激光同時(shí)定位與建圖(Simultaneous Localization and Mapping，SLAM)技術(shù)在激光干擾或結(jié)構(gòu)高度相似的環(huán)境中，容易產(chǎn)生閉環(huán)誤檢。針對這一問題，該研究提出一種閉環(huán)粗匹配與地磁特征篩選閉環(huán)檢測算法。通過在閉環(huán)檢測環(huán)節(jié)中加入地磁匹配算法，對候選閉環(huán)檢測位姿節(jié)點(diǎn)集進(jìn)一步篩選，降低了傳統(tǒng)激光閉環(huán)檢測的誤檢現(xiàn)象，并對定位與建圖環(huán)境中由于反射與透射干擾而引起的誤檢測與建圖失真進(jìn)行修正。該研究采集了真實(shí)的激光點(diǎn)云與地磁信號數(shù)據(jù)集，并將所研究算法與傳統(tǒng)激光 SLAM 進(jìn)行了對比。實(shí)驗(yàn)結(jié)果顯示，該算法在匹配速度和準(zhǔn)確率上都有明顯提升，與 Google 的Cartographer 算法相比，在閉環(huán)檢測速度上提升了 31%，在 0.8 召回率的情況下閉環(huán)檢測的誤檢率降低了 23%，提升了 SLAM 技術(shù)在激光干擾條件下工作的穩(wěn)定性。

1 引 言

同時(shí)定位與建圖(Simultaneous Localization and Mapping，SLAM)技術(shù)自 1988 年被提出以來，主要用于研究移動(dòng)機(jī)器人的智能化。目前配備了激光雷達(dá)、攝像頭、慣性導(dǎo)航模塊(Inertial Measurement Unit，IMU)等關(guān)鍵傳感設(shè)備的智能載體借助 SLAM 技術(shù)已經(jīng)能滿足室內(nèi)場景的自主導(dǎo)航任務(wù)。SLAM 技術(shù)是在未知環(huán)境中實(shí)現(xiàn)自主定位的關(guān)鍵技術(shù)，而基于激光雷達(dá)同時(shí)定位與地圖構(gòu)建(激光 SLAM)的技術(shù)廣泛應(yīng)用在無人駕駛、室內(nèi)外機(jī)器人導(dǎo)航及三維重建等領(lǐng)域。激光 SLAM 之所以能作為無人駕駛定位方案中不可或缺的技術(shù)，其主要原因在于：(1)激光 SLAM 無需對定位場景進(jìn)行預(yù)先布置，即能在未知的環(huán)境中進(jìn)行定位服務(wù);(2)激光能準(zhǔn)確測量障礙點(diǎn)的角度與距離;(3)能在光線較差、光照變化較大的環(huán)境下工作;(4)能夠生成便于導(dǎo)航的柵格地圖與直觀的點(diǎn)云地圖。

前谷歌無人車領(lǐng)導(dǎo)者 Sebastian Thrun 在其2005 年出版的經(jīng)典著作《概率機(jī)器人》一書中介紹了如何基于概率濾波的方法使用二維激光雷達(dá)進(jìn)行地圖構(gòu)建和定位。該書詳細(xì)闡述了從基于RB 粒子濾波(Rao-Blackwellised Particle Filter，RBPF)的經(jīng)典 FastSLAM 算法，逐步發(fā)展成為基于激光雷達(dá)建圖標(biāo)準(zhǔn) GMapping 算法的過程。2016 年，Google 開源其優(yōu)化的激光 SLAM 算法 Cartographer，該算法改進(jìn)了 GMapping 計(jì)算耗時(shí)且無法有效處理閉環(huán)的缺點(diǎn)，利用幀間點(diǎn)云地圖匹配與子地圖構(gòu)建思想有效地彌補(bǔ)了GMapping 的缺陷。

盡管激光 SLAM 技術(shù)可以在一定場景下滿足定位精度的要求，但是難以在全工況的自動(dòng)駕駛場景中提供持續(xù)、穩(wěn)定的高精度定位輸出。另外，由于定位場景的結(jié)構(gòu)相似性且激光點(diǎn)云對環(huán)境的描述能力不足，容易發(fā)生 SLAM 的閉環(huán)檢測誤報(bào)(False Positives)現(xiàn)象，從而降低系統(tǒng)定位與建圖性能。本研究旨在通過將地磁信號與激光SLAM 的閉環(huán)檢測環(huán)節(jié)融合，提出激光 SLAM 在應(yīng)對結(jié)構(gòu)相似性及激光強(qiáng)干擾場景下的定位與建圖任務(wù)時(shí)的創(chuàng)新解決方法。同時(shí)，本研究將此技術(shù)應(yīng)用到無人駕駛的定位與建圖領(lǐng)域，實(shí)現(xiàn)了無人駕駛汽車全天候、全地域的精準(zhǔn)定位，提升了無人駕駛汽車定位算法的精準(zhǔn)性與穩(wěn)定性。

2 相關(guān)研究進(jìn)展

2.1 激光 SLAM 閉環(huán)檢測

近年來一些國外學(xué)者為解決閉環(huán)檢測誤報(bào)現(xiàn)象對 SLAM 系統(tǒng)的影響，提出了閉環(huán)驗(yàn)證算法。Bosse 與 Roberts的工作提出，利用熵序列之間的最大相關(guān)性之和與投影直方圖的驗(yàn)證度量來估計(jì)閉環(huán)檢測的正確性，并在此基礎(chǔ)上提升了閉環(huán)檢測的正確率。Granstrom 等提出了基于變換后掃描并在最后配準(zhǔn)的閉環(huán)檢測驗(yàn)證標(biāo)準(zhǔn)。Corso提出在室內(nèi)環(huán)境中嚴(yán)格處理閉環(huán)驗(yàn)證時(shí)，由于閉環(huán)的現(xiàn)象可以從多種傳感器的數(shù)據(jù)源中被檢測到，因此應(yīng)將閉環(huán)驗(yàn)證算法與閉環(huán)檢測算法分成兩個(gè)方向進(jìn)行研究。此外，Gao 與Harle在已有報(bào)道的基礎(chǔ)上，提出將地磁序列信號的匹配定位方法用于矯正基于 PDR(Pedestrian Dead Reckoning)的 SLAM 閉環(huán)檢測環(huán)節(jié)，以此來提高行人步態(tài)檢測與定位的精度。

2.2 閉環(huán)檢測模型

閉環(huán)檢測是指無人車經(jīng)過一段較長行程并再次回到曾經(jīng)歷過的位置時(shí)，對地圖中曾觀測到的特征進(jìn)行二次觀測，同時(shí)通過兩次觀測的差異對全局地圖進(jìn)行調(diào)整，以減少定位與建圖過程中的誤差累計(jì)。目前主要的閉環(huán)檢測方法包括：(1)幀與幀閉環(huán)檢測;(2)幀與子圖閉環(huán)檢測;(3)子圖與子圖閉環(huán)檢測。以上閉環(huán)檢測算法都是采用相關(guān)性掃描匹配，通過旋轉(zhuǎn)矩陣 R 與平移向量 T 判斷兩幀激光點(diǎn)云的相似性。當(dāng)激光雷達(dá)獲得新的掃描幀時(shí)，在其附近一定范圍搜索最優(yōu)匹配幀，若該最優(yōu)匹配幀符合要求，則認(rèn)為是一個(gè)回環(huán)。該匹配問題可以描述為如下公式：

隨著地圖擴(kuò)大，匹配搜索效率決定了閉環(huán)檢測的實(shí)時(shí)性。當(dāng) SLAM 在應(yīng)對較大場景和復(fù)雜干擾的環(huán)境時(shí)，實(shí)時(shí)定位與建圖對閉環(huán)檢測算法的效率提出了更高要求。此外，對于空間相似性較高的環(huán)境，由于低線束激光雷達(dá)對環(huán)境特征的表達(dá)能力不足，導(dǎo)致閉環(huán)檢測誤報(bào)現(xiàn)象十分常見。對激光光束存在干擾的場景(玻璃、鏡子、不銹鋼等)，無人車運(yùn)行定位與建圖算法時(shí)，會出現(xiàn)一些未完全探明的區(qū)域，此處區(qū)域顯示為灰色，如圖 1(d)紅圈處所示。對于這些干擾，傳統(tǒng)激光雷達(dá)定位主要是在干擾激光掃描平面處貼上反射片，或是通過人工校驗(yàn)的方法進(jìn)行解決。而傳統(tǒng)的人工后處理方法是通過使用機(jī)器人仿真軟件 RoboStudio 中的畫圖工具將建圖結(jié)果中的誤判區(qū)域進(jìn)行擦除，使其變?yōu)橐烟矫鲄^(qū)域，因此該方法既不智能也費(fèi)時(shí)耗力。而本文通過對地磁序列信號的研究，提出了地磁序列信號與激光雷達(dá)融合的閉環(huán)檢測方法，“一站式”地解決了上述干擾對整個(gè)定位與建圖系統(tǒng)的影響。

3 地磁信號與激光 SLAM 融合算法設(shè)計(jì)

本文基于地磁導(dǎo)航技術(shù)與激光 SLAM 算法，針對無人駕駛載體定位與建圖的閉環(huán)檢測環(huán)節(jié)，設(shè)計(jì)了地磁序列搜索與激光點(diǎn)云匹配融合的閉環(huán)檢測算法。算法框架如圖 2 所示，其中紅色虛線框中是本文提出的閉環(huán)粗匹配與地磁特征篩選閉環(huán)檢測算法。

3.1 基于地磁信號與激光雷達(dá)融合定位的算法設(shè)計(jì)

地磁信號與激光雷達(dá)融合定位建圖算法是在激光 SLAM 算法框架基礎(chǔ)上設(shè)計(jì)的，因此和激光SLAM 框架一樣擁有前端掃描匹配、后端優(yōu)化和閉環(huán)檢測等環(huán)節(jié)。本文提出的閉環(huán)粗匹配與地磁特征篩選閉環(huán)檢測算法是將地磁序列匹配技術(shù)引入激光 SLAM 閉環(huán)檢測環(huán)節(jié)。整個(gè)地磁信號與激光雷達(dá)融合定位建圖的算法流程如圖 3 所示。閉環(huán)粗匹配與地磁特征篩選閉環(huán)檢測算法位于整個(gè)系統(tǒng)框右側(cè)紅色虛線框中。算法總體框架參數(shù)設(shè)置分為傳感器參數(shù)設(shè)置與位姿地圖參數(shù)設(shè)置。其中傳感器參數(shù)設(shè)置分為來自激光雷達(dá)的輸入與來自 IMU 的輸入。激光雷達(dá)的參數(shù)設(shè)置包括：掃描角度的范圍、掃描角度間隔、掃描點(diǎn)數(shù)、掃描時(shí)間、一次掃描的線束數(shù)等。

本文算法首先初始化上述參數(shù)，以運(yùn)動(dòng)載體的初始位置為原點(diǎn)，將 IMU 估計(jì)的載體坐標(biāo)附近劃定為激光點(diǎn)云匹配的搜素區(qū)域。在該區(qū)域半徑內(nèi)調(diào)用激光 SLAM 前端點(diǎn)云匹配算法估計(jì)載體更精細(xì)的坐標(biāo)，載體的姿態(tài)由當(dāng)前時(shí)刻的 IMU 提供，此時(shí)已完成前端位姿的估計(jì)。但是在激光點(diǎn)云的匹配過程中，由于受到環(huán)境的干擾，不可避免地出現(xiàn)累計(jì)誤差，這些誤差中一些由后端的優(yōu)化環(huán)節(jié)進(jìn)行消除，另一些則由閉環(huán)檢測環(huán)節(jié)進(jìn)行消除。本文提出的閉環(huán)粗匹配與地磁特征篩選閉環(huán)檢測算法利用地磁序列快速搜索與匹配的特點(diǎn)，能為激光 SLAM 提供穩(wěn)定精準(zhǔn)的閉環(huán)候選集合。

3.2 閉環(huán)粗匹配與地磁特征篩選閉環(huán)檢測算法

接著按照激光點(diǎn)云的匹配算法，匹配新構(gòu)建的點(diǎn)云子地圖與歷史子地圖。本文將滿足子地圖匹配得分閾值的點(diǎn)云子地圖加入候選子圖集，對應(yīng)的地磁序列信號加入候選子序列集合。若不存在滿足條件的點(diǎn)云子地圖，則當(dāng)前位姿不存在閉環(huán)，并跳出閉環(huán)檢測環(huán)節(jié)。然后，通過使用動(dòng)態(tài)時(shí)間規(guī)劃(Dynamic Time Warping，DTW)算法計(jì)算候選地磁子序列與新加入的地磁子序列的距離。由于考慮到即使在閉環(huán)檢測的地方，運(yùn)動(dòng)軌跡也不可能完全重合，因此閉環(huán)檢測附近區(qū)域的運(yùn)動(dòng)必定是時(shí)而靠近上一次運(yùn)動(dòng)的軌跡，時(shí)而遠(yuǎn)離上一次運(yùn)動(dòng)的軌跡。針對這種無約束的運(yùn)動(dòng)(無固定運(yùn)動(dòng)軌跡的運(yùn)動(dòng))，通過設(shè)置固定 DTW距離來約束閾值是不適用的。故使用迭代最近鄰(Iterative Closest Point，ICP)算法計(jì)算候選集中的運(yùn)動(dòng)軌跡，并與當(dāng)前軌跡進(jìn)行匹配，記錄算法迭代至收斂的步數(shù)。最后，對于滿足迭代步數(shù)約束，即運(yùn)動(dòng)軌跡相似的候選集地磁子序列，放寬DTW 閾值的約束。從而使即使偏離原來軌跡的運(yùn)動(dòng)在閉環(huán)檢測的地方也能滿足 DTW 地磁匹配的閾值篩選條件。

圖 4 為閉環(huán)粗匹配與地磁特征篩選閉環(huán)檢測算法流程圖。本文算法可在激光閉環(huán)檢測到的候選子圖中，用地磁匹配的 DTW 和軌跡匹配的ICP 算法再次篩選出準(zhǔn)確的閉環(huán)檢測點(diǎn)，從而解決了閉環(huán)檢測誤檢問題(室內(nèi)建筑結(jié)構(gòu)相似性引起)和定位建圖擾動(dòng)問題(室內(nèi)玻璃、光滑鏡面材質(zhì)對激光光束透射、反射現(xiàn)象引起)。其中，ICP迭代至收斂步數(shù)作為軌跡相似評價(jià)，并自適應(yīng)調(diào)節(jié)閉環(huán)檢測點(diǎn)處匹配的地磁序列閾值，從而保證閉環(huán)檢測的準(zhǔn)確性與穩(wěn)定性。

4 實(shí)驗(yàn)

4.1 無人駕駛硬件測試平臺設(shè)計(jì)

本研究主要采用為碼頭倉庫重載自動(dòng)導(dǎo)引運(yùn)輸車(Automated Guided Vehicle，AGV)提供高精度定位與建圖作為研究背景，圖 6 所示為地磁與激光融合 SLAM 實(shí)驗(yàn)平臺總框圖。該實(shí)驗(yàn)平臺的定位與建圖主要使用的傳感設(shè)備包括，Hokuyo 單線激光雷達(dá)、禾賽 40 線激光雷達(dá)和 Xsens IMU。其中 Xsens IMU 作為地磁序列信號的感知設(shè)備，通過安裝了 ROS(Robot Operating System)系統(tǒng)的筆記本電腦采集空間三軸地磁信號。實(shí)驗(yàn)平臺的工控機(jī)采用英偉達(dá)的 Jetson TX2，筆記本只作為與用戶交互的終端，通過 WIFI 向工控機(jī)收發(fā)指令。激光雷達(dá)與采集地磁信號的 IMU 一同接在 Jetson TX2 上，用以建圖與定位。本實(shí)驗(yàn)平臺不僅能滿足空間地磁序列作為定位匹配信號的驗(yàn)證性實(shí)驗(yàn)要求，還是基于地磁信號的激光SLAM 閉環(huán)檢測方法的主要實(shí)驗(yàn)平臺。

4.2 定位與建圖效果對照實(shí)驗(yàn)

為對比說明 Google 的 Cartographer 激光SLAM 算法與本文的地磁與激光融合 SLAM 算法在建圖與定位效果上的優(yōu)劣，選取對激光雷達(dá)產(chǎn)生大量干擾的場景，如圖 1(b)(中國科學(xué)院深圳先進(jìn)技術(shù)研究院 D 棟 2 樓)實(shí)驗(yàn)場景中存在大片的玻璃落地窗，進(jìn)行對比實(shí)驗(yàn)。圖 7 為實(shí)驗(yàn)場景平面圖。

定位與建圖算法對比實(shí)驗(yàn)步驟：(1)對照實(shí)驗(yàn)采用 AGV 實(shí)驗(yàn)平臺，控制實(shí)驗(yàn)無關(guān)變量進(jìn)行實(shí)驗(yàn)(在相同場景、時(shí)間段、控制實(shí)驗(yàn)車運(yùn)行大致相同的軌跡);(2)啟動(dòng)實(shí)驗(yàn)小車同時(shí)運(yùn)行Cartographer SLAM 算法，實(shí)時(shí)觀察 SLAM 算法輸出的定位軌跡與建立的柵格地圖;(3)讓實(shí)驗(yàn)小車完整地運(yùn)行一周，運(yùn)行結(jié)束后保存運(yùn)行軌跡與建立的柵格地圖;(4)運(yùn)行本文提出的地磁與激光融合 SLAM 算法，重復(fù)(2)、(3)步驟。

4.3 實(shí)驗(yàn)結(jié)果與分析

4.3.1 定位與建圖效果對比實(shí)驗(yàn)

搭載了激光雷達(dá)的 AGV 在室內(nèi)場景運(yùn)行一周后構(gòu)建的柵格地圖與推算的運(yùn)動(dòng)軌跡如圖 8(a)所示。結(jié)果顯示，與小車實(shí)際行駛軌跡的最大出入是剛開始的一段錯(cuò)誤定位軌跡，這是由于場景中結(jié)構(gòu)相似性導(dǎo)致的。因?yàn)闊o論是從左到右還是從右到左行駛，激光雷達(dá)的觀測量都存在極大相似性。在經(jīng)過該結(jié)構(gòu)相識性較高的環(huán)境后，Cartographer 的定位才與實(shí)際情況相符合。而本文算法在相同干擾環(huán)境中定位的軌跡如圖 8(b)所示，符合無人車的實(shí)際運(yùn)動(dòng)。

在進(jìn)行定位與建圖效果對照實(shí)驗(yàn)中，傳統(tǒng)SLAM 算法在應(yīng)對環(huán)境中的玻璃干擾時(shí)，常常錯(cuò)誤建圖與定位，具體如圖 8(c)所示。原因是激光雷達(dá)對場景的描述能力不足，幀間匹配特征不夠明顯，閉環(huán)檢測環(huán)節(jié)在應(yīng)對上述干擾時(shí)不起作用。因?yàn)椴ＡУ裙饣R面材質(zhì)對激光光束透射、反射，所以此算法容易構(gòu)建出實(shí)際中不存在的可行使區(qū)域(被玻璃材質(zhì)隔斷的區(qū)域)，這對于使用該地圖進(jìn)行導(dǎo)航的任務(wù)來說將會產(chǎn)生碰撞后果。針對這些問題，基于地磁信號在空間分布的差異性與穩(wěn)定性，本文提出的地磁與激光融合的解決方案在應(yīng)對上述干擾時(shí)有更好的建圖與定位效果，如圖 8(c)、8(d)中的圓圈區(qū)域?qū)?yīng)圖 1(b)中的玻璃干擾區(qū)域。

4.3.2 算法運(yùn)行效率實(shí)驗(yàn)與結(jié)果分析

為體現(xiàn)地磁信號與激光雷達(dá)融合的閉環(huán)檢測算法對激光點(diǎn)云匹配速度的提升性，實(shí)驗(yàn)選用 100 幀激光數(shù)據(jù)進(jìn)行匹配比較。同時(shí)將本文算法、暴力匹配的搜索算法與 Cartographer 的分支定界加速閉環(huán)檢測算法進(jìn)行比較。為確保實(shí)驗(yàn)的公平性，在 AGV 運(yùn)行一周時(shí)采集的激光點(diǎn)云與地磁數(shù)據(jù)中，隨機(jī)選取 100 幀激光點(diǎn)云，測試 3 種閉環(huán)檢測算法完成 100 次匹配后的運(yùn)行時(shí)間。從圖 9 可看出，在同樣匹配次數(shù)下，暴力匹配算法消耗的時(shí)間大約為 13 s/次;Cartographer 算法大約為 6.7 s/次;而具有地磁匹配檢測算法僅為 0.9 s/次?？梢姷卮牌ヅ浜Y選能減少產(chǎn)生的候選集，在 100 幀的匹配任務(wù)中本文算法匹配速度相比于 Cartographer 的分支定界加速匹配算法提升了 10%。

閉環(huán)檢測誤檢率和召回率分布情況如圖 10 所示。本文算法通過地磁匹配算法篩選出候選閉環(huán)檢測位姿節(jié)點(diǎn)方法后，由于地磁匹配算法能快速地過濾掉很多容易造成誤檢的結(jié)果，因此本文算法的誤檢率在 3 種算法中一直維持在較低水平。從圖 10 可看出，不論激光點(diǎn)云幀與子地圖匹配的得分閾值如何設(shè)置，在相同召回率的情況下，本文算法的閉環(huán)檢測誤檢率都低于分支定界加速匹配算法與暴力匹配算法;在 0.8 召回率的情況下閉環(huán)檢測的誤檢率降低了 23%，明顯提升了閉環(huán)檢測算法的穩(wěn)定性。

5 總結(jié)與展望

本文以激光 SLAM 閉環(huán)檢測環(huán)節(jié)中的誤檢現(xiàn)象，及在定位與建圖環(huán)境中由干擾引起的閉環(huán)誤檢測與建圖失真現(xiàn)象為研究課題。首先，在對激光 SLAM 閉環(huán)檢測的相關(guān)研究進(jìn)行調(diào)研后，將地磁導(dǎo)航技術(shù)中的地磁匹配與激光 SLAM 中的閉環(huán)檢測環(huán)節(jié)相結(jié)合。通過從激光 SLAM 算法中必要的 IMU 傳感設(shè)備里提取地磁信號作為閉環(huán)的判斷依據(jù)，有效地解決了建圖與定位技術(shù)中閉環(huán)檢測匹配速度緩慢及閉環(huán)誤檢的問題。然后基于本文提出的地磁序列搜索與激光點(diǎn)云匹配融合的閉環(huán)檢測算法以及地磁與激光融合SLAM實(shí)驗(yàn)平臺設(shè)計(jì)，將傳統(tǒng) SLAM 算法與本文算法進(jìn)行對比。最后對傳統(tǒng) SLAM 算法定位與建圖失效的原因進(jìn)行詳細(xì)分析，并提出了在上述 SLAM 失效場景中的解決方案。

實(shí)驗(yàn)結(jié)果表明，與激光 SLAM 技術(shù)的行業(yè)標(biāo)桿 Carto-grapher 算法相比，本文算法降低了局部相似度較高引起的誤檢情況;同時(shí)在定位與建圖環(huán)境中，改善了激光光束反射與透射干擾引起的閉環(huán)誤檢與建圖失真現(xiàn)象。在穩(wěn)定性方面，本文算法與 Cartographer 算法相比，激光 SLAM在匹配速度和閉環(huán)檢測穩(wěn)定性上都有明顯提升。

傳 統(tǒng) 的 基 于 濾 波 的 激 光 S L A M ， 如C o r e S LA M 、G M a p p i n g 與基優(yōu)化的HectorSLAM、KartoSLAM、LagoSLAM和Cartographer，無法在激光干擾的場景中確保定位與建圖的準(zhǔn)確性。而本文算法由于使用了地磁匹配技術(shù)改進(jìn)激光閉環(huán)檢測環(huán)節(jié)，在應(yīng)對上述干擾場景時(shí)均能穩(wěn)定輸出精確的定位與建圖結(jié)果。經(jīng)過多次實(shí)驗(yàn)測試，證明本文算法在閉環(huán)檢測速度提升 31% 的前提下，定位精度在無激光干擾場景中仍可與 Cartographer 算法持平，從而提高了定位與建圖的效率。此外，在激光干擾的場景中，本文算法的定位精度與建圖效果優(yōu)于上述所有激光 SLAM 算法。

室外的復(fù)雜環(huán)境為無人駕駛精準(zhǔn)定位與建圖帶來更多的挑戰(zhàn)，同時(shí)室外對激光雷達(dá)感知與IMU 地磁信號的測量存在更多干擾。如何在保證定位精度與建圖效果的前提下，將地磁與激光融合 SLAM 技術(shù)拓展到室外駕駛環(huán)境是我們未來探索的方向。

文章轉(zhuǎn)載自《集成技術(shù)》