[发明专利]一种3D激光雷达点云数据预测点的快速选取配准方法

说明书

一种3D激光雷达点云数据预测点的快速选取配准方法，通过将激光雷达扫描的整个点云数据集等分割成一些子数据集，对子数据集中的各数据点进行规则划分处理后，再基于子数据集划分数据点的规则，分别为各个子数据集中的测试点进行快速配准处理，验证选取预测点。本发明提升三维点云数据集中预测点集的整体配准速率。所提出的三维激光雷达点云数据预测点的快速选取配准方法对于激光SLAM建图中点云数据的点集配准处理具有很大的参考价值。

技术领域

本发明涉及三维激光雷达的即时定位与建图技术领域，具体涉及到一种3D 激光雷达点云数据预测点的快速选取配准方法。

技术背景

在地图构建步骤中，除了要为SLAM(Simultaneous Localization And Mapping)确定地图表示形式外，还有一个重要目标：将新构造的地图元素控制在理想的位置上，以便于建立两帧地图间地图元素的对应关系，这也是为位姿估计步骤做准备。然而，3D环境要比2D环境更复杂，3D点集的数量也远远大于2D点集，进行直接的拓展会带来很大问题。因为地图重构方法中“预测”这一步骤的算法复杂度是O(n³)，计算量随点集的数量成三次方增长，数据量的急剧增加，为这一步的计算带来了繁重的负担。

为了克服现有技术的缺陷，本发明提供一种预测点快速选取配准方法，所研究的方法具有2D和3D之间的通用性。以解决现有SLAM技术背景中点集数据量大、数据处理慢且预测点集识别效率较低的问题。可通过分割多维数据空间的数据点集对比选取预测点集，通过计算测试点集与筛选的训练点集之间的相对距离，并进行预测点相对距离权重验证，实现快速精确选取预测点集位置，从而有助于高精度的快速定位建图。

现有技术中有关三维地图构建点集配准的方法在基于激光雷达的环境建模中得到了广泛的应用。专利CN202110066231.2公开了一种基于高斯距离的点云数据的处理方法。根据原始点云数据集的特征信息计算点云数据集中所有的点到关键点的高斯距离，再基于高斯距离确定关键点的相邻点集；对相邻点集进行特征聚合，生成关键点对应的特征点集来建图。专利CN202011328046.8公开了一种基于多点云数据矩阵的点云数据处理方法，通过预先训练得到的点云重构模型中的序列化网络层对所述点云矩阵进行序列化处理,来获得多个子特征矩阵,再基于多子特征矩阵进行拼接处理,得到第一特征矩阵,基于所述点云重构模型中的重构网络层对所述第一特征矩阵进行重构。专利CN201910438575.4公开了一种基于坐标积分图像局部法向量聚类的点云数据处理方法。通过确定点云数据的坐标积分图像和深度积分图像，根据所述坐标积分图像和所述深度积分图像,确定所述点云数据中的每个点分别对应的局部法向量，再根据各所述局部法向量对所述点云数据中的点进行聚类得到不同类别的点集,来确定各类别点集对应的物体信息。然而此类方法存在以下几个问题：第一，此类发明通常利用传统机器学习算法对预测点进行识别，由于预测点排列的不规则性此类方法效率较低；第二，在这些研究中，它们都将应用场景的结构当作单一曲面来进行建模，当建图区域过大时，误差会被放大，不同的训练点之间在选取预测点时会受到影响；并且第三，当建图区域过大时，面对巨大的数据量，其算法计算速度慢，进而建图速度就变得相对缓慢。

发明内容

为了克服现有技术的不足，本发明提供一种3D激光雷达点云数据预测点的快速选取配准方法，面对一些复杂场景的三维点云地图构建，这些场景中通常都含有多曲面、多层面的结构(例如，两堵相互垂直的墙)，复杂的3D环境下，地图重构方法中“预测”这一步骤的算法复杂度是O(n³)，计算量随点集的数量成三次方增长，数据量的急剧增加，为这一步的计算带来了繁重的负担，进行直接的拓展会带来很大计算难度；本发明通过将激光雷达扫描的整个点云数据集分割成一些子数据集，分别为各个子数据集中的预测点进行快速配准处理，进一步提升三维点云数据集中预测点集的整体配准速率。

为解决上述技术问题本发明的技术方案为，

一种3D激光雷达点云数据预测点的快速选取配准方法，包括以下步骤：