[发明专利]一种基于点云融合的行车场景构建方法

说明书

本发明公开了一种基于点云融合的行车场景构建方法，该方法主要采用同步定位与地图构建技术地图构建方案；首先，对点云数据做畸变补偿和传感器时间对齐后再将数据发布，进行前端里程估计；前端里程估计节点接受点云数据后将对其进行点云匹配并生成初步的激光里程计估计值；接着再对估计值进行闭环检测，若检测形成闭环则将信息传递至后端进行后端算法优化；后端算法优化得到预估值节点的位姿信息和路标构成图的顶点集，并将生成的优化后激光里程计数据发布展示。本方法在保证建图实时性的同时极大提高建图的精度，可以快速实现场景中的定位和高精度地图的构建，克服了传统的纯激光里程计建图误差大、实时性不强的缺陷。

技术领域

本发明涉及地图实时构建领域，具体涉及一种基于点云融合的行车场景构建方法。

背景技术

近年来，随着汽车保有量的不断增长，许多城市的道路承载能力已达到满负荷。交通安全、出行效率、节能减排日益突出，推动车辆的智能化和网络化通常将是解决上述交通问题的重要解决方案。在车辆智能化与网络化的发展进程中，行车场景的三维地图重构是关键技术问题之一。

随着时代的进步，同步定位与地图构建技术使用的传感器正不断迭代发展，将激光雷达与惯性测量单元等传感器的融合的方法更受欢迎。同步定位与地图构建技术从一开始基于卡尔曼滤波器或者贝叶斯滤波器的方法向基于图优化的方法转变。该方法相比GPS定位精度具有更高精度，解决具体车道线场景细节难以准确定位的问题，同时支持隧道、山洞等特殊场景的定位与地图构建。

现有技术中的一些非线性优化方法进行地图构建，通过非线性最小二乘法来减少构图过程中的累积误差，但忽略了系统的稀疏性，且其使用的离线建图方式在行车场景构建中不能满足实时性的要求。

另外的一些现有技术中，通过在前端估计的数据关联环节引入高斯-牛顿迭代法的方式，同时采用激光雷达扫描数据直接与地图进行匹配的方法完成点云帧之间的配对，但该方法缺少后端优化和闭环检测，对配准初始值比较敏感，导致整体精度不高。

发明内容

本发明的目的是提供一种基于点云融合的行车场景构建方法，用于解决传统地图构建方法算力不足、单设备重复构建的问题。

为了实现上述任务，本发明采用以下技术方案：

一种基于点云融合的行车场景构建方法，包括以下步骤：

步骤1，对车载激光雷达在汽车运动过程中扫描收集的点云数据进行畸变补偿；

步骤2，将畸变补偿后的点云数据进行传感器时间对齐，使点云数据在进行畸变补偿的同时，对同一时间下的里程计数据进行线性插值计算，使里程计数据向点云数据对齐时间，得到实现传感器对齐的机器人的位置姿态作为前端里程估计的初始预测位置姿态；

步骤3，创建一个任务队列用来存放点云数据，并生成一个局部地图；任务队列中每插入一帧点云数据时，输入该点云数据对应的机器人的初始预测位置姿态，与局部地图进行点云匹配，对点云数据进行正态分布变换，得到目标点云的所有单位体素，代入高斯概率模型，寻找到局部地图上与初始预测位置姿态最近似的点，得到前端里程估计的位姿预估值；

步骤4，采用基于点云的场景识别方式，将前端里程估计创建的任务队列中的点云数据用scan Context特征图进行描述；定义scan Context特征图之间的距离计算公式；从scan Context特征图中提取描述符环，将其表示为一个多维向量以进行KD树的构建，获得当前场景的环的最相似区域，从中选取和当前场景的环最相似的历史环对应的scancontext作为候选场景的scan context；计算任务队列中的点云数据的scan Context和候选场景的scan context之间的距离，满足阈值的候选场景则被认为是闭环，则将所述位姿预估值进行后端优化；