[发明专利]一种融合点云地图、运动模型和局部特征的位置识别方法

说明书

本发明提出了一种融合点云地图、运动模型和局部特征的位置识别方法，所提出的方法克服了大范围动态环境下的位置识别难题。本发明无需使用人工标志或外源信号，在降低系统成本的同时，能够有效克服光照变化等影响。该发明在位置识别中创新性地加入了车辆运动模型，有效解决了感知混淆的问题。仅使用多线激光雷达作为唯一的量测传感器，采用局部搜索结果作为观测模型，为基于卡尔曼滤波的数据融合方案提供了一种新的思路。将点云地图与局部特征相结合，显著降低搜索空间，在有限的计算资源下仍能取得优越的运行效率，保证系统其他模块有序进行。此外，该发明的位置识别性能不受轨迹长度或运行时间影响，能够克服目标遮挡等问题。

技术领域

本发明属于测绘遥感和无人驾驶技术领域，具体涉及一种融合点云地图、运动模型和局部特征的位置识别方法。

背景技术

随着人工智能和传感器技术的快速发展，使得自主机器人和自动驾驶广泛应用于众多领域，如物流配送、刑侦侦察、交通出行和野外救援等。同时定位与建图(SLAM，Simultaneous Localization and Mapping)作为自动驾驶的核心技术，近年来已逐渐成为智能系统相关研究的热点问题。位置识别是一项帮助机器人判断是否重新访问历史位置的技术，与SLAM系统具有很强的关联性。经典的SLAM框架包括：前端里程计、后端优化、回环检测和后端优化，其中位置识别与回环检测模块的任务是相同的。在有效识别出回环时，系统将匹配约束传递给后端优化模块，以此削弱轨迹漂移。快速、准确地识别出重访位置，构建回环约束，十分有利于提高定位精度，维护系统稳定性。

目前，视觉位置识别方案通常利用词模型(BOW,Bag of Words),将图像数据编码为词典，设计各种特征描述符与词典相结合进行检索和匹配。但在光照变化剧烈、动态目标较多、季节更替明显的场景下，匹配误差显著增加，位置识别性能急剧下降。基于三维点云数据的位置识别方案更加关注空间几何信息，能够克服光照变化、视场角小等因素的影响。目前常见的基于点云的位置识别方案有：基于局部描述符，基于全局描述符，基于语义信息、基于深度学习和基于人工地标等方法。局部描述符按照特定的规则对关键点邻域空间进行特征统计，但受限于特征点的可重复性较差，在高速自动驾驶场景下效果不佳。全局描述符直接对整个点云进行编码作为环境描述，克服了特征不稳定的问题，但忽略了特征之间的相互关系。语义特征将数据关联从传统的像素级别提升到物体级别，可以强化机器人对周围环境的理解。但是这种方法数据处理效率较低，需要进行复杂的操作来推断目标之间联系。深度学习方法通过训练神经网络来强化特征学习，生成图像特征的深层次表达。虽然提高了位置识别的效率与准确率，但是这些特征较为复杂难以理解，模型训练需要繁琐的数据清洗工作。此外，模型训练结果一定程度上依赖于样本的多样性，场景的差异性可能会影响识别效果。人工地标通常是在特定场景提前布设，虽然成本较低，但在动态场景下容易因视野遮挡而失效。

发明内容

针对现有技术中存在的上述问题和缺陷，本发明提出了一种新颖的融合点云地图、运动模型和局部特征的位置识别方法。所提方法只需使用多线激光雷达作为唯一的量测传感器，有效克服了光照变化的影响，相比视觉方案更加稳定。该发明创新性地融入运动模型，有效解决位置识别中感知混淆的问题，当环境高度相似时仍能有效检测回环位置。将点云地图与局部特征相结合，显著降低了搜索空间，在有限的计算资源下仍能取得优越的运行效率，提高系统的容错率，保证其他功能模块有序进行。该方法能够克服目标遮挡或存在动态目标的问题，提高系统在动态城市下的安全性能。此外，该方法在轨迹持续增加，数据不断累积的情况下，仍能保持良好的识别准确率和效率。作为一种新颖的位置识别方案，能够快速、准确地提供识别结果，提高系统的定位精度。