基于抗差LM的视觉惯性里程计与伪卫星混合高精度室内定位

视觉惯性里程计(VIO)和伪卫星已经广泛应用于室内环境定位中,但在实际应用中,二者各自都有明显的缺陷。视觉里程计依赖于实际场景,在景深变化明显和光照不均匀的环境下会产生粗差,而且误差会不可避免地随着时间累积,但是在相邻帧间能保证相对高精度的位姿测量。由于受到室内多径的影响,伪卫星室内定位的精度和可靠性很难保证。为增加室内定位的可靠性和稳定性,基于抗差LM非线性优化理论,本文主要研究利用视觉惯性里程计的相邻帧间高精度位姿测量和伪卫星融合的室内高精度定位技术。该算法不仅可以抵抗粗差,而且可以减弱不同传感器间权重设置不合理带来的影响。最后使用在室内环境下搭建的高精度动态捕捉设备对组合定位方法进行实验验证。试验结果表明,该方法不依赖回环即可消除视觉惯性里程计的累积误差,有效提高室内定位精度及可靠性。利用改进的LM算法融合后场景1和场景2,相对于VIO单独定位精度分别提高了59.0%和77.5%。

基于特征提取的点云自动配准优化研究

针对三维点云自动配准精度不高、鲁棒性不强等问题,提出一种基于判断点云邻域法向量夹角的自动配准算法。该算法首先计算点云中每个点的法向量与邻域点集的法向量夹角的余弦值,然后把邻域各点的余弦值作为该点的属性特征向量,进行特征分类提取特征点,根据几何特征的相似性初步搜索匹配点对,并采用欧式距离约束条件剔除匹配错误的点对;运用最小二乘法计算初始配准参数,再通过改进的迭代最近点(Iterative Closest Point,ICP)算法进行精匹配。实验证明,该算法相对于经典的ICP算法无论收敛速度还是匹配精度上都有提升。

EMD-RLS联合滤波算法及其在北斗多路径削弱误差中的应用

多路径误差是全球导航卫星系统高精度定位的主要误差源。针对北斗导航定位系统的多路径特性,结合经验模态分解(EMD)和递归最小二乘算法(RLS)算法的优势,提出了一种EMD-RLS联合滤波算法来削弱北斗多路径特性的影响。首先,利用EMD将原始信号分解成固有模态函数(IMF),利用两个指标将其细化成三类,即噪声IMFs、混合IMFs和信息IMFs;然后,利用RLS算法对混合IMFs进行滤波,将经RLS滤波后得到的“干净”的数据与信息IMFs进行重构,最终达到去噪结果,即得到北斗多路径误差改正模型。仿真数据和北斗实测数据的处理结果表明:EMD-RLS算法相对于EMD和RLS算法,降噪效果更好;其建立的多路径误差改正模型有效地削弱多路径效应的影响,N、E、U三个方向精度分别提高了39%、70%、58%。

基于几何约束和目标检测的室内动态SLAM

针对即时定位与地图构建(SLAM)在室内动态环境下定位精度低和地图效果差的问题,提出一种基于几何约束和目标检测的室内动态SLAM方法.使用目标检测网络获取语义信息,提出运动物体漏检的方法;根据先验知识,提出准确识别动态区域的信息判定方法;结合几何约束和深度学习方法剔除动态点,利用静态点估计相机位姿;根据存储信息构建可闭环的静态地图.在TUM数据集上进行实验,定位精度比ORB-SLAM2提高97.5%,相较于其他动态SLAM可取得更好的性能.在室内真实环境进行实验,构建的静态地图更准确,有效提高了室内动态SLAM的定位精度和地图效果.