基于LeGO-LOAM的实际场景下的同步定位与建图方法

同步定位与建图是无人驾驶技术中实现无人化的关键技术之一。建图的精度以及适用性仍需进一步提高,论文通过对轻量化和地面优化的激光雷里程计和地图(LeGO-LOAM)算法的回环检测部分进行改进,将KD(K-Dimensional)树与上下文扫描算法进行结合,并且对雷达-惯性测量单元(IMU)外参进行重新标定。通过建立实际场景将调整后的算法与之前未调整的算法进行比较,可以看出,调整后的算法的建图精度与适用性有了很明显的提高。

基于特征提取改进的LeGO-LOAM方法

针对LeGO-LOAM算法中的局限性,提出一种基于特征提取改进的LeGO-LOAM方法.由于室外复杂环境下随机特征点较多,首先采用自适应特征提取方法在不同的距离下保证特征提取的准确性;然后基于随机一致性采样优化的地面滤除方法去除不可靠特征点;最后通过相邻帧中同一块特征点的移动距离来消除动态目标.利用KITTI数据集进行仿真分析,结果表明本文优化后的平均误差降低了19.1%,最大误差降低了23.9%.在实际激光雷达建图中进行多组试验,计算出的位置最大误差小于1m,表现出了良好的鲁棒性和稳定性,优化效果显著.

基于IMU紧耦合的LeGO-LOAM改进算法研究

基于LiDAR和SLAM(simultaneous localization and mapping)的LeGO-LOAM算法在低分辨率的LiDAR设备上,由于LiDAR数据的运动畸变、采样的地面数据稀疏等问题,存在重力矢量漂移现象和严重的高程估计误差。为了改善这一点,LeGO-LOAM改进算法引入了一种LiDAR和IMU(inertial measurement unit)紧耦合的方式。通过IMU估计运动状态,消除LiDAR数据的运动畸变,并使用IMU数据构建联合优化函数,约束位置姿态估计的重力方向。实验结果表明,这种方法有效抑制了LeGO-LOAM算法的重力矢量漂移,高程估计精度和高速状态下的定位精度均有显著提升。

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%。

体素化广义迭代最近点的回环检测算法研究

同步定位与地图构建(SLAM)是大规模定位和地图构建的关键技术之一,针对室外大场景环境建图时存在累计误差较大导致定位精度不高、地图出现重影和漂移的问题,提出了一种基于体素化广义迭代最近点(VGICP)优化的回环检测算法。该方法扩展了广义迭代最近点(GICP)算法,计算体素内局部多个点,在保证准确性的同时避免了代价高昂的最邻近搜索。将所提方法加入扫描上下文(SC)-LeGO—激光雷达测距和实时测绘(LOAM)完整框架中,并利用KITTI数据集05序列测试。实验结果表明:优化算法估计的轨迹和真实轨迹有较高的重合度,绝对位姿误差(APE)和相对姿态误差(RPE)的最大值分别下降了46.4%,18.8%;均方值误差下降了17.7%,19.9%;优化算法可以进一步提高建图精度并降低姿态漂移误差。

基于高效回环检测的大场景下的SLAM算法

在室外大场景情况下,激光里程计累计误差会随着时间的增加而逐渐增加。针对现有激光同步定位与地图构建(SLAM)算法精度低、鲁棒性不足等问题,提出一种基于精确高效回环检测的大场景下的激光SLAM算法。该算法以激光里程计框架LeGO-LOAM为基础,改进回环检测部分,使用关键特征(Ring-Key)描述子构建KD-tree查找相似帧加速搜索,回环帧间匹配使用激光雷达虹膜描述子计算汉明距离判断相似度,避免暴力匹配,实现平移和旋转不变性。在KITTI数据集上进行仿真实验,结果表明:与原LeGO-LOAM算法相比,改进算法绝对位姿误差标准差平均降低了51.54%,相对位姿误差标准差平均降低了14.42%。

基于激光雷达的煤矿井底车场地图融合构建方法研究

煤矿智能化是煤炭行业高质量发展的技术支撑,关键岗位的机器人替代是实现煤炭少人化、无人化的高效开采的发展趋势。即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)是煤矿机器人自主移动与导航的关键技术之一。煤矿井下为典型非结构化环境,空间狭长局促,结构复杂多变,照明情况不均匀,对煤矿井下SLAM提出了严峻挑战。总结了煤矿井下地图构建研究现状,针对LeGO-LOAM算法的回环检测仍存在的不足,利用SegMatch算法改进LeGO-LOAM的回环检测模块,且使用ICP算法进行全局图优化,提出了一种融合LeGO-LOAM和SegMatch的改进算法,阐述了该算法的原理和实现步骤;开展了煤矿井下模拟场景试验,对比分析改进前后SLAM算法的建图效果以及精度,试验结果表明改进算法构建的地图回环效果更好,估计轨迹更平滑、精确;结合导航需求研究了二维占据栅格地图的构建方法,试验验证了该方法所构建的栅格地图精度,结果表明有效滤除动态障碍物等离群噪点后的栅格地图具有0.01 m的建图精度,且所需存储空间较点云地图降低了3个数量级。研究成果有助于煤矿井下非结构环境下SLAM和煤矿机器人实时定位和自主移动。

融合IMU信息的三维激光SLAM方法

针对激光雷达SLAM(Simultaneous Localization and Mapping)算法定位精确度不高且鲁棒性较差的问题,文中提出了一种融合IMU(Inertial Measurement Unit)数据到三维点云配准过程的SLAM方法。在LeGO-LOAM(Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain)算法的研究基础上,在地面点提取环节引入IMU数据,将点云映射到世界坐标系下,减小载体抖动对地面点提取的影响。利用IMU输出信息消除点云由于载体运动产生的畸变,增强算法的鲁棒性。使用三点聚类法对一帧点云进行聚类分析,减少杂点的干扰,加快点云配准过程,提高了算法定位精度;同时引入闭环检测,减小匹配过程中的累积误差,得到全局最优解。结果表明,在大型户外干扰较多的环境中,改进SLAM算法减少了求解得到的轨迹波动,提升了点云配准精度,增强了算法的鲁棒性。

激光雷达IMU紧耦合的室内大范围SLAM方法

针对激光雷达SLAM算法在室内大范围场景中建图与定位精确度低、鲁棒性差的问题,提出一种激光雷达IMU紧耦合的SLAM方法。该方法基于LeGO-LOAM算法,在点云去畸变环节引入惯性测量单元(IMU)数据,将IMU预积分的结果作为初始位姿,消除点云畸变;在点云配准环节,将IMU预积分的结果作为迭代优化时的初始位姿,提升点云配准精度,从而提高机器人位姿估计的准确性;在后端优化环节,通过构建因子图的方式引入激光里程计因子、IMU预积分因子及回环因子,得到全局最优解,进一步提升建图与定位的精度。为验证所提方法的可行性,设计不同场景下LeGO-LOAM算法与改进SLAM算法的对比实验。实验结果表明,在室内大范围场景下,改进的SLAM算法能够减少轨迹波动,提升建图效果及轨迹精度,增强算法的鲁棒性。

激光雷达的内参建模与点云修正方法

本文中建立了一种针对机械式激光雷达参数较少的内参模型;考虑到偏心结构对于点云的影响,提出了角度修正和距离修正两种点云修正方法,对两种方法的修正效果进行仿真,并通过实际点云加以验证。最后还用位姿估计算法验证修正算法的有效性。