动态场景下无人车辆的激光雷达SLAM算法研究

作     者：李俊松 

作者单位：中南大学 

学位级别：硕士

导师姓名：贺继林;吴钪

授予年度：2022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] 080204[工学-车辆工程] 0802[工学-机械工程] 

主      题：无人车辆 激光雷达 SLAM 动态场景 

摘      要：激光雷达实时定位与建图(Simultaneous Localization And Mapping,SLAM)是无人车辆在卫星信号拒止的环境下实现高精度定位的方法,在军用和民用领域都具有重要价值。通过比对多帧激光雷达点云,推算无人车辆的运动,确定无人车辆的位置。但是环境中的动态物体会导致特征点的错误匹配,激光雷达点云在采集过程中会出现运动畸变,都会导致推算结果精度下降。本文研究一种针对动态场景下无人车辆的激光雷达SLAM算法,主要涉及点云畸变消除和地面识别、动态物体的去除以及顾及地面点云的特征提取和里程计,主要内容如下:(1)针对运动畸变问题,对点云数据进行预处理,耦合惯导数据以消除非线性畸变,点云对比结果显示畸变已消除。为标记地面点云,对比现有地面识别算法,考虑到地面交界处点云联系稠密难以分割的问题,提出了改进的基于多层次地图栅格法。经识别结果对比,改进算法相较于已有算法具有良好的识别效果兼具合适的运行速度。(2)针对场景中的动态物体,利用点云结合深度图像进行识别。将非结构化的点云数据根据水平角度和线数投影到深度图像中。改进深度图像像素访问方法以模拟分线束的循环访问特性。依照像素顺序按线束计算各点与邻近点深度的多阶梯度并标记弧线段。利用分段主成分分析结果判断各段相似性并对动态物体进行聚类,完成对动态点云的标记并消除。最后,利用二阶导不变的原则从被消除点两端生长修补点云,完成对点云的修复。根据对修复后的点云与实物的几何误差的分析结果,可知动态物体的消除及修复工作完成得较好。(3)在里程计与建图部分,对比了多种特征点提取方法,考虑到算法实时性,选择曲率算子提取特征。将特征点按地面识别结果分为地面边缘点、非地面边缘点、地面平面点、非地面平面点四类,根据类别进行特征点匹配,提高匹配效率。使用惯导估计的运动状态作为L-M法运动推算的初值,减少迭代次数。里程计完成后,提取邻近子地图进行整合优化,进一步提高定位精度。最后对点云进行降采样,降低对资源的占用并建立点云地图。最后,在实际动态场景下的点云数据和广受认可的开源KITTI激光雷达数据集上分别进行实验,对算法定位精度以及算法各模块运行速度进行评估。结果表明,本算法较当下主流的激光雷达算法ALOAM大幅提升了定位精度,略微提高了运行速度;较热门的结合语义信息的算法S-ALOAM,定位精度大致相同,大幅提高了运行速度。图61幅,表14个,参考文献70篇