一种应用在植被环境下自主导航中的地形估计的方法技术

本发明专利技术涉及自主导航技术领域，具体涉及一种应用在植被环境下自主导航中的地形估计的方法，包括本体感知支撑平面估计

【技术实现步骤摘要】
一种应用在植被环境下自主导航中的地形估计的方法


[0001]本专利技术涉及自主导航
，尤其涉及一种应用在植被环境下自主导航中的地形估计的方法
。

技术介绍

[0002]随着无人机技术的不断发展，自主导航技术在农业
、
林业
、
环境监测等领域得到了广泛应用
。
然而，在自主导航中进行地形估计是一个具有挑战性的问题，因为植被覆盖的区域往往难以被直接观测到，是的机器人对环境的感知变得不准确且耗时更多，生成的路径也与周围环境的真实情况存在偏差
。
而传统的地形测量方法往往需要大量的人力物力，且精度不高，无法满足实际应用的需求
。
因此，研发一种能够在植被环境下进行准确地形估计的自主导航系统具有重要的理论和实际意义
。
由于植被的存在，机器人对环境的感知变得不准确且耗时更多，生成的路径也与周围环境的真实情况存在偏差
。
[0003]现有的自主导航方法通常以植被为障碍物，但这种方法过于保守，因为对于较短的可穿透植被，轮式机器人具有通过植被的能力
。
此外，传统方法通常需要构建先验可遍历性地图进行导航，这需要花费大量时间，尤其是在植被环境中需要精确支持地面估计时
。
激光雷达常用于生成周围环境的点云图
。
因此，在感知层面存在的最大的挑战是植被点云与支撑地面的刚性几何不对应，导致路径规划的偏差或错误
。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提出一种应用在植被环境下自主导航中的地形估计的方法，以解决上述的问题
。
[0005]基于上述目的，本专利技术提供了一种应用在植被环境下自主导航中的地形估计的方法
。
[0006]一种应用在植被环境下自主导航中的地形估计的方法，包括本体感知支撑平面估计
、
外部感知支撑平面估计
、
参数估计以及平面融合，所述本体感知支撑平面估计采用
FAST
‑
LIO2.0
作为里程计，其中融合了
IMU
和激光雷达
LiDAR
的信息以提高定位精度，所述外部感知支撑平面估计采用外部感知依赖于激光雷达生成的点云地图，为了得到一个新的
EP
‑
Plane
，首先拟合对应于
2D
节点的
Surf
‑
Plane
，与
PF
‑
RRT*
中使用的
SVD
方法相比，我们采用
RANSAC
方法来拟合平面，可以避免高大的刚性障碍物
(
例如高大的树木
、
大石头
)
对拟合的坡度的影响，所述参数估计为了保证
MV
‑
GPR
的精度，需要实时估计其参数，对于包含3个变量的高斯过程的本体感知
。
[0007]进一步的，本体感知支撑平面估计模块中，
MV
‑
GPR
用于估计目标区域的
Pro
‑
Plane。
为了减少计算开销，必须限制训练集的大小
。
我们记录位置
{x
i
，
y
i
，
z
Pro
，
i
}
i
＝1：
N
和方向
{r
Pro
，
i
}
i
＝1：
N
，
{p
Pro
，
i
}
i
＝1：
N
机器人前
N
步
。
训练输入数据包括先验轨迹的水平位置而输出数据定义为请注意，为了确保偏航
角对坡度没有影响，我们从旋转矩阵
R
i
中提取翻滚角
(roll)r
和偏航角
(pitch)p
，这可以从机器人的里程计获得
。Y
Pro
，
i
＝
[z
Pro
，
i
，
r
Pro
，
i
，
p
Pro
，
i
]T
对于
i
＝
1...N
，其中
[0008][0009][0010]量化不确定性对于评估平面估计的准确性至关重要，对于本体感觉，训练集的不确定性来自
ROS
系统下的
TF
消息，我们将其设置为常数值
。
在
MV
‑
GPR
中，协方差矩阵
Σ
取决于输入和核函数
k。
与其他核函数
(
如线性
、
有理二次和相比，平方指数
(SE)
核函数更常用，因为它具有简单的形式和许多特性，如平滑性和与其他函数的可积性
。
内核定义为：
[0011][0012]其中是总体方差，
l
是内核长度尺度
。
由于
SE
核的特性，当输入之间的距离
(
欧氏距离
)
越远时，变量
z、r
和
p
的方差变大，这意味着本体感知估计的
Pro
‑
Plane
变得更加不确定
。
[0013]将单个节点的二维坐标
x
new
＝
[x
*
，
y
*
]作为测试集的输入，
{X
，
Y
Pro
}
作为训练集，根据
MV
‑
GPR
的特性，我们可以得到高度和方向因此，我们可以得到
Pro
‑
Plane
的估计为高度方差翻滚角方差和俯仰角方差可以通过和的
Kronecker
乘积获得
。
[0014]进一步的，外部感知支撑平面估计为了得到一个新的
EP
‑
Plane
Φ
EP
，我们首先拟合对应于
2D
节点的
Surf
‑
Plane
Φ
Surf
。
与
PF
‑
RRT*
中使用的
SVD
方法相比，我们采用
RANSAC
方法来拟合平面，可以避免高大的刚性障碍物
(
...

【技术保护点】

【技术特征摘要】
1.
一种应用在植被环境下自主导航中的地形估计的方法，包括本体感知支撑平面估计
、
外部感知支撑平面估计
、
参数估计以及平面融合，其特征在于，所述本体感知支撑平面估计采用
FAST
‑
LIO2.0
作为里程计，其中融合了
IMU
和激光雷达
LiDAR
的信息以提高定位精度；所述外部感知支撑平面估计采用外部感知依赖于激光雷达生成的点云地图，为了得到一个新的
EP
‑
Plane
，首先拟合对应于
2D
节点的
Surf
‑
Plane
，与
PF
‑
RRT*
中使用的
SVD
方法相比，我们采用
RANSAC
方法来拟合平面，可以避免高大的刚性障碍物
(
例如高大的树木
、
大石头
)
对拟合的坡度的影响；所述参数估计为了保证
MV
‑
GPR
的精度，需要实时估计其参数，对于包含3个变量的高斯过程的本体感知
。2.
根据权利要求1所述的一种应用在植被环境下自主导航中的地形估计的方法，其特征在于，所述本体感知支撑平面估计模块中，
MV
‑
GPR
用于估计目标区域的
Pro
‑
P l ane。
为了减少计算开销，必须限制训练集的大小
。
我们记录位置
{x
i
，
y
i
，
z
Pro
，
i
}
i
＝1：
N
和方向
{r
Pro
，
i
}
i
＝1：
N
,{p
Pro
，
i
}
i
＝1：
N
机器人前
N
步
。
训练输入数据包括先验轨迹的水平位置而输出数据定义为请注意，为了确保偏航角对坡度没有影响，我们从旋转矩阵
R
i
中提取翻滚角
(ro l l)r
和偏航角
(p itch)p
，这可以从机器人的里程计获得
。Y
Pro
，
i
＝
[z
Pro
，
i
，
r
Pro
，
i
，
p
Pro
，
i
]
T
对于
i
＝
1...N
，其中，其中量化不确定性对于评估平面估计的准确性至关重要，对于本体感觉，训练集的不确定性来自
ROS
系统下的
TF
消息，我们将其设置为常数值
。
在
MV
‑
GPR
中，协方差矩阵
∑
取决于输入和核函数
k。
与其他核函数
(
如线性
、
有理二次和相比，平方指数
(SE)
核函数更常用，因为它具有简单的形式和许多特性，如平滑性和与其他函数的可积性
。
内核定义为：其中是总体方差，
l
是内核长度尺度
。
由于
SE
核的特性，当输入之间的距离
(
欧氏距离
)
越远时，变量
z、r
和
p
的方差变大，这意味着本体感知估计的
Pro
‑
Plane
变得更加不确定
。
将单个节点的二维坐标
x
new
[x
*
，
y
*
]
作为测试集的输入，
{X
，
Y
Pro
}
作为训练集，根据
MV
‑
GPR
的特性，我们可以得到高度和方向因此，我们可以得到
Pro
‑
Plane
的估计为高度方差翻滚角方差和俯仰角方差可以通过和的
Kronecker
乘积获得
。3.
根据权利要求2所述的一种应用在植被环境下自主导航中的地形估计的方法，其特
征在于，所述外部感知支撑平面估计为了得到一个新的
EP
‑
Plane
Φ
EP
，我们首先拟合对应于
2D
节点的
Surf
‑
Plane
Φ
Surf
，与
PF
‑
RRT*
中使用的
SVD
方法相比，我们采用
RANSAC
方法来拟合平面，可以避免高大的刚性障碍物
(
例如高大的树木
、
大石头
)
对拟合的坡度的影响
。
对于
EP
‑
Plane
的斜率估计，我们认为
EP
‑
Plane
和
Surf
‑
Plane
的翻滚角和俯仰角相同：
r
EP
，
*
＝
r
...

【专利技术属性】
技术研发人员：谭俊波，王学谦，翦卓著，刘泽佳，邵昊昱，陈鑫磊，张林，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：