【技术实现步骤摘要】
本专利技术涉及机器人导航和感知，具体涉及一种在中低速环境下机器人定位的位姿估计方法。
技术介绍
1、在机器人导航和感知
，鲁棒和精准的点云配准是实现高精度定位和建图的重要环节。然而，现有的激光里程计在一些特定场景下仍存在配准精度不高、计算效率低以及点云之间的变换可能是非刚性的等问题。近年来，有大量的研究者开始研究非刚性环境下的激光里程计技术。这类方法的主要工作集中于如何提高点云的配准精度和鲁棒性。
2、针对非刚性环境的激光里程计，目标的研究主要有三类处理方法，这三类处理方法都可以提高激光里程计系统位姿估计的准确性，但这两类方法的对动态目标的处理方法不一样。
3、第一类处理方法是基于全局点云的配准方法，如迭代最近点(icp)和正态分布变换(ndt)等，这些方法将整个点云作为一个整体进行配准，以实现点云之间的对齐。这些方法适用于较小的非刚性环境变化，但由于需要将整个点云进行匹配，所需计算量较大，而且难以处理大规模的点云。在处理大规模点云时，这些方法需要很长的计算时间和大量的存储空间，因此效率较低。另外，这些方法也容易陷入局部最优解，因为它们只能对整个点云进行匹配，无法对不同区域进行不同的处理。因此，当点云中存在大的非刚性变化或大量的噪声时，这些方法的配准效果会受到影响。
4、第二类处理方法是基于局部点云的方法将整个点云分解为多个局部子区域进行匹配和配准，这种方法可以有效减少全局匹配时的计算量，并且能够在保证较高精度的同时提高计算效率。loam和lego-loam是代表性的基于局部点云的激光里
5、第三类处理方法是深度学习方法(例如pointnet、pointnet++等)能够直接对点云进行学习和处理，可以提取出更具有代表性的特征。该方法对于非刚性环境的适应性较好，但由于需要大量的训练数据和计算资源，实际应用中还存在一定的局限性。这些方法的主要缺点是需要大量的训练数据和计算资源。在实际应用中，这可能会导致训练和测试时间过长，以及在低算力设备上无法使用。此外，这些方法也可能出现过拟合的情况，需要更多的数据和模型调整来提高鲁棒性和泛化能力。因此，尽管这些方法在点云配准方面表现出色，但在实际应用中还需要进一步的研究和优化。
技术实现思路
1、本专利技术的目的是为了解决现有技术中的上述缺陷，提供一种在中低速环境下机器人定位的位姿估计方法。
2、本专利技术的目的可以通过采取如下技术方案达到：
3、一种在中低速环境下机器人定位的位姿估计方法，包括如下步骤：
4、s1、机器人激光雷达传感器采集当前帧点云数据，共获取上万个个点云；面对庞大的点云数据，对其直接运算，会消耗大量的计算资源，无法满足激光里程计的实时性，利用滤波算法去除离群点和噪声，剔除掉对后续里程计无关的点云数据以减少点云数据的大小和复杂度；在面对室外环境噪音点的干扰，如随风飘动的树叶，地面上的杂草等不稳定的特征，可以通过距离图像进行聚类，即对每个点云进行最近邻搜索，计算两个点云之间的距离；若距离小于设定的最大距离阈值，则将这两个点视为同一聚类中的点，进而得到聚类中点云的数量，若聚类点数小于设定的聚类数量最小阈值，则将其作为杂点剔除；像地面上的杂草其聚类数量会小于设定的聚类数量最小阈值，即会被激光里程计作为一个杂点剔除掉，这样的处理就可以保留原始的地面点和相对较大的静态物体(树干，楼房等)来进行后续的特征提取工作了，也使点云数据得到有效压缩和优化；
5、s2、利用点云投影将点云数据投影到深度图上，实现无序点云的有序化，并矩阵运算快速索引出当前点以及近邻点的数据，比较两点云之间的与激光雷达传感器安装的角度差就可以剔除具有地面特征的点云数据；地面移除操作的目的是将机器人周围的地面点从点云数据中去除，以便更好地检测非地面的物体，例如建筑物、车辆等；在激光雷达数据采集中，地面点通常占据了大部分点云数据，这对后续障碍物点云的分类、识别和跟踪带来麻烦，去除地面点能够提高激光里程计的性能和效率；
6、s3、通过深度图信息，可以计算每个点云在激光雷达坐标系下的曲率，并根据曲率阈值将其标记为线特征点或面特征点，如果曲率过大，则说明当前点云与近邻点云的变化较大，可作为线特征点；若曲率过小则说明当前点云与近邻点云基本处理一个平面上，可作为面特征点；后通过最近邻搜索找到线特征点和面特征点在上一帧中的最近点，并比较当前特征点与上一帧最近点的距离和法向量夹角，在不同的时间内采集的前后两帧点云信息，作为正确的配准点对应具有相似的点云特征信息，如果两个值分别都小于距离最大阈值和夹角最大阈值，说明该点云数据在不同时间具有相似的特性，则该点云将作为有效点参与前端的配准，同时，计算特征点以及近邻点的法向量以及由法向量组成的特征描述符，法向量是点云表面特征信息之一，计算量相对较小，能够满足激光里程计所要求的实时性；否则将被视为无效点，不参与前端的配准；
7、s4、将线和面特征分开进行配准；地面点的优化问题就使用点到面的约束来构建，同时注意到，地面点之间的约束对偏航角rz、x轴平移量tx和y轴平移量ty这三个自由度是不能观的，当这三个自由度的值发生变化时，点到面的残差不会发生显著变化，地面点之间的优化只会对横滚角rx、俯仰角ry和z轴平移量tz进行约束和优化；角点的优化问题就使用点到直线的约束来构建，利用平面点优化完横滚角rx、俯仰角ry和z轴平移量tz之后，仍需对另外三个自由度的变量进行估计，此时，选用提取的角点进行优化即角点的优化问题就使用点到直线的约束来构建，由于多线激光雷达提取的角点通常是垂直的边缘特征，这些特征对偏航角rz、x轴平移量tx和y轴平移量ty有着比较好的能观性，通过线点的优化结合上地面点的结果可以得到六自由度的帧间优化结果；对于面特征的配准，通过最近邻搜索找到当前面特征点在参考帧中的3个匹配点，这3个匹配点构成一个平面并计算点到面的距离和梯度，从而构造出点到面的最小距离方程，采用高斯牛顿法优化计算当前帧与参考帧之间的位姿变换，从而求解最优匹配；对于线特征的配准，通过最近邻搜索找到当前线特征点在参考帧中的2个匹配点，这2个匹配点构成一条直线并计算点到直线的距离和梯度，从而构造出点到线的最小距离方程，采用高斯牛顿法优化计算当前帧与参考帧之间的位姿变换，从而求解最优匹配；
8、s5、后端使用法向量组合成特征描述符计算每个点之间的相似度，并根据相似度作为权重进行模型拟合，相同配准点应具有相似的点云表面特征，可通过比较两个点云所对应的特征描述符来判定，这两个点是不是正确的匹配点对，可利用高维空间的计算两点云特征描述符的欧氏距离来进行，即可通过最近邻搜索特征描述符最近的点，可找到具有相似特征的匹配点；在粗配准的每次本文档来自技高网...
【技术保护点】
1.一种在中低速环境下机器人定位的位姿估计方法，其特征在于，所述位姿估计方法包括以下步骤：
2.根据权利要求1所述的一种在中低速环境下机器人定位的位姿估计方法，其特征在于，所述步骤S2过程如下：
3.根据权利要求2所述的一种在中低速环境下机器人定位的位姿估计方法，其特征在于，所述步骤S3过程如下：
4.根据权利要求3所述的一种在中低速环境下机器人定位的位姿估计方法，其特征在于，所述步骤S4过程如下：
5.根据权利要求4所述的一种在中低速环境下机器人定位的位姿估计方法，其特征在于，所述步骤S5过程如下：
6.根据权利要求5所述的一种在中低速环境下机器人定位的位姿估计方法，其特征在于，所述步骤S6过程如下：
【技术特征摘要】
1.一种在中低速环境下机器人定位的位姿估计方法，其特征在于，所述位姿估计方法包括以下步骤：
2.根据权利要求1所述的一种在中低速环境下机器人定位的位姿估计方法，其特征在于，所述步骤s2过程如下：
3.根据权利要求2所述的一种在中低速环境下机器人定位的位姿估计方法，其特征在于，所述步骤s3过程如下：
...
【专利技术属性】
技术研发人员：刘屿，张城俊，周致宇，王伟涛，
申请(专利权)人：华南理工大学，
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。