一种多层次数据融合的SLAM定位算法

针对2D激光SLAM(同步定位和地图构建)机器人导航中激光点云匹配计算量大、轨迹闭合效果差、位姿累积误差大、以及各环节传感器观测数据利用不充分等问题,提出一种基于多层次传感器数据融合的实时定位与建图方法——Multilevel-SLAM.首先,在数据预处理方面,利用IMU(惯性测量单元)数据预积分结果为激光点云配准提供坐标转换依据.对激光点云进行特征采样,降低点云匹配计算量.其次,通过无迹卡尔曼滤波算法融合IMU、LiDAR(激光雷达)观测量得到机器人位姿,来提高闭环检测效果.最后,将激光点云配准约束、闭环约束、IMU预积分约束加入到SLAM算法的后端优化中,对全局地图位姿节点估计提供约束配准,实现多层次的数据融合.在实验中利用LiDAR-IMU公开数据集对Karto-SLAM、Cartographer和Multilevel-SLAM算法进行性能测试对比.Multilevel-SLAM算法的定位精度始终保持在5 cm以内,而对比方法则存在不同程度的定位偏移.实验结果表明,在没有显著增加计算量的前提下,Multilevel-SLAM算法有效提高了闭环处的轨迹闭合效果,具有更低的定位误差.     

煤矿移动机器人LiDAR/IMU紧耦合SLAM方法

煤矿井下机器人同步定位与地图构建(SLAM)是当前研究热点,但针对提高激光SLAM在井下复杂条件下精度、鲁棒性的研究仍然不足;传统激光SLAM方法在井下复杂环境下存在累计误差迅速增大、旋转过程鲁棒性差、特征关联错误率高等问题;现有激光-惯性融合的定位建图紧耦合融合机制仍需进一步提高对煤矿井下复杂环境的适应能力。针对上述问题,提出了一种煤矿机器人LiDAR(激光雷达)/IMU(惯性测量单元)紧耦合SLAM方法(LI-SLAM方法)。首先利用IMU观测信息预测点云运动状态并进行有效补偿,减少由于剧烈振动、快速旋转等恶劣运动工况导致的点云畸变;然后提取雷达点云的边线与平面特征,基于点-线和点-面扫描匹配构建激光相对位姿约束,并在向量空间与流形空间解析推导了约束的残差、雅可比矩阵、协方差矩阵构建过程;最后通过构建雷达相对位姿约束因子、IMU预积分约束因子、回环检测约束因子,基于因子图优化方法完成LiDAR/IMU紧耦合,实现井下复杂环境下煤矿移动机器人的定位与地图构建。为了验证LI-SLAM方法在颠簸路面、复杂场景的精度与鲁棒性,基于煤矿轮式移动机器人平台,在野外、地下车库环境下进行了试验,在...     

基于IMU与激光雷达紧耦合的混合匹配算法

针对线、面特征匹配的激光雷达测距与地图构建算法(Lightweight and Ground-Optimized Lidar Odometry And Mapping,LeGO-LOAM)在自动导引运输车(Automated Guided Vehicle,AGV)室内室外实时建图与定位时,易出现激光里程计累积误差大和旋转估计不准确等问题,本工作采用惯性测量单元(Inertial Measurement Unit,IMU)与激光雷达紧耦合的LeGO-LOAM算法,通过IMU为激光雷达提供的初始位姿信息,构建IMU与激光雷达联合误差函数,实现位姿共同迭代优化.其中,对于室外结构化信息较少时,在点对点的迭代最近点算法(Iterative Closest Point,ICP)较高定位精度的基础上,结合LeGO-LOAM算法和ICP算法互补性,进一步提出基于IMU与激光雷达紧耦合的混合匹配算法:当环境中结构信息较多时,激光里程计采用LeGO-LOAM算法,而当环境中结构化信息较少时采用ICP算法.实验结果表明,基于IMU与激光雷达紧耦合的混合匹配算法可有效降低激光里程计相对位姿误差和累积误差,提高AGV小车定位精度以消除部分地图重影.     

基于视觉惯性融合的半直接单目视觉里程计

针对半直接单目视觉里程计缺乏尺度信息并且在快速运动中鲁棒性较差的缺点,设计了一种融合惯性测量信息的半直接单目视觉里程计,通过IMU（惯性测量单元）信息弥补视觉里程计的缺陷,有效提高跟踪精度与系统鲁棒性．本文联合惯性测量信息与视觉信息进行初始化,较准确地恢复了环境尺度信息．为提高运动跟踪的鲁棒性,提出一种IMU加权的运动先验模型．通过预积分获取IMU的状态估计,根据IMU先验误差调整权重系数,使用IMU先验信息的加权值为前端提供精确的初值．后端构建了紧耦合的图优化模型,融合惯性、视觉以及3维地图点信息进行联合优化,同时在滑动窗口中使用强共视关系作为约束,在消除局部累积误差的同时提高优化效率与优化精度．实验结果表明,本文的先验模型优于匀速运动模型与IMU先验模型,单帧先验误差小于1 cm．后端优化方法改进后,计算效率提高为原来的1.52倍,同时轨迹精度与优化稳定性也得到提高．在EuRoC数据集上进行测试,定位效果优于OKVIS算法,轨迹均方根误差减小为原视觉里程计的1/3．     

一种地铁隧道退化环境下的地图构建方法

为解决列车在地铁长隧道退化场景下的高精度点云地图构建需求,文章提出了一种基于激光雷达和惯性测量传感器的离线地图构建方法。该方法由基于误差卡尔曼滤波器的紧耦合前端里程计和基于因子图的后端优化组成。前端里程计利用惯性计算的结果进行预测,并根据激光雷达当前帧的点到局部地图平面点云的残差约束更新滤波器。其通过帧间里程计和其他约束因子构建全局位姿图,并进行平滑优化处理来构建地图。在轨道交通隧道环境下多次实验的结果显示,地图构建的位姿没有退化,多次数据的建图轨迹误差小于0.1 m,轨迹的一致性满足列车主动防撞的精度要求,这验证了该方法的有效性。     

一种自适应特征地图匹配的改进VSLAM算法

从提高机器人视觉同时定位与地图构建（Visual simultaneous localization and mapping,VSLAM）算法的实时性出发,在VSLAM的视觉里程计中提出一种自适应特征地图配准的算法.首先,针对视觉里程计中特征地图信息冗余、耗费计算资源的问题,划分特征地图子区域并作为结构单元,再根据角点响应强度指标大小提取子区域中少数高效的特征点,以较小规模的特征地图配准各帧:针对自适应地图配准时匹配个数不满足的情况,提出一种区域特征点补充和特征地图扩建的方法,快速实现该情形下当前帧的再次匹配:为了提高视觉里程计中位姿估计的精度,提出一种帧到帧、帧到模型的g2o（General graph optimization）特征地图优化模型,更加有效地更新特征地图的内点和外点.通用数据集的实验表明,所提方法的定位精度误差在厘米级,生成的点云地图清晰、漂移少,相比于其他算法,具有更好的实时性、定位精度以及建图能力.     

融合双目视觉与惯导信息的高效视觉里程计算法

为提高视觉里程计(VO)在大尺度环境下运行的实时性,提出一种融合双目视觉与惯导信息的视觉里程计算法,主要由前端位姿跟踪和后端局部地图优化两个线程组成.位姿跟踪线程首先使用惯导信息辅助光流法进行帧间特征点跟踪并估计相机初始位姿;接着通过最小化图像光度误差获取当前帧像素点与局部地图点的对应关系;而后最小化当前帧上局部地图点的重投影误差和惯性测量单元(IMU)预积分误差,得到当前帧准确的位姿估计.后端局部地图优化线程对滑动窗口内的关键帧提取特征点并三角化新地图点,使用光束平差法(BA)对逆深度参数化表示的地图点位置、关键帧位姿、速度以及陀螺仪和加速度计零偏进行滑窗优化,为前端提供更加精确的局部地图相机位姿和环境信息.在EuRoC数据集上的实验表明,相比于ORB-SLAM2、ORB-SLAM3算法,该融合双目视觉与惯导信息的视觉里程计算法的定位精度略有下降,但可以较大程度地提高位姿跟踪的实时性.     

基于里程计/ ＬｉＤＡＲ/ ＧＮＳＳ 的室内外连续定位方法研究

当前自动导引车（AGV）多以单一工作环境（室内）定位导航为主,针对AGV在室内外连续定位过程中,因为光照、遮挡物等变化存在定位丢失或不可靠的问题,本文首次提出一种基于里程计、LiDAR、GNSS的室内外连续定位方法。室内环境下,采用扩展卡尔曼滤波算法对里程计、LiDAR进行融合定位,通过LiADR计算测量方程可有效抑制里程计长时累计更新误差,提高鲁棒性。室外环境下,采用里程计、GNSS进行融合定位,当AGV因为短暂遮挡造成GNSS信号弱时,里程计数据可有效修正GNSS数据偏差,提高定位稳定性。为解决因定位信号源切换造成的连续定位精度、稳定性降低的问题,提出了一种基于扩展卡尔曼滤波的多模型连续定位滤波方法,利用GNSS和LiDAR协方差、水平精度因子等动态计算定位信号源估计,实现自适应信号源平滑切换,提高了AGV室内外连续定位的精确度和鲁棒性。实验结果表明,AGV定位轨迹最大绝对真值误差（ATE）在0.5m以内,平均定位轨迹绝对真值误差（ATE）在0.122m以内。     

基于三维点云地图和ESKF的无人车融合定位方法

基于地图匹配的无人车定位方法的精度取决于已创建地图的精度,受外界的影响较小,适用于复杂场景下的无人车定位。然而目前采用的激光雷达点云匹配算法是以单一的特征为核心进行匹配,对于大规模点云匹配准确率较低,导致三维点云地图与实际环境偏差较大,造成基于地图匹配的无人车定位方法精度不高的问题。针对上述问题,提出了一种基于三维点云地图和误差状态卡尔曼滤波（ESKF）的无人车融合定位方法。该方法由三维点云地图构建和ESKF融合定位2个部分组成。在三维点云地图构建部分,通过正态分布变换（NDT）算法进行帧间点云匹配,提高大规模点云匹配准确率,并在根据激光里程计数据建立的位姿图顶点和约束边的基础上添加闭环约束构建图优化问题,采用列文伯格-马夸尔特（LM）算法进行求解,以减少位姿的累计漂移,提高三维点云地图精度。在ESKF融合定位部分,采用ESKF融合惯性测量单元（IMU）数据和三维点云地图数据,实现对无人车先验位姿（位置、姿态和速度）的修正并输出后验位姿。实验结果表明,与基于地图匹配的定位方法相比,该方法定位轨迹相对位姿误差最大值减小了0.176 9 m,平均误差减小了0.027 1 m,均方根误差减小...     

鲁棒的非线性优化的立体视觉－惯导SLAM

针对基于视觉特征的同时定位与地图构建（SLAM）系统在图像模糊、运动过快和特征缺失的情况下存在鲁棒性和精度急剧下降甚至失败的问题,提出了紧耦合的非线性优化的立体视觉-惯导SLAM系统．首先,以关键帧的位姿作为约束,采用分而治之的策略估计惯性测量单元（IMU）的偏差．在前端,针对ORB-SLAM2在跟踪过程中由于运动过快导致匀速运动模型失效的问题,通过预积分上一帧到当前帧的IMU数据,预测当前帧的初始位姿,并在位姿优化中加入了IMU预积分约束．然后,在后端优化中,在滑动窗口内优化关键帧的位姿、地图点和IMU预积分,并更新IMU的偏差．最后,通过EuRoC数据集验证该系统的性能,对比ORB-SLAM2系统、VINS-Mono系统和OKVIS系统,该系统的精度分别提高了1.14倍、1.48倍和4.59倍;相比前沿的SLAM系统,该系统在快速运动、图像模糊和特征缺失条件下的鲁棒性也得到了提高．     

基于多传感信息融合的语义词袋SLAM优化算法

针对室外大范围场景移动机器人建图中,激光雷达里程计位姿计算不准确导致SLAM (simultaneous localization and mapping)算法精度下降的问题,提出一种基于多传感信息融合的SLAM语义词袋优化算法MSW-SLAM(multi-sensor information fusion SLAM based on semantic word bags)。采用视觉惯性系统引入激光雷达原始观测数据,并通过滑动窗口实现了IMU (inertia measurement unit)量测、视觉特征和激光点云特征的多源数据联合非线性优化;最后算法利用视觉与激光雷达的语义词袋互补特性进行闭环优化,进一步提升了多传感器融合SLAM系统的全局定位和建图精度。实验结果显示,相比于传统的紧耦合双目视觉惯性里程计和激光雷达里程计定位,MSW-SLAM算法能够有效探测轨迹中的闭环信息,并实现高精度的全局位姿图优化,闭环检测后的点云地图具有良好的分辨率和全局一致性。     

基于LiDAR/INS的野外移动机器人组合导航方法

移动机器人在地形复杂等野外环境跨区域运动时,机器人运动特性和环境特征变化更为明显,由此引起的点云畸变和特征点稀疏等问题尤为突出,有必要结合传感器标定误差、车轮打滑和车体颠簸等因素进一步改进机器人的位姿估计精度。本文对基于LiDAR/INS的移动机器人环境建模和自主导航方法展开研究,针对LeGO-LOAM等在处理车体姿态快速变化时的性能退化问题,提出一种适用于野外移动机器人运动特性的点云特征分析和多传感融合方法,利用IMU的预积分与LiDAR的scan-to-map构成优化函数,进而迭代更新机器人的位姿。野外环境实验结果表明,当机器人以较高速度做转弯运动或在短时间内多次转向时,本文所提方法仍可以为优化提供良好的初值估计,相比LeGO-LOAM等方法具有更高的位姿估计精度。     

面向地下空间探测的移动机器人定位与感知方法

提出了一种面向地下空间探测的移动机器人定位与感知方法。首先,针对地下空间的结构退化问题,构建了基于因子图的激光雷达／里程计／惯性测量单元紧耦合融合框架;推导了高精度惯性测量单元／里程计的预积分模型,利用因子图算法实现对移动机器人运动状态及传感器参数的同步估计。同时,提出了基于激光雷达／红外相机融合的目标识别方法,能够对弱光照环境下的多种目标进行识别与相对定位。试验结果表明,在结构退化环境中,本文方法能够将移动机器人的定位精度提升50%以上,并对弱光照环境中的目标实现厘米级的相对定位精度。     

具有非完整约束移动机器人的超宽带-惯导-里程计融合定位与能观测性分析

为解决现有超宽带-惯导组合定位系统在轮式移动机器人的定位精度低、依赖高精度IMU等问题,提出了一种采用误差状态卡尔曼滤波融合超宽带-惯导-里程计的定位算法,利用里程计的线速度测量和由非完整约束隐含的伪测量,提高了移动机器人的位置和姿态估计精度.同时,对于由多传感器测量模型组成的非线性系统,通过基于李导数的能观性秩条件分析方法对该系统的能观测性进行了详细的理论分析与数学证明,得到了系统局部弱可观的条件,从而确定了系统状态可以被无偏估计所需要的测量输出以及控制输入.仿真结果表明,在满足能观测性条件时,本文提出的方法能够有效地获得移动机器人较准确的六自由度位姿,且相比传统方法显著提升了定位精度.     

Multimodal localization: Stereo over LiDAR map

In this paper, we present a real‐time high‐precision visual localization system for an autonomous vehicle which employs only low‐cost stereo cameras to localize the vehicle with a priori map built using a more expensive 3D LiDAR sensor. To this end, we construct two different visual maps: a sparse feature visual map for visual odometry (VO) based motion tracking, and a semidense visual map for registration with the prior LiDAR map. To register two point clouds sourced from different modalities (i.e., cameras and LiDAR), we leverage probabilistic weighted normal distributions transformation (ProW‐NDT), by particularly taking into account the uncertainty of source point clouds. The registration results are then fused via pose graph optimization to correct the VO drift. Moreover, surfels extracted from the prior LiDAR map are used to refine the sparse 3D visual features that will further improve VO‐based motion estimation. The proposed system has been tested extensively in both simulated and real‐world experiments, showing that robust, high‐precision, real‐time localization can be achieved.     

基于多传感器融合的移动机器人定位

针对移动机器人定位系统中单一传感器定位精度低与环境地图的重要性问题, 提出了一种基于多传感器融合的移动机器人定位方法. 首先, 在未知环境下, 分别利用单一里程计, 扩展卡尔曼滤波(extended Kalman filter,EKF)算法融合里程计、惯性测量单元(inertial measurement unit, ...     

融合双目视觉和2D激光雷达的室外定位

高精度的定位对于自动驾驶至关重要. 2D激光雷达作为一种高精度的传感器被广泛应用于各种室内定位系统.然而在室外环境下,大量动态目标的存在使得相邻点云的匹配变得尤为困难,且2D激光雷达的点云数据存在稀疏性的问题,导致2D激光雷达在室外环境下的定位精度极低甚至无法实现定位.为此,提出一种融合双目视觉和2D激光雷达的室外定位算法.首先,利用双目视觉作为里程计提供相对位姿,将一个局部时间窗口内多个时刻得到的2D激光雷达数据融合成一个局部子图;然后,采用DS证据理论融合局部子图中的时态信息,以消除动态目标带来的噪声;最后,利用基于ICA的图像匹配方法将局部子图与预先构建的全局先验地图进行匹配,消除里程计的累积误差,实现高精度定位.在KITTI数据集上的实验结果表明,仅利用低成本的双目相机和2D激光雷达便可实现较高精度的定位,所提出算法的定位精度相比于ORB-SLAM2里程计最高可提升37.9%.