摘要
随着移动机器人应用的日益广泛，其自主导航所需要的精准定位和高质量三维地图构建变得尤为重要。本文针对基于多传感器融合的全局定位与建图优化方法进行了深入研究，旨在提高移动机器人在动态环境中的定位精度和鲁棒性，以及地图构建的准确性和一致性。主要研究内容包括: （1）针对地图更新和动态环境对定位鲁棒性带来的挑战，以及现有方法对视点变化和激光雷达扫描模式适应性不足的问题，提出了一种改进的基于多源信息融合的全局定位方法。方法采用基于多传感器融合的里程计，以辅助地图匹配过程，并通过重力方向约束下的四自由度点云配准方法有效减少累计误差。同时，利用零速更新辅助的点云配准优化策略，降低运动物体对配准的干扰。此外，方法采用基于空间感知的关键帧选择策略，充分利用局部地图中的环境信息，并结合基于二值占用描述符和密度信息描述符的两阶段相似性估计地图匹配策略，从而有效提升定位初始化精度和鲁棒性，提高了全局定位效率。 （2）为提升大尺度场景下建图的一致性，设计并实现了一种基于地面几何约束的高斯体素建图方法。针对快速移动导致的点云畸变问题，方法利用惯性测量单元（IMU）预积分构建包含瞬时运动的轨迹方程，并据此进行分层运动畸变矫正，以提升点云采集质量。为增强前端估计的鲁棒性，引入了基于高斯分布相似度度量的特征匹配，通过综合距离与分布相似性，以缓解观测噪声造成的匹配模糊问题，确保点云配准收敛。此外，方法采用了基于IMU姿态补偿的地面几何模型，以缓解道路坡度变化对地平面估计造成的影响。最后，为解决状态估计中的不可观问题，将地平面语义信息融入到后端因子图优化中，有效解决了大尺度场景建图中的垂直漂移问题。 （3）在公开数据集和我们自己采集的数据集上对方法进行了实验与性能评估。场景涵盖室内及园区等，对比分析了本文方法与当前SOTA方法在地图匹配与连续位姿估计的定位精度、鲁棒性、耗时及资源占用等方面的性能。实验结果表明，即使在面临一些挑战性场景，如急转弯、地图更新等，通过融合局部里程估计与地图匹配，能实现精确的状态估计，有效抑制了定位漂移，将绝对轨迹误差降低了40％，并在动态环境中展现出更强的鲁棒性。通过多个挑战性公开数据集上的实验，结果表明本文方法在复杂大尺度场景中展现出优于当前SOTA方法的建图精度，建图轨迹与真值更加吻合。针对快速运动和退化等挑战性场景下，通过分层点云运动畸变矫正方法及基于高斯分布的特征匹配策略，有效提升了点云采集的质量，也提升了成功匹配的特征数量，从而进一步提高了建图精度。此外，结合地面几何约束有效抑制了垂直方向的漂移，可构建出更高精度的三维点云地图。
NETL