融合激光SLAM实现无人驾驶轮椅空间定位优化

移动机器人空间定位是实现无人驾驶的重要环节,但仅使用单一传感器进行定位会产生定位误差,且误差会不断累积。为提高对移动机器人的空间定位精度,提出了一种融合3种传感器的空间定位方法,即激光雷达（LiDAR）、惯性测量单元（IMU）、光电编码器三种传感器。首先,采用扩展卡尔曼滤波算法融合了基于距离流算法的光电里程计信息、IMU偏航数据信息及双光电编码器的轮式里程计信息;其次,通过对扩展卡尔曼滤波进行差分改进来消除在融合过程中因存在两个绝对姿态信息而产生的振荡现象;最后,在自主搭建的无人驾驶轮椅移动平台上对优化后的定位精度进行了实验验证。经多次重复实验的结果表明,多传感器融合优化后的轨迹在定位偏差最值和绝对误差均值方面均较真实运动轨迹有明显降低,且环境越复杂优化效果越好,表明所提方法可有效提高无人驾驶轮椅的空间定位精度。     

实现激光点云高效配准的ICP优化及性能验证

激光点云常规匹配算法是迭代最近点(Iterative Closest Point, ICP)算法,但其收敛速度慢、鲁棒性差,因此,提出一种融合多种优化算法的激光点云高效ICP配准方法。首先对点云体素滤波降采样,通过ISS算子提取关键点,采用快速点特征直方图(Fast Point Feature Histograms, FPFH)提取关键点特征,嵌入多核多线程并行处理模式 (OpenMP)提高特征提取速度;然后基于提取的FPFH特征,使用采样一致性初始配准算法(Sample Consensus Initial Alignment, SAC-IA)进行相似特征点粗配准,获取点云集间的初始旋转平移变换矩阵;最后采用ICP算法进行精配准,同时采用最优节点优先(Best Bin First, BBF)优化K-D tree近邻搜索法来加速对应关系点对的搜索,并设定动态阈值消除错误对应点对,提高配准快速性和准确性。对两个实例的配准点云进行了实验验证,结果表明,提出的优化配准算法具有明显速度优势和精度优势。