面向定位的激光雷达与视觉融合数据通用特征提取方法与评估

特征提取是基于特征的同步定位与地图创建（SLAM）问题的关键步骤。传统基于先验知识的特征提取方法在真实环境中会提取出大量不稳定的特征，诱使定位系统滤波发散。本课题的研究以解决真实环境中特征提取问题为目标，以在激光雷达与视觉数据融合、激光雷达特征提取和基于视觉的目标识别方面的研究积累为基础，通过融合激光雷达与视觉数据降低信息获取受环境影响的程度；在解决噪声、离散化误差和数据缺失等问题的基础上，通过数学工具和算法工具发掘融合数据的稳定特性，提出不依赖环境先验知识的特征提取方法，并通过对特征的不确定度、特性和可靠性进行定量描述提高数据关联的精度、效率，以及状态变量优化精度和定位系统鲁棒性；同时，以提高定位精度为导向，找到面向定位的特征提取器的评价参数和评估方法，为面向定位的特征提取方法的研究提供支持。最终通过解决非结构环境特征提取问题，推动、完善大规模动态非结构环境中SLAM问题的研究和应用。

本项目的研究目的是通过构建基于二维激光雷达和视觉传感器的环境感知单元和高效融合方法，从而提高机器人传感器信息处理的准确性、可靠性和效率，最终达到提高机器人导航系统鲁棒性、效率和可靠性的目的。本项目通过提高传感器信息处理和特征提取的可靠性和准确性，推动了大规模动态非结构环境中机器人同步定位与地图创建问题的研究。通过深入研究解决数据平滑滤波、信息数学结构分析、信息关联融合、信息处理决策等多个问题，本项目已经解决了二维激光雷达数据与视觉数据异步精确融合，具有普遍适用性的激光雷达与视觉融合特征提取以及特征评估、描述与特征提取器评估等预期研究内容，申请了相关专利并发表了相关学术论文十余篇，也完成了将结果在机器人平台上进行了验证。更重要的是，本项目已进一步将研究中的核心发现，如基于后验概率的关联处理、基于反馈网络的决策等，应用于更广泛的机器人传感器信息处理上，如正在应用相关方法解决医疗机器人融合先验知识的地图构建问题，从而进一步解决更广泛的机器人传感信息处理和机器人行为规划问题，为整个机器人学的进步贡献力量。