[发明专利]状态感知方法以及相关设备

说明书

一种状态感知方法以及相关设备，该方法包括：采集当前帧点云数据(S101)；从历史点云库中抽取N个历史帧点云数据(S102)，该N个历史帧的采集时间均在该当前帧的采集时间之前，其中，N为大于或等于1的正整数；将该当前帧点云数据和该N个历史帧点云数据分别进行点云配准，获得该当前帧点云数据的N个状态估计值(S103)；将该N个状态估计值进行叠加，得到该当前帧点云数据的状态估计结果(S104)。该方法及设备能够实现在不需要回环运动的情况下也能过滤无规则噪音，得到较准确的状态感知结果，提高SLAM系统定位建图精度。

技术领域

本申请涉及定位技术领域，尤其涉及状态感知方法以及相关设备。

背景技术

现如今，随着传感器技术、AR/VR技术、智能移动机器人以及无人驾驶技术的发展，行业对定位技术的需求越来越多，其中，同时定位与建图(Simultaneous Localizationand Mapping，SLAM)技术就人们重点研究的一个方向。SLAM需要解决的问题可以描述为，自动驾驶汽车或其它自主移动装置在未知环境中从一个未知位置开始移动，在移动过程中根据位置估计和地图进行自身定位，同时在自身定位的基础上建造增量式地图，实现自动驾驶汽车或其它自主移动装置的自主定位和导航。

对于SLAM技术，误差积累是一大技术难题。SLAM通常使用卡尔曼滤波和回环检测的方法来减少误差累积。其中，卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法，卡尔曼滤波中对系统状态是用概率表示，其所针对的误差是正态分布或其它线性概率分布的。回环检测又称闭环检测(Loop closuredetection)，当自动驾驶汽车或其它自主移动装置做回环运动时，即起始点和终止点基本一致，那么就可以对先前估计的路径进行贝叶斯概率图优化，使整个路径估计更加准确。

然而，在实际应用中，自动驾驶汽车或其它自主移动装置在不平整路面上会遭遇坑洼、杂物等，导致定位中出现无规则噪音，这些噪音高频、高能、杂乱无章、不属于正态分布，会极大影响SLAM对系统状态的估计。而卡尔曼滤波的使用要求误差是正态分布或其它线性概率分布，难以过滤无规则噪音。而对于回环检测，应用范围也有限，如果自动驾驶汽车或其它自主移动装置不进行回环运动，就没法使用回环检测来减少误差。由于没法消除误差，导致误差在迭代过程中不断地积累放大，严重影响定位建图的效果。

发明内容

本发明实施例提供了一种状态感知方法以及相关设备，实现在不需要回环运动的情况下也能够过滤无规则噪音，提高SLAM系统定位建图精度。

第一方面，本发明实施例提供了一种状态感知方法，该方法包括：

采集当前帧点云数据；从历史点云库中抽取N个历史帧点云数据，所述N个历史帧的采集时间均在所述当前帧的采集时间之前，其中，N为大于或等于1的正整数；将所述当前帧点云数据和所述N个历史帧点云数据分别进行点云配准，获得所述当前帧点云数据的N个状态估计值；将所述N个状态估计值进行叠加，得到所述当前帧点云数据的状态估计结果。