一种基于LMB的两阶段SLAM特征点检测标记方法技术

本发明专利技术公开了一种基于LMB的两阶段SLAM特征点检测标记方法，包括以下步骤，根据给定场景信息进行传感器两阶段路径规划、移动传感器建模、根据步骤一所规划的传感器路径以及步骤二对移动传感器的建模，使得传感器在场景内行驶的同时产生量测信息，并使用LMB方法对传感器和特征点进行状态估计、采用B样条曲线对传感器避障路径进行平滑处理，本发明专利技术能够对特征点进行有效的检测和标记。点进行有效的检测和标记。点进行有效的检测和标记。

【技术实现步骤摘要】
一种基于LMB的两阶段SLAM特征点检测标记方法


[0001]本专利技术涉及传感器避障路径
，特别涉及一种基于LMB的两阶段SLAM特征点检测标记方法。

技术介绍

[0002]同时定位与建图(SLAM)是根据移动传感器探测数据(特征点位置、数量等)逐步构建整体环境地图的过程，并在此过程中估计传感器自身位置。定位、建图是与采矿、无人驾驶、自主导航等许多领域相关的状态估计问题。其中，定位是对传感器自身位置的估计，而建图的首要前提是对场景中特征点状态估计。
[0003]在自主导航、无人驾驶领域中至关重要的是估计周围环境中特征点位置。传统的SLAM问题使用RV来描述，其中传感器运动状态采用状态空间形式表示，传感器的位置、特征点位置真实值和量测值都用RV表示。在应用贝叶斯递归或优化之前，将特征点表示为RV，但由于向量内元素顺序改变，向量也会随之改变，这就要求在描述SLAM问题的同时解决一些并行问题，如数据关联、特征提取、杂波过滤以及地标或地图管理等。现存的RV表示方法并不能很好地解决这些问题。

技术实现思路
/>[0004]为了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LMB的两阶段SLAM特征点检测标记方法，其特征在于，包括以下步骤；步骤一：根据给定场景信息进行传感器两阶段路径规划第一阶段为初始路径规划，着眼于全局，此时传感器为行驶模式，按照给定路线正常行驶，对于初始路径规划来说，所有关于场景的信息都是预先知道的,以这些信息为基础进行路径规划，在任意指定的起点和终点之间寻找一条优化路径，使得在传感器行驶过程中，它的探测范围最大限度覆盖整个场景，路径规划的精度取决于环境信息获取的准确度，虽然规划结果是全局的、较优的，但是不够精细，若传感器在运动过程中检测到障碍物，就触发第二阶段局部路径规划，传感器进入避障模式，在此过程中，传感器以初始路径为基础，利用量测信息,对原有路径进行局部更新和调整，实时避开障碍物，成功避开障碍物后，传感器又回到行驶模式，按照初始路径继续行驶；步骤二：移动传感器建模将传感器建模为匀速直线模型(CV)和匀速转弯模型(CT)，传感器在行驶过程中遵循以下动态模型：当传感器沿直线运动时当传感器沿圆弧运动时，观测模型为：观测模型为：其中，x
k+1
表示k+1时刻传感器状态，F
k
、G
k
、L
k
均为增益矩阵，m
k
表示场景中特征点位置，u
k
表示控制量，v
k
、w
k
为k时刻噪声误差，V
v,k
为传感器控制量误差，是位置函数，S表示传感器探测区域，表示以传感器位置为圆心，r
k
为半径的圆形区域，H为量测信息的转移矩阵；步骤三：根据步骤一所规划的传感器路径以及步骤二对移动传感器的建模，使得传感器在场景内行驶的同时产生量测信息，并使用LMB方法对传感器和特征点进行状态估计LMB滤波器可以实现特征点检测标记的要求，首先在特征点状态集中加入标签，X＝
{(x
i
,l
i
)}(i＝1,2,
…
,|X|),x
i
∈X,l
i
∈L，X为特征点状态空间，L为标签空间，|
·
|表示集合的势。LMB RFS可以用参数{(r
(l)
,p
(l)
(
·
),l∈L}表示，这里的r
(l)
∈[0,1]是第l个特征点标签假设位置是真实位置的概率。LMB RFS密度函数如下：RFS密度函数如下：RFS密度函数如下：RFS密度函数如下：其中，π(X)是特征点状态集的密度函数，p表示新生特征点的概率密度。X是标签集合，Δ(X)是离散标签指示器；是标签集，r是新生特征点的出生概率，是加权系数并依赖...

【专利技术属性】
技术研发人员：刘伟峰，杨嘉慧，
申请(专利权)人：陕西科技大学，
类型：发明
国别省市：