[发明专利]基于感知哈希的激光SLAM闭环检测方法及系统

说明书

本发明提供了一种基于感知哈希的激光SLAM闭环检测方法及系统，包括:激光扫描雷达每次旋转预设角度过程中扫描获得的点云，经过前端里程计和后端优化得到激光雷达位姿；根据获得的激光雷达位姿，构建每次旋转的深度图；根据每次旋转的深度图，计算深度图中心部分圆形区域的强度中心，确定深度图主方向；根据深度图主方向对深度图中各点坐标旋转变换，构建变换后的深度图；根据变换后的深度图感知哈希计算图片指纹，获得图片指纹；将获得图片指纹与每次旋转的深度图指纹依次计算汉明距离，根据汉明距离计算相似度，当相似度最大值大于阈值时，则判断为闭环。本发明计算量小，适用于廉价的嵌入式设备，具有实时性，准确性高，抗噪声能力强的特点。

技术领域

本发明涉及定位与导航领域，具体地，涉及一种基于感知哈希的激光SLAM闭环检测方法及系统。

背景技术

SLAM(simultaneous localization and mapping),即时定位与地图构建。问题可以描述为：将一个机器人放入未知环境中的未知位置，是否有办法让机器人一边移动一边逐步描绘出此环境完全的地图，在递增地建立地图的同时，利用已建立的地图来同步刷新自身的位置。这是一个相辅相成不断迭代的过程，也是移动机器人自主完成作业任务需要解决的基本问题。目前依据使用的传感器不同，SLAM技术主要分为两大类：基于激光雷达的激光SLAM和基于摄像头的视觉SLAM。在测量平台移动的过程中，由于前端位姿估计和后端优化均基于部分相邻数据，之前产生的误差将不可避免地累计到下一个时刻，使得整个SLAM将会出现累积误差，长期估计的结果将不可靠。为消除这类误差，SLAM系统中引入闭环检测模块。闭环检测，又称回环检测(Loop Closure Detection)，主要解决位置估计随时间漂移的问题，通过识别测量平台曾经达到过的场景，从而在位姿优化中添加时隔更加久远的约束，使之得到更好的、全局一致的位姿估计。另一方面，由于闭环检测提供了当前数据与所有历史数据的关联，在跟踪丢失后，还可以利用闭环检测进行重定位。因此，闭环检测对整个SLAM系统精度和鲁棒性有非常明显的提升。

传统的激光SLAM闭环检测算法主要有如下两种：

ICP算法，即迭代最近点(Iterative Closest Point)：该算法是一种点集对点集配准方法，借助迭代优化的思想，通过旋转、平移使得两个点集之间累计的距离最小，从而实现相似部分点云的匹配。该方法有较为可靠的准确率，然而运算效率较低，在搜索对应点的过程中，计算量非常大，难以在廉价的嵌入式设备上实现实时运行。

词袋法(Bag of Words,BoW)：该算法是一种基于特征点的匹配方法，首先从每次扫描的点云中提取部分特征点和特征描述，再将所有特征描述进行聚类，并组织成树的形式方便搜索构成词典，当两片点云中包含词典中一定量的相似点时，可以认为其存在相似性。然而该方仅仅基于图像局部特征，没有考虑特征点之间的相互关系，且特征点的稠密程度往往取决于工作环境，因而应用在激光SLAM上时准确度和可靠性较差。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于感知哈希的激光SLAM闭环检测方法及系统。

根据本发明提供的一种基于感知哈希的激光SLAM闭环检测方法，包括:

步骤M1：激光扫描雷达每次旋转预设角度过程中扫描获得的点云，经过前端里程计和后端优化得到激光雷达位姿；

步骤M2：根据获得的激光雷达位姿，构建每次旋转的深度图；

步骤M3：根据每次旋转的深度图，计算深度图中心部分圆形区域的强度中心，确定深度图主方向；

步骤M4：根据深度图主方向对深度图中各点坐标旋转变换，构建变换后的深度图；

步骤M5：根据变换后的深度图感知哈希计算图片指纹，获得图片指纹；