论文部分内容阅读
近年来，随着人工智能成为各领域的热点研究方向，作为人工智能典型代表的机器人新研究也进入新的热潮。对于智能机器人而言，能否自主地对环境进行辨识以及自主定位是其智能化的重要基础与标志，因此移动机器人的同时定位和地图构建(SLAM，Simultaneous Localization and Mapping)是一项重要课题。
本文将激光SLAM的研究与实现分为2D激光SLAM和3D激光SLAM两部分，主要的研究内容与创新点有如下：
对于2D 激光SLAM系统，结合了Khepera IV机器人的运动参数和2D激光的安装位置，对系统的运动模型进行了建模分析，并结合IMU传感器，针对轮子可能的打滑情况进行了检验与校正；对于3D激光SLAM系统，对分析了其相邻帧之间的运动模型，明确了系统的求解目标。对2D、3D激光的局部坐标系到世界坐标系的坐标转换公式进行了系统的推导。
提出了一种高精度低消耗的 2D 激光 SLAM 方法。在运动估计阶段，采用滑动检测方法校准里程计数据；在帧匹配阶段，采用自适应分层逼近式随机采样方法选取匹配点，通过查询击中表来计算其匹配得分；在地图更新阶段，将概率地图分解为分子表和分母表，通过维护这两个表更新概率地图。相较于tinySLAM算法，该方法在地图边界分辨率和精确度较高的同时，计算耗时更少。
实现了基于L-M的3D激光同时定位与制图。用K-D树的数据结构组织点云数据，通过中值滤波过滤点云数据噪声，采用了体素法对原始点云数据进行下采样。引入了基于曲率的特征提取算法，曲率值较高的点为边缘特征点，而曲率值较低的为平面特征点。将帧匹配的求解转化为特征点到对应直线或平面的距离总和最小，以此来构建约束方程并转换为最小二乘问题，利用L-M法来求解。由于相邻帧匹配会产生累计误差，时间一长便会使位姿严重偏离真实值，故而采用帧地图匹配的方式来减小该误差。最后用KITTI上的实测数据，验证了此3D激光SLAM方法的有效性。
本文将激光SLAM的研究与实现分为2D激光SLAM和3D激光SLAM两部分，主要的研究内容与创新点有如下：
对于2D 激光SLAM系统，结合了Khepera IV机器人的运动参数和2D激光的安装位置，对系统的运动模型进行了建模分析，并结合IMU传感器，针对轮子可能的打滑情况进行了检验与校正；对于3D激光SLAM系统，对分析了其相邻帧之间的运动模型，明确了系统的求解目标。对2D、3D激光的局部坐标系到世界坐标系的坐标转换公式进行了系统的推导。
提出了一种高精度低消耗的 2D 激光 SLAM 方法。在运动估计阶段，采用滑动检测方法校准里程计数据；在帧匹配阶段，采用自适应分层逼近式随机采样方法选取匹配点，通过查询击中表来计算其匹配得分；在地图更新阶段，将概率地图分解为分子表和分母表，通过维护这两个表更新概率地图。相较于tinySLAM算法，该方法在地图边界分辨率和精确度较高的同时，计算耗时更少。
实现了基于L-M的3D激光同时定位与制图。用K-D树的数据结构组织点云数据，通过中值滤波过滤点云数据噪声，采用了体素法对原始点云数据进行下采样。引入了基于曲率的特征提取算法，曲率值较高的点为边缘特征点，而曲率值较低的为平面特征点。将帧匹配的求解转化为特征点到对应直线或平面的距离总和最小，以此来构建约束方程并转换为最小二乘问题，利用L-M法来求解。由于相邻帧匹配会产生累计误差，时间一长便会使位姿严重偏离真实值，故而采用帧地图匹配的方式来减小该误差。最后用KITTI上的实测数据，验证了此3D激光SLAM方法的有效性。