基于NDT配准与轮式里程计的激光雷达运动畸变补偿算法

激光雷达是广泛应用于同时定位与地图构建(SLAM)的测距传感器,普遍基于旋转机制收集周围环境的几何信息。当扫描期间激光雷达发生移动时,生成的点云会产生运动畸变,降低SLAM系统的准确性。在激光雷达SLAM算法设计中,为使雷达运动的估计结果更为精确,文中提出一种基于正态分布变换(NDT)和轮式里程计的激光雷达运动畸变补偿算法。首先,使用轮式里程计以高频测量方式对雷达运动进行估计,可补偿部分运动畸变。其次,设计一种基于NDT配准算法的误差处理方法,通过对点云的精准匹配降低里程计漂移的影响,实现雷达运动精确估计,进而精准补偿运动畸变。文中采用数据集以及真实场景实验对提出算法进行测试。实验结果表明,与传统里程计辅助方法相比,提出的算法能够优化运动畸变补偿效果,降低轨迹累积误差并生成全局一致地图。

ISS特征融合NDT的点云配准研究

点云配准技术在三维重建、自动驾驶领域中起着重要作用。针对正态分布变换(NDT)算法点云配准数据量较大时,配准效率低和配准精度受到初始位姿影响较大的问题,提出一种内部形状描述子(ISS)特征点融合NDT的点云配准方法。首先利用ISS算法对点云进行特征点提取,然后计算特征点处的快速点特征直方图(FPFH)来描述特征点处的局部几何信息,再利用随机采样一致初始配准算法(SAC-IA)进行粗配准,在粗配准后目标点云与源点云获得一个初始变换位姿,最后将该初始变换提供给NDT算法进行精配准。通过对数据集进行不同算法下的对比实验,证明该算法可以有效地提高点云的配准精度和配准效率。

使用NDT激光扫描匹配的移动机器人定位方法

提出一种将基于扫描匹配的蒙特卡洛定位方法,作为移动机器人完成自主任务的鲁棒性定位方法.采用一种新的正态分布转换(NDT)激光扫描匹配算法,将从单个激光扫描重构的2D离散数据点集转换成2维平面内分段连续可微的概率分布,并使用Hessian矩阵法与另外的扫描相匹配,可以避免点与点之间对应的复杂问题.实验结果表明,该定位算法可以利用自然环境特征有效地完成室内环境下的自主定位.

家庭服务机器人基于NDT扫描匹配的SLAM研究

将正态分布变换(NDT)应用于基于扫描匹配的SLAM中,实现了家庭服务机器人较大规模室内环境下的建图。该方法利用计算扫描点的正态概率分布匹配代替几何特征之间的匹配,有效解决了现有方法匹配速度慢的问题。

融合NDT的2D激光数据扫描匹配遗传算法

针对激光数据扫描匹配中正态分布变换(NDT)算法在初始误差较大的情况下容易陷入局部极值的问题,提出了一种融合NDT的遗传算法(NGSAM)。引入NDT构建栅格,同时建立查找表加快求解速度,利用遗传算法搜索当前激光帧扫描数据和参考激光帧扫描数据的最优匹配。仿真实验结果表明:该算法在激光数据扫描匹配问题中取得了很好的效果,进一步提高了移动机器人的定位精度。

结合NARF特征的改进型3D-NDT多视点云配准

提出了一种精确有效的多视图配准算法。首先,使用NARF算法对每幅点云进行关键点检测,并以NARF关键点为原点建立局部坐标系,估算FPFH描述符;其后使用基于RANSAC的对应估计和对应关系去除算法剔除错误对应关系,确定三维特征匹配点对,并求解出变换矩阵,完成初始配准。然后,使用3D-NDT算法体素化点云,并使用概率分布函数对点云精细配准。最后,使用逐步匹配法对一系列点云进行配准,使其全部配准到统一坐标系中。实验结果证明,该算法能精确的对由Kinect V2.0获取的同一场景不同角度的多幅点云图像进行配准,且其配准精度较高。

基于NDT与ICP结合的点云配准算法

Lidar SLAM技术是无人车进行精确导航的一种重要方式,也是实现无人车在复杂的园区非结构化道路环境中安全驾驶的一种前提保障。构建了一种快速精确定位与建图的方法,通过车载激光雷达返回的大量点云数据,进行噪声点移除以及Voxel Grid滤波的预处理,在保持原始点云形态的同时实现点云配准。首先利用NDT(Normal Distribution Transform)点云配准算法对无人车的位姿粗估计,然后利用ICP(Iterative Closest Point)点云配准算法对已配准的点云进行校正,实现无人车位姿的精确估计,进而完成地图的更新过程。该方法只需要车载激光雷达传感器实现了快速的、精度高的Lidar SLAM。将算法用于小旋风无人车,在校园环境进行了验证,结果表明该算法是可靠、有效的。

轨道交通高实时性高精度定位方法研究

为解决轨道交通领域露天和隧道场景的实时性及高精度定位需求,文章提出了一种基于激光雷达和惯性测量传感器的实时匹配定位方法。该方法有效结合了惯性传感器的短期高频率优势与点云地图匹配的长距离稳定性与准确性,有效消除了运动畸变并提升了数据质量。文章首先将惯性解算结果直接作为滤波器的预测输入值,充分利用惯性传感器的动态响应特性,滤波器的更新过程则依赖于点云与预先构建地图之间的精确匹配结果;然后,通过基于正态分布变换的匹配算法,得到点云数据在实际环境中的准确位置偏移量;最后,在轨道交通环境露天和隧道场景进行实验验证,结果表明,定位误差的平均值为0.1 m,平均处理耗时为98.13ms,且未出现轨迹不收敛、退化现象,能满足列车自主感知系统的定位需求。

基于重力约束正态分布变换的室内3维地图重建方法

提出一种基于改进正态分布变换的室内3维地图离线重建方法.通过加入重力方向约束来矫正地图形变,采用循环梯度配准方法提高配准成功率,并结合图优化的后端优化算法对所建地图进行优化.同时,采用摆动单线激光获取室内点云原始数据并进行实验,以验证所提方法的正确性.结果表明,利用该地图重建方法能够建立高精度的室内3维地图.

正态分布转换算法在声纳图像处理中的应用

根据声纳图像匹配处理的实时性需求,研究了正态分布转换算法。该方法基于对图像中目标点的概率分布进行匹配,不需要提取图像的几何特征或灰度特征,可有效缩短匹配时间。通过对均值滤波法、中值滤波法、小波去噪法、形态学平滑法4种图像去噪和迭代阈值法、最大熵法、一维Otsu法和二维Otsu法4种分割算法,进行仿真并对比,选出符合实时性处理的方法,即中值滤波法和一维Otsui法。基于美国德州仪器公司的数字信号处理芯片,将图像去噪、分割和匹配算法在硬件上实现,硬件实现结果和仿真结果一致,实现了声纳图像匹配的实时处理。

一种基于BFGS修正的正态分布变换点云配准方法

点云配准是点云数据处理中的关键问题,针对原始正态分布变换算法求解Hessian矩阵时间复杂度高的问题,本文提出一种基于BFGS算法修正的正态分布变换点云的配准方法。通过利用目标函数的梯度值及增量参数更新正定矩阵,以正定矩阵近似代替Hessian矩阵的逆矩阵,确保算法每次迭代方向均为函数值下降方向,降低了算法的时间复杂度;通过模拟数据试验及实测数据试验,验证了本文算法的可行性,其在保持原始正态分布变换算法精度的前提下,提高了算法的配准效率。

一种基于高精度地图匹配误差的路径规划方法

在无人驾驶技术发展的过程中,地图的匹配定位与其所指导的路径规划是十分重要的研究内容。路径规划的质量、总代价和稳定性往往与地图匹配定位的准确率有关。因此,论文使用正态分布变换算法进行基于高精度地图的无人车匹配与定位,然后将匹配误差引入路径规划代价函数。并引入道路危险系数的概念,根据匹配误差修改障碍物附近道路的危险系数,从而提高路径规划的稳定性和安全性。此外,论文进行了仿真实验,验证了算法的有效性。

基于改进型3DSIFT正态分布变换算法的点云配准

针对点云配准中采用三维尺度不变特征转换（3DSIFT）算法（基于三维点云）计算效率低的问题，提出一种基于改进型3DSIFT的三维正态分布变换（3D．NDT）配准算法。该算法首先利用球形代替方形来构造sI雕特征点描述符，并将3DSIFT算法特征描述向量128维降低到了48雏；其次，对三维点云进行3DSIFT特征提取并估算特征描述符，使用双向快速近似最近邻搜索和随机采样一致性算法确定最终点云匹配点，求解出变换矩阵，完成初始配准；最后，使用NDT算法体素化点云，并使用概率分布函数对点云精确配准。实验结果表明，改进后的算法适用于由KineetV2．0获取的不同角度的点云数据配准，且其配准精度较高。

数据分布特性对空调系统能耗预测的影响

空调系统能耗预测是实现智能调控、能源需求管理、系统节能的重要手段和前提之一,当前的空调系统能耗预测主要是基于机器学习算法。诸多机器学习算法的重要理论前提是数据的分布应尽量满足正态分布,然而空调系统的实际运行数据很少能满足正态分布特性,目前的研究鲜有涉及数据分布特性对空调系统能耗预测的影响。首先基于实际项目的空调系统能耗数据,从偏度和峰度两个指标分析了实际能耗数据分布与正态分布呈现出的偏离;然后通过对数变换对能耗数据进行数据变换,使能耗数据更接近于正态分布;接着以常见的4种能耗预测机器学习算法(广义线性回归算法、支持向量回归算法、人工神经网络算法、随机森林算法)对原始数据和经过数据变换后的数据分别进行空调系统能耗预测工作,分析负荷预测结果的RMSE和R^2统计量。结果对比发现,数据的分布特性对能耗预测有着重要的影响,合适的数据变换可以有效地提高空调系统能耗预测机器学习算法模型的预测效果。

基于激光雷达的点云配准算法综述

点云配准是基于激光雷达的同时定位与建图(SLAM)的关键技术之一。点云配准最终目的是求解出相同坐标系下不同姿态点云的变换矩阵,利用该矩阵实现多次扫描点云的精确配准,从而获得车身位置和姿态的变换。文章首先介绍点云配准的思想,对迭代最近点(ICP)算法和正态分布变换(NDT)算法的发展现状概括并进行说明,然后主要介绍ICP和NDT两种经典点云配准算法,最后进行总结。

基于改进正态分布变换算法的点云配准

正态分布变换(NDT)算法是一种应用在同时定位和地图生成(SLAM)中的点云配准算法。针对地面激光扫描(TLS)数据的特点,改进了NDT算法,提出了一种基于SURF的NDT配准算法,使之能应用在TLS中。该算法首先建立点云和图像间的映射关系把点云影像化;利用加速稳健特征(SURF)算法提取图像的特征点并找出特征点对;根据映射关系找到相应的三维特征匹配点,求出变换矩阵,完成点云初始配准。在NDT算法中,设置初始矩阵为单位矩阵,对点云体素化并使用概率分布函数对点云精细配准。实验结果证明,该算法不但适用于地面激光数据的配准,且其配准精度高、运算时间少,尤其对于不同分辨率的点云有良好的配准效果。

基于MaxShot-3D的复杂零件三维形貌柔性测量技术

针对传统柔性三维形貌检测系统柔性差和需预先粘贴合作目标点的问题,提出一种基于光学坐标三维测量系统的多特征复杂零件三维形貌柔性检测系统,并介绍该检测系统的总体方案,建立相对应的数学模型,实现复杂零件三维形貌柔性测量技术的研究。对系统的测量不确定度及重复测量精度进行了实验检定,实验结果表明,该柔性检测系统具有较高的可靠性和精度。同时,对带曲率、异形孔的零件外形尺寸进行免粘贴合作目标的外形测量,实验结果说明了检测系统的可行性。