为了保证算法的实时性,在激光SLAM算法(Simultaneous Localization and Mapping,SLAM)中通常使用滤波算法使激光点云地图保持稀疏的状态以减少运算复杂度。在多传感器融合的SLAM算法中,激光点云为图像像素提供深度信息,最终输出携带色...为了保证算法的实时性,在激光SLAM算法(Simultaneous Localization and Mapping,SLAM)中通常使用滤波算法使激光点云地图保持稀疏的状态以减少运算复杂度。在多传感器融合的SLAM算法中,激光点云为图像像素提供深度信息,最终输出携带色彩信息的点云地图,此时由滤波算法引起的点云稀疏性将影响融合效果,出现无法清晰辨别物体轮廓或颜色信息的情况。本文基于LOAM(Lidar Odometry and Mapping in Real-time)算法,使用体素栅格滤波算法处理激光点云,在不考虑计算实时性的前提下,通过配置体素栅格的大小提高点云密度,为更多数量的图像像素提供深度信息。在室内、走廊、室外三种场景下的实验表明,通过减小的体素大小,点云密度最大可以增加54.87倍,达到了丰富激光点云图的目的,且此方法在室内、走廊等小场景中更加适用。经融合算法处理,将体素滤波处理后的激光点云深度信息与图像像素融合,生成携带色彩信息的点云地图,使环境结构及颜色信息能够清晰辨识。展开更多
文摘为了保证算法的实时性,在激光SLAM算法(Simultaneous Localization and Mapping,SLAM)中通常使用滤波算法使激光点云地图保持稀疏的状态以减少运算复杂度。在多传感器融合的SLAM算法中,激光点云为图像像素提供深度信息,最终输出携带色彩信息的点云地图,此时由滤波算法引起的点云稀疏性将影响融合效果,出现无法清晰辨别物体轮廓或颜色信息的情况。本文基于LOAM(Lidar Odometry and Mapping in Real-time)算法,使用体素栅格滤波算法处理激光点云,在不考虑计算实时性的前提下,通过配置体素栅格的大小提高点云密度,为更多数量的图像像素提供深度信息。在室内、走廊、室外三种场景下的实验表明,通过减小的体素大小,点云密度最大可以增加54.87倍,达到了丰富激光点云图的目的,且此方法在室内、走廊等小场景中更加适用。经融合算法处理,将体素滤波处理后的激光点云深度信息与图像像素融合,生成携带色彩信息的点云地图,使环境结构及颜色信息能够清晰辨识。