基于孪生特征金字塔和地面分割的激光雷达里程计方法技术

本发明专利技术提供一种基于孪生特征金字塔和地面分割的激光雷达里程计方法，属于计算机视觉技术领域

【技术实现步骤摘要】
基于孪生特征金字塔和地面分割的激光雷达里程计方法


[0001]本专利技术涉及计算机视觉
，特别是指一种基于孪生特征金字塔和地面分割的激光雷达里程计方法
。

技术介绍

[0002]同时定位与建图
(SLAM)
是移动机器人研究领域的关键技术之一
。
经典的
SLAM
系统通常包括传感器数据读取
、
前端里程计
、
后端优化
、
回环检测
、
建图等五个部分
。
里程计作为
SLAM
系统中的重要步骤之一，其任务是利用传感器采集到的数据估计机器人的运动轨迹
。
基于视觉和基于激光雷达的里程计方法较为常见
。
基于视觉的里程计方法容易受到光照
、
天气等因素的影响较大，导致位姿估计精度较低，而激光雷达能够直接获取机器人周身
360
°
的环境深度信息，这使得基于激光雷达的里程计在许多应用场景中更具有鲁棒性
。

技术实现思路

[0003]本专利技术实施例提供了基于孪生特征金字塔和地面分割的激光雷达里程计方法，能够提高基于激光雷达进行位姿估计任务的精度
。
所述技术方案如下：
[0004]一方面，提供了一种基于孪生特征金字塔和地面分割的激光雷达里程计方法，该方法应用于电子设备，该方法包括：
[0005]对激光雷达原始三维点云数据进行预处理，去除地面点，得到由非地面点组成的训练帧点云；
[0006]构建基于孪生特征金字塔和分层优化的位姿估计网络，用于输出输入的每对相邻训练帧点云之间的位姿变换；
[0007]根据位姿估计网络输出的每对相邻训练帧点云之间的位姿变换，计算位姿回归误差损失函数值，基于得到的位姿回归误差损失函数值，训练所述位姿估计网络；
[0008]利用训练好的位姿估计网络预测待估计的激光雷达点云序列中每一帧点云对应的激光雷达位姿
。
[0009]进一步地，所述对激光雷达原始三维点云数据进行预处理，去除地面点，得到由非地面点组成的训练帧点云包括：
[0010]使用地面分割算法对激光雷达原始三维点云数据进行预处理，去除地面点，得到由非地面点组成的训练帧点云；
[0011]其中，所述地面分割算法由点云全景分割网络
Cylinder3D
实现，相邻的两帧点云
PC
t
‑1和
PC
t
分别输入
Cylinder3D
，
Cylinder3D
输出逐点的分割标签，分为地面点与非地面点两类，并剔除点云中的非地面点，得到由非地面点组成的训练帧点云
PC
′
t
‑1和
PC
′
t
，其中，
PC
′
t
‑1和
PC
′
t
分别表示经过地面分割预处理后的第
t
‑1帧和第
t
帧点云
。
[0012]进一步地，所述位姿估计网络包括：孪生特征金字塔
、
场景流融合编码模块和位姿分层优化模块；
[0013]所述孪生特征金字塔，用于对经过地面分割预处理后的点云
PC
′
t
‑1和
PC
′
t
进行编
码，得到特征向量
f
t
‑1和
f
t
；其中，
f
t
‑1和
f
t
分别表示第
t
‑1帧和第
t
帧的点云
PC
′
t
‑1和
PC
′
t
经过孪生特征金字塔输出得到的特征向量；
[0014]所述场景流融合编码模块，用于关联孪生特征金字塔编码得到的特征向量
f
t
‑1和
f
t
，并联合几何和语义特征，预测初始相对位姿估计；
[0015]所述位姿分层优化模块，用于增量式地优化初始相对位姿估计，通过关注不同尺度下点云特征信息的变化，进行位姿估计的更新
。
[0016]进一步地，所述孪生特征金字塔包括：2个子特征金字塔，2个子特征金字塔的所有网络层共享权值；
[0017]每个子孪生特征金字塔由3个不同规模的
MBConv3D
模块堆叠而成；
[0018]每个
MBConv3D
模块包括：维度扩张单元
、
卷积单元
、
压缩激发网络
SENet
和维度收缩单元；其中，维度扩张单元
、
卷积单元
、
压缩激发网络
SENet
和维度收缩单元依次相连；
[0019]维度扩张单元为
Shared MLP
→
BatchNorm
→
Swish
，卷积单元为
KPConv
→
BatchNorm
→
Swish
，维度收缩单元为
Shared MLP
→
BatchNorm
；其中，
Shared MLP
表示共享多层感知器，
BatchNorm
表示批归一化层，
Swish
为激活函数，
KPConv
表示核点卷积层，
→
表示连接；
[0020]在所述维度扩张单元中，
Shared MLP
通过多层感知机对点云中局部邻域点的特征进行升维；其中，局部邻域点是使用最远点采样方法得到的；经过
Shared MLP
输出的特征
f
mlp
表示为：
[0021][0022]其中，
x
i
是最远点采样得到的第
i
个采样点，表示在
x
i
周围的第
k
个近邻点，
f
i
和
f
ik
分别代表
x
i
和的特征，
K
表示
x
i
周围存在的近邻点个数，表示向量的串联操作，
sharedMLP()
表示多层感知机；
[0023]所述
KPConv
，用于提取局部区域的点特征并将提取到的点特征进行融合，在点
x
i
处，以
g
为卷积核的
KPConv
输出的特征
f
kp
表示为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于孪生特征金字塔和地面分割的激光雷达里程计方法，其特征在于，包括：对激光雷达原始三维点云数据进行预处理，去除地面点，得到由非地面点组成的训练帧点云；构建基于孪生特征金字塔和分层优化的位姿估计网络，用于输出输入的每对相邻训练帧点云之间的位姿变换；根据位姿估计网络输出的每对相邻训练帧点云之间的位姿变换，计算位姿回归误差损失函数值，基于得到的位姿回归误差损失函数值，训练所述位姿估计网络；利用训练好的位姿估计网络预测待估计的激光雷达点云序列中每一帧点云对应的激光雷达位姿
。2.
根据权利要求1所述的基于孪生特征金字塔和地面分割的激光雷达里程计方法，其特征在于，所述对激光雷达原始三维点云数据进行预处理，去除地面点，得到由非地面点组成的训练帧点云包括：使用地面分割算法对激光雷达原始三维点云数据进行预处理，去除地面点，得到由非地面点组成的训练帧点云；其中，所述地面分割算法由点云全景分割网络
Cylinder3D
实现，相邻的两帧点云
PC
t
‑1和
PC
t
分别输入
Cylinder3D
，
Cylinder3D
输出逐点的分割标签，分为地面点与非地面点两类，并剔除点云中的非地面点，得到由非地面点组成的训练帧点云
PC
′
t
‑1和
PC
′
t
，其中，
PC
′
t
‑1和
PC
′
t
分别表示经过地面分割预处理后的第
t
‑1帧和第
t
帧点云
。3.
根据权利要求2所述的基于孪生特征金字塔和地面分割的激光雷达里程计方法，其特征在于，所述位姿估计网络包括：孪生特征金字塔
、
场景流融合编码模块和位姿分层优化模块；所述孪生特征金字塔，用于对经过地面分割预处理后的点云
PC
′
t
‑1和
PC
′
t
进行编码，得到特征向量
f
t
‑1和
f
t
；其中，
f
t
‑1和
f
t
分别表示第
t
‑1帧和第
t
帧的点云
PC
′
t
‑1和
PC
′
t
经过孪生特征金字塔输出得到的特征向量；所述场景流融合编码模块，用于关联孪生特征金字塔编码得到的特征向量
f
t
‑1和
f
t
，并联合几何和语义特征，预测初始相对位姿估计；所述位姿分层优化模块，用于增量式地优化初始相对位姿估计，通过关注不同尺度下点云特征信息的变化，进行位姿估计的更新
。4.
根据权利要求3所述的基于孪生特征金字塔和地面分割的激光雷达里程计方法，其特征在于，所述孪生特征金字塔包括：2个子特征金字塔，2个子特征金字塔的所有网络层共享权值；每个子孪生特征金字塔由3个不同规模的
MBConv3D
模块堆叠而成；每个
MBConv3D
模块包括：维度扩张单元
、
卷积单元
、
压缩激发网络
SENet
和维度收缩单元；其中，维度扩张单元
、
卷积单元
、
压缩激发网络
SENet
和维度收缩单元依次相连；维度扩张单元为
Shared MLP
→
BatchNorm
→
Swish
，卷积单元为
KPConv
→
BatchNorm
→
Swish
，维度收缩单元为
Shared MLP
→
BatchNorm
；其中，
Shared MLP
表示共享多层感知器，
BatchNorm
表示批归一化层，
Swish
为激活函数，
KPConv
表示核点卷积层，
→
表示连接；在所述维度扩张单元中，
Shared MLP
通过多层感知机对点云中局部邻域点的特征进行升维；其中，局部邻域点是使用最远点采样方法得到的；经过
Shared MLP
输出的特征
f
mlp
表
示为：其中，
x
i
是最远点采样得到的第
i
个采样点，表示在
x
i
周围的第
k
个近邻点，
f
i
和
f
ik
分别代表
x
i
和的特征，
K
表示
x
i
周围存在的近邻点个数，表示向量的串联操作，
sharedMLP()
表示多层感知机；所述
KPConv
，用于提取局部区域的点特征并将提取到的点特征进行融合，在点
x
i
处，以
g
为卷积核的
KPConv
输出的特征
f
kp
表示为：其中，表示以点
x
i
为中心
、r
为半径的卷积区域，表示在该卷积区域中的第
n
个点，
f
in
表示的特征，卷积核
g
在该卷积区域的不同位置具有不同的核函数权重；所述
SENet
是针对通道的注意力机...

【专利技术属性】
技术研发人员：曾慧，叶一彬，李擎，刘启越，杨清港，
申请(专利权)人：北京科技大学顺德创新学院，
类型：发明
国别省市：