CN116958266A - 闭环检测方法、装置、通信设备及存储介质 - Google Patents
闭环检测方法、装置、通信设备及存储介质 Download PDFInfo
- Publication number
- CN116958266A CN116958266A CN202311210787.XA CN202311210787A CN116958266A CN 116958266 A CN116958266 A CN 116958266A CN 202311210787 A CN202311210787 A CN 202311210787A CN 116958266 A CN116958266 A CN 116958266A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- frame
- cloud data
- closed
- closed loop
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 119
- 238000004891 communication Methods 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 257
- 238000012512 characterization method Methods 0.000 claims abstract description 183
- 238000000605 extraction Methods 0.000 claims abstract description 107
- 238000000034 method Methods 0.000 claims description 38
- 230000002776 aggregation Effects 0.000 claims description 22
- 238000004220 aggregation Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30268—Vehicle interior
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种闭环检测方法、装置、通信设备及存储介质，包括：根据获取的点云数据生成序列点云数据；将序列点云数据输入至特征提取模块，得到序列点云数据对应的地点表征向量集合；根据地点表征向量集合和预先获取的历史地点表征向量集合进行比对，得到比对结果；根据比对结果确定闭环候选队列；根据闭环候选队列中的全部序列点云数据进行闭环检测，得到闭环检测结果；根据闭环检测结果确定是否存在闭环。本申请实施例通过使用序列的点云数据进行地点识别和闭环检测能够综合周围环境的空间信息和时间信息，能够更加鲁棒地适应环境变化，提高地点识别和闭环检测的精度和鲁棒性。
Description
技术领域
本申请涉及机器人技术领域，特别是一种闭环检测方法、装置、通信设备及存储介质。
背景技术
地点识别和闭环检测技术是移动机器人实现自主导航的关键技术，通常被用于消除里程计带来的累计误差，是完成现实世界中移动机器人长时间导航必不可少的技术。用于导航的移动机器人通常会搭载相机或者激光雷达传感器，由于相机传感器容易受到光照变化、天气变化、季节变化的影响，而激光扫描的方式不受光照条件变化的影响，可以降低类似问题的影响，提高机器人室外自主导航的鲁棒性。因此，与相机采集到的图像相比，使用激光雷达采集到的三维点云进行地点识别和闭环检测有望取得更好的效果。
目前相关技术中，对于地点识别和闭环检测技术是通过单帧数据进行地点的判断，然而在长时间的真实室外环境中，仅通过单帧数据进行地点的判断会出现鲁棒性不足，甚至***无法正常工作的问题。
发明内容
本申请实施例的目的在于提供一种闭环检测方法、装置、通信设备及存储介质，以解决现有技术中仅通过单帧数据进行地点的判断会出现鲁棒性不足，甚至***无法正常工作的技术问题。具体技术方案如下：
在本申请实施的第一方面，首先提供了一种闭环检测方法，所述闭环检测方法包括：
根据获取的点云数据生成序列点云数据；
将所述序列点云数据输入至特征提取模块，得到所述序列点云数据对应的地点表征向量集合；
根据所述地点表征向量集合和预先获取的历史地点表征向量集合进行比对，得到比对结果；
根据所述比对结果确定闭环候选队列；
根据所述闭环候选队列中的全部序列点云数据进行闭环检测，得到闭环检测结果；
根据所述闭环检测结果确定是否存在闭环。
可选地，所述根据获取的点云数据生成序列点云数据包括：
通过三维激光雷达根据预设频率感知预设环境信息获取点云数据；
将所述点云数据根据预设间隔帧数进行划分，得到多个序列点云数据。
可选地，所述将所述序列点云数据输入至特征提取模块，得到所述序列点云数据对应的地点表征向量集合包括：
将所述序列点云数据输入至特征提取模块，得到每个所述序列点云数据对应的若干个单帧地点表征向量和一个多帧地点表征向量；
根据所述若干个单帧地点表征向量和一个多帧地点表征向量得到地点表征向量集合。
可选地，所述特征提取模块包括预处理子模块，单帧特征提取子模块，多帧特征提取子模块，以及，特征聚合子模块。
可选地，所述将所述序列点云数据输入至特征提取模块，得到每个所述序列点云数据对应的若干个单帧地点表征向量和一个多帧地点表征向量包括：
将所述序列点云数据输入至预处理子模块进行预处理，得到预处理后的序列点云数据；
将所述预处理后的序列点云数据输入至单帧特征提取子模块，得到每个所述序列点云数据对应的若干个单帧特征向量；
将若干个所述单帧特征向量输入至多帧特征提取子模块，得到一个多帧特征向量；
将若干个所述单帧特征向量和一个所述多帧特征向量输入至特征聚合子模块，得到每个所述序列点云数据对应的若干个单帧地点表征向量和一个多帧地点表征向量。
可选地，所述预处理包括地面滤除处理、噪点滤除处理以及下采样处理中至少一种。
可选地，所述地面滤除处理用于去除所述序列点云数据中地面点；所述噪点滤除处理用于根据所述序列点云数据中的点距离传感器的距离进行滤除；所述下采样处理用于将输入至单帧特征提取子模块以及多帧特征提取子模块中的点云数量固定。
可选地，所述将所述预处理后的序列点云数据输入至单帧特征提取子模块，得到每个所述序列点云数据对应的若干个单帧特征向量包括：
将每个所述预处理后的序列点云数据中对应的若干个点云均输入至单帧特征提取子模块，生成第一预设维度的若干个单帧特征向量。
可选地，所述将若干个所述单帧特征向量输入至多帧特征提取子模块，得到一个多帧特征向量包括：
将第一预设维度的若干个单帧特征向量连接，得到第二预设维度的连续多帧特征向量；
将所述第二预设维度的连续多帧特征向量进行特征提取，得到一个第三预设维度的多帧特征向量。
可选地，所述将若干个所述单帧特征向量和一个所述多帧特征向量输入至特征聚合子模块，得到每个所述序列点云数据对应的若干个单帧地点表征向量和一个多帧地点表征向量包括：
基于预设聚合结构对若干个所述单帧特征向量和一个所述多帧特征向量进行聚合处理，得到每个所述序列点云数据对应的若干个单帧地点表征向量和一个多帧地点表征向量。
可选地，所述特征提取模块是通过预设数据集、预设对比损失函数、ADAM优化器以及预设学习率对初始特征提取模块进行训练生成的。
可选地，所述根据所述地点表征向量集合和预先获取的历史地点表征向量集合进行比对，得到比对结果包括：
根据所述地点表征向量集合中的多帧地点表征向量和历史地点表征向量集合中的历史多帧地点表征向量进行匹配；
若所述多帧地点表征向量和所述历史多帧地点表征向量之间的欧式距离小于目标距离，则对当前时刻的序列点云数据中的中间帧对应的单帧地点表征向量以及所述历史地点表征向量集合中的中间帧对应的历史单帧地点表征向量进行匹配；
若所述中间帧对应的单帧地点表征向量和所述中间帧对应的历史单帧地点表征向量之间的欧式距离小于所述目标距离，则得到第一比对结果。
可选地，所述根据所述地点表征向量集合和预先获取的历史地点表征向量集合进行比对，得到比对结果包括：
根据所述地点表征向量集合中的多帧地点表征向量和历史地点表征向量集合中的历史多帧地点表征向量进行匹配；
若所述多帧地点表征向量和所述历史多帧地点表征向量之间的欧式距离小于目标距离，则对当前时刻的序列点云数据中的中间帧对应的单帧地点表征向量以及所述历史地点表征向量集合中的中间帧对应的历史单帧地点表征向量进行匹配；
若所述中间帧对应的单帧地点表征向量和所述中间帧对应的历史单帧地点表征向量之间的欧式距离大于所述目标距离，则得到第二比对结果。
可选地，所述根据所述比对结果确定闭环候选队列包括：
根据第一比对结果将当前时刻的序列点云数据和对应的历史时刻的序列点云数据添加至闭环候选队列中的优先闭环候选队列；
根据所述第二比对结果将当前时刻的序列点云数据和对应的历史时刻的序列点云数据添加至闭环候选队列中的次级闭环候选队列。
可选地，所述根据所述闭环候选队列中的全部序列点云数据进行闭环检测，得到闭环检测结果包括：
对优先闭环候选队列中的所述序列点云数据中的全部点云依次进行点云配准，得到两帧点云之间的重叠率；
在检测到所述两帧点云之间的重叠率小于目标重叠率的情况下，对次级闭环候选队列中的所述序列点云数据中的全部点云依次进行点云配准，得到两帧点云之间的重叠率。
可选地，所述根据所述闭环检测结果确定是否存在闭环包括：
在检测到所述两帧点云之间的重叠率大于等于目标重叠率的情况下，确定存在闭环。
可选地，所述根据所述闭环检测结果确定是否存在闭环的步骤之后，所述方法包括：
在检测到存在闭环的情况下，删除闭环候选队列中所有包含闭环对应的闭环帧的闭环候选队列。
在本申请实施的又一方面，还提供了闭环检测装置，所述闭环检测装置包括：
获取模块，用于根据获取的点云数据生成序列点云数据；
输入模块，用于将所述序列点云数据输入至特征提取模块，得到所述序列点云数据对应的地点表征向量集合；
比对模块，用于根据所述地点表征向量集合和预先获取的历史地点表征向量集合进行比对，得到比对结果；
第一确定模块，用于根据所述比对结果确定闭环候选队列；
闭环检测模块，用于根据所述闭环候选队列中的全部序列点云数据进行闭环检测，得到闭环检测结果；
第二确定模块，用于根据所述闭环检测结果确定是否存在闭环。
在本申请实施的又一方面，还提供了一种通信设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一所述的闭环检测方法。
在本申请实施的又一方面，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中存储有指令，当其在计算机上运行时，使得计算机执行上述任一所述的闭环检测方法。
本申请实施例提供的闭环检测方法，通过根据获取的点云数据生成序列点云数据；将所述序列点云数据输入至特征提取模块，得到所述序列点云数据对应的地点表征向量集合；根据所述地点表征向量集合和预先获取的历史地点表征向量集合进行比对，得到比对结果；根据所述比对结果确定闭环候选队列；根据所述闭环候选队列中的全部序列点云数据进行闭环检测，得到闭环检测结果；根据所述闭环检测结果确定是否存在闭环。本申请实施例通过将点云数据综合移动机器人运动时周围环境的空间信息和时间信息转换为序列点云数据，进而基于序列点云数据作为输入进行特征提取，即在进行序列点云数据的特征提取时采用基于点的策略，保留点云原始的空间信息，并且依据先对单帧点云进行特征提取，再对组合的多帧点云进行特征提取，从而提高移动机器人自主导航闭环检测任务的精度和鲁棒性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1示出了本申请实施例提供的一种闭环检测方法的步骤流程图；
图2示出了本申请实施例提供的另一种闭环检测方法的步骤流程图；
图3示出了图2为本申请实施例提供的另一种闭环检测方法的步骤流程图中步骤202的步骤流程图；
图4示出了本申请实施例提供的另一种闭环检测方法的步骤流程图；
图5示出了图4为本申请实施例提供的另一种闭环检测方法的步骤流程图中步骤306的步骤流程图；
图6示出了本申请实施例提供的另一种闭环检测方法的步骤流程图；
图7示出了本申请实施例提供的一种闭环检测装置的装置框图；
图8示出了本申请实施例提供的一种通信设备的结构框图；
图9示出了本申请实施例提供的一种特征提取示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本申请各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本申请的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
需要说明的是，在本申请实施例中，为了更好的进行闭环检测，移动机器人需要搭载CPU、GPU、存储器和三维激光雷达，中央处理器负责对机器人的核心逻辑进行控制，GPU负责对需要进行深度学习计算的流程提供计算资源，存储器负责存储机器人运行过程中采集的传感器数据以及计算产生的中间数据，三维激光雷达负责在机器人运动时采集周围环境的信息。
参照图1，示出了本申请实施例提供的一种闭环检测方法的步骤流程图，所述方法可以包括：
步骤101，根据获取的点云数据生成序列点云数据；
需要说明的是，在本申请实施例中，在可移动机器人在预设环境下运动时，例如，在室外环境中，可以通过三维激光雷达按照预设频率感知周围环境光的信息，进而通过三维激光雷达扫描产生的点云数据，其中，点云数据（point cloud data）是指在一个三维坐标***中的一组向量的集合，扫描资料以点的形式记录，每一个点包含有三维坐标，并且可以携带有关该点属性的其他信息，例如颜色、反射率、强度等。
在本申请实施例中，在获取点云数据之后，点云数据包含了移动机器人运动时周围环境的空间信息，并且在激光雷达扫描得到的数据序列内包含着时间信息，因此，可以使用序列的点云数据进行地点识别和闭环检测能够综合周围环境的空间信息和时间信息。
具体的，可以将点云数据每隔预设帧数划分为一个序列点云数据，例如，每隔五帧划分为一个序列点云数据，因此，最终将点云数据依据时间信息划分为序列点云数据。
进一步地，所述根据获取的点云数据生成序列点云数据包括：
通过三维激光雷达根据预设频率感知预设环境信息获取点云数据；
将所述点云数据根据预设间隔帧数进行划分，得到多个序列点云数据。
步骤102，将所述序列点云数据输入至特征提取模块，得到所述序列点云数据对应的地点表征向量集合；
需要说明的是，在本申请实施例中，在步骤101获取序列点云数据之后，将多个序列点云数据输入至特征提取模块，其中，特征提取模块是基于预设参数进行训练迭代后的模型。
具体的，如图9所示，特征提取模块可以包括多个子模块，分别为：预处理子模块，单帧特征提取子模块，多帧特征提取子模块和特征聚合子模块，其中，特征聚合子模块可以为两个，即第一特征聚合子模块以及第二特征聚合子模块。
因此，将每个序列点云数据均输入至特征提取模块中，可以得到该序列点云数据对应的特征描述，即地点表征向量集合，可以用于表示当前地点的特征。
进一步地，所述特征提取模块是通过预设数据集、预设对比损失函数、ADAM优化器以及预设学习率对初始特征提取模块进行训练生成的。
需要说明的是，在本申请实施例中，通过对比损失函数对网络进行训练，并利用类似多任务损失的策略进行了调整。特征提取模块的损失函数可以表示为以下公式1，具体如下：
（公式1）
其中，上述公式1中， L表示特征提取网络的损失函数，表示序列中第3帧特征的交叉熵损失函数，/>表示多帧特征的交叉熵损失函数，N表示训练集的样本对数，yi=1时表示正样本对，yi=0时表示负样本对，/>表示两第3帧地点表征向量之间的欧式距离，/>表示两个多帧地点表征向量之间的欧式距离，m表示距离边际。网络参数训练的方向为：使第3帧地点表征向量和多帧地点表征向量在对应的高维特征空间中能够聚成多个簇，且簇之间的界限分明，相似地点的第3帧地点表征向量和多帧地点表征向量之间的欧式距离小于m，不同地点的第3帧地点表征向量和多帧地点表征向量之间的欧式距离大于m。因此，m就可以作为区分两个特征是否属于同一个地点的欧式距离阈值。
另外，在本申请实施例中为了对更好的对特征提取模块进行训练，数据集可以选择城市道路环境的KITTI数据集或者其他预设环境所需要的数据集，使用ADAM优化器，例如，学习率设定为10-5，进而在100代内选择效果最好的模型作为特征提取模块。
步骤103，根据所述地点表征向量集合和预先获取的历史地点表征向量集合进行比对，得到比对结果；
需要说明的是，在本申请实施例中，在步骤102得到所述序列点云数据对应的地点表征向量集合后，通过对比两组输入数据的地点表征向量来判断是否发现闭环，即根据全局地点表征向量之间的欧式距离判断两组序列点云数据是否属于相似的地点。
具体的，每生成一个序列点云数据的地点表征向量集合，都会与历史地点表征向量集合进行比对，由于相似地点的地点表征向量之间的欧式距离小，不同地点的地点表征向量之间的欧式距离大，因此，可以对地点表征向量集合和预先获取的历史地点表征向量集合中的多帧地点表征向量进行匹配并确定欧式距离，得到比对结果。
步骤104，根据所述比对结果确定闭环候选队列；
需要说明的是，在本申请实施例中，在确定比对结果之后，可以根据比对结果确定闭环候选队列，其中，闭环候选队列是用于进一步确定是否存在闭环的数据存放顺序。
需要说明的是，在本申请实施例中，闭环检测是指机器人检查自身是否曾经到达过现在所处的位置，因此，如果机器人曾经到达过现在所处的位置则认定为存在闭环。
步骤105，根据所述闭环候选队列中的全部序列点云数据进行闭环检测，得到闭环检测结果；
需要说明的是，在本申请实施例中，机器人曾经到达过现在所处的位置则认定为存在闭环，因此，通过ICP点云配准进行闭环检测，即对序列点云数据的点云进行点云配准，得到两帧点云的重叠率，并依据此重叠率判断是否发现闭环。
具体的，ICP点云配准是指采用迭代最近点算法进行两帧点云间的配准，计算二者之间的位姿变换矩阵，从而得到不同帧之间点云的重叠率。
步骤106，根据所述闭环检测结果确定是否存在闭环。
需要说明的是，在步骤105中确定闭环检测结果后，可以根据闭环检测结果确定是否存在闭环，即根据不同帧之间点云的重叠率判断是否发现闭环。
本申请实施例提供的闭环检测方法，通过根据获取的点云数据生成序列点云数据；将所述序列点云数据输入至特征提取模块，得到所述序列点云数据对应的地点表征向量集合；根据所述地点表征向量集合和预先获取的历史地点表征向量集合进行比对，得到比对结果；根据所述比对结果确定闭环候选队列；根据所述闭环候选队列中的全部序列点云数据进行闭环检测，得到闭环检测结果；根据所述闭环检测结果确定是否存在闭环。本申请实施例通过综合移动机器人运动时周围环境的空间信息和时间信息，在进行序列点云数据的特征提取时采用基于点的策略，保留点云原始的空间信息，先对单帧点云进行特征提取，再对组合的多帧点云进行特征提取，提高移动机器人自主导航闭环检测任务的精度和鲁棒性。
参照图2，示出了本申请实施例提供的另一种闭环检测方法的步骤流程图，所述方法可以包括：
步骤201，根据获取的点云数据生成序列点云数据；
需要说明的是，在本申请实施例中，上述步骤201参照前序论述，在此不再赘述。
步骤202，将所述序列点云数据输入至特征提取模块，得到每个所述序列点云数据对应的若干个单帧地点表征向量和一个多帧地点表征向量；
需要说明的是，在本申请实施例中，将所述序列点云数据输入至特征提取模块，经过特征提取模块处理后最终得到的是若干个单帧地点表征向量和若干个单帧地点表征向量生成的一个连续多帧地点表征向量。
其中，单帧地点表征向量对应的数量是根据点云数据根据时间信息对应的预设间隔帧数对应的，例如，每隔五帧划分一个序列点云数据，那么对应的单帧地点表征向量即为五个单帧地点表征向量，为了便于本领域技术人员理解本申请中的技术方案，后续序列点云数据均以每间隔五帧进行划分得到的序列点云数据为例子进行阐述。
进一步地，如图3所示，图3示出了图2为本申请实施例提供的另一种闭环检测方法的步骤流程图中步骤202的步骤流程图，可以包括以下步骤2021-2024：
步骤2021，将所述序列点云数据输入至预处理子模块进行预处理，得到预处理后的序列点云数据；
进一步地，所述预处理包括地面滤除处理、噪点滤除处理以及下采样处理中至少一种，所述地面滤除处理用于去除所述序列点云数据中地面点；所述噪点滤除处理用于根据所述序列点云数据中的点距离传感器的距离进行滤除；所述下采样处理用于将输入至单帧特征提取子模块以及多帧特征提取子模块中的点云数量固定。
需要说明的是，在本申请实施例中，预处理子模块可以对输入的序列点云数据进行地面滤除处理、噪点滤除处理和下采样处理。
具体的，地面滤除处理用于去除点云中地面及以下的点，减少特征提取时的无用信息；噪点滤除处理为按照扫描到的点距离传感器的远近滤除过远和过近的点，由于距离太远或者太近的点十分稀疏，无法形成有效的特征，因此将其滤除后可以保证提取的特征质量；下采样处理用于将输入至单帧特征提取子模块以及多帧特征提取子模块中的点云数量固定，以能够进行前向传播，例如，将输入到单帧或多帧特征提取子模块的三维点云数量固定为8000。
步骤2022，将所述预处理后的序列点云数据输入至单帧特征提取子模块，得到每个所述序列点云数据对应的若干个单帧特征向量；
进一步地，所述将所述预处理后的序列点云数据输入至单帧特征提取子模块，得到每个所述序列点云数据对应的若干个单帧特征向量包括：将每个所述预处理后的序列点云数据中对应的若干个点云均输入至单帧特征提取子模块，生成第一预设维度的若干个单帧特征向量。
需要说明的是，对于单帧特征提取子模块来讲，单帧特征提取子模块可以看作一个多层感知机。
具体的，单帧特征提取子模块的结构包括4层卷积层，每个卷积层跟着批正则化和非线性激活单元，单帧特征提取模块的参数如表1所示。
表1 单帧特征提取子模块
从表1中可以看出，一个序列点云数据的若干帧点云均输入到单帧特征提取子模块，可以生成第一预设维度的若干个单帧特征，例如，对于间隔五帧划分的序列点云数据的五帧点云输入到单帧特征提取子模块，可以生成维度为2000×256的五个单帧特征。
另外，单帧提取子模块生成了单帧的点云特征，将三维的几何特征抽象表示到高维的特征空间，使该高维特征空间的特征向量能够表征此时地点的特征。
进一步地，单帧特征提取子模块输出的若干个单帧特征分别输入到多帧特征提取子模块和特征聚合子模块中进行下一步处理，具体参照后续论述。
步骤2023，将若干个所述单帧特征向量输入至多帧特征提取子模块，得到一个多帧特征向量；
进一步地，所述将若干个所述单帧特征向量输入至多帧特征提取子模块，得到一个多帧特征向量包括：将第一预设维度的若干个单帧特征向量连接，得到第二预设维度的连续多帧特征向量；将所述第二预设维度的连续多帧特征向量进行特征提取，得到一个第三预设维度的多帧特征向量。
需要说明的是，在本申请实施例中，多帧特征提取子模块的输入为若干个单帧特征，例如，将五个2000×256维的单帧特征连接为10000×256维的连续多帧特征，然后继续进行特征提取，多帧特征提取子模块的网络参数如表2所示。
表2 多帧特征提取子模块
从上述表2中可以看出，将第一预设维度的若干个单帧特征向量连接，得到第二预设维度的连续多帧特征向量；将所述第二预设维度的连续多帧特征向量进行特征提取，得到一个第三预设维度的多帧特征向量。
具体的，多帧特征提取子模块的输出可以为5000×512维的序列特征向向量。
另外，将连续的单帧特征组合起来进行特征提取，可以同时利用点云的空间信息和时间信息，综合多帧点云的地点特征，因此，本申请实施例相比于单帧确定地点，可以更加准确。
步骤2024，将若干个所述单帧特征向量和一个所述多帧特征向量输入至特征聚合子模块，得到每个所述序列点云数据对应的若干个单帧地点表征向量和一个多帧地点表征向量。
进一步地，所述将若干个所述单帧特征向量和一个所述多帧特征向量输入至特征聚合子模块，得到每个所述序列点云数据对应的若干个单帧地点表征向量和一个多帧地点表征向量包括：基于预设聚合结构对若干个所述单帧特征向量和一个所述多帧特征向量进行聚合处理，得到每个所述序列点云数据对应的若干个单帧地点表征向量和一个多帧地点表征向量。
需要说明的是，特征提取模块中可以包含两个特征聚合子模块，分别对单帧特征向量和多帧特征向量进行聚合。特征聚合子模块的结构可以是NetVLAD，其内部聚类参数可以设置为64，例如，对单帧特征处理的NetVLAD输入为2000×256的特征向量，输出为五个1×128维的单帧地点表征向量，对多帧特征进行处理的NetVLAD输入为5000×512的特征向量，输出为一个1×128维的多帧地点表征向量。
因此，特征聚合子模块可以将输入的特征向量聚合为地点表征向量。
步骤203，根据所述若干个单帧地点表征向量和一个多帧地点表征向量得到地点表征向量集合；
需要说明的是，在本申请实施例中，将每个序列点云数据的若干个单帧地点表征向量和一个多帧地点表征向量组成为一个地点表征向量集合。
另外，可以将地点表征向量集合保存至预设存储器中，用于后续进行闭环检测。
步骤204，根据所述地点表征向量集合和预先获取的历史地点表征向量集合进行比对，得到比对结果；
步骤205，根据所述比对结果确定闭环候选队列；
步骤206，根据所述闭环候选队列中的全部序列点云数据进行闭环检测，得到闭环检测结果；
步骤207，根据所述闭环检测结果确定是否存在闭环。
需要说明的是，在本申请实施例中，上述步骤204-207参照前序论述，在此不再赘述。
本申请实施例通过综合移动机器人运动时周围环境的空间信息和时间信息，在进行序列点云数据的特征提取时采用基于点的策略，保留点云原始的空间信息，先对单帧点云进行特征提取，再对组合的多帧点云进行特征提取，提高移动机器人自主导航闭环检测任务的精度和鲁棒性。
另外，将连续的单帧特征组合起来进行特征提取，可以同时利用点云的空间信息和时间信息，综合多帧点云的地点特征，因此，本申请实施例相比于单帧确定地点，可以更加准确。
参照图4，示出了本申请实施例提供的另一种闭环检测方法的步骤流程图，所述方法可以包括：
步骤301，根据获取的点云数据生成序列点云数据；
步骤302，将所述序列点云数据输入至特征提取模块，得到所述序列点云数据对应的地点表征向量集合；
需要说明的是，在本申请实施例中，上述步骤301-302参照前序论述，在此不再赘述。
步骤303，根据所述地点表征向量集合中的多帧地点表征向量和历史地点表征向量集合中的历史多帧地点表征向量进行匹配；
需要说明的是，在本申请实施例中，每生成一个序列点云数据的地点表征向量集合，都会与历史地点表征向量集合进行比对，比对流程为：首先对多帧地点表征向量进行匹配。
步骤304，若所述多帧地点表征向量和所述历史多帧地点表征向量之间的欧式距离小于目标距离，则对当前时刻的序列点云数据中的中间帧对应的单帧地点表征向量以及所述历史地点表征向量集合中的中间帧对应的历史单帧地点表征向量进行匹配；
步骤305，若所述中间帧对应的单帧地点表征向量和所述中间帧对应的历史单帧地点表征向量之间的欧式距离小于所述目标距离，则得到第一比对结果；
需要说明的是，在本申请实施例中，上述步骤304-305中，对于多帧地点表征向量进行匹配来讲，如果两个多帧地点表征向量之间的欧式距离小于目标距离，则对该序列的中间帧，例如，对于五帧序列点云数据来讲即第3帧，进行再次匹配，如果两个第3帧地点表征向量之间的欧式距离小于目标距离，得到第一比对结果。
在另一个实施例中，在步骤302之后，步骤306之前，还可以包括：
根据所述地点表征向量集合中的多帧地点表征向量和历史地点表征向量集合中的历史多帧地点表征向量进行匹配；
若所述多帧地点表征向量和所述历史多帧地点表征向量之间的欧式距离小于目标距离，则对当前时刻的序列点云数据中的中间帧对应的单帧地点表征向量以及所述历史地点表征向量集合中的中间帧对应的历史单帧地点表征向量进行匹配；
若所述中间帧对应的单帧地点表征向量和所述中间帧对应的历史单帧地点表征向量之间的欧式距离大于所述目标距离，则得到第二比对结果。
需要说明的是，在另一种情况下，会生成第二比对结构，即如果两个多帧地点表征向量之间的欧式距离小于目标距离，则对该序列的中间帧进行再次匹配，如果两个中间帧地点表征向量之间的欧式距离大于目标距离，得到第二比对结果。
步骤306，根据所述比对结果确定闭环候选队列；
进一步地，如图5所示，图5示出了图4为本申请实施例提供的另一种闭环检测方法的步骤流程图中步骤306的步骤流程图，可以包括以下步骤3061-3062：
步骤3061，根据所述第一比对结果将当前时刻的序列点云数据和对应的历史时刻的序列点云数据添加至闭环候选队列中的优先闭环候选队列；
步骤3062，根据所述第二比对结果将当前时刻的序列点云数据和对应的历史时刻的序列点云数据添加至闭环候选队列中的次级闭环候选队列。
需要说明的是，在本申请实施例中，当比对结果为第一比对结果时，则将当前时刻和对应历史时刻的序列点云数据加入到优先闭环候选队列当中。
当比对结果为第二比对结果时，则将当前时刻和对应历史时刻的序列点云数据加入到次级闭环候选中。
步骤307，根据所述闭环候选队列中的全部序列点云数据进行闭环检测，得到闭环检测结果；
步骤308，根据所述闭环检测结果确定是否存在闭环。
需要说明的是，在本申请实施例中，上述步骤307-308参照前序论述，在此不再赘述。
本申请实施例通过综合移动机器人运动时周围环境的空间信息和时间信息，在进行序列点云数据的特征提取时采用基于点的策略，保留点云原始的空间信息，先对单帧点云进行特征提取，再对组合的多帧点云进行特征提取，提高移动机器人自主导航闭环检测任务的精度和鲁棒性。
另外，如果两个多帧地点表征向量之间的欧式距离不小于目标距离，则直接认为两序列点云数据属于不同的地点，未发现闭环。
参照图6，示出了本申请实施例提供的另一种闭环检测方法的步骤流程图，所述方法可以包括：
步骤401，根据获取的点云数据生成序列点云数据；
步骤402，将所述序列点云数据输入至特征提取模块，得到所述序列点云数据对应的地点表征向量集合；
步骤403，根据所述地点表征向量集合和预先获取的历史地点表征向量集合进行比对，得到比对结果；
步骤404，根据所述比对结果确定闭环候选队列；
需要说明的是，在本申请实施例中，上述步骤401-404参照前序论述，在此不再赘述。
步骤405，对优先闭环候选队列中的所述序列点云数据中的全部点云依次进行点云配准，得到两帧点云之间的重叠率；
步骤406，在检测到所述两帧点云之间的重叠率小于目标重叠率的情况下，对次级闭环候选队列中的所述序列点云数据中的全部点云依次进行点云配准，得到两帧点云之间的重叠率；
步骤407，在检测到所述两帧点云之间的重叠率大于等于目标重叠率的情况下，确定存在闭环。
需要说明的是，在本申请实施例中，上述步骤405-407中，优先闭环候选队列中的序列点云数据相比次级闭环候选队列具有更高的优先级，首先对优先闭环候选队列包含的所有序列点云数据中的所有点云依次进行ICP点云配准，计算两帧点云之间的重叠率，如果有点云重叠率大于或等于目标重叠率，例如，目标重叠率为0.85，则认为发现了闭环，闭环检测结束，返回ICP点云配准求出的位姿变换矩阵，将优先闭环候选序列和次级闭环候选序列中所有包含当前帧的闭环候选删除。
如果所有点云重叠率均小于目标重叠率，则在次级闭环候选序列中进行上述闭环匹配流程，如果发现有点云重叠率大于或等于目标重叠率，则认为发现了闭环，闭环检测结束，返回ICP点云配准求出的位姿变换矩阵。
如果所有点云重叠率均小于目标重叠率，则认为未发现闭环，最后，将优先闭环候选序列和次级闭环候选序列中所有包含当前帧的闭环候选删除。
在本申请另一实施例中，在步骤407之后，还可以包括：在检测到存在闭环的情况下，删除闭环候选队列中所有包含闭环对应的闭环帧的闭环候选队列。
本申请实施例通过综合移动机器人运动时周围环境的空间信息和时间信息，在进行序列点云数据的特征提取时采用基于点的策略，保留点云原始的空间信息，先对单帧点云进行特征提取，再对组合的多帧点云进行特征提取，提高移动机器人自主导航闭环检测任务的精度和鲁棒性。
另外，通过对候选队列的优先级进行排序可以优先处理闭环可能性更大的点云数据，可以较快闭环检测的速度，提高闭环检测的效率，并且，通过端到端的点云配准方法能够最大程度地发挥GPU的并行计算能力，有更快的计算速度，提高闭环检测的效率。
参照图7，图7示出了本申请实施例提供的一种闭环检测装置，所述装置包括：
获取模块501，用于根据获取的点云数据生成序列点云数据；
输入模块502，用于将所述序列点云数据输入至特征提取模块，得到所述序列点云数据对应的地点表征向量集合；
比对模块503，用于根据所述地点表征向量集合和预先获取的历史地点表征向量集合进行比对，得到比对结果；
第一确定模块504，用于根据所述比对结果确定闭环候选队列；
闭环检测模块505，用于根据所述闭环候选队列中的全部序列点云数据进行闭环检测，得到闭环检测结果；
第二确定模块506，用于根据所述闭环检测结果确定是否存在闭环。
本申请实施例提供的闭环检测装置，通过根据获取的点云数据生成序列点云数据；将所述序列点云数据输入至特征提取模块，得到所述序列点云数据对应的地点表征向量集合；根据所述地点表征向量集合和预先获取的历史地点表征向量集合进行比对，得到比对结果；根据所述比对结果确定闭环候选队列；根据所述闭环候选队列中的全部序列点云数据进行闭环检测，得到闭环检测结果；根据所述闭环检测结果确定是否存在闭环。本申请实施例通过综合移动机器人运动时周围环境的空间信息和时间信息，在进行序列点云数据的特征提取时采用基于点的策略，保留点云原始的空间信息，先对单帧点云进行特征提取，再对组合的多帧点云进行特征提取，提高移动机器人自主导航闭环检测任务的精度和鲁棒性。
本申请实施例还提供了一种通信设备，如图8所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，可以实现如下步骤：
根据获取的点云数据生成序列点云数据；
将所述序列点云数据输入至特征提取模块，得到所述序列点云数据对应的地点表征向量集合；
根据所述地点表征向量集合和预先获取的历史地点表征向量集合进行比对，得到比对结果；
根据所述比对结果确定闭环候选队列；
根据所述闭环候选队列中的全部序列点云数据进行闭环检测，得到闭环检测结果；
根据所述闭环检测结果确定是否存在闭环。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称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。
在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的闭环检测。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的闭环检测。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或第三数据库通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或第三数据库进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、第三数据库等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘Solid State Disk (SSD)）等。
需要说明的是，在本文中，诸如第一和第一等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。
Claims (20)
1.一种闭环检测方法，其特征在于，所述闭环检测方法包括：
根据获取的点云数据生成序列点云数据；
将所述序列点云数据输入至特征提取模块，得到所述序列点云数据对应的地点表征向量集合；
根据所述地点表征向量集合和预先获取的历史地点表征向量集合进行比对，得到比对结果；
根据所述比对结果确定闭环候选队列；
根据所述闭环候选队列中的全部序列点云数据进行闭环检测，得到闭环检测结果；
根据所述闭环检测结果确定是否存在闭环。
2.根据权利要求1所述的闭环检测方法，其特征在于，所述根据获取的点云数据生成序列点云数据包括：
通过三维激光雷达根据预设频率感知预设环境信息获取点云数据；
将所述点云数据根据预设间隔帧数进行划分，得到多个序列点云数据。
3.根据权利要求1所述的闭环检测方法，其特征在于，所述将所述序列点云数据输入至特征提取模块，得到所述序列点云数据对应的地点表征向量集合包括：
将所述序列点云数据输入至特征提取模块，得到每个所述序列点云数据对应的若干个单帧地点表征向量和一个多帧地点表征向量；
根据所述若干个单帧地点表征向量和一个多帧地点表征向量得到地点表征向量集合。
4.根据权利要求1所述的闭环检测方法，其特征在于，所述特征提取模块包括预处理子模块，单帧特征提取子模块，多帧特征提取子模块，以及，特征聚合子模块。
5.根据权利要求4所述的闭环检测方法，其特征在于，所述将所述序列点云数据输入至特征提取模块，得到每个所述序列点云数据对应的若干个单帧地点表征向量和一个多帧地点表征向量包括：
将所述序列点云数据输入至预处理子模块进行预处理，得到预处理后的序列点云数据；
将所述预处理后的序列点云数据输入至单帧特征提取子模块，得到每个所述序列点云数据对应的若干个单帧特征向量；
将若干个所述单帧特征向量输入至多帧特征提取子模块，得到一个多帧特征向量；
将若干个所述单帧特征向量和一个所述多帧特征向量输入至特征聚合子模块，得到每个所述序列点云数据对应的若干个单帧地点表征向量和一个多帧地点表征向量。
6.根据权利要求5所述的闭环检测方法，其特征在于，所述预处理包括地面滤除处理、噪点滤除处理以及下采样处理中至少一种。
7.根据权利要求6所述的闭环检测方法，其特征在于，所述地面滤除处理用于去除所述序列点云数据中地面点；所述噪点滤除处理用于根据所述序列点云数据中的点距离传感器的距离进行滤除；所述下采样处理用于将输入至单帧特征提取子模块以及多帧特征提取子模块中的点云数量固定。
8.根据权利要求5所述的闭环检测方法，其特征在于，所述将所述预处理后的序列点云数据输入至单帧特征提取子模块，得到每个所述序列点云数据对应的若干个单帧特征向量包括：
将每个所述预处理后的序列点云数据中对应的若干个点云均输入至单帧特征提取子模块，生成第一预设维度的若干个单帧特征向量。
9.根据权利要求5所述的闭环检测方法，其特征在于，所述将若干个所述单帧特征向量输入至多帧特征提取子模块，得到一个多帧特征向量包括：
将第一预设维度的若干个单帧特征向量连接，得到第二预设维度的连续多帧特征向量；
将所述第二预设维度的连续多帧特征向量进行特征提取，得到一个第三预设维度的多帧特征向量。
10.根据权利要求5所述的闭环检测方法，其特征在于，所述将若干个所述单帧特征向量和一个所述多帧特征向量输入至特征聚合子模块，得到每个所述序列点云数据对应的若干个单帧地点表征向量和一个多帧地点表征向量包括：
基于预设聚合结构对若干个所述单帧特征向量和一个所述多帧特征向量进行聚合处理，得到每个所述序列点云数据对应的若干个单帧地点表征向量和一个多帧地点表征向量。
11.根据权利要求4所述的闭环检测方法，其特征在于，所述特征提取模块是通过预设数据集、预设对比损失函数、ADAM优化器以及预设学习率对初始特征提取模块进行训练生成的。
12.根据权利要求1所述的闭环检测方法，其特征在于，所述根据所述地点表征向量集合和预先获取的历史地点表征向量集合进行比对，得到比对结果包括：
根据所述地点表征向量集合中的多帧地点表征向量和历史地点表征向量集合中的历史多帧地点表征向量进行匹配；
若所述多帧地点表征向量和所述历史多帧地点表征向量之间的欧式距离小于目标距离，则对当前时刻的序列点云数据中的中间帧对应的单帧地点表征向量以及所述历史地点表征向量集合中的中间帧对应的历史单帧地点表征向量进行匹配；
若所述中间帧对应的单帧地点表征向量和所述中间帧对应的历史单帧地点表征向量之间的欧式距离小于所述目标距离，则得到第一比对结果。
13.根据权利要求1所述的闭环检测方法，其特征在于，所述根据所述地点表征向量集合和预先获取的历史地点表征向量集合进行比对，得到比对结果包括：
根据所述地点表征向量集合中的多帧地点表征向量和历史地点表征向量集合中的历史多帧地点表征向量进行匹配；
若所述多帧地点表征向量和所述历史多帧地点表征向量之间的欧式距离小于目标距离，则对当前时刻的序列点云数据中的中间帧对应的单帧地点表征向量以及所述历史地点表征向量集合中的中间帧对应的历史单帧地点表征向量进行匹配；
若所述中间帧对应的单帧地点表征向量和所述中间帧对应的历史单帧地点表征向量之间的欧式距离大于所述目标距离，则得到第二比对结果。
14.根据权利要求13所述的闭环检测方法，其特征在于，所述根据所述比对结果确定闭环候选队列包括：
根据第一比对结果将当前时刻的序列点云数据和对应的历史时刻的序列点云数据添加至闭环候选队列中的优先闭环候选队列；
根据所述第二比对结果将当前时刻的序列点云数据和对应的历史时刻的序列点云数据添加至闭环候选队列中的次级闭环候选队列。
15.根据权利要求1所述的闭环检测方法，其特征在于，所述根据所述闭环候选队列中的全部序列点云数据进行闭环检测，得到闭环检测结果包括：
对优先闭环候选队列中的所述序列点云数据中的全部点云依次进行点云配准，得到两帧点云之间的重叠率；
在检测到所述两帧点云之间的重叠率小于目标重叠率的情况下，对次级闭环候选队列中的所述序列点云数据中的全部点云依次进行点云配准，得到两帧点云之间的重叠率。
16.根据权利要求15所述的闭环检测方法，其特征在于，所述根据所述闭环检测结果确定是否存在闭环包括：
在检测到所述两帧点云之间的重叠率大于等于目标重叠率的情况下，确定存在闭环。
17.根据权利要求16所述的闭环检测方法，其特征在于，所述根据所述闭环检测结果确定是否存在闭环的步骤之后，所述方法包括：
在检测到存在闭环的情况下，删除闭环候选队列中所有包含闭环对应的闭环帧的闭环候选队列。
18.一种闭环检测装置，其特征在于，所述闭环检测装置包括：
获取模块，用于根据获取的点云数据生成序列点云数据；
输入模块，用于将所述序列点云数据输入至特征提取模块，得到所述序列点云数据对应的地点表征向量集合；
比对模块，用于根据所述地点表征向量集合和预先获取的历史地点表征向量集合进行比对，得到比对结果；
第一确定模块，用于根据所述比对结果确定闭环候选队列；
闭环检测模块，用于根据所述闭环候选队列中的全部序列点云数据进行闭环检测，得到闭环检测结果；
第二确定模块，用于根据所述闭环检测结果确定是否存在闭环。
19.一种通信设备，其特征在于，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；
所述处理器，用于读取存储器中的程序实现如权利要求1-17中任意一项所述闭环检测方法。
20.一种可读存储介质，用于存储程序，其特征在于，所述程序被处理器执行时实现如权利要求1-17中任意一项所述闭环检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311210787.XA CN116958266B (zh) | 2023-09-19 | 2023-09-19 | 闭环检测方法、装置、通信设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311210787.XA CN116958266B (zh) | 2023-09-19 | 2023-09-19 | 闭环检测方法、装置、通信设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116958266A true CN116958266A (zh) | 2023-10-27 |
| CN116958266B CN116958266B (zh) | 2024-02-20 |
Family
ID=88447709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311210787.XA Active CN116958266B (zh) | 2023-09-19 | 2023-09-19 | 闭环检测方法、装置、通信设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116958266B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118053153A (zh) * | 2024-04-16 | 2024-05-17 | 之江实验室 | 一种点云数据的识别方法、装置、存储介质及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651926A (zh) * | 2016-12-28 | 2017-05-10 | 华东师范大学 | 一种基于区域配准的深度点云三维重建方法 |
| WO2022142855A1 (zh) * | 2020-12-31 | 2022-07-07 | 深圳市优必选科技股份有限公司 | 回环检测方法、装置、终端设备和可读存储介质 |
| CN116222577A (zh) * | 2023-04-27 | 2023-06-06 | 苏州浪潮智能科技有限公司 | 闭环检测方法、训练方法、***、电子设备及存储介质 |
-
2023
- 2023-09-19 CN CN202311210787.XA patent/CN116958266B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651926A (zh) * | 2016-12-28 | 2017-05-10 | 华东师范大学 | 一种基于区域配准的深度点云三维重建方法 |
| WO2022142855A1 (zh) * | 2020-12-31 | 2022-07-07 | 深圳市优必选科技股份有限公司 | 回环检测方法、装置、终端设备和可读存储介质 |
| CN116222577A (zh) * | 2023-04-27 | 2023-06-06 | 苏州浪潮智能科技有限公司 | 闭环检测方法、训练方法、***、电子设备及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118053153A (zh) * | 2024-04-16 | 2024-05-17 | 之江实验室 | 一种点云数据的识别方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116958266B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110119148B (zh) | 一种六自由度姿态估计方法、装置及计算机可读存储介质 | |
| CN113076871B (zh) | 一种基于目标遮挡补偿的鱼群自动检测方法 | |
| KR102206834B1 (ko) | 도로정보 변화 감지 방법 및 시스템 | |
| CN116958266B (zh) | 闭环检测方法、装置、通信设备及存储介质 | |
| CN112336342B (zh) | 手部关键点检测方法、装置及终端设备 | |
| CN112733885A (zh) | 点云识别模型的确定方法、点云识别的方法及装置 | |
| CN111754546A (zh) | 一种基于多特征图融合的目标跟踪方法、***及存储介质 | |
| CN114743259A (zh) | 位姿估计方法、位姿估计***、终端、存储介质及应用 | |
| CN111310770A (zh) | 目标检测方法和装置 | |
| CN110619299A (zh) | 基于网格的对象识别slam方法和装置 | |
| CN111428566B (zh) | 一种形变目标跟踪***及方法 | |
| CN114519853A (zh) | 一种基于多模态融合的三维目标检测方法及*** | |
| CN111401143A (zh) | 一种行人跟踪***及方法 | |
| CN111968102B (zh) | 一种目标设备检测方法、***、介质及电子终端 | |
| CN112097772B (zh) | 机器人及其地图构建方法和装置 | |
| CN114220087A (zh) | 一种车牌检测方法、车牌检测器及相关设备 | |
| CN111709377B (zh) | 特征提取方法、目标重识别方法、装置及电子设备 | |
| CN113807457A (zh) | 确定路网表征信息的方法、装置、设备及存储介质 | |
| CN111428567B (zh) | 一种基于仿射多任务回归的行人跟踪***及方法 | |
| CN110472092B (zh) | 一种街景图片的地理定位方法及*** | |
| CN115527050A (zh) | 图像特征匹配方法、计算机设备和可读存储介质 | |
| CN116310902A (zh) | 一种基于轻量级神经网络的无人机目标检测方法及*** | |
| CN115565072A (zh) | 一种道路垃圾识别和定位方法、装置、电子设备及介质 | |
| CN115239776A (zh) | 点云的配准方法、装置、设备和介质 | |
| CN110705695B (zh) | 搜索模型结构的方法、装置、设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |