原文传递
基于多传感器紧耦合的无人车SLAM方法研究
| 论文题名： | 基于多传感器紧耦合的无人车SLAM方法研究 |
| 关键词： | 无人驾驶;传感器;SLAM技术;目标跟踪;卡尔曼滤波 |
| 摘要： | 随着无人驾驶技术的不断发展和完善，无人驾驶车辆应用的场景也越来越复杂。而在未知且复杂的环境中，需要实时精准地估计无人驾驶车辆的位姿与速度，并实时感知环境物体，构建环境地图，以作为轨迹规划、车辆反馈控制和障碍物躲避等功能的信息输入，所以同时定位与地图构建（SLAM）技术对于无人驾驶车辆至关重要。激光雷达具有主动感知和全时段工作的优点，并且基于多传感器信息紧耦合的激光雷达SLAM方法，可以在室外复杂环境中获得准确的车辆定位与建图结果。因此，本文以激光雷达SLAM方法为主要研究方向，研究多传感器信息紧耦合的SLAM系统。 本文提出了Camera-Lidar联合检测的多目标检测与跟踪算法，在目标检测模块，通过YoloV4-tiny目标检测器，完成图像信息中桩桶目标的检测识别。然后对激光雷达测量点云进行去地面处理，根据Camera-Lidar联合分割桩桶算法，利用图像检测与非地面点云信息，联合分割获得桩桶目标的三维坐标。此外，还开发了桩桶多目标跟踪算法，能够在一段时间内，对同一个桩桶的多帧观测结果赋予同一个ID，实现多个桩桶目标的实时跟踪。从而为定位与建图系统提供了桩桶目标的位置、类别以及ID的感知信息输入。 基于扩展卡尔曼滤波理论（EKF），设计了二维的车辆状态定位与建图系统，通过传感器紧耦合的方式，并行地处理不同传感器的测量数据，包括惯性测量单元（IMU）、全球导航卫星系统（GNSS）、激光雷达（Lidar）、单目相机（Camera）以及运动传感器，完成车辆状态的预测与更新，同时构建全局桩桶地图。然后在不同工况采集的数据集下进行了充分地验证，结果表明，本系统具有较好的定位与建图精度和较高的冗余度，能够满足不同工况的需求。 为了提高系统的精度和丰富适用场景，本文提出了一种基于三维状态的多传感器信息紧耦合的无人驾驶车辆SLAM方法，可以在复杂的环境中，实现无人驾驶车辆状态的实时估计与环境地图的构建。该系统采用迭代扩展卡尔曼滤波理论（iEKF）进行设计，首先利用IMU预测车辆的先验状态，以及校正点云运动畸变，并使用滑动窗口方法保存点云特征以提高点云匹配精度。然后，通过对GNSS信息作初始化与坐标系变换，分别完成滤波更新得到后验状态。最后在后端环节引入关键帧进行状态优化与反馈更新，构建全局环境点云地图，并且完善了桩桶地图建图算法，相对于二维状态的SLAM系统，提高了桩桶地图的建图精度。本系统在StevenCampus等四个不同平台与环境采集的数据集下进行了充分地验证，结果表明，相比开源系统LEGO-LOAM与LIO-Mapping，本系统具有更高的精度和更强的鲁棒性。 |
| 作者： | 宋学佳 |
| 专业： | 机械工程 |
| 导师： | 敖银辉 |
| 授予学位： | 硕士 |
| 授予学位单位： | 广东工业大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
