同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)是无人驾驶汽车在未知环境下实现自主导航、路径规划等功能的核心技术之一。由于实际行驶环境的复杂多变以及智能化要求的不断提高,基于单一传感器的传统SLAM算法难以...
详细信息
同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)是无人驾驶汽车在未知环境下实现自主导航、路径规划等功能的核心技术之一。由于实际行驶环境的复杂多变以及智能化要求的不断提高,基于单一传感器的传统SLAM算法难以很好地满足现阶段无人驾驶汽车对于鲁棒定位与环境建图的需求,更无法支撑其对行驶环境进行高层次的理解。因此本文提出一种基于多模态传感器融合的定位与建图算法LADVISLAM,一方面通过融合不同模态的传感器实现性能互补,提高算法面对未知行驶环境的鲁棒性,另一方面利用神经网络弥补传统SLAM的感知局限,在削弱动态物体干扰的同时为地图增添语义信息。本文主要研究内容如下:(1)为有效结合激光准确的深度测量与视觉强大的纹理感知优势,提出一种基于激光与视觉融合的深度视觉感知算法。首先根据相机的成像模型完成点云至深度图像的异质数据转换,然后利用视觉约束实现像素间的密集对齐。同时为解决点云自身稀疏性带来的深度缺失问题,采用自适应膨胀核完成稀疏深度图的快速稠密化,通过双边滤波平滑图像后得到最终的深度视觉感知结果,并将其耦合至LADVI-SLAM的数据融合预处理模块,以提升其面对不同行驶环境的适应性与鲁棒性。(2)针对动态物体导致传统SLAM定位精度下降,建图出现拖影的问题,提出一种基于几何一致性与语义信息联合约束的动态物体检测算法。首先基于Bi Se Net V2神经网络建立行驶环境下不同目标的先验运动概率模型,然后利用对极几何判断潜在运动目标内部特征点的真实运动状态,通过两者的联合约束完成对象级别的动态物体检测。在全面剔除动态特征点的基础上,进一步实现了一种面向动态行驶环境的深度视觉惯性里程计作为LADVI-SLAM的前端,从而为无人驾驶汽车提供更加可靠的定位结果。(3)针对传统激光点云地图缺乏颜色、纹理以及更高层次语义信息的问题,提出一种基于三维正太分布变换(3D Normal Distribution Transform,3D-NDT)匹配的稠密点云地图构建算法,用以支撑LADVI-SLAM的地图构建功能。首先通过深度视觉感知生成携带颜色信息的高密度三维点云,利用动态物体检测算法在剔除运动拖影的同时赋予点云语义信息,然后采用scan-to-map的方式构建出全局最优的点云地图,最后基于空间结构与加权投票机制对地图进行优化。(4)基于KITTI公开数据集与实车场景对本文提出的LADVI-SLAM算法进行实验验证,结果表明,相较于对比算法,LADVI-SLAM能够更好地适应不同类型的行驶环境,定位精度更高,构建出的彩色点云地图与语义地图在包含更多信息的基础上具备更好的全局一致性。
暂无评论