自适应窗隔匹配与深度学习相结合的RGB-D SLAM算法

在动态场景的SLAM系统中,传统的特征点法视觉SLAM系统易受动态物体的影响,使得图像前后两帧的动态物体区域出现大量的误匹配,导致机器人定位精度不高。为此,提出一种结合自适应窗隔匹配模型与深度学习算法的动态场景RGB-D SLAM算法。构建基于自适应窗隔匹配模型的视觉SLAM前端算法框架,该框架筛选图像帧后采用基于网格的概率运动统计方式实现匹配点筛选,以获得静态区域的特征匹配点对,然后使用恒速度模型或参考帧模型实现位姿估计。利用深度学习算法Mask R-CNN提供的语义信息进行动态场景的静态三维稠密地图构建。在TUM数据集和实际环境中进行算法性能验证,结果表明,该算法在动态场景下的定位精度和跟踪速度均优于ORB-SLAM2及DynaSLAM系统,在全长为6.62 m的高动态场景中定位精度可达1.475 cm,平均跟踪时间为0.024 s。

利用凸角点改进A*算法的路径规划方法

针对传统A*算法在大地图场景中搜索效率低以及路径避障性能不高的问题,提出了一种改进的A*算法。定义了凸角点和邻居关系的概念,利用凸角点作为节点并根据邻居关系来扩展节点到目标点。将凸角点作为节点的扩展方式可以减少对不必要节点的访问,有效地提高算法搜索效率。在不同大小的栅格地图中验证改进算法的性能,并与传统A*算法和JPS算法进行比较。实验结果表明在凸角点数小于阈值的地图中,改进算法的搜索时间较A*算法和JPS算法分别减少了约95%和90%。并且改进算法的路径避障性能比传统A*算法更高,更有利于机器人安全行走。

双目点线特征与惯导融合的机器人SLAM算法研究

针对机器人SLAM系统,在实际场景或低纹理场景中提取的有效特征点数量少,使得系统初始化效果差和定位精度不高的问题,提出了一种基于点线特征和IMU信息融合的双目惯导SLAM系统(Stereo Visual-Inertial state estimator based on optimized ORB point feature and line feature,OOL-VINS).首先,对双目视觉进行点线特征的提取与匹配,通过匹配的特征点构建残差模型,并结合松耦合算法实现系统快速且稳定的初始化.然后,利用点线特征以及三角化算法设计了一种更加鲁棒的方法来获取路标点的3D信息,以此来实现系统的位姿跟踪.最后,根据位姿跟踪过程中构建的局部三维地图,并结合滑动窗口的非线性优化对相机位姿进行更新,提高系统的定位精度.实验结果表明,OOL-VINS在TUM纹理结构类数据集上能获取更多有效的点线视觉特征,且特征提取耗时为27ms.在Eu Roc和TUM-VI数据集上进行初始化实验,实验表明,OOL-VINS初始化更加快速稳定.同样地,我们使用以上数据集进行系统性能的实验验证.结果表明,该系统的平均跟踪帧率为25Hz,在300m的低纹理场景中,定位精度可达0.072m.

点线特征融合的激光雷达单目惯导SLAM系统

多传感器融合的SLAM系统定位精度相比单一传感器的SLAM系统更高,但在低纹理场景或退化场景下的定位精度有待提高。提出一种点线特征融合的激光雷达视觉单目惯导紧耦合SLAM系统(PL2VI-SLAM),其由点线特征融合的视觉惯导系统(PLVIS)和激光雷达惯导系统(LIS)两个子系统组成。通过PLVIS系统实现点线特征的提取与匹配,使用滑动窗口选择性地引入关键帧,并将惯性导航器件与相机紧耦合以解算位姿。LIS系统将多个约束集成到因子图中进行联合优化,其初始化状态可以作为PLVIS的初始猜测,通过扫描匹配实现激光雷达里程计,并将点云深度分别与PLVIS系统的特征点以及特征线进行关联,为视觉特征提供精确的深度值,提升定位精度。此外,两个子系统将联合进行回环检测,并对位姿进行矫正。在jackal、handled以及自制的长走廊数据集上的实验结果表明,与LVI-SAM、VINS-MDNO及LIO-SAM系统相比,该系统的定位精度更高,适用于低纹理场景及退化场景,并能满足实时性要求。

基于虚拟现实的移动机器人真实环境三维建模系统

传统的虚拟现实(VR)技术通过人为建模的方式生成室内三维地图模型,存在速度慢、模型与现实物体尺度之间存在偏差的问题。鉴于此,提出基于VR的移动机器人的真实环境三维建模系统。首先通过视觉同时定位与建图(SLAM)技术快速地获取室内的高精度稠密三维点云地图;其次将三维点云通过曲面重建算法重建为室内三维模型并导入到unity 3D中;然后借助VR设备将室内三维模型置于三维立体的虚拟环境中;最后通过视觉SLAM技术实现移动机器人在室内环境的重定位,实时映射机器人在模型中的位姿,完成交互。利用视觉SLAM技术构建三维地图模型不仅快速,解决了场景尺度偏差的问题,且实现地图的重复使用。同时VR技术也使操作人员可以获得强烈的沉浸感,从而更好地理解机器人的工作环境。