一种适用于非结构化场景中结合惯导的激光SLAM技术制造技术

本发明专利技术涉及一种紧耦合的LIDAR

【技术实现步骤摘要】
一种适用于非结构化场景中结合惯导的激光SLAM技术


[0001]本专利技术涉及无人车
，尤其涉及非结构化场景中结合惯导的激光SLAM技术。

技术介绍

[0002]精确定位在自主驾驶中起着至关重要的作用，是环境感知的基础，也是决策、路径规划和运动控制的重要输入。通常情况下，GNSS(全球导航卫星系统)可以满足无人驾驶车辆在开放场景下的基本需求。特别是应用实时运动学RTK(实时运动学)校正大气、卫星时钟和轨道误差时，相对于CEP(圆概率误差)，定位精度可提高到厘米。然而，由于多径效应和信号干扰，在隧道、森林、山地等越野场景中，GNSS并不可靠甚至缺失。IMU是另一种定位设备。它是完全独立的，没有任何外部输入。此外，加速度计和陀螺仪的测量提供了无人驾驶车辆的底层运动状态，这是车辆遭受剧烈颠簸时姿态估计的关键。然而，IMU测量随时间漂移，没有外部校正。惯性导航系统也是在没有GPS(全球定位系统)信号的环境下解决定位问题的一个完整的解决方案。但在没有GPS辅助的情况下，它仍然存在漂移的问题，而且成本太高，无法应用于智能汽车。SLAM是一种独特的技术，用于估计车辆和周围障碍物的位置和姿势，这也是自成一体的。根据它所依赖的传感器类型，SLAM可以分为基于相机和基于激光雷达的激光雷达SLAM的视觉SLAM。视觉SLAM很容易受到光线变化和天气的影响。剧烈的颠簸也会导致系统崩溃。与此相反，LIDAR SLAM更加稳定，因为它不受光线变化的影响，并且对恶劣天气不敏感。此外，由于位置和姿势是根据多帧地图的匹配计算，暴力颠簸对系统稳定性的影响较小。然而，由于平面和线特征的缺乏以及浮尘造成的干扰，越野环境仍然是一个挑战。总之，单传感器在复杂的越野环境中很难满足本地化的需要。

技术实现思路

[0003]鉴于上述的分析，针对每种传感器类型的特点，提出了一种基于当前扫描和相对建图之间的重投影误差优化以及IMU数据预积分估计的IMU积分误差的紧耦合的LIDAR-IMU SLAM系统。主要工作是对CPFG-SLAM的改进，并进行了一系列车载实验，以评估LIDAR
-ꢀ
IMU SLAM的性能。与仅激光雷达系统相比，LIDAR-IMU SLAM在鲁棒性和精确姿态估计方面表现出更好的性能。此外，由于提取重力方向的能力，估计的俯仰和滚动角度不会偏离。 LIDAR-IMU SLAM可以保持10Hz的频率，同时进行扫描匹配和建图。
[0004]本专利技术的目的主要是通过以下技术方案实现的：
[0005]根据LIDAR-IMU SLAM系统架构。点云和IMU数据被发送到实时操作系统中，以获得它们的同步时间戳。然后将初始化估计状态X
global
，即位置、四元数和世界帧中的速度，以及加速度计和陀螺仪的随机行走偏差。r
b
表示激光雷达和IMU帧之间的杠杆臂。由于激光雷达坐标系的原点是在车辆后桥的中间进行标定，所以选择了车身坐标系b。
[0006][0007]如果没有额外的输入，除了点云和IMU数据之外只能得到车辆的全局滚动和俯仰
角，因为全局姿态和航向角是不可观测的，必须设置为零。但是，如果外部传感器输入可用，可以参照全局导航坐标系统将不可观测状态初始化为真值。由于整个系统只支持静态启动，因此速度设置为零，通过计算车辆静止时的平均误差来估计惯性单元偏差。启动后，同步数据通过扫描匹配模块进行处理，首先对IMU数据进行预积分处理。基于最小二乘法的优化后，将点云与全局最优的位置和姿态输入子图，更新子图的占据概率和点分布，进行下一步扫描匹配。
附图说明
[0008]附图仅用于示出具体实施例的目的，而并不认为是对本专利技术的限制，在整个附图中，相同的参考符号表示相同的部件。
[0009]图1为本专利技术SLAM系统架构；
具体实施方式
[0010]下面结合附图来具体描述本专利技术的优选实施例，其中，附图构成本申请一部分，并与本专利技术的实施例一起用于阐释本专利技术的原理。
[0011]非结构化场景中结合惯导的激光SLAM技术的实现，包括以下步骤：
[0012]A.地图构建
[0013]SLAM系统共维护三种地图，一种基于logistic回归的概率地图更新，一种高分辨率的点分布特征图，包括质心点和相关矩阵，一种低分辨率的点分布特征图。为了有效地管理和索引，所有的建图都用八叉树表示。
[0014]特征图用于描述障碍物的位置和形状。对于每个网格，当不同的激光雷达扫描点的数目足够大时，通过这些采样点的计算可以估计出质心和相关矩阵。然后应用主成分分析法将网格划分为平面、直线和聚类三类。然后根据网格的类型调整相关矩阵。对于平面，沿着最小特征向量的数据被忽略。对于直线，只保留沿着最大特征向量的数据。对于聚类，只将三个方向上特征值较小的网格作为特征网格，否则没有特征，不参与扫描匹配。特征类型分类后，根据新的特征值重新计算特征网格的协方差。高分辨率图像用于精确的扫描匹配，而低分辨率图像用于粗略地检查退化运动，这对惯性单元偏差估计有负面影响。
[0015]概率图用于计算每个三维网格的占用概率，并成为当前帧中点云与地物图之间的重投影误差的权重。具体来说，概率是由激光雷达命中和错过的次数决定的，并由sigmoidlike函数更新。
[0016][0017]命中次数n表示网格命中和未命中的次数。一旦检测到一个点，这个点所在网格的命中次数就会增加，导致概率上升。点的径向线上网格的命中次数减少。命中次数越大，网格的概率越接近1。当命中概率为-0.5时，此网格更有可能是空的，位于此网格中的几个点将被忽略。如果该概率低于-0.5的漏失概率阈值，则此网格被分类为空，不再更新。
[0018]B.IMU误差建模与预积分。
[0019]VINS-mono(视觉惯性系统)提供了一个完整的算法来预测IMU误差。该算法虽然能很好地对车辆进行平缓运动，但在运动状态变化较快的非结构化道路环境中，其精度和鲁
棒性难以保持。在实验中，当车轮遇到岩石时，加速度计测量可以达到20
°
/s，陀螺仪测量的peek 值60
°
/s当车轮遇到岩石。因此，必须考虑激光雷达和IMU帧的位移引起的误差，a
L
表示激光雷达坐标系的加速度，a
I
表示IMU坐标系的加速度，这是IMU的实际输出。r代表向量从IMU坐标系统的起源到激光雷达坐标系和α角加速度。位移误差有两部分，一部分是与角速度有关的径向a
rn
部分，另一部分是与角加速度有关的径向a
rt
部分
[0020][0021]如果标定的表示从激光雷达坐标系到IMU坐标系变换的外方量不够准确，则径向矢量r 的估计是必不可少的。由于无法获得精确的角加速度，故将a
rt
视为高斯噪声。因此，惯性测量模型和形成了
[0022][0023]n
a
和n
w
代表加速度计和陀螺的高斯噪声。它本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.非结构化场景中结合惯导的激光SLAM技术，包括以下步骤：1)地图构建2)IMU误差建模与预积分3)位姿估计。2.根据权利要求1所需要的三种地图，特征图用于描述障碍物的位置和形状；不同分辨率的图像分别...

【专利技术属性】
技术研发人员：刘海鸥，张哲华，齐建永，龚建伟，高尚东，熊光明，吴绍斌，
申请(专利权)人：北理慧动北京科技有限公司北京理工大学，
类型：发明
国别省市：