激光雷达同时定位与建图(LiDAR SLAM)技术通常适用于静态环境下,而在动态场景下,定位与建图效果会受到影响;同时,地面分割模块通常用作点云分类处理,然而地面欠分割问题会影响特征点的选择;并且,通常的框架只使用一种回环检测方法,这可...激光雷达同时定位与建图(LiDAR SLAM)技术通常适用于静态环境下,而在动态场景下,定位与建图效果会受到影响;同时,地面分割模块通常用作点云分类处理,然而地面欠分割问题会影响特征点的选择;并且,通常的框架只使用一种回环检测方法,这可能会导致漏检现象。针对上述问题,提出一种动态场景下基于地面分割与回环优化的LiDAR SLAM系统(GSLC-SLAM)。首先,利用lmnet对点云进行动态剔除,该算法将生成的距离图像与残差图像作为网络的输入,并通过SalsaNext网络预测出动态物体;其次,利用高效的gridestiamte算法进行地面分割,该算法利用不均匀网格划分的方法来减少网格的数量,从而保证分割的效率,并利用正交性、高度和平坦度这3个指标进一步筛选地面点;最后,使用由LinK3D(Linear Keypoints for Three Dimensions point cloud)描述子与BoW3D(Bag of Words for Three Dimensions point cloud)词袋构成的新回环检测方法检测回环,该方法利用边缘特征点生成描述子,使用类似于汉明距离的方式进行描述子匹配,并采用类似于词袋的方法构建BoW3D作为LinK3D描述子的数据库,从而对关键帧提取的描述子进行存储以及回环检测。在数据集KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago)上的实验结果表明,在KITTI00、02与05序列中与Lego-Loam(Lightweight and ground-optimized LiDAR odometry and mapping)相比,GSLC-SLAM的均方根误差(RMSE)分别降低了5.8%,78.2%,12.5%;相较于F-LOAM(Fast LiDAR Odometry And Mapping),在KITTI00与05序列中GSLC-SLAM的RMSE分别降低了76.7%和53.8%,而在KITTI02序列中GSLC-SLAM表现不佳。经过验证可知,GSLC-SLAM可以有效减少动态物体的干扰、精确分割地面点并减少回环检测的漏检,进而使系统定位精度更高且更鲁棒。展开更多
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
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
文摘激光雷达同时定位与建图(LiDAR SLAM)技术通常适用于静态环境下,而在动态场景下,定位与建图效果会受到影响;同时,地面分割模块通常用作点云分类处理,然而地面欠分割问题会影响特征点的选择;并且,通常的框架只使用一种回环检测方法,这可能会导致漏检现象。针对上述问题,提出一种动态场景下基于地面分割与回环优化的LiDAR SLAM系统(GSLC-SLAM)。首先,利用lmnet对点云进行动态剔除,该算法将生成的距离图像与残差图像作为网络的输入,并通过SalsaNext网络预测出动态物体;其次,利用高效的gridestiamte算法进行地面分割,该算法利用不均匀网格划分的方法来减少网格的数量,从而保证分割的效率,并利用正交性、高度和平坦度这3个指标进一步筛选地面点;最后,使用由LinK3D(Linear Keypoints for Three Dimensions point cloud)描述子与BoW3D(Bag of Words for Three Dimensions point cloud)词袋构成的新回环检测方法检测回环,该方法利用边缘特征点生成描述子,使用类似于汉明距离的方式进行描述子匹配,并采用类似于词袋的方法构建BoW3D作为LinK3D描述子的数据库,从而对关键帧提取的描述子进行存储以及回环检测。在数据集KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago)上的实验结果表明,在KITTI00、02与05序列中与Lego-Loam(Lightweight and ground-optimized LiDAR odometry and mapping)相比,GSLC-SLAM的均方根误差(RMSE)分别降低了5.8%,78.2%,12.5%;相较于F-LOAM(Fast LiDAR Odometry And Mapping),在KITTI00与05序列中GSLC-SLAM的RMSE分别降低了76.7%和53.8%,而在KITTI02序列中GSLC-SLAM表现不佳。经过验证可知,GSLC-SLAM可以有效减少动态物体的干扰、精确分割地面点并减少回环检测的漏检,进而使系统定位精度更高且更鲁棒。
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。
