论文部分内容阅读
近年来,随着面对公众的位置服务(Location-based Service,LBS)的市场不断扩大,亟需一种高效、高精度且成本低的室内定位与制图技术。由于单一导航定位技术自身的局限性,多传感器(LiDAR/惯导/视觉等)组合的室内同步定位与制图技术(simultaneous location and mapping,SLAM)成为了该领域研究的热点。本文搭建了基于LiDAR/INS(Inertial Navigation System)组合的室内移动测图平台,分析了原有LiDAR匹配算法和组合导航算法的问题和不足,针对这些问题提出了一套改进LiDAR/INS组合定位定姿算法,并将原先的后处理工作改进为准实时处理解决方案,大大减小了结果输出的时间延迟。最后通过实验验证了本文提出的改进方案的精度、有效性和可行性。本文所做的主要工作和贡献为:(1)详细阐述了多分辨率栅格地图的创建过程和LiDAR匹配算法,并比较分析了两种LiDAR匹配算法—IMLE算法和高斯-牛顿迭代匹配算法的耗时。实验结果表明,IMLE算法的平均耗时为58.5ms,最长耗时为88.2ms;高斯-牛顿算法的平均耗时为10.9ms,最长为14.4ms,远远小于IMLE算法的耗时。因此本文选用基于高斯-牛顿迭代法进行LiDAR匹配搜索,用以节省总制图时间,并为实时性改进工作作铺垫。(2)虽然高斯-牛顿迭代算法能快速迭代出最优解,但是该算法很容易陷入局部最优中。针对这种现象,本文在总结了 LiDAR/INS组合的室内SLAM相关理论和方法后,提出了一套改进的LiDAR/INS组合导航算法,使得组合后的结果能为高斯-牛顿算法提供一个更准确的先验初值。通过实验对比分析了LiDAR/INS组合的定位制图结果、仅靠INS姿态辅助的LiDAR定位制图结果以及单一LiDAR匹配的定位制图结果。对比结果表明,与高精度的参考地图相比较,本文所提出的LiDAR/INS组合导航算法的制图效果最好,精度可以达到0.056m,考虑到人工选取特征点的操作误差,这个制图精度是可以接受的;仅靠INS姿态辅助的定姿结果在动态较大的情况下容易变得不准确,会导致所绘制的地图偏差越来越大;而仅靠LiDAR单独匹配时,即使在动态信息不太丰富的情况下也容易陷入局部最优中,所绘制的地图完全混乱。所以实验表明,LiDAR/INS的组合算法能够有效地帮助高斯-牛顿迭代避免陷入局部最优中;而且动态信息越丰富,INS发挥的作用越大。(3)不同传感器的不同采样率和不同算法的处理时间一直是实时SLAM算法中的难点。针对LiDAR匹配耗时远远大于IMU解算耗时而导致标准Kalman组合结果无法实时输出的问题,本文采用了一种分步完成观测更新再将误差状态及其协方差一步转移到当前时刻的Kalman滤波数学模型,改进了原先的后处理算法,与传统的后处理算法相比,实时性改进后的算法在保证制图精度的前提下,能够大大减少导航结果的输出延迟。综上所述,本文的贡献可归结为:改进了原有的LiDAR/INS的组合算法,可以有效地避免LiDAR匹配算法陷入局部最优解中;并提出了一种实时性改进算法,使得整个系统变成实时定位与制图系统。此外,本文的工作对消费级的MEMS惯性器件应用于高精度的室内测图技术起到一定的推动作用。