刘鸿勋,王 伟

(南京信息工程大学自动化学院,江苏 南京 210006)

SLAM问题可以描述为机器人在未知环境中从一个未知位置开始移动,在移动过程中根据位置估计和地图进行自身定位,同时在自身定位的基础上建造增量式地图,实现机器人的自主定位和导航. 此课题在学术界已经有二三十年的历史,根据获取环境信息的传感器不同可以分为视觉SLAM、激光SLAM两个大类. 视觉SLAM又分为单目、双目、深度(RGBD)相机3种. 激光雷达主流的有单线激光、16、32、64、128线激光等,价格基本呈指数增长.

激光雷达SLAM算法是目前产业界落地使用最多、实际运行表现最稳定的算法,主要分为两种,一种是传统的以扩展卡尔曼、粒子滤波为代表的贝叶斯滤波方法[1],另一种是基于图优化的全局优化处理方法[2]. 由于近年来对SLAM算法的深入研究,其应用场景逐步向大规模环境发展. 图优化方法由于支持全局优化、方便消除累积误差的特点,渐渐成为主流. 但是单线激光雷达获取的点云数据只是在单一的平面内,近些年来,经过研究改进,基于图优化的激光SLAM算法中的闭环检测有ICP、PL_ICP[3]、NDT等方法,这些方法在结构化、重复度较高的场景容易失效,导致全局优化失败或得到错误结果.

本文从激光SLAM实际应用场景出发,研究了视觉双目相机提取特征及匹配算法[4],采用视觉回环检测,用双目相机的图像提取出改进的FAST特征点[5],并使用BOW方法进行特征点匹配及闭环的检测,配合基于图优化方法的激光SLAM算法,有……