[发明专利]一种基于二维激光扫描仪角点特征的闭环检测方法

说明书

本发明公开了一种新颖的基于二维扫描仪角点特征的闭环检测方法，旨在减小二维点云地图创建过程中的累积误差。方法首先利用二维点云的角点特征来生成单帧点云的签名，该签名具有旋转不变性的特征，并利用点云签名之间的相似性来衡量点云之间的相似性。同时给出了一种基于点云角点特征之间几何结构的相对位姿计算方法，该方法具有相对位姿计算结果精度高的优点。利用得到的相似帧之间的相对位姿来构建图模型，对图模型进行优化，最后输出优化后的点云全局位姿信息完成闭环检测。该方法有效地减少了二维点云地图创建过程中的累积误差，大大提高了二维点云地图的质量。

技术领域

本发明属于激光定位与导航技术领域，特别地涉及一种基于二维激光扫描仪角点特征的闭环检测方法。在闭环检测方法中，涉及了二维点云的签名生成方法和相似点云间的相对位姿计算方法。

背景技术

在SLAM中，只是依靠scan match或者里程计来建立地图的话，由于误差累积问题的存在，最终生成的地图会与实际环境有很大的偏差，而闭环算法作为校正这一偏差的重要方法，具有非常大的研究价值。一般而言，闭环算法可以分为两个步骤，首先需要进行地点识别，然后需要计算相似两帧之间的相对位姿进而生成图模型。地点识别的主要任务是当移动机器人从地点A出发后行进一段时间再度回到地点A时，需要能够识别出它之前到过地点A，即能检测到当前在A地扫到的数据帧F与出发时在A地扫到的数据帧F’具有相对较高的相似度。在地点识别完成之后，移动机器人需要计算两帧之间的相对位姿，同时根据得到的相对位姿也可以对两帧之间的相似度进行验证。在视觉领域，学者们已经对闭环算法进行了非常广泛的研究。相比之下，基于2D Lidar的SLAM闭环算法研究工作就显得寥寥无几。而在基于2D Lidar的闭环算法本就不多的研究工作中，利用栅格地图的研究又占了很大的比重。利用原始2D点云数据来进行闭环检测的工作不多的一个重要原因就是上一章中所提到的，即针对2D Lidar进行特征提取的研究工作不多。而特征点作为闭环检测中地点识别环节的重要判定依据，与其相关的研究工作的缺乏直接导致了在原始2D点云数据上进行闭环检测工作的缺乏。从2010年以来，随着Flirt、FALKO等算法的提出，基于2D Lidar原始数据的闭环检测算法也打下了基础。在之后的时期里，也出现了一些很有意义的基于2DLidar的闭环检测工作，诸如GFP、GLARE、GSR以及GLAROT(GLAre ROTation-invariant)等，其中前三者是基于Flirt特征，GLAROT是基于FALKO。这些工作的一个共同点就是利用这些针对2D Lidar的特征提取算法来将每帧数据压缩为一张用提取出的特征点生成的签名，这样就可以通过计算两张签名之间的距离大小来判断两帧数据之间的相似性，从而完成地点识别的任务。签名的生成方式可以分为两大类，一种需要通过结合特征描述子，例如GFP用特征描述子顺时针方向组合形成的短语来作为单帧数据的签名，另一种则是通过对特征点之间的相对位置关系进行离散化生成一个二维数组来作为单帧数据的签名，其中的代表是GLARE。GLARE对单帧数据中每对特征点之间连成的线段的距离d和角度θ进行离散化成n_d和n_θ，考虑到噪声的影响，GLARE没有采用one-hot的方式而是用一个以(n_d,n_θ)为中心的二元高斯分布来进行建模，最后所有特征点对形成的二元高斯分布之和作为最后的签名。GSR是在GLARE的基础上进行了改进，它把特征点之间的角度定义为两点法向量的角度之差，这使得GLARE具有了旋转不变性，相应的代价是计算量变大。GLAROT与GLARE和GSR不同之处在于它是基于FALKO特征。与GSR一样，它也具有旋转不变性，但它实现旋转不变性的方式与GSR实现旋转不变性的方式并不相同。GSR是在GLARE的基础上，改变了签名生成方式来获得旋转不变性，而GLAROT的签名生成方式与GLARE相同，它通过改变计算两张签名之间相似度的方式来获得旋转不变性，这样使得GLAROT的计算量相比GSR要减轻很多。检索得到相似度最高的帧后，需要解算出两帧之间的相对位姿。

发明内容