论文部分内容阅读
近年来随着高精度和高采集速率的三维激光雷达的普及,场景环境的数字化和可视化在机器视觉、逆向工程、测绘与遥感领域得到广泛运用,促进了移动机器人即时定位与地图构建(Simultaneous localization and mapping,SLAM)的发展。当机器人没有配备里程表和惯性测量单元(Inertial measurement unit,IMU)等自定位传感器时,无法获知机器人的位姿,若仅用激光雷达的数据来创建地图,就需要通过配准来完成。本文提出一种基于平面的配准方法,采用三维旋转激光雷达作为传感器,在不需要来自其它传感器的先验姿态估计的条件下,对多平面的室内环境进行精确配准。主要工作如下:(1)对三维激光雷达点云预处理。通过设定点与雷达的距离阈值滤除干扰点。采用统计分析技术,基于点到近邻点的距离分布滤除离群点。(2)针对旋转型雷达点云具有稀疏性与密度不均的特征,提出基于随机霍夫变换的平面检测算法。提出立方体选点模型,采用kd-tree近邻搜索选取任意点的邻域,将邻域在空间上离散化为若干小立方体,以小立方体为选点单元进行选点,解决点云密度不均引起的选点问题,提高算法鲁棒性。采用球形累加器对霍夫空间离散化,极坐标的分辨率依据单位球体上的位置改变,保证累加器中每个单元具有相同的尺寸。由于激光雷达旋转扫描的工作方式,激光束近似垂直于相交平面产生的扫描点会导致平面的误判,通过设定平面内点对应仰角的标准差阈值对误判的平面进行检测。(3)由于点云的无序性,选取alpha shapes算法计算平面面积。对平面进行二维正投影,对于投影后的二维平面,运用计算几何算法库(Computational Geometry Algorithms Library,GCAL)中alpha shapes函数进行轮廓估计,使轮廓包含平面内全部点数且只有一个连通分支。运用三角测量法,计算轮廓内多边形面积。(4)由于点云数据稀疏且密度不均,在没有先验姿态估计条件下,迭代最近点算法(Iterative Closest Point,ICP)配准该类型点云时存在迭代次数多和准确度不高的问题。考虑到室内环境具有多平面的特征,提出基于平面的配准算法。利用平面面积和平面法线参数作为寻找平面对应关系的约束条件。选取三组法向量线性无关的平面进行刚体变换计算,分别求取旋转矩阵和平移矩阵。将该变换作为ICP算法的初始变换矩阵,进行进一步的精确配准。实验表明,对于稀疏不均匀点云,本文提出的平面检测算法比随机采样一致性算法(Random Sample Consensus,RANSAC)准确率更高,对小平面、点云密度稀疏的平面有较高的检出率。本文提出的配准算法比ICP算法和NDT算法有更好的配准精度和稳定性,在配准旋转量大的点云时有明显优势。