一种IMU辅助的LiDAR动态点云剔除方法 专利技术说明

计算;推算;计数设备的制造及其应用技术一种imu辅助的lidar动态点云剔除方法技术领域1.本发明属于基于激光雷达的同时定位与建图技术领域(light detection and ranging simultaneous localization and mapping，lidar slam)，具体涉及一种imu(inertial measurement unit)辅助的lidar动态点云剔除方法。背景技术：2.随着我国经济和科技水平的飞速发展，大型商场、机场、医院等基础设施逐渐成为人们生活的重要组成部分，人们对基于室内位置服务的需求也越来越高。其中，slam(simultaneous localization and mapping)技术是目前室内定位与导航领域的核心技术之一，该技术可以实时获取搭载slam传感器的载体位姿信息和所处环境的地图信息。以lidar slam为例，该技术具有可靠性高、建图直观、不受光照条件影响等优势，其核心模块主要包括前端匹配、后端优化和建图三个部分。后端优化和建图的效果会受到前端点云帧间配准精度的影响，而帧间配准精度又会受到点云数据质量的影响。因此提高数据质量可以从根本上提高lidar slam的定位精度和建图效果。3.目前，从原始点云数据中识别并剔除由动态目标扫描生成的点云是有效提高数据质量的方法之一。针对如何剔除动态点云问题，wei等人采用自适应3d分割技术提取点云中的车辆，再基于运动伪影效应估计车辆的运动状态和运动速度，实现动态车辆的检测。该方法构建的模型仅能够识别动态车辆，并且主要适用于机载激光雷达采集的稀疏点云数据集。lim等人提出一种将区块占据情况差异作为基准的动态目标过滤方法，该方法将先验点云地图划分为若干环状区块，输入点云数据后，通过计算每个区块相应的占据描述子来筛选动态目标所位于的区块，从而剔除动态点云。该方法需要较大的数据存储空间，并且需要获取先验地图信息，具有一定的应用局限性。张涛等人提出一种动态环境下融合lidar和imu的里程计，借助imu信息统一邻帧点云坐标系，通过计算邻帧配对点云簇间的质心偏移量来筛选动态目标，实验结果表明该方法在复杂环境下的筛选结果精度不高。li等人提出一种全卷积神经网络，以激光点云作为输入样本，结合数据增强训练，实现动态目标的检测。李响等人采用傅里叶单像素欠采样成像方法提取数据中的特征，使得在未获取全部目标信息的情况下，采用深度学习卷积网络对动态物体进行检测和识别。虽然上述两种方法的动态目标检测效果较好，但神经网络学习过程需要人工手动标记学习样本，并且相应的硬件成本较高。为同时兼顾动态点云剔除的效率和精度，本专利提出一种基于imu辅助的多层次模糊综合评价动态点云剔除方法。相较于上述其他方法，本专利方法不需要繁琐的模型训练和先验信息，节约了数据存储空间，而且适用于复杂的工作环境，能够有效保证动态点云剔除的效率和精度。4.模糊综合评价法(fuzzy comprehensive evaluation method)是一种基于模糊数学的综合评价方法，该方法根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。它具有结果清晰，系统性强的特点，能较好地解决模糊的、难以量化的问题，适合各种非确定性问题的解决。目前，该方法被广泛地应用在产品评级、企业评估、资源调配、设备布控等领域。5.层次分析法(analytic hierarchy process,ahp)是将与决策有关的评价元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。该方法将复杂的决策系统层次化，通过逐层比较各种评价因素之间的重要性来为分析以及最终的决策提供定量的依据，常用于构建模糊综合评价过程中评价因素相应的评价权阵。6.多层次模糊综合评价法(multi-level fuzzy comprehensive evaluation method)是将层次分析法和模糊综合评价法进行有机结合，该方法保证了模型的系统性和合理性，能够充分利用客观数据规律、专家或决策人员的经验及判断能力，为非线性、模糊性、多变量的评价问题提供科学合理的解决方案。本专利主要利用上述方法，从配对点云簇之间的质心偏移量、三轴跨度变化、点数量及点云密度变化三个方面对点云簇运动状态进行多层次模糊综合评价，从而判定各点云簇的运动状态，最终将动态点云簇从原始点云数据中剔除，进而提高lidar slam的定位精度和建图效果。技术实现要素：7.针对现有技术的不足，本发明提出一种imu辅助的lidar动态点云剔除方法，利用imu信息辅助剔除点云数据存在的运动畸变，并为统一相邻两帧点云数据坐标系提供位置和姿态参数，便于构建邻帧点云簇间的配对组合。针对配对结果，采用多层次模糊综合评价方法从多个特征方面对点云簇的运动状态进行综合评价，最终实现从原始lidar点云数据中剔除动态点云。8.一种imu辅助的lidar动态点云剔除方法包括以下步骤：9.步骤1、采集lidar、imu两类传感器数据并标定两传感器坐标系之间的六自由度旋转和平移参数，同时利用时间同步模块实现两类传感器数据之间的时间同步；10.步骤2、每采集一帧lidar点云数据后，利用步骤1得到的lidar/imu外参，借助imu预积分信息辅助剔除lidar点云运动畸变，再对点云数据整体进行一步降采样和噪声点滤除处理。基于初步处理后的lidar点云数据，通过一种快速地面点云提取和点云聚类分割方法，将由环境中不同目标扫描生成的点云分割为相应的独立点云簇；11.步骤3、利用lidar/imu外参和imu信息统一相邻两帧点云的坐标系，基于步骤2所获得的点云簇分割结果，建立相邻帧各点云簇之间的配对关系，计算相应的配对点云簇特征数据；12.步骤4、基于步骤3得到的相邻帧点云簇之间的配对关系，通过构建点云运动状态多层次模糊综合评价模型，从质心偏移量、三轴跨度变化、点数量及点云密度变化三个方面对点云簇运动状态进行多层次模糊综合评价；13.步骤5、基于步骤4的评价结果，判定各点云簇的运动状态，最终将动态点云簇从原始点云数据中剔除，从而提高原始lidar点云的数据质量，进一步提高lidar slam的定位精度和建图效果。14.步骤2所述的通过一种快速地面点云提取和点云聚类分割方法，将由环境中不同目标扫描生成的点云分割为相应的独立点云簇；15.具体步骤如下：16.步骤2-1、针对每帧点云按照相应的扫描线束排列顺序和几何关系建立索引编号，使得同线点云有统一的行号，同列点云有统一的列号；17.步骤2-2、基于步骤2-1获取的点云编号，按列号将每帧点云划分为若干放射状小区域，在每个小区域内按行号升序依次计算相邻两个激光点k与之间连线与..平面的夹角，将其作为衡量点云起伏变化的基准：[0018][0019]其中，表示笛卡尔坐标系下点云的三维坐标，d(k,k+1)为两点连线在x-y平面的投影长度；[0020]步骤2-3、将步骤2-2相应的rad(k,k+1)计算结果与0.05进行对比，若rad(k,k+1)大于0.05则将连线的起点标记为地面点。当首次大于0.05时，便停止当前小区域后续的计算，将连线的起点标记为地面点，将连线的终点标记为首个非地面点。将该区域剩余没参与计算的点也标记为非地面点。每个小区域均完成上述计算后，将当前帧所有标记为地面点的激光点滤除；[0021]步骤2-4、将上述步骤处理后的lidar点云数据投影到x-y二维平面中，基于二维欧氏距离采用区域生长算法对上述点云整体进行初次聚类，区域生长过程中的种子点集合由所有标记为首个非地面的激光点构成；[0022]步骤2-5、步骤2-4中初次聚类的处理过程快，但是会存在z方向有显著差异的不同目标被划分为一个点云簇或者因离散点将不同目标连接为一个点云簇这两种情况。由于上述情况发生概率较低，对每个初次聚类结果进行二次聚类是低效的，因此确定一个判断点云簇是否需要二次聚类的标准：[0023][0024]pdn＝pnn/pvn＝pnn/(dxndyndzn)ꢀꢀꢀꢀꢀꢀꢀꢀꢀ(3)[0025]其中，、dyn、dzn为一帧点云中第n个点云簇x、y、z方向的三轴跨度，为一帧点云中第n个点云簇x、y、z方向的三轴跨度，和分别为当前点云簇中点云x、y、z坐标的最大和最小值，pnn为当前点云簇中点的数量，pvn为当前点云簇的最小外包六面体体积，pdn为当前点云簇的点云密度。若三轴跨度过大但点数量过少，则该点云簇中点云分布不够稠密，可能存在异常，故将点云密度小于100的点云簇判定为需要二次细分的异常点云簇；[0026]步骤2-6、枚举步骤1-5筛选得到的异常点云簇，针对点云簇中每一个激光点，计算到同点云簇中其他激光点的三维欧式距离，将距离小于0.05m的视为其邻近点。将邻近点个数小于3的激光点视为连接不同点云簇的离散点并剔除，再基于三维欧氏距离对剔除所有离散点后的异常点云簇采用区域生长算法进行二次聚类分割；[0027]步骤2-7、当所有异常点云簇均完成二次细分后，重新统计当前每个点云簇的激光点数量并计算点云密度，再计算每个点云簇的质心坐标：[0028][0029]其中，(xn,yn,zn)表示当前帧点云数据中第n个点云簇的质心三维坐标，表示第n个点云簇中第m个激光点的三维坐标。[0030]步骤3所述的利用lidar/imu外参和imu信息统一相邻两帧点云的坐标系，基于步骤2所获得的点云簇分割结果，建立相邻帧各点云簇之间的配对关系，计算相应的配对点云簇特征数据；[0031]具体步骤如下：[0032]步骤3-1、将首帧imu坐标系作为全局坐标系，记为w系，基于lidar/imu外参标定结果中的旋转参数和平移参数结合imu预积分结果，将每帧lidar点云转化到全局坐标系下，以第i帧点云pil为例，将转换后的点云记为piw：[0033][0034]步骤3-2、在w系下以piw中第n个点云簇的质心为中心，以3m为半径在中建立搜索区域。以中点云簇作为一个搜索结果为例，计算配对点云簇的特征数据：[0035][0036]其中，和分别为点云簇和的质心三维坐标，和为相应点云簇中激光点的数量，和为相应点云簇的点云密度，和为相应点云簇的三轴跨度；[0037]步骤3-3、将和中与能够建立配对关系的所有搜索结果分别构成配对组合，作为点云运动状态多层次模糊综合评价模型的输入。[0038]步骤4所述通过构建点云运动状态多层次模糊综合评价模型，从质心偏移量、三轴跨度变化、点数量及点云密度变化三个方面对点云簇运动状态进行多层次模糊综合评价；[0039]具体步骤如下：[0040]步骤4-1、将配对点云簇之间的质心偏移量、三轴跨度变化、点数量变化及点云密度变化作为判定其运动状态的标准，共同构成模型的评价因素集，进而构建因素集u、评价集v以及模糊评价矩阵r：[0041][0042]其中，u中u1、u2、u3均为一级评价因素，依次对应评价因素集中的三个因素。u21、u22、u23对应配对点云簇间x、y、z三轴跨度变化，u31、u32对应配对点云簇间点数量和点云密度变化，上述双脚标变量均为二级评价因素。v中的v1、v2、v3对应静态、待定、动态三种点云簇运动状态的评价结果。r表示因素集u与评价集v间的模糊关系，其中μ(u,v)为相应的隶属函数；[0043]步骤4-2、构建二级评价因素对应的评价矩阵r2和r3：[0044][0045]通过获取待判定运动状态点云簇相应的特征数据，将点数量记为pn、点云密度记为pd、三轴跨度依次记为dx、dy、dz。计算配对点云簇相应的特征数据，将质心偏移量记为a1、点数量变化记为a5、点云密度变化记为a6、三轴跨度变化依次记为a2、a3、a4。依据上述特征数据的特性，采用梯形分布隶属度函数，以r2中第一行元素为例，构建相应的隶属函数模型：[0046][0047]r2和r3中其余行元素均采用上述隶属度函数构建形式，利用相应的点云簇特征数据替换式中的a2与dx计算得到；[0048]步骤4-3、采用层次分析法计算二级评价因素相应的评价权阵，以三轴跨度变化因素集为例，构建相应的判断矩阵c2：[0049][0050]基于c2中元素采用方根法计算相应的权值，并规范化计算结果：[0051][0052][0053]其中，e表示当前因素集中评价因素的个数。三轴跨度变化因素集对应e＝3，构建其相应的权阵d2：[0054]d2＝[d21 d22 d23]＝[0.4 0.4 0.2]ꢀꢀꢀꢀꢀꢀ(13)[0055]采用同样方法计算点数量和点云密度变化因素集对应的权阵d3：[0056]d3＝[d31 d32]＝[0.67 0.33]ꢀꢀꢀꢀꢀꢀ(14)[0057]采用层次分析一致性检验方法对权阵的计算结果进行检验，合格后用于更高层次的模糊综合评价；[0058]步骤4-4、采用乘积求和方法将d2和d3分别作用到r2和r3上计算r中后两行元素：[0059][0060]构建r中首行元素相应的隶属度计算函数：[0061][0062]其中，v为模型能够检测的绝对动态目标的最小运动速率，可根据检测需求调整。δt为采集相邻两帧lidar点云数据的时间间隔，同为可调整量。val为自适应模型参数：[0063]val＝λ1dis+λ2msꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(17)[0064]其中，dis为当前点云簇质心到原点的三维欧式距离，ms为当前点云簇在x、y、z三轴方向上的最大跨度，λ1和λ2的取值由所处环境的范围和环境中的地物特征复杂度共同决定，环境的范围越大、地物特征越复杂其取值越大；[0065]步骤4-5、同样采用层次分析法计算一级评价因素相应的权阵d，将其作用到r上计算模糊综合评价集b：[0066]d＝[d1 d2 d3]＝[0.5 0.25 0.25]ꢀꢀꢀꢀꢀꢀꢀ(18)[0067][0068]根据最大隶属度原则对比b中各元素，若b1最大，则模型输出的评价结果为静态；若b3最大，则输出的评价结果为动态；若b2最大，则输出的评价结果为待定，同时输出b2作为相应的评价分数。[0069]步骤5所述基于点云簇运动状态的评价结果，判定各点云簇的运动状态，最终将动态点云簇从原始点云数据中剔除，从而提高lidar点云的数据质量；[0070]具体步骤如下：[0071]步骤5-1、将点云簇相应的配对组合结果依次输入点云运动状态多层次模糊综合评价模型中，以第i帧点云piw中第n个点云簇为例，若评价结果出现静态时，标记为静态点云簇，并停止后续与相关的计算；若所有的评价结果均为动态时，则标记为动态点云簇；若没有搜索结果时，则标记为失踪点云簇，将其视为一种特殊的动态点云簇。除上述情况外，若评价结果存在待定时，将最大的评价分数作为最终的运动状态评价分数，若分数大于0.5则标记为静态点云簇，否则标记为动态点云簇；[0072]步骤5-2、枚举piw中所有点云簇重复上述步骤，直到所有点云簇的运动状态均完成判定后，将标记为静态的点云簇转换回相应的激光雷达坐标系下并发布为一帧新的点云数据，此时相应的lidar点云数据中不包含由动态目标扫描生成的点云数据。针对首帧点云，将其中与第二帧静态点云簇配对并且评价结果为静态的点云簇发布。[0073]本发明优点：[0074]1、本发明通过imu辅助，主要采用多层次模糊综合评价方法剔除了lidar动态点云，通过实例验证能够有效地识别并剔除原始点云数据中98.67％的动态点云，虽然同时错误剔除了2.01％的静态点云，但由于静态点云基数大，所以此部分误差可以忽略。[0075]2、利用imu信息辅助剔除了lidar点云运动畸变，初步提高了原始点云的数据质量。同时利用imu信息提供点云数据帧间相对位置和姿态变化参数，实现在未剔除动态点云的情况下能够高精度地统一两帧点云数据相应的坐标系。[0076]3、本发明将点云簇运动状态判定视为一个多层次模糊综合评价问题，在考虑配对点云簇间质心偏移量的同时，将相应的三轴跨度变化、点数量变化及点云密度变化也作为判定其运动状态的标准，共同构成模型的评价因素集，从而实现鲁棒的动态点云簇识别和剔除，进一步提高了lidar点云的数据质量。[0077]4、将本发明处理后的点云数据输入loam进行定位与建图，相较于基于原始点云数据的loam算法输出结果，定位均方根误差降低了66.06％，最大误差降低了72.78％，定位精度达到厘米级，并且优化了构建点云地图的效果。附图说明[0078]图1为本发明一种imu辅助的lidar动态点云剔除方法流程图；[0079]图2为本发明一种实施方式的步骤2的具体流程图；[0080]图3为本发明一种实施方式的步骤3的具体流程图；[0081]图4为本发明一种实施方式的步骤4的具体流程图；[0082]图5为本发明一种实施方式的步骤5的具体流程图；[0083]图6为本发明一种实施方式的摘要流程图；[0084]图7为利用本发明进行动态点云剔除过程中点云剔除率的时间序列图；[0085]图8为利用本发明处理后的点云数据和原始点云数据分别输入loam进行定位所得的x-y平面二维定位轨迹对比图；[0086]图9为利用本发明处理后的点云数据和原始点云数据分别输入loam进行定位所得的x轴向和y轴向定位误差的量化对比图；[0087]图10为利用本发明处理后的点云数据和原始点云数据分别输入loam进行建图所得的点云地图成果对比图。具体实施方式：[0088]下面结合附图对本发明一种实施例做进一步说明。[0089]本发明实施例中，imu辅助的lidar动态点云剔除方法，如图1所示，包括以下步骤：[0090]步骤1、采集lidar、imu两类传感器数据并标定两传感器坐标系之间的六自由度旋转和平移参数，同时利用时间同步模块实现两类传感器数据之间的时间同步；[0091]步骤2、每采集一帧lidar点云数据后，利用步骤1得到的lidar/imu外参，借助imu预积分信息辅助剔除lidar点云运动畸变，再对点云数据整体进行一步降采样和噪声点滤除处理。基于初步处理后的lidar点云数据，通过一种快速地面点云提取和点云聚类分割方法，将由环境中不同目标扫描生成的点云分割为相应的独立点云簇；[0092]步骤2-1、针对每帧点云按照相应的扫描线束排列顺序和几何关系建立索引编号，使得同线点云有统一的行号，同列点云有统一的列号；[0093]步骤2-2、基于步骤2-1获取的点云编号，按列号将每帧点云划分为若干放射状小区域，在每个小区域内按行号升序依次计算相邻两个激光点k与k+1之间连线与x-y平面的夹角rad(k,k+1)，将其作为衡量点云起伏变化的基准：[0094][0095]其中，(xk,yk,zk)表示笛卡尔坐标系下点云的三维坐标，d(k,k+1)为两点连线在x-y平面的投影长度；[0096]步骤2-3、将步骤2-2相应的rad(k,k+1)计算结果与0.05进行对比，若rad(k,k+1)大于0.05则将连线的起点标记为地面点。当首次大于0.05时，便停止当前小区域后续的计算，将连线的起点标记为地面点，将连线的终点标记为首个非地面点。将该区域剩余没参与计算的点也标记为非地面点。每个小区域均完成上述计算后，将当前帧所有标记为地面点的激光点滤除；[0097]步骤2-4、将上述步骤处理后的lidar点云数据投影到x-y二维平面中，基于二维欧氏距离采用区域生长算法对上述点云整体进行初次聚类，区域生长过程中的种子点集合由所有标记为首个非地面的激光点构成；[0098]步骤2-5、步骤2-4中初次聚类的处理过程快，但是会存在z方向有显著差异的不同目标被划分为一个点云簇或者因离散点将不同目标连接为一个点云簇这两种情况。由于上述情况发生概率较低，对每个初次聚类结果进行二次聚类是低效的，因此确定一个判断点云簇是否需要二次聚类的标准：[0099][0100]pdn＝pnn/pvn＝pnn/(dxndyndzn)ꢀꢀꢀꢀꢀꢀ(3)[0101]其中，dxn、dyn、dzn为一帧点云中第n个点云簇x、y、z方向的三轴跨度，和分别为当前点云簇中点云x、y、z坐标的最大和最小值，pnn为当前点云簇中点的数量，pvn为当前点云簇的最小外包六面体体积，pdn为当前点云簇的点云密度。若三轴跨度过大但点数量过少，则该点云簇中点云分布不够稠密，可能存在异常，故将点云密度小于100的点云簇判定为需要二次细分的异常点云簇；[0102]步骤2-6、枚举步骤1-5筛选得到的异常点云簇，针对点云簇中每一个激光点，计算到同点云簇中其他激光点的三维欧式距离，将距离小于0.05m的视为其邻近点。将邻近点个数小于3的激光点视为连接不同点云簇的离散点并剔除，再基于三维欧氏距离对剔除所有离散点后的异常点云簇采用区域生长算法进行二次聚类分割；[0103]步骤2-7、当所有异常点云簇均完成二次细分后，重新统计当前每个点云簇的激光点数量并计算点云密度，再计算每个点云簇的质心坐标：[0104][0105]其中，(xn,yn,zn)表示当前帧点云数据中第n个点云簇的质心三维坐标，表示第n个点云簇中第m个激光点的三维坐标。[0106]步骤3、利用lidar/imu外参和imu信息统一相邻两帧点云的坐标系，基于步骤2所获得的点云簇分割结果，建立相邻帧各点云簇之间的配对关系，计算相应的配对点云簇特征数据；[0107]步骤3-1、将首帧imu坐标系作为全局坐标系，记为w系，基于lidar/imu外参标定结果中的旋转参数和平移参数结合imu预积分结果，将每帧lidar点云转化到全局坐标系下，以第i帧点云pil为例，将转换后的点云记为piw：[0108][0109]步骤3-2、在w系下以piw中第n个点云簇的质心为中心，以3m为半径在中建立搜索区域。以中点云簇作为一个搜索结果为例，计算配对点云簇的特征数据：[0110][0111]其中，和分别为点云簇和的质心三维坐标，和为相应点云簇中激光点的数量，和为相应点云簇的点云密度，和为相应点云簇的三轴跨度；[0112]步骤3-3、将和中与能够建立配对关系的所有搜索结果分别构成配对组合，作为点云运动状态多层次模糊综合评价模型的输入。[0113]步骤4、基于步骤3得到的相邻帧点云簇之间的配对关系，通过构建点云运动状态多层次模糊综合评价模型，从质心偏移量、三轴跨度变化、点数量及点云密度变化三个方面对点云簇运动状态进行多层次模糊综合评价；[0114]步骤4-1、将配对点云簇之间的质心偏移量、三轴跨度变化、点数量变化及点云密度变化作为判定其运动状态的标准，共同构成模型的评价因素集，进而构建因素集u、评价集v以及模糊评价矩阵r：[0115][0116]其中，u中u1、u2、u3均为一级评价因素，依次对应评价因素集中的三个因素。u21、u22、u23对应配对点云簇间.x.、y、z三轴跨度变化，u31、u32对应配对点云簇间点数量和点云密度变化，上述双脚标变量均为二级评价因素。v中的v1、v2、v3对应静态、待定、动态三种点云簇运动状态的评价结果。r表示因素集u与评价集v间的模糊关系，其中μ(u,v)为相应的隶属函数；[0117]步骤4-2、构建二级评价因素对应的评价矩阵r2和r3：[0118][0119]通过获取待判定运动状态点云簇相应的特征数据，将点数量记为pn、点云密度记为pd、三轴跨度依次记为dx、dy、dz。计算配对点云簇相应的特征数据，将质心偏移量记为a1、点数量变化记为a5、点云密度变化记为a6、三轴跨度变化依次记为a2、a3、a4。依据上述特征数据的特性，采用梯形分布隶属度函数，以r2中第一行元素为例，构建相应的隶属函数模型：[0120][0121]r2和r3中其余行元素均采用上述隶属度函数构建形式，利用相应的点云簇特征数据替换式中的a2与dx计算得到；[0122]步骤4-3、采用层次分析法计算二级评价因素相应的评价权阵，以三轴跨度变化因素集为例，构建相应的判断矩阵c2：[0123][0124]基于c2中元素采用方根法计算相应的权值，并规范化计算结果：[0125][0126]其中，e表示当前因素集中评价因素的个数。三轴跨度变化因素集对应e＝3，构建其相应的权阵d2：[0127]d2＝[d21 d22 d23]＝[0.4 0.4 0.2]ꢀꢀꢀꢀꢀꢀꢀꢀ(13)[0128]采用同样方法计算点数量和点云密度变化因素集对应的权阵d3：[0129]d3＝[d31 d32]＝[0.67 0.33]ꢀꢀꢀꢀꢀꢀ(14)[0130]采用层次分析一致性检验方法对权阵的计算结果进行检验，合格后用于更高层次的模糊综合评价。[0131]步骤4-4、采用乘积求和方法将d2和d3分别作用到r2和r3上计算r中后两行元素：[0132][0133]构建r中首行元素相应的隶属度计算函数：[0134][0135]其中，v为模型能够检测的绝对动态目标的最小运动速率，可根据检测需求调整。δt为采集相邻两帧lidar点云数据的时间间隔，同为可调整量。val为自适应模型参数：[0136]val＝λ1dis+λ2msꢀꢀꢀꢀꢀꢀꢀ(17)[0137]其中，dis为当前点云簇质心到原点的三维欧式距离，ms为当前点云簇在x、y、z三轴方向上的最大跨度，λ1和λ2的取值由所处环境的范围和环境中的地物特征复杂度共同决定，环境的范围越大、地物特征越复杂其取值越大；[0138]步骤4-5、同样采用层次分析法计算一级评价因素相应的权阵d，将其作用到r上计算模糊综合评价集b：[0139]d＝[d1 d2 d3]＝[0.5 0.25 0.25]ꢀꢀꢀꢀꢀꢀꢀ(18)[0140][0141]根据最大隶属度原则对比b中各元素，若b1最大，则模型输出的评价结果为静态；若b3最大，则输出的评价结果为动态；若b2最大，则输出的评价结果为待定，同时输出b2作为相应的评价分数。[0142]步骤5、基于步骤4的评价结果，判定各点云簇的运动状态，最终将动态点云簇从原始点云数据中剔除，从而提高原始lidar点云的数据质量，进一步提高lidar slam的定位精度和建图效果；[0143]步骤5-1、将点云簇相应的配对组合结果依次输入点云运动状态多层次模糊综合评价模型中，以第i帧点云piw中第n个点云簇为例，若评价结果出现静态时，标记为静态点云簇，并停止后续与相关的计算；若所有的评价结果均为动态时，则标记为动态点云簇；若没有搜索结果时，则标记为失踪点云簇，将其视为一种特殊的动态点云簇。除上述情况外，若评价结果存在待定时，将最大的评价分数作为最终的运动状态评价分数，若分数大于0.5则标记为静态点云簇，否则标记为动态点云簇；[0144]步骤5-2、枚举piw中所有点云簇重复上述步骤，直到所有点云簇的运动状态均完成判定后，将标记为静态的点云簇转换回相应的激光雷达坐标系下并发布为一帧新的点云数据，此时相应的lidar点云数据中不包含由动态目标扫描生成的点云数据。针对首帧点云，将其中与第二帧静态点云簇配对并且评价结果为静态的点云簇发布。[0145]本发明实例中，通过搭建组合定位移动平台在真实环境中采集lidar和imu数据，lidar使用velodyne公司的vlp-16，imu使用sbg公司的ellipse-n。使用徕卡ts50全站仪自动跟踪移动平台上的全反射棱镜，来获取参考轨迹。实验场地长约16m，宽约18m，面积约为260m2，环境中承重柱以及摆放的桌椅等视为静态目标。安排4名人员携带长0.8m、宽1.2m的纸板在环境中有间歇地做不规则运动充当随机出现的动态目标，在其间歇阶段视为静态目标。记录动态目标消失和再次出现在lidar视场中对应的时间段。在场地的中心设计长约9m，宽约10m的矩形轨迹，移动平台沿轨迹运动一周。基于采集的传感器数据对本发明相应的动态点云剔除效果进行验证，并且将处理后的点云数据输入loam(lidar odometry andmapping)进行定位与建图并与基于原始点云的loam定位与建图解算结果进行对比。[0146]如图7所示，记录环境中没有动态目标的时间段与点云剔除率出现谷值对应的时间段近似一致，而且在虚线标记以外的部分，点云剔除率主要分布在0.05-0.2区间内，上述点云剔除率等于本发明方法处理后剔除的激光点数量与滤除地面点后剩余的激光点数量之间的比值。说明本发明方法能够有效地剔除由随机出现的动态目标扫描生成的点云，当环境中没有动态目标时，还能够有效地保留静态点云。此外，由于在平台运动过程中lidar的扫描盲区不同，所以点云剔除率随时间存在合理的起伏变化，成功地验证了本发明方法的可行性和精确性。[0147]如图8所示，基于原始点云数据的loam算法定位轨迹如图中虚线所示，基于本发明处理后的点云数据相应的loam算法定位轨迹如图中点划线所示，参考轨迹如图中实线所示。结果表明自平台开始运动后基于原始点云的定位轨迹相较于参考轨迹便出现偏移，随时间增加，后续定位轨迹的偏移程度增大。说明动态点云直接影响了loam算法的定位精度。数据采集过程中随机出现的动态目标遮挡了部分环境中的几何特征，而且动态点云也参与了帧间配准，从而导致定位精度降低。将本发明处理后的点云数据作为loam的输入则获得了更准确的定位结果，说明本发明方法能够有效地削弱动态点云对帧间配准精度的影响。[0148]如图9所示，量化对比上述两种情况相应的x轴、y轴、x-y平面上的定位误差，经过本发明方法处理点云数据后，相应的x轴方向均方根误差从0.039m降低到0.015m，最大误差从0.176m降低到0.056m；y轴方向均方根误差从0.102m降低到0.033m，最大误差从0.354m降低到0.097m。x-y平面定位均方根误差从0.109m降低到0.037m，精度提高了66.06％；最大误差从0.360m降低到0.098m，精度提高了72.78％。结果表明本发明能够有效地提高lidar slam的定位精度，可以实现厘米级定位。[0149]分别从初始时刻截取同段数据用于构建点云地图，上述两种情况相应的建图成果俯视图如图10所示。基于原始点云构建的点云地图中除墙壁、房梁以及环境中的静态目标扫描生成的点云外，还存在大量由动态目标扫描生成的点云，子图(a)中黑色标记所圈部分为较明显的几处动态点云聚集区域。此外，图中外层墙壁轮廓还存在重影现象。说明动态点云不仅影响lidar slam的定位精度，同时也影响其建图效果。本发明相应的建图成果如子图(b)所示，相较于子图(a)，点云地图整体结构规则整洁，极大地减少了参与建图的动态点云数量，更易应用于基于点云地图的机器人自主导航。类似子图(b)中黑色标记所圈部分的点云簇是由实验过程中动态目标在间歇阶段扫描生成的点云，进一步说明本发明能够有效地剔除动态点云并保留静态点云。[0150]以上所述，仅为本发明中最基础的具体实施方式，但本发明的保护范围并不局限于此，任何本技术领域人士在本发明所揭露的技术范围内，可理解到的替换，都应涵盖在本发明的包含范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!