[发明专利]一种基于地平面的单目视觉辅助激光雷达里程计方法

说明书

本发明涉及一种基于地平面的单目视觉辅助激光雷达里程计方法，包括提供一种基于地平面的单目视觉辅助激光雷达里程计方法，利用激光里程计中的地面点云高效提取图像中的地面特征点，基于单应性变换实现高效的绝对尺度相机运动估计，进而将运动估计用于矫正激光里程计中的自运动点云畸变和位姿优化。与现有技术相比，本发明提出的紧耦合方案高效利用单目视觉图像和激光雷达点云中的地平面信息，避免了现有的视觉和激光雷达融合算法中存在的计算复杂度高、系统精度及稳定性受错误的深度匹配影响的问题。

技术领域

本发明涉及机器人识别技术领域，尤其是涉及一种基于地平面的单目视觉辅助激光雷达里程计方法。

背景技术

同时定位与建图(SLAM，simultaneous localization and mapping)是机器人领域的一项关键技术，是机器人能够自主运行的一项基本要求。激光雷达和视觉传感器是SLAM中的两种主流传感器，近年来基于这两种传感器的SLAM算法得到广泛的研究和应用。视觉SLAM方面，产生了ORB-SLAM2、DSO、VINS等为代表的优秀方案。激光SLAM中则形成了LOAM、IMLS-SLAM、SegMatch等框架。然而，单一的传感器总是存在某种不足，例如视觉传感器对环境纹理及光照条件敏感，而激光雷达存在由本体运动引起的点云畸变问题以及回环检测能力不足等。因此，将视觉传感器与激光雷达融合逐渐成为当前的主流技术，例如：

DEMO是一种通过将激光雷达的深度测量用于恢复图像中特征点深度从而增强视觉里程计(在SLAM中，通过连续地定位估计机器人的运动轨迹的过程又称为里程计)的方法；V-LOAM进一步利用DEMO的视觉里程计实现高频运动估计来矫正激光雷达点云畸变并为激光里程计提供运动估计初值，从而实现更加精确的激光里程计；LIMO中提出了一种新的将激光雷达测量用于图像特征深度恢复方法从而实现无尺度漂移的视觉里程计，并使用深度学习算法剔除错误特征点。但是，上述这些传统的通过激光雷达距离测量恢复图像特征点深度的方法容易由于错误的深度匹配而引入额外的几何残差，从而降低系统精度和稳定性。而且DEMO和LIMO这类方法丢弃了大量有用的激光雷达测量信息。

为了最大化利用相机和激光雷达的测量信息，同时避免不佳的深度匹配的影响，TVLO提出分别对两种传感器独立地运行里程计和建图流程，最后对它们的残差进行联合优化，以此实现视觉和激光的紧耦合。然而，基于两种传感器同时进行里程计和建图需要很大的系统开销，不适用于嵌入式平台等低算力场合。

因此，研究如何分配少量系统资源将视觉传感器用于辅助激光雷达进行同时定位与建图，弥补激光雷达在自运动畸变和回环检测等方面的不足，避免现有方法计算复杂度高、系统稳定性差等问题，具有十分重要的意义。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于地平面的单目视觉辅助激光雷达里程计方法，利用激光里程计中的地面点云高效提取图像中的地面特征点，基于单应性变换实现高效的绝对尺度相机运动估计，进而将运动估计用于矫正激光里程计中的自运动点云畸变和位姿优化，实现高效精准的里程计。

本发明的目的可以通过以下技术方案来实现：

一种基于地平面的单目视觉辅助激光雷达里程计方法，包括以下步骤：

S1、从激光点云中分割出地面点云用于筛选图像中的地面ORB特征点；

S2、对相邻两帧图像中的地面ORB特征点进行匹配，进行共线特征点搜索并通过交比不变性验证特征匹配的正确性，通过验证后的特征匹配集合用于计算图像之间的单应性变换矩阵；

S3、对单应性变换矩阵进行分解，并利用已知的相机高度，得到绝对尺度的估计相机运动；

S4、利用估计的相机运动对激光雷达自运动造成的点云畸变进行矫正；

S5、对矫正后的激光点云进行分割并提取直线和平面特征；