[發明專利]一種基于點云多視角投影圖的激光里程計算法

有效

• 申請號: 202110267205.6
• 申請日: 2021-03-11
• 公開（公告）號: CN113012191B
• 公開（公告）日: 2022-09-02
• 發明（設計）人: 陳宗海;裴浩淵;王紀凱;戴德云;徐萌;林士琪
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06T7/215
• 分類號: G06T7/215;G06T7/246;G06T7/269;G06N3/04;G06N3/08
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 張乾楨

本發明提出一種基于點云多視角投影圖的激光里程計算法，應用于移動機器人以及自動駕駛平臺，包括如下步驟：步驟1、對三維激光點云數據進行多視角二維投影，得到環境的柱面全景投影視圖、鳥瞰圖，進一步對投影進行分割得到多視角點云投影圖；步驟2、構建多視角位姿估計網絡，在點云投影圖上提取環境幾何結構特征；步驟3、計算基于位姿絕對值的位姿損失函數以及基于穩定點區域的光度重投影誤差損失函數；步驟4、根據位姿損失函數訓練神經網絡模型，所述神經網絡模型能夠根據輸入的前后幀點云數據估計相對位姿變換。

技術領域

本發明涉及移動機器人技術以及自動駕駛領域，尤其涉及深度學習方法和SLAM(同步定位與建圖)框架中的激光里程計相關領域。

背景技術

隨著制造工藝的提升和人們對安全問題的重視程度日益增長，激光雷達在自動駕駛、無人物流等前沿應用中具有巨大的應用潛力。因而，基于激光點云的目標檢測、語義分割、里程計、重定位等一系列三維視覺任務成為了相關領域的研究熱點。然而，由于激光點云的無序性和稀疏性，在其被廣泛應用于無人駕駛和機器人領域之前，還需要解決以下幾個問題：

1)在交通場景中64線激光雷達的一次掃描數據包含10^{^5}個點云，任何逐點檢索操作將導致算法不能夠實時運行，進而影響到算法在移動平臺的部署以及會引來一系列嚴重的安全性問題。

2)點云的無序性體現在將點云數據打亂順序不影響最終對環境信息的表達。因而在對點云進行特征提取時只能提取其順序不變的特征，目前常見的做法是使用maxpooling對點云的全局特征進行提取，但是導致了點云局部特征信息的損失。

發明內容

本發明的目的是提供一種可應用于移動機器人以及自動駕駛平臺的基于點云多視角投影圖的激光里程計算法，該算法能夠發揮激光點云對環境感知的魯棒性、精確性，同時利用成熟的二維卷積對點云投影圖進行高效處理，應用投影圖的多視角特征魯棒地提取環境幾何結構，提升三維激光里程計在復雜交通場景下的位姿估計精度和效率，從而得到較為精確的軌跡。

本發明的技術方案為：一種基于點云多視角投影圖的激光里程計算法，應用于移動機器人以及自動駕駛平臺，包括如下步驟：

步驟1、對三維激光點云數據進行多視角二維投影，得到環境的柱面全景投影視圖、鳥瞰圖，進一步對投影進行分割得到多視角點云投影圖；

步驟2、構建多視角位姿估計網絡，在點云投影圖上提取環境幾何結構特征；

步驟3、計算基于位姿絕對值的位姿損失函數以及基于穩定點區域的光度重投影誤差損失函數；

步驟4、根據位姿損失函數訓練神經網絡模型，所述神經網絡模型能夠根據輸入的前后幀點云數據估計相對位姿變換。

進一步的，在步驟1中，分別根據俯視視角、環視視角對點云投影，得到鳥瞰圖以及柱面全景投影圖，在柱面全景投影圖的基礎上，構造多視角點云投影圖。

進一步的，在步驟2中構建多視角位姿估計網絡，包括圖像特征提取網絡、旋轉預測網絡、平移預測網絡，對步驟1中得到的點云投影圖分別提取特征，然后用旋轉預測網絡和平移預測網絡對融合特征進行處理，得到旋轉量預測以及平移量預測，具體過程為：

使用柱面投影圖特征提取網絡、鳥瞰圖特征提取網絡以及基于FlowNets的多視角光流特征提取網絡，對各個投影圖分別進行處理，然后融合特征，構建兩個相同的深層全連接網絡，分別用于輸出旋轉估計量以及平移估計量。

進一步的，在步驟3中，所述構造基于位姿絕對值的位姿損失函數為基于歐拉角和平移量的L2損失函數，計算基于穩定區域的光度重投影誤差損失函數為基于雙線性插值的重投影誤差損失函數，具體過程為：

首先計算基于歐拉角和平移量的L2損失函數：