一种基于激光雷达点云的自适应双半径滤波算法

点云去噪技术是智能驾驶汽车感知周边环境信息的关键一步。针对激光雷达点云去噪算法去噪精度高、运行速率低的问题,提出一种适用于复杂场景和多种尺度噪声下的自适应双半径滤波算法。三维点云经最少点数约束条件下的体素滤波精简处理,并初步滤除离群噪声。用KD-tree建立索引计算点云的平均密度。根据点云密度构建自适应大、小半径模型,以滤除漂移噪声体素。为验证算法的有效性,在多噪声类型的简单场景和复杂场景下,与各算法对比去噪精度与运行速率。对比结果表明,在去噪精度略微降低的情况下,在简单场景中的运行时间低于0.6 s,在复杂场景中低于2 s,新算法具有较高的去噪精度和运行速率及较广的适用范围。

基于图优化的三维激光雷达SLAM算法研究

为了提高三维激光雷达SLAM算法的定位精度和解决其z轴偏移的问题,在图优化的基础上提出了一种增加边约束和地面约束来改善闭环检测的方法。首先,使用MLESAC算法对点云数据进行滤波,去除外点;其次,采用随机采样法对点云数据进行下采样,提高点云配准算法的速度和准确性;然后,基于3D-NDT配准算法得到点云变换关系;最后,在图优化的基础上将边约束和地面约束加入优化求解器,获得优化后的位姿和点云地图;使用Velodyne激光雷达扫描的地下车库数据进行评估,结果表明所提出的方法能够改善激光SLAM的回环检测,提高定位准确度,x、y和z方向精度分别可达0.0741、0.38895、0.0015 m,特别是z轴精度从1.68 m提升到了0.0015 m。