无人矿区的三维建图方法、装置和存储介质与流程

1.本公开属于采矿技术领域，尤其涉及一种无人矿区的三维建图方法、装置和存储介质。


背景技术：

2.随着无人驾驶、5g通信、人工智能、云计算等技术的快速发展，露天矿山无人化运输系统迎来了快速地发展，在国内各大露天矿山陆续出现落地运行的方案。无人化运输系统可以有效地减少人力成本，提高生产效率，保障矿区作业人员安全。无人化运输系统由无线网络通信系统(4g、5g、无线mesh等)、位于控制中心的机群管理系统、无人驾驶矿用自卸车、装载辅助作业设备(挖掘机、电铲等)、卸载辅助作业设备(推土机、装载机等)、道路维护辅助设备(平地机、洒水车等)、服务车辆(皮卡车等)组成。
3.在露天矿山无人矿区，无人驾驶矿车结合标准的地图和实时定位信息进行装载作业，越来越成为无人矿区的重要发展方向，而为了能够精确地进行无人矿车的控制，首先必须提供精确的地图信息。


技术实现要素：

4.本公开要解决的一个技术问题是，提供一种无人矿区的三维建图方法、装置和存储介质，能够提高三维地图的准确性。
5.根据本公开一方面，提出一种无人矿区的三维建图方法，包括：根据位于矿车上的激光雷达获取的点云特征，对激光雷达的初始全局位姿进行优化，得到第一全局位姿，并根据第一全局位姿，拼接点云得到第一子图；根据第一全局位姿，配准与第一子图相邻的第二子图，并将第一子图和第二子图之间的位姿变换关系，作为激光里程计因子；根据全球定位系统gps先验因子和闭环检测因子中的至少一项与激光里程计因子的误差，对第一全局位姿进行优化，得到第二全局位姿，其中，gps先验因子为初始全局位姿中的位移信息，闭环检测因子为第一子图与第一子图对应的闭环检测候选子图之间的位姿变换关系；以及将多个第一子图对齐到全局坐标系下，并根据第二全局位姿将多个第一子图拼接为三维地图。
6.在一些实施例中，获取激光雷达和矿车的车体后轴中心之间的外参，以及利用位于矿车上的全球导航卫星系统gnss组合惯导获取车体后轴中心的全局定位信息；根据外参和全局定位信息，获取激光雷达的初始全局位姿。
7.在一些实施例中，以第一子图为闭环检测单元进行闭环检测，确定与第一子图对应的闭环检测候选子图。
8.在一些实施例中，以第一子图为闭环检测单元进行闭环检测，确定与第一子图对应的闭环检测候选子图包括：获取与第一子图对应的多个历史子图；按照时间先后顺序，对多个历史子图进行排序，形成历史子图序列；利用第一全局位姿，对第一子图和历史子图序列中的每个历史子图依次进行配准；将第一子图与配准的历史子图进行拼接，并在第一子图与配准的历史子图中找到第一预设距离之内的所有点对，计算所有点对之间的距离值；
若距离值小于距离阈值，则将配准的历史子图，作为与第一子图对应的闭环检测候选子图。
9.在一些实施例中，获取与第一子图对应的多个历史子图包括：以第一子图中第一帧激光雷达坐标系全局位置为中心，第二预设距离为半径构建筛选区域，确定筛选区域内的多个历史子图。
10.在一些实施例中，得到第一全局位姿包括：对激光雷达获取的每一帧点云，计算每个点的相对旋转时间；基于初始全局位姿，计算激光雷达的运动增量；利用相对旋转时间对运动增量进行线性插值，将每一帧点云中所有点的位置统一到该帧点云开始时刻；将处理后的点转换到全局坐标系下；对处理后的点进行栅格化处理，统计每个栅格内的点数，若栅格内点的个数大于个数阈值，则计算栅格内所有点的均值和协方差，对协方差矩阵进行特征值分解，得到包含特征值的特征矩阵；基于特征矩阵，构建最小二乘约束，其中，将运动增量作为最小二乘约束的初值，求解最小二乘约束，确定第一全局位姿。
11.在一些实施例中，基于特征矩阵，构建最小二乘约束包括：根据特征矩阵的特征值，判断栅格内的点云特征为面特征、线特征或者高斯分布特征，并根据判断结果调整特征矩阵对应的逆矩阵中的特征值；根据调整后的特征矩阵对应的逆矩阵，确定对协方差矩阵特征值分解的结果，并根据结果构建最小二乘约束。
12.在一些实施例中，根据特征矩阵的特征值，判断栅格内的点云特征为面特征、线特征或者高斯分布特征，并根据判断结果调整特征矩阵对应的逆矩阵中的特征值包括：在特征矩阵为对角矩阵的情况下，特征矩阵包括第一特征值、第二特征值和第三特征值，其中，第一特征值大于第二特征值，第二特征值大于第三特征值，若第一特征值与第二特征值之差大于第一阈值，则确定述栅格内的点云特征为线特征，将特征矩阵对应的逆矩阵中的第四特征值设置为0，其中，第四特征值与第一特征值互为倒数；若第一特征值与第二特征值之差小于等于第一阈值，且第二特征值与第三特征值之差大于第二阈值，则确定述栅格内的点云特征为面特征，将特征矩阵对应的逆矩阵中的第四特征值和第五特征值设置为0，其中，第五特征值与第二特征值互为倒数；若第二特征值与第三特征值之差小于等于第二阈值，则确定述栅格内的点云特征为高斯分布特征，则不对特征矩阵对应的逆矩阵中的第四特征值、第五特征值和第六特征值进行调整，其中，第六特征值与第三特征值互为倒数。
13.在一些实施例中，根据第一全局位姿，拼接点云得到第一子图包括：将连续n帧去畸变后的点云，按照第一全局位姿，进行点云拼接，得到第一子图。
14.在一些实施例中，根据第一全局位姿，配准与第一子图相邻的第二子图，并将第一子图和第二子图之间的位姿变换关系，作为激光里程计因子包括：利用第一全局位姿，在第一子图的第一帧坐标系下，对第一子图和第二子图进行配准，得到第一子图和第二子图之间的位姿变换关系，并将位姿变换关系作为激光里程计因子。
15.在一些实施例中，将全局坐标系下的三维地图转换至地理坐标系下。
16.根据本公开的另一方面，还提出一种无人矿区的三维建图装置，包括：拼接模块，被配置为根据位于矿车上的激光雷达获取的点云特征，对激光雷达的初始全局位姿进行优化，得到第一全局位姿，并根据第一全局位姿，拼接点云得到第一子图；激光里程计因子获取模块，被配置为根据第一全局位姿，配准与第一子图相邻的第二子图，并将第一子图和第二子图之间的位姿变换关系，作为激光里程计因子；以及建图模块，被配置为根据全球定位系统gps先验因子和闭环检测因子中的至少一项与激光里程计因子的误差，对第一全局位
姿进行优化，得到第二全局位姿，其中，gps先验因子为初始全局位姿中的位移信息，闭环检测因子为第一子图与第一子图对应的闭环检测候选子图之间的位姿变换关系，将多个第一子图对齐到全局坐标系下，并根据第二全局位姿将多个第一子图拼接为三维地图。
17.在一些实施例中，该三维建图装置还包括：外参获取模块，被配置为获取激光雷达和矿车的车体后轴中心之间的外参，以及利用位于矿车上的全球导航卫星系统gnss组合惯导获取车体后轴中心的全局定位信息；以及gps先验因子获取模块，被配置为根据外参和全局定位信息，获取激光雷达的初始全局位姿，并将初始全局位姿中的位移信息作为gps先验因子。
18.在一些实施例中，该三维建图装置还包括：闭环检测因子获取模块，被配置为以第一子图为闭环检测单元进行闭环检测，确定与第一子图对应的闭环检测候选子图。
19.根据本公开的另一方面，还提出一种无人矿区的三维建图装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器的指令执行如上述的三维建图方法。
20.根据本公开的另一方面，还提出一种非瞬时性计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现如上述的三维建图方法。
21.本公开实施例中，通过gps先验因子和闭环检测因子与激光里程计因子的误差，优化激光雷达的全局位姿，进而基于全局位姿将多个子图拼接为三维地图，即通过多因子优化及多层次优化，能够构建更为准确全面的三维地图，减少三维地图建模过程中的地图退化和误差累积的问题。
22.通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
23.构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
24.参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
25.图1为本公开的无人矿区的三维建图方法的一些实施例的流程示意图；
26.图2为本公开的一些实施例中的元器件安装示意图；
27.图3为本公开的无人矿区的三维建图方法的另一些实施例的流程示意图；
28.图4为本公开的一些实施例中的分层优化示意图；
29.图5为本公开的无人矿区的三维建图装置的一些实施例的结构示意图；
30.图6为本公开的无人矿区的三维建图装置的另一些实施例的结构示意图；以及
31.图7为本公开的无人矿区的三维建图装置的另一些实施例的结构示意图。
具体实施方式
32.现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
33.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际
的比例关系绘制的。
34.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
35.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
36.在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
37.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
38.为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
39.目前，矿区地图建模通常采用两种方法，一种是二维地图构建方法，另一种是三维地图构建方法。
40.二维地图构建方法，就是通过单一的gnss(global navigation satellite system，全球导航卫星系统)组合惯导(imu，inertial measurement unit，惯性测量单元)采集矿区装载区的道路边缘信息，然后根据该位置信息构建仅包含道路边缘信息的二维地图。这种二维建图方法依托于矿卡准确采集到装载区所有的道路边缘信息，采集所有的道路边缘信息的过程较为繁琐，耗时较长，而且矿卡行驶至狭窄区域时，经常会出现无法采集道路边缘信息的情况，从而无法保证采集到的道路边缘信息的完整性，进而使得构建出的二维地图不够精确。在具体的实践应用中，二维地图由于只能提供一个平面内的地理信息，因此在一些起伏较大的矿区中无法有效为无人矿车提供精准的路面信息，所以三维地图应运而生。
41.三维地图的构建方法采用的另一种模式是组合测量方式，结合imu和激光雷达构建矿区的三维地图。使用imu和激光雷达融合建图的方案近几年逐渐成为主流，在激光雷达建图容易失败的情形(地面颠簸、快速运动)能很好的工作，并且建图精度也得到了明显的提高。使用imu和激光雷达融合建图的方案分为基于滤波和基于优化两大类：基于滤波的方案通常用imu来进行状态传播，再根据激光雷达点云配准的结果进行状态更新。基于优化的方案则将建图问题建模为一个图优化问题，优化变量作为图的顶点，激光里程计和imu预积分测量作为图的边。基于优化的方案可以将历史测量值和当前测量值一起优化，而基于滤波的方案一般只考虑到相邻时刻的测量信息。
42.相关技术中，由于矿区装载区通常较为空旷，几何特征不明显，仅应用激光雷达扫描地形获得点云，然后将点云进行拼接获得三维地图，这种方法容易导致地图退化。通过组合测量方式构建三维地图，无论是基于滤波的方案，还是基于优化的方案，都是用历史观测信息来对当前信息进行推断，而且只能获得相对位置信息，无法获得绝对位置信息，因此当测量的一个位置发生误差，在后续重复测量的时候就会不断的对误差进行累计，会出现点云重影导致地图分层问题，从而导致地图精度下降。此外，该种方案构建的地图无法和地理坐标系对齐。
43.图1为本公开的无人矿区的三维建图方法的一些实施例的流程示意图。
44.在步骤110，根据位于矿车上的激光雷达获取的点云特征，对激光雷达的初始全局
位姿进行优化，得到第一全局位姿，并根据第一全局位姿，拼接点云得到第一子图。
45.在一些实施例中，如图2所示，将激光雷达04安装在矿车的前方、左方、或右方的位置，激光雷达的安装位置应当保证其具有足够的视野，以确保能够顺利的对地理环境进行扫描。激光雷达自身坐标系设置例如为，激光雷达坐标系为右手系，x轴与矿车平行的指向矿车前进方向，y轴指向矿车左侧，z轴指向向上。
46.在一些实施例中，对激光雷达获取的每一帧点云，计算每个点的相对旋转时间；基于初始全局位姿，计算激光雷达的运动增量；利用相对旋转时间对运动增量进行线性插值，将每一帧点云中所有点的位置统一到该帧点云开始时刻；将处理后的点转换到全局坐标系下；对处理后的点进行栅格化处理，统计每个栅格内的点数，若栅格内点的个数大于个数阈值，则计算栅格内所有点的均值和协方差，对协方差矩阵进行特征值分解，得到包含特征值的特征矩阵；基于特征矩阵，构建最小二乘约束，其中，将运动增量作为最小二乘约束的初值，求解最小二乘约束，确定第一全局位姿。
47.在一些实施例中，将连续n帧去畸变后的点云，按照第一全局位姿，进行点云拼接，得到第一子图。
48.在步骤120，根据第一全局位姿，配准与第一子图相邻的第二子图，并将第一子图和第二子图之间的位姿变换关系，作为激光里程计因子。
49.在一些实施例中，利用第一全局位姿，在第一子图的第一帧坐标系下，对第一子图和第二子图进行配准，得到第一子图和第二子图之间的位姿变换关系，并将位姿变换关系作为激光里程计因子。
50.在步骤130，根据gps先验因子和闭环检测因子中的至少一项与激光里程计因子的误差，对第一全局位姿进行优化，得到第二全局位姿，其中，gps先验因子为初始全局位姿中的位移信息，闭环检测因子为第一子图与第一子图对应的闭环检测候选子图之间的位姿变换关系。
51.在步骤140，将多个第一子图对齐到全局坐标系下，并根据第二全局位姿将多个第一子图拼接为三维地图。
52.在上述实施例中，通过gps先验因子和闭环检测因子与激光里程计因子的误差，优化激光雷达的全局位姿，进而基于全局位姿将多个子图拼接为三维地图，即通过多因子优化及多层次优化，能够构建更为准确全面的三维地图，减少三维地图建模过程中的地图退化和误差累积的问题。
53.图3为本公开的无人矿区的三维建图方法的另一些实施例的流程示意图。
54.在步骤310，获取激光雷达和矿车的车体后轴中心之间的外参，以及利用位于矿车上的gnss组合惯导获取车体后轴中心的全局定位信息。
55.在一些实施例中，设置矿车的坐标系，例如，以矿车后轴中心为原点，车体后轴中心的x轴指向矿车前进方向，y轴指向车体右侧，z轴向下，并在矿卡上安装激光雷达和gnss组合惯导。如图2所示，gnss组合惯导中的gps主、副天线安装在矿车前端，gps主天线01在左，副天线02在右，副天线02指向主天线与车身垂直，要保证gps天线不低于后车斗，否则会影响gps信号接收。gnss组合惯导安装在车体中轴线03上。
56.在一些实施例中，利用位于矿车上的gnss组合惯导获取车体后轴中心的全局定位信息包括：手动测量gnss组合惯导相对于矿卡车体后轴中心的偏置参数，将该偏置参数输
入至gnss组合惯导上位机软件中，获取车体后轴中心的全局位姿，其中，车体后轴中心坐标系与矿车的坐标系相同。
57.在一些实施例中，在矿区中选择具有一定几何约束的场景，让矿卡绕预设路径匀速行驶，采集激光雷达和gnss组合惯导数据，对激光雷达与车体后轴中心之间的外参进行标定，估计激光雷达在车体后轴中心坐标系下的位姿。
58.例如，让矿卡在装载区绕8字行驶，采集预设时间(例如3分钟以上)激光雷达点云和gnss组合惯导定位输出。用卷尺测量出激光雷达相对于车体后轴中心的位置结合上述激光雷达和gnss组合惯导安装配置情况，可知激光雷达坐标系与车体后轴中心坐标系的初始外参为获取连续时刻激光雷达在第一帧激光雷达坐标系中的相对位姿。例如应用最小二乘约束获取连续时刻激光雷达在第一帧激光雷达坐标系中的相对位姿。将gnss组合惯导输出的车体后轴中心全局位姿变换为相对位姿，结合上述当前激光雷达在第一帧激光雷达坐标系中的相对位姿，使用手眼标定方法估计激光雷达与矿卡车体后轴中心之间的外参，即估计激光雷达在车体后轴中心坐标系下的位姿。其中，外参的优化初值
59.由于装载区地面较为平坦，矿卡可以看作是在做平面运动，因此外参的z轴平移量可能估计不够准确，如果最后估计值和测量值相差较大，以测量值为准。
60.在步骤320，根据外参和全局定位信息，获取激光雷达的初始全局位姿，将初始全局位姿中的位移信息作为gps先验因子。
61.在一些实施例中，获取t时刻激光雷达采集的点云数据，设置时间阈值τ(τ》0)，通过最近邻查找的方法，找到t-τ到t+τ时间段内最近的两个时间戳t
l
、tr(tr》t
l
)，对应的gnss组合惯导定位数据分别为对进行线性插值，计算t时刻车体后轴中心全局定位信息其中a＝(t
r-t)/(t
r-t
l
)，b＝(t-t
l
)/(t
r-t
l
)。激光雷达的初始全局位姿其中，是t时刻车体后轴中心在全局坐标系中的位姿，是外参。将的位移部分作为gps先验因子添加到因子图中。
62.在步骤330，根据位于矿车上的激光雷达获取的点云特征，对激光雷达的初始全局位姿进行优化，得到第一全局位姿。
63.在一些实施例中，对激光雷达获取的每一帧点云的点pi＝(x y z)
t
计算其相对旋转角度θi＝atan(y/x)，继而计算每个点的相对旋转时间ti。根据激光雷达的初始全局位姿，计算激光雷达的运动增量根据ti对进行线性插值，将每一帧点云中所有点的位置都统一到该帧点云开始时刻，去除每一帧点云中的运动畸变。将去除运动畸变后的点变换到全局坐标系下对处理后的点进行栅格化处理，统计每个栅格内的激光扫描点个数ni，对于ni大于给定阈值n
τ
的三维栅格，计算该栅格内所有点的
均值μi和协方差∑i。对协方差∑i进行特征值分解，得到包含特征值的特征矩阵。基于特征矩阵，构建最小二乘约束，其中，将运动增量作为最小二乘约束的初值，求解最小二乘约束，确定第一全局位姿。
64.根据特征矩阵的特征值，判断栅格内的点云特征为面特征、线特征或者高斯分布特征，并根据判断结果调整特征矩阵对应的逆矩阵中的特征值；根据调整后的特征矩阵对应的逆矩阵，确定对协方差矩阵特征值分解的结果，并根据结果构建最小二乘约束。
65.例如，在特征矩阵为对角矩阵的情况下，特征矩阵包括第一特征值、第二特征值和第三特征值，其中，第一特征值大于第二特征值，第二特征值大于第三特征值，若第一特征值与第二特征值之差大于第一阈值，则确定述栅格内的点云特征为线特征，将特征矩阵对应的逆矩阵中的第四特征值设置为0，其中，第四特征值与第一特征值互为倒数；若第一特征值与第二特征值之差小于等于第一阈值，且第二特征值与第三特征值之差大于第二阈值，则确定述栅格内的点云特征为面特征，将特征矩阵对应的逆矩阵中的第四特征值和第五特征值设置为0，其中，第五特征值与第二特征值互为倒数；若第二特征值与第三特征值之差小于等于第二阈值，则确定述栅格内的点云特征为高斯分布特征，则不对特征矩阵对应的逆矩阵中的第四特征值、第五特征值和第六特征值进行调整，其中，第六特征值与第三特征值互为倒数。第一特征值与第二特征值之差大于第一阈值，以及第二特征值与第三特征值之差大于第二阈值，第一特征值远大于第二特征值，第二特征值远大于第三特征值，例如，第一特征值与第二特征值不是一个数量级、第二特征值与第三特征值不是一个数量级，再例如，第一特征值是第二特征值的10倍或以上，100或以上等，第二特征值是第三特征值的10倍或以上，100倍或以上等。
66.例如，∑i＝u
t
λu,其中对特征矩阵λ的三个特征值λ1、λ2、λ3。若λ1》》λ2，则认为栅格内的点云特征是线特征，将特征矩阵λ中的设置为0。若λ2》》λ3，则认为栅格内的点云特征是面特征，将特征矩阵λ中的和均设置为0；若以上两种都不是，则认为栅格内的点云特征是高斯分布特征，不调整特征矩阵λ。通过对特征矩阵λ的处理，能够减少后续构建地图的误差。
67.在一些实施例中，构建的最小二乘约束为其中，r,p为待估计的运动信息，xi为新来点云中的点，n为栅格个数，wi为每个栅格的权重，μi为栅格均值，u
t
λu为栅格协方差特征值分解的结果。
68.通过对xi查找最近邻的栅格，便可以找到对应关系。将根据激光雷达的初始全局位姿计算得到的激光雷达运动增量作为最小二乘问题的初值，求解这个最小二乘问
题，便可得到当前激光雷达在全局坐标系下的位姿即激光雷达优化后的第一全局位姿。
69.在步骤340，根据第一全局位姿，拼接点云得到第一子图，根据第一全局位姿，配准与第一子图相邻的第二子图，并将第一子图和第二子图之间的位姿变换关系，作为激光里程计因子。
70.在一些实施例中，将连续n帧去畸变后点云，按照第一全局位姿进行点云拼接，得到子图submapi，并将子图submapi中的所有点云都变换到子图submapi的第一帧坐标系下；使用第一全局位姿对相邻两个子图submapi和submap
i+1
之间在第一帧坐标系下进行配准，得到两个子图之间的位姿变换关系将其作为激光里程计因子添加到因子图模型中。
71.在步骤350，以第一子图为闭环检测单元进行闭环检测，确定与第一子图对应的闭环检测候选子图。
72.在一些实施例中，获取与第一子图对应的多个历史子图；按照时间先后顺序，对多个历史子图进行排序，形成历史子图序列；利用第一全局位姿，对第一子图和历史子图序列中的每个历史子图依次进行配准；将第一子图与配准的历史子图进行拼接，并在第一子图与配准的历史子图中找到第一预设距离之内的所有点对，计算所有点对之间的距离值；若距离值小于距离阈值，则将配准的历史子图，作为与第一子图对应的闭环检测候选子图。
73.例如，当已经构建出子图后，以最新子图中第一帧激光雷达坐标系全局位置为中心，第二预设距离(例如15m)为半径构建筛选区域，确定该筛选区域内的历史子图。当搜索到多个历史子图后，按照时间先后顺序对历史子图进行排序，形成历史子图序列。使用第一全局位姿对当前子图和历史子图序列中的历史子图依次进行配准，其中配准初值根据配准结果将两个子图进行拼接，并在两个子图中找到第一预设距离(例如，2m)之内的所有点对，计算所有点对之间的距离值(例如，平均距离)，当该距离值不大于预设的距离值(例如，1)时认为本次成功检测到闭环，并将该历史子图作为闭环检测候选子图，停止闭环检测。同时将当前子图与闭环检测候选子图之间的位姿变换关系作为闭环检测因子加入因子图中。当该距离值大于预设的距离阈值时认为闭环检测失败，执行下一次闭环检测。
74.在上述步骤中，通过闭环检测可以有效消除地图分层。
75.在步骤360，根据gps先验因子和闭环检测因子中的至少一项与激光里程计因子的误差，对第一全局位姿进行优化，得到第二全局位姿。
76.在一些实施例中，如图4所示，因子图模型中加入新的gps先验因子或闭环检测因子后，会和因子图模型中已经存在的激光里程计因子构建误差，根据误差最小化原则对激光雷达的全局位姿进行修正，确定激光雷达坐标系进一步优化的第二全局位姿。其中，激光里程计因子生成后一直存在于因子图模型中，即，激光里程计因子是因子图模型中的基本
因子。
77.在一些实施例中，可能单独产生gps先验因子或者闭环检测因子，也可能同时存在gps先验因子和闭环检测因子。也就是说，包含激光里程计因子的因子图模型中可能仅加入gps先验因子或者闭环检测因子，也可能同时加入gps先验因子和闭环检测因子。当因子图模型中仅加入gps先验因子时，gps先验因子会和因子图模型中已经存在的激光里程计因子构建误差；当因子图模型中仅加入闭环检测因子时，闭环检测因子会和因子图模型中已经存在的激光里程计因子构建误差；当因子图模型中同时加入gps先验因子和闭环检测因子时，gps先验因子和闭环检测因子一起与因子图模型中已经存在的激光里程计因子构建误差。
78.在一些实施例中，由于闭环检测因子和gps先验因子都会对激光雷达的全局位姿进行修正，因此在因子图模型优化后再对相应因子进行更新。其中，gps先验因子可以有效消除累计误差，使得构建出的三维地图和地理坐标系对齐，提升建图精度。
79.在步骤370，将多个第一子图对齐到全局坐标系下，并根据第二全局位姿将多个第一子图拼接为三维地图。
80.在一些实施例中，表示先将子图对齐到全局坐标系，再将子图拼接起来。
81.在上述实施例中，将激光雷达和gnss组合惯导进行融合，应用在无人驾驶矿卡上时，只要激光雷达能够扫描到道路边缘信息，即可构建高精度的矿区装载区三维地图。相对于现有技术，一方面，避免了矿卡行驶至狭窄区域时无法采集道路边缘信息的情况，保证了采集到的道路边缘信息的完整性；另一方面，无需矿卡必须贴合道路边缘行驶获取所有的道路边缘信息，在保证构图精度的前提下，简化了构图的前期采集数据的工作，耗时短，提升了整体的工作效率；再一方面，矿区装载区中的道路边缘由于持续的施工作业会发生变化，通过本发明提供的技术方案矿卡可以在短时间内按照预设的路径行驶快速获取到变化后的道路边缘信息。相比于仅包含道路边缘的二维地图，本公开能够构建精准的矿区装载区的三维地图，提高矿卡感知和路径规划能力，可以很好地精确指导无人驾驶矿卡完成装载作业。
82.在本公开的一些实施例中，将全局坐标系下的三维地图转换至地理坐标系下。
83.上述实施例中，三维地图是在全局坐标系下构建的，为将三维地图转换至地理坐标系下创造了有利条件，有助于进一步提升建图精度。
84.图5为本公开的无人矿区的三维建图装置的一些实施例的结构示意图。该三维建图装置包括拼接模块510、激光里程计因子获取模块520和建图模块530。
85.拼接模块510被配置为根据位于矿车上的激光雷达获取的点云特征，对激光雷达的初始全局位姿进行优化，得到第一全局位姿，并根据第一全局位姿，拼接点云得到第一子图。
86.在一些实施例中，拼接模块510对激光雷达获取的每一帧点云，计算每个点的相对旋转时间；基于初始全局位姿，计算激光雷达的运动增量；利用相对旋转时间对运动增量进行线性插值，将每一帧点云中所有点的位置统一到该帧点云开始时刻；将处理后的点转换到全局坐标系下；对处理后的点进行栅格化处理，统计每个栅格内的点数，若栅格内点的个
数大于个数阈值，则计算栅格内所有点的均值和协方差，对协方差矩阵进行特征值分解，得到包含特征值的特征矩阵；基于特征矩阵，构建最小二乘约束，其中，将运动增量作为最小二乘约束的初值，求解最小二乘约束，确定第一全局位姿。
87.在一些实施例中，拼接模块510根据特征矩阵的特征值，判断栅格内的点云特征为面特征、线特征或者高斯分布特征，并根据判断结果调整特征矩阵对应的逆矩阵中的特征值；根据调整后的特征矩阵对应的逆矩阵，确定对协方差矩阵特征值分解的结果，并根据结果构建最小二乘约束。
88.例如，例如，∑i＝u
t
λu,其中对特征矩阵λ的三个特征值λ1、λ2、λ3。若λ1》》λ2，则认为栅格内的点云特征是线特征，将特征矩阵λ中的设置为0。若λ2》》λ3，则认为栅格内的点云特征是面特征，将特征矩阵λ中的和均设置为0；若以上两种都不是，则认为栅格内的点云特征是高斯分布特征，不调整特征矩阵λ。
89.在一些实施例中，构建的最小二乘约束为其中，r,p为待估计的运动信息，xi为新来点云中的点，n为栅格个数，wi为每个栅格的权重，μi为栅格均值，u
t
λu为栅格协方差特征值分解的结果。
90.在一些实施例中，拼接模块510将连续n帧去畸变后的点云，按照第一全局位姿，进行点云拼接，得到第一子图。
91.激光里程计因子获取模块520被配置为根据第一全局位姿，配准与第一子图相邻的第二子图，并将第一子图和第二子图之间的位姿变换关系，作为激光里程计因子。
92.在一些实施例中，激光里程计因子获取模块520利用第一全局位姿，在第一子图的第一帧坐标系下，对第一子图和第二子图进行配准，得到第一子图和第二子图之间的位姿变换关系，并将位姿变换关系作为激光里程计因子。
93.建图模块530被配置为根据全球定位系统gps先验因子和闭环检测因子中的至少一项与激光里程计因子的误差，对第一全局位姿进行优化，得到第二全局位姿，其中，gps先验因子为初始全局位姿中的位移信息，闭环检测因子为第一子图与第一子图对应的闭环检测候选子图之间的位姿变换关系，将多个第一子图对齐到全局坐标系下，并根据第二全局位姿将多个第一子图拼接为三维地图。
94.在一些实施例中，建图模块530还被配置为将全局坐标系下的三维地图转换至地理坐标系下。
95.在上述实施例中，通过gps先验因子和闭环检测因子与激光里程计因子的误差，优化激光雷达的全局位姿，进而基于全局位姿将多个子图拼接为三维地图，即通过多因子优化及多层次优化，能够构建更为准确全面的三维地图，减少三维地图建模过程中的地图退
化和误差累积的问题。
96.在本公开的另一些实施例中，如图6所示，该三维建图装置还包括：外参获取模块610和gps先验因子获取模块620。
97.外参获取模块610被配置为获取激光雷达和矿车的车体后轴中心之间的外参，以及利用位于矿车上的gnss组合惯导获取车体后轴中心的全局定位信息。
98.gps先验因子获取模块620被配置为根据外参和全局定位信息，获取激光雷达的初始全局位姿，并将初始全局位姿中的位移信息作为gps先验因子。
99.该三维建图装置还包括：闭环检测因子获取模块630，被配置为以第一子图为闭环检测单元进行闭环检测，确定与第一子图对应的闭环检测候选子图。
100.在一些实施例中，闭环检测因子获取模块630获取与第一子图对应的多个历史子图；按照时间先后顺序，对多个历史子图进行排序，形成历史子图序列；利用第一全局位姿，对第一子图和历史子图序列中的每个历史子图依次进行配准；将第一子图与配准的历史子图进行拼接，并在第一子图与配准的历史子图中找到第一预设距离之内的所有点对，计算所有点对之间的距离值；若距离值小于距离阈值，则将配准的历史子图，作为与第一子图对应的闭环检测候选子图。
101.在一些实施例中，以第一子图中第一帧激光雷达坐标系全局位置为中心，第二预设距离为半径构建筛选区域，确定筛选区域内的多个历史子图。
102.在上述实施例中，针对矿区装载区空旷的特点，通过自适应提取点云多种特征，并基于点云的多种特征构建最小二乘约束实现对激光雷达全局位姿的优化，解决了传统激光雷达建图方案在装载区空旷场景的退化问题，保证了建图精度。
103.另外，本公开采用了分层优化策略，在多个层次上不断对地图进行优化。例如，首先对帧与帧之间的点云进行拼接，在此基础上构建子图并将子图配准，以便进一步对齐点云并将子图配准结果作为激光里程计因子，同时加入gps因子，其中gps因子可以有效消除累计误差，使得构建出的三维地图和地理坐标系对齐，提升建图精度；然后，以子图为单元进行闭环检测得到闭环检测因子，将gps因子、激光里程计因子和闭环检测因子添加至因子图模型中，实现对激光雷达的全局位姿优化，进一步提升了建图精度。
104.图7为本公开的无人矿区的三维建图装置的另一些实施例的结构示意图。该三维建图装置700包括存储器710和处理器720。其中：存储器710可以是磁盘、闪存或其它任何非易失性存储介质。存储器710用于存储上述实施例中的指令。处理器720耦接至存储器710，可以作为一个或多个集成电路来实施，例如微处理器或微控制器。该处理器720用于执行存储器中存储的指令。
105.在一些实施例中，处理器720通过bus总线730耦合至存储器710。该三维建图装置700还可以通过存储接口740连接至外部存储系统750以便调用外部数据，还可以通过网络接口760连接至网络或者另外一台计算机系统(未标出)。此处不再进行详细介绍。
106.在该实施例中，通过存储器存储数据指令，再通过处理器处理上述指令，能够提高建图精度，解决三维地图建模过程中的地图退化和误差累积的问题。
107.在另一些实施例中，一种非瞬时性计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述所对应实施例中的方法的步骤。本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开可采用完
全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
108.本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
109.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
110.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
111.至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
112.虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。