【技术实现步骤摘要】
本专利技术属于自动驾驶领域，涉及一种动态场景下基于语义的激光slam方法。
技术介绍
1、在机器人和自动驾驶领域，激光slam(同时定位与地图构建)技术是实现无人驾驶平台自主导航和定位的关键技术之一。这种技术利用激光lidar捕捉周围环境的三维点云数据，通过分析这些数据的变化来计算无人驾驶平台的姿态，从而实现无人驾驶平台的自主定位和导航。尽管激光slam技术已经在机器人和自动驾驶领域得到了广泛的研究和探索，并且在这一过程中已经涌现出了一些有效的slam解决方案。但是，现有的激光slam方法依然存在以下两个主要的问题：
2、(1)大多数现有的slam解决方案仍然依赖于静态世界的假设。然而，在现实环境中，特别是城市交通场景中，移动物体无处不在，动态场景几乎不可避免，这导致现有slam算法性能下降甚至失效。
3、(2)现有的研究工作大多基于传统的地图类型，如几何特征地图和传统的占用网格地图。虽然这些地图能够一定程度上对环境进行描述和建模，但它们仍然存在一些明显的缺点，如生成的地图理解性差以及人机交互效果不佳。
4、针对上述现有slam技术的局限性，本研究提出了一种适用于动态场景的新型语义激光slam方法。该方法的核心之一在于动态路标和半静态路标的识别基础上，并使用半静态路标和纯静态路标进行配准、提高无人驾驶平台的定位精度。除此之外，能够建立更加丰富和实用的点云语义地图。该地图结合先进的语义理解能力，使得slam系统能够更好地适应和理解复杂多变的现实世界环境。通过这些创新，无人驾驶平台能够在动态变化的
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种动态场景下基于语义的激光slam方法。
2、为达到上述目的，本专利技术提供如下技术方案：
3、动态场景下基于语义的激光slam方法，该方法包括以下步骤：
4、s1：点云的实例分割；具体包括：针对原始的激光lidar点云，采用rangenet++进行点云语义分割，将点云分割成不同语义的点云簇；针对点云簇，采用dbscan聚类算法进行聚类，实现点云实例分割；基于点云的语义信息，将实例分为三个类别：纯静态路标、未知运动状态的路标和地面点云；
5、s2：位姿的初步估计；具体包括：针对连续两帧中的纯静态路标与未知运动状态路标，基于路标的几何中心和语义信息完成路标的初始配对；针对完成初始配对的路标对，根据路标对在垂直方向上的平均值确定分层阈值，并根据分层阈值对路标对进行分层处理，分为上下两层；然后，将路标对上下两层的点云在水平面上分别进行投影以得到二维点集，并使用graham's scan算法计算二维点集的凸包，得到上下层凸包；通过旋转函数曲线和hausdorff距离构建的综合指标，评判连续两帧上下层凸包中的同一层凸包特征之间的形状相似性和尺寸接近性；依据综合指标选取形状最相似且尺寸最接近的一对凸包作为路标对的凸包特征对，将其作为配准的凸包特征对进行位姿初步估计；构建以凸包特征对重叠面积为优化目标的目标函数，然后，使用优化的粒子群算法迭代求解目标函数参数，使得前后两帧中所有凸包特征对之间的重叠面积之和最大；
6、s3：未知运动状态路标的运动状态识别；具体包括：利用初步位姿估计的结果，将当前时刻lidar坐标系下的未知运动状态路标几何中心转换到世界坐标系；然后，基于二维匀速转弯模型，建立状态转移模型、预测路标几何中心位置和速度，并将转换到世界坐标系下的路标中心位置作为观测方程的输入，利用卡尔曼滤波器更新几何中心的位置和速度；同时考虑状态变化量和语义信息两个因素来区分动态路标和半静态路标：如果路标的速度和位置变化量小于设定阈值，并且前后两个时刻路标的语义信息一致，则将未知运动状态路标识别为半静态路标；如果路标的速度和位置变化量大于设定阈值，并且前后两个时刻路标的语义信息一致，则将未知运动状态路标识别为动态路标；
7、s4：位姿的精确估计；具体包括：位姿精确估计被分为两个部分1)水平方向的位姿估计和2)垂直方向的位姿估计；针对水平方向的位姿估计，利用纯静态路标和半静态路标，结合当前帧匹配局部地图的方法，来实现水平方向位姿的精确估计；在垂直方向，通过选择lidar原点某一邻域范围内的地面点云，并分别对前视地面点云和后视地面点云进行平面拟合；通过比较前后两帧中平面的法向量之间的角度变化，确定无人驾驶平台的俯仰角变化量；结合水平方向的位姿估计和俯仰角变化量，联合求解垂直方向的变化量；假设无人驾驶平台侧倾是0；组合各个方向的位姿变化量得到的六自由度位姿变化量；并通过变换积分求解全局坐标系下的位姿；
8、s5：回环检测；具体包括：从纯静态路标和地面点云中提取link3d特征，接着根据提取的link3d特征创建词袋；然后，使用bow3d来检测回环，在回环检测的过程中确保只有具有相同语义信息link3d特征被用来求解回环约束；当检测到回环时，使用图优化的方法实现回环矫正以更新位姿和更新地图；
9、s6：建图；具体包括：针对纯静态路标和地面点云，通过位姿将其转换到世界坐标系下；接着，对全局地图进行体素化。
10、进一步的，所述s1包括：
11、s1-1：针对原始的激光lidar点云，采用rangenet++进行点云语义分割，将点云根据不同的语义分割成不同语义的点云簇；
12、s1-2：针对点云簇，采用dbscan聚类算法进行聚类，实现点云的实例分割；基于点云的语义信息，将实例分为三个类别：纯静态路标、处于未知运动状态的路标，以及地面点云。
13、进一步的，所述s2包括：
14、s2-1：针对k-1和k时刻纯静态路标和未知运动状态路标计算各个路标的几何中心，然后求出k-1时刻每个几何中心到k时刻几何中心的最短距离，并求这些最短距离的平均值；如果k-1时刻和k时刻的某两个路标的最短距离小于平均值，并且这两个时刻路标的语义信息一致，则认为这一对路标完成初始配对，并将这两个路标称为路标对；
15、s2-2：根据路标对在垂直方向上的平均值确定分层阈值，并根据分层阈值将路标对中的每一个路标分为上下两层；
16、s2-3：将路标对上下两层的点云在水平面上分别进行投影，得到二维投影点集；使用graham's scan算法计算二维投影点集的凸包，得到路标对的上下层凸包；
17、s2-4：利用旋转函数曲线和hausdorff距离建立加权的综合评判指标，评判k-1时刻和k时刻的路标对上下层凸包中的同一层凸包之间的形状相似性和尺寸接近性；
18、s2-5：依据综合评判指标选取形状最相似和尺寸最接近的一对凸包和作为路标对的凸包特征对，其中，i表示的是k-1时刻和k时刻第i对凸包特征对，n表示凸包特征对的总对数；
19、s2-6：将k-1时刻和k时刻位姿的变化量定义为tx和ty分别表示在x-o-y平面上的平移变化量，tθ表示绕本文档来自技高网...
【技术保护点】
1.动态场景下基于语义的激光SLAM方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的动态场景下基于语义的激光SLAM方法，其特征在于：所述S1包括：
3.根据权利要求1所述的动态场景下基于语义的激光SLAM方法，其特征在于：所述S2包括：
4.根据权利要求1所述的动态场景下基于语义的激光SLAM方法，其特征在于：所述S3包括：
5.根据权利要求1所述的动态场景下基于语义的激光SLAM方法，其特征在于：所述S4包括：
6.根据权利要求1所述的动态场景下基于语义的激光SLAM方法，其特征在于：所述S5包括：
7.根据权利要求1所述的动态场景下基于语义的激光SLAM方法，其特征在于：所述S6包括：
【技术特征摘要】
1.动态场景下基于语义的激光slam方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的动态场景下基于语义的激光slam方法，其特征在于：所述s1包括：
3.根据权利要求1所述的动态场景下基于语义的激光slam方法，其特征在于：所述s2包括：
4.根据权利要求1所述的动态场景下基于语义的激光sl...
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。