[发明专利]一种基于2D激光雷达测距的折线提取极大似然估计的方法

说明书

本发明公开了一种基于2D激光雷达测距的折线提取极大似然估计的方法，该方法选取Ros框架作为本次算法实验的平台，并安装基于RoboSence3D激光雷达的接口驱动，调用驱动雷达对实验环境进行扫描，为了便于特征线的提取，将3D点云线束进行转换为2D的激光点云线束，获取激光雷达的点云数据话题，同时启动riviz可视化建图指令，构建二维点云地图，为下一步的折线提取和折线优化做准备，最终实现激光基于折线特征提取的较为精确的平面地图。该方法的折线提取简单、效率和准确性高，为后续机器人在环境地图中进行路径规划和导航提供了可能。

技术领域

本发明涉及移动机器人地图创建领域，具体是一种基于2D激光雷达测距的折线提取极大似然估计的方法。

背景技术

同时定位和构建地图(Simultaneous Localization And Mapping，SLAM)是一种在没有环境先验信息的情况下，在运动过程中建立环境的模型，同时估计自己运动位姿的技术。随着激光雷达距离探测的出现和普及，使得激光SLAM技术发展更为灵活广泛，它具备在地图创建这一领域更快更准，信息更丰富的特点。

激光SLAM应用场景，如家庭、办公室或工厂车间等人造环境，通常由线性结构组成，通过折线构造的多边形地图可获得自然的结构化环境。激光雷达采集到的物体信息呈现出一系列分散的，具有准确角度和距离信息的点，被称为点云数据。传统的激光雷达首先从传感器采集的数据中提取特征点信息，对不同的特征模式进行区域分割后确定分割阈值，在状态变量中进行估计和特征优化，从而获得较精确的地图形式，越精确的地图会使得机器人的路径规划和导航变得更加直观。如聚类算法中的分割合并算法，通过人为选择合适的阈值对点云进行区域的划分，在单独的分割域中进行线性拟合，但是此方法没有考虑点云数据随雷达距离远而稀疏的问题，对阈值的选用较为复杂。基于ICP的点云匹配算法在应用中也十分广泛，但是没有加入速度影响，其不能满足动态环境下的机器人定位和建图，同时计算复杂内存消耗较大。因此本文采用反向的计算模式，通过极大似然估计，在已知多边形边缘顶点的样本集下，反推最有可能导致拟合多边形概率最大的参数值，从而实现扫描区域最大的可能，同时补充面上近似线状环境中存在的漏洞。

因此，提供一种新的概率方法，从2-D激光范围扫描中提取折线，绘制出更加精确的地图。

发明内容

本发明的目的在于提供一种基于2D激光雷达测距的折线提取极大似然估计的方法，该方法的折线提取简单、效率和准确性高，为后续机器人在环境地图中进行路径规划和导航提供了可能。

实现本发明目的的技术方案是：

一种基于2D激光雷达测距的折线提取极大似然估计的方法，包括如下步骤：

1)在ROS平台中建立工作区间，在工作区间内安装robortsence3D激光雷达驱动并与激光雷达的wifi连接，在避免强光照射下，使用3D激光雷达对周围环境进行扫描，进行3D激光雷达数据采集，得到原始的3D点云数据包，并储存在rosbag中，并建立三维点云地图；

2)对步骤1)得到的原始3D点云数据进行数据转换，转换成二维激光数据，从而便于环境地图的特征提取和优化；

3)根据获得的二维激光数据，建立基于机器人的运动模型，通过平面上机器人的坐标和航向角推算从而获得点云数据的相对位姿信息，在任意t时刻和激光雷达的观测模型相结合，完成机器人定位，然后通过最小二乘法的优化算法建立静态SLAM下的环境初始地图得到二维点云地图；

4)在环境初始地图的基础上，对二维激光扫描点进行最大似然估计，同时通过折线提取和折线优化两部分，寻找使扫描测量可能性最大化的一组多段线,得到极大似然估计下的概率最大的环境地图。

步骤1)中，所述的3D激光雷达数据采集，是在Ros框架中调用robortsence3D激光雷达的点云数据包，为环境初始地图的建立做准备。