摘要
自动驾驶技术所展现出的前景以及效益使得越来越多的学者投入到移动机器人的研究领域。移动机器人作为一个复杂的机器人系统，由感知模块、导航模块、决策模块、控制模块等部分组成。其中感知模块是最为重要的部分，它为机器人提供了获取环境信息、确定自身位姿状态的能力，也为其他模块提供了最为基本且不可或缺的输入。同时定位与建图(Simultaneous Localization and Mapping, SLAM)则是感知模块中的关键技术，它为移动机器人构建了环境地图和提供了自身的位置和姿态估计。激光雷达因为其较高的精度、不易受光照影响等优点，被广泛应用于同时定位与建图。激光雷达的同时定位与建图的研究分为位姿状态获取和点云地图优化两类，高精点云地图的构建作为一个综合性激光 SLAM 问题，既需要高精度的位姿，也需要点云地图的高一致性和较好的动态障碍物去除。 高精点云地图的构建可以分为在线 SLAM 和离线 SLAM 两部分。在线 SLAM 完成对自身位姿状态的准确求解，离线 SLAM 则需要充分利用多帧点云的共视关系优化地图、去除移动物体所造成的拖影。本文作为对纯激光 SLAM 的关键性技术研究，针对匀速模型无法在起步、刹车、拐弯等变速条件下为迭代最近点算法(Iterative ClosestPoint, ICP)提供良好的初值条件，提出了利用点云的高程特征预估该位姿初值，针对前端里程计的累计误差，采用基于高程信息的回环检测算法来矫正累计误差并用因子图进行全局位姿优化，针对因建图一致性不足导致的墙体变厚、建图效果不佳的问题，采用基于点云共视关系的全局一致性优化来修正，针对根据高程信息的动态障碍物去除算法无法完整去除动态点云，提出了利用光线追踪的方法去除动态点云，并以哈希映射构建适用于多线程处理的体素空间。本文的主要工作如下： (1)基于点云高程信息的位姿初值优化：提出利用帧间的共视关系和高程信息提取出用于位置的估计点云特征图和姿态估计的点云特征图估计，并以该特征图分别求取出修正后的位置和姿态信息，改善匀速模型对变速运动估计不准确的问题。并以此为初值，送入到基于非线性优化的 ICP，提高了位姿求解的精度。 (2)基于高程信息的回环检测：本文利用点云的高程信息构建全局描述子和特征描述子，以全局描述子寻找回环帧，以特征描述子计算回环约束的初值条件。最后构建包含帧间约束、回环约束的位姿图优化模型，用列文伯格-马夸尔特法(Levenberg-Marquardt, LM)求解该非线性优化问题，得到优化后的位姿。 (3)基于点云共视关系的全局一致性优化：利用多帧点云观测到的共同特征构建多帧之间的约束，采用八叉树划分点云地图体素并根据点云分布信息提取点云的面特征，以滑窗的方式构建局部约束，并利用多线程加速构建全局的位姿图优化并进行求解。 (4) 基于哈希表的多线程光线追踪动态点云去除：提出利用哈希映射构建点云体素空间，在数据结构上使得光路的体素遍历更加简洁方便。其次优化光线体素化的方式，不必求出解析解即可判断光线透穿的平面，降低计算量。最后根据光线追踪原理对空间中的每个体素进行击中和穿过的次数统计，并由其比值判断体素是否为静态体素，从而删除动态点云。 本文深入研究了纯激光雷达的定位算法和建图优化，在 KITTI 数据集上与开源算法 F-LOAM 进行了对比实验。研究表明，本文提出的基于点云高程信息的位姿初值优化可以使轨迹误差均值降低约 4.61%，轨迹误差标准差降低了 27.76%。同时，回环检测算法的引入显著提高了轨迹精度和平滑度。在建图优化方面，经过全局一致性优化后的点云地图呈现出更加清晰的建筑结构。在自采集数据集上，本文提出的基于哈希表的多线程光线追踪动态点云去除方法相比开源算法 ERASOR，在动态点云去除和地面、远距离建筑细节保留方面表现更优。这些结果充分验证了本文提出的高精度点云地图构建方法的准确性和有效性。
NETL