多传感器建图与定位SLAM系统(simultaneous localization and mapping)在室外长距离跨度环境中,由于各传感器信息融合不正确、特征匹配错误,或传感器状态信息不可信,导致建图精度不足,轨迹漂移甚至建图崩溃。对此,提出一种基于因子图优...多传感器建图与定位SLAM系统(simultaneous localization and mapping)在室外长距离跨度环境中,由于各传感器信息融合不正确、特征匹配错误,或传感器状态信息不可信,导致建图精度不足,轨迹漂移甚至建图崩溃。对此,提出一种基于因子图优化的多传感器信息紧耦合算法(tightly-coupled lidar-visual-inertial odometry via smoothing,mapping and DBSCAN,LVI-SMAD),将前端点云和视觉信息联合的聚类结果作为因子图优化约束,以一种较低帧的约束形式加入到较高帧的点云地图输出中,加强了点云与视觉信息的紧耦合,解决了激光雷达与相机间信息匹配错误的问题,同时将该约束作为某一传感器信息不可信时的约束补充,减小了传感器信息不稳定情况下的定位漂移,提高了算法一致性。实验证明,在低坡度长跨度的工作环境中,LVI-SMAD与LVI-SAM对比,绝对轨迹误差降低了39.90%,与LIO-SAM对比降低了63.09%;在高坡度工作环境中,与LVI-SAM对比,绝对轨迹误差减少41.08%,与LIO-SAM对比减少64.87%,证明了算法的有效性与可行性。展开更多
文摘多传感器建图与定位SLAM系统(simultaneous localization and mapping)在室外长距离跨度环境中,由于各传感器信息融合不正确、特征匹配错误,或传感器状态信息不可信,导致建图精度不足,轨迹漂移甚至建图崩溃。对此,提出一种基于因子图优化的多传感器信息紧耦合算法(tightly-coupled lidar-visual-inertial odometry via smoothing,mapping and DBSCAN,LVI-SMAD),将前端点云和视觉信息联合的聚类结果作为因子图优化约束,以一种较低帧的约束形式加入到较高帧的点云地图输出中,加强了点云与视觉信息的紧耦合,解决了激光雷达与相机间信息匹配错误的问题,同时将该约束作为某一传感器信息不可信时的约束补充,减小了传感器信息不稳定情况下的定位漂移,提高了算法一致性。实验证明,在低坡度长跨度的工作环境中,LVI-SMAD与LVI-SAM对比,绝对轨迹误差降低了39.90%,与LIO-SAM对比降低了63.09%;在高坡度工作环境中,与LVI-SAM对比,绝对轨迹误差减少41.08%,与LIO-SAM对比减少64.87%,证明了算法的有效性与可行性。