[发明专利]一种基于点云多视角投影图的激光里程计算法

说明书

本发明提出一种基于点云多视角投影图的激光里程计算法，应用于移动机器人以及自动驾驶平台，包括如下步骤：步骤1、对三维激光点云数据进行多视角二维投影，得到环境的柱面全景投影视图、鸟瞰图，进一步对投影进行分割得到多视角点云投影图；步骤2、构建多视角位姿估计网络，在点云投影图上提取环境几何结构特征；步骤3、计算基于位姿绝对值的位姿损失函数以及基于稳定点区域的光度重投影误差损失函数；步骤4、根据位姿损失函数训练神经网络模型，所述神经网络模型能够根据输入的前后帧点云数据估计相对位姿变换。

技术领域

本发明涉及移动机器人技术以及自动驾驶领域，尤其涉及深度学习方法和SLAM(同步定位与建图)框架中的激光里程计相关领域。

背景技术

随着制造工艺的提升和人们对安全问题的重视程度日益增长，激光雷达在自动驾驶、无人物流等前沿应用中具有巨大的应用潜力。因而，基于激光点云的目标检测、语义分割、里程计、重定位等一系列三维视觉任务成为了相关领域的研究热点。然而，由于激光点云的无序性和稀疏性，在其被广泛应用于无人驾驶和机器人领域之前，还需要解决以下几个问题：

1)在交通场景中64线激光雷达的一次扫描数据包含10^{^5}个点云，任何逐点检索操作将导致算法不能够实时运行，进而影响到算法在移动平台的部署以及会引来一系列严重的安全性问题。

2)点云的无序性体现在将点云数据打乱顺序不影响最终对环境信息的表达。因而在对点云进行特征提取时只能提取其顺序不变的特征，目前常见的做法是使用maxpooling对点云的全局特征进行提取，但是导致了点云局部特征信息的损失。

发明内容

本发明的目的是提供一种可应用于移动机器人以及自动驾驶平台的基于点云多视角投影图的激光里程计算法，该算法能够发挥激光点云对环境感知的鲁棒性、精确性，同时利用成熟的二维卷积对点云投影图进行高效处理，应用投影图的多视角特征鲁棒地提取环境几何结构，提升三维激光里程计在复杂交通场景下的位姿估计精度和效率，从而得到较为精确的轨迹。

本发明的技术方案为：一种基于点云多视角投影图的激光里程计算法，应用于移动机器人以及自动驾驶平台，包括如下步骤：

步骤1、对三维激光点云数据进行多视角二维投影，得到环境的柱面全景投影视图、鸟瞰图，进一步对投影进行分割得到多视角点云投影图；

步骤2、构建多视角位姿估计网络，在点云投影图上提取环境几何结构特征；

步骤3、计算基于位姿绝对值的位姿损失函数以及基于稳定点区域的光度重投影误差损失函数；

步骤4、根据位姿损失函数训练神经网络模型，所述神经网络模型能够根据输入的前后帧点云数据估计相对位姿变换。

进一步的，在步骤1中，分别根据俯视视角、环视视角对点云投影，得到鸟瞰图以及柱面全景投影图，在柱面全景投影图的基础上，构造多视角点云投影图。

进一步的，在步骤2中构建多视角位姿估计网络，包括图像特征提取网络、旋转预测网络、平移预测网络，对步骤1中得到的点云投影图分别提取特征，然后用旋转预测网络和平移预测网络对融合特征进行处理，得到旋转量预测以及平移量预测，具体过程为：

使用柱面投影图特征提取网络、鸟瞰图特征提取网络以及基于FlowNets的多视角光流特征提取网络，对各个投影图分别进行处理，然后融合特征，构建两个相同的深层全连接网络，分别用于输出旋转估计量以及平移估计量。

进一步的，在步骤3中，所述构造基于位姿绝对值的位姿损失函数为基于欧拉角和平移量的L2损失函数，计算基于稳定区域的光度重投影误差损失函数为基于双线性插值的重投影误差损失函数，具体过程为：

首先计算基于欧拉角和平移量的L2损失函数：