摘要: 近年来，随着自主机器人与自动驾驶汽车技术的快速发展，用于在未知环境中实现定位与建图的SLAM（SimultaneousLocalizationandMapping）技术受到众多研究者的关注。其中，融合多传感器数据以实现定位与建图成为当前研究的热点之一。本研究旨在通过融... 展开 近年来，随着自主机器人与自动驾驶汽车技术的快速发展，用于在未知环境中实现定位与建图的SLAM（SimultaneousLocalizationandMapping）技术受到众多研究者的关注。其中，融合多传感器数据以实现定位与建图成为当前研究的热点之一。本研究旨在通过融合固态激光雷达和惯性测量单元（InertialMeasurementUnit，IMU）两种传感器的数据，实现机器人在未知环境中运动时确定自身位置并同时建立周围环境的地图。本课题完成了定位系统硬件及算法的设计与实现，并进行一系列实验以验证当前系统的有效性。 首先，本文设计并实现了基于固态激光雷达的激光雷达里程计系统。针对当前传感器在实际环境中的数据，设计了一种特征点提取方法，考虑点云的几何信息及强度信息，从中提取平面及直线特征点。使用基于特征点的匹配方法，既减少了计算量，又降低了动态物体的干扰，从而提高了定位系统的精度和鲁棒性。此外，进行了激光雷达里程计在实际环境中的实验，验证了算法的有效性。 其次，引入了IMU惯性测量单元的信息来改进激光雷达里程计系统。分析了IMU预积分在运动估计中的作用，以及在优化过程中使用雅可比矩阵来避免重新计算积分的方法。为了实现传感器数据的深度融合，设计并构建了多传感器硬件平台，并利用外参标定算法精确获取激光雷达和IMU两个坐标系之间的坐标变换关系，为后续操作奠定了基础。 接下来，设计并实现了一种紧耦合的激光雷达和IMU定位算法。首先使用IMU数据对激光雷达点云进行去畸变，然后去畸变的雷达数据和IMU数据联合进行非线性优化。利用IMU预积分作为预测值，并将激光雷达里程计的定位结果作为观测值，构建损失函数以最小化预测值与观测值之间的误差。接下来，通过因子图优化方法，估计机器人的运动信息和IMU零偏，从而提高定位的准确性和稳定性。相比松耦合系统，当前实现的紧耦合系统建模了所有的运动和测量信息，IMU和激光雷达数据共同参与定位并互相影响，从而获得整体的最优解，实现更为精确的位姿估计。使用滑动窗口法来维护最近多个时刻的状态量进行优化，以确保系统具有实时性的同时兼顾精度。 最后，在真实环境中进行了一系列实验，以验证所提出系统的性能。通过与真实卫星地图进行比较，评估激光与IMU紧耦合系统构建的点云地图的准确性。经过在室内外环境下长距离运行的测试，发现系统的误差小于1.2%，验证了其具备较高的精度。此外，还进行了剧烈运动实验，结果显示系统能够实时输出准确的定位结果，证明其具备较高的鲁棒性。 通过本研究，成功实现了固态激光雷达和IMU两种传感器数据的融合，并提出了一种紧耦合的定位算法，为机器人在未知环境中实现准确定位和环境建图提供了有效解决方案。实验结果表明，所提出的系统具备较高的精度和鲁棒性，为进一步的研究和应用奠定了坚实基础。 收起