基于关键特征提取的轻量化激光雷达惯性组合定位方法和系统技术方案

本发明专利技术提出了一种基于关键特征提取的轻量化激光雷达惯性组合定位方法和系统，包括：利用惯性预积分的中间变量补偿激光点云的运动畸变；提取激光雷达关键帧中的线、面特征，完成帧间特征匹配；定量地评估激光雷达特征匹配约束的有效性；剔除低效的特征约束；选定合适的回环检测时机，在保证精度的前提下，降低计算成本，实现三维点云的建图和高精度的定位、姿态估计。姿态估计。姿态估计。

【技术实现步骤摘要】
基于关键特征提取的轻量化激光雷达惯性组合定位方法和系统


[0001]本专利技术提出了一种基于关键特征提取的轻量化激光雷达惯性组合定位方法和系统，涉及机器人定位建图领域。本专利技术利用多线激光雷达和惯性测量单元的组合系统，可实现三维点云的建图和高精度的定位、姿态估计，从而被应用于测绘、自动驾驶车辆定位等具体场景。

技术介绍

[0002]现有的激光雷达里程计方法可分为两类，一类是基于迭代最邻近点(iterative closest point,ICP)的，由于这种方法需要对齐两次扫描间的稠密激光点云，因此计算量较大，精度也过于依赖激光点云的巨大数目，所以相关的研究较少。此外还有一类是基于特征提取的里程计方法，现在已成为主流的解决方案。其中最有代表性的是LOAM法，它作为一个典型的基于几何特征匹配的里程计方法，通过提取边缘线上的特征点和平面上的特征点而实现高效的激光雷达定位。与基于ICP的方法相比，LOAM法提取了更稀疏的边缘点和平面点，因此它的计算量更小。然而，LOAM法需要利用激光雷达自身的运动估计来完成点云的运动畸变校正，这种迭代校正的方式将会导致额外的计算量开销。
[0003]点云存在运动畸变，是由于激光雷达扫描一周并非瞬时完成的：当激光雷达在扫描一周的时间间隔内发生了运动，测距获取的每个激光点对应的参考坐标系位置也会随运动发生变化；这时，如不通过运动信息补偿坐标系变化，观测得到的点云将会呈现出与真实环境不符的畸变。为解决点云的运动畸变，除LOAM法的迭代校正外，还可以利用传感器间的互补特性，例如引入全球定位系统(Global Positioning System,GPS)、视觉里程计或惯性测量单元(Inertial Measurement Unit,IMU)。其中，惯性测量单元由于不易受外界干扰、短时运动信息精度高等特性，被广泛用于与激光雷达的组合定位系统。一些融合方法利用激光雷达、惯性测量单元分别计算相邻时刻的位移变化量，这在融合分类中属于松耦合。这类松耦合方法对传感器间互补特征利用效率不高，与之相对的是在观测量级进行融合的“紧耦合”方法，它的鲁棒性更强。激光雷达和惯性器件紧耦合的定位方法在国内外也有一些研究成果，这类研究将惯性信息加入到后端的优化过程中，如LINS设计了一个迭代误差状态卡尔曼滤波器(iterated error
‑
state Kalman filter)来使得系统可以实时地完成定位估计；LIO
‑
SAM通过关键帧技术和因子图方法控制计算成本。尽管这些紧耦合的激光雷达惯性组合定位方法显示出了可接受的计算效率，它们的前端仍然和LOAM法使用着相同的激光特征提取思路。也就是说，激光雷达惯性组合定位方法的实时性，还能通过选取更有效的激光特征约束子集，而进一步提高。
[0004]事实上，激光特征的筛选已经在已有的研究中被部分讨论过了，但是这种选取方法主要是从技术角度，以某种人为制定的规则删去“无效”的点。现有方法中，LOAM排除了处于和激光束平行的平面上的点，以及在被遮挡区域的边界点；Loam_livox排除了强度异常的激光点；LIO
‑
mapping研究中认为边缘点并不会提高里程计的性能；而Lego
‑
LOAM则同时
保留了边缘点和平面点，然后尽量在各个方向平均地提取激光特征。以上现有技术都只是基于实践经验提出的激光特征筛选方法，现有的技术尚未讨论过：如何从理论的角度分析每对特征匹配对于定位精度的贡献，也没有量化过激光特征约束的有效性评估。而本专利技术会提出一个基于贝叶斯估计理论的量化方法，从而确定“关键特征”，并用于激光雷达惯性里程计以进一步减少计算量，实现系统的轻量化。
[0005]现有技术在计算成本(实时性)方面有两个明显缺点：一是在校正点云运动畸变时，需要使用激光雷达估计的本体运动信息，现有算法通常将运动信息优化估计、帧间特征匹配、运动畸变校正这三项放在一个大循环中迭代，这样既没有充分利用惯性传感器短时运动信息较准确的互补特性，也会导致整个里程计方法计算成本升高，如图1的上半部分所示。第二个明显缺点是现有技术只在人为经验层面挑选研究人员认为要保留的激光特征，缺乏基于理论分析的量化方法，无法量化地评价每对激光特征匹配为定位估计带来约束的有效性。

技术实现思路

[0006]本专利技术提出了一种基于关键特征提取的轻量化激光雷达惯性里程计方法，通过提取最有效的激光雷达特征约束子集，增强了组合系统的实时性。该方法主要包括以下步骤：1)利用惯性测量单元预积分的中间变量补偿激光点云的运动畸变；2)提取多线激光雷达关键帧中的线、面特征，完成帧间特征匹配；3)根据贝叶斯估计理论及卫星导航中的位置精度因子定义，定量地评估激光雷达特征匹配约束的有效性；4)根据定量评估结果，设计了一种剔除低效特征约束的选择算法；5)选定合适的回环检测时机，在保证精度的前提下，减少计算量的浪费。本专利技术解决算力受限的情况下，利用多线激光雷达和惯性测量组合，实现三维点云的建图和高精度的定位、姿态估计。
[0007]本专利技术包括以下三个关键技术特点：
[0008]1)利用惯性测量单元预积分的中间变量补偿激光点云的运动畸变，这样既充分利用了惯性传感器短时运动信息较准确的互补特性，也避免将激光雷达里程计中不必要的部分加入循环，如图1下部分所示；
[0009]2)根据贝叶斯估计理论及卫星导航中的位置精度因子定义，在激光雷达惯性组合定位系统实现中，可以定量地评估激光雷达特征匹配约束的有效性，而这一评估方法，既可以用于低效的激光雷达特征匹配约束的筛选，也可以用来判断当前是否是合适的回环检测时机，从而避免计算量的浪费；
[0010]3)创新地设计了一种剔除低效特征约束的选择算法，将结合2)中定量评估结果，选出最有效的“关键特征”子集。
[0011]针对现有技术的不足，本专利技术提出一种基于关键特征提取的轻量化激光雷达惯性定位方法，其中包括：
[0012]步骤1、通过惯性测量单元和激光雷达，分别得到运动平台的多帧惯性数据和多帧激光点云，对该惯性数据进行预积分，得到惯性测量单元的惯性残差和其对应的第一协方差矩阵；
[0013]步骤2、以该惯性数据进行预积分过程中得到的运动增量补偿与其时间帧对应的激光点云的运动畸变，将每帧激光点云校准，得到校准点云；
[0014]步骤3、通过提取校准点云中的线、面特征，并对所有校准点云进行帧间特征匹配，得到多个激光雷达特征约束及其对应的激光残差和第二协方差矩阵；
[0015]步骤4、通过定量分析各激光雷达特征约束对运动平台定位结果产生的影响，得到各激光雷达特征约束的分析结果；
[0016]步骤5、根据分析结果，选取使定位结果显著精度提高的特征约束，作为激光雷达的高效特征约束；
[0017]步骤6、根据该高效特征约束对应的激光残差和第二协方差矩阵，以及惯性残差和其对应的第一协方差矩阵，得到该运动平台的定位结果，该定位结果包括方向、位置、速度和惯性测量单元的零偏。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于关键特征提取的轻量化激光雷达惯性定位方法，其特征在于，包括：步骤1、通过惯性测量单元和激光雷达，分别得到运动平台的多帧惯性数据和多帧激光点云，对该惯性数据进行预积分，得到惯性测量单元的惯性残差和其对应的第一协方差矩阵；步骤2、以该惯性数据进行预积分过程中得到的运动增量补偿与其时间帧对应的激光点云的运动畸变，将每帧激光点云校准，得到校准点云；步骤3、通过提取校准点云中的线、面特征，并对所有校准点云进行帧间特征匹配，得到多个激光雷达特征约束及其对应的激光残差和第二协方差矩阵；步骤4、通过定量分析各激光雷达特征约束对运动平台定位结果产生的影响，得到各激光雷达特征约束的分析结果；步骤5、根据分析结果，选取使定位结果精度提高的特征约束，作为激光雷达的高效特征约束；步骤6、根据该高效特征约束对应的激光残差和第二协方差矩阵，以及惯性残差和其对应的第一协方差矩阵，得到该运动平台的定位结果，该定位结果包括方向、位置、速度和惯性测量单元的零偏。2.如权利要求1所述的基于关键特征提取的轻量化激光雷达惯性定位方法，其特征在于，该步骤2中利用惯性预积分的中间量将每帧激光点云校准的具体过程包括：补偿t时刻激光点运动畸变时，通过下式确定时刻t
k
到时刻t的激光雷达坐标系变换方式：其中旋转向量增量Δφ
k，k+1
包含旋转角和旋转轴，等价于从时刻t
k
到时刻t
k+1
的坐标系旋转增量ΔR
k，k+1
，上式左侧得到的两个变量为Δφ
kt
和Δp
kt
，分别表示时刻t
k
到时刻t的旋转向量增量及位置增量，Δφ
kj
和Δp
kj
分别对应从时刻t
k
到时刻t
j
的旋转向量增量和位置增量；对于激光点云中在t时刻观测到的每一个特定点，先将Δφ
kt
和Δp
kt
与Δφ
kj
和Δp
kj
分别结合，得到从时刻t到时刻t
j
的运动增量信息；再通过左乘旋转量，而后加上位置增量，以将此待校正运动畸变的点映射到t
j
时刻的激光雷达坐标系，以完成激光点云的校准。3.如权利要求1或2所述的基于关键特征提取的轻量化激光雷达惯性定位方法，其特征在于，该步骤4包括：通过下式得到t
j
时刻位置状态的估计误差δp
j
：δp
j
＝(J
T
∑
‑1J)
‑1J
T
∑
‑1r(χ
j
)其中包括所有的激光残差l∈激光特征集合由多帧激光点云构成的集台J是相对于p
j
的雅各比矩阵；∑表示权重。δp
j
的误差协方差矩阵为：
这里cov(
·
)表示协方差函数，(J
T
J)为一个3*3的对称矩阵，表示相对于p
j
的雅各比矩阵J的转置乘以其自身，(
·
)
‑1为矩阵求逆计算；以下式作为该分析结果E(
·
)：式中tr(
·
)代表矩阵求迹的运算；该步骤5包括：根据该分析结果E和预设的精度膨胀因子λ和评估标准的上限μ，剔除多个激光雷达特征约束中的低效特征约束，选取使定位结果精度提高的特征约束，作为激光雷达的高效特征约束。4.如权利要求3所述的基于关键特征提取的轻量化激光雷达惯性定位方法，其特征在于，该步骤6包括通过下式，得到该运动平台的定位结果：其中残差r0和其协方差矩阵∑0为预设值，为惯性残差，∑
I
为第一协方差矩阵，为激光惯性残差，∑
L
为第二协方差矩阵，为时刻t
j
帧的激光特征集合，为由多帧激光点云构成的集合。5.如权利要求3所述的基于关键特征提取的轻量化激光雷达惯性定位方法，其特征在于，该步骤4还包括：通过下式确定回环检测时机：这里tr(
·
)代表矩阵求迹的运算，J是残差函数相对于p
j
的雅各比矩阵，包括所有的激光残差和惯性残差Σ为由激光特征协方差矩阵∑
L
和惯性协方差矩阵∑
I
构成的分块对角矩阵；当前时刻如果被判断为是合适的回环检测时机，则通过惯性测量单元已经记录的位移轨迹，判断当前位置是否和历史轨迹存在重合，若重合，则继续进行该步骤3中所述的激光雷达帧间匹配，以获得可用的激光特征约束。6.一种基于关键特征提取的...

【专利技术属性】
技术研发人员：李玮，胡瑜，韩银和，李晓维，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：