[发明专利]一种基于点云特征与蒙特卡洛扩展法的动态物体去除

说明书

本发明公开了一种基于点云特征与蒙特卡洛扩展法的动态物体去除，解决了SLAM系统中出现动态对象的问题。该方法包括，步骤一，构建点云数据样本数据集，并构建三维的全局坐标系，初始化环境信息。步骤二，提取全局坐标系下的点云数据并计算其局部曲率、惯性张量矩阵和协方差矩阵作为点云空间分布特征。步骤三，搭载点云滤波器进行预处理，去除孤立点和边缘点。步骤四，创新性地提出了一种从中心到边缘的点云聚类算法，对预处理后的点云数据基于新设计的点云聚类算法聚类并确定对象的轮廓。步骤五，使用蒙特卡洛法对全概率公式进行改进，并递推和计算出点云粒子的影响权重，推断聚类对象状态，动态对象去除，静态对象保留。本发明有效的去除了物理环境中移动物体的动态信息，得到了一个真实的静态物理环境。

技术领域

本发明涉及无人驾驶技术领域，具体来说，涉及一种基于点云特征与蒙特卡洛扩展法的动态物体去除。

背景技术

伴随着人工智能技术在移动机器人领域上的快速发展，尤其在无人驾驶技术领域上体现出了其巨大的发展潜能和应用价值。同时定位与地图构建(SimultaneousLocalization and Mapping或SLAM)作为无人驾驶的核心技术，在车辆定位和导航上发挥着不可或缺的作用。SLAM技术是指主体在运动当中通过传感器获取信息，来确定自身位姿并构建环境地图的过程，由此来解决主体在未知环境下运动时的定位与建图问题。

其中，SLAM技术的前端视觉里程计(VO)和SLAM技术在机器人和计算机视觉等科学技术领域占有的地位越来越重要。在最近这些年，有多种SLAM技术和视觉里程计(VO)都取得了非常理想的实验结果，并且在移动机器人自身状态估计、导航避障、地图构建上都取得了突破性的进展。但是，SLAM过程经常出现动态物体，动态物体对算法的干扰较强，会影响里程计准确度，产生点云中的“鬼影”问题，需要有效地剔除。

在最近这些年，伴随着深度视觉应用的快速进步与发展，深度图像的图像分辨率、设备分辨率和屏幕分辨率都取得了很大程度上的进步。因此，有许多基于深度图像的视觉里程计算法被提出，比如SDF Tracker、Kinect Fusion和SDO等等。但是这些算法只是估计了前后俩帧之间相互运动关系，并不能对SLAM过程中的动态物体进行去除。因此，本发明提出了一种基于点云特征与蒙特卡洛扩展法的动态物体去除。

发明内容

针对于相关技术可能出现的问题，本发明提出了一种基于点云特征与蒙特卡洛扩展法的动态物体去除，解决SLAM过程中动态物体存在导致的测量精度和效率低的问题。

为了实现上述技术目的，本发明的技术方案是这样实现的：

采用了以点云特征与蒙特卡洛扩展法的动态物体去除的方法，包括以下步骤：

步骤一，构建点云数据样本数据集，并构建三维的全局坐标系，初始化环境信息。

步骤二，提取全局坐标系下的点云数据并计算其局部曲率、惯性张量矩阵和协方差矩阵作为点云空间分布特征。

步骤三，搭载点云滤波器进行预处理，去除孤立点和边缘点。

步骤四，创新性地提出了一种从中心到边缘的点云聚类算法，对预处理后的点云数据基于新设计的点云聚类算法聚类并确定对象的轮廓。

步骤五，使用蒙特卡洛法对全概率公式进行改进，并递推和计算出点云粒子的影响权重，推断聚类对象状态，动态对象去除，静态对象保留。有效的去除了物理环境中移动物体的动态信息，得到了一个真实的静态物理环境。

本发明的有益效果：基于点云特征与蒙特卡洛扩展法的动态物体去除解决了SLAM过程动态物体对系统精度的影响，解决了SLAM生成点云中的“鬼影”问题，使得SLAM系统可以克服复杂环境中的动态环境的影响，进一步提高SLAM系统的精确性和鲁棒性。

附图说明