【技术实现步骤摘要】
本专利技术属于ros无人车规划与导航领域，尤其涉及一种非结构化环境下的ros无人车建图导航方法。
技术介绍
1、自动驾驶技术作为一项革命性的创新，随着技术的不断进步，自动驾驶技术从理论研究逐渐转向实际应用。近年来，人工智能、深度学习和机器学习等领域的快速发展为自动驾驶技术带来了重大突破，使得汽车能够更准确地感知周围环境、做出智能决策，并实现高效的车辆控制。在非结构化环境下，自动驾驶技术的发展面临着更多挑战和机遇。这类环境包括复杂的城市道路、人行横穿、交通信号灯、建筑工地、山地等各种非结构化环境。目前的建图算法，应用在ros无人车上会出现高度误差，点云漂移，地图不准确等问题，导致无法进行后续的定位导航等工作。针对这些挑战，亟需提出效用更高的在非结构化环境下的ros无人车建图导航方法。
技术实现思路
1、本专利技术的目的在于解决现有技术中存在的技术问题，提供一种非结构化环境下的ros无人车建图导航方法。
2、为了实现上述目的，本专利技术提供的技术方案是：一种非结构化环境下的ros无人车建图导航方法，该方法包括以下步骤：
3、步骤(1)：对非结构化环境使用快速直接激光雷达惯性里程计算法输出里程计位姿和关键帧信息，接着调用作为回环检测器的非直方图的全局描述符算法，再使用激光里程计与地图构建算法，输出初步的全局三维地图。
4、步骤(2)：首先，使用基于贝叶斯树的增量平滑和映射求解器优化全局地图因子图，提取特征点，进行特征匹配；接着，使用基于卷积神经网络的姿
5、步骤(3)：使用3d自适应蒙特卡洛算法，利用对初始化固定信标的测距来重新调整定位误差，从而检测并纠正里程测量的累积误差，实现位置估计；接着，通过平面拟合搜索树方法得到稀疏路径，再由高斯过程回归对稀疏路径进行插值，得到可行的全局路径。
6、步骤(4)：首先，结合基于层次密度的空间聚类算法和无迹卡尔曼滤波器对无人车周围的障碍物进行参数化并预测其未来轨迹，再使用改进的自适应动态控制障碍函数模型预测控制算法对上述全局路径进行跟随，对障碍物进行躲避，直至到达目标点。
7、进一步的，步骤(1)的具体步骤为：调用激光雷达、相机、惯导、轮式里程计所传输的环境数据，利用紧耦合迭代扩展卡尔曼滤波器将激光雷达特征点与惯导数据进行融合并输出里计位姿和关键帧信息。
8、步骤2.1非直方图的全局描述符算法具体为：
9、非直方图的全局描述符算法通过降维将3d点云转换为2.5d，并使用搜索算法匹配当前帧和历史帧的点云数据，从而实现回环检测；对于一帧由激光雷达扫描的点云数据，从三维点云的顶部获取俯视图，并以激光雷达位置为原点建立极坐标系。从原点向外划分20个圆环，每个圆环划分为60个等分的部分，即1200个网格，以每个网格中点的最大高度(z值)作为网格值。然后将俯视图径向展开为20行60列的矩形图像，分别计算每行和每列的平均值，得到环键矩阵和扇形矩阵，作为全局描述符；利用一次扫描的点云数据构建矩形图像扫描上下文，利用环键向量构建二叉树，进行近邻搜索，找出与当前帧回环的多个相似帧及其环键平移值，计算相似度得分，筛选出得分高的相似帧；然后，逐扇区计算最小偏移量和相似度得分，选择相似度得分最高的帧作为环回帧，求解当前帧与环回帧之间的姿态关系，实现环路检测。
10、步骤2.2激光里程计与地图构建算法具体为：
11、在每次扫描过程中，激光扫描中接收到的点被记录在序列中；在接下来的扫描过程中的点云组合构成点云簇；然后，用两种算法对点云簇进行处理；激光雷达测距算法提取点云，并计算激光雷达不间断扫描之间的运动；估计的运动用于纠正点云簇中的失真，该算法在10赫兹的执行条件下来估计激光雷达的运动；然后，激光雷达绘图算法对输出进行处理，在1赫兹的频率下运行，得到精确匹配和校准后的点云；最后，结合上述两种算法能够实现实时映射，输出激光雷达相对于实时三维地图的姿态。
12、本专利技术的三维建图方法由快速直接激光雷达惯性里程计作为前端里程计方法，使用非直方图的全局描述符算法作为回环检测器，集成到激光里程计与地图构建算法中，作为后端检测，最终输出初步的三维点云地图；其后端检测接收由快速直接激光雷达惯性里程计发送的里程计位姿和关键帧数据，在后端检测中进行轨迹优化后，传回快速直接激光雷达惯性里程计中影响里程计输出，不断减小点云位姿累计误差，消除点云地图漂移、高度误差以及z轴误差。
13、进一步的，步骤(2)的具体步骤为：使用基于贝叶斯树的增量平滑和映射求解器优化全局地图因子图，使用贝斯树处理稀疏矩阵，在转化为因子图，可以更好的求解平方根信息和映射问题，使用基于卷积神经网络的姿态图优化方案，利用多重旋转平均进行绝对相机姿态回归，从而实现全局姿态图优化，建立全局地图；调用用于构建静态点云图的新算法，称为多分辨率范围图像构建静态点云图算法，该算法提出了基于多分辨率测距图像的减少误差预测的方法；保守地保留了确定的静态点云，然后通过扩大查询图相关窗口大小的方式，来迭代恢复更多不确定的静态点，从而隐式地补偿激光雷达的运动或对齐误差，对pcd点云进行动态轨迹滤除。
14、进一步的，步骤(3)的具体步骤为：调用3d自适应蒙特卡洛算法作用于构建的三维点云地图；该算法能够在激光雷达里程测量的基础上先进行可靠的短期位置估算，同时由于地图匹配和测距测量的整合，使其漂移保持在一定范围内；接着由里程测量先验，过滤激光测距中存在的噪音和异常值；最后，当点云与地图的匹配效果不佳时，3d自适应蒙特卡洛算法会利用里程测量更新粒子的运动和测距，以保持粒子位置的低离散性；该算法提供了可靠的位置和偏航角定位；此外，该算法实现的非常高效，适合在ros无人车上实时运行，以执行在线自主定位；接着调用平面拟合搜索树算法，对非结构环境进行地形评估，计算该地形的可穿越性，然后生成可穿越的稀疏路径，再由高斯过程回归对稀疏路径进行插值，最后得到可行的稠密全局路径。
15、进一步的，步骤(4)的具体步骤为：首先使用基于层次密度的空间聚类算法对无人车周围的障碍物参数化显示接着调用无迹卡尔曼滤波器预测其未来轨迹，最后使用自适应动态控制障碍函数模型预测控制算法对上述全局路径进行跟随，对障碍物进行躲避，直至到达目标点。
16、与现有技术相比，本专利技术的有益效果是：
17、本专利技术中三维建图方法可以解决非结构化环境建图中点云漂移、高度误差、z轴无法对齐等建图不准确问题，多分辨率范围图像构建静态点云图算法可以精准的识别去除动态障碍物在先验地图中留下的点云轨迹，3d自适应蒙特卡洛算法能够高效实现ros无人车的实时定位，使ros无人车可以在非结构环境下高效可靠精准的导航，并且全局框架都是建立在三维环境下，克服了低维度导航和一般算法对非结构化环境建图导航的缺点。
本文档来自技高网...【技术保护点】
1.一种非结构化环境下的ROS无人车建图导航方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的非结构化环境下的ROS无人车建图导航方法，其特征在于，所述步骤(1)的实现方法如下：调用ROS无人车上搭载的激光雷达、相机、惯导、轮式里程计传输的环境数据，对非结构化环境使用快速直接激光雷达惯性里程计进行三维点云建图，利用紧耦合迭代扩展卡尔曼滤波器将激光雷达特征点与惯导数据进行融合，输出里程计位姿和关键帧信息；
3.根据权利要求1所述的一种非结构化环境下的ROS无人车建图导航方法，其特征在于，所述步骤(2)的实现方法如下：使用基于贝叶斯树的增量平滑和映射求解优化全局地图因子图，使用贝斯树处理稀疏矩阵，再转化为因子图，可以求解平方根信息和映射问题，从而提取特征点；使用基于卷积神经网络的姿态图优化方案，利用多重旋转平均进行绝对相机姿态回归，从而实现全局姿态图优化。
4.根据权利要求1所述的一种非结构化环境下的ROS无人车建图导航方法，其特征在于，所述步骤(3)的实现方法如下：使用3D自适应蒙特卡洛算法，里程测量系统将点云、姿态估计和关键帧结合在一个
5.根据权利要求1所述的一种非结构化环境下的ROS无人车建图导航方法，其特征在于，所述步骤(4)的实现方法如下：首先使用基于层次密度的空间聚类算法对无人车周围的障碍物参数化显示，接着调用无迹卡尔曼滤波器预测其未来轨迹，最后使用改进的自适应动态控制障碍函数模型预测控制算法对上述全局路径进行跟随，对障碍物进行躲避，直至到达目标点。
...【技术特征摘要】
1.一种非结构化环境下的ros无人车建图导航方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的非结构化环境下的ros无人车建图导航方法，其特征在于，所述步骤(1)的实现方法如下：调用ros无人车上搭载的激光雷达、相机、惯导、轮式里程计传输的环境数据，对非结构化环境使用快速直接激光雷达惯性里程计进行三维点云建图，利用紧耦合迭代扩展卡尔曼滤波器将激光雷达特征点与惯导数据进行融合，输出里程计位姿和关键帧信息；
3.根据权利要求1所述的一种非结构化环境下的ros无人车建图导航方法，其特征在于，所述步骤(2)的实现方法如下：使用基于贝叶斯树的增量平滑和映射求解优化全局地图因子图，使用贝斯树处理稀疏矩阵，再转化为因子图，可以求解平方根信息和映射问题，从而提取特征点；使用基于卷积神经网络的姿态图优化方案，利用多重旋转平均进行绝对相机姿态回归，从而实现全局姿态图优化。
4.根据权...
【专利技术属性】
技术研发人员：郭亮，夏慧君，刘锐军，董华，张苏豫，刘君，刘晓春，雷普俊，
申请(专利权)人：南昌航空大学，
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。