仪器仪表学报

作者：孙明晓，王鑫源，栾添添，王潇，刘鹏飞

单位：孙明晓,哈尔滨理工大学自动化学院哈尔滨150080,sunmingxiao@hrbust.edu.cn,王鑫源,哈尔滨理工大学自动化学院哈尔滨150080,,栾添添,哈尔滨理工大学自动化学院哈尔滨150080,luantiantian@hrbust.edu.cn,王潇,哈尔滨理工大学自动化学院哈尔滨150080,,刘鹏飞,合肥哈工图南智控机器人有限公司合肥230000,

关键词：SLAM;动态环境;点云分割;深度图;无人车

基金：国家自然科学基金青年项目（62103120）、黑龙江省自然科学基金项目（YQ2024E047）、黑龙江省优秀青年教师基础研究支持计划项目（YQJH2024067）、黑龙江省博士后面上项目（LBH-Z22197）、黑龙江省复合材料高效成型及智能装备技术创新中心开放课题面上项目（HPTIC202204）资助

针对激光SLAM在动态环境下出现精度下降与系统鲁棒性差的问题，故提出一种动态环境下基于深度图的无人车激光SLAM算法。首先，针对激光入射光线贴近地面时，部分地面点云会被误判为动态障碍物的问题，通过角度阈值将激光点云分割为地面点云与非地面点云，排除地面点云的影响。其次，将非地面点云投影为深度图，把三维空间中的点云投影到二维图像上，采用图像领域的方法减少点云数据处理的复杂度。然后，针对稀疏的激光点云不能准确反映真实环境的问题，利用激光雷达的距离信息作为自适应调节深度图的权重设置深度图的分辨率，使得在不同距离区间的深度图具有不同的分辨率，在不同的距离区间都能够准确识别出动态障碍物，提高系统识别动态障碍物的效率。最后，将局部地图与激光雷达查询帧所形成的深度图进行像素相减，通过得到的视差图去除动态障碍物，并通过降低深度图的分辨率恢复被误删的静态点，得到高精度静态地图。通过实验验证，在仿真环境中，本算法的动态障碍物移除分数为94.13%。在KITTI数据集中，本算法的动态障碍物移除分数为95.22%。在小场景环境和大场景环境中，本算法的动态障碍物移除分数分别为96.43%和93.30%。算法能高效去除动态障碍物，提高地图精度与系统鲁棒性。

来源：2025年第3期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第3期