摘要: 在SLAM(Simultaneous Localization And Mapping)技术中，激光雷达被广泛用于环境感知，最近固态激光雷达备受关注。相比机械式激光雷达，固态激光雷达具有轻便、可靠、低成本等优点，适合小型设备如无人机和移动机器人。此外，在已经商用的 Livox Ho... 展开 在SLAM(Simultaneous Localization And Mapping)技术中，激光雷达被广泛用于环境感知，最近固态激光雷达备受关注。相比机械式激光雷达，固态激光雷达具有轻便、可靠、低成本等优点，适合小型设备如无人机和移动机器人。此外，在已经商用的 Livox Horizon 固态雷达内部，生产商安装了 IMU(Inertial Measurement Unit)，以满足多传感器融合定位需求，因此在商业应用落地中更具有竞争优势。为解决在室外空旷场景下机械式激光雷达定位不准的问题，本文提出了一种基于固态激光雷达及其内置 IMU 融合定位的 SLAM 算法。本文主要研究内容如下： (1) 针对移动机器人在高速移动或者旋转的场景下传感器观测数据不准的问题，本文设计了固态激光雷达内置6轴IMU的内参标定算法，在传统的基于多姿态静止标定算法基础上，加入了利用移动机器人产生高速旋转的数据采集策略，并且将IMU中尺度因子的非线性参数纳入加速度计和陀螺仪的误差标定模型中，利用 LM(Levenberg-Marquardt)算法对内参求解。最后通过实验验证了本文的标定算法的有效性。 (2) 针对点云配准和建图中数据关联与匹配效率低下的问题，本文提出一种新的增量式体素空间数据结构，用于存储局部点云。通过伪希尔伯特曲线划分体素空间，再利用空间哈希函数来管理体素中对应的点云信息，提高点云配准的实时性和精度。 (3) 在定位阶段利用IEKF(Iterated Extended Kalman Filter)对IMU和固态激光雷达的速度、位置、姿态、加速度、重力矢量等系统状态进行更新和预测，并在此基础上加入了 ESKF(Error-State Kalman Filter)对 IMU 和激光雷达的观测误差状态进行估计，以此作为 IEKF 算法的前置步骤，最终提高整个激光惯性里程计LIO(Lidar Inertial Odometry)的定位精度。 最后，在校园内采集多组数据并实验，结果表明，在空旷的室外场景下基于固态激光雷达的LIO-ESKF算法定位结果优于传统的激光惯性SLAM算法。 收起