CN117804434A - 用于室内建图的前端里程计确定方法及设备和存储介质 - Google Patents
用于室内建图的前端里程计确定方法及设备和存储介质 Download PDFInfo
- Publication number
- CN117804434A CN117804434A CN202211180478.8A CN202211180478A CN117804434A CN 117804434 A CN117804434 A CN 117804434A CN 202211180478 A CN202211180478 A CN 202211180478A CN 117804434 A CN117804434 A CN 117804434A
- Authority
- CN
- China
- Prior art keywords
- laser
- pose
- data
- mobile device
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims description 23
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 15
- 238000004364 calculation method Methods 0.000 description 14
- 238000013507 mapping Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 241001417527 Pempheridae Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明实施例提供一种用于室内建图的前端里程计确定方法。该方法包括：基于移动装置的惯性测量单元和轮速计实时采集的数据，进行航迹推算，得到位姿估计队列；基于位姿估计队列，对单线激光的原始激光数据进行补偿，生成实际激光点云数据；基于实际激光点云数据，进行室内的特征环境检测；根据特征环境检测结果，选择原始激光数据中相应的激光帧数据进行移动装置的位姿预测；结合实际激光点云数据，对位姿预测结果进行优化。本发明实施例使低成本的设备能够适用于低特征环境，利用低成本的惯性测量单元和轮速计推算的位姿估计队列对单线激光的数据补偿更丰富的激光点，从而满足大面积室内地图构建需求，确保低成本及大面积场地稳定的建图能力。
Description
技术领域
本发明涉及自动驾驶领域，尤其涉及一种用于室内建图的前端里程计确定方法及电子设备和存储介质。
背景技术
随着自动驾驶与机器人技术的发展，采用自主作业的室内机器人执行某项操作已成为行业研究热点。室内机器人在楼宇清扫、洗地、吸尘等自动作业能够有效的降低成本，提高工作效率，诸多优势推动商业机器人快速发展。
目前，商业单线激机器人主要采用摄像头或激光作为环境感知的主要传感器，自动作业前需要预先建立激光或视觉参考地图，光传感器具有价格低廉，环境适应性强，精度高优势被广泛应用。因此，适用于大面积室内场地的低成本的单线激光地图的构建成为室内机器人自动作业的关键技术。
现有技术中，室内机器人自动驾驶建图与定位主要有激光和视觉两种方式，激光分为16线为主的多线激光及单线激光建图。视觉为SLAM(Simultaneous and Mapping，同时定位与地图构建)，它是指搭载特定传感器的主体，在没有环境先验信息的情况下，于运动过程中建立环境的模型，同时估计自己的运动，其主要分为视觉前端和优化后端。视觉前端也可以称为视觉前端里程计，视觉前端的建图方案主要有ORB(Oriented Fast andRotated Brief，特征提取算法)、Vins(Visual inertial navigation system，视觉惯性导航系统)等方案，基于多线激光的建图前端方案主要有LOAM(Lidar Odometry andMapping，激光雷达里程计和地图绘制)，NDT(Normal Distribution Transformation，正态分布变换)等，基于单线的室内建图前端主要有gmapping及cartographer等。
在实现本发明过程中，发明人发现相关技术中至少存在如下问题：
视觉前端里程计根据相邻图像的信息，估计出相机运动，然而视觉前端里程计的计算对环境依赖较强，前端精度相对偏低；多线激光前端里程计价格相对较高，室内商用成本难以控制，难以满足商业化需求。相对二者来说，采用单线激光进行前端里程计的计算具有价格低廉，环境适应性强，精度高的优势。
然而目前单线激光方案gmapping采用基于粒子滤波的方法，大面积室内地图构建时前端误差比较大，内存占用高，无法满足商用的大面积室内地图构建需求；cartographer方案对于惯性测量单元要求较高，难以满足惯性测量单元低成本的需求；并且这些方案的前端里程计对室内常见的走廊等低结构特征环境效果不好，容易出现前端里程计推算失效。
发明内容
为了至少解决现有技术中单线激光进行前端里程计的计算对于大面积室内地图构建时前端误差比较大，内存占用高，无法满足商用的大面积室内地图构建需求；对室内常见的走廊等低结构特征环境效果不好，容易出现前端里程计推算失效的问题。第一方面，本发明实施例提供一种用于室内建图的前端里程计确定方法，包括：
基于移动装置的惯性测量单元和轮速计实时采集的数据，进行航迹推算，得到位姿估计队列；
基于所述位姿估计队列，对单线激光的原始激光数据进行补偿，生成实际激光点云数据；
基于所述实际激光点云数据，进行室内的特征环境检测；
根据所述特征环境检测结果，选择所述原始激光数据中相应的激光帧数据进行所述移动装置的位姿预测，得到位姿预测结果；
结合所述实际激光点云数据，对所述位姿预测结果进行优化。
第二方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的用于室内建图的前端里程计确定方法的步骤。
第三方面，本发明实施例提供一种移动装置，包括本体和所述本体上安装的本发明任一实施例所述的电子设备。
第四方面，本发明实施例提供一种存储介质，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实现本发明任一实施例的用于室内建图的前端里程计确定方法的步骤。
第五方面，本发明实施例还提供一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本发明实施例中任意一项所述的前端里程计确定方法。
本发明实施例的有益效果在于：保证低成本的限制，在移动设备中使用了低成本的惯性测量单元和轮速计以及单线激光采集的原始激光数据，为了使低成本的设备能够适用于低特征环境(例如，大面积室内环境)，利用低成本的惯性测量单元和轮速计推算的位姿估计队列对单线激光的原始激光数据进行补偿，为单线激光的原始激光数据补偿更丰富的激光点，从而满足大面积室内地图构建需求。在满足需求后，进一步进行两轮位姿优化，前端里程计精度提高、误差减少，可有效降低后端优化压力，减少闭环检测的计算时间及误闭环概率，这对于大面积场景的建图至关重要。低成本及大面积场地稳定的建图能力，能够增加机器人应用环境的普适性，推动室内商业机器人快速落地。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1是本发明一实施例提供的一种用于室内建图的前端里程计确定方法的流程图；
图2为本发明一实施例提供的一种用于室内建图的前端里程计确定的电子设备的实施例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本领域技术人员知道，本申请的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
为了便于理解，以下对本申请涉及的技术术语进行解释：
本申请所称的“移动装置”包括但不限于国际自动机工程师学会(Society ofAutomotive Engineers International，SAE International)或中国国家标准《汽车驾驶自动化分级》制定的L0-L5共六个自动驾驶技术等级的车辆。
在一些实施例中，移动装置可以是具有如下各种功能的车辆设备或机器人设备：
(1)载人功能，如家用轿车、公共汽车等；
(2)载货功能，如普通货车、厢式货车、甩挂车、封闭货车、罐式货车、平板货车、集装厢车、自卸货车、特殊结构货车等；
(3)工具功能，如物流配送车、自动导引运输车AGV、巡逻车、起重机、吊车、挖掘机、推土机、铲车、压路机、装载机、越野工程车、装甲工程车、污水处理车、环卫车、吸尘车、洗地车、洒水车、扫地机器人、送餐机器人、导购机器人、割草机、高尔夫球车等；
(4)娱乐功能，如娱乐车、游乐场自动驾驶装置、平衡车等；
(5)特殊救援功能，如消防车、救护车、电力抢修车、工程抢险车等。
如图1所示为本发明一实施例提供的一种用于室内建图的前端里程计确定方法的流程图，包括如下步骤：
S11：基于移动装置的惯性测量单元和轮速计实时采集的数据，进行航迹推算，得到位姿估计队列；
S12：基于所述位姿估计队列，对单线激光的原始激光数据进行补偿，生成实际激光点云数据；
S13：基于所述实际激光点云数据，进行室内的特征环境检测；
S14：根据所述特征环境检测结果，选择所述原始激光数据中相应的激光帧数据进行所述移动装置的位姿预测，得到位姿预测结果；
S15：结合所述实际激光点云数据，对所述位姿预测结果进行优化。
在本实施方式中，可以将本方法适配在移动装置中，具体的，可以装备在轮速机器人上。前端里程计的计算基于摄像头或激光作为环境感知的传感器进行设计。本方法适用于大面积室内建图的低成本前端里程计计算，包括：惯性测量单元和轮速计航迹推算，单线激光预处理与低特征环境检测，基于低特征环境检测的单线激光里程计计算。
对于步骤S11，室内建图的前端里程计的计算需要使用到IMU(InertialMeasurement Unit，惯性测量单元)和轮速计，其中，惯性测量单元检测和测量移动装置的加速度与旋转运动，轮速计记录了移动装置所走过的距离和角度。
在本方法中，由于使用的是低成本的惯性测量单元和轮速计，这就使得低成本的惯性测量单元及轮速计精度相对不高，并且室内场景通常为二维场景，由于惯性测量单元包含了三个单轴的加速度计和三个单轴的陀螺，陀螺检测载体相对于导航坐标系的角速度信号，测量物体在三维空间中的角速度和加速度，因此在低成本的条件下仍能测出较为精准的角加速度。使用惯性测量单元的角加速度信息及轮速计的速度信息得到实时时刻的位姿1-位姿n(xoffset、yoffset、zoffset、roll、pitch、yaw)，其中xoffset、yoffset和zoffset分别为X轴、Y轴、Z轴的平移偏差，roll、pitch、yaw分别为绕X轴、Y轴、Z轴的横滚角、俯仰角、偏航角。，惯性测量单元为频率100Hz的高频数据，惯性测量单元及航速航迹推算以100Hz进行位姿估计。进一步地引入移动装置的航迹轨迹，航迹轨迹可以示出移动装置实时时刻的位置1-位置n(x，y，z)。将实时位姿插入航迹轨迹中，可以得到移动装置在航迹推算的位姿估计队列。，以供下一步的激光预处理及原始激光数据进行补偿使用。
作为一种实施方式，在对单线激光的原始激光数据进行补偿之前，利用激光里程计对所述位姿估计队列进行实时角度修正。在本实施方式中，为了保证低成本的航迹推算角度推算不至于快速发散，因此采用激光里程计实时角度进行角度修正。进一步确保航迹推算的准确精度。
对于步骤S12，由于本方法考虑到低成本，在激光选择使用成本更低的单线激光。需要对单线激光的原始激光数据进行预处理和补偿。在预处理中，包括原始激光数据中无效点的剔除和激光坐标的解析。无效点的剔除主要基于激光不同反射率下的有效距离进行筛选，这样可以筛除一些无效激光点；激光坐标的解析主要是将极坐标下的激光点的表示投影到笛卡尔坐标系中。通过这两步预处理，为原始激光数据的补偿做铺垫。
作为一种实施方式，在本实施方式中，基于所述位姿估计队列，对单线激光的原始激光数据进行补偿，生成实际激光点云数据包括；
确定所述原始激光数据中当前帧的激光点的起点时间点以及终点时间点，在所述位姿估计队列中查找对应时刻的位姿估计；
计算每个激光点在当前帧下与激光终点的时间间隔，按照所述时间间隔对所述时刻位姿估计进行球面差值，基于所述球面差值进行补偿，生成实际激光点云数据。
在本实施方式中，在移动装置的行驶过程中，激光会不断的发出激光点，激光点发出后经过各种方式(例如，反射、折射等方式)传输传回移动装置。在这个过程中，可以记录到激光点的起点时间点以及终点时间点。以当前激光帧的起点时间点及终点时间点在航迹推算位姿队列中找对应的最近时刻位姿估计，计算每个激光点在当前帧下与激光终点的时间间隔，按照各个相邻时间的时间间隔对进行球面差值，并将确定的球面差值补偿到预处理激光点的坐标中激光坐标解析的坐标系中，所有补偿后的激光点坐标构成实际激光点云数据。
对于步骤S13，低特征环境检测主要是基于上述预处理后的实际激光点云数据进行室内特征环境的检测，例如室内特征环境包括走廊环境，当检测到移动设备位于走廊环境时，前端里程计可以采用“轻激光重航迹”的推算方案。
作为一种实施方式，按照激光扫描顺序遍历所述实际激光点云数据，得到线特征向量集合；
具体的，按照激光扫描顺序遍历整个激光点云，寻找线特征的起点和终点，假设某个激光点作为线特征新的起点s1，开始往后遍历点云，每个点称为pt。
若当前激光点pt与起点距离小于线特征长度阈值line_theshold,则继续往后遍历点云；若pt与起点s1距离刚好满足线特征长度阈值line_theshold,称该点为当前线特征的最小终点second_pt。
若当前激光点pt与上一个激光点last_pt距离大于激光跳跃阈值jump_theshold,则认为此时激光发生跳动，以当前点作为新的线特征起点s1。若上一个激光对应的激光线特征(s1-last_pt)长度已经超过line_theshold，则认为上一组激光线特征构建成功，通过起点s1与上一点last_pt计算线特征向量(两点坐标向量差)并存入线特征向量集合中；反之则认为上一组激光线特征过短，抛弃上一组激光线特征所有点。
若当前激光线特征的最小终点second_pt已成功设置，则比较当前点pt起点s1连线与当前点pt最小终点second_pt连线两线间的角度偏差。若偏差小于角度阈值，则认为当前点属于当前激光线特征，并继续遍历下一个点，查看是否属于当前线特征；若偏差大于角度阈值，则认为该点不属于上一个点对应的线特征，将一个点对应线特征保存后，以当前点作为新的起点s1,返回b继续进行下一个点遍历。经过上述遍历，得到从各激光点中确定出的线特征向量集合
进一步地，对所述线特征向量集合进行随机采样，至少按照所述线特征向量集合中的两组线特征进行组合，得到多个线特征组合，确定所述多个线特征组合的角度偏差；从确定的多个角度偏差中选取预设数量的角度偏差进行均值处理；
对线特征向量集合中的线特征向量进行随机采样，例如，随机选取两个不同的线特征向量作为一组线特征组合，按照上述随机选取的方式采样20组线特征组合。在每组线特征组合中将两个不同的线特征向量计算，得到每组线特征组合的角度偏差。对这20组角度偏差进行排序，例如可以按照由低到高的顺序进行排序，在排序后选择预设数量的角度偏差值，可以选取前18组角度偏差进行求角度偏差均值angle_offset_score。在实际实施中，对于采样组数不做限制，可以根据具体需求进行适应调整，例如维持取前90％组的角度偏差，如果随机选取的方式采样了25组线特征，那么预设数量可以设置为23组。
若所述预设数量的角度偏差的均值处理结果小于环境判断阈值时，确定为室内的低特征环境。
若上述步骤求出的角度偏差均值angle_offset_score小于低特征环境判断阈值，则认为当前激光处于低特征环境中。
对于步骤S14，单线激光里程计的计算是基于低特征(室内特征)环境检测及航迹推算的结果进行优化，主要分以下步骤，激光关键帧预测位姿的计算、以及两轮优化。
作为一种实施方式。根据所述特征环境检测结果，选择所述原始激光数据中相应的激光帧数据进行所述移动装置的位姿预测包括：
当所述特征环境检测结果为室内的低特征环境时，利用上一激光关键帧的航迹进行位姿预测；
当所述特征环境检测结果不为室内的低特征环境时，利用上一激光连续帧的航迹进行位姿预测。
在本实施方式中，激光关键帧预测位姿的计算可以采用两种预测方案：(1)基于上一个激光关键帧的航迹推算；(2)基于上一个激光的航迹推算。后者更相信连续帧激光计算的结果，也就是当检测到当前环境属于低特征环境或者前一帧激光匹配有效点不满足阈值，倾向于相信航迹推算结果，采用基于上一个激光关键帧的航迹推算；否则，倾向于相信连续帧激光计算的结果，基于上一帧激光进行推算。这样得到移动装置的位姿预测。其中，激光关键帧指：由于点云数据中不能把每一帧匹配好的点云都加入，因此，需要提取其中的关键帧。具体可以为激光匹配有效点满足预设阈值，或者每隔一段距离取的一帧。
对于步骤S15，在步骤S14确定的位姿预测后，结合激光点云与关键帧预测的一轮位姿优化采用非线性位姿图优化(例如可以使用优化库G2O，还可以使用Ceres，gtsam等，具体不做限制)的方式，利用当前激光关键帧周围的多个帧关键帧构建局部激光地图。
具体的，可以从三个方面进行优化：
1、优化顶点与约束设计：
例如以所述实际激光点云数据中的当前激光关键帧周围的50个关键帧构建局部激光地图；
优化所述移动装置的位置及航向角(x，y，yaw)；
利用所述局部激光地图对所述位姿预测结果进行线性偏差的约束优化。
在本实施方式中，优化顶点为当前车辆位置及航向角(x，y，yaw)，激光点优化约束为优化位姿下当前帧激光每个点与局部激光地图最近点的距离，航迹推算预测约束为当前预测与优化位姿的线性偏差。
2、基于运动状态优化策略设计
当检测到所述移动装置进行超过预设速度的转向时，利用激光点约束对固定的所述移动装置的航向角(yaw)进行优化；在所述航向角(yaw)优化后，固定航向角对所述移动装置的位置(x，y)优化；
当检测到所述移动装置处于非旋转状态时，利用激光点约束以及航迹预测约束对所述移动装置的位置及航向角(x，y，yaw)优化。
在本实施方式中，当检测到车辆处于高速转向过程时，只采用激光点约束，首先固定车辆位置单独优化车辆航向角(yaw)，航向角优化完成后固定航向优化车辆位置(x，y)；当检测到车辆处于非旋转状态时，同时采用激光点约束和航迹推算预测约束，车辆位置及航向同时优化迭代。
3、基于低特征环境检测的优化权重设计
当所述特征环境检测结果为室内的低特征环境时，提升航迹推算预测权重，降低激光点约束权重；
当所述特征环境检测结果不为室内的低特征环境时，降低航迹推算预测权重，提升激光点约束权重。
在本实施方式中，当检测到当前环境位于低特征环境(例如，室内环境：走廊等)时，此时激光点可采集的特征相对较少，航迹推算预测约束权重加大，否则激光点约束权重加大。
在第一轮优化位姿优化后，可以进行第二轮位姿优化，在结合所述实际激光点云数据，对所述位姿预测结果进行优化之后，还包括：
当所述特征环境检测结果为预设环境时，在优化后的位姿预测结果的基础上，固定所述移动装置的航向角(yaw)，优化所述移动装置的位置(x，y)，其中，所述移动装置的位置优化包括两类约束：激光点约束、当前时刻与上一激光关键帧的位置增量与位姿预测增量之间的误差约束。
在本实施方式中，结合航迹推算的二轮位姿优化主要优化低特征环境下的前端里程计算。当检测到当前车辆处于低特征环境时，固定第一轮优化的航向，单独再优化车辆位置。优化约束采用两类：一是激光点约束，二是优化位置与上一帧关键帧增量与航迹推算增量误差，激光点约束置信度降低，可调整的，第二轮约束的权重为第一轮约束的100倍。
通过该实施方式可以看出，保证低成本的限制，在移动设备中使用了低成本的惯性测量单元和轮速计以及单线激光采集的原始激光数据，为了使低成本的设备能够适用于低特征环境(例如，大面积室内环境)，利用低成本的惯性测量单元和轮速计推算的位姿估计队列对单线激光的原始激光数据进行补偿，为单线激光的原始激光数据补偿更丰富的激光点，从而满足大面积室内地图构建需求。在满足需求后，进一步进行两轮优化，前端里程计精度提高、误差减少，可有效降低后端优化压力，减少闭环检测的计算时间及误闭环概率，这对于大面积场景的建图至关重要，低成本及大面积场地稳定的建图能力，能够增加机器人应用环境的普适性，推动室内商业机器人快速落地。
本发明实施例还提供了一种非易失性计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的用于室内建图的前端里程计确定方法；
作为一种实施方式，本发明的非易失性计算机存储介质存储有计算机可执行指令，计算机可执行指令设置为：
基于移动装置的惯性测量单元和轮速计实时采集的数据，进行航迹推算，得到位姿估计队列；
基于所述位姿估计队列，对单线激光的原始激光数据进行补偿，生成实际激光点云数据；
基于所述实际激光点云数据，进行室内的特征环境检测；
根据所述特征环境检测结果，选择所述原始激光数据中相应的激光帧数据进行所述移动装置的位姿预测，得到位姿预测结果；
结合所述实际激光点云数据，对所述位姿预测结果进行优化。
作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的方法对应的程序指令/模块。一个或者多个程序指令存储在非易失性计算机可读存储介质中，当被处理器执行时，执行上述任意方法实施例中的用于室内建图的前端里程计确定方法。
本发明实施例还提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行用于室内建图的前端里程计确定方法。
在一些实施例中，本发明实施例还提供一种移动装置，包括本体和所述本体上安装的根据前述任一实施例所述的电子设备。其中，移动装置可以是无人驾驶车辆，例如无人驾驶清扫车、无人驾驶洗地车、无人驾驶物流车、无人驾驶乘用车、无人驾驶环卫车、无人驾驶小巴车/大巴车、卡车、矿车等，还可以是机器人等。
在一些实施例中，本发明实施例还提供一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本发明实施例中任意一项所述用于室内建图的前端里程计确定方法。
图2是本申请另一实施例提供的用于室内建图的前端里程计确定方法的电子设备的硬件结构示意图，如图2所示，该设备包括：
一个或多个处理器210以及存储器220，图2中以一个处理器210为例。用于室内建图的前端里程计确定方法的设备还可以包括：输入装置230和输出装置240。
处理器210、存储器220、输入装置230和输出装置240可以通过总线或者其他方式连接，图2中以通过总线连接为例。
存储器220作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的用于室内建图的前端里程计确定方法对应的程序指令/模块。处理器210通过运行存储在存储器220中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例用于室内建图的前端里程计确定方法。
存储器220可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储数据等。此外，存储器220可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器220可选包括相对于处理器210远程设置的存储器，这些远程存储器可以通过网络连接至移动装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置230可接收输入的数字或字符信息。输出装置240可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器220中，当被所述一个或者多个处理器210执行时，执行上述任意方法实施例中的用于室内建图的前端里程计确定方法。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。
非易失性计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据装置的使用所创建的数据等。此外，非易失性计算机可读存储介质可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，非易失性计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明实施例还提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的用于室内建图的前端里程计确定方法的步骤。
本申请实施例的电子设备以多种形式存在，包括但不限于：
(1)移动通信设备:这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等，例如平板电脑。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)其他具有数据处理功能的机载电子装置，例如安装上车辆上的车机装置。
仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”，不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种用于室内建图的前端里程计确定方法，包括：
基于移动装置的惯性测量单元和轮速计实时采集的数据，进行航迹推算，得到位姿估计队列；
基于所述位姿估计队列，对单线激光的原始激光数据进行补偿，生成实际激光点云数据；
基于所述实际激光点云数据，进行室内的特征环境检测；
根据所述特征环境检测结果，选择所述原始激光数据中相应的激光帧数据进行所述移动装置的位姿预测，得到位姿预测结果；
结合所述实际激光点云数据，对所述位姿预测结果进行优化。
2.根据权利要求1所述的方法，其特征在于，在对单线激光的原始激光数据进行补偿之前，利用激光里程计对所述位姿估计队列进行实时角度修正。
3.根据权利要求1所述的方法，其特征在于，基于所述位姿估计队列，对单线激光的原始激光数据进行补偿，生成实际激光点云数据包括；
确定所述原始激光数据中当前帧的激光点的起点时间点以及终点时间点，在所述位姿估计队列中查找对应时刻的位姿估计；
计算每个激光点在当前帧下与激光终点的时间间隔，按照所述时间间隔对所述时刻位姿估计进行球面差值，基于所述球面差值进行补偿，生成实际激光点云数据。
4.根据权利要求1所述的方法，其特征在于，基于所述实际激光点云数据，进行室内的特征环境检测包括：
按照激光扫描顺序遍历所述实际激光点云数据，得到线特征向量集合；
对所述线特征向量集合进行随机采样，至少按照所述线特征向量集合中的两组线特征进行组合，得到多个线特征组合，确定所述多个线特征组合的角度偏差；
从确定的多个角度偏差中选取预设数量的角度偏差进行均值处理；
若所述预设数量的角度偏差的均值处理结果小于环境判断阈值时，确定为室内的低特征环境。
5.根据权利要求4所述的方法，其特征在于，根据所述特征环境检测结果，选择所述原始激光数据中相应的激光帧数据进行所述移动装置的位姿预测包括：
当所述特征环境检测结果为室内的低特征环境时，利用上一激光关键帧的航迹进行位姿预测；
当所述特征环境检测结果不为室内的低特征环境时，利用上一激光连续帧的航迹进行位姿预测。
6.根据权利要求1所述的方法，其特征在于，结合所述实际激光点云数据，对所述位姿预测结果进行优化包括：
利用所述实际激光点云数据中的当前激光关键帧周围的多个关键帧构建局部激光地图；
优化所述移动装置的位置及航向角(x，y，yaw)；
利用所述局部激光地图对所述位姿预测结果进行线性偏差的约束优化。
7.根据权利要求6所述的方法，其特征在于，结合所述实际激光点云数据，对所述位姿预测结果进行优化还包括：
当检测到所述移动装置进行超过预设速度的转向时，利用激光点约束对固定的所述移动装置的航向角(yaw)进行优化；在所述航向角(yaw)优化后，固定航向角对所述移动装置的位置(x，y)优化；
当检测到所述移动装置处于非旋转状态时，利用激光点约束以及航迹预测约束对所述移动装置的位置及航向角(x，y，yaw)优化。
8.根据权利要求4所述的方法，其特征在于，结合所述实际激光点云数据，对所述位姿预测结果进行优化还包括：
当所述特征环境检测结果为室内的低特征环境时，提升航迹推算预测权重，降低激光点约束权重；
当所述特征环境检测结果不为室内的低特征环境时，降低航迹推算预测权重，提升激光点约束权重。
9.根据权利要求1所述的方法，其特征在于，在结合所述实际激光点云数据，对所述位姿预测结果进行优化之后，还包括：
当所述特征环境检测结果为预设环境时，在优化后的位姿预测结果的基础上，固定所述移动装置的航向角(yaw)，优化所述移动装置的位置(x，y)，其中，所述移动装置的位置优化包括两类约束：激光点约束、当前时刻与上一激光关键帧的位置增量与位姿预测增量之间的误差约束。
10.一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述方法的步骤。
11.一种移动装置，包括本体以及安装在所述本体上的根据权利要求10所述的电子设备。
12.一种存储介质，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实现权利要求1-9中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211180478.8A CN117804434A (zh) | 2022-09-26 | 2022-09-26 | 用于室内建图的前端里程计确定方法及设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211180478.8A CN117804434A (zh) | 2022-09-26 | 2022-09-26 | 用于室内建图的前端里程计确定方法及设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117804434A true CN117804434A (zh) | 2024-04-02 |
Family
ID=90425430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211180478.8A Pending CN117804434A (zh) | 2022-09-26 | 2022-09-26 | 用于室内建图的前端里程计确定方法及设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117804434A (zh) |
-
2022
- 2022-09-26 CN CN202211180478.8A patent/CN117804434A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113792566B (zh) | 一种激光点云的处理方法及相关设备 | |
| CN109754639A (zh) | 泊车入库方法及装置 | |
| CN112419776B (zh) | 自主泊车方法、装置、汽车及计算设备 | |
| US20230111354A1 (en) | Method and system for determining a mover model for motion forecasting in autonomous vehicle control | |
| US20230061950A1 (en) | Localization Methods And Architectures For A Trailer Of An Autonomous Tractor-Trailer | |
| US20210398014A1 (en) | Reinforcement learning based control of imitative policies for autonomous driving | |
| CN117804434A (zh) | 用于室内建图的前端里程计确定方法及设备和存储介质 | |
| CN112965494A (zh) | 固定区域纯电动自动驾驶专用车控制系统及方法 | |
| CN115797903A (zh) | 盲区记忆方法、设备、移动装置和存储介质 | |
| CN117908035A (zh) | 用于动态场景的单线激光定位方法、移动装置和存储介质 | |
| CN115269763B (zh) | 局部点云地图更新维护方法、装置、移动工具及存储介质 | |
| CN117109602A (zh) | 实时回环检测方法、装置、计算设备、移动工具、存储介质、实时地图构建方法及装置 | |
| CN115320623B (zh) | 车辆轨迹预测方法、设备、移动装置和存储介质 | |
| US20230237793A1 (en) | False track mitigation in object detection systems | |
| CN117782049A (zh) | 一种地图动态更新方法、装置及可移动设备 | |
| US20240171633A1 (en) | Mobile Offloading for Disconnected Terminal Operation | |
| CN117804421A (zh) | 栅格地图更新方法及相关产品 | |
| CN115542900A (zh) | 局部路径规划方法及相关产品 | |
| CN116309693A (zh) | 目标的运动状态检测方法、设备、移动装置和存储介质 | |
| CN114739411A (zh) | 一种室内定位方法、系统及移动工具 | |
| US20240166221A1 (en) | Mobile offloading for disconnected terminal operation | |
| CN117456498A (zh) | 物体的动静态估计方法、设备、移动装置和存储介质 | |
| CN115416691A (zh) | 车辆控制规划方法及相关产品 | |
| CN115114387A (zh) | 栅格地图生成方法及装置、移动工具、存储介质 | |
| CN116295391A (zh) | 建图定位方法及相关产品 |
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 |