论文部分内容阅读
自动驾驶等应用场景需要实时获取全局位置信息,满足以导航定位为基础的各种任务需求。在复杂的室外环境中,GPS或视觉传感器容易受到遮蔽或干扰,无法保障长时间运行下的定位性能。激光雷达因其精确的感知能力和强大的抗干扰能力,成为这类应用中极为重要的传感器。在SLAM研究中,全局定位属于回环检测模块,通常需要依赖视觉传感器,当前对激光回环检测的研究较少。因此,本文为满足室外场景下的实时全局定位需求,具体结合三维激光雷达感知原理和室外环境点云特性,开展以激光SLAM为框架的特征提取和全局定位方法研究。
首先,由于原始点云属于散乱点集,直接进行特征提取会带来效率低下、精度不高的问题,高质量点云是准确特征提取的重要前提。为配合后续环节的需求,本文设计了相应的预处理方法。先利用八叉树组织点云,构建拓扑关系,以实现高效邻近搜索。再结合三维激光雷达的扫描特性以及常规点云地面提取方法,设计基于模型拟合与区域生长的方法高效提取地面点。接着对非地面点中的路标,采用优化的DBSCAN算法进行分割,使传统DBSCAN的参数选取更适应室外点云的特征,实现高效的路标分割和去噪,从而为特征提取模块提供了高质量输入。
其次,考虑到传统几何特征在室外场景中存在重复性和适应性的问题,本文设计了不随扫描角度变化、位置参考性高、可参数化的点云特征提取方法。先将预处理环节中获取的路标类作为位置参考,结合传统点特征和线特征提取方法,描述路标轮廓形状,再选取稳定可靠的距离和角度信息代表邻居类的位置关系,实现特征的参数化,为高效的特征匹配奠定基础。接着对通常被舍弃的地面点提取路牙和指示线特征,利用路牙的高程梯度一致性和指示线的反射强度异常一致性,拟合还原路牙和指示线,以提取道路信息,辅助里程计配准。
然后,基于传统激光SLAM框架,将特征提取中的创新点融入建图和回环模块,实现算法的流程化。在整个流程中,先使用预处理模块压缩点云,为激光里程计提供更精炼的点云。再通过地面特征匹配优化激光里程计的初始位姿,提高配准效率和精度。在点云地图增量化的同时,从配准后相对完整的局部点云中提取可靠的路标特征,构建轻量级路标地图。最终用高效的数据库思想管理路标地图,依靠参数化的特征矩阵实现快速匹配,从而完成实时的全局定位。
最后,基于Matlab平台,使用Velodyne公司提供的VLP-16型激光雷达实测数据集,对本文所提算法进行了综合验证,进一步证明了所提算法的有效性,为三维激光雷达实时全局定位在室外场景下的应用提供了参考。
首先,由于原始点云属于散乱点集,直接进行特征提取会带来效率低下、精度不高的问题,高质量点云是准确特征提取的重要前提。为配合后续环节的需求,本文设计了相应的预处理方法。先利用八叉树组织点云,构建拓扑关系,以实现高效邻近搜索。再结合三维激光雷达的扫描特性以及常规点云地面提取方法,设计基于模型拟合与区域生长的方法高效提取地面点。接着对非地面点中的路标,采用优化的DBSCAN算法进行分割,使传统DBSCAN的参数选取更适应室外点云的特征,实现高效的路标分割和去噪,从而为特征提取模块提供了高质量输入。
其次,考虑到传统几何特征在室外场景中存在重复性和适应性的问题,本文设计了不随扫描角度变化、位置参考性高、可参数化的点云特征提取方法。先将预处理环节中获取的路标类作为位置参考,结合传统点特征和线特征提取方法,描述路标轮廓形状,再选取稳定可靠的距离和角度信息代表邻居类的位置关系,实现特征的参数化,为高效的特征匹配奠定基础。接着对通常被舍弃的地面点提取路牙和指示线特征,利用路牙的高程梯度一致性和指示线的反射强度异常一致性,拟合还原路牙和指示线,以提取道路信息,辅助里程计配准。
然后,基于传统激光SLAM框架,将特征提取中的创新点融入建图和回环模块,实现算法的流程化。在整个流程中,先使用预处理模块压缩点云,为激光里程计提供更精炼的点云。再通过地面特征匹配优化激光里程计的初始位姿,提高配准效率和精度。在点云地图增量化的同时,从配准后相对完整的局部点云中提取可靠的路标特征,构建轻量级路标地图。最终用高效的数据库思想管理路标地图,依靠参数化的特征矩阵实现快速匹配,从而完成实时的全局定位。
最后,基于Matlab平台,使用Velodyne公司提供的VLP-16型激光雷达实测数据集,对本文所提算法进行了综合验证,进一步证明了所提算法的有效性,为三维激光雷达实时全局定位在室外场景下的应用提供了参考。