[发明专利]一种基于激光雷达信息的移动机器人位置重识别方法

权利要求书

1.一种基于激光雷达信息的移动机器人位置重识别方法，其特征在于，包括以下步骤：

(1)激光雷达实时采集移动机器人的激光雷达数据，根据移动机器人的里程计信息，每行进设定的距离对激光雷达数据处理形成多通道激光雷达极坐标鸟瞰图；

(2)将步骤(1)得到的多通道激光雷达极坐标鸟瞰图输入特征提取模块，生成位置描述子；

(3)在地图数据库中检索与当前的位置描述子相似的若干个候选地点，估计当前位置与候选地点的相对朝向；

(4)根据步骤(3)得到的相对朝向调整候选地点的激光点云，使其与当前位置朝向一致，然后进行后续位姿估计；

(5)将位置描述子及其对应的频谱存储到地图数据库中，用于下一次候选地点检索和相对朝向估计。

2.如权利要求1所述的基于激光雷达信息的移动机器人位置重识别方法，其特征在于，所述步骤(1)中，激光雷达数据处理的具体步骤如下：

(1-1)将激光雷达数据按高度分为若干层；

(1-2)在各个高度层中分别进行极坐标变换并划分栅格，每个栅格统计点云占用信息；

(1-3)将栅格视为像素值，进而各个高度层分别转换为鸟瞰图，若干层鸟瞰图叠加形成多通道激光雷达极坐标鸟瞰图。

3.如权利要求2所述的基于激光雷达信息的移动机器人位置重识别方法，其特征在于，所述步骤(1)利用GPU的多核并行结构进行计算：在GPU框架下，点云中每个点可单独计算其坐标变换后在极坐标鸟瞰图上对应的坐标，再根据极坐标鸟瞰图上对应的坐标信息可重新组织成为激光雷达极坐标鸟瞰图。

4.如权利要求1所述的基于激光雷达信息的移动机器人位置重识别方法，其特征在于，所述特征提取模块采用编码-解码器网络构成。

5.如权利要求4所述的基于激光雷达信息的移动机器人位置重识别方法，其特征在于，所述步骤(2)中，生成位置描述子的具体步骤如下：

(2-1)通过编码-解码器网络提取多通道激光雷达极坐标鸟瞰图中鲁棒的位置特征，得到与所述多通道激光雷达极坐标鸟瞰图大小相同的特征图，所述特征图用于形成位置描述子和计算相对朝向；

(2-2)将特征图通过快速傅里叶变换转换为频域表示，取频谱的幅度谱作为位置描述子。

6.如权利要求4所述的基于激光雷达信息的移动机器人位置重识别方法，其特征在于，所述编码-解码器网络为深度学习网络，其模型训练步骤如下：

(2-1-1)制作编码-解码器网络训练使用的数据集，所述数据集包括同一轨迹不同时间段的激光雷达数据及与其相对应的GPS坐标；

(2-1-2)对于一条轨迹中的激光雷达数据按一定距离间隔采样，在其余轨迹中通过距离检索近邻位置，所述近邻位置作为位置重识别的近邻，其余位置作为反例；采样结束后，输出每个采样地点的三元组的激光数据与其绝对朝向，所述三元组为当前位置、近邻和反例；

(2-1-3)将步骤(2-1-2)输出的一个采样地点的三元组输入编码-解码器网络进行单次训练，学习鲁棒特征；

(2-1-4)将编码-解码器网络学习到的鲁棒特征经快速傅里叶变换转换到频域，将得到当前频谱的幅度谱作为当前位置描述子；将三元组中的近邻和反例的激光数据经快速傅里叶变换转换到频域，分别得到近邻频谱和反例频谱，近邻频谱的幅度谱作为近邻位置描述子，反例频谱的幅度谱作为反例位置描述子；

(2-1-5)近邻位置描述子、反例位置描述子和当前位置描述子计算得到位置重识别损失函数；近邻频谱和当前频谱进行相位互相关计算相对朝向，得到相对朝向损失函数；

(2-1-6)将位置重识别损失函数和相对朝向损失函数结合作为整体网络损失，通过整体网络损失训练编码-解码器网络。