控制与决策

作者：汪湘川,张辉,陈波,周熙栋

单位：长沙理工大学 电气与信息工程学院,长沙 410114,,湖南大学 机器人学院,长沙 410082,,湖南大学 机器人学院,长沙 410082,,湖南大学 机器人学院,长沙 410082,

关键词：SLAM;激光里程计;扫描上下文;点云描述符;闭环检测;因子图优化

基金：科技创新2030-“新一代人工智能”重大项目(2021ZD0114503)；国家自然科学基金重大研究计划项目(92148204)；国家自然科学基金项目(62027810,61971071)；湖南省科技创新领军人才项目(2022RC3063)；湖南省杰出青年科学基金项目(2021JJ10025)；湖南省重点研发计划项目(2021GK4011,2022GK2011)；长沙科技重大项目(KH2003026)；机器人国家重点实验室联合开放基金项目(2021-KF-22-17)；中国高校产学研创新基金项目

高精度地图与定位是无人车实现自主导航作业的重要前提,针对现有松耦合融合方法对观测信息利用不充分,以及传统闭环检测方法匹配精度低等问题,提出一种基于扫描上下文优化的紧耦合激光SLAM方法-----optimized SC-LIO-SAM.首先,IMU通过预积分对点云进行去偏校正,同时为激光里程计提供初始位姿估计;激光里程计通过滑动窗口的方法将当前帧的特征点云与局部地图匹配,随后基于扫描上下文的方法对特征点云进行编码生成点云描述符,实现高效的闭环检测;基于LIO-SAM的框架,将IMU预积分因子、激光里程计因子、GPS因子以及闭环因子插入全局因子图中,通过基于贝叶斯树的增量平滑优化算法对全局点云优化更新.为了验证所提方法的有效性,采用KITTI数据集评估optimised SC-LIO-SAM的性能,并与LOAM、LEGO-LOAM以及LIO-SAM对比,结果表明,optimised SC-LIO-SAM相比于LOAM、LEGO-LOAM以及LIO-SAM等算法,定位精度显著提升.最后将算法应用在开源数据集中,验证了optimised SC-LIO-SAM能够构建全局一致的地图.

来源：2024年第10期

《控制与决策》期刊编辑部

查看控制与决策杂志2024年第10期