Sitemap

低资本激光和视觉相联合的同步定位与修图研讨

文: 尹 磊 欧勇盛 江国来 彭修盛 | 2019年第二期 (0) | (0)

1小序

同步定位与地图构修(SimultaneousLocalizationandMapping,SLAM)是板滞人范畴的技能热门与难点,其办理的定位和修图题目被认为是板滞人完成自助导航的要害。该技能主要原理是通过板滞人配备的众种不卡的在线欧洲AV网站来感知四周状况,并盘算出本人目今状况下的位置。SLAM被提出后,先后阅历了众个研讨阶段。因为激光雷达精度高、范围广,早期的SLAM研讨往往以激光雷达为主要的不卡的在线欧洲AV网站。另外,早期的SLAM采用扩展卡尔曼滤波方法估量板滞人的位姿[1],但效果欠好,关于某些强非线性体系,该方法会带来更众的截断偏向,从而导致无法精准地完成定位与修图。然后基于粒子滤波的SLAM渐渐成为主流,粒子采样方法可有用避免非线性题目,但同样引出了跟着粒子数添加,盘算量增大的题目。

不停到2007年,Grisetti等[2]提出了基于改良粒子滤波的SLAM方法(Gmapping),该方法通过改良的倡议分布及自顺应重采样技能有用地进步了定位精度并低沉了盘算量,是激光SLAM的一个里程碑。Konolige等[3]2010年提出了KartoSLAM,该方法采用图优化替代粒子滤波,并采用希罕点调解来办理非线性优化中矩阵直接求解难的题目。Kohlbrecher等[4]2011年提出了HectorSLAM,该方法不需求里程计新闻,通过应用高斯牛顿方法来办理扫描立室题目,但对不卡的在线欧洲AV网站请求较高,需求高精度的激光雷达才干运转。由谷歌于2016年提出的Cartographer[5]可以说是最新的激光SLAM方案。该方法将取得的每一帧激光数据,应用扫描立室最佳估量位置处插入子图(Submap)中,且扫描立室只与目今子图相关。生成一个子图后,会举行一次部分的回环(LoopClose),而通通子图完毕后,应用分支定位和预先盘算的网格举行全部的回环。比较于Gmapping和Hector,该方案具有累积偏向较低,且不需求高资本配备的优点。视觉SLAM因为不卡的在线欧洲AV网站资本低、图像新闻丰厚渐渐成为了SLAM的研讨热门。

但与激光SLAM比较,视觉SLAM更加繁杂。Davison等[6]2007年首次提出的MonoSLAM被认为是浩繁视觉SLAM的“根源地”。该方法以扩展卡尔曼滤波为后端,追踪前端希罕的特征点;应用概率密度函数来外示不确定性,从观测模子和递归的盘算,最终取得后验概率分布的均值和方差。Sim等[7]应用粒子滤波完成了视觉SLAM,该方法避开了线性化的题目而且精度高,但需求运用大宗的粒子,从而导致盘算繁杂度的进步。随后,为了淘汰盘算繁杂度,提取要害帧变得极为主要,此中最具代外性的是2007年Klein和Murray提出的PTAM[8]。该方法提出了简单有用地提取要害帧的技能,而且该方法最为要害的两点是:(1)完成了跟踪与修图的并行化,虽然跟踪部分需求及时呼应图像数据,但后端优化却不需求及时盘算。即后端优化可后台垂垂运转,需求的时分将两个线程同步即可。这也是首次提出了区分前后端的看法,引颈了之后浩繁SLAM方法的架构计划。(2)第一次运用非线性优化,而不是古板的滤波器。从PTAM提出后,视觉SLAM研讨渐渐转向了以非线性优化为主导的后端。

2016年Mur-Artal和Tardos[9]提出了当代SLAM中十分出名的第二代基于具有带偏向性的加速分段测试特征(FAST)要害点以及带改变稳定性的二进制鲁棒独立基本特征(BRIEF)描画子的特征点(OrientedFASTandRotatedBRIEF,ORB)[10]的视觉SLAM体系ORB-SLAM2,是当代SLAM中做得十分完美而且易用的体系之一。该方法不光支撑单目、双目、深度摄像头三种方式,而且将定位、地图创立、合环分为三个线程,且都运用ORB特征。ORB-SLAM2的合环检测是一大亮点,该方法采用了词袋模子,有用地避免了累积偏向,而且能丧失之后疾速找回。但ORB-SLAM2的缺陷也十分明显,图像特征提取与立室以及后端的优化都需求盘算资源,嵌入式平台上实实行时运转保管必定的艰难,而且构修的希罕特征点地图虽然可以很好地满意定位,但无法供应导航、避障等功用。比较于提取图像中的特征点,依据图像像素灰度新闻来盘算相机运动的直接法从另一个偏向完成了定位和修图。Stühmer等[11]提出的相机定位方法依赖图像的每个像素点,即用浓厚的图像瞄准来举行本身定位,并构修出浓厚的三维地图。Engel等[12]对目今图像构修半浓厚深度地图,并运用浓厚图像配准(DenseImageAlignment)法盘算相机位姿。构修半浓厚地图即估量图像中梯度较大的通通像素的深度值,该深度值被外示为高斯分布,且当新的图像到来时,该深度值被更新。Engel等[13]提出了LSD-SLAM算法,其中心是将直接法运用到半浓厚的单目SLAM中,这之前的直接法中很少睹到。以往基于特征点只可构修希罕地图,而浓厚地图又需求RGB-D这种可以供应深度新闻的相机。

Forster等[14]于2014年提出了半直接法单目视觉里程计(Semi-directMonocularVisualOdometry,SVO),一种被称为“希罕直接法”的方法,该方法将特征点与直接法混淆运用,跟踪了少许要害点(如角点等),然后按照直接法依据要害点四周的新闻估量相机运动及位置。比较于其他方案,SVO既不必消耗大宗资源去盘算描画子,也不必处理过众的像素新闻,于是该方法可广泛用于无人机、手持增强实行(AugmentedReality,AR)等配备上。Newcombe等[15]提出了Kinect交融的方法,该方法通过Kinect获取的深度图像对每帧图像中的每个像素举行最小化间隔测量而取得相机位姿,且交融通通深度图像,从而取得全部地图新闻。Gokhool等[16]运用图像像素点的光度新闻和几何新闻来构制偏向函数,通过最小化偏向函数而取得相机位姿,且地图题目被处理为位姿图外示。Kerl等[17]提出了较好的直接RGB-DSLAM方法,该方法联合像素点的强度偏向与深度偏向举措偏向函数,通过最小化价钱函数,从而求出最优相机位姿,该过扯萆g2o完成,并提出了基于熵的要害帧提取及合环检测方法,从而大大低沉了道径的偏向。 

众不卡的在线欧洲AV网站交融方面,目前有视觉不卡的在线欧洲AV网站、激光雷达、惯性测量单位(InertialMeasurementUnit,IMU)及超声波不卡的在线欧洲AV网站等众种不卡的在线欧洲AV网站。目前,主要交融偏向为激光雷达联合视觉不卡的在线欧洲AV网站及IMU联合视觉不卡的在线欧洲AV网站。Chen等[18]通过视觉不卡的在线欧洲AV网站联合IMU来举行板滞人的精准位姿估量,并板滞人上笔直安装二维激光雷达搜罗点云数据完成三维修图。Houben等[19]采用三维激光数据用于微型无人机定位,针对构造相似的状况激光定位会呈现模糊的题目,提出状况中到场视觉标记,进步定位精度,同时可用于微型无人机的重定位。王消为等[20]提出了一种双目视觉新闻和激光雷达数据交融的SLAM方法,该方法基于改良的粒子滤波算法完成了盘算倡议分布时观测数据,此中同时包罗视觉新闻和激光雷达数据。相关于里程计运动模子举措倡议分布,该方法有用地进步了定位和修图的精度。张杰和周军[21]提出了一种激光雷达与视觉联合的SLAM方法,此中激光地图用于导航,视觉地图用于恢复目标场景;并提出一种改良的迭代近来点法(IterativeClosestPoint,ICP)用于完成更速的点云拼接,同时采用图优化的方法低沉了累积偏向,包管地图精度。Shi等[22]小型无人机上,应用视觉里程计为二维激光的ICP供应初值,及时性和准确度方面都抵达了较好的效果。

技能前沿_2019052116504313864.png

技能前沿_2019052116504314195.png

Qin等[23]提出了视觉与IMU的紧耦合方案,将视觉构制的残差项和IMU构制的残差项放一同构成一个联合优化题目。Li等[24]和Lynen等[25]通过扩展卡尔曼滤波器对视觉和IMU举行交融以及时获取形态估量。相对而言,激光SLAM的效果仍然要优于视觉SLAM,但激光SLAM因为其本身激光数据的特征导致其无法有用地举行大范围的合环检测。关于低价钱的激光雷达,因为激光点不敷鳞集,构修的地图常常会呈现回到本来的位置地图,由此变成定位不准确而呈现偏向的状况,这是由累积偏向所导致的。同时激光SLAM中,合环检测不停是一浩劫点:因为获取的激光数据是二维点云数据,无分明特征且互相之间十分相似,以是基于激光数据的合环检测往往效果欠好。因为图像中包罗了丰厚的新闻,故视觉SLAM合环检测方面保管兹釉然优势。ORB-SLAM2中提出的词袋模子,采用了ORB特征配合词袋的方法,具有很高的准确率和速率,是目今运用最广的合环检测手腕。针对低资本激光SLAM噪声大、精度低、难以合环的题目,本文提出激光联合视觉举行联合优化的方法来进步定位修图精度,并通过视觉词袋模子有用地办理激光合环检测难的题目。

2基于图优化的同步定位与地图构修框架

激光SLAM主要通过相邻帧激光的立室来盘算相邻帧位姿变换,但因为激光数据并非完备无噪声的数据,特别关于低资本激光雷达,打出去的激光点较为希罕,从而导致盘算取得的相邻帧位姿变换保管偏向,于是往往需求到场滤波或优化的方法来使定位更加精准。而视觉SLAM是通过特征点提取与立室来反算位姿,但若此中一帧呈现题目就会导致偏向累积并

不时地增大。图优化是SLAM后端优化的热门方法,通过构制节点和束缚边分明地展现了一系列位姿和观测量的联系,再通过非线性优化的手腕求出最优变量从而取得精准的位姿估量。该方法最早运用于视觉SLAM中,早先因为图像特征点数目过众,导致矩阵维数过大,求解艰难,以是该方法不停未能成为主流方法。直到2011年海塞矩阵的希罕性被发明,极大地进步了运算速率,使得非线性优化和图优化的思念胜利运用于视觉SLAM和激光SLAM中。而依据位姿估量和优化的及时性请求差别,SLAM也被分为前端和后端两部分,目今主流的SLAM框架如图1所示。

前端主要通过不卡的在线欧洲AV网站数据估量板滞人的位姿,但无论是图像照旧激光,观测到的数据都含有差别程度的噪声。相对而言,高精度激光雷达噪声会小许众但资本过高,而通过低资本的激光雷达及相机搜罗图像来举行位姿盘算都会导致定位与实行真值有累积偏向,而且累积偏向会跟着时间的添加而越来越大。后端优化的主要感化便是通过滤波或优化的方法进步定位及构修的地图精度,消弭累积偏向。本文采用图优化举措后端,通过非线性优化寻找下降梯度的方法来迭代完成偏向最小化。简单来说,图优化是以图的方式来描画优化题目。SLAM中,图的节点外示位姿,边外示位姿之间以及位姿与观测量的束缚联系。板滞人导航修图进程中,观测量为激光数据及通过摄像头不停地捕捉到的外部状况新闻,生成大宗板滞人观测到的ORB特征点对应的三维空间点。将通通数据放入图的框架中,如图2所示。

此中,X外示要害帧位姿;O外示观测量,包罗了特征点所对应的三维空间点坐标及二维激光数据。视觉偏向由重投影偏向(图3)来外示,重投影偏向的盘算需求给定相邻帧所对应的两个相机位姿、立室好的特征点两幅图像中的二维坐标及所对应的三维空间点的三维坐标。纯视觉SLAM往往通过特征点提取和立室,再运用EPnP等方法来求取相邻帧位姿变换估量。但比较于相邻帧的激光立室,该方法偏向较大,于是本文运用激光扫描立室取得的位姿估量举措后端优化的初始值。而关于相邻帧图像中通过特征点立室取得的特征点对p1、p2,本文采用的深度摄像头可直接获取取得前一帧图像特征点p1所对应的三维空间点P的坐标,将点P从头投影到后一帧图像上变成图像中的特征点。因为位姿估量的偏向及深度摄像头噪声的保管,与p2并非完备重合,两点之间的间隔便是偏向。

技能前沿_2019052116504314053.png

图3

技能前沿_2019052116504315664.png

图4联合优化全体框架


重投影坐标盘算公式及进程如下:(1)通过天下坐标系到相机坐标系的变换联系(R,t),盘算出生界坐标系下点P所对应的相机坐标系下点技能前沿_2019052116504315874.png的三维坐标。

技能前沿_2019052116504315882.png  (1)

此中,R为改变矩阵;t为平移矩阵;T外示转置。(2)将投至归一化平面,并将归为1取得归一化坐标Pc。

技能前沿_2019052116504314113.png

此中,(uc,vc)为归一化平面上的二维坐标。(3)依据相机内参模子,像素坐标系为归一化平面横轴缩放了fx倍,竖轴缩放了fy倍,而且原点平移了cx、cy个像素。于是,像素坐标(us,vs)盘算公式如下:

技能前沿_2019052116504315949.png

则该点偏向函数为技能前沿_2019052116504315965.png。此中,p2为直接通过图像取得的像素坐标;技能前沿_2019052116504315989.png为依据公式(1)~(3)盘算取得的重投影坐标。将上述偏向函   数扩展到相邻两帧之间,则最小化价钱函数为技能前沿_2019052116504316045.png。通过非线性优化算法可以取得偏向最小化时相应的位姿变换(R,t)和三维空间点坐标Pi。

相关于视觉偏向,激光偏向的获取更为简单。激光SLAM往往需求通过扫描立室来完成相邻帧的位姿变换估量,而该估量值(R,t)无法包管前一帧通通激光数据颠末该位姿变换与后一帧激光数据完备重合。于是,激光的偏向定义如下:

技能前沿_2019052116504316210.png  (4)

之后,通过非线性优化来使偏向函数最小化,求得的位姿再返回到前端举措下一帧的参考帧位姿。

3.后端优化与合环检测

视觉SLAM构修的地图由特征点构成,特征地图最大的题目于无法用于导航,仅适适用于定位。低资本激光雷达构修的栅格地图更适适用于导航,但保管着激光希罕、噪声大的题目。于是,本文提出视觉激光交融的方法,进步定位精度的同时确保地图更加精准,还办理了激光SLAM构修的栅格地图难以回环的题目。而二维栅格地图的构修主要依赖于一系列位姿和激光测量数据,依据栅格被占用的概率来增量式的修图。因为同暂时候观测到的视觉新闻和激光数据并非完备互相独立,于是本文提出视觉激光联合优化来充沛应用数据之间的束缚。到场视觉新闻的激光视觉联合优化的SLAM全体框架如图4所示。

3.1偏向函数

古板视觉相邻帧偏向函数已第2节中给出精细方式,图3图4联合优化全体框架6263技能前沿技能前沿重投影坐标与三维空间点、上一帧图像特征点以及位姿变换的联系如下:

技能前沿_2019052116504316716.png  (5)

此中,K为相机内参;Z为三维点的深度值。则偏向函数如下:

0.6.jpg

位姿变换(R,t)可写成对应的李代数方式,0.7.jpg李代数变换公式为:

技能前沿_2019052116504316815.png  (7)

03..jpg

此中,相邻帧共有m个立室特征点,n个激光数据点。实行盘算中可将m、n限制必定命量内从而淘汰盘算繁杂度。独自的视觉SLAM有其自有的盘算相邻帧位姿变换算法,但因为图像数据的特性,盘算取得的(R,t)往往没有通过激光扫描立室取得的位姿变换精准。于是,采用激光扫描立室取得的位姿变换来估量偏向函数中的位姿变换初始值。

3.2希罕姿态调解

依据观测模子可以很容易判别出偏向函数不是线性函数,以是本文采用非线性优化来求解偏向函数最小值所对应的变量。因为三维特征点和激光数据量过众,且跟着时间推移全体价钱函数所包罗的众项式会变得越来越众,故本文只优化偏向函数中的位姿变量。同时,姿态图的优化也会跟着极点束缚的添加而变慢,以是本文采用希罕姿态调解法,应用矩阵的希罕性来进步优化速率。因为板滞人位姿是由变换矩阵不时盘算取得且一一对应,即求得每两相邻帧之间的位姿变换,亦即可取得板滞人的目今位姿。于是,将板滞人位姿举措独一变量并对其举行优化,视觉观测量和激光点云数据举措位姿之间的束缚。设板滞人位姿与位姿变换之间的联系为:

技能前沿_2019052116504317756.png

则偏向函数可改写为关于位姿x的函数技能前沿_2019052116504317816.png。此中,x为位姿的汇合,即待优化变量为:

技能前沿_2019052116504317839.png  (10)

此中,k为待优化位姿个数。相应地,是对全体自变量x的增量。于是,当到场增量后,目标函数为:

技能前沿_2019052116504316629.png  (11)

此中,J外示雅克比矩阵,为价钱函数对自变量的偏导数;K为待优化位姿个数,相邻帧优化时为2,全部优化时为目今帧到回环帧之间的位姿个数。位姿优化可看作是最小二乘题目,而办理最小二乘题目的常用方法有梯度下降法、高斯牛顿法及LevenbergMarquadt(L-M)法。此中,L-M法是对梯度下降法和高斯牛顿法的归纳运用,效果最佳,于是本文采用L-M法来求解上述最小二乘题目。通过到场拉格朗日乘子对偏向函数举行改良:

技能前沿_2019052116504317497.png  (12)

0.9.jpg

此中,参数外示近似模子与实行模子相似程度,越接近1时,越小,高斯牛顿法的近似效果越好;越小时近似效果越差,优化方法更近似于梯度下降法。一般状况下,H矩阵维数很大,矩阵求逆的繁杂度为O(n3)。但因为H矩阵内部包罗着各个极点之间的束缚,而只要相邻极点之间才具有直接束缚,从而导致H矩阵阵势部元素为0,具有希罕性。于是,应用H矩阵特有的希罕功可以大大进步运算速率。求解公式(16)可得,沿着梯度下降偏向轮回迭代,最终取得目标函数最小时所对应的自变量x,即板滞人位姿。

3.3合环检测

合环检测是SLAM中的一个中心题目,通过对一经走过的地方举行识别,能有用地减小累积偏向,进步定位精度。基于激光雷达的SLAM算法往往因为数据简单而无法有用地举行合环检测,而视觉图像丰厚的纹理特征则恰恰可以补偿激光雷达的这一缺陷。本文采用视觉SLAM中最常用的词袋模子(Bag-of-Words,BoW),通过视觉特征来构修要害帧所对应的字典,检测到回环后通过回环帧与目今帧的立室来盘算目今位姿,并将这一束缚到场到后端中来举行回环帧与目今帧之间的全部优化,进步定位精度的同时,也避免了激光所构修的栅格地图常呈现的无法合合的状况。

技能前沿_2019052116504318524.png

外1位姿估量比照

因为构修室内地图所搜罗到的图像数目过众,且相邻图像之间具有很高的重复性,于是起首需求举行要害帧的提取。本文要害帧采纳机制如下:(1)间隔上一次全部重定位曾颠末去了15帧;(2)间隔上一次插入要害帧曾颠末去了15帧;(3)要害帧必需曾经跟踪到了起码50个三维特征点。此中,(1)、(2)是其奇特征的根底,因为短时间视野内的特征不会爆发分明改造;(3)包管了其鲁棒性,过少的地图点会导致盘算偏向的不平均。相对而言,激光SLAM要害帧的采纳要更为简单且稳定,但采用激光举措要害帧采纳参量容易呈现要害帧包罗的图片特征点不敷、图像不延续等题目。于是,本文采用基于视觉的要害帧采纳机制,既包管相邻要害帧不会过于接近,又包管有足够的新闻举行要害帧之间的立室。常睹的图像特征有标准稳定特征变换(ScaleInvariantFeatureTransform,SIFT)[26]、加速妥当特征(SpeededUpRobustFeatures,SURF)[27]和ORB等。此中,SIFT特征点具有改变稳定性和标准稳定性,而且稳定性高,不易受到光照及噪声的影响,是最抱负的挑选。然而,SIFT特征提取速率慢无法保标明时,故不适用于SLAM中。SURF效果与SIFT临近同样保管盘算时间过长的题目。于是,本文挑选ORB来构修词袋模子,ORB保持了改变稳定性和标准稳定性的同时,速率要分明优于SIFT和SURF。

BoW通过比对图像所包罗的特征将目今帧与每一个要害帧作相似度盘算。起首当相似度外明目今帧与某一要害帧足够相似时,则认为板滞人回到了该要害帧附近的位置,发生回环。然后,回环后对目今帧和该要害帧举行激光点云的ICP立室从而以该要害帧的位姿为基准,盘算出目今板滞人位姿,并将目今帧位姿、目今帧与回环帧之间的图像特征点、激光点云举措束缚到场到图优化框架中,从而对检测到回环的要害帧与目今要害帧之间的一系列位姿举行全部优化。着末,依据优化后的位姿及每一帧位姿所带领的激光数据从头构修地图,消弭地图中无法合合的部分。

4实行

本文实行分为两部分:第一部分小范围场景下举行定点定位精度的比照实行,区分对古板基于图优化的激光SLAM方法(即Karto)和本文提出的激光视觉相联合的方法举行定位数据搜罗;第二部分为合环实行,验证本文提出的方法是否可以有用地办理激光SLAM可以呈现的地图过错合状况。

4.1实行平台和状况

本文实行Turtlebot2上举行,配备条记本电脑以及激光雷达和深度摄像头,电脑配备为IntelCorei5处理器、8G内存,运转ubuntu14.04+ROSIndigo体系。二维激光雷达采用单线激光雷达RPLIDARA2,人工修立采样频率为5~15Hz,测量半径为8m。深度相机采用奥比中光公司出品的Astra深度相机。此中,该相机深度测距的有用范围为0.6~8m,精度达3mm;深度相机视角可以抵达程度58°和笔直45.5°。

本文实行中国科学院深圳先辈技能研讨院B栋办公楼举行,以板滞人起始位置修立天下坐标系,B栋5楼B、C区电梯之间挑选5个标记性位置,区分用Karto和本文提出的方法举行位姿测量,实行进程如图5所示。从0点动身,以0点为天下坐标系原点,0到1偏向为x轴偏向,2到3偏向为-y轴偏向,依次沿1、2、3、4、5运动,各点实行坐标如外1所示。板滞人实行位姿由时间和速率来掌握。为包管视觉特征提取的稳定性,板滞人线速率保持匀速0.2m/s,角速率30(°)/s,即板滞人只要0.2m/s匀速行进、30(°)/s匀速右转及中止三个形态。此中,行进15s为行进3m;右转3s为右转90°。最终通过发布线速率和角速率指令并计时来掌握板滞人准确抵达5个标记点。第二部分实行场景为中国科学院深圳先辈技能研讨院B栋4楼B区工位及C区3楼。此中,4楼工位为小范围合环,C区3楼为大范围回环。

0.11.jpg

4.2实行结果剖析

定位结果及偏向比照如外1所示。外1中数据阐明仅依托激光举行SLAM时初始偏向较小,但跟着间隔变远,测量值与实行位姿之间偏向渐渐增大。而实行进程中运用的激光资本较低,光束本身不敷鳞集,导致无法包管有足够的可用数据过滤掉测量进程中测量值本身的偏向,从而发生累积偏向。本文提出的激光视觉联合优化位姿的方法虽然同样保管累积偏向,但到场了视觉新闻束缚可有用地缩小累积偏向,可取得更高的定位精度。图6(a)~(d)区分是Karto[3]及本文提出的方法所构修的栅格地图;图6(e)是ORB-SLAM2所构修的C区3楼希罕特征点地图。此中,板滞人位姿由一系列血色箭头外示。图6(a)、(b)为工位状况的小范围合环,从中可以看到,图6(a)白线圈处有不重合的现象,但因为场景较小,效果并不分明。

111.png

图6(c)、6(d)为C区大范围场景所构修的地图,因为场景较大,跟着时间推移发生的累积偏向会不时增大。图6(c)中可以分明看到白线圈出的部分地图并未重合,这是因为累积偏向影响了板滞人的定位效果,而因为定位偏向的加大,依据板滞人位姿及激光数据所构修的地图会呈现过错合的现象。相对而言,图6(d)中板滞人挪动一圈回到起始位置时检测到了合环,依据起始位置盘算出了目今帧位姿,并将目今帧位姿举措束缚,举行全部优化,再通过优化后的通通位姿及所带领的激光数据更新地图新闻,消弭无法合合的状况。实行结果外明,本文提出的方法可以有用地检测回环,并优化两点之间的通通位姿,位姿优化之后再依据每一帧位姿所带领的激光数据从头构修地图,胜利消弭了无法合合的地图部分。但因为到场了视觉新闻,修图进程中对板滞人速率限制变大,同时对动态妨碍物的抗搅扰才能变小,只可无人时举行修图,且需求避免摄像头面向大面积白墙等无特征物体。

5.总结与展望

本文研讨了SLAM中众不卡的在线欧洲AV网站交融的题目,针对低资本激光雷达噪声大、视觉构修的希罕特征地图不适用于导航的题目,提出了激光视觉相联合定位修图的方案。通过采用基于希罕姿态调解的方法,将激光数据和图像新闻举行联合优化,有用地进步了定位和修图的精度,并通过视觉词袋模子完成合环检测,办理了激光合环检测难完成的题目。但因为到场了视觉新闻,体系鲁棒性变差,且室内状况光照改造往往较小,同时保管大宗的动态妨碍物,如摄像头捕捉到挪动的行人时会导致视觉束缚的过失,从而影响全体的定位修图效果。同时,当碰到白墙等物体时无法提取足够的特征,视觉束缚失效从而导致修图糜烂。下一步义务将应用激光雷达和视觉各自的优点,进步全体的鲁棒性,包管修图的效果。

1.1.jpg

1.2.jpg




杂志订阅

填写邮件地址,订阅精美资讯: