【技术实现步骤摘要】
本专利技术属于机器人同时定位和建图，尤其涉及基于全约束的3d激光slam方法、系统、介质及设备，可以实现在特征稀疏的退化环境下高精度、高稳健性的定位和地图构建。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、近年来，自动驾驶汽车、智能巡检机器人等一系列自动化产品的发展，推动了机器人自主移动技术的发展。同时定位和建图（slam）作为其中的关键技术，受到广泛关注。而3d激光slam以其精度高的特点，成为slam发展的重要方向之一。现有的3d激光slam通常会融合惯性测量单元（imu），为系统提供高频运动数据。但是在长走廊、隧道、室外空旷地区等场景下，由于周围环境特征稀疏，激光雷达在某些方向会发生退化，这会降低系统定位和建图精度甚至会导致slam系统发生错误。
3、目前解决3d激光slam退化的主要方法是引入额外的传感器，如相机、轮速计、雷达等。许多3d激光slam系统会融合imu，为系统提供预测值。融合轮速计能提供额外的速度观测，为系统提供更精确的预测值，能提高slam系统的性能。融合相机能提高slam系统对外界环境的信息获取，但引入更多的传感器意味着引入更多的噪声，并且需要对相机标定，增加了工作量，同时，在光线昏暗的场合相机难以正常工作，不利于slam系统对周围环境信息的获取。
技术实现思路
1、为了解决上述
技术介绍
中存在的至少一项技术问题，本专利技术提供基于全约束的3d激光slam方法、系统、介质及设备，在特
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术的第一方面提供基于全约束的3d激光slam方法，包括如下步骤：
4、获取激光雷达点云数据；
5、基于激光雷达点云数据得到点面匹配的信息矩阵，对点面匹配的信息矩阵中仅与旋转变量和位移变量相关的子块进行特征分解，得到多个特征向量，将每个特征向量作为一个优化方向，计算点面匹配在各优化方向上的约束贡献值；
6、基于激光雷达点云数据生成强度图像，通过强度图像帧间匹配计算得到强度图像在各优化方向上的约束贡献值；
7、比较点面匹配和强度图像帧间匹配在各优化方向上的约束贡献值大小，选择贡献值大的一方，构建得到全约束观测；
8、对全约束观测进行退化检测，若发生退化，在退化方向上添加额外约束后进行全约束状态更新，否则直接进行全约束状态更新，得到全约束观测系统增量并更新系统状态。
9、进一步地，基于激光雷达点云数据得到点面匹配的信息矩阵之前，利用系统状态的预测值对每帧点云数据进行去畸变处理，其中，系统状态的预测值的计算方法为：当仅有imu数据时，根据imu预测模型进行向前传播得到预测值，当接收到轮速计数据时，通过扩展卡尔曼滤波器融合imu预测数据和轮速计数据，得到预测值。
10、进一步地，所述通过强度图像帧间匹配计算得到强度图像在各优化方向上的约束贡献值，包括：
11、在强度图像上选择像素块后，根据给予激光雷达位姿的扰动，计算像素块中心像素对应的激光点投影到强度图像上坐标对该扰动的雅可比矩阵，即为投影梯度，投影梯度在各优化方向上投影得到各优化方向上的投影梯度；
12、计算像素块在其中心像素点处的二阶矩，用二阶矩的最大特征值对应的特征向量表示像素块的像素梯度；
13、计算各优化方向上的投影梯度在像素块的像素梯度方向上的投影，即为该像素块对优化方向上的约束贡献值；
14、计算所有像素块的约束贡献值的和，得到强度图像在各优化方向上的约束贡献值。
15、进一步地，基于激光雷达点云数据生成强度图像时，通过将激光雷达点云数据按照球面投影模型投影生成强度图像。
16、进一步地，所述在退化方向上添加额外约束后进行全约束状态更新包括：
17、获取计算得到的系统状态变量增量中与系统姿态和位置有关的部分；
18、构建在退化方向上的更新约束，结合系统状态变量增量中与系统姿态和位置有关的部分，得到约束方程；
19、通过拉格朗日乘子法，计算在引入约束方程条件下重新得到的系统状态增量。
20、进一步地，在构建全约束观测时，包括计算强度图像的光度误差和点云数据的几何残差；
21、其中，采用直接法得到两帧强度图像之间的光度误差，然后通过强度图像帧间匹配计算得到强度图像在各优化方向上的约束贡献值；
22、其中，对于该帧激光雷达点云中的点，在局部地图中搜索与之匹配的面，构建点面之间的距离残差，得到点云数据的几何残差。
23、进一步地，全约束状态更新，包括如下步骤：
24、计算点面匹配的残差和强度图像的匹配残差；
25、基于计算得到的强度图像的匹配残差更新雅可比矩阵；
26、融合点面匹配的残差和更新后的雅可比矩阵，得到全约束观测的残差和雅可比矩阵；
27、基于全约束观测的残差和雅可比矩阵得到几何约束的系统增量和强度约束的系统增量，求和后得到全约束观测系统增量。
28、本专利技术的第二方面提供基于全约束的3d激光slam系统，包括：
29、数据获取模块，其用于获取激光雷达点云数据；
30、几何约束模块，其用于基于激光雷达点云数据得到点面匹配的信息矩阵，对点面匹配的信息矩阵中仅与旋转变量和位移变量相关的子块进行特征分解，得到多个特征向量，将每个特征向量作为一个优化方向，计算点面匹配在各优化方向上的约束贡献值；
31、强度约束模块，其用于基于激光雷达点云数据生成强度图像，通过强度图像帧间匹配计算得到强度图像在各优化方向上的约束贡献值；
32、全约束构建模块，其用于比较点面匹配和强度图像帧间匹配在各优化方向上的约束贡献值大小，选择贡献值大的一方，构建得到全约束观测；
33、状态更新模块，其用于对全约束观测进行退化检测，若发生退化，在退化方向上添加额外约束后进行全约束状态更新，否则直接进行全约束状态更新，得到全约束观测系统增量并更新系统状态。
34、本专利技术的第三方面提供一种计算机可读存储介质。
35、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于全约束的3d激光slam方法中的步骤。
36、本专利技术的第四方面提供一种计算机设备。
37、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于全约束的3d激光slam方法中的步骤。
38、与现有技术相比，本专利技术的有益效果是：
39、1、本专利技术通过构建几何约束和强度约束，通过选择点面匹配和强度图像帧间匹配在优化方向本文档来自技高网...
【技术保护点】
1.基于全约束的3D激光SLAM方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于全约束的3D激光SLAM方法，其特征在于，基于激光雷达点云数据得到点面匹配的信息矩阵之前，利用系统状态的预测值对每帧点云数据进行去畸变处理，其中，系统状态的预测值的计算方法为：当仅有IMU数据时，根据IMU预测模型进行向前传播得到预测值，当接收到轮速计数据时，通过扩展卡尔曼滤波器融合IMU预测数据和轮速计数据，得到预测值。
3.如权利要求1所述的基于全约束的3D激光SLAM方法，其特征在于，所述通过强度图像帧间匹配计算得到强度图像在各优化方向上的约束贡献值，包括：
4.如权利要求1所述的基于全约束的3D激光SLAM方法，其特征在于，基于激光雷达点云数据生成强度图像时，通过将激光雷达点云数据按照球面投影模型投影生成强度图像。
5.如权利要求1所述的基于全约束的3D激光SLAM方法，其特征在于，所述在退化方向上添加额外约束后进行全约束状态更新包括：
6.如权利要求1所述的基于全约束的3D激光SLAM方法，其特征在于，在构建全约束观测时
7.如权利要求1所述的基于全约束的3D激光SLAM方法，其特征在于，全约束状态更新，包括如下步骤：
8.基于全约束的3D激光SLAM系统，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于全约束的3D激光SLAM方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于全约束的3D激光SLAM方法中的步骤。
...【技术特征摘要】
1.基于全约束的3d激光slam方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于全约束的3d激光slam方法，其特征在于，基于激光雷达点云数据得到点面匹配的信息矩阵之前，利用系统状态的预测值对每帧点云数据进行去畸变处理，其中，系统状态的预测值的计算方法为：当仅有imu数据时，根据imu预测模型进行向前传播得到预测值，当接收到轮速计数据时，通过扩展卡尔曼滤波器融合imu预测数据和轮速计数据，得到预测值。
3.如权利要求1所述的基于全约束的3d激光slam方法，其特征在于，所述通过强度图像帧间匹配计算得到强度图像在各优化方向上的约束贡献值，包括：
4.如权利要求1所述的基于全约束的3d激光slam方法，其特征在于，基于激光雷达点云数据生成强度图像时，通过将激光雷达点云数据按照球面投影模型投影生成强度图像。
5.如权利要求1所述的基于全约束的...
【专利技术属性】
技术研发人员：皇攀凌，胡大超，苗吉学，栾慎涛，郭和荣，
申请(专利权)人：山东大学，
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。