低成本激光和視覺相結合的同步定位與建圖研究

作者 尹磊，歐勇盛，江國來，彭建盛

文章目錄

• 低成本激光和視覺相結合的同步定位與建圖研究
• • 1. 引言
  • 2. 主要工作
  • 3. 基于圖優化的同步定位與地圖構建框架
  • • 3.1 視覺重投影誤差
    • 3.2 激光的誤差
  • 4. 后端優化與閉環檢測
  • • 4.1 誤差函數
    • 4.2 稀疏姿態調整
    • 4.3 閉環檢測
  • 5. 實驗結果
  • • 5.1 實驗平臺和環境
    • 5.2 小范圍場景下進行定點定位精度的對比實驗
    • 5.3 閉環實驗
    • 5.3 結果分析
  • 6. 總結與展望

1. 引言

????????激光雷達和視覺傳感是目前兩種主要的服務機器人定位與導航技術，但現有的低成本激光雷達定位精度較低且無法實現大范圍閉環檢測，而單獨采用視覺手段構建的特征地圖又不適用于導航應用。

2. 主要工作

????????本文以配備低成本激光雷達與視覺傳感器的室內機器人為研究對象，提出了一種激光和視覺相結合的定位與導航建圖方法：通過融合激光點云數據與圖像特征點數據，采用基于稀疏姿態調整 的優化方法，對機器人位姿進行優化。同時，采用基于視覺特征的詞袋模型進行閉環檢測，并進一步優化基于激光點云的柵格地圖。
????????真實場景下的實驗結果表明，相比于單一的激光或視覺定位建圖方法，基于多傳感器數據融合的方法定位精度更高，并有效地解決了閉環檢測問題。

3. 基于圖優化的同步定位與地圖構建框架

????????激光 SLAM 主要通過相鄰幀激光的匹配來計算相鄰幀位姿變換，但由于激光數據并非完全無噪聲的數據，尤其對于低成本激光雷達，打出去的激光點較為稀疏，從而導致計算得到的相鄰 幀位姿變換存在誤差，因此往往需要加入濾波或優化的方法來使定位更加精準。
????????視覺 SLAM 是通過特征點提取與匹配來反算位姿，但若其中一幀出現問題就會導致誤差累積并不斷地增大。
????????圖優化是 SLAM 后端優化的熱門方法，通過構造節點和約束邊清晰地展示了一系列位姿和觀測量的 關系，再通過非線性優化的手段求出最優變量從而得到精準的位姿估計。

????????X 表示關鍵幀位姿，O 表示觀測量，包含了特征點所對應的三維空間點坐標及二維激光數據。

3.1 視覺重投影誤差

3.2 激光的誤差

????????激光 SLAM 往往需要通過掃描匹配來實現相鄰幀的位姿變換估計，而該估計值(R, t)無法 保證前一幀所有激光數據經過該位姿變換與后 一幀激光數據完全重合。激光的誤差定義如下：

????????通過非線性優化來使誤差函數最小化，求得的位姿再返回到前端作為下一幀的參考幀位姿。

4. 后端優化與閉環檢測

????????視覺 SLAM 構建的地圖由特征點構成，特征地圖最大的問題在于無法用于導航，僅適合用于定位。低成本激光雷達構建的柵格地圖更適合用于導航，但存在著激光稀疏、噪聲大的問題。文章提出視覺激光融合的方法，在提高定位精度的同時確保地圖更加精準，還解決了激光 SLAM 構建的柵格地圖難以回環的問題。而二維柵格地圖的構建主要依賴于一系列位姿和激光測量數據，根據柵格被占用的概率來增量式的建圖。
同一時刻觀測到的視覺信息和激光數據并非完全相互獨立，文章提出視覺激光聯合優化來充分利用數據之間的約束。加入視覺信息的激光視覺聯合優化的 SLAM 整體框架如下：

4.1 誤差函數

???????? 見上節。

????????將視覺相鄰幀誤差函數公式以及激光誤 差函數公式改寫成李代數形式并合并，則相鄰幀的整體誤差函數為：

????????單獨的視覺 SLAM 有其自有的計算相鄰幀位姿變換算法，但由于圖像數據的特點，計算得到的(R, t)往往沒有通過激光掃描匹配得到的位姿變換精準。因此，采用激光掃描匹配得到的位姿變換來估計誤差函數中的位姿變換初始值。

4.2 稀疏姿態調整

????????將機器人位姿作為唯一變量并對其進行優化，視覺觀測量和激光點云數據作為位姿之間的約束。
誤差函數：

????????x 為位姿的集合。

???????? 加入增量后，目標函數為：

????????通過加入拉格朗日乘子對誤差函數進行改進：

???????? 采用 L-M 法來求解上述最小二乘問題。

4.3 閉環檢測

????????閉環檢測是 SLAM 中的一個核心問題，通 過對曾經走過的地點進行識別，能有效地減小累 積誤差，提高定位精度。基于激光雷達的 SLAM 算法往往因為數據單一而無法有效地進行閉環檢 測，而視覺圖像豐富的紋理特征則剛好可以彌補 激光雷達的這一缺陷。
????????文章采用視覺 SLAM 中 最常用的詞袋模型(Bag-of-Words，BoW)，通過 視覺特征來構建關鍵幀所對應的字典，在檢測到回環后通過回環幀與當前幀的匹配來計算當前位 姿，并將這一約束加入到后端中來進行回環幀與 當前幀之間的全局優化，提高定位精度的同時， 也防止了激光所構建的柵格地圖常出現的無法閉合的情況。
????????關鍵幀選取機制：
????????(1)距離上一次全局重定位已經過去了 15 幀；
???????? (2)距離上一次插入關鍵幀已經過去了 15 幀；
????????(3)關鍵幀必須已經跟蹤到了至少 50 個三維特征點。
???????? (1)、(2)是其獨特性的基礎，因為短時間 視野內的特征不會發生明顯變化；(3)保證了其 魯棒性，過少的地圖點會導致計算誤差的不均勻。
???????? 相對而言，激光 SLAM 關鍵幀的選取要更為 簡單且穩定，但采用激光作為關鍵幀選取參量容 易出現關鍵幀包含的圖片特征點不夠、圖像不連續等問題。文章采用基于視覺的關鍵幀選 取機制，既保證相鄰關鍵幀不會過于接近，又保 證有足夠的信息進行關鍵幀之間的匹配。

5. 實驗結果

5.1 實驗平臺和環境

???????? 本文實驗在 Turtlebot2 上進行，配備筆記本電 腦以及激光雷達和深度攝像頭，電腦配置為 Intel Core i5 處理器、8 G 內存，運行 ubuntu14.04＋ ROS Indigo 系統。二維激光雷達采用單線激光雷 達 RPLIDAR A2，人為設置采樣頻率為 5～15 Hz， 測量半徑為 8 m。深度相機采用奧比中光公司出 品的 Astra 深度相機。其中，該相機深度測距的 有效范圍為 0.6～8 m，精度達 3 mm；深度相機視角可以達到水平 58°和垂直 45.5°。

5.2 小范圍場景下進行定點定位精度的對比實驗

5.3 閉環實驗

5.3 結果分析

???????? 本文提出的方法可以有效地檢測回環，并優化兩點之間的所有 位姿，位姿優化之后再根據每一幀位姿所攜帶的 激光數據重新構建地圖，成功消除了無法閉合的 地圖部分。但由于加入了視覺信息，建圖過程中 對機器人速度限制變大，同時對動態障礙物的抗 干擾能力變小，只能在無人時進行建圖，且需要 避免攝像頭面向大面積白墻等無特征物體。

6. 總結與展望

???????? 文章研究了 SLAM 中多傳感器融合的問題， 針對低成本激光雷達噪聲大、視覺構建的稀疏特 征地圖不適用于導航的問題，提出了激光視覺相 結合定位建圖的方案。通過采用基于稀疏姿態調 整的方法，將激光數據和圖像信息進行聯合優 化，有效地提高了定位和建圖的精度，并通過視 覺詞袋模型實現閉環檢測，解決了激光閉環檢測 難實現的問題。

???????? 但由于加入了視覺信息，系統魯 棒性變差，且室內環境光照變化往往較小，同時 存在大量的動態障礙物，如攝像頭捕捉到移動的 行人時會導致視覺約束的錯誤，從而影響整體的 定位建圖效果。同時，當遇到白墻等物體時無法 提取足夠的特征，視覺約束失效從而導致建圖失敗。

???????? 下一步工作將利用激光雷達和視覺各自的優點，提高整體的魯棒性，保證建圖的效果。

總結

以上是生活随笔為你收集整理的低成本激光和视觉相结合的同步定位与建图研究的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。