退化环境下LiDAR里程计定位方法

针对基于常见点云帧间配准算法所构建的传统LiDAR里程计在退化环境中定位鲁棒性差的问题,本文借助修正后的激光强度提出了一种面向退化环境的LiDAR里程计定位方法,并提出了一种准确的LiDAR退化环境检测方法。首先,基于激光强度性质和消元思想提出一种强度修正方法,并采用无监督位置修正方法共同优化原始点云。以此为基础,提取4种点云特征并采用模糊综合评价方法准确地检测每帧点云的退化情况。针对非退化点云,提取线、面特征构建兴趣点集合;针对退化点云,借助激光强度并提出一种“米字搜索”方法提取非退化特征,同有效的线、面特征构建兴趣点集合。最后,通过合适的配准算法处理帧间兴趣点集合,从而构建鲁棒的LiDAR里程计。实验结果表明,本文方法修正激光强度的正确率为93.34%;LiDAR退化点云正确检测率为98.58%,非退化点云错误检测率仅为2.24%;本文提出的LiDAR里程计定位方法相较于基于特征配准算法和ICP算法所构建的LiDAR里程计,定位均方根误差分别降低了90.00%、83.96%,最大误差分别降低了86.23%、79.07%,单次帧间配准所需时长为0.0069 s,有效地提高了退化环境中传统LiDAR里程计的定位精度,并兼顾了数据处理效率;相较于同领域的对比方法,本文方法展现出了更显著的优势。

HRegNet-LO:基于端到端深度神经网络的LiDAR里程计测量

针对传统LiDAR里程计(LO)测量方法在处理无初值、长序列点云配准时存在精度低、稳定性差等问题,本文引入端到端点云配准网络(HRegNet),提出一种基于深度神经网络的LO测量方法——HRegNet-LO算法,以期实现更加准确、鲁棒的LO测量。所提算法由两个核心模块组成:前端计算和后端优化。在前端scan-to-scan配准中,主要是依据原始点云的3D坐标,采用HRegNet网络,计算出相邻两帧点云的初始转换矩阵,实现LO初始位姿计算;在后端scan-tomap配准中,主要是通过提取特征点构建特征地图,应用迭代最近邻点(ICP)算法,每间隔一定距离对初始位姿进行优化,以减小预估轨迹中的漂移。在Kitti odometry数据集上对所提算法的性能进行了评估,并与LOAM、F-LOAM等算法作对比分析。实验结果表明,所提算法相对旋转、平移误差分别在0.003°/m和1%左右,每帧位姿计算耗时约为100 ms,可以满足LO测量对于精度和实时性的要求。

利用UWB/LiDAR里程计的室内高精度定位方法

针对超宽带(UWB)室内高精度定位中,易受非视距(NLOS)误差而导致定位不连续的问题,该文首先采用小波变换对RTT解算的测距异常值进行削弱,然后将UWB与LiDAR进行组合,综合利用UWB测距值以及LiDAR里程计所提供的距离和角度信息构建量测方程,最后通过扩展卡尔曼滤波进行定位解算。实验结果表明,该文提出的UWB/LiDAR里程计组合定位方法,实现了室内障碍物遮挡情况下的连续高精度定位,定位精度可达到亚分米级。

基于视觉、LiDAR与IMU的实时无人车里程计研究

视觉/LiDAR里程计可以根据传感器数据对无人车在多个自由度上运动的过程进行估计,是无人车定位建图系统的重要组成部分。文中提出了一种使用视觉、LiDAR和IMU进行信息融合的里程计,支持多种运行模式和初始化方式。前端部分采用了改进后的ICP CUDA算法进行激光点云配准,利用光流法对视觉特征进行跟踪,并利用激光点云数据对视觉特征的深度进行估计。后端部分采用了基于滑动窗口的图优化模型,并为视觉和LiDAR关键帧创建状态节点,以前端结果作为量测,将相邻状态节点通过预积分因子关联。文中方案实验结果表明:在城市场景系统平均相对位移精度为0.2%~0.5%,系统全量传感器运行模式(VLIO模式)整体要比关闭视觉的模式(LIO模式)和关闭LiDAR的模式(VIO模式)精度高。文中提出的方法对于提高无人车定位建图系统的精度有着积极意义。