激光雷达在扫描周围环境时会产生部分杂乱且稀疏的点云,该类点云会在配准过程中产生过大的分布拟合误差和关联距离,进而影响配准算法的精度及同步定位与建图(simultaneous localization and mapping,SLAM)的效果。针对以上问题,提出了...激光雷达在扫描周围环境时会产生部分杂乱且稀疏的点云,该类点云会在配准过程中产生过大的分布拟合误差和关联距离,进而影响配准算法的精度及同步定位与建图(simultaneous localization and mapping,SLAM)的效果。针对以上问题,提出了一种基于分布优化配准的实时激光SLAM算法。设计了一个特征谱滤波器,该滤波器以归一化最小特征值为滤波对象,去除不符合设定分布的点云以减小分布拟合误差;提出了一个点云配准损失函数,对源点云和目标点云构成的联合协方差矩阵和误差项进行复合归一化,以减小关联距离过大的点在迭代求解过程中的干扰;设计了一个SLAM算法框架,该框架包含前端里程计、回环检测和后端优化等环节,兼容纯激光建图和激光/惯性融合建图,进而保证建图的精确性和一致性,并提高了算法的适应性。在公开数据集上进行了多组实验,实验结果表明,相较于现有SLAM算法,所提算法在精度和速度指标方面均具有较大优势。展开更多
针对移动机器人视觉同步定位以及地图构建(Simultaneous localization and mapping,SLAM)研究中存在精确度较低、实时性较差等问题,提出了一种用于移动机器人的RGB-D视觉SLAM算法。首先利用定向二进制简单描述符(Oriented fast and rota...针对移动机器人视觉同步定位以及地图构建(Simultaneous localization and mapping,SLAM)研究中存在精确度较低、实时性较差等问题,提出了一种用于移动机器人的RGB-D视觉SLAM算法。首先利用定向二进制简单描述符(Oriented fast and rotated brief,ORB)算法提取RGB图像的特征点,通过基于快速近似最邻近(Fast library for approximate nearest neighbors,FLANN)的双向邻近(K-nearest neighbor,KNN)特征匹配方法得到匹配点对集合,利用改进后的随机抽样一致性(Re-estimate random sample consensus,RE-RANSAC)算法剔除误匹配点,估计得到相邻图像间的6D运动变换模型,然后利用广义迭代最近点(Generalized iterative closest point,GICP)算法得到优化后的运动变换模型,进而求解得到相机位姿。为提高定位精度,引入随机闭环检测环节,减少了机器人定位过程中的累积误差,并采用全局图优化(General graph optimization,G2O)方法对相机位姿图进行优化,得到全局最优相机位姿和相机运动轨迹;最终通过点云拼接生成全局彩色稠密点云地图。针对所测试的FR1数据集,本文算法的最小定位误差为0.011 m,平均定位误差为0.024 5 m,每帧数据平均处理时间为0.032 s,满足移动机器人快速定位建图的需求。展开更多
文摘激光雷达在扫描周围环境时会产生部分杂乱且稀疏的点云,该类点云会在配准过程中产生过大的分布拟合误差和关联距离,进而影响配准算法的精度及同步定位与建图(simultaneous localization and mapping,SLAM)的效果。针对以上问题,提出了一种基于分布优化配准的实时激光SLAM算法。设计了一个特征谱滤波器,该滤波器以归一化最小特征值为滤波对象,去除不符合设定分布的点云以减小分布拟合误差;提出了一个点云配准损失函数,对源点云和目标点云构成的联合协方差矩阵和误差项进行复合归一化,以减小关联距离过大的点在迭代求解过程中的干扰;设计了一个SLAM算法框架,该框架包含前端里程计、回环检测和后端优化等环节,兼容纯激光建图和激光/惯性融合建图,进而保证建图的精确性和一致性,并提高了算法的适应性。在公开数据集上进行了多组实验,实验结果表明,相较于现有SLAM算法,所提算法在精度和速度指标方面均具有较大优势。
