基于柱状特征与随机有限集的激光SLAM 方法研究.docxVIP

基于柱状特征与随机有限集的激光SLAM方法研究

摘要：传统的基于数据关联的同时定位与建图（simultaneouslocalizationandmapping，SLAM）方法易引起观测与目标之间的误匹配，进而导致位姿估计精度下降.结合柱状特征提取方法和随机有限集理论，提出一种基于序贯蒙特卡罗实现的车辆3D激光SLAM方法.利用M估计抽样一致性算法从分割后的点云中提取稳定的柱状特征，捕获单帧点云中的静态存活特征和新生特征；在Rao-Blackwellized-概率假设密度同时定位与建图（Rao-Blackwellizedprobabilityhypothesisdensity-simultaneouslocalizationandmapping，RB-PHD-SLAM）框架中引入两种特征，并运用序贯蒙特卡罗方法完成车辆轨迹概率密度和地图后验强度在帧间的传递，实现对环境特征和车辆位姿的同时估计.模拟数据集和KITTI数据集试验结果显示，与经典的FastSLAM算法相比，本文算法使车辆定位精度提升44.99%，并使环境特征位置估计和环境特征数量估计的平均误差分别降低49.24%和56.22%，显著提升了SLAM的运行精度和鲁棒性，有助于保障智能汽车的运行安全.

关键词：智能车辆；位置测量；特征提取；随机有限集；序贯蒙特卡罗

中图分类号：TP242.6文献标志码：A

在智能驾驶领域中，同时定位与建图（simultane?ouslocalizationandmapping，SLAM）是指未知环境中的车辆利用特定传感器获取环境信息，同时创建地图模型并估计自身运动的过程［1］.与视觉传感器相比，激光雷达不受环境光照影响，能更准确测量环境深度信息，因此激光SLAM在自动驾驶领域得到广泛应用［2-3］.

传统的基于滤波器的SLAM方法通常需要建立观测数据和特征状态之间的数据关联.这些方法通常使用不同的滤波器估计车辆位姿，然后为每个特征分配一个扩展卡尔曼滤波器（extendedKalmanfil?ter，EKF）来估计地图特征的状态.一些经典算法通常基于数据关联的方法实现，如EKF-SLAM算法［4］、FastSLAM算法［5］.常用的数据关联方法包括最近邻数据关联（nearestneighbordataassociation，NNDA）［6］，联合相容分支定界（jointcompatibilitybranchandbound，JCBB）［7］等.采用传感器对智能汽车的行驶环境进行检测时，采集的数据常常会受到杂波的影响，基于数据关联的SLAM算法很难在这些杂波的影响下表现出较好的性能［8-9］.因此，在杂波影响下如何保证车辆良好的定位和建图效果成为SLAM领域的关键问题之一.这一问题可以通过随机有限集（randomfinitesets，RFS）［9］的建模方法解决.随机有限集可表示为由多个随机变量组成的集合，该集合的特点是变量个数和状态都是随机且无序的.在基于RFS的SLAM算法中，地图特征和传感器量测将不再被建模为向量，而是采用有限集的形式进行描述.因此消除了地图特征与传感器观测之间的数据关联过程，从而避免了由数据关联错误导致的定位和建图效果不佳的问题.然而，地图特征和车辆轨迹的联合后验密度是耦合的，这制约了基于随机有限集的SLAM方法的实际应用.因此，Grisetti等［10］、Adams等［11］采用Rao-Blackwellized粒子滤波器（Rao-Blackwellizedparticlefilter，RBPF）对其进行解耦，解决了实际应用问题.根据滤波器的不同类型，RFS-SLAM可以分为基于概率假设密度（probabilityhypothesisdensity，PHD）滤波器［12］及其变种方法的SLAM，基于多伯努利（multi-Bernoulli，MB）滤波器［13］及其变种方法的SLAM.在以上算法中，车辆轨迹估计均依赖于粒子滤波器来实现，而地图特征的后验密度传递均依赖于基于随机有限集的滤波器来实现.对于这些滤波算法的实现，常用的方法是利用高斯混合模型（Gaussianmixturemodel，GMM）［14］，该模型可视为由多个单一高斯模型组合而成.使用高斯模型的原因在于其具备良好的数学性质和计算性能，但同时在处理非线性和非高斯问题上存在困难.针对这一问题，Vo等［15］提出了基于序贯蒙特卡罗（sequentialMonteCarlo，SMC）实现的概率假设密度滤波器，该方法不采用线性高斯近似模型，从原理上避免了GMM方法的局限性.

虽然基于滤波的SLAM技术已经取得了许多进展，但在智能