250000036
表示Θq的第k列移位；
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；
步骤S22：设移动小车所处位置的小范围内存在地面点，则这些点处于激光雷达较低的扫描线上，选取最低五条扫描线上的点，组成初始点集
Figure FDA0003620460250000041
步骤S23：从初始点集
Figure FDA0003620460250000042
中随机选取三个点，得到平面P模型，如下式所示：
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：
Figure FDA0003620460250000043
式中，ci为点i的粗糙度值，
Figure FDA0003620460250000044
表示点i到传感器的欧氏距离；
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，
Figure FDA0003620460250000051
Figure FDA0003620460250000052
步骤S34：对于每一个子区域内的地面点，粗糙度值小于阈值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为过程中所有子区域内的地面平面特征点的集合；其中，
Figure FDA0003620460250000053
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
Figure FDA0003620460250000054
通过KD-Tree在扫描k-1中的边缘特征
Figure FDA0003620460250000055
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：
Figure FDA0003620460250000056
式中，
Figure FDA0003620460250000057
为扫描k中的边缘特征点
Figure FDA0003620460250000058
在扫描k-1中的最近点，
Figure FDA0003620460250000059
为
Figure FDA00036204602500000510
所在扫描线的前后各两条扫描线上的最近点，
Figure FDA00036204602500000511
是扫描k的边缘特征点
Figure FDA00036204602500000512
变换到扫描k-1的坐标；
步骤S42：对于扫描k中的地面平面特征
Figure FDA00036204602500000513
和非地面平面特征
Figure FDA00036204602500000514
通过KD-Tree在扫描k-1中的地面平面特征
Figure FDA00036204602500000515
和非地面平面特征
Figure FDA00036204602500000516
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：
Figure FDA0003620460250000061
式中，
Figure FDA0003620460250000062
为扫描k中的平面特征点
Figure FDA0003620460250000063
在扫描k-1中的最近点，
Figure FDA0003620460250000064
分别为
Figure FDA0003620460250000065
所在扫描线的同一扫描线和相邻扫描线上的最近点，
Figure FDA0003620460250000066
是扫描k的平面特征点
Figure FDA0003620460250000067
变换到扫描k-1的坐标；
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：
步骤S51：获取当前扫描的特征点集合
Figure FDA0003620460250000068
其中上标k表示扫描k，
Figure FDA0003620460250000069
Figure FDA00036204602500000610
为保存的所有特征集的集合，Mk中的每个特征集还与扫描时传感器的位姿相关联；
步骤S52：从Mk-1中选择一组与当前扫描最近的特征集合获取周围点云图
Figure FDA00036204602500000611
Figure FDA00036204602500000612
其中，a定义了
Figure FDA00036204602500000613
的大小；
步骤S53：将当前特征点集合
Figure FDA00036204602500000614
与周围点云图
Figure FDA00036204602500000615
进行配准，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；
Figure FDA0003620460250000071
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。
CN202110129307.1A 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 Active CN112767490B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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