CN117173247A - 基于2D激光雷达与LightGBM的室外定位与构图方法及系统 - Google Patents
基于2D激光雷达与LightGBM的室外定位与构图方法及系统 Download PDFInfo
- Publication number
- CN117173247A CN117173247A CN202311443702.2A CN202311443702A CN117173247A CN 117173247 A CN117173247 A CN 117173247A CN 202311443702 A CN202311443702 A CN 202311443702A CN 117173247 A CN117173247 A CN 117173247A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- lightgbm
- loop
- points
- point
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000012795 verification Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims description 41
- 238000013519 translation Methods 0.000 claims description 23
- 230000009466 transformation Effects 0.000 claims description 19
- 238000000059 patterning Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000003066 decision tree Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000004590 computer program Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明属于信息定位技术领域，公开了基于2D激光雷达与LightGBM的室外定位与构图方法及系统。该方法利用PL‑ICP点云匹配算法进行前端扫描匹配；基于LightGBM回环检测方法进行回环检测；采用时间一致性检验和空间一致性检验结合的验证方式进行回环验证。本发明通过嵌入式计算平台、单线激光雷达、机器人移动平台等硬件，有效解决传统基于滤波器的激光SLAM复杂度高且定位精度不高的问题，同时该方法采用基于深度学习的回环检测进一步减小定位累计误差，该方法鲁棒性高、精度高、适用性强。
Description
技术领域
本发明属于信息定位技术领域，尤其涉及基于2D激光雷达与LightGBM的室外定位与构图方法及系统。
背景技术
随着机器人技术的飞速发展，越来越多的科技产品如无人车、无人机等开始走进人们的生活，而其中实现各类移动机器人智能化的一项重要技术就是定位。在实际应用中，移动机器人在面对复杂场景，如光照变换、动态障碍物多时，容易导致跟踪失败，进而影响移动机器人的定位与建图过程。因而复杂环境下的同步定位与建图(SimultaneousLocalization and Mapping,SLAM)是当前移动机器人研究的热点与重要方向。
GBDT (Gradient Boosting Decision Tree)是深度学习中一个长盛不衰的模型，其主要思想是利用决策树迭代训练以得到最优模型，该模型具有训练效果好、不易过拟合等优点。GBDT不仅在工业界应用广泛，通常被用于多分类、点击率预测、搜索排序等任务。而LightGBM（Light Gradient Boosting Machine）是一个实现GBDT算法的框架，支持高效率的并行训练，并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。缺点在于容易过拟合，并且对噪点比较敏感。
回环检测部分的主要任务是检测移动机器人是否经过同一地点。正确地检测到回环可以建立当前帧与历史帧间的约束，从而消除来自前端里程计的累积误差，提高全局地图的精度。
现有技术研究表明在二维激光雷达中只需要考虑点到线的匹配，在此基础上提出了一种隐式滑动最小二乘ICP的回环检测方法，并将其应用到行星车上去。同时现有技术针对2D激光雷达SLAM算法，提出了一种基于视觉词袋信息融合的回环检测方法，并利用multiscans-to-map的扫描匹配算法，提升了大尺度环境下回环检测的计算效率。再者，现有技术提出基于片段的回环检测方法，将训练好的点云片段加入回环检测，并提出一种空间约束方法，提升回环检测的鲁棒性和准确性。还有，现有技术将基于历史轨迹的关键帧加入到回环检测模块，构建了二维激光点云描述子，最后使用ICP算法完成对回环帧的筛选。
通过上述分析，现有技术存在的问题及缺陷为：现有技术基于滤波器的激光SLAM复杂度高且定位精度不高，定位累计误差大，适用性差。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了基于2D激光雷达与LightGBM的室外定位与构图方法及系统。
所述技术方案如下：一种基于2D激光雷达与LightGBM的室外定位与构图方法，包括以下步骤：
S1，利用PL-ICP点云匹配算法进行前端扫描匹配；
S2，基于LightGBM回环检测方法进行回环检测；
S3，采用时间一致性检验和空间一致性检验结合的验证方式进行回环验证。
在步骤S1中，PL-ICP点云匹配算法包括：在点云集中找到距离点云/>中的任意点欧氏距离最近的两点/>与/>，计算出由点/>到/>与/>连线的垂直距离/>。
进一步，所述PL-ICP点云匹配算法改进后的误差方程为：
，
式中，为求解旋转矩阵/>和平移向量/>的结果，/>为旋转矩阵，/>为平移矩阵，/>为平移向量，/>为垂直于点/>与/>连线的法向量，/>为改进后的旋转矩阵，/>为点云/>中点/>的坐标，/>为改进后的平移矩阵，/>为点云/>中的点云；
对误差方程求解出值，使得/>取最小值；将点云/>按照/>进行旋转和平移后得到新的点云/>，并进行下一步的迭代；当最终的误差小于设定的阈值时，终止迭代并输出/>，获得两帧点云数据的相对位姿差。
在步骤S2中，基于LightGBM回环检测方法进行回环检测，包括：
S2.1，点云特征提取：提取旋转不变特征包括区域特征、距离特征、形状特征与聚类特征；
S2.2，点云特征分类：基于LightGBM扫描计算个旋转不变特征，定义为：
，
式中，为一类点云特征，/>为第/>次激光扫描，/>为旋转不变特征数量，/>，/>为扫描的总次数，/>为第i次扫描时，第m种旋转不变特征的值；
设两次激光扫描分别为与l，分类器的特征集定义为：
，
式中，为第k次激光扫描中的点云特征，/>为第l次激光扫描中的点云特征，/>为第m种旋转不变特征的差值，/>为第j种旋转不变特征的差值，/>为第k次扫描时，第j种旋转不变特征的值，/>为第l次扫描时，第j种旋转不变特征的值，/>为从1到实数m中的任意实数；
对于训练数据，提供一组个带标签的扫描对，表达式为：
，
式中，为处理后的分类点云特征，/>为点云横坐标，/>为点云纵坐标。
在步骤S2.2中，点云特征分类采用LightGBM作为由一系列决策树组成的分类器，首先从初始训练集训练出一个基分类器，然后根据分类误差调整训练样本的分布，使之前错误分类的样本在接下来的步骤中得到关注；再根据更新后的样本分布训练下一个弱分类器；重复以上步骤，直到达到最大迭代，最终的分类器是/>个弱分类器的加权组合。
进一步，回环检测包括：
获取当前时刻点云集；
点云特征提取；
点云特征分类；
闭环验证；
匹配得分是否大于设定阈值，若大于，则回环检测成功，若不大于设定阈值，则回环检测失败，返回获取当前时刻点云集步骤。
在步骤S3中，时间一致性检验包括：判断是否连续三个关键帧均能找到回环且回环帧来源于同一场景附近，若满足条件，则构建回环约束；
空间一致性检验包括：通过划分有效点和无效点，统计激光点云对的有效点数量，当有效点数量与匹配点数量的比值超过设定阈值时，通过空间一致性检验。
进一步，空间一致性检验中，计算当前帧对应特征点云与回环帧对应特征点云之间坐标变换关系，变换矩阵与特征点间的关系式为：
，
其中，为回环帧对应特征点的点云坐标，/>为当前帧对应特征点的点云坐标，/>为变换矩阵，/>为旋转矩阵，/>为平移向量。
进一步，设两帧包含对的匹配点，检验回环正确性具体包括：
（1）从对匹配点对中任意选六组对应点对，带入变换矩阵与特征点间的关系式，求解出变换矩阵/>；
（2）将当前帧中剩余点分别带入上式，即根据已求解的变换矩阵，计算投影点与对应点之间的欧式距离；若欧式距离小于设定的距离阈值时，该特征点归为有效点，反之视为无效点；
（3）记录步骤（2）获取的有效点数量；
（4）回到步骤（1）并重复若干次，计算有效点数量的平均值，若该平均值与匹配点数量的比值大于设定阈值，则认为通过空间一致性检验，证明该回环的正确性。
本发明的另一目的在于提供一种基于2D激光雷达与LightGBM的室外定位与构图系统，该系统实施所述的基于2D激光雷达与LightGBM的室外定位与构图方法，该系统包括：
前端扫描匹配模块，用于利用PL-ICP点云匹配算法进行前端扫描匹配；
回环检测模块，用于基于LightGBM回环检测方法进行回环检测，
回环验证模块，用于采用时间一致性检验和空间一致性检验结合的验证方式进行回环验证。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供一种基于LightGBM的室外2D激光SLAM方案，该方法通过嵌入式计算平台、单线激光雷达、机器人移动平台等硬件，有效解决传统基于滤波器的激光SLAM复杂度高且定位精度不高的问题，同时该方法采用基于深度学习的回环检测进一步减小定位累计误差，该方法鲁棒性高、精度高、适用性强。
作为本发明的积极效果，还体现在以下几个重要方面：
（1）本发明选择2D激光雷达为SLAM方法使用的传感器，定位精度相对传统基于滤波器激光SLAM更高且复杂度低；
（2）本发明通过采用基于LightGBM的场景识别方法进行回环检测，相对传统检测方法，鲁棒性更好且基本上不存在漏检现象，保证回环检测的正确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理；
图1是本发明实施例提供的室外定位与构图方法流程图；
图2是本发明实施例提供的现有技术ICP算法流程图；
图3是本发明实施例提供的现有技术ICP算法原理效果图；
图4是本发明实施例提供的本发明改进的PL-ICP算法原理效果图；
图5是本发明实施例提供的回环检测流程图；
图6是本发明实施例提供的室外定位与构图系统示意图；
图中：1、前端扫描匹配模块；2、回环检测模块；3、回环验证模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
如图1所示，本发明实施例提供的室外定位与构图方法包括以下步骤：
S1，利用PL-ICP点云匹配算法进行前端扫描匹配：
假设有时刻和/>时刻两个激光扫描点云集合，分别为：
(1)
其中：和/>分别表示为点云左边，/>与/>分别为点云集合的大小，/>为t-1时刻激光扫描点云集合，/>为t时刻激光扫描点云集合。
示例性的，现有技术ICP算法包括：
输入时刻点云与/>时刻点云；
初始化并寻找最近点云；
计算最小化误差距离并求解/>；
更新距离并判断距离是否小于设定阈值；若小于设定阈值则执行下一步，若大于设定阈值，则返回初始化并寻找最近点云步骤；
点云匹配成功。
示例性的，ICP算法具体包括：
S1.1：初始化目标点云与寻找最近点云。
通常情况下直接使用里程计数据得到位姿差,即当前机器人的里程计位姿在上一时刻机器人的位姿上的投影，直接作为ICP迭代算法的初值/>，并且根据/>时刻的机器人位姿/>帮助机器人直接寻找到上一时刻点云附近的对应点。对于点云集X中的每一个点/>，在点云/>中均要找到一个距离它最近的点/>，使其满足下列条件：
(2)
S1.2：根据对应点计算旋转矩阵和平移矩阵/>。
根据已经初始化的点云点构建误差方程。经典的现有技术ICP算法将普通点云和点云之间的距离作为误差，误差方程表示为：
，
将点云集和点云/>向以平均点为圆心的地方进行平移，点云集质心表示为：
，
将上式带入式（3）展开得到：
，
令，保证/>项最小，再求出旋转矩阵/>之后再次带入/>当中即可求出平移矩阵/>。则误差方程更新为：
，
求则可以变换成求解/>，表达式为：
，
其中，和/>表示点云坐标，/>和/>表示点云的数量，/>为旋转矩阵，/>为平移向量。
对矩阵进行SVD分解/>，最终得到旋转矩阵/>和平移矩阵/>。
S1.3：将旋转矩阵和平移矩阵/>应用于/>时刻的点云/>，将其进行旋转和平移变换后将得到新的点云集合/>。
S1.4：更新点云与/>之间的距离：
，
判断距离是否大于设定的阈值，如果是则继续进行迭代。如果否则表示迭代完成，输出ICP算法最终迭代结果/>。
根据PL-ICP点云匹配算法原理分析可得，该PL-ICP点云匹配算法中实际是通过激光点对环境中的曲面做了离散化处理，然后模拟出激光点到环境曲面的距离，将该距离作为误差值并进行迭代优化。现有技术ICP算法误差函数表示的实际意义为最小化点到点的欧式距离。而PL-ICP算法通过将环境曲面分段线性化的方式，改进为当前帧激光点到上一帧点云中的最近两个点云连线的距离，如图3现有技术ICP算法原理效果图，图4为本发明改进的PL-ICP算法原理效果图。
PL-ICP点云匹配算法流程与ICP算法流程类似。主要不同点在点云集中找到距离点云/>中的任意点/>欧氏距离最近的两点/>与/>，计算出由点/>到/>与/>连线的垂直距离/>。从上图3-图4可以看出，本发明PL-ICP点云匹配算法改进后的误差方程更加的符合实际情况。PL-ICP点云匹配算法为二阶收敛，现有技术ICP算法为一阶收敛，因此，本发明PL-ICP点云匹配算法不仅精度高于现有技术ICP算法，且收敛速度更快。改进后的误差方程表示为：
，
式中， 为求解旋转矩阵/>和平移向量/>的结果，/>为旋转矩阵，/>为平移矩阵，为平移向量，/>为垂直于点/>与/>连线的法向量，/>为改进后的旋转矩阵，/>为点云/>中点/>的坐标，/>为改进后的平移矩阵，/>为点云/>中的点云；
对误差方程求解出值，使得/>取最小值；将点云集/>按照/>进行旋转和平移后得到新的点云/>，并进行下一步的迭代；当最终的误差小于设定的阈值时，终止迭代并输出/>，获得两帧点云数据的相对位姿差。
S2，基于LightGBM回环检测方法对两帧点云数据的相对位姿差进行回环检测，具体包括：
S2.1，点云特征提取：提取旋转不变特征包括区域特征、距离特征、形状特征与聚类特征。
S2.2，点云特征分类：基于LightGBM扫描计算个旋转不变特征，定义为：
，
式中，为一类点云特征，/>为第/>次激光扫描，/>为旋转不变特征数量，/>，/>为扫描的总次数，/>为第i次扫描时，第m种旋转不变特征的值；
设两次激光扫描分别为与l，分类器的特征集定义为：
，
式中，为第k次激光扫描中的点云特征，/>为第l次激光扫描中的点云特征，/>为第m种旋转不变特征的差值，/>为第j种旋转不变特征的差值，/>为第k次扫描时，第j种旋转不变特征的值，/>为第l次扫描时，第j种旋转不变特征的值，/>为从1到实数m中的任意实数；
对于训练数据，提供一组个带标签的扫描对，表达式为：
，
式中，为处理后的分类点云特征，/>为点云横坐标，/>为点云纵坐标。
采用LightGBM作为由一系列决策树组成的分类器。首先从初始训练集训练出一个基分类器，然后根据分类误差调整训练样本的分布，使之前错误分类的样本在接下来的步骤中得到更多的关注。然后根据更新后的样本分布训练下一个弱分类器。重复以上两步，直到达到最大迭代T。最终的分类器是T个弱分类器的加权组合，这些分类误差较小的弱分类器权重较大。
作为本发明另一种实施方式，如图5所示，回环检测包括：
获取当前时刻点云集；
点云特征提取；
点云特征分类；
闭环验证；
匹配得分是否大于设定阈值，若大于，则回环检测成功，若不大于设定阈值，则说明回环检测失败，返回获取当前时刻点云集步骤。
S3，回环验证：为避免错误回环对激光定位算法精度造成影响，提升基于LightGBM回环检测方法准确性与鲁棒性，本发明采用时间一致性检验和空间一致性检验结合的验证方式。具体包括：
①时间一致性：由于机器人的连续运动性，若找到回环，则当前帧周围采集到的点云数据依然能够与回环帧保持高度相似性，单次检测出回环存在偶然性，并不具有足够说服力，需要确认连续一段时间内均能在相同位置附近检测到回环，才能保证回环的正确性。判断是否连续三个关键帧均能找到回环且回环帧来源于同一场景附近，若满足条件，则构建回环约束。
②空间一致性：通过时间一致性检验，获取一组相似度最高的激光点云对，需利用点云信息进行空间一致性检验，通过检验后方可构成回环，否则需要根据相似度大小在剩余候选回环帧中继续进行匹配与检验操作。空间一致性检验主要通过划分有效点和无效点，统计激光点云对的有效点数量，当有效点数量与匹配点数量的比值超过设定阈值时，即通过空间一致性检验。该部分关键在于计算当前帧对应特征点云与回环帧对应特征点云之间坐标变换关系，即，变换矩阵T。变换矩阵与特征点间的关系式为：
，
其中，为回环帧对应特征点的点云坐标，/>为当前帧对应特征点的点云坐标，/>为变换矩阵，/>为旋转矩阵，/>为平移向量。
示例性的，假设两帧包含N对的匹配点，检验回环正确性具体包括：
（1）从N对匹配点对中任意选六组对应点对，带入变换矩阵与特征点间的关系式，求解出变换矩阵T。
（2）将当前帧中剩余点分别带入变换矩阵与特征点间的关系式，即根据已求解的变换矩阵，计算投影点与对应点之间的欧式距离。若欧式距离小于设定的距离阈值时，该特征点归为有效点，反之视为无效点。
（3）记录步骤（2）获取的有效点数量。
（4）回到步骤（1）并重复若干次，计算有效点数量的平均值。若该平均值与匹配点数量的比值大于设定阈值，则认为通过空间一致性检验，证明该回环的正确性。
通过上述实施例表明：本发明使用成本低廉的2D激光雷达传感器，结合深度学习技术，设计一种基于2D激光雷达与LightGBM的室外定位与构图方法，实现更准确、更快速的点云特征分析，同时基于图优化方法优化激光里程计位姿，同时在回环检测部分引入深度学习，克服传统特征提取的缺点，以减小移动机器人的定位累计误差，最终得到高精度的室外定位位姿，且具有较强的环境适应能力，进而帮助建立质量更佳的地图。
实施例2，如图6所示，本发明实施例提供的室外定位与构图系统包括：
前端扫描匹配模块1，用于利用PL-ICP点云匹配算法进行前端扫描匹配；
回环检测模块2，用于基于LightGBM回环检测方法进行回环检测，
回环验证模块3，用于采用时间一致性检验和空间一致性检验结合的验证方式进行回环验证。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程。
基于上述本发明实施例记载的技术方案，进一步的可提出以下应用例。
根据本申请的实施例，本发明还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例还提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
本发明使用成本低廉的2D激光雷达实现较好的室外SLAM效果。近年来园区机器人的需求不断上升，对机器人的要求也逐步提高，包括精度高、成本低、实时性强等等。此外，单一传感器的SLAM技术难以满足需求，以3D激光雷达为代表的传统SLAM技术存在成本高、计算量大、实时性强等问题。近年来随着算力水平的提升、算力成本的下降，深度学习取得了良好进展，也为与SLAM的融合创新提供了新思路。围绕着计算时间、实现成本、准确率以及环境要求这四项指标，对近些年的SLAM方案进行总结对比，最终确定了研究目标。也就是使用成本低廉的2D激光雷达传感器，结合深度学习技术，设计一种高效的回环检测方案，并且具有较强的环境适应能力。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于2D激光雷达与LightGBM的室外定位与构图方法，其特征在于，该方法包括以下步骤：
S1，利用PL-ICP点云匹配算法进行前端扫描匹配；
S2，基于LightGBM回环检测方法进行回环检测；
S3，采用时间一致性检验和空间一致性检验结合的验证方式进行回环验证。
2.根据权利要求1所述的基于2D激光雷达与LightGBM的室外定位与构图方法，其特征在于，在步骤S1中，PL-ICP点云匹配算法包括：在点云集中找到距离点云/>中的任意点/>欧氏距离最近的两点/>与/>，计算出由点/>到/>与/>连线的垂直距离/>。
3.根据权利要求2所述的基于2D激光雷达与LightGBM的室外定位与构图方法，其特征在于，所述PL-ICP点云匹配算法改进后的误差方程为：
，
式中，为求解旋转矩阵/>和平移向量/>的结果，/>为旋转矩阵，/>为平移矩阵，/>为平移向量，/>为垂直于点/>与/>连线的法向量，/>为改进后的旋转矩阵，/>为点云/>中点/>的坐标，/>为改进后的平移矩阵，/>为点云/>中的点云；
对误差方程求解出值，使得/>取最小值；将点云/>按照/>进行旋转和平移后得到新的点云/>，并进行下一步的迭代；当最终的误差小于设定的阈值时，终止迭代并输出/>，获得两帧点云数据的相对位姿差。
4.根据权利要求1所述的基于2D激光雷达与LightGBM的室外定位与构图方法，其特征在于，在步骤S2中，基于LightGBM回环检测方法进行回环检测，包括：
S2.1，点云特征提取：提取旋转不变特征包括区域特征、距离特征、形状特征与聚类特征；
S2.2，点云特征分类：基于LightGBM扫描计算个旋转不变特征，定义为：
，
式中，为一类点云特征，/>为第/>次激光扫描，/>为旋转不变特征数量，/>，/>为扫描的总次数，/>为第i次扫描时，第m种旋转不变特征的值；
设两次激光扫描分别为与l，分类器的特征集定义为：
，
式中，为第k次激光扫描中的点云特征，/>为第l次激光扫描中的点云特征，/>为第m种旋转不变特征的差值，/>为第j种旋转不变特征的差值，/>为第k次扫描时，第j种旋转不变特征的值，/>为第l次扫描时，第j种旋转不变特征的值，/>为从1到实数m中的任意实数；
对于训练数据，提供一组个带标签的扫描对，表达式为：
，
式中，为处理后的分类点云特征，/>为点云横坐标，/>为点云纵坐标。
5.根据权利要求4所述的基于2D激光雷达与LightGBM的室外定位与构图方法，其特征在于，在步骤S2.2中，点云特征分类采用LightGBM作为由一系列决策树组成的分类器，首先从初始训练集训练出一个基分类器，然后根据分类误差调整训练样本的分布，使之前错误分类的样本在接下来的步骤中得到关注；再根据更新后的样本分布训练下一个弱分类器；重复以上步骤，直到达到最大迭代，最终的分类器是/>个弱分类器的加权组合。
6.根据权利要求4所述的基于2D激光雷达与LightGBM的室外定位与构图方法，其特征在于，回环检测包括：
获取当前时刻点云集；
点云特征提取；
点云特征分类；
闭环验证；
匹配得分是否大于设定阈值，若大于，则回环检测成功，若不大于设定阈值，则回环检测失败，返回获取当前时刻点云集步骤。
7.根据权利要求1所述的基于2D激光雷达与LightGBM的室外定位与构图方法，其特征在于，在步骤S3中，时间一致性检验包括：判断是否连续三个关键帧均能找到回环且回环帧来源于同一场景附近，若满足条件，则构建回环约束；
空间一致性检验包括：通过划分有效点和无效点，统计激光点云对的有效点数量，当有效点数量与匹配点数量的比值超过设定阈值时，通过空间一致性检验。
8.根据权利要求7所述的基于2D激光雷达与LightGBM的室外定位与构图方法，其特征在于，空间一致性检验中，计算当前帧对应特征点云与回环帧对应特征点云之间坐标变换关系，变换矩阵与特征点间的关系式为：
，
其中，为回环帧对应特征点的点云坐标，/>为当前帧对应特征点的点云坐标，/>为变换矩阵，/>为旋转矩阵，/>为平移向量。
9.根据权利要求7所述的基于2D激光雷达与LightGBM的室外定位与构图方法，其特征在于，设两帧包含对的匹配点，检验回环正确性具体包括：
（1）从对匹配点对中任意选六组对应点对，带入变换矩阵与特征点间的关系式，求解出变换矩阵/>；
（2）将当前帧中剩余点分别带入上式，即根据已求解的变换矩阵，计算投影点与对应点之间的欧式距离；若欧式距离小于设定的距离阈值时，该特征点归为有效点，反之视为无效点；
（3）记录步骤（2）获取的有效点数量；
（4）回到步骤（1）并重复若干次，计算有效点数量的平均值，若该平均值与匹配点数量的比值大于设定阈值，则认为通过空间一致性检验，证明该回环的正确性。
10.一种基于2D激光雷达与LightGBM的室外定位与构图系统，其特征在于，该系统实施权利要求1-9任意一项所述的基于2D激光雷达与LightGBM的室外定位与构图方法，该系统包括：
前端扫描匹配模块（1），用于利用PL-ICP点云匹配算法进行前端扫描匹配；
回环检测模块（2），用于基于LightGBM回环检测方法进行回环检测，
回环验证模块（3），用于采用时间一致性检验和空间一致性检验结合的验证方式进行回环验证。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311443702.2A CN117173247B (zh) | 2023-11-02 | 2023-11-02 | 基于2D激光雷达与LightGBM的室外定位与构图方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311443702.2A CN117173247B (zh) | 2023-11-02 | 2023-11-02 | 基于2D激光雷达与LightGBM的室外定位与构图方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117173247A true CN117173247A (zh) | 2023-12-05 |
| CN117173247B CN117173247B (zh) | 2024-02-02 |
Family
ID=88932081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311443702.2A Active CN117173247B (zh) | 2023-11-02 | 2023-11-02 | 基于2D激光雷达与LightGBM的室外定位与构图方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117173247B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700497A (zh) * | 2021-01-04 | 2021-04-23 | 歌尔股份有限公司 | 回环检测方法、装置、设备及计算机可读存储介质 |
| CN113902862A (zh) * | 2021-10-12 | 2022-01-07 | 华东理工大学 | 一种基于一致性集群的视觉slam回环验证系统 |
| CN114067128A (zh) * | 2021-12-21 | 2022-02-18 | 南通大学 | 一种基于语义特征的slam回环检测方法 |
| WO2022142855A1 (zh) * | 2020-12-31 | 2022-07-07 | 深圳市优必选科技股份有限公司 | 回环检测方法、装置、终端设备和可读存储介质 |
| CN114861761A (zh) * | 2022-04-06 | 2022-08-05 | 南通大学 | 一种基于孪生网络特征与几何验证的回环检测方法 |
| CN115880364A (zh) * | 2023-02-09 | 2023-03-31 | 广东技术师范大学 | 基于激光点云和视觉slam的机器人位姿估计方法 |
| CN116563352A (zh) * | 2023-03-09 | 2023-08-08 | 中山赛伯坦智能科技有限公司 | 融合深度视觉信息的单线激光雷达回环检测方法及系统 |
| CN116912175A (zh) * | 2023-06-26 | 2023-10-20 | 江苏大学 | 一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法 |
-
2023
- 2023-11-02 CN CN202311443702.2A patent/CN117173247B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022142855A1 (zh) * | 2020-12-31 | 2022-07-07 | 深圳市优必选科技股份有限公司 | 回环检测方法、装置、终端设备和可读存储介质 |
| CN112700497A (zh) * | 2021-01-04 | 2021-04-23 | 歌尔股份有限公司 | 回环检测方法、装置、设备及计算机可读存储介质 |
| WO2022142744A1 (zh) * | 2021-01-04 | 2022-07-07 | 歌尔股份有限公司 | 回环检测方法、装置、设备及计算机可读存储介质 |
| CN113902862A (zh) * | 2021-10-12 | 2022-01-07 | 华东理工大学 | 一种基于一致性集群的视觉slam回环验证系统 |
| CN114067128A (zh) * | 2021-12-21 | 2022-02-18 | 南通大学 | 一种基于语义特征的slam回环检测方法 |
| CN114861761A (zh) * | 2022-04-06 | 2022-08-05 | 南通大学 | 一种基于孪生网络特征与几何验证的回环检测方法 |
| CN115880364A (zh) * | 2023-02-09 | 2023-03-31 | 广东技术师范大学 | 基于激光点云和视觉slam的机器人位姿估计方法 |
| CN116563352A (zh) * | 2023-03-09 | 2023-08-08 | 中山赛伯坦智能科技有限公司 | 融合深度视觉信息的单线激光雷达回环检测方法及系统 |
| CN116912175A (zh) * | 2023-06-26 | 2023-10-20 | 江苏大学 | 一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| DEBASMITA MISHRA ET AL.: "Light gradient boosting machine with optimized hyperparameters for identification of malicious access in IoT network", 《DIGITAL COMMUNICATIONS AND NETWORKS》, vol. 9, no. 1, pages 125 - 137 * |
| ZHONGYUAN ZHANG ET AL.: "Research on a variable pressure driving method for soft robots based on the electromagnetic effect, Sensors", 《SENSORS》, vol. 23, no. 14, pages 1 - 22 * |
| 黄永新: "基于复合点云帧改进的激光SLAM闭环检测算法", 《自动化与仪表》, vol. 35, no. 06, pages 42 - 47 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117173247B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111401201B (zh) | 一种基于空间金字塔注意力驱动的航拍图像多尺度目标检测方法 | |
| Huang et al. | Clusterslam: A slam backend for simultaneous rigid body clustering and motion estimation | |
| CN111310631B (zh) | 一种旋翼作业飞行机器人目标跟踪方法及系统 | |
| Xia et al. | Loop closure detection for visual SLAM using PCANet features | |
| CN111368759B (zh) | 基于单目视觉的移动机器人语义地图构建系统 | |
| CN106840166B (zh) | 一种基于词袋树群模型的机器人定位和导航方法 | |
| Vaquero et al. | Dual-branch CNNs for vehicle detection and tracking on LiDAR data | |
| CN114937083B (zh) | 一种应用于动态环境的激光slam系统及方法 | |
| Khurana et al. | A survey on object recognition and segmentation techniques | |
| CN113408584A (zh) | Rgb-d多模态特征融合3d目标检测方法 | |
| CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
| Li et al. | Guided neighborhood affine subspace embedding for feature matching | |
| Tsintotas et al. | The revisiting problem in simultaneous localization and mapping | |
| CN114038011A (zh) | 一种室内场景下人体异常行为的检测方法 | |
| CN117173247B (zh) | 基于2D激光雷达与LightGBM的室外定位与构图方法及系统 | |
| CN111578956A (zh) | 一种基于深度学习的视觉slam定位方法 | |
| Deng et al. | Abnormal Occupancy Grid Map Recognition using Attention Network | |
| Akkaladevi et al. | Real-time tracking of rigid objects using depth data | |
| Lu et al. | Fast human action classification and VOI localization with enhanced sparse coding | |
| CN113723468B (zh) | 一种三维点云的物体检测方法 | |
| CN113378746B (zh) | 一种定位方法及装置 | |
| Cuzzocrea et al. | Advanced pattern recognition from complex environments: a classification-based approach | |
| CN113362372B (zh) | 一种单目标追踪方法及计算机可读介质 | |
| Drulea et al. | An omnidirectional stereo system for logistic plants. Part 2: stereo reconstruction and obstacle detection using digital elevation maps | |
| Sun et al. | Keyframe-based global localization in large-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 |