(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211058259.2 (22)申请日 2022.08.31 (71)申请人 广东工业大 学 地址 510090 广东省广州市越秀区东 风东 路729号 (72)发明人 管贻生　潘雅灵　张宏　何力　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 高棋 (51)Int.Cl. G06T 7/33(2017.01) G06T 7/73(2017.01) (54)发明名称 一种基于激光雷达的机器人自我定位精度 评估方法 (57)摘要 本发明公开了一种基于激光雷达的机器人 自我定位精度评估 方法， 具体包括： S1、 使用装 载 有激光雷达的移动机器人在未知环境中采集录 制数据； S2、 对录制数据进行特征处理， 剔除由于 运动畸变导致的不稳定点， 得到点云信息； S3、 将 点云信息转换为全局描述符， 通过搜索算法找到 重新访问的样本对集合； S4、 采集样本对数据的 局部位移向量； S5、 对录制数据采用SLAM算法运 行并采集估计轨迹向量； 将局部位移向量与轨迹 向量组合得到离线配准对， 从所有离线配准对中 随机选择配准对， 计算统计误差。 本方法与传统 机器人导航性能评估技术相比， 结合自然地标， 能够达到与自动捕捉系统同数量级的精度。 权利要求书2页 说明书8页 附图2页 CN 115471530 A 2022.12.13 CN 115471530 A 1.一种基于 激光雷达的机器人自我定位精度评估方法， 其特 征在于， 包括以下步骤： S1、 使用装载有激光雷达的移动机器人在未知环境中采集ROS包格式的录制数据； S2、 对ROS包格式的录制数据导出并进行特征处理， 剔除由于运动 畸变导致的不稳定 点， 得到特 征处理后的点云信息； S3、 将特征处理后的点云信息转换为全局描述符， 通过搜索算法找到重新访 问同一位 置的样本对集 合； S4、 通过访问样本对集合， 采集样本对数据的局部位移向量， 对样本对点云使用点云特 征方法获得相关点云配准关系， 应用最大团搜索算法搜索获得配准前后几何关系相关的最 大配准对， 通过ICP算法计算点云中两个距离最近点之间的转换矩阵， 将满足所述转换矩阵 且均方误差最小的对应点作为内点， 若内点的距离大于设定的阈值， 则判断为错误配准并 再次配准， 重复此 过程设定的次数若仍 为错误配准， 则放弃采集该样本对数据； S5、 重复步骤S4直到采集所有的访问样本对数据 集的局部位移向量， 对ROS包格式的录 制数据采用SLAM算法在线或离线地运行并采集估计轨迹向量； 将所有局部位移向量分别与 轨迹向量进行组合得到若干个离线配准对， 从所有离线配准对中随机选择配准对， 计算统 计误差， 该误差为轨 迹的误差 。 2.根据权利要求1所述的一种基于激光雷达的机器人自我定位精度评估方法， 其特征 在于， 步骤S1中所述移动机器人上设置有： 2D和 3D的激光雷达、 视觉传感导航器； 所述移动 机器人在未知环境中采集时， 采用随机游走或定点导航的方式运动并采集数据， 并录制为 ROS包格式； 所述用于找到重复访问地点的方法包括： 全局描述符方法、 Scan  Context算法、 Intensity Scan Context算法、 深度学习算法。 3.根据权利要求2所述的一种基于激光雷达的机器人自我定位精度评估方法， 其特征 在于， 所述移动机器人在未知环境中采集时， 移动机器人需要访问 同一位置至少两次以上， 满足样本数据的独立性； 所述采集的数据包括激光数据和图像数据， 所述移动机器人在环 境中执行直线、 转向运动并进行自动避障和随机 搜索。 4.根据权利要求1所述的一种基于激光雷达的机器人自我定位精度评估方法， 其特征 在于， 步骤S2中所述对ROS包格式的录制数据进行 特征处理， 具体为： 从所述ROS包中提取录制数据， 对录制数据中的每帧点云数据计算点邻域区域的特征 矩阵， 提取特征矩阵的特征值， 提取多个邻域内近似特征的最大点集， 或直接对录制数据进 行下采样， 按照激光扫描线束均匀分成若干个部分， 保留小于设定阈值的现状指数 的点作 为角点， 保留小于设定阈值的面状指数 的点作为面点， 剔除由于运动畸变导致的不稳定的 点， 得到特 征处理后的点云信息 。 5.根据权利要求4所述的一种基于激光雷达的机器人自我定位精度评估方法， 其特征 在于， 所述步骤S3， 具体为： 使用Scan  Context算法对每帧点云数据进行描述， 通过搜索得 到满足设定条件的重复访问的小于一定阈值的区域， 并将五个或五个以上的重复访问区域 根据第一次访问时间戳进行合并， 得到样本对集 合。 6.根据权利要求1所述的一种基于激光雷达的机器人自我定位精度评估方法， 其特征 在于， 步骤S4所述采集样本对数据的局部位移向量， 其过程具体为： S41、 使用点云特征提取方法作为特征提取模型， 采用特征处理后的每帧点云数据作为 特征提取模型的输入数据， 进行初步特 征提取；权　利　要　求　书 1/2 页 2 CN 115471530 A 2S42、 通过对特征处理后的点云信息进行最近邻搜索找到粗配准点对； 采用最大团搜索 方法进一步处理得到的粗配准点对， 提取具有几何信息关系的最大团配准对， 并生成初始 化配准矩阵； S43、 采用点云配准算法进一步配准， 基于初始化配准矩阵进行优化， 得到两组点云之 间的精确配准关系， 计算内点对的平均距离， 若大于设定的阈值则再次匹配或选择放弃采 集， 重复此过程三次若仍为错误配准， 则放弃采集该样本对数据， 用于提高局部平移向量的 鲁棒性和准确性。 7.根据权利要求6所述的一种基于激光雷达的机器人自我定位精度评估方法， 其特征 在于， 所述 点云特征提取方法为FPFH、 3ds mooth方法， 所述 点云配准 算法为ICP系列算法。 8.根据权利要求7所述的一种基于激光雷达的机器人自我定位精度评估方法， 对于每 个样本对， 使用FPFH算法对目标点云和源点云进行特征提取， 并通过最近邻搜索获得粗配 准对； 利用同一帧点云中的两个点之间的距离， 转换到另一帧点云后长度不变的几何性质， 通过最大团算法获得最大配准对和初步转换矩阵； 最后使用ICP算法对最大配准对进一步 配准得到精确的转换矩阵； 在该转换矩阵下， 若内点对之 间的距离的平均值大于一定阈值， 则重新配准， 重复该 过程三次则放弃 该样本对。 9.根据权利要求1所述的一种基于激光雷达的机器人自我定位精度评估方法， 其特征 在于， 步骤S5中所述采集估计轨 迹向量的过程具体为： S51、 对ROS包格式的录制数据采用SLAM算法运行， 并保存该算法的估计轨 迹； S52、 定义某个局部平移向量为Vx， 找到其对应时间戳的SLA M算法估计轨迹的两个姿态， 定义他们之间的平 移向量为Vy， 组成离线配准对(Vx,Vy)； S53、 重复步骤S51和 S52直至收集所有的离线配准对； 从所有离线配准对的集合中随机 选择若干对， 使用GLO算法， 估算样本集的参数σ， 用于计算 最终的误差σ ’。 10.一种基于激光雷达的机器人自我定位精度评估系统， 包括有存储器和处理器， 所述 存储器中包括一种基于激光雷达的机器人自我定位精度评估程序， 所述一种基于激光雷达 的机器人自我定位精度评估程序被所述处 理器执行时实现如下步骤： S1、 使用装载有激光雷达的移动机器人在未知环境中采集ROS包格式的录制数据； S2、 对ROS包格式的录制数据导出并进行特征处理， 剔除由于运动 畸变导致的不稳定 点， 得到特 征处理后的点云信息； S3、 将特征处理后的点云信息转换为全局描述符， 通过搜索算法找到重新访 问同一位 置的样本对集 合； S4、 通过访问样本对集合， 采集样本对数据的局部位移向量， 对样本对点云使用点云特 征方法获得相关点云配准关系， 应用最大团搜索算法搜索获得配准前后几何关系相关的最 大配准对， 通过ICP算法计算点云中两个距离最近点之间的转换矩阵， 将满足所述转换矩阵 且均方误差最小的对应点作为内点， 若内点的距离大于设定的阈值， 则判断为错误配准并 再次配准， 重复此 过程设定的次数若仍 为错误配准， 则放弃采集该样本对数据； S5、 重复步骤S4直到采集所有的访问样本对数据 集的局部位移向量， 对ROS包格式的录 制数据采用SLAM算法在线或离线地运行并采集估计轨迹向量； 将所有局部位移向量分别与 轨迹向量进行组合得到若干个离线配准对， 从所有离线配准对中随机选择配准对， 计算统 计误差， 该误差为轨 迹的误差 。权　利　要　求　书 2/2 页 3 CN 115471530 A 3