论文部分内容阅读
基于激光雷达的同步定位与建图(Simultaneous Localization And Mapping,SLAM)技术由于具有不受环境中光照与纹理的影响、定位与建图精度高、可靠性好等优点,已成为无人驾驶领域的研究热点。当前应用最广的机械扫描式激光雷达在无人驾驶过程中动态的获取数据,雷达开始采集和一帧结束时对应的车辆位置发生变化,产生的运动误差对后续的运动估计、地图构建过程有较大的影响。在车辆长时间行驶过程中,累积误差将造成不准确的位姿估计与一致性较低的地图构建结果。针对以上问题,本文在已有的基于激光雷达3D SLAM方法的基础上提出利用IMU信息来补偿激光雷达运行造成的误差,并进一步采用增量式分割的闭环检测方法以实现更高精度的定位与建图结果。本文完成的工作主要包括以下几个方面:(1)设计了一种基于限定区域的激光雷达外参数分布标定法。通过设定区域范围从3D点云中提取地面与标定杆数据,可有效减小噪声点对标定结果的影响。在地面点提取和平面拟合的基础上,采用粒子群优化(Particle Swarm Optimization,PSO)方法估计俯仰角、侧倾角、高度。将分割得到的标定杆数据用k-means聚类得到聚类中心,并通过最小二乘拟合得到直线方程,估计出激光雷达的偏航角。(2)提出了基于IMU补偿激光雷达运动的数据融合方法。采用线性插值的方法得到每帧中的点所对应的IMU状态信息。利用当前的IMU状态与初始扫描的IMU状态的转换关系进行点云补偿。补偿后的3D点云通过点到面(Point-to-Plane ICP,PP-ICP)匹配算法后转换为扫描匹配因子。IMU的状态信息通过航迹推算方法得到里程计因子以用于后面的优化计算。(3)对基于增量式点云分割的闭环检测方法进行了研究。首先对点云进行增量式的分割与基于特征向量的描述、匹配,然后基于随机抽样一致性测试(Random Sample Consensus,RANSAC)得到可靠的闭环检测,检测结果以位置识别(Place Recognition,PR)因子。最后对融合了扫描匹配因子、里程计因子和PR因子的因子图进行后端优化估计,从而得到更精确的定位与建图结果。(4)基于ROS的实验验证。标定实验结果验证了本文采用的标定方法的有效性;通过KITTI数据集探索了动态像素大小、特征匹配距离阈值等参数对SLAM结果的影响。在校园环境下的实验结果表明本文提出的改进方法提高了定位精度并改善了地图的一致性。图55幅,表12个,参考文献55篇。