摘要
SLAM(Simultaneous Localization and Mapping，同步定位与建图)技术可通过载体自身携带的传感器实时估计自身运动以及构建环境地图，是无人机在GPS拒止环境下实现自主定位与导航的关键技术。激光雷达作为一种可以主动探测环境信息的传感器，一直是SLAM领域研究的热点，而近年来精度更高且更加鲁棒的多传感器融合SLAM技术得到了快速发展。本文以向GPS拒止环境下的无人机提供准确、可靠的运动信息和环境地图为目的，重点对基于激光雷达与IMU(Inertial Measurement Unit,惯性测量单元)融合的SLAM算法进行研究，并使用四旋翼无人机平台进行实验验证。本文的主要研究内容如下： (1)针对GPS拒止环境下无人机的自主定位与建图问题，提出了激光雷达与IMU松耦合的SLAM算法。该算法利用IMU测量的加速度与角速度，基于ESKF(Error-State Kalman Filter，误差卡尔曼滤波)获取高频IMU位姿估计。并基于平滑度从雷达点云提取特征，通过帧间最邻近点匹配构造约束，再利用L-M法在线优化求解位姿。将两种位姿估计相结合得到完整无人机位姿估计。此外，进一步采用特征点与点云地图进行匹配优化的方法提升位姿估计精度，同时扩充点云地图。最后通过室内外多种场景下的实验验证了算法的有效性。 (2)针对低特征环境下雷达IMU松耦合SLAM对环境适应性与精度下降的问题，在松耦合算法的基础上，提出了激光雷达与IMU紧耦合的SLAM算法。该算法使用IMU加速度与角速度信息构造连续帧之间的IMU预积分约束，同时利用点云特征与局部地图匹配构造点云约束，基于随机一致性算法拟合地面构造地面约束。相比松耦合算法，约束的种类更加充分。并设计了基于滑动窗口的多状态非线性优化模型，利用所有约束共同优化求解得到无人机位姿。此外，设计了带约束的地图层匹配方法以提升位姿估计的精度，同时构建点云地图。 (3)针对SLAM算法长时间运行时因为累积误差导致的地图不一致性问题，采用了基于位姿图优化的回环检测方法。在无人机运动时持续向位姿图中添加节点和约束边。当无人机经过重复位置时，检测并添加回环约束，然后进行全局位姿图优化来消除累积误差，同时重新拼接点云得到全局一致的点云地图。然后针对点云地图不适用于无人机导航的问题，设计了基于哈希表的增量式占据体素地图构建方法，所有体素通过哈希表与顺序数组结合进行索引。这种方法在保持建图速度的基础上节省大量内存，适用于计算资源受限的无人机平台。最终，本文的SLAM算法为无人机提供了准确、可靠的无人机运动信息以及占据体素形式的环境地图。
NETL