[发明专利]一种针对地面移动机器人的Lidar-IMU融合的slam方法

说明书

本发明属于同步定位与建图(slam)领域，公开了一种针对地面移动机器人的Lidar‑IMU融合的slam方法，包括如下步骤：步骤1：数据预处理；步骤2：构建子地图；步骤3：创建地图与优化因子图；步骤4：优化位姿图。本发明能够实现在有起伏路面上为机器人添加地面约束，增加竖直方向的约束，能够很好的减少累积误差，整个实验机器人轨迹长大约1000m，与传统算法相比本发明的方法在精度上有很大的提高，特别是在z方向更为明显。其中loam的平移偏差(均方根误差表示)为18.461m，lio_sam的平移偏差为15.672m，而本发明的算法平移偏差为8.331m。该算法得到的轨迹精度有了很大的提高。

技术领域

本发明属于同步定位与建图(slam)领域，尤其涉及一种针对地面移动机器人的Lidar-IMU融合的slam方法。

背景技术

同时定位与环境建图是机器人自主导航的前提。近年来随着机器人产业的发展，状态估计、定位和建图是智能移动机器人反馈控制、避障和规划等能力的基本先决条件。在实际应用中，一般采用视觉传感器或激光雷达传感器实现机器人高性能的同步定位与建图功能。基于视觉的方法通常使用单目或立体相机，并在连续图像上对特征进行三角化，以确定相机的运动。尽管基于视觉的方法特别适合于位置识别，但它们对初始化、光照和距离的敏感性使得它们很难单独用于自主导航系统。另一方面，基于激光雷达的方法不受光照变化的影响。特别是最近，随着远程、高分辨率3D激光雷达的出现，以及固态激光雷达的应用，激光雷达变得更适合直接捕捉3D空间中环境的细节。

在过去的二十年中，人们提出了许多基于激光雷达的状态估计和建图的方法。其中，LOAM算法适用于低漂移和实时状态估计和建图的方法，是应用最广泛的方法之一。该方法使用激光雷达和惯性测量单元(IMU)，采用点到线，点到面的约束实现了很好的性能，但IMU只是为了点云去畸变，并没有参与优化。而在Lio_sam中，该算法利用因子图优化实现了IMU和激光雷达的紧融合。这些传统的算法虽然取得了很大的成功，但在大场景并且GPS拒止的情况下，会产生很大的漂移。因为这些大都是没有区分的在点云中提取特征点作为匹配点云，不考虑地面约束。而对于地面移动机器人来说，其特征点主要来自于周围物体的反馈，这些特征点只能约束水方向上的维度，竖直方向只能从地面上提取，这就造成竖直方向的约束不够，在室外大场景下很容易产生漂移。有些算法虽然考虑了地面约束，但只是简单的将地面看成一个平面来添加地面约束。在现实环境中机器人不可能始终运行在同一个地平面上。

不同于一般的6自由度飞行器，地面运动的机器人始终会受到来自地面的约束。如果直接按照传统的SE(3)位姿进行状态估计，由于激光雷达主要采集路面以上的激光点，这就造成点云匹配优化过程中z方向很容易产生较大的漂移。同时，在有起伏的路面上，地面移动机器人虽然受到地面约束，但此时机器人可能会受到不同的地平面约束，如果我们假设机器人始终运行在同一个地平面，并以此添加地面约束，这会影响状态估计的精度。

发明内容

本发明目的在于提供一种针对地面移动机器人的Lidar-IMU融合的slam方法,以解决上述的技术问题。

为解决上述技术问题，本发明的一种针对地面移动机器人的Lidar-IMU融合的slam方法的具体技术方案如下：

一种针对地面移动机器人的Lidar-IMU融合的slam方法，包括如下步骤：

步骤1：数据预处理；包括点云去畸变和特征提取；

步骤2：关键帧选择与子地图构建；引入视觉slam中的关键帧概念，使用两个关键帧之间的激光雷达信息来构造局部子地图；

步骤3：关键帧的因子图优化；通过因子图优化将关键帧与世界坐标系相关联，构建一个因子图来联合优化激光雷达关键帧和IMU的预积分；

步骤4：位姿图优化；通过位姿图优化得到一个全局一致的环境地图。

进一步地，所述步骤1包括点云去畸变和特征提取；