一种基于深度学习的激光SLAM闭环自动检测方法技术

本发明专利技术公开了一种基于深度学习的激光SLAM闭环检测方法，它将SLAM闭环检测的问题转化为SALM数据样本的检索问题，并创新性地构建了一种深度Hash网络对激光点云样本进行Hash编码，进而在Hash编码的基础上进行样本相似度计算，实现相似样本的快速检索和SLAM闭环检测。所构建深度Hash网络利用深度学习的优势可以获得比传统编码技术更可靠的二进制编码，从而大幅提高检索的准确度；设计了一种新的点云特征提取算法，它在对点云进行空间划分和投影的基础上构建特征图，实现了对激光点云样本数据的可靠描述和与深度Hash网络的有效对接。所构建的深度Hash网络采用离线训练，训练好的模型能满足实时的编码需求。

【技术实现步骤摘要】
一种基于深度学习的激光SLAM闭环检测方法
本专利技术涉及移动测图与自主导航领域，具体涉及一种基于深度学习的激光SLAM闭环检测方法。技术背景SLAM(simultaneouslocalizationandmapping)，即时定位与地图构建。SLAM最早在1988年被提出，由于其重要的理论与应用价值，被很多学者认为是实现真正全自主移动机器人的关键。SLAM问题可以描述为:机器人在未知环境中从一个未知位置开始移动，在移动过程中根据位置估计和地图进行自身定位，同时在自身定位的基础上建造增量式地图，实现机器人的自主定位和导航。目前用在SLAM上的传感器主要分两大类，一类是激光雷达，另一类是摄像头，相应的SLAM技术被分别称为激光SLAM和视觉SLAM。在机器人或测量平台移动的过程中，由于地图构建和自主定位不可避免地产生误差，而且它会随着时间而累加，即产生累积误差。通常需要采用闭环检测对这种累积误差进行处理。闭环检测，又称回环检测(Loopclosuredetection)，是指机器人或移动测量平台识别出曾经到达的场景。如果检测成功，则可以通过平差技术显著地减小累积误差，提高地图构建和自主定位的精度。因此，闭环检测的准确性是决定SLAM精度的一个重要问题。传统的激光SLAM闭环检测主要采用ICP算法(iterativeclosestpoint迭代最近点)或词袋技术(Bag-of–Words，BOW)对场景点云数据进行匹配识别，其中前者比较点云的空间位置分布，后者比较点云的空间特征，并结合特征提取、特征编码、特征分类和匹配算法，进行场景相似度的计算以实现闭环检测。然而，ICP算法的运算效率较低，词袋技术的特征提取、编码、分类等通常是建立在人工构建的特征空间之上，其适应性存在局限，所构建的闭环检测方法准确度较低、可靠性较差，不能满足高精度的激光SLAM定位和构图需求。
技术实现思路
本专利技术针对现有技术的不足，提供一种准确度高、可靠性好的基于深度学习的激光SLAM闭环检测方法。为了实现上述目的，本专利技术所设计的一种基于深度学习的激光SLAM闭环检测方法，其特殊之处在于：包括以下步骤：s1构建点云数据样本对数据集，并按样本对中两样本的相似度将样本对标记为正样本对和负样本对；s2提取样本对中的样本特征；s3构建深度Hash网络模型：所述深度Hash网络模型包括一个输入层、若干个卷积层、池化层，一个Hash层和一个输出层；s4将步骤s2中提取了样本特征的样本对作为深度Hash网络的输入，对所构建的网络进行训练；s5取出步骤s4中深度Hash网络模型从输入层到Hash层的网络模型和参数，作为Hash编码器；s6进行实际的SLAM作业：利用s5中的Hash编码器对采集的点云数据进行编码；s7进行闭环判断：设已进行编码的点云数据编码为HASH1，HASH2，…，HASHj-1，当前样本编码为HASHj，计算HASHj与HASH1，HASH2，…，HASHj-1之间的距离，如果距离都大于设定的阈值，判断为非闭环，继续进行步骤s6的操作，如果某一距离小于设计阈值，则用点云配准算法进行精细的配准操作，误差小于设定阈值，则判断为闭环，否则判断为非闭环。进一步地，所述步骤s1中正样本对为两个点云数据样本位置之间的欧式距离小于5米、并且点云配准误差小于一定阈值的样本对，负样本对为两个点云数据样本位置之间的欧式距离大于10米的样本对。优选地，所述点云配准采用ICP算法，误差阈值取0.2×[Q(S1)+Q(S2)]，其中Q(S1)表示点云样本S1的最小外接长方体的体积。更进一步地，所述步骤s1中样本对构建有200000个，其中正样本对100000个，负样本对100000个。再进一步地，步骤s2的具体过程如下：计算投影中心O和投影主轴UOV，其中U端朝下，V端朝上，从下往上在投影轴上构建垂直于投影主轴UOV的n+1个切分平面，依次为L1，L2，…，Ln+1，利用这n+1个切分平面将点云进行空间划分，位于其中的Li和Li+1(1≤i≤n)之间的所有点沿着平行于投影主轴的方向向切分平面Li投影；对于L1，L2，…，Ln中的每个平面，统计落在它上面的投影点，将同一坐标处投影点的个数记作该坐标点的特征值，依次得到特征图M1，M2，…，Mn，将这n个特征图作为点云样本的特征。再进一步地，所述投影中心O为点云样本的几何中心，利用重力方向的平均值作为投影主轴方向，从而构建投影主轴UOV，其中U是指向地心的一端，V是指向天空的一端。再进一步地，切分平面的个数为10，切分平面L1垂直于投影主轴并且经过高程值最小的点云样本点，L10垂直于投影主轴并且经过高程值最大的点云样本点，L1和L10之间等距划分得到L1至L9，将划分后的样本点投影到L1至L9便依次得到特征图M1，M2，…，M9，所述特征图的形状为正方形，在投影主轴方向上投影重合，所述正方形恰好能包含所有投影点，在此基础上将所有特征图进行重采样得到400×400像素大小的特征图。再进一步地，所述深度Hash网络模型由16层组成，其中，第1层是输入层，由步骤2得到的n个特征图构成，第2，4，6，8，9，11，12层是卷积层，第3，5，7，10是四个池化层，第13，14，16是三个全连接层，第15层是一个Hash层，与第14层节点数目相等；第16层为输出层，由两个节点组成。再进一步地，第13层设置1024个节点，第14层设置36个节点，第14层和第15层的节点连接方式为一对一的连接，其激活函数采用Sigmoid函数，第15层中的第i个节点的输出值定义为Hi，其中vi为第14层第i个节点的值，Sigmoid函数的定义为：再进一步地，训练过程停止的条件为两种，一种是损失函数的值小于设定的阈值，另一种是训练达到一定次数；其中，整个网络的损失函数采用交叉熵进行计算，其定义为其中，p和q分别代表真实标签和预测标签，p(x)和q(x)分别对应x的统计概率值和预测概率值，再进一步地，Hash编码之间的距离值采用哈密尔顿距离(HamiDist)计算，它定义为HamiDist(HASHi，HASHj)＝XO(HASHi，HASHj)其中，XO表示异或操作。本专利技术的优点在于：1)本专利技术将SLAM闭环检测的问题转化为SALM数据样本的检索问题，并设计了一种由粗到精的闭环检测策略，大幅提高闭环检测的效率。首先在粗检测中利用深度Hash网络对点云样本进行二进制编码和检索，发现疑似闭环样本对，然后在精检测中利用点云配准算法对疑似闭环样本对进行判别；在粗检测中，利用Hash编码能对样本的相似度进行快速比对，从而能将大量的不相似样本在粗检测中过滤掉，使得所专利技术的方法相较于传统闭环检测方法具有大幅提高的运算效率。值得注意的是，所构建的深度Hash网络采用离线学习的模式进行训练，训练好的模型能满足实时的点云样本Hash编码需求。2)本专利技术创新性地构建了一种深度Hash网络对SLAM中的激光点云样本进行Hash编码，进而在Hash编码的基础上进行样本相似度的计算，实现相似样本的快速检索和SLAM闭环检测。所构建的深度Hash网络实现了深度卷积神经网络技术和Hash编码技术的融合，它利用深度学习的优势可以获得比传统编码技术更可靠的二进制编码，本文档来自技高网...

【技术保护点】
一种基于深度学习的激光SLAM闭环检测方法，其特征在于：包括以下步骤：s1构建点云数据样本对数据集，并按样本对中两样本的相似度将样本对标记为正样本对和负样本对；s2提取样本对中的样本特征；s3构建深度Hash网络模型：所述深度Hash网络模型包括一个输入层、若干个卷积层、池化层，一个Hash层和一个输出层；s4将步骤s2中提取了样本特征的样本对作为深度Hash网络的输入，对所构建的网络进行训练；s5取出步骤s4中深度Hash网络模型从输入层到Hash层的网络模型和参数，作为Hash编码器；s6进行实际的SLAM作业：利用Hash编码器对采集的点云数据进行编码，且Hash编码器的输入层为上一个点云数据的输出层；s7进行闭环判断：设已进行编码的点云数据编码为HASH1，HASH2，…，HASHj‑1，当前样本编码为HASHj，计算HASHj与HASH1，HASH2，…，HASHj‑1之间的距离，如果距离都大于设定的阈值，判断为非闭环，继续进行步骤s6的操作，如果某一距离小于设计阈值，则用点云配准算法进行配准操作，误差小于设定阈值，则判断为闭环，否则判断为非闭环。

【技术特征摘要】
1.一种基于深度学习的激光SLAM闭环检测方法，其特征在于：包括以下步骤：s1构建点云数据样本对数据集，并按样本对中两样本的相似度将样本对标记为正样本对和负样本对；s2提取样本对中的样本特征；s3构建深度Hash网络模型：所述深度Hash网络模型包括一个输入层、若干个卷积层、池化层，一个Hash层和一个输出层；s4将步骤s2中提取了样本特征的样本对作为深度Hash网络的输入，对所构建的网络进行训练；s5取出步骤s4中深度Hash网络模型从输入层到Hash层的网络模型和参数，作为Hash编码器；s6进行实际的SLAM作业：利用Hash编码器对采集的点云数据进行编码，且Hash编码器的输入层为上一个点云数据的输出层；s7进行闭环判断：设已进行编码的点云数据编码为HASH1，HASH2，…，HASHj-1，当前样本编码为HASHj，计算HASHj与HASH1，HASH2，…，HASHj-1之间的距离，如果距离都大于设定的阈值，判断为非闭环，继续进行步骤s6的操作，如果某一距离小于设计阈值，则用点云配准算法进行配准操作，误差小于设定阈值，则判断为闭环，否则判断为非闭环。2.根据权利要求1所述的基于深度学习的激光SLAM闭环检测方法，其特征在于：所述步骤s1中正样本对为两个点云数据样本位置之间的欧式距离小于5米并且点云配准误差小于一定阈值的样本对，负样本对为两个点云数据样本位置之间的欧式距离大于10米的样本对。3.根据权利要求2所述的基于深度学习的激光SLAM闭环检测方法，其特征在于：所述步骤s1中样本对构建有200000个，其中正样本对100000个，负样本对100000个。4.根据权利要求1所述的基于深度学习的激光SLAM闭环检测方法，其特征在于：步骤s2的具体过程如下：计算投影中心O和投影主轴UOV，其中U端朝下，V端朝上，从下往上在投影轴上构建垂直于投影主轴UOV的n+1个切分平面，依次为L1，L2，…，Ln+1，利用这n+1个切分平面将点云进行空间划分，位于其中的Li和Li+1(1≤i≤n)之间的所有点沿着平行于投影主轴的方向向切分平面Li投影；对于L1，L2，…，Ln中的每个平面，统计落在它上面的投影点，将同一坐标处投影点的个数记作该坐标点的特征值，依次得到特征图M1，M2，…，Mn；将这n个特征图作为对应的点云样本的特征。5.根据权利要求4所述的基于深度学习的激光SLAM闭环检测方法，其特征在于：所述投影中心O...

【专利技术属性】
技术研发人员：邹勤，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42