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。

ISS特征融合NDT的点云配准研究

点云配准技术在三维重建、自动驾驶领域中起着重要作用。针对正态分布变换(NDT)算法点云配准数据量较大时,配准效率低和配准精度受到初始位姿影响较大的问题,提出一种内部形状描述子(ISS)特征点融合NDT的点云配准方法。首先利用ISS算法对点云进行特征点提取,然后计算特征点处的快速点特征直方图(FPFH)来描述特征点处的局部几何信息,再利用随机采样一致初始配准算法(SAC-IA)进行粗配准,在粗配准后目标点云与源点云获得一个初始变换位姿,最后将该初始变换提供给NDT算法进行精配准。通过对数据集进行不同算法下的对比实验,证明该算法可以有效地提高点云的配准精度和配准效率。

A Note on “Limit Distributions of Self-Normalized Sums” Using Cauchy-Generated Samples

In this case study, we would like to illustrate the utility of characteristic functions, using an example of a sample statistic defined for samples from Cauchy distribution. The derivation of the corresponding asymptotic probability density function is based on [1], elaborating and expanding the individual steps of their presentation, and including a small extension;our reason for such a plagiarism is to make the technique, its mathematical tools and ingenious arguments available to the widest possible audience.

基于LM优化的NDT点云配准算法

传统的正态分布变换配准算法处理初始位姿变换相差较大的两帧点云时,存在无法收敛或者陷入局部最小值的问题。为了提高算法的收敛性能,提出了一种基于LM方法改进的三维正态分布变换配准算法。在原始点云的体素滤波中,引入k最邻近搜索寻找距离重心最近的点作为替代点,提高点云数据在下采样后的精度。在算法的迭代优化步骤中使用列文伯格-马夸尔特法,通过计算因子ρ的值动态调节每次迭代过程的步长直到达到最优,避免无法收敛或陷入局部最小值的问题。实验数据表明,相比于传统的正态分布变换配准算法,所提算法在初始位姿变换相差较大时,精度更高且鲁棒性较好。

一种基于SAC-NDT和ICP的高精度点云配准方法

传统的正态分布变换算法精度低,而精度较高的迭代最近点算法极易陷入局部最优解。为了解决以上问题,将采样一致性算法与NDT算法结合作为点云初始配准方法,再利用KD-tree加速的ICP精配准方法完成点云匹配。实验结果表明,本文所提出的方法大大提高了配准精度。

从光的生-灭机制阐述量子力学

通过引入有序算符内的积分理论,从光子产生–湮灭的观点出发来阐述量子力学理论,显示表象的正态分布,在数学上支持量子力学的几率假设;指出如何从经典变换直接过渡到量子幺正算符,自然地引入纠缠态表象,并指出数学物理研究的新方向.

使用NDT激光扫描匹配的移动机器人定位方法

提出一种将基于扫描匹配的蒙特卡洛定位方法,作为移动机器人完成自主任务的鲁棒性定位方法.采用一种新的正态分布转换(NDT)激光扫描匹配算法,将从单个激光扫描重构的2D离散数据点集转换成2维平面内分段连续可微的概率分布,并使用Hessian矩阵法与另外的扫描相匹配,可以避免点与点之间对应的复杂问题.实验结果表明,该定位算法可以利用自然环境特征有效地完成室内环境下的自主定位.

家庭服务机器人基于NDT扫描匹配的SLAM研究

将正态分布变换(NDT)应用于基于扫描匹配的SLAM中,实现了家庭服务机器人较大规模室内环境下的建图。该方法利用计算扫描点的正态概率分布匹配代替几何特征之间的匹配,有效解决了现有方法匹配速度慢的问题。

基于广义幂变换的脉冲噪声抑制方法

为有效抑制电力线通信(power line communication,PLC)系统中的脉冲噪声,从信号被脉冲噪声影响后正态性被破坏的角度出发,文章提出一种基于广义幂变换的脉冲噪声抑制方法。该方法首先引入Box-Cox变换,通过对接收信号进行幂变换处理,使其分布更接近正态分布,又通过推导引入新的零记忆非线性(zero memory non-linearity,ZMNL)函数,以便进一步优化处理效果。此种结合ZMNL函数的Box-Cox变换可改善接收信号的正态性,实现对脉冲噪声的抑制。仿真结果验证所提广义幂变换方法对接收信号的正态性改善效果明显,对脉冲噪声有良好的抑制效果,并且与传统消隐法相比效果更好。

基于正态变换的变样本容量Shewhart比例控制图设计

为了提高Shewhart型比例控制图的监控效率,将其与变样本容量策略结合,提出一种新的比例控制图(VSS Shewhart-RZ*控制图)来监控二元正态变量之比。基于正态变换方法设计了新的比例统计量Z*,以消除样本容量变化对比例控制图设计及使用的不利影响。采用马尔科夫链方法计算了该控制图的平均运行长度和平均样本容量,给出该控制图的参数优化算法。通过仿真分析研究了该控制图的统计性能,并与Shewhart比例控制图进行比较,结果表明VSS Shewhart-RZ*控制图的性能明显优于传统固定样本容量Shewhart比例控制图。

基于3D-Harris与FPFH改进的3D-NDT配准算法

针对传统点云配准三维正态分布变换(3D-NDT)、迭代最近点(ICP)算法在未给定初始配准估计的情况下配准效果不佳、配准时间长、误差较大的缺陷,提出了精准且相对高效的点云匹配算法。首先,运用3D-Harris算法识别每一幅点云的关键点,并以此为基本点建立局部参考框架,计算快速点特征直方图(FPFH)描述子;之后,使用最小中值法(LMeds)中的对应估计算法排除不准确的点对应关系,得到含有对应三维特征关系的特征点对。计算粗配准所需的变换矩阵,完成初步匹配。随后,根据3D-NDT算法将点云数据空间体素化,运用概率分布函数完成最终的点云进行精确地匹配。使用改进配准将3组分别从网络下载的较少噪声、大规模与Kinect V2.0采集的较多噪声、大规模的2组重叠度不同的点云数据匹配到同一个空间参考框架中,并通过精度分析对比经典3D-NDT,ICP等算法。实验结果证明,该算法在迭代次数较低时,可使室内场景点云数据完成精度较高的配准且受噪声影响较小,但如何将算法的复杂度适当降低,缩短配准时间需要更进一步的研究。

一种基于NDT和ICP融合的点云配准算法

针对迭代最近点(iterative closest point,ICP)算法和正态分布变换(normal distributions transform,NDT)算法实现点云配准误差较大的问题,该文提出了一种NDT-ICP点云配准算法,主要包括NDT粗配准和ICP精配准两个核心环节,将NDT粗配准环节得到的位姿变换矩阵作为ICP精配准环节的位姿初始值,ICP精配准环节通过Gauss-Newton法迭代求解目标函数输出最优变换矩阵。实验结果表明,NDT-ICP算法较ICP算法和NDT算法有效降低了绝对位姿误差,提升了点云配准精度。

基于B-SHOT特征和3D-NDT的点云自动配准

提出一种结合B-SHOT特征的3 D-NDT点云自动配准方法。首先分别提取两个点集的B-SHOT特征点,并且估算这些特征点的B-SHOT特征描述子,然后通过双向汉明距离估计两个点集之间的三维特征匹配点对,并利用随机采样一致性算法估计两个点集的初值转换参数,最后使用3D-NDT算法完成精确配准。实验结果表明,算法能快速精确的进行两个点云集之间的自动配准。

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。

融合NDT的2D激光数据扫描匹配遗传算法

针对激光数据扫描匹配中正态分布变换(NDT)算法在初始误差较大的情况下容易陷入局部极值的问题,提出了一种融合NDT的遗传算法(NGSAM)。引入NDT构建栅格,同时建立查找表加快求解速度,利用遗传算法搜索当前激光帧扫描数据和参考激光帧扫描数据的最优匹配。仿真实验结果表明:该算法在激光数据扫描匹配问题中取得了很好的效果,进一步提高了移动机器人的定位精度。

轨道交通高实时性高精度定位方法研究

为解决轨道交通领域露天和隧道场景的实时性及高精度定位需求,文章提出了一种基于激光雷达和惯性测量传感器的实时匹配定位方法。该方法有效结合了惯性传感器的短期高频率优势与点云地图匹配的长距离稳定性与准确性,有效消除了运动畸变并提升了数据质量。文章首先将惯性解算结果直接作为滤波器的预测输入值,充分利用惯性传感器的动态响应特性,滤波器的更新过程则依赖于点云与预先构建地图之间的精确匹配结果;然后,通过基于正态分布变换的匹配算法,得到点云数据在实际环境中的准确位置偏移量;最后,在轨道交通环境露天和隧道场景进行实验验证,结果表明,定位误差的平均值为0.1 m,平均处理耗时为98.13ms,且未出现轨迹不收敛、退化现象,能满足列车自主感知系统的定位需求。

基于FPFH特征和NDT算法的树木点云配准

为了提高海量林地三维点云数据配准的效率和精度,提出了一种基于快速点特征直方图(fast point feature histograms,FPFH)初始匹配与正态分布变换(normal distributions transform,NDT)精确配准相结合的配准算法。首先计算2个待配准点云的法向量,再使用k-d树结构对点云的FPFH特征进行加速计算。然后,根据2个点云相似的FPFH特征,使用采样一致性初始配准算法(sample consensus initial alignment,SAC-IA)求解初始变换矩阵、完成初始配准。最后,用DNT算法对点云体素化,并使用点云密度概率分布函数进行点云数据的精确配准。结果表明,FPFH-NDT算法的平均配准误差(相应点对的平均距离)为0.032 3 m,运行时间为256.376 s;在0.05~0.1 m的点云采样阈值范围内,FPFH-NDT算法的配准误差基本不受采样阈值变化的影响,其值稳定在0.03 m左右;当采样阈值>0.1 m时,配准误差随采样阈值的增大而增大;算法的配准时间整体上随点云采样阈值增大而减少。传统ICP算法的平均配准误差和时间分别为 0.526 3 m 和14.5 s;FPFH-ICP算法的平均配准误差和时间分别为0.042 5 m和289.346 s。FPFH-NDT算法与传统ICP算法相比在配准精度上有了很大的提高,与FPFH-ICP算法相比,在保证点云的配准精度的基础上,FPFH-NDT算法降低了算法的运行时间,提高了点云配准效率。

结合NARF特征的改进型3D-NDT多视点云配准

提出了一种精确有效的多视图配准算法。首先,使用NARF算法对每幅点云进行关键点检测,并以NARF关键点为原点建立局部坐标系,估算FPFH描述符;其后使用基于RANSAC的对应估计和对应关系去除算法剔除错误对应关系,确定三维特征匹配点对,并求解出变换矩阵,完成初始配准。然后,使用3D-NDT算法体素化点云,并使用概率分布函数对点云精细配准。最后,使用逐步匹配法对一系列点云进行配准,使其全部配准到统一坐标系中。实验结果证明,该算法能精确的对由Kinect V2.0获取的同一场景不同角度的多幅点云图像进行配准,且其配准精度较高。

基于NDT与ICP结合的点云配准算法

Lidar SLAM技术是无人车进行精确导航的一种重要方式,也是实现无人车在复杂的园区非结构化道路环境中安全驾驶的一种前提保障。构建了一种快速精确定位与建图的方法,通过车载激光雷达返回的大量点云数据,进行噪声点移除以及Voxel Grid滤波的预处理,在保持原始点云形态的同时实现点云配准。首先利用NDT(Normal Distribution Transform)点云配准算法对无人车的位姿粗估计,然后利用ICP(Iterative Closest Point)点云配准算法对已配准的点云进行校正,实现无人车位姿的精确估计,进而完成地图的更新过程。该方法只需要车载激光雷达传感器实现了快速的、精度高的Lidar SLAM。将算法用于小旋风无人车,在校园环境进行了验证,结果表明该算法是可靠、有效的。

基于NDT和ICP融合的点云配准方法

针对传统迭代最近点算法高精度低效率与正态分布变换算法高效率低精度的问题,提出了基于NDT与ICP融合的点云配准方法。首先通过NDT算法选择合适的网格参数将待匹配的点云向目标点云拉近以提高配准效率,完成粗配准,其次使用KD树加速的ICP算法求解变换矩阵以提高配准的计算效率。通过实验表明,本文方法匹配速度相比NDT算法和ICP算法有明显提高,且精度高于NDT算法。