基于因子图优化的激光惯性SLAM方法研究

融合激光雷达和惯性测量单元的SLAM方法是拒止环境下自动驾驶定位建图的重要技术手段。该技术包含前端和后端2个数据处理模块,在后端数据处理方面,现有方法存在长时间运行时累积误差较高、回环检测计算负载较大以及复杂拒止环境下鲁棒性不理想等问题。针对上述需求,提出一种适配前端激光惯性里程计的新型后端数据处理方法。该方法采用因子图优化算法架构,建立激光连续关键帧间的惯性单元预积分模型,将该模型作为因子图架构中表征惯性单元数据的算法因子,降低数据处理的计算负载。构建基于Scan-Context描述符的高效回环检测方法,将点云数据三维空间结构特征转化为二维特征图,在保证回环检测精度的前提下进一步提高计算效率。结合前端里程计信息,构建包含里程计因子、惯性单元预积分因子和回环检测因子误差项的目标函数,通过非线性优化算法求解最优位姿状态,形成完整的SLAM算法结构。对所述方法及FAST-LIO2、LIO-SAM和SC-LeGO-LOAM等现有主流激光惯性SLAM方法基于开源数据集进行对比验证,并开展实车试验。结果表明:相较于现有方法,所述DSC-Algo方法在公开数据集测试中的计算性能和全局定位精度实现了显著提升,在现实拒止环境实车测试中的定位精度和算法鲁棒性也具有明显优势。

基于垂直约束的紧耦合激光惯性SLAM方法

为了解决现有激光SLAM(simultaneous localization and mapping)方法忽略垂直方向漂移而导致的高度不准确和地图重影问题,提出了一种基于垂直约束的紧耦合激光惯性SLAM方法。该方法结合激光雷达传感器的安装高度以及点到激光雷达的距离提取精确的地面点,基于提取的地面点设计了一种考虑垂直方向残差的激光里程计,使用两步列文伯格-马夸尔特(Levenberg-Marquardt,L-M)方法来求解姿态变换,这些残差将有助于在垂直方向上收敛到最优解。使用简单有效的基于欧氏距离的回环检测方法避免地图重影问题。为验证算法的优越性,在KITTI数据集及真实场景下均进行了相关实验。在KITTI数据集上,与LeGO-LOAM、LIO-SAM和Point-LIO相比,轨迹均方根误差(root mean square error,RMSE)分别降低了47.62%、33.14%和73.79%。在实测校园环境中,与LeGO-LOAM、LIO-SAM和Point-LIO相比,RMSE分别降低了83.56%、13.55%和82.04%,从而验证了提出方法具有更高的定位精度。

面向高动态环境的激光惯性SLAM算法

定位与地图创建技术是智能驾驶和移动机器人的关键技术和重要前提,然而大多数的激光SLAM都基于静态世界的假设,导致现有算法难以在高度动态的场景中鲁棒地工作。为此,本文提出了一种基于聚类分割的激光惯性SLAM方法,通过对点云进行地面分割、聚类和动态分数计算,实现对动态目标的实时识别和剔除。本文在动态数据集Urbanloco上进行了广泛的实验。实验结果表明,该方法可以在动态场景中检测和去除运动目标,提高SLAM系统的定位精度和鲁棒性。

基于改进GICP配准的激光-惯性SLAM算法

激光点云配准性能是影响激光-惯性SLAM系统精度和实时性的重要因素,对于多线激光雷达,大量的待配准点虽然能提高配准精度,但是也会降低系统运行效率。针对该问题,提出了一种基于改进广义迭代最近点(GICP)配准的激光-惯性SLAM算法。首先,用改进的GICP算法进行点云配准,通过减少待配准点数量提高配对点的质量,增加迭代目标,提高了定位精度。其次,针对改进的GICP算法提出了一个高效的子地图模型,提高了系统运行效率。在KITTI数据集上的实验结果表明,与改进前的算法相比,所提算法的定位误差降低了69.98%;与Le GO-LOAM、LIO-SAM算法相比,所提算法的平均定位误差分别降低了88.44%和62.42%。同时进行了实测实验验证,与LeGO-LOAM、LIOSAM算法相比,所提算法的平均定位误差分别降低了21.02%和24.77%,且具有更高的系统运行效率。