一种面向特征稀疏环境的激光雷达鲁棒定位方法技术

本发明专利技术公开了一种面向特征稀疏环境的激光雷达鲁棒定位方法，首先，将激光雷达点云转换为距离图像，其次，构建激光雷达点云超分辨率网络，对下采样后的低分辨率图像进行训练，输出高分辨率图像，接着，将训练好的网络输出的高分辨率图像重新转换为激光雷达点云，最后，基于超分辨率后的激光雷达点云，利用经典的激光雷达点云配准算法进行位置解算。本发明专利技术公开的面向特征稀疏环境的激光雷达鲁棒定位方法，有效克服了激光雷达稀疏性带来的定位不准甚至失效的难题。准甚至失效的难题。准甚至失效的难题。

【技术实现步骤摘要】
一种面向特征稀疏环境的激光雷达鲁棒定位方法


[0001]本专利技术属于激光雷达定位领域，尤其涉及一种面向特征稀疏环境的激光雷达鲁棒定位方法。

技术介绍

[0002]准确的位置信息是智能车、机器人等无人智能体执行路径规划和动态决策的基础。全球导航卫星系统(Global Navigation Satellite System,GNSS)是最为常用的定位手段，并在大多数环境下可以提供可靠的位置信息。然而，在遮挡或者半遮挡环境下，卫星信号要么被阻断，要么经过多次反射后才能到达接收终端，从而导致此类环境下GNSS难以有效提供可靠的位置信息。激光雷达(Light Detection And Ranging,LiDAR)利用激光测距获取周边物体的高精三维位置及强度信息，通过迭代最近邻点(Iterative Closest Point，ICP)或者正态分布变换(Normal Distribution Transform，NDT)等经典的激光雷达点云配准技术可以实现获取准确的位置信息，而且在卫星信号受遮挡时依然可以使用，因此成为了卫星失效时一种可靠的定位手段。
[0003]然而，激光雷达线束一般较为稀疏，尤其是在竖直方向上。一般来说，用于定位的机械式激光雷达可以实现360度旋转，因此激光雷达的线束在水平方向上是连续的，其水平分辨率较高。但是，机械式激光雷达在竖直方向上的线束是离散的，一般而言，有16线、32线、64线和128线几种规格，因此其竖直分辨率有限，这就会导致在如野外等非结构化的特征稀疏场景下，难以扫描到可用于定位的特征，进而导致激光雷达定位失准甚至失效。但如果依靠增加激光雷达的线束来提高竖直分辨率，那会带来沉重的硬件成本负担。此外，现有的利用深度学习算法来丰富激光雷达线束的方法，也就是激光雷达线束的超分辨率方法，还不能很好捕捉不同尺度特征之间的关系，而不同尺度的特征对超分辨率任务而言比较重要。

技术实现思路

[0004]本专利技术提出了一种面向特征稀疏环境的激光雷达鲁棒定位方法，具体特征如下：(1)成本压缩。本专利技术利用深度学习网络提高激光雷达的分辨率，而不是升级激光雷达的硬件配置，无需额外负担昂贵的硬件成本；(2)可靠性高。本专利技术的激光雷达点云超分辨率网络，更好的融合了不同尺度的特征，更加有利于点云数据的丰富。基于丰富后的激光雷达点云，利用激光雷达点云配准算法进行定位，从而实现特征稀疏环境下的激光雷达鲁棒定位。
[0005]本专利技术首先，将激光雷达点云转换为距离图像，其次，构建激光雷达点云超分辨率网络，对下采样后的低分辨率图像进行训练，输出高分辨率图像，接着，将训练好的网络输出的高分辨率图像重新转换为激光雷达点云，最后，基于超分辨率后的激光雷达点云，利用经典的激光雷达点云配准算法进行位置解算。
[0006]下面对本专利技术的思路做进一步说明：
[0007]步骤一：将激光雷达点云转换为距离图像
[0008]激光雷达点云是一种三维数据结构，包含了扫描对象的三维位置及强度信息。距离图像是一种二维数据结构，其横坐标和纵坐标根据激光雷达传感器的参数确定，图像中的像素点则是点云的距离信息。本专利技术中，首先将激光雷达点云转换为距离图像，记其分辨率为(m,n)，即图像的宽为m，高为n。具体的转换过程是比较通用的算法，详见参考文献(D.Kong,X.Li,Y.Hu,Q.Xu,A.Wang and W.Hu,Learning a Novel LiDAR Submap
‑
Based Observation Model for Global Positioning in Long
‑
Term Changing Environments[J].IEEE Transactions on Industrial Electronics,2023,70(3),3147
‑
3157.)。
[0009]步骤二：生成网络输入
[0010]基于步骤一生成的距离图像，利用常规下采样的方式将图像的分辨率变为(m,n/l)，即宽不变，高变为原来的1/l。下采样后的低分辨率距离图像作为后续步骤中设计的网络的输入，原来的距离图像作为网络训练的真值，l即为网络实现的超分辨率倍数。
[0011]步骤三：构建激光雷达点云超分辨率网络
[0012]本专利技术的激光雷达点云超分辨率网络主要由特征提取编码器模块、特征提取解码器模块和多尺度特征融合模块构成。其中，输入的低分辨率图像先经过常规上采样恢复成高分辨率图像，再经过一个卷积块扩张通道数，卷积块由一个卷积层(Convolution，Conv)、一个批归一化层(Batch Normalization，BN)和一个激活层组成，其中，卷积层采用了空洞卷积用于扩大感受野，空洞卷积的的卷积核大小为3
×
3，扩张率为2，填充为2，步长为1。接着，再经过编码器模块提取特征，编码器模块中每层所提取的特征会整合到一起，输入到多尺度特征融合模块，多尺度特征融合模块挖掘不同尺度特征的关系后，将其输出送到编码器模块，恢复成高分辨率图像。同时，编码器模块中每层所提取的特征也将会通过跨层连接输入到解码器模块中对应的层。
[0013]子步骤一：构建特征提取编码器模块
[0014]特征提取编码器模块主要包括四层，每一层都先后由一个平均池化层(Average Pooling)，一个Dropout层和两个卷积块组成，每个卷积块由一个卷积层(Convolution，Conv)、一个批归一化层(Batch Normalization，BN)和一个激活层组成。编码器模块中激活层采用了线性整流函数(Rectified Linear Unit,ReLU)。本专利技术中，Dropout率设置为0.25，卷积层则采用了空洞卷积用于扩大感受野，空洞卷积的的卷积核大小为3
×
3，扩张率为2，填充为2，步长为1，池化层采样尺寸为2
×
2，步长为2。
[0015]子步骤二：构建多尺度特征融合模块
[0016]子步骤一中的编码器模块每一层都会输出特征，将每一层输出的不同尺度特征整合到一起，送入多尺度特征融合模块。编码器模块形成的多尺度特征，首先将其分解成大小相同的图像块(patch)，并对patch进行位置编码。接着输入到多尺度特征融合模块的编码层，编码层先后由Norm层，多头注意力机制层(Multi
‑
HeadAttention)，Norm层以及多层感知机(Multilayer Perceptron，MLP)组成，用于捕捉输入的多尺度特征之间的联系。本专利技术中的多尺度特征融合模块的编码层数设置为6。
[0017]子步骤三：构建特征提取解码器模块
[0018]特征提取编码器模块主要包括四层，每一层都先后由一个Dropout层，一个转置卷积(Transpose Convolution)层和两个卷积块组成，每个卷积块由两个卷积层(Convolution，Conv)、一个批归一化层(Batch No本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向特征稀疏环境的激光雷达鲁棒定位方法，其特征在于，首先，将激光雷达点云转换为距离图像，其次，构建激光雷达点云超分辨率网络，对下采样后的低分辨率图像进行训练，输出高分辨率图像，接着，将训练好的网络输出的高分辨率图像重新转换为激光雷达点云，最后，基于超分辨率后的激光雷达点云，利用经典的激光雷达点云配准算法进行位置解算，具体步骤包括：步骤一：将激光雷达点云转换为距离图像激光雷达点云是一种三维数据结构，包含了扫描对象的三维位置及强度信息，距离图像是一种二维数据结构，其横坐标和纵坐标根据激光雷达传感器的参数确定，图像中的像素点则是点云的距离信息；首先将激光雷达点云转换为距离图像，记其分辨率为(m,n)，即图像的宽为m，高为n；步骤二：生成网络输入基于步骤一生成的距离图像，利用常规下采样的方式将图像的分辨率变为(m,n/l)，即宽不变，高变为原来的1/l，下采样后的低分辨率距离图像作为后续步骤中设计的网络的输入，原来的距离图像作为网络训练的真值，l即为网络实现的超分辨率倍数；步骤三：构建激光雷达点云超分辨率网络激光雷达点云超分辨率网络由特征提取编码器模块、特征提取解码器模块和多尺度特征融合模块构成，其中，输入的低分辨率图像先经过常规上采样恢复成高分辨率图像，再经过两个卷积块扩张通道数，卷积块由一个卷积层、一个批归一化层和一个激活层组成，其中，卷积层采用了空洞卷积用于扩大感受野，空洞卷积的的卷积核大小为3
×
3，扩张率为2，填充为2，步长为1，接着，再经过编码器模块提取特征，编码器模块中每层所提取的特征会整合到一起，输入到多尺度特征融合模块，多尺度特征融合模块挖掘不同尺度特征的关系后，将其输出送到编码器模块，恢复成高分辨率图像，同时，编码器模块中每层所提取的特征也将会通过跨层连接输入到解码器模块中对应的层；子步骤一：构建特征提取编码器模块特征提取编码器模块包括四层，每一层都先后由一个平均池化层，一个Dropout层和两个卷积块组成，...

【专利技术属性】
技术研发人员：李旭，胡悦，徐启敏，
申请(专利权)人：东南大学，
类型：发明
国别省市：