激光室內(nèi)定位的混合式高效點(diǎn)云地圖構(gòu)建方法

史鵬程，李加元，張永軍

(1. 武漢大學(xué)計(jì)算機(jī)學(xué)院, 武漢430072；2.武漢大學(xué)遙感信息工程學(xué)院,武漢 430079)

0 引言

隨著自動(dòng)化及無(wú)人駕駛的不斷發(fā)展，導(dǎo)航定位技術(shù)已廣泛應(yīng)用于物流配送、軍事偵察、環(huán)衛(wèi)清潔等眾多領(lǐng)域。高精度定位是無(wú)人駕駛和移動(dòng)機(jī)器人系統(tǒng)的核心組成部分。近年來(lái)，隨著定位技術(shù)的不斷迭代，新興的地圖定位方法可有效解決車(chē)輛或機(jī)器人的綁架(Kidnapping)問(wèn)題。目前，眾多科研機(jī)構(gòu)和商業(yè)公司正致力于打造適用于自動(dòng)駕駛的高精度地圖(High Definition Map，HD Map)。室內(nèi)環(huán)境下,由于無(wú)法接收全球定位系統(tǒng)(Global Positioning System，GPS)信號(hào)，機(jī)器人的自主定位與地圖創(chuàng)建受到一定的限制，常采用高精度三維激光掃描儀采集并拼接點(diǎn)云地圖。這導(dǎo)致地圖數(shù)據(jù)十分龐大，不利于數(shù)據(jù)的存儲(chǔ)與管理，因此研究一種高效且豐富的地圖創(chuàng)建管理方法對(duì)于室內(nèi)機(jī)器人的定位研究至關(guān)重要。

目前,眾多學(xué)者已對(duì)點(diǎn)云地圖的創(chuàng)建和管理進(jìn)行了大量研究,主要有四種代表性地圖：點(diǎn)云地圖、語(yǔ)義地圖、柵格地圖及拓?fù)涞貓D。點(diǎn)云地圖中包含海量的點(diǎn)云數(shù)據(jù)，存儲(chǔ)開(kāi)銷(xiāo)較大。LOAM(LiDAR Odometry and Mapping)方法利用曲率計(jì)算出機(jī)械式激光雷達(dá)數(shù)據(jù)中的特征點(diǎn)，通過(guò)最小化點(diǎn)到線(xiàn)和點(diǎn)到面之間的距離估計(jì)出位姿轉(zhuǎn)換關(guān)系，采用低頻的方式構(gòu)建了稠密的點(diǎn)云地圖。LOAM-Livox對(duì)LOAM進(jìn)行了改進(jìn)，在特征提取中加入了反射強(qiáng)度值作為判斷依據(jù)，利用固態(tài)激光雷達(dá)完成地圖構(gòu)建任務(wù)。但以上定位與建圖方案若缺少后端優(yōu)化，在長(zhǎng)時(shí)間運(yùn)行下位姿會(huì)出現(xiàn)明顯的漂移，導(dǎo)致地圖誤差較大。使用傳統(tǒng)的點(diǎn)云配準(zhǔn)方法如迭代最近點(diǎn) (Iterative Closest Point，ICP)，對(duì)地面三維激光掃描儀的多站數(shù)據(jù)進(jìn)行配準(zhǔn)，也可得到稠密的點(diǎn)云地圖。但是涉及的配準(zhǔn)方法對(duì)數(shù)據(jù)初始位置要求較高，容易失敗。此外，海量的點(diǎn)云也會(huì)造成配準(zhǔn)效率較低。

語(yǔ)義地圖可有效提高機(jī)器人對(duì)周?chē)h(huán)境的理解能力。文獻(xiàn)[13]將條件隨機(jī)場(chǎng)(Conditional Random Field, CRF)-循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Net-work, RNN)與基于ORB特征識(shí)別的同時(shí)定位與建圖系統(tǒng)(Oriented FAST and Rotated BRIEF, ORB-Simultaneous Localization and Mapping, SLAM)相結(jié)合，實(shí)現(xiàn)語(yǔ)義信息和三維點(diǎn)云的關(guān)聯(lián)，形成語(yǔ)義地圖。SuMa++利用RangeNet++網(wǎng)絡(luò)對(duì)LiDAR點(diǎn)云進(jìn)行語(yǔ)義分割，構(gòu)建了高精度的語(yǔ)義地圖。通常語(yǔ)義地圖的信息提取較為復(fù)雜，大范圍自動(dòng)駕駛場(chǎng)景需要繁瑣的人工標(biāo)注步驟，代價(jià)較高。柵格地圖可在二維空間中描述周?chē)匚锏姆植紶顟B(tài)，由于信息復(fù)雜度降低，定位效率顯著提高。Cartographer將機(jī)器人當(dāng)前掃描數(shù)據(jù)與局部地圖進(jìn)行匹配，快速地計(jì)算出機(jī)器人位姿，并構(gòu)建了柵格地圖。但是該方法在位姿融合中采用無(wú)跡卡爾曼濾波(Unscented Kalman Filter,UKF)，容易出現(xiàn)位姿融合不準(zhǔn)確，存在延遲等問(wèn)題。文獻(xiàn)[16]利用Kinect相機(jī)中的彩色圖和點(diǎn)云，結(jié)合視覺(jué)SLAM技術(shù)構(gòu)建了占據(jù)格網(wǎng)地圖(Occu-pancy Grid Map，OGM)。拓?fù)涞貓D關(guān)注場(chǎng)景中地物之間的連通關(guān)系，這使得其十分有利于機(jī)器人的控制規(guī)劃任務(wù)。但是拓?fù)涞貓D中缺少表達(dá)真實(shí)地物的特征信息，使得機(jī)器人對(duì)目標(biāo)的感知和理解能力不佳。

機(jī)器人在實(shí)時(shí)運(yùn)行過(guò)程中，魯棒的定位和控制規(guī)劃算法可以有效保證系統(tǒng)的安全性。復(fù)雜的外界環(huán)境對(duì)機(jī)器人的上述兩種模塊均具有較大挑戰(zhàn)性。若存在魯棒的地圖表達(dá)，則在相同的硬件條件下，定位和規(guī)劃算法的魯棒性將得到有效提高。為此，本文針對(duì)目前室內(nèi)環(huán)境下點(diǎn)云地圖構(gòu)建方法中形式單一、存儲(chǔ)空間大、特征信息匱乏等不足之處，提出了一種融合特征地圖、通行地圖和精簡(jiǎn)地圖的點(diǎn)云地圖構(gòu)建新方法。該方法將原始單一的點(diǎn)云地圖組織為具有三種地圖形式的混合地圖，在為機(jī)器人定位提供特征信息的同時(shí)，還可為其控制規(guī)劃提供邊緣和通行信息，最后在保留場(chǎng)景主體信息的前提下，實(shí)現(xiàn)地圖數(shù)據(jù)的精簡(jiǎn)，降低了點(diǎn)云地圖的存儲(chǔ)空間，為點(diǎn)云地圖的創(chuàng)建與管理提供了一種新方法。

1 算法框架

本文地圖構(gòu)建方法的技術(shù)路線(xiàn)如圖1所示，主要包括：A特征地圖構(gòu)建，B通行地圖構(gòu)建，C精簡(jiǎn)地圖構(gòu)建。在構(gòu)建特征地圖時(shí)，本文首先考慮將法線(xiàn)和曲率突變點(diǎn)選取為特征點(diǎn)，并利用特征值間相互關(guān)系及非極大值抑制選取出局部顯著點(diǎn)。在構(gòu)建通行地圖時(shí)，本文認(rèn)為室內(nèi)布局符合曼哈頓假設(shè)，以平面分割為基礎(chǔ)，通過(guò)平面之間的空間關(guān)系分割出地面，進(jìn)一步利用障礙物高度構(gòu)建2D范圍的可通行區(qū)域,并將三維空間中聚類(lèi)目標(biāo)的輪廓作為3D輔助信息,以指示機(jī)器人通行區(qū)域。在構(gòu)建精簡(jiǎn)地圖時(shí)，本文將點(diǎn)云按照空間格網(wǎng)劃分，利用特征值關(guān)系將格網(wǎng)分為線(xiàn)性、平面和球面三類(lèi)。針對(duì)不同類(lèi)型的格網(wǎng)點(diǎn)云，采用與其相適應(yīng)的點(diǎn)云精簡(jiǎn)方法，實(shí)現(xiàn)點(diǎn)云地圖的精簡(jiǎn)。

圖1 地圖構(gòu)建技術(shù)路線(xiàn)Fig.1 Technical route of map construction

2 特征地圖表達(dá)

2.1 曲率和法線(xiàn)特征點(diǎn)

曲率可以間接地反映局部凹凸程度，是一種典型的特征點(diǎn)篩選依據(jù)。通常大曲率值的位置彎曲程度較大。本文首先采用KD樹(shù)在點(diǎn)云地圖中建立拓?fù)浣Y(jié)構(gòu)。對(duì)于任意三維點(diǎn)，其鄰域點(diǎn)集為={,,…,}，構(gòu)建如下協(xié)方差矩陣

(1)

(2)

式中，是鄰域集合的重心點(diǎn)坐標(biāo)。協(xié)方差矩陣為半正定對(duì)稱(chēng)矩陣，采用特征值分解得到特征值,,(>>)和特征向量,,。描述了某曲面沿法向量的變化程度，和則表示鄰域內(nèi)各點(diǎn)在切平面的分布情況。計(jì)算任一點(diǎn)的曲率如下

(3)

選取作為當(dāng)前點(diǎn)法線(xiàn)的估計(jì)值。根據(jù)式(4)、式(5)分別挑選出曲率特征點(diǎn)和法線(xiàn)特征點(diǎn)

(4)

(5)

式中，[,]表示計(jì)算法線(xiàn)和的夾角；和為兩閾值。

2.2 局部顯著點(diǎn)

本文通過(guò)鄰域點(diǎn)之間的特征值關(guān)系,挑選出在局部范圍內(nèi)具有代表性的點(diǎn)，稱(chēng)為局部顯著點(diǎn)。主要包括以下步驟：

1)采用Alpha Shape算法提取整個(gè)點(diǎn)云地圖中的邊緣點(diǎn)。邊緣點(diǎn)的位置遠(yuǎn)離內(nèi)部特征區(qū)域，不可作為局部顯著點(diǎn)。

2)在每一個(gè)非邊緣點(diǎn)的鄰域點(diǎn)集中尋找是否存在邊緣點(diǎn)，若存在，則將當(dāng)前非邊緣點(diǎn)定義為邊緣臨界點(diǎn)，該類(lèi)點(diǎn)同樣不可作為局部顯著點(diǎn)。

3)由于2.1節(jié)中已計(jì)算每一個(gè)地圖點(diǎn)的特征值、曲率及法線(xiàn)，在同時(shí)滿(mǎn)足非邊緣和非邊緣臨界點(diǎn)的點(diǎn)中，判斷其特征值是否滿(mǎn)足如下關(guān)系

(6)

式中，和為兩個(gè)比例閾值。

4)對(duì)于任意滿(mǎn)足式(6)的地圖點(diǎn)，判斷其特征值是否為鄰域點(diǎn)集中最大的第三特征值。若為局部最大值，則該點(diǎn)為局部顯著點(diǎn)。

3 通行地圖表達(dá)

3.1 場(chǎng)景邊緣點(diǎn)

邊緣信息是對(duì)目標(biāo)輪廓的直接描述。在點(diǎn)云地圖中獲取目標(biāo)的輪廓先驗(yàn)信息，有利于保證機(jī)器人系統(tǒng)的安全性。在點(diǎn)云地圖中，本文首先采用歐式聚類(lèi)，將點(diǎn)云地圖分成多個(gè)尺寸不同的點(diǎn)云聚類(lèi)，并利用包圍盒體積描述每一個(gè)聚類(lèi)的尺寸。部分小聚類(lèi)目標(biāo)對(duì)于機(jī)器人實(shí)時(shí)運(yùn)行影響較小，剔除盒子體積較小的點(diǎn)云聚類(lèi)。在剩余的點(diǎn)云聚類(lèi)中，使用Alpha Shape找出每個(gè)聚類(lèi)的邊緣點(diǎn)，并將邊緣點(diǎn)作為場(chǎng)景邊緣信息保存。在這里，地圖中各聚類(lèi)的邊緣作為靜態(tài)目標(biāo)的3D輪廓先驗(yàn)信息，若機(jī)器人附近某時(shí)刻出現(xiàn)較多邊緣點(diǎn)，應(yīng)及時(shí)進(jìn)行路徑規(guī)劃。

3.2 2D通行地圖

本文中的2D通行地圖即在平面內(nèi)給出機(jī)器人可通行的位置。室內(nèi)通常為多平面環(huán)境，這種環(huán)境布局滿(mǎn)足曼哈頓假設(shè)。同時(shí)，室內(nèi)坡度起伏較小，地面可以近似為一個(gè)平面特征?；谝陨咸卣鞣治觯摲椒ㄍǔ＿m用于室內(nèi)環(huán)境。本文采用圖2中技術(shù)路線(xiàn)，利用點(diǎn)云地圖構(gòu)建2D通行地圖。假定點(diǎn)云地圖的坐標(biāo)系未進(jìn)行水平方向校正，即地圖坐標(biāo)可在任意坐標(biāo)系下。主要包括以下步驟：

圖2 2D通行地圖構(gòu)建流程Fig.2 Construction pipeline of 2D passable maps

1)平面分組與合并。采用區(qū)域生長(zhǎng)方法分割出平面點(diǎn)云，將近似平行的平面分為同組，得到={},其中為第個(gè)平面分組，表示該組內(nèi)第個(gè)平面。每組選取點(diǎn)數(shù)最多的平面。

2)確定地面所在分組。曼哈頓假設(shè)表明室內(nèi)環(huán)境主要有3個(gè)平面方向，即1個(gè)水平和2個(gè)豎直方向，地面隸屬于水平方向。選出包含平面數(shù)量最多的3個(gè)平面分組={,,}。在每組平面中，按式(7)～式(9)計(jì)算出變換矩陣,對(duì)點(diǎn)云地圖進(jìn)行旋轉(zhuǎn)和平移變換。其中式(8)為羅德里格斯旋轉(zhuǎn)矩陣計(jì)算公式。計(jì)算轉(zhuǎn)換后的地圖在平面的投影面積，本文采用平面內(nèi)外接矩形的面積近似表達(dá)投影面積。室內(nèi)環(huán)境下地面的面積通常會(huì)大于墻面的面積。因此，投影面積最大的平面分組則是包含地面的分組。

(7)

=+sin+(1-cos)

(8)

=[]

(9)

式中，=(×)，×為叉積運(yùn)算，為每組所挑選的代表性平面的單位法向量，=[0 0 1]；為旋轉(zhuǎn)矩陣，使在旋轉(zhuǎn)后與平行；為與之間的夾角；＾表示反對(duì)稱(chēng)矩陣運(yùn)算；(,,)為平面的重心坐標(biāo)。

3)地平面檢測(cè)。在平面分組中，地面具有兩個(gè)顯著的特性：(a)地面位于該組平面的兩側(cè)，屬于最外層的平面；(b)當(dāng)該組平面中同時(shí)存在地面和棚頂平面時(shí)，室內(nèi)地物距離地面的距離明顯小于棚頂。據(jù)此，提取出中的地平面。

4)通行圖構(gòu)建。采用柵格化手段，在地平面點(diǎn)云中，沿平面方向生成二值圖。若柵格內(nèi)包含地面點(diǎn)，則為目標(biāo)像素，否則為背景像素。柵格化的同時(shí)保留其坐標(biāo)。采用Canny算子在轉(zhuǎn)為灰度圖的上檢測(cè)其輪廓，填充最大輪廓內(nèi)的所有孔洞元素,得到填充圖。預(yù)先設(shè)定障礙物高度范圍，將地圖中位于高度范圍內(nèi)的地物點(diǎn)及3.1節(jié)中所提取的邊緣點(diǎn)，映射到中作為背景要素。按式(10)計(jì)算出可通行柵格圖，并反算回三維空間中。

(10)

4 精簡(jiǎn)地圖表達(dá)

在機(jī)器人的全局定位中，常利用實(shí)時(shí)數(shù)據(jù)與地圖進(jìn)行精匹配,進(jìn)而解算位姿。然而，特征地圖的原始信息過(guò)少，點(diǎn)云地圖的維護(hù)與動(dòng)態(tài)加載等需要消耗巨大資源。為此，本文提出了一種點(diǎn)云地圖精簡(jiǎn)方法，旨在降低點(diǎn)云存儲(chǔ)空間的同時(shí)，具備以下特性：1)為傳感器的精匹配定位提供數(shù)據(jù)支持；2)在保留場(chǎng)景主體信息的前提下，實(shí)現(xiàn)地圖數(shù)據(jù)的快速預(yù)覽和可視化，以便于地圖進(jìn)行檢查和更新等操作。

4.1 空間格網(wǎng)劃分

首先,在地圖點(diǎn)云中劃分三維體素網(wǎng)格如下

(11)

(12)

式中，和為比例閾值。參考文獻(xiàn)[21]中參數(shù)設(shè)置，選取==01。對(duì)網(wǎng)格內(nèi)點(diǎn)云精簡(jiǎn)時(shí)，預(yù)先設(shè)定初始數(shù)據(jù)精簡(jiǎn)比值=01，網(wǎng)格內(nèi)原始點(diǎn)云總數(shù)為。

4.2 線(xiàn)性網(wǎng)格精簡(jiǎn)

當(dāng)?shù)谝惶卣髦颠h(yuǎn)大于第二特征值時(shí)，網(wǎng)格內(nèi)點(diǎn)云在某主方向的分布顯著大于其他方向，整體呈線(xiàn)狀。為此，提出了基于主方向權(quán)重的點(diǎn)云精簡(jiǎn)方法，權(quán)重計(jì)算方式如式(13)所示。根據(jù)格網(wǎng)內(nèi)各點(diǎn)的權(quán)重，保留網(wǎng)格內(nèi)權(quán)重位于前(1-)的點(diǎn)。

(13)

4.3 面類(lèi)網(wǎng)格精簡(jiǎn)

當(dāng)?shù)谝?、二特征值相近，且第二特征值顯著大于第三特征值時(shí)，網(wǎng)格內(nèi)點(diǎn)云在前兩個(gè)主方向的分布相近，第三方向分量權(quán)重顯著小于其他兩方向，網(wǎng)格內(nèi)點(diǎn)云呈面狀分布。面狀點(diǎn)云通常無(wú)明顯幾何特征，本文采用隨機(jī)采樣的方式精簡(jiǎn)網(wǎng)格內(nèi)的點(diǎn)云。固定輸出后的點(diǎn)數(shù)為(1-)，對(duì)網(wǎng)格內(nèi)點(diǎn)云隨機(jī)采樣。

4.4 球類(lèi)網(wǎng)格精簡(jiǎn)

當(dāng)3個(gè)特征值相差不大時(shí)，網(wǎng)格內(nèi)點(diǎn)云不在任一方向上存在顯著分布，整體呈球面狀。本文采用K均值聚類(lèi)的方法對(duì)網(wǎng)格內(nèi)的點(diǎn)云進(jìn)行精簡(jiǎn)。主要包括以下步驟：

5 實(shí)驗(yàn)與分析

5.1 實(shí)驗(yàn)數(shù)據(jù)與環(huán)境

為驗(yàn)證本文方法的可行性，采用圖3中3組室內(nèi)稠密的點(diǎn)云地圖進(jìn)行測(cè)試，實(shí)驗(yàn)場(chǎng)景分別為臥室、辦公室和會(huì)議室。其中臥室和會(huì)議室數(shù)據(jù)來(lái)自文獻(xiàn)[22]中的實(shí)驗(yàn)數(shù)據(jù)，辦公室數(shù)據(jù)是利用FARO掃描儀在真實(shí)場(chǎng)景下多站掃描拼接得到。其中臥室與會(huì)議室數(shù)據(jù)坐標(biāo)系統(tǒng)存在任意性，不便于渲染顯示；辦公室數(shù)據(jù)坐標(biāo)系統(tǒng)在采集之前對(duì)設(shè)備進(jìn)行嚴(yán)格的整平，因此根據(jù)高度對(duì)辦公室數(shù)據(jù)進(jìn)行渲染顯示，以提高可讀性。3個(gè)場(chǎng)景均包含顯著的地平面，符合本文方法中所述的地面特點(diǎn)。此外，辦公室場(chǎng)景還存在天花板。實(shí)驗(yàn)環(huán)境為Intel Core i9-10850K，Ubuntu20.04LTS系統(tǒng)，采用C++編程實(shí)現(xiàn)。

(a) 臥室

(b)辦公室

(c)會(huì)議室

5.2 實(shí)驗(yàn)結(jié)果

1)參數(shù)設(shè)置。對(duì)特征地圖中涉及的3個(gè)關(guān)鍵參數(shù)進(jìn)行實(shí)驗(yàn)，分析在不同取值情況下的特征點(diǎn)數(shù)量分布。圖4所示為臥室場(chǎng)景下曲率閾值、局部顯著點(diǎn)中特征值比例閾值(=)、法線(xiàn)偏差閾值與特征點(diǎn)數(shù)量分布的曲線(xiàn)圖。為提高顯示效果，縱坐標(biāo)采用對(duì)數(shù)表示法?？v坐標(biāo)為0時(shí)，表示未檢測(cè)到特征點(diǎn)。綜合各類(lèi)特征點(diǎn)的數(shù)量，本文分別選取=06，==07，=50進(jìn)行后續(xù)實(shí)驗(yàn)。點(diǎn)云地圖通常數(shù)據(jù)海量，在計(jì)算特征值、曲率和法線(xiàn)時(shí)，具有豐富的鄰域信息，因此該參數(shù)閾值可應(yīng)用于一般性的點(diǎn)云地圖。

(a) εc和ν1

(b) εn圖4 參數(shù)設(shè)置實(shí)驗(yàn)Fig.4 Experiments of parameters setup

2)地圖構(gòu)建效果。(a)特征地圖：圖5所示為各場(chǎng)景中構(gòu)建的特征地圖，3個(gè)場(chǎng)景中分別提取了9089、14422和12172個(gè)特征點(diǎn)。(b) 通行地圖：圖6所示為在不同高度范圍內(nèi)的2D通行圖，其中紅色表示該位置附近存在障礙物不可通行，綠色為可通行區(qū)域。圖中構(gòu)建了5個(gè)高度范圍內(nèi)的2D通行地圖，分別為0～0.4m，0～0.8m，0～1.2m，0～1.6m和0～2.0m。圖7所示為3D空間中的邊緣圖，可直接在三維空間反映出目標(biāo)的邊緣細(xì)節(jié)。(c)精簡(jiǎn)地圖：圖8所示為初始精簡(jiǎn)比率設(shè)置為0.9時(shí)的精簡(jiǎn)地圖。從圖8中可以看出，地圖點(diǎn)云的精簡(jiǎn)程度較大時(shí)，本文方法仍可較好地保持整個(gè)場(chǎng)景的主體信息和細(xì)節(jié)特征。其中高度閾值范圍是根據(jù)室內(nèi)環(huán)境下的移動(dòng)平臺(tái)高度而設(shè)定的，本文實(shí)驗(yàn)選取0.4m，可用于一般室內(nèi)環(huán)境下的機(jī)器人平臺(tái)，若使用某種大型機(jī)器人，則相應(yīng)地調(diào)整高度閾值即可。

3)地圖內(nèi)存分析。表1記錄了本文方法構(gòu)建的三種地圖的內(nèi)存。其中辦公室場(chǎng)景由于使用高精度掃描儀采集，原始內(nèi)存達(dá)到了1.6Gb，地圖的存儲(chǔ)和加載十分浪費(fèi)資源。本文構(gòu)建的特征地圖內(nèi)存均小于1Mb。由于會(huì)議室的地面面積顯著大于其他兩場(chǎng)景，導(dǎo)致其通行地圖和精簡(jiǎn)地圖內(nèi)存相對(duì)較大，但仍?xún)H需2Mb。同時(shí)為了實(shí)現(xiàn)以上內(nèi)存統(tǒng)計(jì)的統(tǒng)一，均是以ASCII格式存儲(chǔ)的，若使用二進(jìn)制格式存儲(chǔ)，內(nèi)存將進(jìn)一步減少。

表1 地圖內(nèi)存

4)運(yùn)行效率分析。 表2記錄了本文方法構(gòu)建的三種地圖的運(yùn)行時(shí)間。臥室場(chǎng)景相比其他兩場(chǎng)景，布局和地物較簡(jiǎn)單，因此其地圖構(gòu)建的速率也相對(duì)較快，其中特征地圖需要約43s，通行地圖大約23s，精簡(jiǎn)地圖大約42s。辦公室場(chǎng)景由于點(diǎn)云密度最大，因此其特征地圖和精簡(jiǎn)地圖的構(gòu)建耗時(shí)最長(zhǎng)，分別需要約74s和79s。會(huì)議場(chǎng)景由于顯著地面的原因，使得在通行圖構(gòu)建時(shí)最為耗時(shí)，約36s。由于點(diǎn)云地圖數(shù)據(jù)量較大，構(gòu)建KD樹(shù)等結(jié)構(gòu)較為耗時(shí)，同時(shí)構(gòu)建地圖時(shí)需要進(jìn)行大量的計(jì)算，在實(shí)時(shí)運(yùn)行效果方面仍有待提高。對(duì)于室內(nèi)激光定位等任務(wù)，通常會(huì)預(yù)先采集點(diǎn)云地圖，地圖的構(gòu)建任務(wù)也可離線(xiàn)完成，因此本文的地圖構(gòu)建管理方法仍可有效應(yīng)用于室內(nèi)激光定位中。

表2 運(yùn)行時(shí)間

(a) 臥室

(b) 辦公室

(c)會(huì)議室

(a) 臥室

(b) 辦公室

(c) 會(huì)議室圖6 2D可通行圖Fig.6 2D passable maps

(a) 臥室

(b) 辦公室

(c)會(huì)議室

(a) 臥室

(b) 辦公室

(c)會(huì)議室

5.3 精度評(píng)價(jià)

1)地面分割精度。本文中的2D通行圖是基于地面分割結(jié)果所構(gòu)建的。為此，首先對(duì)地面分割的精度進(jìn)行評(píng)估。利用CloudCompare軟件的語(yǔ)義標(biāo)注功能，人工標(biāo)記出室內(nèi)場(chǎng)景的地面點(diǎn)云作為真值數(shù)據(jù)，采用式(14)和式(15)計(jì)算出地面分割的準(zhǔn)確率Precision和召回率Recall

(14)

(15)

式中，TP為正確分割的地面點(diǎn)數(shù)；FP為錯(cuò)誤分割的地面點(diǎn)數(shù)；FN為漏分割的地面點(diǎn)數(shù)。表3詳細(xì)記錄了各場(chǎng)景地面分割的準(zhǔn)確率和召回率。表中為真實(shí)地面點(diǎn)數(shù)，為本文方法分割的地面點(diǎn)數(shù)。3個(gè)場(chǎng)景的地面分割準(zhǔn)確率均達(dá)到95%以上，分割的召回率在85%～90%之間。本文假定室內(nèi)地面為平面，并從區(qū)域生長(zhǎng)所分割的平面中選擇出地平面。區(qū)域生長(zhǎng)在分割平面時(shí)利用鄰域點(diǎn)的法線(xiàn)角度實(shí)現(xiàn)種子點(diǎn)的擴(kuò)充。在平面邊緣附近處法線(xiàn)的偏差開(kāi)始逐漸增加，區(qū)域生長(zhǎng)在到達(dá)真實(shí)邊緣之前，提前停止生長(zhǎng)造成欠分割。

表3 地面分割精度

2)精簡(jiǎn)性能。實(shí)驗(yàn)選取隨機(jī)采樣和體素采樣作為對(duì)比方法，評(píng)估點(diǎn)云地圖的精簡(jiǎn)效果，在精簡(jiǎn)點(diǎn)云中采用滾球法(Ball Pivoting)重建曲面，并采用文獻(xiàn)[24]中的模型誤差評(píng)估精簡(jiǎn)質(zhì)量。

(16)

式中，Δ為模型誤差均值，為原始點(diǎn)云地圖，′為重建后的曲面；(,′)表示上的一點(diǎn)到重建曲面′上的投影距離。圖9描述了各方法在不同精簡(jiǎn)程度下的模型誤差均值和標(biāo)準(zhǔn)差。從圖9中可以看出，本文方法和體素格網(wǎng)方法在模型誤差方面優(yōu)于隨機(jī)采樣方法。即使當(dāng)點(diǎn)云地圖減少到原數(shù)據(jù)的5%時(shí)，仍能取得0.8mm的最佳模型精度。由于精簡(jiǎn)方法中綜合了主方向加權(quán)、隨機(jī)采樣和K均值聚類(lèi)方法，多種采樣方法使得模型誤差的標(biāo)準(zhǔn)差稍大于體素采樣。

(a) 模型誤差均值

(b) 模型誤差標(biāo)準(zhǔn)差圖9 精簡(jiǎn)質(zhì)量評(píng)估Fig.9 Simplification performance evaluations

6 結(jié)論

1)針對(duì)機(jī)器人室內(nèi)激光定位中的地圖創(chuàng)建管理問(wèn)題，提出了一種新的混合形式的地圖構(gòu)建方法。將稠密的點(diǎn)云地圖組織為特征地圖、通行地圖和精簡(jiǎn)地圖三種，克服了傳統(tǒng)地圖形式單一的局限性，強(qiáng)化了地圖在機(jī)器人系統(tǒng)的作用。

2)選取部分曲率、法線(xiàn)特征點(diǎn)和局部特征點(diǎn)作為顯著特征信息，構(gòu)建場(chǎng)景特征地圖，可為移動(dòng)平臺(tái)提供魯棒的點(diǎn)特征信息。

3)基于曼哈頓假設(shè)，以室內(nèi)地平面檢測(cè)為基礎(chǔ)，構(gòu)建2D通行地圖和3D邊緣地圖，可以為機(jī)器人在室內(nèi)環(huán)境下的控制規(guī)劃提供良好的先驗(yàn)信息。

4)融合主方向權(quán)重、隨機(jī)采樣和K均值聚類(lèi)等方法，在保留數(shù)據(jù)主體信息的前提下，顯著降低地圖的存儲(chǔ)開(kāi)銷(xiāo)。既可為傳感器精匹配定位提供數(shù)據(jù)支持，還利于實(shí)現(xiàn)地圖數(shù)據(jù)的快速可視化。

文中選取三種典型的室內(nèi)場(chǎng)景進(jìn)行實(shí)驗(yàn)，結(jié)果表明，本文地圖構(gòu)建方法在保留場(chǎng)景特征的同時(shí)，可提供魯棒的通行信息，并可有效降低地圖存儲(chǔ)空間。后續(xù)將研究基于深度學(xué)習(xí)的目標(biāo)實(shí)例分割方法，為通行圖提供更準(zhǔn)確的邊緣信息。