咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >基于车载多传感器融合的定位与建图研究 收藏
基于车载多传感器融合的定位与建图研究

基于车载多传感器融合的定位与建图研究

作     者:董雪菲 

作者单位:哈尔滨工业大学 

学位级别:硕士

导师姓名:曾鸣

授予年度:2021年

学科分类:080904[工学-电磁场与微波技术] 0809[工学-电子科学与技术(可授工学、理学学位)] 08[工学] 0810[工学-信息与通信工程] 082304[工学-载运工具运用工程] 080203[工学-机械设计及理论] 081105[工学-导航、制导与控制] 080204[工学-车辆工程] 081001[工学-通信与信息系统] 0802[工学-机械工程] 081002[工学-信号与信息处理] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 0823[工学-交通运输工程] 

主      题:多传感器融合 激光视觉惯性里程计 因子图优化 回环检测 

摘      要:面对目前自动驾驶的火热发展,对于车辆自主导航功能,路径规划功能和环境感知能力都有着日益增长的需求。随之而来的SLAM技术的发展受到异常的重视。对于目前的单一传感器SLAM算法有其不可避免的传感器自身问题,尤其是面对复杂恶劣的环境,所以需要多传感器之间的融合提高SLAM算法的精度、冗余性以及鲁棒性。本文提出了一种融合IMU、单目相机和激光雷达的新颖算法。该算法首先将三个传感器获取的信息进行融合预处理,之后激光和惯性联合运动估计得到激光惯性里程计,视觉和惯性联合运动估计得到视觉惯性里程计。最后,IMU预积分因子、激光里程计因子、视觉里程计因子和回环约束因子共同进行因子图优化得到优化后的全局位姿估计和点云地图。本文的回环检测是由激光和视觉联合检测,并通过ICP配准得到回环约束因子,消除系统累积误差。主要研究内容如下:首先,本文将传感器获取的原始信息进行了融合预处理。通过IMU预积分处理将位置、速度和方向进行解耦,使得当前预积分值的结果只需要由当前测量值和上一关键帧的预积分值计算得到。针对原始的激光点云,通过畸变补偿和分割完成激光点云预处理。而针对视觉信息,则是通过视觉点特征和线特征的提取与跟踪来获得图像关键帧之间的特征对应关系。其次,本文根据预处理的融合信息进行运动估计得到了紧耦合的激光视觉惯性里程计。本方法在IMU预积分提供的初始位姿基础上,根据两步LM优化法的激光点云运动估计得到激光惯性里程计;通过利用点云深度对激光关联的2D视觉特征进行深度恢复,再根据3D视觉点线特征结合的位姿估计方法得到视觉惯性里程计。然后,针对激光视觉惯性里程计得到的位姿估计存在误差累积的问题,本文采用了视觉回环检测和激光近邻检测双重闭环检测方案,降低了回环检测错误率。通过优化回环约束因子、IMU预积分因子、视觉里程计因子和激光里程计因子得到了优化后的全局位姿估计和一致的点云地图。最后,本文在KITTI_00数据集上和校园实际场景中对上述设计的算法进行了测试。对于KITTI数据集,本文算法的绝对均方根误差相较于Le Go-LOAM降低了11.5m,同时建图轮廓更加清晰,全局位姿更加一致。在三个校园的实际场景中,本文的算法定位精度均优于Le Go-LOAM,误差减小范围为3%~25%。

读者评论 与其他读者分享你的观点