基于3D激光点云的无人车城市环境SLAM问题研究

发布时间：2018-02-16 08:46

本文关键词： 无人车 SLAM 城市环境扩展高斯图像 ICP算法粒子滤波 PCA算法高斯混合模型　出处：《北京理工大学》2016年硕士论文　论文类型：学位论文

【摘要】：无人车是当前智能机器人领域的研究热点,即时定位与地图构建(SLAM)实现无人车在未知环境中的自身定位与周围环境地图构建,是无人车导航的重要依据,能保障无人车在未知环境中安全、快速行驶,完成指定任务。城市环境是车辆的主要行驶场景,也是无人车的重要研究方向,在未来无人车取代现有车辆以及提高驾驶体验上有重要的研究价值与应用场景。本文基于无人车车载3D激光雷达,研究城市环境下的无人车SLAM问题。主要从数据预处理、无人车位姿估计、周围环境地图更新等几个方面展开研究。本文主要的工作成果包括:(1)针对3D激光点云存在频率高,距离激光雷达近处点云密集数据量过大,远处点云稀疏不能准确表示环境信息,地面信息不具备结构特性等特点,本文对激光点云数据进行预处理,以提高算法的实时性与有效性。文中采用等时间间隔采样进行数据帧选取以减少算法所使用的数据帧。针对点云密度过大,本文对点云进行立体像素(即立体栅格)划分,并对每个栅格采用Voxel Grid滤波器进行下采样。最后针对距离激光雷达远处稀疏点云不能有效表示环境信息以及地面信息不具备结构特性,本文对下采样后的点云数据采用阈值分割得到有效点云区域。(2)基于经典点云拼接算法—迭代最近点ICP算法进行相邻两时刻点云匹配,求得两帧点云的旋转变换矩阵与平移变换向量,得到无人车位姿的粗估计。ICP算法对初值敏感,初值选择不合适会使得迭代次数过多,影响算法的收敛速度,甚至陷入局部最优,导致算法失效。因而采用基于扩展高斯图像的快速配准方式求得两帧点云的变换,作为ICP算法的初值。同时ICP算法得到的无人车位姿估计虽然可能不是无人车真实位姿,却位于无人车真实位姿的高概率区域,因而进一步在该位姿粗估计附近进行基于高斯分布的撒点,实现粒子更新。(3)量化每个粒子所带局部地图与全局地图的匹配度,对每个粒子赋予重要性权值以评估粒子优劣。进一步选择最优粒子作为该时刻无人车位姿估计,并将该粒子所带局部地图加入全局地图,完成地图更新。其中匹配度的量化首先选择粒子所带局部地图与全局地图的重叠区域进行栅格化,然后基于PCA算法、高斯混合模型等对每个栅格赋予空、散射、水平线性、垂直线性、水平平面、垂直平面6个结构特性属性,最后匹配对应栅格,并将匹配度作为粒子的重要性权值。(4)在无人车平台上对算法进行仿真实验验证算法的有效性。分别在非结构化城市环境、简单结构化城市环境以及复杂结构化城市环境下进行仿真实验,本文算法均能实现跟踪无人车运动轨迹并同时构建出较准确的环境地图,验证了算法的有效性。
[Abstract]:In this paper , based on the traditional point cloud stitching algorithm - iteration nearest point ICP algorithm , this paper deals with the problem of unmanned vehicle SLAM in urban environment . ( 3 ) the matching degree of the local map and the global map of each particle is quantized , the importance weight value is given to each particle so as to evaluate the advantages and disadvantages of the particles .

【学位授予单位】：北京理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN958.98;TP242

【参考文献】