申请/专利权人：西安工业大学

申请日：2023-10-16

公开（公告）日：2024-06-21

公开（公告）号：CN117405118B

主分类号：G01C21/20

分类号：G01C21/20;G06T17/00;G06T5/20;G06T7/70;G06T7/277;G01C21/00;G01C21/16;G01C22/00;G01S17/86;G01S17/89

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.02.02#实质审查的生效;2024.01.16#公开

摘要：本发明公开了一种多传感器融合建图方法、系统、设备及存储介质，采集机器人在运行过程中的IMU数据、里程计数据以及激光雷达数据；基于无损卡尔曼滤波法对IMU数据和里程计数据进行加权融合，获取更加精确有效的位姿状态信息；基于激光雷达数据生成初始点云数据，结合体素滤波和粒子滤波算法，对初始点云数据进行赋权重，并根据赋予的权重对点云进行筛选，得到筛选后的第一点云数据，提高点云质量、提升点云匹配的准确性，并提高后续建立子图的效果；基于得到的位姿状态数据和筛选的点云数据，采用Cartographer激光SLAM算法进行地图构建，最终构建的地图更加精确完整。

主权项：1.一种多传感器融合建图方法，其特征在于，所述方法包括：采集机器人在运行过程中的IMU数据、里程计数据以及激光雷达数据；基于无损卡尔曼滤波法对所述IMU数据和里程计数据进行加权融合，得到融合后的第一位姿状态数据；基于所述激光雷达数据生成初始点云数据，结合体素滤波和粒子滤波算法，对所述初始点云数据进行赋权重，并根据赋予的权重对点云进行筛选，得到筛选后的第一点云数据；基于得到的所述第一位姿状态数据和第一点云数据，采用Cartographer激光SLAM算法进行地图构建；基于无损卡尔曼滤波法对所述IMU数据和里程计数据进行加权融合，得到融合后的第一位姿状态数据，具体包括：初始化状态变量S0，初始化协方差矩阵P0和初始卡尔曼滤波增益M0；根据获取的所述IMU数据或里程计数据进行状态预测得到状态预测值并获取预测的协方差矩阵计算无损卡尔曼增益矩阵Mk，根据卡尔曼增益矩阵Mk将观测值与预测值进行加权融合，获得更新后的状态估计值Sk，并得到更新后的协方差矩阵Pk；将预测的状态数据与更新后的状态数据Sk进行比较得到误差，将误差低于预设阈值的数据进行采样并加权融合计算，误差超过预设阈值的数据丢弃；根据IMU和里程计的不同传感器精度进行动态权重分配；根据状态估计值Sk以及分配的动态权重，计算融合后的第一位姿状态数据：Sfk＝Wodom*Sodomk*δodom+Wimu*Simuk*δimu其中，Sf是融合后的位姿状态向量，Wodom和Wimu分别为里程计和IMU的动态权重，Sodomk和Simuk分别为里程计和IMU的状态估计值，δodom和δimu为里程计和IMU自身分别携带的微小扰动误差。

全文数据：

权利要求：

百度查询： 西安工业大学 一种多传感器融合建图方法、系统、设备及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD