摘 要 ：通過研究激光雷達和視覺傳感器融合 SLAM，實現(xiàn)雙目視覺傳感器對單線激光雷達點云的補充，以提高建圖精度。實現(xiàn)方案以 2D 激光雷達點云數(shù)據(jù)為主，雙目視覺傳感器作為激光雷達點云盲區(qū)的補充，搭建 SLAM實驗平臺，完成機器人實時地圖構建并獲取當前位置信息，同時降低攜帶傳感器的成本。

0 引 言

隨著機器人技術的發(fā)展，越來越多的機器人已經(jīng)實現(xiàn)自主運動，但可靠性和制作成本依然制約著機器人的普及。通過使用相較3D激光雷達傳感器成本更低的2D激光雷達和視覺傳感器進行點云數(shù)據(jù)融合，實現(xiàn)平臺搭建，優(yōu)化機器人的SLAM技術，解決當前2D激光雷達存在的感知單一平面點云數(shù)據(jù)不足、視覺傳感器數(shù)據(jù)計算量大等問題［1-2］，提升地圖精度，減少SLAM應用過程中的不確定性。

1 實驗平臺搭建

研究基于ROS構建由2D激光雷達和深度相機點云融合的SLAM［3］平臺，通過NVIDIA Jetson TX2運算平臺和STM32微控制器通信傳送數(shù)據(jù)，實現(xiàn)機器人自主運動。實驗平臺包括點云數(shù)據(jù)識別部分和運動部分，整體結構如圖1所示。

云數(shù)據(jù)識別部分包括激光雷達獲取平面點云數(shù)據(jù)和雙目相機深度點云計算。運行時激光雷達獲取2D平面內障礙物點云信息，雙目相機獲取機器人正面范圍的影像［4］，通過Stereo Matching 計算可視范圍內的深度點云數(shù)據(jù)，并對其進行范圍剔除和距離篩選 ；最后將雙目相機獲得的點云與激光雷達點云序列進行比較更新，融合點云數(shù)據(jù)后根據(jù)占據(jù)柵格地圖算法構建地圖［5］。點云數(shù)據(jù)融合過程如圖1所示。

運動部分通過單片機STM32F4從NUC獲取運動速度向量或從遙控中獲取控制信息，經(jīng)PID解算將電流或電壓值發(fā)送給底盤電機，電機連接聯(lián)軸器帶動麥克納姆輪轉動，從而實現(xiàn)全方向移動［6］。機器人整體設計如圖1所示。

2 研究與測試

圍繞ROS節(jié)點話題進行研究和測試。雙目相機點云生成節(jié)點（cameraNode），將相機點云（/camera_cloud）傳送給點云數(shù)據(jù)處理節(jié)點（/transNode）處理，得到深度數(shù)據(jù)（/depth）；激光雷達點云生成節(jié)點，得到點云數(shù)據(jù)（/laser），二者由點云合成節(jié)點（/mergeNode）融合得到點云數(shù)據(jù)（/scan），再將其輸出到 HectorMapping 的節(jié)點。點云融合建圖部分 ROS 節(jié)點與話題如圖2 所示 ［7］。

2.1 雙目校正與像素匹配

使用金乾象工業(yè)相機中的兩個自制雙目深度相機，需要保證左右畫面的同步和亮度，否則會導致深度圖的計算結果不佳。因此，在相機點云生成（/camera_cloud）之前，需要對左右相機讀取的原圖像進行雙目校正和像素匹配。

雙目校正根據(jù)攝像頭標定后獲得的單目內參（焦距、成像原點、畸變系數(shù)）和雙目相對位置關系（旋轉矩陣和平移向量），分別對左右視圖進行消除畸變和行對準，使得左右視圖的成像原點坐標一致、攝像頭光軸與對極線行對齊。原圖像與校正后圖像對比情況如圖3所示。

像素匹配通過匹配代價計算、代價聚合、視差計算和視差優(yōu)化等步驟 ［8］，對左右視圖上對應的像素點進行匹配得到視差圖。依靠視差圖，結合雙目相機的內參，計算得到正交空間下的點云數(shù)據(jù)。

2.2 點云數(shù)據(jù)處理

由于雙目相機參數(shù)的差異，幀速率不能完全同步，獲取的點云數(shù)據(jù)存在一定誤差，需要先通過點云數(shù)據(jù)處理節(jié)點（/transNode）變換和剔除數(shù)據(jù)，再通過點云合成節(jié)點（/mergeNode）融合同種格式的數(shù)據(jù)。

正交空間下的點云通過透視除法的逆變換得到相機空間下的點云數(shù)據(jù)，獲得相對于相機實際位置的坐標。坐標變換與效果如圖4所示。

數(shù)據(jù)轉換部分將點云投影到二維平面，并轉換為激光雷達點云格式的數(shù)據(jù)，即角度和對應方向的深度值［9］。轉換時，通過反正切函數(shù)，根據(jù)點云位置的水平偏移與深度值計算出角度和距離值，篩選取得各個角度上距離最近的點云，效果如圖5所示。在融合點云之前，應當剔除視錐內不需要的部分，效果如圖5中截取點云后的投影圖所示 ；否則地面和天花板將對投影后的點云造成影響，效果如圖5中的原點云投影圖所示?？紤]到雙目左右圖像的邊緣缺少完整的匹配信息，點云可能出現(xiàn)極不穩(wěn)定的深度值，效果如圖5中未進行邊緣剔除的投影圖所示。因此，在能夠反映完整深度值的情況下，剔除部分邊緣深度值，效果如圖5中邊緣剔除后的投影圖所示。

2.3 點云融合建圖

點云合成節(jié)點將深度數(shù)據(jù)和激光雷達點云數(shù)據(jù)融合，并篩選出各個角度距離最近的點云輸出到 HectorMapping 的節(jié)點。

經(jīng)過測試，增加雙目相機后的建圖能夠獲取單線雷達掃描平面外的細節(jié)，自身位姿估計和建圖結果更加精確，測試對比結果如圖6所示。但與工業(yè)級產(chǎn)品相比穩(wěn)定性差，建圖過程中會有微小偏差。

3 結 語

本文通過激光雷達提供大范圍點云信息，視覺傳感器提供機器人正面區(qū)域補充激光雷達缺失的點云，較單線雷達大范圍稀疏點云提高了計算準確度，使用Hector SLAM算法融合點云數(shù)據(jù)，更好地實現(xiàn)機器人點云獲取和建圖［10］。

審核編輯 ：李倩