基于ISRCDKF的移动机器人同时定位与建图研究

为解决移动机器人在同时定位和建图(Simultaneous localization and mapping,SLAM)技术中普遍存在状态精度不高、稳定性差、计算复杂等问题,提出一种基于迭代平方根中心差分卡尔曼滤波(Iterated square root central difference Kalman filter,ISRCDKF)的SLAM自主定位算法,以满足SLAM过程中的实时性、准确性等要求。该算法使用中心差分变换处理SLAM的非线性问题,避免了泰勒公式展开中雅可比矩阵复杂运算;同时在滤波更新过程中,通过直接传递协方差矩阵的平方根因子减少算法的复杂度;在迭代观测更新过程中,使用列文伯格-马夸尔特(Levenberg-Marquardt,L-M)优化方法引入调节参数,实时修正协方差矩阵,达到提高算法精度、增强稳定性的目的。仿真结果表明,在相同的数据模型和噪声环境下,本文提出的ISRCDKF-SLAM算法与基于扩展卡尔曼滤波(Extended Kalman filter,EKF)的SLAM算法、无迹卡尔曼滤波(Unscented Kalman filter,UKF)的SLAM算法和容积卡尔曼滤波(Cubature Kalman filter,CKF)的SLAM算法相比,均方根误差分别降低了47.3%、32.7%和25.0%;与相同计算复杂度的UKF-SLAM算法和CKF-SLAM算法相比,新算法的运行时间分别减少了15.1%和10.8%。将新算法嵌入到移动机器人平台进行现场实验验证,进一步证明了该算法的实用性和有效性。

基于ORB-SLAM3的多旋翼室内定位方法研究

多旋翼无人机作为最常见的空中机器人,在电力巡检、气象探测、公路巡视、灾后救援、航拍等诸多领域发挥着重要的作用。在室内GNSS信号拒止环境中,基于视觉或激光雷达前端的同时定位与建图(SLAM)方法的实时定位方法越来越受到关注。文章利用数据集验证了紧耦合的ORB-SLAM 3双目/IMU算法在不同场景、不同光照以及不同运动状态下无人机的定位精度以及鲁棒性。实验表明,算法可实现厘米级的全局定位精度,并且在快速运动导致的图像模糊的情况下,仍能保持精确地跟踪,具有较好的鲁棒性。

基于改进特征描述的SLAM动态算法研究

针对原ORB描述符算法匹配精度低、匹配耗时长,动态场景中移动的物体严重影响视觉SLAM系统的定位精度和鲁棒性,以及ORB-SLAM3系统只能构建稀疏点云地图,无法构建稠密地图的问题,提出一种基于BEBLID描述符和目标检测的改进型ORB-SLAM3。在跟踪线程中融合轻量级YOLOv5s动态目标检测网络和动态特征剔除模块,提高系统的定位精度;利用增强高效局部图像描述符BEBLID代替原特征描述算法,与原ORB特征提取方法结合,增强图像的表现力和描述效率,提升特征匹配精度和效率;增加稠密建图线程,根据关键帧与相应位姿完成稠密点云地图的构建。在公开TUM RGB-D数据集上的实验表明,与原ORB-SLAM3相比,本文算法特征匹配精度提高了7%以上;在高动态环境下系统定位精度提高98%以上,在低动态环境下最大提升60%以上,有效提高了系统在动态环境下的定位精度和鲁棒性;并构建了三维稠密点云地图,为后续应用于机器人自主导航、避障和路径规划等工作奠定了基础。

基于视觉-IMU-编码器的SLAM新算法

VINS-Mono算法应用于轮式机器人时,由于惯性测量单元(inertial measurement unit,IMU)加速度计信噪比较小,观测尺度不准确,会出现定位精度下降。对此,提出了一种融合单目相机、惯性测量单元和编码器的改进算法。在VINS-Mono初始化和后端优化的目标函数中,增加编码器测量残差项,直接融合由编码器数据计算的速度,增强尺度的可观性,降低定位累积误差,提高了定位精度。另外,针对车轮打滑造成编码器速度测量不准的问题,利用IMU角速度计测量值计算打滑因子,自适应调整编码器残差项在目标函数中的权重及其鲁棒核函数的阈值,减小车轮打滑对定位结果的影响。在两轮移动机器人上的实验表明,改进算法具有较强的鲁棒性,定位精度比VINS-Mono提高了一个数量级。

基于Rao-Blackwellized粒子滤波器移动机器人SLAM研究

SLAM是移动机器人在未知环境下实现自主导航的关键技术,为解决传统RBPF-SLAM算法建图效果差、计算效率低的不足,基于分层控制的思想,利用kobuki底盘和RPLIDAR A2雷达搭建了机器人导航系统,提出一种优化的Rao-Blackwellized粒子滤波的SLAM方法,粒子采样时纳入高精度的激光数据以弥补里程计数据的不足,优化建议分布函数,对相邻扫描帧进行迭代最近点匹配,增加自适应重采样步骤,并进行了现场建图实验。对比定位误差和运行效率,改进方法要优于传统方法,表明改进方法能有效解决上述问题。

基于多模态信息融合的仓储AGV的激光惯性导航方法

提出一种基于激光惯性二维码融合的自动导引运输车(AGV)导航方法。针对惯性偏差漂移的问题,提出融合二维码的惯性测量单元(IMU)预积分模型,利用二维码约束信息优化惯性残差,估计和校正惯性偏差。针对实时性差的问题,提出一种具有全局一致性的优化模型,通过选择性地引入关键帧和二维码,执行融合二维码的分层局部捆绑约束(BA)优化,以有效缩短优化时间;提出激光雷达/IMU/二维码紧耦合优化方法,通过将预积分因子、回环因子、二维码因子、跟踪因子纳入因子图系统,实现多层次的数据融合,以有效提高定位精度与鲁棒性。在搭建的仓储AGV导航平台上进行了大量的实验和分析,并与几种代表性开源方法进行对比。结果表明,本文方法的导航精度优于传统方法,其中定位精度误差小于0.02 m,角度误差小于2°。

融合车辆动力学的双目视觉惯性SLAM研究

针对地下车库环境中无人驾驶汽车视觉同时定位和建图(SLAM)定位精度低的问题,提出一种融合惯性测量单元(IMU)角速度信息和车辆动力学信息的预积分方法.以IMU频率进行旋转预积分,以车辆动力学频率进行平移预积分.在平移预积分的计算中引入角速度信息,使其可以表达非平面运动.首先使用李代数和旋转群推导了相关的预积分公式、雅可比及噪声状态转移方程;然后以此预积分为基础将车辆动力学信息融合到双目视觉惯性SLAM中,以提高定位精度.地下车库实车实验表明:该方法将双目视觉惯性ORB-SLAM3的平均定位精度提高了32%.