复杂场景下基于Lidar_IMU的SLAM算法研究.pdf

复杂场景下基于Lidar/IMU的SLAM算法研究

摘要

SimultaneousLocalizationAndMapping,SLAM

同时定位与建图（）技术作为无人驾

驶的底层基础，其精度和鲁棒性往往有着严苛的要求。激光雷达(LightDetectionand

Ranging,Lidar)由于精度高、鲁棒性强、对光照不敏感等特性，在SLAM领域受到很大

Inertial

的青睐。但由于激光雷达点云存在点云畸变问题，通常引入惯性测量单元（

MeasurementUnit,IMU）完成运动补偿和畸变校正。尽管基于激光雷达和惯性测量单元

的SLAM算法得到了很大的发展，但在充斥着行人、车辆的复杂动态城市道路场景下进

行大规模定位、建图时仍然存在着精度低、鲁棒性差的问题。因此，研究一种面向该复

杂场景下的高精度、强鲁棒SLAM算法具有重要的价值和意义。本文具体研究内容如

下：

首先，介绍了本课题研究方向的研究现状，引出了本文中需解决的问题。说明了系

统涉及的坐标系，对各传感器的模型进行搭建，完成了对IMU内参的标定及激光雷达

和IMU的外参标定工作。同时，为了与实时动态（RealTimeKinematic,RTK）真值进行

精准对比，完成了对激光雷达和全球卫星导航系统（GlobalNavigationSatelliteSystem,

GNSS）的时间同步工作。

其次，提出一种激光雷达动态目标剔除算法，通过前端预处理，实现无动态帧实时

输出。针对复杂动态城市道路场景下无法取得静态对照子地图的问题，借助系统运行初

期的静止阶段，采集多帧激光雷达点云数据。之后，通过基于距离图像的做差法将待处

理帧与参考帧组进行对照，从而逐帧检测出动态点，并将剔除动态点后的点云帧融入子

地图，完成初始静态子地图的构建。针对聚类分割法耗时长及可视性法无法检测所有动

态点的问题，采用基于可视性的聚类分割方法，首先通过距离图像可视性法检测出动态

点，然后以动态点为种子点在点云中执行聚类分割并删除点云聚类，以实现动态目标点

的完整剔除。通过仿真数据集和实测数据，验证了算法在复杂城市道路场景下动态目标

剔除的有效性。

最后，提出一种垂直方向漂移抑制算法，通过前端修正加后端优化的方式，实现了

在复杂城市道路场景下的低漂移运行。针对垂直方向约束不足的问题，通过提取地面进

行帧间匹配构建约束，同时采用IMU位姿估计对帧间地面点云匹配结果进行评估，选

择性地引入良好的地面约束，增强系统的鲁棒性。针对系统无法进行大规模位姿优化的

问题，通过添加关键帧位姿作为因子图的节点，并引入地面约束因子和回环检测因子构

哈尔滨工程大学专业学位硕士学位论文

建约束关系，经过迭代联合优化，实现对位姿的批量优化。通过仿真数据集和实测数据，

验证了算法在复杂城市道路场景下垂直方向漂移抑制的有效性。

关键词：激光惯性里程计；同时定位与建图；动态目标剔除；垂直漂移抑制

复杂场景下基于Lidar/IMU的SLAM算法研究

ABSTRACT

SimultaneousLocalizationAndMapping(SLAM)technology,astheunderlying

foundationofunmanneddriving,oftenhasstringentrequirementsforitsaccuracyand

robustness.LightDetectionandRanging(Lidar)hasbeengreatlyfavoredintheSLAMfield

duetoitshighaccuracy,