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
