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 >基于激光雷达-视觉-IMU融合的智能汽车改进型SLAM算法研... 收藏
基于激光雷达-视觉-IMU融合的智能汽车改进型SLAM算法研究

基于激光雷达-视觉-IMU融合的智能汽车改进型SLAM算法研究

作     者:熊华川 

作者单位:重庆交通大学 

学位级别:硕士

导师姓名:隗寒冰

授予年度:2024年

学科分类:082304[工学-载运工具运用工程] 08[工学] 080204[工学-车辆工程] 0802[工学-机械工程] 0823[工学-交通运输工程] 

主      题:深度补全 多传感器紧耦合 因子图 同时定位与建图 

摘      要:同时定位与建图(Simultaneous Localization And Mapping,SLAM)是智能汽车在未知环境下实现自主导航、规划控制等功能的关键技术之一。由于在复杂多变的行驶环境下,单一传感器SLAM算法无法获取稳定且精确的定位和场景地图。本文以激光雷达、视觉和惯性测量单元(Inertial Measurement Unit,IMU)的多源传感器信息融合为对象,研究复杂场景下的多源传感器融合定位与场景构建,以提高SLAM算法在复杂动态环境下的鲁棒性和精确性。主要工作内容如下: (1)对多源传感器融合定位建图算法中的基础理论进行研究,包括算法中常用的坐标参考系、SLAM的数学建模与求解、常用旋转表达方式。针对算法所使用的传感器的工作原理进行分析,并对传感器设备进行内外参的标定实验。 (2)针对激光雷达点云构建的深度图过于稀疏,无法为图像特征提供足够的深度信息的问题,本文提出了基于多尺度多融合机制的图像引导式深度补全网络。网络由两支编解码网络构成,分别为图像引导分支和精细化分支。图像引导分支输出多尺度图像特征与精细化分支的深度特征进行融合,以生成稠密深度图。为在精细化分支中实现多模态信息的高效融合,本文基于大尺度图像具有较完整的场景结构信息的特性构建了结构特征融合模块,基于小尺度图像特征具有丰富的细节信息的特性构建了通道注意力融合模块。利用KITTI深度补全数据集进行模型训练和测试以及通过降采样KITTI数据集来训练模型,以适配本文所使用的低线束雷达。实验结果表明,本文网络精度在均方根误差和平均绝对误差评价指标上分别为753.18mm和212.61mm,相较于Deep Lidar、Enet等主流网络算法,本文网络预测精度更高,并且推理速度能够达到100FPS。 (3)针对复杂动态环境下,单一传感器SLAM算法精度下降甚至失效的问题,本文提出了基于激光雷达-视觉-IMU多源传感器紧耦合的定位与场景构建算法。算法通过点云畸变矫正、数据对齐以及稀疏深度图构建来实现数据预处理。通过对点云进行特征提取和局部地图匹配、利用深度补全算法构建稠密深度图、提取跟踪视觉特征以及利用IMU数据进行航位推算和构建预积分来完成前端处理。通过高准确率的视觉场景识别与高精度的点云配准来构建视觉与激光雷达耦合的回环检测模块。利用前端提供的激光雷达点云匹配几何约束、视觉重投影约束、视觉特征深度约束、IMU预积分约束与回环检测模块提供的回环约束来构建多约束因子图,对因子图优化求解来获取最优状态量并完成后端优化。 (4)为充分验证本文算法,利用智能驾驶实验平台在复杂城市道路环境下采集多传感器数据,利用采集的数据与主流算法的定位和场景构建地图结果进行对比分析。实验结果表明,本文算法在复杂动态场景下能够实现连续、平滑的定位结果输出,在多个场景下的定位精度相比于faster-lio、fast-lio2和lvi-sam等多传感器融合SLAM算法分别平均提升52.35%、29.9%和27.1%,同时通过分析场景地图的一致性,验证了本文设计的视觉和激光耦合的回环检测模块的有效性。

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分