CN119251418B 基于激光slam的地图定位与构建方法 （武汉科技大学）

本申请提出了一种基于激光SLAM的地图定申请从SLAM方法的点云配准环节入手进行了优2对所述原始点云数据进行语义分割预处理，提取每一帧点云中每个点的语义标签信对所述语义点云的相邻扫描帧通过融合语义和分布信基于所述融合语义和分布信息的点云配准算法对所述局部地图进行扫描帧到局部地基于所述融合语义和分布信息的点云配准算法对所述回环帧进行配将所述回环帧的帧间相对位姿以及所述关键帧和局部地图的位姿进行联合根据源点云的位姿构建源点云和目标点云之间的语通过列文伯格_马夸尔特非线性优化算法对所述语义关联损失函数进行循环求解，获将所述语义点云的相邻扫描帧输入至语义下采样器中，不同类别根据所述语义点云的所述语义标签信息将不同类别的点云分别提取出来，构成子点所述语义下采样器中不同标志的块代表不同类别的点云数据，每一采用最近邻搜索算法在目标点云中找到源点云中每个点的最近邻点并构成最近邻点i表示所述欧氏最近邻点集中的编号为i的点；表示所述欧氏最近邻点集的均i表示pi的协方差矩阵；bb}分别为源点云和目标点云中的单个点，且qb是pa通过所述最近邻搜索算法找到的3对应目标点云中最近邻点的协方差矩阵；di表示源点云中的点pi和点pi对应目标点云中的所述源点云到目标点云的相对位姿变换矩阵为局部地图的维持提供基于所述融合语义和分布信息的点云配准算法对所述局部地图进行扫描帧到局部地若所述语义点云的当前帧与前一帧的位移和/或旋转超过第一预设阈值，则将该当前根据所述语义点云的所述关键帧的所述语义标签信息，提取出具有持续不变性的点基于融合语义与几何信息的回环描述子对所述具有持续不变性的点云进基于评价编码矩阵相似性算法对所述编码矩阵进行相似度计算，获取若所述最高相似度小于第二预设阈值，则所述最高相似度对应的基于所述因子图，将所述回环帧的帧间相对位姿约束信息以及所述4精准定位是支撑自动驾驶下游应用的前提，越高等级的自动驾驶对定位精度的要求越高。其搭载感知环境信息的传感器实现了稳定精准的自身定位且不受信号遮挡干扰的特点以[0008]对所述语义点云的相邻扫描帧通过融合语义和分布信息的点云配准算法进行配[0010]基于所述融合语义和分布信息的点云配准算法对所述局部地图进行扫描帧到局[0013]将所述回环帧的帧间相对位姿以及所述关键帧和局部地5[0017]通过列文伯格_马夸尔特非线性优化算法对所述语义关联损失函数进行循环求[0023]采用最近邻搜索算法在目标点云中找到源点云中每个点的最近邻点并构成最近i表示pi的协方差矩阵；bb}分别为源点云和目标点云中的单个点，且qb是pa通过所述最近邻搜索算法找示pi对应目标点云中最近邻点的协方差矩阵；di表示源点云中的点pi和点pi对应目标点云6[0037]基于所述融合语义和分布信息的点云配准算法对所述局部地图进行扫描帧到局[0038]若所述语义点云的当前帧与前一帧的位移和/或旋转超过第一预设阈值，则将该[0041]基于融合语义与几何信息的回环描述子对所述具有持续[0045]使用Scan_Context的划分方法，将所述具有持续不变性的点云ps中的每个点p[0046]根据d和α将点云ps进行环扇块划分，得到共计Ns×Nr个环扇块；每一个环扇块7[0058](1)本申请提出了一种基于激光SLAM的地图定位与构建方法，该方法提出了融合[0059](2)本申请设计了一个语义下采样方法对点云进行自定义下采样，通过语义标签[0060](3)本申请提出了融合语义与几何信息的回环描述子，通过结合点云高维语义信本申请从SLAM方法的点云配准环节和回环检测环节入手，提出了上述针对性的优化方案，从而在整体层面改善了SLAM方法的定位精度[0063]图1为本申请实施例提供的一种基于激光SLAM的地图定位与构建方法的核心流程[0065]图3为本申请实施例提供的一种融合语义和分布信息的点云配准算法的原理示意8或设备并没有限定于已列出的步骤或单元，而是可选地还可以包括没有列出的步骤或单[0072]正如说明书背景技术部分所述，传统SLAM算法仅依赖点[0078]步骤3、对语义点云的相邻扫描帧通过融合语义和分布信息的点云配准算法进行础上减小计算资源的消耗，然后再将下采样后的相邻帧点云经过本申请提出的SD_GICP算法(融合语义和分布信息的点云配准算法)进行配准得到这两帧点云之间的相对位姿变换[0080]语义下采样处理的流程示意及效果对比图参考图4，语义下采样器的输入为语义9和目标点云间的语义关联损失函数，然后再通过列文伯格_马夸尔特非线性优化算法进行[0083]令目标点云ptar和源点云psou为相邻帧语义点云(假设ptar和psou中点的数量分别为m和n)，并采用最近邻搜索算法在ptar中找到psou中每个点的最近邻点并构成点[0085]其中，pi表示欧氏最近邻点集{p1,p2,...pk}中的编号为i的点；表示点集{p1,Ci表示pi的协方差矩阵。cf表示pi对应目标点云中最近邻点的协方差矩阵；di表示源点云中的点pi和点pi对应目标[0093]SD_GICP算法将语义关联信息以及点云的分布信息联合纳入到损失函数的构建当[0097]步骤5、基于融合语义和分布信息的点云配准算法对局部地图进行扫描帧到局部当前关键帧为第一个关键帧，则直接将其对应的编码矩阵存储在关键帧编码矩阵库当中，否则在编码矩阵库中遍历查找与当前关键帧的编码矩阵相似度最高的一个历史关键帧编示。k表示序号为k的点在水平方向的方位角。这种方法得到高度编码矩阵Ωh。最高的标签l(语义优先级排序可由人为给定，按照语义标签在场景中的出现概率进行排[0109]创建一个尺寸为Ns×Ns×2的三维矩阵Ωhs，在Ωhs的第一层存入高度编码矩阵[0111]上述这种映射方法根据点的X轴和Y轴的坐标值进行环扇块的划分，Z轴坐标参与[0114]假设存在源点云pa和目标点云pb,通过融合语义与几何信息的回环描述子得到对应的联合编码矩阵和分别对和进行如图6(a)所示的向量构造处理，在矩阵Ωh和Ωs到向量ζh和ζs的转换过程中，ζh和ζs中的每个数都分别由其所在的Ωh和Ωs的ζs建了一个可以用于检测源点云和目标点云之间的水平旋那么这两个向量之间的距离r可以表示为：[0120]对源点云pa对应的向量分别表示源点云和目标点云对应的语义编码矩阵；Fh和Fs分别表示高度编码矩阵间的相似帧与局部地图的位姿约束和回环帧的约束信息将会被送到该后端优化模块用于位姿联合请的一个实施例选取了KITTI数据集进行了实验验证。KITTI数据集采用了VelodyneHDL_内容仅包含原始激光点云数据，共有11个公开的带有轨迹真值的序列(KITTI_00、KITTI_[0139]本领域技术人员可以理解，本申请的各个实施例和/或权利要求中记载的技术特征可以进行多种组合和/或结合，即使这样的组