一种基于LiDAR-IMU-GNSS系统同步进行车辆定位和路旁杆状物清查的方法

目前,利用移动激光雷达系统(MLS)收集环境信息并生成路旁杆状物位置清单受设备成本限制,实时性能差。尽管基于激光雷达的同步定位和建图技术(SLAM)在导航领域得到广泛应用,但尚未有关于同步实时定位和创建路旁杆状物清单的研究。为此,文章提出一种利用激光雷达技术实现车辆定位和路旁杆状物绝对位置清单创建的方法,旨在构建一个准确而稳健的车辆定位和路旁杆状物清单创建系统。其首先通过将激光雷达与惯性测量单元(IMU)和全球导航卫星系统(GNSS)融合,实现精确的位姿估计并生成全局地图;其次,构建了一种基于滑动窗口的优化融合定位算法,有效整合了多传感器信息,提高了系统的鲁棒性;然后,提出了一种使用SLAM特征提取算法创建路旁杆状物清单的方法,从而降低了同步进行车辆定位和路旁杆状物清单创建的计算成本;最后,对涵盖城市和郊区等各种道路场景的真实数据集进行广泛评估。实验结果表明,文中所提系统在实时自动创建路旁杆状物绝对位置清单的同时实现了厘米级车辆定位精度,平均定位误差在3 cm以内。

果园机器人LiDAR/IMU紧耦合实时定位与建图方法

针对果园环境中GNSS定位信号易丢失和传统SLAM算法鲁棒性较差的问题,本文提出一种基于LiDAR/IMU紧耦合框架的全局无偏状态估计果园机器人定位与建图方法。LiDAR/IMU紧耦合框架基于因子图进行多源约束的IMU里程计构建,实时输出高频位姿信息,IMU里程计因子和预积分因子优化LiDAR里程计并提供位姿先验约束IMU零偏。引入局部点云地图参与特征点云粗匹配和非特征点云递进式匹配进一步稠密化源点云,改善LiDAR里程计的性能。融合GPS信号与LiDAR/IMU紧耦合框架的地图构建,能够得到准确且高频连续的位姿信息,提高点云地图的复用率。在果园和苗木等场景验证了该算法的性能,实验结果表明,与LIO-SAM等算法相比,定位精度维持在0.05 m左右,均方根误差为0.0162 m。本文算法使机器人具有更高的精度、实时性和鲁棒性,有效降低了系统累积误差,保证了所构建地图的全局一致性。

利用UWB校正LiDAR SLAM的室内组合定位方法

针对室内定位中激光雷达(LiDAR)即时定位与地图构建(SLAM)算法误差会随时间累积以及超宽带(UWB)定位的结果较为分散的问题,提出了一种利用UWB观测值来校正LiDAR SLAM的组合定位方法。首先,通过里程计预测模型得到先验的位置估计信息;之后,利用粒子滤波融合LiDAR的观测值进行修正得到局部定位结果;最后,通过高斯滤波利用UWB观测值进行校正得到全局定位结果。实验结果表明:组合定位系统有效消除了LiDAR SLAM的累积误差,并且轨迹相对于UWB定位更为平滑。

基于激光点云特征的LiDAR-GNSS/IMU联合自动标定方法

车载多线激光雷达与GNSS/IMU系统间的数据融合可以提高智能驾驶定位系统的精度,两传感器间外部参数的标定是完成数据融合的前提.针对车辆传感器间外部参数手动测量困难、标定自动化程度低的问题,提出了一种不依赖标志物的自动标定方法,首先构建线、面两类特征点云地图并采用闭环约束减小累积误差,对两类点云地图分别提取面特征体素和线特征聚类,并将每一激光帧中的激光点与面特征体素和线特征聚类进行关联,结合基于运动标定的约束,构建最小二乘问题优化求解外部参数,最后通过实车实验验证了所提出算法的有效性和鲁棒性.

面向自动驾驶仿真的虚拟LiDAR传感器建模

在自动驾驶仿真领域,虚拟传感器输出数据的精准度是仿真结果可靠性的重要保障。激光雷达(LiDAR)作为车辆环境感知的关键传感器,其采集的点云数据的准确性是实现车辆对三维环境理解的关键。但在虚拟环境中,通过3D渲染技术模拟的点云数据难以真实反映传感器在复杂工况下的变化规律。本文提出一种用于自动驾驶仿真的虚拟LiDAR传感器建模方法。该方法首先基于Unity 3D引擎构建LiDAR的几何测量模型。其次,结合真实传感器的衰变特性推导简化的LiDAR物理模型。最后,基于蒙特卡罗方法在随机模型上对仿真数据进行噪声模拟,从而实现高保真的LiDAR数据输出。所提出的方法可结合精细化的虚拟场景进行数据验证,实验结果表明:该方法能够有效地在虚拟环境下模拟LiDAR数据,从而应用于自动驾驶仿真算法验证过程。

LINS-GNSS:滤波与优化耦合的GNSS/INS/LiDAR巡检机器人定位方法

为了能够更加灵活地执行变电站巡检任务,非固定线路的机器人巡检技术越来越受到关注.如何在复杂的变电站环境中实现高精度的定位是机器人在变电站执行巡检任务时需要解决的核心问题.单一传感器难以满足变电站可靠定位的要求,因此,本文设计了多传感器融合的LINS-GNSS定位方法.其前端基于迭代误差状态卡尔曼滤波框架将激光雷达和惯性导航进行紧耦合,在每次迭代中生成新的特征对应关系递归地校正估计状态.后端使用因子图优化的方法将卫星导航的定位结果与LINS后端输出的定位结果松耦合.优化过程中先将局部坐标系与全局坐标系对齐,再将卫星导航的位置约束作为先验边添加到后端的因子图中,最后将定位结果在全局坐标系下输出.为了评估LINS-GNSS系统在变电站环境中的性能,本文在实际变电站中进行了测试.实验结果表明,LINS-GNSS系统在变电站环境中可以达到优于0.5 m的定位精度,且比现有最佳算法LIO-SAM定位精度更高.

融合毫米波与激光雷达的障碍物检测与跟踪方法

在园区环境中,无人车装载单一毫米波雷达或激光雷达传感器进行障碍物检测跟踪时存在探测范围有限、准确率低及稳定性差等问题。为此,提出一种基于毫米波雷达与激光雷达融合的多障碍物检测跟踪方法。利用改进欧氏聚类算法对道路内激光点云目标进行提取,基于信息筛选策略获得毫米波雷达数据中的有效目标;基于目标检测交并比与可靠性分析,对2种目标进行自适应融合,并利用跟踪门与联合概率数据关联(JPDA)算法完成前后帧数据匹配;应用多运动模型交互与无迹卡尔曼滤波实现障碍物跟踪。实车实验表明:相比单一毫米波雷达与激光雷达障碍物检测跟踪,所提方法有更好的准确性与稳定性。

面向港口环境精细感知的无人船多传感器融合SLAM系统

针对港口环境高精度感知需求,综合考虑影响同时定位与建图(SLAM)精度的港口环境因素,提出基于多传感器融合的激光SLAM环境感知方案。通过分析多种传感器对港口SLAM环境感知的影响,引入惯性测量传感器弥补激光SLAM输出频率低和剧烈运动位姿估计不准确等缺陷,采用卫星定位系统信息进行高程数据约束,处理船舶运动特性导致的垂荡累计漂移。从应用需求出发,对传感器进行选型和布置优化,搭建基于无人船的港口环境多传感器融合SLAM系统。结果表明,提出的港口环境高精度点云地图获取方案能在典型港口场景下准确实时建图,为水面精细SLAM提供技术支持。

新能源汽车激光雷达传感器缺失数据填补方法研究

为了增强车辆激光雷达传感器数据采集的全面性,研究新能源汽车激光雷达传感器缺失数据填补方法。利用数据融合的点云采集技术和中值滤波算法,预处理点云数据。采用改进的噪声密度聚类算法构建点云超体素块,建立图模型,并利用图割算法进行全局聚类。结合典型地物特征提取地物信息,并利用全景图像进行密集匹配填补缺失区域,以完成点云数据中空洞区域的填补。实验结果表明,该方法能够有效实现缺失数据的填补,并且填补效果良好。填补后的点云数据与缺失区域原始点云在深度方向上的分布状况几乎一致。

自适应序贯滤波的机器人融合定位方法研究

针对激光雷达在长直环境下鲁棒性低以及视觉相机受光照条件影响大的问题,提出一种利用序贯卡尔曼滤波将两种传感器采集到的信息进行融合的定位方法,将传感器作为独立的节点逐级传递以实现多层次滤波,解决了异步传感器更新延迟导致算法中断的问题,同时为算法添加自适应成分,避免了移动机器人长距离行驶过程中因缺少动态调节而产生发散的现象。仿真实验结果表明,以自适应序贯滤波的形式,融合定位结果显著降低了单一传感器测量带来的误差,有效提升了移动机器人在未知环境下的定位精度。

激光雷达与惯性测量单元同步融合下的园区三维建图

针对自动驾驶三维建图中存在的建图不准确以及位姿飘移的问题,利用激光雷达里程计消除惯性测量单元(Iner-tial Measurement Unit,nIMU)累计误差并通过IMU预积分去除激光雷达点云畸变,形成激光雷达与IMU的紧耦合建图系统;通过增加回环检测因子、激光雷达里程计因子以及IMU预积分因子进行后端图优化,旨在提升定位建图的全局一致性,减小位姿估计误差,降低累计漂移误差。最后,在学校园区实地场景以及利用开源数据集KITTI进行实验验证,实验表明,在选取的学校园区实地场景下,改进算法APE误差均值相较于原算法降低了11.04%,APE均方根误差较于原算法降低了17.35%;改进算法在KITTI数据集场景下平均APE误差下降了10.04%,均方误差方面相较于原算法平均下降了12.04%。研究结果表明,改进的建图方法能够有效提高建图的位姿估计精度与地图构建精度。

基于激光雷达与相机融合的树干检测方法

针对传统传感器在树干检测中的局限性和单一性,提出一种基于激光雷达与相机融合的树干检测方法.首先,利用深度图对激光雷达点云进行处理,实现地面点云去除以及树干点云聚类,并在聚类中设置横、纵向自适应阈值,去除聚类中墙体、杂草、树叶等多余信息;然后,利用YOLOv3算法对相机图像进行分析,基于树干特征实现目标识别并返回检测框与类别信息;最后,基于交并比方法(IoU)对2种传感器的检测结果进行融合,识别树干并返回其三维信息与位置信息.以无人割草机为载体开展场地测试,实验结果表明:融合算法的树干检测准确率在93.1%左右,树干定位横、纵向平均误差分别为0.075 m和0.078 m,能够满足无人割草机的树干检测要求,为智能农机的环境感知提供了一种新的方法.

基于单目相机和多线激光雷达的联合标定方法研究

目的针对相机和激光雷达之间的外参标定问题,为了减少两者的标定误差,得到更高的标定精度,方法提出一种基于非线性优化的联合标定方法。首先拍摄不同角度的棋盘格标定板图像,采集足够多数据后利用工具包进行相机内参标定,得到单目相机内参;然后在激光点云和图像中检测标定板的角点特征坐标,激光点云下的角点坐标由提取的标定板点云数据和其几何特征获得,通过拟合出的图形由上至下、由左至右确定图形顶点坐标及标定板行列数,可得到各角点坐标;相机角点特征坐标采用FAST角点检测,利用角点灰度信息确定角点坐标;根据点云检测特征点到图像投影误差构建目标函数,将外参求解转化为最小二乘问题;最后通过基于列文伯格-马夸尔特的非线性优化算法,迭代求解得到最优外参。结果最终平均标定投影误差为1.29像素,最大投影误差为2.46像素,最小投影误差为0.70像素,标准差为0.57像素。结论根据标定的外参将点云投影至图像上可知,标定结果较好,并将结果运用到实际场景下视觉和激光雷达融合的SLAM算法中,运动轨迹平滑且与地图保持高度一致,本文方法标定过程简单,不需要棋盘格的真实物理尺寸,满足使用要求。

激光雷达SLAM算法综述

即时定位与地图构建(simultaneous localization and mapping,SLAM)是自主移动机器人和自动驾驶的关键技术之一,而激光雷达则是支撑SLAM算法运行的重要传感器。基于激光雷达的SLAM算法,对激光雷达SLAM总体框架进行介绍,详细阐述前端里程计、后端优化、回环检测、地图构建模块的作用并总结所使用的算法;按由2D到3D,单传感器到多传感器融合的顺序,对经典的具有代表性的开源算法进行描述和梳理归纳;介绍常用的开源数据集,以及精度评价指标和测评工具;从深度学习、多传感器融合、多机协同和鲁棒性研究四个维度对激光雷达SLAM技术的发展趋势进行展望。

基于雷达与相机融合的动态SLAM算法

针对基于激光雷达的SLAM系统在动态环境下因物体的移动、变形导致的建图与定位精度下降等问题,提出了一种雷达-相机融合的SLAM算法。使用深度学习对图像进行实例分割并将分割结果融合到雷达点云当中,从而剔除动态对象雷达点云。基于LIO-SAM算法整体框架,利用YOLOv5获取图像语义信息,将点云投影到像素坐标系下得到点云语义信息,据此剔除其中的动态对象点云,有效地提升了算法在动态场景下的定位精度。在开源数据集KITTI对算法进行实验验证,其绝对位姿误差均值比LIO-SAM下降了3.48%,中值下降了4.85%,均方根误差下降了2.86%。

基于改进D3QN算法的泊车机器人路径规划

针对城市泊车问题,泊车机器人应运而生,其路径规划是重要的研究方向。由于A*算法的局限性,本文引入深度强化学习思想,并对由此发展起来的D3QN算法进行改进,将残差网络取代卷积网络,引入注意力机制,从而提出SE-RD3QN算法,以改善网络退化现象和提高收敛速度,并提升模型的精准率。在算法训练过程中,改进奖惩机制,以实现最优方案的快速收敛。通过与D3QN算法、增加残差层的RD3QN算法的对比实验,结果表明本文提出的SE-RD3QN算法在模型训练时可实现更快的收敛速度。与目前常用的A*+TEB算法的对比实验,结果表明本文算法在路径规划时可获得更短的路径长度与规划时间。最后通过模拟小车的实物实验,进一步验证了算法的有效性。这为停车路径规划提供了新的解决方案。

一种基于目标点云分布特性的动态聚类算法

激光雷达在自动驾驶系统的目标检测任务中发挥着重要作用,但其扫描机理会使得点云分布不均匀,常规聚类算法由于参数固定会导致较多的错误聚类。为解决该问题,该文以椭圆形状作为邻域空间,设计基于采样点位置的邻域自适应调整策略,提出一种基于目标点云分布特性的动态聚类算法。通过正确聚类、过聚类等综合结果评估算法的性能,在KITTI数据集上进行了数值分析得到算法参数,并在校园环境中进行了实车对比实验。结果表明:所提算法能减少基于密度的噪声应用空间聚类(DBSCAN)中固定邻域所造成的70.60%过聚类、49.76%欠聚类等错误结果,从而有效提高算法的综合聚类性能。

相机与激光雷达融合的道路目标检测研究

目标检测是自动驾驶感知系统的基础。由于单一传感器的感知存在时空盲区问题,本文提出一种基于相机与激光雷达的后融合目标检测算法。该算法采用改进后的YOLOv5s视觉目标检测算法来检测目标类别,其平均精度均值提高了2.75%。激光雷达感知采用分段聚类半径的欧几里得聚类算法对预处理后的点云信息进行聚类,并检测出检测区域内物体的目标距离。通过标定的参数,将点云投影到图像上,以融合感知结果来确定检测对象的类别和距离。本文在相关工况环境下对算法进行了验证和测试,结果表明:本文提出的目标检测算法的检出率为88.9%,比单一相机感知的检出率提高了7.8%。

车载LiDAR-IMU外参联合标定算法

为提高LIO-SAM算法的定位精度,本文从LiDAR-IMU外参标定方面开展研究,针对现有的传感器标定算法在车载条件下标定精度低的缺点,提出一种新的车载传感器联合标定算法。针对车载条件下自由度低导致俯仰、横滚方向约束建立不充分的问题,利用车辆的大范围运动轨迹消除平移参数影响,使用正态分布变换(NDT)和迭代最近点(ICP)的点云匹配算法快速得到旋转参数初值,提高俯仰角和横滚角的标定精度。针对粗标定过程中激光里程计存在漂移以及没有标定平移外参的问题,对基于点云优化的全参数标定方案进行改进,利用转弯区域构建对平移外参的约束,结合统计误差平均效应和位移约束构建新的目标函数,迭代优化后得到全参数标定结果。实验结果表明,加入了外参标定模块的LIO-SAM算法的定位精度提升了1.74%~5.92%。

基于异构数据融合的SLAM研究综述

激光与视觉SLAM技术经过几十年的发展,目前都已经较为成熟,并被广泛应用于军事和民用领域.单一传感器的SLAM技术都存在局限性,如激光SLAM不适用于周围存在大量动态物体的场景,而视觉SLAM在低纹理环境中鲁棒性差,但两者融合使用具有巨大的取长补短的潜力,激光与视觉甚至是更多传感器融合的SLAM技术将会是未来的主流方向.本文回顾了SLAM技术的发展历程,分析了激光雷达与视觉的硬件信息,给出了一些经典的开源算法与数据集.根据融合传感器所使用的算法,从传统基于不确定度、基于特征以及基于深度学习的角度详细介绍了多传感器融合方案,概述了多传感器融合方案在复杂场景中的优异性能,并对未来发展作出了展望.