近年来,随着我国煤矿业的快速发展,智能化技术的运用越来越广泛。其中,露天煤矿环境的精确定位导航技术研发显得尤为重要。同步定位和地图构建(Simultaneous Localization and Mapping,SLAM)作为无人驾驶的关键技术,在露天煤矿中的应用...近年来,随着我国煤矿业的快速发展,智能化技术的运用越来越广泛。其中,露天煤矿环境的精确定位导航技术研发显得尤为重要。同步定位和地图构建(Simultaneous Localization and Mapping,SLAM)作为无人驾驶的关键技术,在露天煤矿中的应用面临诸多挑战。由于露天煤矿道路周围环境特征点较少,且环境退化严重,SLAM技术需要根据稀疏的特征点进行定位和地图构建,难度较大。此外,由于斜坡和道路不平,传感器易产生抖动,导致机器人运行时的运动畸变问题。针对这些问题,文中提出了一种新的解决方案。首先,对传感器外部参数进行重新标定,采用惯导和激光雷达融合的方式,以增强数据的一致性和准确性。在此基础上,采用全特征点匹配方式,直接对激光雷达采集的数据进行点云降采样提取。通过在算法前端对预处理后的激光点云数据添加迭代最近点(Iterative Closest Point,ICP)匹配提取出关键帧点云X,再结合惯导数据对点云信息进行畸变校正形成点云P,再次通过迭代最近点配准X和P。此外,后端采用因子图加入了回环检测提高约束的方法,进一步提高算法在露天煤矿环境下的定位精度和建图效果。试验结果表明,文中所提算法具有较高的定位精度和完整的建图效果,未产生明显的畸变。侧壁纹理清晰,具有一定的鲁棒性,有效提高了在露天煤矿环境下的鲁棒性和精度。展开更多
随着人工智能和无人驾驶等相关学科的快速发展,煤矿装备的智能化和无人化成为了新的趋势。智能设备的应用将大幅提高煤矿作业的生产力以及人员安全性。露天煤矿地形复杂,与城市环境相比无明显的几何特征,具有分段相似性,利用现有以激光...随着人工智能和无人驾驶等相关学科的快速发展,煤矿装备的智能化和无人化成为了新的趋势。智能设备的应用将大幅提高煤矿作业的生产力以及人员安全性。露天煤矿地形复杂,与城市环境相比无明显的几何特征,具有分段相似性,利用现有以激光雷达为主的同时定位与建图(Simultaneous Localization and Mapping,SLAM)方案在该环境下易出现定位漂移和建图误差较大等现象。针对上述问题,提出了一种基于激光雷达(Light Detection and Ranging,LiDAR)和惯导(Inertial Measurement Unit,IMU)紧耦合的SLAM算法,该算法使用LiDAR和IMU两种传感器作为数据输入,对数据进行预处理,前端利用迭代扩展卡尔曼滤波器将预处理后的LiDAR特征点与IMU数据相融合,并使用后向传播来矫正雷达运动畸变,后端利用雷达相对位姿因子将LiDAR帧间配准结果作为约束因子与回环因子共同完成全局因子图优化。利用开源数据集和露天煤矿实地数据集验证了算法的鲁棒性和精确性。试验结果表明在城市结构化环境中文中所提算法与当前激光SLAM算法精度保持一致,而针对长达两千多米的露天煤矿实地环境,所提算法较FAST-LIO2、LIO-SAM紧耦合算法在定位精度上分别提高了46.00%和23.15%,且具有更高的鲁棒性。展开更多
文摘随着人工智能和无人驾驶等相关学科的快速发展,煤矿装备的智能化和无人化成为了新的趋势。智能设备的应用将大幅提高煤矿作业的生产力以及人员安全性。露天煤矿地形复杂,与城市环境相比无明显的几何特征,具有分段相似性,利用现有以激光雷达为主的同时定位与建图(Simultaneous Localization and Mapping,SLAM)方案在该环境下易出现定位漂移和建图误差较大等现象。针对上述问题,提出了一种基于激光雷达(Light Detection and Ranging,LiDAR)和惯导(Inertial Measurement Unit,IMU)紧耦合的SLAM算法,该算法使用LiDAR和IMU两种传感器作为数据输入,对数据进行预处理,前端利用迭代扩展卡尔曼滤波器将预处理后的LiDAR特征点与IMU数据相融合,并使用后向传播来矫正雷达运动畸变,后端利用雷达相对位姿因子将LiDAR帧间配准结果作为约束因子与回环因子共同完成全局因子图优化。利用开源数据集和露天煤矿实地数据集验证了算法的鲁棒性和精确性。试验结果表明在城市结构化环境中文中所提算法与当前激光SLAM算法精度保持一致,而针对长达两千多米的露天煤矿实地环境,所提算法较FAST-LIO2、LIO-SAM紧耦合算法在定位精度上分别提高了46.00%和23.15%,且具有更高的鲁棒性。
