基于多传感器融合的智能汽车SLAM关键技术研究.pdfVIP

基于多传感器融合的智能汽车SLAM关键技术研究

摘要

随着我国加快建设制造强国、科技强国、交通强国的步伐，推动智能汽车领域发展

已经成为国家重点战略，是国家经济战略转型的重要抓手。智能汽车能够在行驶过程中

自主进行环境感知并控制车辆运行，有效增加汽车驾驶的舒适性和安全性。由于智能汽

车运行环境十分复杂，现有技术难以实现全场景下的准确环境感知。因此，环境感知技

术是目前制约智能汽车快速落地的瓶颈。同时定位与环境地图构建(Simultaneous

LocalizationandMapping，SLAM)是智能汽车实现环境感知的关键技术，不仅能够准确

构建周围环境的三维高精地图用于路径规划，同时能够输出准确的车辆定位信息用于车

辆控制。然而，智能汽车在城市环境中极易受到汽车快速运动、感知传感器受限场景(例

如狭长隧道、开阔广场以及明暗交替场景等)、动态目标干扰等因素的影响，导致已有

的SLAM方法在上述复杂城市环境中的性能下降甚至失效，从而无法为智能汽车提供准

确的环境感知结果。因此，提升复杂城市环境中智能汽车SLAM的性能是目前环境感知

技术亟需解决的关键问题。为此，本论文首先研究了基于因子图的激光雷达-IMU融合

SLAM技术，提升智能汽车在快速运动条件下的SLAM精度；然后在激光雷达-IMU融

合SLAM基础上添加视觉观测信息，研究基于混合数据关联的激光雷达-视觉-IMU融合

SLAM技术，实现在感知传感器性能受限场景下的稳定SLAM；最后研究基于多目标跟

踪(MultiObjectTracking，MOT)的激光雷达-视觉-IMU融合SLAM技术，提升智能汽

车在动态场景中的定位和建图精度。本论文包含的具体研究内容如下所示：

1、基于因子图的激光雷达-IMU融合SLAM技术。首先，针对已有IMU预积分算

法在快速运动场景中积分精度下降问题，提出采用单子样+前一子样(SingleSampleplus

PreviousSample，SSPS)的方法对IMU数据进行预积分，有效补偿快速运动条件下传统

IMU预积分算法中存在的不可交换误差，从而实现快速运动条件下准确的车辆状态预

测。同时，基于SSPS的预积分方法能够保证状态更新频率与原始IMU数据一致，便于

后续对状态进行插值以去除激光雷达点云中的运动畸变。然后，为了实现因子图框架下

的激光雷达-IMU紧耦合，推导了基于SSPS的IMU预积分因子，利用IMU数据实现因

子图框架下的状态约束。接下来，针对已有的运动畸变去除算法忽略IMU噪声影响，

导致其在快速运动条件下对运动畸变去除精度下降的问题，提出基于多输出高斯过程回

归(MultiOutputGaussianProcessRegression，MOGPR)的运动畸变去除算法，实现对

SSPS预积分状态的高精度概率插值，进而提升快速运动场景下的畸变去除精度，并通

I

哈尔滨工程大学博士学位论文

过点云配准算法构建高精度的激光雷达里程计因子。最后，基于已经构建的SSPS预积

分因子和激光雷达里程计因子，利用因子图框架构建目标函数，并采用列文-马跨尔特

方法优化目标函数，从而估计载体状态与IMU零偏，实现快速运动场景中的高精度定

位与建图。同时利用更新的IMU零偏对IMU数据进行修正，进一步提升快速运动条件

下IMU预积分精度和激光雷达点云运动畸变去除精度。

2、基于混合数据关联的激光雷达-视觉-IMU融合SLAM技术。针对复杂城市环境

中感知传感器面临性能受限场景，提出一种稳定的激光雷达-视觉-IMU融合SLAM技术，

通过构建激光雷达-IMU子系统与视觉-IMU子系统，利用两个子系统对车辆状态的冗余

估计，实现在感知传感器性能受限场景中的稳定SLAM。然后采用平面投影点和特征点

构建的混合重投影误差作为视觉-IMU子系统中误差状态迭代卡尔曼滤波(ErrorState

IteratedKalmanfilter,ESIKF)的观测量，提升激光雷达-视觉-IMU融合SLAM在复杂城

市环境中的状态估计精