【《移动机器人室内环境局部建图研究现状文献综述》2500字】

移动机器人室内环境局部建图研究现状文献综述移动机器人在室内环境的定位与地图创建方面的研究已经取得了长足的进展，并且创建了一系列更复杂更精确的同时定位与地图创建的算法[56][57]。根据移动机器人完成特定任务所需具备的功能，可将一个移动机器人系统划分为三个层次，即智能功能层、自主导航层和控制层，如图1-3所示。同时定位与建图是自主导航层的核心，旨在通过机载传感器为处于未知环境的移动机器人同步地提供位姿估计并建立环境地图。图1-3机器人系统的三个层次SLAM过程的基本组成又可以分为三层，如图1-4所示。最底层为感知层，机器人通过内部传感器获得自身运动的感知信息，通过外部传感器获得对环境的测量信息；中间层为特征提取和航迹推算层，完成传感器信息的处理、环境特征提取和机器人运动的航迹推算；最上层为SLAM层，该层对机器人定位和地图进行估计，即为通常意义上SLAM问题。图1-4SLAM过程的基本组成而近几年我国也有越来越多的学者就移动机器人的同时定位与建图展开研究[58][59][60]。图1-5是到目前为止，根据所用的传感器种类、地图类型、主要算法以及应用环境类型对SLAM的研究方法进行整理分类的结果。图1-5SLAM的主要研究方法SLAM应用的传感器中激光雷达是有用的距离传感器[61]。当激光雷达的扫描速率高于其外在运动时，通常可以忽略扫描中的运动失真。在这种情况下，可以使用标准ICP方法[62]来匹配不同扫描之间的激光返回。另外，在基于ICP的速度估计步骤之后进行失真补偿步骤。类似的技术也用于补偿单轴3D激光雷达[64]引起的失真。但是，如果扫描运动相对较慢，且在起伏运动较大的非结构地形上，则运动失真会很严重。通常，其他传感器辅助用于提供速度、姿态测量，从而可以消除失真。例如，激光雷达云可以通过状态估计从与IMU集成的视觉里程计中校准[65]。当同时使用多个传感器（例如GPS/INS和车轮编码器）时，通常可以通过扩展的卡尔曼滤波器[66]或粒子过滤器[67]解决问题。这些方法可以实时创建地图。创建局部地图的关键在于相邻帧之间的数据匹配过程。在相邻帧匹配方面，查找两次激光雷达扫描之间的转换的典型方法是迭代最近点（ICP）[68]。通过逐点查找对应关系，ICP反复对齐两组点，直到满足停止标准为止。当扫描中包含大量点时，ICP可能会承受过高的计算成本。已经提出了许多ICP的变体来提高其效率和准确性[69]。[70]引入了点对平面ICP变体，将点与局部平面斑点匹配。Generalized-ICP[71]提出了一种匹配两次扫描的局部平面斑块的方法。此外，一些ICP变体利用并行计算来提高效率[72][73][74][75]。近年来基于特征的匹配方法也吸引了更多关注，因为它们通过从环境中提取代表性特征而需要较少的计算资源。这些功能应适合有效匹配和不变的视点。目前也已经提出了许多检测器，例如点特征直方图（PFH）[76]和视点特征直方图（VFH）[77]，用于使用简单有效的技术从点云中提取此类特征。在文献[78]中介绍了一种使用Kanade-Tomasi角检测器从点云中提取通用特征的方法。在[79]中讨论了从密集点云中提取线和平面特征的框架。还有学者提出了许多使用特征进行点云注册的算法。[80]和[81]提出了一种关键点选择算法，该算法在局部簇中执行点曲率计算。然后，将所选的关键点用于执行匹配和位置识别。通过将点云投影到距离图像上并分析深度值的二阶导数，[82]从具有高曲率的点中选择特征以进行匹配和位置识别。假设环境由平面组成，在[83]中提出了一种基于平面的配准算法。室外环境，例如森林，可能会限制这种方法的应用。领口线段（CLS）方法，专门为Velodyne激光雷达设计，在[84]中提出。CLS使用来自扫描的两个连续“环”的点随机生成线。因此，生成了两个线云并将其用于配准。然而，该方法遭受线的随机产生所带来的挑战。文献[85]提出了一种基于分割的配准算法。SegMatch首先将分段应用于点云。然后根据每个特征向量的特征值和形状直方图计算特征向量。随机森林用于匹配两次扫描的片段。尽管此方法可用于在线姿态估计，但它只能提供大约1Hz的定位更新。在[86]和[87]中提出了一种低漂移实时激光雷达测距和测绘（LOAM）方法。LOAM执行点特征到边缘/平面扫描匹配，以找到扫描之间的对应关系。通过计算点在其局部区域中的粗糙度来提取特征。选择具有高粗糙度值的点作为边缘特征。同样，粗糙度值低的点也称为平面特征。通过将估计问题新颖地划分到两个单独的算法中，可以实现实时性能。一种算法在高频下运行，并以低精度估算传感器速度。另一种算法以低频运行，但返回高精度运动估计。将这两个估计融合在一起，以产生高频和高精度的单个运动估计。通过在KITTI里程测量基准站点上[88]，仅使用激光雷达的估计方法，目前LOAM是精度较高的算法之一。然而，在可变地形上行驶的工程车辆经常会遇到不平稳的运动，结果，获取的数据经常会失真。由于具有有限重叠的大运动，因此在两次连续扫描之间也很难找到可靠的特征对应关系。另外，由于激光雷达的安装位置通常在工程车辆上靠近地面，因此地面上的传感器噪声可能会持续存在。例如，在非结构环境中从草丛返回的距离可能会导致较高的粗糙度值。结果，可能从这些点中提取出不可靠的边缘特征。同样，也可以从树叶返回的点中提取边缘或平面特征。这些特征通常对于扫描匹配不可靠，因为在两次连续扫描中可能看不到相同的草叶或树叶。使用这些功能可能会导致配准不准确和较大的偏移。因此，本文引入IMU提供的先验信息提出了一种结合回环检测及图优化理论的LOAM优化算法实现在地形复杂的复杂环境中对工程车辆进行姿态估计算法。参考文献邵振臣,杨云杰.工程机械智能化发展现状及趋势[J].机械设计与制造工程,2016,45(8):16-18.杨华勇.工程机械智能化进展与发展趋势[J].建设机械技术与管理,2017,30(12):19-21.LiZ,JiangY,DuanZ,etal.Anewswarmintelligenceoptimizedmulticlassmulti-kernelrelevantvectormachine:Anexperimentalanalysisinfailurediagnosticsofdieselengines[J].StructuralHealthMonitoring,2017,17(6):1503-1519.SoumitryJ,TeizerJ.Dynamicblindspotsmeasurementforconstructionequipmentoperators[J].SafetyScience,2016,85:139-151.赵丁选,李天宇,康怀亮,等.混合动力工程车辆自动变速技术[J].吉林大学学报(工学版),2014,44(2):358-363.戴群亮,赵丁选.基于BP神经网络优化算法的工程车辆挡位判断的训练及仿真[J].机械工程学报,2002(11):124-127.ZhangX,GaoH,GuoM,etal.Astudyonkeytechnologiesofunmanneddriving[J].CAAITransactionsonIntelligenceTechnology,2016,1(1):4-13.StolteT,ReschkaA,BagschikG,etal.Towardsautomateddriving:unmannedprotectivevehicleforhighwayhardshoulderroadworks[C]//IEEEInternationalConferenceonIntelligentTransportationSystems,IEEE,2015:1-6.LiB,LouY.Studyonthecurrentsituationofengineeringmachinerytechnologyandthetrendofintelligentinformation[C]//20163rdInternationalConferenceonManagementInnovationandBusinessInnovation,2016,57:541-545.TjonnasJ,JohansenTA.Stabilizationofautomotivevehiclesusingactivesteeringandadaptivebrakecontrolallocation[J].IEEETransactionsonControlSystemsTechnology,2010,18(3):545-558.KaiwartyaO,CaoY,LloretJ,etal.Geometry-basedlocalizationforGPSoutageinvehicularcyberphysicalsystems[J].IEEETransactionsonVehicularTechnology,2018,67(5):3800-3812.KimHS,LeeHK.Eliminationofclockjumpeffectsinlow-qualitydifferentialgpsmeasurements[J].JournalofElectricalEngineerin