针对在自主泊车环境中,仅使用激光雷达传感器,建图和定位精度受限的情况下,提出了一种基于惯性测量单元(inertial measurement unit, IMU)与激光雷达紧耦合的车辆自主泊车场景下的建图定位方法I-LOAM。首先,在前端对点云数据进行IMU预...针对在自主泊车环境中,仅使用激光雷达传感器,建图和定位精度受限的情况下,提出了一种基于惯性测量单元(inertial measurement unit, IMU)与激光雷达紧耦合的车辆自主泊车场景下的建图定位方法I-LOAM。首先,在前端对点云数据进行IMU预积分、点云预处理,去除地面点云,降低点云规模,保证激光里程计的效率。其次,提出一种基于初始配准算法(sample consensus initial alignment, SAC-IA)粗处理和优化后的迭代最近点算法(iterative closest point, ICP)精配准的S-ICP算法,与IMU和LiDAR紧耦合的定位算法互为补充,为自主泊车系统提供更为灵活和精准的建图定位方案。然后,在后端融合IMU信息、激光里程计和回环检测信息完成地图构建。与LeGO-LOAM算法相比,本文所提算法的均方根误差在室外、室内和直道3种场景中分别降低了45%、3%和6%,具有更好的精度和鲁棒性,为车辆在自主泊车环境下的建图与定位任务提供精准可靠的解决方案。展开更多
针对现有的激光里程计在面临室外大场景建图时,普遍会出现定位精度低、鲁棒性差的问题,提出一种16线激光雷达和惯性测量单元(inertial measurement unit, IMU)紧耦合的同时定位与建图(simultaneous localization and mapping, SLAM)算...针对现有的激光里程计在面临室外大场景建图时,普遍会出现定位精度低、鲁棒性差的问题,提出一种16线激光雷达和惯性测量单元(inertial measurement unit, IMU)紧耦合的同时定位与建图(simultaneous localization and mapping, SLAM)算法。首先,对IMU进行估计位姿,通过线性插值矫正激光点云的运动畸变;其次,通过曲率提取场景特征,并根据不同特征性质进行分类;再次,利用帧间匹配模块在滑动窗口内构建局部地图;最后,利用帧与局部地图匹配得到的距离和IMU数据构建联合优化函数。借助KITTI数据集和自行录制的园区数据集,对改进算法与主流的Lego-LOAM和同样使用紧耦合方案的LIO-Mapping进行分模块和整个系统的精度评定。实测结果表明,在符合里程计实时性的要求下,改进激光里程计精度高于Lego-LOAM和LIO-Mapping方案。展开更多
文摘针对现有的激光里程计在面临室外大场景建图时,普遍会出现定位精度低、鲁棒性差的问题,提出一种16线激光雷达和惯性测量单元(inertial measurement unit, IMU)紧耦合的同时定位与建图(simultaneous localization and mapping, SLAM)算法。首先,对IMU进行估计位姿,通过线性插值矫正激光点云的运动畸变;其次,通过曲率提取场景特征,并根据不同特征性质进行分类;再次,利用帧间匹配模块在滑动窗口内构建局部地图;最后,利用帧与局部地图匹配得到的距离和IMU数据构建联合优化函数。借助KITTI数据集和自行录制的园区数据集,对改进算法与主流的Lego-LOAM和同样使用紧耦合方案的LIO-Mapping进行分模块和整个系统的精度评定。实测结果表明,在符合里程计实时性的要求下,改进激光里程计精度高于Lego-LOAM和LIO-Mapping方案。
