针对传统激光SLAM算法在转角、走廊等退化环境下,出现系统精度低、算法失效以及传感器运行累计误差等问题,提出一种多传感器融合的SLAM算法。首先,构建机器人运动模型,激光雷达、IMU、轮式里程计传感器测量模型,并分离出各传感器残差项...针对传统激光SLAM算法在转角、走廊等退化环境下,出现系统精度低、算法失效以及传感器运行累计误差等问题,提出一种多传感器融合的SLAM算法。首先,构建机器人运动模型,激光雷达、IMU、轮式里程计传感器测量模型,并分离出各传感器残差项,以便后端算法修正IMU零偏和轮式里程计测量噪声;其次,通过拓展卡尔曼滤波算法融合轮式里程计IMU数据,补偿机器人里程计精确度;最后,将整体最大后验概率问题(Maximum A Posteriori Estimation,MAP)转换为最小二乘问题,利用后端QR算法提高求解矩阵准确度。长走廊环境中,所提方法地图还原精度较LIO-SAM提高了32.61%;在相同实验场景中,机器人定位精度较LIO-SAM提高了35.47%。实验结果表明,所提方法具有较高的地图还原度与定位精度。展开更多
文摘针对传统激光SLAM算法在转角、走廊等退化环境下,出现系统精度低、算法失效以及传感器运行累计误差等问题,提出一种多传感器融合的SLAM算法。首先,构建机器人运动模型,激光雷达、IMU、轮式里程计传感器测量模型,并分离出各传感器残差项,以便后端算法修正IMU零偏和轮式里程计测量噪声;其次,通过拓展卡尔曼滤波算法融合轮式里程计IMU数据,补偿机器人里程计精确度;最后,将整体最大后验概率问题(Maximum A Posteriori Estimation,MAP)转换为最小二乘问题,利用后端QR算法提高求解矩阵准确度。长走廊环境中,所提方法地图还原精度较LIO-SAM提高了32.61%;在相同实验场景中,机器人定位精度较LIO-SAM提高了35.47%。实验结果表明,所提方法具有较高的地图还原度与定位精度。