面向点云退化的隧道环境的无人车激光SLAM方法

基于激光同时定位与地图构建(simultaneous localization and mapping,SLAM)技术,不仅能够实现车辆在未知环境下的实时定位,还能高效地获取环境的三维地理空间信息,近年来受到了无人驾驶领域的广泛关注.在几何结构匮乏的隧道中,仅依赖几何信息无法配准点云,因此传统激光SLAM方法难以在隧道中应用.为解决这一问题,本文在L OAM的基础上,提出一种点云强度信息增强的改进激光SLAM技术.首先,改进特征提取方法,提出基于点云柱面投影图的自适应特征提取方法,从单帧点云中提取直线、平面、地面和反射强度特征;其次,针对点云的几何特征配准在隧道中的退化问题,提出一种基于强度特征和强度地图的配准优化方法,自适应提取环境中的强度特征并根据强度特征的配准对车辆位姿进一步修正.试验结果表明,该方法较LOAM和HDL-Graph-SLAM具有更好的稳健性,能够在缺乏几何特征但强度特征丰富的隧道内实现稳定的定位和地图构建,定位精度提升了一个数量级.     

多视角三维激光点云全局优化整体配准算法

提出一种已知多视激光点云配准初值进行自动全局优化的整体配准算法,并详细推导了多视激光点云配准全局优化平差模型。本算法对多视角三维激光点云的扫描顺序不作要求,可以处理无序散乱的多视三维激光扫描点云,同时可以获得最小二乘意义下的最优变换参数,实现多视三维激光点云的自动精确配准。利用实际三维激光扫描点云数据进行试验,得到了预期的结果,验证了本文方法的可行性和有效性。     

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。     

基于ArcGIS的云存储三维激光点云测图实现方法

描述了基于ArcGIS二次开发海达云存储三维激光点云测图插件,实现了内业人员在局域网内协同完成点云测图的方法。在数据服务器上部署MogoDB数据库,向数据库中上传海量三维激光点云和全景数据,内业人员在局域网内下载作业区域数据,在ArcMap中实现激光点云和全景影像数据绘制,基于点云数据进行地物要素采集和属性数据录入,可提高数字化要素的作业效率,为数字测图建库提供了一种新技术手段和作业模式。     

基于3D-SIFT与SICP的激光点云与影像配准方法

针对激光点云与影像配准数据量大、质量差的问题,本文提出一种基于三维尺度不变特征变换（3D-SIFT）与尺度迭代最近点算法（SICP）相结合的激光点云与影像配准方法。首先使用运动恢复结构（SfM）方法将影像通过光束法平差生成影像三维点云,然后使用3D-SIFT提取激光点云与影像三维点云中的特征点,接着利用对偶四元数求解激光点云和影像三维点云的初始变换矩阵,实现两种点云数据的粗配准;最后利用SICP算法实现两种点云数据的精配准。实验结果表明,本文方法获取的激光点云与影像配准中误差为0.24 cm,配准时间为69 s,且与选代最近点算法（ICP）相比提高了配准精度和配准效率。     

地面激光点云多源约束的稳健整体配准

采用多源约束验后方差迭代整体配准法,通过试验证明该方法可以有效降低配准粗差影响,提高点云的配准质量和稳定性。     

利用先验点图模型的SLAM后端优化算法

目的 目前基于因子图的后端优化算法具有优越性。在因子图中,节点代表姿态,节点之间的边代表里程信息和封闭循环约束。由于因子图并未描述每个节点精度的差异,导致整体定位精度仍有提高的空间。针对这个问题,提出了一种基于先验点图模型的后端优化算法,依据前端提供节点精度的差异,在因子图中引入高精度点,然后采用改进的Levenberg算法进行全局优化,从而实现在结合原有概率约束的基础上,利用少量高精度点牵引其他点向真实值靠近,完成更为精准的自身定位。并在公开数据集上进行了实验,结果证明,本文提出的算法增强了前后端的关联,提高了定位精度。     

散乱点云数据精配准的粒子群优化算法

作为点云数据处理的关键步骤点云数据配准的结果直接影响后续数据处理的精度 基于人工标靶和ICP思想的传统配准方法存在受环境影响初始条件限制以及特征点提取困难等问题 针对传统地面激光扫描点云数据的高精度配准方法主要依赖人工标靶和特征点选取等局限提出了一种改进的粒子群优化算法以法向量叉积代数和最小作为适应度函数对相邻点云重叠区域内的所有数据进行高效的全局搜索在选取最佳配准点的基础上实现了散乱点云的精确配准 通过对多站扫描的高陡边坡岩体点云数据进行整体配准并与ICP等经典算法进行对比实验结果验证了本方法的可行性有效性和稳定性可以有效解决配准过程中标靶或同名特征点不易寻找的问题     

SLAM三维激光扫描仪在房产测绘中的应用

近年来,同步定位与绘图（SLAM）三维激光扫描技术越来越多地应用于测量领域,通过对各种传感器数据进行采集和计算,生成对其自身位置姿态的定位和场景地图信息的技术,使其在没有全球导航卫星系统（GNSS）信号的室内环境具有独特优势。本文以某项工程实例房产测绘外业数据采集为例,使用某国产品牌SLAM三维激光扫描仪进行外业数据采集,同时使用传统测量仪器同时采集部分校核尺寸,通过两种数据之间的对比,评价SLAM三维激光扫描仪在房产测绘外业采集过程中的精度和效率。实例表明,SLAM三维激光扫描仪数据精度满足房产测绘外业数据成果要求,综合效率是传统测量方式的5倍以上,该技术和设备在房产测绘中具有广阔的前景。     

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.     

基于总体最小二乘匹配的机载LiDAR点云航带平差方法

机载LiDAR技术在快速获取空间三维地理信息及其应用方面具有不可估量的前景,然而,机载LiDAR系统获得的相邻航带点云数据在重叠区存在"漂移"问题,需要采用航带平差的方法实现不同航带点云数据之间的"无缝"拼接。针对最小二乘航带平差方法中存在的某些不足,结合总体最小二乘与航带平差方法,将总体最小二乘应用于点云的平面拟合,从而提高了相邻航带匹配的精确性。采用实际飞行数据,设计实验方案对航带平差效果进行比较分析。     

地面激光点云与数码影像自动高精度配准

针对地面激光雷达点云和数码光学影像非同源异质数据自动配准困难的问题,本文提出了基于互信息的两种数据同名特征高精度自动提取的方法。首先,把点云数据生成中心平面投影的反射强度图像和基于RGB信息的彩色图像,应用点云彩色图像和数码光学影像的匹配,确定点云与影像的粗配准参数;然后,对反射强度图像进行特征提取,应用粗配准参数确定其在数码光学影像上的初始位置,应用互信息实现非同源数据的高精度匹配;最后,应用罗德里格矩阵和选权迭代方法计算高精度配准参数,生成三维彩色模型。试验证明,本文方法可以解决地面激光点云和数码光学影像非同源异质数据的配准问题,具有一定的研究和应用价值。     

基于平面特征的地面雷达点云配准算法

针对地面LiDAR点云配准中不同坐标系点云数据存在对应的平面特征不同的问题,文章提出了一种基于总体最小二乘的地面LiDAR点云数据配准算法:通过对分割后的点云数据平面拟合,得到相应法向量;根据不同坐标系中LiDAR点云数据对应的平面法向量,利用反对称矩阵和罗德里格矩阵的性质,用3个独立参数代替3个旋转参数,采用总体最小二乘法建立旋转矩阵解算模型;采用总体最小二乘法确定平移参数的计算公式;最后根据转换后特征点云与对应平面点云的重复情况,给出了配准模型的精度公式。实验结果表明该方法精度较高,可以取得较好的点云配准效果,适合于含有大量重复平面特征的点云数据的配准。     

LiDAR点云的建筑物立面空洞修复

针对树木等遮挡造成的车载LiDAR建筑物立面点云空洞,该文提出了一种基于机载和车载LiDAR数据融合的建筑物点云修复方法,即在空-地LiDAR点云融合的基础上,基于提取的机载LiDAR建筑物外轮廓线,通过缓冲区分析实现车载LiDAR建筑物点云分割;借助轮廓线信息实现了邻近建筑物间的相似性判断,基于匹配后的相似建筑物点云和空洞探测方法,实现了建筑物立面点云空洞修复。最后通过实验数据验证了该方法的可行性。     

采用聚类分析的车载点云地物分类

针对车载激光雷达点云初始聚类中心难以确定的问题,该文提出了一种基于最大网格密度的近邻聚类算法对点云实现分割,并以高程、法向量和投影密度作为约束条件对分割后的点云块进行地物的分类识别。通过对车载激光雷达的部分点云数据进行相关试验,结果表明该方法可以精确有效地实现城市典型地物分类。     

一种基于ISS-SHOT特征的点云配准算法

针对点云配准过程中易产生错误对应点、收敛速度慢、配准时间长等问题,提出了一种基于内部形态描述子(ISS)及方向直方图描述子(SHOT)特征的点云配准算法。运用体素格网法下采样后,采用ISS算法提取特征点,并用SHOT对特征点进行描述,利用余弦相似度匹配对应点对,再采用RANSAC算法剔除错误对应点对,使得两片点云获得良好的初始位姿,最后采用点到平面的ICP算法进行精确配准。试验结果表明,与传统ICP算法及基于ISS的SAC-IA+ICP算法相比,本文算法配准精度及配准效率更高,对数据量大、重叠率较低点云具有很好的稳健性。     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

机载LiDAR点云生成多尺度DEM方法

为了利用机载激光雷达点云生成高保真、多尺度的数字高程模型(DEM),提出了一种基于综合生成策略的方法:首先,利用点云数据中的地面点生成高分辨率、高保真的DEM作为基础DEM;然后,通过迭代的方式对上一层较高分辨的DEM进行综合获取较低分辨率、高保真的DEM。实验表明,本文方法不仅具有可行性,而且生成的多尺度DEM具有高保真的特性。     

利用机载LiDAR点云的建筑表面太阳辐照度计算

针对城市建筑表面太阳能利用的迫切需要问题,该文提出一种屋顶及立面太阳辐照度一体化计算方案.该方法以机载LiDAR点云为数据基础,以"建筑遮挡分析—天空视域分析—太阳辐照度模型构建"为技术框架,高效率和准确地计算了建筑屋顶及立面辐照度.同时,将散射辐射分为环 日散射、天穹散射和建筑散射,提高了建筑散射辐射计算准确度.选取南京奥体新城约30 km2区域(共计5 216栋建筑)进行分析,结果表明,建筑屋顶直接辐照度时间变化规律明显,受太阳高度角、屋顶坡度和坡向影响较大,而建筑立面太阳辐照度则主要受建筑朝向影响.利用本文方法计算建筑表面太阳辐照度,可为光伏发电模拟、建筑形态设计、城市能源规划等提供基础信息产品.     

基于特征点法向量的点云配准算法

在传统的迭代最近点算法（ICP）中,需要两片点云具有良好的初始位置,否则在配准时容易陷入局部最优。针对该问题,本文提出了一种基于特征点提取与配对的粗配准方法,以调整两片点云重叠部分的初始位置。首先,利用SIFT算法提取两片点云公共部分的特征点;其次,根据特征点法向量之间的欧氏距离将两片点云的特征点两两配对;然后,利用法向量的夹角对特征点对进行提纯;最后,通过单位四元数法,求解出旋转及平移矩阵,完成粗配准。试验表明,本文基于特征点法向量的粗配准方法可为精配准提供良好的初始位置,在一定程度上避免配准时陷入局部最优的现象。