IMU松耦合的KinectFusion算法改进

针对KinectFusion算法中采用frame-to-model ICP进行位姿估计时经常发生位姿丢失的问题,提出了使用惯性测量传感器IMU进行松耦合的算法改进.通过使用IMU采集到位移数据结合ICP算法实现位姿估计,意图在快速移动或者采集的图像数据缺少有效配准点的情况下保证相机跟踪不丢失,增强KinectFusion算法的整体鲁棒性.通过实验,将提出的算法与原有的算法进行比较,结果表明这里算法在没有明显降低实时性的情况下,其鲁棒性上优于原有算法,可以满足移动机器人的实时SLAM需求.

自适应渐消EKF在移动机器人SLAM中的应用

针对即时定位与地图构建(Simultaneous localization and mapping,SLAM)中经典方法的误差累积以及噪声干扰问题,提出基于自适应渐消EKF的SLAM算法。该算法通过引入自适应渐消因子,实时在线调整先验概率密度估计,减小陈旧观测信息对系统估计的影响,在保证协方差矩阵正定性的同时,达到提高SLAM算法估计精度及增强其鲁棒性的目的。通过仿真和基于开源数据集的实验,将提出的算法与EKF-SLAM和UKF-SLAM两种算法进行比较,结果表明AFEKF-SLAM算法在估计精度上优于另外两种算法。