基于制造技术

本发明专利技术属于信息定位技术领域，公开了基于

【技术实现步骤摘要】
基于2D激光雷达与LightGBM的室外定位与构图方法及系统


[0001]本专利技术属于信息定位
，尤其涉及基于
2D
激光雷达与
LightGBM
的室外定位与构图方法及系统
。

技术介绍

[0002]随着机器人技术的飞速发展，越来越多的科技产品如无人车
、
无人机等开始走进人们的生活，而其中实现各类移动机器人智能化的一项重要技术就是定位
。
在实际应用中，移动机器人在面对复杂场景，如光照变换
、
动态障碍物多时，容易导致跟踪失败，进而影响移动机器人的定位与建图过程
。
因而复杂环境下的同步定位与建图
(Simultaneous Localization and Mapping,SLAM)
是当前移动机器人研究的热点与重要方向
。
[0003]GBDT (Gradient Boosting Decision Tree)
是深度学习中一个长盛不衰的模型，其主要思想是利用决策树迭代训练以得到最优模型，该模型具有训练效果好
、
不易过拟合等优点
。GBDT
不仅在工业界应用广泛，通常被用于多分类
、
点击率预测
、
搜索排序等任务
。
而
LightGBM
（
Light Gradient Boosting Machine
）是一个实现
GBDT
算法的框架，支持高效率的并行训练，并且具有更快的训练速度
、
更低的内存消耗
、
更好的准确率
、
支持分布式可以快速处理海量数据等优点
。
缺点在于容易过拟合，并且对噪点比较敏感
。
[0004]回环检测部分的主要任务是检测移动机器人是否经过同一地点
。
正确地检测到回环可以建立当前帧与历史帧间的约束，从而消除来自前端里程计的累积误差，提高全局地图的精度
。
[0005]现有技术研究表明在二维激光雷达中只需要考虑点到线的匹配，在此基础上提出了一种隐式滑动最小二乘
ICP
的回环检测方法，并将其应用到行星车上去
。
同时现有技术针对
2D
激光雷达
SLAM
算法，提出了一种基于视觉词袋信息融合的回环检测方法，并利用
multiscans
‑
to
‑
map
的扫描匹配算法，提升了大尺度环境下回环检测的计算效率
。
再者，现有技术提出基于片段的回环检测方法，将训练好的点云片段加入回环检测，并提出一种空间约束方法，提升回环检测的鲁棒性和准确性
。
还有，现有技术将基于历史轨迹的关键帧加入到回环检测模块，构建了二维激光点云描述子，最后使用
ICP
算法完成对回环帧的筛选
。
[0006]通过上述分析，现有技术存在的问题及缺陷为：现有技术基于滤波器的激光
SLAM
复杂度高且定位精度不高，定位累计误差大，适用性差
。

技术实现思路

[0007]为克服相关技术中存在的问题，本专利技术公开实施例提供了基于
2D
激光雷达与
LightGBM
的室外定位与构图方法及系统
。
[0008]所述技术方案如下：一种基于
2D
激光雷达与
LightGBM
的室外定位与构图方法，包括以下步骤：
S1
，利用
PL
‑
ICP
点云匹配算法进行前端扫描匹配；
S2
，基于
LightGBM
回环检测方法进行回环检测；
S3
，采用时间一致性检验和空间一致性检验结合的验证方式进行回环验证
。
[0009]在步骤
S1
中，
PL
‑
ICP
点云匹配算法包括：在点云集中找到距离点云中的任意点欧氏距离最近的两点与，计算出由点到与连线的垂直距离
。
[0010]进一步，所述
PL
‑
ICP
点云匹配算法改进后的误差方程为：，式中，为求解旋转矩阵和平移向量的结果，为旋转矩阵，为平移矩阵，为平移向量，为垂直于点与连线的法向量，为改进后的旋转矩阵，为点云中点的坐标，为改进后的平移矩阵，为点云中的点云；对误差方程求解出值，使得取最小值；将点云按照进行旋转和平移后得到新的点云，并进行下一步的迭代；当最终的误差小于设定的阈值时，终止迭代并输出，获得两帧点云数据的相对位姿差
。
[0011]在步骤
S2
中，基于
LightGBM
回环检测方法进行回环检测，包括：
S2.1
，点云特征提取：提取旋转不变特征包括区域特征
、
距离特征
、
形状特征与聚类特征；
S2.2
，点云特征分类：基于
LightGBM
扫描计算个旋转不变特征，定义为：，式中，为一类点云特征，为第次激光扫描，为旋转不变特征数量，，为扫描的总次数，为第
i
次扫描时，第
m
种旋转不变特征的值；设两次激光扫描分别为与
l
，分类器的特征集定义为：，式中，为第
k
次激光扫描中的点云特征，为第
l
次激光扫描中的点云特征，为第
m
种旋转不变特征的差值，为第
j
种旋转不变特征的差值，为第
k
次扫描时，第
j
种旋转不变特征的值，为第
l
次扫描时，第
j
种旋转不变特征的值，为从1到实数
m
中的任意实数；对于训练数据，提供一组个带标签的扫描对，表达式为：，式中，为处理后的分类点云特征，为点云横坐标，为点云纵坐标
。
[0012]在步骤
S2.2
中，点云特征分类采用
LightGBM
作为由一系列决策树组成的分类器，首先从初始训练集训练出一个基分类器，然后根据分类误差调整训练样本的分布，使之前错误分类的样本在接下来的步骤中得到关注；再根据更新后的样本分布训练下一个弱分类器；重复以上步骤，直到达到最大迭代，最终的分类器是个弱分类器的加权组合
。
[0013]进一步，回环检测包括：获取当前时刻点云集；点云特征提取；点云特征分类；
闭环验证；匹配得分是否大于设定阈值，若大于，则回环检测成功，若不大于设定阈值，则回环检测失败，返回获取当前时刻点云集步骤
。
[0014]在步骤
S3
中，时间一致性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
2D
激光雷达与
LightGBM
的室外定位与构图方法，其特征在于，该方法包括以下步骤：
S1
，利用
PL
‑
ICP
点云匹配算法进行前端扫描匹配；
S2
，基于
LightGBM
回环检测方法进行回环检测；
S3
，采用时间一致性检验和空间一致性检验结合的验证方式进行回环验证
。2.
根据权利要求1所述的基于
2D
激光雷达与
LightGBM
的室外定位与构图方法，其特征在于，在步骤
S1
中，
PL
‑
ICP
点云匹配算法包括：在点云集中找到距离点云中的任意点欧氏距离最近的两点与，计算出由点到与连线的垂直距离
。3.
根据权利要求2所述的基于
2D
激光雷达与
LightGBM
的室外定位与构图方法，其特征在于，所述
PL
‑
ICP
点云匹配算法改进后的误差方程为：，式中，为求解旋转矩阵和平移向量的结果，为旋转矩阵，为平移矩阵，为平移向量，为垂直于点与连线的法向量，为改进后的旋转矩阵，为点云中点的坐标，为改进后的平移矩阵，为点云中的点云；对误差方程求解出值，使得取最小值；将点云按照进行旋转和平移后得到新的点云，并进行下一步的迭代；当最终的误差小于设定的阈值时，终止迭代并输出，获得两帧点云数据的相对位姿差
。4.
根据权利要求1所述的基于
2D
激光雷达与
LightGBM
的室外定位与构图方法，其特征在于，在步骤
S2
中，基于
LightGBM
回环检测方法进行回环检测，包括：
S2.1
，点云特征提取：提取旋转不变特征包括区域特征
、
距离特征
、
形状特征与聚类特征；
S2.2
，点云特征分类：基于
LightGBM
扫描计算个旋转不变特征，定义为：，式中，为一类点云特征，为第次激光扫描，为旋转不变特征数量，，为扫描的总次数，为第
i
次扫描时，第
m
种旋转不变特征的值；设两次激光扫描分别为与
l
，分类器的特征集定义为：，式中，为第
k
次激光扫描中的点云特征，为第
l
次激光扫描中的点云特征，为第
m
种旋转不变特征的差值，为第
j
种旋转不变特征的差值，为第
k
次扫描时，第
j
种旋转不变特征的值，为第
l
次扫描时，第
j
种旋转不变特征的值，为从1到实数
m
中的任意实数；对于训练数据，提供一组个带标签的扫描对，表达式为：，式中，为处理后的分类点云特征，为点云横坐标，为点云纵坐标
。5.
根据权利要求4所述的基于
2...

【专利技术属性】
技术研发人员：张磊，焦腾飞，李华军，关明京，张中远，陈玉静，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：