针对小型机器人在复杂环境中进行实时定位与建图时,存在机载端CPU(Central Processing Unit)计算资源不足,建图精度差、探索效率低的问题.本文提出一种基于同时定位与建图(Simultaneous Localization and Mapping,SLAM)、截断符号距离函...针对小型机器人在复杂环境中进行实时定位与建图时,存在机载端CPU(Central Processing Unit)计算资源不足,建图精度差、探索效率低的问题.本文提出一种基于同时定位与建图(Simultaneous Localization and Mapping,SLAM)、截断符号距离函数(Truncated Signed Distance Function,TSDF)实时的三维重建方法 .该方法基于深度相机或双目相机获取重建目标及场景的RGB(Red Green Blue)图和深度图,同时基于ORB_SLAM2获取位姿信息;采用基于特征点云数据的表面重建算法TSDF与深度图相结合,实现一种实时三维场景重建;为了降低三维重建模型与真实场景的误差,提出一种采用光线碰撞检测融合特征点的方法,并结合优化策略减小光线投影距离与体素到物体表面距离的误差.通过优化后的TSDF值,保证了重建场景的完整性.在ASL(Autonomous Systems Lab)开源数据集上,相比于Voxblox、Voxfield和VDBblox,该系统三维重建模型的均方根误差分别下降了55.6%、47.11%、21.7%,相比于Voxblox、Voxfield,系统地图更新速率分别提升了9.7%和12.9%.最后,将该系统用于室内场景实验,地图平均每帧更新速率为7.35 ms/帧,验证了所提系统的可行性和有效性.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
文摘针对小型机器人在复杂环境中进行实时定位与建图时,存在机载端CPU(Central Processing Unit)计算资源不足,建图精度差、探索效率低的问题.本文提出一种基于同时定位与建图(Simultaneous Localization and Mapping,SLAM)、截断符号距离函数(Truncated Signed Distance Function,TSDF)实时的三维重建方法 .该方法基于深度相机或双目相机获取重建目标及场景的RGB(Red Green Blue)图和深度图,同时基于ORB_SLAM2获取位姿信息;采用基于特征点云数据的表面重建算法TSDF与深度图相结合,实现一种实时三维场景重建;为了降低三维重建模型与真实场景的误差,提出一种采用光线碰撞检测融合特征点的方法,并结合优化策略减小光线投影距离与体素到物体表面距离的误差.通过优化后的TSDF值,保证了重建场景的完整性.在ASL(Autonomous Systems Lab)开源数据集上,相比于Voxblox、Voxfield和VDBblox,该系统三维重建模型的均方根误差分别下降了55.6%、47.11%、21.7%,相比于Voxblox、Voxfield,系统地图更新速率分别提升了9.7%和12.9%.最后,将该系统用于室内场景实验,地图平均每帧更新速率为7.35 ms/帧,验证了所提系统的可行性和有效性.
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。
