同时定位与建图(Simultaneous localization and mapping,SLAM)能够在未知环境中构建地图并为机器人提供定位信息,是移动机器人领域重要研究方向之一.当前,大多数SLAM算法在静态环境中有较好的表现,但是在车辆和行人等运动物体较多的环...同时定位与建图(Simultaneous localization and mapping,SLAM)能够在未知环境中构建地图并为机器人提供定位信息,是移动机器人领域重要研究方向之一.当前,大多数SLAM算法在静态环境中有较好的表现,但是在车辆和行人等运动物体较多的环境中,广泛存在的动态点使激光点云前后帧的配准精度不高,降低了动态场景下定位和建图的准确性.针对激光点云中存在动态点的问题,本文对SLAM的前端特征提取及后端回环检测模块分别进行改进,以去除动态点,提升SLAM在动态环境下的性能.针对SLAM前端,提出了一种分步的地面分割方法,依据点云高度信息完成地面点粗提取以矫正点云,再使用随机采样一致性方法对矫正后的点云进行精细的地面分割,最后根据高度阈值采用种子生长聚类方法提取非地面动态点,并进行特征提取与配准;针对SLAM后端,使用点云描述子替代传统方法中基于空间位置关系的回环检测方法,以减小累计误差、提高回环检测灵敏度.实验结果显示,本方法在M2DGR street_08序列数据集上较现有方法均方根误差最大降低29.8%,在KITTI04序列数据集上均方根误差最大降幅达42.7%,说明本方法能有效增强动态环境下SLAM系统的全局一致性与定位精度.展开更多
激光雷达同时定位与建图(LiDAR SLAM)技术通常适用于静态环境下,而在动态场景下,定位与建图效果会受到影响;同时,地面分割模块通常用作点云分类处理,然而地面欠分割问题会影响特征点的选择;并且,通常的框架只使用一种回环检测方法,这可...激光雷达同时定位与建图(LiDAR SLAM)技术通常适用于静态环境下,而在动态场景下,定位与建图效果会受到影响;同时,地面分割模块通常用作点云分类处理,然而地面欠分割问题会影响特征点的选择;并且,通常的框架只使用一种回环检测方法,这可能会导致漏检现象。针对上述问题,提出一种动态场景下基于地面分割与回环优化的LiDAR SLAM系统(GSLC-SLAM)。首先,利用lmnet对点云进行动态剔除,该算法将生成的距离图像与残差图像作为网络的输入,并通过SalsaNext网络预测出动态物体;其次,利用高效的gridestiamte算法进行地面分割,该算法利用不均匀网格划分的方法来减少网格的数量,从而保证分割的效率,并利用正交性、高度和平坦度这3个指标进一步筛选地面点;最后,使用由LinK3D(Linear Keypoints for Three Dimensions point cloud)描述子与BoW3D(Bag of Words for Three Dimensions point cloud)词袋构成的新回环检测方法检测回环,该方法利用边缘特征点生成描述子,使用类似于汉明距离的方式进行描述子匹配,并采用类似于词袋的方法构建BoW3D作为LinK3D描述子的数据库,从而对关键帧提取的描述子进行存储以及回环检测。在数据集KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago)上的实验结果表明,在KITTI00、02与05序列中与Lego-Loam(Lightweight and ground-optimized LiDAR odometry and mapping)相比,GSLC-SLAM的均方根误差(RMSE)分别降低了5.8%,78.2%,12.5%;相较于F-LOAM(Fast LiDAR Odometry And Mapping),在KITTI00与05序列中GSLC-SLAM的RMSE分别降低了76.7%和53.8%,而在KITTI02序列中GSLC-SLAM表现不佳。经过验证可知,GSLC-SLAM可以有效减少动态物体的干扰、精确分割地面点并减少回环检测的漏检,进而使系统定位精度更高且更鲁棒。展开更多
文摘同时定位与建图(Simultaneous localization and mapping,SLAM)能够在未知环境中构建地图并为机器人提供定位信息,是移动机器人领域重要研究方向之一.当前,大多数SLAM算法在静态环境中有较好的表现,但是在车辆和行人等运动物体较多的环境中,广泛存在的动态点使激光点云前后帧的配准精度不高,降低了动态场景下定位和建图的准确性.针对激光点云中存在动态点的问题,本文对SLAM的前端特征提取及后端回环检测模块分别进行改进,以去除动态点,提升SLAM在动态环境下的性能.针对SLAM前端,提出了一种分步的地面分割方法,依据点云高度信息完成地面点粗提取以矫正点云,再使用随机采样一致性方法对矫正后的点云进行精细的地面分割,最后根据高度阈值采用种子生长聚类方法提取非地面动态点,并进行特征提取与配准;针对SLAM后端,使用点云描述子替代传统方法中基于空间位置关系的回环检测方法,以减小累计误差、提高回环检测灵敏度.实验结果显示,本方法在M2DGR street_08序列数据集上较现有方法均方根误差最大降低29.8%,在KITTI04序列数据集上均方根误差最大降幅达42.7%,说明本方法能有效增强动态环境下SLAM系统的全局一致性与定位精度.
文摘激光雷达同时定位与建图(LiDAR SLAM)技术通常适用于静态环境下,而在动态场景下,定位与建图效果会受到影响;同时,地面分割模块通常用作点云分类处理,然而地面欠分割问题会影响特征点的选择;并且,通常的框架只使用一种回环检测方法,这可能会导致漏检现象。针对上述问题,提出一种动态场景下基于地面分割与回环优化的LiDAR SLAM系统(GSLC-SLAM)。首先,利用lmnet对点云进行动态剔除,该算法将生成的距离图像与残差图像作为网络的输入,并通过SalsaNext网络预测出动态物体;其次,利用高效的gridestiamte算法进行地面分割,该算法利用不均匀网格划分的方法来减少网格的数量,从而保证分割的效率,并利用正交性、高度和平坦度这3个指标进一步筛选地面点;最后,使用由LinK3D(Linear Keypoints for Three Dimensions point cloud)描述子与BoW3D(Bag of Words for Three Dimensions point cloud)词袋构成的新回环检测方法检测回环,该方法利用边缘特征点生成描述子,使用类似于汉明距离的方式进行描述子匹配,并采用类似于词袋的方法构建BoW3D作为LinK3D描述子的数据库,从而对关键帧提取的描述子进行存储以及回环检测。在数据集KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago)上的实验结果表明,在KITTI00、02与05序列中与Lego-Loam(Lightweight and ground-optimized LiDAR odometry and mapping)相比,GSLC-SLAM的均方根误差(RMSE)分别降低了5.8%,78.2%,12.5%;相较于F-LOAM(Fast LiDAR Odometry And Mapping),在KITTI00与05序列中GSLC-SLAM的RMSE分别降低了76.7%和53.8%,而在KITTI02序列中GSLC-SLAM表现不佳。经过验证可知,GSLC-SLAM可以有效减少动态物体的干扰、精确分割地面点并减少回环检测的漏检,进而使系统定位精度更高且更鲁棒。
