基于多线激光雷达的移动机器人SLAM技术研究
发布时间：2022-01-13 02:13
随着科技的发展,机器人正在慢慢的走进大众的视野,移动机器人作为机器人家族的重要组成部分也在快速的发展,其中在未知环境中即时定位与地图构建是移动机器人后续导航以及环境感知的必要条件,是移动机器人最终走向全面智能化运动过程中的关键性技术。本文针对室外无GPS的厂区环境,使用多线激光雷达为主要传感器,惯性测量单元作为辅助传感器,对厂区物流移动机器人的即时定位与环境地图构建问题进行研究。本文主要研究内容包括多线激光雷达原始数据预处理、帧间运动估计、环境地图构建及定位、算法对比及仿真验证四个部分。针对多线激光雷达采集到的点云数据存在运动畸变以及干扰点的问题,分析了运动畸变以及干扰点产生的原因,利用IMU的信息对激光点云的运动畸变进行了矫正,并使用一种基于深度图的办法有效的去除了干扰点。为了提高激光SLAM系统中相邻帧之间相对运动求解的精度,本文改进了传统的点云匹配求取相对运动的方法,使用多线激光雷达与IMU数据融合的办法来求取相邻帧之间的相对运动,通过数据集对比进行验证,该方法可以更加准确的求解出相邻帧之间的相对运动。在没有GPS提供绝对位置的条件下,机器人的定位误差会随时间累积逐渐增大。为了解...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
移动机器人SimultaneousLocalizationAndMappingSLAM
哈尔滨工业大学工学硕士学位论文-3-机为主要传感器的SLAM系统称为视觉SLAM[5]。视觉SLAM系统所使用的相机通常为单目相机、双目相机以及深度相机，如图1-2所示。a)单目相机b)双目相机c)深度相机图1-2常用视觉传感器单目相机价格低、模型简单，应用于SLAM系统时计算量小，但是单目相机每次只能获取一张图像，使用单张图像只能获取方向信息，无法获得尺度信息，从而导致构建地图时相机获取的特征点尺度恢复比较困难。双目相机可以在每次采集数据时获取两张图像，可以根据这两张图像进行匹配来恢复图像中点的深度信息，但是对于比较远处的点在恢复深度时无法恢复或者误差较大，而且恢复深度会增加计算量。深度相机在获取图像时可以同时获得一张彩色图像以及一张深度图像，从而很方便的获得深度信息，并且可以根据这个信息构建稠密的地图，但是深度相机测量深度的范围一般比较近，通常在5m以下，所以应用场景比较受限。视觉SLAM虽然具有传感器成本低、图像信息较为丰富的优点[5]，但相机本身属于被动感光传感器，在没有光照的条件下无法感知到环境信息，这就导致视觉SLAM系统无法在光照条件比较弱或者无光的条件下工作，对于室外光照不稳定的情况，视觉SLAM也无法很好的工作。视觉SLAM构建的地图通常为稀疏的特征点地图，如图1-3，这种地图无法反映出环境的结构信息。但是，视觉SLAM还是有很多值得借鉴的方法。Mono-SLAM[6]是第一个能够达到实时定位的SLAM系统，PTAM（ParallelTrackingAndMapping）[7]是SLAM历史上第一个使用多线程技术的SLAM系统，ORB-SLAM[8]以及ORB-SLAM2[9]是包括前端跟踪定位、后端位姿优化以及回环检测部分的完整SLAM系统。还有
哈尔滨工业大学工学硕士学位论文-4-一些视觉结合惯性测量单元（Inertialmeasurementunit，IMU）的SLAM系统，比如首个相机和IMU融合的MSCKF（Multi-StateConstraintKalmanFilter）[10]、首个基于优化方法的OKVIS[11]、可以运行在手机端的VINS-Mono[12]。图1-3特征点地图[8]以单线激光雷达为主要传感器的SLAM系统称为2D激光SLAM，单线激光雷达如图1-4。图1-4单线激光雷达单线激光雷达可以测得测量点到其自身坐标系的距离以及角度，测量精度较高，可以根据所获得的测量点的距离信息以及角度信息获取深度，但是单线激光雷达只能观测到一个平面的信息，信息量较为单一，有时也和编码器同时使用[13]，只适用于对三维空间信息没有要求的场景。2D激光SLAM所构建出的地图为二维栅格地图，如图1-5所示。2D激光SLAM也有很多代表性的方法。EKF-SLAM[15]开启了2D激光SLAM研究的大门，FastSLAM[16]首次将SLAM分解为移动机器人自身位姿估计问题以及基于已知位姿的建图，并且该方法可以实时的输出所构建出的栅格地图，Gmapping[17]是第一个融合轮式里程计的方法，Lu[18]是首个提出用图优化框架解决SLAM问题的作者，Karto-SLAM[19]是第一个意识到图优化系统稀疏性的方法，Cartographer[14]是目前效果最好的开源2D激光SLAM方法。
【参考文献】：
期刊论文
[1]基于NDT和ICP融合的点云配准方法[J]. 张桂杨,苑壮,陶刚. 北京测绘. 2019(12)
[2]智能无人系统最新研究和应用综述[J]. 崔娟娟,赵鹏,马文静,杜辉. 电子世界. 2019(18)
[3]智能物流研究综述[J]. 古贞. 物流工程与管理. 2019(09)
[4]基于激光雷达的同时定位与地图构建方法综述[J]. 危双丰,庞帆,刘振彬,师现杰. 计算机应用研究. 2020(02)
[5]移动机器人SLAM关键问题和解决方法综述[J]. 杨雪梦,姚敏茹,曹凯. 计算机系统应用. 2018(07)
[6]海量三维扫描点云数据预处理方法[J]. 程俊廷,郭博洋,卢建军. 电子技术与软件工程. 2018(11)
[7]视觉SLAM综述[J]. 权美香,朴松昊,李国. 智能系统学报. 2016(06)
[8]基于单目视觉的同时定位与地图构建方法综述[J]. 刘浩敏,章国锋,鲍虎军. 计算机辅助设计与图形学学报. 2016(06)
[9]基于KDTree改进的ICP算法在点云配准中的应用研究[J]. 郭俊辉. 微型机与应用. 2015(14)
博士论文
[1]MEMS-IMU误差分析补偿与实验研究[D]. 代刚.清华大学 2011
硕士论文
[1]动态场景中交通标志物重建和相机轨迹闭环矫正算法研究[D]. 田琪.哈尔滨工业大学 2019
本文编号：3585861
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
移动机器人SimultaneousLocalizationAndMappingSLAM
哈尔滨工业大学工学硕士学位论文-3-机为主要传感器的SLAM系统称为视觉SLAM[5]。视觉SLAM系统所使用的相机通常为单目相机、双目相机以及深度相机，如图1-2所示。a)单目相机b)双目相机c)深度相机图1-2常用视觉传感器单目相机价格低、模型简单，应用于SLAM系统时计算量小，但是单目相机每次只能获取一张图像，使用单张图像只能获取方向信息，无法获得尺度信息，从而导致构建地图时相机获取的特征点尺度恢复比较困难。双目相机可以在每次采集数据时获取两张图像，可以根据这两张图像进行匹配来恢复图像中点的深度信息，但是对于比较远处的点在恢复深度时无法恢复或者误差较大，而且恢复深度会增加计算量。深度相机在获取图像时可以同时获得一张彩色图像以及一张深度图像，从而很方便的获得深度信息，并且可以根据这个信息构建稠密的地图，但是深度相机测量深度的范围一般比较近，通常在5m以下，所以应用场景比较受限。视觉SLAM虽然具有传感器成本低、图像信息较为丰富的优点[5]，但相机本身属于被动感光传感器，在没有光照的条件下无法感知到环境信息，这就导致视觉SLAM系统无法在光照条件比较弱或者无光的条件下工作，对于室外光照不稳定的情况，视觉SLAM也无法很好的工作。视觉SLAM构建的地图通常为稀疏的特征点地图，如图1-3，这种地图无法反映出环境的结构信息。但是，视觉SLAM还是有很多值得借鉴的方法。Mono-SLAM[6]是第一个能够达到实时定位的SLAM系统，PTAM（ParallelTrackingAndMapping）[7]是SLAM历史上第一个使用多线程技术的SLAM系统，ORB-SLAM[8]以及ORB-SLAM2[9]是包括前端跟踪定位、后端位姿优化以及回环检测部分的完整SLAM系统。还有
哈尔滨工业大学工学硕士学位论文-4-一些视觉结合惯性测量单元（Inertialmeasurementunit，IMU）的SLAM系统，比如首个相机和IMU融合的MSCKF（Multi-StateConstraintKalmanFilter）[10]、首个基于优化方法的OKVIS[11]、可以运行在手机端的VINS-Mono[12]。图1-3特征点地图[8]以单线激光雷达为主要传感器的SLAM系统称为2D激光SLAM，单线激光雷达如图1-4。图1-4单线激光雷达单线激光雷达可以测得测量点到其自身坐标系的距离以及角度，测量精度较高，可以根据所获得的测量点的距离信息以及角度信息获取深度，但是单线激光雷达只能观测到一个平面的信息，信息量较为单一，有时也和编码器同时使用[13]，只适用于对三维空间信息没有要求的场景。2D激光SLAM所构建出的地图为二维栅格地图，如图1-5所示。2D激光SLAM也有很多代表性的方法。EKF-SLAM[15]开启了2D激光SLAM研究的大门，FastSLAM[16]首次将SLAM分解为移动机器人自身位姿估计问题以及基于已知位姿的建图，并且该方法可以实时的输出所构建出的栅格地图，Gmapping[17]是第一个融合轮式里程计的方法，Lu[18]是首个提出用图优化框架解决SLAM问题的作者，Karto-SLAM[19]是第一个意识到图优化系统稀疏性的方法，Cartographer[14]是目前效果最好的开源2D激光SLAM方法。
【参考文献】：
期刊论文
[1]基于NDT和ICP融合的点云配准方法[J]. 张桂杨,苑壮,陶刚. 北京测绘. 2019(12)
[2]智能无人系统最新研究和应用综述[J]. 崔娟娟,赵鹏,马文静,杜辉. 电子世界. 2019(18)
[3]智能物流研究综述[J]. 古贞. 物流工程与管理. 2019(09)
[4]基于激光雷达的同时定位与地图构建方法综述[J]. 危双丰,庞帆,刘振彬,师现杰. 计算机应用研究. 2020(02)
[5]移动机器人SLAM关键问题和解决方法综述[J]. 杨雪梦,姚敏茹,曹凯. 计算机系统应用. 2018(07)
[6]海量三维扫描点云数据预处理方法[J]. 程俊廷,郭博洋,卢建军. 电子技术与软件工程. 2018(11)
[7]视觉SLAM综述[J]. 权美香,朴松昊,李国. 智能系统学报. 2016(06)
[8]基于单目视觉的同时定位与地图构建方法综述[J]. 刘浩敏,章国锋,鲍虎军. 计算机辅助设计与图形学学报. 2016(06)
[9]基于KDTree改进的ICP算法在点云配准中的应用研究[J]. 郭俊辉. 微型机与应用. 2015(14)
博士论文
[1]MEMS-IMU误差分析补偿与实验研究[D]. 代刚.清华大学 2011
硕士论文
[1]动态场景中交通标志物重建和相机轨迹闭环矫正算法研究[D]. 田琪.哈尔滨工业大学 2019
本文编号：3585861
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3585861.html
