视觉和激光雷达里程计紧耦合的SLAM算法研究

1 引言

SLAM（Simultaneous Localization and Mapping）同时定位建图[1]是移动机器人避障、导航、反馈机制基本先决条件，通过不同类型传感器进行自主定位与环境感知，帮助机器人完成未知环境地图构建，使其成为了机器人技术重要组成部分。其根据传感器可分为视觉、激光雷达及多传感器融合三种 SLAM 系统。

激光 SLAM 具有测距准确、室外环境建图稳定、不受光照影响等优点，但也存在环境约束导致采样数据稀疏、定位偏差的现象，例如 Stefan Kohlbrecher[2]提出的Hector-SLAM、Grisetti[3]提出的 Gampping 等 2D 激光 SLAM，可以高效实现激光点到栅格地图配准，但测试环境局限于室内小场景建图且回环效果差；Zhang[4]提出的 LOAM、Shan[5-8]提出的Lego-loam等 3D 激光 SLAM，可在室外大场景下完成稳定定位建图，不过同时也存在高程位姿矢量漂移、回环识别失败的问题。视觉 SLAM 更容易感知环境信息，但易受光照、弱纹理环境影响，深度信息不够精确，稳定性和实时性较差，主流算法存在基于滤波的 MSCKF（多状态约束卡尔曼滤波）[9]以及基于优化的 PTAM[10]、ORB-SLAM[11-12]系列、VINS-Mono[13]和Leutenegger[14]等人提出的 OKVIS 等。

利用多传感器融合的SLAM定位建图，可有效避免单传感器存在的易受环境多因素影响、回环检测效果较差、位姿误差累积较大等问题，因此成为当今研究的热点，其中采用相机、激光雷达融合更占据了主导地位。多传感器融合 SLAM 建图最具代表性的融合框架为LIMO[15]、LIC-Fusion[16]和 V-loam[17]，分别采用了拟合局部平面用雷达估计视觉特征的深度，雷达前端提取线面特征融合到视觉框架，视觉估计运动雷达匹配地图的方法，在室外环境获得了良好效果，但其中存在大场景回环环境定位和局部地图偏差问题，究其本质原因在于缺少回环检测模块或者识别回环粗糙，因此在复杂的回环环境中如何精确稳定定位建图成为SLAM 现研究问题之一。

本文围绕在回环环境中如何稳定、低漂移、高鲁棒性定位建图问题，在视觉部分加入基于 SIFT、ORB 的特征点检测器，利用 SIFT 提取稳定性高、识别度强和ORB 计算速度快、高效的优点，降低了特征点丢失、匹配失败问题发生概率，提高视觉帧间运动估计稳定性；将雷达相机里程计紧耦合[18-19]，雷达点云优化视觉特征深度信息使相机得到更精确的位姿估计，极大减小了雷达运动畸变，提高整体系统的鲁棒性；加入基于scan context（扫描上下文）[20]的高效回环检测模块[21]，采用因子图优化方法，解决了 LOAM 系列方法存在的里程计矢量漂移问题，避免了回环检测失败的问题。故本文提出加入高效回环检测和稳定提取图像特征的相机和激光雷达紧耦合方法，基于 V-loam 算法构建了一个低漂移、更高精度和稳定性的新融合算法框架 SV-loam。本文算法在多闭环、多旋转 KITTI 数据集中进行了建图与评估，验证了本文所提算法的正确性。