激光雷达与相机自适应紧耦合的同时定位与建图算法

同时定位与建图（SLAM）是自动驾驶的基本要求之一。多传感器融合，尤其是激光雷达和相机的融合，对于自动驾驶来说是必不可少的。其中，如何针对各种场景调整不同传感器的置信度是关键问题，基于此，提出一种自适应紧耦合的激光雷达相机融合的SLAM(AVLS)算法。首先，所提AVLS算法建立在基于滑动窗口的因子图上，包含提升整体算法精度和鲁棒性的灵活深度关联和弹性初始化等模块。其次，为了充分探索激光雷达和相机在不同环境中的性能，采用一种基于先验知识的动态加权方案。最后，将所提AVLS算法在两个公开的大规模自动驾驶数据集上进行了全面实验，包括与经典算法的对比及消融实验，实验结果表明，AVLS算法的鲁棒性和精确度可以达到目前领先水平。     

基于改进PFPN的语义地图构建方法研究

针对园区等环境结构性强而全球导航卫星系统(GNSS)信号不稳定的应用场景及无人车应用激光雷达同时定位与建图(SLAM)技术缺乏对于场景的语义理解能力而造成的定位误差问题,提出了一种单目相机与激光雷达融合构建三维语义地图的方法.该方法以园区环境结构性强、车辆行人动态变化高的特征为依据,通过改进的全景特征金字塔网络(PFP...     

基于UWB和惯性导航融合的室内定位方法

针对室内环境日益复杂,单一的定位系统已经不能满足人们对定位准确度需求的问题,设计了一种利用超宽带(UWB)和惯性导航融合进行的室内定位方法:首先针对UWB测距结果容易受环境影响的问题,根据实验环境对UWB测距进行了标定;然后利用改进马氏距离的异常值检测方法对测距过程中的异常值进行了剔除;最后采用了紧耦合的卡尔曼滤波器,以UWB测距值作为扩展卡尔曼滤波观测量,以惯性导航解算的位姿作为扩展卡尔曼滤波器的预测量,通过UWB测距来不断校正惯性导航的位姿数据。最终为了验证所提方法的可行性和有效性,进行了UWB单独定位和UWB与惯性导航融合定位的小车搭载矩形运动轨迹实验,通过对两种方法实验数据的对比分析,在加入了外界干扰时的矩形轨迹定位实验中,利用UWB和惯性导航融合的定位结果,平均精度比单独利用UWB进行定位时提高了36.3%;误差结果对比表明,利用UWB和惯性导航融合定位的误差波动更小,具有更高的鲁棒性。表明了该融合定位算法与单独利用UWB技术进行定位的算法相比,能够有效地抑制定位过程中的干扰问题,并且可显著地提高在室内环境下定位系统的鲁棒性和定位精度。     

基于超宽带阵列与里程计的多机器人相对定位

精准的相对定位是实现多机器人协作与编队控制的关键。在弱全球定位系统(GPS)的室内环境中，视觉或激光雷达(LiDAR)通过特征匹配的方式确定机器人间相对位置，但在非视距环境下难以工作。针对这一问题，该文提出一种基于多超宽带(UWB)节点的移动机器人相对定位方法。首先，利用每个机器人携带的多个UWB节点构成UWB阵列，通过非线性优化实现移动机器人间相对姿态估计。为进一步提升估计精度，利用里程计对非线性优化结果进行约束，通过图优化算法对滑动窗口内的相对位姿与里程计进行优化，保证了算法的实时性。然而，图优化过程中难以确定相对位姿估计的误差，对定位结果影响较大。因此，利用粒子滤波融合里程计和滑动窗口优化后的相对位姿，进一步提升相对姿态估计的精度。实验结果表明，该方法在12×6 m的室内环境中，能够达到0.312 m的平均定位误差以及4.903°平均角度误差，且具有良好的实时性。     

基于自适应UKF的UWB/PDR行人定位系统

UWB(Ultra-Wide Band)无线通讯技术在室内导航定位领域获得了广泛的应用，然而基于UWB的行人定位系统在复杂室内环境下的稳定性不佳，导致定位误差增大。为了解决这一问题，文中提出了一种基于自适应无迹卡尔曼滤波(Unscented Kalman Filter, UKF)的UWB/PDR(Pedestrian Dead Reckoning)行人定位系统。该系统利用无迹卡尔曼滤波算法将PDR模型与UWB的定位信息进行融合，以得到最优位置估计，随后利用UWB定位与PDR系统所获得的步长差概率密度函数来计算定位点的非视距评估概率，并将评估结果作用于系统的自适应噪声调整，以此提高系统对环境的适应性。实验验证结果表明，该系统可有效降低复杂环境下定位误差，提高行人定位结果的精度和稳定性，平均定位精度达到10 cm以内。     

基于毫米波传感器与激光雷达信号融合的自动驾驶障碍物感知方法

由于自动驾驶无法准确感知障碍物信息，且感知误差较高，为了提高自动驾驶避障能力，提出基于毫米波传感器与激光雷达信号融合的自动驾驶障碍物感知方法。将毫米波传感器内置于自动驾驶装置中，采集自动驾驶装置与障碍物之间的激光雷达回波信号，采用匹配滤波器进行干扰滤波处理，提取传感信号的功率谱密度特征量，采用小波多尺度分解的方法实现信号时频转换，通过Wigner-Vill分布检测和多分辨特征聚类，分析自动驾驶激光雷达毫米波传感信号回波特征，根据波束形成和信号融合结果实现对障碍物感知和自适应定位。测试结果表明，采用该方法进行自动驾驶障碍物感知的准确性较高，感知误差较低，最低为0.01,响应速度较快，最快为0.1 s,收敛迭代步数较小，定位能力较强，提高了自动驾驶的环境适应性。     

一种融合深度相机与激光雷达的室内移动机器人建图与导航方法

为解决室内移动机器人导航过程中容易碰撞障碍物的问题,本文提出一种融合深度相机和激光雷达的室内移动机器人建图与导航方法,在机器人底盘上安装激光雷达、深度相机和里程计,利用Gmapping算法进行室内二维地图构建,同时用ROS中depthimage_to_laserscan功能包对深度图像进行二维投影,生成的二维栅格地图与激光雷达所建的地图进行融合.实验证明该方法使建立的地图更加完善,提高了室内移动机器人检测周围障碍物的能力和自主导航的能力.     

全自动驾驶车辆基地库内精确定位技术研究

针对全自动驾驶车辆基地库内工作人员的高精度定位需求，设计了基于RFID和超宽带(UWB)技术的适用于室内的高精度定位系统。RFID记录定位开始和结束时间，获取目标相关信息；UWB对目标位置进行实时准确地监控。两种技术相结合实现对检修人员位置的实时跟踪，获取作业时间数据以及作业人员的其他相关信息。当UWB定位出现误差，通过对RFID标签进行读取，实现人员位置重置。测试结果表明，该系统在全自动驾驶车辆基地停车列检库内具有精确的定位性能，既可以对库内目标进行追踪定位，又能为目标提供定位数据校正。     

激光雷达室内定位技术研究及应用综述

室内定位技术伴随机器人等在室内环境下自主作业的需要已成为热门研究领域，室内定位效果依赖其使用的传感器以及相关算法。为探索激光雷达在室内定位过程中的技术发展及相关应用，通过文献调研对基于激光雷达的室内定位原理，激光雷达产品，激光雷达室内定位技术发展展开分析。结合当下激光雷达室内定位技术的部分应用场景探索激光雷达现阶段实际应用中的不足，并提供了部分切合实际的技术解决方案。最后对基于激光雷达的室内定位技术进行了总结及展望，为后续该领域的研究提供一些可行思路。     

基于激光测距扫描的室内定位方法研究

在未知室内环境下,基于迭代最近点(ICP)匹配的同步建图与定位(SLAM)算法较为复杂,运算量较大,在微小型飞行器ARM嵌入式控制系统上实现难以保证实时性。本文提出了一种基于激光测距扫描的室内飞行定位方法,用室内环境的特征点替代激光扫描数据进行ICP匹配,减少了匹配时间,提高了SLAM算法的快速性。在环境特征点提取过程中,提出了一种真实特征点筛选机制,减少因虚假特征点导致的匹配误差,保证了匹配精度。设计搭建了试验平台,试验结果表明,本文提出的方法能够满足微小型飞行器室内飞行定位快速性和准确性的要求。     

一种改进的多源信息融合室内定位方法

针对超宽带（Ultra-wideband,UWB）定位系统受非视距（Non-line of Sight,NLOS）误差影响较大,以及惯性测量单元（Inertial Measurement Unit,IMU）定位系统受累积误差影响较大的问题,提出了一种基于多源信息的改进融合定位模型。首先,对UWB测量模型进行优化,通过差分气压计测高的方法对NLOS信号进行鉴别,并通过加权最小二乘法削弱NLOS信号对UWB定位结果的影响。然后对数据融合算法进行优化,引入IMU累积误差门限降低累积误差对IMU定位结果的影响,提高融合定位精度。最后,使用UWB、IMU系统在室内复杂环境中的实测数据进行Matlab仿真,验证了改进融合定位模型在定位精度上比基础融合定位模型提高了45.71%。     

基于最小回环检测的多车协同SLAM框架

为了提升自动驾驶车辆的感知效率和准确率,解决协同感知算法中对协同条件的限制和多源数据融合等问题,本文引入基于激光雷达的即时定位与建图(Simultaneous Localization and Mapping,SLAM)算法,提出面向自动驾驶的多车协同SLAM框架.首先,车辆运行单车SLAM,构建本地约束并共享地图和位姿数据.同时车辆接收并处理其他车的数据,若其他车辆与本车已建立坐标系转换关系则直接完成数据融合,否则基于重叠区域相似点云配准解算多车坐标系转换关系.采用图的连通分支和生成森林理论跟踪数据融合情况并构建多车回环约束,基于通用图优化(General Graph Optimization,G2O)理论对全局地图优化.真实场景与KITTI数据集的实验结果表明,本文的框架无需构建包含所有车辆相对位姿的全局坐标系或满足多车相遇等约束条件,即可实现多车协同SLAM,并在SLAM的效率和准确率等指标上具有优势.     

基于UWB的室内协同定位方法

全球定位系统(Global Positioning System,GPS)在室外可以取得良好的定位效果,然而由于室内环境复杂、存在严重的多径和非视距干扰,GPS无法覆盖,难以实现高精度定位。针对这一问题,将超宽带(Ultra-Wide Bandwidth,UWB)技术和协同定位技术(Cooperative Positioning,CP)应用到室内定位中,并引入最小二乘残差法对测距误差较大的节点进行剔除,从而提出一种基于UWB的室内协同定位方法。该方法下,目标节点之间可以相互收发对方的测量数据,能够使不在参考节点传输距离内的节点也能定位,同时舍去测距误差较大的节点信息,能够有效地提高系统的定位精度。     

基于CHAN的改进卡尔曼滤波室内定位算法

由于现在室内环境的复杂度越来越高，室内非视距情况下定位误差的影响逐渐增大，如何降低其影响显得尤其重要。定位技术选用的是UWB室内定位技术，其中，卡尔曼滤波在降低室内非视距定位误差方面有着广泛的应用，针对其在视线线路与非视距场景转换过程中会产生新的误差的问题，提出了一种基于CHAN的改进卡尔曼滤波定位算法。采用5个或以上基站的测距结果构建定位解算方程组，选取在非视距情况下定位误差敏感的CHAN算法进行解算，将解算结果与各基站的位置进行残差处理，并划分出不同的置信区域。对于不同置信区域，预先设定匹配的卡尔曼滤波增益系数K，提高视线线路和非视距场景转换的定位结果稳定性，降低转换过程中的定位误差。实验结果表明，在仿真环境中，所提算法可将误差降低至80 cm左右；在实际应用中，可将复杂场景下的定位误差降低至60 cm，比正常复杂室内定位精度提高60%。     

融合WiFi、激光雷达与地图的机器人室内定位

由于室内环境受多径效应影响,单一WiFi定位效果不佳;激光雷达(LiDAR)虽然测距定位精度高,但在室内存在大量单一、重复的场景结构(如走廊)时,往往会由于无法提取有效特征进行匹配而造成大量错误定位。因此,该文提出基于卡尔曼滤波框架的WiFi、激光雷达与地图的融合定位新方法。其中,滤波器的状态定义为机器人当前与历史时刻的位置序列。滤波器的观测值由两部分组成,一部分为该文所提基于多环路分割地图下信号强度加权匹配的WiFi指纹定位结果;另一部分来自激光雷达在单一重复场景中计算出来的高精度相对定位结果(如横向定位)。利用场景地图中的先验参考位置,可将该横向定位结果转变为机器人位置的线性约束。最后,利用卡尔曼滤波器实现机器人高精度的融合定位结果。实验中,针对两种典型的单一、重复的室内场景,分别采用2维与3维激光雷达对该文算法进行验证。实验结果表明,由于激光横向定位精度可达厘米级,结合厘米级地图可以极大提高机器人定位精度。与单一WiFi定位算法相比,利用激光雷达计算出来的相对定位结果结合场景地图,平均定位误差可降低70%～80%,在满足机器人实时定位需求情况下,实现定位精度与稳定性的显著提升。     

基于GNSS/INS与激光雷达的缓存池建图

为了解决智能车、无人机、自主机器人对外界环境感知的先验信息不足的问题。本文提出了一种使用惯性导航(INS)与卫星导航(GNSS)辅助多线激光雷达传感器对环境进行自主三维重建的算法。该算法首先采用一种基于GNSS\\INS的线性差值法与四元数插值法并行算法将激光雷达点云转换到唯一坐标系下,纠正点云随时间的漂移;通过基于缓存池的建图方法对周围环境进行点云分割与拼接,对得到的子地图进行体素滤波,最终得到丰富环境信息的三维重建地图。通过机器人操作系统(ROS)在移动平台上进行验证,实验结果表明:该方法成功的对外界环境进行自主三维建图,适用于智能化载体对未知环境下的感知。     

融合WiFi、激光雷达与地图的机器人室内定位

由于室内环境受多径效应影响,单一WiFi定位效果不佳;激光雷达(LiDAR)虽然测距定位精度高,但在室内存在大量单一、重复的场景结构(如走廊)时,往往会由于无法提取有效特征进行匹配而造成大量错误定位.因此,该文提出基于卡尔曼滤波框架的WiFi、激光雷达与地图的融合定位新方法.其中,滤波器的状态定义为机器人当前与历史时刻的位置序列.滤波器的观测值由两部分组成,一部分为该文所提基于多环路分割地图下信号强度加权匹配的WiFi指纹定位结果;另一部分来自激光雷达在单一重复场景中计算出来的高精度相对定位结果(如横向定位).利用场景地图中的先验参考位置,可将该横向定位结果转变为机器人位置的线性约束.最后,利用卡尔曼滤波器实现机器人高精度的融合定位结果.实验中,针对两种典型的单一、重复的室内场景,分别采用2维与3维激光雷达对该文算法进行验证.实验结果表明,由于激光横向定位精度可达厘米级,结合厘米级地图可以极大提高机器人定位精度.与单一WiFi定位算法相比,利用激光雷达计算出来的相对定位结果结合场景地图,平均定位误差可降低70％～80％,在满足机器人实时定位需求情况下,实现定位精度与稳定性的显著提升.     

激光雷达IMU紧耦合的室内大范围SLAM方法

针对激光雷达SLAM算法在室内大范围场景中建图与定位精确度低、鲁棒性差的问题，提出一种激光雷达IMU紧耦合的SLAM方法。该方法基于LeGO-LOAM算法，在点云去畸变环节引入惯性测量单元（IMU）数据，将IMU预积分的结果作为初始位姿，消除点云畸变；在点云配准环节，将IMU预积分的结果作为迭代优化时的初始位姿，提升点云配准精度，从而提高机器人位姿估计的准确性；在后端优化环节，通过构建因子图的方式引入激光里程计因子、IMU预积分因子及回环因子，得到全局最优解，进一步提升建图与定位的精度。为验证所提方法的可行性，设计不同场景下LeGO-LOAM算法与改进SLAM算法的对比实验。实验结果表明，在室内大范围场景下，改进的SLAM算法能够减少轨迹波动，提升建图效果及轨迹精度，增强算法的鲁棒性。     

基于容错决策树的UWB辅助惯性定位方法

针对惯性导航系统误差随时间累积和超宽带(UWB)定位受到非视距问题、多径效应和人体影响出现粗大误差的问题,提出了一种基于容错决策树的UWB辅助人员室内惯性定位方法。该方法提出并采用陀螺仪高精度分段拟合误差补偿模型,抑制惯性导航误差漂移;同时在UWB辅助人员室内惯性定位的基础上,构建惯性导航与UWB单点定位数据共同作用的容错决策树判定模型,剔除UWB定位的粗大误差因子,进而对惯性导航和UWB的参数应用扩展卡尔曼滤波,实现UWB辅助增强惯性定位。根据实验验证表明,在复杂狭窄巷道环境,该方法将距离均方误差占路线长度的比例从6.02%提升到0.76%;在常规方正室内环境,该方法将最大误差占路线长度的比例从2.207%提升到0.635%。实现了长时间的连续可靠定位,具有较强的工程应用价值。     

室内行人自主定位算法的研究

室内定位与导航在军事单兵系统、消防定位和大型场馆引导领域都拥有非常大的需求。由于GNSS导航在复杂的室内环境下会出现衰减、多径等问题,因此针对行人的基于低成本MEMS惯性传感器的行人航位推算(Personal Deadreckoning,PDR)导航系统成为该领域的研究热点。以捷联惯性导航原理为基础,设计了室内行人自主定位算法并实现了该算法实时地解算行人位置,该系统模块佩戴于行人脚部,可以完成在室内环境中行人所在位置的实时定位。实验结果表明,该室内行人自主定位算法的精度在行进距离的1%以内,达到了室内定位功能的要求。