【技术实现步骤摘要】
本专利技术涉及定位监测，具体涉及一种基于激光雷达slam的定位退化检测方法。
技术介绍
1、随着机器人技术的飞速发展，越来越多的科技产品如无人车、无人机等开始走进人们的生活，而其中实现各类移动机器人智能化的一项重要技术就是定位。智能移动机器人已经越越多的则用到的日常生活和工作中，比如智能送餐机器人、智能物流机器人、智能清洁机器人以及自动驾驶汽车等；智能移动机器人的推广得益于自动驾驶技术的日趋成熟，不仅使得生产效率有大幅度的提升，而且极大提高人们的生活质量。在实际应用中，移动机器人在面对复杂场景，如光照变换、动态障碍物多时，容易导致跟踪失败，进而影响移动机器人的定位与建图过程。因而复杂环境下的同步定位与建图(simultaneouslocalization and mapping,slam)是当前移动机器人研究的热点与重要方向。
2、自动驾驶技术涵盖同步定位与建图(slam)、导航、感知、决策、通信安全等多个关键技术；其中，slam技术作为实现机器人自动驾驶的基础与保障，是通过传感器信息对环境进行识别与建模，使得机器人能够在未知环境中运动时确定自身位置；slam技术根据所采用的传感器类型不同，分为激光slam和视觉slam两种主要类型；由于激光雷达具有更好的测距性能和稳定性，激光slam在各个领域的则用更加广泛。
3、尽管激光slam技术在广泛的场景中得到则用，但由于激光雷达的物理特性限制，在某些特殊场景中(如隧道、机场等)，激光雷达slam能出现退化现象，导致机器人无法获取准确的位姿信息，从而存在较大的安
4、通过有效的退化检测方法，以及时识别出激光雷达slam系统退化的情况，以便采取相应措施；当检测到退化状态时，机器人以采取相应策略，如尝试重新定位、调整传感器参数或切换到备用导航模式等，以保证机器人在退化环境中的安全运行；在激光雷达slam系统中，准确且有效的退化检测方法为后续的决策和控制提供关键信息，对于提高机器人的自主导航能力和安全性至关重要。
5、激光雷达slam出现退化现象的主要原因是算法高度依赖于环境的几何信息，这些算法通常能够在几何信息丰富的场景中发挥最佳性能；然而，在某些特殊的场景中，激光雷达无法获取足够的几何约束信息，这是由于缺乏显著的特征结构或传感器的视野受限；例如，在长直走廊、长隧道或开阔的公路等场景中，激光雷达在前后方向上难以获取有效的几何信息；类似地，在空旷的广场或机场等多方向结构特征稀疏场景中，激光雷达在前后、左右和垂直于地面的方向上都无法获得足够的几何信息；
6、针对于此，目前主流的退化检测方法通常基于点到点的方法计算前后帧之间点云的残差变化判断激光雷达slam系统的退化状态；尽管该方法的检测结果较为精确，但由于点到点检测方式容易受到噪点的干扰，现有的退化检测方法往往存在误检测的问题；误检测进一步影响算法对机器人状态的判断，导致能采取错误的处理方案；因此，一种精确的退化检测方法对于提高slam系统的精度和鲁棒性具有重要意义。
技术实现思路
1、鉴于以上所述现有技术的缺点，本专利技术提供一种基于激光雷达slam的定位退化检测方法。能够降低噪点影响的退化因子表征激光雷达slam系统的退化状态，为slam系统提供机器人的状态信息，使机器人能够提前规避或作出则对决策；提高slam系统的精度和鲁棒性。
2、为实现上述效果，本专利技术的技术方案如下：
3、本专利技术提供一种基于激光雷达slam的定位退化检测方法，包括以下步骤：
4、步骤1：自适应点云分割：利用激光雷达扫描周围环境，采集点云数据，分析激光雷达slam体素内的点云分布密度，提取点云密度稀疏的区域，划分体素，使得子体素满足高斯分布；具体步骤如下：
5、a)设置初始体素大小：根据点云的最小坐标值(xmin,ymin,zmin)和最大坐标值(xmax,ymax,zmax)将所有点云包含在一个体素中，对体素进行迭代分割；
6、b)几何模型分类：将体素内的点云形状分为线模型、面模型和立体模型；依据点云分布密度，根据不同的点云形状模型采取不同的分割策略；
7、c)重叠点云检测；在体素分割之前对分割线所在方向上的点云进行检测，如果分割线与许多点云重叠，则该方向不进行分割；体素被分割成多个小的不规则体素，其点云分布符合高斯分布；
8、步骤2：退化检测：基于点到分布的方式降低噪声的干扰，具体如下：
9、计算体素内点云的均值μi-1和协方差矩阵∑i-1，均值μi-1和协方差矩阵∑i-1即代表该体素内点云的局部几何信息，获取当前帧点云xi在局部空间的分布概率i(p)；
10、如果机器人处于退化场景中，加入扰动δd时，获取当前帧点云xi的加入扰动δd后的分布概率fi(p+δd)；根据添加扰动δd前后分布概率fi(p+δd)的变化，获取机器人在各个方向上的退化程度。
11、进一步的，步骤1所述依据点云分布密度，根据不同的点云形状模型采取不同的分割策略，包括：
12、1)对于立体模型，将体素分成八等份，返回步骤b对分割后的体素进行分类；
13、2)对于线模型，点云分布主要集中在一个方向上，获取点云在该方向上的分布；如果稀疏区域与密集区域相间，则认为点云不符合高斯分布假设，则对点云进一步划分，即：
14、将所有点云投影到特征向量νi上，根据映射点之间的距离判断点云的分布密度，νi是点云分布集中方向的特征向量；将点云分散的区域设为稀疏区域，点云聚集的区域为密集区域；取稀疏区域的中心点c作为分割点，并沿分割点的x、y、z方向进行分割；
15、3)对于面模型，由于点云的分布主要集中在两个特征向量形成的平面上，仅分析点云在该平面上的分布密度，提取出稀疏区域和密集区域；
16、当体素内没有稀疏区域时，则认为该体素符合分布概率要求并停止分割。
17、进一步的，所述线模型、面模型和立体模型表示为：
18、
19、式中，λ*为体素内点云协方差∑i的特征值。
20、进一步的，所述协方差∑i计算如下式所示：
21、
22、式中，为体素内点云的均值。
23、进一步的，步骤1之后还包括：
24、由于点云数量低于3时无法满足高斯分布假设，将点云数量低于3个的体素定义为稀疏体素；通过将临近的稀疏体素融合形成一个新的体素，且不参与分割；如果没有找到临近其他的稀疏体素，则将该体素内的点云将作为噪点丢弃。
25、进一步的，所述分布概率si(p)用概率密度函数pdf表示为：
26、
27、式中，p是当前点云与对应局部点云之间的位置变换，对公式(2)的两边同时取对数，得：
28、
2本文档来自技高网...
【技术保护点】
1.一种基于激光雷达SLAM的定位退化检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤1所述依据点云分布密度，根据不同的点云形状模型采取不同的分割策略，包括：
3.根据权利要求2所述的方法，其特征在于，所述线模型、面模型和立体模型表示为：
4.根据权利要求3所述的方法，其特征在于，所述协方差∑i计算如下式所示：
5.根据权利要求4所述的方法，其特征在于，步骤1之后还包括：
6.根据权利要求5所述的方法，其特征在于，所述分布概率Si(p)用概率密度函数PDF表示为：
7.根据权利要求6所述的方法，其特征在于，当前帧点云xi加入扰动δd后的分布概率Fi(p+δd)表示为：
8.根据权利要求7所述的方法，其特征在于，所述获取机器人在各个方向上的退化程度，包括：
9.根据权利要求8所述的方法，其特征在于，在扰动δd的影响下，当约束不足时，点云在对应体素内的分布概率i(p)越低，加入扰动δd后的分布概率Fi(p+δd)越小；当扰动δd越大，则退化因子D越大；因
10.根据权利要求9所述的方法，其特征在于，所述激光雷达为3D激光雷达。
...【技术特征摘要】
1.一种基于激光雷达slam的定位退化检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤1所述依据点云分布密度，根据不同的点云形状模型采取不同的分割策略，包括：
3.根据权利要求2所述的方法，其特征在于，所述线模型、面模型和立体模型表示为：
4.根据权利要求3所述的方法，其特征在于，所述协方差∑i计算如下式所示：
5.根据权利要求4所述的方法，其特征在于，步骤1之后还包括：
6.根据权利要求5所述的方法，其特征在于，所述分布概率si(p)用概率密度函数pdf表示为...
【专利技术属性】
技术研发人员：朱海飞，纪穑华，陈炜楠，周雪峰，苏泽荣，毛世鑫，管贻生，
申请(专利权)人：广东工业大学，
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。