基于2D激光雷达的移动机器人同步定位与地图构建算法研究

文中提出一种将激光雷达和轮式里程计相融合的方法，用于提升SLAM (Simultaneous Localization and Mapping)算法前端点云配准效率和点云畸变矫正效果。在点云配准方面，对PL-ICP算法做出改进，首先对激光点云进行预处理去除无效点，再利用自适应体素滤波方法对激光点云进行下采样，在保留点云特征的同时将点云稀疏化，从而减少点云配准的计算量，利用轮式里程计的测量值为点云配准提供初值，提高点云配准的效率和定位效果。在点云畸变矫正方面，按照轮式里程计测量的机器人位姿的时间戳，利用拉格朗日线性插值法对点云配准配得到的机器人位姿进行线性插值，利用EKF算法融合轮式里程计测量的位姿和点云配准插值得到的位姿对轮式里程计的测量误差做出矫正，然后为激光点云提供运动补偿，从而去除点云畸变提升SLAM算法定位和建图效果。利用ROS搭建仿真环境验证了本文提出的算法的有效性。

SLAM 的关键技术根据传感器在陌生环境中获取自身的位姿信息和环境信息，估计自身运动的位置进行实时定位并利用这些信息增量式的构建环境地图[1]，SLAM 算法按照传感器不同可分为基于相机的视觉SLAM [2] [3]基于激光雷达的激光SLAM [4] [5]。相机使用便捷、能够获取丰富的环境信息、但容易受到外部环境的干扰。激光雷达抗干扰能力强、受光照影响弱、能直接获取深度信息。其中2D 激光雷达因其售价便宜，对算力要求低，易于构建栅格地图等特点而被广泛应用于机器人领域。

仅使用激光雷达进行定位与建图时，在变速场景和特征较少的退化场景中点云配准效率低、定位效果差，在移动机器人快速运动时激光点云易发生畸变，最终导致建图效果差，因此多传感器的融合[6] [7]成了近几年的研究热点。Chen S 等人[8]将激光雷达和相机结合，通过构建视觉相似性的词袋模型提升回环检测的效果，以提高SLAM 算法的后端优化性能，但在纹理缺失的场景鲁棒性较差。章弘凯等人[9]提出将IMU 和激光雷达相结合，用IMU 的预积分结果为点云配准提供初值提升点云配准效率，同时将其积分结果作为约束条件加入到SLAM 算法的后端优化中减小轨迹飘移的影响提高载体的定位精度，但IMU 对线加速度进行二次积分的误差较大。Hess W 等人[10]提出了基于图优化的Cartographer 算法，经过不断的发展已经能和GPS、IMU、轮式里程计等多种传感器融合，但仅将辅助传感器的数据用于未来帧的位姿推，并未用于点云畸变矫正。

激光点云畸变会使环境地图发生偏移，进而影响到后端优化和回环的效果最终影响移动机器人定位