面向林地环境的四足机器人自主定位方法

林地是四足机器人野外作业的典型场景,其树木多且间距小,对四足机器人快速导航的定位频率和精度提出了更高的要求。采用腿部里程计定位可以获得较高的更新频率,但林地地面松软、凹凸不平等会引起足端打滑,使其精度降低;而激光雷达定位,虽然林地环境特征丰富,但其存在一定匹配误差且更新频率低,也难以满足快速导航要求。针对此问题,提出了一种适用于林地环境的自主定位方法,采用腿部里程计去除激光雷达点云畸变,并分别提取林地地面和树干特征进行匹配,提高激光雷达定位精度;在激光雷达2次定位之间采用中值和窗口滤波融合腿部里程计的插值数据,提高定位频率。在林地实验中,四足机器人行走110 m,最终偏移为0.09 m,在设定路线导航下最终定位值与期望值相差0.2 m,定位频率500 Hz,四足机器人能准确顺利地完成导航任务。

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。

语义信息增强的3D激光SLAM技术进展

由于激光雷达可直接获得测距信息且相较于视觉传感器对光照等环境变化更具鲁棒性等优点,激光同步定位与建图(SLAM)技术近年来得到广泛发展。传统激光SLAM已取得很多研究成果,但其仅利用几何特征,对场景的理解有限,难以应对复杂任务,除此之外,当前SLAM应用场景已由传统静态场景向复杂动态场景过渡,传统方法由于动态元素干扰大多难以获得较好的性能。因此,语义信息增强的三维(3D)激光SLAM技术愈发受到研究学者们的关注,通过赋予点云语义标签与纯几何特征进行融合,一方面借助语义信息滤除潜在运动对象以解决静态环境假设问题,另一方面以语义信息辅助激光里程计获得高精度的定位与建图。综述了语义信息增强的3D激光SLAM技术研究进展,提出了该技术通用框架,分模块对该领域的突出研究成果及应用进行重点介绍,最后对该领域发展方向进行了总结与展望。

基于融合地图的自动驾驶激光雷达定位算法

针对环境变更对自动驾驶激光雷达(LiDAR)定位产生不可预估影响的问题,提出一种基于融合地图的LiDAR定位方法。在线定位中,根据里程计的结果将激光点云融入到离线地图中,使用融合后的地图有效地解决在线定位跳变。定位过程中,根据位姿滑窗维护和离线地图格式一致的在线地图,通过求解在线地图和离线地图间的差异度,自动识别环境更新区域,协助离线地图更新。实验结果表明:算法可以有效降低环境变更导致的定位跳变,在环境出现变更时,可以及时地识别出环境的更新区域。

移动机器人多传感器融合定位仿真研究

多传感器融合定位是解决移动机器人自主定位问题的主要方法之一。针对移动机器人单一传感器自主定位存在的精度低、局限性大等问题,研究设计了基于多传感器融合定位的解决方案方案在定位过程中利用基于扩展卡尔曼滤波和自适应蒙特卡罗的组合算法,实现对里程计、惯性测量单元以及激光雷达等多个传感器数据的融合,完成移动机器人自主定位。最后利用Turtlebot2机器人和Gazebo仿真环境模拟移动机器人的工作场景,完成对该定位方法的验证,仿真结果表明,上述设计能满足移动机器人在室内未知环境中的自主定位需求,降低定位误差。

基于多源定位的机器人导航地图融合研究

针对激光雷达(LiDAR)的传统建图方式在精度和地图完整性上存在不足的问题,提出一种以多源定位数据实现创建融合栅格地图的方法。利用误差状态卡尔曼滤波(ESKF)算法将惯性测量单元(IMU)与轮式编码器(WE)的融合数据中添加视觉里程计(VO)的位姿信息进行校正,并作为里程计输出。根据贝叶斯估计,将深度相机与激光雷达各自生成的局部栅格地图逐帧进行融合,生成全局地图。研究结果表明:融合地图与实际环境中的对应参考点在x与y方向的RMSE比传统方法分别下降了58.88%,56.19%,有效提高了地图的精度和丰富性。

IMU和轮式里程计联合的雷达畸变校正算法

为了校正低帧率2D激光雷达在机器人快速移动时产生的运动畸变,提出一种惯性测量单元(inertial measurement unit,IMU)和轮式里程计联合的激光雷达运动畸变较正方法。在传统轮式里程计辅助法的基础上,针对轮式里程计高速时容易打滑造成角度测量误差较大的缺点,利用局部角速度精度较高的IMU数据来完成激光雷达角度误差的较正。算法采用麦克纳姆全向轮式机器人进行验证。实验结果表明:IMU和轮式里程计联合较正运动畸变的方法能够克服轮式里程计打滑的机械性缺陷,有效减小雷达的位移误差和角度误差,大大提高低帧率2D激光雷达地图构建的质量。

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。

基于点云分割的激光里程计算法

针对激光里程计算法中存在的信息冗余和离散点干扰问题,本文提出了一种基于点云分割的激光里程计算法.该方法根据机械式激光雷达的水平旋转扫描特点,对点云数据进行扫描线分割并赋予标签,提取物体的边缘点作为线特征、表面点作为面特征.相较于传统的特征提取方法,本文算法能够有效提取具有较少标志性的特征点,同时剔除离散点.该算法在降低计算量的同时提升了定位的精确性和鲁棒性,对于机器人导航任务有着很好的应用前景,并通过计算机仿真验证了该算法的性能,并取得了较好的实验效果.

动态环境下融合激光雷达和IMU的激光里程计设计

激光SLAM通常通过多帧点云配准,完成位姿变换矩阵的估计,而点云中的动态点会降低激光里程计的定位精度。为了减少动态点引入的误差,提出了一种动态点云识别算法,并结合该算法改进了传统特征匹配策略,组成了动态环境下融合激光雷达和IMU的激光里程计。通过约束范围角与动态中心点,将点云快速分割成多个簇类,再借助IMU信息,快速建立点云簇类配准关系,从而去除动态点,最后根据簇类的对应关系进行约束,以提高匹配的精度与速度。使用KITTI数据集和UGV在多个情形下进行了实验。实验结果表明,该算法可以成功识别点云中的多个动态对象,并通过去除动态点,有效地减少了位姿估计的累积误差。

激光雷达运动畸变去除的算法设计

近年来,激光雷达的同时定位和地图构建(SLAM)算法发展相对成熟。然而,移动底盘与激光雷达作为激光SLAM系统的主要传感器,当传感器的精度降低时,将会影响机器人定位的准确度与构建地图的效果。因此,针对精度低的激光雷达快速运动时而产生的畸变,论述了轮式里程计的辅助算法。由于轮式里程计的辅助方法是位置线性假设,因此导致该算法在地图构建精度方面存在不足。针对位置线性假设没有误差线性假设合理的问题,提出了轮式里程计和迭代最近点(ICP)方法的融合。采用智能小车在室内进行移动构建环境地图。试验结果表明,轮式里程计和ICP方法融合的算法能够有效地提高定位的精度和地图构建的准确性。

基于激光SLAM的运动畸变校正算法研究

针对目前激光雷达为降低成本进而降低速度呈现出的采样频率低、采样点稀疏的发展方向与提高移动机器人移动速度的发展要求不匹配的现状,设计实现了一种畸变矫正算法,通过获取移动机器人搭载的位置姿态传感器数据,运用滤波算法和球面线性插值算法对姿态进行滤波估计,从而实现激光点云的畸变矫正。最后通过搭建ROS提供的Gazebo仿真平台,利用Rviz可视化,直观清晰地展示了矫正效果,验证了畸变矫正算法的准确性和可行性。

融合码盘和激光雷达的里程计与建图

提出了一种用于自动驾驶汽车的低漂移、低延迟的里程计与高精度建图的算法。该方法融合了多种传感器的测量结果,包括车轮编码器、转向盘转角编码器、激光雷达及可选GPS等的测量结果。里程计算法由车轮里程计和激光里程计组成:前者基于车辆运动学模型,高频、实时估计位姿增量,用于点云去畸变和为后者优化位姿提供可用的初值;后者以较低的频率估计车辆的精确位姿变化,以补偿前者累计的误差,其核心是一种基于角度度量的两阶段特征提取方法。建图算法基于因子图,包含激光里程计因子、回环因子和可选GPS因子,通过增量平滑和建图算法优化全局轨迹,在线生成全局地图,其中GPS因子能够自动对齐GPS坐标系和里程计坐标系,逐步融合GPS测量值,解除了算法初始化过程对于GPS的依赖。所提出的方法在自动驾驶汽车平台数据集上进行了评估,并和已开源的部分相关工作进行对比,结果表明它具有更低的漂移率,在本文进行的最大规模的测试中达到了0.53%。相关代码以开源形式供交流参考(https://github.com/Saki-Chen/W-LOAM)。

基于超宽带通讯技术的多传感器融合定位方法研究

针对里程计、惯性测量单元和激光雷达三种传感器融合定位过程中,存在累积误差大、跟踪目标易丢失的缺点,提出了一种基于超宽带、惯性测量单元、里程计和激光雷达多传感器融合的室内定位方法。该方法先将超宽带数据进行滤波,降低其漂移误差,再由超宽带提供初始绝对坐标并进行定位纠偏,降低了里程计的累积误差。实验表明,相较于原三种传感器融合的定位方法,该方法可以有效提高室内移动机器人的定位精度,将定位误差降低8%,节约位姿初始化时间80s。

室内导盲机器人的设计与实现

设计并制作一款能够室内构建地图并即时定位导航的机器人。机器人基于ROS实现,通过获取激光雷达扫描的数据和机器人的里程计数据,投入到ROS提供的Gmapping功能包构建出机器人所处环境的空间二维地图。在二维地图中可以获取机器人和目标点的二维坐标,以实现即时定位。机器人底盘配备4个麦克纳姆轮以进行全方向运动,用STM32F103RCT6单片机对底盘进行运动控制,同时基于QT开发了一款上位机软件以方便用户进行交互使用,完成室内导盲任务。室内导盲机器人经过调试,已成功构建出室内的二维地图,实现自主导航,能满足引导盲人安全地走到用户指定地点的任务。

基于ICP和NDT的激光点云匹配方法研究

在三维激光SLAM中,激光里程计的求解精度对建图精度有着至关重要的作用。为定量分析前端激光里程计中点云匹配方法的效率和精度,本文根据2种不同的点云匹配方法:迭代最近点ICP,正态分布变换NDT,搭建了前端激光里程计,并分别在KITTI数据集上进行了仿真实验,得出了绝对位姿误差和相对位姿误差,结果表明NDT算法精度和鲁棒性均高于ICP算法,且NDT算法适用于粗匹配,ICP算法适用于精匹配。

基于运动预测的改进激光里程计

针对室外大范围建图场景中激光里程计输出的运动轨迹漂移问题,在仅使用激光雷达构建里程计条件下,基于正态分布变换提出一种连续运动预测算法来提高点云匹配初始值估计精度,然后在点云匹配时使用帧与局部地图匹配代替帧间匹配,有效抑制了运动轨迹的漂移。仿真中采用Kitti数据集的2个不同场景进行验证,结果表明:所提的激光里程计改进算法,分别使运动轨迹的全局平均误差降低了27.93%、36.66%,其中三维运动轨迹竖直方向(Z轴)上的偏移最大值分别降低了70.29%、82.52%。所提的改进激光里程计有效抑制了运动轨迹漂移。

基于运动约束的激光雷达与车体坐标系旋转参数标定

激光雷达是智能网联汽车环境感知的重要传感器,多坐标系空间标定是激光雷达精准环境感知的前提条件。针对激光雷达与车体坐标系空间同步面临传感器观测单一的问题,提出基于激光雷达与车辆的平面运动和直线运动约束2步标定方法。为构建运动约束,基于激光里程计获取激光雷达运动位姿信息,通过激光雷达运动轨迹信息和时域上多帧地面平面拟合信息进行平面行驶识别,在满足平面路况下构建平面运动约束标定,进而标定横滚角与俯仰角;基于俯仰角和横滚角对车辆轨迹进行修正,通过激光运动轨迹建立直线行驶判别模型判别车辆运动状态,在满足车辆直线行驶路况下构建直线运动约束,从而标定偏航角。最后,在智能驾驶试验车上开展了激光雷达与车辆坐标系标定的实车试验,通过实车采集的数据验证了提出的空间同步方法的可行性。试验结果表明:提出的激光雷达与车体坐标系标定方法优于基于标定物的方法,在原始数据上可以保证标定后的旋转误差降低至0.61,误差率降低约47.4%。在手动调整的扩充数据上标定后的旋转误差降至1.64,误差率降低约40.6%。相对于基于标定物的方法,其旋转误差均有降低且不需要借助特定的标定物与标定场,降低了对环境的依赖程度。同时通过消融对比试验,证明了该方法的有效性以及鲁棒性。

视觉和激光雷达里程计紧耦合的SLAM算法

针对视觉和激光耦合simultaneous localization and mapping(SLAM)中存在的视觉特征丢失、雷达闭环轨迹矢量漂移和高程位姿偏差问题,提出一种通过扫描上下文回环检测的紧密耦合视觉和激光雷达SLAM方法。采用基于SIFT、ORB特征点检测器的视觉里程计解决特征点丢失和匹配失败问题;通过雷达里程计融合视觉里程计帧间估计消除雷达点云畸变和大幅度漂移;通过扫描上下文进行回环检测,引入因子图优化里程计矢量漂移,消除回环检测失败问题。在多个KITTI数据集中对所提算法进行验证,并与经典算法进行对比,实验结果表明,该算法具有高稳定性、较强鲁棒性、低漂移和高精度。

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%。