论文部分内容阅读
在基于多线激光的移动机器人路沿感知技术中,构建路沿特征是目前提取路沿的一个主要方式。本课题结合室外无人清扫车路况,利用神经网络学习路沿特征,进行路沿提取,并将路沿点作为激光SLAM的特征点,构建出室外无人扫地车的3D激光SLAM系统。根据课题研究内容,本文研究主要分为以下几个部分:基于多平面迭代的路面分割算法。本课题提出一种多平面迭代的路面分割算法对三维激光点云进行分割。由于原始点云数据量较大,很多空间点云冗余,而研究重心是路沿感知问题,因此需要将路面点云进行分离。由于实际路面存在明显但不绝对的平面几何特征,因此提出一种带有先验知识的平面模型估计方法去拟合路面,对路面点云进行估计,并且针对实际路面存在局部斜坡、凹坑等不平整问题,提出一种分段分割的思想,对每一小段的点云进行平面模型估计,最终拼接成一个完整路面。该算法能分离出含有直道、弯道、坡道和岔道的复杂路面,并且比传统的路面分割算法更稳定,分割速度更快。基于图卷积的路沿提取网路。提出一种图卷积网络用于路沿点提取(Road Curb Detection Net)RCDNet,将路沿点提取转化成点云分割问题。传统人工路沿特征具有很大的局限性,只能应对某一固定的路况,对多路况下的路沿提取准确度很低。针对路沿提取问题,本课题提出一种边缘图卷积、自动提取路沿特征的神经网络框架,通过将点云的局部信息和全局信息在高维空间进行融合,可以获取点云更多的邻域信息,实现每一点的分类,从而使网络对三维点云的分割精度更高。该网络框架能够稳定地对提取多种路况下的路沿点,并且具有很高的提取准确度。基于RCDNet的3D激光SLAM系统。一般特征点在环境特征较多的情况下提取更稳定和准确,结合无人车实际工况,由于路沿点连续、稳定性特点,提出将RCDNet网络提取的路沿点作为特征点的方法,可以更精确地构建激光里程计,并通过因子图优化的方法修正估计误差,实现室外无人扫地车的增量式地图构建。