一种基于深度学习的激光惯性里程计优化方法、系统技术方案

本发明专利技术提出一种基于深度学习的激光惯性里程计优化方法，该方法包括基于深度学习的惯性传感器运动分类与可用度评估、基于深度学习的激光点云可用度评估和基于深度学习的激光惯性里程计优化。其中惯性传感器运动分类与可用度评估，是通过SENet+模型对惯性传感器数据进行运动分类，并基于运动分类结果完成惯性传感器可用度评估；激光点云可用度评估，是通过PointNet++模型对激光点云进行分类分割与可用度评估；激光惯性里程计优化，是基于惯性传感器、激光点云可用度信息，通过MLP模型生成并调整系统整体误差函数中各残差函数权重，提高激光惯导系统在复杂环境下定位建图的鲁棒性。激光惯导系统在复杂环境下定位建图的鲁棒性。激光惯导系统在复杂环境下定位建图的鲁棒性。

【技术实现步骤摘要】
一种基于深度学习的激光惯性里程计优化方法、系统


[0001]本专利技术属于导航定位、深度学习
，特别涉及复杂环境下激光惯导系统的定位优化方法。

技术介绍

[0002]在自主导航技术中，通过SLAM（Simultaneous Localization and Mapping，简称SLAM）实时定位与地图构建技术感知周围环境并完成定位建图，在路径规划等实际应用中起到感知支撑的作用。近年来，激光惯导技术发展迅速，并且展现出比基于单一传感器更高的精度和更强的环境适应性。
[0003]由于激光惯导系统的性能很大程度上依靠激光雷达点云数据的质量，当激光雷达作为定位建图的主要传感器时，如遇到几何上连续重复或结构特征稀疏的场景时，由于缺乏某些方向上的约束，系统在几个自由度上的运动将难以估计，易出现精度退化甚至失效的情况。在单方向结构特征稀疏场景，如长直走廊、桥梁、高速公路等，激光匹配会存在一个方向上的额外自由度，较难预估此方向上的运动；在多方向结构特征稀疏场景，如广场、机场等开阔区域，由于仅使用地面点云进行匹配，缺少四周各个方向的约束，容易造成里程计的漂移与随机变动，对漂移的修正效果变差，长时间的累积存在较大误差。

技术实现思路

[0004]本专利技术所要解决的技术问题是：针对上述现有技术中存在的不足，提供了一种基于深度学习的激光惯性里程计优化方法，以解决适用于复杂环境下激光惯性里程计定位精度的优化问题。
[0005]本专利技术为解决以上技术问题而采用以下技术方案：本专利技术首先提出一种基于深度学习的激光惯性里程计优化方法，具体如下：第一部分，基于深度学习的惯性传感器运动分类与可用度评估，包括如下步骤：步骤a1，对惯性传感器采集到的原始数据进行滤波、降噪和标准化等预处理，减少数据的噪声和干扰，提高数据的可分性。
[0006]采用弱标记数据集对综合运动类型信息进行训练，减少数据标注难度和成本，同时提高模型的泛化能力。
[0007]通过SENet+模型对预处理后的惯性传感器数据进行运动分类，在特征提取的过程中，通过增强特征映射通道间的交互信息，由注意力机制模块放大其中较为突出的活动数据，集中关注对分类任务有用的特征，并忽略对分类任务不重要的特征，最后滤除背景信息中不相关的干扰噪声，实现对惯性传感器信息样本较高精度的运动分类。
[0008]相较于传统CNN模型，SENet+模型通过添加自注意力机制，对不同时间步之间的特征进行加权，提高对重要时间步的关注程度，对惯性传感器信息中的时间序列信号进行分类，有效提高运动分类精度。
[0009]步骤a2，通过ResNet
‑
GRU混合模型对预处理后的惯性传感器数据进行可用度评
估，在运动分类信息的基础上，基于不同运动状态分别评估惯性传感器信息的精度和稳定性，通过捕捉惯性传感器数据中的局部相关特征，学习并提取输入数据中隐含的运动特征信息，同时进一步挖掘惯性数据的时序特征，完成惯性传感器在不同运动状态下数据精度及稳定性的评估。
[0010]第二部分，基于深度学习的激光点云可用度评估，包括如下步骤：对激光雷达采集到的原始数据进行滤波、降噪和标准化等预处理，减少数据的噪声和干扰，提高数据的可用度。
[0011]采用PointNet++模型对预处理后的激光点云数据进行处理，通过多分辨率特征学习方法捕获点云中的不同尺度的特征，并通过可变形卷积模块对点云进行局部区域建模，优化局部特征提取效果，最后由特征池化方法对全局特征进行聚合，完成对整个点云的分类分割，根据分类分割结果及全局特征分布情况完成对激光点云的可用度评估。
[0012]相较于PointNet，PointNet++通过层次聚合方法，提高模型的分类分割性能，方便模型处理更复杂的点云数据。同时因其操作全部基于点集执行，可以处理任意数量的点，不需要进行网格化或体素化。
[0013]第三部分，所述基于深度学习的激光惯性里程计优化包括如下步骤：步骤c1，激光特征残差函数构建通过激光点云曲率计算结果提取激光点云中的特征点，根据曲率大小对特征点进行筛选，其中曲率大的为角特征点，曲率小的为面特征点。
[0014]将角特征点在不同线束的点云中选取最近一点构成线特征，面特征点从相同线束和不同线束的点云中各选取最近的一点构成面特征。
[0015]通过计算当前帧点云中的角特征点到上一帧点云线特征直线的距离构成线约束。通过计算当前帧点云中的面特征点到上一帧点云的面特征平面的距离构成面约束。
[0016]步骤c2，惯性传感器预积分残差函数构建对当前帧与上一帧间惯性传感器的状态进行积分，获取世界坐标系下的当前帧姿态、速度和位置；
[0017]通过公式，将状态转移公式转化为预积分模型公式。
[0018]通过对当前帧与上一帧间状态进行约束，构建惯性传感器预积分残差函数。
[0019]步骤c3，系统整体误差函数构建基于上述方法获取到的惯性传感器、激光点云可用度信息，通过MLP模型生成并调整系统整体位姿误差函数中各残差函数权重。
[0020]将激光线特征残差函数、激光面特征残差函数、惯性传感器预积分残差函数分别加入由上述方法获取到的各残差函数对应权重，构建系统整体位姿误差函数，其数学表达式如下：
，通过加入由上述方法获取到的各残差函数对应权重，MLP模型基于惯性传感器、激光点云可用度评估信息，自主调整在不同环境下各残差函数对系统整体位姿误差函数的影响，提高激光惯性里程计在复杂环境下定位的鲁棒性。
[0021]通过非线性最小二乘优化方法获取系统整体位姿误差函数最小时 X 的取值，最终得到系统整体最优位姿估计，完成激光惯性里程计优化。
[0022]同时将优化后的激光惯性里程计定位信息用于点云地图构建，减小点云运动畸变提高点云地图精度，优化激光惯导系统在特征稀疏场景下的建图精度。
[0023]本专利技术采用以上技术方案，相较于现有技术具有以下技术效果：（1）本专利技术基于激光惯导系统中原有的传感器通过深度学习方法优化激光惯性里程计定位鲁棒性，无需额外添加传感器。
[0024]（2）本专利技术通过深度学习方法对惯性传感器、激光点云进行可用度评估，基于可用度评估结果调整系统整体位姿误差函数中各残差函数权重，提高复杂环境下激光惯性里程计定位精度。
[0025]（3）本专利技术通过深度学习方法调整系统整体位姿误差函数中各残差函数权重，可扩展性强，可以适用于多种多传感器信息融合定位建图系统在复杂环境下的定位优化。
附图说明
[0026]图1为本专利技术提供的一种基于深度学习的激光惯性里程计优化方法流程图。
[0027]图2为本专利技术提供的一种系统整体位姿误差函数构建优化方法流程图。
实施方式
[0028]下面结合附图和具体实施方式对本专利技术做更进一步的具体说明，应当理解，此处所描述的具体实施例仅用于解释本专利技术，并不用于限制本专利技术的范围。
[0029]本专利技术提供了一种基于深度学习的激光惯性里程计优化方法，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的激光惯性里程计优化方法，其特征在于，包括：S1、对惯性传感器数据进行运动分类，并基于运动分类结果完成惯性传感器可用度评估；S2、基于深度学习对激光点云进行分类分割与可用度评估，具体是：采用PointNet++模型对预处理后的激光点云数据进行处理，通过多分辨率特征学习方法捕获点云数据中的不同尺度的特征，并通过可变形卷积模块对点云数据进行局部区域建模；然后由特征池化方法对全局特征进行聚合，对整个点云进行分类分割，根据分类分割结果及全局特征分布情况完成对激光点云的可用度评估；S3、基于惯性传感器、激光点云可用度信息，通过MLP模型生成并调整系统整体误差函数中各残差函数权重，获取系统整体位姿误差函数最小时的取值，最终得到系统整体最优位姿估计，完成激光惯性里程计优化。2.根据权利要求1所述的一种基于深度学习的激光惯性里程计优化方法，其特征在于，步骤S1是通过SENet+模型对预处理后的惯性传感器数据进行运动分类，在特征提取的过程中，通过增强特征映射通道间的交互信息，由注意力机制模块放大其中相对突出的活动数据，滤除背景信息中不相关的干扰噪声，实现对惯性传感器信息样本的运动分类。3.根据权利要求2所述的一种基于深度学习的激光惯性里程计优化方法，其特征在于，采用SENet+模型进行运动分类的具体过程如下：首先，通过压缩操作，采用全局平均池化方法将一个通道上的所有空间特征编码获取其全局描述特征，其数学表达式如下：，其中为通道平均值，为计算平均值函数，和分别为图像的高度和宽度，为图像中第行第列像素在通道上的值；然后，通过激活操作抓取各通道间非线性关系，其数学表达式如下：，其中，表示学习到的激励向量，其维度与输入特征图的通道数相同，表示Sigmoid激活函数，表示ReLU激活函数，表示输入特征图，、分别是两个全连接层的权重矩阵；输出权重即为每个特征通道的重要程度，并将各权重逐通道加权到先前的特征上，在通道维度上完成对原始特征的重标定，该过程数学表达式如下：，其中为输入特征图中的通道，为特征图和标量之间的通
道乘法，为该通道上的所有像素值，为该通道的缩放因子。4. 根据权利要求2所述的一种基于深度学习的激光惯性里程计优化方法，其特征在于，步骤S1是通过ResNet
‑
GRU混合模型对预处理后的惯性传感器数据进行可用度评估，具体为：在运动分类信息的基础上，基于不同运动状态分别评估惯性传感器信息的精度和稳定性，通过ResNet 网络捕捉惯性传感器数据中的局部相关特征，学习并提取输入数据中隐含的运动特征信息，同时GRU神经网络通过接收ResNet网络的特征片段，进一步挖掘惯性数据的时序特征，并将模型提取到的特征全部输入到全连接层中，完成惯性传感器在不同运动状态下数据精度及稳定性的评估。5.根据权利要求4所述的一种基于深度学习的激光惯性里程计优化方法，其特征在于，ResNet网络核心为跨层连接，网络输出的表达式如下：，其中，为输入，为残差映射函数，为输入到输出的残差映射；当输入与输入到输出的残差映射间通道维度相同时，在同一通道的同一位置将数值直接相加，当维度不同时，通过线性映射完成匹配。6.根据权利要求5所述的一种基于深度学习的激光惯性里程计优化方法，其特征在于，ResNet网络为ResNet50，由一个卷积层、十六个三层结构结构块及一个全连接层组成；GRU神经网络的核心模块为更新门和重置门，更新门决定上一时刻的状态变量被带入当前状态的程度，重置门控制上一时刻的信息被写入当前候选集的量，其前向传播表达式如下：，其中，为输入向量，为上一时刻记忆状态变量，为当前时刻记忆状态变量，为重置门状态，为更新门状态，为当前候选集状态，为当前时刻输出向量，分别表示重置门、更新门、候选集、输出向量的权重参数，sigmoid函数为重置门与更新门的激活函数，tanh函数为记忆门的激活函数。7.根据权利要求3所述的一种基于深度学习的激光惯性里程计优化方法，其特征在于，步骤S2中，所述采用PointNet++模型对预处理后的激光点云数据进行处理，通...

【专利技术属性】
技术研发人员：赵家琦，钱伟行，蔡云飘，董家宜，庄杰飞，仇筱，杜晓玲，张添一，李超，陈希康，
申请(专利权)人：南京师范大学，
类型：发明
国别省市：