室外环境下履带式机器人多传感器融合SLAM方法研究.pdfVIP

摘要

履带式机器人被广泛用于复杂、变化的室外环境中。室外光线变化以及周围动

态物体会影响履带式机器人同步定位与建图（SLAM）的准确性。激光SLAM依赖

环境中线、面特征定位机器人并构建地图，在缺乏纹理、低光照环境下表现稳定，

但在空地、长连廊等结构缺失及动态物体较多的环境下表现不佳。单目视觉SLAM

通过追踪图像特征点位置变化以估计机器人位姿，视觉SLAM利于定位，并有一

定的动态环境适应性，但在光照变化、纹理稀疏的环境下表现较差。针对以上问题，

本文旨在提高履带式机器人在室外环境下SLAM的准确性与鲁棒性，主要研究内

容如下：

多传感器联合标定。针对履带式机器人室外工作环境特点，分析主流SLAM

传感器的优劣势，根据不同类型传感器工作原理及特性选择合适的标定方案。首先，

利用棋盘格标定法对相机焦距、光心以及畸变进行标定；其次，利用静置法标定惯

性测量单元（IMU）的偏置不稳定性及白噪声；最后，通过运动估计法对相机、激

光雷达及IMU进行联合标定。

室外SLAM的图像特征点匹配方法（GMS-ATRANSAC）。室外环境中动态物

体较多，传统RANSAC无法有效剔除图像中动态物体特征点，影响视觉SLAM图

像特征点追踪准确性。首先，利用GMS能够快速、较为准确地剔除图像特征误匹

配的优点，对样本集进行快速粗筛选；其次，对粗筛选集进行均匀降采样，减少样

本精筛选处理时间；最后，利用本文提出的自适应RANSAC（ATRANSAC）对降

采样后的样本进行精筛选。分别在KITTI、TUM数据集中对GMS-ATRANSAC方

法进行对比实验验证，结果表明，GMS-ATRANSAC较RANSAC、GMS-RANSAC

的误差均值、误差方差、耗时指标中均有较大提升。将GMS-ATRANSAC应用在

ORB-SLAM系列中进行实验，结果表明，GMS-ATRANSAC利于视觉SLAM在动

态环境下的初始化与特征追踪。

室外环境下履带式机器人多传感器融合SLAM方法。由于室外场景较为复杂，

单一传感器无法满足履带式机器人SLAM的准确性与稳定性。针对该问题，本文

对现有SLAM框架进行改进、耦合，得到一种用于履带式机器人的多传感器融合

SLAM算法。首先，分析了LIO-SAM框架的优势，将其作为本文SLAM算法的激

光子系统；其次，利用本文提出的GMS-ATRANSAC图像特征误匹配剔除方法优

化了VINS-MONO的特征点追踪线程及回环检测模块，将优化后的方法作为本文

SLAM方法的视觉子系统；再次，提出了一种激光点云与图像特征点的深度关联方

法，实现视觉子系统与激光子系统的耦合；最后，在KITTI数据集中进行实验，结

果表明，本文SLAM算法在室外环境下鲁棒性较强，构建地图具有全局一致性，

且较LIO-SAM轨迹绝对误差精度均值减少了38.74%。

履带式机器人室外多传感器融合SLAM实验与分析。为验证本文算法在室外

环境下同步定位与建图的有效性，首先，对履带式机器人多传感器平台进行内参与

外参的标定，获取详细标定参数；其次，操纵履带式机器人在校园环境下录制小场

景和大场景数据集，以校园小场景为例，利用GMS-ATRANSAC剔除帧间图像特

征误匹配，结果表明，本文算法能够有效地剔除动态物体特征匹配，较RANSAC

误差均值减少了40.0%，耗时减少了90.8%。较GMS-RANSAC误差均值减少了

32.1%，耗时减少了31.8%；最后，在校园数据集中进行小、大场景实地SLAM建

图实验，结果表明，在小场景中，本文算法较LeGO-LOAM与LIO-SAM在包含动

态物体及结构退化的环境下表现更佳，在大场景中，五组数据集的轨迹最大相对误

差均值约为0.905m，平均误差均值约为0.118m。

关键词：履带式机器人，联合标定，图像匹配，深度关联，多传感器融合SLAM

Abstract

Trackedrobotsarewidelyusedincomplexandchangingoutdoorenvironments.

Outdoorlightingvariationsanddynamicobjectsi