论文笔记——基于多传感器融合的移动机器人SLAM算法研究_多传感器融合的移动机器人slam算法优化与系统实现

创新点：

1、松耦合地图匹配优化算法：

采用了独立运行各SLAM系统并通过附加的管理程序实现各SLAM系统数据的交互。由于激光SLAM在位姿估计精度上优于视觉SLAM，管理程序在SLAM运行过程中实时获取激光SLAM估计的机器人位姿并与视觉SLAM帧进行时间戳匹配并通过线性插值的方法对视觉关键帧的位姿进行计算。最后对经过位姿匹配的视觉关键帧和三维地图点进行基于滑动窗口的Bundle
Adjustment非线性优化，通过优化地图点位置最终实现三维点云地图与二维栅格地图的对齐。使用对齐后的地图在机器人工作过程屮，首先通过三维点云地图进行全局重定位，将全局重定位位姿作为基于激光的实吋定位算法的初始位姿，激光定位算法在己知初始位姿的情况下结合激光测趴数据与二维栅格地图的匹配关系能够快速实现机器人在全局地图内精确定位。

2、基于误差状态卡尔曼滤波器的位姿估计算法：

采用误差状态构建卡尔曼滤波器，误差状态具有变化缓慢、变化幅度小等特点，这使得误差状态能够远离参数奇点，在对状态转移方程和观测方程进行线性化时可以忽略二阶小量，在降低计算复杂度的同时对精度的损失较小。在实际应用中本文设计了时间同步与线程同步的方法，解决了传感器数据时间不同步问题和线程并发访问滤波器造成的有效传感器数据滞后的问题。

3、基于视觉和激光雷达的紧耦合SLAM算法：

系统运行过程中首先通过ESKF将惯性测量单元（IMU）和轮式里程计（Odomtry）数据融合，并将融合位姿作为视觉里程计中关键帧和激光扫描匹配的初始位姿，激光数据在初始位姿附近进行扫描匹配会输出最优匹配位姿，该位姿在反馈到ESKF中对位姿估计器进行修正，融合部分可参考图３－１。视觉里程计部分需要先通过两帧图像对视觉里程计进行初始化恢复初始两帧的相对位姿和三维地图点，在经过若干帧纯视觉SFM后与关键帧对应的误差状态卡尔曼滤波器估计的绝对位姿建立非线性优化问题来恢复尺度因子，恢复尺度因子后即可将误差状态卡尔曼位姿估计器输出的位姿作为当前帧初始位姿，从而提高特征匹配和位姿估计的精度。通过构建滑动窗口的方式对局部地图进行维护，在提高关键帧和地图点的数据关联的同时保持计算复杂度的稳定性，这对于SLAM前端的实时性要求是非常重要的。为了保证全局地图一直性，系统将前端生成的视觉关键帧位姿、地图点位置、submap位姿和scan位姿作为优化参数在后端进行全局非线性优化，优化过程中结合激光闭环检测和视觉闭环检测方法定时进行闭环检测使得各个参数之间的约束能够形成闭环，通过后端紧耦合优化能够进一步对齐三维点云地图与二维栅格地图，通过结合视觉和激光的闭环检测方法使得闭环检测更加精确从而进一步提高了全局地图一致性。