一种基于地磁信号的激光同时定位与建图的闭环检测方法.docVIP

一种基于地磁信号的激光同时定位与建图的闭环检测方法

导语：?激光同时定位与建图(SimultaneousLocalizationandMapping，SLAM)技术在激光干扰或结构高度相似的环境中，容易产生闭环误检。针对这一问题，该研究提出一种闭环粗匹配与地磁特征筛选闭环检测算法。通过在闭环检测环节中加入地磁匹配算法，对候选闭环检测位姿节点集进一步筛选，降低了传统激光闭环检测的误检现象，并对定位与建图环境中由于反射与透射干扰而引起的误检测与建图失真进行修正。该研究采集了真实的激光点云与地磁信号数据集，并将所研究算法与传统激光SLAM进行了对比。实验结果显示，该算法在匹配速度和准确率上都有明显提升，与Google的Cartographer算法相比，在闭环检测速度上提升了31%，在0.8召回率的情况下闭环检测的误检率降低了23%，提升了SLAM技术在激光干扰条件下工作的稳定性。

1引言同时定位与建图(SimultaneousLocalizationandMapping，SLAM)技术自1988

年被提出以来，主要用于研究移动机器人的智能化。目前配备了激光雷达、摄像头、惯性导航模块(InertialMeasurementUnit，IMU)

等关键传感设备的智能载体借助SLAM技术已经能满足室内场景的自主导航任务。SLAM技术是在未知环境中实现自主定位的关键技术，

而基于激光雷达同时定位与地图构建(激光SLAM)的技术广泛应用在无人驾驶、室内外机器人导航及三维重建等领域。激光SLAM

之所以能作为无人驾驶定位方案中不可或缺的技术，其主要原因在于：(1)激光SLAM无需对定位场景进行预先布置，即能在未知的环境中进行定位服务;(2)

激光能准确测量障碍点的角度与距离;(3)能在光线较差、光照变化较大的环境下工作;(4)能够生成便于导航的栅格地图与直观的点云地图。前谷歌无人车领导者SebastianThrun在其2005

年出版的经典著作《概率机器人》一书中介绍了如何基于概率滤波的方法使用二维激光雷达进行地图构建和定位。该书详细阐述了从基于RB粒子滤波

(Rao-BlackwellisedParticleFilter，RBPF)的经典FastSLAM算法，逐步发展成为基于激光雷达建图标准

GMapping算法的过程[4]。2016年，Google开源其优化的激光SLAM算法Cartographer，该算法改进了GMapping

计算耗时且无法有效处理闭环的缺点，利用帧间点云地图匹配与子地图构建思想有效地弥补了GMapping的缺陷。尽管激光SLAM

技术可以在一定场景下满足定位精度的要求，但是难以在全工况的自动驾驶场景中提供持续、稳定的高精度定位输出。另外，由于定位场景的结构相似性且激光点云对环境的描述能力不足，容易发生

SLAM的闭环检测误报(FalsePositives)现象，从而降低系统定位与建图性能。本研究旨在通过将地磁信号与激光SLAM的闭环检测环节融合，

提出激光SLAM

在应对结构相似性及激光强干扰场景下的定位与建图任务时的创新解决方法。同时，本研究将此技术应用到无人驾驶的定位与建图领域，实现了无人驾驶汽车全天候、全地域的精准基于矩阵补全的无人车定位，提升了无人驾驶汽车定位算法的精准性与稳定性。2相关研究进展2.1激光SLAM闭环检测近年来一些国外学者为解决闭环检测误报现象对SLAM系统的影响，提出了闭环验证算法。Bosse与Roberts

的工作提出，利用熵序列之间的最大相关性之和与投影直方图的验证度量来估计闭环检测的正确性，并在此基础上提升了闭环检测的正确率。Granstrom

等提出了基于变换后扫描并在最后配准的闭环检测验证标准。Corso

提出在室内环境中严格处理闭环验证时，由于闭环的现象可以从多种传感器的数据源中被检测到，因此应将闭环验证算法与闭环检测算法分成两个方向进行研究。此外，Gao与

Harle在已有报道的基础上，提出将地磁序列信号的匹配定位方法用于矫正基于PDR(PedestrianDeadReckoning)的SLAM

闭环检测环节，以此来提高行人步态检测与定位的精度。(a)(c)闭环误检与错误定位(d)环境干扰中的错误建图图1常见闭环误检干扰及错误定位与建图2.2闭环检测模型闭环检测是指无人车经过一段较长行程并再次回到曾经历过的位置时，对地图中曾观测到