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。

基于激光雷达的牧场巡检机器人定位与建图算法设计

针对牧场巡检机器人定位精度和鲁棒性低、建图精度和稳定性差的问题,提出一种基于激光雷达测距和测绘技术与改进LOAM-SLAM算法的LOM-SLAM算法。LOM-SLAM算法在LOAM-SLAM算法的基础上将SLAM分解为运动估计和地图构建两个过程,利用激光雷达的高精度测距和测绘技术,实现同时进行机器人的定位和地图构建,从而提高定位与建图的精度,提高鲁棒性和稳定性。将LOM-SLAM搭载在麦轮结构的巡检机器人上进行试验验证。结果表明:在位姿估计试验中,LOM-SLAM算法的绝对轨迹误差(ATE)和相对位姿误差(RPE)的RMSE值分别仅为7.28 m和2.23 m,均低于对比算法。在定位与建图试验中,当巡检机器人分别以0.2 m/s、0.5 m/s、1 m/s的速度运动时,LOM-SLAM的定位误差分别为0.12 m、1 m、1.2 m,具有更好的定位精度和稳健性。

IMU紧耦合的多激光雷达定位与建图方法

在许多移动机器人的应用场景下,如自动化仓储物流场景,由于激光雷达安装位置的限制,采用单一激光雷达的SLAM解决方案存在视场受限以及难以闭环的问题。为此基于FAST-LIO2算法提出了一种IMU紧耦合的多激光雷达定位与建图方法,该方法在扩展了机器人的感知范围的同时提高了定位精度和建图效果。通过公开数据集的离线测试以及自建实验平台的在线测试,相较于M-LOAM、FAST-LIO2和Faster-LIO算法,所提出的算法在定位精度和建图效果上取得了显著提升,并具有更低的回环漂移。

激光雷达与RGB-D相机融合的SLAM建图

对二维激光雷达与RGB-D相机联合标定,采用改进的ORB-SLAM2算法实现稠密的点云地图、八叉树地图、栅格地图的构建。提出了一种将Cartographer算法与改进的ORB-SLAM2算法融合建图的改进算法。实验结果表明,相比传统的ORB-SLAM2算法,改进的融合算法在建图过程中障碍物的识别率达到了96.8%,绝对位姿误差减小了53.2%,提高了建图的精确性和鲁棒性。

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。

激光即时定位与建图算法综述

激光即时定位与建图(SLAM)算法是一种在机器人导航和自主驾驶领域被广泛应用的技术;该技术可以利用激光雷达扫描环境并提取特征点,实现机器人的自主定位和地图构建;针对机器人激光SLAM技术进行研究,分析了各个激光SLAM算法的基本原理,并且对主流SLAM算法进行了现状总结;根据激光SLAM算法的特点以及原理不同,将激光SLAM算法分为:基于滤波器的算法、基于图优化的算法、基于配准的算法、基于学习的算法等;基于上述分类,详细介绍了每个算法的优缺点,并且分述了近两年的主要研究成果;针对移动机器人激光SLAM算法研究现状,对激光SLAM算法的未来发展进行了展望。

一种手持式半球形视角激光雷达SLAM三维建图技术

针对室内外场景快速三维建图问题,本文提出了一种半球形视角激光雷达扫描同时定位与建图(SLAM)方法,设计了集成半球形视角激光雷达和惯性测量单元的手持便携式三维激光扫描系统。首先,根据半球形视角激光雷达扫描线结构特征,对分割的地面点云降采样,减少垂直约束冗余。然后,对惯性测量单元(IMU)和降采样激光点云通过一个紧耦合迭代扩展卡尔曼滤波器(iEKF)进行联合位姿估计。最后,使用因子图增量式后端优化处理消除累积误差,提升点云地图精度。采用本文方法研发的原型系统对典型室内外场景进行建图试验,结果表明:本文方法绝对定位精度优于4‰,相对定位精度优于0.3‰,在室内外一体化三维建图方面具有广阔应用前景。

一种融合IMU的手持旋轴激光雷达定位建图方法

同步定位与建图(Simultaneous Localization and Mapping,SLAM)是移动机器人与智能车辆实现环境感知、实时定位的关键技术。随着科技的不断发展,具有便携、扫描范围广等优势的手持旋轴激光雷达应用愈加广泛。为了解决手持旋轴激光雷达在运行过程中由于旋转引起的特征点稀疏导致定位建图质量差的问题,提出一种改进的SLAM算法。在LIO-SAM算法的基础上计算了一种表征点云强度信息的特征点,在提取几何特征边缘点与平面点时,将周围强度值变化较大的点作为一种新的特征点引入点云匹配。同时,通过实时判断系统是否存在退化风险,从而动态调整滤波数值设置,保证了系统运行的稳定性。实验结果表明,在手持旋轴激光雷达采集的户外场景数据下,经过改进的SLAM算法相比LIO-SAM算法有更好的定位与建图效果。

基于ROS和激光雷达SLAM的动态避障研究

针对Gmapping算法不适用于构建大场景地图的问题,采用带有回环检测的Cartographer算法进行即时定位与建图(SLAM)。同时,针对全局路径规划A*算法可以得到全局路径但不能有效躲避动态障碍物、局部路径规划时间弹性带(TEB)算法可以躲避障碍物但规划的路径可能只是局部最优而非全局最优的问题,提出了融合A*算法和TEB算法的导航避障方法。通过多层代价地图中静态层、障碍层和膨胀层的有效结合,为路径规划A*算法和TEB算法提供了便捷的规划环境。对导航环境中静态和动态障碍物进行了研究。试验结果表明,两种路径规划算法融合后可准确躲避静态障碍物、新出现的障碍物和动态障碍物,且能快速到达目标点。

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.

基于面元的机器人三维激光雷达室内实时定位和建图方法

为了满足室内服务机器人定位能力要求,在考虑室内环境结构化特征和激光雷达独特优势的基础上,提出了从雷达点云中提取面元表达环境以实现室内精确定位和建图的方法。对激光雷达的扫描线进行分割,通过计算分割段内各点的凸系数的连续性条件确定面元覆盖范围。定位和建图分为两个阶段,首先求解点云帧间运动,作为全局位姿的估计;其次对全局位姿进一步优化,依概率将帧面元融入地图。两个阶段均优化隐式移动最小二乘距离代价,而面元不确定模型则由激光雷达测量误差确定。最后,分别在空旷和狭窄两种场景下进行试验,结果表明,所提方法相对定位精度分别为0.022%和0.11%,地图一致性好、满足实时性要求。

动态场景下基于实例分割与光流的语义SLAM建图

视觉同步定位与建图技术常用于室内智能机器人的导航,但是其位姿是以静态环境为前提进行估计的。为了提升视觉即时定位与建图(Simultaneous Localization And Mapping,SLAM)在动态场景中的定位与建图的鲁棒性和实时性,在原ORB-SLAM2基础上新增动态区域检测线程和语义点云线程。动态区域检测线程由实例分割网络和光流估计网络组成,实例分割赋予动态场景语义信息的同时生成先验性动态物体的掩膜。为了解决实例分割网络的欠分割问题,采用轻量级光流估计网络辅助检测动态区域,生成准确性更高的动态区域掩膜。将生成的动态区域掩膜传入到跟踪线程中进行实时剔除动态区域特征点,然后使用地图中剩余的静态特征点进行相机的位姿估计并建立语义点云地图。在公开TUM数据集上的实验结果表明,改进后的SLAM系统在保证实时性的前提下,提升了其在动态场景中的定位与建图的鲁棒性。

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。

智能机器人同步定位与建图专用芯片研究综述

机器人是新质生产力的革命性引擎,正在重塑人类的生活和工作。同步定位与建图技术(Simultaneous Localization And Mapping,SLAM)能够使机器人在未知环境中自主导航并构建周围环境的地图,是自主移动机器人实现智能化的基石。然而,SLAM算法复杂且运算量大,基于通用芯片方案实现存在延时长、功耗高的问题,不能满足自主移动机器人,尤其是小型、微型、纳型机器人的实时性、体积和功耗需求。因此,设计专用芯片加速计算密集的SLAM算法在近年来受到学术界和产业界的高度关注。本文首先从SLAM技术的基本概念和应用场景出发介绍了SLAM算法需要硬件加速的必要性,接着从算法和专用芯片设计两个角度出发梳理了SLAM技术的研究现状与发展趋势,接着重点讨论了SLAM专用芯片研究的技术挑战与解决方案,对未来发展给出了建议。

基于点线面特征匹配的紧耦合激光雷达惯性里程计

激光雷达(LiDAR)里程计在室外受环境噪声干扰,其扫描匹配精度较低,由此带来的累积误差导致同步定位与建图(SLAM)在大范围场景下定位精度较差。针对上述问题,提出一种基于点线面特征匹配的紧耦合LiDAR惯性里程计(TP-LIO),在惯性测量单元(IMU)预积分点云去畸变基础上,利用点—线和点—面距离构建位姿估计代价函数,获得载体运动估计。结合IMU预积分与Scan-Context回环检测,通过因子图进行全局优化,实现IMU和LiDAR数据紧耦合。在KITTI数据集和实车实验下,对TP-LIO、ALOAM和LeGO-LOAM进行对比验证,结果表明:TP-LIO在大范围场景下累积误差更小,定位精度更高。

基于激光雷达的同时定位与地图构建方法综述

首先分解激光SLAM的基本框架,分别对前端扫描匹配、后端优化、闭环检测与验证、地图构建四个模块近年来的主流算法进行总结;然后对基于滤波器和基于图优化两种激光SLAM框架下的代表性方案进行深入分析和比较;最后对激光SLAM的发展趋势进行展望。

一种融合视觉与IMU的车载激光雷达建图与定位方法

针对激光雷达非匀速运动畸变问题,提出一种融合视觉惯性里程计和激光雷达里程计,进行三维地图构建与定位(simultaneous localization and mapping,SLAM)方法.经预处理和时间戳对齐后的数据,应用视觉估计和惯性测量单元(inertial measurement unit,IMU)预积分对视觉进行初始化,通过约束的滑窗优化和视觉里程计的高频位姿,将传统雷达匀速运动模型改进为多阶段匀加速模型,从而降低点云畸变.同时,利用列文伯格-马夸尔特(Levenberg-Marquardt,LM)方法优化激光里程计,提出一种融合词袋模型的回环检测方法,最终实现三维地图构建.基于实车试验数据,通过与LEGO-LOAM(lightweight and ground-optimized lidar odometry and mapping on variable terrain)方法的结果对比,本文方法在平均误差和误差中位数上分别提升了16%和23%.

基于视觉SLAM的矿井救援无人机建图研究

针对在矿井事故发生后,为了弥补视野不足,高效地开展灾后勘测和搜救任务,使用开源ORB-SLAM3算法和深度相机,结合使用无人机开发平台,对井下无人机定位以及矿井环境的建图进行研究。分别在有照明和昏暗条件下进行模拟试验,结论得到无人机的飞行轨迹,为实际的矿井救援过程提供了误差精确的运动轨迹与位姿地图。

基于SLAM激光扫描的建筑物建模方法研究与应用

激光雷达技术的突破与惯性导航系统的完善使激光扫描设备在测绘领域表现出色。该设备已成为构建高效、精准三维模型的关键工具,广受认可,被广泛应用于各类工程测绘项目。它能迅速捕获三维坐标点、反射率及纹理等关键信息,以点云形式存储,为构建建筑物三维模型提供坚实数据。针对市场局限,研发了即时定位与建图(Simultaneous Localization and Mapping,SLAM)方法,实现大型异构建筑室内外三维建模,并通过案例验证其高度可行性与可靠性,为相关行业提供技术支持,为类似工程提供全面解决方案,对测绘行业产生深远影响。

手持激光雷达扫描仪飞马在地形测绘中的运用

SLAM的全称为Simultaneous Localization And Mapping即“同时定位与地图构建”。最近几年由于机器人、无人机、自动驾驶、AI、VR和AR技术的发展,SLAM技术逐渐被人们熟知。SLAM技术是通过激光传感器感知周围的环境,并将不同时刻感知的环境进行匹配套合,从而反推本体在环境中的位置及运动轨迹。随着SLAM技术的设备及定位精度的提高,该技术逐渐在测绘行业中使用,迅速成为除RTK和全站仪采点成图之外的一种地形图成图手段。国外GeoSLAM等公司推出大量的产品,在该领域处于领先地位,为打破国外封锁,国内的飞马、数字绿土等公司也研发出相应的产品。该文主要通过具体的案例论述国产手持激光雷达扫描仪飞马SLAM 100在地形测绘中的运用,侧重于表述SLAM技术及SLAM100产品在运用中的优缺点。