状态感知方法以及相关设备技术

一种状态感知方法以及相关设备，该方法包括：采集当前帧点云数据(S101)；从历史点云库中抽取N个历史帧点云数据(S102)，该N个历史帧的采集时间均在该当前帧的采集时间之前，其中，N为大于或等于1的正整数；将该当前帧点云数据和该N个历史帧点云数据分别进行点云配准，获得该当前帧点云数据的N个状态估计值(S103)；将该N个状态估计值进行叠加，得到该当前帧点云数据的状态估计结果(S104)。该方法及设备能够实现在不需要回环运动的情况下也能过滤无规则噪音，得到较准确的状态感知结果，提高SLAM系统定位建图精度。

State aware method and related equipment

【技术实现步骤摘要】
【国外来华专利技术】状态感知方法以及相关设备
本申请涉及定位
，尤其涉及状态感知方法以及相关设备。
技术介绍
现如今，随着传感器技术、AR/VR技术、智能移动机器人以及无人驾驶技术的发展，行业对定位技术的需求越来越多，其中，同时定位与建图(Simultaneous Localization and Mapping，SLAM)技术就人们重点研究的一个方向。SLAM需要解决的问题可以描述为，自动驾驶汽车或其它自主移动装置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，实现自动驾驶汽车或其它自主移动装置的自主定位和导航。对于SLAM技术，误差积累是一大技术难题。SLAM通常使用卡尔曼滤波和回环检测的方法来减少误差累积。其中，卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法，卡尔曼滤波中对系统状态是用概率表示，其所针对的误差是正态分布或其它线性概率分布的。回环检测又称闭环检测(Loop closure detection)，当自动驾驶汽车或其它自主移动装置做回环运动时，即起始点和终止点基本一致，那么就可以对先前估计的路径进行贝叶斯概率图优化，使整个路径估计更加准确。然而，在实际应用中，自动驾驶汽车或其它自主移动装置在不平整路面上会遭遇坑洼、杂物等，导致定位中出现无规则噪音，这些噪音高频、高能、杂乱无章、不属于正态分布，会极大影响SLAM对系统状态的估计。而卡尔曼滤波的使用要求误差是正态分布或其它线性概率分布，难以过滤无规则噪音。而对于回环检测，应用范围也有限，如果自动驾驶汽车或其它自主移动装置不进行回环运动，就没法使用回环检测来减少误差。由于没法消除误差，导致误差在迭代过程中不断地积累放大，严重影响定位建图的效果。
技术实现思路
本专利技术实施例提供了一种状态感知方法以及相关设备，实现在不需要回环运动的情况下也能够过滤无规则噪音，提高SLAM系统定位建图精度。第一方面，本专利技术实施例提供了一种状态感知方法，该方法包括：采集当前帧点云数据；从历史点云库中抽取N个历史帧点云数据，所述N个历史帧的采集时间均在所述当前帧的采集时间之前，其中，N为大于或等于1的正整数；将所述当前帧点云数据和所述N个历史帧点云数据分别进行点云配准，获得所述当前帧点云数据的N个状态估计值；将所述N个状态估计值进行叠加，得到所述当前帧点云数据的状态估计结果。当车辆行驶在不平整的路面(如遇到石头，障碍物，坑洼等)环境时，造成车辆在短时间内的强烈颠簸，体现在点云数据中即是遭遇到无规则噪音(简称噪音)，噪音一般是高频、短时间的冲击信号。本专利技术实施例中可应用安置于车辆的SLAM系统，SLAM系统感知车辆当前状态的方法是：采集到当前帧点云数据后，将当前点云数据与在之前采集的若干帧点云数据进行点云配准，从而得到若干个状态估计值，所述状态估计值即为对应于不同的历史帧点云数据而得到的位置和/或姿态。点云配准所得的每个状态估计值都具有一个相应的可信度，如果受噪音影响大，则可信度低，如果受噪音影响小，则可信度高。那么选取若干个状态估计值进行叠加，获得当前状态估计结果，该状态估计结果的可信度就会比较高，也就是结果就比较准确。例如，抽取的若干帧历史帧点云数据中，可信度高的历史帧数量较多，可信度低的历史帧数量较小，那么，经过叠加后所得的结果可信度就会比较高。又例如，对于，不同的历史帧点云数据，可信度越大则权重值越大，那么经过叠加后所得的结果可信度就会比较高，也就是说能够极大减少甚至消除噪音的影响，获得车辆当前较为准确的位置和/或姿态结果，那么，可以理解的，SLAM系统将能够基于这些结果进行较为准确的建图和定位。基于第一方面，在具体的实施方式中，所述状态估计值包括期望值和权重值；其中，所述权重值由所述当前帧点云数据与所述历史帧点云数据的重合程度值确定；所述权重值用线性分布来表示；将所述N个态估计值进行叠加，得到所述当前帧点云数据的状态估计结果，包括：将所述N个状态估计值的所述期望值基于对应的所述权重值进行加权叠加，得到所述当前帧点云数据的状态估计结果。本专利技术实施例中，点云配准过程中，两帧图像基于是否存在噪音，以及噪音的强烈程度，而具有不同的重合程度。如果两帧图像是完全准确、没有噪音的，那么两帧图像的重叠部分经平移、旋转等常规处理后，是完全重合的；如果当前帧点云数据和/或历史帧点云数据有噪音，则两帧图像的重叠部分不能完全重合。两帧图像的重叠部分的重合程度，所以，两帧图像的重合程度将表征状态估计值的期望值的可信度，重合程度越高，可信度越高，重合程度越低，可信度越低。具体实现中，可将重合程度量化为方差或标准差或协方差等线性分布形式的权重值。也就是说，这些方差或标准差或协方差的大小确定了相应的状态估计值的权重值。无规则噪音越大，则所得状态估计值的权重值就会越小；无规则噪音越小，则所得状态估计值的权重值就会越大。这样，多个状态估计值进行加权叠加后，受噪音影响的图像帧对最终结果的影响小，也就是说，实施本专利技术实施例能够实时将噪音过滤，获得较为准确的状态估计结果。具体应用场景中，假设汽车遇到一个坎出现颠簸，那么过坎时采集的图像将是模糊的，基于这些图像进行点云配准所得结果误差会很大。过坎前采集的图像是清晰的，基于这些图像进行点云配准所得结果误差会很小。如果当前帧为过坎后图像，那么，取出过坎后采集图像和之前的若干帧历史图像分别进行点云配准，模糊图像所得结果的权重值较小，清晰图像的权重值较大，那么，对配准结果进行加权叠加后，所得的状态估计结果就比较准确。在具体实现中，还可以针对噪音的类型，大小等进一步调整叠加过程中每个估计状态值的权重值，噪音越大则对应的权重值调整得越小，进一步消除噪音，提高状态估计结果的精度。可以理解的，在得到状态估计结果后，由于状态估计结果中已经极大减少甚至消除了噪音，结果可信度高，将可基于所述状态估计结果进一步实现精确的建图与定位。当前帧点云数据保存至历史点云库作为历史帧点云数据后，下一次采集到点云数据时，重复上述过程进行迭代，将能达到实时性地消除噪音的效果。需要说明的是，本专利技术实施例中，状态估计值的数学形式可以是概率分布估计、方差、协方差、协方差矩阵、非概率分布估计等，那么将所述状态估计值进行叠加后所得的结果数学形式不变。例如，状态估计值的数学形式为正态分布(包括期望值，和作为权重值的方差)，两个正态分布可以叠加，叠加后得到的结果仍然为正态分布。基于第一方面，在可能的实施方式中，所述从历史点云库中抽取N个历史帧点云数据之前，包括：检测到无规则噪音；所述从历史点云库中抽取N个历史帧点云数据，包括：在检测到所述无规则噪音的情况下，触发从所述从历史点云库中抽取N个历史帧点云数据。本专利技术可能实施例中，系统实时检测当前采集的当前数据帧是否存在无规则噪音，假如检测到当前数据帧存在无规则噪音，则可抽取在所述当前数据帧之前的若干历史帧点云数据。假如没有检测到当前数据帧存在无规本文档来自技高网...

【技术保护点】
一种状态感知方法，其特征在于，包括：/n采集当前帧点云数据；/n从历史点云库中抽取N个历史帧点云数据，所述N个历史帧的采集时间均在所述当前帧的采集时间之前，其中，N为大于或等于1的正整数；/n将所述当前帧点云数据和所述N个历史帧点云数据分别进行点云配准，获得所述当前帧点云数据的N个状态估计值；/n将所述N个状态估计值进行叠加，得到所述当前帧点云数据的状态估计结果。/n

【技术特征摘要】
【国外来华专利技术】一种状态感知方法，其特征在于，包括：
采集当前帧点云数据；
从历史点云库中抽取N个历史帧点云数据，所述N个历史帧的采集时间均在所述当前帧的采集时间之前，其中，N为大于或等于1的正整数；
将所述当前帧点云数据和所述N个历史帧点云数据分别进行点云配准，获得所述当前帧点云数据的N个状态估计值；
将所述N个状态估计值进行叠加，得到所述当前帧点云数据的状态估计结果。


根据权利要求1所述的方法，其特征在于，
所述状态估计值包括期望值和权重值；其中，所述权重值由所述当前帧点云数据与所述历史帧点云数据的重合程度值确定；所述权重值用线性分布来表示；
将所述N个态估计值进行叠加，得到所述当前帧点云数据的状态估计结果，包括：将所述N个状态估计值的所述期望值基于对应的所述权重值进行加权叠加，得到所述当前帧点云数据的状态估计结果。


根据权利要求1或2所述的方法，其特征在于，所述从历史点云库中抽取N个历史帧点云数据之前，所述方法还包括：检测到无规则噪音；
所述从历史点云库中抽取N个历史帧点云数据，包括：
在检测到所述无规则噪音的情况下，触发所述从历史点云库中抽取N个历史帧点云数据。


根据权利要求3所述的方法，其特征在于，所述从历史点云库中抽取N个历史帧点云数据，包括：
根据所述无规则噪音确定抽样步长；
基于所述抽样步长从历史点云库中抽取N个历史帧点云数据。


根据权利要求1或2所述的方法，其特征在于，所述从历史点云库中抽取N个历史帧点云数据之前，所述方法还包括：检测到所述当前帧点云数据的采集次序符合预设次序；
所述从历史点云库中抽取N个历史帧点云数据，包括：
在检测到所述当前帧点云数据的采集次序符合预设次序的情况下，触发从历史点云库中抽取N个历史帧点云数据。


一种用于状态感知的设备，其特征在于，包括：
采集模块，用于采集当前帧点云数据；
抽取模块，用于从历史点云库中抽取N个历史帧点云数据，所述N个历史帧的采集时间均在所述当前帧的采集时间之前，其中，N为大于或等于1的正整数；
配准模块，用于将所述当前帧点云数据和所述N个历史帧点云数据分别进行点云配准，获得所述当前帧点云数据的多个状态估计值；
叠加模块，用于将所述N个状态估计值进行叠加，得到所述当前帧点云数据的状态估计结果。



根据权利要求6所述的设备，其特征在于，
所述状态估计值包括期望值和权重值；其中，所述权重值由所述当前帧点云数据与所述历史帧点云数据的重合程度值确定；所述权重值用线性分布来表示；
所述叠加模块...

【专利技术属性】
技术研发人员：丘志宏，朱望斌，刘传建，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东;44