System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及无人机,具体涉及基于结构化信息辅助的无人机激光雷达重定位方法及系统。
技术介绍
1、在现有技术中,无人机的自主探索路径规划是无人机领域的一个重要研究方向。无人机的自主探索任务是其自主性和智能性的关键体现,而路径规划作为实现无人机自主探索的基础技术,受到广泛关注。
2、在实际应用中,无人机往往会在固定的已知场景中工作,如:园区、厂房、船舱,此时通常已有先验三维点云地图。当无人机进入工作场景时,为了在先验地图的基础上开展匹配定位、目标标识等工作,需要进行初始重定位建立自身与先验地图的联系。然而重定位不同于slam方法中的回环检测,其需要在无位置初值的情况下进行全局搜索,搜索范围广、匹配难度高。
3、传统的激光雷达重定位方法主要基于点云特征,如m2dp、scan context及其变体等。其中,基于scan context即sc点云描述子的重定位方法是一种常用的激光雷达重定位方法。传统sc重定位方法描述子构建依赖于每一帧点云,不仅占用较大内存空间,而且无法基于场景地图完成重定位工作。同时sc点云描述子搜索效率较低,而且精匹配时两帧点云匹配难以保证全局匹配精度。室内狭小的纵向距离和重复的场景结构会影响重定位精度,并且复杂的描述子构建和查询过程,无法满足巡检无人机仅基于先验地图的快速重定位需求。
技术实现思路
1、针对上述背景中的技术问题,本专利技术通过结合室内多平面特性,利用场景非平面结构及平面结构辅助,提出一种具有三层位姿优化结构的激光雷达室内重定位
2、为实现上述目的,本专利技术提供了基于结构化信息辅助的无人机激光雷达重定位方法,步骤包括:
3、获取室内场景的先验地图,同时利用激光雷达传感器采集室内场景的环境信息,并获取先验地图点云和环境信息点云;
4、基于所述先验地图点云和所述环境信息点云,分别构建三角描述子;
5、基于所述三角描述子,获取重定位过程中的位姿初始值;
6、基于所述位姿初始值,构建平面模型,所述平面模型包括:环境信息平面模型和先验地图平面模型;
7、基于所述平面模型,完成无人机激光雷达的重定位。
8、优选的,获取所述三角描述子的方法包括:
9、提取所述先验地图点云和所述环境因素点云的非平面体素;
10、将体素化分割后的所述环境因素点云和所述先验地图点云进行局部平面拟合,将分割出来的边界体素向平面进行投影,从而提取关键点;
11、使用关键点分别构建所述三角描述子。
12、优选的,获取所述位姿初始值的方法包括:
13、将环境信息点云的三角描述子与先验地图的三角描述子逐一匹配,利用匹配成功的三角描述子配对计算所述位姿初始值;对每个三角描述子去中心化后相乘,再将乘积累加从而得到协方差矩阵:
14、
15、q=(pa+pb+pc)/3
16、式中,∑td表示三角描述子协方差矩阵,cur和map分别表示当前点云和先验地图点云,i表示描述子序号,δ=a,b,c为三角描述子的三个顶点序号,p表示三角描述子顶点,q表示三角描述子中心;
17、对协方差矩阵进行svd分解后,计算出当前描述子与地图描述子之间的旋转和位移变换:
18、∑td=ud v t
19、
20、
21、式中,∑td表示三角描述子协方差矩阵,d表示对角矩阵,u、v表示正交矩阵,cur和map分别表示当前点云和先验地图点云,r和t分别表示旋转矩阵和位移向量,q表示三角描述子中心。
22、优选的,构建所述平面模型的方法包括:使用平面结构优化所处初始位姿,通过平面匹配估计所述环境信息点云和所述先验地图点云之间的精确位姿;之后,提取所述环境信息点云和所述先验地图点云中的场景平面并建立平面模型;其中,以每个平面中心为坐标原点建立平面坐标系,以平面法向量方向为z轴,以平面协方差矩阵所对应的前两位特征值所对应的特征向量建立x轴和y轴。
23、优选的,利用所述平面模型,完成所述无人机激光雷达的重定位的方法包括:
24、基于平面模型信息因子对所述平面模型进行排序;
25、在排序后的所述平面模型中,对所述环境信息点云与所述先验地图点云进行匹配,得到精确位姿关系;
26、基于所述精确位姿关系,完成所述无人机激光雷达的重定位。
27、本专利技术还提供了基于结构化信息辅助的无人机激光雷达重定位系统,所述系统用于实现上述方法,包括:采集模块、构建模块、获取模块、建模模块和定位模块;
28、所述采集模块用于获取室内场景的先验地图,同时利用激光雷达传感器采集室内场景的环境信息,并获取先验地图点云和环境信息点云;
29、所述构建模块用于基于所述先验地图点云和所述环境信息点云,分别构建三角描述子;
30、所述获取模块用于基于所述三角描述子,获取重定位过程中的位姿初始值;
31、所述建模模块用于基于所述位姿初始值,构建平面模型,所述平面模型包括:环境信息平面模型和先验地图平面模型;
32、所述定位模块用于基于所述平面模型,完成无人机激光雷达的重定位。
33、优选的,所述构建模块的工作流程包括:
34、提取所述先验地图点云和所述环境因素点云的非平面体素;
35、将体素化分割后的所述环境因素点云和所述先验地图点云进行局部平面拟合,将分割出来的边界体素向平面进行投影,从而提取关键点;
36、使用关键点分别构建所述三角描述子。
37、优选的,所述获取模块的工作流程包括:
38、将环境信息点云的三角描述子与先验地图的三角描述子逐一匹配,利用匹配成功的三角描述子配对计算初始位姿;对每个三角描述子去中心化后相乘,再将乘积累加从而得到协方差矩阵:
39、
40、q=(pa+pb+pc)/3
41、式中,∑td表示三角描述子协方差矩阵,cur和map分别表示当前点云和先验地图点云,i表示描述子序号,δ=a,b,c为三角描述子的三个顶点序号,p表示三角描述子顶点,q表示三角描述子中心;
42、对协方差矩阵进行svd分解后,计算出当前描述子与地图描述子之间的旋转和位移变换:
43、∑td=ud v t
44、
45、
46、式中,∑td表示三角描述子协方差矩阵,d表示对角矩阵,u、v表示正交矩阵,cur和map分别表示当前点云和先验地图点云,r和t分别表示旋转矩阵和位移向量,q表示三角描述子中心。
47、与现有技术相比,本本文档来自技高网...
【技术保护点】
1.基于结构化信息辅助的无人机激光雷达重定位方法,其特征在于,步骤包括:
2.根据权利要求1所述的基于结构化信息辅助的无人机激光雷达重定位方法,其特征在于,获取所述三角描述子的方法包括:
3.根据权利要求2所述的基于结构化信息辅助的无人机激光雷达重定位方法,其特征在于,获取所述位姿初始值的方法包括:
4.根据权利要求3所述的基于结构化信息辅助的无人机激光雷达重定位方法,其特征在于,构建所述平面模型的方法包括:使用平面结构优化所处初始位姿,通过平面匹配估计所述环境信息点云和所述先验地图点云之间的精确位姿;之后,提取所述环境信息点云和所述先验地图点云中的场景平面并建立平面模型;其中,以每个平面中心为坐标原点建立平面坐标系,以平面法向量方向为z轴,以平面协方差矩阵所对应的前两位特征值所对应的特征向量建立x轴和y轴。
5.根据权利要求4所述的基于结构化信息辅助的无人机激光雷达重定位方法,其特征在于,利用所述平面模型,完成所述无人机激光雷达的重定位的方法包括:
6.基于结构化信息辅助的无人机激光雷达重定位系统,所述系统用于实现权利
7.根据权利要求6所述的基于结构化信息辅助的无人机激光雷达重定位系统,其特征在于,所述构建模块的工作流程包括:
8.根据权利要求6所述的基于结构化信息辅助的无人机激光雷达重定位系统,其特征在于,所述获取模块的工作流程包括:
...【技术特征摘要】
1.基于结构化信息辅助的无人机激光雷达重定位方法,其特征在于,步骤包括:
2.根据权利要求1所述的基于结构化信息辅助的无人机激光雷达重定位方法,其特征在于,获取所述三角描述子的方法包括:
3.根据权利要求2所述的基于结构化信息辅助的无人机激光雷达重定位方法,其特征在于,获取所述位姿初始值的方法包括:
4.根据权利要求3所述的基于结构化信息辅助的无人机激光雷达重定位方法,其特征在于,构建所述平面模型的方法包括:使用平面结构优化所处初始位姿,通过平面匹配估计所述环境信息点云和所述先验地图点云之间的精确位姿;之后,提取所述环境信息点云和所述先验地图点云中的场景平面并建立平面模型;其中,以每个平面中心为坐标原点建立平面坐标系,以平面法...
【专利技术属性】
技术研发人员:石昌俊,吕品,蔡小飞,沙建东,向林浩,童学友,聂春子,马祥华,衡霖,昝彬彬,陈豪,
申请(专利权)人:南京森思科技有限责任公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。