基于MSCKF的IMU与激光雷达紧耦合定位方法

发布时间：2021-11-25 08:55

　　针对传统移动机器人定位方法对计算资源要求较高,而其所采用的嵌入式处理器通常计算力不足的问题,提出了一种低计算复杂度的移动机器人定位方法。该定位方法使用多状态约束下的卡尔曼滤波器对激光雷达和IMU数据进行融合,同时采用近似近邻搜索方法取代传统的KD树近邻搜索方法来进行激光点云法向量的提取,在符合平面特征提取精度要求的前提下,法向量提取速度提高了近6倍。最后,在地下车库场景下对该定位方法进行了测试,该方法整体定位误差在0.4 m以内,旋转绝对位姿误差集中在0.02～0.06 rad之间。实验结果表明,所提方法占用较少的计算资源,在结构化环境中能够提供良好的定位结果。 

【文章来源】：仪器仪表学报. 2020,41(08)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

整体框架

本文使用了一种快速的近似近邻搜索方法替代KD树近邻搜索方法,将点云数据通过球面投影得到其前视图,然后以点云中每个点在前视图中的像素坐标为中心,提取宽为w高为h的矩形框内像素点所对应的点云作为候选近邻点,最后度量候选近邻点到中心点的距离,将距离大于一定阈值的作为离群点剔除,将剩余候选近邻点作为近邻点搜索结果输出。如图2所示,要搜索点A的近邻点,首先把点云投影到球面上,然后展开球面得到球面投影视图,在投影视图上选择虚线矩形框内的点B、C作为候选近邻点输出,最后计算B、C与A的实际距离,若小于设定值则把B、C作为A的近似近邻点输出。相比于传统的KD树近邻搜索方法,本文的方法大幅提高了计算速度。2.2 平面特征跟踪

两种方法的特征提取效果如图3所示,本文的方法加快了法向量计算速度,与KD树近邻搜索相比,法向偏差精度损失约为0.026 rad,但对平面特征提取基本没有影响。图3(a)和图3(b)分别为使用近似近邻搜索和KD树近邻搜索计算出的法向量提取的平面特征(图中绿色椭圆部分),其中椭圆中心代表平面特征的位置,椭圆的长短轴之比表示了法向量聚类分析后的特征值比值。图3(a)和(b)对比表明,近似近邻搜索方法提取出的平面特征数量和平面特征的位置与KD树近邻搜索的结果基本一致,法向量提取步骤损失的部分精度对平面特征提取的结果影响很小。

【参考文献】：
期刊论文
[1]多目视觉与激光组合导航AGV精确定位技术研究[J]. 何珍,楼佩煌,钱晓明,武星,朱立群.  仪器仪表学报. 2017(11)
[2]改进的单目视觉实时定位与测图方法[J]. 李帅鑫,李广云,周阳林,李明磊,王力.  仪器仪表学报. 2017(11)



本文编号：3517815