基于激光雷达的自动驾驶同步定位与建图方法综述

同步定位与建图(Simultaneous Localization and Mapping,SLAM)技术可使自动驾驶车辆在未知环境中根据车载传感器采集到的数据估计自身位姿,建立环境地图,为车辆的规划、决策提供定位信息,是近年来自动驾驶技术研究的热点之一。基于车载激光雷达的点云数据,聚焦SLAM技术在自动驾驶领域的应用,围绕前端里程计、后端优化和回环检测技术,对国内外相关研究进行综述。考虑到单一传感器的局限性,结合目前多传感器融合研究的热点与难点,展望了自动驾驶多传感器融合SLAM技术在自动驾驶领域的机遇与挑战。

多机协同的类脑同步定位建图方法

低计算量和存储量的优势使得类脑导航模型RatSLAM适用于大型环境的地图构建。为了进一步提高其建图效率,本文提出了一种多机器人协同RatSLAM系统。首先,设计使用了集中式的通信系统用于机器人间信息的交互。其次,提出了一种环境重叠区域检测方法以实现机器人之间的数据关联,从而进行经验节点间相对位姿计算。最后,提出一种改进型图松弛算法,利用机器人之间的位姿关系进行多机器人地图融合,完成全局统一的经验认知地图的实时在线构建。在公开数据集上以及真实物理实验环境中验证了所提方法的有效性。实验结果表明,相比单机器人,多机器人在保持较高地图精度与较少存储量的同时,平均建图效率提升45%。进一步与当前其他地图融合方法进行了比较,本文方法取得了更好的建图结果,验证了所提方法的有效性和准确性。

基于深度学习的实时同步定位与建图算法研究

传统的视觉同步定位与建图(simultaneous localization and mapping,SLAM)算法大多数建立在假设场景是静态的基础之上,这种假设限制了视觉SLAM在现实场景的应用。针对传统SLAM算法在动态环境下定位精度低、鲁棒性差的问题,提出了一种实时动态视觉SLAM算法。首先所提出的算法以ORBSLAM3为基础,新增了一个语义线程,该线程与其他线程并行运行,可以避免语义线程运行较慢而影响跟踪线程的运行。然后使用移动概率更新和传播语义信息,将其保存在地图中,并且使用数据关联算法从跟踪中去除动态点。最后使用公共TUM数据集来评估,证明了所提出的算法在动态环境下的鲁棒性和实时性优于现有的算法。

弱纹理环境下融合点线特征的双目视觉同步定位与建图

针对室内弱纹理环境下基于点特征的视觉同步定位与建图(Simultaneous Localization and Mapping,SLAM)存在的轨迹漂移等问题,提出了一种融合点线特征的双目视觉SLAM系统,并对线特征的提取与匹配问题展开研究。为了提高线特征的质量,通过长度与梯度抑制、短线合并等方法,进一步改进LSD(Line Segment Detector)线特征提取方法。同时,通过将匹配问题转换为优化问题,并利用几何约束构建代价函数,提出了一种基于几何约束的快速线段三角化方法。实验结果表明,本文所提方法在多个数据集上的表现都优于基于描述子的传统方法,尤其在室内弱纹理场景下,其平均匹配精度达到91.67%,平均匹配时间仅需7.4 ms。基于此方法,双目视觉SLAM系统在弱纹理数据集上与已有算法ORBSLAM2,PL-SLAM的定位误差分别为1.24,7.49,3.67 m,定位精度优于现有算法。

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。

同步定位与建图技术研究进展

同步定位与建图(SLAM)技术是自主移动机器人的主要技术支撑,成为当今的研究热点。介绍了SLAM技术的发展历程及主要传感器,梳理了基于视觉、激光雷达以及多传感器融合的SLAM技术,并对常见的SLAM算法进行归纳总结,对比分析各实现方案的优缺点。最后探讨了SLAM的技术难题和发展趋势。

基于多传感器融合的同步定位与建图方法研究

针对传统的视觉激光融合方法存在定位精度低、实时性较差和地图重影的问题,提出了一种基于贝叶斯推理的双目视觉与激光雷达(LiDAR)融合方法。该方法加速占据栅格的生成,采用激光三角测距法计算地图角度信息,并实时更新栅格单元,避免了因视觉特征误匹配而引起的地图重影和定位精度差的问题,保证了较好的实时性。室内场景实验表明:该方法不仅能获得更完整、精确的环境地图信息,相较于传统的双目视觉与LiDAR融合方法,定位精度提高了46%,实时性提升了21%。

视觉同步定位与建图系统中回环检测研究进展

回环检测又被称为位置识别,是“同步定位与建图”(Simultaneous Localization And Mapping,SLAM)系统中根据图像间的相似度判断运动轨迹是否经过重复地点(即存在回环)的功能,起到阶段性消除累积误差的作用。聚焦于视觉SLAM系统这一特定主题下的回环检测主题进行研究,概述了SLAM系统的基本功能与基本组成,分析了视觉SLAM系统中回环检测的原理与工作流程、前置问题、评测指标。剖析了回环检测发展过程中产生的系列方法,归类了视觉SLAM系统中回环检测存在的两类算法——基于词袋模型的回环检测算法和基于深度学习的回环检测算法,并对这两类算法的原理及优缺点进行了深入分析与总结。分析表明,基于词袋模型的回环检测算法因其在实时性上的优势仍处于主流,基于深度学习的回环检测算法具有较好的准确率和鲁棒性,但受限于设备对计算资源的分配,这一类做法如何应用于注重实时性的视觉SLAM系统仍是亟待解决的问题。最后,对回环检测面临的挑战和存在的问题进行了分析与展望。

基于变分贝叶斯双尺度自适应时变噪声容积卡尔曼滤波的同步定位与建图算法

为解决移动机器人在同步定位与建图(SLAM)中因系统噪声和观测噪声时变导致状态估计精度降低的问题,该文提出一种基于变分贝叶斯的双尺度自适应时变噪声容积卡尔曼滤波SLAM算法(DSACKF SLAM)。该算法采用逆Wishart分布对一步预测误差协方差矩阵P_(k|k–1)和观测噪声协方差矩阵R_(k)建模,分别用来降低系统噪声和观测噪声的影响,并利用变分贝叶斯滤波实现对移动机器人状态向量X_(k),P_(k|k–1)和R_(k)的联合估计。分别在系统噪声和观测噪声时变和时不变的条件下进行仿真实验,结果表明与基于无迹卡尔曼滤波的SLAM算法(UKF SLAM)、自适应更新观测噪声的容积卡尔曼滤波的SLAM算法(VB-ACKF SLAM)相比,所提DSACKF SLAM算法在噪声时变时,平均位置误差分别减小1.54 m,3.47 m;噪声时不变时,平均位置误差分别减小0.62 m,1.41 m,证明DSACKF SLAM算法有更好的估计性能。

融合测深/测距信息的水下同步定位与建图技术

针对测深信息同步定位与建图技术(SLAM)应用于AUV中由于使用的多波束测深声呐相邻测量条带无信息冗余导致的帧间运动估计缺失和回访历史位置前无法准确定位问题,提出了一种融合测深/测距信息的水下SLAM技术。此方法在测深数据关联基础上,通过AUV和信标之间的声学通信增加测距信息约束,实现对AUV位置的实时估计。针对距离量测中的异常值易导致SLAM算法失效这一困难,提出了一种概率图形分割算法,同时,提出一种应用信息论节点约简算法,解决了测深/测距SLAM中位姿图中节点过多导致的算法实时性差难题。结合海上实测数据开展回放式仿真试验,结果表明:概率图形分割算法能够准确地识别出距离量测异常值,应用信息论节点约简算法能够剔除位姿图中的多余节点,缩短约60%程序运行时间;所提出的融合测深/测距信息的水下SLAM技术的绝对轨迹误差平均值为9.55 m,定位效果相较于测深信息SLAM(11.58 m)和仅测距SLAM(21.40 m)有明显提升。

基于改进ORB-SLAM2的机器人同步定位与建图技术研究

ORB-SLAM2是目前视觉SLAM中,最前沿的同步定位与建图算法之一,但其在提取ORB特征点时,存在低响应阈值固定问题,导致提取的特征点响应值较低,将增大特征点筛选及匹配误差。针对这一问题,本文提出自适应降低阈值的方法提取特征点,当通过高响应阈值搜索,未搜索到特征点时,自适应逐级降低阈值搜索特征点,从而提高所提取特征点的响应值。研究结果表明:改进算法的绝对定位误差(APE)及相对定位误差(RPE),较原始算法都有所降低,其中APE的RMSE下降了15.87%。实验结果表明,运用改进算法进行同步定位与建图,其精度得到有效提高。

多传感器融合的移动机器人同步定位与建图

在移动机器人的同步定位与建图(SLAM)研究中,使用单一的Kinect传感器或激光传感器时,出现建图精度低、信息不完整、回环检测易出错、可靠性差等问题,为此提出一种方案,将这两种传感器进行融合,利用融合之后的数据来创建环境地图。该方法首先将Kinect采集的深度图转换成伪激光数据后,与激光传感器的数据进行融合,来构建环境的局部栅格地图,并利用融合后的数据进行激光回环检测。当检测到有回环时,再利用Kinect的RGB图的丰富的视觉信息进行视觉回环检测。通过双回环检测来过滤掉错误的回环信息,提高全局地图的精度和完整性。最后在机器人操作系统上进行试验,结果表明该方案能显著提高建图的精度和完整性。

基于LeGO-LOAM的实际场景下的同步定位与建图方法

同步定位与建图是无人驾驶技术中实现无人化的关键技术之一。建图的精度以及适用性仍需进一步提高,论文通过对轻量化和地面优化的激光雷里程计和地图(LeGO-LOAM)算法的回环检测部分进行改进,将KD(K-Dimensional)树与上下文扫描算法进行结合,并且对雷达-惯性测量单元(IMU)外参进行重新标定。通过建立实际场景将调整后的算法与之前未调整的算法进行比较,可以看出,调整后的算法的建图精度与适用性有了很明显的提高。

基于改进Gmapping的室内ROS智能车同步定位与建图系统设计

室内移动机器人是近年来研究的热点问题,同步定位与建图技术更是移动机器人的关键技术之一。为此文章设计了基于机器人操作系统(ROS)智能车的同步定位与建图系统,以Gmapping为核心算法,首先采用电机编码器构建的里程计对单线激光雷达的每帧数据进行运动畸变补偿,以运动畸变补偿后的激光雷达数据和里程计数据作为Gmapping算法输入;然后通过Gmapping算法粒子初始化,构建考虑观测量的提议分布并对粒子进行采样以估计智能车位姿,以重采样重要性系数对粒子进行重采样并设置重采样阀值,利用二值贝叶斯滤波器对每个粒子的地图状态更新;最后基于Gmapping算法输出智能车的位姿估计和地图数据。试验结果表明,所设计的同步定位与建图系统,在小尺寸环境下对智能车位姿估计和构建的地图较为准确,满足设计目标要求。

基于多相机融合和特征点加速匹配的煤矿井下视觉同步定位与建图算法

基于特征点法的视觉同步定位与建图(SLAM)算法在煤矿复杂环境下具有较多的应用场景,但随着图像质量以及相机数量的增加,特征点的匹配耗时会延长,相机与系统参数的适配复杂度也会提高。针对以上问题,提出一种基于多索引哈希和负位姿熵的视觉SLAM算法。该算法通过切分特征点描述子,查询存储图像信息的哈希表来提升匹配速度,不需要加载离线词典;同时根据信息熵理论,量化关键帧与当前地图的不确定度,确认关键帧的插入时机,简化传感器调参流程。试验结果表明,该算法相较于ORB-SLAM2算法,对于多特征点的视觉里程计,匹配速度获得了明显提高,且减少了内存占用空间;在复杂场景的数据集中,系统定位的精准度得到了提升,且降低了多相机系统的调参难度。

ORB-SLAM3融合语义分割的AGV栅格地图构建与导航

同时定位与建图(SLAM)技术是自动引导车(AGV)实现自主引导的关键技术之一,传统的视觉SLAM生成的稀疏点云地图无法得到真实场景中空间是否被障碍物占据的状态,因此不具备导航功能。提出了一种基于语义分割的栅格地图构建方法。通过全景分割网络Panoptic FCN对ORB-SLAM3生成的关键帧进行语义分割,利用相机水平安装且高度固定作为先验条件确定地面的空间位置,再结合关键帧位姿将得到的语义掩膜进行反投影,利用贝叶斯增量式估计方法构建二维占据栅格地图。在实验室搭建的AGV平台上对该建图算法进行验证,利用A*算法作为路径规划算法,实验结果表明算法生成的语义栅格地图能够正确的表示出地面和障碍物位置,AGV按照规划好的路径正确地跟踪到目标点,算法生成的栅格地图能够正确地反映出环境语义信息并可以应用于AGV实际导航,算法实时性和准确性都能够满足需求。

基于单目视觉的动态环境同步定位与多地图构建算法

针对传统V-SLAM算法是在假设场景刚性不变的条件下进行建图,导致无法实现动态环境建图,以及传统算法无法克服因环境特征不明显或机器人被“绑架劫持”而导致场景跟丢的问题,提出一种在动态环境下同步定位与多地图构建(DE-SLAMM)算法。该算法首先引入一种多地图构建思想,当跟踪失败时会自适应生成一个新的局部地图,并在回环时将该地图与之前地图融合,解决算法跟丢后无法建图的问题。其次,结合深度学习和多视图几何技术实现对环境中的动态物体进行实时检测,并利用多帧融合技术对动态对象遮挡的部分进行背景修复,有效解决动态环境下跟踪建图问题。最后将该算法应用于实际场景进行测试,结果表明,相比经典的V-SLAM算法(ORB-SLAM2、ORBSLAMM和DynaSLAM),当发生跟踪丢失时,本文算法在很短时间内快速重建地图并实现继续跟踪和新地图融合,而ORB-SLAM2和DynaSLAM跟丢后进入重定位模式,无法继续建图;ORBSLAMM跟丢后虽然可以继续建图,但其建立的地图不能实现多地图融合,无法构建整体地图;进一步通过动态环境测试实验发现,只有本文算法可实现所有动态目标(先验和移动目标)的实时检测及背景修复,DynaSLAM只能实现先验目标检测,而其它两种算法无法实现动态环境下目标检测和建图。

改进位姿估计环节的ORB-SLAM稠密建图算法

为提高ORB-SLAM2 (oriented fast and rotated brief, and simultaneous localization and mapping)系统的位姿估计精度并解决仅能生成稀疏地图的问题,提出了融合迭代最近点拟合(iterative closest point, ICP)算法与曼哈顿世界假说的位姿估计策略并在系统中加入稠密建图线程。首先通过ORB(oriented fast and rotated brief)特征点法、最小显著性差异(least-significant difference, LSD)算法和聚集层次聚类(agglomerative hierarchical clustering, AHC)方法提取点、线、面特征,其中点、线特征与上一帧匹配,面特征在全局地图匹配。然后采用基于surfel的稠密建图策略将图像划分为非平面与平面区域,非平面采用ICP算法计算位姿,平面则通过面与面的正交关系确定曼哈顿世界从而使用不同估计策略,其中曼哈顿世界场景通过位姿解耦实现基于曼哈顿帧观测的无漂移旋转估计,而该场景的平移以及非曼哈顿世界场景的位姿采用追踪的点、线、面特征进行估计和优化;最后根据关键帧和相应位姿实现稠密建图。采用慕尼黑工业大学(technische universit?t münchen, TUM)数据集验证所提建图方法,经过与ORB-SLAM2算法比较,均方根误差平均减少0.24 cm,平均定位精度提高7.17%,验证了所提方法进行稠密建图的可行性和有效性。

基于RGB-D图像的三维同步定位与建图研究

针对移动机器人三维同步定位与建图过程中机器人位姿误差累积问题,提出了一种位姿全局优化方法提高机器人定位精度和建图质量。该方法在帧到帧配准模型的视觉里程计的基础上,通过基于图像匹配的闭环检测来增加机器人位姿间的约束,在构建位姿图过程中采用局部回环结合随机大回环策略提高位姿优化效率,最后采用g2o(general graph optimization)算法对机器人位姿进行全局优化。此外,提出了一种关键帧选取方法,以减少系统计算资源及内存空间的消耗。实验结果表明,该方法在运动轨迹3.96 m的情况下均方根误差仅为8.7 mm,并能准确构建出室内场景的三维地图。

AUV的图优化海底地形同步定位与建图方法

海底地形辅助导航技术可为智能水下机器人(AUV)的长时间水下作业提供有界精确导航结果,且无需声学基阵辅助。然而,地形辅助导航需要已知高精度先验海图,这大大限制了其应用范围。为解决海底地形未知条件下的海底地形辅助导航问题,提出了海底地形同步定位与建图技术。利用水深预测手段和地形匹配方法进行帧间数据关联构建和闭环检测,并通过图优化技术进行海底地形同步定位与建图问题求解。仿真试验结果显示,在航行1h后,海底地形同步定位与建图系统的建图结果中所有测深点定位误差均值约为13m。