CN113052193B - 机器人重定位方法及系统 - Google Patents

机器人重定位方法及系统 Download PDF

Info

Publication number
CN113052193B
CN113052193B CN201911373426.0A CN201911373426A CN113052193B CN 113052193 B CN113052193 B CN 113052193B CN 201911373426 A CN201911373426 A CN 201911373426A CN 113052193 B CN113052193 B CN 113052193B
Authority
CN
China
Prior art keywords
point
point cloud
points
repositioning
dimensional
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
CN201911373426.0A
Other languages
English (en)
Other versions
CN113052193A (zh
Inventor
潘鑫
王晓东
刘一恒
田大吉
姜楠
宋健
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.)
Shenyang Siasun Robot and Automation Co Ltd
Original Assignee
Shenyang Siasun Robot and Automation Co Ltd
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 Shenyang Siasun Robot and Automation Co Ltd filed Critical Shenyang Siasun Robot and Automation Co Ltd
Priority to CN201911373426.0A priority Critical patent/CN113052193B/zh
Publication of CN113052193A publication Critical patent/CN113052193A/zh
Application granted granted Critical
Publication of CN113052193B publication Critical patent/CN113052193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/16—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using electromagnetic waves other than radio waves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Manipulator (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种机器人重定位方法，包括：对获取的三维点云进行过滤，滤除地面点云和噪声点云；计算过滤后三维点云中每个点的曲率，并将曲率小于设定阈值的点作为种子点集，利用区域增长的方式完成所有种子点的区域增长以构建分割点云；对于构建的每一个分割点云提取特征描述子，将每一个分割点云的数据压缩成适合于重定位的紧凑描述子；将压缩的紧凑描述子与已经分割好的目标地图进行特征对比，得到最终的匹配位置，再通过几何一致性验证，得到最终的定位结果。本发明还涉及一种机器人重定位系统。本发明能够将多线激光获取到的稠密三维点云进行分割，与机器人重定位技术联立起来，从而大大减少重定位的处理时间，提高重定位的准确率。

Description

机器人重定位方法及系统
技术领域
本发明涉及一种机器人重定位方法及系统。
背景技术
随着机器人应用广泛性的不断提升，机器人已经开始逐步的走入人们生活的社区或者街道，而不是单纯的在室内范围进行移动。不管是机器人在室内还是室外移动，重定位技术都是移动机器人稳定行走的重要条件。
目前，在室内的移动机器人多是使用单线激光来进行重定位，虽然可获取到的点云信息相对来说比较少，但也足够应对室内场景。而在室外的移动机器人则更多依赖GPS来进行重定位，但GPS信号很容易受到高楼及其他信号的干扰。近些年来，随着多线激光的价格不断走低，越来越多的机器人，尤其是室外的移动机器人都会选择搭载一个多线激光器来用于感知周围环境并构建三维点云地图。然而，多线激光直接获取到的三维点云地图一般都包含着地面点云信息或人等移动的物体产生的点云，如果直接用来做重定位则很难定保证重定位的准确性。另外由于点云过于庞大，定位速度也很难保证，同时还需要配置很高的计算平台。
与此同时，基于视觉的重定位技术虽然也在不断地发展，但由于自身容易受到光线干扰、视野比较小、重定位准确率低等问题，所以目前也无法真正的给机器人重定位技术提供有效的帮助。
发明内容
有鉴于此，有必要提供一种机器人重定位方法及系统。
本发明提供一种机器人重定位方法，该方法包括如下步骤：a.对获取的三维点云进行过滤，滤除地面点云和噪声点云；b.计算过滤后三维点云中每个点的曲率，并将曲率小于设定阈值的点作为种子点集，利用区域增长的方式完成所有种子点的区域增长以构建分割点云；c.对于构建的每一个分割点云提取特征描述子，将每一个分割点云的数据压缩成适合于重定位的紧凑描述子；d.将压缩的紧凑描述子与已经分割好的目标地图进行特征对比，得到最终的匹配位置，再通过几何一致性验证，得到最终的定位结果。
其中，所述的步骤a具体包括：
对获取的三维点云进行区域划分，计算每个划分区域内三维点云的最大高度差和平均高度；
判断区域内最大高度差和平均高度与阈值threshold_max和阈值threshold_average的关系，如果最大高度差小于阈值threshold_max且平均高度差小于阈值threshold_average，则将区域的点标记为地面点；
去除被标记为地面点的三维点；
对去除地面点云后的每个点，在其空间半径为R的区域内寻找其他的三维点记为近邻点，如果近邻点数量少于设定的阈值threshold_num，则当前点被标记为噪声点；
删除被标记的噪声点，得到过滤后的点云为局部点云地图。
所述的步骤b具体包括：
计算过滤后三维点云中每个点的曲率，并按照曲率值对点进行排序，找到小于阈值曲率的点添加到种子点集中；
寻找种子点的邻域点，对于与种子点的法向量夹角小于阈值的邻域点，将其加入到当前区域内；
为每个种子点区域分配ID，给分配到邻域内的点赋予同样的ID，如果一个点已经被分配到了另一个区域里，合并两个区域；
重复上述操作，直到完成所有种子点区域增长，从而实现点云分割。
所述的步骤c具体包括如下步骤：
根据三维结构张量的归一化特征值e1、e2和e3，分别计算每一个已经分割好点云的线性度、平面度、散射性、全方差、各向异性、本征熵和曲率作为分割点云的特征值；
根据实际使用场景，选择其中三种特征值构建一个1×3维度的向量作为计算重定位的特征向量。
所述的步骤d具体包括：
利用分割点云的特征向量与目标点云的每个特征向量之间做绝对差；
提取绝对差最小的为匹配对；
重复上述操作，直至当前局部地图分割出来的点云都在目标点云中找到了对应的点云；
将所有的匹配对进行几何验证，使用分割点云的质心计算局部地图与目标地图的转换矩阵，从而实现机器人的重定位。
本发明提供一种机器人重定位系统，该系统包括过滤模块、构建模块、压缩模块、重定位模块，其中：所述过滤模块用于对获取的三维点云进行过滤，滤除地面点云和噪声点云；所述构建模块用于计算过滤后三维点云中每个点的曲率，并将曲率小于设定阈值的点作为种子点集，利用区域增长的方式完成所有种子点的区域增长以构建分割点云；所述压缩模块用于对于构建的每一个分割点云提取特征描述子，将每一个分割点云的数据压缩成适合于重定位的紧凑描述子；所述重定位模块用于将压缩的紧凑描述子与已经分割好的目标地图进行特征对比，得到最终的匹配位置，再通过几何一致性验证，得到最终的定位结果。
其中，所述的过滤模块具体用于：
对获取的三维点云进行区域划分，计算每个划分区域内三维点云的最大高度差和平均高度；
判断区域内最大高度差和平均高度与阈值threshold_max和阈值threshold_average的关系，如果最大高度差小于阈值threshold_max且平均高度差小于阈值threshold_average，则将区域的点标记为地面点；
去除被标记为地面点的三维点；
对去除地面点云后的每个点，在其空间半径为R的区域内寻找其他的三维点记为近邻点，如果近邻点数量少于设定的阈值threshold_num，则当前点被标记为噪声点；
删除被标记的噪声点，得到过滤后的点云为局部点云地图。
所述的构建模块具体用于：
计算过滤后三维点云中每个点的曲率，并按照曲率值对点进行排序，找到小于阈值曲率的点添加到种子点集中；
寻找种子点的邻域点，对于与种子点的法向量夹角小于阈值的邻域点，将其加入到当前区域内；
为每个种子点区域分配ID，给分配到邻域内的点赋予同样的ID，如果一个点已经被分配到了另一个区域里，合并两个区域；
重复上述操作，直到完成所有种子点区域增长，从而实现点云分割。
所述的压缩模块具体用于：
根据三维结构张量的归一化特征值e1、e2和e3，分别计算每一个已经分割好点云的线性度、平面度、散射性、全方差、各向异性、本征熵和曲率作为分割点云的特征值；
根据实际使用场景，选择其中三种特征值构建一个1×3维度的向量作为计算重定位的特征向量。
所述的重定位模块具体用于：
利用分割点云的特征向量与目标点云的每个特征向量之间做绝对差；
提取绝对差最小的为匹配对；
重复上述操作，直至当前局部地图分割出来的点云都在目标点云中找到了对应的点云；
将所有的匹配对进行几何验证，使用分割点云的质心计算局部地图与目标地图的转换矩阵，从而实现机器人的重定位。
本申请将多线激光器获取到的三维点云合成一个局部地图，再对局部地图进行点云分割，并对分割后的点云进行特征描述。在特征空间对局部地图和目标地图进行匹配，得到每个分割的候选对应关系，再通过几何一致性验证，得到最终的定位结果。本申请将这些固定的景物从获取到的三维点云中分割出来，将多线激光获取到的稠密三维点云进行分割，与机器人重定位技术联立起来，构成一个只包含指定目标的局部点云地图，再利用所述点云地图进行重定位处理，大大减少了重定位的处理时间，提高重定位的准确率。
附图说明
图1为本发明机器人重定位方法的流程图；
图2为本发明实施例提供的激光器激光成像示意图；
图3为本发明实施例提供的三维点云区域划分示意图；
图4为本发明实施例提供的区域合并示意图；
图5为本发明机器人重定位系统的硬件架构图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
参阅图1所示，是本发明机器人重定位方法较佳实施例的作业流程图。
步骤S1，对获取的三维点云进行过滤，滤除地面点云和噪声点云。具体而言：
本实施例对于多线激光获取到的三维点云进行限定，只保留50米范围内的激光点云。
本实施例使用的是Robosense的16线激光器，根据垂直视场角及安装位置，如图2所示，激光约在7.4米外可以探测出地面点云。故从5米开始，对获取的三维点云进行区域划分。一个区域的角度间隔为10度，距离间隔为5米，区域划分如图3所示；
根据所使用激光器的垂直视场角及安装位置，对获取的三维点云进行区域划分，计算每个划分区域内三维点云的最大高度差和平均高度；
判断区域内最大高度差和平均高度与阈值threshold_max和阈值threshold_average的关系，如果最大高度差小于阈值threshold_max且平均高度差小于阈值threshold_average，则将区域的点标记为地面点；本实施例中threshold_max取值为0.2米，threshold_average取值为0.15米；
去除被标记为地面的三维点；
对去除地面点云后的每个点，在其空间半径为R的区域内寻找其他的三维点记为近邻点，如果近邻点数量少于设定的阈值threshold_num，则当前点被标记为噪声点。本实施例中半径R取0.5米，threshold_num取5。
删除被标记的噪声点，得到过滤后的点云为局部点云地图。
步骤S2，计算过滤后三维点云中每个点的曲率，寻找曲率最小的点，并将曲率小于设定阈值的点作为种子点集，利用区域增长的方式来构建分割点云。具体而言：
计算过滤后三维点云中每个点的曲率，并按照曲率值对点进行排序，找到小于阈值曲率的点添加到种子点集中，本实施例曲率阈值threshold_curcature设置为0.5；
寻找种子点的邻域点，对于与种子点的法向量夹角小于阈值的邻域点，将其加入到当前区域内；本实施例中法向量夹角阈值θ设置为0.2；
为每个种子点区域分配ID，给分配到邻域内的点赋予同样的ID，如果一个点已经被分配到了另一个区域里，合并两个区域，如图4所示；
重复上述操作，直到完成所有种子点区域增长，从而实现点云分割。
步骤S3，对于构建的每一个分割点云提取特征描述子，将每一个分割点云的数据压缩成适合于重定位的紧凑描述子。具体而言：
根据三维结构张量的归一化特征值e1、e2和e3，分别计算每一个已经分割好点云的线性度、平面度、散射性、全方差、各向异性、本征熵和曲率作为分割点云的特征值。其中，
线性度计算方法：
Figure BDA0002339921290000081
平面度计算方法：
Figure BDA0002339921290000082
散射性计算方法：
Figure BDA0002339921290000083
全方差计算方法：
Figure BDA0002339921290000084
各向异性计算方法：
Figure BDA0002339921290000091
本征熵计算方法：
Figure BDA0002339921290000092
曲率计算方法：
Figure BDA0002339921290000093
根据实际使用场景，选择其中三种特征值构建一个1×3维度的向量作为计算重定位的特征向量。本实施例选择线性度、平面度、散射性来组合特征向量。
步骤S4，将压缩的紧凑描述子与已经分割好的目标地图进行特征对比，得到最终的匹配位置，再通过几何一致性验证，得到最终的定位结果。具体而言：
利用分割点云的特征向量与目标点云的每个特征向量之间做绝对差：
ΔDi＝|vloc-vtari|
提取绝对差最小的为匹配对；
重复上述操作，直至当前局部地图分割出来的点云都在目标点云中找到了对应的点云；
将所有的匹配对进行几何验证，使用分割点云的质心计算局部地图与目标地图的转换矩阵，从而实现机器人的重定位。
参阅图5所示，是本发明机器人重定位系统10的硬件架构图。该系统包括：过滤模块101、构建模块102、压缩模块103、重定位模块104。
所述过滤模块101用于对获取的三维点云进行过滤，滤除地面点云和噪声点云。具体而言：
在本实施例中，所述过滤模块101对于多线激光获取到的三维点云进行限定，只保留50米范围内的激光点云。
本实施例使用的是Robosense的16线激光器，根据垂直视场角及安装位置，如图2所示，激光约在7.4米外可以探测出地面点云。故从5米开始，对获取的三维点云进行区域划分。一个区域的角度间隔为10度，距离间隔为5米，区域划分如图3所示；
所述过滤模块101根据所使用激光器的垂直视场角及安装位置，对获取的三维点云进行区域划分，计算每个划分区域内三维点云的最大高度差和平均高度；
所述过滤模块101判断区域内最大高度差和平均高度与阈值threshold_max和阈值threshold_average的关系，如果最大高度差小于阈值threshold_max且平均高度差小于阈值threshold_average，则将区域的点标记为地面点；本实施例中threshold_max取值为0.2米，threshold_average取值为0.15米；
所述过滤模块101去除被标记为地面的三维点；
所述过滤模块101对去除地面点云后的每个点，在其空间半径为R的区域内寻找其他的三维点记为近邻点，如果近邻点数量少于设定的阈值threshold_num，则当前点被标记为噪声点。本实施例中半径R取0.5米，threshold_num取5。
所述过滤模块101删除被标记的噪声点，得到过滤后的点云为局部点云地图
所述构建模块102用于计算过滤后三维点云中每个点的曲率，寻找曲率最小的点，并将曲率小于设定阈值的点作为种子点集，利用区域增长的方式来构建分割点云。具体而言：
所述构建模块102计算过滤后三维点云中每个点的曲率，并按照曲率值对点进行排序，找到小于阈值曲率的点添加到种子点集中，本实施例曲率阈值threshold_curcature设置为0.5；
所述构建模块102寻找种子点的邻域点，对于与种子点的法向量夹角小于阈值的邻域点，将其加入到当前区域内；本实施例中法向量夹角阈值θ设置为0.2；
所述构建模块102为每个种子点区域分配ID，给分配到邻域内的点赋予同样的ID，如果一个点已经被分配到了另一个区域里，合并两个区域，如图4所示；
重复上述操作，直到完成所有种子点区域增长，从而实现点云分割。
所述压缩模块103用于根据上述选定的图像通道，计算得到护套图像的上下左右边界坐标。具体而言：
所述压缩模块103根据三维结构张量的归一化特征值e1、e2和e3，分别计算每一个已经分割好点云的线性度、平面度、散射性、全方差、各向异性、本征熵和曲率作为分割点云的特征值。其中，
线性度计算方法：
Figure BDA0002339921290000121
平面度计算方法：
Figure BDA0002339921290000122
散射性计算方法：
Figure BDA0002339921290000123
全方差计算方法：
Figure BDA0002339921290000124
各向异性计算方法：
Figure BDA0002339921290000125
本征熵计算方法：
Figure BDA0002339921290000126
曲率计算方法：
Figure BDA0002339921290000127
根据实际使用场景，选择其中三种特征值构建一个1×3维度的向量作为计算重定位的特征向量。在本实施例中，所述压缩模块103选择线性度、平面度、散射性来组合特征向量。
所述重定位模块104用于将压缩的紧凑描述子与已经分割好的目标地图进行特征对比，得到最终的匹配位置，再通过几何一致性验证，得到最终的定位结果。具体而言：
所述重定位模块104利用分割点云的特征向量与目标点云的每个特征向量之间做绝对差：
ΔDi＝|vloc-vtari|
提取绝对差最小的为匹配对；
重复上述操作，直至当前局部地图分割出来的点云都在目标点云中找到了对应的点云；
所述重定位模块104将所有的匹配对进行几何验证，使用分割点云的质心计算局部地图与目标地图的转换矩阵，从而实现机器人的重定位。
虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保护范围之内。

Claims (6)

1.一种机器人重定位方法，其特征在于，该方法包括如下步骤：
a.对获取的三维点云进行过滤，滤除地面点云和噪声点云；
b.计算过滤后三维点云中每个点的曲率，并将曲率小于设定阈值的点作为种子点集，利用区域增长的方式完成所有种子点的区域增长以构建分割点云；
c.对于构建的每一个分割点云提取特征描述子，将每一个分割点云的数据压缩成适合于重定位的紧凑描述子；
d.将压缩的紧凑描述子与已经分割好的目标地图进行特征对比，得到最终的匹配位置，再通过几何一致性验证，得到最终的定位结果；
所述的步骤a具体包括：
对获取的三维点云进行区域划分，计算每个划分区域内三维点云的最大高度差和平均高度；
判断区域内最大高度差和平均高度与阈值threshold_max和阈值threshold_average的关系，如果最大高度差小于阈值threshold_max且平均高度差小于阈值threshold_average，则将区域的点标记为地面点；
去除被标记为地面点的三维点；
对去除地面点云后的每个点，在其空间半径为R的区域内寻找其他的三维点记为近邻点，如果近邻点数量少于设定的阈值threshold_num，则当前点被标记为噪声点；
删除被标记的噪声点，得到过滤后的点云为局部点云地图；
所述的步骤c具体包括如下步骤：
根据三维结构张量的归一化特征值e1、e2和e3，分别计算每一个已经分割好点云的线性度、平面度、散射性、全方差、各向异性、本征熵和曲率作为分割点云的特征值；
根据实际使用场景，选择其中三种特征值构建一个1×3维度的向量作为计算重定位的特征向量；
其中，线性度计算方法：
Figure FDA0004255320460000021
平面度计算方法：
Figure FDA0004255320460000022
散射性计算方法：
Figure FDA0004255320460000023
全方差计算方法：
Figure FDA0004255320460000024
各向异性计算方法：
Figure FDA0004255320460000025
本征熵计算方法：
Figure FDA0004255320460000026
2.如权利要求1所述的方法，其特征在于，所述的步骤b具体包括：
计算过滤后三维点云中每个点的曲率，并按照曲率值对点进行排序，找到小于阈值曲率的点添加到种子点集中；
寻找种子点的邻域点，对于与种子点的法向量夹角小于阈值的邻域点，将其加入到当前区域内；
为每个种子点区域分配ID，给分配到邻域内的点赋予同样的ID，如果一个点已经被分配到了另一个区域里，合并两个区域；
重复上述步骤b，直到完成所有种子点区域增长，从而实现点云分割。
3.如权利要求1所述的方法，其特征在于，所述的步骤d具体包括：
利用分割点云的特征向量与目标点云的每个特征向量之间做绝对差；
提取绝对差最小的为匹配对；
重复上述操作，直至当前局部地图分割出来的点云都在目标点云中找到了对应的点云；
将所有的匹配对进行几何验证，使用分割点云的质心计算局部地图与目标地图的转换矩阵，从而实现机器人的重定位。
4.一种机器人重定位系统，其特征在于，该系统包括过滤模块、构建模块、压缩模块、重定位模块，其中：
所述过滤模块用于对获取的三维点云进行过滤，滤除地面点云和噪声点云；
所述构建模块用于计算过滤后三维点云中每个点的曲率，并将曲率小于设定阈值的点作为种子点集，利用区域增长的方式完成所有种子点的区域增长以构建分割点云；
所述压缩模块用于对于构建的每一个分割点云提取特征描述子，将每一个分割点云的数据压缩成适合于重定位的紧凑描述子；
所述重定位模块用于将压缩的紧凑描述子与已经分割好的目标地图进行特征对比，得到最终的匹配位置，再通过几何一致性验证，得到最终的定位结果；
所述的过滤模块具体用于：
对获取的三维点云进行区域划分，计算每个划分区域内三维点云的最大高度差和平均高度；
判断区域内最大高度差和平均高度与阈值threshold_max和阈值threshold_average的关系，如果最大高度差小于阈值threshold_max且平均高度差小于阈值threshold_average，则将区域的点标记为地面点；
去除被标记为地面点的三维点；
对去除地面点云后的每个点，在其空间半径为R的区域内寻找其他的三维点记为近邻点，如果近邻点数量少于设定的阈值threshold_num，则当前点被标记为噪声点；
删除被标记的噪声点，得到过滤后的点云为局部点云地图；
所述的压缩模块具体用于：
根据三维结构张量的归一化特征值e1、e2和e3，分别计算每一个已经分割好点云的线性度、平面度、散射性、全方差、各向异性、本征熵和曲率作为分割点云的特征值；
根据实际使用场景，选择其中三种特征值构建一个1×3维度的向量作为计算重定位的特征向量；
其中，
线性度计算方法：
Figure FDA0004255320460000051
平面度计算方法：
Figure FDA0004255320460000052
散射性计算方法：
Figure FDA0004255320460000053
全方差计算方法：
Figure FDA0004255320460000054
各向异性计算方法：
Figure FDA0004255320460000055
本征熵计算方法：
Figure FDA0004255320460000056
5.如权利要求4所述的系统，其特征在于，所述的构建模块具体用于：
计算过滤后三维点云中每个点的曲率，并按照曲率值对点进行排序，找到小于阈值曲率的点添加到种子点集中；
寻找种子点的邻域点，对于与种子点的法向量夹角小于阈值的邻域点，将其加入到当前区域内；
为每个种子点区域分配ID，给分配到邻域内的点赋予同样的ID，如果一个点已经被分配到了另一个区域里，合并两个区域；
重复上述构建模块的具体流程，直到完成所有种子点区域增长，从而实现点云分割。
6.如权利要求4所述的系统，其特征在于，所述的重定位模块具体用于：
利用分割点云的特征向量与目标点云的每个特征向量之间做绝对差；
提取绝对差最小的为匹配对；
重复上述重定位模块的具体流程，直至当前局部地图分割出来的点云都在目标点云中找到了对应的点云；
将所有的匹配对进行几何验证，使用分割点云的质心计算局部地图与目标地图的转换矩阵，从而实现机器人的重定位。
CN201911373426.0A 2019-12-27 2019-12-27 机器人重定位方法及系统 Active CN113052193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911373426.0A CN113052193B (zh) 2019-12-27 2019-12-27 机器人重定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911373426.0A CN113052193B (zh) 2019-12-27 2019-12-27 机器人重定位方法及系统

Publications (2)

Publication Number Publication Date
CN113052193A CN113052193A (zh) 2021-06-29
CN113052193B true CN113052193B (zh) 2023-07-11

Family

ID=76506071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911373426.0A Active CN113052193B (zh) 2019-12-27 2019-12-27 机器人重定位方法及系统

Country Status (1)

Country Link
CN (1) CN113052193B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114004873A (zh) * 2021-09-27 2022-02-01 上海三一重机股份有限公司 作业区域平整度的检测方法、装置、设备、介质及产品
CN114283090A (zh) * 2021-12-27 2022-04-05 深圳朗道智通科技有限公司 一种地面滤除方法、设备、存储介质及计算机程序产品

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108961271A (zh) * 2018-06-27 2018-12-07 西安工程大学 一种彩色3d点云超体素凹凸分割算法
CN109409437A (zh) * 2018-11-06 2019-03-01 安徽农业大学 一种点云分割方法、装置、计算机可读存储介质及终端
WO2019080488A1 (zh) * 2017-10-27 2019-05-02 东南大学 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019080488A1 (zh) * 2017-10-27 2019-05-02 东南大学 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法
CN108961271A (zh) * 2018-06-27 2018-12-07 西安工程大学 一种彩色3d点云超体素凹凸分割算法
CN109409437A (zh) * 2018-11-06 2019-03-01 安徽农业大学 一种点云分割方法、装置、计算机可读存储介质及终端

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
室内SLAM点云的快速分割研究;汤涌 等;测绘与空间地理信息(06);第167-170页 *

Also Published As

Publication number Publication date
CN113052193A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN107092877B (zh) 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法
CN110781827B (zh) 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法
CN110084272B (zh) 一种聚类地图创建方法及基于聚类地图和位置描述子匹配的重定位方法
CN107038717B (zh) 一种基于立体栅格自动分析3d点云配准误差的方法
Cham et al. Estimating camera pose from a single urban ground-view omnidirectional image and a 2D building outline map
CN112818925B (zh) 一种城市建筑和树冠识别方法
CN108171715B (zh) 一种图像分割方法及装置
CN113052193B (zh) 机器人重定位方法及系统
CN104820718A (zh) 基于地理位置特征与全局视觉特征的图像分类和检索方法
JP2006107462A (ja) 地形の航空画像において道路を検出する方法
WO2020007483A1 (en) Method, apparatus and computer program for performing three dimensional radio model construction
CN105953801A (zh) 室内导航方法及装置
Kim et al. Urban scene understanding from aerial and ground LIDAR data
CN111915517A (zh) 一种适用于室内光照不利环境下rgb-d相机全局定位方法
CN106407978B (zh) 一种结合似物度的无约束视频中显著物体检测方法
Xue et al. A fast visual map building method using video stream for visual-based indoor localization
CN112197705A (zh) 一种基于视觉和激光测距的果实定位方法
CN115639248A (zh) 一种用于建筑外墙质量检测的系统及方法
CN110636248B (zh) 目标跟踪方法与装置
CN113160292B (zh) 一种基于智能移动终端的激光雷达点云数据三维建模装置及方法
CN108287845A (zh) 一种道路信息自动提取方法和装置、及混合导航系统
CN113947724A (zh) 一种基于双目视觉的线路覆冰厚度自动测量方法
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
CN111899291A (zh) 基于多源维度分解的城市点云从粗到精的自动配准方法
CN104392209A (zh) 一种目标与背景的图像复杂度评价模型

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