基于多传感器融合的无人车SLAM与三维地图重建研究

作     者：李一天 

作者单位：重庆交通大学 

学位级别：硕士

导师姓名：娄路

授予年度：2023年

学科分类：08[工学] 080202[工学-机械电子工程] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：无人车 SLAM 多传感器融合 三维地图重建 语义地图 

摘      要：同步定位与建图(Simultaneous Localization and Mapping,SLAM)技术可实现未知场景中的无人车自主定位与导航,近年来在智慧城市、物流运输、工业生产等领域的应用发展迅猛。然而,单一传感器对环境的感知性能有限,难以保证SLAM算法在复杂环境下的准确性和鲁棒性。本文从多传感器融合角度,针对无人车SLAM与三维地图重建开展研究,提高SLAM算法在不同场景中的定位精度,同时重建高质量的三维点云地图,满足无人车实际应用需求。主要研究内容如下:(1)提出一种基于单目视觉与激光融合的无人车SLAM定位算法。传统视觉SLAM算法在低照度、弱纹理等场景中性能变差;而激光雷达SLAM算法虽然不受光照影响,但较难实现后端优化。所提出算法结合视觉和激光雷达信息,融合RGB图像与低密度的三维激光点云对ORB-SLAM2算法进行优化改进。在公开数据集上的实验结果表明,本文算法的绝对轨迹误差RMSE相比基于单目视觉的ORB-SLAM2、Dyna SLAM降低约87%;相比基于多传感器融合的ORB-SLAM3、DVL-SLAM、DEMO算法,平移误差均值在多数序列中有所降低。(2)提出一种基于视觉与激光数据融合的三维语义地图重建算法。在室外环境,传统视觉SLAM建图主要是为完成自主定位和导航任务,没有考虑对环境的高质量三维地图重建,因此对无人车环境理解、目标识别等高层应用帮助有限。本文提出一种基于图像语义分割、图像与三维激光点云融合的SLAM三维语义地图重建算法,重建出道路环境的高质量稠密三维语义点云地图,并对18类常见目标进行准确分类。实验结果表明,在多个场景中的三维重建误差低于2%;对比Dyn SLAM三维重建效果进行定性分析,本文算法能够更好地恢复场景几何结构。(3)提出一种动态场景下抗运动目标干扰的SLAM算法。在无人车的实际运行场景中,周边物体的运动和遮挡影响传感器信息采集,导致SLAM算法精度、三维地图重建质量降低。本文提出一种动态场景下的抗干扰SLAM算法,结合图像语义信息与场景流,剔除场景中的动态物体信息,实现特征点的优化筛选。实验结果表明,该算法定位精度相比其他动态SLAM算法,绝对轨迹误差RMSE分别降低约84.80%、82.30%、82.03%;重建的静态场景三维点云具有较完整的几何结构。