[发明专利]基于激光点云和视觉SLAM的机器人位姿估计方法

说明书

本发明公开了基于激光点云和视觉SLAM的机器人位姿估计方法，使用摄像机采集图像，再使用视觉里程计提取图像中的ORB特征点，判断关键帧并与ORB特征点进行特征匹配获得匹配点对，进行位姿估计获得摄像机下的机器人位姿；使用激光雷达采集激光点云数据，使用激光雷达里程计提取激光点云数据的特征，与关键帧进行特征匹配并进行位姿估计求得激光雷达下的机器人位姿；根据摄像机的频率，对激光雷达下的机器人位姿进行三次样条插值处理对齐时间戳；进行双线程回环检测得到回环检测结果；将摄像机下的机器人位姿与激光雷达下的机器人位姿输入卡尔曼滤波器中融合得到机器人位姿。本发明补全了与视觉特征点对应的点云缺失，提高了视觉SLAM建图及回环检测精度。

技术领域

本发明属于机器人定位的技术领域，具体涉及一种基于激光点云和视觉SLAM的机器人位姿估计方法。

背景技术

随着无人驾驶、5G通信被人们提出和高度关注，SLAM（即时定位与建图）迎来了很大的挑战。SLAM技术是机器人领域的关键技术，其依靠传感器完成自主导航、建图、以及路径规划等任务。传统SLAM系统一般是依靠单一的传感器进行工作，但单一传感器的缺陷也较为明显，其对于环境因素的要求高导致其工作性能不稳定；而多传感器SLAM系统存在着不同传感器的测量原理不同以及其运行频率不同的问题，导致SLAM系统建图的误差较大；针对多传感器SLAM系统的问题，传统解决方法是将频率较快的视觉传感器的位姿估计作为激光传感器位姿估计的先验数据放入卡尔曼滤波器中，然后进行SLAM系统的位姿估计输出，但由于多传感器的数据并没有对齐在同一个时间戳内，可能存在着无法满足多传感器SLAM系统的建图要求。

近几年，深度学习十分热门，图像处理技术的进步也带动了视觉SLAM的发展，一方面由于摄像机的价格相对便宜，可以在立体空间中简单快速地获取重要的角或边信息；另一方面在于摄像机具有较高的采样率，从而被广泛青睐。但是摄像机也有自己的缺点，在大范围旋转时，很容易失去正常功能，造成较大的漂移误差；同时摄像机还需要运行在稳定的光源环境才能提取到较多且质量高的特征点。激光雷达可以测量的范围和距离非常广，并且是主动传感器，所以激光雷达在黑暗中仍然具有极好的鲁棒性；但激光雷达的缺点在于价格昂贵，同时由于二维激光传感器只有深度信息，并且只扫描一个平面，当机器人在走廊中运动时，传感器返回的深度信息不随时间变化。因此通过不同传感器的相互协同降低位姿估计的误差，成为提高SLAM系统定位建图的鲁棒性的重要手段。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于激光点云和视觉SLAM的机器人位姿估计方法，利用三次样条函数对激光雷达的位姿估计进行样条插值处理，同时引入视觉-激光雷达双线程回环检测模块，提高了SLAM系统建图精度，提高了回环检测的精度，防止出现“假阳性”的回环现象。

为了达到上述目的，本发明采用以下技术方案：

基于激光点云和视觉SLAM的机器人位姿估计方法，所述方法包括下述步骤：

使用摄像机采集机器人行进过程中的图像，再使用视觉里程计提取图像中的ORB特征点，判断关键帧并与ORB特征点进行特征匹配获得匹配点对，对摄像机进行位姿估计获得摄像机下的机器人位姿；

使用激光雷达采集图像的激光点云数据，再使用激光雷达里程计提取激光点云数据的特征，与关键帧进行特征匹配，并对激光雷达进行位姿估计求得激光雷达下的机器人位姿；

根据摄像机的频率，对激光雷达下的机器人位姿进行三次样条插值处理，对齐摄像机下的机器人位姿与激光雷达下的机器人位姿的时间戳；

对采集图像和激光点云数据进行双线程回环检测，得到回环检测结果；

根据回环检测结果，将摄像机下的机器人位姿与激光雷达下的机器人位姿输入卡尔曼滤波器中，融合摄像机下的机器人位姿及激光雷达下的机器人位姿得到机器人位姿。

作为优选的技术方案，所述ORB特征点包括FAST角点和BRIEF描述子；