论文部分内容阅读
在人工智能发展的新一轮浪潮中,移动机器人正在朝着智能化的方向演变,而感知环境和自主移动的能力则是实现移动机器人智能化的先决条件。同步定位与地图构建(Simultaneous Localization And Mapping,SLAM)技术依靠各类传感器获取环境信息,使移动机器人在未知环境中移动时增量式地构建环境地图并同时完成对自身位姿的估计。由于该技术成本低廉、定位精度高、便携性和扩展性强,成为了目前机器人领域和人工智能领域备受关注的热点问题,已被广泛应用于无人机、自动驾驶、智能工业物流和勘探、室内服务机器人等领域。根据获取环境信息的传感器类别,SLAM技术主要分为基于激光雷达的SLAM系统和基于视觉的SLAM系统。前者可以通过三维激光雷达采集到海量的具有准确角度和距离信息的点云,以准确地反映环境的几何信息,并且相比于后者,其建立的地图直观,测距精度高且不容易受到光照和视角变化的影响,被普遍应用于室外大型环境中。在基于激光雷达的SLAM系统中,利用点云分割匹配技术将点云片段化处理,能解决其数据稀疏、数据形式单一的问题,为移动机器人高效地理解环境、准确地判断复现场景和实现闭环检测提供切实可行的解决思路。着眼于三维激光雷达的特点与应用前景,以及点云分割匹配算法在点云处理和全局数据关联中的作用,本文开展了基于三维激光点云分割匹配的同步定位与构图算法研究。论文主要内容如下:(1)提出了基于特征点配准的激光里程计算法。特征点能够准确和敏感地反映局部环境的几何特征,并且在不同的观测角度具有稳定的复现性。基于特征点配准的激光里程计通过配准相邻两帧的传感器观测信息从而增量式地估计移动机器人的位姿,能极大地缩减数据关联的运算量和降低关联的错误率。本文根据三维激光传感器模型对点云进行排序,结合改进的点云局部特征提取与配准方法,提出了一种基于特征点配准的激光里程计算法,并通过配准局部地图对位姿进一步修正。实验证明,该算法能够高效、准确地实时估计移动机器人的位姿,有较高的局部定位与建图精度。(2)提出了基于特征描述子的点云分割匹配算法。点云分割匹配技术将点云中的片段提取出来以形成一系列的反映环境高层次特征的相对独立的点簇,通过简洁有效的特征描述子对其进行描述和匹配,既满足了对庞大点云高效压缩和存储的需求,又可以在全局层面实现数据关联。本文对现有的最具代表性的点云特征描述子进行了总结和阐述,结合增量式点云分割算法,以及智能学习类的匹配方法,提出了一种基于特征描述子的点云分割匹配算法。实验证明,该算法能够实时、高效地对庞大的点云进行压缩、存储和匹配,并且可以提取环境的语义信息,能满足SLAM中全局数据关联和复现场景判断的要求。(3)实现了基于因子图优化的激光SLAM算法。图优化的方法通过图的形式建立和维护移动机器人全部位姿状态和观测信息之间的关系,并以此估计移动机器人完整的运动轨迹以及建立全局地图。本文利用激光里程计的配准结果构建因子图,再结合点云分割匹配算法得到的闭环校正约束对因子图进行优化,实现了一个基于因子图优化的三维激光SLAM算法。另外,本文利用惯性测量单元得到的移动机器人实时加速度和姿态信息,有效地避免激光雷达扫描过程中产生的运动畸变。实验证明,该算法能够消除SLAM算法在长时运行下位姿估计和地图构建的累积误差,能保证全局位姿轨迹和所建地图的全局一致性。