CN115164887A - 基于激光雷达与惯性组合的行人导航定位方法和装置 - Google Patents
基于激光雷达与惯性组合的行人导航定位方法和装置 Download PDFInfo
- Publication number
- CN115164887A CN115164887A CN202211044235.1A CN202211044235A CN115164887A CN 115164887 A CN115164887 A CN 115164887A CN 202211044235 A CN202211044235 A CN 202211044235A CN 115164887 A CN115164887 A CN 115164887A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- key frame
- pedestrian
- current moment
- closed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000005259 measurement Methods 0.000 claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000033001 locomotion Effects 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 10
- 230000000737 periodic effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 17
- 230000005021 gait Effects 0.000 abstract description 12
- 230000002829 reductive effect Effects 0.000 abstract description 5
- 239000011159 matrix material Substances 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000009466 transformation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241001480982 Angelina Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
- G01C21/1652—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with ranging devices, e.g. LIDAR or RADAR
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种基于激光雷达与惯性组合的行人导航定位方法及装置。所述方法包括:通过基于卡尔曼滤波融合激光雷达以及其内置惯性测量单元采集的三维点云以及惯性数据得到当前时刻的位姿,通过设置在行人足部的惯性测量单元提取行人步态信息并且在非零速时刻构造点云关键帧,持续零速状态则不构造关键帧,大大减少了算法算力,保证算法运行效率,接着基于位置与点云描述符的闭环检测算法有效判断闭环约束的有无,既能提高闭环检测的准确度,也能对里程计估计的位姿加以优化更新,提高激光雷达与惯性组合定位方法的精度。
Description
技术领域
本申请涉及行人导航技术领域,特别是涉及一种基于激光雷达与惯性组合的行人导航定位方法和装置。
背景技术
行人导航是一种提供当前行人位置并进行路径规划的导航技术。摆脱对于外界信号的依赖,实现行人定位的自主性是极为重要的。当前,行人自主导航定位技术主要是基于惯性测量单元(Inertial Measurement Unit,IMU)的定位技术。随着微机械技术的飞速发展,IMU的成本大大降低,基于微小惯性测量单元(Micro-IMU,MIMU)的行人导航***也趋于成熟。
基于IMU的行人导航***主要采用惯导解算的方式,根据内置陀螺仪与加速度计的输出数据计算得到当前行人位置及姿态数据。但由于累积误差的存在,IMU惯导解算得到的位置结果也越来越不可靠。所以IMU常结合其他辅助信息来修正累积误差,提高定位精度。在不引入其他传感器的前提下,零速修正是修正IMU误差廉价且有效的一种方式。行人运动过程可以被分解为一个个步态周期的组合,在一个步态周期内,行人足部接触至地面时,脚部与地面处于相对静止的状态这时传感器对地面的相对速度为零。所以,利用该步态特征就可以对IMU的导航误差进行有效的估计和修正。
随着计算机视觉技术的飞速发展,低成本、小型化的激光雷达也被用于行人导航,因此又被称为激光SLAM(Simultaneous Localization And Mapping,同步定位与建图)。激光雷达可以精确的测量雷达本身与周围环境目标的距离信息,探测距离可达上百米。激光SLAM不仅可以修正IMU惯导解算的位姿误差,提高定位精度,其记录的三维点云信息还可以用来重构周围环境,生成的点云地图也能为行人导航提供物理参考。但由于误差随时间的累积,激光SLAM估计的位姿也不准确,进而无法得到全局一致的轨迹和地图。所以有必要在激光SLAM***中添加闭环约束,用于估计局部特征匹配引起的长期累积漂移。闭环检测是通过对任意两个位置之间的相似性进行度量来识别之前已访问过位置的能力。一旦检测到闭环,就可以根据检测到的闭环点把偏差校正到合适的位置。因此,准确的闭环判断对于提高激光SLAM的适应性和可靠性尤为重要。
现有的闭环检测方法主要集中在两个方面:一是基于里程计的几何关系。若位姿估计结果与历史某一位姿结果相符合,则产生闭环关系。但累积误差的存在使得位姿估计结果并不一定准确,显然该方法并不能直接用于闭环检测。二是根据两帧点云的相似性来确定闭环关系。Bosse等人通过从3D点云中直接提取关键点并使用手工制作的3D描述符对其进行描述,实现了位置识别;Magnusson等人利用正态分布变换(Normal DistributionTransform,NDT)描述3D点云的外观,根据NDT描述符的直方图判断两帧点云的相似性。除此以外,基于学习的方法近年来也被用于闭环检测。De等人提出的SegMatch通过匹配建筑物、车辆等语义特征来实现位置识别;Angelina等人通过从端到端网络中提取全局描述符来实现位置识别,但它需要结合PointNet和NetVLAD进行训练。基于学习的方法虽然避免了手工制作描述符的繁琐性,但它的计算量比较庞大,性能也过于依赖训练过程中的数据集。
考虑到固态激光雷达的小视场角和特殊扫描模式,机械雷达360度视场角的点云描述符并不适用于此,所以有必要选择一种合适的点云描述符对环境特征进行描述。同时,随着时间的累积,历史关键帧数据对于算法运行也是比较庞大的算力,影响激光雷达与惯性组合定位算法的实时性。而现有的闭环检测大多是开环误差较大的情况下使用,如果开环误差比较小,直接匹配历史位姿显然也是可行的。而如果只根据点云关键帧进行匹配,通过相似性判断闭环也有不可避免的缺陷,在一些结构化场景中容易造成错误的闭环。
发明内容
基于此,有必要针对上述技术问题,提供一种能够减少算法算力的同时提高定位精准度的基于激光雷达与惯性组合的行人导航定位方法和装置。
一种基于激光雷达与惯性组合的行人导航定位方法,所述方法包括:
获取激光雷达以及其内置惯性测量单元分别在当前时刻采集的三维点云以及第一惯性数据;
获取布置在行人足部的惯性测量单元在当前时刻采集的第二惯性数据;
利用迭代卡尔曼滤波融合所述三维点云以及第一惯性数据得到当前时刻的行人位姿;
根据所述第二惯性数据判断行人当前是否处于运动状态,若处于运动状态则根据所述三维点云构造点云关键帧,并计算与所述点云关键帧对应的关键帧描述符;
根据当前时刻构造的点云关键帧以及历史时刻构造的点云关键帧进行行人位置的闭环检测,若判断当前时刻所在的位置在历史时刻所在的位置附近,则基于点云描述符进行闭环检测,若检测到闭环则对闭环间隔内的位姿进行优化更新,并输出优化后当前时刻的位姿,若没有检测到闭环则直接输出当前时刻的位姿。
在其中一实施例中,所述根据所述第二惯性数据判断行人当前是否处于运动状态包括:
所述第二惯性数据包括加速度,根据所述加速度的模值、方差的周期性变化以及预设的第一阈值判断行人是否处于运动状态。
在其中一实施例中,若处于运动状态则根据所述三维点云构造点云关键帧包括:
若当前时刻处于运动状态,则以该时刻为起始时刻累积预设帧数的原始三维点云,并将累积的预设帧数原始三维点云进行拼接,构造所述点云关键帧。
在其中一实施例中,所述计算所述点云关键帧对应的关键帧描述符包括:对所述点云关键帧进行分割,并利用2D直方图对分割后的点云关键帧进行描述得到所述关键帧描述符。
在其中一实施例中,所述根据当前时刻构造的点云关键帧以及历史时刻构造的点云关键帧进行行人位置的闭环检测包括:
根据当前时刻构造的点云关键帧以及历史时刻构造的点云关键帧对应的位姿计算两个点云关键帧之间的路径距离以及欧式距离;
根据所述欧式距离与路径距离之间的比值与预设的第二阈值进行对比,若小于所述第二阈值,则判断当前时刻所在的位置在历史时候所在的位置附近。
在其中一实施例中,基于点云描述符的进行闭环检测包括:根据当前时刻以及历史时刻分别对应的关键帧描述符计算对应的两个点云关键帧之间的相似度,若所述相似度大于预设的第三阈值,则判断检测到了闭环。
一种基于激光雷达与惯性组合的行人导航定位装置,所述装置包括:
第一数据获取模块,用于获取激光雷达以及其内置惯性测量单元分别采集的当前时刻的三维点云以及第一惯性数据;
第二数据获取模块,用于获取布置在行人足部的惯性测量单元采集的当前时刻的第二惯性数据;
当前时刻位姿估计模块,用于利用迭代卡尔曼滤波融合所述三维点云以及第一惯性数据得到当前时刻的位姿;
关键帧描述符计算模块,用于根据所述第二惯性数据判断行人当前是否处于运动状态,若处于运动状态则根据所述三维点云构造点云关键帧,并计算所述点云关键帧对应的关键帧描述符;
双重闭环检测模块,用于根据当前时刻构造的点云关键帧以及历史时刻构造的点云关键帧进行行人位置的闭环检测,若判断当前时刻所在的位置在历史时候所在的位置附近,则基于点云描述符的进行闭环检测,若检测到闭环则对闭环间隔内的位姿进行优化更新,并输出优化后当前时刻的位姿,若没有检测到闭环则直接输出当前时刻的位姿。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取激光雷达以及其内置惯性测量单元分别在当前时刻采集的三维点云以及第一惯性数据;
获取布置在行人足部的惯性测量单元在当前时刻采集的第二惯性数据;
利用迭代卡尔曼滤波融合所述三维点云以及第一惯性数据得到当前时刻的行人位姿;
根据所述第二惯性数据判断行人当前是否处于运动状态,若处于运动状态则根据所述三维点云构造点云关键帧,并计算与所述点云关键帧对应的关键帧描述符;
根据当前时刻构造的点云关键帧以及历史时刻构造的点云关键帧进行行人位置的闭环检测,若判断当前时刻所在的位置在历史时刻所在的位置附近,则基于点云描述符进行闭环检测,若检测到闭环则对闭环间隔内的位姿进行优化更新,并输出优化后当前时刻的位姿,若没有检测到闭环则直接输出当前时刻的位姿。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取激光雷达以及其内置惯性测量单元分别在当前时刻采集的三维点云以及第一惯性数据;
获取布置在行人足部的惯性测量单元在当前时刻采集的第二惯性数据;
利用迭代卡尔曼滤波融合所述三维点云以及第一惯性数据得到当前时刻的行人位姿;
根据所述第二惯性数据判断行人当前是否处于运动状态,若处于运动状态则根据所述三维点云构造点云关键帧,并计算与所述点云关键帧对应的关键帧描述符;
根据当前时刻构造的点云关键帧以及历史时刻构造的点云关键帧进行行人位置的闭环检测,若判断当前时刻所在的位置在历史时刻所在的位置附近,则基于点云描述符进行闭环检测,若检测到闭环则对闭环间隔内的位姿进行优化更新,并输出优化后当前时刻的位姿,若没有检测到闭环则直接输出当前时刻的位姿。
上述基于激光雷达与惯性组合的行人导航定位方法及装置,通过基于卡尔曼滤波融合激光雷达以及其内置惯性测量单元采集的三维点云以及惯性数据得到当前时刻的位姿,通过设置在行人足部的惯性测量单元提取行人步态信息并且在非零速时刻构造点云关键帧,持续零速状态则不构造关键帧,大大减少了算法算力,保证算法运行效率,接着基于位置与点云描述符的闭环检测算法有效判断闭环约束的有无,既能提高闭环检测的准确度,也能对里程计估计的位姿加以优化更新,提高激光雷达与惯性组合定位方法的精度。
附图说明
图1为一个实施例中行人导航定位方法的流程示意图;
图2为一个实施例中行人导航定位方法的实施流程示意图;
图3为一个实施例中行人步态辅助的点云关键帧构造方法的流程示意图;
图4为一个实施例中基于位置和点云描述符相似度的闭环检测方法的流程示意图;
图5为一个实施例中路径距离与欧氏距离计算示意图;
图6为一个实施例中行人导航定位装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,提供了一种基于激光雷达与惯性组合的行人导航定位方法,包括以下步骤:
步骤S100,获取激光雷达以及其内置惯性测量单元在当前时刻的分别采集的三维点云以及第一惯性数据;
步骤S110,获取布置在行人足部的惯性测量单元在当前时刻采集的的第二惯性数据;
步骤S120,利用迭代卡尔曼滤波融合三维点云以及第一惯性数据得到当前时刻的位姿;
步骤S130,根据第二惯性数据判断行人当前是否处于运动状态,若处于运动状态则根据三维点云构造点云关键帧,并计算与点云关键帧对应的关键帧描述符;
步骤S140,根据当前时刻构造的点云关键帧以及历史时刻构造的点云关键帧进行行人位置的闭环检测,若判断当前时刻所在的位置在历史时刻所在的位置附近,则基于点云描述符的进行闭环检测,若检测到闭环则对闭环间隔内的位姿进行优化更新,并输出优化后当前时刻的位姿,若没有检测到闭环则直接输出当前时刻的位姿。
在本实施例中,步骤S100和步骤S110均为获取数据模块,其中激光雷达、激光雷达的内置惯性测量单元以及布置在行人足下的惯性测量单元是实时获取数据的,并在每一时刻利用步骤S120到S140中的方法对数据进行处理从而可以得到每个时刻行人的最优位姿,其中位姿包括位置坐标以及运动方向。
如图2所示,还提供了一种实施本方法的步骤流程图,接下来以该图为例对数据处理过程进行阐述。
在步骤S120中,首先通过激光雷达和其内置的惯性测量单元获取的数据进行处理从而得到获取数据这一时刻行人的位姿,从图2中可以看到,由激光雷达-惯性里程计模块进行计算得到。
具体的,首先对第一惯性数据(也就是IMU数据)进行预处理:对IMU进行状态递推估计,遵循如下公式:
在公式(1)中,下标(如)为IMU测量值的索引;为***状态量,包含载体的位置、姿态、速度、IMU的噪声偏差以及重力矢量;,即在一次雷达扫描中相邻两次IMU采样时间之差(IMU采样间隔);是IMU的测量数据;是IMU的测量噪声;函数是一个关于、、的函数,是一种表示状态递推估计的自定义运算。
所以,误差状态动态模型为:
接着,对三维点云数据进行预处理:激光雷达在行进扫射过程中会发生点云畸变,并且采样频率远小于IMU的采样频率,所以可利用状态递推估计公式反向进行点云去畸变,如下式:
在公式(5)中,为激光雷达扫描时刻的索引;表示时刻激光雷达扫描的点云在该时刻激光雷达坐标系下的点云坐标;表示由右下角标坐标系到左上角标坐标系的坐标变换矩阵,为IMU坐标系,为激光雷达坐标系;表示由反向递推估计得到的坐标变换矩阵(时刻激光雷达坐标系到时刻激光雷达坐标系)。
最后,利用预处理后的IMU数据以及三维点云数据进行卡尔曼滤波状态更新。
采用迭代卡尔曼滤波器公式如下:
收敛后,可得到最优状态估计与协方差:
在步骤S130中,在构造点云关键帧时,仅在行人运动时进行构建,这样能够保证闭环精度的同时大大减少计算量,并在一定程度上减少错误闭环。
如图3所示,提供了一种结合行人步态特征构造点云关键帧的方法。
首先根据置于行人足部的惯性测量单元采集得到的第二惯性数据基于零速修正模块判断出当前时刻行人是静止状态还是运动状态。
具体的,第二惯性数据包括加速度,根据加速度的模值、方差的周期性变化以及预设的第一阈值判断行人是否处于运动状态。
考虑到小型固态激光雷达独特的非重复扫描方式,一帧点云无法充分描述场景信息,所以直接使用某一帧原始点云作为关键帧并不可取。但将多帧点云拼接起来作为一个关键帧,可以利用固态激光雷达非重复式扫描这一特性获得更丰富的场景信息,更容易提取环境特征,从而提高闭环检测的准确度。
另一方面,考虑到历史关键帧数据对算法运行效率的影响,需要对关键帧(也就是指的点云关键帧)的选择加以取舍。在足部安装的IMU可以通过零速修正模块得到行人步态信息,从而判断行人运动状态。当处于持续静止状态时,激光雷达扫描得到的点云数据并不会有明显变化,此时反复构造多个关键帧并不会提升闭环的精度,反而导致计算量大大增加。只有当行人运动时,点云数据才会发生比较大的变化。所以可结合行人的零速步态信息判断是否构造关键帧。
当行人处于零速步态时,并不会触发构造关键帧。一旦检测到非零速步态信息,也就是当前时刻处于运动状态时,则以该时刻为起始时刻开始构造关键帧,累积采集(可取)帧原始点云即拼接成完整的关键帧,再计算其描述符。
在本实施例中,计算点云关键帧对应的关键帧描述符包括:对点云关键帧进行分割,并利用2D直方图对分割后的点云关键帧进行描述得到关键帧描述符。
具体的,当检测到非零速时刻后,每接收一帧点云数据就对该帧点云所有的点进行遍历,以该点为起始点创建小立方体或将该点加入到已创建的小立方体中。
创建小立方体的规则如下:如果一个点不属于任何一个小立方体,那么将该点作为初始点,创建一个新的立方体,其尺寸是固定的,X、Y、Z轴方向上的长度分别为、、,可设置为0.8m。立方体中心点坐标由该初始点在世界坐标系中的位置确定:
遍历构成关键帧的每一帧点云后,最终可以将关键帧分割为若干个立方体。一个立方体可以用中心点、均值、协方差以及其中所有点坐标的集合表示为。如此一来便将关键帧中所有的点云划分为了若干小立方体。关键帧的描述符也可以由所有小立方体特征的集合表示,计算关键帧描述符即是计算所有小立方体特征的过程。
接着,对每个立方体,根据其中包含的所有点的位置信息按照以下策略确定它的特征类型和特征方向。
每个立方体的特征类型根据特征值的情况来确定:
c. 如果一个立方体既不是面特征也不是线特征,则记为没有特征。
该旋转变换本质上是将特征方向向量投影到世界坐标系下的X轴正方向上,旋转变换的欧拉角可以表示为:
将水平角按照每3度划分一个区间,每个区间对应一个元素,这个元素就是该区间内特征的数目,所有的这些元素就组成了该关键帧对应的2D直方图特征,也即最终构建的关键帧描述符。
在步骤S140中,为了在保证闭环精度的同时进一步减少计算量,闭环检测算法在计算描述符相似度之前,添加了基于位置的闭环检测,对关键帧进行初步比较,只有位置满足阈值条件才会进一步地计算相似度,在提高闭环检测效率的同时降低了计算量,减少了对计算设备的性能要求,增强了闭环检测算法的实时性。通过引入闭环优化算法可以有效消除传感器运动造成的累积误差,进一步提高激光雷达惯性组合定位方法的精度。
如图4所示,提供了一种闭环检测方法,在该方法中,首先根据当前时刻构造的点云关键帧以及历史时刻构造的点云关键帧对应的位姿计算两个点云关键帧之间的路径距离以及欧式距离,根据欧式距离与路径距离之间的比值与预设的第二阈值进行对比,若小于第二阈值,则判断当前时刻所在的位置在历史时候所在的位置附近。
由于里程计的位置误差较大并且会随时间不断累积,导航结果会随行走路径的增加而迅速发散,事先设定的两关键帧距离的阈值就会失效。但基于多个关键帧的位置信息,分别计算两关键帧之间的路径距离和欧式距离,将欧式距离和路径距离的比值作为判断条件,也能改善这一现象。
在通过基于行人位置的闭环检测后,需要进一步判断两关键帧的描述符是否相似。
在步骤S130中,中已经使用2D直方图描述了关键帧,因此只需要计算关键帧对应直方图的相似度即可判断两关键帧是否形成闭环。
上述基于激光雷达与惯性组合的行人导航定位方法,通过基于卡尔曼滤波融合激光雷达以及其内置惯性测量单元采集的三维点云以及惯性数据得到当前时刻的位姿,通过设置在行人足部的惯性测量单元提取行人步态信息并且在非零速时刻构造点云关键帧,持续零速状态则不构造关键帧,大大减少了算法算力,保证算法运行效率,接着基于位置与点云描述符的闭环检测算法有效判断闭环约束的有无,既能提高闭环检测的准确度,也能对里程计估计的位姿加以优化更新,提高激光雷达与惯性组合定位方法的精度。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种基于激光雷达与惯性组合的行人导航定位装置,包括:第一数据获取模块600、第二数据获取模块610、当前时刻位姿估计模块620、关键帧描述符计算模块630和双重闭环检测模块640,其中:
第一数据获取模块600,用于获取激光雷达以及其内置惯性测量单元分别采集的当前时刻的三维点云以及第一惯性数据;
第二数据获取模块610,用于获取布置在行人足部的惯性测量单元采集的当前时刻的第二惯性数据;
当前时刻位姿估计模块620,用于利用迭代卡尔曼滤波融合所述三维点云以及第一惯性数据得到当前时刻的位姿;
关键帧描述符计算模块630,用于根据所述第二惯性数据判断行人当前是否处于运动状态,若处于运动状态则根据所述三维点云构造点云关键帧,并计算所述点云关键帧对应的关键帧描述符;
双重闭环检测模块640,用于根据当前时刻构造的点云关键帧以及历史时刻构造的点云关键帧进行行人位置的闭环检测,若判断当前时刻所在的位置在历史时候所在的位置附近,则基于点云描述符的进行闭环检测,若检测到闭环则对闭环间隔内的位姿进行优化更新,并输出优化后当前时刻的位姿,若没有检测到闭环则直接输出当前时刻的位姿。
关于基于激光雷达与惯性组合的行人导航定位装置的具体限定可以参见上文中对于基于激光雷达与惯性组合的行人导航定位方法的限定,在此不再赘述。上述基于激光雷达与惯性组合的行人导航定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储关键帧数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于激光雷达与惯性组合的行人导航定位方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取激光雷达以及其内置惯性测量单元分别采集的当前时刻的三维点云以及第一惯性数据;
获取布置在行人足部的惯性测量单元采集的当前时刻的第二惯性数据;
利用迭代卡尔曼滤波融合所述三维点云以及第一惯性数据得到当前时刻的位姿;
根据所述第二惯性数据判断行人当前是否处于运动状态,若处于运动状态则根据所述三维点云构造点云关键帧,并计算所述点云关键帧对应的关键帧描述符;
根据当前时刻构造的点云关键帧以及历史时刻构造的点云关键帧进行行人位置的闭环检测,若判断当前时刻所在的位置在历史时候所在的位置附近,则基于点云描述符的进行闭环检测,若检测到闭环则对闭环间隔内的位姿进行优化更新,并输出优化后当前时刻的位姿,若没有检测到闭环则直接输出当前时刻的位姿。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取激光雷达以及其内置惯性测量单元分别采集的当前时刻的三维点云以及第一惯性数据;
获取布置在行人足部的惯性测量单元采集的当前时刻的第二惯性数据;
利用迭代卡尔曼滤波融合所述三维点云以及第一惯性数据得到当前时刻的位姿;
根据所述第二惯性数据判断行人当前是否处于运动状态,若处于运动状态则根据所述三维点云构造点云关键帧,并计算所述点云关键帧对应的关键帧描述符;
根据当前时刻构造的点云关键帧以及历史时刻构造的点云关键帧进行行人位置的闭环检测,若判断当前时刻所在的位置在历史时候所在的位置附近,则基于点云描述符的进行闭环检测,若检测到闭环则对闭环间隔内的位姿进行优化更新,并输出优化后当前时刻的位姿,若没有检测到闭环则直接输出当前时刻的位姿。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.基于激光雷达与惯性组合的行人导航定位方法,其特征在于,所述方法包括:
获取激光雷达以及其内置惯性测量单元分别在当前时刻采集的三维点云以及第一惯性数据;
获取布置在行人足部的惯性测量单元在当前时刻采集的第二惯性数据;
利用迭代卡尔曼滤波融合所述三维点云以及第一惯性数据得到当前时刻的行人位姿;
根据所述第二惯性数据判断行人当前是否处于运动状态,若处于运动状态则根据所述三维点云构造点云关键帧,并计算与所述点云关键帧对应的关键帧描述符;
根据当前时刻构造的点云关键帧以及历史时刻构造的点云关键帧进行行人位置的闭环检测,若判断当前时刻所在的位置在历史时刻所在的位置附近,则基于点云描述符进行闭环检测,若检测到闭环则对闭环间隔内的位姿进行优化更新,并输出优化后当前时刻的位姿,若没有检测到闭环则直接输出当前时刻的位姿。
2.根据权利要求1所述的行人导航定位方法,其特征在于,所述根据所述第二惯性数据判断行人当前是否处于运动状态包括:
所述第二惯性数据包括加速度;
根据所述加速度的模值、方差的周期性变化以及预设的第一阈值判断行人是否处于运动状态。
3.根据权利要求1所述的行人导航定位方法,其特征在于,若处于运动状态则根据所述三维点云构造点云关键帧包括:
若当前时刻处于运动状态,则以该时刻为起始时刻累积预设帧数的原始三维点云,并将累积的预设帧数原始三维点云进行拼接,构造所述点云关键帧。
4.根据权利要求1所述的行人导航定位方法,其特征在于,所述计算所述点云关键帧对应的关键帧描述符包括:对所述点云关键帧进行分割,并利用2D直方图对分割后的点云关键帧进行描述得到所述关键帧描述符。
5.根据权利要求1所述的行人导航定位方法,其特征在于,所述根据当前时刻构造的点云关键帧以及历史时刻构造的点云关键帧进行行人位置的闭环检测包括:
根据当前时刻构造的点云关键帧以及历史时刻构造的点云关键帧对应的位姿计算两个点云关键帧之间的路径距离以及欧式距离;
根据所述欧式距离与路径距离之间的比值与预设的第二阈值进行对比,若小于所述第二阈值,则判断当前时刻所在的位置在历史时刻所在的位置附近。
6.根据权利要求4所述的行人导航定位方法,其特征在于,基于点云描述符的进行闭环检测包括:
根据当前时刻以及历史时刻分别对应的关键帧描述符计算对应的两个点云关键帧之间的相似度,若所述相似度大于预设的第三阈值,则判断检测到了闭环。
7.基于激光雷达与惯性组合的行人导航定位装置,其特征在于,所述装置包括:
第一数据获取模块,用于获取激光雷达以及其内置惯性测量单元分别在当前时刻采集的三维点云以及第一惯性数据;
第二数据获取模块,用于获取布置在行人足部的惯性测量单元在当前时刻采集的第二惯性数据;
当前时刻位姿估计模块,用于利用迭代卡尔曼滤波融合所述三维点云以及第一惯性数据得到当前时刻的行人位姿;
关键帧描述符计算模块,用于根据所述第二惯性数据判断行人当前是否处于运动状态,若处于运动状态则根据所述三维点云构造点云关键帧,并计算与所述点云关键帧对应的关键帧描述符;
双重闭环检测模块,用于根据当前时刻构造的点云关键帧以及历史时刻构造的点云关键帧进行行人位置的闭环检测,若判断当前时刻所在的位置在历史时刻所在的位置附近,则基于点云描述符进行闭环检测,若检测到闭环则对闭环间隔内的位姿进行优化更新,并输出优化后当前时刻的位姿,若没有检测到闭环则直接输出当前时刻的位姿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211044235.1A CN115164887A (zh) | 2022-08-30 | 2022-08-30 | 基于激光雷达与惯性组合的行人导航定位方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211044235.1A CN115164887A (zh) | 2022-08-30 | 2022-08-30 | 基于激光雷达与惯性组合的行人导航定位方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115164887A true CN115164887A (zh) | 2022-10-11 |
Family
ID=83481808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211044235.1A Pending CN115164887A (zh) | 2022-08-30 | 2022-08-30 | 基于激光雷达与惯性组合的行人导航定位方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115164887A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115326068A (zh) * | 2022-10-17 | 2022-11-11 | 北京理工大学 | 激光雷达-惯性测量单元融合里程计设计方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110887490A (zh) * | 2019-11-29 | 2020-03-17 | 上海有个机器人有限公司 | 一种激光定位导航的关键帧选取方法、介质、终端和装置 |
CN113466890A (zh) * | 2021-05-28 | 2021-10-01 | 中国科学院计算技术研究所 | 基于关键特征提取的轻量化激光雷达惯性组合定位方法和*** |
CN113674399A (zh) * | 2021-08-16 | 2021-11-19 | 杭州图灵视频科技有限公司 | 一种移动机器人室内三维点云地图构建方法及*** |
CN114674311A (zh) * | 2022-03-22 | 2022-06-28 | 中国矿业大学 | 一种室内定位与建图方法及*** |
CN114723917A (zh) * | 2022-04-08 | 2022-07-08 | 广州高新兴机器人有限公司 | 激光里程计的位姿优化方法、装置、介质及设备 |
CN114782626A (zh) * | 2022-04-14 | 2022-07-22 | 国网河南省电力公司电力科学研究院 | 基于激光与视觉融合的变电站场景建图及定位优化方法 |
CN114924287A (zh) * | 2022-04-21 | 2022-08-19 | 深圳市正浩创新科技股份有限公司 | 地图构建方法、设备与介质 |
-
2022
- 2022-08-30 CN CN202211044235.1A patent/CN115164887A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110887490A (zh) * | 2019-11-29 | 2020-03-17 | 上海有个机器人有限公司 | 一种激光定位导航的关键帧选取方法、介质、终端和装置 |
CN113466890A (zh) * | 2021-05-28 | 2021-10-01 | 中国科学院计算技术研究所 | 基于关键特征提取的轻量化激光雷达惯性组合定位方法和*** |
CN113674399A (zh) * | 2021-08-16 | 2021-11-19 | 杭州图灵视频科技有限公司 | 一种移动机器人室内三维点云地图构建方法及*** |
CN114674311A (zh) * | 2022-03-22 | 2022-06-28 | 中国矿业大学 | 一种室内定位与建图方法及*** |
CN114723917A (zh) * | 2022-04-08 | 2022-07-08 | 广州高新兴机器人有限公司 | 激光里程计的位姿优化方法、装置、介质及设备 |
CN114782626A (zh) * | 2022-04-14 | 2022-07-22 | 国网河南省电力公司电力科学研究院 | 基于激光与视觉融合的变电站场景建图及定位优化方法 |
CN114924287A (zh) * | 2022-04-21 | 2022-08-19 | 深圳市正浩创新科技股份有限公司 | 地图构建方法、设备与介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115326068A (zh) * | 2022-10-17 | 2022-11-11 | 北京理工大学 | 激光雷达-惯性测量单元融合里程计设计方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109974693B (zh) | 无人机定位方法、装置、计算机设备及存储介质 | |
Dellenbach et al. | Ct-icp: Real-time elastic lidar odometry with loop closure | |
CN112985416B (zh) | 激光与视觉信息融合的鲁棒定位和建图方法及*** | |
CN109887053B (zh) | 一种slam地图拼接方法及*** | |
JP6760114B2 (ja) | 情報処理装置、データ管理装置、データ管理システム、方法、及びプログラム | |
CN111583369B (zh) | 一种基于面线角点特征提取的激光slam方法 | |
CN107167826B (zh) | 一种自动驾驶中基于可变网格的图像特征检测的车辆纵向定位***及方法 | |
CN112230242B (zh) | 位姿估计***和方法 | |
US8437501B1 (en) | Using image and laser constraints to obtain consistent and improved pose estimates in vehicle pose databases | |
CN109059907B (zh) | 轨迹数据处理方法、装置、计算机设备和存储介质 | |
CN113313763B (zh) | 一种基于神经网络的单目相机位姿优化方法及装置 | |
CN113466890B (zh) | 基于关键特征提取的轻量化激光雷达惯性组合定位方法和*** | |
CN115690338A (zh) | 地图构建方法、装置、设备及存储介质 | |
KR101985344B1 (ko) | 관성 및 단일 광학 센서를 이용한 슬라이딩 윈도우 기반 비-구조 위치 인식 방법, 이를 수행하기 위한 기록 매체 및 장치 | |
CN115143954B (zh) | 一种基于多源信息融合的无人车导航方法 | |
CN115479598A (zh) | 基于多传感器融合的定位与建图方法及紧耦合*** | |
CN113920198B (zh) | 一种基于语义边缘对齐的由粗到精的多传感器融合定位方法 | |
CN114001733A (zh) | 一种基于地图的一致性高效视觉惯性定位算法 | |
CN116429084A (zh) | 一种动态环境3d同步定位与建图方法 | |
CN115164887A (zh) | 基于激光雷达与惯性组合的行人导航定位方法和装置 | |
Chiu et al. | Precise vision-aided aerial navigation | |
CN115127554A (zh) | 一种基于多源视觉辅助的无人机自主导航方法与*** | |
CN112612034B (zh) | 基于激光帧和概率地图扫描的位姿匹配方法 | |
CN112067007B (zh) | 地图生成方法、计算机存储介质及电子设备 | |
Emter et al. | Simultaneous localization and mapping for exploration with stochastic cloning EKF |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221011 |
|
RJ01 | Rejection of invention patent application after publication |