港口高精激光点云地图构建方法及装置制造方法及图纸

本申请公开了一种港口高精激光点云地图构建方法及装置，构建IMU预积分因子、激光里程计因子和闭环因子，在定期以INS因子修正激光里程计因子的情况下利用因子图优化得到机器人的全局一致的位姿。本申请的优势在于，在IMU预积分和INS值之间构建初值数据以形成激光里程计因子，可以很好的规避系统失败的风险；结合深度学习，剔除动态物体，可以很好的减少动态物体的干扰，提升匹配稳定性和精度；不稳定的近地特征点的剔除，在特征不丰富的长走廊环境下，可以很好的提升匹配的稳定性，从而构建能够适应港口特性、鲁棒的应对特征缺失、长走廊环境、GPS多径效应、环境变化等场景，形成高精度激光点云地图。精度激光点云地图。精度激光点云地图。

【技术实现步骤摘要】
港口高精激光点云地图构建方法及装置


[0001]本申请涉及激光地图构建
，尤其涉及一种港口高精激光点云地图构建方法及装置。

技术介绍

[0002]目前，构建激光点云地图，有比较多的开源方案，比如比较代表性的cartographer、loam、lego
‑
loam、lio
‑
sam等。在港口这种户外大场景下，lio
‑
sam综合表现相对较好些。下图1为lio
‑
sam流程图，它采用一种紧耦合激光
‑
惯性里程计方法，通过优化包含激光雷达里程计因子，IMU预积分因子，GPS因子和回环因子来得到机器人的全局一致的位姿。
[0003]a)IMU预积分因子，由两个相邻关键帧之间的IMU测量积分得到。
[0004]b)激光里程计因子，由每个关键帧和之前n个关键帧之间的帧图匹配结果得到。
[0005]c)GPS因子，由关键帧时刻的GPS值得到。
[0006]d)回环因子，由关键帧和候选回环关键帧的时序相邻的2m+1个关键帧之间的帧图匹配得到。
[0007]但是由于港口的特殊性，比如有些地方空空荡荡缺少特征，有些地方又是整整齐齐堆满货箱的长走廊不利环境，会导致激光里程计因子出错；场桥、岸桥、过高的集装箱等金属物遮挡导致GPS多经效应，会导致GPS因子误差大；作业车辆众多导致环境动态变化很大，会导致激光里程计因子误差大，甚至出错。所有这些导致lio
‑
sam并不能很好的胜任港口环境，会在上述区域出现漂移、跳变等问题，精度达不到使用的要求。
[0008]这里之所以精度达不到，具体的主要缺陷在于：
[0009]1.激光里程计因子，IMU因子相互依赖。当一个地方因为特征缺失、不利，导致激光匹配误差过大，会导致IMU预积分误差变大，而IMU预积分又是激光匹配的初值，误差过大的初值会导致激光匹配错误。一方的错误会导致两者都失效，进而系统发生漂移，缺少鲁棒性。
[0010]2.对GPS质量的判断不够严谨，无法判断出GPS多经效应，会导致误差较大的GPS因子加入，从未降低地图精度。
[0011]3.对变化的环境适应性不强，当周边变化物体比较多的时候，激光里程计因子容易失效。

技术实现思路

[0012]为了解决上述技术问题，本申请实施例提供一种港口高精激光点云地图构建方法及装置，以克服现有技术中精度不高的问题。
[0013]本申请实施例第一方面提供了一种港口高精激光点云地图构建方法，包括如下步骤：
[0014]S1:实时获取当前帧下的IMU姿态以及INS值形成初值数据，获取当前帧下的激光
雷达数据后提取其中所需要的特征数据；
[0015]S2:基于步骤S1)中所获取的当前帧的初值数据和特征数据，选取关键帧并结合前n帧的特征数据获得当前关键帧的位姿，作为该关键帧的激光里程计因子；
[0016]S3:获取两个相邻的关键帧数据采用预积分方式以构建IMU预积分因子，结合激光里程计因子优化当前IMU的偏差；
[0017]S4:构建闭环因子，每当自动驾驶车辆再次经过之前经过的位置时，提取该位置历史上的所有关键帧作为候选回环关键帧，通过当前关键帧和候选回环关键帧的时序相邻的2m+1个关键帧之间的帧图匹配形成闭环因子；
[0018]S5：不断构建IMU预积分因子和所述步骤S4中的闭环因子，并结合激光里程计因子对当前关键帧的位姿进行修正，利用因子图优化得到全局一致的位姿数据。
[0019]进一步地，所述S1)中的初值数据在获取INS值后，若INS的状态符合要求则将IMU预积分作为初值，若INS的状态不符合要求则将INS值作为初值。
[0020]进一步地，所述S1)中的特征数据包含平面点特征和角点特征。
[0021]进一步地，所述特征数据仅从激光点云中的静态物体点云中获取。
[0022]进一步地，所述静态物体点云通过获取激光点云后利用深度学习环境中的运动物体并得出其所占空间位置，从激光点云中剔除这些运动物体并移除这些运动物体的干扰特征获得。
[0023]进一步地，所述静态物体点云在剔除运动物体的干扰特征后，再次剔除通过拟合方法获得的地面其附近预设范围内的所有角点数据。
[0024]进一步地，所述步骤S5中还包括构建INS因子；所述INS因子基于扩展卡尔曼滤波融合GPS、IMU、车辆里程计的传感器数据构建，每当无人车辆行驶预设距离后，以INS因子替代激光里程计因子进行修正。
[0025]本申请实施例第二方面提供了一种装置，包括用于执行上述任一项所述的方法的部件。
[0026]本申请方法所构建的地图能够适应港口特性，鲁棒的应对特征缺失，长走廊环境，GPS多径效应，环境变化等激光建图挑战场景，形成高精度激光点云地图。
附图说明
[0027]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0028]图1是现有技术的lio
‑
sam方案流程图；
[0029]图2(a)是本申请的方法流程图；
[0030]图2(b)是本申请的方法流程模块化示意图；
[0031]图3是本申请所提供实施例的平面点和角点特征示意图；
[0032]图4是本申请所提供实施例的初值决策模块和特征筛选模块的运作示意图；
[0033]图5(a)是本申请所提供实施例的不稳定角点剔除之前的效果图；
[0034]图5(b)是本申请所提供实施例的不稳定角点剔除之后的效果图；
[0035]图6是本申请所提供实施例的点云地图的一个效果图；
[0036]图7是现有技术的lio
‑
sam方案的点云地图的一个效果图；
[0037]图8是现有技术的lio
‑
sam方案的点云地图的另一个效果图；
[0038]图9是本申请所提供实施例的点云地图的第二个效果图。
具体实施方式
[0039]为使得本申请的申请目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
[0040]下面结合附图和具体实施例，进一步阐明本专利技术。
[0041]在本申请的描述中，需要理解的是，术语“上”、“下”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种港口高精激光点云地图构建方法，其特征在于，包括如下步骤：S1:实时获取当前帧下的IMU姿态以及INS值形成初值数据，获取当前帧下的激光雷达数据后提取其中所需要的特征数据；S2:基于步骤S1)中所获取的当前帧的初值数据和特征数据，选取关键帧并结合前n帧的特征数据获得当前关键帧的位姿，作为该关键帧的激光里程计因子；S3:获取两个相邻的关键帧数据采用预积分方式以构建IMU预积分因子，结合激光里程计因子优化当前IMU的偏差；S4:构建闭环因子，每当自动驾驶车辆再次经过之前经过的位置时，提取该位置历史上的所有关键帧作为候选回环关键帧，通过当前关键帧和候选回环关键帧的时序相邻的2m+1个关键帧之间的帧图匹配形成闭环因子；S5：不断构建IMU预积分因子和所述步骤S4中的闭环因子，并结合激光里程计因子对当前关键帧的位姿进行修正，利用因子图优化得到全局一致的位姿数据。2.根据权利要求1所述的港口高精激光点云地图构建方法，其特征在于，所述S1)中的初值数据在获取INS值后，若INS的状态符合要求则将IMU预积分作为初值，若INS的状态不符合要求则将INS值作为初...

【专利技术属性】
技术研发人员：陈亮，何贝，刘鹤云，张岩，
申请(专利权)人：北京斯年智驾科技有限公司，
类型：发明
国别省市：