System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于车辆高精度定位领域,具体涉及一种车辆位置重识别方法及系统。
技术介绍
1、智能机器人和自动驾驶汽车融合了多种复杂的新兴技术。特别的在当前和未来交通领域有着巨大的实用价值。其中准确连续且稳定的位置信息对于机器人或自动驾驶汽车是至关重要的。尽管通过全球卫星导航系统可以获得其位置信息,但由于城市环境的环境复杂性,获得的位置信息总会存在多种误差。而同步定位与地图构建被用于解决在未知环境中移动车辆或机器人的自主车辆的定位、导航和地图构建问题,面对复杂场景时具有较高的鲁棒性。
2、地图匹配的定位方法的准确性与构建地图的准确性直接相关。通过与预加载的地图匹配从而获得较高准确的位置信息。在构建地图的过程中,漂移是不可避免的,并且通常会对伴随轨迹的估计状态产生影响,但漂移的影响可以通过多次访问同一地点来有效消除,从而创造更高一致性的地图。位置重识别在构建地图时也被称为回环检测,它对于识别和返回同一位置至关重要。目前已经存在了许多基于视觉的位置重识别方法,并在实际案例中显示了其实用性。然而,视角变化和光强度的变化会导致检测失败。相比之下,作为主动传感器的激光雷达最更容易在位置重识别中发挥作用。现有的基于激光雷达的识别方法可以分为直接法和基于描述符的方法。直接法直接使用激光雷达的点云信息进行匹配,由于激光雷达原始数据总会存在多种误差,识别的性能存在不可避免地下降。而基于描述符的方法又分为局部描述符和全局描述符。这两种描述符因其各自的点云信息量而不同,在各种变化下都能保持性能,并在采样和抗噪声方面坚持高适用性。然而,传统描述符
技术实现思路
1、本专利技术的目的在于提供一种车辆位置重识别方法及系统,以克服传统激光雷达位置重识别效率低,复杂重访环境下识别精度低的问题。
2、一种车辆位置重识别方法,包括以下步骤:
3、s1,对车辆的激光雷达数据进行预处理获取车辆激光雷达的点云结果;
4、s2,利用获取的点云结果进行环境描述符构建;
5、s3,根据获取车辆的激光雷达数据的激光雷达传感器的种类和测量环境计算动态过滤策略阈值;
6、s4,根据构建的环境描述符以及得到的动态过滤策略阈值,与历史数据库中点云数据进行比对,获取车辆的位置信息。
7、优选的,对车辆的激光雷达数据进行预处理获取车辆激光雷达的点云结果具体包括以下步骤:
8、对车辆的激光雷达数据进行下采样;
9、然后过滤掉下采样后的激光雷达数据中用于获取激光雷达数据的激光雷达传感器四周设定范围内的数据;
10、根据车辆的行驶速度对激光扫描进行去畸操作,获得车辆激光雷达的点云结果。
11、优选的,采用pcl中的点云体素滤波器对车辆的激光雷达数据中的点云进行下采样:
12、setinputcloud(source_cloud)(1)
13、setleafsize(x_size,y_size,z_size)(2)
14、filter(*dest_cloud)(3)
15、其中source_cloud是采集的激光雷达数据中原始点云数据,dest_cloud是下采样后获得的点云数据;其中setinputcloud(·),setleafsize(·),filter(·)为pcl中与点云下采样相关的函数。
16、优选的,过滤掉下采样后的激光雷达数据中用于获取激光雷达数据的激光雷达传感器四周设定范围内的数据包括以下步骤:对于激光雷达传感器激光扫描中的每一个激光点,去除欧拉距离设于设定阈值的点:
17、
18、其中xi和yi分别代表一帧激光扫描中第i个激光点;通过上述步骤就将完成了距离传感器周围设定阈值δs范围内的激光点去除。
19、优选的,对产生畸变的数据进行去除:
20、
21、[xi,yi,zi]=[xi,yi,zi]*t*realtime+[xi,yi,zi]*realtime(6)
22、其中realtime为每一个激光点在一帧扫描中的相对时间,t为车辆此刻的运动估计。
23、优选的,采用g(·)对于点云结果中的每一个激光点进行判断,查找其是否为地面点:
24、
25、其次将激光点云中的所有点转到极坐标系下:
26、
27、
28、其中d是求得此激光点距离激光雷达传感器的水平距离,θ是激光点与极轴的夹角;在鸟瞰度的视角下,分别按照横向和纵向进行分割,纵向和横向分别按照距离和角度分为ns和nr部分;构建一个对应的nr*ns矩阵来表示分割后的每一个部分;借助地面点高度信息和非地面点强度信息为获得的矩阵每一单元进行赋值:
29、
30、其中q(i,j)代表矩阵每个单元的赋值,z(i,j)代表对应空间中高度z的最大取值,i(i,j)代表对应空间中强度的最大取值;通过对每一个空间对应的矩阵进行赋值,完成点云描述符构建。
31、优选的,设两次任意两个描述符的f范数差异为:
32、
33、其中fi和fj是两次不同激光雷达测量构建描述符f范数值;
34、设动态阈值:
35、
36、其中δρk为平移量,设最大δρ为δρmax,取z和d为传感器一般测量的平均值,化简后得到:
37、
38、通过比较ψ(·)与φ(·)的关系判断两次扫描是否为同一地点。
39、一种车辆位置重识别系统,包括数据获取处理模块,描述符构建模块,阈值计算模块和重识别模块:
40、数据获取处理模块,用于对车辆的激光雷达数据进行预处理获取车辆激光雷达的点云结果;
41、描述符构建模块,用于根据获取的点云结果进行环境描述符构建;
42、重识别模块,根据获取车辆的激光雷达数据的激光雷达传感器的种类和测量环境计算动态过滤策略阈值;
43、s4,根据构建的环境描述符以及得到的动态过滤策略阈值,与历史数据库中点云数据进行比对,获取车辆的位置信息。
44、优选的,对车辆的激光雷达数据进行预处理获取车辆激光雷达的点云结果具体包括以下步骤:
45、对车辆的激光雷达数据进行下采样;
46、然后过滤掉下采样后的激光雷达数据中用于获取激光雷达数据的激光雷达传感器四周设定范围内的数据;
47、根据车辆的行驶速度对激光扫描进行去畸操作,获得车辆激光雷达的点云结果。
48、优选的,采用pcl中的点云体素滤波器对车辆的激光雷达数据中的点云进行下采样:
49、set本文档来自技高网...
【技术保护点】
1.一种车辆位置重识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种车辆位置重识别方法,其特征在于,对车辆的激光雷达数据进行预处理获取车辆激光雷达的点云结果具体包括以下步骤:
3.根据权利要求2所述的一种车辆位置重识别方法,其特征在于,采用PCL中的点云体素滤波器对车辆的激光雷达数据中的点云进行下采样:
4.根据权利要求2所述的一种车辆位置重识别方法,其特征在于,过滤掉下采样后的激光雷达数据中用于获取激光雷达数据的激光雷达传感器四周设定范围内的数据包括以下步骤:对于激光雷达传感器激光扫描中的每一个激光点,去除欧拉距离设于设定阈值的点:
5.根据权利要求2所述的一种车辆位置重识别方法,其特征在于,对产生畸变的数据进行去除:
6.根据权利要求2所述的一种车辆位置重识别方法,其特征在于,采用g(·)对于点云结果中的每一个激光点进行判断,查找其是否为地面点:
7.根据权利要求2所述的一种车辆位置重识别方法,其特征在于,设两次任意两个描述符的F范数差异为:
8.一种车辆位置重识别系统,其特征
9.根据权利要求8所述的一种车辆位置重识别系统,其特征在于,对车辆的激光雷达数据进行预处理获取车辆激光雷达的点云结果具体包括以下步骤:
10.根据权利要求8所述的一种车辆位置重识别系统,其特征在于,采用PCL中的点云体素滤波器对车辆的激光雷达数据中的点云进行下采样:
...【技术特征摘要】
1.一种车辆位置重识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种车辆位置重识别方法,其特征在于,对车辆的激光雷达数据进行预处理获取车辆激光雷达的点云结果具体包括以下步骤:
3.根据权利要求2所述的一种车辆位置重识别方法,其特征在于,采用pcl中的点云体素滤波器对车辆的激光雷达数据中的点云进行下采样:
4.根据权利要求2所述的一种车辆位置重识别方法,其特征在于,过滤掉下采样后的激光雷达数据中用于获取激光雷达数据的激光雷达传感器四周设定范围内的数据包括以下步骤:对于激光雷达传感器激光扫描中的每一个激光点,去除欧拉距离设于设定阈值的点:
5.根据权利要求2所述的一种车辆位置重识别方法,其特征在于,对产生畸变的...
【专利技术属性】
技术研发人员:赵祥模,王武祺,闵海根,吴霞,徐志刚,尚旭明,刘占文,王润民,方煜坤,夏森,雷小平,李尧,延昌磊,杨龙,
申请(专利权)人:长安大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。