基于激光雷达的SLAM定位方法、系统及存储介质与流程

基于激光雷达的slam定位方法、系统及存储介质
技术领域
1.本发明涉及无人驾驶技术领域，具体涉及一种基于激光雷达的slam定位方法、系统及存储介质。


背景技术：

2.slam，即时定位与地图构建(simultaneous localization and mapping，简称slam)是无人驾驶中应用广泛的技术之一，而在地图的创建过程中，依赖于车辆的准确位姿，但是位姿估计会随着地图的增长产生漂移,导致建图不准，产生不可避免的误差累计,从而导致易出现定位准确度下降的缺陷；
3.同时，现有的激光雷达slam在定位时，也会受到结构化约束信息较少而带来的位姿更新误差的影响。


技术实现要素：

4.本发明针对现有技术中存在的技术问题，提供一种基于激光雷达的slam定位方法、系统及存储介质。
5.第一方面：一种基于激光雷达的slam定位方法，应用于具有自动驾驶功能的车辆，所述方法包括：
6.获取激光雷达采集的点云数据，并进行特征点提取；
7.基于提取的特征点进行扫描匹配；
8.然后进行局部地图迭代优化，以判断是否发生点退化；并通过两个退化门限共同决定是否执行退化时的最优估计操作；其中一个为静态门限，另一个为动态门限；
9.若是，则基于预先设定的退化处理策略进行矫正优化后，再进行位姿输出；其中，所述退化处理策略包括对所述动态门限进行增大或减少。
10.作为本技术一种可选的实施方式，所述退化处理策略为：
11.当通过静态门限判断出现退化时，再将优化时得到的特征值与动态门限对比，若小于所述动态门限，则进一步对比，并以所述动态门限作为退化门限的更新量；其中，所述更新量包括弱约束更新量和强约束更新量。
12.作为本技术一种可选的实施方式，当所述弱约束更新量大于所述强约束更新量时，则增大所述动态门限；否则，则减少所述动态门限。
13.作为本技术一种可选的实施方式，所述方法还包括：
14.若所述特征值位于所述静态门限和动态门限之间时，则以所述静态门限作为退化门限的更新量，并屏蔽掉弱方向的噪声及更新量。
15.作为本技术一种可选的实施方式，所述方法还包括：
16.在进行特征点提取之前，还进行去除点云畸变，根据每个点云点采集时刻的激光雷达位姿，把点云点投影到同一个位姿下。
17.第二方面：一种基于激光雷达的slam定位系统，所述系统包括：
18.采集模块，用于获取激光雷达采集的点云数据，并进行特征点提取；
19.匹配模块，用于基于提取的特征点进行扫描匹配；
20.处理模块，用于：
21.进行局部地图迭代优化，以判断是否发生点退化；并通过两个退化门限共同决定是否执行退化时的最优估计操作；其中一个为静态门限，另一个为动态门限；
22.若是，则基于预先设定的退化处理策略进行矫正优化后，再进行位姿输出；其中，所述退化处理策略包括对所述动态门限进行增大或减少。
23.作为本技术一种可选的实施方式，所述退化处理策略为：
24.当通过静态门限判断出现退化时，再将优化时得到的特征值与动态门限对比，若小于所述动态门限，则进一步对比，并以所述动态门限作为退化门限的更新量；其中，所述更新量包括弱约束更新量和强约束更新量。
25.作为本技术一种可选的实施方式，当所述弱约束更新量大于所述强约束更新量时，则增大所述动态门限；否则，则减少所述动态门限。
26.作为本技术一种可选的实施方式，所述采集模块在进行特征点提取之前，还进行去除点云畸变操作。
27.第三方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中提供的所述方法的步骤。
28.采用上述技术方案，具有以下优点：本发明提出的一种基于激光雷达的slam定位方法、系统及存储介质，通过在迭代处理过程中，综合处理点云退化的情况，在退化判断时，不再固定退化门限，采用将静态门限与动态门限相结合的方式，并通过动态调整退化门限值降低噪声所带来的影响，克服现有激光雷达slam中，会受到结构化约束信息较少而带来的位姿更新误差的影响，从而减少误差累计，进而提升定位准确度。
附图说明
29.图1是本发明实施例所提供的一种基于激光雷达的slam定位方法的流程图；
30.图2是本发明实施例所提供的一种基于激光雷达的slam定位系统的结构示意图。
具体实施方式
31.下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。
32.在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。
33.下面结合附图，对本发明作详细的说明。
34.参考图1所示，一种基于激光雷达的slam定位方法，应用于具有自动驾驶功能的车辆，所述方法包括：
35.s101，获取激光雷达采集的点云数据，并进行特征点提取。
36.具体地，具有自动驾驶功能的车辆具有多种检测装置和相适配的软硬件，其中，点云特征点主要包含两类:平面特征点和边缘特征点，由于断点曲率较大，平行点曲率较小，会分别被误当做边缘点和平面点；因此，在进行特征提取前，必须对断面上的断点和与激光线方向相平行的平行点进行去除处理。
37.s102，基于提取的特征点进行扫描匹配。
38.应用时，所述扫描匹配即为帧间匹配，所述帧间匹配环节的根本在于求解两帧之间位姿变化的最小二乘问题，将匹配点之间的距离范数和作为误差函数。
39.s103，然后进行局部地图迭代优化，以判断是否发生点退化；并通过两个退化门限共同决定是否执行退化时的最优估计操作；其中一个为静态门限，另一个为动态门限。
40.具体地，帧间匹配之后进入局部地图优化，在迭代优化过程中，为了提升系统的鲁棒性，现有做法是，在某个固定的门限下面对优化过程中约束较弱的空间维度做最优估计，使这个维度上的信息不影响最终的更新结果；现有是通过确定一个退化值的门限，小于这个退化门限的特征值都可以认为在这个方向上有退化；
41.由于决定弱约束方向的退化门限是通过统计及经验得出的固定值，并不能准确反映各种情况下真实的退化门限，从而造成退化门限过大或者过小的问题；
42.当退化门限过大时，较多的有用信息会由于相对不大的噪声而被完全抛弃，而这些方向上的最优估计可能并不准确；当退化门限过小时，迭代更新量会较多的受到噪声的影响，导致更新量异常地变大并偏离正确的更新方向；
43.为了弥补退化门限固定所带来的影响，本实施例引入了一个动态门限；其中，所述静态门限为固定值，所述动态门限为变化的值，所述静态门限的值大于所述动态门限的值。
44.由于激光雷达测量的环境结构信息具有时间上的连续性，所述动态门限的引入能更好的反映当前时间段所处环境的结构信息丰富与否，使得在面对复杂多变的环境时有更好的适应性。
45.s104，若是，则基于预先设定的退化处理策略进行矫正优化后，再进行位姿输出；其中，所述退化处理策略包括对所述动态门限进行增大或减少。
46.具体地，所述退化处理策略为：
47.当通过静态门限判断出现退化时，再将优化时得到的特征值与动态门限对比，若小于所述动态门限，则进一步对比，并以所述动态门限作为退化门限的更新量；其中，所述更新量包括弱约束更新量和强约束更新量。
48.本实施例中，迭代优化采用高斯牛顿法，并建立对应的矩阵来计算各维度的特征值；当所述弱约束更新量大于所述强约束更新量时，则增大所述动态门限；否则，则减少所述动态门限；
49.若所述特征值位于所述静态门限和动态门限之间时，则以所述静态门限作为退化门限的更新量，并屏蔽掉弱方向的噪声及更新量。
50.当动态门限增大时，表示当前噪声影响较大，需要在下一次迭代过程中剔除更多的噪声影响；当动态门限减小时，表示当前噪声的影响并不大，可以在下一次迭代过程中剔
除更少的噪声影响。
51.同时，判断当前动态门限变化的次数是否大于预设值，若是，则对需要局部优化的位姿进行第二次畸变矫正，将点云送入当前维护的局部地图，再次进行位姿的迭代优化。
52.进一步地，所述方法还包括在进行特征点提取之前，还进行去除点云畸变，根据每个点云点采集时刻的激光雷达位姿，把点云点投影到同一个位姿下。
53.具体地，计算每个点在当前扫描周期内的测量时间；
54.计算当前点的测量时间占整个扫描周期的比例；
55.计算当前扫描周期内激光雷达产生的运动；
56.计算当前点相对于扫描终点的运动；
57.将当前点转换到扫描终点坐标系下。
58.上述方案，通过在迭代处理过程中，综合处理点云退化的情况，在退化判断时，不再固定退化门限，采用将静态门限与动态门限相结合的方式，并通过动态调整退化门限值降低噪声所带来的影响，克服现有激光雷达slam中，会受到结构化约束信息较少而带来的位姿更新误差的影响，从而减少误差累计，进而提升定位准确度。
59.基于上述同样的发明思路，参考图2，本发明实施例还提供了一种基于激光雷达的slam定位系统，所述系统包括：
60.采集模块，用于获取激光雷达采集的点云数据，并进行特征点提取；
61.匹配模块，用于基于提取的特征点进行扫描匹配；
62.处理模块，用于：
63.进行局部地图迭代优化，以判断是否发生点退化；并通过两个退化门限共同决定是否执行退化时的最优估计操作；其中一个为静态门限，另一个为动态门限；
64.若是，则基于预先设定的退化处理策略进行矫正优化后，再进行位姿输出；其中，所述退化处理策略包括对所述动态门限进行增大或减少。
65.应用时，所述退化处理策略为：
66.当通过静态门限判断出现退化时，再将优化时得到的特征值与动态门限对比，若小于所述动态门限，则进一步对比，并以所述动态门限作为退化门限的更新量；其中，所述更新量包括弱约束更新量和强约束更新量；
67.同时，当所述弱约束更新量大于所述强约束更新量时，则增大所述动态门限；否则，则减少所述动态门限。
68.进一步地，为应对多种复杂情况，若所述特征值位于所述静态门限和动态门限之间时，则以所述静态门限作为退化门限的更新量，并屏蔽掉弱方向的噪声及更新量。
69.所述采集模块在进行特征点提取之前，还进行去除点云畸变操作。
70.需要说明的是，上述系统实施例与前述的方法实施例相对应，其具体实施方式以及有益效果，参见前述的文字记载，在此不再赘述。
71.通过上述方案，通过动态调整退化门限值降低噪声所带来的影响，克服现有激光雷达slam中，会受到结构化约束信息较少而带来的位姿更新误差的影响，从而减少误差累计，进而提升定位准确度。
72.本实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器执行如所述的一种基于激光
雷达的slam定位方法实施例的步骤。
73.具体的，所述处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
74.其中，所述计算机程序的代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
75.计算机可读存储介质可包括缓存(cache)、高速随机存取存储器(ram)，例如常见的双倍数据率同步动态随机存取内存(ddr sdram)，并且还可包括非易失性存储器(nvram)，诸如一个或多个只读存储器(rom)、磁盘存储设备、闪存(flash)存储器设备、或其他非易失性固态存储器设备例如光盘(cd-rom，dvd-rom)，软盘或数据磁带等。
76.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
77.在本技术所提供的几个实施例中，应该理解到，所揭露的方法和系统，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
78.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。