基于IMU-LiDAR紧耦合的煤矿防冲钻孔机器人定位导航方法

防冲钻孔机器人是冲击地压矿井卸压的关键设备,其在复杂卸压巷道的精确地图构建和的稳定导航是实现钻孔作业智能化的基础和前提。在分析激光雷达点云畸变成因和同步定位与地图构建(SLAM)算法缺陷的基础上,设计了基于惯性测量单元(IMU)连续时间轨迹的点云畸变矫正方法,建立了激光雷达和IMU的数据融合模型,提出了基于IMU-LiDAR紧耦合的防冲钻孔机器人定位建图方法。根据煤矿卸压巷道特点建立了密闭坡道模型,开展了建图效果仿真分析,结果表明,所提算法在定位精度、轨迹误差方面均优于现有常用算法。在此基础上,设计了基于改进人工势场法和快速扩展随机树的动态路径规划方法,建立了适用于防冲钻孔机器人的路径规划与导航融合方案,并设计了2种仿真运动场景,结果表明,所提路径规划方法在全局路径规划和动态路径规划的平均路径长度、平均运行时间、平均生成节点数等方面均具有较好的综合性能。为了进一步验证防冲钻孔机器人定位导航方法的实用性,在校内模拟巷道、地面实验基地和井下卸压巷道等场景下开展了多组对比实验,结果表明:将IMU数据与LiDAR数据紧耦合后,所提方法的定位建图精度明显提高,在特征退化场景中具有优越的定位建图性能,且规划路径的运算效率和路径代价方面均具有良好的表现,验证了所提定位导航方法在多种场景中的可行性和优越性。

GNSS/IMU/LiDAR融合定位研究

为提升低成本卫星接收机和惯性测量单元(inertial measurement unit,IMU)条件下传统组合导航定位的抗干扰性和定位精度,本文通过融合GNSS、IMU、激光雷达(laser radar,LiDAR)来提高定位的鲁棒性及定位精度.在高楼遮挡等复杂环境下由于卫星信号丢失导致卫星定位结果降低,可通过GNSS与IMU的组合来提升导航定位的鲁棒性及其精度.如果卫星信号缺失时间过长,那么低成本条件下的GNSS/IMU组合定位精度仍不理想,本文提出利用LiDAR里程计输出的位置信息与传统组合导航通过扩展卡尔曼滤波(extended Kalman filter,EKF)进行融合定位.实验得出:在无遮挡的环境下融合定位标准差(standard deviation,STD)精度较之卫星定位提升53.7%,均方根误差(root mean square error,RMSE)精度提升56%,较之GNSS/IMU组合定位STD精度提升37.9%,RMSE精度提升38.6%.在有遮挡的环境下融合定位STD精度较之卫星定位提升59.4%,RMSE精度提升71.3%,较之GNSS/IMU组合定位STD精度提升26.3%,RMSE精度提升33.7%.

LiDAR标签和栅格占有图结合的LiDAR/IMU空间标定方法

LiDAR和惯性测量单元(inertial measurement unit,IMU)在智能汽车获得了广泛的应用,比如高精度地图构建、车辆实时定位等。两种传感器进行组合测量时,需要知道两者之间的空间关系,包括空间旋转和平移参数。本文提出了一种基于LiDAR标签的自动化LiDAR/IMU空间标定方法。首先分析了LiDAR/IMU标定参数对LiDAR点云拼接的影响,证明了当车辆近似直线运动时,使用概略标定参数即可利用IMU的姿态信息将LiDAR点云转换到轴向近乎一致的坐标系。基于该结论,提出了一种基于IMU姿态约束的LiDAR栅格占有图构建方法,构建高相对精度的点云地图与LiDAR标签的点云进行地图匹配,获得LiDAR标签在图中的位置,相对于单点云帧互匹配方法,提高标签点云匹配的精度和可靠性。然后基于LiDAR标签的已知高精度位置,采用非线性优化方法解算栅格占有图与LiDAR标签的空间转换关系,进而求解LiDAR/IMU的空间标定参数。试验结果表明,利用本文方法获得的标定参数构建的点云地图,可实现厘米级的绝对位置精度,验证了本文方法的正确性和可行性。

面向动态环境的视觉惯性定位方法

针对传统的视觉惯性里程计在动态环境下定位精度低和系统鲁棒性差等问题,提出了面向动态环境的视觉惯性定位方法。首先,利用语义分割提取环境中的语义信息,借助环境先验信息识别出动态物体。同时,采用深度生成网络对动态物体区域进行背景修复,生成只包含静态场景的图像,并将生成的图像用于后续的特征提取和跟踪,以减弱动态物体的影响。后端构建了紧耦合的图优化模型,将视觉数据与IMU数据相互融合,在滑动窗口中以非线性优化的方式估计位姿。实验结果表明,方法可以有效降低动态物体对定位的影响,提高系统的定位精度和鲁棒性。

基于激光SLAM辅助的陆用惯导行进间粗对准方法

目前常见的陆用惯导系统的行进间对准方法往往存在一些各自的问题,如GPS辅助时容易受到信号遮蔽影响;而里程计辅助时往往会受到机动路线约束的限制。针对这些问题,提出了一种激光SLAM系统信息辅助的陆用惯性导航系统(SINS)行进间粗对准算法,推导了基于激光SLAM系统视在速度观测矢量的姿态矩阵更新算法,利用基于REQUEST的双矢量定姿方法,实现初始常值姿态矩阵C_(b)^(n)(0)的求取,完成行进间的姿态粗对准和定位导航。在实验室无人车实验中,所提方法的对准姿态误差比里程计辅助的方法减小了约56%;同时与合作单位的综合实验验证结果表明,在进行250 s的行进间粗对准时,最终时刻的航向角误差为-0.0088°,实现5 min内达到1 mil的粗对准精度,所提算法可以有效实现激光SLAM信息辅助下的陆用惯导的行进间粗对准,并具有较快的收敛速度。

基于NDT配准与轮式里程计的激光雷达运动畸变补偿算法

激光雷达是广泛应用于同时定位与地图构建(SLAM)的测距传感器,普遍基于旋转机制收集周围环境的几何信息。当扫描期间激光雷达发生移动时,生成的点云会产生运动畸变,降低SLAM系统的准确性。在激光雷达SLAM算法设计中,为使雷达运动的估计结果更为精确,文中提出一种基于正态分布变换(NDT)和轮式里程计的激光雷达运动畸变补偿算法。首先,使用轮式里程计以高频测量方式对雷达运动进行估计,可补偿部分运动畸变。其次,设计一种基于NDT配准算法的误差处理方法,通过对点云的精准匹配降低里程计漂移的影响,实现雷达运动精确估计,进而精准补偿运动畸变。文中采用数据集以及真实场景实验对提出算法进行测试。实验结果表明,与传统里程计辅助方法相比,提出的算法能够优化运动畸变补偿效果,降低轨迹累积误差并生成全局一致地图。

基于点线特征融合的视觉惯性里程计方法研究

相机和惯性测量单元组成的基于图像点特征的视觉惯性里程计(Visual Inertial Odometry,VIO),广泛应用于移动机器人定位领域,但会面临点特征退化的问题,使其定位精度受到很大影响。因此,本文提出一种基于点线特征融合的VIO方法,并在EuRoC数据集上进行实验。结果表明:该方法不仅定位精度最优,而且线特征提取的时间较低。

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。

激光雷达SLAM算法综述

即时定位与地图构建(simultaneous localization and mapping,SLAM)是自主移动机器人和自动驾驶的关键技术之一,而激光雷达则是支撑SLAM算法运行的重要传感器。基于激光雷达的SLAM算法,对激光雷达SLAM总体框架进行介绍,详细阐述前端里程计、后端优化、回环检测、地图构建模块的作用并总结所使用的算法;按由2D到3D,单传感器到多传感器融合的顺序,对经典的具有代表性的开源算法进行描述和梳理归纳;介绍常用的开源数据集,以及精度评价指标和测评工具;从深度学习、多传感器融合、多机协同和鲁棒性研究四个维度对激光雷达SLAM技术的发展趋势进行展望。

一种全局低偏的视觉/惯性/弱定位辅助融合导航系统

以视觉惯性为核心的导航技术在长期运行工况下误差会不断累积,进而产生严重的轨迹偏移。针对该问题,提出一种全局低偏的视觉/惯性/弱定位辅助融合导航系统。该系统以视觉惯性里程计高频率、高局部精度特性为基础,在室内外不同场景中,提供可选的全局信息辅助方案,融合卫星导航原始信息、超声基站测距信息以及视觉靶标定位辅助信息,实现室内外一体化全局低偏导航。搭建数据平台采集现实数据,基于激光点云匹配方法生成轨迹真值,将本文方法与VINS-Mono方法和ORBSLAM3方法进行导航精度评估对比,证明所提出的系统在全天候室内外不同光照环境中鲁棒性最好,在局部和全局都具备最优的导航精度。

基于平面特征的LIO增强GNSS RTK定位性能研究

针对应用单一传感器的智能导航定位技术在城市复杂环境下难以满足准确、无缝和稳定性能要求的问题,提出一种基于平面特征的雷达惯性里程计(LIO)增强全球卫星导航系统(GNSS)实时动态定位技术(RTK)定位性能的方法:通过滑动窗口构建多帧激光雷达(LiDAR)平面特征的关联;并将RTK与LIO在位置域层面直接融合;最后在开阔环境和城市环境中进行实验。结果表明,RTK/惯性导航系统(INS)/LiDAR组合系统能够在GNSS挑战环境中达到分米级精度;同时,在LiDAR平面特征的约束下,该方法速度和姿态的估计性能也可得到改善。

针对FSAC赛场环境的全局锥桶建图算法研究

针对中国大学生无人驾驶方程式(FSAC)赛车在高速循迹的“U型弯道”工况中,由于识别的锥桶有限,导致路径规划失效的问题,提出了一种基于激光雷达以及组合惯导系统的锥桶地图构建算法。该算法从当前帧激光点云中提取出锥桶中心点云,通过乘以雷达到组合惯导的标定矩阵和组合惯导实时解算的车辆在地图坐标系中的位姿矩阵,将激光坐标系下的锥桶点云投影到地图坐标系下,完成锥桶地图的构建与更新。将算法进行实车验证,3次实验结果表明:该算法的平均召回率为98.7%,平均精准度为98.1%,构建好的地图能够供给规划算法,拟合出赛道的全局最优路径进行加速跟踪,提高了赛车的感知预判能力和路径规划效率。

一种基于线特征约束的无人机双目视觉SLAM算法

为了解决点特征SLAM算法在低纹理环境中精度下降的问题,提出了一种基于线特征约束的无人机双目视觉SLAM算法。首先,将双目相机观测线特征分为单目相机在两帧下观测、双目相机在两帧下观测、双目相机在一帧下观测3种情况;然后,计算了3种情况下的残差块和雅可比矩阵;最后,利用所提线特征约束改进了VINS-Fusion算法。在EuRoC数据集上进行实验验证,结果表明提出的算法在数据集半数以上的场景中都有良好的表现,相较于改进前的VINS-Fusion算法定位精度平均提升13.2%。

面向实际场景SLAM应用的光照适应性研究

为探究环境感知设备在SLAM算法应用过程中的光照适应性问题,在不同光照强度下分别进行激光雷达和深度相机SLAM算法的验证性评估实验.基于四轮差速机器人,搭载16线激光雷达和深度相机,结合LOAM(Lidar Odometry And Mapping)和RTAB-MAP(Real-Time Appearance-Based Mapping)算法,分别在明暗环境中分析验证设备光照适应性.实验结果表明:在明亮环境下,基于视觉SLAM和激光SLAM系统偏差的中误差分别为0.203和0.644 m;在黑暗环境中两者偏差的中误差分别为0.282和0.683 m;深度相机在明、暗环境中的定位建图效果均优于激光雷达,深度相机的光照适应性更强.

基于点转移矫正的视觉惯性里程计

针对卷帘相机的卷帘效应会引起图像扭曲,进而影响系统定位精度的问题,提出了一种融合IMU信息的点转移矫正的视觉惯性里程计。首先,针对卷帘图像扭曲问题,利用三焦点张量的点转移方法修正卷帘图像,相当于输入系统的是全局图像。其次,为了保证算法在嵌入式硬件上实时运行,采用扩展卡尔曼滤波进行信息融合来提高系统的定位精度和降低计算资源的要求。然后,引入静态检测和异常检测来保证系统的鲁棒性。最后,所提算法在手机上以25 Hz左右的帧率实时运行,并在真实环境下进行实验。公开数据集上的实验结果表明:与RS-VINS-Mono算法相比,所提算法的定位精度提升了27%,验证了该算法可有效融合视觉和惯性信息来减小卷帘效应带来的定位误差,提高了系统的鲁棒性。

平面环境约束辅助的单目视觉惯性里程计

为提高视觉惯性导航系统在宽动态、长航时、大范围作业环境中的精确性与鲁棒性,提出了一种平面环境约束辅助的单目视觉惯性里程计。通过在视频图像中提取并跟踪均匀分布的FAST特征点,并采用对称光流剔除误跟踪点,实现了视觉特征点高效检测与精确跟踪;无需计算稠密深度地图,仅从稀疏特征点集中检测共面特征点,拟合空间平面,构建了对视觉特征点三维坐标的空间几何约束;融合视觉特征点重投影误差、共面特征点坐标约束以及惯性测量单元(Inertial measurement unit,IMU)预积分误差构造代价函数,采用非线性优化方法估计了系统状态。最后,分别在公开数据集和实际户外场景中评估了算法的准确性和有效性。实验结果表明,相较于VINS-Mono和ORB-SLAM3算法,本文方法的定位结果有显著提升,实现了复杂应用环境中精确、稳定导航,在机器人、无人驾驶等领域具有较大的实用价值。

基于点线特征的视觉同时定位与地图构建综述

同时定位与地图构建(simultaneous localization and mapping,SLAM)作为计算机视觉中的热门方向,在无人驾驶、移动机器人等领域中发挥着重要的作用。由于线特征在低纹理环境下的优势,越来越多的研究人员利用点线特征融合的方法提高SLAM系统的精度和鲁棒性。文中首先简要阐述了传统的点特征SLAM系统在低纹理环境下的局限性,并对现有的视觉SLAM综述文献进行了总结;随后,对经典的点线SLAM方案进行了介绍,并总结了点线特征融合在前端、后端、闭环检测中的研究进展;最后,对点线SLAM未来的发展方向进行了展望。

煤矿井下移动机器人同步定位关键技术研究

同步定位是实现智能矿山设备自动化的关键技术,然而由于煤矿复杂的工况环境使得激光雷达的同步定位容易退化,导致移动机器人定位和测绘失败。基于此,提出了一种鲁棒的激光雷达同步定位方法。该方法通过集成激光雷达和惯性测量单元(IMU)数据来检测和补偿退化的场景。利用扰动模型检测由于线、面特征约束不足而导致退化的方向和程度,从而获得退化的因子和矢量。将IMU预积分得到的位姿投影到平面特征上,用于局部地图匹配,实现两步退化补偿。最后通过因子图优化实现了全局一致的激光雷达同步定位。

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。

面向低速运动的稀疏点云实时激光里程计方法

本文提出了一种低速运动情况下使用稀疏点云的实时激光里程计方法。利用局部曲率和主成分分析提取局部网格内的点云面特征,使用点-面距离作为匹配代价函数,在点云位姿估计中利用点云距离和特征平面性对数据重要性进行加权,并针对低速运动对位姿变换矩阵进行近似。在包含大量不稳定特征的场景下,使用16线旋转式机械激光雷达采集的稀疏点云序列进行了试验。结果表明,本文方法对稀疏激光雷达点云具有很好的稳定性,针对低速运动所做近似是有效的,能够大幅提高计算的实时性。