[发明专利]一种基于激光视觉融合数据的大场景重定位方法

权利要求书

1.一种基于激光视觉融合数据的大场景重定位方法，其特征在于，包括如下步骤：

步骤1：创建激光点云地图；

利用车载激光雷达对大场景环境进行建图，生成激光点云地图；

步骤2：获取初始位姿估计值；

根据步骤1创建的激光点云地图，利用当前获取的点云帧，与地图中的特征点进行匹配，并进行优化，最终计算得到车辆当前位姿；

步骤3：根据视觉数据进行匹配获取位姿；

首先对图像信息提取特征点，计算描述子；根据当前图像已有的特征向量进行匹配，计算出图像与地图之间的相对位姿变换，并优化位姿以便获得更精确的位姿估计值；

步骤4：获取重定位位姿；

根据步骤2和3所获得的初始位姿和匹配位姿作为变量；利用约束条件进行联合优化获取重定位位姿。

2.根据权利要求1所述的一种基于激光视觉融合数据的大场景重定位方法，其特征在于：在步骤1中，具体包括如下步骤：

步骤1.1：使用激光雷达采集所需建立的大场景环境中的点云数据；

步骤1.2：对采集到的点云数据进行预处理，包括去噪、滤波以及聚类；

步骤1.3：将处理后的点云数据通过点云配准算法建立初始点云地图；

步骤1.4：随着车辆或机器人的移动，不断采集新的点云数据，并通过点云配准算法将其加入到已有的点云地图中；

步骤1.5：将新的点云数据与已有的点云地图进行融合和更新；

步骤1.6：在点云地图中设置关键帧；

步骤1.7：将更新后的点云地图保存下来。

3.根据权利要求1所述的一种基于激光视觉融合数据的大场景重定位方法，其特征在于：在步骤2中，具体包括如下步骤：

步骤2.1：首先对激光数据进行去噪和滤波；

步骤2.2：从处理后的激光数据中提取特征点；

步骤2.3：将当前帧提取的特征点与地图中的特征点进行匹配，得到一个初步的位姿估计值；

步骤2.4：利用激光数据和位姿估计值，估计当前帧与上一帧之间的相对运动，以进一步优化位姿估计值；

步骤2.5：利用优化方法对位姿估计值进行优化。

4.根据权利要求3所述的一种基于激光视觉融合数据的大场景重定位方法，其特征在于：在步骤2.3中，处理点云数据，具体包括如下步骤：

步骤2.3.1：首先对激光点云数据进行体素网格化处理；

步骤2.3.2：根据曲率计算公式，选取左右多个点，计算每个体素中点云的曲率信息；

步骤2.3.3：对于每个点，根据其所在的体素中曲率的大小和法向量的方向，判断该点是否为曲率特征点。

5.根据权利要求1所述的一种基于激光视觉融合数据的大场景重定位方法，其特征在于：在步骤3中，具体包括如下步骤：

步骤3.1：使用特征点检测算法ORB，从图像中提取出具有可重复性和区分性的特征点；

步骤3.2：对于提取出的特征点，通过使用特征描述算法ORB描述子，将其转化为可用于匹配的特征向量；

步骤3.3：将当前图像的特征向量与地图中已有的特征向量进行匹配，找到地图中与当前图像最相似的特征点；

步骤3.4：通过匹配的特征点，计算出当前图像与地图之间的相对位姿变换；

步骤3.5：将通过匹配的位姿与先前的位姿进行优化，通过使用图优化算法得到更加精确的位姿估计值；

步骤3.6：对优化后的位姿估计值进行误差判断和优化，判断匹配结果是否可靠，如果可靠，则更新当前位姿状态；如果不可靠，则需要重新匹配或使用其他传感器信息来辅助定位。