原文传递
多传感器融合的无人车SLAM定位方法研究
| 论文题名： | 多传感器融合的无人车SLAM定位方法研究 |
| 关键词： | 无人驾驶车辆;视觉惯性里程计;同时定位;地图构建;定位精度 |
| 摘要： | 视觉惯性同时定位与地图构建（Simultaneous Localization and Mapping，SLAM）方法已广泛用在机器人和无人机的定位中，但是将其应用在车辆平台时，惯性测量单元（Inertial Measurement Unit，IMU）会缺少加速度激励，严重影响定位精度。为了解决因车辆平面运动造成初始化尺度估计不准确等问题，提高无人驾驶车辆的定位精度，本文针对无人车平台，充分利用其传感器设备，采用多传感器融合的方法，开展了无人驾驶车辆定位研究，提出将轮速传感器、单目相机、惯性测量单元等多传感器融合的SLAM算法。本文的主要研究内容如下： （1）概述国内外SLAM技术的研究现状与发展动态，分析了视觉惯性SLAM应用于车辆平台存在的问题，阐述本文融合轮速的视觉惯性SLAM研究的意义。 （2）研究了SLAM定位理论与优化方法。针对SLAM系统分析了相关基础理论，通过四种表达方式分析物体在三维空间中的运动，研究SLAM问题的建模过程并针对其求解过程分析相关的优化方法。 （3）提出了融合轮速的视觉惯性里程计。分析系统所使用的传感器，建立了相机模型、IMU测量模型以及轮式里程计测量模型。基于传感器模型详细分析了相应的误差来源，并研究了内外参与误差系数的标定方法，进行了标定实验。针对目前视觉惯性SLAM应用在车辆平台上存在的问题，提出了融合轮速的视觉惯性里程计（Wheel-speed Visual Inertial Odometry，WVIO）。对于WVIO的前端通过Shi-Tomasi算法提取强角点，并采用图像金字塔LK光流进行特征跟踪。基于轮速和IMU数据构建了轮速-IMU预积分，通过中值积分推导了离散时间下的误差状态方程。使用视觉初始化和联合初始化的方法，通过轮速-IMU预积分约束完成尺度因子、速度等量的初始化。对于系统的后端优化部分，分析目标函数的各组成成分，使用滑动窗口进行轮速、视觉、惯性的非线性优化，求解最优的状态估计。 （4）搭建了无人车多传感器数据采集与验证平台。基于华为智选赛力斯SF5和传感器设备搭建了无人车传感器平台，通过ROS实现了相机、毫米波雷达、轮速传感器、IMU等传感器的数据采集。分别进行了KAIST数据集实验与实车实验，验证了本文算法的精度。其中一组数据显示：在汽车行驶690m的距离中，本文所提出算法的平均误差为0.986m，RMSE为1.153m。通过多次实验验证，本文所提出的算法与VINS-Mono相比有着更准确的定位结果。 |
| 作者： | 何成诚 |
| 专业： | 工程(车辆工程) |
| 导师： | 袁春;郭宗环 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
