电子学报 ›› 2021, Vol. 49 ›› Issue (11): 2241-2250.DOI: 10.12263/DZXB.20200951

• 学术论文 • 上一篇    下一篇

基于最小回环检测的多车协同SLAM框架

李博洋1, 刘思健1, 崔明月1, 赵治豪2, 黄凯1   

  1. 1.中山大学计算机学院,广东 广州 510006
    2.中山大学深圳研究院,广东 深圳 518057
  • 收稿日期:2020-08-31 修回日期:2021-05-13 出版日期:2021-11-25 发布日期:2021-11-25
  • 作者简介:李博洋 男,1994年5月生于辽宁鞍山,现为中山大学计算机学院博士研究生,研究方向为三维环境感知.E-mail:liby3@mail2.sysu.edu.cn
    刘思健 男,1993年6月生于广东湛江,现为中山大学计算机学院硕士研究生,研究方向为多机器人协同SLAM.E-mail:liusj37@mail2.sysu.edu.cn
    崔明月 男,1992年11月生于山东淄博,现为中山大学计算机学院博士研究生,研究方向为智能机器人与边缘计算.E-mail:cuimy@mail2.sysu.edu.cn
    赵治豪 男,1996年3月生于河南驻马店,现为中山大学深圳研究院硕士研究生,研究方向为智能机器人.E-mail:zhaozhh25@mail2.sysu.edu.cn
    黄 凯(通信作者) 男,1977年10月生于广西梧州,现为中山大学计算机学院教授,博士生导师,研究方向为无人系统与智能机器人.E-mail:huangk36@mail.sysu.edu.cn
  • 基金资助:
    广州市科技计划(202007050004);深圳市基础研究(JCYJ20180507182508857);国家重点研发计划(2018YFB1802400)

Multi-Vehicle Collaborative SLAM Framework for Minimum Loop Detection

Bo-yang LI1, Si-jian LIU1, Ming-yue CUI1, Zhi-hao ZHAO2, Kai HUANG1   

  1. 1.School of Computer Science and Engineering,Sun Yat-sen University,Guangzhou,Guangdong 510006,China
    2.Shenzhen Institute,Sun Yat-sen University,Shenzhen,Guangdong 518057,China
  • Received:2020-08-31 Revised:2021-05-13 Online:2021-11-25 Published:2021-11-25

摘要:

为了提升自动驾驶车辆的感知效率和准确率,解决协同感知算法中对协同条件的限制和多源数据融合等问题,本文引入基于激光雷达的即时定位与建图(Simultaneous Localization and Mapping, SLAM)算法,提出面向自动驾驶的多车协同SLAM框架.首先,车辆运行单车SLAM,构建本地约束并共享地图和位姿数据.同时车辆接收并处理其他车的数据,若其他车辆与本车已建立坐标系转换关系则直接完成数据融合,否则基于重叠区域相似点云配准解算多车坐标系转换关系.采用图的连通分支和生成森林理论跟踪数据融合情况并构建多车回环约束,基于通用图优化(General Graph Optimization, G2O)理论对全局地图优化.真实场景与KITTI数据集的实验结果表明,本文的框架无需构建包含所有车辆相对位姿的全局坐标系或满足多车相遇等约束条件,即可实现多车协同SLAM,并在SLAM的效率和准确率等指标上具有优势.

关键词: 协同SLAM, 车车协同通信, 数据融合, 回环检测, 激光雷达, 自动驾驶

Abstract:

In order to improve the perception efficiency and accuracy of autonomous driving vehicles, and to solve the limitations which correspond to the conditions and the multi-source data fusion, this paper advocates a cooperative SLAM(Simultaneous Localization and Mapping) framework for autonomous driving. Firstly, each vehicle runs single SLAM algorithm, builds the local constraints and shares the map and pose. Meanwhile, each vehicle receives and handles data from others. If the coordinate relationship has been established, the coming data is directly fused. Otherwise, the relationship is computed based on the point clouds registration in overlapping areas. The connection components and spawn forest are adopted to track and build the multi-vehicle loop constraint. General Graph Optimization algorithm (G2O) is used to optimize the global map. Experiments based on real world and KITTI dataset show that our framework outperforms relevant SLAM systems, relaxing the conditions of providing relative poses in initial stage and vehicles encountering.

Key words: cooperative slam, vehicle-to-vehicle (V2V), data fusion, loop detection, light detection and ranging, autonomous driving

中图分类号: