[发明专利]交通场景稀疏激光点云拼接方法

摘要

本发明涉及一种交通场景稀疏激光点云拼接方法，其特征是：利用低线数激光雷达扫描的稀疏点云数据和GPS‑IMU单元采集的高精度位置和姿态信息，进行点云特征提取及点云拼接，结合GPS‑IMU单元采集的位置信息，将局部坐标数据转换到全局坐标系，拼接形成高精度地图。有益效果：本发明的方法克服了使用昂贵的高线数激光雷达采集密集点云数据，导致高精度地图制作成本高以及低线数雷达采集点云数据比高线数雷达稀疏，很难获得好的拼接效果的瓶颈，实现了针对交通场景进行优化，利用低线数雷达采集点云数据拼接方法，为创建全局坐标系下三维点云高效拼接的高精度地图。

主权项

1.一种交通场景稀疏激光点云拼接方法，其特征是：利用低线数激光雷达扫描的稀疏点云数据和GPS‑IMU单元采集的高精度位置和姿态信息，进行点云特征提取及点云拼接，结合GPS‑IMU单元采集的位置信息，将局部坐标数据转换到全局坐标系，拼接形成高精度地图，具体步骤如下：步骤一、数据采集低线数激光雷达安装在车顶或车辆前端采集初始数据帧，初始数据帧包括低线数激光雷达扫描的稀疏点云数据和GPS‑IMU单元采集的高精度位置和姿态信息；步骤二、点云特征提取提取第k帧初始数据帧中激光点云数据的点、线、面和圆柱体特征；其中，除常规的点、线、面和圆柱体特征外，同时根据交通场景的特殊性，针对性地设计包括车道线的线特征，不同反射率的铺装路面、绿化带、建筑物立面、交通标识牌的面特征，树干、灯柱、交通标识支架的圆柱体特征；具体为，a.点特征，即原始点云数据，记为集合P_k＝{p}_k；b.线特征，根据激光点反射率大小不同，提取和车道线有关的直线，记为L_k＝{l}_k；c.面特征，提取地面和建筑物立面，记为S_k＝{s}_k；d.圆柱体特征，提取灯柱、树干和交通标识支架，记为C_k＝{c}_k；步骤三、点云拼接a.对已拼接的前k‑1帧点云，提取点、线、面、圆柱体特征，同步骤二所述，分别记为,P_{1_k‑1}＝{p}_{1_k‑1}，L_{1_k‑1}＝{l}_{1_k‑1}，S_{1_k‑1}＝{s}_{1_k‑1}，C_{1_k‑1}＝{c}_{1_k‑1}b.基于提取的点云结构特征，求解使得第k帧点云和前k‑1帧拼接点云之间距离最小的平移向量和旋转矩阵，平移向量记为T_k，旋转矩阵记为R_k；具体的，GPS‑IMU单元采集的位置和姿态信息包括：车辆的位置和航向，记为G＝{x,y,z,roll,pitch,yaw}，其中(x,y,z)为三维位置坐标，roll为翻滚角，记为γ，pitch为俯仰角，记为β，yaw为航向角，记为α；根据第k帧和第k‑1帧GPS‑IMU单元记录的位置和姿态信息，计算车辆运动平移向量和旋转矩阵初值，记为T_k,gps、R_k,gps，其中：T_k，gps＝(x，y，z)旋转顺序为绕z轴旋转α，再绕y轴旋转β，然后绕x轴旋转γ，各旋转矩阵为：R_k，gps＝R_x(γ)R_y(β)R_z(α)以T_k,gps、R_k,gps作为点云拼接平移向量T_k和旋转矩阵R_k的初始值，以点云间对应特征元素距离最小作为优化目标，采用Levenberg‑Marquadt方法求解最优的T_k和R_k；点云之间距离定义为不同特征的距离之和，即Dis＝dis(P)+dis(L)+dis(S)+dis(C)   (1)其中，其中，为集合P_k中某一点，经旋转平移后的点记为为集合P_{1_k‑1}中距离最近的点。线、面、圆柱体的距离定义和点云一致。求解旋转矩阵R_k和平移向量T_k的问题即可描述为：步骤四、将第k帧激光点云经坐标变换后，和前k‑1帧点云拼接在一起，结合初始数据帧中的GPS‑IMU单元采集的位置信息，将第k帧局部坐标数据转换到全局坐标系并更新地图，重复步骤二、步骤三和步骤四，直到完成整个交通场景的点云拼接。