买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广东工业大学

摘要：本发明涉及点云数据处理技术领域，特别是一种面向复杂环境干扰的无人艇激光雷达点云配准方法，包括使用Transformer架构学习二维图像的空间关系，生成数据集；利用所述数据集进行超球体学习，对三维激光点云的异常点云进行剔除，得到第二三维激光点云；根据SGD算法和第二三维激光点云更新每个点云对应的状态变量；根据STEIN变分梯度下降，使用代价函数的梯度、所述平移的高斯先验的对数梯度和所述旋转的vonMises先验的对数梯度更新第二三维激光点云中点云的最优更新方向；通过迭代直至收敛，实现对第二三维激光点云的配准，用于准确地估计无人艇的位置和姿态。不仅可用于两帧点云的对齐，还能够精确估计ICP位姿对齐结果的不确定性，以实现并得到较好的对齐结果。

主权项：1.一种面向复杂环境干扰的无人艇激光雷达点云配准方法，其特征在于，包括步骤：S10：将待配准的三维激光点云转换为二维图像，使用Transformer架构学习所述二维图像的空间关系，根据所述Transformer架构创建二元分类模型；S20：生成数据集，根据所述二元分类模型和所述数据集，对所述三维激光点云进行二元分类，所述数据集包括带标签数据集和无标签数据集；S30：基于异常检测模型，利用所述数据集进行超球体学习，对所述三维激光点云的异常点云进行剔除，得到第二三维激光点云；S40：基于最小距离的初始估计对状态变量进行优化，所述状态变量包括平移向量和旋转矩阵；S50：根据最近邻搜索寻找所述第二三维激光点云中每个源点云所对应的点云，根据SGD算法和所述第二三维激光点云对ICP的代价函数进行优化，根据SGD-ICP算法计算优化后的代价函数的梯度，并更新每个点云对应的所述状态变量；S60：根据STEIN变分梯度下降，生成所述第二三维激光点云的平移的高斯先验的对数梯度、旋转的vonMises先验的对数梯度和最优更新方向；S70：根据所述代价函数的梯度、所述平移的高斯先验的对数梯度和所述旋转的vonMises先验的对数梯度更新所述第二三维激光点云中点云的最优更新方向，并使用点云更新规则对所述第二三维激光点云的分布进行更新；S80：迭代步骤S40-S70直至收敛，实现对所述第二三维激光点云的配准，用于准确地估计无人艇的位置和姿态。

全文数据：

权利要求：

百度查询： 广东工业大学 一种面向复杂环境干扰的无人艇激光雷达点云配准方法