一种基于角特征加权的点云匹配方法组成比例

本发明专利技术公开了一种基于角特征加权的点云匹配方法，首先对激光雷达的激光点云数据进行预处理，再进行角特征检测，根据角特征对激光点云数据进行分类，计算每类激光点数据的权值，建立基于角特征的加权匹配模型进行点云匹配。在特征稀疏环境下，相对于Hector SLAM匹配模型，通过本发明专利技术公开的加权匹配方法能够有效提高状态估计精度。

A method of point cloud matching based on angular feature weighting

The invention discloses a method of matching angle weighted feature point cloud based on the first laser point on the lidar data preprocessing, then corner feature detection based on laser point cloud data classification angle characteristics, calculation of each laser point data value, weighted Jian Liji corner feature matching model point cloud matching. The characteristics of sparse environment, compared with the Hector SLAM matching model can effectively improve the precision of state estimation by weighting the invention discloses a matching method.

【技术实现步骤摘要】
一种基于角特征加权的点云匹配方法
本专利技术属于机器人自主导航
，尤其涉及一种激光雷达HectorSLAM算法中基于角特征加权的点云匹配方法。
技术介绍
同步定位与地图(SLAM，SimultaneousLocalizationandMapping)技术是机器人自主导航
中的一大研究热点。在无GPS(GlobalPositioningSystem)环境中，SLAM方法能够帮助机器人实现在陌生环境中的导航与定位，是机器人实际应用中的关键技术。根据使用的传感器不同，目前主要的SLAM方法可以分为两类：激光雷达SLAM和视觉SLAM。相对于视觉SLAM中使用的视觉传感器——摄像头，激光雷达的使用不依赖于外界的光照条件，并且能够获取高精度的测距信息，可靠性更高。在2011年，StefanKohlbrecher在论文《AFlexibleandScalableSLAMSystemwithFull3DMotionEstimation》中提出HectorSLAM方法，HectorSLAM是目前最为广泛应用的一种激光雷达SLAM法，该方法只需要激光雷达数据，不需要里程计等额外传感器，能够同时应用于空中无人机和地面无人车中，且具有较好的定位精度，运算耗时少。在激光雷达SLAM方法中，根据激光雷达采集的点云信息进行实时定位与地图构建，其中激光点云的匹配是一个关键问题。HectorSLAM中通过概率模型将激光点云与已构建的地图进行全局匹配，具有较好的定位与构图效果；但是，在特征稀疏环境中该匹配方法的误差较大。
技术实现思路
针对于上述现有技术的不足，本专利技术的目的在于提供一种基于角特征加权的点云匹配方法，以解决激光雷达HectorSLAM在特征稀疏环境中定位与构图效果差的问题；本专利技术提高了激光雷达HectorSLAM中点云与已构建的地图之间的匹配精度。为达到上述目的，本专利技术的技术方案为：一种基于角特征加权的点云匹配方法，包括步骤如下：(1)对激光点云数据进行预处理，根据不同型号激光雷达的测距有效范围，将测距信息超出该有效范围的数据剔除；(2)对激光点云进行角特征检测；(3)根据步骤(2)中得到的角特征，对激光点云数据进行分类；(4)计算激光点云中每类激光点数据的匹配权值；(5)利用高斯牛顿迭代方法进行激光雷达的点云匹配计算。优选地，上述的步骤(3)中对激光点云数据进行分类的方法如下：步骤(2)中得到角特征的数量记为ncorner，检测每个角特征的角点，以这些角点为中心，cj为描述第j个角特征所用的激光点数量，j＝1,2,…ncorner，选取cj个激光点为一类激光点数据，记为gj，j＝1,2,…ncorner，描述第j个角特征，其中cj根据不同情况选取合适的数值，且以此方法将描述每个角特征的激光点分别划分为一类激光点数据；剩余的其它所有的激光点为未描述角特征的一类激光点数据，记为g0，其激光点的数量记为c0。优选地，上述的步骤(4)中计算每类激光点数据的匹配权值的方法如下：经过步骤(1)预处理后激光点的数量为n，描述角特征的激光点数据的权值大于1，其余激光点的权值不大于1；其中第gj类激光点数据的权值为其中，j＝1,2,…ncorner，k为比例因子，根据不同情况选取合适的数值，且k＞1；第g0类激光点数据的权值为优选地，上述的步骤(5)中，建立如下基于角特征加权的点云匹配模型，基于角特征加权的点云匹配目标函数如下：其中每个激光点数据的权值为λi，i＝1,2,…n，ξ为激光雷达所在载体的状态，包括在激光雷达SLAM全局坐标系下的航向角ψ和位置坐标(px,py)，T表示转置，其具体表达式如下：ξ＝(ψpxpy)TSi(ξ)为激光雷达的第i个激光点在全局坐标系下的坐标，式中si,x和si,y为第i个激光点在激光雷达载体坐标系下的坐标值，Si(ξ)x和Si(ξ)y为第i个激光点在全局坐标系下的坐标值，如下所示：M(Si(ξ))为激光雷达的第i个激光点占据坐标Si(ξ)所对应栅格的概率值，具体表达式参考HectorSLAM方法中利用线性插值计算激光点坐标的概率的公式。本专利技术的有益效果：本专利技术在特征稀疏的环境中能够有效提高HectorSLAM中激光雷达点云与已构建的地图之间的匹配精度，改善HectorSLAM方法的定位与构图的效果。附图说明图1为本专利技术方法的流程图。具体实施方式为了便于本领域技术人员的理解，下面结合实施例与附图对本专利技术作进一步的说明，实施方式提及的内容并非对本专利技术的限定。参照图1所示，本专利技术的一种基于角特征加权的点云匹配方法，包括步骤如下：步骤一：按照如下方法对激光点云数据进行预处理：根据不同型号激光雷达的测距有效范围，将测距信息超出该有效范围的数据剔除。例如采用Hokuyoutm-30lx型号激光雷达，将激光点云中距离大于30米的激光点数据剔除；步骤二：对激光点云进行角特征检测；步骤三：根据步骤二中得到的角特征，对激光点云数据进行分类：ncorner为上述步骤二中得到角特征的数量，检测每个角特征的角点，以这些角点为中心，cj(j＝1,2,…ncorner)为描述第j个角特征所用的激光点数量，选取cj个激光点分一类激光点数据，记为gj(j＝1,2,…ncorner)，描述第j个角特征，其中cj根据不同情况选取合适的数值，且以此方法将描述每个角特征的激光点分别划分为一类激光点数据；剩余的其它所有的激光点为未描述角特征的一类激光点数据，记为g0，其激光点的数量记为c0。步骤四：计算激光点云中每类激光点数据的匹配权值：经过上述步骤一预处理后激光点的数量为n，描述角特征的激光点数据的权值大于1，其余激光点的权值不大于1；其中第gj(j＝1,2,…ncorner)类激光点数据的权值为其中k为比例因子，可根据不同情况选取合适的数值，且k＞1；第g0类激光点数据的权值为步骤五：按照如下方法进行激光雷达的点云匹配计算：基于角特征加权的点云匹配目标函数如下：其中每个激光点数据的权值为λi(i＝1,2,…n)，ξ为激光雷达所在载体的状态，包括在激光雷达SLAM全局坐标系下的航向角ψ和位置坐标(px,py)，上标“T”表示转置，其具体表达式如下：ξ＝(ψpxpy)TSi(ξ)为激光雷达的第i个激光点在全局坐标系下的坐标，式中si,x和si,y为第i个激光点在激光雷达载体坐标系下的坐标值，Si(ξ)x和Si(ξ)y为第i个激光点在全局坐标系下的坐标值，如下所示：M(Si(ξ))为激光雷达的第i个激光点占据坐标Si(ξ)所对应栅格的概率值，具体表达式参考HectorSLAM方法中利用线性插值计算激光点坐标的概率的公式。利用高斯牛顿迭代法求解激光雷达载体的最优估计状态ξ*，具体方法如下：建立误差函数e：以ξ为迭代初值，利用状态增量Δξ对目标函数进行迭代求解，使得误差函数e的值不断趋近于0，迭代3～5次后即可停止迭代，上式中Si(ξ+Δξ)为以ξ+Δξ为状态量计算的第i个激光点全局坐标系下的坐标，M(Si(ξ+Δξ))为第i个激光点占据坐标Si(ξ+Δξ)所对应的栅格概率值。迭代计算中Δξ为：H表达式如下：上述表达式中，为函数求偏导的符号，为Si(ξ)对ξ的求导：为M(Si(ξ))对Si(ξ)的求导，具体表达式可参考HectorSL本文档来自技高网...

【技术保护点】
一种基于角特征加权的点云匹配方法，其特征在于，包括步骤如下：(1)对激光点云数据进行预处理，根据不同型号激光雷达的测距有效范围，将测距信息超出该有效范围的数据剔除；(2)对激光点云进行角特征检测；(3)根据步骤(2)中得到的角特征，对激光点云数据进行分类；(4)计算激光点云中每类激光点数据的匹配权值；(5)利用高斯牛顿迭代方法进行激光雷达的点云匹配计算。

【技术特征摘要】
1.一种基于角特征加权的点云匹配方法，其特征在于，包括步骤如下：(1)对激光点云数据进行预处理，根据不同型号激光雷达的测距有效范围，将测距信息超出该有效范围的数据剔除；(2)对激光点云进行角特征检测；(3)根据步骤(2)中得到的角特征，对激光点云数据进行分类；(4)计算激光点云中每类激光点数据的匹配权值；(5)利用高斯牛顿迭代方法进行激光雷达的点云匹配计算。2.根据权利要求1所述的基于角特征加权的点云匹配方法，其特征在于，上述的步骤(3)中对激光点云数据进行分类的方法如下：步骤(2)中得到角特征的数量记为ncorner，检测每个角特征的角点，以这些角点为中心，cj为描述第j个角特征所用的激光点数量，j＝1,2,…ncorner，选取cj个激光点为一类激光点数据，记为gj，j＝1,2,…ncorner，描述第j个角特征，其中cj根据不同情况选取合适的数值，且以此方法将描述每个角特征的激光点分别划分为一类激光点数据；剩余的其它所有的激光点为未描述角特征的一类激光点数据，记为g0，其激光点的数量记为c0。3.根据权利要求2所述的基于角特征加权的点云匹配方法，其特征在于，上述的步骤(4)中计算每类激光点数据的匹配权值的方法如下：经过步骤(1)预处理后激光点的数量为n，描述角特征的激光点数据的权值大于1，其余激光点的权值不大于1；其中第gj类激光点数据的权值为...

【专利技术属性】
技术研发人员：石鹏，吕品，赖际舟，张竣涵，白师宇，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32