基于NDT配准与轮式里程计的激光雷达运动畸变补偿算法

激光雷达是广泛应用于同时定位与地图构建(SLAM)的测距传感器,普遍基于旋转机制收集周围环境的几何信息。当扫描期间激光雷达发生移动时,生成的点云会产生运动畸变,降低SLAM系统的准确性。在激光雷达SLAM算法设计中,为使雷达运动的估计结果更为精确,文中提出一种基于正态分布变换(NDT)和轮式里程计的激光雷达运动畸变补偿算法。首先,使用轮式里程计以高频测量方式对雷达运动进行估计,可补偿部分运动畸变。其次,设计一种基于NDT配准算法的误差处理方法,通过对点云的精准匹配降低里程计漂移的影响,实现雷达运动精确估计,进而精准补偿运动畸变。文中采用数据集以及真实场景实验对提出算法进行测试。实验结果表明,与传统里程计辅助方法相比,提出的算法能够优化运动畸变补偿效果,降低轨迹累积误差并生成全局一致地图。

基于激光雷达里程计的高速公路三维建模方法

构建三维道路数字模型对智能车服务和道路管理具有重要意义。文中针对高速公路不同路段应用场景下车辆运行速度快、干扰噪声多、特征少和无回环检测辅助等一系列问题,提出一种以激光雷达信息为建模基础数据、激光雷达里程计与LOAM技术等多传感器融合的高速公路三维建模方法。首先,通过车载激光雷达获取道路场景的激光点云数据,使用激光雷达图像分割技术赋予每一个点有关构造物的标签,剔除道路上其他运动车辆的信息,减少建模噪声;其次,制定了一个精确的同步策略来对GNSS、IMU和激光雷达等传感器进行集成;在此基础上,结合惯性导航预积分结果、基于特征点云的位姿约束和RTK数据构建因子图,消除激光雷达里程计的累积误差,从而构建全局一致性的高速公路三维数字模型。为了保持姿态估计的有限数量,文中还引入了基于关键帧的滑动窗口优化策略。最后,分别采集高速公路场景中常见的3种路段(一般路段、桥梁和隧道路段)进行建模分析,结果表明,在具有挑战性的高速公路场景建模中,文中方法能够有效提高建模鲁棒性、精度以及模型有效性。

基于轨迹拐点滤波的激光雷达里程计定位算法研究

在GPS拒止环境下,激光雷达里程计可以利用帧间匹配跟踪车辆实现定位,但是定位误差随时间累积的特性造成激光雷达里程计(LO)缺乏持续性。为解决LO的误差累积问题,引入轻量级地图OSM。基于粒子滤波框架,以LO作为运动模型的输入,通过两次筛选提取拐点,利用拐点匹配完成与地图的对齐,并以粒子的均值作为车辆校正后的位置,实现对定位误差的校正。提出了一种新的粒子权重模型,利用不同节点的相似度模型及测量值作为粒子权重的更新依据,避免拐点与路网节点的错误关联导致定位误差加大。经由KITTI数据集上的实验验证,该算法可以有效克服LO误差漂移问题,相较于原始LO定位精度至少提高了49.22%,且具有较好的实时性。

基于点线特征融合的视觉惯性里程计方法研究

相机和惯性测量单元组成的基于图像点特征的视觉惯性里程计(Visual Inertial Odometry,VIO),广泛应用于移动机器人定位领域,但会面临点特征退化的问题,使其定位精度受到很大影响。因此,本文提出一种基于点线特征融合的VIO方法,并在EuRoC数据集上进行实验。结果表明:该方法不仅定位精度最优,而且线特征提取的时间较低。

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。

激光雷达SLAM算法综述

即时定位与地图构建(simultaneous localization and mapping,SLAM)是自主移动机器人和自动驾驶的关键技术之一,而激光雷达则是支撑SLAM算法运行的重要传感器。基于激光雷达的SLAM算法,对激光雷达SLAM总体框架进行介绍,详细阐述前端里程计、后端优化、回环检测、地图构建模块的作用并总结所使用的算法;按由2D到3D,单传感器到多传感器融合的顺序,对经典的具有代表性的开源算法进行描述和梳理归纳;介绍常用的开源数据集,以及精度评价指标和测评工具;从深度学习、多传感器融合、多机协同和鲁棒性研究四个维度对激光雷达SLAM技术的发展趋势进行展望。

平面环境约束辅助的单目视觉惯性里程计

为提高视觉惯性导航系统在宽动态、长航时、大范围作业环境中的精确性与鲁棒性,提出了一种平面环境约束辅助的单目视觉惯性里程计。通过在视频图像中提取并跟踪均匀分布的FAST特征点,并采用对称光流剔除误跟踪点,实现了视觉特征点高效检测与精确跟踪;无需计算稠密深度地图,仅从稀疏特征点集中检测共面特征点,拟合空间平面,构建了对视觉特征点三维坐标的空间几何约束;融合视觉特征点重投影误差、共面特征点坐标约束以及惯性测量单元(Inertial measurement unit,IMU)预积分误差构造代价函数,采用非线性优化方法估计了系统状态。最后,分别在公开数据集和实际户外场景中评估了算法的准确性和有效性。实验结果表明,相较于VINS-Mono和ORB-SLAM3算法,本文方法的定位结果有显著提升,实现了复杂应用环境中精确、稳定导航,在机器人、无人驾驶等领域具有较大的实用价值。

基于点转移矫正的视觉惯性里程计

针对卷帘相机的卷帘效应会引起图像扭曲,进而影响系统定位精度的问题,提出了一种融合IMU信息的点转移矫正的视觉惯性里程计。首先,针对卷帘图像扭曲问题,利用三焦点张量的点转移方法修正卷帘图像,相当于输入系统的是全局图像。其次,为了保证算法在嵌入式硬件上实时运行,采用扩展卡尔曼滤波进行信息融合来提高系统的定位精度和降低计算资源的要求。然后,引入静态检测和异常检测来保证系统的鲁棒性。最后,所提算法在手机上以25 Hz左右的帧率实时运行,并在真实环境下进行实验。公开数据集上的实验结果表明:与RS-VINS-Mono算法相比,所提算法的定位精度提升了27%,验证了该算法可有效融合视觉和惯性信息来减小卷帘效应带来的定位误差,提高了系统的鲁棒性。

面向城区自动驾驶的激光惯性里程计

针对城区自动驾驶车辆定位问题,提出一种基于LiDAR与IMU融合的激光惯性里程计。LiDAR通过帧间点云配准进行定位,但对非线性运动的鲁棒性不足;IMU通过对加速度和角速度积分进行定位,但长距离定位误差大。基于此,根据无迹卡尔曼滤波原理对积分位姿和配准位姿进行融合。将积分位姿作为LiDAR配准的初始位姿;同时利用配准位姿修正积分位姿,从而实现长距离持续定位。在某城市道路对所提方法进行实车实验,结果表明所提方法有效提高了里程计的整体定位性能。

基于多旋翼无人机视觉惯性里程计的设计与实现

针对GNSS信号受到干扰或在拒止环境下,多旋翼无人机的导航定位问题,设计一种多旋翼无人机视觉惯性里程计系统。介绍系统的总体设计方案、硬件选型与设计、软件系统搭建、通信协议规定以及算法设计思路。实验验证结果表明:该系统可以实际运行在多旋翼无人机上,当GNSS信号不可用时,仍可向飞控实时提供多旋翼无人机当前可用位姿,为多旋翼无人机视觉辅助导航设计提供参考。

一种基于因子图消元优化的激光雷达视觉惯性融合SLAM方法

针对单一传感器SLAM(Simultaneous Localization And Mapping)技术在复杂环境中存在精度低、可靠性差等问题,提出一种基于因子图消元优化的激光雷达、视觉和IMU(Inertial Measurement Unit)融合SLAM算法(Multi Factor Graph fusion SLAM with IMU as the Dominant system,ID-MFG-SLAM).首先,采用多因子图模型,提出以IMU为主系统,视觉与激光雷达为辅系统,通过引入辅系统观测因子约束IMU偏差,并接收IMU里程计因子实现运动预测与融合的全新结构.之后,为降低融合后的优化成本,加入滑窗机制并设计基于Householder变换的QR分解消元法将因子图转换为贝叶斯网络.最后,引入一种球面线性插值与线性插值之间的自适应插值算法,将激光雷达点云投影到单位球体上实现视觉特征点深度估计.实验结果表明,相比其他经典算法,该方法在复杂大、小场景中绝对轨迹误差分别可达到约0.68 m和0.24 m,具有更高的精度和可靠性.

基于IESKF的激光惯性里程计实现方法研究

针对主流的激光里程计方案存在精度较低和计算耗时严重的问题,提出一种基于迭代误差状态卡尔曼滤波器的IMU与LiDAR紧耦合的里程计方案,将IMU预积分结果与特征点云匹配结果融合得到高精度位姿,并且使用等效卡尔曼增益公式,降低计算维度,提高系统运行效率。对比分析了主流里程计方案与本方案在位姿估计精度和时效性上的表现,结果表明,本方案在满足系统实时性的前提下,能有效提高里程计的精度。

基于激光雷达的码盘里程计标定算法

针对自移动机器人码盘里程计标定问题,提出了一种基于激光雷达的自移动机器人码盘里程计标定算法。该算法使用最小二乘法建立码盘里程计标定模型,并计算码盘里程计标定模型中的标定矩阵;通过标定矩阵标定码盘里程计,得到自移动机器人标定后的码盘里程计;再通过航迹推算对自移动机器人标定后的码盘里程计积分,得到自移动机器人标定后的码盘里程计航迹。实验表明,自移动机器人线路一标定后的码盘里程计航迹起点至终点的误差为6. 33 m,比自移动机器人线路一码盘里程计航迹起点至终点的误差减少了80. 5%。自移动机器人线路二标定后的码盘里程计航迹起点至终点的误差为14. 32 m,比自移动机器人线路二码盘里程计航迹起点至终点的误差较少了63. 4%;提高了自移动机器人码盘里程计的精度。

基于在线时间延迟估计的双目视觉惯性里程计

针对多传感器融合时由于时间延迟的存在导致设备定位精度下降的问题,提出一种基于在线时间延迟估计的双目视觉惯性里程计算法。在IMU初始化阶段采用静止初始化的方式,在优化中通过计算实际时刻图像将时间延迟带入到优化模型中,优化后对用于IMU预积分中的图像时间戳进行补偿,消除时间延迟的影响。同时在双目间的数据关联中,对提取的关键点采用往返追踪策略来剔除错误的数据关联,提高双目间数据关联的准确性。在EuRoC数据集上的实验结果表明,上述算法能够消除时间延迟的影响,并提高相机位姿估计的精度,与其它开源算法相比,所提出的方法可以取得更高的定位精度。

城市环境下视觉惯性里程计辅助PPP定位

针对复杂城市环境下,卫星信号容易受到遮蔽,精密单点定位(PPP)技术无法实现高精度连续定位,而视觉惯性里程计(VIO)可以提供连续的相对位置和速度,但其误差随时间累积,无法长时间独立提供高精度导航等问题,提出半紧组合VIO辅助PPP(VIO-PPP)的定位方法:设计了VIO和PPP 2个滤波器;在VIO滤波器中,使用多状态约束下的卡尔曼滤波器来处理获取的视觉图像和惯性测量单元(IMU)观测数据,以预测位置和速度,并用PPP滤波器来修正预测值;同时根据定位精度因子和卫星的数量,在不同的环境中对PPP和VIO采取不同的加权策略;然后搭建全球卫星导航系统(GNSS)、惯性和视觉多源融合数据采集平台,对各传感器完成参数标定和时间同步,形成一套完整的城市环境下的高精度定位系统;最后在户外复杂环境中进行多组实验,比较VIO、PPP和VIO-PPP不同定位模式的定位结果。实验结果表明,多源融合导航系统可以显著提高导航性能,与PPP相比,VIO-PPP模型的精度能够提高40%以上,平面精度和高程精度分别可达到0.2和0.3 m。

基于融合地图的自动驾驶激光雷达定位算法

针对环境变更对自动驾驶激光雷达(LiDAR)定位产生不可预估影响的问题,提出一种基于融合地图的LiDAR定位方法。在线定位中,根据里程计的结果将激光点云融入到离线地图中,使用融合后的地图有效地解决在线定位跳变。定位过程中,根据位姿滑窗维护和离线地图格式一致的在线地图,通过求解在线地图和离线地图间的差异度,自动识别环境更新区域,协助离线地图更新。实验结果表明:算法可以有效降低环境变更导致的定位跳变,在环境出现变更时,可以及时地识别出环境的更新区域。

动态环境下激光雷达地图构建

针对动态噪声大室外应用场景中存在里程计与建图精度较低、鲁棒性不足的问题,提出基于激光里程计与建图方法。利用惯性测量单元对每一帧点云数据进行运动补偿,进行地面分割。采用欧几里得聚类方法在非地面区域检测动态物体并去除动态物体的点云数据,在可靠区域内获取关键特征点后进行点云配准和分步骤求解位姿。构建全局静态地图,通过回环检测减少累积误差。利用KITTI数据集和校园环境数据对方法进行验证,实验结果表明,提出方法在满足实时性的要求下激光里程计与建图精度优于目前主流算法LOAM、Lego-LOAM,具有良好的鲁棒性和环境适应性。

退化环境中多线激光雷达融合IMU的里程计改进方法

在退化环境中,机器人定位与建图很难取得较好的结果,使用多线激光雷达的LOAM算法的激光里程计在退化环境中缺少约束,对位姿的变化估计较差。本文在LOAM的框架下对LOAM的激光里程计进行了改进,通过加入了IMU的位姿估计,提出了Lidar-imu里程计,使得在退化环境中激光缺少约束时,也可以通过IMU对位姿变化进行准确估计。通过使用公开数据集和真实环境实验对本文方法验证,证实了本文提出方法取得了良好的效果。

基于改进视觉惯性里程计的无人机系统设计

对小型旋翼无人机在缺乏GNSS信号情况下的定位导航问题,提出了基于改进视觉惯性里程计的无人机软硬件方案。首先设计带优先级的样本点采集策略和并行化计算方法,改进传统RANSAC算法,嵌入VINS-Fusion并用于无人机定位;其次,搭建无人机硬件平台,设计了飞控通信接口与控制系统。同时为高效地验证算法有效性,借助gazebo实现了无人机系统仿真。实验结果表明:算法在基础矩阵计算中平均内点比例提高1.8%,使用算法改进后的里程计在MH_01序列上的均方根误差降低0.001 m,在MH_02序列上的均方根误差降低0.019 m,满足无人机定位与导航时对精度与实时性的要求。

基于滑动窗口优化的激光雷达惯性测量单元紧耦合同时定位与建图算法

针对现有的激光里程计在面临室外大场景建图时,普遍会出现定位精度低、鲁棒性差的问题,提出一种16线激光雷达和惯性测量单元(inertial measurement unit, IMU)紧耦合的同时定位与建图(simultaneous localization and mapping, SLAM)算法。首先,对IMU进行估计位姿,通过线性插值矫正激光点云的运动畸变;其次,通过曲率提取场景特征,并根据不同特征性质进行分类;再次,利用帧间匹配模块在滑动窗口内构建局部地图;最后,利用帧与局部地图匹配得到的距离和IMU数据构建联合优化函数。借助KITTI数据集和自行录制的园区数据集,对改进算法与主流的Lego-LOAM和同样使用紧耦合方案的LIO-Mapping进行分模块和整个系统的精度评定。实测结果表明,在符合里程计实时性的要求下,改进激光里程计精度高于Lego-LOAM和LIO-Mapping方案。