摘要: 同时定位与建图(SimultaneousLocalizationAndMapping，SLAM)技术是移动机器人领域的前沿技术，广泛应用于工业制造、智能家居、灾难救援等场景。复杂的外界环境(如光照的快速变化与遮挡、纹理的消失、结构退化的环境)以及快速发展的微小型机器人平台... 展开 同时定位与建图(SimultaneousLocalizationAndMapping，SLAM)技术是移动机器人领域的前沿技术，广泛应用于工业制造、智能家居、灾难救援等场景。复杂的外界环境(如光照的快速变化与遮挡、纹理的消失、结构退化的环境)以及快速发展的微小型机器人平台对SLAM算法实时性的高要求，对现有的SLAM系统技术的鲁棒性以及普适性提出巨大的挑战。论文针对基于单一传感器的SLAM系统难以应对这些挑战，容易导致位姿跟踪失败建图精确度低的问题，研究基于多传感器融合SLAM技术，在现有的多传感器融合SLAM的基础上，采用传统方法与深度学习方法结合的手段，利用紧耦合的方式进行系统设计，实时构建三维点云地图。主要研究内容和成果如下: (1)针对传统视觉特征提取算法对弱纹理环境下匹配困难，像素点使用率低下，并且对光线环境敏感的问题，提出研究了一种基于视觉与激光融合的线、面特征提取方法，采用SuperPoint网络提取出图像的点特征，在此基础上采用PcPNet网络提取出对应激光点云数据中该特征点附近的线、面特征。通过本地数据与KITTI数据集进行测试，实验结果表明相对于传统特征提取方法，融合的方法提取精度平均提升10％。 (2)针对目前回环检测算法中激光回环检测耗时，且鲁棒性低的问题，研究基于熵值的激光ScanContext的回环检测方法。采用ScanContext与多特征提取的方法进行点云降维编码，将三维点云降维为二维图像。再利用空间熵与信息熵的提取方式进行散列编码，利用这些散列码计算不同点云之间的相似度。实验结果表明基于熵值的回环检测方法相对于其他方法在召回率上有明显提升，并且相对于ScanContext算法其运行速度提升35％,同时对于偏航角也有着旋转不变性。 (3)针对松耦合多传感器融合精度低问题，研究基于多传感器融合的紧耦合后端优化算法。通过引入线面特征约束、IMU约束、视觉与激光匹配约束构建残差函数的因子图后端优化算法，采用边缘化的策略来进行滑动窗口算法批量处理传感器数据，既保证了系统的稳定性，也提升了系统的精度。通过实验验证，对比单目视觉ORBSLAM算法与激光雷达LegoLOAM算法，融合SLAM算法旋转的相对轨迹误差减少33.45％,平移变换的相对轨迹误差减少55.1％,绝对轨迹误差减少44.3％。 (4)基于上述研究算法，进行实车环境搭建以及园区特殊环境下的实验。结果表明，所提出的SLAM系统相较于其他单一传感器的SLAM系统更能满足移动机器人的实时定位与建图的精度，并且对于一些特殊环境，所提出融合SLAM算法的适用性明显高于其他单传感器SLAM算法。 收起