面向动态环境的视觉惯性SLAM算法

针对传统的同时定位与建图(SLAM)算法在动态环境中会降低自身运动估计的精确性以及系统鲁棒性的问题,提出一种适用于动态环境的视觉惯性SLAM算法——DVI-SLAM(dynamic visual inertial SLAM)。根据对极几何约束检测并去掉动态特征,利用更加精确的静态特征进行状态估计;添加视觉信息自适应权重因子,提高系统的鲁棒性。改进的SLAM算法在公开的视觉惯性数据集TUM-VI上进行相关实验,实验结果与VINS-MONO相比在高动态场景中的定位精度平均提高了47.34%。

基于改进的粒子滤波蒙特卡洛定位算法研究

在未知先验环境下,移动机器人的自身定位是自主导航的核心和基础。基于粒子滤波的MCL算法存在着粒子退化、处理能力方面难以达到实时要求以及计算量较大等问题。提出一种基于改进的粒子滤波MCL算法,在SR-CKF设计的提议分布基础上添加EKF扩展为多提议分布粒子滤波算法。为解决因忽略当前时刻观测信息导致的粒子退化问题,在设计的提议分布中,加入系统当前时刻的观测信息,并以相对的比率对粒子进行采集,使粒子收敛于观测似然较高的区域中。利用KLD重采样来估计当前时刻粒子在系统下状态空间的分布情况,并通过在线调整机制对下一时刻粒子数目进行调整,以达到减小计算量的目的。根据Matlab仿真对比实验可以看出,改进后算法的均方根误差减小至1.947 cm,运行时间缩短了29.7%,有效的粒子百分比达到82.6%,平均粒子数为70.47,减弱了粒子退化问题从而达到精准定位的效果。最后通过ROS机器人开源操作系统对算法的有效性和可行性进行进一步验证分析。