SLAM建图过程中的平面特征融合方法技术

本发明专利技术涉及一种SLAM建图过程中的平面特征融合方法，属于图像处理领域。步骤为：1)根据车载激光雷达的点云数据分割出不同时刻激光雷达坐标系下的平面特征；2)获取连续不同时刻车载GPS位置和IMU航向角信息，从而得到相对于初始位置的平移矩阵和旋转矩阵；3)将所有激光雷达坐标系下的平面特征信息转换到世界坐标系下；4)针对任意两个不同时刻内的任意平面特征与x

【技术实现步骤摘要】
SLAM建图过程中的平面特征融合方法


[0001]本专利技术属于图像处理领域，涉及SLAM建图过程中的平面特征融合方法。

技术介绍

[0002]车载激光雷达可以精确的对车辆周边环境进行感知且具有响应快，测距长等优点而受到关注。结构化建筑物是城市交通环境中常见的障碍物。如何从三维点云中构建出建筑物对应的地图是车辆对环境进行感知的重要的问题之一。一般情况下，平面特征可以表示真实环境中结构化建筑物的表面，但是针对同一个建筑物表面很可能会在多个连续帧中重复出现，最终导致平面特征地图中出现冗余特征。这些冗余特征应适当融合，以避免地图表述上的歧义并减少计算量。
[0003]现有的平面特征融合方法主要有基于随机聚类后融合的方法和基于连续帧间融合的方法。基于随机聚类后融合的方法在选取初始迭代点时具有较大的随机性，因此聚类时对属于同一类的特征并不能完全的聚在一起，从而在构建全局地图时仍然保留了较多的冗余特征。基于连续帧间融合的方法进行融合时，当前时刻融合得到的结果只与此刻提取到的平面特征和上一时刻融合得到的结果有关，因此随着时间的推移，位置存在着累积误差。
[0004]总而言之，现有的平面特征地图构建方法主要存在以下问题和缺陷：
[0005](1)融合后的特征仍然包含较多的冗余特征，因此构建的地图不够简洁。
[0006](2)融合过程中累积误差的存在导致构建的地图精度不高。

技术实现思路

[0007]有鉴于此，本专利技术的目的在于提供一种SLAM建图过程中的平面特征融合方法。
[0008]为达到上述目的，本专利技术提供如下技术方案：
[0009]SLAM建图过程中的平面特征融合方法，该方法包括以下步骤：
[0010]步骤1：以激光雷达中心位置为坐标原点建立激光雷达坐标系；在连续不同时刻，根据激光雷达的三维点云数据、分割出激光雷达坐标系下的平面特征；
[0011]步骤2：在世界坐标系下，利用车载IMU和GPS经纬度解算出车辆当前位姿相对于初始位置的欧拉变换；
[0012]步骤3：将所有激光雷达坐标系下的平面特征经过欧拉变换转换到世界坐标系下；
[0013]步骤4：针对任意两个不同时刻内的任意平面特征与x
‑
o
‑
y平面的交线进行角度大小的计算、特征圆重合度的计算和相对距离的计算，并将满足这些条件的特征归为同一类；
[0014]步骤5：删除类中特征的个数较少的类，并对剩余类的特征求对应的线性回归方程，之后构建出世界坐标系下的全局地图。
[0015]可选的，所述步骤1包括：
[0016]1‑
1：以激光雷达中心位置为坐标原点o建立激光雷达坐标系，以激光雷达垂直轴线向上的方向为z轴，车体向前的方向为y轴，根据右手系准则确定激光雷达坐标系的x轴方
向；
[0017]1‑
2：从激光雷达点云数据中分割平面特征，具体包括：使用改进的选择性统计估计算法MSSE实现属于结构化建筑物点云的提取并建立平面模型，在平面法向量的垂直方向对平面进行等距分割并统计每个等距分割范围内点云的个数χ
i
，分割出满足条件的平面特征。
[0018]可选的，所述步骤2包括：利用车载IMU通过航迹推算方法推算出在k时刻的航向角γ
k
，将GPS经纬度转换到世界坐标系下得到k时刻的位置(x
k
,y
k
)，利用车辆在k时刻的位姿(x
k
,y
k
,γ
k
)计算出车辆相对于车辆初始位置的欧拉变换T
k
。
[0019]可选的，所述步骤3包括：利用在k时刻的欧拉变换T
k
，将所有激光雷达坐标系下的平面特征转换到世界坐标系下。
[0020]可选的，所述步骤4包括：
[0021]4‑
1：在世界坐标系下，任意两个时刻k和k
‑
i(i＝1,2,3
…
k
‑
1)的平面特征与x
‑
o
‑
y平面相交而形成的任意的两个端点分别为和
[0022]4‑
2：端点Γ
k
和Γ
k
‑
i
对应的直线方程分别是A
k
x+B
k
y+C
k
＝0和A
k
‑
i
x+B
k
‑
i
y+C
k
‑
i
＝0；
[0023]4‑
3：计算平面特征夹角大小为
[0024]4‑
4：第一个判断条件：根据实际环境设定阈值δ，如果β小于阈值δ且大于0，则认为满足第一个判断条件；
[0025]4‑
5：针对端点Γ
k
和Γ
k
‑
i
，以线段的中点为圆心，以线段的长度为直径定义特征圆，与其对应的特征圆圆心半径大小分别为和两特征圆圆心分别记为O
k
和O
k
‑
i
；
[0026]4‑
6：针对端点Γ
k
和Γ
k
‑
i
对应特征圆的交点和两个特征圆圆心相连形成四边形，其中两个以圆心为顶点的内角的大小的一半分别记为α
k
和α
k
‑
i
，则α
k
＝cos
‑1((R
k2
+d2‑
R
k
‑
i2
)/2R
k
d)、α
k
‑
i
＝cos
‑1((R
k
‑
i2
+d2‑
R
k2
)/2R
k
‑
i
d)，其中，d为两特征圆圆心之间的距离，
[0027]4‑
7：计算两特征圆重合的面积
[0028]4‑
7：计算两特征圆的重合度ε＝S
overlap
/S
min
，其中
[0029]4‑
8：第二个判断条件：根据实际环境设定阈值γ，如果ε大于阈值γ且小于1，则认为满足第二个判断条件；
[0030]4‑
9：针对两直线方程A
k
x+B
k
y+C
k
＝0和A
k
‑
i
x+B
k
‑
i
y+C
k
‑
i
＝0、特征圆圆心O
k
和O
k
‑
i
，分别计算圆心到直线之间的相对距离d
k
→...

【技术保护点】

【技术特征摘要】
1.SLAM建图过程中的平面特征融合方法，其特征在于：该方法包括以下步骤：步骤1：以激光雷达中心位置为坐标原点建立激光雷达坐标系；在连续不同时刻，根据激光雷达的三维点云数据、分割出激光雷达坐标系下的平面特征；步骤2：在世界坐标系下，利用车载IMU和GPS经纬度解算出车辆当前位姿相对于初始位置的欧拉变换；步骤3：将所有激光雷达坐标系下的平面特征经过欧拉变换转换到世界坐标系下；步骤4：针对任意两个不同时刻内的任意平面特征与x
‑
o
‑
y平面的交线进行角度大小的计算、特征圆重合度的计算和相对距离的计算，并将满足这些条件的特征归为同一类；步骤5：删除类中特征的个数较少的类，并对剩余类的特征求对应的线性回归方程，之后构建出世界坐标系下的全局地图。2.根据权利要求1所述的SLAM建图过程中的平面特征融合方法，其特征在于：所述步骤1包括：1
‑
1：以激光雷达中心位置为坐标原点o建立激光雷达坐标系，以激光雷达垂直轴线向上的方向为z轴，车体向前的方向为y轴，根据右手系准则确定激光雷达坐标系的x轴方向；1
‑
2：从激光雷达点云数据中分割平面特征，具体包括：使用改进的选择性统计估计算法MSSE实现属于结构化建筑物点云的提取并建立平面模型，在平面法向量的垂直方向对平面进行等距分割并统计每个等距分割范围内点云的个数χ
i
，分割出满足条件的平面特征。3.根据权利要求1所述的SLAM建图过程中的平面特征融合方法，其特征在于：所述步骤2包括：利用车载IMU通过航迹推算方法推算出在k时刻的航向角γ
k
，将GPS经纬度转换到世界坐标系下得到k时刻的位置(x
k
,y
k
)，利用车辆在k时刻的位姿(x
k
,y
k
,γ
k
)计算出车辆相对于车辆初始位置的欧拉变换T
k
。4.根据权利要求1所述的SLAM建图过程中的平面特征融合方法，其特征在于：所述步骤3包括：利用在k时刻的欧拉变换T
k
，将所有激光雷达坐标系下的平面特征转换到世界坐标系下。5.根据权利要求1所述的SLAM建图过程中的平面特征融合方法，其特征在于：所述步骤4包括：4
‑
1：在世界坐标系下，任意两个时刻k和k
‑
i(i＝1,2,3
…
k
‑
1)的平面特征与x
‑
o
‑
y平面相交而形成的任意的两个端点分别为和4
‑
2：端点Γ
k
和Γ
k
‑
i
对应的直线方程分别是A
k
x+B
k
y+C
k
＝0和A
k
‑
i
x+B
k
‑
i
y+C
k
‑
i
＝0；4
‑
3：计算平面特征夹角大小为4
‑
4：第一个判断条件：根据实际环境设定阈值δ，如果β小于阈值δ且大于0，则认为满足第一个判断条件；4
‑
5：针对端点Γ
k
和Γ
k
‑
i
，以线段的中点为圆心，以线段的长度为直径定义特征圆，与其对应的特征圆圆心半径...

【专利技术属性】
技术研发人员：李飞亚，傅春耘，孙冬野，胡明辉，
申请(专利权)人：重庆大学，
类型：发明
国别省市：