基于强度扫描上下文回环检测的激光雷达SLAM算法

基于激光雷达的同步定位与建图(SLAM)技术可以在未知环境中实现机器人的实时定位并构建环境地图。LOAM、Le GO-LOAM等经典激光SLAM算法仅依赖点云的几何信息进行位姿估计,忽略了强度信息具有有效位置识别的特性;同时采用迭代计算的方式进行点云畸变补偿,虽然精度有保证但带来了高消耗的计算。基于此,提出了一种基于强度扫描上下文回环检测的激光SLAM算法,同时利用点云的几何和强度信息,采用强度扫描上下文(ISC)作为全局描述符进行回环检测以减少漂移误差,此外,采用非迭代两步法实现点云畸变补偿,以降低计算成本。基于室外公开数据集和室内采集数据的实验表明,所提出的激光雷达SLAM算法可有效抑制里程计位姿漂移,相比仅利用点云几何信息位姿精度平均提高约50%(均方根值),并在增加回环检测模块的情况下保证算法的实时性。

基于语义图和语义扫描上下文的激光点云两步重定位方法

为更好解决基于同步定位与地图构建(SLAM)地图无人车的长期定位问题,提出一种基于语义图相似匹配与候选帧的语义扫描上下文描述符,通过粗、细两步定位实现对点云场景的重定位。首先,提取点云语义和几何特征,剔除移动、可移动类对象,通过融合语义信息和拓扑关系构建语义图,以图相似度计算实现快速重定位粗匹配;其次,通过全局语义迭代最近点(ICP)方法计算点云之间的相对偏航角和水平位移,为点云配准提供良好的初始值;最后,通过语义扫描上下文生成全局语义描述符,通过对比描述符判别点云相似性,完成精准重定位。实验结果表明:所提方法相较基于语义图的地点识别方法在地点识别精度、遮挡场景和视角变化场景下精度分别提升20.10%、20.90%和20.47%。

基于扫描上下文优化的紧耦合激光SLAM方法

高精度地图与定位是无人车实现自主导航作业的重要前提,针对现有松耦合融合方法对观测信息利用不充分,以及传统闭环检测方法匹配精度低等问题,提出一种基于扫描上下文优化的紧耦合激光SLAM方法—–optimized SC-LIO-SAM.首先, IMU通过预积分对点云进行去偏校正,同时为激光里程计提供初始位姿估计;激光里程计通过滑动窗口的方法将当前帧的特征点云与局部地图匹配,随后基于扫描上下文的方法对特征点云进行编码生成点云描述符,实现高效的闭环检测;基于LIO-SAM的框架,将IMU预积分因子、激光里程计因子、GPS因子以及闭环因子插入全局因子图中,通过基于贝叶斯树的增量平滑优化算法对全局点云优化更新.为了验证所提方法的有效性,采用KITTI数据集评估optimised SC-LIO-SAM的性能,并与LOAM、LEGO-LOAM以及LIO-SAM对比,结果表明, optimised SC-LIO-SAM相比于LOAM、LEGO-LOAM以及LIO-SAM等算法,定位精度显著提升.最后将算法应用在开源数据集中,验证了optimised SC-LIO-SAM能够构建全局一致的地图.

中文文本分类相关算法的研究与实现

通过对分词歧义处理情况的分析,提出一种基于上下文的双向扫描分词算法,对分词词典进行改进,将词组短语的固定搭配引入词典中.讨论了特征项的选择及权重的设定,并引进2χ统计量参与项的权值计算,解决了目前通用TF-IDF加权法的不足,同时提出了项打分分类算法,提高了特征项对于文本分类的有效性.实验结果表明,改进后的权重计算方法性能更优越.