非结构化道路中的无人驾驶精确定位大量使用基于激光雷达的simultaneous localization and mapping(SLAM)技术,解决因环境变化导致的预建地图匹配失败,进而引起定位丢失的问题一直是业内难题和热点研究方向之一。针对上述问题,提出一种...
详细信息
非结构化道路中的无人驾驶精确定位大量使用基于激光雷达的simultaneous localization and mapping(SLAM)技术,解决因环境变化导致的预建地图匹配失败,进而引起定位丢失的问题一直是业内难题和热点研究方向之一。针对上述问题,提出一种利用激光雷达和惯性测量单元在normal distribution transform(NDT)定位基础上融合实时局部地图匹配的长周期鲁棒定位方法online location normal distributions transform(OL-NDT)。OL-NDT将NDT获得的定位信息作为测量信息因子输入因子图中优化实时构建的局部地图,并且在其全局定位丢失后采用实时局部地图进行定位。在MulRan数据集上进行定位精度测试,OL-NDT的累计误差占比为0.40%,较现有的传统定位方法降低了1.06个百分点,定位精度得到了有效提升,且在静态结构发生较大变化的场景下也可以精准定位。同时,利用在北京联合大学采集的校园数据验证了在短暂无地图情况下OL-NDT的定位轨迹精度与已知地图时完全匹配。
针对视觉SLAM(simultaneous localization and mapping)算法在动态环境下容易出现重定位失败的问题,提出了一种基于自身运动约束的动态SLAM算法。采用YOLOv5s初步区分前景与背景特征点,仅利用背景特征点进行位姿初始化;利用IMU位姿信息...
详细信息
针对视觉SLAM(simultaneous localization and mapping)算法在动态环境下容易出现重定位失败的问题,提出了一种基于自身运动约束的动态SLAM算法。采用YOLOv5s初步区分前景与背景特征点,仅利用背景特征点进行位姿初始化;利用IMU位姿信息不受动态环境影响的特性,计算每个特征点的自身运动约束值;根据背景特征点的特征约束结果设计了动态概率模型,自适应确定当前帧特征点约束的动态阈值,去除动态特征点并更新相机位姿。使用仿真数据集和真实环境数据集进行了实验验证。实验结果表明,在仿真数据集中,该方法能去除沿极线运动的特征点,相较于Dyna-SLAM,在均方根误差和标准差两项指标的提升率为87.81%和83.17%,相较于AirDos提升率分别为51.62%和41.91%。真实动态环境中重定位能力强于Dyna-SLAM,较AirDos无明显精度提升但运行速度提升29.48%。
暂无评论