[发明专利]一种基于人工智能的地图融合方法及系统

权利要求书

1.一种基于人工智能的地图融合方法，其特征在于，包括：

获取多区段的三维点云数据和惯性测量器件的测量数据；

构建的目标场景的稀疏点云地图；

提取每个区段的地图特征点；

根据描述子距离与颜色信息进行地图特征点匹配和对应点查找，设定法向量夹角阈值对不同区段地图特征点进行点云匹配，得到匹配后的地图；

所述设定法向量夹角阈值对不同区段地图特征点进行点云匹配的具体方法包括：

采用KD树搜索到设定点的邻域点集；

利用最小二乘法将设定点和点集拟合成局部平面，计算局部平面的法向量得到点集的法向量；

计算出邻域点集与点集邻域所有点的法向量夹角；

计算出所有法向量夹角的均值；

将所述均值与设定的法向量夹角阈值进行比较，将均值大于法向量夹角阈值的特征点保存到特征点集中，删除均值小于法向量夹角阈值的特征点；

对每个区段匹配后的地图进行坐标系变换，并将对应的地图点云映射变换到同一坐标系，得到初始融合的地图；

在初始融合的地图的原始位姿图中增加新区段的地图的图像帧和路标点信息，构成位姿图新的顶点和边，根据闭环检测的匹配结果构造新的重投影误差函数作为优化目标函数，使用集束调整和非线性优化算法优化整个位姿图，迭代调整所有的路标点位姿及相机位姿，关闭检测到的回环，融合重叠的路标点，使用通用图优化算法对地图进行视觉惯性联合优化，得到多区段地图融合结果。

2.如权利要求1所述的方法，其特征在于，所述根据描述子距离与颜色信息进行地图特征点匹配的具体方法包括：

获取每个区段的图像特征集合；

计算出每个区段图像特征集合的描述子之间的欧式距离；

对所述描述子之间的欧式距离采用倒序方式进行排序；

计算特征点周围的像素块的颜色分量均值；

遍历描述子；

判断是否满足颜色分量阈值；

若否，则返回继续遍历描述子；

若是，则继续判断是否满足欧氏距离阈值；

若否，则返回继续遍历描述子；

若是，则输出匹配点对。

3.如权利要求1所述的方法，其特征在于，所述对每个区段匹配后的地图进行坐标系变换的具体方法包括：将所有区段的地图在全局的重力对齐的地图坐标系中对齐。

4.如权利要求1所述的方法，其特征在于，所述顶点为某个时刻捕捉到的估计状态和视觉信息，所述估计状态包括相机姿态、惯性测量器件偏置和速度，所述视觉信息包括图像、关键点的像素坐标和对应的描述子以及跟踪信息。

5.一种基于人工智能的地图融合系统，其特征在于，包括：数据获取模块、构建模块、提取模块、匹配模块、第一融合模块和第二融合模块，

所述数据获取模块用于获取多区段的三维点云数据和惯性测量器件的测量数据；

所述构建模块用于构建的目标场景的稀疏点云地图；

所述提取模块用于提取每个区段的地图特征点；

所述匹配模块用于根据描述子距离与颜色信息进行地图特征点匹配和对应点查找，设定法向量夹角阈值对不同区段地图特征点进行点云匹配，得到匹配后的地图；

所述匹配模块包括点云匹配单元，所述点云匹配单元用于采用KD树搜索到设定点的邻域点集；

利用最小二乘法将设定点和点集拟合成局部平面，计算局部平面的法向量得到点集的法向量；

计算出邻域点集与点集邻域所有点的法向量夹角；

计算出所有法向量夹角的均值；

将所述均值与设定的法向量夹角阈值进行比较，将均值大于法向量夹角阈值的特征点保存到特征点集中，删除均值小于等于法向量夹角阈值的特征点；

所述第一融合模块用于对每个区段匹配后的地图进行坐标系变换，并将对应的地图点云映射变换到同一坐标系，得到初始融合的地图；

所述第二融合模块用于在初始融合的地图的原始位姿图中增加新区段的地图的图像帧和路标点信息，构成位姿图新的顶点和边，根据闭环检测的匹配结果构造新的重投影误差函数作为优化目标函数，使用集束调整和非线性优化算法优化整个位姿图，迭代调整所有的路标点位姿及相机位姿，关闭检测到的回环，融合重叠的路标点，使用通用图优化算法对地图进行视觉惯性联合优化，得到多区段地图融合结果。