传统的基于数据关联的同时定位与建图(simultaneous localization and mapping,SLAM)方法易引起观测与目标之间的误匹配,进而导致位姿估计精度下降.结合柱状特征提取方法和随机有限集理论,提出一种基于序贯蒙特卡罗实现的车辆3D激光SLA...传统的基于数据关联的同时定位与建图(simultaneous localization and mapping,SLAM)方法易引起观测与目标之间的误匹配,进而导致位姿估计精度下降.结合柱状特征提取方法和随机有限集理论,提出一种基于序贯蒙特卡罗实现的车辆3D激光SLAM方法.利用M估计抽样一致性算法从分割后的点云中提取稳定的柱状特征,捕获单帧点云中的静态存活特征和新生特征;在Rao-Blackwellized-概率假设密度同时定位与建图(Rao-Blackwellizedprobability hypothesis density-simultaneous localization and mapping,RB-PHD-SLAM)框架中引入两种特征,并运用序贯蒙特卡罗方法完成车辆轨迹概率密度和地图后验强度在帧间的传递,实现对环境特征和车辆位姿的同时估计.模拟数据集和KITTI数据集试验结果显示,与经典的FastSLAM算法相比,本文算法使车辆定位精度提升44.99%,并使环境特征位置估计和环境特征数量估计的平均误差分别降低49.24%和56.22%,显著提升了SLAM的运行精度和鲁棒性,有助于保障智能汽车的运行安全.展开更多
文摘传统的基于数据关联的同时定位与建图(simultaneous localization and mapping,SLAM)方法易引起观测与目标之间的误匹配,进而导致位姿估计精度下降.结合柱状特征提取方法和随机有限集理论,提出一种基于序贯蒙特卡罗实现的车辆3D激光SLAM方法.利用M估计抽样一致性算法从分割后的点云中提取稳定的柱状特征,捕获单帧点云中的静态存活特征和新生特征;在Rao-Blackwellized-概率假设密度同时定位与建图(Rao-Blackwellizedprobability hypothesis density-simultaneous localization and mapping,RB-PHD-SLAM)框架中引入两种特征,并运用序贯蒙特卡罗方法完成车辆轨迹概率密度和地图后验强度在帧间的传递,实现对环境特征和车辆位姿的同时估计.模拟数据集和KITTI数据集试验结果显示,与经典的FastSLAM算法相比,本文算法使车辆定位精度提升44.99%,并使环境特征位置估计和环境特征数量估计的平均误差分别降低49.24%和56.22%,显著提升了SLAM的运行精度和鲁棒性,有助于保障智能汽车的运行安全.
