惯性测量单元辅助的LiDAR动态点云剔除方法

针对动态场景下动态目标影响激光雷达同时定位与建图算法(LiDAR SLAM)的精度和成图效果问题，该文提出一种基于惯性测量单元(IMU)辅助的多层次模糊综合评价动态点云剔除方法。通过标定IMU/LiDAR外参统一两类传感器坐标系，再将每帧点云聚类分割为若干点云簇，以此为基础，利用IMU信息辅助建立相邻帧各点云簇间的配对关系，构建点云运动状态多层次模糊综合评价模型，判定各点云簇的运动状态，最终将动态点云簇从原始点云数据中剔除。为验证该文方法的可行性和精确性，设计了动态点云剔除实验，并将剔除动态点云后的点云数据输入激光雷达里程计与建图算法(LOAM)进行定位与建图。实验结果表明，该文方法动态点云的剔除成功率为98.67%,静态点云的误剔除率为2.01%,能够有效地提高点云数据质量。相比基于原始点云数据的LOAM算法，均方根误差降低了66.06%,最大误差降低了72.78%,实现了厘米级精度的定位，并且优化了建图效果。     

面向高精度城市测绘的激光紧耦合SLAM方法

针对激光SLAM在城市测绘中存在的累积误差大、稳健性差的问题,本文提出了一种面向城市高精度制图的激光紧耦合SLAM方法,该方法引入杆状和面状特征进行点云配准,降低了城市环境下SLAM的累积误差,并通过GNSS角点位置约束,提高了全局地图构建的准确性.本文在4组城市常见场景(开放园区、地下车库、城市公园、街区道路)中对所提方法进行了验证,并与目前主流的L OAM、LeGO-LOAM和LIO-SAM方法进行了对比,试验结果表明LOAM和LeGO-LOAM在复杂城市场景中稳定性较差,LI O-SAM和本文所提方法成功实现了4组场景的制图.与LI O-SAM相比,本文所提方法仅采用激光惯导紧耦合时,轨迹绝对位置误差较LIO-SAM降低了32.25％,结合GNSS位置因子后进一步降低了92.03％(轨迹精度均优于10 cm).此外,开放园区的控制点精度评定表明本文所提方法的点云绝对坐标精度优于5 cm.     

先验地图/IMU/LiDAR的图优化和ESKF位姿估计方法对比

针对滤波和优化融合算法在不同场景下定位性能不明确的问题，该文构建了一种融合先验点云地图、激光雷达(LiDAR)、惯性测量单元(IMU)的位姿估计框架。对比分析了基于图优化和误差状态卡尔曼滤波(ESKF)两种算法的位姿估计精度，并采用3组KITTI数据进行实验分析。结果表明：图优化算法的绝对位姿误差的均方根小于ESKF算法，3组数据的精度分别提升了28.9%、12.5%和21%;在复杂场景下，基于图优化算法的性能高于滤波算法；在简单场景下，滤波和图优化算法的精度接近，而滤波算法更加稳定。     

机载激光雷达测量检校场布设及检校精度探讨

采用机载激光雷达测量系统对检校场进行点云获取,融合基站数据进行飞行轨迹处理,然后运用区域网提取及最小二乘平面拟合算法进行点云平面提取及拟合,进而改正机载激光雷达测量系统偏心角误差,并采用模拟数据说明该算法的可行性。     

基于图优化的紧耦合双目视觉/惯性/激光雷达SLAM方法

基于单一传感器的同时定位与地图构建技术已经逐渐不能满足移动机器人、无人机及自动驾驶车辆等智能移动载体日益复杂的应用场景。为了进一步提升移动载体在复杂环境下的定位与建图性能,基于多传感器融合的SLAM技术成为目前研究的热点内容。本文提出了一种基于图优化的紧耦合双目视觉/惯性/激光雷达SLAM方法(S-VIL SLAM),该方法在视觉惯性系统中引入激光雷达原始观测,基于滑动窗口实现了IMU量测、视觉特征及激光点云特征的多源数据联合非线性优化。利用视觉与激光雷达的互补特性设计了视觉增强的激光雷达闭环优化算法,进一步提升了多源融合SLAM系统的全局定位与建图精度。为了验证本文算法的性能,利用自主搭建的集成多传感器的硬件采集平台在室外场景下进行了车载试验。试验结果表明,本文提出的紧耦合双目视觉/惯性/激光雷达里程计相比于紧耦合双目视觉惯性里程计和激光雷达里程计定位定姿性能显著提升,视觉增强的激光雷达闭环优化算法能够在大尺度场景下有效探测出轨迹中的闭环信息,并实现高精度的全局位姿图优化,经过闭环优化的点云地图具有良好的分辨率和全局一致性。     

机载激光雷达数据的误差分析及校正

数据质量分析是遥感机理/应用研究（尤其是定量遥感）首要和关键的一步,直接影响遥感反演的精度和遥感应用的效果。激光雷达（Light Detection and Ranging,LiDAR）是一种新兴的主动遥感技术,对数据后处理算法的研究还有待进一步加强,尤其对激光雷达数据的质量分析显得十分迫切。采用了一种基于扫描航带间重叠区数据分析的方法对LiDAR数据质量进行评价,分析误差来源,计算误差的大小,并分别对数据的随机和系统误差进行校正。以机载激光雷达数据为例来进行验证,实验结果表明,这种方法能有效地减少数据误差,达到提高数据质量的目的。     

一种用于单目视觉里程计的特征匹配改进算法

针对随机采样一致算法计算复杂且不能完全消除误匹配的缺点,该文提出了一种特征匹配改进算法来克服该缺点。在特征匹配后根据距离约束筛选匹配点对,然后基于随机采样一致算法进行二次筛选,利用最终的匹配结果构建优化问题,基于图优化理论进行运动估计。匹配筛选实验验证了算法的有效性,结果表明,经本文算法筛选得到的特征匹配,满足单目视觉里程计的数据要求,且轨迹跟踪实验里程计绝对轨迹误差的均方根误差值较现有方法下降了22.66%。     

激光雷达小车定位轨迹精度研究

针对LOAM算法存在较大定位精度问题,该文提出了一种LOAM算法融合自适应粒子滤波(APF)算法。实验表明,使用LOAM算法融合APF算法的轨迹比使用LOAM算法的轨迹定位精度提高了50%。为了更好地验证精度效果,利用R-fans16线激光雷达分别在闭合和非闭合的路线下进行了测试对比分析。结果验证表明:在闭合路线下,LOAM算法融合APF算法为小车提供了精确的位置轨迹;而在非闭合路线下,由于没有闭环约束,随着误差的累积,造成了小车的运动畸变的产生。通过实验,在非闭环轨迹中使用LOAM算法融合APF算法也能有效地对运动畸变进行校准补偿,滤除噪点,从而达到轨迹修正的效果,减少与真实轨迹的误差,提高了定位精度。     

一种手持式半球形视角激光雷达SLAM三维建图技术

针对室内外场景快速三维建图问题,本文提出了一种半球形视角激光雷达扫描同时定位与建图(SLAM)方法,设计了集成半球形视角激光雷达和惯性测量单元的手持便携式三维激光扫描系统。首先,根据半球形视角激光雷达扫描线结构特征,对分割的地面点云降采样,减少垂直约束冗余。然后,对惯性测量单元(IMU)和降采样激光点云通过一个紧耦合迭代扩展卡尔曼滤波器(iEKF)进行联合位姿估计。最后,使用因子图增量式后端优化处理消除累积误差,提升点云地图精度。采用本文方法研发的原型系统对典型室内外场景进行建图试验,结果表明：本文方法绝对定位精度优于4‰,相对定位精度优于0.3‰,在室内外一体化三维建图方面具有广阔应用前景。     

机器人室内运动轨迹修正控制算法

移动机器人在室内的应用提升了人们的工作效率和生活品质,但针对移动机器人室内运动轨迹漂移误差,产业界一直没有较好的解决办法。为了在室内环境下实现机器人运动轨迹的高精度控制,本文结合基于LiDAR搭建的SLAM （simultaneous localization and mapping）功能模块,提出了一种机器人室内测图运动轨迹PID反馈修正控制方法,利用机器人的运动姿态、位置及设计轨迹的偏差设计了闭环模式的轨迹修正控制算法,显著提高了机器人室内作业的轨迹精度。针对机器人室内运动的几种典型轨迹,通过大量的机器人室内测图运动轨迹测试,进一步优化算法中的机器人运动控制参数,有效地减小了移动机器人室内运动轨迹的偏移。相对于依靠里程计定位的机器人室内运动控制系统,修正算法充分利用了激光雷达的定位定姿信息,满足了室内测图需求,得到了具备高可靠性和高稳定性的机器人室内精确运动控制方案。     

一种水平面估计的水域环境视觉SLAM算法

针对内河水域环境水面镜像极易受扰动产生扭曲形变，从而导致视觉SLAM位姿估计不准确的问题，提出匹配地图点和最大梯度估计的方法用于估计水平面位置，区分了水域环境和真实环境的地图点。提出了一种判断水域环境可靠性方法，用于决定追踪侧重于真实环境或全局环境；建图环节中保留水域环境的地图点，用于估计当前水面范围。基于USVInland数据集提供的内河水域场景测试表明，相比原ORB-SLAM3算法，该文算法在仿真平台运行速度比原算法多花费约10%的时间，但绝对轨迹误差平均降低了47%。     

一种利用GPU加速的轨迹线热力图生成显示方法

为解决大数据量带来的热力图生成效率低的问题,引入基于图形处理器(graphic processing unit,GPU)的并行计算方法,并结合轨迹线模型,提出了一种利用GPU加速的轨迹线热力图生成显示方法。首先,针对轨迹点分布不均、邻域半径设置不合理等条件下产生的热力值不连续、不均等问题,采用轨迹线模型提升了热力图的效果。其次,针对大规模数据计算产生的热力图生成效率低的问题,通过GPU并行计算并配合内核函数参数调优、循环展开、像素缓冲对象显示等策略大幅提升算法计算效率。实验结果表明,所提方法较传统的基于中央处理器（central processing unit, CPU）的方法计算效率提升了5~30倍,且随着图像分辨率和轨迹数据的增加,算法加速比有逐步上升的趋势。     

激光雷达技术在我国地形测图中应用前景广阔

激光雷达技术（Light Detection and Ranging,LiDAR）是近十年来快速发展并得到广泛应用的测量手段。美国地质调查局（USGS）、美国国家宇航局（NASA）以及美国地质学会（AASG）已经开始讨论建设全美高分辨率激光雷达数据库。我国正处于东部城市化、土地利用巨变、西部无图而经济高速发展的时期,国家、地方、企业生产单位迫切需要现实性强、精确度高、比例尺大的地形数据产品。满足这些要求的主要途径是采用激光雷达这一先进的测绘技术。我们建议国家、地方与企业统筹规划,各司其职,努力建设我国的激光雷达基础数据库。本文通过Stoker等（2008）介绍的第二届全美激光雷达战略研讨会上论述的激光雷达技术特点、激光雷达数据的科学需求与应用以及商业化运作问题,结合我国目前的激光雷达发展趋势、测绘数据需求以及土地利用变化监测等科学问题,简析激光雷达技术在我国的应用前景。     

ICESat-2机载实验光子云数据自适应去噪及分类算法

第二代星载激光雷达冰、云和陆地测高卫星ICESat-2（The Ice， Cloud， and Land Elevation Satellite-2）搭载了先进光子计数式激光雷达，使用了全新的微脉冲多波束光子计数式激光雷达。由于光子计数式激光雷达的自身特点，其光子云数据具有受噪声光子影响大、信噪比与扫描时间相关、光子分布密度不均匀等问题，目前开发的去噪算法并不能很好的应用于不同的光子云数据。基于以上问题，本文提出一种改进的去噪算法，首先分析光子云内部特征并自适应选择最优参数进行粗去噪，然后进行两次精去噪，最后对光子云进行分类并拟合出地面线及冠层顶线，为提取森林冠层高度提供基础。使用该算法对MABEL数据进行去噪实验，实验结果表明：该去噪算法的一次去噪对不同环境下MABEL数据在夜间的去噪平均精确度为94.5%，F1-score为96.3%，日间平均精确度为86.7%，F1-score为91.7%，且三次去噪算法完成后能够显著提升光子云去噪精度。实验证明该算法对MABEL光子云数据具有较好去噪效果和稳定性，可为ICESat-2数据处理提供参考。本文的光子分类算法能够从光子数据中提取冠层顶点、地面点及林内光子并在此算法中进一步精确去除剩余噪点，最终光子分类结果显示该算法能够从复杂光子云数据中提取森林剖面结构。     

地图匹配辅助的KF-PF室内定位算法模型

针对使用智能手机进行行人航迹推算（pedestrain dead reckoning,PDR）时航向角漂移,定位精度不高,误差累积的问题,提出了一种地图匹配辅助的卡尔曼滤波-粒子滤波（Kalman filter-particle filter,KF-PF）多重滤波算法对PDR算法进行优化。在传统PDR算法的基础上,使用KF融合陀螺仪数据和地图信息解算航向角,然后采用基于地图匹配的粒子滤波算法对轨迹结果进行处理。实验结果表明,该方法消除了航向角误差过大对定位结果的影响,在提高室内定位的灵活性的同时增强了定位的稳定性和精度,并通过地图匹配减少了传统粒子滤波采样点数,降低了运算量,使其在手机平台上实时运行成为可能。     

轨迹压缩的典型方法评价

轨迹大数据的关键瓶颈之一是轨迹数据海量的数据规模对轨迹的分析、挖掘和应用的限制，因而各类针对轨迹数据的压缩方法是轨迹大数据研究的重点。现有轨迹压缩算法重视对轨迹数据的单一维度时空特征的保持，而缺乏压缩算法对多维度时空特征影响的研究。本文选取MBR面积误差、距离误差、方向误差、速度误差、压缩率和压缩速度等轨迹数据多维度时空特征，分别从轨迹的几何特征、运动特征和压缩效率3个层面对典型轨迹压缩方法进行评价。同时，为了系统观察轨迹压缩算法在不同压缩尺度上对轨迹时空特征的影响规律，本文采用多个尺度压缩结果的评价方法。研究结果表明，在整体效果上那些考虑了轨迹运动特征的压缩算法（如TD_TR算法）对轨迹的总体时空特征保持较好；并且不同的压缩算法对时空特征的影响总体上具有随着尺度变化的一致性，可见压缩尺度是决定压缩效果的核心因素。     

一种基于模糊长短期神经网络的移动对象轨迹预测算法

预测移动对象未来某时刻位置能够为城市规划与管理、城市公共安全、城市应急指挥等提供重要的决策依据,也可为个性化信息推荐、广告定投等基于位置的服务应用提供技术支持。已有预测算法多采用固定格网剖分,位置相近轨迹点常被划分至不同格网,使得潜在轨迹模式被忽略,降低了预测精度。此外,已有预测模型不能有效学习到长序列轨迹有效信息,造成长期依赖问题。本文提出一种基于模糊长短时记忆神经网络（fuzzy long short term memory network,Fuzzy-LSTM）模型的移动对象轨迹预测算法,引入模糊轨迹概念解决固定格网剖分所导致的尖锐边界问题,并对传统LSTM进行改进,综合利用移动对象历史轨迹邻近性和周期性出行特征,提高移动对象轨迹位置预测精度。最后,采用某市10万用户连续15个工作日的移动通讯信令轨迹数据集对方法进行试验分析。结果表明,本文方法在30 min预测周期内的预测平均准确率达到83.98%,较经典的Naïve-LSTM预测模型和NLPMM预测模型分别提高了4.36%和6.95%。     

一种综合考虑采样点水平和高程误差的DEM建模算法

为了降低采样点水平和高程误差对数字高程模型（digital elevation model,DEM）建模精度的影响,受总体最小二乘算法启发,以较高精度的多面函数（multiquadric function,MQ）为基函数,发展了整体最小二乘MQ算法（MQ-T）,并分别借助数值实验和实例分析验证模型计算精度。数值实验中,以高斯合成曲面为研究对象,设计了受不同误差分量影响的采样数据,借助MQ-T曲面建模,并将计算结果与传统MQ进行比较。结果表明,当采样点仅受高程误差分量影响时,MQ-T计算结果精度与MQ相当;当采样数据受水平误差分量影响时,MQ-T计算结果中误差小于MQ中误差。实例分析中,以全站仪获取的采样数据为研究对象,借助MQ-T构建测区DEM,并将计算结果与传统插值算法进行比较,如反距离加权（inverse distance weighted,IDW）法、克里金（Kriging）法和澳大利亚国立大学DEM专用插值软件（（Australian National University DEM,ANUDEM）法。精度分析表明,随着采样点密度降低,各种插值算法精度逐步降低;不管采样密度多少,MQ-T计算精度始终高于传统插值算法;对山体阴影图分析表明,MQ-T相比Kriging法有一定峰值削平现象。     

GVIL：基于图优化的GNSS PPP/视觉/惯性/激光雷达紧组合算法

高精度定位与导航服务在移动机器人、无人机与自动驾驶等新兴领域中发挥着至关重要的作用。视觉/惯性/激光雷达组合算法相较于视觉/惯性组合算法,可同时利用环境的空间结构与纹理信息以实现更为鲁棒的位姿估计结果,然而其在大尺度场景下仍存在误差累计问题。为此提出了一种全球导航卫星系统（global navigation satellite system,GNSS）精密单点定位（precise point positioning,PPP）/视觉/惯性/激光雷达紧组合算法。该算法首先通过4种传感器的联合初始化,实现了不同传感器空间基准的统一;然后,用双频无电离层组合后的GNSS伪距、相位观测值与视觉、惯性、激光雷达原始观测值共同构成误差因子;最后,通过基于关键帧与滑动窗口的因子图优化实现了全局位姿的精确、鲁棒估计。经车载实验验证,所提出的GNSS PPP/视觉/惯性/激光雷达紧组合算法通过4种传感器在原始观测值层面的组合,可以显著提升系统在复杂环境下的位姿估计的精度、连续性与可靠性,实现无缝导航。     

顾及交叉路口和车辆模态的轨迹重构与分析

由于数据传输和存储成本的限制,大多数轨迹数据采样率低且不确定,而城市精细模型往往需要高频轨迹数据,例如,微观交通碳排模型需要时间间隔为1 s的轨迹数据。因此,对低频轨迹数据进行高频重构有非常重要的意义。提出了一种顾及交叉路口和车辆模态的轨迹重构方法,采用高频轨迹数据训练车辆运动模态的理论概率模型,结合交叉路口来确定低频轨迹点之间的模态序列,并通过遗传算法求解理论概率模型来完成各模态时间和距离的分配,进而完成轨迹点的高频重构。结果表明,所提方法重构轨迹的均方根误差（root mean square error,RMSE）值相较于传统的数学插值方法降低了62.9%,相较于未考虑交叉路口的模态方法,降低了12.2%。因此,该方法在低频轨迹数据重构中具有很好的应用价值。