[发明专利]基于语义的回环检测方法、装置、电子设备及存储介质

说明书

本公开提供了一种基于语义的回环检测方法，包括：基于获取的多帧激光点云数据获取相邻激光帧之间的位姿变换信息；基于相邻激光帧之间的位姿变换信息构建位姿图，对位姿图进行优化，基于优化后的位姿图构建全局地图；以及，基于语义信息从获取的多帧激光点云数据中获取与当前帧最相似的预设数量的候选帧，计算当前帧与各个候选帧之间的相似度，判断是否出现回环。本公开还提供了一种基于语义的回环检测装置、电子设备以及可读存储介质。

技术领域

本公开涉及自动驾驶领域、机器人领域及人工智能领域，本公开尤其涉及一种基于语义的回环检测方法、装置、电子设备及存储介质。

背景技术

SLAM(Simultaneous Localization And Mapping，同步定位与建图)技术在自动驾驶、机器人等有自主定位需求的领域有着重要应用。

SLAM最核心的问题是移动设备(自动驾驶车辆、机器人等)的位姿估计，建图是在位姿估计的基础上依靠传感器(雷达、相机等)感知环境并描述记录的结果。

回环检测(Loop Closure Detection)主要是为了解决位姿估计随时间漂移的问题。在前端不断计算姿态的过程中，由于传感器误差等原因导致位姿出现漂移，当移动设备再次经过之前经过的位置时，此时的位置和之前记录的位置是有误差的，这个误差被找到后可以发送到后端优化用于去除两个回环检测之间的位姿漂移误差。回环检测是移动设备检测出到过的场景的方法，是后端优化消除累计误差的重要环节。

例如，现有技术1：《GOSMatch:Graph-of-Semantics Matching for DetectingLoop Closures in 3D LiDAR data》发表了一种基于语义图匹配的回环检测方法，该方法中只选取三种语义类别，并通过语义分割和聚类形成语义点云图。语义点云图采用无向完整图表示，每个顶点之间的边表示语义实例间的空间欧式距离，并生成基于直方图的图描述子。直方图的横坐标是顶点类别组合，纵轴是基于边长度的统计量；同理计算图中顶点描述子，顶点描述子也基于直方图，方法类似于图描述子。最后使用RANSAC-based的方法计算是否发生回环。该方法只统计了语义图中的距离信息，因为车辆也在语义类别中，并没有考虑车辆移动带来的场景差异，可能会造成回环召回率降低；同时回环的检测方法需要当前帧和历史帧不停使用RANSAC-based计算，时间消耗大。

现有技术2：中国专利申请CN112767485A公开了一种基于静态语义信息的点云地图创建与场景辨识方法，包括步骤1：激光点云与语义图像联合投影获得语义点云；步骤2：通过语义标签筛选鲁棒静态信息；步骤3：提取鲁棒静态信息的描述子并组合成当前场景的描述子；步骤4：语义点云与激光雷达的里程计相结合生成全局地图，并通过点云配准在全局地图上进行重定位。该技术提取鲁棒静态信息建立描述子，描述子直接匹配得出当前帧的位姿，但是描述子内容强依赖于激光雷达的位置，这容易造成描述子误匹配，并且直接匹配方式将消耗大量的时间，在实际使用时有一定局限性。

上述两项技术方案均无法直接计算出当前帧和回环帧的相对位姿关系；且现有技术1对于车辆等可移动障碍物未做处理，可移动障碍物导致的场景变化会造成回环失败；现有技术2计算效率不高并且容易出现错误匹配。

总之，常见的回环检测方案一般会出现如下几个问题：1)以激光雷达为中心，导致观测视角大大影响了回环的识别率；2)检测到回环无法直接计算相对位姿关系；

3)不考虑动态移动物体对场景造成的变化，对于有车辆的场景，车辆的移动会造成匹配失误；4)回环检测过程中直接匹配导致计算消耗过大。

发明内容

为了解决上述技术问题中的至少一个，本公开提供了一种基于语义的回环检测方法、装置、电子设备及存储介质。

根据本公开的一个方面，提供一种基于语义的回环检测方法，包括：