为提升自动驾驶车辆在多车道行驶与作业时的道路环境感知能力,提出了自动驾驶环境下车道级雷视融合方法 LLV-SLAM(lane-level LiDAR-visual fusion SLAM),并构建了适用于雷视融合的实时定位与建图算法(simultaneous localization and ma...为提升自动驾驶车辆在多车道行驶与作业时的道路环境感知能力,提出了自动驾驶环境下车道级雷视融合方法 LLV-SLAM(lane-level LiDAR-visual fusion SLAM),并构建了适用于雷视融合的实时定位与建图算法(simultaneous localization and mapping,SLAM)。首先,在视觉特征点提取的基础上引入直方图均衡化,并利用激光雷达获取特征点深度信息,通过视觉特征跟踪以提升SLAM系统鲁棒性。其次,利用视觉关键帧信息对激光点云进行运动畸变校正,并将LeGO-LOAM(lightweight and groud-optimized lidar odometry and mapping)融入视觉ORBSLAM2(oriented FAST and rotated BRIEF SLAM2)以增强闭环检测与矫正性能,降低系统累计误差。最后,将视觉图像所获取的位姿进行坐标转换作为激光里程计的位姿初值,辅助激光雷达SLAM进行三维场景重建。实验结果表明:相比于传统的SLAM方法,融合后的LLV-SLAM方法平均定位时延减少了41.61%;在x、y、z方向上的平均定位误差分别减少了34.63%、38.16%、24.09%;在滚转角、俯仰角、偏航角方向上的平均旋转误差减少了40.8%、37.52%、39.5%。LLV-SLAM算法有效抑制了LeGO-LOAM算法的尺度漂移,实时性和鲁棒性有显著提升,能够满足自动驾驶车辆对多车道道路环境的感知需要。展开更多
针对基于线面特征的激光雷达里程计算法易导致表面特征信息的冗余表述、增加计算复杂度的问题,提出一种基于水平扫描线段结构的轻量化激光雷达里程计构建方法。首先通过分析激光点云扫描线几何结构,将点云特征分为线段特征、边特征和离...针对基于线面特征的激光雷达里程计算法易导致表面特征信息的冗余表述、增加计算复杂度的问题,提出一种基于水平扫描线段结构的轻量化激光雷达里程计构建方法。首先通过分析激光点云扫描线几何结构,将点云特征分为线段特征、边特征和离散特征,分别表示3维点云中物体的平面信息、边界信息和空间分布信息,以线段表示平面降低特征数量;然后基于历史位姿,采用运动估计方式获取初始位姿,通过非迭代的两步加权位姿估计算法进行特征配准与位姿解算;最后以提取关键帧方式存储点云,避免因点云地图过大造成匹配延时。在KITTI数据集和自研数据集上的实验表明,与现有的开源LOAM(LiDAR odometry and mapping)系列算法相比,本文算法在实现高精度稳定定位的基础上运行效率显著提升,且绝对轨迹误差抑制效果较好。展开更多
激光雷达LiDAR(Light Detection and Ranging)能够精准地还原被测物体的3D结构,是遥感领域最具革新性的技术之一。近几十年来,LiDAR技术取得了快速的发展,并极大地推动了生态与地学领域的相关研究。本文系统回顾并展望了LiDAR硬件和算...激光雷达LiDAR(Light Detection and Ranging)能够精准地还原被测物体的3D结构,是遥感领域最具革新性的技术之一。近几十年来,LiDAR技术取得了快速的发展,并极大地推动了生态与地学领域的相关研究。本文系统回顾并展望了LiDAR硬件和算法的最新发展及其在生态与地学领域的应用。首先,LiDAR的硬件呈现出多样化、高精度的发展态势,特别是近些年无人驾驶技术的成熟极大丰富了近地面LiDAR平台的类型;其次,深度学习、同步定位与地图构建SLAM(Simultaneous Localization And Mapping)、大模型等人工智能技术的发展极大推动了LiDAR算法的进步,使得点云配准、点云分割与分类、点云与多源数据融合等算法不断推陈出新;最后,本文详述了LiDAR在内陆地形测绘、海洋测绘、地质灾害监测、森林结构测量、树木枝干结构网络、3D辐射传输及场景重建、森林微气候模拟、智慧农业、生物多样性、城市与建筑,以及行星测量11个生态与地学分支领域的应用。未来,随着硬件、算法、及LiDAR大数据的进一步发展,LiDAR将继续推动生态与地学的研究,并有望在更多领域发挥重要作用。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
文摘为提升自动驾驶车辆在多车道行驶与作业时的道路环境感知能力,提出了自动驾驶环境下车道级雷视融合方法 LLV-SLAM(lane-level LiDAR-visual fusion SLAM),并构建了适用于雷视融合的实时定位与建图算法(simultaneous localization and mapping,SLAM)。首先,在视觉特征点提取的基础上引入直方图均衡化,并利用激光雷达获取特征点深度信息,通过视觉特征跟踪以提升SLAM系统鲁棒性。其次,利用视觉关键帧信息对激光点云进行运动畸变校正,并将LeGO-LOAM(lightweight and groud-optimized lidar odometry and mapping)融入视觉ORBSLAM2(oriented FAST and rotated BRIEF SLAM2)以增强闭环检测与矫正性能,降低系统累计误差。最后,将视觉图像所获取的位姿进行坐标转换作为激光里程计的位姿初值,辅助激光雷达SLAM进行三维场景重建。实验结果表明:相比于传统的SLAM方法,融合后的LLV-SLAM方法平均定位时延减少了41.61%;在x、y、z方向上的平均定位误差分别减少了34.63%、38.16%、24.09%;在滚转角、俯仰角、偏航角方向上的平均旋转误差减少了40.8%、37.52%、39.5%。LLV-SLAM算法有效抑制了LeGO-LOAM算法的尺度漂移,实时性和鲁棒性有显著提升,能够满足自动驾驶车辆对多车道道路环境的感知需要。
文摘针对基于线面特征的激光雷达里程计算法易导致表面特征信息的冗余表述、增加计算复杂度的问题,提出一种基于水平扫描线段结构的轻量化激光雷达里程计构建方法。首先通过分析激光点云扫描线几何结构,将点云特征分为线段特征、边特征和离散特征,分别表示3维点云中物体的平面信息、边界信息和空间分布信息,以线段表示平面降低特征数量;然后基于历史位姿,采用运动估计方式获取初始位姿,通过非迭代的两步加权位姿估计算法进行特征配准与位姿解算;最后以提取关键帧方式存储点云,避免因点云地图过大造成匹配延时。在KITTI数据集和自研数据集上的实验表明,与现有的开源LOAM(LiDAR odometry and mapping)系列算法相比,本文算法在实现高精度稳定定位的基础上运行效率显著提升,且绝对轨迹误差抑制效果较好。
文摘激光雷达LiDAR(Light Detection and Ranging)能够精准地还原被测物体的3D结构,是遥感领域最具革新性的技术之一。近几十年来,LiDAR技术取得了快速的发展,并极大地推动了生态与地学领域的相关研究。本文系统回顾并展望了LiDAR硬件和算法的最新发展及其在生态与地学领域的应用。首先,LiDAR的硬件呈现出多样化、高精度的发展态势,特别是近些年无人驾驶技术的成熟极大丰富了近地面LiDAR平台的类型;其次,深度学习、同步定位与地图构建SLAM(Simultaneous Localization And Mapping)、大模型等人工智能技术的发展极大推动了LiDAR算法的进步,使得点云配准、点云分割与分类、点云与多源数据融合等算法不断推陈出新;最后,本文详述了LiDAR在内陆地形测绘、海洋测绘、地质灾害监测、森林结构测量、树木枝干结构网络、3D辐射传输及场景重建、森林微气候模拟、智慧农业、生物多样性、城市与建筑,以及行星测量11个生态与地学分支领域的应用。未来,随着硬件、算法、及LiDAR大数据的进一步发展,LiDAR将继续推动生态与地学的研究,并有望在更多领域发挥重要作用。
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。
