CN115390082A - 一种基于虚拟描述符的全局定位方法及其系统 - Google Patents

一种基于虚拟描述符的全局定位方法及其系统 Download PDF

Info

Publication number
CN115390082A
CN115390082A CN202211051799.8A CN202211051799A CN115390082A CN 115390082 A CN115390082 A CN 115390082A CN 202211051799 A CN202211051799 A CN 202211051799A CN 115390082 A CN115390082 A CN 115390082A
Authority
CN
China
Prior art keywords
point cloud
descriptor
virtual
map
global positioning
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.)
Pending
Application number
CN202211051799.8A
Other languages
English (en)
Inventor
朱佳琪
卓桂荣
王冠北
熊璐
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202211051799.8A priority Critical patent/CN115390082A/zh
Publication of CN115390082A publication Critical patent/CN115390082A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/08—Systems determining position data of a target for measuring distance only
    • 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
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于虚拟描述符的全局定位方法及其系统，该方法包括：对激光雷达点云数据进行预处理以及特征点云提取操作；针对关键帧特征点云，以任意位置为中心依次动态生成虚拟描述符；结合从GNSS/INS组合定位系统获取的定位信息，构建密度可调的稀疏描述符地图；同时利用原始点云信息，构建点云地图；针对查询帧特征点云，从中提取出SC描述符，加载稀疏描述符地图进行二阶段加权搜索匹配，得到候选帧及匹配初值；加载候选帧周围设定范围内点云信息，构建局部点云地图，将查询帧点云与局部点云地图进行匹配，得到全局定位信息。与现有技术相比，本发明能够同时具有旋转和平移不变性，具有计算量小、地图采集工作量小、精度高、环境适用性强的优点。

Description

一种基于虚拟描述符的全局定位方法及其系统
技术领域
本发明涉及自动驾驶汽车定位技术领域，尤其是涉及一种基于虚拟描述符的全局定位方法及其系统。
背景技术
近年来，随着自动驾驶技术的飞速发展，智能车辆对定位的要求越来越高。其中，固定区域的自动驾驶和特定场景的自动驾驶是行业内公认的最有望率先落地的应用场景，而基于激光雷达的全局定位算法，因其具有较好的定位精度及稳定性，在以上场景已被广泛应用。
目前国内外基于激光雷达的全局定位方法主要包括：1、基于点云匹配的全局定位方法，由于环境点云地图一般较大，导致该方法不仅工作量巨大、实时性较差，且简单的算法常常无法完成全局定位的复杂任务；2、基于描述符匹配的全局定位方法，该方法的效率和精度都更高，但是目前已提出的全局描述符(如SC描述符)只具有旋转不变性，不具有平移不变性，当全局定位轨迹与地图轨迹具有平移、环境特征稀疏、高墙遮挡等情况时，常常导致位置识别失败，此外，通过实车实验证明，基于SC描述符实现成功定位所允许的最大采图间隔是3m，为此要求必须在车辆可行驶区域进行地图的密集采集，这就使得点云地图数据量巨大，容易引发地图载入速率低、内存消耗大等问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于虚拟描述符的全局定位方法及其系统，能够同时具有旋转不变性和平移不变性，提高定位成功率及准确性。
本发明的目的可以通过以下技术方案来实现：一种基于虚拟描述符的全局定位方法，包括以下步骤：
S1、获取激光雷达点云数据，并依次进行点云预处理以及特征点云提取操作，得到关键帧特征点云和查询帧特征点云；
S2、针对关键帧特征点云，以任意位置为中心依次动态生成虚拟描述符；
结合从GNSS/INS组合定位系统获取的定位信息，构建得到密度可调的稀疏描述符地图；
同时利用原始点云信息，构建得到点云地图；
S3、针对查询帧特征点云，从中提取出SC描述符，之后加载稀疏描述符地图进行二阶段加权搜索匹配，得到候选帧及匹配初值；
S4、加载候选帧周围设定范围内点云信息，以构建局部点云地图，将查询帧点云与局部点云地图进行匹配，得到全局定位信息。
进一步地，所述步骤S2具体包括以下步骤：
S21、针对一个关键帧特征点云，使用设定尺寸的栅格滤波进行下采样；
再以任意位置为中心，使用扇形栅格进行空间区域的划分；
S22、遍历每个栅格中的点云，计算每个栅格对应的最大高度特征值，以得到虚拟描述符初值；
S23、针对各虚拟描述符，分别进行环境一致性检验，以确定出虚拟描述符中每一个栅格的特征值终值及其环境一致性权重；
S24、结合从GNSS/INS组合定位系统获取的定位信息，利用步骤S23中环境一致性检验后的虚拟描述符，构建得到稀疏描述符地图；
同时利用原始点云信息，构建得到点云地图。
进一步地，所述步骤S21中使用扇形栅格进行空间区域的划分的具体过程为：沿周向每隔设定角度A划分一格，一周360度，共得到周向的(360/A)个栅格；
沿径向每隔设定长度B划分一格，划分范围为0至C米，共得到径向的(C/B)个栅格；
最终得到((360/A)*(C/B))个扇形栅格。
进一步地，所述步骤S22中虚拟描述符初值具体为：
Figure BDA0003823723800000021
其中，Ivirtual为虚拟描述符初值，Hij为栅格的最大高度特征值，
Figure BDA0003823723800000022
为实数，Nr为径向的栅格数，Ns为周向的栅格数。
进一步地，所述步骤S23具体是采用模板描述符的方式，将虚拟描述符与模板描述符进行对比，以确定虚拟描述符中每一个栅格的特征值终值及其环境一致性权重。
进一步地，所述虚拟描述符中每一个栅格的特征值终值及其环境一致性权重具体为：
若点云离虚拟描述符生成中心距离变小，则：
Figure BDA0003823723800000031
Figure BDA0003823723800000032
若点云离虚拟描述符生成中心距离变大，则：
Figure BDA0003823723800000033
其中，r为栅格的最大半径，
Figure BDA0003823723800000034
为激光扫描的最大俯仰角，Hvirtual为虚拟描述符Ivirtual中栅格特征值的初值，Htemplatek为模板描述符Itemplatek的栅格特征值，
Figure BDA0003823723800000035
为Ivirtual经过环境一致性检验后栅格特征值的终值，α为对应的环境一致性权重。
进一步地，所述步骤S3具体包括以下步骤：
S31、以激光雷达为中心，从查询帧特征点云中提取出相应的SC描述符；
S32、加载稀疏描述符地图用于位置识别，对于提取出的SC描述符，将其按行求和取均值得到(C/B)维向量，称为环键，其中，稀疏描述符地图的环键用于构建KD树，并根据查询帧的环键查找相似键；
S33、在快速匹配和判断阶段，对于每一候选帧和查询帧，通过距离函数来判断每一个候选帧与查询帧之间的相似性：将两者按列进行比较，计算两者中具有相同索引的两个列向量的余弦距离，相加所有列的余弦距离并进行归一化，得到用来描述两个描述符相似性的距离数值；
筛选出最小距离数值，由此确定最佳列位移数和距离，其中，最佳列位移数即为输出的匹配初值。
进一步地，所述步骤S32中查找相似键具体是使用加权L1距离作为相似度评价指标，以查找出设定数量的相似键，其中，相似度评价指标的具体计算公式为：
Figure BDA0003823723800000036
其中，Hp为查询帧描述符的栅格特征值，Nr表示环键的维数，即为径向的栅格数。
进一步地，所述步骤S33中最佳列位移数具体为：
Figure BDA0003823723800000041
Figure BDA0003823723800000042
Figure BDA0003823723800000043
其中，Iq、Ic分别为从查询帧与候选帧中获取的描述符，
Figure BDA0003823723800000044
分别为来自查询帧和候选帧的具有相同索引的列向量，
Figure BDA0003823723800000045
为平移了n列的候选帧描述符，Ns表示描述符列向量的维度，即为周向的栅格数，d(Iq,Ic)为Iq与Ic之间的相似性距离。
进一步地，所述步骤S4具体是将局部点云地图与查询帧点云进行ICP(IterativeClosest Point，迭代最近点)匹配，即利用步骤S3得到的匹配初值作为ICP匹配初值，以计算得到相应的全局定位信息。
一种基于虚拟描述符的全局定位系统，包括处理提取模块、建图模块和全局定位模块，所述处理提取模块的输入端与激光雷达相连接，所述处理提取模块的输出端分别连接至建图模块和全局定位模块，所述建图模块的输入端还与GNSS/INS组合定位系统相连接，所述建图模块的输出端连接至全局定位模块，所述处理提取模块用于对激光雷达采集的点云数据进行预处理、并从中提取出特征点云；
所述建图模块用于将采集的单车道激光点云信息，以点云的任意位置为中心提取出虚拟描述符，并结合GNSS/INS组合定位系统的定位信息，构建输出密度可调的多车道稀疏描述符地图和点云地图；
所述全局定位模块以激光雷达为中心提取查询帧点云SC描述符，通过加载稀疏描述符地图进行位置识别，利用二阶段加权搜索匹配输出候选帧及匹配初值，再加载候选帧周围设定范围内的局部点云地图与查询帧点云进行ICP匹配，以计算得到全局定位信息。
与现有技术相比，本发明针对关键帧特征点云，以任意位置为中心依次动态生成虚拟描述符，由于虚拟描述符能够在单帧点云的任意位置动态生成，解决了现有全局描述符在全局定位轨迹与地图轨迹具有平移、环境特征稀疏等情况下定位失败的问题，具有平移不变性的优点；尤其是在常见的多车道场景中，为实现成功定位，现有方法需要进行逐车道的地图数据采集，而本发明方法只需要进行单车道采集，大大减少了地图采集的工作量，以及数据处理的工作量，提高了定位成功率及精度。
本发明通过构建密度可调的稀疏描述符地图，针对查询帧特征点云，从中提取出SC描述符，之后加载稀疏描述符地图进行位置识别，即在匹配时只加载描述符地图，而不用加载全部的点云地图，当位置识别成功后，再加载候选帧附近局部点云地图进行精匹配，由于描述符地图内存远远小于点云地图的内存，从而大大降低了内存消耗和加载时间，提高了算法的运行效率，降低了对设备性能的要求。
本发明考虑到激光雷达扫描原理，每一帧点云均是以激光雷达本身为中心采集的，当描述符生成中心平移之后，真实可观测的点云信息会发生变化，但并未真实采集，而是用原始采集的点云信息提取描述符，因此就会发生虚拟描述符与环境的一致性不确定的问题，故本发明设计对每一个虚拟描述符进行环境一致性检验；此外，本发明还利用二阶段加权搜索匹配输出候选帧及匹配初值。由此，一方面通过对虚拟描述符进行环境一致性检验，提高了虚拟描述符的可信度；同时采用二阶段加权搜索，能够利用环境一致性权重，即只利用与环境一致部分的描述符参与搜索，而降低一致性不确定部分的权重，实现只选取准确重叠区域进行搜索匹配的功能，有效去除会引起匹配失败的描述符区域，从而有效提高匹配成功率，最终提高全局定位的准确度及精度。
附图说明
图1为本发明的方法流程示意图；
图2为实施例中栅格划分示意图；
图3为实施例中环境一致性检验示意图；
图4为本发明的系统结构原理示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，一种一种基于虚拟描述符的全局定位方法，包括以下步骤：
S1、获取激光雷达点云数据，并依次进行点云预处理以及特征点云提取操作，得到关键帧特征点云和查询帧特征点云；
S2、针对关键帧特征点云，以任意位置为中心依次动态生成虚拟描述符；
结合从GNSS/INS组合定位系统获取的定位信息，构建得到密度可调的稀疏描述符地图；
同时利用原始点云信息，构建得到点云地图；
S3、针对查询帧特征点云，从中提取出SC描述符，之后加载稀疏描述符地图进行二阶段加权搜索匹配，得到候选帧及匹配初值；
S4、加载候选帧周围设定范围内点云信息，以构建局部点云地图，将查询帧点云与局部点云地图进行匹配，得到全局定位信息。
本实施例应用上述方法，其具体应用过程包括：
1)采集激光雷达点云数据，并进行点云预处理及特征点云提取；
2)针对关键帧特征点云，以任意位置为中心依次动态生成虚拟描述符，其中，各中心之间的距离可灵活设置，并依据模板描述符进行环境一致性检验，结合高精度GNSS/INS组合定位系统的定位信息，构建出密度可调的稀疏描述符地图，同时利用点云信息构建出高精度点云地图。
具体过程如下：
对一帧点云使用0.5米大小的栅格滤波进行下采样；再以任意位置为中心，使用扇形栅格进行空间区域的划分。如图2所示，具体的划分方式为，周向每隔6度划分一格，一周360度共60格；径向每隔4米划分一格，划分范围为0至80米，共20格，最终的扇形栅格共有1200(20*60)个；之后遍历每个栅格中的点云，计算每个栅格的特征值Hij：最大高度值，得到20*60的数组，获得虚拟描述符Ivirtual的初值，计算公式如下：
Figure BDA0003823723800000061
考虑到激光雷达扫描原理，每一帧点云均是以激光雷达本身为中心采集的，当描述符生成中心平移之后，真实可观测的点云信息会发生变化，但并未真实采集，而是用原始采集的点云信息提取描述符，因此就会发生虚拟描述符与环境的一致性不确定的问题，故需要对每一个虚拟描述符进行环境一致性检验(如图3所示)，本技术方案通过与模板描述符Itemplatek的对比分析，确定虚拟描述符中每一个栅格的特征值终值及其环境一致性权重。其中模板描述符中栅格特征值计算公式为：
Figure BDA0003823723800000062
如果点云离虚拟描述符生成中心距离变小：
Figure BDA0003823723800000071
如果点云离虚拟描述符生成中心距离变大：
Figure BDA0003823723800000072
其中，r是栅格的最大半径，
Figure BDA0003823723800000073
是激光扫描的最大俯仰角；Hvirtual是Ivirtual中栅格特征值的初值；Htemplatek是Itemplatek的栅格特征值；
Figure BDA0003823723800000074
是Ivirtual经过环境一致性检验后栅格特征值的终值；α是其环境一致性权重。
之后结合GNSS/INS组合定位系统的高精度定位信息，利用提取的虚拟描述符，构建稀疏描述符地图，由于虚拟描述符生成时，各中心的间距可调节，故生成的稀疏描述符地图密度可调节；同时利用原始点云信息构建高精度点云地图。
3)对查询帧特征点云提取SC描述符，加载稀疏描述符地图进行二阶段加权搜索匹配，位置识别成功之后，获得候选帧及匹配初值。具体过程如下：
以激光雷达为中心，提取查询帧点云的SC描述符；再加载构建的稀疏描述符地图用于位置识别，对提取的描述符，将其按行求和取均值得到20维向量，称为环键，其中描述符地图的环键用于构建KD树，使用查询帧的环键查找相似键，本实施例设置查找最相近的50个，并使用加权L1距离作为相似度评价指标，具体公式为：
Figure BDA0003823723800000075
在快速匹配和判断阶段，对于每一候选帧和查询帧，通过一个距离函数来判断每一个候选帧与查询帧之间的相似性。将两者按列进行比较，计算两者中具有相同索引的两个列向量的余弦距离，相加所有列的余弦距离并进行归一化，得到用来描述两个描述符相似性的距离数值。距离函数为：
Figure BDA0003823723800000076
当车辆在原地旋转时，描述符表现为每一列的数值不变，但会按列进行平移。为了实现定位的旋转不变性，计算出所有可能的列位移后两个描述符之间的距离，并找到最小距离，该距离用于最终两个描述符之间的相似度评价，距离越小，证明两者之间越相似。确定最佳列位移数和距离的公式如下，其中最佳列位移数即为输出的匹配初值：
Figure BDA0003823723800000081
Figure BDA0003823723800000082
其中，Hp是查询帧描述符的栅格特征值；Iq,Ic分别是从查询帧与候选帧获取的描述符；
Figure BDA0003823723800000083
表示分别来自查询帧和候选帧的具有相同索引的列向量；
Figure BDA0003823723800000084
是平移了n列的候选帧描述符，Ns表示描述符列向量的维度，本实施例中为60。
4)得到候选帧及匹配初值之后，加载候选帧附近点云信息构建局部点云地图，与查询帧点云进行ICP匹配，具体是利用步骤3)中输出的匹配初值作为ICP匹配初值，计算得到高精度全局定位信息。
如图4所示，本实施例还提供一种基于虚拟描述符的全局定位系统，该系统中，包括处理提取模块、建图模块和全局定位模块，其中，处理提取模块的输入端与激光雷达相连接，处理提取模块的输出端分别连接至建图模块和全局定位模块，建图模块的输入端还与GNSS/INS组合定位系统相连接，建图模块的输出端连接至全局定位模块。
在实际应用中，处理提取模块用于对激光雷达采集的点云数据进行预处理、并从中提取出特征点云；
建图模块用于将采集的单车道激光点云信息，以点云的任意位置为中心提取出虚拟描述符，并结合GNSS/INS组合定位系统的定位信息，构建输出密度可调的多车道稀疏描述符地图和点云地图；
全局定位模块则以激光雷达为中心提取查询帧点云SC描述符，通过加载稀疏描述符地图进行位置识别，利用二阶段加权搜索匹配输出候选帧及匹配初值，再加载候选帧周围设定范围内的局部点云地图与查询帧点云进行ICP匹配，以计算得到全局定位信息。
综上可知，本技术方案解决了基于描述符进行全局定位不具有平移不变性的问题，具有计算量小、地图采集工作量小、精度高、环境适用性强等优点。

Claims (10)

1.一种基于虚拟描述符的全局定位方法，其特征在于，包括以下步骤：
S1、获取激光雷达点云数据，并依次进行点云预处理以及特征点云提取操作，得到关键帧特征点云和查询帧特征点云；
S2、针对关键帧特征点云，以任意位置为中心依次动态生成虚拟描述符；
结合从GNSS/INS组合定位系统获取的定位信息，构建得到密度可调的稀疏描述符地图；
同时利用原始点云信息，构建得到点云地图；
S3、针对查询帧特征点云，从中提取出SC描述符，之后加载稀疏描述符地图进行二阶段加权搜索匹配，得到候选帧及匹配初值；
S4、加载候选帧周围设定范围内点云信息，以构建局部点云地图，将查询帧点云与局部点云地图进行匹配，得到全局定位信息。
2.根据权利要求1所述的一种基于虚拟描述符的全局定位方法，其特征在于，所述步骤S2具体包括以下步骤：
S21、针对一个关键帧特征点云，使用设定尺寸的栅格滤波进行下采样；
再以任意位置为中心，使用扇形栅格进行空间区域的划分；
S22、遍历每个栅格中的点云，计算每个栅格对应的最大高度特征值，以得到虚拟描述符初值；
S23、针对各虚拟描述符，分别进行环境一致性检验，以确定出虚拟描述符中每一个栅格的特征值终值及其环境一致性权重；
S24、结合从GNSS/INS组合定位系统获取的定位信息，利用步骤S23中环境一致性检验后的虚拟描述符，构建得到稀疏描述符地图；
同时利用原始点云信息，构建得到点云地图。
3.根据权利要求2所述的一种基于虚拟描述符的全局定位方法，其特征在于，所述步骤S21中使用扇形栅格进行空间区域的划分的具体过程为：沿周向每隔设定角度A划分一格，一周360度，共得到周向的(360/A)个栅格；
沿径向每隔设定长度B划分一格，划分范围为0至C米，共得到径向的(C/B)个栅格；
最终得到((360/A)*(C/B))个扇形栅格。
4.根据权利要求3所述的一种基于虚拟描述符的全局定位方法，其特征在于，所述步骤S22中虚拟描述符初值具体为：
Figure FDA0003823723790000021
其中，Ivirtual为虚拟描述符初值，Hij为栅格的最大高度特征值，
Figure FDA0003823723790000022
为实数，Nr为径向的栅格数，Ns为周向的栅格数。
5.根据权利要求4所述的一种基于虚拟描述符的全局定位方法，其特征在于，所述步骤S23具体是采用模板描述符的方式，将虚拟描述符与模板描述符进行对比，以确定虚拟描述符中每一个栅格的特征值终值及其环境一致性权重：
若点云离虚拟描述符生成中心距离变小，则：
Figure FDA0003823723790000023
Figure FDA0003823723790000024
若点云离虚拟描述符生成中心距离变大，则：
Figure FDA0003823723790000025
其中，r为栅格的最大半径，
Figure FDA0003823723790000026
为激光扫描的最大俯仰角，Hvirtual为虚拟描述符Ivirtual中栅格特征值的初值，Htemplatek为模板描述符Itemplatek的栅格特征值，
Figure FDA0003823723790000027
为Ivirtual经过环境一致性检验后栅格特征值的终值，α为对应的环境一致性权重。
6.根据权利要求5所述的一种基于虚拟描述符的全局定位方法，其特征在于，所述步骤S3具体包括以下步骤：
S31、以激光雷达为中心，从查询帧特征点云中提取出相应的SC描述符；
S32、加载稀疏描述符地图用于位置识别，对于提取出的SC描述符，将其按行求和取均值得到(C/B)维向量，称为环键，其中，稀疏描述符地图的环键用于构建KD树，并根据查询帧的环键查找相似键；
S33、在快速匹配和判断阶段，对于每一候选帧和查询帧，通过距离函数来判断每一个候选帧与查询帧之间的相似性：将两者按列进行比较，计算两者中具有相同索引的两个列向量的余弦距离，相加所有列的余弦距离并进行归一化，得到用来描述两个描述符相似性的距离数值；
筛选出最小距离数值，由此确定最佳列位移数和距离，其中，最佳列位移数即为输出的匹配初值。
7.根据权利要求6所述的一种基于虚拟描述符的全局定位方法，其特征在于，所述步骤S32中查找相似键具体是使用加权L1距离作为相似度评价指标，以查找出设定数量的相似键，其中，相似度评价指标的具体计算公式为：
Figure FDA0003823723790000031
其中，Hp为查询帧描述符的栅格特征值，Nr表示环键的维数，即为径向的栅格数。
8.根据权利要求7所述的一种基于虚拟描述符的全局定位方法，其特征在于，所述步骤S33中最佳列位移数具体为：
Figure FDA0003823723790000032
Figure FDA0003823723790000033
Figure FDA0003823723790000034
其中，Iq、Ic分别为从查询帧与候选帧中获取的描述符，
Figure FDA0003823723790000035
分别为来自查询帧和候选帧的具有相同索引的列向量，
Figure FDA0003823723790000036
为平移了n列的候选帧描述符，Ns表示描述符列向量的维度，即为周向的栅格数，d(Iq，Ic)为Iq与Ic之间的相似性距离。
9.根据权利要求1所述的一种基于虚拟描述符的全局定位方法，其特征在于，所述步骤S4具体是将局部点云地图与查询帧点云进行ICP匹配，即利用步骤S3得到的匹配初值作为ICP匹配初值，以计算得到相应的全局定位信息。
10.一种基于虚拟描述符的全局定位系统，其特征在于，包括处理提取模块、建图模块和全局定位模块，所述处理提取模块的输入端与激光雷达相连接，所述处理提取模块的输出端分别连接至建图模块和全局定位模块，所述建图模块的输入端还与GNSS/INS组合定位系统相连接，所述建图模块的输出端连接至全局定位模块，所述处理提取模块用于对激光雷达采集的点云数据进行预处理、并从中提取出特征点云；
所述建图模块用于将采集的单车道激光点云信息，以点云的任意位置为中心提取出虚拟描述符，并结合GNSS/INS组合定位系统的定位信息，构建输出密度可调的多车道稀疏描述符地图和点云地图；
所述全局定位模块以激光雷达为中心提取查询帧点云SC描述符，通过加载稀疏描述符地图进行位置识别，利用二阶段加权搜索匹配输出候选帧及匹配初值，再加载候选帧周围设定范围内的局部点云地图与查询帧点云进行ICP匹配，以计算得到全局定位信息。
CN202211051799.8A 2022-08-30 2022-08-30 一种基于虚拟描述符的全局定位方法及其系统 Pending CN115390082A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211051799.8A CN115390082A (zh) 2022-08-30 2022-08-30 一种基于虚拟描述符的全局定位方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211051799.8A CN115390082A (zh) 2022-08-30 2022-08-30 一种基于虚拟描述符的全局定位方法及其系统

Publications (1)

Publication Number Publication Date
CN115390082A true CN115390082A (zh) 2022-11-25

Family

ID=84125093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211051799.8A Pending CN115390082A (zh) 2022-08-30 2022-08-30 一种基于虚拟描述符的全局定位方法及其系统

Country Status (1)

Country Link
CN (1) CN115390082A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797425A (zh) * 2023-01-19 2023-03-14 中国科学技术大学 一种基于点云鸟瞰图和由粗到精策略的激光全局定位方法
CN116030134A (zh) * 2023-02-14 2023-04-28 长沙智能驾驶研究院有限公司 定位方法、装置、设备、可读存储介质及程序产品
CN116295354A (zh) * 2023-03-24 2023-06-23 之江实验室 一种无人车主动全局定位方法和系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797425A (zh) * 2023-01-19 2023-03-14 中国科学技术大学 一种基于点云鸟瞰图和由粗到精策略的激光全局定位方法
CN116030134A (zh) * 2023-02-14 2023-04-28 长沙智能驾驶研究院有限公司 定位方法、装置、设备、可读存储介质及程序产品
CN116030134B (zh) * 2023-02-14 2023-07-18 长沙智能驾驶研究院有限公司 定位方法、装置、设备、可读存储介质及程序产品
CN116295354A (zh) * 2023-03-24 2023-06-23 之江实验室 一种无人车主动全局定位方法和系统
CN116295354B (zh) * 2023-03-24 2023-09-29 之江实验室 一种无人车主动全局定位方法和系统

Similar Documents

Publication Publication Date Title
CN115390082A (zh) 一种基于虚拟描述符的全局定位方法及其系统
CN116148808B (zh) 一种基于点云描述符的自动驾驶激光重定位方法和系统
Tran et al. On-device scalable image-based localization via prioritized cascade search and fast one-many ransac
CN111832582B (zh) 一种利用点云密度与旋转信息对稀疏点云进行分类与分割的方法
Brenner Global localization of vehicles using local pole patterns
Jiang et al. Parallel structure from motion for UAV images via weighted connected dominating set
Huang et al. A coarse-to-fine algorithm for registration in 3D street-view cross-source point clouds
CN107123134A (zh) 一种基于特征的危岩体滑坡监测方法
CN114137560A (zh) 基于改进激光描述符的车辆重定位方法、装置及电子设备
CN113065467A (zh) 一种基于深度学习的卫星图像低相干区域识别方法及装置
CN113325389A (zh) 一种无人车激光雷达定位方法、系统及存储介质
CN110246165B (zh) 提高可见光图像与sar图像配准速度的方法及系统
CN115630336A (zh) 基于域自适应迁移学习的无样本库区滑坡易发性预测方法
Wang et al. Efficient terrain matching with 3-D Zernike moments
Zhang et al. A LiDAR-intensity SLAM and loop closure detection method using an intensity cylindrical-projection shape context descriptor
CN113865581A (zh) 基于多层级地图的封闭场景定位方法
CN111899291B (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
Meng et al. mmPlace: Robust Place Recognition With Intermediate Frequency Signal of Low-Cost Single-Chip Millimeter Wave Radar
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
CN116704024A (zh) 一种联合多类约束的车载激光点云位姿图优化方法及系统
CN114860974A (zh) 一种遥感影像检索定位方法
CN117036373A (zh) 基于圆函数双线性正则编解码网络的大规模点云分割方法
CN116295337A (zh) 面向自动驾驶的机器定位地图生成与机器泛在定位方法
CN116434219A (zh) 基于激光雷达的三维目标识别方法
CN114596343A (zh) 面向复杂地面场景的跨模态遥感图像智能多尺度配准方法

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