【技术实现步骤摘要】
点云配准方法和装置
本申请涉及自动驾驶领域,尤其涉及一种点云配准方法和装置。
技术介绍
一种实现自动驾驶的方法是通过周边环境的地图确定车辆的当前位置。例如,车辆通过激光雷达等传感器获取实时地图后,将该实时地图与预设地图进行配准,从而确定了车辆的当前位置。实时地图与预设地图通常都是以点云(pointcloud)的形式存在,点云是三维物体或三维场景的一种表现形式,是由空间中一组无规则分布的、表达三维物体或三维场景的空间结构和表面属性的离散点所构成。而点云配准,就是求两个点云之间的旋转平移矩阵,将源点云(例如,实时地图)变换到与目标点云(例如,预设地图)相同的坐标系下,使得两个点云中的点云数据之间的距离经过点云位姿变换后达到最小值。常用的点云配准方法是迭代最近点(iterativeclosestpoint,ICP)算法,ICP算法的基本思想是寻找两个点云的几何特征之间的关联关系,通过迭代不同的关联关系确定优选的旋转平移矩阵。然而,上述方法仅利用了几何特征,对于几何结构重复性较强的场景,该算法的鲁棒性不足。
技术实现思路
本申请提供了一种点云配准方法和装置,在几何结构重复性较强的场景中也具备较好的效果,具有较强的鲁棒性。第一方面,提供了一种点云配准方法,包括:获取第一点云和第二点云;对第一点云和第二点云进行粗配准,确定第二点云相对于第一点云的初始位姿;根据初始位姿、第一点云的几何特征和语义特征、以及第二点云的几何特征和语义特征对第一点云和第二点云进行精配准,确定第二点云相对于第一点云的最终位姿。第一点云例如是预设点云,第二点云例如是实时点云,本申请对第一点云和第二点云 ...
【技术保护点】
1.一种点云配准方法,其特征在于,包括:获取第一点云和第二点云;对所述第一点云和所述第二点云进行粗配准,确定所述第二点云相对于所述第一点云的初始位姿;根据所述初始位姿、所述第一点云的几何特征和语义特征、以及所述第二点云的几何特征和语义特征对所述第一点云和所述第二点云进行精配准,确定所述第二点云相对于所述第一点云的最终位姿。
【技术特征摘要】
1.一种点云配准方法,其特征在于,包括:获取第一点云和第二点云;对所述第一点云和所述第二点云进行粗配准,确定所述第二点云相对于所述第一点云的初始位姿;根据所述初始位姿、所述第一点云的几何特征和语义特征、以及所述第二点云的几何特征和语义特征对所述第一点云和所述第二点云进行精配准,确定所述第二点云相对于所述第一点云的最终位姿。2.根据权利要求1所述的方法,其特征在于,所述根据所述初始位姿、所述第一点云的几何特征和语义特征、以及所述第二点云的几何特征和语义特征对所述第一点云和所述第二点云进行精配准,确定所述第二点云相对于所述第一点云的最终位姿,包括:构建关于位姿变量的似然函数,其中,所述位姿变量用于指示所述第二点云相对于所述第一点云的多种位姿,所述似然函数用于指示所述多种位姿的概率,所述似然函数包括几何变量和语义变量,所述几何变量用于指示所述第一点云的几何特征和所述第二点云的几何特征之间的关联关系,所述语义变量用于指示所述第一点云的语义特征和所述第二点云的语义特征之间的关联关系,所述几何变量为观测变量,所述语义变量为隐变量,所述位姿变量的初始值为所述初始位姿的值;根据迭代算法确定所述似然函数的极大值;根据所述极大值确定所述最终位姿,其中,所述极大值对应的位姿变量所指示的位姿为所述最终位姿。3.根据权利要求2所述的方法,其特征在于,所述根据迭代算法确定所述似然函数的极大值,包括:根据所述似然函数的对数函数、所述几何变量和位姿变量i确定Q函数i,所述Q函数i为第i次迭代时所述语义变量的条件概率分布的期望,所述位姿变量i为所述位姿变量在第i次迭代时的估计值,所述i为正整数;根据所述Q函数i确定位姿变量i+1,所述位姿变量i+1为所述位姿变量在第i+1次迭代时的估计值,并且,所述位姿变量i+1为所述Q函数i取极大值时所述位姿变量的取值;根据所述位姿变量i和所述位姿变量i+1确定所述似然函数的极大值,其中,当所述位姿变量i和所述位姿变量i+1的差值的绝对值小于或等于第一阈值时,或者,当所述Q函数i和所述位姿变量i+1对应的Q函数的差值的绝对值小于或等于第二阈值时,所述似然函数的值为极大值。4.根据权利要求2或3所述的方法,其特征在于,所述似然函数还包括所述第二点云的协方差,所述协方差的极大似然估计值为所述似然函数取极大值时对应的协方差的值。5.根据权利要求1至4中任一项所述的方法,其特征在于,所述对所述第一点云和所述第二点云进行粗配准,包括:根据所述第一点云的几何特征和语义特征以及所述第二点云的几何特征和语义特征对所述第一点云和所述第二点云进行粗配准。6.根据权利要求5所述的方法,其特征在于,所述根据所述第一点云的几何特征和语义特征以及所述第二点云的几何特征和语义特征对所述第一点云和所述第二点云进行粗配准,包括:确定所述第一点云的中心和所述第一点云的多个点云块的中心,其中,所述第一点云的多个点云块中每个点云块包含的点云点具有相同的语义;确定所述第二点云的中心和所述第二点云的多个点云块的中心,其中,所述第二点云的多个点云块中每个点云块包含的点云点具有相同的语义;配准所述第一点云的中心和所述第二点云的中心;配准所述第一点云的多个点云块的中心和所述第二点云的多个点云块的中心,确定语义粗配准后的第一点云和第二点云;根据几何配准算法对所述语义粗配准后的第一点云和第二点云进行几何粗配准。7.一种点云配准方法,其特征在于,包括:获取第一点云和第二点云;根据所述第一点云的几何特征和语义特征以及所述第二点云的几何特征和语义特征对所述第一点云和所述第二点云进行粗配准,确定所述第二点云相对于所述第一点云的初始位姿;根据所述初始位姿对所述第一点云和所述第二点云进行精配准,确定所述第二点云相对于所述第一点云的最终位姿。8.根据权利要求7所述的方法,其特征在于,所述根据所述第一点云的几何特征和语义特征以及所述第二点云的几何特征和语义特征对所述第一点云和所述第二点云进行粗配准,包括:确定所述第一点云的中心和所述第一点云的多个点云块的中心,其中,所述第一点云的多个点云块中每个点云块包含的点云点具有相同的语义;确定所述第二点云的中心和所述第二点云的多个点云块的中心,其中,所述第二点云的多个点云块中每个点云块包含的点云点具有相同的语义;配准所述第一点云的中心和所述第二点云的中心;配准所述第一点云的多个点云块的中心和所述第二点云的多个点云块的中心,确定语义粗配准后的第一点云和第二点云;根据几何配准算法对所述语义粗配准后的第一点云和第二点云进行几何粗配准。9.根据权利要求7或8所述的方法,其特征在于,所述根据所述初始位姿对所述第一点云和所述第二点云进行精配准,确定所述第二点云相对于所述第一点云的最终位姿,包括:根据所述初始位姿、所述第一点云的几何特征和语义特征、以及所述第二点云的几何特征和语义特征对所述第一点云和所述第二点云进行精配准,确定所述第二点云相对于所述第一点云的最终位姿。10.根据权利要求9所述的方法,其特征在于,所述根据所述初始位姿、所述第一点云的几何特征和语义特征、以及所述第二点云的几何特征和语义特征对所述第一点云和所述第二点云进行精配准,确定所述第二点云相对于所述第一点云的最终位姿,包括:构建关于位姿变量的似然函数,其中,所述位姿变量用于指示所述第二点云相对于所述第一点云的多种位姿,所述似然函数用于指示所述多种位姿的概率,所述似然函数包括几何变量和语义变量,所述几何变量用于指示所述第一点云的几何特征和所述第二点云的几何特征之间的关联关系,所述语义变量用于指示所述第一点云的语义特征和所述第二点云的语义特征之间的关联关系,所述几何变量为观测变量,所述语义变量为隐变量,所述位姿变量的初始值为所述初始位姿的值;根据迭代算法确定所述似然函数的极大值;根据所述极大值确定所述最终位姿,其中,所述极大值对应的位姿变量所指示的位姿为所述最终位姿。11.根据权利要求10所述的方法,其特征在于,所述根据迭代算法确定所述似然函数的极大值,包括:根据所述似然函数的对数函数、所述几何变量和位姿变量i确定Q函数i,所述Q函数i为第i次迭代时所述语义变量的条件概率分布的期望,所述位姿变量i为所述位姿变量在第i次迭代时的估计值,所述i为正整数;根据所述Q函数i确定位姿变量i+1,所述位姿变量i+1为所述位姿变量在第i+1次迭代时的估计值,并且,所述位姿变量i+1为所述Q函数i取极大值时所述位姿变量的取值;根据所述位姿变量i和所述位姿变量i+1确定所述似然函数的极大值,其中,当所述位姿变量i和所述位姿变量i+1的差值的绝对值小于或等于第一阈值时,或者,当所述Q函数i和所述位姿变量i+1对应的Q函数的差值的绝对值小于或等于第二阈值时,所述似然函数的值为极大值。12.根据权利要求10或11所述的方法,其特征在于,所述似然函数还包括所述第二点云的协方差,所述...
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。