大规模动态环境下基于几何约束的图优化SLAM与运动目标跟踪方法

Graph-based optimization method provides an effective method for mobile robot simultaneous localization and mapping (SLAM) under large-scale environment. But this kind of method is mainly for static environment, the state of the system model does not include the state of moving object. It is focusing on the back-end optimization algorithm research, and seldom comprehensively consider the data association of front-end. In this application, to solve the SLAM and target tracking problem under the large-scale and dynamic environment, based on the visual-inertial sensor fusion, we will explore new modeling method for the multi-variable system, which includes SLAM, moving object detection and tracking, with dynamic Bayesian networks (DBN) model. In this model, to improve the parameter consistency of the SLAM and moving object, the geometric constraints derived from the environment will be taken into consideration in the joint state posteriori probability estimation. Key issues of the front-end and back-end will be studied, which include,.(1).Based on sliding window filter and geometric constraints, exploring new method for moving object detection and tracking;.(2).The map representation for large-scale and dynamic environment;.(3).Geometric constraint-based data association and online parameter calibration method;.(4).Based on visual-inertial sensor fusion, exploring the consistent parameter estimation method..Experiments in the indoor and urban road environment will be conducted for the verification of the proposed method. .The research work in this application can be taken as a theoretical and practical application reference of SLAM and moving object tracking for the mobile robot in large-scale and dynamic environments.

基于图优化的方法是大规模环境下移动机器人SLAM的有效方法。这类方法主要针对静态环境，建模时忽略了运动目标的状态描述和参数估计问题；侧重后端优化算法的研究，很少对前端的数据关联进行综合考虑。针对大规模动态环境下的SLAM和目标跟踪问题，研究基于单目视觉和惯性测量传感器的融合，采用动态贝叶斯网络(DBN)模型对移动机器人同步定位与地图创建、运动目标检测与跟踪这类复杂多变量系统进行建模的方法。在该模型下，研究基于环境几何约束的参数后验概率估计方法。并对该模型下图优化方法的前、后端关键技术展开研究，主要包括：基于滑动窗和几何约束的运动目标检测与跟踪方法；大规模动态环境的地图表示方法；基于几何约束的数据关联、参数在线标定、多传感器融合参数一致性滤波估计等方法。在室内和城市道路环境下对提出的方法进行验证。本研究工作为大规模动态环境下基于图优化的SLAM及运动目标跟踪提供了理论基础和实际应用参考

大规模动态环境下的SLAM和目标跟踪问题是无人驾驶技术中环境感知和高清地图中的核心问题，有着重要的理论研究价值和广阔的应用前景。本项目通过对基于视觉的目标检测与跟踪、动态环境下基于融合的SLAM方法、基于约束的移动机器人定位估计等问题展开了研究。考虑实现无人车辆驾驶时的安全性，对基于V2V的车辆驾驶安全性展开了初步研究。.在基于视觉的目标检测与跟踪方法研究方面，分别对单目标跟踪和多目标跟踪方法进行了进一步的研究。针对多目标跟踪问题，提出了基于3D运动模型作为上下文约束的RJMCMC多目标跟踪方法；并将CNN方法应用于目标检测中，提出了一种高效率的多目标跟踪方法。.针对动态环境和弱纹理环境下的SLAM问题，提出了基于IMU和LiDAR融合的SLAM方法，该方法在现有方法的2D LIAR方法的基础上，通过鲁棒性数据关联和后端优化方法的改进，提高了SLAM结果的精度和可靠性；完成了基于IMU+VIS融合的定位方法及基于3D点云的建图方法的理论基础与实验，为进一步大规模建图应用研究奠定了基础。..通过在无人驾驶实验平台上进行的实验表明，所提出的方法能在自行研制的分布式嵌入计算系统上具有较好的实时性，能实现无人驾驶中的目标检测与跟踪、高精度地图的建图和定位任务，精度高，稳定性好。截止目前，发表学术论文：21篇，其中SCI论文4篇，EI期刊论文4篇；申请国家发明专利6项。