(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 202210586859.X (22)申请日 2022.05.27 (71)申请人 山东大学 地址 264209 山 东省威海市文化西路180号 (72)发明人 袁宪锋　傅旭　张承进　孙自豪　 宋勇　许庆阳　周风余　庞豹　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 王雪 (51)Int.Cl. G06T 7/73(2017.01) G06V 10/82(2022.01) G06V 10/26(2022.01) G06V 10/764(2022.01) G06V 10/766(2022.01)G06V 20/70(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01C 21/00(2006.01) (54)发明名称 一种应用于动态环境的激光SLAM系统及方 法 (57)摘要 本发明属于移动机器人自主定位领域， 提供 了一种应用于动态环境的激光SLA M系统及方法， 采集机器人当前所在位置的周围环 境信息， 得到 当前环境的三维点云数据； 对当前环 境的三维点 云数据进行球面投影， 生成规则的顶点图； 基于 规则的顶点图， 利用预先训练好的激光SLA M模型 进行位姿估计和地图构建； 本发 明解决现有技术 中的不足， 即环境中动态物 体的存在会破坏SLA M 的静态环 境假设、 激光里程计环节对深度学习的 表的能力应用不充分， 只 简单地利用深度学习方 法增加语义约束、 闭环检测环节没有关注到场景 中不同物体间的拓扑关系、 在运动物体剔除方法 中应用全类别语义分割造成信息浪费， 增加无用 人工标记成本和动态 物体分割不完整等问题。 权利要求书3页 说明书16页 附图7页 CN 114937083 A 2022.08.23 CN 114937083 A 1.一种应用于动态 环境的激光SLAM方法， 其特 征在于， 包括： 采集机器人当前 所在位置的周围环境信息， 得到当前环境的三维点云数据； 对当前环境的三维点云数据进行球面投影， 生成规则的顶点图； 基于规则的顶点图， 利用预 先训练好的激光SLAM模型进行位姿估计和地图构建； 其中， 激光SLAM模型包括： 动态物体剔除网络模型， 对规则的顶点图剔除动态 物体， 得到不含动态 物体的顶点图； 自监督里程计网络模型， 基于不含动态 物体的顶点图完成帧间估计； 闭环检测网络模型， 判断机器人是否访问过当前位置， 如果检测到回环信息， 则将回环 信息传送给后端优化模块； 后端优化模块， 对回环信息进行优化， 得到优化后的位姿； 地图构建模块， 根据优化后的位姿以及规则的顶点图构建静态 环境地图。 2.如权利要求1所述的一种应用于动态环境的激光SLAM方法， 其特征在于， 所述对当前 环境的三维点云数据进行球面投影， 生成规则的顶点图， 包括： 基于当前环境的三维点云数据， 生成规则的顶点图； 分别存储对点的(x,y,z)值； 将不规则的点云存 储方式转换成规则的图像存 储方式； 投影公式如下： 其中， w和h是投影产生的顶点图VD的宽和高， r是每个点p的距离值 f ＝fup+fdown是传感器的垂直视场； u和v是点云中的一个点(x,y,z)在投影生 成的顶点图中对 应的像素坐标。 3.如权利要求1所述的一种应用于动态环境的激光SLAM方法， 其特征在于， 所述动态物 体剔除网络模型， 包括： 上下文模块， 由三个卷积层构成， 其中下一层的输入为上一层的输出， 最终上下文模块 的输出为第一层卷积层的输出加第三层卷积层的输出； 注意力扩张卷积模块， 由五个卷积层和注意力模块CBAM构成， 其中， 第二、 三、 四层的输 入为上一层的输出， 第五层的输入为第二、 三、 四层的输出按通道 拼接后经过CBAM模块对不 同通道和相同通道上的不同特征赋予不同权重的带权值的特征图， 最后注意力扩张卷积模 块的输出为第一层卷积层的输出加第五层卷积层的输出； 扩张卷积模块， 由四个卷积层构成， 其中， 第、 二、 三层的输入为上一层的输出， 第四层 的输入为第一、 二、 三层的输出按通道拼接后的特 征图； 卷积模块， 由一个卷积层构成， 该模块的输出通道数为语义分割类别数。 4.如权利要求3所述的一种应用于动态环境的激光SLAM方法， 其特征在于， 所述动态物 体剔除网络模型的训练， 包括： 以相邻帧间位姿变换矩阵和基于规则的顶点图为输入， 生成残差图；权　利　要　求　书 1/3 页 2 CN 114937083 A 2以动态物体剔除网络损失函数为约束， 进行运动物体剔除网络模型的训练； 训练阶段的真实标签根据SemanticKITTI的真实语义分割类别修改为二进制动态和静 态标签， 实际移动的车辆和行人作为动态物体， 其余所有类别归为静态物体； 在完成网络训 练后， 保存训练权 重文件。 5.如权利要求1所述的一种应用于动态环境的激光SLAM方法， 其特征在于， 所述自监督 里程计网络模型， 包括 一个特征提取网络和一个6自由度位姿回归网络； 所述特征提取网络由一个卷积层， 一个最大池化层接着8个残差块和一个自适应平均 池化层构成； 所述6自由度位姿回归网络包括两个三层全连接网络， 分别估计旋转四元数和平移向 量， 根据四元 数和平移向量转换成变换矩阵。 6.如权利要求1所述的一种应用于动态环境的激光SLAM方法， 其特征在于， 所述闭环检 测网络模型采用孪生网络结构， 由共享权重的特征提取网络以及重叠度计算模块和偏航角 计算模块构成： 所述特征提取网络由1 1个卷积层构成， 输出(1,3 60,64)维特 征向量； 重叠度计算模块由一个扩充层， 三个卷积层和一个全连接层组成； 偏航角的计算采用滑动窗口方式， 将特征提取网络输出的一个特征向量复制并与原特 征向量拼接形成(1,720,16)维特征向量， 另一个特征向量作为内核在拼接成的特征向量上 按列滑动作差， 输出(1,360)维的偏航角向量， 该向量中的最大值所对应的列定义为两帧输 入点云的偏航角。 7.如权利要求1所述的一种应用于动态环境的激光SLAM方法， 其特征在于， 所述后端优 化模块对回环信息进行优化， 得到优化后的位姿， 具体为： 自监督里程计网络模型输出相邻帧的相对位姿时记录该位姿和该位姿对应帧的索引 作为里程计因子， 并将里程计因子增 加到因子图中； 当闭环检测网络模型检测到闭环信 息时， 计算当前帧索引和闭环检测网络模型返回的 闭环帧索引所对应的点云的相对位姿， 即闭环位姿， 将该闭环位姿和对应的索引作为闭环 因子， 并将闭环因子增加到因子图中， 当闭环因子增加到因子图中时， 因子图形成闭环， 自 动对因子图中的所有位姿 进行优化， 得到全局一 致的位姿值。 8.一种应用于动态 环境的激光SLAM系统， 其特 征在于， 包括： 数据采集模块， 被配置为采集机器人当前所在位置的周围环境信息， 得到当前环境的 三维点云数据； 球面投影模块， 被配置为对当前环境的三维点云数据进行球面投影， 生成规则的顶点 图； 地图构建模块， 被配置为基于规则的顶点 图， 利用预先训练好的激光SLAM模型进行位 姿估计和地图构建； 其中， 激光SLAM模型包括： 动态物体剔除网络模型， 对规则的顶点图剔除动态 物体， 得到不含动态 物体的顶点图； 自监督里程计网络模型， 基于不含动态 物体的顶点图完成帧间估计； 闭环检测网络模型， 判断机器人是否访问过当前位置， 如果检测到回环信息， 则将回环 信息传送给后端优化模块；权　利　要　求　书 2/3 页 3 CN 114937083 A 3