[發(fā)明專利]一種基于點云融合的行車場景構(gòu)建方法

有效

• 申請?zhí)枺?/td>: 202110755584.3
• 申請日: 2021-07-05
• 公開（公告）號: CN113379915B
• 公開（公告）日: 2022-12-23
• 發(fā)明（設計）人: 李柔儀;黃梓欣;全芷瑩;蔡健蘋;李賀;余榮;譚北海
• 申請（專利權(quán)）人: 廣東工業(yè)大學
• 主分類號: G06T17/05
• 分類號: G06T17/05;G06T3/40;G06V20/58
• 代理公司: 佛山市君創(chuàng)知識產(chǎn)權(quán)代理事務所(普通合伙) 44675
• 代理人: 杜鵬飛

本發(fā)明公開了一種基于點云融合的行車場景構(gòu)建方法，該方法主要采用同步定位與地圖構(gòu)建技術地圖構(gòu)建方案；首先，對點云數(shù)據(jù)做畸變補償和傳感器時間對齊后再將數(shù)據(jù)發(fā)布，進行前端里程估計；前端里程估計節(jié)點接受點云數(shù)據(jù)后將對其進行點云匹配并生成初步的激光里程計估計值；接著再對估計值進行閉環(huán)檢測，若檢測形成閉環(huán)則將信息傳遞至后端進行后端算法優(yōu)化；后端算法優(yōu)化得到預估值節(jié)點的位姿信息和路標構(gòu)成圖的頂點集，并將生成的優(yōu)化后激光里程計數(shù)據(jù)發(fā)布展示。本方法在保證建圖實時性的同時極大提高建圖的精度，可以快速實現(xiàn)場景中的定位和高精度地圖的構(gòu)建，克服了傳統(tǒng)的純激光里程計建圖誤差大、實時性不強的缺陷。

技術領域

本發(fā)明涉及地圖實時構(gòu)建領域，具體涉及一種基于點云融合的行車場景構(gòu)建方法。

背景技術

近年來，隨著汽車保有量的不斷增長，許多城市的道路承載能力已達到滿負荷。交通安全、出行效率、節(jié)能減排日益突出，推動車輛的智能化和網(wǎng)絡化通常將是解決上述交通問題的重要解決方案。在車輛智能化與網(wǎng)絡化的發(fā)展進程中，行車場景的三維地圖重構(gòu)是關鍵技術問題之一。

隨著時代的進步，同步定位與地圖構(gòu)建技術使用的傳感器正不斷迭代發(fā)展，將激光雷達與慣性測量單元等傳感器的融合的方法更受歡迎。同步定位與地圖構(gòu)建技術從一開始基于卡爾曼濾波器或者貝葉斯濾波器的方法向基于圖優(yōu)化的方法轉(zhuǎn)變。該方法相比GPS定位精度具有更高精度，解決具體車道線場景細節(jié)難以準確定位的問題，同時支持隧道、山洞等特殊場景的定位與地圖構(gòu)建。

現(xiàn)有技術中的一些非線性優(yōu)化方法進行地圖構(gòu)建，通過非線性最小二乘法來減少構(gòu)圖過程中的累積誤差，但忽略了系統(tǒng)的稀疏性，且其使用的離線建圖方式在行車場景構(gòu)建中不能滿足實時性的要求。

另外的一些現(xiàn)有技術中，通過在前端估計的數(shù)據(jù)關聯(lián)環(huán)節(jié)引入高斯-牛頓迭代法的方式，同時采用激光雷達掃描數(shù)據(jù)直接與地圖進行匹配的方法完成點云幀之間的配對，但該方法缺少后端優(yōu)化和閉環(huán)檢測，對配準初始值比較敏感，導致整體精度不高。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于點云融合的行車場景構(gòu)建方法，用于解決傳統(tǒng)地圖構(gòu)建方法算力不足、單設備重復構(gòu)建的問題。

為了實現(xiàn)上述任務，本發(fā)明采用以下技術方案：

一種基于點云融合的行車場景構(gòu)建方法，包括以下步驟：

步驟1，對車載激光雷達在汽車運動過程中掃描收集的點云數(shù)據(jù)進行畸變補償；

步驟2，將畸變補償后的點云數(shù)據(jù)進行傳感器時間對齊，使點云數(shù)據(jù)在進行畸變補償?shù)耐瑫r，對同一時間下的里程計數(shù)據(jù)進行線性插值計算，使里程計數(shù)據(jù)向點云數(shù)據(jù)對齊時間，得到實現(xiàn)傳感器對齊的機器人的位置姿態(tài)作為前端里程估計的初始預測位置姿態(tài)；

步驟3，創(chuàng)建一個任務隊列用來存放點云數(shù)據(jù)，并生成一個局部地圖；任務隊列中每插入一幀點云數(shù)據(jù)時，輸入該點云數(shù)據(jù)對應的機器人的初始預測位置姿態(tài)，與局部地圖進行點云匹配，對點云數(shù)據(jù)進行正態(tài)分布變換，得到目標點云的所有單位體素，代入高斯概率模型，尋找到局部地圖上與初始預測位置姿態(tài)最近似的點，得到前端里程估計的位姿預估值；

步驟4，采用基于點云的場景識別方式，將前端里程估計創(chuàng)建的任務隊列中的點云數(shù)據(jù)用scan Context特征圖進行描述；定義scan Context特征圖之間的距離計算公式；從scan Context特征圖中提取描述符環(huán)，將其表示為一個多維向量以進行KD樹的構(gòu)建，獲得當前場景的環(huán)的最相似區(qū)域，從中選取和當前場景的環(huán)最相似的歷史環(huán)對應的scancontext作為候選場景的scan context；計算任務隊列中的點云數(shù)據(jù)的scan Context和候選場景的scan context之間的距離，滿足閾值的候選場景則被認為是閉環(huán)，則將所述位姿預估值進行后端優(yōu)化；