CN116203579A - 基于点云残差的激光雷达slam退化检测方法及系统 - Google Patents

基于点云残差的激光雷达slam退化检测方法及系统 Download PDF

Info

Publication number
CN116203579A
CN116203579A CN202310207639.6A CN202310207639A CN116203579A CN 116203579 A CN116203579 A CN 116203579A CN 202310207639 A CN202310207639 A CN 202310207639A CN 116203579 A CN116203579 A CN 116203579A
Authority
CN
China
Prior art keywords
point
point cloud
degradation
laser radar
residual
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
CN202310207639.6A
Other languages
English (en)
Inventor
杨明
钱烨强
张弛
柴子豪
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202310207639.6A priority Critical patent/CN116203579A/zh
Publication of CN116203579A publication Critical patent/CN116203579A/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
    • G01S17/88—Lidar systems specially adapted for specific applications
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明提供一种基于点云残差的激光雷达SLAM退化检测方法及系统，包括：使用激光雷达传感器采集连续帧点云，并对连续帧点云进行预处理，获得非地面的连续的点云数据；对所述预处理后的点云数据进行基于点到面迭代最近点方法的分析，获得残差抗扰动鲁棒性的点云约束关系；基于所述点云约束关系，进行扰动识别，判断是否发生退化并获得退化方向。本发明能解决激光雷达SLAM在退化场景下失效难以检测的问题，为激光SLAM的稳定运行提供预警，能实现较高的检测准确性，有利于实际应用。

Description

基于点云残差的激光雷达SLAM退化检测方法及系统
技术领域
本发明涉及计算机视觉领域，具体地，涉及一种基于点云残差的激光雷达SLAM退化检测方法及系统。
背景技术
激光雷达是目前一类应用广泛的传感器：发射模块基于光学原理，利用脉冲、调频、调幅等方式发射特定波长的激光；接收模块利用二极管元件对发射后反射回来的激光进行检测，通过光线飞行时间可以得到精确测距。激光雷达广泛应用于目标检测、场景建模、机器人导航等应用中，有较为广泛的商业与学术前景。
同步建图与定位算法(SLAM)是利用传感器提供的信息，建立所在环境场景的地图，并同时确定传感器在地图中的对应位置。目前SLAM技术广泛应用于机器人自主定位、导航任务中。而其中基于激光雷达的SLAM算法，因其高精度的测距信息与鲁棒的定位结果，广泛应用于无人物流、无人小巴等高难度定位导航任务中。
激光雷达SLAM算法的应用难题之一在于，面对特定场景的算法失效问题。这些场景包括：隧道、长廊、室外空旷停车场、高速公路等等，其特征在于场景中的结构性纹理较少，发生场景退化，定位时激光雷达提供的数据约束不足从而使算法失效。退化问题可以通过多传感器数据融合、状态空间建模补偿等方法处理，而如何对激光雷达SLAM的退化场景进行识别检测，成为算法优化的关键步骤。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于点云残差的激光雷达SLAM退化检测方法及系统。
根据本发明的一个方面，提一种基于点云残差的激光雷达SLAM退化检测方法，包括：
使用激光雷达传感器采集连续帧点云，并对连续帧点云进行预处理，获得非地面的连续的点云数据；
对所述预处理后的点云数据进行基于点到面迭代最近点方法的分析，获得残差抗扰动鲁棒性的点云约束关系；
基于所述点云约束关系，进行扰动识别，判断是否发生退化并获得SLAM退化方向。
优选地，所述预处理包括地面点云分离、聚类噪声剔除。
优选地，所述对所述预处理后的点云数据基于点到面迭代最近点方法进行分析，获得残差抗扰动鲁棒性的点云约束关系，包括：
基于点到面最近点迭代方法获得当前帧中的每一点在前一帧中的匹配点；
构建当前帧中的点到其对应的所述匹配点的残差；
基于所述残差，获得其对机器人位姿的敏感度影响关系，作为残差抗扰动鲁棒性的点云约束关系。
优选地，所述基于点到面最近点迭代方法获得当前帧中的每一点在前一帧中的匹配点，包括：
设定t和t+1为连续两帧的点云数据；
通过点到面最近点迭代方法，将t+1中的点di与t中的所有点进行迭代匹配，获点di在t中的匹配点si。
优选地，所述构建当前帧中的点到其对应的所述匹配点的残差，包括：
设定连续两帧的点云配准的变换矩阵M由平移变换矩阵T(tx,ty,tz)和旋转变换R(α,β,γ)矩阵构成，tx,ty,tz是机器人在直角坐标系方向上分别移动的距离，α,β,γ是在直角坐标系方向上旋转的角度；
将所述变换矩阵M近似化为
Figure BDA0004111492310000021
对于目标点集即当前帧t+1中的每个点di，通过法向量估计求得其对应的法向量Φ
定义点di与对应匹配点si的点到面迭代最近点方法残差为：
fi＝(M·si-di)·ni。
优选地，基于所述残差fi＝(M·si-di)·ni，获得其对机器人位姿的敏感度影响关系，即：如果机器人发生位姿变换，所述残差项变化小，则定义当前描述机器人位姿的约束较弱，系统发生了退化。
优选地，基于所述点云约束关系，进行扰动识别，判断是否发生退化并获得退化方向，包括：
基于所述点云约束关系，将退化判定问题转化为求解残差项对(R,t)的敏感度问题，令每一项残差fi对(R,t)求偏导，即：
Figure BDA0004111492310000031
将每一项残差Ji拼接，构成矩阵J；
对所述矩阵J进行特征值分解
Figure BDA0004111492310000032
得到特征向量和特征值；
若所述最小特征值λmin小于所设定的阈值，代表当前场景发生退化，且所述最小特征值λmin对应的特征向量是当前的SLAM退化方向。
根据本发明的第二个方面，提供一种基于点云残差的激光雷达SLAM退化检测系统，包括：
数据模块，该模块使用激光雷达传感器采集连续帧点云数据，并对连续帧点云进行预处理，获得非地面的连续的点云数据；
约束关系模块，该模块对所述预处理后的点云数据基于点到面迭代最近点方法进行分析，获得残差抗扰动鲁棒性的点云约束关系；
退化判断模块，该模块基于所述点云约束关系，进行扰动识别，判断是否发生退化并获得SLAM退化方向。
根据本发明的第三个方面，提供一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行上述的方法，或，运行上述的系统。
根据本发明的第四个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行上述的方法，或，运行上述的系统。
与现有技术相比，本发明至少具有如下的有益效果之一：
本发明实施例中的一种基于点云残差的激光雷达SLAM退化检测方法和系统，能解决激光雷达SLAM在退化场景下失效难以检测的问题，为激光SLAM的稳定运行提供预警，能实现较高的检测准确性，有利于实际应用。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是本发明一实施例中的基于点云残差的激光雷达SLAM退化检测方法的流程图；
图2是本发明一优选实施例中的扰动识别过程的流程图；
图3是本发明一具体实例中的效果图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
首先，对本发明中涉及的名词(SLAM和退化场景)作出解释。SLAM：同步建图与定位算法，利用传感器提供的信息，在运动过程中建立所在环境场景的地图，并同时确定传感器在地图中的对应位置。SLAM技术广泛应用于机器人的环境建模与自主定位导航任务中。激光雷达SLAM即为根据激光雷达传感器获取的点云信息画出激光扫描场景的地图，并且确定该激光雷达传感器在该地图中的位置。退化场景：激光雷达使用场景中的结构性纹理较少，使得传感器在场景中提供的数据面对系统的优化问题时无法提供足够的约束，优化对象落入局部最优解而导致系统失效。激光雷达的退化场景包括隧道、长廊、室外空旷停车场、高速公路等。
参见图1，本发明提供一个实施例，一种基于点云残差的激光雷达SLAM退化检测方法，包括：
S100，使用激光雷达传感器采集连续帧点云，并对连续帧点云进行预处理，获得非地面的连续的点云数据；
S200，对S100中预处理后的点云数据基于点到面迭代最近点方法进行分析，获得残差抗扰动鲁棒性的点云约束关系；
S300，基于S200获得的点云约束关系，进行扰动识别，判断是否发生退化并获得SLAM退化方向。
本实施例能解决激光雷达SLAM在退化场景下失效难以检测的问题，为激光SLAM的稳定运行提供预警，能实现较高的检测准确性，有利于实际应用。
在本发明的一个优选实施例中，实施S100，通过激光雷达传感器采集连续帧点云，具体的，机器人搭载激光雷达，激光雷达利用脉冲、调频、调幅等方式发射特定波长的激光，照射到物体后发生反射，接收发射后反射回来的激光，从而获得原始点云数据。预处理包括地面点云分离、聚类噪声剔除。
在本发明的一个优选实施例中，实施S200，具体实施过程包括：
S201，基于点到面最近点迭代方法获得当前帧中的每一点在前一帧中的匹配点；
S202，构建当前帧中的点到S201中获取的其对应的匹配点的残差；
S203，基于S202构建的残差，获得其对机器人位姿的敏感度影响关系，作为残差抗扰动鲁棒性的点云约束关系。
S201，构建点到面迭代最近点算法配对的残差；
S202，基于所述残差，获得其对机器人位姿的敏感度影响关系，作为点云约束关系。
一较佳实施例中，实施S201，其具体过程如下：
S2011，设定t和t+1为连续两帧的点云数据；
S2012，通过点到面最近点迭代方法，将t+1中的点di与t中的所有点进行迭代匹配，获得与之最匹配的t中的匹配点si。一般的，此处的最匹配为点与点之间距离最近。
其中，点到面最近点迭代法是较为成熟的技术。通过该方法，激光雷达SLAM依赖于点云匹配完成定位任务。
一较佳实施例中，实施S202，其具体过程如下：
S2021，由于点云配准的变换矩阵M，由平移变换矩阵T(tx,ty,tz)和旋转变换R(α,β,γ)矩阵构成；基于在SLAM过程中，基于点云配准求解的变换矩阵往往与初值变化较小，即近似认为旋转角较小，将变换矩阵近似化为：
Figure BDA0004111492310000051
S2022，对于目标点集的每个点di，通过法向量估计求得其对应的法向量ni；
S2023，点di与对应匹配点si的点到面迭代最近点算法残差定义为：
fi＝(M·si-di)·ni。
上述实施例中，机器人使用激光雷达SLAM做定位，而激光雷达SLAM依赖于点云匹配完成定位任务，点云匹配过程中可以计算点云匹配的残差，因此残差可以用于评价机器人定位的敏感度。
进一步的，一较佳实施例中，实施S203，基于S201中的残差fi＝(M·si-di)·ni，获得其对机器人位姿的敏感度影响关系，即：如果机器人发生位姿变换，所述残差项变化小，则定义当前描述机器人位姿的约束较弱，系统发生了退化。
在本发明的一个优选实施例中，实施S300，其具体过程如下：
S301，基于所述点云约束关系，将退化判定问题转化为求解残差项对(R,t)的敏感度问题，令每一项残差fi对(R,t)求偏导，即：
Figure BDA0004111492310000061
S302，将每一项残差Ji拼接，构成矩阵J；
S303，对矩阵J进行特征值分解：
Figure BDA0004111492310000062
其中最小特征值λmin描述当前位置的可定位性；
S304，若所述最小特征值λmin小于所设定的阈值，代表当前场景发生退化，且所述最小特征值λmin对应的特征向量是当前的退化方向。
需要说明的是，矩阵特征值和特征向量的含义是：矩阵在任一特征向量的投影，是特征向量自身固定的伸缩，而伸缩比例就是特征值的大小，因此特征值反映矩阵在该特征向量方向的投影的比例大小，特征值越小，说明矩阵在该特征向量方向上的约束越小。约束小，说明在该方向上容易发生退化，因此最小特征值反映了该方向的定位可靠性。
参见图3，为本发明一具体实例中，关于隧道退化检测的案例，图中横坐标是时间，纵坐标是最小特征值的倒数。数值越大代表特征值越小，当特征值小于阈值时，检测出了退化现象。
基于相同的发明构思，在本发明的其他实施例中，提供一种基于点云残差的激光雷达SLAM退化检测系统，包括数据模块、约束关系模块和退化判断模块；数据模块使用激光雷达传感器采集连续帧点云数据，并对连续帧点云进行预处理；约束关系模块对所述预处理后的点云数据基于点到面迭代最近点方法进行分析，获得残差抗扰动鲁棒性的点云约束关系；退化判断模块基于所述点云约束关系，进行扰动识别，获得否发生场景退化的结果。
基于相同的发明构思，在本发明的其他实施例中，提供一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行基于点云残差的激光雷达SLAM退化检测方法，或，运行基于点云残差的激光雷达SLAM退化检测系统。
可选地，存储器，用于存储程序；存储器，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic Random Access Memory，缩写：DDR SDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
处理器，用于执行存储器存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
处理器和存储器可以是独立结构，也可以是集成在一起的集成结构。当处理器和存储器是独立结构时，存储器、处理器可以通过总线耦合连接。
基于相同的发明构思，在本发明的其他实施例中，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行基于点云残差的激光雷达SLAM退化检测方法，或，运行基于点云残差的激光雷达SLAM退化检测系统。
其中，计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外，该ASIC可以位于用户设备中。当然，处理器和存储介质也可以作为分立组件存在于通信设备中。
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。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。上述各优选特征在互不冲突的情况下，可以任意组合使用。

Claims (10)

1.一种基于点云残差的激光雷达SLAM退化检测方法，其特征在于，包括：
使用激光雷达传感器采集连续帧点云，并对连续帧点云进行预处理，获得非地面的连续的点云数据；
对所述预处理后的点云数据进行基于点到面迭代最近点方法的分析，获得残差抗扰动鲁棒性的点云约束关系；
基于所述点云约束关系，进行扰动识别，判断是否发生退化并获得SLAM退化方向。
2.根据权利要求1所述的一种基于点云残差的激光雷达SLAM退化检测方法，其特征在于，所述预处理包括地面点云分离、聚类噪声剔除。
3.根据权利要求1所述的一种基于点云残差的激光雷达SLAM退化检测方法，其特征在于，所述对所述预处理后的点云数据基于点到面迭代最近点方法进行分析，获得残差抗扰动鲁棒性的点云约束关系，包括：
基于点到面最近点迭代方法获得当前帧中的每一点在前一帧中的匹配点；
构建当前帧中的点到其对应的所述匹配点的残差；
基于所述残差，获得其对机器人位姿的敏感度影响关系，作为残差抗扰动鲁棒性的点云约束关系。
4.根据权利要求3所述的一种基于点云残差的激光雷达SLAM退化检测方法，其特征在于，所述基于点到面最近点迭代方法获得当前帧中的每一点在前一帧中的匹配点，包括：
设定t和t+1为连续两帧的点云数据；
通过点到面最近点迭代方法，将t+1中的点di与t中的所有点进行迭代匹配，获点di在t中的匹配点si。
5.根据权利要求1所述的一种基于点云残差的激光雷达SLAM退化检测方法，其特征在于，所述构建当前帧中的点到其对应的所述匹配点的残差，包括：
设定连续两帧的点云配准的变换矩阵M由平移变换矩阵T(tx,ty,tz)和旋转变换R(α,β,γ)矩阵构成，tx,ty,tz是机器人在直角坐标系方向上分别移动的距离，α,β,γ是在直角坐标系方向上旋转的角度；
将所述变换矩阵M近似化为
Figure FDA0004111492280000021
对于目标点集即当前帧t+1中的每个点di，通过法向量估计求得其对应的法向量ni定义点di与对应匹配点si的点到面迭代最近点方法残差为：
fi＝(M·si-di)·ni。
6.根据权利要求5所述的一种基于点云残差的激光雷达SLAM退化检测方法，其特征在于，基于所述残差fi＝(M·si-di)·ni，获得其对机器人位姿的敏感度影响关系，即：如果机器人发生位姿变换，所述残差项变化小，则定义当前描述机器人位姿的约束较弱，系统发生了退化。
7.根据权利要求6所述的一种基于点云残差的激光雷达SLAM退化检测方法，其特征在于，基于所述点云约束关系，进行扰动识别，判断是否发生退化并获得退化方向，包括：
基于所述点云约束关系，将退化判定问题转化为求解残差项对(R，t)的敏感度问题，令每一项残差fi对(R，t)求偏导，即：
Figure FDA0004111492280000022
将每一项残差Ji拼接，构成矩阵J；
对所述矩阵J进行特征值分解
Figure FDA0004111492280000023
得到特征向量和特征值；
若所述最小特征值λmin小于所设定的阈值，代表当前场景发生退化，且所述最小特征值λmin对应的特征向量是当前的SLAM退化方向。
8.一种基于点云残差的激光雷达SLAM退化检测系统，其特征在于，包括：
数据模块，该模块使用激光雷达传感器采集连续帧点云数据，并对连续帧点云进行预处理，获得非地面的连续的点云数据；
约束关系模块，该模块对所述预处理后的点云数据基于点到面迭代最近点方法进行分析，获得残差抗扰动鲁棒性的点云约束关系；
退化判断模块，该模块基于所述点云约束关系，进行扰动识别，判断是否发生退化并获得SLAM退化方向。
9.一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时可用于执行权利要求1-7中任一项所述的方法，或，运行权利要求8所述的系统。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时可用于执行权利要求1-7中任一项所述的方法，或，运行权利要求8所述的系统。
CN202310207639.6A 2023-03-06 2023-03-06 基于点云残差的激光雷达slam退化检测方法及系统 Pending CN116203579A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310207639.6A CN116203579A (zh) 2023-03-06 2023-03-06 基于点云残差的激光雷达slam退化检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310207639.6A CN116203579A (zh) 2023-03-06 2023-03-06 基于点云残差的激光雷达slam退化检测方法及系统

Publications (1)

Publication Number Publication Date
CN116203579A true CN116203579A (zh) 2023-06-02

Family

ID=86510978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310207639.6A Pending CN116203579A (zh) 2023-03-06 2023-03-06 基于点云残差的激光雷达slam退化检测方法及系统

Country Status (1)

Country Link
CN (1) CN116203579A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116380935A (zh) * 2023-06-02 2023-07-04 中南大学 一种高铁箱梁损伤检测机器车及损伤检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116380935A (zh) * 2023-06-02 2023-07-04 中南大学 一种高铁箱梁损伤检测机器车及损伤检测方法

Similar Documents

Publication Publication Date Title
JP7179110B2 (ja) 測位方法、装置、計算装置、コンピュータ可読記憶媒体及びコンピュータプログラム
JP6760114B2 (ja) 情報処理装置、データ管理装置、データ管理システム、方法、及びプログラム
Lenac et al. Fast planar surface 3D SLAM using LIDAR
US20200124421A1 (en) Method and apparatus for estimating position
US8295547B1 (en) Model-based feature tracking in 3-D and 2-D imagery
US7124022B2 (en) Feature mapping between data sets
US8855911B2 (en) Systems and methods for navigation using cross correlation on evidence grids
KR102041664B1 (ko) Qr 마커와 레이저 스캐너를 이용하여 광범위 실내 공간에서 로봇의 위치를 인식하기 위한 방법 및 장치
JP2018197744A (ja) 路面標示を用いた都市環境における位置特定
CN110082753A (zh) 确定车辆位置的方法
US20220291012A1 (en) Vehicle and method for generating map corresponding to three-dimensional space
CN116299535A (zh) 基于几何信息的激光雷达slam退化检测方法及系统
CN114236564B (zh) 动态环境下机器人定位的方法、机器人、装置及存储介质
US20150134234A1 (en) Apparatus for determining motion characteristics of target and device for controlling driving route of vehicle including the same
CN116203579A (zh) 基于点云残差的激光雷达slam退化检测方法及系统
CN112964291A (zh) 一种传感器标定的方法、装置、计算机存储介质及终端
CN112767545A (zh) 一种点云地图构建方法、装置、设备及计算机存储介质
CN115494533A (zh) 车辆定位方法、装置、存储介质及定位系统
CN112731337B (zh) 地图构建方法、装置和设备
CN110794434A (zh) 一种位姿的确定方法、装置、设备及存储介质
CN117015719A (zh) 用于确定刚体的运动状态的方法
CN114147707A (zh) 一种基于视觉识别信息的机器人对接方法与设备
CN113483762A (zh) 一种位姿优化方法及设备
CN116299536A (zh) 基于位姿约束的激光雷达slam退化检测方法及系统
KR20200133919A (ko) 자율주행차량의 경로 보상 장치 및 그 방법

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