论文部分内容阅读
环境地图和基于地图的重新定位技术,对于城市环境中的自动驾驶车辆具有重要意义。良好的地图能够为车辆提供周围环境的先验信息,帮助决策系统提前判断车辆的运行状态,而重定位技术能够允许无人车在连续定位失败时,仍然可以根据当前的环境信息,重新获得其自身在地图中的正确位置,保障无人车的安全运行。因此,为了提高无人车在城市环境中运行的安全性,实现简洁高效的地图创建和重新定位,本文提出了一种聚类地图的创建方法,能够将三维点云按照物体的不同分割为多个点云聚类,并只保留静态物体的点云聚类,生成最终的聚类地图,使得该地图具有稳定性强以及使用期限长等特点。同时,根据聚类地图中多个点云聚类之间的相互位置关系,本文还提出了一种位置描述子的创建方法,以及与其相适应的匹配方法和匹配筛选算法。位置描述子能够对环境中的物体位置进行详细的特征描述,利用这种特点,可以实现城市环境下自动驾驶车辆的自主重定位。该方法对三维点云的稠密度要求不高,也不需要点云分割算法具有太高精度,能够节省大量点云处理的运算时间,而且能够忽略诸多可能导致重定位失败的环境条件变化,如光照强度的变化和物体形貌的改变等,而这些不利影响在依赖于视觉特征或者物体外观特征实现重定位的方法中是很难消除的。与此同时,为了能够在室外环境下建立与实际场景保持一致,反映真实场景形貌特征的聚类地图,本文在已有的SLAM系统框架上进行改进,提出了一种三维视觉-激光SLAM系统,该系统的前端部分能够融合单目视觉图像和三维激光点云数据,提高视觉特征点深度值提取的效率与精度,弥补单一传感器性能上的不足,实现优势互补。该系统的后端部分能够检测路径回环,并利用全局非线性优化的方法同步调整运行轨迹和每个地图点,使三维视觉-激光SLAM系统能够在室外环境下获得与真实运动状态尺度一致的定位结果,为聚类地图的创建提供良好的位姿参考。本文同时在KITTI自动驾驶数据集和自制数据集上对文中提出的算法进行了实验验证,结果表明,三维视觉-激光SLAM能够在室外环境下获得非常稳定且尺度误差较小的定位与建图效果,而基于聚类地图和位置描述子的重定位方法也能够在室外动态环境下,利用数月之前生成的原始聚类地图和基于当前场景形貌建立的临时聚类地图之间的匹配关系实现可靠的重新定位。