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%。

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。

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。

动态环境下激光雷达地图构建

针对动态噪声大室外应用场景中存在里程计与建图精度较低、鲁棒性不足的问题,提出基于激光里程计与建图方法。利用惯性测量单元对每一帧点云数据进行运动补偿,进行地面分割。采用欧几里得聚类方法在非地面区域检测动态物体并去除动态物体的点云数据,在可靠区域内获取关键特征点后进行点云配准和分步骤求解位姿。构建全局静态地图,通过回环检测减少累积误差。利用KITTI数据集和校园环境数据对方法进行验证,实验结果表明,提出方法在满足实时性的要求下激光里程计与建图精度优于目前主流算法LOAM、Lego-LOAM,具有良好的鲁棒性和环境适应性。

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。

旋转捷联惯导系统辅助的多线激光雷达新型SLAM方法

针对惯性传感器精度低下影响基于激光雷达/惯性信息融合的同时定位与建图(Simultaneous Localization and Mapping,SLAM)技术性能的问题,提出了一种旋转捷联惯导系统辅助下的多线激光雷达SLAM优化方案。该方案探讨了基于模糊自适应卡尔曼滤波的旋转捷联惯导对准方法,在载体运动过程中完成载体姿态与惯性传感器误差的实时修正;在此基础上,将修正后的惯性传感器数据与激光雷达点云数据进行紧耦合模式下的信息融合,以提高载体在复杂场景中运动时定位与建图的精度和实时性。实验结果表明,基于旋转惯导与多线激光雷达信息融合的SLAM方案,在保证运算实时性的同时,有效提高了激光雷达/惯性里程计的定位性能,以及点云地图的准确性。

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)。

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。

基于2D旋转激光的室内3D-SLAM

同步定位与构图(simultaneous localization and mapping,SLAM)使机器人可快速构建场景地图并确定自身位置,是室内定位与导航的基本模块。依此设计实现一种使用2D激光传感器进行室内数据采集的3D激光SLAM系统,具有成本低、易携带、可拓展等特点。该系统基于室内平面和相邻面交线为特征,利用鲁棒的特征匹配进行特征关联,通过分级位姿优化策略,逐步优化位姿轨迹,解决了低成本采集设备数据量小、频率低、帧内变形大的问题,实现低成本、低漂移的室内激光SLAM技术。最后通过定性定量的对比实验验证该系统模块的有效性和普适性。