CN115619900B - 基于距离地图和概率路图的点云地图拓扑结构提取方法 - Google Patents

基于距离地图和概率路图的点云地图拓扑结构提取方法 Download PDF

Info

Publication number
CN115619900B
CN115619900B CN202211618944.6A CN202211618944A CN115619900B CN 115619900 B CN115619900 B CN 115619900B CN 202211618944 A CN202211618944 A CN 202211618944A CN 115619900 B CN115619900 B CN 115619900B
Authority
CN
China
Prior art keywords
map
topological
distance
points
point cloud
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
CN202211618944.6A
Other languages
English (en)
Other versions
CN115619900A (zh
Inventor
陈宗海
王纪凯
李剑宇
王可智
徐萌
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202211618944.6A priority Critical patent/CN115619900B/zh
Publication of CN115619900A publication Critical patent/CN115619900A/zh
Application granted granted Critical
Publication of CN115619900B publication Critical patent/CN115619900B/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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及涉及机器人建图与定位领域，公开了一种基于距离地图和概率路图的点云地图拓扑结构提取方法。包括：点云地图获取；可行驶区域提取；几何图生成；距离地图生成；概率路图生成；拓扑结构的拓扑边优化；本发明利用距离地图对拓扑地图中拓扑边进行约束和迭代优化，生成的拓扑边都尽可能远离障碍物，提高了拓扑地图中的路径质量。

Description

基于距离地图和概率路图的点云地图拓扑结构提取方法
技术领域
本发明涉及机器人建图与定位领域，具体涉及一种基于距离地图和概率路图的点云地图拓扑结构提取方法。
背景技术
随着近年来计算机和传感器技术的发展与革新，移动机器人技术也在不断进步。在移动机器人领域，要实现自主导航等任务，先验地图的构建是必不可少的。为实现面向室外大范围场景下的移动机器人的可靠自主导航，拓扑地图发挥着重要作用。相对于栅格占据地图，拓扑地图对其抽象，将复杂场景以图的形式表征其环境，便于后续路径规划的实现。当前主流的拓扑地图构建方法分为基于边的拓扑地图构建方法和基于节点的拓扑地图构建方法。基于边的拓扑地图构建方法在几何图上获取局部拓扑路径以生成拓扑边，再基于拓扑边生成拓扑节点，进而构建拓扑地图。基于节点的拓扑地图构建方法大多依赖概率栅格地图生成拓扑节点，通过连接拓扑节点生成拓扑边以完成拓扑地图的构建。
当前的拓扑地图构建方法对于拓扑边的生成约束较少，导致在自主导航任务中的路径规划阶段仍需要花费较大代价对于生成的路径进行优化。针对此问题，本发明利用距离地图对拓扑地图中拓扑边进行约束和迭代优化，生成的拓扑边都尽可能远离障碍物，提高了拓扑地图中的路径质量。
发明内容
为解决上述技术问题，本发明提供一种基于距离地图和概率路图的点云地图拓扑结构提取方法。
为解决上述技术问题，本发明采用如下技术方案：
一种基于距离地图和概率路图的点云地图拓扑结构提取方法，包括以下步骤：
步骤一、点云地图获取：
通过融合了实时动态载波相位差分技术的实时定位和制图方法来构建原始点云地图；
步骤二、可行驶区域提取：
基于在点云采样时越靠近激光雷达的点越密集的特点，划分不同大小的局部区域，其中最靠近激光雷达中心的区域划为一个完整的圆形区域，然后将圆形区域外依次划分为不同大小的扇状区域，距离激光雷达中心越远的扇状区域面积越大；对原始点云地图进行遍历，以高程和局部平整度作为参数，在扇状区域内筛选出可行驶区域：
步骤三、几何图生成：
将可行驶区域的边界和障碍物的边界用实线标明，生成几何图；
步骤四、距离地图生成：
设置栅格大小，在几何图内按照设置好的栅格大小划分为若干个栅格区域，每个栅格存放的信息是该栅格与距离最近的障碍物之间的距离和该栅格的位置信息，从而得到距离地图；
步骤五、通过概率路图提取拓扑结构，具体包括：
步骤五A：初始化无向图
Figure 643095DEST_PATH_IMAGE001
，其中节点的集合
Figure 92531DEST_PATH_IMAGE002
代表无碰撞的构型，连线的集 合
Figure 196753DEST_PATH_IMAGE003
代表无碰撞的路径；然后将距离地图作为构型空间进行构型采样，从构型空间中采样一 个无碰撞的点
Figure 352928DEST_PATH_IMAGE004
并加入到节点的集合
Figure 713765DEST_PATH_IMAGE002
当中；定义距离
Figure 322600DEST_PATH_IMAGE005
，对于存在于节点集合
Figure 496093DEST_PATH_IMAGE002
中的节 点
Figure 569091DEST_PATH_IMAGE006
，如果节点
Figure 537047DEST_PATH_IMAGE006
与
Figure 633179DEST_PATH_IMAGE004
的距离小于
Figure 141521DEST_PATH_IMAGE005
，则称节点
Figure 272288DEST_PATH_IMAGE006
为
Figure 411145DEST_PATH_IMAGE004
的邻节点；在进行设定 次数的构型采样后，遍历所有无碰撞点
Figure 56890DEST_PATH_IMAGE007
，将
Figure 306606DEST_PATH_IMAGE004
与邻节点
Figure 855661DEST_PATH_IMAGE006
相连得到连线
Figure 165420DEST_PATH_IMAGE008
； 检查连线
Figure 236144DEST_PATH_IMAGE008
是否经过障碍物，如是，删除连线
Figure 351867DEST_PATH_IMAGE008
，如否，保留连线
Figure 191647DEST_PATH_IMAGE008
；删除与其他连线不相连的孤立连线；
步骤五B：当所有的无碰撞点
Figure 672307DEST_PATH_IMAGE007
以及对应的连线
Figure 27065DEST_PATH_IMAGE009
都经过步骤五A处理后，实现 原始点云地图的拓扑结构的提取；
步骤六、拓扑结构的拓扑边优化：
构造代价函数
Figure 884163DEST_PATH_IMAGE010
：
Figure 578449DEST_PATH_IMAGE011
；
其中
Figure 292328DEST_PATH_IMAGE012
是尺度因子，
Figure 337644DEST_PATH_IMAGE013
是拓扑边与最近障碍物的距离，
Figure 732853DEST_PATH_IMAGE014
是设定的距离尺度；连线
Figure 845428DEST_PATH_IMAGE009
在拓扑结构中称为拓扑边；遍历拓扑结构中的所有拓扑边：
步骤六A：当拓扑边两端的原始节点所处栅格的相邻栅格存在更小代价值时，在该相邻栅格生成新节点，如果新节点能替代原始节点，则将原始节点删除，将新节点与原始节点的所有邻节点相连，构成若干个新拓扑边，至此完成一个拓扑边的迭代优化；
步骤六B：当某一个拓扑边两端的原始节点所处栅格的相邻栅格不存在更小代价值时，对该拓扑边不做任何操作，并且在下一次遍历时，放弃对该拓扑边的遍历。
进一步地，步骤二中，在扇状区域内筛选出可行驶区域时，原始点云地图中高于高程阈值的点认为是非地面点，在高程阈值内的点被认为是潜在的地面点；对于潜在的地面点，结合该潜在的地面点及其周围的点组成的邻域进行平整度判断：在潜在地面点的同一条扫描线上，取潜在地面点左右N个点表示为邻域，并计算邻域中的点到潜在地面点的距离总和；如果距离总和小于设置的距离阈值且潜在地面点的高度小于设置的高度阈值，则保留该潜在地面点作为地面点；地面点的集合组成可行驶区域。
进一步地，步骤四中，位置信息包括栅格的横坐标和纵坐标；以一个二维数组来储存距离地图的信息，二维数组中的一个元素与距离地图中的一个栅格相对应，一个元素由该栅格横坐标、纵坐标以及该栅格与最近障碍物的距离三个数值组成。
进一步地，步骤六A中，判断新节点能否替代原始节点时，如果该新节点与原始节点所有的邻节点的拓扑边都不与障碍物存在碰撞可能，则该新节点能替代原始节点。
当对拓扑结构所有的拓扑边都执行过步骤六A或步骤六B，即所有的拓扑边都被替换或设定为下一次遍历不操作后，认为完成了一次整体的迭代优化。当所有的拓扑边都不被遍历时，本发明认为迭代优化的过程结束。至此，拓扑边会收敛于尽可能远离障碍物的位置，形状大致会与日常生活中的道路类似：尽可能远离周边建筑和障碍物，处于周边障碍物的中间位置。
由于步骤五中采样的随机性，会存在大量接近的、重复的拓扑边，本发明将相距两个栅格内的拓扑边都称为接近的、重复的拓扑边。对所有接近的、重复的拓扑边，本发明会保留其中的一条，删除其余的，以简化拓扑结构。当拓扑结构经过上述过程后，本发明认为所有的优化过程结束，得到点云地图中的拓扑结构。
与现有技术相比，本发明的有益技术效果是：
本发明利用距离地图对拓扑地图中拓扑边进行约束和迭代优化，生成的拓扑边都尽可能远离障碍物，提高了拓扑地图中的路径质量。
附图说明
图1为本发明点云地图拓扑结构提取方法的流程图；
图2为本发明可行驶区域提取阶段局部区域划分的示意图；
图3为本发明点云地图拓扑结构提取方法在园区场景下提取的拓扑结构示意图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
步骤一、点云地图获取：
点云地图是导航系统的基础，是构建拓扑地图所必需的。在本发明中，选择使用实时定位和制图(SLAM)方法来构建原始点云地图，通过实时动态载波相位差分技术（RTK）实时定位，进行激光扫描拼接，构建原始点云地图。然后根据应用需求和场景进行适当的下采样。后续的距离地图和静态拓扑结构都是基于原始点云地图生成的。
步骤二、可行驶区域提取：
基于在点云采样阶段靠近激光雷达的点更密集的特点，划分不同大小的局部区域，如图2所示，最靠近激光雷达中心的区域由于点云很少，故划为一个完整的圆形区域，圆形区域之外，从内至外依次划分为不同大小的扇状区域。然后对步骤一中的原始点云地图进行遍历，以高程和局部平整度作为参数，在扇状区域内筛选出可行驶区域：高于高程阈值的点被认为是非地面点，将会在筛选时被过滤；在高程阈值内的点被认为是潜在的地面点。
对于潜在的地面点，本发明会结合该点及其周围的点组成的邻域进行平整度判断，不够平整的被认为是非地面点，反之则认为是地面点，地面点的集合组成可行驶区域。具体平整度判断的步骤如下：局部地表一般可以看成是一个水平或略倾斜的平面，小邻域内地面扫描点的高度和距离变化应接近均匀，而道路边缘和草地等环境的扫描点云会发生急剧的或不规则的变化。基于上述特点，在潜在地面点的同一条扫描线上，取潜在地面点左右N个点表示为邻域，并计算从邻域中的点到潜在地面点的距离之和，潜在地面点也称为种子点。如果距离之和小于设置的距离阈值且潜在地面点的高度小于设置的高度阈值（距离阈值和高度阈值取一个特定的值），则保留该潜在地面点，并认为该潜在地面点是地面点，否则过滤掉该点。
步骤三、几何图生成：
在可行驶区域中，将可行驶区域的边界和障碍物的边界，以实线标明，由此生成几何图。几何图将可行驶区域和障碍物信息以图的形式表征出来，是后续融合距离地图和概率路图以提取点云地图拓扑结构的基础。
步骤四、距离地图生成：
距离地图与概率栅格地图类似，是将移动机器人存在的环境（或者说是地图）划分为若干个大小相同的栅格，但在概率栅格地图里，每个栅格内存放的信息是该栅格被占用的概率和位置信息；在距离地图中，每个栅格存放的信息是该栅格与距离最近的障碍物之间的距离和该栅格的位置信息。在描述相同大小的环境时，距离地图和概率栅格地图都需要缩小每一个栅格的尺寸以提高对环境描述的精度。所以，针对不同的场景设置不同的栅格大小是有必要的，也即栅格的大小是根据建图所要求的精度不同而不同的。在本发明中，设置合适的栅格大小后，在步骤三所生成的几何图内按照设置好的栅格大小划分为若干个栅格区域，对每个栅格计算该栅格到最近的障碍物的距离和该栅格的横坐标、纵坐标。本发明以一个二维数组来储存距离地图表达的信息，二维数组中的一个元素与距离地图中的一个栅格相对应，一个元素由该栅格的横坐标、纵坐标以及该栅格与最近障碍物的距离三个数值组成。
步骤五、概率路图生成：
基于步骤四生成的距离地图生成概率路图。首先初始化，设
Figure 933470DEST_PATH_IMAGE001
为一个无向 图，其中节点的集合
Figure 200503DEST_PATH_IMAGE002
代表无碰撞的构型，连线的集合
Figure 196141DEST_PATH_IMAGE003
代表无碰撞的路径。然后进行构型 采样，从构型空间中采样一个无碰撞的点
Figure 865020DEST_PATH_IMAGE004
并加入到节点的集合当中。由于在步骤四中 已经生成了距离地图，所以构型空间为距离地图，为了节省后续迭代优化拓扑边的时间，距 离周边障碍物较远的区域会有更大的采样概率。定义距离
Figure 123963DEST_PATH_IMAGE005
，对于存在于节点集合
Figure 675030DEST_PATH_IMAGE002
中的节 点
Figure 677621DEST_PATH_IMAGE006
，如果它与
Figure 201006DEST_PATH_IMAGE004
的距离小于
Figure 427588DEST_PATH_IMAGE005
，则称节点
Figure 669213DEST_PATH_IMAGE006
为
Figure 209916DEST_PATH_IMAGE004
的邻节点。在进行足够次数的 采样后，遍历所有无碰撞点
Figure 151590DEST_PATH_IMAGE007
，将
Figure 752335DEST_PATH_IMAGE004
与其邻节点节点
Figure 215678DEST_PATH_IMAGE006
相连，称此连线为
Figure 622388DEST_PATH_IMAGE008
。 对于连线
Figure 120366DEST_PATH_IMAGE008
，检查其是否经过障碍物，如果经过障碍物，认为其存在碰撞可能，将 其删除，否则留下。由于构型采样的随机性，生成的
Figure 626433DEST_PATH_IMAGE009
中会有不合理的，与其他
Figure 904968DEST_PATH_IMAGE009
不 相连的
Figure 787473DEST_PATH_IMAGE009
存在，将这样的
Figure 139957DEST_PATH_IMAGE009
称为孤立的
Figure 879243DEST_PATH_IMAGE009
，删除所有孤立的
Figure 317178DEST_PATH_IMAGE009
。当所有的无 碰撞点
Figure 3374DEST_PATH_IMAGE007
和连线
Figure 774146DEST_PATH_IMAGE009
都经过上述过程的处理后认为该步骤完成。至此，原始点云地图的拓 扑结构可以认为是提取出来了，但该结构还并非是最优的，因为当拓扑地图用于导航任务 中的路径规划时，基于此拓扑结构的路径在实际使用仍需要优化，这会降低路径规划的效 率。
步骤六、拓扑边优化：
由于步骤五经由概率路图提取出的拓扑结构并非高质量的拓扑结构，故需要优 化。首先，本发明构造一个代价函数，以惩罚靠近障碍物的路径，使靠近障碍物的路径代价 值更大，代价函数
Figure 887596DEST_PATH_IMAGE010
的构造如下：
Figure 812826DEST_PATH_IMAGE011
；
其中
Figure 99451DEST_PATH_IMAGE012
是尺度因子，
Figure 426527DEST_PATH_IMAGE013
是距离最近障碍物的距离，
Figure 710878DEST_PATH_IMAGE014
是距离尺度，当距离
Figure 920142DEST_PATH_IMAGE013
小于或者 等于
Figure 948141DEST_PATH_IMAGE014
时，用计算公式
Figure 129724DEST_PATH_IMAGE015
计算代价值，当距离
Figure 647293DEST_PATH_IMAGE013
大于
Figure 547116DEST_PATH_IMAGE014
时，本发明认为提取的拓扑边对导 航任务中的路径规划影响较小，不需要优化，代价值为0。遍历拓扑结构中的所有拓扑边（即 步骤五中提到的连线
Figure 113226DEST_PATH_IMAGE009
），当拓扑边两端的原始节点所处栅格的相邻栅格存在更小代价 值时，在该相邻栅格生成新的节点，检查该新节点能否替代原始节点，与所有原始节点的邻 节点的拓扑边都不与障碍物存在碰撞可能即视为能替代原始节点；如果能替代原始节点， 则将原始节点删除，新节点与原始节点的所有邻节点相连，构成若干个新的拓扑边，至此完 成一个拓扑边的迭代优化。若某一个拓扑边原始的节点，不存在能生成更小代价值的新节 点的情况时，对此拓扑边不做任何操作，并且在下一次遍历时，放弃对此拓扑边的遍历。当 对所有的拓扑边都执行过此操作，即所有的拓扑边都被替换或设定为下一次遍历不操作 后，本发明认为完成了一次整体的迭代优化。当所有的拓扑边都不被遍历时，本发明认为迭 代优化的过程结束。至此，拓扑边会收敛于尽可能远离障碍物的位置，形状大致会与日常生 活中的道路类似：尽可能远离周边建筑和障碍物，处于周边障碍物的中间位置。
由于步骤五中采样的随机性，会存在大量接近的、重复的拓扑边，将相距两个栅格 内的
Figure 713097DEST_PATH_IMAGE009
都称为接近的、重复的拓扑边。对所有接近的、重复的拓扑边，本发明会保留其中 的一条，删除其余的，以简化拓扑结构。当拓扑结构经过上述过程后，本发明认为所有的优 化过程结束，也即提取出了点云地图中的拓扑结构。图3是基于本发明提取的拓扑结构的示 意图。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立技术方案，说明书的这种叙述方式仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (5)

1.一种基于距离地图和概率路图的点云地图拓扑结构提取方法，包括以下步骤：
步骤一、点云地图获取：
通过融合了实时动态载波相位差分技术的实时定位和制图方法来构建原始点云地图；
步骤二、可行驶区域提取：
基于在点云采样时越靠近激光雷达的点越密集的特点，划分不同大小的局部区域，其中最靠近激光雷达中心的区域划为一个完整的圆形区域，然后将圆形区域外依次划分为不同大小的扇状区域，距离激光雷达中心越远的扇状区域面积越大；对原始点云地图进行遍历，以高程和局部平整度作为参数，在扇状区域内筛选出可行驶区域：
步骤三、几何图生成：
将可行驶区域的边界和障碍物的边界用实线标明，生成几何图；
步骤四、距离地图生成：
设置栅格大小，在几何图内按照设置好的栅格大小划分为若干个栅格区域，每个栅格存放的信息是该栅格与距离最近的障碍物之间的距离和该栅格的位置信息，从而得到距离地图；
步骤五、概率路图生成，通过概率路图提取拓扑结构，具体包括：
步骤五A：初始化无向图
Figure 564272DEST_PATH_IMAGE001
，其中节点的集合
Figure 540319DEST_PATH_IMAGE002
代表无碰撞的构型，连线的集合
Figure 644803DEST_PATH_IMAGE003
代表无碰撞的路径；然后将距离地图作为构型空间进行构型采样，从构型空间中采样一个 无碰撞的点
Figure 288274DEST_PATH_IMAGE004
并加入到节点的集合
Figure 623440DEST_PATH_IMAGE002
当中；定义距离
Figure 414679DEST_PATH_IMAGE005
，对于存在于节点集合
Figure 493493DEST_PATH_IMAGE002
中的节点
Figure 991471DEST_PATH_IMAGE006
，如果节点
Figure 559855DEST_PATH_IMAGE006
与
Figure 776073DEST_PATH_IMAGE004
的距离小于
Figure 658578DEST_PATH_IMAGE005
，则称节点
Figure 73379DEST_PATH_IMAGE006
为
Figure 15927DEST_PATH_IMAGE004
的邻节点；在进行设定次 数的构型采样后，遍历所有无碰撞点
Figure 453862DEST_PATH_IMAGE007
，将
Figure 438261DEST_PATH_IMAGE004
与邻节点
Figure 910830DEST_PATH_IMAGE006
相连得到连线
Figure 821018DEST_PATH_IMAGE008
；检 查连线
Figure 746248DEST_PATH_IMAGE008
是否经过障碍物，如是，删除连线
Figure 970556DEST_PATH_IMAGE008
，如否，保留连线
Figure 359949DEST_PATH_IMAGE008
；删除与其他连线不相连的孤立连线；
步骤五B：当所有的无碰撞点
Figure 644300DEST_PATH_IMAGE007
以及对应的连线
Figure 56827DEST_PATH_IMAGE009
都经过步骤五A处理后，实现原始 点云地图的拓扑结构的提取；
步骤六、拓扑结构的拓扑边优化：
构造代价函数
Figure 881563DEST_PATH_IMAGE010
：
Figure 63146DEST_PATH_IMAGE011
；
其中
Figure 518398DEST_PATH_IMAGE012
是尺度因子，
Figure 982003DEST_PATH_IMAGE013
是拓扑边与最近障碍物的距离，
Figure 548113DEST_PATH_IMAGE014
是设定的距离尺度；连线
Figure 584202DEST_PATH_IMAGE009
在拓扑结构中称为拓扑边；遍历拓扑结构中的所有拓扑边：
步骤六A：当拓扑边两端的原始节点所处栅格的相邻栅格存在更小代价值时，在该相邻栅格生成新节点，如果新节点能替代原始节点，则将原始节点删除，将新节点与原始节点的所有邻节点相连，构成若干个新拓扑边，至此完成一个拓扑边的迭代优化；
步骤六B：当某一个拓扑边两端的原始节点所处栅格的相邻栅格不存在更小代价值时，对该拓扑边不做任何操作，并且在下一次遍历时，放弃对该拓扑边的遍历。
2.根据权利要求1所述的基于距离地图和概率路图的点云地图拓扑结构提取方法，其特征在于：步骤二中，在扇状区域内筛选出可行驶区域时，原始点云地图中高于高程阈值的点认为是非地面点，在高程阈值内的点被认为是潜在的地面点；对于潜在的地面点，结合该潜在的地面点及其周围的点组成的邻域进行平整度判断：在潜在地面点的同一条扫描线上，取潜在地面点左右N个点表示为邻域，并计算邻域中的点到潜在地面点的距离总和；如果距离总和小于设置的距离阈值且潜在地面点的高度小于设置的高度阈值，则保留该潜在地面点作为地面点；地面点的集合组成可行驶区域。
3.根据权利要求1所述的基于距离地图和概率路图的点云地图拓扑结构提取方法，其特征在于：步骤四中，位置信息包括栅格的横坐标和纵坐标；以一个二维数组来储存距离地图的信息，二维数组中的一个元素与距离地图中的一个栅格相对应，一个元素由该栅格的横坐标、纵坐标以及该栅格与最近障碍物的距离三个数值组成。
4.根据权利要求1所述的基于距离地图和概率路图的点云地图拓扑结构提取方法，其特征在于：步骤六A中，判断新节点能否替代原始节点时，如果该新节点与原始节点所有的邻节点的拓扑边都不与障碍物存在碰撞可能，则该新节点能替代原始节点。
5.根据权利要求1所述的基于距离地图和概率路图的点云地图拓扑结构提取方法，其特征在于：步骤六中进行拓扑结构的拓扑边优化时，对于重复的多个拓扑边、相距两个栅格内的多个拓扑边，仅保留一条拓扑边。
CN202211618944.6A 2022-12-16 2022-12-16 基于距离地图和概率路图的点云地图拓扑结构提取方法 Active CN115619900B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211618944.6A CN115619900B (zh) 2022-12-16 2022-12-16 基于距离地图和概率路图的点云地图拓扑结构提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211618944.6A CN115619900B (zh) 2022-12-16 2022-12-16 基于距离地图和概率路图的点云地图拓扑结构提取方法

Publications (2)

Publication Number Publication Date
CN115619900A CN115619900A (zh) 2023-01-17
CN115619900B true CN115619900B (zh) 2023-03-10

Family

ID=84879726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211618944.6A Active CN115619900B (zh) 2022-12-16 2022-12-16 基于距离地图和概率路图的点云地图拓扑结构提取方法

Country Status (1)

Country Link
CN (1) CN115619900B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117872398B (zh) * 2024-03-13 2024-05-17 中国科学技术大学 一种大规模场景实时三维激光雷达密集建图方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112432648A (zh) * 2020-11-17 2021-03-02 中山大学 一种移动型机器人安全运动轨迹的实时规划方法
CN113341978A (zh) * 2021-06-10 2021-09-03 西北工业大学 一种基于梯型障碍物的智能小车路径规划方法
CN114526739A (zh) * 2022-01-25 2022-05-24 中南大学 移动机器人室内重定位方法、计算机装置及产品
CN114740846A (zh) * 2022-04-01 2022-07-12 南京航空航天大学 面向拓扑-栅格-度量混合地图的分层路径规划方法
CN115143964A (zh) * 2022-07-05 2022-10-04 中国科学技术大学 一种基于2.5d代价地图的四足机器人自主导航方法
CN115170772A (zh) * 2022-05-18 2022-10-11 上海大学 一种基于点云地图交互式可通过性分析的三维路径规划方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160005226A1 (en) * 2014-07-07 2016-01-07 Fovia, Inc. Classifying contiguous objects from polygonal meshes with spatially grid-like topology
CN110531759B (zh) * 2019-08-02 2020-09-22 深圳大学 机器人探索路径生成方法、装置、计算机设备和存储介质
US20220390954A1 (en) * 2021-06-04 2022-12-08 Boston Dynamics, Inc. Topology Processing for Waypoint-based Navigation Maps
CN115342821A (zh) * 2022-08-03 2022-11-15 南京理工大学 一种复杂未知环境下的无人车导航代价地图构建方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112432648A (zh) * 2020-11-17 2021-03-02 中山大学 一种移动型机器人安全运动轨迹的实时规划方法
CN113341978A (zh) * 2021-06-10 2021-09-03 西北工业大学 一种基于梯型障碍物的智能小车路径规划方法
CN114526739A (zh) * 2022-01-25 2022-05-24 中南大学 移动机器人室内重定位方法、计算机装置及产品
CN114740846A (zh) * 2022-04-01 2022-07-12 南京航空航天大学 面向拓扑-栅格-度量混合地图的分层路径规划方法
CN115170772A (zh) * 2022-05-18 2022-10-11 上海大学 一种基于点云地图交互式可通过性分析的三维路径规划方法
CN115143964A (zh) * 2022-07-05 2022-10-04 中国科学技术大学 一种基于2.5d代价地图的四足机器人自主导航方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
周路鹏 ; 王纪凯 ; 陈宗海.基于点云地图的导航方法研究综述.《第22届中国系统仿真技术及其应用学术年会（CCSSTA22nd 2021）论文集》.2021,全文. *
姚连璧, 秦长才, 张邵华, 等.车载激光点云的道路标线提取及语义关联.《测绘学报》.2020,全文. *
常乐.基于图优化的LiDAR/INS/ODO/GNSS车载组合导航算法研究.《武汉大学博士学位论文集》.2022,全文. *
祁继祥.基于激光雷达的无人车SLAM算法设计与实现.《哈尔滨工业大学》.2022,全文. *
赛特智能.无人清扫机器人的自主定位导航.《https://zhuanlan.zhihu.com/p/568504787》.2022,全文. *

Also Published As

Publication number Publication date
CN115619900A (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN110515094B (zh) 基于改进rrt*的机器人点云地图路径规划方法及系统
CN108519094B (zh) 局部路径规划方法及云处理端
CN108648271B (zh) 一种基于gis数据生成复杂地形网格模型的插值方法
CN114998338B (zh) 一种基于激光雷达点云的矿山开采量计算方法
CN115619900B (zh) 基于距离地图和概率路图的点云地图拓扑结构提取方法
CN113723715B (zh) 公交线网自动匹配道路网络方法、系统、设备及存储介质
CN111858810B (zh) 一种面向道路dem构建的建模高程点筛选方法
CN103425801A (zh) 一种面向数字地球的数据融合方法和装置
CN115638787B (zh) 一种数字地图生成方法、计算机可读存储介质及电子设备
CN114359503A (zh) 一种基于无人机倾斜摄影建模方法
CN115077540A (zh) 一种地图构建方法及装置
CN112084853A (zh) 一种脚印预测方法、脚印预测装置及人形机器人
Zhu et al. Propagation strategies for stereo image matching based on the dynamic triangle constraint
CN105931297A (zh) 三维地质表面模型中的数据处理方法
CN114563000B (zh) 一种基于改进型激光雷达里程计的室内外slam方法
CN114442629B (zh) 一种基于图像处理的移动机器人路径规划方法
CN116612235A (zh) 一种多视图几何无人机图像三维重建方法及存储介质
US20210325196A1 (en) Vector Tile Navigation
CN111127474B (zh) 机载LiDAR点云辅助的正射影像镶嵌线自动选取方法及系统
CN113655498A (zh) 一种基于激光雷达的赛道中锥桶信息的提取方法及系统
CN113129441A (zh) 一种基于三维激光扫描的工程地质测绘方法及系统
CN114442642A (zh) 路径规划方法、装置、计算机设备和存储介质
CN110413714B (zh) 拓扑保真的全球离散格网系统中矢量要素格网化方法
Ahmed et al. High-quality building information models (BIMs) using geospatial datasets
Han et al. Distributed surface reconstruction from point cloud for city-scale scenes

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