基于激光雷达slam的无人车室内导航比较分析
1.SLAM的可行性在文献A solution to the simultaneous localization and map building (SLAM) problem中得到了理论上的证明,其中发现估计的地图单调收敛到相对地图。
2.Parallel tracking and mapping for small AR workspaces开创了使用两个不同线程来处理特征跟踪和映射的方式。
3.视觉slam的不足:1)对环境光照敏感;2)光学纹理敏感,弱纹理下工作差;3)高速移动模糊。
4.激光雷达slam系统扫描匹配技术分为扫描到扫描、扫描到地图。
5.闭环检测技术:视觉上通常使用基于词袋技术的方法,激光上通常使用基于点云的地图匹配或基于匹配学习的特征比较进行检测。
5.激光slam新方法:
1)IMLS-SLAM: Scan-to-model matching based on 3D data
IMLS-SLAM使用隐式移动最小二乘曲面表示地图来提高定位精度。不足是无法实时运行。
2)MC2-SLAM与密集lidar点的地图变形保持全局地图一致性Elastic LiDAR fusion: Dense map-centric continuous-time SLAM,显著提高了CT-SLAM在长期操作中的性能Continuous 3D scan-matching with a spinning 2D laser。
3)集成相机和激光,实现鲁棒的特征跟踪LIMO: Lidar-monocular visual odometry。
4)期望最大化(EM)、面元表示、机器学习Learning a bias correction for lidar-only motion estimation。
6.根据计算位姿的方法不同,解决方案可以分为三类:基于高斯滤波器(参数滤波器,一般由一对值组成,即均值和协方差,eg:卡尔曼滤波及其变体)、基于粒子滤波器(非参数滤波器)、基于图优化。其中高斯滤波和粒子滤波都可以归类为贝叶斯滤波器方法。
7.LagoSLAM是一种基于图优化的 SLAM 方法。它从线性估计的角度引入了对完整 SLAM 问题的封闭式逼近。LagoSLAM 在线性逼近过程中不需要初始猜测。此外,结果足够准确,不需要使用非线性优化技术进行细化。实测:占用更高的 CPU 负载并且映射精度相对较低。
8.V-LOAM提出了一个结合视觉和 LiDAR 信息的通用框架,并获得了比 LOAM 更好的定位结果。对于 V -LOAM,视觉里程计在 60Hz(图像帧率)的高频下进行运动估计,而 LiDAR 里程计在 1Hz 的低频下起到细化运动估计、消除失真和校正漂移的作用。通过这种方式,系统能够适应快速移动和环境照明变化的环境。
9.Cartographer以5cm的分辨率实现实时映射和闭环。分支定界算法用于减少机器人姿态估计和闭环检测的计算量。为了消除扫描和子图匹配过程中产生的累积误差,采用闭环机制,利用稀疏姿态调整算法调整所有子图和扫描的姿态。
评估条件:
1)对Gmapping、Cartographer 和 LOAM进行评估(实际应用最广泛)
2)实验还包括在机器人运动模型中使用车轮编码器的方法称为车轮里程计和基于粒子滤波器的方法称为 AMCL。
3)使用三个不同的机器人进行实验,在规则和不规则的轨迹上移动,并执行多次。
硬件条件:
1)2.5GHz CPU和6GB RAM,软件系统安装Ubuntu v14.04和Indigo版本的(ROS)。
2)16线Velodyne LiDAR和IMU380ZA-200 IMU传感器
3)由于使用中的 IMU 具有较高的测量精度,且每次实验持续时间不长,因此我们可以在后面的实验中忽略 IMU 偏差(实验验证时间短,能代表长时间如此么?)
4)遥控机器人特定轨迹运行,用ROS记录轨迹行程,slam算法离线进行运行比较。
场景:
1)装满货物的仓库里;
2)两侧是玻璃墙的长走廊中;驱动机器人走L型和矩阵路径;
3)装满货物的仓库里,旨在评估在具有相对较高移动速度的大规模场景中的定位和建图性能。与实验一不同的是,本实验中的车辆在一条长长的走廊上行驶,两边都是货物。
结论:
1)规则和不规则路径下,Gmapping表现出比loam更改好的性能(小规模低速场景下)
2)在百平米区域内,Cartographer定位精度好。
3)低速下,loam和Cartographer性能相近;高速下(0.8 m/s),loam性能远超Cartographer。
4)Cartographer随着地图的扩大,内存占用不断增大。
5)方向估计,车轮里程计不靠谱;
6)Gmapping和Cartographer在小区域环境中都具有良好的定位性能。Gmapping在构建具有相同分辨率的地图时,需要比Cartographer更多的内存;
7)LOAM可以在小型和大型测试场中获得良好的性能。
8)可通过视觉特征和点云特征进行融合提高鲁棒性。
基于激光雷达slam的无人车室内导航比较分析相关推荐
- 基于PX4的地面无人车避障系统及路径规划研究
基于PX4的地面无人车避障系统及路径规划研究 人工智能技术与咨询 来源:<动力系统与控制> ,作者姜琼阁等 关键词: 地面无人车:避障:PX4: 摘要: 地面无人车避障及路径规划是指,无人 ...
- 基于gazebo实现多无人车的编队仿真(一)
基于gazebo实现多无人车的编队仿真(一)--多机器人的显示 研究背景 宏定义部分 gazebo的gui启动以及world启动 多机器人模型显示部分 致谢 研究背景 网上已经有许多的多机器人显示的资 ...
- airsim 安装指导(无人机、无人车视觉导航仿真平台)
说明: airsim是基于UE4开发的仿真平台,听到UE4这个名字不是做游戏的同学,可能会觉得陌生,但是其实我们经常玩的一些游戏就是基于UE4开发的,比如最近比较火的吃鸡游戏. 借助于UE4强大的虚幻 ...
- (22)无人车-L1导航控制器
文章目录 前言 22.1 概述 22.2 L1控制器 前言 本页提供了无人车导航功能的概述,包括 L1控制器(L1 controller),它也用于固定翼.L1控制器是基于麻省理工学院的 Sanghy ...
- 数据、传感器、打车服务,哪个才是未来无人车制胜关键?
本文来自AI新媒体量子位(QbitAI) 本文作者Benedict Evans,是硅谷风投公司Andreessen Horowitz(A16Z)合伙人,主要负责"搞清楚现状及将要发生的事情& ...
- 无人车致命车祸视频曝光:Uber技术失败的实锤,一场本可避免的灾难
岳排槐 发自 凹非寺 量子位 出品 | 公众号 QbitAI 坦佩市警察局长帮Uber"开脱"得太早了. 前几天,全球首次无人车导致行人死亡的悲剧发生后,事发地坦佩市的警察局长Sy ...
- Airsim+UnrealEngine4 搭建无人车/无人机自动驾驶仿真环境
文章目录 1. Airsim 概述 2. Unreal Engine 概述 3. 在Linux下环境搭建 3.1. 手动 编译安装 UnrealEngine 3.2 编译airsim 插件 3.3 使 ...
- 无人车系统(五):轨迹跟踪Pure Pursuit方法
今天介绍一种基于几何追踪的无人车轨迹跟踪方法--Pure Pursuit(纯跟踪)方法. 1. 阿克曼转向几何模型 在无人车系统(一):运动学模型及其线性化一文中,里面介绍无人车的运动学模型为阿克曼转 ...
- 无人车系统(十一):轨迹跟踪模型预测控制(MPC)原理与python实现【40行代码】
前面介绍的PID,pure pursuit方法,Stanley方法都只是利用当前的系统误差来设计控制器.人们对这些控制器的设计过程中都利用了构建模型对无人车未来状态的估计(或者说利用模型估计未来的运动 ...
最新文章
- MLIR(Multi-Level Intermediate Representation Compiler)架构 Infrastructure
- 如何在MAC 指定文件夹打开终端(terminal)
- android keytool 不是内部命令或外部命令在 (win7下不能用的解决方法)
- javascript高级程序设计之函数表达式
- 16、ASP.NET MVC入门到精通——MVC过滤器
- android实现类似于支付宝余额快速闪动的效果
- 网卡重启影响nfs吗_NFS网络储存系统
- css property 和 attribute 的区别
- 如何实现HashMap的顺序存储
- 【Cisco技术资料汇总】
- Tcl与Design Compiler (八)——DC的逻辑综合与优化
- Maven的性质与部署整理
- html中offsetTop、clientTop、scrollTop、offsetTop
- IIS网站设置禁止IP访问设置方法
- ue的 linux版本,UltraEdit Linux版RPM包 64位 V16.1.0.22
- Linux 脚本 —— 统计目录中文件的数量(按文件名分类)
- matlab 股票分时图_matlab画股票走势图 急急急!
- 计算机单位上标,Origin绘图时如何标注带有上标(下标)的单位 -电脑资料
- [EMNLP 2022] VIRT: Improving Representation-based Text Matching via Virtual Interaction
- 区分QA和QC, Verification和Validation