考虑颠簸路况的改进LeGO-LOAM算法.pdfVIP

摘要

同时定位与建图（SLAM,Simultaneouslocalizationandmapping）是一种利

用外部传感器获取环境信息并构建环境模型以实现车辆位姿估计的技术。相比

于基于相机的SLAM，基于激光雷达的SLAM提供更准确的深度信息，并适应复

杂环境和极端光照条件，因此在自动驾驶领域中不可替代。

然而，颠簸路况会导致车辆短时间内产生大幅度姿态变化，对激光雷达数

据产生较大运动畸变，降低点云数据准确性；同时，车辆倾斜会降低激光雷达

在垂直方向的视野范围，使点云特征分布不均匀，降低位姿估计准确性。为解

决这些问题，本文提出一种基于LeGO-LOAM以点云分段-拼接为核心思想的激

光雷达SLAM算法。

本文提出了一种基于点到平面距离的颠簸状态检测算法，以应对颠簸路况

造成的点云匹配阶段迭代求解目标函数的非连续性，从而避免无法计算导数导

致迭代求解过程无法正确收敛的问题。通过对场景中相邻帧点云数据的垂直位

姿变化进行检测，确定车辆经过颠簸的起始和终止时刻，并剔除颠簸时段的点

云数据。

为保证颠簸前后定位及建图流程的完整性，本文通过递归封装和算法重构

对LeGO-LOAM算法流程进行改进，实现基于递归结构的点云分段策略。根据颠

簸的起始和终止时刻作为分界点，将非颠簸时刻的点云数据按时间顺序分割成

多个不同长度的点云段，并对每个点云段进行独立的段内处理，获得对应的段

内车辆位姿和点云地图。

为保证整体定位及建图的一致性，本文基于颠簸期间的匀速运动假设，实

现相邻点云段的拼接工作。假设车辆在颠簸开始时刻到颠簸结束时刻保持颠簸

开始前一时刻的速度行驶，将颠簸结束后点云段内的车辆位姿及其对应点云数

据的坐标转换到颠簸开始前点云的坐标系下。随后，进行全局优化，以获得精

确的车辆位姿和点云地图。

最后，利用实验车辆在不同场景下采集激光雷达扫描数据，对比分析改进

算法和LeGO-LOAM算法在定位误差和建图质量方面的性能。实验结果表明，相

比LeGO-LOAM算法，本文方法在颠簸路况下实现了更高的定位准确度和建图

质量。

关键词：激光雷达SLAM；定位；建图；颠簸路况；点云分段与拼接

Abstract

SimultaneousLocalizationandMapping(SLAM)isatechnologythatutilizes

externalsensorstogatherenvironmentalinformationandconstructanenvironment

modelforvehicleposeestimation.Comparedtocamera-basedSLAM,laser-based

SLAMprovidesmoreaccuratedepthinformationandismoresuitableforcomplex

environmentsandextremelightingconditions.Therefore,itisindispensableinthe

fieldofautonomousdriving.

However,bumpyroadconditionscancausesignificantposechangesinthe

vehiclewithinashortperiod,leadingtosignificantmotiondistortioninthelaserdata

andreducedaccuracyofthepointclouddata.Additionally,vehicletiltingreducesthe

verticalfieldofviewofthelasersensor,resultinginunevendistributionofpoint

cloudfeaturesanddecreasedaccuracyofposeestimation.Toaddresstheseissues,

thispaperproposesalidar-