一种低数据传输的多机器人实时视觉SLAM

针对多机器人视觉SLAM在实际应用中带宽受限的问题,设计了一种低数据传输的多机器人实时视觉SLAM系统。系统中引入了NetVLAD神经网络模型,通过改进NetVLAD降低了多机器人回环检测的计算资源占用,提高了回环检测的实时性。提出了一种针对描述子缺失情况下的特征匹配算法,提高了回环检测与相对量测的鲁棒性,并提出了一种增量式多机器人位姿图共享和优化方法。最后,通过在KITTI数据集进行测试,验证了该SLAM系统能有效减少多机器人通信过程中的数据传输,具有与单机器人SLAM相当的定位精度和实时性。

基于RBF神经网络的相对导航信息融合方法

针对无人机编队飞行情况下,超宽带(UWB)测距辅助的相对导航中UWB信号失效导致无法提供相对导航信息的问题,提出了一种径向基神经网络(RBF)辅助的相对导航算法。当UWB信号有效时,以双机地理坐标系的位置信息作为RBF神经网络的输入,以UWB的期望输出位置及速度补偿信息作为RBF神经网络的输出实现神经网络的训练;当UWB信号缺失或非视距误差不可忽视时,使用训练好的RBF神经网络预测无人机间相对导航的相对导航信息,修正僚机的绝对导航精度。实验结果表明:相比于无辅助情况的UWB无人机相对导航系统,加入RBF神经网络辅助子系统可使速度X,Y,Z方向的相对导航精度在100 s内平均提升8.2,24.5,8.2倍;在位置X,Y,Z方向的定位精度在50 s内平均提升4.3,2.8,2.7倍。