买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西南科技大学

摘要：本文公开发明了一种基于GPU加速的多传感器融合的SLAM方法，包含基于GPU加速的激光雷达IMU紧耦合前端里程计、基于因子图的后端优化、点云地图创建以及基于GPU加速的视觉回环检测四大模块。前端里程计通过GPU加速基于体素的点云配准方法构建；后端因子包括IMU预积分因子、激光雷达匹配成本因子、视觉回环因子；点云地图创建使用关键帧机制拼接为全局一致的点云地图；回环检测模块中，相机尺度通过激光雷达进行矫正，通过GPU加速实现特征检测部分，视觉认定为回环后由激光雷达关键帧进一步确认。本发明有效的结合了激光雷达IMU紧耦合的高频里程计和视觉简单、快速、准确检测回环的优点，避免了CPU庞大的计算量，提高了系统的实时性。

主权项：1.一种基于GPU加速的多传感器融合slam方法，其特征在于，包括基于GPU加速的3D激光雷达IMU紧耦合前端里程计模块、基于因子图的后端优化模块、创建点云地图模块、基于GPU加速的视觉回环检测模块：所述的基于GPU加速的3D激光雷达IMU紧耦合前端里程计模块，其中GPU加速的点云匹配步骤如下：步骤1：降采样：主机端CPU读取激光雷达数据，对雷达点云数据进行体素网格下采样操作，将所有点云划分在不同的体素中，将距离网格较远和明显错误的点剔除；步骤2：运动补偿：主机端CPU使用IMU运动预测对雷达帧内运动产生的点云失真进行运动补偿，将每个点云投影到激光雷达帧的起始时刻；步骤3：体素化目标点：主机端CPU设置上一帧点云数据为目标点云并存储在容器中，使用KD-tree寻找目标点半径为r范围内的点云存储在容器中，将目标点云从主机端CPU复制到设备端GPU，每个目标点云对应一个体素索引，初始化均值和协方差，非初始化跳过此步骤；步骤4：体素化源点：主机端CPU设置当前帧点云数据为源点云并存储在容器中，使用KD-tree寻找目标点半径r范围内的点云存储在容器中，将源点云从主机端CPU复制到设备端GPU，每个源点云对应一个体素索引，初始化均值和协方差；步骤5：计算均值和协方差：主机端CPU根据设备条件和点云数量设计核函数，设定内核宽度，线程数量等于体素数量，驱动设备端GPU根据索引将点云建模成高斯分布，计算源点云和目标点云的均值和协方差；步骤6：计算相对变换：设备端GPU计算体素之间的对应关系，计算源点与多个目标点半 径r范围内邻点之间的距离，采用最大似然估计求得最大后验概率，使用高斯牛顿法迭代优 化，使用体素中的点数对误差项进行加权，根据体素的协方差矩阵得到信息矩阵，迭代直到 目标代价函数收敛，找到置性度最高的变换矩阵，最后将变换矩阵传输到主机端 CPU； 步骤7：更新点云：将当前帧点云设置为目标点云，等待下一次计算；所述的基于因子图的后端优化模块，构建包括IMU预积分因子，激光雷达匹配成本因子、视觉回环因子的滑动窗口；当新的传感器状态添加进来时，使用固定滞后平滑方法优化因子图并将更新的位姿状态反馈到基于GPU加速的3D激光雷达IMU紧耦合前端里程计模块用于修正，边缘化的关键帧用来构建点云地图；所述的基于GPU加速的视觉回环检测模块，首先进行基于GPU加速的FAST角点特征提取，随后进行字典查询、相似性评分、组匹配、时间合理性校验、结构一致性校验；当确定回环后，将回环因子加入基于因子图的后端优化模块执行一次全局优化。

全文数据：

权利要求：

百度查询： 西南科技大学 一种基于GPU加速的多传感器融合的SLAM方法