【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于移動(dòng)機(jī)器人領(lǐng)域，特別涉及一種基于不變且獨(dú)特特征的魯棒點(diǎn)云配準(zhǔn)方法及系統(tǒng)。
技術(shù)介紹
1、點(diǎn)云配準(zhǔn)是slam、三維重建和增強(qiáng)現(xiàn)實(shí)等領(lǐng)域的重要技術(shù)基礎(chǔ)，指估計(jì)兩幀具有部分重疊的點(diǎn)云場(chǎng)景或目標(biāo)之間的相對(duì)位姿關(guān)系的過(guò)程。一般傳感器如深度相機(jī)和激光雷達(dá)僅能獲得部分視角或局部場(chǎng)景的點(diǎn)云信息，為了獲得完整視角或全局場(chǎng)景的點(diǎn)云信息，必須要進(jìn)行點(diǎn)云配準(zhǔn)，此外通過(guò)點(diǎn)云配準(zhǔn)技術(shù)獲得機(jī)器人相對(duì)位姿關(guān)系對(duì)于各種智能無(wú)人系統(tǒng)實(shí)現(xiàn)其他高級(jí)任務(wù)也至關(guān)重要。有時(shí)，圖像配準(zhǔn)也可以獲得機(jī)器人相對(duì)位姿關(guān)系，但是由于圖像配準(zhǔn)對(duì)光照變換極其敏感、需要豐富的顏色紋理特征，且難以估計(jì)深度信息，在文物重建，口腔建模，黑夜等場(chǎng)景中，點(diǎn)云配準(zhǔn)被廣泛應(yīng)用。但是在實(shí)際場(chǎng)景中，點(diǎn)云配準(zhǔn)主要面臨如下挑戰(zhàn)：1)噪聲干擾，由于環(huán)境干擾或者傳感器的不足會(huì)產(chǎn)生大量的噪點(diǎn)；2)非重疊部分特征干擾，非重疊部分的點(diǎn)云會(huì)對(duì)匹配造成干擾從而產(chǎn)生誤匹配；3)重復(fù)性結(jié)構(gòu)干擾，重復(fù)性結(jié)構(gòu)會(huì)產(chǎn)生相似的特征，進(jìn)而造成錯(cuò)誤的特征匹配4)遮擋和缺失，視角變化或動(dòng)態(tài)物體會(huì)產(chǎn)生遮擋，導(dǎo)致部分特征消失，超出傳感器工作范圍等因素則會(huì)造成點(diǎn)云缺失5)數(shù)據(jù)分辨率變化，激光雷達(dá)固有的近密遠(yuǎn)疏特性或不同傳感器的分辨率不同造成的影響根據(jù)是否需要特征點(diǎn)對(duì)，點(diǎn)云配準(zhǔn)主要分為：直接配準(zhǔn)法和基于對(duì)應(yīng)關(guān)系的配準(zhǔn)方法。直接配準(zhǔn)法一般不需要提取局部的特征描述符，而是通過(guò)那個(gè)網(wǎng)絡(luò)學(xué)習(xí)全局的特征，并采用一個(gè)位姿估計(jì)網(wǎng)絡(luò)直接回歸生成變換位姿，從而完成點(diǎn)云配準(zhǔn)。這種從全局特征回歸相對(duì)位姿的方法屬于粗糙的點(diǎn)云配準(zhǔn)，這種方法的優(yōu)點(diǎn)在于對(duì)點(diǎn)云的分辨率變
2、綜上所述，如何設(shè)計(jì)特征提取器，從而獲得更多正確的點(diǎn)對(duì)應(yīng)關(guān)系，從而更加準(zhǔn)確和魯棒的完成點(diǎn)云配準(zhǔn)是目前亟需解決的技術(shù)難題。因此有必要設(shè)計(jì)一種新的點(diǎn)云配準(zhǔn)方法。
技術(shù)實(shí)現(xiàn)思路
1、針對(duì)現(xiàn)有技術(shù)中的缺陷，提供了一種基于不變且獨(dú)特特征的魯棒點(diǎn)云配準(zhǔn)方法及系統(tǒng)，該技術(shù)方案基于多區(qū)域mlp及transformer聯(lián)合學(xué)習(xí)的點(diǎn)云配準(zhǔn)方法具有精度高、魯棒性強(qiáng)，適用于室內(nèi)外多種場(chǎng)景等優(yōu)點(diǎn)。
2、本專利技術(shù)提供的技術(shù)方案如下：
3、一方面，一種基于不變且獨(dú)特特征的魯棒點(diǎn)云配準(zhǔn)方法，包括：
4、步驟1：構(gòu)造rid-net模型；
5、所述rid-net模型包括相連的特征提取器以及由粗到細(xì)的點(diǎn)匹配器，所述特征提取器包括4個(gè)amr模塊、全局transformer模塊和4個(gè)特征前向傳播模塊；
6、所述amr模塊包括依次相連的abstract層、基于局部旋轉(zhuǎn)不變位置編碼增強(qiáng)的mlp模塊以及環(huán)形注意力模塊；
7、步驟2：模型訓(xùn)練；
8、獲取某一場(chǎng)景的多對(duì)點(diǎn)云數(shù)據(jù)和對(duì)應(yīng)的相對(duì)位姿真值作為訓(xùn)練數(shù)據(jù)，其中相對(duì)位姿真值化為超點(diǎn)匹配關(guān)系和稠密點(diǎn)匹配關(guān)系；依次將每對(duì)點(diǎn)云數(shù)據(jù)輸入構(gòu)造的rid-net模型，將rid-net模型預(yù)測(cè)得到的每對(duì)點(diǎn)云的超點(diǎn)的匹配關(guān)系和稠密點(diǎn)的匹配關(guān)系，以匹配損失收斂時(shí)，得到訓(xùn)練好的rid-net模型參數(shù)；
9、步驟3：模型配準(zhǔn)；
10、將采集的點(diǎn)云數(shù)據(jù)輸入到訓(xùn)練好的rid-net模型中，預(yù)測(cè)兩幀點(diǎn)云對(duì)應(yīng)的超點(diǎn)匹配關(guān)系和稠密點(diǎn)匹配關(guān)系，基于得到的匹配關(guān)系通過(guò)魯棒的位姿估計(jì)器求解得兩幀點(diǎn)云的相對(duì)位姿，再將源點(diǎn)云數(shù)據(jù)通過(guò)相對(duì)位姿轉(zhuǎn)換到目標(biāo)點(diǎn)云坐標(biāo)系下完成配準(zhǔn)。
11、魯棒的位姿估計(jì)器完全依賴于傳統(tǒng)幾何學(xué)知識(shí)根據(jù)預(yù)測(cè)的匹配關(guān)系求解魯棒的配準(zhǔn)位姿而無(wú)需訓(xùn)練；
12、進(jìn)一步地，所述基于局部旋轉(zhuǎn)不變位置編碼增強(qiáng)的mlp模塊具體工作過(guò)程如下：
13、步驟a1：獲取每個(gè)點(diǎn)的局部鄰域點(diǎn)坐標(biāo)及聚合特征；
14、每個(gè)點(diǎn)的初始特征設(shè)為1，每個(gè)點(diǎn)的聚合特征是經(jīng)過(guò)abstract層聚合初始特征得到；
15、步驟a2：計(jì)算每個(gè)點(diǎn)的垂直于點(diǎn)的法線的參考軸；
16、
17、其中，表示在第1層amr模塊上處理的第i個(gè)點(diǎn)，kl表示第l層amr模塊采用的鄰域點(diǎn)數(shù)，kl表示第l層第kl個(gè)鄰域點(diǎn)，表示由點(diǎn)指向的向量，表示的第kl個(gè)鄰域點(diǎn)，表示的鄰域點(diǎn)集合，是計(jì)算得到的垂直于點(diǎn)法線的向量，r設(shè)置為離最遠(yuǎn)的鄰域點(diǎn)的距離，vi是最終加權(quán)獲得的垂直于法線的參考軸；每個(gè)點(diǎn)的法線記為
18、步驟a3：基于參考軸和法線，構(gòu)建每個(gè)點(diǎn)和鄰域點(diǎn)的高維旋轉(zhuǎn)不變位置編碼；
19、
20、其中，hripe()表示高維旋轉(zhuǎn)不變位置編碼操作，rpe()表示旋轉(zhuǎn)不變位置表示；表示點(diǎn)和之間的高維旋轉(zhuǎn)不變位置編碼，表示輸入的特征維度為5，第l個(gè)amr模塊輸出的特征維度為cl的線性層操作，norm表示歸一化操作，表示輸入的特征維度為cl，第l個(gè)amr模塊輸出的特征維度為cl的線性層操作；
21、步驟a4：將每個(gè)點(diǎn)的所有鄰域點(diǎn)的高維旋轉(zhuǎn)不變位置編碼與每個(gè)點(diǎn)經(jīng)過(guò)abstract層降采樣且聚合后的采樣點(diǎn)特征相加后的前1/4的通道進(jìn)行線性變換；
22、步驟a5：將步驟a4經(jīng)過(guò)線性變換后的結(jié)果，采用最大池化層進(jìn)行特征聚合，再接著采用兩個(gè)線性層學(xué)習(xí)更深層的特征；
23、步驟a6：將步驟a5得到的特征與abstract層聚合得到的特征進(jìn)行殘差連接，得到更新后的特征，以緩解梯度消失。
24、進(jìn)一步地，所述環(huán)形注意力模塊的工作過(guò)程如下：
25、步驟b1：所述環(huán)形注意力模塊的輸入為待處理的目標(biāo)點(diǎn)集合目標(biāo)點(diǎn)周圍的環(huán)形鄰域點(diǎn)集合記為及對(duì)應(yīng)的特征集合
26、其中，表示距離點(diǎn)除了最近的kl個(gè)點(diǎn)之外的最近的個(gè)點(diǎn)索引，特征集合是根據(jù)該索引從基于局部旋轉(zhuǎn)不變位置編碼增強(qiáng)的mlp模塊得到的特征中索引而來(lái)；
27、步驟b2：根據(jù)高維旋轉(zhuǎn)不變位置編碼操作，將相對(duì)于的高維旋轉(zhuǎn)不變位置編碼記為采用五個(gè)可學(xué)習(xí)的矩陣wg,we,wq,wk和wv來(lái)投影輸入，高維旋轉(zhuǎn)不變位置編碼通過(guò)wg,we被進(jìn)一步分別編碼為幾何編碼g和位置編碼e，再通過(guò)對(duì)幾何編碼與值value進(jìn)行加權(quán)獲得第l層目標(biāo)點(diǎn)新的特征
28、
29、其中，g和e分別是學(xué)習(xí)到的幾何本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于不變且獨(dú)特特征的魯棒點(diǎn)云配準(zhǔn)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于局部旋轉(zhuǎn)不變位置編碼增強(qiáng)的MLP模塊具體工作過(guò)程如下：
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述環(huán)形注意力模塊的工作過(guò)程如下：
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述特征提取器的4個(gè)AMR模塊依次相連，其中每個(gè)AMR模塊中降采樣的系數(shù)依次為[1,0.25,0.25,0.25]；每個(gè)AMR模塊的特征維度依次為[64,128,256,256]；鄰域點(diǎn)數(shù)依次設(shè)置為[8,16,16,16]，最后一個(gè)AMR模塊與全局Transformer模塊相連，每個(gè)AMR模塊與一個(gè)特征前向傳播模塊進(jìn)行殘差連接，4個(gè)特征前向傳播模塊反向依次相連，第一個(gè)特征前向傳播模塊的輸入端和由粗到細(xì)的點(diǎn)匹配器的輸入端均與全局Transformer模塊的輸出端與相連，最后一個(gè)特征前向傳播模塊及全局Transformer模塊的輸出端與由粗到細(xì)的點(diǎn)匹配器的輸入端相連，從而通過(guò)由粗到細(xì)的點(diǎn)匹配器獲得預(yù)測(cè)的超點(diǎn)匹配關(guān)系和稠密點(diǎn)匹配關(guān)系。
5.根據(jù)權(quán)利要求
6.一種基于不變且獨(dú)特特征的魯棒點(diǎn)云配準(zhǔn)系統(tǒng)，其特征在于，包括：
7.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，所述基于局部旋轉(zhuǎn)不變位置編碼增強(qiáng)的MLP模塊具體工作過(guò)程如下：
8.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，所述環(huán)形注意力模塊的工作過(guò)程如下：
9.一種計(jì)算機(jī)設(shè)備，其特征在于：至少包括：
10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于：存儲(chǔ)了計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器調(diào)用以實(shí)現(xiàn)：
...【技術(shù)特征摘要】
1.一種基于不變且獨(dú)特特征的魯棒點(diǎn)云配準(zhǔn)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于局部旋轉(zhuǎn)不變位置編碼增強(qiáng)的mlp模塊具體工作過(guò)程如下：
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述環(huán)形注意力模塊的工作過(guò)程如下：
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述特征提取器的4個(gè)amr模塊依次相連，其中每個(gè)amr模塊中降采樣的系數(shù)依次為[1,0.25,0.25,0.25]；每個(gè)amr模塊的特征維度依次為[64,128,256,256]；鄰域點(diǎn)數(shù)依次設(shè)置為[8,16,16,16]，最后一個(gè)amr模塊與全局transformer模塊相連，每個(gè)amr模塊與一個(gè)特征前向傳播模塊進(jìn)行殘差連接，4個(gè)特征前向傳播模塊反向依次相連，第一個(gè)特征前向傳播模塊的輸入端和由粗到細(xì)的點(diǎn)匹配器的輸入端均與全局transformer模塊的輸...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：余洪山，程攀飛，劉常翔，羅堪，鄒艷梅，王靜文，
申請(qǐng)(專利權(quán))人：湖南大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。