适应于环境空间变化的激光雷达SLAM建图方法.pdf

系统仿真学报系统仿真学报Journal of System Simulation第 35 卷第 8 期2023 年 8 月Vol.35 No.8Aug.2023适应于环境空间变化的激光雷达适应于环境空间变化的激光雷达SLAM建图方法建图方法焦嵩鸣，姚鑫*，丁辉，钟宇飞(华北电力大学 自动化系，河北 保定 071003)摘要摘要：为解决在空间大小发生明显变化的环境中，现有算法建图容易发生漂移等问题，提出了一种适应于环境空间变化的Adp-lio-sam建图方法，以提高lio-sam算法的通用性。改进了点云去畸变方法，使用KF融合激光雷达帧间位姿插值和IMU插值后得到的位姿进行运动补偿；使用模糊算法对不同大小的空间环境适配不同的点云滤波阈值；优化了回环检测约束条件。实验结果表明：在环境空间大小改变、特征类型改变、结构相似度改变的实验中，改进算法比已有算法的回环误差平均可降低47.6%，z轴平均误差平均可降低36.4%，地图质量明显提升，且满足实时性需求。关键词关键词：机器视觉；空间变化；运动补偿；自适应阈值；地图构建中图分类号：TP391.9;TP212 文献标志码：A 文章编号：1004-731X(2023)08-1788-11DOI:10.16182/j.issn1004731x.joss.22-0489引用格式引用格式:焦嵩鸣,姚鑫,丁辉,等.适应于环境空间变化的激光雷达SLAM建图方法J.系统仿真学报,2023,35(8):1788-1798.Reference format:Jiao Songming,Yao Xin,Ding Hui,et al.Lidar SLAM Mapping Method Adapted to Environmental Spatial ChangesJ.Journal of System Simulation,2023,35(8):1788-1798.Lidar SLAM Mapping Method Adapted to Environmental Spatial ChangesJiao Songming,Yao Xin*,Ding Hui,Zhong Yufei(Department of Automation,North China Electric Power University,Baoding 071003,China)Abstract:In the environment with obvious changes in space size,aiming at the drift and other problems of the existing algorithm,Adp-lio-sam mapping method is proposed to adapt to the environment space changes,and improve the generality of lio-sam algorithm.Point cloud dewarping method is improved,and Kalman filter algorithm is used to carry out the motion compensation data by fusing lidar inter-frame pose interpolation and IMU interpolation.Fuzzy algorithm is used to adapt different points filtering thresholds for different spatial environments and the constraints of loop closure detection are optimized.Experimental results show that,compared with the existing algorithm in the experiments of changing the size of the environment space,the type of features,and the similarity of the structure,the improved algorithm can reduce the loopback error by 47.6%and the z-axis average error by 36.4%with high map quality and good real-time performance.Keywords:machine vision;spatial change;motion compensation;adaptive threshold;map building收稿日期：2022-05-12 修回日期：2022-07-23第一作者：焦嵩鸣(1972-)，男，副教授，博士，研究方向为机器人智能感知及电力机器人自主巡检。E-mail：通讯作者：姚鑫(1998-)，男，硕士生，研究方向为多传感器融合SLAM。E-mail：第 35 卷第 8 期2023 年 8 月Vol.35 No.8Aug.2023焦嵩鸣,等:适应于环境空间变化的激光雷达SLAM建图方法http:/www.china-0 引言引言SLAM技术所受到的关注越来越多1，地图构建作为SLAM技术中的重要一环，一直是研究热点之一。常见的地图构建方法主要使用的传感器有相机和激光雷达2种，而激光雷达相较于相机具有精度高、抗干扰能力强、实时性好等特点，因此，广泛应用在建图问题中2-3。3D激光雷达能够提供丰富的环境信息，实现较高精度的定位与建图。文献4提出一种基于模糊逻辑的SLAM方法，通过建立模糊规则，提高系统数据关联性，使系统在建图过程中具有更好的鲁棒性；LOAM(lidar odometry and mapping in real-time)算法5利用线面结构有效提取环境信息，并使用匀速模型对点云运动补偿，但建图时发生较为快速的旋转问题时，地图极易发生漂移；文献6添加了闭环检测功能，但建图依赖地面特征，适合地面较为平坦的环境；LIO_mapping7(tightly coupled 3d lidar inertial odometry and mapping)是一种激光雷达和IMU的紧耦合方案，提升了系统在剧烈运动、长走廊等环境下建图时的鲁棒性，但并没有在变化场景中进行验证；文献8采用了多阶段匀加速模型对点云畸变进行运动补偿，取得了较好的效果，但仍不能对真实环境充分拟合；文献9提出一种自适应体素映射的方法，使得系统在场景退化的情况下也可以保持建图效果；Fast-LOAM10(fast lidar odometry and mapping)是一种采用非迭代的两级失真补偿算法，该方法有效降低了建图过程中的计算量，提升了建图效率；文献11在图优化框架上提出 lio-sam 算法，利用 IMU 对点云去畸变，比其他激光雷达与 IMU 紧耦合建图方案更优；文献12结合语义信息促进环境映射过程，与纯几何方法相比，在动态环境中更具有优势；文献13使用基于关键帧和普通帧的局部地图匹配方法，弥补了地图匹配过程中数据关联错误的不足，并且提高了系统在灌木丛、动态对象场景中的建图准确性，但增加了计算量。综上所述，大部分算法对建图环境本身关注度较少，对出现明显空间大小变化的场景适应性较差。借鉴文献14-15中视觉SLAM采用自适应阈值提取特征点来应对环境变化的思想，以lio-sam算法为基础，提出了一种适应于环境空间变化的激光雷达与 IMU 融合的 Adp-lio-sam 建图方法，重点对空间明显变化的环境进行建图研究。1算法流程算法流程Adp-lio-sam算法流程如图1所示，整体分为4个部分。(1)数据预处理：首先，对IMU数据进行预积分处理，为后续点云去畸变和激光雷达里程计提供位姿变换依据；其次，对嘈杂的激光点云进行剔除。图1 Adp-lio-sam算法流程Fig.1 Adp-lio-sam algorithm flowchart 1789第 35 卷第 8 期2023 年 8 月Vol.35 No.8Aug.2023系统仿真学报Journal of System Simulationhttp:/www.china-(2)KF点云插值去畸变：使用IMU数据和处理后的点云数据对当前激光点进行帧间插值，并将两者KF融合后的插值结果用于点云去畸变，之后对去畸变的点云进行特征分类。(3)自适应阈值选取策略：采用模糊算法对不同大小的空间环境实时适配不同大小的滤波阈值，从而保证算法在建图过程中点云密度分布均匀，之后结合IMU数据进行局部地图构建。(4)回环检测与后端优化：同时使用激光里程计和IMU状态预测结果对系统位姿进行约束，并采用优化后的回环条件进行检测，最后输出期望的地图与轨迹。2改进点云去畸变算法改进点云去畸变算法激光扫描伴随着机器人运动的整个周期，因此每帧点云中的每个点都会保存着不同的数据信息。当这些点以同一时间戳向外发布时，就会产生运动畸变，从而对建图质量产生严重影响，所以，需要对点云进行运动补偿。目前，主流方法有纯估计法和传感器辅助法，然而纯估计法匀速模型或分段线性插值模型的假设较为苛刻，IMU传感器通过加速度2次积分得到的位移累计误差较大。为达到更好的运动补偿效果，提出一种KF融合方法来改善运动畸变影响。2.1 激光雷达帧间位姿插值激光雷达帧间位姿插值帧间位姿插值指在匀速模型假设前提下，利用角度偏差将当前帧所有激光点补偿到当前帧起始时刻，插值构思如图2所示。记上一帧到当前帧的帧间位姿为Tse，当前点相对于当前帧起始时刻的水平角度为c，则当前点相对于当前帧起始时刻的相对位姿Tsc(可分解为旋转矩阵Rsc和平移矩阵tsc)可由式(1)计算得到。假设激光雷达符合匀速模型，匀速模型指在点云去畸变过程中，k帧到k+1帧之间的位姿变换与k-1帧到k帧之间求得的位姿变换保持相同。Tsc=cTse(1)2.2 IMU插值插值IMU插值指利用IMU的高频位姿对低频的激光雷达进行插值，从而完成运动补偿，插值构思如图3所示，其中，tp为当前激光点对应的时间；tb为tp之前相邻的IMU时间；tf为tp之后相邻的IMU时间；*为IMU和Lidar各自对应的数据；t为时间轴；虚线为数据对应的时间。通过插值得到当前激光点的位姿：Tp=tp-tbtf-tbTf+tf-tptf-tbTb(2)式中：Tb为Tp之前相邻时刻tb的IMU位姿；Tf为Tp之后相邻时刻tf的IMU位姿。通过同样的方法可以求得当前帧起始时刻激光点对应的位姿Ts，则当前点相对于当前帧起始时刻的位姿Tsp(可分解为旋转矩阵Rsp和平移矩阵tsp)可由式(3)得到：Tsp=TsT-1p(3)2.3 KF插值数据融合插值数据融合KF可以充分考虑传感器测量误差的影响，从而得到最优估计结果。滤波器输入为帧间位姿插图2 帧间位姿插值Fig.2 Inter-frame pose interpolation图3 IMU位姿插值Fig.3 IMU pose interpolation 1790第 35 卷第 8 期2023 年 8 月Vol.35 No.8Aug.2023焦嵩鸣,等:适应于环境空间变化的激光雷达SLAM建图方法http:/www.china-值和 IMU 插值得到的位姿，输出为最优估计位姿：Rcp=Rsp+e1e1+e3(Rsc-Rsp)tcp=tsp+e2e2+e4(tsc-tsp)(4)式中：最优位姿Tcp可分解为旋转矩阵Rcp和平移矩阵tcp；e1、e2、e3、e4分别为IMU和激光雷达对旋转和平移的置信度。通过最优位姿Tcp把当前点P补偿到当前帧起始时刻，得到运动补偿后当前点的坐标：Pnew=RcpP+tcp(5)3自适应阈值选取方法自适应阈值选取方法滤波阈值u表示每个边长为u的立方体中只保存一个激光点。阈值太大，会使有效点云较少甚至建图匹配失败；阈值太小，虽然能保留充分的点云，但会在地图匹配上消耗较多时间。而实际建图过程中往往会遇到环境空间大小变化明显的情况，如从空旷的操场进入教学楼、从宽阔的马路进入狭窄的巷道，此时使用固定阈值滤波就会对建图产生一定的影响。针对环境空间大小的改变，提出一种激光雷达自适应阈值滤波方法，采用模糊算法对不同的空间大小适配不同的滤波阈值。保存当前帧点云中每个激光点的距离，并将当前帧激光点距离在1100 m范围内的点分到5个不同的距离区间内，对5个距离区间从小到大编号15，计算每个距离区间内点的数量，并选取点数最多的距离区间对应的编号作为算法输入(记为n)；选取滤波阈值作为算法输出(记为u)，范围为0.2 0.6，m。对算法的输入、输出进行模糊处理；取编号n的模糊集为负大(NBn)、负小(NSn)、零(ZOn)、正小(PSn)、正大(PBn)，将编号n的变化范围分为5个等级：-2、-1、0、1、2，通过三角形隶属度函数计算编号n对应模糊集的隶属度；取滤波阈值u的模糊集为负大(NBu)、负小(NSu)、零(ZOu)、正小(PSu)、正大(PBu)，将滤波阈值u的变化范围分为5个等级：-2、-1、0、1、2，通过三角形隶属度函数计算滤波阈值u对应模糊集的隶属度。隶属度函数分布如图4所示。通过多次实验发现，滤波阈值的大小与空间环境的大小成近似正比关系，即空间越小所适配的滤波阈值越小，空间越大所适配的滤波阈值越大。根据上述经验，设计如下模糊规则：若n负大则u负大，若n负小则u负小，若n为零则u为零，若n正小则u正小，若n正大则u正大。确定模糊关系：R=(NBnNBu)(NSnNSu)(ZOnZOu)(PSnPSu)(PBnPBu)(6)确定观测量后，采用最大隶属度法计算模糊值：U=max(ui)(7)计算滤波阈值：u=a+b2+b-a2nU(8)式中：a=0.2、b=0.6。获取匹配当前环境的滤波阈值后，激光里程计通过使用降采样后的点云，匹配得到激光雷达帧间的旋转和平移变化量。首先，用当前帧和上一帧的平面点构建点到面的距离约束，并计算梯度下降方向的残差。其次，用当前帧和上一帧的图4 隶属度函数分布Fig.4 Membership function distribution 1791第 35 卷第 8 期2023 年 8 月Vol.35 No.8Aug.2023系统仿真学报Journal of System Simulationhttp:/www.china-边缘点构建点到线的距离约束，并计算梯度下降方向的残差。最后，使用高斯牛顿算法对上述条件联合优化，从而得到帧间匹配的位姿。IMU输出结果为线加速度和角加速度，以距离激光雷达当前帧起始时刻之前最近的IMU数据所对应的时间为起点，距离激光雷达下一帧起始时刻之后最近的IMU数据所对应的时间为终点，求取起点到终点的时间变化量，通过IMU预积分得到IMU在这段时间内的旋转和平移变化量16。将IMU和激光里程计得到的帧间变换矩阵送入 GTSAM(georgia tech smoothing and mapping)，进而对当前状态进行预测并将此状态更新到地图中。4回环检测与后端优化回环检测与后端优化回环检测模块17通过计算当前帧与历史关键帧之间的欧式距离，作为判断系统是否发生回环的先验，在满足距离约束的关键帧中选取一个满足时间约束和序列号约束的关键帧，作为待回环帧，判断标准为 dcur-dpur20cur-pur100(9)式中：cur为当前帧序列号；pur为待回环帧序列号。使用 ICP(iterative closest point)算法构建待回环帧与当前帧位姿的误差函数：f(R t)=1Ni=1NQi-(RPi+t)2(10)式中：R为旋转矩阵；t为平移矩阵；Pi为当前帧点云中一点；Qi为待回环帧中与Pi对应的点；N为点云点数。回环若没有触发，则等待准备下一次检测；若触发，则需要对待回环帧与当前帧之间所有的关键帧进行位姿优化，即固定待回环帧，将回环检测求得的变换矩阵作为参数输入优化器中进行优化求解。最后用iSAM优化器18-19求解出优化后的带回环检测位姿，从而构建全局一致地图。5实验与分析实验与分析实验主要使用的器件及软件平台：北科天绘R-Fans-16导航雷达，垂直方向共16线，视角为30(-15+15)，线间距为2，水平方向单线采集激光点2 000个，视角为360，线间距约为0.090.36，采集频率520 Hz；IMU为xsens九轴惯性传感器，型号为MTi 1-s，采集频率最高100 Hz；搭 载 IntelCore-i5-7300HQ 处 理 器 的 计 算 机；Ubuntu18.04下的机器人操作系统；开源SLAM算法评价软件EVO，通过自建数据集，分别验证点云运动补偿效果、自适应阈值效果、场景变化适应实验效果。5.1 运动补偿效果对比运动补偿效果对比为验证KF融合后的点云去畸变效果，实验采用控制变量法，即保持算法其他部分不变，只改变运动补偿部分，实验在一个较为方正的环境中进行，如图5所示。图中用红色直线方框标注墙壁，并为判断墙壁是否笔直提供参考，由实验结果可知，通过KF融合后的改进运动补偿算法效果最优。图5 运动补偿结果比较Fig.5 Comparison of motion compensation results 1792第 35 卷第 8 期2023 年 8 月Vol.35 No.8Aug.2023焦嵩鸣,等:适应于环境空间变化的激光雷达SLAM建图方法http:/www.china-图5(a)为一个较为方正的楼梯口，通过墙面的笔直程度来判断点云运动补偿的效果。图 5(b)为没有运动补偿的效果，畸变严重，墙壁出现倾斜、断层现象。图5(c)为激光雷达帧间插值补偿效果，匀速运动时，下面红色方框内墙壁成左高右低式倾斜，这是因为激光雷达会出现误匹配的情况。图5(d)为IMU插值补偿效果，上面红色方框内墙壁左低右高，左面红色方框内墙壁向左上倾斜，主要由IMU的线性积分误差漂移较大导致。图5(e)为改进方法补偿效果，四面墙壁符合实际建筑物的方正布局，综合对比，效果最佳。5.2 自适应阈值建图效果对比自适应阈值建图效果对比为验证自适应滤波阈值建图效果，实验选取了一个空间变化较为明显的环境，从较为空旷的校园室外环境进入较小的教学楼内部，实验结果表明，自适应阈值方法比固定阈值方法建图质量更高，如图6所示。图6(a)为实验真实现场环境，教学楼门前为一个较为宽阔的十字路口，门口有两根立柱且门上包含大面积玻璃，进入楼门后为一个小厅，左转为较狭窄的楼梯和楼道。图6(b)为lio-sam算法采用0.5 m阈值，通过图中红色方框内地图可以发现，进入教学楼内后，在楼梯与走廊位置，地图发生偏移，出现发散、模糊结构现象，这是由于环境变小，较大的阈值不适应当前环境降采样，导致建图匹配失败。图6(c)为自适应阈值算法建图效果，从图中可以看到地图质量整体较优，与真实环境相比能够保持较高的还原度，这是因为自适应方法为不同的环境大小适配了不同阈值，能够时刻维持点云的密度更加均匀，从而提高了地图匹配的精确度。通过对比Adp-lio-sam算法与lio-sam算法建图匹配时所消耗的平均时间可知，选取0.5 m阈值所消耗的时间为0.108 s，用时虽短，但建图精度差，地图容易发生偏移；自适应阈值所消耗的时间为0.123 s，能够在保证建图匹配实时性的同时提高地图精度；选取0.3 m阈值所消耗的时间为0.144 s，虽然可以保持较高的建图精度，但仍比自适应方法所得地图的z轴精度低13.1%，时间比自适应方法多消耗14.6%。实验验证了自适应阈值方法能够同时提高地图匹配的效率，建图质量与轨迹精度。5.3 综合对比实验综合对比实验为了能够从定量角度来证明改进的建图方法更加适应环境空间变化，本节通过实验比较主流的aloam、lego_loam、lio-sam 3种算法和Adp-lio-sam算法在同一实验环境下的回环误差和轨迹精度(z轴)，来验证Adp-lio-sam算法的整体性能，假设实验过程仅进行水平方向上的移动，即理想状态z轴偏差为0，起始位置与结束位置重合。5.3.1 实验实验1：环境空间大小改变环境空间大小改变实验结果如图7所示。图7(a)为建图效果，实验从校园较为宽阔的道路进入某空间较小的教学楼内，道路周边非结构化的树木较多，进入狭窄长走廊，再从教学楼的侧面穿出，回到实验起始同一位置。图7(b)为4种算法对应的运动轨迹，从图中可以看出，aloam算法和lego_loam算法不仅无法形成回环，且所得轨迹、地图漂移严重，主要原因是这两种算法没有IMU对激光雷达进行辅助。图7(c)为4种算法的三轴数据，z轴方向aloam算法和lego_loam算法偏移严重，最大偏移量达到10 m；lio-sam算法最大偏移量达到2 m，但在建图6 自适应阈值对比Fig.6 Adaptive threshold contrast 1793第 35 卷第 8 期2023 年 8 月Vol.35 No.8Aug.2023系统仿真学报Journal of System Simulationhttp:/www.china-图结束后z轴方向偏差没有回归到建图起始位置，而Adp-lio-sam算法z轴偏差最小，且回到了起始位置，达到了更好的回环效果，如图7(c)中红圈放大部分，证明了优化后的回环检测精度更高。5.3.2 实验实验2：环境特征类型改变环境特征类型改变实验结果如图8所示。图8(a)为建图效果，实验过程为绕学校半圆形礼堂一周，半圆部分为大面积的玻璃幕墙，对激光存在较大的反射、折射等影响，其他位置为外挂石材，对激光影响较小，两侧为窄过道，绕行结束后回到起始位置。图8(b)为 4 种算法的运动轨迹，从图中可以看出，aloam算法无法形成回环，lio-sam算法在建图过程中特征点匹配失败导致没有位置信息，部分轨迹变成了直线，此2种算法建图失败；lego_loam算法可以依靠地面特征为点云匹配提供依据，Adp-lio-sam算法应用了改进的自适应阈值、运动补偿算法，提高了地图匹配成功率，因此，这2种算法建图成功。图8(c)为4种算法的三轴数据，在x、y、z轴方向，lego_loam、Adp-lio-sam算法运动规律基本保持一致，在z轴方向lego_loam算法起始时刻偏差为 0.5 m左右，而Adp-lio-sam算法起始时刻偏差基本为0；但4种算法在z轴的偏差都整体偏大，说明存在对激光特性影响较大的环境都会对算法建图产生不同程度的影响。图7 空间大小改变实验结果Fig.7 Experiment results of space size changes 1794第 35 卷第 8 期2023 年 8 月Vol.35 No.8Aug.2023焦嵩鸣,等:适应于环境空间变化的激光雷达SLAM建图方法http:/www.china-5.3.3 实验实验3：环境结构相似度改变环境结构相似度改变实验结果如图9所示。图9(a)为建图效果，实验起始位置两侧为结构相似的实验楼外墙，会对特征点匹配造成一定的影响，实验结束后回到实验起始位置。图9(b)为4种算法的运动轨迹，从图中可以看出，只有Adp-lio-sam算法能够较为准确地运行且形成闭环，其他3种算法运动路径漂移严重，这说明从结构相似度较高的环境中开始建图，会使激光雷达误认为自身停留在原地，造成点云错误匹配，对算法的精度影响非常大。图9(c)为4种算法建图过程中的三轴数据，在 x、y、z 轴方向，aloam、lego_loam、lio-sam算法均存在一定程度偏差，lego_loam算法偏差最大，z轴方向偏差达到10 m之多，说明采用KF处理后的运动补偿数据可以较好地弥补环境结构相似给原算法带来的缺陷。5.3.4 结果分析结果分析表1为定位误差对比，真值的起始坐标与终点坐标重合，其中，回环误差表示终点与起点的距离，回环误差百分比表示误差与路程的比值。实验1中，Adp-lio-sam算法比lio-sam算法回环误差降低90.8%，回环误差百分比降低0.2%；实验2中，Adp-lio-sam算法比lego_loam算法回环误差降低4.4%，回环误差百分比降低0.1%；实验3中，仅有Adp-lio-sam算法成功运行并建图。图8 特征类型改变实验结果Fig.8 Experiment results of feature type changes 1795第 35 卷第 8 期2023 年 8 月Vol.35 No.8Aug.2023系统仿真学报Journal of System Simulationhttp:/www.china-表1定位误差Table 1Positioning error实验123算法lio-samAdp-lio-samaloamlego_loamlio-samAdp-lio-samaloamlego_loamlio-samAdp-lio-samaloamlego_loam起点坐标(-3.9310-5,-2.22105,5.2910-6)(3.9810-5,4.9310-5,5.0610-6)(0,0,0)(-0.014,-0.003,-0.015)(0,0,0)(0,0,0)(0,0,0)(0.022 2,-0.008 2,0.001 8)(0,0,0)(0,0,0)(0,0,0)(-0.029,-0.001,-0.005)终点坐标(-0.063 2,0.176 0,0.413 0)(-0.022 1,-0.034 6,0.008 5)(37.910,5.181,40.979)(2.693,10.369,6.659)(0.259,-0.030,1.526)(-0.067 6,-0.028 7,1.147 0)(-6.630,28.938,15.593)(0.530 0,0.025 5,0.964 0)(-0.350,0.376,0.111)(-0.390,0.366,0.135)(-9.324,7.135,1.075)(35.901,29.295,-17.330)回环误差/m0.454 00.041 9failfailfail1.149 0fail1.202 0fail0.552 0failfail路程/m213.2213.5208.3203.3194.7207.5196.9192.8158.8166.6165.4155.7回环误差/%0.200.02failfailfail0.6fail0.60fail0.30failfail图9 结构相似度改变实验结果Fig.9 Experiment results of structural similarity changes 1796第 35 卷第 8 期2023 年 8 月Vol.35 No.8Aug.2023焦嵩鸣,等:适应于环境空间变化的激光雷达SLAM建图方法http:/www.china-利用实验过程水平移动可获得垂直方向真值的属性，着重对z轴进行误差分析，表2为z轴平均误差，实验1中Adp-lio-sam算法比lio-sam算法z轴误差降低48.0%；实验2中Adp-lio-sam算法比lego_loam算法z轴误差降低24.9%；实验3中只有Adp-lio-sam 算法可以正常运行，且建图效果良好。需要注意的是，z轴真值平均值虽然为0，但实验过程中并不能完全保证进行水平方向运动。通过 3 个不同的实验环境对比可以发现，Adp-lio-sam 算法比原算法回环误差平均降低47.6%，z轴平均误差平均降低36.4%，改进算法比原有算法在空间改变明显的环境中能够更大程度地减小位置上的误差，相较于原始算法，改进算法更具有适用性。6结论结论Adp-lio-sam算法相较于原lio-sam算法有如下特点：在点云去畸变过程中，使用KF算法融合帧间位姿插值和IMU插值得到的最优估计位姿对点云进行运动补偿，提升了点云运动补偿效果；通过模糊算法对不同大小的空间环境适配不同的滤波阈值，在不影响建图匹配效率的前提下明显提高了建图精度；对判断是否发生了回环增加前提约束，达到了更好的回环效果。实验结果表明：在环境空间大小改变、特征类型改变、结构相似度改变的实验中，Adp-lio-sam算法比原有算法回环误差平均可降低47.6%，z轴平均误差平均可降低36.4%，Adp-lio-sam算法建图质量更高，轨迹更加趋于真实值，对环境空间变化场景适应能力好，具有较好的实用性。但实验结论也反映出，由于激光雷达垂直方向分辨率较低，z轴误差较大，因此用其他补偿措施进一步提高z轴精度，也是下一步需要研究解决的问题。参考文献参考文献：1王金科,左星星,赵祥瑞,等.多源融合SLAM的现状与挑战J.中国图象图形学报,2022,27(2):368-389.Wang Jinke,Zuo Xingxing,Zhao Xiangrui,et al.Review of Multi-source Fusion SLAM:Current Status and ChallengesJ.Journal of Image and Graphics,2022,27(2):368-389.2周治国,曹江微,邸顺帆.3D激光雷达SLAM算法综述J.仪器仪表学报,2021,42(9):13-27.Zhou Zhiguo,Cao Jiangwei,Di Shunfan.Overview of 3D Lidar SLAM AlgorithmsJ.Chinese Journal of Scientific Instrument,2021,42(9):13-27.3危双丰,庞帆,刘振彬,等.基于激光雷达的同时定位与地图构建方法综述J.计算机应用研究,2020,37(2):327-332.Wei Shuangfeng,Pang Fan,Liu Zhenbin,et al.Survey of LiDAR-based SLAM AlgorithmJ.Application Research of Computers,2020,37(2):327-332.4杜航原,郝燕玲,赵玉新.基于模糊逻辑的SLAM数据关联 方 法 J.系 统 工 程 与 电 子 技 术,2011,33(11):2468-2473.Du Hangyuan,Hao Yanling,Zhao Yuxin.Data Association Approach for SLAM Based on Fuzzy LogicJ.Systems Engineering and Electronics,2011,33(11):2468-2473.5Zhang Ji,Singh S.LOAM:Lidar Odometry and Mapping in Real-timeC/RSS 2014-Robotics:Science and Systems Conference.Berkeley USA:IJRR,2014:109-111.6Shan Tixiao,Englot B.LeGO-LOAM:Lightweight and Ground-optimized Lidar Odometry and Mapping on Variable TerrainC/2018 IEEE/RSJ International Conference on Intelligent Robots and Systems.Piscataway,NJ,USA:IEEE,2018:4758-4765.7Ye Haoyang,Chen Yuying,Liu Ming.Tightly Coupled 3D Lidar Inertial Odometry and MappingC/2019 International Conference on Robotics and Automation.表2z轴误差Table 2z-axis errorm 实验123算法lio-samAdp-lio-samaloamlego_loamlio-samAdp-lio-samaloamlego_loamlio-samAdp-lio-samaloamlego_loam实际误差0.2500.130failfailfail2.350fail3.125fail1.271failfail误差真值000000000000平均误差0.2500.130failfailfail2.350fail3.128fail1.271failfail 1797第 35 卷第 8 期2023 年 8 月Vol.35 No.8Aug.2023系统仿真学报Journal of System Simulationhttp:/www.china-Piscataway,NJ,USA:IEEE,2019:3144-3150.8林晨浩,彭育辉.一种融合视觉与IMU的车载激光雷达建图与定位方法J.福州大学学报(自然科学版),2022,50(1):82-88.Lin Chenhao,Peng Yuhui.A Method of Map Construction and Location Using Lidar and Combining Vision and IMU InformationJ.Journal of Fuzhou University(Natural Science Edition),2022,50(1):82-88.9Wisth D,Camurri M,Das S,et al.Unified Multi-modal Landmark Tracking for Tightly Coupled Lidar-visual-inertial OdometryJ.IEEE Robotics and Automation Letters,2021,6(2):1004-1011.10 Wang Han,Wang Chen,Chen Chunlin,et al.F-LOAM:Fast LiDAR Odometry and MappingC/2021 IEEE/RSJ International Conference on Intelligent Robots and Systems.Piscataway,NJ,USA:IEEE,2021:4390-4396.11 Shan Tixiao,Englot B,Meyers D,et al.LIO-SAM:Tightly-coupled Lidar Inertial Odometry via Smoothing and MappingC/2020 IEEE/RSJ International Conference on Intelligent Robots and Systems.Piscataway,NJ,USA:IEEE,2020:5135-5142.12 Chen Xieyuani,Milioto A,Palazzolo E,et al.SuMa+:Efficient LiDAR-based Semantic SLAMC/2019 IEEE/RSJ International Conference on Intelligent Robots and Systems.Piscataway,NJ,USA:IEEE,2019:4530-4537.13 李振拯,丁恩杰,王戈琛.基于LiDAR-IMU松耦合的同时定位与建图方法J.传感器与微系统,2022,41(4):36-39,43.Li Zhenzheng,Ding Enjie,Wang Gechen.SLAM Method Based on LiDAR-IMU Loose CouplingJ.Transducer and Microsystem Technologies,2022,41(4):36-39,43.14 李国竣,徐延海,段杰文,等.利用局部自适应阈值方法提取ORB-SLAM特征点J.测绘通报,2021(9):32-