Um Método Eficaz de Construção de Mapas Baseado em SLAM LiDAR-Inercial para Ambientes Externos

O SLAM (localização e mapeamento simultâneos) é essencial para posicionamento preciso e planejamento razoável de trajetórias em robôs móveis externos. O SLAM LiDAR é atualmente o método dominante para criar mapas de ambientes externos. No entanto, os algoritmos de SLAM LiDAR principais têm um processo de extração de características de nuvem de pontos único na frente e a maioria da detecção de fechamento de laços na parte de trás é baseada em RNN (vizinho mais próximo em raio). Isso resulta em baixa precisão de mapeamento e desempenho em tempo real ruim. Para resolver esse problema, integramos as funções de segmentação de nuvem de pontos e detecção de fechamento de laço do Scan Context com base no avançado algoritmo SLAM LiDAR-inercial (LIO-SAM). Primeiro, utilizamos imagens de alcance para extrair pontos de solo a partir de dados brutos de LiDAR, seguido pelo algoritmo BFS (busca em largura) para agrupar pontos não do solo e subamostrar outliers. Em seguida, calculamos a curvatura para extrair pontos planos a partir de pontos do solo e pontos de canto a partir de pontos não do solo segmentados agrupados. Finalmente, utilizamos o método Scan Context para detecção de fechamento de laço para melhorar a velocidade de mapeamento da parte de trás e reduzir a deriva de odometria. A validação experimental com o conjunto de dados KITTI confirmou as vantagens do método proposto e, combinado com os conjuntos de dados Walking, Park e outros, verificou de forma abrangente que o método proposto apresentou boa precisão e desempenho em tempo real.