基于点云强度和地面约束的大范围激光SLAM

在无人车领域,点云强度和地面约束对大范围环境下的建图和定位起着非常重要的作用。然而,现有的激光SLAM算法在构建地图时只考虑几何特征,而忽视点云强度信息和地面约束,导致建图细节模糊、在Z轴方向上易存在漂移,从而降低了SLAM系统的精度。为此,本文提出了一种基于点云强度和地面约束的激光SLAM优化算法。基于地面测量模型,提出构建局部条件性地面约束,不仅提高地面点提取的准确性,而且减少Z轴方向的漂移;引入点云强度信息来改善非地面点聚类的可靠性,进一步提高建图精度和定位稳定性。提出基于局部平滑度的特征提取方法,通过引入强度因子并对强度特征进行排序,优先选择具有一致强度信息的特征,增强特征提取的鲁棒性。引入球形强度图来构建强度残差,与几何残差共同优化估计位姿,有效解决里程计中地图细节处的模糊问题;基于特征投影的匹配距离以及强度差异被用来去除动态点云的干扰,进一步提高SLAM系统的鲁棒性。在公开数据集KITTI和真实场景下的实验表明,引入地面约束和点云强度信息后,本文提出的算法具有更高的建图和定位精度,相对优于传统LIO-SAM的LVI-SAM算法,本文算法的精度提升了54.5%,为无人车在大范围环境中的SLAM任务提供了可靠解决方案。

联合CPD面向复杂场景的自适应激光SLAM算法

激光点云匹配是影响激光SLAM系统精度和效率的关键因素.传统激光SLAM算法无法区分场景结构,且在非结构化场景下由于特征提取不佳而出现性能退化.为此,提出一种联合CPD(coherent point drift)面向复杂场景的自适应激光SLAM算法CPD-LOAM.该算法提出一种基于预判和验证相结合的场景结构辨识方法,首先引入场景特征变量对场景结构进行初步判断,然后从几何特征角度通过表面曲率对其进行验证,增强对场景结构辨识的准确性.此外,在非结构化场景下添加CPD算法进行点云预配准,进而利用ICP算法进行再配准,解决该场景下的特征退化问题,从而提高点云配准的精度和效率.实验结果表明,提出的场景特征变量以及表面曲率可以根据设置的阈值有效地区分场景结构,在公开数据集KITTI上的验证结果显示,CPD-LOAM较LOAM算法定位误差降低了84.47%,相较于LeGO-LOAM与LIO-SAM算法定位精度也分别提升了55.88%和30.52%,且具有更高的效率和鲁棒性.