融合视觉点线特征及激光点云的SLAM算法研究.pdfVIP

融合视觉点线特征及激光点云的SLAM算法研究

摘要

移动机器人已经广泛应用于人类生活的许多领域，如自动化仓储、清洁服务、医疗

护理等任务。其中，同时定位和地图构建(SimultaneousLocalizationandMapping,SLAM)

在移动机器人中扮演着重要的角色，它使机器人能够在未知环境中进行自主导航和定位。

激光SLAM和视觉SLAM是两种常见的SLAM方法。激光SLAM具有高精度和强鲁棒

性，可以在低光照条件下工作；其缺点在于激光点云较难提取语义信息且激光雷达价格

高昂。相比之下，视觉SLAM成本低廉且易于使用，但易受环境光照和视野范围的影

响，难以应对光照不足和缺乏纹理的场景。

为克服基于单一传感器的SLAM算法的缺点，提升算法的鲁棒性及精度，本文研究

融合视觉点线特征及激光点云的SLAM算法，主要研究内容及完成工作如下：

(1)提出激光、视觉融合SLAM框架。针对激光SLAM算法以及视觉SLAM算法

的缺点，提出了激光、视觉融合SLAM框架并设计了激光、视觉融合策略。融合策略主

要包括：基于激光里程计的视觉SLAM初始化策略、基于激光点云的视觉特征重建策

略、基于视觉里程计的激光点云畸变矫正策略以及基于视觉辅助的回环检测策略。实验

结果表明，本文提出的融合策略能有效提升SLAM算法的性能。

(2)提出改进的线段特征提取算法。针对原有线段检测算法提取速度较慢且极易提

取出不稳定的线段特征的缺点，提出隐藏参数调整策略及线段长度阈值限制策略。针对

图像中几何位置相邻的断线，提出断线合并算法。实验结果表明，改进后算法能有效获

取稳定的线段特征且处理单帧图像的速度比原LSD算法快2.4倍。

(3)融合视觉线特征。为提升算法鲁棒性及精度，在视觉SLAM后端优化中引入了

空间直线重投影约束。主要设计了空间直线重投影残差，并推导了空间直线重投影残差

的雅可比矩阵。

(4)基于M2DGR数据集及自建数据集的算法性能测试。在M2DGR数据集上，本

文提出的算法的定位精度及鲁棒性优于Vins-Mono、PL-VINS、LIO-SAM等SLAM算

法。本文算法的平均均方根误差为0.998米，较LIO-SAM、Vins-Mono、PL-VINS等算

法的平均均方根误差下降约20%、80%、86%。在自建数据集上，本文提出算法的最大

平移误差约为0.674米。

关键词：多传感器融合；激光SLAM；视觉SLAM；点线特征

融合视觉点线特征激光点云的SLAM算法研究

Abstract

Mobilerobotshavebeenwidelyusedinmanyareasofhumanlife,suchasautomated

warehousing,cleaningservices,medicalcareandothertasks.Amongthem,Simultaneous

LocalizationandMapping(SLAM)playsanimportantroleinmobilerobots,whichenables

robotstonavigateandlocalizeautonomouslyinunknownenvironments.LidarSLAMand

VisualSLAMaretwocommonSLAMmethods.LidarSLAMhashighprecisionandstrong

robustness,andcanworkunderlowlightconditions;itsdisadvantageisthatitisdifficultto

extractsemanticinformationfromlidarpointcloudsandthepriceoflidarishigh.Incontrast,

VisualSLAMischea