針對傳統(tǒng)移動機器人定位方法對計算資源要求較高,而其所采用的嵌入式處理器通常計算力不足的問題,提出了一種低計算復雜度的移動機器人定位方法。該定位方法使用多狀態(tài)約束下的卡爾曼濾波器對激光雷達和IMU數(shù)據(jù)進行融合,同時采用近似近鄰搜索方法取代傳統(tǒng)的KD樹近鄰搜索方法來進行激光點云法向量的提取,在符合平面特征提取精度要求的前提下,法向量提取速度提高了近6倍。最后,在地下車庫場景下對該定位方法進行了測試,該方法整體定位誤差在0.4 m以內(nèi),旋轉(zhuǎn)絕對位姿誤差集中在0.02～0.06 rad之間。實驗結(jié)果表明,所提方法占用較少的計算資源,在結(jié)構(gòu)化環(huán)境中能夠提供良好的定位結(jié)果。 

【文章來源】：儀器儀表學報. 2020,41(08)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

整體框架

本文使用了一種快速的近似近鄰搜索方法替代KD樹近鄰搜索方法,將點云數(shù)據(jù)通過球面投影得到其前視圖,然后以點云中每個點在前視圖中的像素坐標為中心,提取寬為w高為h的矩形框內(nèi)像素點所對應的點云作為候選近鄰點,最后度量候選近鄰點到中心點的距離,將距離大于一定閾值的作為離群點剔除,將剩余候選近鄰點作為近鄰點搜索結(jié)果輸出。如圖2所示,要搜索點A的近鄰點,首先把點云投影到球面上,然后展開球面得到球面投影視圖,在投影視圖上選擇虛線矩形框內(nèi)的點B、C作為候選近鄰點輸出,最后計算B、C與A的實際距離,若小于設(shè)定值則把B、C作為A的近似近鄰點輸出。相比于傳統(tǒng)的KD樹近鄰搜索方法,本文的方法大幅提高了計算速度。2.2 平面特征跟蹤

兩種方法的特征提取效果如圖3所示,本文的方法加快了法向量計算速度,與KD樹近鄰搜索相比,法向偏差精度損失約為0.026 rad,但對平面特征提取基本沒有影響。圖3(a)和圖3(b)分別為使用近似近鄰搜索和KD樹近鄰搜索計算出的法向量提取的平面特征(圖中綠色橢圓部分),其中橢圓中心代表平面特征的位置,橢圓的長短軸之比表示了法向量聚類分析后的特征值比值。圖3(a)和(b)對比表明,近似近鄰搜索方法提取出的平面特征數(shù)量和平面特征的位置與KD樹近鄰搜索的結(jié)果基本一致,法向量提取步驟損失的部分精度對平面特征提取的結(jié)果影響很小。

【參考文獻】：
期刊論文
[1]多目視覺與激光組合導航AGV精確定位技術(shù)研究[J]. 何珍,樓佩煌,錢曉明,武星,朱立群.  儀器儀表學報. 2017(11)
[2]改進的單目視覺實時定位與測圖方法[J]. 李帥鑫,李廣云,周陽林,李明磊,王力.  儀器儀表學報. 2017(11)



本文編號：3517815