多传感器同步定位与地图构建技术研究
发布时间：2021-09-02 14:15
在移动机器人领域及智能驾驶领域,其关键技术之一就是同步定位与地图构建（Simultaneous localization and mapping,SLAM）技术。随着面临的场景越来越复杂和对定位技术的要求越来越高,基于单一传感器的定位技术在很多场合下其稳定性和建图精度都不能满足任务要求。本文提出了一种融合多线激光雷达、相机和IMU（Inertial measurement unit）的多传感器紧耦合SLAM技术,通过使用多个传感器的数据输入以获取更加丰富的环境特征,实现复杂环境下稳定性更好、精度更高的同步定位与地图构建的技术目标。首先,将多线激光雷达与相机进行联合标定,求解激光雷达与相机间的外参。由于相机采集的像素与激光雷达采集的点云具有稀疏性,很难找到点到点的对应关系,所以设计了面到面的匹配方法,在激光雷达采集的点云内分割一个特定三维平面,并在图像中找到与特定平面对应的像素平面,将像素平面的像素值恢复成空间三维点（简称3D点）。再使用点云配准算法求取3D点到3D点的变换矩阵,即可得到相机坐标系与激光雷达坐标系之间的外参矩阵,3D到3D的标定方式降低了因图像像素和点云的稀疏性造成的误差...
【文章来源】：长春理工大学吉林省
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
ORB 特征点匹配
第2章多线激光里程计与单目视觉里程计算法研究12图2.4对极几何解算深度示意图从代数角度分析图中的几何关系，设=[,,]Tpxyz为空间点的世界坐标。根据相机的针孔模型有：1p=Kp(2-5)2p=K(Rp+t)(2-6)其中K为相机内参，R和t为1O在世界坐标系到2O的旋转和平移。11Kpp=(2-7)12t(Kp)tRpΛΛ=(2-8)111222()()()TTKptKpKptRpΛΛ=(2-9)12t(KP)Λ与t和12(KP)都垂直所以得：-1210TTpKtRKpΛ=(2-10)其中EtRΛ=为本质矩阵，-T1FKtRKΛ=为基础矩阵，上式为对极约束，几何意义就是1O，2O与p三点共面，只要根据多对对应特征点，计算出E和F，就可以计算出R和t。由于E和F只相差了相机内参K，故只对E求解即可。EtRΛ=为3×3的矩阵，有9个参数，且本质矩阵E具有如下性质：(1)本质矩阵由对极约束定义，所以对E乘以任意常数，对极约束的等式依然成立，即E在不同尺度下是等价的；(2)本质矩阵的奇异值必定是[,,0]Tσσ的形式，为本质矩阵的内在性质；(3)旋转有3个自由度，平移有3个自由度，故E有6个自由度，但因为尺度等价性，E实际只有5个自由度。虽然5个自由度可以由5对点求解，但E的内在性质是非线性的，所以计算时很麻烦。又考虑到E的尺度等价性，采用经典的八点法(eight-pointalgorithm)[28-29]求解E的参数。
第2章多线激光里程计与单目视觉里程计算法研究20但计算速度很慢，不能满足SLAM系统的实时性要求。点云的曲率特征，是一个计算速度快，空间描述能力相对较强的特征，基于曲率特征，可以将点云的平滑点和边缘点区分出来，这里平滑点就是平面点，边缘点就是角点，角点是属于同一条直线的点，该直线表现出环境轮廓的边缘，曲率计算公式如下：(,)(,),(,)1()kikjjSjikiCXXSX∈≠=(2-55)k是第k帧点云数据，X表示点云中的点，i和j代表不同点，S代表在点(k,i)X的周围取得点的数量。设置曲率阈值maxC和曲率阈值minC，根据计算出的曲率值C，若C>maxC则为边缘点，即属于角点，若C<minC时，则为平滑点，即平面点。这里要对提取的特征点进行可信性判别，主要为了去除误差较大的特征点。判别依据为两条：(1)激光雷达的扫描光线与被测物表面平行的特征点剔除；(2)被遮挡的特征点剔除。XX12X3图2.6可信特征点判断如图所示，虚线为激光雷达扫描线，实线为被扫描物体表面，特征点12X,X为不可信特征点，1X可能为无限远点，2X存在被遮挡的可能，3X为可信特征点。图2.7点云帧提取的平滑点和边缘点图2.7为激光雷达采集的一帧点云数据，并对点云数据进行了特征点计算，其中
【参考文献】：
硕士论文
[1]基于IMU预积分的视觉惯性里程计系统[D]. 苏泫.华南理工大学 2018
[2]基于激光LIDAR的室外移动机器人三维定位与建图[D]. 韩明瑞.东南大学 2016
本文编号：3379161
【文章来源】：长春理工大学吉林省
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
ORB 特征点匹配
第2章多线激光里程计与单目视觉里程计算法研究12图2.4对极几何解算深度示意图从代数角度分析图中的几何关系，设=[,,]Tpxyz为空间点的世界坐标。根据相机的针孔模型有：1p=Kp(2-5)2p=K(Rp+t)(2-6)其中K为相机内参，R和t为1O在世界坐标系到2O的旋转和平移。11Kpp=(2-7)12t(Kp)tRpΛΛ=(2-8)111222()()()TTKptKpKptRpΛΛ=(2-9)12t(KP)Λ与t和12(KP)都垂直所以得：-1210TTpKtRKpΛ=(2-10)其中EtRΛ=为本质矩阵，-T1FKtRKΛ=为基础矩阵，上式为对极约束，几何意义就是1O，2O与p三点共面，只要根据多对对应特征点，计算出E和F，就可以计算出R和t。由于E和F只相差了相机内参K，故只对E求解即可。EtRΛ=为3×3的矩阵，有9个参数，且本质矩阵E具有如下性质：(1)本质矩阵由对极约束定义，所以对E乘以任意常数，对极约束的等式依然成立，即E在不同尺度下是等价的；(2)本质矩阵的奇异值必定是[,,0]Tσσ的形式，为本质矩阵的内在性质；(3)旋转有3个自由度，平移有3个自由度，故E有6个自由度，但因为尺度等价性，E实际只有5个自由度。虽然5个自由度可以由5对点求解，但E的内在性质是非线性的，所以计算时很麻烦。又考虑到E的尺度等价性，采用经典的八点法(eight-pointalgorithm)[28-29]求解E的参数。
第2章多线激光里程计与单目视觉里程计算法研究20但计算速度很慢，不能满足SLAM系统的实时性要求。点云的曲率特征，是一个计算速度快，空间描述能力相对较强的特征，基于曲率特征，可以将点云的平滑点和边缘点区分出来，这里平滑点就是平面点，边缘点就是角点，角点是属于同一条直线的点，该直线表现出环境轮廓的边缘，曲率计算公式如下：(,)(,),(,)1()kikjjSjikiCXXSX∈≠=(2-55)k是第k帧点云数据，X表示点云中的点，i和j代表不同点，S代表在点(k,i)X的周围取得点的数量。设置曲率阈值maxC和曲率阈值minC，根据计算出的曲率值C，若C>maxC则为边缘点，即属于角点，若C<minC时，则为平滑点，即平面点。这里要对提取的特征点进行可信性判别，主要为了去除误差较大的特征点。判别依据为两条：(1)激光雷达的扫描光线与被测物表面平行的特征点剔除；(2)被遮挡的特征点剔除。XX12X3图2.6可信特征点判断如图所示，虚线为激光雷达扫描线，实线为被扫描物体表面，特征点12X,X为不可信特征点，1X可能为无限远点，2X存在被遮挡的可能，3X为可信特征点。图2.7点云帧提取的平滑点和边缘点图2.7为激光雷达采集的一帧点云数据，并对点云数据进行了特征点计算，其中
【参考文献】：
硕士论文
[1]基于IMU预积分的视觉惯性里程计系统[D]. 苏泫.华南理工大学 2018
[2]基于激光LIDAR的室外移动机器人三维定位与建图[D]. 韩明瑞.东南大学 2016
本文编号：3379161
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3379161.html
