面向矿井无人驾驶的IMU与激光雷达融合SLAM技术
作者
胡青松1, 李敬雯1, 张元生2,3, 李世银1, 孙彦景1
作者单位
1. 中国矿业大学 信息与控制工程学院,江苏 徐州 221116;2. 矿冶过程智能优化制造全国重点实验室,北京 100160;3. 矿冶过程自动控制技术北京市重点实验室,北京 100160
一
研究背景
同时定位与地图构建(SLAM)技术是无人驾驶领域的核心技术。矿井生产环境恶劣,如地形复杂、巷道狭窄、光照条件差、信号衰减大等,导致SLAM技术在井下应用有难度。对此,提出一种巷道环境特征辅助的惯性测量单元(IMU)与激光雷达融合SLAM算法,用于矿井无人驾驶的高精度定位。
二
算法原理
对激光雷达获取的原始点云数据进行去畸变处理,消除传感器运动而引入的误差;对IMU观测数据进行预积分,为激光雷达点云匹配提供初值。选取关键帧构成局部地图,对局部地图中的点云进行平面特征提取,通过点云匹配算法与已知局部地图进行匹配,以确定相邻关键帧之间的位姿变换关系。通过激光雷达里程计约束、IMU预积分和巷道环境约束共同进行因子图优化,限制惯导零偏等参数的漂移,优化位姿变化,实现对无人驾驶车辆运动和环境的精确估计。
三
实验结果
1 、仿真巷道性能测试
在Gazebo软件中搭建巷道模型,测试巷道环境特征辅助的IMU与激光雷达融合SLAM算法和LeGO−LOAM,LIO−SAM算法的性能。结果表明,本文算法规划的轨迹与真实轨迹的偏差较其他2种算法小,绝对轨迹误差和相对轨迹误差最低且最稳定,定位精度、稳定性和鲁棒性最优。
绝对轨迹误差
相对轨迹误差
2 、真实环境性能测试
在长约600 m、宽6 m的复杂巷道、涵洞、地下车库场景进行算法测试。结果表明,本文算法在不同场景下均能实现准确定位与建图,证明了其在复杂环境中的适应性和有效性。
巷道场景中测试结果
涵洞和地下车库场景中测试结果
作者简介
胡青松,教授,博导,中国矿业大学地下空间智能控制教育部工程研究中心副主任,国际数字地球学会中国委员会数字能源专业委员会委员,中国煤炭学会科学传播专家,中国有色金属学会矿山信息化智能化专业委员会委员,中国指挥与控制学会多域复杂环境智能感知委员会委员,《工矿自动化》杂志青年专家委员。长期从事目标定位与跟踪、物联网、无线通信、救灾通信方面的研究工作。主持国家自然科学基金面上与青年项目各1项,国家科技支撑计划子课题、国家重点研发项目子课题各1项,江苏省科技支撑计划、江苏省自然科学基金面上项目、江苏省重大科技成果转化项目等省部级项目6项。研究成果获省部级科技奖励7项。发表SCI/EI收录高水平学术论文50多篇,出版著作3部,获授权发明专利16件。
引用格式
胡青松,李敬雯,张元生,等. 面向矿井无人驾驶的 IMU 与激光雷达融合 SLAM 技术[J]. 工矿自动化,2024,50(10):21-28.
HU Qingsong, LI Jingwen, ZHANG Yuansheng, et al. IMU-LiDAR integrated SLAM technology for unmanned driving in mines[J]. Journal of Mine Automation,2024,50(10):21-28.
扫码阅读全文