【技术实现步骤摘要】
一种融合点云强度以及地面约束的无人车建图方法及相关装置
[0001]本专利技术涉及一种融合点云强度以及地面约束的无人车建图方法及相关装置，属于无人车激光同时定位与建图
。
技术介绍
[0002]对于移动机器人的自主导航以及三维重建领域中，最重要的是知道自身的位置以及构建周围的环境地图
。
移动机器人的发展，可以极大的解放传统生产制造业的人力物力成本，可以代替人类在高危环境中完成危险复杂任务，同时对于物流
、
出行领域的自动化
、
智能化变革也具有重大意义
。
在未知环境下，环境建模与定位是一个“鸡生蛋蛋生鸡”的问题：为了实现精准的定位，机器人需要知道环境地图
(
或特征
)
来不断修正自身的位姿
。
而为了建立环境地图，机器人又需要实时确定自身位姿
。
所以这类问题通常又被称为即时定位与建图
(Simultaneous Localization and Mapping>，
SLA本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种融合点云强度以及地面约束的无人车建图方法，其特征在于，包括：获取当前帧激光雷达点云数据；其中所述点云数据包括每个点的三维坐标以及强度值；利用体素滤波方法对所述点云数据进行下采样；对下采样后的点云数据进行地平面点云提取，其中所述地平面点云提取通过地面测量模型提取；根据提取到的地平面点云构建地面约束，其中所述地面约束采用局部条件性地面约束，选择性地加入地面约束；使用强度加权欧式聚类方法对非地平面点云进行聚类；其中所述非地平面点云为下采样后的点云数据去除地平面点云后剩下的点云；针对聚类后的非地平面点云，计算点的局部平滑度，根据局部平滑度从聚类后的非地平面点云中提取边缘特征和平面特征；根据构建的强度图获取点的强度推算值；基于地面约束
、
边缘特征
、
平面特征和点的强度推算值，构建无人车姿态估计优化模型，其中所述无人车姿态估计优化模型以最小化边缘残差
、
平面残差
、
强度残差以及地面约束残差为目标；利用所述无人车姿态估计优化模型估计得到当前帧无人车的姿态；使用滑动窗口优化当前帧和前一帧无人车的姿态得到当前帧无人车的位姿，根据当前帧无人车的位姿利用当前帧中边缘特征和平面特征更新全局地图；依次处理所有帧激光雷达点云数据，得到最终稠密点云地图
。2.
根据权利要求1所述的方法，其特征在于，所述点云数据通过激光雷达传感器获取，由无人车搭载
16
线三维激光雷达来实现
。3.
根据权利要求1所述的方法，其特征在于，利用体素滤波方法对所述点云数据进行下采样，包括：创建一个三维体素格，将基于所述点云数据的点云空间划分为一系列立方体，每个立方体为一个体素；对于每个体素，选择离体素中心最近的点作为采样点，将采样点作为该体素代表点；将所有体素中的体素代表点集合起来，得到下采样后的点云数据
P。4.
根据权利要求1所述的方法，其特征在于，构建地面约束，包括：设上一个地平面点云的平面方程为：
ax+by+cz
＝
d
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
其中，
a2+b2+c2＝1，
d
＞0为平面的距离，
(a,b,c)
为平面法向量；
x,y,z
为地平面上点的三维坐标；当前地平面点云中的一个点
p
i
(x
i
,y
i
,z
i
)
到上个平面的距离为
d
i
，得到一个代价函数：其中，
f
G
(p
i
)
为地面约束残差，由此就构建好了地面约束，选择性地加入地面约束，称为条件性地面约束，一旦满足
(1)
‑
(2)
中任意一个条件就不添加，
条件如下：
(1)
计算地平面的法线与无人车坐标系的
Z
轴之间的夹角角度；如果夹角角度大于角度阈值，则认为地平面与运动平面不匹配；
(2)
计算在地平面点云中最远的点和最近的点相对于无人车的距离；如果最远的点相对于无人车的距离低于第一阈值，最近的点相对于无人车的距离高于第二阈值，则认为地平面与运动平面不匹配
。5.
根据权利要求1所述的方法，其特征在于，使用强度加权欧式聚类方法对非地平面点云进行聚类，包括：将距离小于设定阈值的一定数量的点云聚类于集合
Q
，然后对于这些点，根据每个点和它周围最近4个点强度值计算这个点的权重，剔除权重较大的设定数量点，得到聚类后的非地平面点云；权重公式如下
:
其中，
p1为根据距离聚类得到的
15
个点中的一个，
W
p1
为点
p1的权重，
I
p1
为点
p1的强度值，
q1、q2、q3、q4为
p1周围最近的四个点
。6.
根据权利要求1所述的方法，其特征在于，针对聚类后的非地平面点云，计算所有点的局部平滑度
【专利技术属性】
技术研发人员：孙伟，曾豪霆，王煜，张小瑞，叶健峰，郭邦祺，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。