针对机器人在复杂地形环境下定位不准确、建图精度不高和误差堆积等问题,设计了一种基于优化Hector-SLAM(simultaneous localization and mapping,实时定位与建图)算法的自主导航系统,以实现机器人在及时躲避障碍物的同时准确到达目标...针对机器人在复杂地形环境下定位不准确、建图精度不高和误差堆积等问题,设计了一种基于优化Hector-SLAM(simultaneous localization and mapping,实时定位与建图)算法的自主导航系统,以实现机器人在及时躲避障碍物的同时准确到达目标点。首先,采用双三次插值法代替原有插值法,以解决Hector-SLAM算法在使用低精度激光雷达数据建图时易出现地图不清晰等问题,从而提升扫描匹配的精准度。其次,采用扩展卡尔曼滤波算法对里程计和惯性测量单元的数据进行融合,以提高定位的准确性。再次,针对激光点数据无法瞬时获得而机器人持续运动所导致的运动畸变问题,结合里程计辅助法与PL-ICP(point to line iterative closest points,点到线迭代最近点)配准法,以实现运动畸变的校正;同时,设置倾斜角阈值以消除地图重影,并利用A*算法和动态窗口法规划最优路径。最后,以AGV(automated guided vehicle,自主导引车)为例,在实际场景中开展建图实验和自主导航实验。结果表明,优化后自主导航系统的平均建图相对误差约为0.44%,最小建图误差为0.236 m,较优化前减小了0.041 m,有效地解决了因误差堆积和运动畸变而导致的建图不清晰问题,增强了AGV在复杂地形环境中的适应能力,实现了高精度定位。研究结果对提高移动机器人在室内多障碍物环境下的自主导航能力具有一定的理论和工程意义。展开更多
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...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。展开更多
文摘针对机器人在复杂地形环境下定位不准确、建图精度不高和误差堆积等问题,设计了一种基于优化Hector-SLAM(simultaneous localization and mapping,实时定位与建图)算法的自主导航系统,以实现机器人在及时躲避障碍物的同时准确到达目标点。首先,采用双三次插值法代替原有插值法,以解决Hector-SLAM算法在使用低精度激光雷达数据建图时易出现地图不清晰等问题,从而提升扫描匹配的精准度。其次,采用扩展卡尔曼滤波算法对里程计和惯性测量单元的数据进行融合,以提高定位的准确性。再次,针对激光点数据无法瞬时获得而机器人持续运动所导致的运动畸变问题,结合里程计辅助法与PL-ICP(point to line iterative closest points,点到线迭代最近点)配准法,以实现运动畸变的校正;同时,设置倾斜角阈值以消除地图重影,并利用A*算法和动态窗口法规划最优路径。最后,以AGV(automated guided vehicle,自主导引车)为例,在实际场景中开展建图实验和自主导航实验。结果表明,优化后自主导航系统的平均建图相对误差约为0.44%,最小建图误差为0.236 m,较优化前减小了0.041 m,有效地解决了因误差堆积和运动畸变而导致的建图不清晰问题,增强了AGV在复杂地形环境中的适应能力,实现了高精度定位。研究结果对提高移动机器人在室内多障碍物环境下的自主导航能力具有一定的理论和工程意义。
文摘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。
