一种应用于动态环境的激光SLAM系统及方法技术方案

本发明专利技术属于移动机器人自主定位领域，提供了一种应用于动态环境的激光SLAM系统及方法，采集机器人当前所在位置的周围环境信息，得到当前环境的三维点云数据；对当前环境的三维点云数据进行球面投影，生成规则的顶点图；基于规则的顶点图，利用预先训练好的激光SLAM模型进行位姿估计和地图构建；本发明专利技术解决现有技术中的不足，即环境中动态物体的存在会破坏SLAM的静态环境假设、激光里程计环节对深度学习的表的能力应用不充分，只简单地利用深度学习方法增加语义约束、闭环检测环节没有关注到场景中不同物体间的拓扑关系、在运动物体剔除方法中应用全类别语义分割造成信息浪费，增加无用人工标记成本和动态物体分割不完整等问题。人工标记成本和动态物体分割不完整等问题。人工标记成本和动态物体分割不完整等问题。

【技术实现步骤摘要】
一种应用于动态环境的激光SLAM系统及方法


[0001]本专利技术属于移动机器人自主定位
，具体涉及一种应用于动态环境的激光SLAM系统及方法。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]移动机器人的自我运动估计，是机器人自主导航的重要前提，随着科技的进步和机器人技术的发展，移动机器人的实时定位正受到越来越多的关注和研究。机器人在未知环境中要实现自主导航首先要解决三个问题：“我在哪？”、“我要去哪？”和“我要怎样去那？”。在这三个问题中“我在哪？”是基础，它是后续任务能够顺利完成的前提。“我在哪？”解决的是机器人在未知环境中的定位问题，同时定位与建图(Simultaneous Localization and Mapping,SLAM)技术是近些年来用于解决自主定位问题的主流方式。激光SLAM以激光雷达点云为输入，分辨率高、抗干扰能力强、不受光照条件影响，可以全天候完成定位与建图任务，同时随着光学技术的累计和创新激光雷达的尺寸、重量和价格不断降低，激光雷达另一个重要的优势是可以直接获得环境中物体的深度值，克服了单目相机的尺度不确定性问题，因此利用激光雷达完成机器人的运动估计在无人驾驶汽车和室内外机器人定位领域被广泛研究。激光里程计作为激光SLAM的前端，对整个SLAM系统的定位精度有着重要的影响，因此是近年来SLAM领域最为活跃的研究方向之一。
[0004]在现有的利用激光雷达进行机器人位置估计的方法中，最常见的是基于模型的迭代匹配方法。迭代最近点(ICP)及其各种变体，通过最小化连续激光雷达扫描中最近点的距离来求解他们间的最佳相对平移和旋转例如经典的激光里程计LiDAR Odometry And Mapping(LOAM)是执行点特征到边缘和点特征到平面的扫描匹配，通过高低频两个模块并行实现了里程计的低漂移和低计算复杂度。LEGO
‑
LOAM提出了一种轻量级和地面优化的SLAM算法，在降低计算成本的情况下实现了相似的精度。LiTAMIN通过Frobenius范数和正则化协方差矩阵对成本函数进行归一化提高了ICP的计算效率。
[0005]近年来随着深度学习的发展，基于学习的激光SLAM方法逐渐开始流行。SLOAM使用语义分割检测树干和地面，然后分别建模，提出了一种基于语义特征的位姿优化方法，在森林环境中取得了优于传统方法的结果。DMLO在里程计框架中实施几何约束，将位姿估计分解成两部分：基于学习的匹配网络部分和基于奇异值分解的刚性变换估计部分，实验结果表明，该方法与传统的激光雷达里程计方法性能相当。Delora是通过自监督方式训练激光雷达里程计网络，其利用点云的2D图像表示作为网络输入，并使用类似SUMA的几何损失约束网络训练，自监督训练方式不需要真实位姿标签，适用于难以获得真实轨迹位姿情况。
[0006]以上都是基于静态环境假设提出的SLAM方法，但是在实际应用时环境中难免存在移动物体。Lo
‑
net是一种端到端激光雷达里程计，以连续的两帧点云为输入，直接输出相对位姿，通过设计一个掩码网络，用来补偿场景中的动态对象，使该方法在动态环境中仍能保
持较高的位姿估计精度。S
‑
ALOAM将语义信息集成到LOAM中，在动态点剔除阶段，特征选择阶段和对应点搜寻阶段使用逐点语义标签进行优化，提高了原始LOAM的定位精度。SUMA++在SUMA基础上结合语义信息约束投影匹配，根据当前时刻的观测与世界模型的语义一致性能够可靠的过滤掉场景中的运动对象，语义分割还会为整个扫描生成逐点标签，从而使SUMA++能够构建带有语义信息的环境地图。
[0007]Deeplo以顶点图和法线图作为网络的输入回归两个连续帧之间的位姿，使用了基于ICP的无监督损失和基于视场的监督损失函数，因此可以用监督或非监督的方式训练框架。在里程计网络结构上使用vertex net和feature net分别提取顶点图和法线图特征然后送入Pose net进行特征拼结输出表示旋转的四元数q和表示平移的向量t，该网络在测试阶段仍需要法线图输入，在计算开销具有额外消耗。
[0008]Delora在训练使用顶点图和离线计算的法线图，测试阶段使用顶点图为输入，在损失函数上使用了点
‑
面和面
‑
面损失，忽略没有法向量的点的影响。在法线计算上使用主成分分析法进行求解。在特征提取网络部分由8个残差块组成，输出512
×
H/4
×
W/32特征图，特征图经过自适应全剧平均池化后转换成512维特征向量，经过全连接层进一步进行特征融合之后特征分别送入表示旋转的全连接层和表示平移的全连接层输出平移和旋转表示。该方法在平移和旋转预测中使用单层全连接层，特征表示不够充分。
[0009]SUMA++将原始点云投影成顶点图和法线图，对顶点图进行语义分割生成语义图，以顶点图、法线图、语义图为输入改进传统ICP点云配准方法，增加语义约束信息，构建语义ICP。通过语义分割使得到的面元(surfel)带有语义标签，利用语义标签可以同时完成动态物体去除和构建语义约束优化里程计精度。在运动物体检测上使用滤波方法根据物体在同一位置出现的概率进行检测，检测出运动物体后进行剔除，在语义约束上把语义信息加入ICP的数据关联中，在配准时要求欧氏距离和语义信息均尽量接近。
[0010]传统基于模型的激光SLAM方法是基于静态环境假设构建的，当环境中存在动态物体时，其定位和建图精度会降低，因为动态物体的存在会使空间结构多样化且不固定，导致点云配准精度下降。然而现实生活中的大多数场景都包含动态物体，如何避免或减少动态物体对SLAM定位和建图的影响是SLAM算法应用时需要解决的一个难题。
[0011]当前基于学习的动态激光SLAM算法在里程计阶段使用深度学习方式增加里程计约束，例如语义约束，但总体的点云配准还是基于模型的方式，这没有充分利用深度学习强大的表达能力构建基于学习的激光里程计网络。
[0012]目前大多数基于激光雷达的闭环检测方法都是基于局部或全局描述符来提取三维点云的特征。关键点特征这类局部描述符在噪声和环境微小变化时容易发生退化，而大多数全局描述符对视点变化、遮挡和动态场景不具有鲁棒性，因为这些方法本身无法捕获场景中不同物体之间的拓扑关系，这些高层次的辅助信息可以用来区分具有相似结构的不同场景，对于大规模动态场景中静态结构信息的提取具有重要意义，对构建鲁棒的和有区别的表征至关重要。
[0013]针对动态物体识别与分割方法，现有的SLAM方法是结合点云语义分割将点云进行全类别分割，然后再根据不同的运动物体检测策略进行类别剔除，但在后续SLAM定位环节并没有应用所有物体的语义类别，只利用先验语义信息结合动态点判别方法进行动态物体剔除。因此在点云语义分割阶段只需进行二分类操作即将环境中的点云分割成静态和动态
两种类别就能够保证SLAM算法正常运行，同时也可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于动态环境的激光SLAM方法，其特征在于，包括：采集机器人当前所在位置的周围环境信息，得到当前环境的三维点云数据；对当前环境的三维点云数据进行球面投影，生成规则的顶点图；基于规则的顶点图，利用预先训练好的激光SLAM模型进行位姿估计和地图构建；其中，激光SLAM模型包括：动态物体剔除网络模型，对规则的顶点图剔除动态物体，得到不含动态物体的顶点图；自监督里程计网络模型，基于不含动态物体的顶点图完成帧间估计；闭环检测网络模型，判断机器人是否访问过当前位置，如果检测到回环信息，则将回环信息传送给后端优化模块；后端优化模块，对回环信息进行优化，得到优化后的位姿；地图构建模块，根据优化后的位姿以及规则的顶点图构建静态环境地图。2.如权利要求1所述的一种应用于动态环境的激光SLAM方法，其特征在于，所述对当前环境的三维点云数据进行球面投影，生成规则的顶点图，包括：基于当前环境的三维点云数据，生成规则的顶点图；分别存储对点的(x,y,z)值；将不规则的点云存储方式转换成规则的图像存储方式；投影公式如下：其中，w和h是投影产生的顶点图V
D
的宽和高，r是每个点p的距离值f＝f
up
+f
down
是传感器的垂直视场；u和v是点云中的一个点(x,y,z)在投影生成的顶点图中对应的像素坐标。3.如权利要求1所述的一种应用于动态环境的激光SLAM方法，其特征在于，所述动态物体剔除网络模型，包括：上下文模块，由三个卷积层构成，其中下一层的输入为上一层的输出，最终上下文模块的输出为第一层卷积层的输出加第三层卷积层的输出；注意力扩张卷积模块，由五个卷积层和注意力模块CBAM构成，其中，第二、三、四层的输入为上一层的输出，第五层的输入为第二、三、四层的输出按通道拼接后经过CBAM模块对不同通道和相同通道上的不同特征赋予不同权重的带权值的特征图，最后注意力扩张卷积模块的输出为第一层卷积层的输出加第五层卷积层的输出；扩张卷积模块，由四个卷积层构成，其中，第、二、三层的输入为上一层的输出，第四层的输入为第一、二、三层的输出按通道拼接后的特征图；卷积模块，由一个卷积层构成，该模块的输出通道数为语义分割类别数。4.如权利要求3所述的一种应用于动态环境的激光SLAM方法，其特征在于，所述动态物体剔除网络模型的训练，包括：以相邻帧间位姿变换矩阵和基于规则的顶点图为输入，生成残差图；
以动态物体剔除网络损失函数为约束，进行运动物体剔除网络模型的训练；训练阶段的真实标签根据SemanticKITTI的真实语义分割类别修改为二进制动态和静态标签，实际移动的车辆和行人作为动态物体，其余所有类别归为静态物体；在完成网络训练后，保存训练权重文件。5.如权利要求1所述的一种应用于动态环境的激光SLAM方法，其特征在于，所述自监督里程计网络模型，包括一个特征提取网络和一个6自由度位姿...

【专利技术属性】
技术研发人员：袁宪锋，傅旭，张承进，孙自豪，宋勇，许庆阳，周风余，庞豹，
申请(专利权)人：山东大学，
类型：发明
国别省市：