论文部分内容阅读
随着科技的不断发展,智能车辆受到越来越广泛的关注。目前基于先验地图的智能车辆定位方案已经得到了普遍的认同,以前使用较为普遍的二维栅格地图虽然可以直接表示出车辆的可行驶区域,但实际上并不能很好地描述周围环境。在缺失了大量有用环境特征信息的情况下,较大且复杂的二维栅格地图不仅定位精度不高,而且容易失效。当前主要通过构建三维地图并将其作为先验信息来实现车辆定位。三维地图包含更多的环境特征信息,不仅可以用于高精度的车辆定位,还可以用于环境感知、路径规划等功能。相较于相机,三维激光雷达通过主动发射激光束来直接获得与周围环境特征之间距离,其测量精度更高、测量范围更广,因此常被用于制作精度高的三维点云地图。基于高精度三维点云地图的车辆定位系统不依赖于外界的卫星信号,可以很好地解决目前使用较多的融合惯性测量单元(Inertial Measurement Unit,IMU)和全球卫星导航系统(Global Navigation Satellite System,GNSS)的组合定位系统长时间信号丢失导致定位失效的问题。本文主要研究基于激光雷达的智能车辆三维地图构建和定位算法,具体包括激光雷达数据处理和多传感器数据同步算法、基于图优化方法的三维建图算法及融合IMU的三维定位算法,并进行相应的实验验证。具体研究内容如下:(1)本文首先研究了激光雷达数据处理和多传感器同步算法。先分析了激光雷达传感器的原理,接着对点云数据进行了预处理——滤除了离群点和落在车身上的点,之后通过下采样减少数据量,再使用高频率的IMU数据去除了车辆快速运动造成的点云畸变,最后实现了多个传感器数据在时间和空间维度上的同步。(2)接着以点云配准算法和基于图优化方法的三维建图算法为主要研究对象。先分析比较了目前最常用的点云配准方法,选取了综合性能更优的基于正态分布变换(Normal Distribution Transform,NDT)的点云配准算法,在此基础之上提出了基于图优化方法的建图算法。通过在位姿图中添加关键帧的顶点和边、GNSS先验数据构成的先验位姿边及检测到的闭环约束边,最后优化整个带约束的位姿图,并以此建立三维点云地图。(3)然后对地面点云滤除算法和融合IMU的三维定位算法进行了探究。先使用同心圆阈值分离出大部分的非地面点云,接着通过拟合多个平面去除地面点云,从而得到损失较少的非地面点云,继而对三维地图进行网格化划分存储,并使用地图管理器动态加载局部点云地图,最后利用无迹卡尔曼滤波设计了融合IMU的三维定位算法。(4)搭建了智能车辆实验平台,并在校园场景下采集多组点云数据,在此基础上对上述算法进行了实验验证,实验结果表明地图构建算法能减少地图的累积误差且融合定位算法能在无GNSS数据情况下实现车辆定位。