机载激光测深数据配准方法比较

机载激光测深(Airborne LiDAR Bathymetry,ALB)系统可以快速高效地获取海岛礁及其邻近区域的水上水下一体化数据,但是由于测量区域大部分位于地势变化缓慢的近岸浅水水域,点云密度低、厚度大,配准特征稀少,同名特征提取困难.针对机载激光测深数据的配准研究工作相对较少.本文以我国南海海域的机载激光测深点云为试验对象,比较基于不同几何特征的ALB点云数据配准方法,通过配准精度指标对快速点特征直方图(Fast Point Feature Histograms,FPFH)、最长公共子序列(Longest Common Subsequence,LCSS)和广义迭代最近邻点(Generalized Iterative Closest Point,GICP)三种配准方法进行评定.试验结果表明,LCSS线序列方法实现ALB点云数据配准方法的可靠性更高,能够克服对应特征匹配过程中信息单一以及噪声问题,提高特征曲线中对应点的稳健估计,增强航带数据配准的鲁棒性,是ALB数据配准的一种有效解决方案.

基于分布优化配准的实时激光SLAM算法

激光雷达在扫描周围环境时会产生部分杂乱且稀疏的点云,该类点云会在配准过程中产生过大的分布拟合误差和关联距离,进而影响配准算法的精度及同步定位与建图(simultaneous localization and mapping,SLAM)的效果。针对以上问题,提出了一种基于分布优化配准的实时激光SLAM算法。设计了一个特征谱滤波器,该滤波器以归一化最小特征值为滤波对象,去除不符合设定分布的点云以减小分布拟合误差;提出了一个点云配准损失函数,对源点云和目标点云构成的联合协方差矩阵和误差项进行复合归一化,以减小关联距离过大的点在迭代求解过程中的干扰;设计了一个SLAM算法框架,该框架包含前端里程计、回环检测和后端优化等环节,兼容纯激光建图和激光/惯性融合建图,进而保证建图的精确性和一致性,并提高了算法的适应性。在公开数据集上进行了多组实验,实验结果表明,相较于现有SLAM算法,所提算法在精度和速度指标方面均具有较大优势。