CN114842084B - 一种地图构建方法、装置及移动探测设备 - Google Patents

一种地图构建方法、装置及移动探测设备 Download PDF

Info

Publication number
CN114842084B
CN114842084B CN202210776235.4A CN202210776235A CN114842084B CN 114842084 B CN114842084 B CN 114842084B CN 202210776235 A CN202210776235 A CN 202210776235A CN 114842084 B CN114842084 B CN 114842084B
Authority
CN
China
Prior art keywords
point cloud
cloud data
frame
point
line
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
CN202210776235.4A
Other languages
English (en)
Other versions
CN114842084A (zh
Inventor
陈凯
杨小聪
张达
庞帆
李翰臣
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.)
BGRIMM Technology Group Co Ltd
Original Assignee
BGRIMM Technology Group 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 BGRIMM Technology Group Co Ltd filed Critical BGRIMM Technology Group Co Ltd
Priority to CN202210776235.4A priority Critical patent/CN114842084B/zh
Publication of CN114842084A publication Critical patent/CN114842084A/zh
Application granted granted Critical
Publication of CN114842084B publication Critical patent/CN114842084B/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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G01C21/1652—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with ranging devices, e.g. LIDAR or RADAR
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/383—Indoor data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G06T17/205—Re-meshing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G06T2207/30244—Camera pose

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请涉及一种地图构建方法、装置及移动探测设备，涉及地图构建领域。方法包括：获取被测区域的点云数据集，所述点云数据集包括多帧点云数据；对所述点云数据集进行正态分布变换，得到每一帧所述点云数据的实时位姿数据；提取所述点云数据集中每一帧所述点云数据分别对应的线面特征；基于所述实时位姿数据和所述线面特征，构建局部子图；将所述局部子图与所述点云数据集进行匹配，构建所述被测区域的全局地图。通过对点云数据集进行正态分布变换，可以确定出每一帧点云数据对应的位姿，相较于现有技术通过两帧点云数据的特征进行匹配确定位姿的方式，可以避免因待测区域线面特征不显著导致的无法通过匹配确定位姿的问题。

Description

一种地图构建方法、装置及移动探测设备
技术领域
本申请地图构建技术领域，具体地，涉及一种地图构建方法、一种地图构建装置，以及一种移动探测设备。
背景技术
在对无定位信号的待测区域进行构建地图时，如地下矿山、室内等，通常会使用SLAM（Simultaneous Localization and Mapping，实时定位和建图）技术。SLAM技术是通过移动探测设备对待测区域进行移动探测，使用激光雷达等设备采集待测区域的三维点云数据，并将所采集的两帧点云数据之间的线特征和面特征进行匹配，从而确定出移动探测设备的自身位姿，进而通过位姿将所采集的点云数据逐帧进行拼接，从而构建出待测区域的全局地图。
然后，由于部分待测区域存在较多非结构化的场景，如通过爆破形成的区域，该类区域不存在典型的线特征和面特征，导致SLAM技术所采集两帧点云的线面特征无法准确匹配，进而无法确定移动探测设备的自身位姿，最终影响所构建出的地图的准确性。
发明内容
有鉴于此，本申请旨在提供一种地图构建方法、装置及移动探测设备，以提高对被探测区域地图构建的准确性。
第一方面，本申请实施例提供一种地图构建方法，包括：获取被测区域的点云数据集，所述点云数据集包括多帧点云数据；对所述点云数据集进行正态分布变换，得到每一帧所述点云数据的实时位姿数据；提取所述点云数据集中每一帧所述点云数据分别对应的线面特征；基于所述实时位姿数据和所述线面特征，构建局部子图；将所述局部子图与所述点云数据集进行匹配，构建所述被测区域的全局地图。
本申请实施例中，通过对点云数据集进行正态分布变换，可以确定出每一帧点云数据对应的估计位姿，相较于现有技术通过两帧点云数据的特征进行匹配确定位姿，可以无需使用线面特征确定位姿，进而避免因待测区域线面特征不显著导致的无法通过匹配确定位姿的问题。接着，通过实时位姿数据和所提取的点云数据的线面特征构建局部子图，再使点云数据与局部子图的匹配，以保证点云数据与局部子图之间的一致性，由此，可以使重新构建的全局地图更为准确。
一实施例中，所述点云数据包括多个三维点及每一所述三维点的坐标，所述对所述点云数据集与进行正态分布变换计算，以得到每一帧所述点云数据的实时位姿数据，包括：获取所述点云数据的最大包围盒；根据预设边长对所述最大包围盒进行三维网格划分，得到所述点云数据的三维网格；基于所述三维网格内每一所述三维点的坐标、预设的协方差矩阵及预设概率密度公式，计算所述三维网格的概率密度；基于所述点云数据的前一帧点云数据、所述概率密度及预设最大似然函数公式，确定最大似然函数；对所述最大似然函数进行最小化求解，得到所述实时位姿数据。
本申请实施例中，通过将点云数据划分成三维网格，使得点云数据能够通过使用统计学正态分布变换的方式确定位姿。通过对每一个三维网格计算概率密度，可以估计出该点云数据每一个三维网格对应的位姿情况，并对概率密度求与前一帧点云数据求最大似然函数，可以确定出两帧点云数据之间的最大匹配概率，即位姿的相似情况，进而通过最小化最大似然函数，可以计算出两帧点云数据之间实时位姿数据，由此，使得所确定的位姿更准确。同时，无需通过两帧激光点云数据的线面特征确定位姿，从而提高对非结构化场景、无显著线面特征的场景下，确定位姿的准确性。
一实施例中，所述获取所述点云数据的最大包围盒之前，所述方法还包括：对每一帧所述点云数据进行体素降采样处理。
本申请实施例中，通过对点云数据进行体素降采样处理，对点云数据进行体素滤波，从而去除点云数据中散乱的点，由此，可以减少所需进行正态分布变化的数据量，以及减少散乱的点进行正态分布变换，进而有效提高通过正态分布变化所确定的位姿精度。
一实施例中，所述对所述点云数据集进行正态分布变换，得到每一帧所述点云数据的实时位姿数据之前，所述方法还包括：获取采集所述点云数据集时的惯导姿态数据；基于所述惯导姿态数据对所述点云数据集进行线性插值计算，得到去除畸变三维点后的所述点云数据集。
本申请实施例中，通过惯导姿态数据对点云数据进行线性插值计算，从而去除点云数据集各帧点云数据中的畸变，由此，可以提高点云数据的准确性，进而提高所构建的地图的准确性。
一实施例中，一帧所述点云数据包括多个三维点，所述线面特征包括线特征和面特征，所述提取所述点云数据中每一帧所述点云数据分别对应的线面特征，包括：基于预设曲率公式计算分别每一所述三维点的曲率；分别将每一所述三维点对应的所述曲率与预设曲率阈值进行对比，其中，所述预设曲率阈值包括线特征曲率阈值和面特征曲率阈值；在确定所述曲率大于所述线特征曲率阈值时，确定所述曲率对应的三维点为属于所述线特征的点；在确定所述曲率小于所述面特征曲率阈值时，确定所述曲率对应的所述三维点为属于所述面特征的点。
本申请实施例中，先计算出每一个三维点的曲率，再通过将每一个三维点的曲率与预设曲率阈值对比，可以快速确定出每一个三维点所属的特征类型，由此，可以有效提高提取点云数据中线面特征的效率。
一实施例中，所述基于所述实时位姿数据和所述线面特征，构建局部子图，包括：获取连续多帧点云数据的实时位姿数据和线面特征；基于所述连续多帧点云数据的实时位姿数据将所述连续多帧点云数据的线面特征进行拼接，得到待处理局部子图；基于预设边长的立方体对所述待处理局部子图进行截取，得到所述局部子图。
本申请实施例中，将多帧点云数据拼接成待处理局部子图，通过预设边长的立方体对待处理局部子图进行截取，得到局部子图，由此，可以仅保留预设边长立方体范围内的点云数据作为局部子图，从而减少局部子图的点云数据的数据量，从而提高后续使用局部子图与点云数据进行匹配的效率。
一实施例中，所述将所述局部子图与所述点云数据集进行匹配，构建被测区域的全局地图，包括：获取所述局部子图的线面特征；将每一帧所述点云数据的线面特征与所述局部子图的线面特征进行匹配，以获得每一帧所述点云数据的姿态变换矩阵，其中，进行匹配的该帧点云数据不在所述局部子图内且与所述局部子图的最后一帧点云数据相邻；基于每一帧点云数据的所述姿态变换矩阵分别对每一帧所述点云数据对应的所述实时位姿数据进行更新，以获得每一帧所述点云数据分别的更新位姿；基于所述更新位姿将每一帧所述点云数据进行拼接，得到所述全局地图。
本申请实施例中，正态分布变换所确定的实时位姿数据为通过统计学方式所估计的位姿，相较于实时位姿数据，通过局部子图的线面特征与点云数据的线面特征进行匹配，得到的姿态变换矩阵更为准确。再通过姿态变换矩阵对每帧点云数据的位姿进行更新，由此，根据更新后的位姿构建的全局地图更为准确。
一实施例中，所述局部子图的线面特征包括局部子图线特征与局部子图面特征，所述将每一帧所述点云数据的线面特征与所述局部子图的线面特征进行匹配，以获得每一帧所述点云数据的姿态变换矩阵，包括：基于所述点云数据的线特征、所述局部子图线特征及预设点线距离约束公式，得到所述点云数据的线特征点距离最近所述局部子图线特征之间的点线距离约束，所述线特征点为所述点云数据中属于所述线特征的点；基于所述点云数据的面特征、所述局部子图面特征及预设点面距离约束公式，得到所述点云数据的面特征点距离最近所述局部子图面特征之间的点面距离约束，所述面特征点为所述点云数据中属于所述面特征的点；基于所述点线距离约束、所述点面距离约束及预设最小二乘迭代变换确定所述姿态变换矩阵。
本申请实施例中，通过计算点线距离约束和点面距离约束，可以确定出点云数据与局部子图之间的位姿差距，再通过预设最小二乘迭代变换对点线距离约束和点面距离约束进行计算，以减少所确定出的位姿的误差，由此，使得姿态变换矩阵所表征的位姿更为准确。
第二方面，本申请实施例提供一种地图构建装置，包括：获取模块，用于获取被测区域的点云数据集，所述点云数据集包括多帧点云数据；位姿计算模块，用于对所述点云数据集与进行正态分布变换计算，得到每一帧所述点云数据的实时位姿数据；特征提取模块，基于提取所述点云数据中每一帧所述点云数据分别对应的线面特征；地图构建模块，用于基于所述实时位姿数据和所述线面特征，构建局部子图；所述地图构建模块，还用于将所述局部子图与所述点云数据进行匹配，构建被测区域的全局地图。
第三方面，本申请实施例提供一种移动探测设备，包括：移动部，用于进行移动；采集装置，用于在移动过程中采集点云数据；处理器，与所述采集装置连接，用于执行如第一方面任一所述的地图构建方法或实现如第二方面所述的地图构建装置的功能。
本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举本发明较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请一实施例提供的移动探测设备的结构示意图；
图2为本申请一实施例提供的地图构建方法的流程图；
图3为本申请一实施例提供地图构建装置的结构示意图。
图标：移动探测设备100；移动部110；采集装置120；处理器130；地图构建装置200；获取模块210；位姿计算模块220；特征提取模块230；地图构建模块240。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
为便于理解本方案的目的，在对本申请所提供的方案进行介绍前，先对本方案所针对的场景进行说明。
基于激光的SLAM技术应用场景通常是地下矿石、室内等无定位信号的区域，而移动探测设备是在移动过程中进行探测，因此，在构建地图时，需确定采集数据时移动探测设备的位姿，才能够将多帧点云数据进行拼接，实现地图的构建。现有的基于激光的SLAM技术确定位姿的方式，通常是将所采集的连续两帧点云数据进行匹配，确定出两帧点云数据所存在的相同线特征和面特征等，从而根据线面特征之间的位置、方位等变化，确定出采集在后一帧数据相较于采集在先一帧点云数据时，移动探测设备的位姿情况。
然而，在对一些非结构化的区域进行探测时，如爆破形成的地下矿山，这类型待测区域无显著的线面特征，这导致两帧点云数据之间匹配难度大、无法准确匹配等，进而导致无法通过两帧点云数据之间的线面特征匹配确定移动探测设备的准确位姿，最终导致构建的地图不准确。
为解决上述问题，提高对包含非结构化的被探测区域在内的场景下，地图构建的准确性，本申请实施例提供了一种移动探测设备，请参阅图1，图1为本申请实施例提供的移动探测设备的结构示意图，移动探测设备包括移动部110，采集装置120和处理器130。
移动部110，用于使移动探测设备能够进行移动。具体地，移动部110可以是轮子、履带或机械爪等可以控制移动的装置。
采集装置120，用于在移动过程中采集点云数据。
本实施例中，采集装置120可以为多线激光雷达，用于采集待测区域的点云数据。具体地，多线激光雷达可以是16线、32线、64线、128线等的机械式激光雷达，或者是固态激光雷达等其他类型的激光雷达。
本实施例中，采集装置120还可以包括惯性导航单元，惯性导航单元用于在多线激光雷达采集点云数据时，获取移动探测设备的惯性导航数据。
本实施例中，采集装置120还可以包括旋转电机，旋转电机与多线激光雷达相连，旋转电机通过旋转带动多线激光雷达，从而调整多线激光雷达的探测角度，扩大移动探测设备的探测范围。
处理器130，用于执行本申请实施例提供的地图构建方法或者实现本申请实施例提供的地图构建装置的功能。本实施例中，处理器130可以采用各种具有数据处理能力的CPU（Central Processing Unit，中央处理器）芯片、MCU（Microcontroller Unit，微控制单元）、FPGA（Field Programmable Gate Array，现场可编程逻辑门阵列）、单片机等实现，但不作为限制。
请参阅图2，图2为本申请实施例提供的一种地图构建方法的流程图。该地图构建方法可以包括以下步骤：
S110，获取被测区域的点云数据集，点云数据集包括多帧点云数据。
一实施例中，所获取的点云数据集，可以是采集装置实时采集的点云数据集，也可以是预先采集并存储的点云数据集。
本实施例中，点云数据集包括多帧点云数据，每一帧点云数据内包括多个三维点。因此，一帧点云数据可以表示为
Figure M_220701103718179_179536001
，其中，其中，
Figure M_220701103718369_369460002
为点云数据，
Figure M_220701103718400_400750003
为该帧点云数据中的第i个三维点，n为该帧点云数据中三维点的总数量。
一实施例中，在获取采集点云数据集时的惯导姿态数据之前，还需对采集装置内各装置之间的关系进行标定。
本实施例中，多线激光雷达、旋转电机、惯性导航单元在移动探测设备上具有一定的几何位置关系，如移动探测设备中，多线激光雷达与惯性导航单元的距离、方位等。未进行各装置的关系标定时，各装置所采集的各数据之间会出现不匹配的情况，影响地图构建，因此，需对采集装置内各部件之间的关系进行标定。具体地，利用机械工装、标定平台等工具对各装置之间的几何关系进行测量，并将测量结果保存，输入至预设的标定程序中，以使移动探测设备根据标定程序实现各数据之间的匹配。
S120，对点云数据集进行正态分布变换，得到每一帧点云数据的实时位姿数据。
一实施例中，对点云数据集进行正态分布变换包括：获取点云数据的最大包围盒；根据预设边长对最大包围盒进行三维网格划分，得到点云数据的三维网格；基于三维网格内每一个三维点的坐标、预设的协方差矩阵及预设概率密度公式，计算三维网格的概率密度；基于点云数据的前一帧点云数据、概率密度及预设最大似然函数公式，确定最大似然函数；对最大似然函数进行最小化求解，得到实时位姿数据。
本实施例中，实时位姿数据是移动探测设备在获取一帧点云数据时，移动探测设备对应的位姿状态，因此，不同帧的点云数据分别对应的实时位姿数据不同。接下来针对如何确定一帧点云数据的实时位姿数据进行说明。
首先，先获取每一帧点云数据的最大包围盒，并对最大包围盒进行网格划分。可以理解，如何获取最大包围盒可以参考现有技术，在此不进行赘述。
本实施例中，在对最大包围盒进行网格划分时，采用预设边长的立方体网格对最大包围盒进行均分，以使该帧点云数据的最大包围盒划分成边长相同的立方体网格。可以理解，立方体在三维方向上具有相同的边长，因此，使用立方体进行划分也即对最大边长进行三维网格划分，形成多个三维网格。
接着，分别计算不同三维网格各自的概率密度函数。
本实施例中，每个三维网格中的各三维点的坐标值是相近的，因此，可以视为每一个三维网格中的各点符合正态分布，进而根据计算出该三维网格的概率密度函数。具体地，基于三维网格内每一个三维点的坐标、预设的协方差矩阵及预设概率密度公式，计算三维网格的概率密度。其中，预设的协方差矩阵可以参考现有技术，预设概率密度公式为：
Figure M_220701103718449_449519001
其中，ω为预设的协方差矩阵，
Figure M_220701103718621_621949001
为三维网格中的第k个三维点，
Figure M_220701103718637_637538002
为三维网格的边长，
Figure M_220701103718677_677581003
为三维网格内的所有三维点坐标均值，T为矩阵转置，exp表征以自然常数e为底的指数函数。
然后，基于参考帧点云数据与预设最大似然函数公式对概率密度函数求最大似然函数。
本实施例中，通过对每一个三维网格的概率密度与参考帧的概率密度对应网格进行对比，确定两帧激光点云数据之间的最大匹配概率，即最大似然函数，从而可以估计出实时位姿。具体地，当前帧点云数据为
Figure M_220701103718708_708825001
，其中，
Figure M_220701103718755_755720002
为当前帧点云数据，
Figure M_220701103718786_786941003
表示当前帧点云数据中第i个三维点，参考帧点云数据为
Figure M_220701103718833_833859004
，其中，
Figure M_220701103718877_877316005
为参考帧点云数据，
Figure M_220701103718892_892914006
表示参考帧点云数据中第i个三维点，定义当前帧与参考帧点云数据之间的空间转换函数为
Figure M_220701103718924_924154007
，其中，当前帧点云数据为当前正在计算位姿的一帧点云数据，
Figure M_220701103718955_955445008
为两帧激光点云数据之间的位姿变换参数。由此，可以通过使最大似然函数概率最大，可以估计出实时位姿。其中，预设最大似然函数公式为：
Figure M_220701103718986_986697001
其中，∏为连乘符号，m为参与匹配的点的三维点个数，δ为最大似然函数，
Figure M_220701103719050_050595001
为空间转换函数，其他符号的含义与前文一致。
可以理解的是，位姿是移动探测设备在采集当前帧点云数据时，与采集前一帧或多帧点云数据之间的相对情况。因此，确定一帧点云数据的位姿需与参考帧点云数据进行对比，一般情况下，参考帧为所需确定位姿的点云数据的前一帧。
最后，对最大似然函数进行最小化处理，具体地，可以将当前帧点云最大似然数函数代入预设最小化公式进行求解，预设最小化公式为：
Figure M_220701103719202_202478001
其中，arg min是指最小化求解，其他符号的含义与前文一致。
由此，可以确定出当前帧点云数据的实时位姿数据。
需要说明的是，计算包围盒、概率密度、构建最大似然函数以及最小化计算的具体计算方式可以参考现有技术，在此不进行赘述。
一实施例中，在获取点云数据的最大包围盒之前，对每一帧点云数据进行体素降采样处理。
本实施例中，可以预先设置体素阈值，对激光点云数据进行滤波，对一帧点云数据中的散乱的点进行过滤，以减少构建地图的数据量，从而提高构建地图的效率。其中，由于正态分布变换是通过概率密度及最大似然函数等统计学的方式，因此，去掉部分散乱的数据可以有效提高所确定的位姿以及构建地图的计算效率。
可以理解，体素降采样的具体实现方式可以参考现有技术，在此不再进行详细说明。其中，在获取最大包围盒时，还可以使用进行体素降采样滤波后的点云数据进行计算，以减少点云数据量，从而提高获取最大包围盒的效率。
一实施例中，在对点云数据集进行正态分布变换之前，还包括：获取采集点云数据集时的惯导姿态数据；基于惯导姿态数据对点云数据集进行线性插值计算，得到去除畸变三维点后的点云数据集。
本实施例中，在多线激光雷达采集点云数据集中的每一帧点云数据时，惯性导航单元也会同时采集移动探测设备当前的姿态数据，即惯导姿态数据。但由于惯性导航单元所获得的姿态数据并不完全准确，可能会出现偏移、误差等，因此，惯导姿态数据并不能直接用于确定位姿。此外，在点云数据中的各点，由于旋转电机的旋转和移动探测装置的运动会造成采集装置采集的点云数据发生畸变。因此，在本实施例中，可以利用惯导姿态数据对每一帧点云数据进行处理，以去掉每一帧点云数据的畸变，从而提高所获取的点云数据的准确性，进而使利用去除畸变后的点云数据构建的地图更准确。
具体地，通过每一帧点云数据分别对应惯导姿态数据对每一帧点云数据集进行线性插值计算，其中，点云数据为被插值函数，惯导姿态数据为差值函数，由此，去除该帧点云数据中的畸变。去除畸变后的该帧点云数据为
Figure M_220701103719300_300158001
，其中，
Figure M_220701103719347_347026002
为去除畸变后的该帧点云数据，
Figure M_220701103719378_378292003
为该帧点云数据中的第i个三维点，n为该帧点云数据中三维点的总数量。可以理解，线性插值计算的具体过程可以参考现有技术，在此不进行赘述。
S130，提取点云数据集中每一帧点云数据分别对应的线面特征。
一实施例中，提取点云数据中每一帧点云数据分别对应的线面特征，包括：基于预设曲率公式计算分别每一个三维点的曲率；分别将每一个三维点对应的曲率与预设曲率阈值进行对比，其中，预设曲率阈值包括线特征曲率阈值和面特征曲率阈值；在确定曲率大于线特征曲率阈值时，确定曲率对应的三维点为属于线特征的点；在确定曲率小于面特征曲率阈值时，确定曲率对应的三维点为属于面特征的点。
本实施例中，通过预设曲率公式对任意一个三维点进行计算，可以确定该三维点对应的曲率。其中，预设曲率公式为：
Figure M_220701103719393_393953001
其中，c为曲率，
Figure M_220701103719461_461236001
和
Figure M_220701103719492_492562002
为同一帧点云数据上的两个不同的三维点，N为该三维点
Figure M_220701103719524_524248003
周围的三维点数量，
Figure M_220701103719555_555514004
表征
Figure M_220701103719618_618020005
和
Figure M_220701103719653_653620006
两三维点之间的距离。
本实施例中，可以通过将三维点的曲率与预设阈值进行对比，以确定出三维点所属的特征类型。具体地，线面特征包括线特征与面特征，因此，分别设置线特征曲率阈值和面特征曲率阈值，且线特征曲率阈值大于面特征曲率阈值。将三维点的曲率分别与线特征曲率阈值和面特征曲率阈值进行对比，在三维点的曲率大于线特征曲率阈值时，可以确定该三维点属于线特征的点（或称“线特征点”），在三维点的曲率小于面特征曲率阈值时，可以确定该三维点是属于面特征的点（或称“面特征点”）。
示例性地，设线特征曲率阈值为
Figure M_220701103719685_685358001
，设面特征曲率阈值为τ，在c
Figure M_220701103719701_701007002
时，确定该曲率对应的三维点为线特征点；在c
Figure M_220701103719898_898303003
τ时，确定该曲率对应的三维点为面特征点。可以理解的是，曲率阈值可以根据实际需求或根据大量实验结果进行合理设置，以使根据曲率阈值所确定出三维点的所属特征类型更准确。
一实施例中，可以将一帧点云数据分为多个区域，在获取该帧点云数据所有三维点的曲率之后，分别将每一区域内的三维点按曲率大小进行排序。
本实施例中，划分区域可以一定程度上提高提取线面特征的效率或精度，划分区域的数量可以根据需求进行合理选择。可以理解，划分区域越多，所提取的点云数据线面特征精度越高，提取时效率会相应降低。
本实施例中，通过将三维点按曲率大小进行排序，能够有效提高通过曲率阈值判断三维点所属特征类型的效率。例如，在将三维点曲率按由大到小排序时，可以直接将曲率在线特征曲率阈值之前的所有三维点确定为线特征点，将曲率在面特征曲率阈值之后的所有三维点确定为面特征点。由此，可以有效避免对杂乱的三维点的曲率逐个进行对比，从而有效提高提取线面特征的效率，以及避免逐个对比导致的判断错误，从而提高线面特征提取的准确性。
S140，基于实时位姿数据和线面特征，构建局部子图。
一实施例中，构建局部子图包括：获取连续多帧点云数据的实时位姿数据和线面特征；基于连续多帧点云数据的实时位姿数据将连续多帧点云数据的线面特征进行拼接，得到待处理局部子图；基于预设边长的立方体对待处理局部子图进行截取，得到局部子图。
本实施例中，在确定每一帧点云数据分别对应的实时位姿数据和线面特征之后，可以构建出初步的地图，即局部子图。可以理解的是，局部子图是指通过实时位姿数据和线面特征构建的地图，可以是部分的连续多帧点云数据构建的地图，还可以是所有点云数据共同构建的地图。
本实施例中，在获取到点云数据的实时位姿数据和线面特征之后，可以根据实时位姿数据，确定移动探测设备在采集连续两帧之间点云数据时的方位、距离等关系，进而将两帧点云数据对应的线面特征进行拼接。在连续多帧点云数据进行拼接之后，可以构成多帧点云数据对应的地图，即待处理局部子图。可以理解，对点云数据线面特征拼接为地图的过程可以参考现有技术，在此不进行赘述。
本实施例中，通过预设边长的立方体对待处理局部子图中的点云数据进行截取，可以将局部子图内的在立方体范围外的点云数据剔除，由此，可以便于在使用局部子图与点云数据匹配时，减少匹配时所参与计算的点云数据的量，进而提高计算效率与匹配效率，其中，立方体所截取的范围可以是一帧或连续多帧点云数据的全部或部分三维点。可以理解，点云数据内的每一点为三维点，具有三维坐标，因此，点云数据所构建出局部子图也为三维地图，因此，所使用的是预设边长的立方体对局部子图内的点云数据进行截取。
S150，将局部子图与点云数据集进行匹配，构建被测区域的全局地图。
一实施例中，构建全局地图包括：获取局部子图的线面特征；将每一帧点云数据的线面特征与局部子图的线面特征进行匹配，以获得每一帧点云数据的姿态变换矩阵，其中，进行匹配的该帧点云数据不在局部子图内且与局部子图的最后一帧点云数据相邻；基于每一帧点云数据的姿态变换矩阵分别对每一帧点云数据对应的实时位姿数据进行更新，以获得每一帧点云数据分别的更新位姿；基于更新位姿将每一帧点云数据进行拼接，得到全局地图。
本实施例中，局部子图的线面特征包括局部子图线特征与局部子图面特征。获取局部子图的线面特征的方式可以包括：确定所需确定位姿的当前帧点云数据，根据该帧点云数据内各三维点的坐标，在局部子图的各点云数据中查找与该当前帧距离最近的一部分点，以构成最近点集，其中，最近距离可以根据需求进行合理设置。
在一些实施例中，在构成最近点集之后，可以预先采用主成分分析法对最近点集进行聚类处理，以提取最近点集中的主要特征维度（或称“主要特征分量”），然后，可以根据主要特征维度的个数对最近点集内的各点进行划分，以将最近点集中的点确定为线特征点或面特征点。具体地，将存在一个主要特征维度的点确定为线特征点，将存在两个主要特征维度的点确定为面特征点由此，通过主成分分析法可以有效提高提取局部子图线面特征的效率。其中，主成分分析的具体过程可以参考现有技术，在此不进行说明。本实施例中，由于基于正态分布变换获得的实时位姿数据是通过统计学方法确定的，是估计的位姿，并不能完全视为准确的位姿，因此，在获取局部子图的线面特征之后，再将局部子图的线面特征与点云数据的线面特征进行匹配，以保证点云数据与局部子图的一致性，进而重新确定每一帧点云数据更为准确的位姿，最终提高最终构建的全局地图的准确性。
本实施例中，由于已经确定出点云数据集中各点云数据准确的位姿，即姿态变换矩阵，因此，可以根据姿态变换矩阵对点云数据集中的各点云数据重新进行拼接，得到相较于局部子图更为准确的地图，由于是将点云数据集中的全部点云数据进行拼接，所构成的地图包括移动探测设备所探测的全部位置，因此，所构成地图为全局地图。
一实施例中，将局部子图与点云数据进行匹配，获取姿态变换矩阵的过程可以包括：基于点云数据的线特征、局部子图线特征及预设点线距离约束公式，得到点云数据的线特征点距离最近局部子图线特征之间的点线距离约束，线特征点为点云数据中属于线特征的点；基于点云数据的面特征、局部子图面特征及预设点面距离约束公式，得到点云数据的面特征点距离最近局部子图面特征之间的点面距离约束，面特征点为点云数据中属于面特征的点；基于点线距离约束、点面距离约束及预设最小二乘迭代变换确定姿态变换矩阵。
本实施例中，点线距离约束为点云数据中线特征点与局部子图线特征的最短距离，可以理解，由于点云数据中各三维点具有坐标，因此，点云数据线特征点与局部子图线特征距离最近时，局部子图线特征与该云数据线特征点所在线特征相匹配。同理，点面距离约束为点云数据中线特征点与局部子图面特征的最短距离。
本实施例中，预设点线距离约束公式为：
Figure M_220701103720007_007691001
其中，
Figure M_220701103720119_119022001
为点云数据中的三维点且该点为线特征点，
Figure M_220701103720150_150271002
、
Figure M_220701103720181_181499003
分别为局部子图线特征的两个端点，
Figure M_220701103720228_228414004
为点云数据线特征点
Figure M_220701103720261_261048005
与
Figure M_220701103720277_277192006
和
Figure M_220701103720308_308469007
所连成的局部子图线特征之间距离，
Figure M_220701103720339_339707008
为绝对值符号。即，本申请
Figure M_220701103720370_370978009
即为线特征点
Figure M_220701103720402_402198010
对应的点线距离约束。
本实施例中，预设点面距离约束公式为：
Figure M_220701103720433_433465001
其中，
Figure M_220701103720498_498380001
为点云数据中的三维点且该点为面特征点，
Figure M_220701103720529_529608002
为局部子图中，与
Figure M_220701103720576_576512003
距离最近的面特征的中心点，
Figure M_220701103720607_607767004
为平面特征的法向量，
Figure M_220701103720639_639011005
为矩阵转置之后的法向量，
Figure M_220701103720659_659482006
为点云数据面特征对应局部子图面特征的最短距离。即，本申请
Figure M_220701103720691_691275007
即为三维点
Figure M_220701103720738_738152008
对应的点面距离约束。
本实施例中，点线距离约束和点面距离约束可以视为点云数据相较于局部子图的位姿情况。但由于一帧点云数据内所有线面特征与局部子图之间所确定出的位姿应该是统一的，如距离、方位等，也即线特征和面特征具有公共的位姿参数，但实际过程中可能存在误差。因此，还可以通过最小二乘迭代的方式对点云数据和局部子图之间的点面距离约束进行迭代求解，以确定出各位姿参数之间误差最小的值作为位姿参数，由此，可以得到该帧点云数据的姿态变换矩阵。最小二乘迭代的具体过程可以参考现有技术，在此不进行赘述。
可以理解的是，实时位姿数据是通过正态分布变化得到的估计的位姿数据，并非真实的位姿，因此，通过将局部子图与点云数据集进行匹配，获取姿态变换矩阵，并利用姿态变换矩阵对实时位姿数据进行更新，使得更新后的位姿为准确地实时位姿。
本申请实施例中，通过对点云数据集进行正态分布变换，可以确定出每一帧点云数据对应的位姿，相较于现有技术通过两帧点云数据的特征进行匹配确定位姿，可以无需使用线面特征确定位姿，进而避免因待测区域线面特征不显著导致的无法通过匹配确定位姿的问题。接着，通过实时位姿数据和所提取的点云数据的线面特征构建局部子图，再使点云数据与局部子图的匹配，以保证点云数据与局部子图之间的一致性，由此，可以使重新构建的全局地图更为准确。
基于同一发明构思，本申请实施例提供了一种地图构建装置。请参阅图3，图3为本申请实施例提供的一种地图构建装置的结构示意图。地图构建装置200包括:获取模块210、位姿计算模块220、特征提取模块230和地图构建模块240。
获取模块210，用于获取被测区域的点云数据集，点云数据集包括多帧点云数据。
位姿计算模块220，用于对点云数据集与进行正态分布变换计算，得到每一帧点云数据的实时位姿数据。
特征提取模块230，用于基于点云数据中每一帧点云数据分别对应的线面特征。
地图构建模块240，用于基于实时位姿数据和线面特征，构建局部子图。
地图构建模块240，还用于将局部子图与点云数据进行匹配，构建被测区域的全局地图。
位姿计算模块220，还用于获取点云数据的最大包围盒；根据预设边长对最大包围盒进行三维网格划分，得到点云数据的三维网格；基于三维网格内每一个三维点的坐标、预设的协方差矩阵及预设概率密度公式，计算三维网格的概率密度；基于点云数据的前一帧点云数据、概率密度及预设最大似然函数公式，确定最大似然函数；对最大似然函数进行最小化求解，得到实时位姿数据。
获取模块210，还用于获取采集点云数据集时的惯导姿态数据；基于惯导姿态数据对点云数据集进行线性插值计算，得到去除畸变三维点后的点云数据集。
特征提取模块230，还用于基于预设曲率公式计算分别每一三维点的曲率；分别将每一三维点对应的曲率与预设曲率阈值进行对比，其中，预设曲率阈值包括线特征曲率阈值和面特征曲率阈值；在确定曲率大于线特征曲率阈值时，确定曲率对应的三维点为属于线特征的点；在确定曲率小于面特征曲率阈值时，确定曲率对应的三维点为属于面特征的点。
地图构建模块240，还用于获取连续多帧点云数据的实时位姿数据和线面特征；基于连续多帧点云数据的实时位姿数据将连续多帧点云数据的线面特征进行拼接，得到待处理局部子图；基于预设边长的立方体对待处理局部子图进行截取，得到局部子图。
地图构建模块240，还用于获取局部子图的线面特征；将每一帧点云数据的线面特征与局部子图的线面特征进行匹配，以获得每一帧点云数据的姿态变换矩阵，其中，进行匹配的该帧点云数据不在局部子图内且与局部子图的最后一帧点云数据相邻；基于每一帧点云数据的姿态变换矩阵分别对每一帧点云数据对应的实时位姿数据进行更新，以获得每一帧点云数据分别的更新位姿；基于更新位姿将每一帧点云数据进行拼接，得到全局地图。
地图构建模块240，还用于基于点云数据的线特征、局部子图线特征及预设点线距离约束公式，得到点云数据的线特征点距离最近所述局部子图线特征之间的点线距离约束，线特征点为点云数据中属于线特征的点；基于点云数据的面特征、局部子图面特征及预设点面距离约束公式，得到点云数据的面特征点距离最近局部子图面特征之间的点面距离约束，面特征点为点云数据中属于面特征的点；基于点线距离约束、点面距离约束及预设最小二乘迭代变换确定姿态变换矩阵。
可以理解，本申请提供的地图构建装置200与本申请提供的地图构建方法对应，为使说明书简洁，相同或相似部分可以参照地图构建方法部分的内容，在此不再赘述。
上述地图构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于处理器中，以便于处理器调用执行以上各个模块对应的操作。
基于同一发明构思，本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序在被运行时执行上述实施例中提供的方法。
该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如软盘、硬盘、磁带)、光介质(例如DVD（中英文全称）)、或者半导体介质（例如SSD（SolidState Disk，固态硬盘）等。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种地图构建方法，其特征在于，包括:
获取被测区域的点云数据集，所述点云数据集包括多帧点云数据；
对所述点云数据集中每一帧所述点云数据分别进行正态分布变换，得到每一帧所述点云数据的实时位姿数据；
提取所述点云数据集中每一帧所述点云数据分别对应的线面特征；
基于所述实时位姿数据和所述线面特征，构建局部子图；
将所述局部子图与所述点云数据集的每一帧所述点云数据分别进行匹配，构建所述被测区域的全局地图，其中，进行匹配的该帧点云数据不在所述局部子图内且与所述局部子图的最后一帧点云数据相邻；
一帧所述点云数据包括多个三维点及每一所述三维点的坐标，所述对所述点云数据集中每一帧所述点云数据分别进行正态分布变换，得到每一帧所述点云数据的实时位姿数据，包括：获取所述点云数据的最大包围盒；根据预设边长对所述最大包围盒进行三维网格划分，得到所述点云数据的三维网格；基于所述三维网格内每一所述三维点的坐标、预设的协方差矩阵及预设概率密度公式，计算所述三维网格的概率密度；基于所述点云数据的前一帧点云数据、所述概率密度及预设最大似然函数公式，确定最大似然函数；对所述最大似然函数进行最小化求解，得到所述实时位姿数据；
所述将所述局部子图与所述点云数据集进行匹配，构建被测区域的全局地图，包括：获取所述局部子图的线面特征；将每一帧所述点云数据的线面特征与所述局部子图的线面特征进行匹配，以获得每一帧所述点云数据的姿态变换矩阵，其中，进行匹配的该帧点云数据不在所述局部子图内且与所述局部子图的最后一帧点云数据相邻；基于每一帧点云数据的所述姿态变换矩阵分别对每一帧所述点云数据对应的所述实时位姿数据进行更新，以获得每一帧所述点云数据分别的更新位姿；基于所述更新位姿将每一帧所述点云数据进行拼接，得到所述全局地图。
2.根据权利要求1所述的方法，其特征在于，所述获取所述点云数据的最大包围盒之前，所述方法还包括：对每一帧所述点云数据进行体素降采样处理。
3.根据权利要求1所述的方法，其特征在于，所述对所述点云数据集进行正态分布变换，得到每一帧所述点云数据的实时位姿数据之前，所述方法还包括：获取采集所述点云数据集时的惯导姿态数据；基于所述惯导姿态数据对所述点云数据集进行线性插值计算，得到去除畸变三维点后的所述点云数据集。
4.根据权利要求1所述的方法，其特征在于，一帧所述点云数据包括多个三维点，所述线面特征包括线特征和面特征，所述提取所述点云数据中每一帧所述点云数据分别对应的线面特征，包括：
基于预设曲率公式计算分别每一所述三维点的曲率；
分别将每一所述三维点对应的所述曲率与预设曲率阈值进行对比，其中，所述预设曲率阈值包括线特征曲率阈值和面特征曲率阈值；
在确定所述曲率大于所述线特征曲率阈值时，确定所述曲率对应的三维点为属于所述线特征的点；
在确定所述曲率小于所述面特征曲率阈值时，确定所述曲率对应的所述三维点为属于所述面特征的点。
5.根据权利要求1所述的方法，其特征在于，所述基于所述实时位姿数据和所述线面特征，构建局部子图，包括：
获取连续多帧点云数据的实时位姿数据和线面特征；
基于所述连续多帧点云数据的实时位姿数据将所述连续多帧点云数据的线面特征进行拼接，得到待处理局部子图；
基于预设边长的立方体对所述待处理局部子图进行截取，得到所述局部子图。
6.根据权利要求1所述的方法，其特征在于，所述局部子图的线面特征包括局部子图线特征与局部子图面特征，所述将每一帧所述点云数据的线面特征与所述局部子图的线面特征进行匹配，以获得每一帧所述点云数据的姿态变换矩阵，包括：
基于所述点云数据的线特征、所述局部子图线特征及预设点线距离约束公式，得到所述点云数据的线特征点距离最近所述局部子图线特征之间的点线距离约束，所述线特征点为所述点云数据中属于所述线特征的点；
基于所述点云数据的面特征、所述局部子图面特征及预设点面距离约束公式，得到所述点云数据的面特征点距离最近所述局部子图面特征之间的点面距离约束，所述面特征点为所述点云数据中属于所述面特征的点；
基于所述点线距离约束、所述点面距离约束及预设最小二乘迭代变换确定所述姿态变换矩阵。
7.一种地图构建装置，其特征在于，包括：
获取模块，用于获取被测区域的点云数据集，所述点云数据集包括多帧点云数据；
位姿计算模块，用于对所述点云数据集中每一帧所述点云数据分别进行正态分布变换，得到每一帧所述点云数据的实时位姿数据；
特征提取模块，用于提取所述点云数据中每一帧所述点云数据分别对应的线面特征；
地图构建模块，用于基于所述实时位姿数据和所述线面特征，构建局部子图；
所述地图构建模块，还用于将所述局部子图与所述点云数据集的每一帧所述点云数据分别进行匹配，构建被测区域的全局地图，其中，进行匹配的该帧点云数据不在所述局部子图内且与所述局部子图的最后一帧点云数据相邻；
一帧所述点云数据包括多个三维点及每一所述三维点的坐标，所述位姿计算模块，还用于获取所述点云数据的最大包围盒；根据预设边长对所述最大包围盒进行三维网格划分，得到所述点云数据的三维网格；基于所述三维网格内每一所述三维点的坐标、预设的协方差矩阵及预设概率密度公式，计算所述三维网格的概率密度；基于所述点云数据的前一帧点云数据、所述概率密度及预设最大似然函数公式，确定最大似然函数；对所述最大似然函数进行最小化求解，得到所述实时位姿数据；
所述地图构建模块，还用于获取所述局部子图的线面特征；将每一帧所述点云数据的线面特征与所述局部子图的线面特征进行匹配，以获得每一帧所述点云数据的姿态变换矩阵，其中，进行匹配的该帧点云数据不在所述局部子图内且与所述局部子图的最后一帧点云数据相邻；基于每一帧点云数据的所述姿态变换矩阵分别对每一帧所述点云数据对应的所述实时位姿数据进行更新，以获得每一帧所述点云数据分别的更新位姿；基于所述更新位姿将每一帧所述点云数据进行拼接，得到所述全局地图。
8.一种移动探测设备，其特征在于，包括：
移动部，用于进行移动；
采集装置，用于在移动过程中采集点云数据；
处理器，与所述采集装置连接，用于执行如权利要求1-6任一所述的地图构建方法或实现如权利要求7所述的地图构建装置的功能。
CN202210776235.4A 2022-07-04 2022-07-04 一种地图构建方法、装置及移动探测设备 Active CN114842084B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210776235.4A CN114842084B (zh) 2022-07-04 2022-07-04 一种地图构建方法、装置及移动探测设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210776235.4A CN114842084B (zh) 2022-07-04 2022-07-04 一种地图构建方法、装置及移动探测设备

Publications (2)

Publication Number Publication Date
CN114842084A CN114842084A (zh) 2022-08-02
CN114842084B true CN114842084B (zh) 2022-09-30

Family

ID=82574676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210776235.4A Active CN114842084B (zh) 2022-07-04 2022-07-04 一种地图构建方法、装置及移动探测设备

Country Status (1)

Country Link
CN (1) CN114842084B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110221603B (zh) * 2019-05-13 2020-08-14 浙江大学 一种基于激光雷达多帧点云融合的远距离障碍物检测方法
CN110689622B (zh) * 2019-07-05 2021-08-27 电子科技大学 一种基于点云分割匹配闭环校正的同步定位与构图方法
US20220172386A1 (en) * 2020-11-27 2022-06-02 Samsung Electronics Co., Ltd. Method and device for simultaneous localization and mapping (slam)
CN114526745B (zh) * 2022-02-18 2024-04-12 太原市威格传世汽车科技有限责任公司 一种紧耦合激光雷达和惯性里程计的建图方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于NDT与ICP结合的点云配准算法;王庆闪等;《计算机工程与应用》;20201231;全文 *

Also Published As

Publication number Publication date
CN114842084A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN109141364B (zh) 障碍物检测方法、系统及机器人
US10268917B2 (en) Pre-segment point cloud data to run real-time shape extraction faster
US9292961B1 (en) System and method for detecting a structural opening in a three dimensional point cloud
KR20190082062A (ko) 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법 및 장치
CN109816664B (zh) 一种三维点云分割方法及装置
CN107133966B (zh) 一种基于采样一致性算法的三维声纳图像背景分割方法
WO2020168685A1 (zh) 一种三维扫描视点规划方法、装置及计算机可读存储介质
CN110795978B (zh) 路面点云数据提取方法、装置、存储介质及电子设备
CN114419085A (zh) 建筑物轮廓线自动提取方法、装置、终端设备及存储介质
CN108764157B (zh) 基于法向量高斯分布的建筑物激光脚点提取方法及系统
CN112711034A (zh) 物体检测方法、装置及设备
CN115164868A (zh) 机器人定位方法、装置、机器人及存储介质
CN115457152A (zh) 外参标定方法、装置、电子设备及存储介质
CN114677435A (zh) 一种点云全景融合要素提取方法和系统
WO2022099620A1 (zh) 三维点云分割方法和装置、可移动平台
CN114299242A (zh) 高精地图中图像处理方法、装置、设备以及存储介质
CN116051540B (zh) 基于点云模型的互感器接线端子定位位姿获取方法及系统
CN114842084B (zh) 一种地图构建方法、装置及移动探测设备
CN114910892A (zh) 一种激光雷达的标定方法、装置、电子设备及存储介质
CN116295466A (zh) 地图生成方法、装置、电子设备、存储介质、及车辆
CN117194591B (zh) 一种球体轨迹到平面地图的显示方法、装置、设备和介质
Zeng et al. An improved extraction method of individual building wall points from mobile mapping system data
CN117392631B (zh) 一种道路边界提取方法、装置、电子设备及存储介质
CN117576172B (zh) 基于改进关键点的配准方法和装置
CN116958303A (zh) 一种基于室外激光雷达的智能建图方法及系统

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