3D正态分布变换在多波束自动校准中的应用

多波束测深数据存在横摇误差、纵摇误差、艏摇误差等,需进行校准。当前主要采用商业软件Caris进行人工手动校准,自动校准主要采用迭代最邻近算法等。针对Caris需要人工干预以及ICP容易陷入局部循环的缺陷,采用3D正态分布变换的配准方式,通过建立联合概率密度函数,采用似然函数建立匹配点云与目标点云之间转换关系。利用Hessian矩阵和梯度向量求最优化转换参数,完成多波束条带的自动校准。本文结合Caris中的人工配准结果,通过对3D-NDT算法匹配效果进行对比分析,验证了文中算法在平坦地区、斜坡区域等多种地形中都取得了更优的匹配效果,为实现多波束自动校准提供了重要的算法依据。

基于拟牛顿法改进的3D正态分布变换点云配准算法

针对3D正态分布变换算法在大型场景点云数据配准时效率低的问题,提出一种基于拟牛顿法改进的3D正态分布变换算法。 3D正态分布变换算法主要通过牛顿迭代法进行两视点云最优转换参数求解,但是随着待配准点云数据量的增加,牛顿迭代法需要大量的时间计算Hessian矩阵,增加了算法整体的时间复杂度。本文算法通过拟牛顿法代替牛顿法求解Hessian,改善了3D正态分布变换算法针对大型场景点云数据配准需要大量时间去计算Hessian矩阵的问题。实验表明,本文算法针对大型点云数据不仅能够保持传统3D正态分布变换算法的配准精度,还能提高配准效率。

基于正态分布变换的多位姿手掌部三维静脉识别

研究基于三维点云匹配的多位姿手部静脉识别.考虑手部静脉点云的特点,结合双目视觉原理,建立了一种结合三维特征阵列和静脉点云的扩展数据库,提出了一种基于三维特征阵列的静脉点云粗配准算法.在双目静脉图像中提取稳定特征并重建为三维特征,根据三维特征匹配结果初步消除静脉点云位姿差异.并采用改进的正态分布变换算法完成静脉点云匹配.实验表明,本文算法能够有效提高多位姿下的静脉点云识别率,即使手部位姿变化范围较大时,系统的识别率仍超过90%.

基于重力约束正态分布变换的室内3维地图重建方法

提出一种基于改进正态分布变换的室内3维地图离线重建方法.通过加入重力方向约束来矫正地图形变,采用循环梯度配准方法提高配准成功率,并结合图优化的后端优化算法对所建地图进行优化.同时,采用摆动单线激光获取室内点云原始数据并进行实验,以验证所提方法的正确性.结果表明,利用该地图重建方法能够建立高精度的室内3维地图.

基于三维正态分布变换的地面与SLAM点云配准

地下空间信息采集作为城市信息化、数字化建设的基础工作日趋重要,但单一平台传感器难以获取全要素位置信息,为此,本文将地面与移动激光扫描系统应用于地下空间测量领域。首先,针对场景特征相似、SLAM激光点云定位精度较差的问题,将其按照采集时间进行分段;其次,以初始点云块为基准,利用改进的三维正态分布变换(3D-NDT)算法实现局部点云块间的精确配准;然后,针对多平台点云的空间基准、观测视角等差异,通过构建距离和角度为约束条件的仿射不变量实现多平台点云的初步对齐,为其精配准提供良好的初始位置,并利用NDT算法实现多平台点云基准统一;最后,应用于地下管廊和矿山数据采集。结果表明,该方法对初始位置相差较大、特征较少的激光点云有良好的适用性,能够获取地下空间完整的位置信息。

一种基于BFGS修正的正态分布变换点云配准方法

点云配准是点云数据处理中的关键问题,针对原始正态分布变换算法求解Hessian矩阵时间复杂度高的问题,本文提出一种基于BFGS算法修正的正态分布变换点云的配准方法。通过利用目标函数的梯度值及增量参数更新正定矩阵,以正定矩阵近似代替Hessian矩阵的逆矩阵,确保算法每次迭代方向均为函数值下降方向,降低了算法的时间复杂度;通过模拟数据试验及实测数据试验,验证了本文算法的可行性,其在保持原始正态分布变换算法精度的前提下,提高了算法的配准效率。

基于改进型3DSIFT正态分布变换算法的点云配准

针对点云配准中采用三维尺度不变特征转换（3DSIFT）算法（基于三维点云）计算效率低的问题，提出一种基于改进型3DSIFT的三维正态分布变换（3D．NDT）配准算法。该算法首先利用球形代替方形来构造sI雕特征点描述符，并将3DSIFT算法特征描述向量128维降低到了48雏；其次，对三维点云进行3DSIFT特征提取并估算特征描述符，使用双向快速近似最近邻搜索和随机采样一致性算法确定最终点云匹配点，求解出变换矩阵，完成初始配准；最后，使用NDT算法体素化点云，并使用概率分布函数对点云精确配准。实验结果表明，改进后的算法适用于由KineetV2．0获取的不同角度的点云数据配准，且其配准精度较高。

基于改进正态分布变换算法的点云配准

正态分布变换(NDT)算法是一种应用在同时定位和地图生成(SLAM)中的点云配准算法。针对地面激光扫描(TLS)数据的特点,改进了NDT算法,提出了一种基于SURF的NDT配准算法,使之能应用在TLS中。该算法首先建立点云和图像间的映射关系把点云影像化;利用加速稳健特征(SURF)算法提取图像的特征点并找出特征点对;根据映射关系找到相应的三维特征匹配点,求出变换矩阵,完成点云初始配准。在NDT算法中,设置初始矩阵为单位矩阵,对点云体素化并使用概率分布函数对点云精细配准。实验结果证明,该算法不但适用于地面激光数据的配准,且其配准精度高、运算时间少,尤其对于不同分辨率的点云有良好的配准效果。

基于NDT配准与轮式里程计的激光雷达运动畸变补偿算法

激光雷达是广泛应用于同时定位与地图构建(SLAM)的测距传感器,普遍基于旋转机制收集周围环境的几何信息。当扫描期间激光雷达发生移动时,生成的点云会产生运动畸变,降低SLAM系统的准确性。在激光雷达SLAM算法设计中,为使雷达运动的估计结果更为精确,文中提出一种基于正态分布变换(NDT)和轮式里程计的激光雷达运动畸变补偿算法。首先,使用轮式里程计以高频测量方式对雷达运动进行估计,可补偿部分运动畸变。其次,设计一种基于NDT配准算法的误差处理方法,通过对点云的精准匹配降低里程计漂移的影响,实现雷达运动精确估计,进而精准补偿运动畸变。文中采用数据集以及真实场景实验对提出算法进行测试。实验结果表明,与传统里程计辅助方法相比,提出的算法能够优化运动畸变补偿效果,降低轨迹累积误差并生成全局一致地图。

基于全局特征地图的由粗到细点云配准算法

针对现有点云配准算法在非重复扫描式激光雷达上存在精度低、鲁棒性差、通用性差等问题,提出一种基于全局特征地图的由粗到细点云配准算法(CTF-ICP),并实现非重复扫描式激光雷达里程计。该算法利用高斯分布表征局部点云分布,构建全局特征地图。配准阶段包含粗配准和精配准。首先,采用正态分布变换在连续点云帧之间实现帧到帧的粗配准;然后,根据粗配准的结果将当前点云映射到全局特征地图,并将对应位置的全局特征协方差矩阵的特征值进行归一化,实现帧到地图的精配准;最后,将该文算法与其他常用的配准算法进行对比实验。实验结果表明:该文算法能够较好地适应非重复扫描式激光雷达,配准精度和速度比常用的配准算法都有明显提升;同时,消融实验证明了由粗到细的点云配准算法以及全局特征地图的有效性。

ISS特征融合NDT的点云配准研究

点云配准技术在三维重建、自动驾驶领域中起着重要作用。针对正态分布变换(NDT)算法点云配准数据量较大时,配准效率低和配准精度受到初始位姿影响较大的问题,提出一种内部形状描述子(ISS)特征点融合NDT的点云配准方法。首先利用ISS算法对点云进行特征点提取,然后计算特征点处的快速点特征直方图(FPFH)来描述特征点处的局部几何信息,再利用随机采样一致初始配准算法(SAC-IA)进行粗配准,在粗配准后目标点云与源点云获得一个初始变换位姿,最后将该初始变换提供给NDT算法进行精配准。通过对数据集进行不同算法下的对比实验,证明该算法可以有效地提高点云的配准精度和配准效率。

一种基于SAC-NDT和ICP的高精度点云配准方法

传统的正态分布变换算法精度低,而精度较高的迭代最近点算法极易陷入局部最优解。为了解决以上问题,将采样一致性算法与NDT算法结合作为点云初始配准方法,再利用KD-tree加速的ICP精配准方法完成点云匹配。实验结果表明,本文所提出的方法大大提高了配准精度。

基于LM优化的NDT点云配准算法

传统的正态分布变换配准算法处理初始位姿变换相差较大的两帧点云时,存在无法收敛或者陷入局部最小值的问题。为了提高算法的收敛性能,提出了一种基于LM方法改进的三维正态分布变换配准算法。在原始点云的体素滤波中,引入k最邻近搜索寻找距离重心最近的点作为替代点,提高点云数据在下采样后的精度。在算法的迭代优化步骤中使用列文伯格-马夸尔特法,通过计算因子ρ的值动态调节每次迭代过程的步长直到达到最优,避免无法收敛或陷入局部最小值的问题。实验数据表明,相比于传统的正态分布变换配准算法,所提算法在初始位姿变换相差较大时,精度更高且鲁棒性较好。

基于激光雷达和特征地图的车辆智能定位研究

针对激光雷达采集行驶车辆的三维点云数据中包含过多畸变数据,影响车辆定位效果的问题,本文研究一种基于激光雷达和特征地图的车辆智能定位方法。激光雷达利用基于飞行时间的激光测距法,采集车辆及其行驶环境的三维激光点云数据,去除激光点云数据中的畸变数据。利用正态分布变换方法,优化删除畸变数据的点云集的正态分布概率值,配准三维激光点云数据。从完成配准后的三维激光点云数据中,提取柱状物体的圆形特征,构建车辆行驶的自然柱状特征地图。利用卡尔曼滤波算法,结合自然柱状特征地图信息,实现高精度的车辆智能定位。实验结果证明:该方法可以精准定位车辆目标,车辆智能定位精度较高,最高可达到97%,定位效率较好,最短可在5 s时间内完成定位,具有一定应用价值。

一种面向复杂环境的自适应激光里程计设计

针对在复杂环境下使用传统三维点云配准算法构建的激光里程计精度低且建图易发生漂移的问题,本文设计了一种面向复杂环境的自适应激光里程计。首先通过三维激光雷达采集原始点云数据,经过点云预处理环节后,采用地面分割方法完成点云数据分割并获取路面点云丰富度信息;然后,使用NDT算法将前后两帧点云数据极大限度的进行拉近,实现点云数据的粗配准;最后,在环境判断结论指引下选择合适的ICP算法完成三维点云的高精度配准并根据输出的点云变换关系构建激光里程计。通过在数据集以及不同环境下的大量实车测试,得出该激光里程计在室内结构化环境中的平均位移误差为0.026 m,在室外非结构化环境中的平均位移误差为0.1 m。结果表明,本文构建的激光里程计能够更好的适应复杂环境从而得到更加精确的三维点云地图与SLAM轨迹。

施工隧道多传感器融合定位方法研究

针对隧道环境线面几何特征少且里程方向退化问题,提出一种融合激光雷达、惯性测量单元(IMU)、轮速计、超宽带(UWB)等多传感器信息的误差状态卡尔曼滤波(ESKF)定位方法,并根据隧道结构的特殊性提出隧道结构化点云地图生成方法;根据隧道施工台车点云模型及里程,结合隧道设计数据生成隧道结构化点云地图,将雷达扫描点云与地图通过正态分布变换(NDT)算法进行匹配;将点云匹配结果与其他传感器信息一起对IMU的ESKF递推方程进行观测更新,降低定位系统非线性的影响。与LOAM定位方法进行对比分析,结果显示ESKF定位方法能解决隧道环境几何特征少带来的前端匹配精度低的问题,且多传感器融合可降低里程方向定位误差,提高系统整体定位精度。

基于C-TOF成像的位姿测量与地物目标识别技术研究

深空探测器的功耗和体积有限,任务工况多样,与低轨道地球探测器相比,深空探测器对导航敏感器的任务能力提出了更高的需求。提出了一种基于飞行时间成像的快速位姿测量和地物目标识别技术。为了在保证位姿测量精度的前提下满足对位姿测量时间性能的需求,提出了一种基于深度信息的动态尺度估计方法。该方法提升了物方多尺度变化条件下点云配准的时间稳定性,平均配准时间缩短60%以上,平均配准精度约为0.04 m。为了满足多尺度、多形态地物目标识别的需求,使用了基于轻量化深度神经网络,可根据场景深度信息进行地物检测。结果表明,该方法可对地物特征进行快速感知,在真实场景中的准确率达到70%以上。

基于3D-Harris与FPFH改进的3D-NDT配准算法

针对传统点云配准三维正态分布变换(3D-NDT)、迭代最近点(ICP)算法在未给定初始配准估计的情况下配准效果不佳、配准时间长、误差较大的缺陷,提出了精准且相对高效的点云匹配算法。首先,运用3D-Harris算法识别每一幅点云的关键点,并以此为基本点建立局部参考框架,计算快速点特征直方图(FPFH)描述子;之后,使用最小中值法(LMeds)中的对应估计算法排除不准确的点对应关系,得到含有对应三维特征关系的特征点对。计算粗配准所需的变换矩阵,完成初步匹配。随后,根据3D-NDT算法将点云数据空间体素化,运用概率分布函数完成最终的点云进行精确地匹配。使用改进配准将3组分别从网络下载的较少噪声、大规模与Kinect V2.0采集的较多噪声、大规模的2组重叠度不同的点云数据匹配到同一个空间参考框架中,并通过精度分析对比经典3D-NDT,ICP等算法。实验结果证明,该算法在迭代次数较低时,可使室内场景点云数据完成精度较高的配准且受噪声影响较小,但如何将算法的复杂度适当降低,缩短配准时间需要更进一步的研究。

家庭服务机器人基于NDT扫描匹配的SLAM研究

将正态分布变换(NDT)应用于基于扫描匹配的SLAM中,实现了家庭服务机器人较大规模室内环境下的建图。该方法利用计算扫描点的正态概率分布匹配代替几何特征之间的匹配,有效解决了现有方法匹配速度慢的问题。

基于多传感器融合的叉车型AGV定位技术研究

对移动机器人定位问题进行研究,提出一种改进的正态分布变换-无迹卡尔曼滤波(NDT-UKF)算法。该算法利用无迹卡尔曼滤波(UKF)对移动机器人编码器数据及激光雷达观测数据进行融合。相比于扩展卡尔曼滤波(EKF),采用无迹卡尔曼滤波进行数据融合时,无需对系统的非线性方程进行线性化处理,因此不存在系统线性化误差。同时,无迹卡尔曼滤波也不需要求解系统非线性方程的雅可比矩阵,对于复杂的非线性系统,减小了计算量。为了对提出的算法进行验证,以叉车型自动导引小车(AGV)为背景,在Matlab R2019b软件中对提出的算法进行仿真,并将仿真结果与NDT算法、NDT-EKF算法进行对比。结果表明,提出的NDT-UKF算法定位精度更高。该研究为移动机器人定位提供了一种新思路,并且定位精度的提高有利于创建高度一致性的环境地图。