一种三维模型的构建方法及装置制造方法及图纸

本发明专利技术提供了一种三维模型的构建方法及装置，利用每个采样点的角速度和线速度，对相应采样点的点云数据进行运动补偿，降低运动畸变导致的误差，得到每个采样点的准确预测位姿。然后通过对运动补偿后的预测位姿形成的点云地图与历史点云地图进行点云匹配，剔除表示运动物体的点云数据，得到更新后的历史点云地图，在轮式机器人运行过程中即使遇到行人等运动物体也能准确建模。最后利用回环检测进行全局一致优化，将轮式机器人在运行过程中得到的各个预设周期内的更新后的历史点云地图进行拼接得到三维模型，进一步提高建模精度。本发明专利技术轮式机器人在需要建模的环境中运行一周就能完成建模，在提高了建模精度的同时，也提高了建模效率。

【技术实现步骤摘要】
一种三维模型的构建方法及装置
本专利技术涉及定位
，更具体的，涉及一种三维模型的构建方法及装置。
技术介绍
构建大型商场、停车场等室内大场景的三维模型是线下场景数字化中的一个重要环节。室内大场景的三维模型构建完成后，可以将店铺、车位等信息同步到三维模型坐标系中，在线上渲染线下的场景；还可以用于获取场景中部署的摄像头的位姿，进而利用摄像头的位姿辅助基于摄像头的行人或车辆的导航。为了更好的发挥室内大场景的三维模型的作用，需要预先构建高精度的三维模型。但是，目前已有的很多建图的方法在大型室内场景下都有各自的问题，无法实现室内大场景下高精度的三维模型建模。
技术实现思路
有鉴于此，本专利技术提供了一种三维模型的构建方法及装置，提高了三维模型的建模精度。为了实现上述专利技术目的，本专利技术提供的具体技术方案如下：一种三维模型的构建方法，包括：获取轮式机器人在运行过程中预设周期内每个采样点的角速度和线速度，所述采样点为所述轮式机器人中的激光雷达发送点云数据的时刻；利用所述预设周期内每个所述采样点的角速度和线速度，对相应所述采样点的点云数据进行运动补偿，得到运动补偿后的所述预设周期内每个所述采样点的预测位姿；将运动补偿后的所述预设周期的内每个所述采样点的预测位姿形成的点云地图与历史点云地图进行点云匹配，根据点云匹配结果剔除表示运动物体的点云数据，并将当前点云添加到历史点云地图中，得到更新后的历史点云地图；在检测到所述轮式机器人运行到历史位置的情况下，根据相对位置约束和帧间约束进行全局一致优化，将所述轮式机器人在运行过程中得到的各个所述预设周期内的更新后的历史点云地图，根据全局一致的优化后位姿进行拼接，得到三维点云模型。可选的，所述利用所述预设周期内每个所述采样点的角速度和线速度，对相应所述采样点的点云数据进行运动补偿，得到运动补偿后的所述预设周期内每个所述采样点的预测位姿，包括：以预设周期的起始采样点为起始点，对所述预设周期内的角速度进行一阶积分，得到每个所述采样点的激光雷达相对于起始点的激光雷达的相对旋转；利用所述预设周期内每个所述采样点的相对旋转，将所述预设周期内每个所述采样点激光雷达坐标系下的线速度转化为起始点坐标系下的线速度，并对其进行一阶积分，得到所述预设周期内每个所述采样点的位移；根据所述预设周期内每个所述采样点的相对旋转和位移，确定所述预设周期内每个所述采样点的相对位姿；依据所述预设周期内每个所述采样点的点云数据和相对位姿，将所述预设周期内每个采样点的点云数据变换到起始点坐标系下，确定所述预设周期内每个所述采样点的预测位姿。可选的，所述利用所述预设周期内每个所述采样点的角速度和线速度，对相应所述采样点的点云数据进行运动补偿，得到运动补偿后的所述预设周期内每个所述采样点的预测位姿，包括：以上个预设周期的终止时刻为开始时刻，以当前预设周期起始时刻为终止时刻，对该周期内的角速度进行一阶积分，得到每个所述采样点的激光雷达相对于起始点的激光雷达的相对旋转；利用该周期内每个所述采样点的相对旋转，将所述预设周期内每个所述采样点激光雷达坐标系下的线速度转化为起始点坐标系下的线速度，并对其进行一阶积分，得到所述预设周期内每个所述采样点的位移；根据所述时间段内每个所述采样点所述轮式机器人的加速度，确定所述预设周期内每个所述采样点所述轮式机器人在重力坐标系下的俯仰角和翻滚角；分别依据所述预设周期内每个所述采样点所述轮式机器人在重力坐标系下的俯仰角和翻滚角，对相应的所述采样点的位移进行修正，最终得到每个所述采样点对应的从开始时刻到终止时刻的相对位姿；利用开始时刻的绝对位姿和每个所述采样点对应的从开始时刻到终止时刻的相对位姿，计算得到当前点云起始时刻绝对重力坐标系下的预测位姿。可选的，所述将运动补偿后的所述预设周期的内每个所述采样点的预测位姿形成的点云地图与历史点云地图进行点云匹配，根据点云匹配结果剔除表示运动物体的点云数据，并将当前点云添加到历史点云地图中，得到更新后的历史点云地图，包括：基于相关性匹配的方法，找到一个旋转和平移，使所述预设周期内的点云地图与历史点云地图的匹配度最高；将上个所述预设周期的点云地图中存在但在所述预设周期的点云地图中不存在的点云数据，确定为表示运动物体的点云数据；剔除表示运动物体的点云数据，并对所述预设周期的点云地图与历史点云地图进行合并，得到所述更新后的历史点云地图。可选的，所述在检测到所述轮式机器人运行到历史位置的情况下，根据相对位置约束和帧间约束进行全局一致优化，将所述轮式机器人在运行过程中得到的各个所述预设周期内的更新后的历史点云地图，根据全局一致的优化后位姿进行拼接，得到三维点云模型，包括：在检测到所述轮式机器人运行到历史位置的情况下，对所述当前所述预设周期的原始点云地图与所述历史位置对应的点云地图进行无预测位姿的暴力点云匹配，生成相对位置约束；将帧间相对旋转和位移作为帧间约束，并根据所述相对位置约束和所述帧间约束构建残差项；以所述残差项最小为优化目标，计算每个所述采样点的优化位姿；将每个所述预设周期的更新后的历史点云地图，按照其优化位姿进行拼接，得到三维点云模型。可选的，所述检测到所述轮式机器人运行到历史位置，包括：利用所述轮式机器人设置的图像采集设备，获取实时图像；将所述实时图像转换为一个长向量；在由历史图像长向量组成的向量库中进行最近邻搜索，在搜索到与所述实时图像的长向量的相似度大于阈值的历史图像长向量的情况下，确定所述轮式机器人运行到历史位置。一种三维模型的构建装置，包括：数据获取单元，用于获取轮式机器人在运行过程中预设周期内每个采样点的角速度和线速度，所述采样点为所述轮式机器人中的激光雷达发送点云数据的时刻；运动补偿单元，用于利用所述预设周期内每个所述采样点的角速度和线速度，对相应所述采样点的点云数据进行运动补偿，得到运动补偿后的所述预设周期内每个所述采样点的预测位姿；点云匹配单元，用于将运动补偿后的所述预设周期的内每个所述采样点的预测位姿形成的点云地图与历史点云地图进行点云匹配，根据点云匹配结果剔除表示运动物体的点云数据，并将当前点云添加到历史点云地图中，得到更新后的历史点云地图；地图拼接单元，用于在检测到所述轮式机器人运行到历史位置的情况下，根据相对位置约束和帧间约束进行全局一致优化，将所述轮式机器人在运行过程中得到的各个所述预设周期内的更新后的历史点云地图，根据全局一致的优化后位姿进行拼接，得到三维点云模型。可选的，所述运动补偿单元，具体用于：以预设周期的起始采样点为起始点，对所述预设周期内的角速度进行一阶积分，得到每个所述采样点的激光雷达相对于起始点的激光雷达的相对旋转；利用所述预设周期内每个所述采样点的相对旋转，将所述预设周期内每个所述采样点激光雷达坐标系下的线速度转化为起始点坐标系下的线速度，并对其进行一本文档来自技高网...

【技术保护点】
1.一种三维模型的构建方法，其特征在于，包括：/n获取轮式机器人在运行过程中预设周期内每个采样点的角速度和线速度，所述采样点为所述轮式机器人中的激光雷达发送点云数据的时刻；/n利用所述预设周期内每个所述采样点的角速度和线速度，对相应所述采样点的点云数据进行运动补偿，得到运动补偿后的所述预设周期内每个所述采样点的预测位姿；/n将运动补偿后的所述预设周期的内每个所述采样点的预测位姿形成的点云地图与历史点云地图进行点云匹配，根据点云匹配结果剔除表示运动物体的点云数据，并将当前点云添加到历史点云地图中，得到更新后的历史点云地图；/n在检测到所述轮式机器人运行到历史位置的情况下，根据相对位置约束和帧间约束进行全局一致优化，将所述轮式机器人在运行过程中得到的各个所述预设周期内的更新后的历史点云地图，根据全局一致的优化后位姿进行拼接，得到三维点云模型。/n

【技术特征摘要】
1.一种三维模型的构建方法，其特征在于，包括：
获取轮式机器人在运行过程中预设周期内每个采样点的角速度和线速度，所述采样点为所述轮式机器人中的激光雷达发送点云数据的时刻；
利用所述预设周期内每个所述采样点的角速度和线速度，对相应所述采样点的点云数据进行运动补偿，得到运动补偿后的所述预设周期内每个所述采样点的预测位姿；
将运动补偿后的所述预设周期的内每个所述采样点的预测位姿形成的点云地图与历史点云地图进行点云匹配，根据点云匹配结果剔除表示运动物体的点云数据，并将当前点云添加到历史点云地图中，得到更新后的历史点云地图；
在检测到所述轮式机器人运行到历史位置的情况下，根据相对位置约束和帧间约束进行全局一致优化，将所述轮式机器人在运行过程中得到的各个所述预设周期内的更新后的历史点云地图，根据全局一致的优化后位姿进行拼接，得到三维点云模型。


2.根据权利要求1所述的方法，其特征在于，所述利用所述预设周期内每个所述采样点的角速度和线速度，对相应所述采样点的点云数据进行运动补偿，得到运动补偿后的所述预设周期内每个所述采样点的预测位姿，包括：
以预设周期的起始采样点为起始点，对所述预设周期内的角速度进行一阶积分，得到每个所述采样点的激光雷达相对于起始点的激光雷达的相对旋转；
利用所述预设周期内每个所述采样点的相对旋转，将所述预设周期内每个所述采样点激光雷达坐标系下的线速度转化为起始点坐标系下的线速度，并对其进行一阶积分，得到所述预设周期内每个所述采样点的位移；
根据所述预设周期内每个所述采样点的相对旋转和位移，确定所述预设周期内每个所述采样点的相对位姿；
依据所述预设周期内每个所述采样点的点云数据和相对位姿，将所述预设周期内每个采样点的点云数据变换到起始点坐标系下，确定所述预设周期内每个所述采样点的预测位姿。


3.根据权利要求1所述的方法，其特征在于，所述利用所述预设周期内每个所述采样点的角速度和线速度，对相应所述采样点的点云数据进行运动补偿，得到运动补偿后的所述预设周期内每个所述采样点的预测位姿，包括：
以上个预设周期的终止时刻为开始时刻，以当前预设周期起始时刻为终止时刻，对该周期内的角速度进行一阶积分，得到每个所述采样点的激光雷达相对于起始点的激光雷达的相对旋转；
利用该周期内每个所述采样点的相对旋转，将所述预设周期内每个所述采样点激光雷达坐标系下的线速度转化为起始点坐标系下的线速度，并对其进行一阶积分，得到所述预设周期内每个所述采样点的位移；
根据所述时间段内每个所述采样点所述轮式机器人的加速度，确定所述预设周期内每个所述采样点所述轮式机器人在重力坐标系下的俯仰角和翻滚角；
分别依据所述预设周期内每个所述采样点所述轮式机器人在重力坐标系下的俯仰角和翻滚角，对相应的所述采样点的位移进行修正，最终得到每个所述采样点对应的从开始时刻到终止时刻的相对位姿；
利用开始时刻的绝对位姿和每个所述采样点对应的从开始时刻到终止时刻的相对位姿，计算得到当前点云起始时刻绝对重力坐标系下的预测位姿。


4.根据权利要求1所述的方法，其特征在于，所述将运动补偿后的所述预设周期的内每个所述采样点的预测位姿形成的点云地图与历史点云地图进行点云匹配，根据点云匹配结果剔除表示运动物体的点云数据，并将当前点云添加到历史点云地图中，得到更新后的历史点云地图，包括：
基于相关性匹配的方法，找到一个旋转和平移，使所述预设周期内的点云地图与历史点云地图的匹配度最高；
将上个所述预设周期的点云地图中存在但在所述预设周期的点云地图中不存在的点云数据，确定为表示运动物体的点云数据；
剔除表示运动物体的点云数据，并对所述预设周期的点云地图与历史点云地图进行合并，得到所述更新后的历史点云地图。


5.根据权利要求1所述的方法，其特征在于，所述在检测到所述轮式机器人运行到历史位置的情况下，根据相对位置约束和帧间约束进行全局一致优化，将所述轮式机器人在运行过程中得到的各个所述预设周期内的更新后的历史点云地图，根据全局一致的优化后位姿进行拼接，得到三维点云模型，包括：
在检测到所述轮式机器人运行到历史位置的情况下，对所述当前所述预设周期的原始点云地图与所述历史位置对应的点云地图进行无预测位姿的暴力点云匹配，生成相对位置约束；
将帧间相对旋转和位移作为帧间约束，并根据所述相对...

【专利技术属性】
技术研发人员：郭嘉斌，
申请(专利权)人：北京爱笔科技有限公司，
类型：发明
国别省市：北京;11