【多传感器融合定位SLAM专栏】前端里程计、IMU预积分、滤波、图优化推导与应用(1)

本专栏基于深蓝学院《多传感器融合定位》课程基础上进行拓展,对多传感器融合SLAM的学习过程进行记录

第一章 3D激光里程计

激光SLAM整体框架

激光SLAM整体框架如图所示,主要包括以下几个部分:点云预处理,前端里程计,关键帧提取以及后端优化。其中点云预处理部分负责接收传感器数据,进行多传感器的数据同步,去除点云的无效点,进行去畸变处理等工作。其次前端里程计负责接收预处理后的规范化的点云进行两帧之间的配准并输出初步估计的先验位姿。然后关键帧提取部分负责接收先验位姿并根据一定条件选取关键帧,输出关键帧之间的相对位姿约束和点云。最后后端优化部分负责接收来自各种传感器的位姿约束以及关键帧所包含的点云,然后进行位姿优化,最后输出更精准的位姿并构建轨迹和地图。

点云预处理

如何对激光雷达所采集到的2D或3D点云数据进行处理是激光SLAM算法的重要内容。点云预处理部分通常包含点云的滤波、点云的分割、点云的运动补偿等工作。其中点云的滤波目的是去除点云中的噪声点或者因为遮挡等问题造成的离群点,同时也可以对点云进行下采样来减少数据量。点云的聚类点云的运动补偿用于解决由于激光雷达本身的运动所造成的点云坐标的畸变。点云的分割的主要思想是将点云分割聚类成若干个互不相交的子集来进行目标区域和背景点云的分离。本节将主要对以上三种点云预处理办法进行介绍。

点云的滤波

点云的滤波可以实现很多种功能,比如去除噪声点、离群点、平滑点云以及数据压缩等等。本节将对实现以上几种功能的相关的滤波器做简单介绍。

去除噪声点、离群点——统计滤波器

统计滤波器用于去除明显离群点和噪声点。离群点的特征是在空间中分布稀疏,根据这一特征,可以定义

你可能感兴趣的:(多传感器融合SLAM,前端,人工智能,算法,自动驾驶)