CN117968667A - 巡检机器人回环检测的slam点云地图构建方法及系统 - Google Patents

Abstract

本发明涉及电力检测技术领域，具体涉及一种巡检机器人回环检测的SLAM点云地图构建方法及系统。本发明对激光点云数据进行预处理及初次运动畸变补偿；提取初次处理后的激光点云数据的线特征和面特征，基于线特征和面特征，对激光点云数据进行姿态估计和二次运动畸变补偿；对初次处理后的激光点云数据的强度信息进行校准并提取ISC特征；基于激光点云数据的姿态估计结果和ISC特征，对激光点云数据进行回环检测；基于激光点云数据的线特征、面特征、姿态估计结果以及回环约束信息，构建因子图并进行全局一致性图优化，生成全局地图；分别利用激光点云的几何相似度和强度相似度分两阶段进行快速地回环检测，有效减少漂移误差，提升定位精度。

Description

巡检机器人回环检测的SLAM点云地图构建方法及系统

技术领域

本发明涉及电力检测构建技术领域，具体涉及一种巡检机器人回环检测的SLAM点云地图构建方法及系统。

背景技术

巡检机器人在电力作业过程中需要对地图进行构建，从而进行定位和导航。对于室外的地图构建，采用点云数据的好处是可以减少计算量，提高运算速度。点云数据采用激光雷达的发射与接收感知周围环境，通过强度通道可以获取目标表面反射率数据，强度信息可以有效地辅助激光雷达进行位置识别。例如中国专利公开号为CN117589151A，公开一种融合词袋模型的动态场景自主定位与建图方法，其定位过程中，将构建的点云地图进行预处理，利用相机采集图像的静态特征生成词袋向量，在构建的词袋模型中检索，映射出车辆的初始位置；在完成定位初始化后，进行配准，利用词袋模型与GPS/IMU融合提供配准初值，实时输出车辆的位姿信息。但是该技术方案并未采用全局一致性图优化来生成全局地图，无法减少误差并提高地图的精度；虽然涉及动态特征的剔除，但在复杂的动态场景中，无法准确地识别和剔除所有动态特征，将影响定位精度和地图构建的准确性。

发明内容

本发明要解决的技术问题是：克服现有技术的不足，提供一种巡检机器人回环检测的SLAM点云地图构建方法及系统。

本发明采用的技术方案如下：

一种巡检机器人回环检测的SLAM点云地图构建方法，包括如下步骤：

S1、对激光点云数据进行预处理及初次运动畸变补偿，得到初次处理后的激光点云数据，其中：

S11、对巡检机器人的激光点云数据进行滤波、采样和分割预处理，剔除激光点云数据中距离过远的点云数据和无效点云数据；

S12、基于点云数据库中内置的恒速运动模型对预处理后的激光点云数据进行初次运动畸变补偿；

S2、提取所述初次处理后的激光点云数据的线特征和面特征，基于线特征和面特征，对激光点云数据进行姿态估计和二次运动畸变补偿，其中：

S21、计算激光点云数据中每一个点的曲率；

S22、基于激光点云数据中每一个点的曲率，提取激光点云数据的线特征和面特征；

S23、将激光点云数据的线特征和面特征添加到局部特征图中，局部特征图中的点云局部特征包括法线、曲率、表面法向量、苗冕曲率和局部描述子，点云局部特征用于描述激光点云数据的局部表面属性和几何变化；

S3、对初次处理后的激光点云数据的强度信息进行校准并提取ISC特征，其中：

利用映射函数将激光点云数据的强度数值校准并映射至[0,1]范围内，针对非地面点的几何信息及强度信息进行编码，得到激光点云数据的ISC特征图；

S4、基于激光点云数据的姿态估计结果和ISC特征，对激光点云数据进行回环检测，其中：

S41、基于激光点云数据的姿态位置信息和ISC强度信息，分别计算两个帧之间的空间距离信息和强度距离信息；

S42、当两个帧之间的空间距离信息和强度距离信息满足阈值条件时，则两个帧之间发生回环；

S5、基于激光点云数据的线特征、面特征、姿态估计结果以及回环约束信息，构建因子图并进行全局一致性图优化，生成全局地图，其中：

S51、检测到回环帧之后构建回环帧的线面约束并将其添加至因子图中，采用增量平滑的方式优化两帧间的位姿估计，得到优化后的激光点云数据的位姿信息；

S52、按照优化后的激光点云数据的位姿信息生成全局地图，全局地图包括全局线特征地图及全局面特征地图，并基于关键帧对全局地图进行更新，所述关键帧为从所有帧中挑选而来。

优选的，所述S21包括如下具体步骤：

S211、对于每个待计算曲率的点，选择其周围的一组邻域点；

S212、基于选定的邻域点，进行曲线拟合，得到局部曲线；

S213、通过最小二乘法拟合方法，根据选定的曲线函数，拟合局部曲线到邻域点上，得到最终拟合曲线；

S214、基于最终拟合曲线，通过计算倒数的方法计算每一个点的曲率。

优选的，所述S2的激光点云数据进行姿态估计和二次运动畸变补偿中，包括如下小步：

S24、使用激光点云数据和激光雷达自带的运动学模型，估计激光雷达的位姿变化，通过滤波器来融合激光点云数据，以获取激光雷达的位姿估计结果；

S25、依据激光点云数据的线特征和面特征，分别构建点到平面的残差项和点到直线的残差项，基于点到平面的残差项和点到直线的残差项，对激光点云数据进行二次运动畸变补偿。

优选的，所述S25包括如下具体步骤：

S251、对于点到直线的残差项和点到平面的残差项的最小二乘拟合任务，通过最小化总残差的平方和，以获得最佳的运动畸变补偿模型；

S252、基于最佳的运动畸变补偿模型，对激光点云数据进行二次运动畸变补偿；

其中：点到平面的残差项，是指点到激光雷达的距离与点到拟合平面的距离之间的差异；

点到直线的残差项，是指点到激光雷达的距离与点到拟合曲线的距离之间的差异。

优选的，所述S52包括如下小步：因子图的优化通过GTSAM库实现：

假设各节点L代表里程估计位姿，构建图节点按照优化后的里程计信息生成全局地图；

全局地图，包括全局线特征地图及全局面特征地图，并基于关键帧进行更新；

选择关键帧时，遵循其平移变化或旋转变化比预设阈值大的准则，同逐帧更新相比；

基于关键帧进行地图更新，输出全局运动轨迹及全局一致性的原始地图。

另外，本发明采用的技术方案还包括：

一种巡检机器人回环检测的SLAM点云地图构建系统，包括如下模块：

处理模块，用于对激光点云数据进行预处理及初次运动畸变补偿，得到初次处理后的激光点云数据；

提取模块，用于提取所述初次处理后的激光点云数据的线特征和面特征，以及对初次处理后的激光点云数据的强度信息进行校准并提取ISC特征；

姿态估计模块，用于基于线特征和面特征，对激光点云数据进行姿态估计和二次运动畸变补偿；

回环检测模块，用于基于激光点云数据的姿态估计结果和ISC特征，对激光点云数据进行回环检测；

生成模块，用于基于激光点云数据的线特征、面特征、姿态估计结果以及回环约束信息，构建因子图并进行全局一致性图优化，生成全局地图。

本发明与现有技术相比，具有以下有益效果：

本发明基于激光点云数据的线特征、面特征、姿态估计结果以及回环约束信息，构建因子图并进行全局一致性图优化，生成全局地图；利用激光点云的几何相似度和强度相似度分两阶段进行快速地回环检测，该方法能够有效减少漂移误差，提升定位精度。

附图说明

图1是本发明方法的流程原理框图。

图2是本发明方法的整体流程示意图。

图3是本发明方法后端优化因子示意图。

图4是本发明系统的结构示意图。

具体实施方式

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，所描述的实施例仅仅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做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。

实施例1

参见图1和图2，本实施例提供一种巡检机器人回环检测的SLAM点云地图构建方法，包括：

步骤S1，对激光点云数据进行预处理及初次运动畸变补偿，得到初次处理后的激光点云数据。

作为实施例，所述对激光点云数据进行预处理及初次运动畸变补偿，得到初次处理后的激光点云数据，包括：对激光点云数据进行滤波、采样和分割预处理，剔除激光点云数据中距离过远的点云数据和无效点云数据；基于点云数据库中内置的恒速运动模型对预处理后的激光点云数据进行初次运动畸变补偿。

可理解的是，利用激光雷达对目标物进行扫描，获取目标物的激光点云数据，由于利用激光雷达获取点云数据时，受点云数据中不可避免地会出现一些噪点，这些噪点如果不加以滤除会给后续数据处理带来恶劣影响。另外由于点云数据具有稀疏和不均匀等特性，无法直接用于特征提取、点云配准等，需要进行点云滤波、采样、分割等预先处理步骤，并进行运动畸变补偿，运动畸变补偿的目的在于修正点云位置偏差。

具体的，对激光点云数据的预处理包括去除原始点云数据中距离过远点云或无效点云等，需要借助点云分割技术，通过几何、空间、纹理等特征有效地划分目标点云，进而有效提取目标点云，剔除无效点云，并应用恒速模型进行初次运动畸变补偿。其中，恒速运动模型是点云数据库内置的一套模型，通过调用该函数可对激光点云数据进行畸变补偿。

对原始激光点云数据进行预处理和初次运动畸变补偿后，获得初次处理后的激光点云数据。

步骤S2，提取所述初次处理后的激光点云数据的线特征和面特征，基于线特征和面特征，对激光点云数据进行姿态估计和二次运动畸变补偿。

作为实施例，提取所述初次处理后的激光点云数据的线特征和面特征，包括：计算激光点云数据中每一个点的曲率；基于激光点云数据中每一个点的曲率，提取激光点云数据的线特征和面特征；将激光点云数据的线特征和面特征添加到局部特征图中，所述局部特征图中的点云局部特征包括法线、曲率、表面法向量、苗冕曲率和局部描述子，所述点云局部特征用于描述激光点云数据的局部表面属性和几何变化。

其中，所述计算激光点云数据中每一个点的曲率，包括：对于每个待计算曲率的点，选择其周围的一组邻域点；基于选定的邻域点，进行曲线拟合，得到局部曲线；通过最小二乘法拟合方法，根据选定的曲线函数，拟合局部曲线到邻域点上，得到最终拟合曲线；基于最终拟合曲线，通过计算倒数的方法计算每一个点的曲率。

可理解的是，对于初次处理后的激光点云数据，提取激光点云数据的线特征和面特征，其目的是呈现点云的线特征和面特征，以便直观反映点云的形态和轮廓，进而用于描述物体的形状和结构。

具体的，计算激光点云数据中每一个点的曲率，基于每一个点的曲率，提取激光点云数据的线特征及平面特征，其中，线特征是指点云边缘线的形态，平面特征具体是指点云表面的形状，并将激光点云数据的线特征和面特征添加至局部特征图中，点云局部特征图是一种用于描述点云数据的局部特征的表示方法。点云局部特征图通过在每个点的局部邻域内提取特征，并将这些特征表示为一个向量或张量，以达到对点云进行描述和分析的目的。

其中，计算激光点云数据中每一个点的曲率的方法为通过拟合点云中的局部曲线来估计曲率，常见的拟合曲线包括二次曲线和高斯曲线。具体包括以下步骤：

1、选择邻域：对于每个待计算曲率的点，首先选择其周围的一组邻域点。邻域点的数量可以根据需要进行调整，常用的方法包括K近邻和半径搜索。

2、计算局部曲线：使用选定的邻域点，进行曲线的拟合。可以使用多项式函数、B样条曲线等等，具体函数的选择可以根据应用需求和数据特点。

3、曲线拟合：通过最小二乘法或其他拟合方法，根据选定的曲线函数，拟合局部曲线到邻域点上。最终得到的拟合曲线可以近似地描述邻域点的分布情况。

4、计算曲率：在得到拟合曲线之后，可以通过计算曲线的导数来估计曲率。例如，对于二次曲线拟合，可以通过计算二次曲线的二阶导数来获得曲率值。

基于激光点云数据中每一个点的曲率，提取激光点云数据的线特征和面特征，并将线特征和面特征添加到点云局部特征图中，点云局部特征图可以用于点云数据的配准、物体识别和分类等任务。常见的点云局部特征包括但不限于：法线、曲率、表面法向量、表面曲率、局部描述子等。这些特征能够捕捉到点云数据的局部表面属性和几何变化，为后续的点云处理任务提供有用的信息。

作为实施例，基于线特征和面特征，对激光点云数据进行姿态估计和二次运动畸变补偿，包括：使用激光点云数据和激光雷达自带的运动学模型，估计激光雷达的位姿变化，通过滤波器来融合激光点云数据，以获取激光雷达的位姿估计结果；依据激光点云数据的线特征和面特征，分别构建点到平面的残差项和点到直线的残差项，基于点到平面的残差项和点到直线的残差项，对激光点云数据进行二次运动畸变补偿。

可理解的是，基于激光点云数据的线特征和面特征，对激光点云数据的位姿进行估计。点云位姿估计主要用于估计激光雷达在空间中的位置和姿态。从而实现更加精确的三维重建和定位。使用激光点云数据和激光雷达自带的运动学模型，估计激光雷达的位姿变化。通过滤波器（如卡尔曼滤波器、扩展卡尔曼滤波器）来融合激光点云数据，以获取激光雷达的准确位姿估计。

二次畸变补偿是为修正激光雷达扫描的畸变效应，使得后续的SLAM算法能够更加准确和可靠。依据接收的线面特征（线面特征从局部特征图获得），分别构建点到平面、点到直线的残差项，具体如下：

对于点到直线的残差项：

1、定义点到直线的距离度量，常用的方法是计算点到直线的垂直距离。

2、对于给定的点P和直线定义，计算点P到直线的垂直距离D。

3、定义残差项为实际观测到的距离与拟合直线预测的距离之间的差异：residual=observed_distance-predicted_distance。

对于点到平面的残差项：

1、定义点到平面的距离度量，常用的方法是计算点到平面的垂直距离。

2、对于给定的点P和平面定义，计算点P到平面的垂直距离D。

3、定义残差项为实际观测到的距离与拟合平面预测的距离之间的差异：residual=observed_distance-predicted_distance。

对于点到直线和点到平面的最小二乘拟合任务，可以通过最小化总残差的平方和，以获得最佳的畸变补偿模型参数，基于最佳的畸变补偿模型对激光点云数据进行运动畸变补偿。这可以通过使用优化算法（如最小二乘法、梯度下降法等）来实现。在实际应用中，可以使用点云库（如PCL）提供的函数和类来计算点到直线或点到平面的残差项，并进行模型拟合和优化。具体的实现方法可能会因所使用的库和算法而有所不同。

步骤S3，对初次处理后的激光点云数据的强度信息进行校准并提取ISC特征。

作为实施例，对初次处理后的激光点云数据的强度信息进行校准并提取ISC特征，包括：利用映射函数将激光点云数据的强度数值校准并映射至[0,1]范围内，针对非地面点的几何信息及强度信息进行编码，得到激光点云数据的ISC特征图。

可理解的是，对于步骤1初次处理后的激光点云数据，提取其强度信息，具体的，利用映射函数将点云强度数值校准并映射至[0,1]范围内，然后针对非地面点的几何及强度信息进行编码，得到ISC特征图。

步骤S4，基于激光点云数据的姿态估计结果和ISC特征，对激光点云数据进行回环检测。

得到激光点云数据的位姿估计和强度信息后，对激光点云数据进行回环检测，具体的，基于激光点云数据的姿态位置信息和ISC强度信息，分别计算两个帧之间的空间距离信息和强度距离信息；当两个帧之间的空间距离信息和强度距离信息满足阈值条件时，则两个帧之间发生回环。

其中，回环检测是识别已经经过的场景或位置，并将其与当前观测到的场景进行匹配，从而提高建图的一致性和准确性，减小自我定位的误差，并避免地图的漂移问题，即根据当前帧的激光点云数据，与历史帧的激光点云数据进行匹配，检测当前帧的激光点云数据的场景是否为曾经出现过，如果曾经出现过，即当前帧为历史帧的回环。

本发明中根据激光点云数据的位姿信息和强度信息，来判断两帧之间是否发生回环。回环检测的空间距离是指在SLAM中进行回环检测时，用于确定两个场景或位置之间的距离阈值。这一距离阈值用于判断当前观测到的场景或位置与之前观测到的场景或位置是否足够相似，从而确定是否发生回环。

具体来说，回环检测的空间距离通常是通过计算两个场景或位置的特征之间的距离来确定的。特征可以是特征点描述符或深度特征。当两个场景或位置之间的特征距离小于设定的空间距离阈值时，就被认为是回环发生。

最简单常用的方法是计算两个场景或位置之间的欧氏距离，欧氏距离可以通过计算两个特征向量之间的欧氏距离来表示，较小的欧氏距离通常表示较高的相似度。

激光雷达强度距离指的是激光雷达在测量过程中获取的距离信息和反射强度信息之间的关系。

本发明中分别计算两个帧之间的空间距离信息和强度距离信息，当两个帧之间的空间距离信息和强度距离信息满足阈值条件时，则两个帧之间发生回环。

步骤S5，基于激光点云数据的线特征、面特征、姿态估计结果以及回环约束信息，构建因子图并进行全局一致性图优化，生成全局地图。

作为实施例，所述基于激光点云数据的线特征、面特征、姿态估计结果以及回环约束信息，构建因子图并进行全局一致性图优化，生成全局地图，包括：检测到回环帧之后构建回环帧的线面约束并将其添加至因子图中，采用增量平滑的方式优化两帧间的位姿估计，得到优化后的激光点云数据的位姿信息；按照优化后的激光点云数据的位姿信息生成全局地图，全局地图包括全局线特征地图及全局面特征地图，并基于关键帧对全局地图进行更新，所述关键帧为从所有帧中挑选而来。

可理解的是，根据激光点云数据的线面特征、位姿估计结果和回环约束信息，构建因子图并进行全局一致性图优化。具体的，应用GTSAM库实现因子图优化，检测到回环帧之后构建回环帧的线面约束并将其添加至因子图中，采用增量平滑的方式优化两帧间的位姿估计，由此得到优化后的激光点云数据。参见图3的因子图示意图，各节点L代表里程估计位姿。之后建图节点按照优化后的里程计信息生成全局地图，全局地图的构成包括全局线特征地图及全局面特征地图，并基于关键帧进行更新。选择关键帧时要遵循其平移变化或旋转变化比预设阈值大的准则，同逐帧更新相比，基于关键帧进行地图更新可以降低计计算成本，最后输出全局运动轨迹及全局一致性的原始地图。

实施例2

在实施例1基础上，参见图4，本发明提供一种巡检机器人回环检测的SLAM点云地图构建系统，该系统包括处理模块401、提取模块402、姿态估计模块403、回环检测模块404和生成模块405，其中：

处理模块401，用于对激光点云数据进行预处理及初次运动畸变补偿，得到初次处理后的激光点云数据；

提取模块402，用于提取所述初次处理后的激光点云数据的线特征和面特征，以及对初次处理后的激光点云数据的强度信息进行校准并提取ISC特征；

姿态估计模块403，用于基于线特征和面特征，对激光点云数据进行姿态估计和二次运动畸变补偿；

回环检测模块404，用于基于激光点云数据的姿态估计结果和ISC特征，对激光点云数据进行回环检测；

生成模块405，用于基于激光点云数据的线特征、面特征、姿态估计结果以及回环约束信息，构建因子图并进行全局一致性图优化，生成全局地图。

可以理解的是，本发明提供的一种巡检机器人回环检测的SLAM点云地图构建系统与前述各实施例提供的巡检机器人回环检测的SLAM点云地图构建方法相对应，巡检机器人回环检测的SLAM点云地图构建系统的相关技术特征可参考巡检机器人回环检测的SLAM点云地图构建方法的相关技术特征，在此不再赘述。

本发明实施例提供的一种巡检机器人回环检测的SLAM点云地图构建方法及系统，分别提取激光点云数据的线面特征，基于线面特征，对激光点云数据进行姿态估计，以及提取激光点云数据的强度信息，基于激光点云数据的姿态估计结果和强度信息，对激光点云数据进行回环检测；基于激光点云数据的线特征、面特征、姿态估计结果以及回环约束信息，构建因子图并进行全局一致性图优化，生成全局地图，本发明分别利用激光点云的几何相似度和强度相似度分两阶段进行快速地回环检测，该方法能够有效减少漂移误差，提升定位精度。

尽管通过参考附图并结合优选实施例的方式对本发明进行详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种巡检机器人回环检测的SLAM点云地图构建方法，其特征在于，包括如下步骤：

S1、对激光点云数据进行预处理及初次运动畸变补偿，得到初次处理后的激光点云数据，其中：

S11、对巡检机器人的激光点云数据进行滤波、采样和分割预处理，剔除激光点云数据中距离过远的点云数据和无效点云数据；

S12、基于点云数据库中内置的恒速运动模型对预处理后的激光点云数据进行初次运动畸变补偿；

S2、提取所述初次处理后的激光点云数据的线特征和面特征，基于线特征和面特征，对激光点云数据进行姿态估计和二次运动畸变补偿，其中：

S21、计算激光点云数据中每一个点的曲率；

S22、基于激光点云数据中每一个点的曲率，提取激光点云数据的线特征和面特征；

S23、将激光点云数据的线特征和面特征添加到局部特征图中，局部特征图中的点云局部特征包括法线、曲率、表面法向量、苗冕曲率和局部描述子，点云局部特征用于描述激光点云数据的局部表面属性和几何变化；

S3、对初次处理后的激光点云数据的强度信息进行校准并提取ISC特征，其中：

利用映射函数将激光点云数据的强度数值校准并映射至[0,1]范围内，针对非地面点的几何信息及强度信息进行编码，得到激光点云数据的ISC特征图；

S4、基于激光点云数据的姿态估计结果和ISC特征，对激光点云数据进行回环检测，其中：

S41、基于激光点云数据的姿态位置信息和ISC强度信息，分别计算两个帧之间的空间距离信息和强度距离信息；

S42、当两个帧之间的空间距离信息和强度距离信息满足阈值条件时，则两个帧之间发生回环；

S5、基于激光点云数据的线特征、面特征、姿态估计结果以及回环约束信息，构建因子图并进行全局一致性图优化，生成全局地图，其中：

S51、检测到回环帧之后构建回环帧的线面约束并将其添加至因子图中，采用增量平滑的方式优化两帧间的位姿估计，得到优化后的激光点云数据的位姿信息；

S52、按照优化后的激光点云数据的位姿信息生成全局地图，全局地图包括全局线特征地图及全局面特征地图，并基于关键帧对全局地图进行更新，所述关键帧为从所有帧中挑选而来。

2.如权利要求1所述的巡检机器人回环检测的SLAM点云地图构建方法，其特征在于，所述S21包括如下具体步骤：

S211、对于每个待计算曲率的点，选择其周围的一组邻域点；

S212、基于选定的邻域点，进行曲线拟合，得到局部曲线；

S213、通过最小二乘法拟合方法，根据选定的曲线函数，拟合局部曲线到邻域点上，得到最终拟合曲线；

S214、基于最终拟合曲线，通过计算倒数的方法计算每一个点的曲率。

3.如权利要求2所述的巡检机器人回环检测的SLAM点云地图构建方法，其特征在于，所述S2的激光点云数据进行姿态估计和二次运动畸变补偿中，包括如下小步：

S24、使用激光点云数据和激光雷达自带的运动学模型，估计激光雷达的位姿变化，通过滤波器来融合激光点云数据，以获取激光雷达的位姿估计结果；

S25、依据激光点云数据的线特征和面特征，分别构建点到平面的残差项和点到直线的残差项，基于点到平面的残差项和点到直线的残差项，对激光点云数据进行二次运动畸变补偿。

4.如权利要求3所述的巡检机器人回环检测的SLAM点云地图构建方法，其特征在于，所述S25包括如下具体步骤：

S251、对于点到直线的残差项和点到平面的残差项的最小二乘拟合任务，通过最小化总残差的平方和，以获得最佳的运动畸变补偿模型；

S252、基于最佳的运动畸变补偿模型，对激光点云数据进行二次运动畸变补偿；

其中：点到平面的残差项，是指点到激光雷达的距离与点到拟合平面的距离之间的差异；

点到直线的残差项，是指点到激光雷达的距离与点到拟合曲线的距离之间的差异。

5.如权利要求1所述的巡检机器人回环检测的SLAM点云地图构建方法，其特征在于，所述S52包括如下小步：因子图的优化通过GTSAM库实现：

假设各节点L代表里程估计位姿，构建图节点按照优化后的里程计信息生成全局地图；

全局地图，包括全局线特征地图及全局面特征地图，并基于关键帧进行更新；

选择关键帧时，遵循其平移变化或旋转变化比预设阈值大的准则，同逐帧更新相比；

基于关键帧进行地图更新，输出全局运动轨迹及全局一致性的原始地图。

6.一种巡检机器人回环检测的SLAM点云地图构建系统，采用如权利要求1-5任意一项所述的巡检机器人回环检测的SLAM点云地图构建方法，其特征在于，包括如下模块：

处理模块，用于对激光点云数据进行预处理及初次运动畸变补偿，得到初次处理后的激光点云数据；

提取模块，用于提取所述初次处理后的激光点云数据的线特征和面特征，以及对初次处理后的激光点云数据的强度信息进行校准并提取ISC特征；

姿态估计模块，用于基于线特征和面特征，对激光点云数据进行姿态估计和二次运动畸变补偿；

回环检测模块，用于基于激光点云数据的姿态估计结果和ISC特征，对激光点云数据进行回环检测；

生成模块，用于基于激光点云数据的线特征、面特征、姿态估计结果以及回环约束信息，构建因子图并进行全局一致性图优化，生成全局地图。