结合轻量化YOLOv5s的动态视觉SLAM算法

针对视觉SLAM在真实环境中易受车辆、行人等运动物体影响而导致位姿估计降低的问题,提出一种结合轻量化YOLOv5s的动态视觉SLAM算法,将改进的轻量级YOLOv5s作为目标检测算法用于判断运动物体;结合提出的动态特征点剔除方法,剔除动态特征点,仅采用静态特征点进行位姿估计和地图跟踪。在TUM数据集进行实验,相较于ORB-SLAM3算法,改进后的算法在高动态序列上的位姿估计精度分别提升了89.29%、65.34%、94.42%,结果表明改进后的算法能够有效剔除动态特征点,提高了视觉SLAM算法在动态环境下的位姿估计精度和定位精度。

动态环境下基于语义信息与几何约束的视觉SLAM系统

目前同时定位与地图构建技术多假设外部环境是静态的,忽略了动态目标对SLAM系统的影响,这一假设很大程度上影响了无人系统自主导航的定位精度与鲁棒性。针对这一问题,提出了一种结合目标检测语义信息与多视图极线几何约束的动态SLAM系统,根据运动概率来判别与剔除系统中的动态特征点,并在TUM数据集及实机平台上进行了算法性能测试。实验结果表明在高动态环境下,该系统相较于ORB-SLAM2在绝对轨迹误差上至少可减小94%以上,相对位移轨迹和旋转角度误差分别至少降低了41%和40%,表明该算法能够有效剔除动态特征点,提高了动态环境下视觉SLAM系统的定位精度和鲁棒性。

面向动态物体场景的视觉SLAM方法

针对动态场景移动物体的运动估计问题,对视觉同步定位与地图构建(simultaneous localization and mapping,SLAM)方法进行分析。现有动态SLAM算法可分为基于几何的方法和基于深度学习的方法2类,重点介绍一种基于几何方法——基于点云相关性的动态SLAM方法;总结目前SLAM技术面临的挑战,展望动态SLAM针对未来战争的发展潜力与发展方向。结果表明,该研究可促进SLAM技术在机器人导航中的应用。

基于运动避免特征提取的动态视觉SLAM方法

SLAM是移动机器人最基本的功能。传统的SLAM方法服从静态世界假设,然而真实世界经常包含行人、车辆等动态物,将其作为参照物将导致错误的定位结果。现有的动态SLAM方法大多基于语义分割检测和剔除动态物,但语义分割模型通常计算量很大,使得该类方法难以满足实时性要求。因此,提出一种高效的动态视觉SLAM方法。基于目标检测和运动一致性验证实现一种运动避免的特征提取方法,然后结合著名的ORB-SLAM2实现动态SLAM方法MA-SLAM。实验结果表明,MA-SLAM能够解决动态物造成的问题,并且相比于基于特征过滤的动态SLAM方法,其能够获得数量更充足的特征,从而获得更高的定位精度和鲁棒性。此外,MA-SLAM追踪一帧仅需50 ms,适用于实时任务。

基于YOLOv5的移动机器人动态视觉SLAM算法研究

移动机器人在未知环境中,通过同步定位与地图构建(SLAM)技术,实现了精准的自身定位功能。目前大多数视觉SLAM系统均假设环境是静态的,但在实际应用中,由于大量动态目标的存在,严重影响机器人的定位与建图精度。为改善这一情况,本文基于ORB-SLAM3系统提出一种鲁棒的动态视觉SLAM系统,其融合YOLOv5深度学习方法,以减少动态目标的影响。并在公共TUM数据集和真实场景中测试本文算法的性能,结果表明:本文算法与ORB-SLAM3相比,具有更高的鲁棒性。

基于云平台的消防员自主导航与搜救系统设计与实现

火灾往往发生在结构复杂、封闭性强的室内环境,易造成建筑结构破坏.火场救援时,消防员的精准定位与状态监测,搜救环境的目标识别与地图构建,动态场景下消防员自适应导航以及高效的信息交互与协同控制是目前的重点和难点.针对以上问题,融合惯性、视觉、GPS、UWB和激光等多源信息,研究基于因子图的多源信息融合定位算法、动态场景下视觉导航自适应算法、基于激光和视觉组合的语义地图构建算法以及基于云平台的大数据分析算法,设计了面向火场救援的消防员自主导航与搜救系统.该系统不仅可以对救援人员实施准确定位、运动分析和状态监测,还可对搜救环境三维场景重构,从而进一步实现自适应的视觉导航,并在搜救过程中实现救援人员之间以及与指挥人员的信息交互和协同控制,从而实现多方协同作战,有效部署,科学救援,提高搜救效率并最大限度地保障救援人员安全.实验结果表明,该系统结合惯性和视觉的局部位姿优化抑制了导航误差的发散,克服了动态场景的不利影响,在复杂的火场场景下依然保持较高的定位精度,实现了对场景的自适应,提高了导航系统的性能.

面向动态物体场景的视觉SLAM综述

针对当前机器人导航、自动驾驶等领域中的热点问题——面向动态物体场景的视觉SLAM(同步定位与地图构建)——进行了综述.根据动态SLAM在定位与建图时对动态物体的不同处理方式,划分了3个研究方向:动态鲁棒性SLAM与静态背景重建、非刚性动态物体跟踪重建、以及移动物体跟踪与重建.对这3个研究方向分别进行了综述,并重点介绍结合了深度学习的动态SLAM方法.最后,展望了动态SLAM的未来发展方向.