System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于slam的相关,尤其是涉及一种二维-三维结构特征联合约束的激光slam方法。
技术介绍
1、针对未知环境中机器人利用激光雷达传感器同步定位与建图问题,大部分学者都选择对激光雷达传感器采集的点云数据进行畸变矫正,然后再提取单一点云数据中的单一特征信息在三维空间中构建地图。hess等人基于图优化开发出一套同时支持二维和三维激光slam算法(cartographer),可以跨平台使用,支持lidar、imu、odemetry、gps、landmark等多种传感器配置。是目前落地应用最广泛的激光slam算法之一(参考:w.hess,d.kohler,h.rapp,and d.andor,real-time loop closure in二维lidar slam,in robotics andautomation(icra),2016ieee international conference on.ieee,2016.pp.1271–1278.)。zhang等人利用平面点和边缘点的不同特征进行分类,并通过最小二乘法拟合平面和边缘方程,从而描述场景的几何结构。最后,通过计算相机位姿变化和结合平面/边缘点位置信息,实现地图构建(参考:zhang.j,singh.s,“loam:lidar odometry and mappingin real-time,”robotics:science and systems conference,2014.)。shan等人将机器人携带的激光雷达扫描数据与预先构建的地图进行特征提取和匹配;第二
技术实现思路
1、针对上述技术问题,本专利技术的目的在于克服已有技术的不足之处,提出了一种二维-三维结构特征联合约束的激光slam方法,首先对输入的激光点云数据进行畸变矫正;然后根据点的曲率来提取特征并匹配,利用列文伯格-马夸尔特法优化求解位姿,进一步得到三维点云灰度地图;同时将畸变矫正后的三维点云数据转化为二维灰度图;然后,将生成的三维点云局部地图转化为二维灰度局部地图;对生成的二维灰度局部地图提取线特征并匹配;最后对二维灰度局部地图进行精匹配。
2、为实现上述目的,本专利技术包括以下步骤:
3、s1:对输入的激光点云数据进行畸变矫正;
4、s2:对步骤s2点云子集,根据点的曲率来提取平面和边缘的特征点,采用帧间匹配方法得到点线损失模型和点面损失模型,利用列文伯格-马夸尔特法优化求解位姿,每10帧可以得到1帧3维点云局部地图,然后对生成的三维点云局部地图采用投影并二值化的方法转化为二维灰度局部地图;
5、s3:对步骤s1中畸变矫正后的三维点云数据采用投影并二值化的方法转化为二维灰度图,然后对生成的二维灰度局部地图采用lbd算法提取线特征并匹配;
6、s4:对步骤s2生成的二维局部灰度地图和步骤s3生成的二维局部灰度地图进行精匹配。
7、进一步的,所述的步骤s2中激光点云数据的特征提取匹配并转化为二维灰度图的方法,包括以下方法和步骤:
8、(1)对于s1中去畸变后的点云子集,根据点的曲率来计算平面光滑度,提取边缘和平面的特征点;
9、(2)采用帧间匹配方法得到点线损失模型和点面损失模型;
10、(3)采用列文伯格-马夸尔特法最小化点线损失模型和点面损失模型求解位姿,每10帧匹配后的激光点云数据生成1帧激光局部地图;
11、(4)采用投影并二值化的方法将三维激光局部地图转化为二维灰度局部地图;首先,将三维点云局部地图中储存的点云数据从浮点型转换为整数型,以坐标轴最大数作为图像尺寸;其次,根据该点的密度计算出该像素的灰度值,将计算出的灰度值存储在灰度图像的对应位置上;然后,重复以上步骤,直到处理完所有的点,生成二维灰度局部地图;最后,对于二维灰度局部地图进行后处理操作,调整图像的大小和对比度,以优化图像的质量。
12、进一步的,所述的步骤s3中三维点云转二维灰度图并提取点线特征匹配的方法,包括以下方法和步骤:
13、(1)采用投影并二值化的方法将s1中去畸变后的三维激光数据转化为二维灰度图像;首先,将三维点云数据从浮点型转换为整数型,以坐标轴最大数作为图像尺寸;其次,根据该点的密度计算出该像素的灰度值,将计算出的灰度值存储在灰度图像的对应位置上;然后,重复以上步骤,直到处理完所有的点;最后,对于二维灰度图像进行后处理操作,调整图像的大小和对比度,以优化图像的质量;
14、(2)根据点的灰度不同采用角点检测器提取二维灰度图中的点特征,并采用光流法进行跟踪;
15、(3)用线特征提取算法lbd提取二维灰度图中的线特征并进行匹配;
16、(4)联合损失函数求解,定义点线联合模型损失函数为:
17、l=lpoint+lline
18、利用列文伯格-马夸尔特方法最小化点线联合模型的损失函数。
19、进一步的,所述的步骤s4中点云局部地图和灰度局部地图精匹配的方法,包括以下方法和步骤:
20、(1)采用线特征提取算法lbd(line binary descriptor)分别提取步骤s2和步骤s3中局部灰度地图的线特征;
21、(2)将从步骤s2与步骤s3中局部灰度地图中提取到的线特征进行匹配;
22、(3)重复以上步骤,直到处理完所有的局部灰度地图,最终生成全局灰度地图。
23、由上,本专利技术利用三维点云到二维图像技术,丰富了单传感器的信息数据,有效提高了slam系统的运行效率。本专利技术通过结构特征约束构建点线损失模型和点面损失模型,可以更好地应对环境变化和遮挡等问题,可以更精确地估计位姿和地图坐标,提高slam系统的定位和制图精度。另外,本专利技术采用灰度局部地图进行精匹配,可以更好地处理局部特征和细节信息,提高slam系统的局部性。本专利技术方法对未知环境中机器人的实时定位与建图有较高的鲁棒性,可以扩展到其他领域,如机器人视觉、自动驾驶等,具有广泛的应用前景。
本文档来自技高网...【技术保护点】
1.一种二维-三维结构特征联合约束的激光SLAM方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种二维-三维结构特征联合约束的激光SLAM方法,其特征在于,所述的步骤S2中激光点云数据的特征提取匹配并转化为二维灰度图的方法,包括以下方法和步骤:
3.根据权利要求1所述的一种二维-三维结构特征联合约束的激光SLAM方法,其特征在于,所述的步骤S3中三维点云转二维灰度图并提取点线特征匹配的方法,包括以下方法和步骤:
4.根据权利要求1所述的一种二维-三维结构特征联合约束的激光SLAM方法,其特征在于,所述的步骤S4中点云局部地图和灰度局部地图精匹配的方法,包括以下方法和步骤:
【技术特征摘要】
1.一种二维-三维结构特征联合约束的激光slam方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种二维-三维结构特征联合约束的激光slam方法,其特征在于,所述的步骤s2中激光点云数据的特征提取匹配并转化为二维灰度图的方法,包括以下方法和步骤:
3.根据权利要求1所述的一种二维...
【专利技术属性】
技术研发人员:张正鹏,程燕,叶家研,张锦坤,卜丽静,
申请(专利权)人:湘潭大学,
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。