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。

旋转捷联惯导系统辅助的多线激光雷达新型SLAM方法

针对惯性传感器精度低下影响基于激光雷达/惯性信息融合的同时定位与建图(Simultaneous Localization and Mapping,SLAM)技术性能的问题,提出了一种旋转捷联惯导系统辅助下的多线激光雷达SLAM优化方案。该方案探讨了基于模糊自适应卡尔曼滤波的旋转捷联惯导对准方法,在载体运动过程中完成载体姿态与惯性传感器误差的实时修正;在此基础上,将修正后的惯性传感器数据与激光雷达点云数据进行紧耦合模式下的信息融合,以提高载体在复杂场景中运动时定位与建图的精度和实时性。实验结果表明,基于旋转惯导与多线激光雷达信息融合的SLAM方案,在保证运算实时性的同时,有效提高了激光雷达/惯性里程计的定位性能,以及点云地图的准确性。

基于点云特征的改进RANSAC地面分割算法

针对室外复杂场景下,轻量级和地面优化的激光雷达里程计与测图(LeGO-LOAM)算法由于地面分割不精确而导致算法定位精度降低的问题,提出一种基于改进随机一致性采样(RANSAC)的多线程地面分割算法:相较于传统RANSAC算法,该算法舍弃从全部原始数据中随机选取种子点拟合地面模型的迭代方式,首先利用点云高程、曲率等点特征信息挑选出所有小于高程、曲率等阈值的种子点以构建种子点集合,并根据种子点集合中的种子点数量判断是否需要多线程处理;然后根据判断结果从种子点集合中选择种子点子集进行地面拟合;最后比较各地面模型所包含的点云数量以获得最优地面模型参数以及地面点云集;地面分割精度的提高有效地降低了LeGO-LOAM算法的定位误差。实验结果表明,在室外复杂场景下所提出的地面分割算法分割效果更好,杂点更少;相较于原LeGO-LOAM算法,改进算法的定位误差降低至3.73 m,平面均方根误差降低了20.8%。

多传感器融合的激光雷达点云矫正与定位方法

针对单一传感器难以解决激光雷达在运动场景中因为点云畸变和误差累积产生的运动失真与定位精度差的问题,提出一种融合惯性测量单元数据和轮速计数据的激光雷达点云畸变矫正与定位方法。首先,以激光雷达数据为时刻基准,利用积分的方法对惯性测量单元和轮速计的数据进行预处理;之后,将融合数据与激光雷达数据融合,以矫正产生畸变的激光点云;最后,利用线性插值的方式来保证传感器间数据的时间同步,并将计算的位姿作为里程计迭代计算的初值,降低计算复杂度并提高里程计的定位精度。实验结果表明,相比没有采用多传感器融合的传统方案(LOAM、FLOAM),在公开数据集实验中,所提方法的定位均方根误差分别降低了81.11%和21.54%,在自测数据集实验中,定位均方根误差分别降低了52.76%和24.29%。

基于全局特征地图的由粗到细点云配准算法

针对现有点云配准算法在非重复扫描式激光雷达上存在精度低、鲁棒性差、通用性差等问题,提出一种基于全局特征地图的由粗到细点云配准算法(CTF-ICP),并实现非重复扫描式激光雷达里程计。该算法利用高斯分布表征局部点云分布,构建全局特征地图。配准阶段包含粗配准和精配准。首先,采用正态分布变换在连续点云帧之间实现帧到帧的粗配准;然后,根据粗配准的结果将当前点云映射到全局特征地图,并将对应位置的全局特征协方差矩阵的特征值进行归一化,实现帧到地图的精配准;最后,将该文算法与其他常用的配准算法进行对比实验。实验结果表明:该文算法能够较好地适应非重复扫描式激光雷达,配准精度和速度比常用的配准算法都有明显提升;同时,消融实验证明了由粗到细的点云配准算法以及全局特征地图的有效性。

基于改进Gmapping算法的果园二维环境地图精准构建

果树树冠的季节性变化及果树成长和衰老造成的果树特征变化会影响已构建的果园三维环境地图的匹配,故本文提出一种基于改进Gmapping算法的果园二维环境地图精准构建算法。首先该算法对Gmapping算法的前端里程计和后端优化部分分别进行改进,以提高果园二维环境地图的构建精度。对于前端里程计部分采用改进的R-GPF地面分割方法提高其初始定位精度,对于后端优化部分采用BAT启发式自适应重采样方法提高其最终定位精度。然后进行梨园环境对比试验。通过改进R-GPF方法与原始R-GPF方法的对比,改进R-GPF方法的激光雷达里程计输出频率可达到15.58 Hz,最大横向偏差小于25 cm,横向偏差均值为12.7 cm,标准差为13.4 cm,其各方面性能都优于原R-GPF方法的激光雷达里程计。通过新算法与基于原R-GPF的Gmapping算法对比,新算法所得的梨树列间距离偏差始终保持在20 cm范围内,行间距离偏差均值为10.3 cm,标准差为6.3 cm,比基于原R-GPF的Gmapping算法分别减小50%、43.41%和32.26%;同时,梨树行间距离偏差相对于里程计横向偏差的减小侧面反映出后端BAT启发式自适应重采样方法的有效性。本文提出的算法能够提高果园二维地图构建精度,可以满足后续重定位、导航等作业的精度要求。

基于级联优化和强度特征的地下退化环境机器人自主精准定位

随着国家深地能源战略和地下基础工程的部署展开,自主移动机器人在地下矿山、工程隧道和地下管道等领域的需求快速增长。地下自主作业机器人所处环境复杂,普遍面临卫星定位信号拒止和场景退化特征,导致机器人位姿状态估计误差漂移严重、环境地图构建扭曲变形。针对地下退化环境机器人状态估计不完备的问题,提出一种精准、鲁棒的激光雷达-惯性同时定位与建图(SLAM)框架和方法,组合惯性里程计和激光雷达-惯性里程计级联优化过程,并在激光雷达点云特征匹配中引入强度特征降低点云几何特征稀疏引起的匹配误差,并通过退化检测引入正确的约束方向,保证位姿估计信息的鲁棒性和准确性。公开数据集和现场巷道实验结果表明,所提方法在精度、鲁棒性方面均有出色表现,在地下巷道退化环境的定位精度可达0.03 m,可为地下退化环境机器人提供可靠的状态估计和环境描述。