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】
本专利技术涉及图像算法,具体涉及一种大场景复杂曲率环境下的激光slam建图方法。
技术介绍
1、激光定位与地图构建(simultaneous localization and mapping,slam)是一种利用激光雷达扫描建立环境地图并同时进行自身位置估计的算法。它可以在不需要先验地图的情况下,通过激光雷达获取环境的三维点云数据,并使用slam算法实现同时定位和地图构建。本文涉及激光slam应用场景是具有复杂型面曲率变化的相对较大环境空间,如餐厅、博物馆、超市等室内场景,以及林地、城市、工厂等室外场景。
2、目前,大场景激光slam算法已经有很多的应用,比如智能家居、自动驾驶、机器人导航等。常见的大场景激光slam算法包括gmapping、hector slam、cartographer、loam等。这些算法在实现机器人自身位姿估计和环境地图构建方面,已经取得了很好的效果。它们在速度、精度、稳定性等方面已经得到不断的优化和提升。同时,为了提高激光slam的性能和适用范围,研究者们也在不断探索新的算法和技术,如使用imu信息提高自身姿态估计精度的方法等。
3、然而,传感器噪声和累积误差对激光slam算法的精度和鲁棒性有较大影响,如何降低噪声和误差对算法的影响,是目前研究的热点之一。激光slam算法在一些复杂的大场景下需要处理的数据量较大,导致算法计算时间较长,影响实时性和应用效果。需要探索更高效的算法,以缩短计算时间并提高实时性。
技术实现思路
1、本专利技
2、一种大场景复杂曲率环境下的激光slam建图方法,包括:
3、获取点云数据;
4、从点云数据中筛选出特征点;
5、对特征点进行匹配,计算点云之间的对应关系;
6、根据点云之间的对应关系进行位姿变换;
7、根据点云之间的对应关系和位姿变换的结果构建地图。
8、优选地,所述获取点云数据之后,还包括对点云数据进行点云分离和点云分割,包括:
9、获取点云以及点云中的点到传感器的欧式距离;
10、对距离图像中列数小于7的点云进行地面检测通过判断距离图像中点云和相邻点云之间的夹角是否小于10°,如果角度小于10°则判断距离图像中点云为地面点云;
11、通过bfs递归进行查找,遍历点前、后、左、右的4个点,分别进行对比,设a和b是激光雷达扫描的连续2个点,如果相对角度大于β>60°,则认为不是同一个点云簇,将不是同一个点云簇的点云分割开。
12、优选地,所述从点云数据中筛选出特征点,包括:
13、计算每个点的曲率;
14、将距离图像水平划分为6段相等的子图像,按每个点的曲率值对距离图像的每一行中的点来区分边缘点和平面点,每个方向最多选择2个线特征和4个面特征,曲率较大的作为线特征,曲率较小的作为面特征,且满足一条件如果一个点被选择为特征点,那么被选为特征点的周围点作标记,不被选为特征点。
15、优选地,所述从点云数据中筛选出特征点,包括:
16、计算点云半径为r的球内的邻域点,通过特征值分解解出协方差,其中的三个特征向量对应的三个特征值,最小的特征值即为点的法向量;
17、同理得到当前点的邻域点的法向量;设定最大值,如领域点与所有法向量的内积的绝对值大于最大值,则点是平面特征点云,反之,则点是边界特征点云;
18、判断给定点的法向量的变化程度,计算点的法向量与其邻近点的法向量的夹角,法向量的夹角越小表示区域的起伏平坦,法向量的夹角越大则表示区域起伏越大,添加优化权值系数,自适应调整不同点云区域对应的最大值大小。
19、优选地,所述对特征点进行匹配,建立点云之间的对应关系,包括特征边线匹配和面特征匹配:
20、特征边线匹配包括:根据当前点i,查找当前点i在前一帧的最小近邻点j,并找到离最小近邻点j最近的l,最小近邻点j和l不是同一个扫描线但都属于前一帧的点云,然后再求当前点和线的距离;
21、面特征匹配包括:计算点到面的距离,根据当前点i,查找上一帧中最小近邻点j,然后在当前扫描线中找到l,在相邻的扫描线中找到m,构成一个平面,然后计算当前点到平面(j,l,m)的距离。
22、优选地,所述根据点云之间的对应关系进行位姿变换,包括:
23、位姿包含六个自由度,根据当前帧的特征点到上一帧中对应点构成的特征线的距离,计算六个自由度中的两帧间相对平移与旋转量;
24、根据当前帧的平面点到上一帧对应平面的距离计算剩下的位姿,再加上两帧间相对平移与旋转量得到剩下的三个自由度,作为初始位姿;
25、将最近的雷达帧进行特征提取产生一个点云地图,点云地图由两种子地图构成,分别标记为边缘特征地图和平面特征地图;
26、找到特征点在两种子地图中的点或面对应关系,求解变换关系使边缘点到对应的边缘线的距离最短,使平面点到对应的平面的距离最短,从而估计出位姿变换。
27、优选地,所述根据点云之间的对应关系和位姿变换的结果构建地图,包括:
28、将具有对应关系的点云进行位姿变换后组成为地图;
29、将地图进行体素滤波,完成地图的构建。
30、一种大场景复杂曲率环境下的激光slam建图系统,包括:
31、数据获取模块,用于获取点云数据;
32、数据筛选模块,用于从所述点云数据中筛选出特征点;
33、第一数据处理模块,用于对所述特征点进行匹配,建立点云之间的对应关系;
34、第二数据处理模块,用于根据所述特征点的匹配结果进行位姿变换;
35、地图构建模块,用于根据所述点云之间的对应关系和所述位姿变换的结果构建地图。
36、一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序包括程序指令,所述程序指令在被电子设备的处理器执行的情况下,使所述处理器执行一种大场景复杂曲率环境下的激光slam建图方法。
37、一种电子设备,包括:处理器和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述处理器执行所述计算机指令时,所述电子设备执行一种大场景复杂曲率环境下的激光slam建图方法。
38、本专利技术使用激光雷达传感器进行建图,在复杂曲率情况下,通过曲率和法向量优化算法信息共同作用,筛选出具有一定特征的点云,并通过点云配准和优化等步骤,实现了高精度的建图。曲率信息可以描述点云表面的形状特征,能够有效地区分不同的特征点,可以更好地理解和描述点云的形状和结构。创新性提出的法向量优化算法,法向本文档来自技高网...
【技术保护点】
1.一种大场景复杂曲率环境下的激光SLAM建图方法,其特征在于,包括:
2.根据权利要求1所述的一种大场景复杂曲率环境下的激光SLAM建图方法,其特征在于,所述获取点云数据之后,还包括对点云数据进行点云分离和点云分割,包括:
3.根据权利要求1所述的一种大场景复杂曲率环境下的激光SLAM建图方法,其特征在于,所述从点云数据中筛选出特征点,包括:
4.根据权利要求1所述的一种大场景复杂曲率环境下的激光SLAM建图方法,其特征在于,所述从点云数据中筛选出特征点,包括:
5.根据权利要求1所述的一种大场景复杂曲率环境下的激光SLAM建图方法,其特征在于,所述对特征点进行匹配,建立点云之间的对应关系,包括:
6.根据权利要求1所述的一种大场景复杂曲率环境下的激光SLAM建图方法,其特征在于,所述根据点云之间的对应关系进行位姿变换,包括:
7.根据权利要求1所述的一种大场景复杂曲率环境下的激光SLAM建图方法,其特征在于,所述根据点云之间的对应关系和位姿变换的结果构建地图,包括:
8.一种大场景复杂曲率环境
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序包括程序指令,所述程序指令在被电子设备的处理器执行的情况下,使所述处理器执行权利要求1至7中任意一项所述的一种大场景复杂曲率环境下的激光SLAM建图方法。
10.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述处理器执行所述计算机指令时,所述电子设备执行如权利要求1至7任一项所述的一种大场景复杂曲率环境下的激光SLAM建图方法。
...【技术特征摘要】
1.一种大场景复杂曲率环境下的激光slam建图方法,其特征在于,包括:
2.根据权利要求1所述的一种大场景复杂曲率环境下的激光slam建图方法,其特征在于,所述获取点云数据之后,还包括对点云数据进行点云分离和点云分割,包括:
3.根据权利要求1所述的一种大场景复杂曲率环境下的激光slam建图方法,其特征在于,所述从点云数据中筛选出特征点,包括:
4.根据权利要求1所述的一种大场景复杂曲率环境下的激光slam建图方法,其特征在于,所述从点云数据中筛选出特征点,包括:
5.根据权利要求1所述的一种大场景复杂曲率环境下的激光slam建图方法,其特征在于,所述对特征点进行匹配,建立点云之间的对应关系,包括:
6.根据权利要求1所述的一种大场景复杂曲率环境下的激光slam建图方法,其特征在于,所述根据点云之间的对应关系进行...
【专利技术属性】
技术研发人员:陈余庆,周世通,黄硕硕,王烁程,张振东,
申请(专利权)人:咏峰大连科技有限公司,
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。