同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)是移动机器人实现自主导航的关键技术。移动机器人的应用环境较为复杂,在特征密集的大场景环境中,SLAM算法的性能受到很大的影响。与基于滤波的SLAM算法相比,基于图优化...
详细信息
同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)是移动机器人实现自主导航的关键技术。移动机器人的应用环境较为复杂,在特征密集的大场景环境中,SLAM算法的性能受到很大的影响。与基于滤波的SLAM算法相比,基于图优化的SLAM算法具有实时性更高,能够建立大场景的地图,累积误差更小等优点。但是经典的图优化SLAM算法在复杂环境中运用时,存在局部建图的估计精度低、参数调节工作量大等问题,严重影响实际应用。因此本文就如何提高SLAM算法定位与建图的精度进行研究,并给出算法参数的调整方法,这对促进SLAM算法的应用,推动移动机器人产业的发展具有重要的理论意义。具体研究内容如下:(1)针对Cartographer算法参数的数量多,参数之间互相影响,导致调节参数工作量大等问题,本文提出一种参数调整的方法。对Cartographer算法的参数进行分模块研究,分析各参数的设计原理以及取值范围。通过调节参数的值在标准数据集下运行算法,根据评价指标对运行结果进行分析,给出参数的合适取值以及调整方法。(2)针对Cartographer算法在多传感器数据处理中,存在点云中的离群点和噪声影响点云匹配的精度,以及位姿融合算法精度不高的问题,提出一种基于混合滤波算法和速度积分位姿融合的SI-Cartographer算法。首先,改进选点策略优化体素滤波算法的重采样过程,提高滤波效率。并引入半径滤波,提出一种混合滤波算法,以提高点云质量。然后,在融合观测位姿、里程计数据和惯性测量单元数据的算法中,引入速度积分改进位姿融合方法以提升点云匹配的准确性。最后,在使用数据集验证算法回环检测性能和定位精度的测试实验中,比较SI-Cartographer、Cartographer和A-LOAM三种算法。实验结果表明,与后两者算法相比,本文提出的SI-Cartographer算法构建的地图更精确、轨迹误差小。(3)搭建了一个能够进行实时定位和地图构建的室内移动机器人实验平台。对移动机器人的硬件系统和软件系统进行分析,并在实验平台上验证本文提出的参数调整方法和SI-Cartographer算法的可行性与有效性。
暂无评论