[发明专利]一种基于角特征加权的点云匹配方法

说明书

技术领域

本发明属于机器人自主导航技术领域，尤其涉及一种激光雷达Hector SLAM算法中基于角特征加权的点云匹配方法。

背景技术

同步定位与地图(SLAM，Simultaneous Localization and Mapping)技术是机器人自主导航技术领域中的一大研究热点。在无GPS(Global Positioning System)环境中，SLAM方法能够帮助机器人实现在陌生环境中的导航与定位，是机器人实际应用中的关键技术。

根据使用的传感器不同，目前主要的SLAM方法可以分为两类：激光雷达SLAM和视觉SLAM。相对于视觉SLAM中使用的视觉传感器——摄像头，激光雷达的使用不依赖于外界的光照条件，并且能够获取高精度的测距信息，可靠性更高。在2011年，Stefan Kohlbrecher在论文《A Flexible and Scalable SLAM System with Full 3D Motion Estimation》中提出Hector SLAM方法，Hector SLAM是目前最为广泛应用的一种激光雷达SLAM法，该方法只需要激光雷达数据，不需要里程计等额外传感器，能够同时应用于空中无人机和地面无人车中，且具有较好的定位精度，运算耗时少。

在激光雷达SLAM方法中，根据激光雷达采集的点云信息进行实时定位与地图构建，其中激光点云的匹配是一个关键问题。Hector SLAM中通过概率模型将激光点云与已构建的地图进行全局匹配，具有较好的定位与构图效果；但是，在特征稀疏环境中该匹配方法的误差较大。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种基于角特征加权的点云匹配方法，以解决激光雷达Hector SLAM在特征稀疏环境中定位与构图效果差的问题；本发明提高了激光雷达Hector SLAM中点云与已构建的地图之间的匹配精度。

为达到上述目的，本发明的技术方案为：

一种基于角特征加权的点云匹配方法，包括步骤如下：

(1)对激光点云数据进行预处理，根据不同型号激光雷达的测距有效范围，将测距信息超出该有效范围的数据剔除；

(2)对激光点云进行角特征检测；

(3)根据步骤(2)中得到的角特征，对激光点云数据进行分类；

(4)计算激光点云中每类激光点数据的匹配权值；

(5)利用高斯牛顿迭代方法进行激光雷达的点云匹配计算。

优选地，上述的步骤(3)中对激光点云数据进行分类的方法如下：步骤(2)中得到角特征的数量记为n_corner，检测每个角特征的角点，以这些角点为中心，c_j为描述第j个角特征所用的激光点数量，j＝1,2,…n_corner，选取c_j个激光点为一类激光点数据，记为g_j，j＝1,2,…n_corner，描述第j个角特征，其中c_j根据不同情况选取合适的数值，且以此方法将描述每个角特征的激光点分别划分为一类激光点数据；剩余的其它所有的激光点为未描述角特征的一类激光点数据，记为g₀，其激光点的数量记为c₀。

优选地，上述的步骤(4)中计算每类激光点数据的匹配权值的方法如下：经过步骤(1)预处理后激光点的数量为n，描述角特征的激光点数据的权值大于1，其余激光点的权值不大于1；其中第g_j类激光点数据的权值为其中，j＝1,2,…n_corner，k为比例因子，根据不同情况选取合适的数值，且k＞1；第g₀类激光点数据的权值为

优选地，上述的步骤(5)中，建立如下基于角特征加权的点云匹配模型，基于角特征加权的点云匹配目标函数如下：

其中每个激光点数据的权值为λ_i，i＝1,2,…n，ξ为激光雷达所在载体的状态，包括在激光雷达SLAM全局坐标系下的航向角ψ和位置坐标(p_x,p_y)，T表示转置，其具体表达式如下：

ξ＝(ψ p_x p_y)^T