基于目标检测和动静点分离的视觉即时定位与地图构建技术

针对视觉即时定位与地图构建在动态环境中鲁棒性失效的问题,提出一种基于目标检测和动静点分离的视觉即时定位与地图构建技术。使用目标检测算法YOLO v5对图像预处理,获取动态目标物的图像区域。在图像区域划分的基础上,对框外区域使用随机抽样一致性算法剔除外点。根据点的运动规律分离框内区域的动点和静点,在光束法平差优化中对可用静点赋以权重。为了在建图中滤除动态信息,仅保留框外区域的点云显示。通过性能测试确认,所提出的方法在数据集中表现出较高的精度和鲁棒性,整体上优于同类算法。

鲁棒的机器人粒子滤波即时定位与地图构建的实现

为了实现未知环境下的移动机器人同时定位与地图构建,提出一种改进的粒子滤波器算法。针对传统粒子滤波器粒子数量大的问题,通过在粒子滤波重要性采样阶段融入激光传感器观测信息,以减少所需粒子数。重采样之后出现粒子严重枯竭时,进行马尔可夫蒙特卡洛移动处理以降低粒子的匮乏效应。该方法在装有机器人操作系统的Pioneer3-DX机器人上进行测试,实验结果表明,它能够在线创建高精度的栅格地图。

基于激光雷达的煤矿井底车场地图融合构建方法研究

煤矿智能化是煤炭行业高质量发展的技术支撑,关键岗位的机器人替代是实现煤炭少人化、无人化的高效开采的发展趋势。即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)是煤矿机器人自主移动与导航的关键技术之一。煤矿井下为典型非结构化环境,空间狭长局促,结构复杂多变,照明情况不均匀,对煤矿井下SLAM提出了严峻挑战。总结了煤矿井下地图构建研究现状,针对LeGO-LOAM算法的回环检测仍存在的不足,利用SegMatch算法改进LeGO-LOAM的回环检测模块,且使用ICP算法进行全局图优化,提出了一种融合LeGO-LOAM和SegMatch的改进算法,阐述了该算法的原理和实现步骤;开展了煤矿井下模拟场景试验,对比分析改进前后SLAM算法的建图效果以及精度,试验结果表明改进算法构建的地图回环效果更好,估计轨迹更平滑、精确;结合导航需求研究了二维占据栅格地图的构建方法,试验验证了该方法所构建的栅格地图精度,结果表明有效滤除动态障碍物等离群噪点后的栅格地图具有0.01 m的建图精度,且所需存储空间较点云地图降低了3个数量级。研究成果有助于煤矿井下非结构环境下SLAM和煤矿机器人实时定位和自主移动。

一种混合视觉的车载激光雷达即时定位与地图构建方法

为提高地图的构建精度,提出一种混合视觉即时定位与地图构建方法。利用相机和激光雷达标定获得具有颜色信息的点云,并对点云数据进行预处理,选取相邻帧点云之间的特征点,制定匹配策略,对匹配点采取未解耦的位姿求解算法,获取两帧间的变换矩阵作为后续帧间匹配的初值。分别利用KITTI数据集和实车试验数据进行验证,结果表明,所提出的方法轨迹点均方根误差分别优化了6.84%和4.53%,验证了所提出方法的有效性。

自主移动机器人即时定位与地图构建方法研究

自主移动机器人的即时定位与地图构建是机器人领域中的关键问题。文中对自主移动机器人即时定位与地图构建研究的两个主要问题进行了分析,研究了不确定信息的描述和处理方法,以及数据关联的方法。综述了现阶段即时定位与地图构建的实现方法,其中包括两种卡尔曼滤波算法和粒子滤波算法,以及基于视觉的SLAM算法。通过分析现有算法的特点,提出了自主移动机器人即时定位与地图构建未来研究的发展方向。

基于语境的因果性预期推理的构建的实验研究

实验一探讨对因果性预期推理的支持程度不同的语境对因果性预期推理的即时构建的影响。结果表明,如果文本信息有支持预期结果的语境,读者会即时进行因果性预期推理。实验二探讨当文本描述了两个不能整合的情境模型时因果性预期推理的即时构建情况。结果表明,在这种条件下,因果性预期推理不会即时产生。本研究结果表明,文本的语境对因果性结果的支持程度对因果性预期推理的即时构建有决定性的影响作用。

iViewer:利用数据服务即时生成跨域数据视图

越来越多的企业和组织选择通过广域、开放的互联网作为其协作平台,业务决策者往往需要即时汇聚并综合分析来自多个部门的资源信息以进行临机决策。如何即时构建满足用户需求的跨组织数据视图,动态维护视图和数据源之间的一致性是需要求解的一个关键问题。提出了一种互联网环境下跨组织业务数据视图的动态生成方法iViewer,利用数据服务来封装自治、异构和动态变化的数据源;通过可视化和易用的数据服务组合操作来动态构建数据视图;提出了一种基于轮询的视图动态更新算法,维护数据源和数据视图的一致性,从而使得数据视图能够随数据源的变化而自主变化;详述了iViewer方法的原理和过程,并通过一个火灾应急处置场景中,面向指挥中心的跨部门火灾救援设备数据视图的动态生成过程例证了iViewer方法的效果。

基于LIO-SAM建图和激光视觉融合定位的温室自主行走系统

为解决传统导航方案在温室内无法应对光照变化大、作物行间距窄、接收GPS信号差等问题,该研究提出了基于即时定位与地图构建技术的激光视觉融合式自主导航算法。该系统利用三维激光雷达VLP-16(Velodyne LiDAR,VLP-16)和惯性测量单元获取温室环境信息,采用基于紧耦合的雷达惯导定位建图(tightly-coupled lidar inertial odometry via smoothing and mapping,LIO-SAM)算法构建导航地图,基于轮式里程计和视觉里程计采用扩展卡尔曼滤波器算法实现局部定位,融合激光点云配准算法和自适应蒙特卡洛定位算法实现全局定位。同时,在自主行走系统应用A*算法规划全局路径和动态窗口算法规划局部路径,从而实现自主导航。试验结果表明,LIO-SAM算法构建的温室导航地图最大相对误差、最大绝对误差和均方根误差分别为9.9%、0.081和0.063 m,在温室内改进后的定位算法横向偏差小于0.020 m,纵向偏差小于0.090 m;当自主行走系统以0.15、0.30和0.50 m/s的速度运行时,横向偏差、纵向偏差和航向偏角的平均值分别小于0.120 m、0.10 m和8.5°,标准差分别小于0.070 m、0.140 m和6.6°。该导航方案满足自主行走系统在温室内高精度建图、定位和导航的需求,可为自主移动平台提供理论与技术支撑。

学习机理与长时程兴奋构建机制

学习的机理是:学习者感官感知到学习情景,身体中的细胞树突将感知到的信息传递至大脑中的轴突终扣,引起大脑的兴奋,产生超过兴奋阈限的电位,进行模仿运动而完成学习。根据生理心理学和社会心理学原理,经过多年的教学实验证明,我们可以通过预先、即时、事后构建教、学情景,使学习者产生长时程兴奋,让细胞产生超过足以完成学习的兴奋阈限的电位,并保持、维系和增加这种长时程兴奋,顺利且高效地完成学习,让我们的思想和行为均按既定的轨道运行,让我们人类更加文明、发达。

基于激光SLAM多地形机器人的设计

为解决传统轮式机器人在复杂地形中受限与腿式机器人控制策略复杂的问题,提出一种多地形机器人。结合激光即时定位与地图构建(SLAM)方法和自适应式轮腿机构,将树莓派作为运算单元,搭载(ROS)机器人操作系统,应用激光SLAM技术实现环境地图构建和机器人导航,同时结合深度模型和摄像头完成图像任务。自适应式轮腿机械结构使机器人能够根据环境需求自动切换为轮式或腿式行进模式。底层控制器采用STM32F407,机器人通过PID算法能实现精准的移动和机械臂作业。结果表明:该多地形机器人控制方法简单高效,在坡地、草地、坑地、台阶障碍物等复杂地形中展现了灵活移动的能力,最大翻越障碍高度可达250 mm,爬坡角度可达45°,在稳定性和适应性方面具有显著优势。

预期推理构建中文本制约效应的实验研究

本实验探索当文本中有两个情境模型时,读者是否会注意到两个情境模型的不同权重。实验结果表明,如果精细阐述强支持性语境以提高强支持性语境的激活水平,读者会即时产生因果性预期推理。如果插入的情境模型的信息与主角目标无关,不是在因果链上的结点,也不会影响预期推理即时产生的可能性,读者仍然会即时产生预期推理。

激光雷达SLAM下移动机器人双目视觉全局定位

移动机器人在未知环境中执行任务时,需精准感知地图环境和其他物体位置,确定其自身位置。为了提高移动机器人的全局定位精度,提出激光雷达SLAM下移动机器人双目视觉全局定位方法。依据双目视觉系统测距原理,选取双目摄像机中的任意一个相机建立主坐标系,构建双目摄像机模型,结合棋盘图与张正友标定法,标定双目摄像机中参数。在此基础上,计算单帧图像特征点的尺度,完成双目视觉初始化,利用权重函数计算任意一个特征点与线、与面之间的加权值和距离值,估计移动机器人的位置,引入非迭代畸变补偿方法,完成对移动机器人的全局定位。测试结果表明,所提方法的定位结果与实际运动位置之间的最小误差为0.1 m,该方法可以精准定位到移动机器人位置,指导移动机器人更好地执行作业任务。

激光雷达SLAM算法综述

即时定位与地图构建(simultaneous localization and mapping,SLAM)是自主移动机器人和自动驾驶的关键技术之一,而激光雷达则是支撑SLAM算法运行的重要传感器。基于激光雷达的SLAM算法,对激光雷达SLAM总体框架进行介绍,详细阐述前端里程计、后端优化、回环检测、地图构建模块的作用并总结所使用的算法;按由2D到3D,单传感器到多传感器融合的顺序,对经典的具有代表性的开源算法进行描述和梳理归纳;介绍常用的开源数据集,以及精度评价指标和测评工具;从深度学习、多传感器融合、多机协同和鲁棒性研究四个维度对激光雷达SLAM技术的发展趋势进行展望。

基于IMU在线校准的SLAM精度提升方法研究

基于多传感器融合的SLAM算法是当前移动机器人实现精准定位和导航的关键技术之一,在分析了惯性测量单元(IMU)的系统误差会对SLAM算法的建图和导航精度影响较大,并且IMU的系统误差会随工作时间发生变化的问题后,提出了一种易于实现的IMU在线标定方法。该标定方法首先建立了IMU中加速度计和陀螺仪的误差模型。其次通过二维云台实现IMU的姿态调整。然后通过读取加速度传感器的静态数值实现加速度计的误差参数辨识。最后以标定后的加速度计输出数据和陀螺仪计算的旋转矩阵,实现陀螺仪的误差参数辨识。为验证以上标定算法的效果,文中基于标定前后的IMU分别进行SLAM建图实验,实验结果表明,基于标定后IMU的建图精度更好。

基于地磁场的室内定位和地图构建

提出了一种利用室内地磁场的空间波动来实现即时定位和地图构建的方法。为了能增加定位精度和减少计算量,本文依据地磁场传感器能够测量地磁3个正交方向上的分量和不同的权重计算方式改进了粒子滤波算法,并结合克里金法对地磁地图进行更新。在定位阶段,利用改进的粒子滤波来估计机器人的位置,算法的收敛速度每次约加快0.5 s和定位误差约减少3.5 m;在构造地图阶段,利用克里金空间插值法来实现的空间波动地磁地图的更新较其他插值算法更灵活,且经过插值后的地图更有助于提高机器人的定位精度。通过MATLAB仿真实验,证明了该方法能够准确快速地对机器人定位,并且通过机器人观测值和里程计数据实时地构建连续一致的地图。

SLAM技术及其在矿山无人驾驶领域的研究现状与发展趋势

无人驾驶是矿山智能化关键技术之一,其中即时定位与地图构建(SLAM)技术是实现无人驾驶的关键环节。为推动SLAM技术在矿山无人驾驶领域的发展,对SLAM技术原理、成熟地面SLAM方案、现阶段矿山SLAM研究现状、未来矿山SLAM发展趋势进行了探讨。根据SLAM技术所使用的传感器,从视觉、激光及多传感器融合3个方面分析了各自的技术原理及相应框架,指出视觉和激光SLAM技术通过单一相机或激光雷达实现,存在易受环境干扰、无法适应复杂环境等缺点,多传感器融合SLAM是目前最佳的解决方法。探究了目前矿山SLAM技术的研究现状,分析了视觉、激光、多传感器融合3种SLAM技术在井工煤矿、露天矿山的适用性与研究价值,指出多传感器融合SLAM是井工煤矿领域的最佳方案,SLAM技术在露天矿山领域研究价值不高。基于现阶段井下SLAM技术存在的难点(随时间及活动范围积累误差、各类场景引起的不良影响、各类传感器无法满足高精度SLAM算法的硬件要求),提出矿山无人驾驶领域SLAM技术未来应向多传感器融合、固态化、智能化方向发展。

基于GMapping算法与指纹地图构建的井下定位方法

针对现有井下定位算法定位精度差和依赖信号源坐标的问题,提出一种基于GMapping算法与指纹地图构建的井下定位方法。将待定位的位置信号特征与信号分布图进行匹配,选择最优定位坐标,从而提高井下定位精度;通过与GMapping算法相结合,避免了指纹地图构建过程维护成本高的问题,优化了算法的搜索与匹配效率。实际测试结果表明,该方法平均定位误差为57.7cm,可以满足井下定位要求。

用于SLAM的点云动态物体识别

检测和分割场景中动态物体对于建立一致性地图至关重要。针对当前点云动态物体检测算法依赖大量含有动态属性标注的数据、限制激光雷达扫描方式等问题,提出了一种基于连续点云的动态物体检测算法。将待预测点云、相邻帧点云以及通过SLAM(simultaneous localization and mapping)得到的位姿信息作为输入,利用点云场景流估计算法逐点估计移动情况,结合点云聚类、主成分分析(principal component analysis,PCA)等技术,整合场景流结果以获取实例级移动信息以判断物体的动态属性,并将点云语义分割作为判别点是否属于可移动类别的插件以提升动态物体识别精度。所提算法不需要具有动态属性的标注数据进行训练,并且对传感器的扫描方式、生成的点云数没有任何限制;与现有最先进的方法进行对比,具有易于训练、判断准确、结果鲁棒等特性。

融合投影变换与光流的双目视觉SLAM研究

针对双目视觉SLAM左右目图像关键点匹配误差导致定位精度下降的问题,提出了一种融合投影变换的光流算法。该算法首先提取左目图像上的角点,通过正反LK光流计算角点在右目的位置;然后通过RANSAC算法利用匹配成功的角点计算右目到左目的单应矩阵;最后计算右目的投影变换图像,通过正反LK光流计算左目角点对应位置并将角点映射到右目原始图像上。实验采用公开数据集Euroc与KITTI的部分序列,并通过EVO工具对SLAM的定位误差进行评估。结果表明:该改进算法可在增加一定的时间复杂度的情况下有效减小角点匹配误差,双目视觉定位均方根误差分别在Euroc与KITTI部分序列上平均减小了24.7%与28.1%。

基于点云匹配的智能工厂室内定位算法研究

针对智能工厂中的无人叉车系统需要精准的室内定位来满足装卸货工序的需求,研究了基于SLAM的定位算法以及基于反光柱的两种激光点云数据匹配定位算法,分析了这两种方法的优势和问题,并提出了一种新的融合定位算法。算法以高精度的反光柱定位算法为核心,通过SLAM定位来弥补反光柱数量不足时的系统延迟和精度损失问题,从而实现了一套连续、稳定、可靠的室内定位系统,其定位精度可以满足无人叉车日常工作的需求,也可以直接用于具体的工业生产流程中。