摘要
利用复杂三维环境地图信息实现车辆定位是自动驾驶汽车关键技术之一。然而，单移动扫描传感器测量定位误差、复杂动态场景下特征点匹配误差和传感器系统累计误差等误差因素导致同时定位和建图（SimultaneousLocalizationandMapping，SLAM）系统精确度不高、鲁棒性较差。为解决上述问题，本文利用3D激光雷达、单目相机和惯性测量单元融合构建紧耦合模型，建立双信息回环检测和多因子图优化的后端优化共同实现高鲁棒性和高精确度的SLAM系统。 本研究首先针对SLAM空间动态环境中移动物体特征点匹配误差导致定位精度不高以及鲁棒性差的问题，运用平面拟合算法处理陡坡地面分割，有效解决由于地面存在坡度导致的点云分割误差问题。提取地面静态点云线特征构建匹配关系，建立位姿估计点云约束，提高激光雷达惯性里程计位姿估计精确度。面对空间动态环境导致的特征点匹配误差，构建多分辨率的区域图像去除动态点，提高关键帧特征点匹配精确度。 其次，提出一种视觉和激光雷达紧耦合融合方案来计算自动驾驶车辆姿态，提高位姿估计的精确度和鲁棒性。紧耦合主要从两方面体现：一方面，激光雷达惯性里程计利用视觉惯性里程计中的重投影误差提高特征点匹配精度；另一方面，视觉惯性里程计利用激光雷达惯性里程计输出的系统状态和IMU参数来估计初始值，改善初始化的速度和鲁棒性。与此同时，将点云的深度信息投影至对应像素点，通过深度信息关联构建视觉特征点匹配深度约束，提高像素特征点匹配与跟踪性能。 然后，提出点云和像素融合的回环检测处理方法，提高算法的实时性，节约计算机算力。利用关键帧像素信息与数据库字典比对进行相似度计算来确定回环关键帧，通过联合标定信息将该帧点云投影至像素点，利用相似变换以及迭代最近点计算两帧的位姿变换。利用多约束的因子图优化提高全局位姿估计精度，其因子包含激光雷达里程计因子、IMU预积分因子、视觉惯性里程计因子和回环因子。 最后，使用官方KITTI数据集和校园自建数据集共同验证本文算法的性能。通过搭建实验平台，验证本文提出算法的鲁棒性、准确性以及实时性。
NETL