大规模环境下基于激光雷达的机器人SLAM算法

为解决大规模环境下机器人的同时定位和地图构建(SLAM)问题,提出一种基于Rao-Blackwellised粒子滤波器的SLAM算法.通过选取稳定且易于区别的特征点,发展了一种基于全局约束的数据关联方法,有效地减少了误匹配的概率;采用改进的粒子分布预测函数,提高了粒子滤波器的性能.实验结果表明,该算法具有较低的计算复杂度,精度也比较高,能够有效地解决大规模环境下的机器人SLAM问题.

基于双目光束法平差的机器人定位与地形拼接

为了实现自主移动机器人完成复杂智能任务,如路径规划和避障等,针对移动机器人在复杂未知环境中精确定位并对周围环境进行致密地形构建问题,提出一种基于双目光束法平差的机器人定位与致密地形拼接算法.利用安装在移动机器人上的立体相机获取图像序列,跟踪前后帧图像序列中的对应特征点,基于双目光束法平差优化(BBA)精确估计机器人位置姿态.对左右相机采集图像对进行立体匹配获取致密三维地形信息,结合定位时获取的旋转平移姿态,实现了地形的构建与拼接.实验结果表明,该算法具有较好的实时性和鲁棒性.

H.264视频编码系统中多参考帧的选择算法研究

H.264/MPEG-4AVC中引入多参考帧运动补偿来提高视频编码性能,由此产生的多参考帧运动估计(MRF-ME)却带来了巨大的运算代价。本文提出一种基于快速分层特征匹配的运动估计策略(HFM-ME)来加速多参考帧的匹配过程。HFM-ME策略通过引入一种符号截断特征(STF)将块匹配被分解为均值匹配和二进制相位匹配。实验结果表明,与传统的块匹配ME相比,HFM-ME在保持匹配性能的同时显著提高了运算速度。

改进Harris特征点的机器人定位算法

提出一种改进Harris特征点的机器人精确定位方法,通过改进特征点提取、匹配、跟踪策略,为运动估计提供更加可靠的输入,提高运动估计结果的准确性。具体实现策略是在图像高斯金字塔中改进Harris特征点提取策略,提高其对旋转和尺度变化的适应性,实现特征点的均匀分布且数量可控。然后利用惯导先验信息预测特征点跟踪的搜索区域,提高特征点跟踪的准确性和稳定性,提高搜索效率。最后采用四元数和最小二乘方法估计车体姿态信息。实验结果表明:算法可较好地实现惯导信息与视觉信息的融合,不仅改善了传统视觉定位算法中特征点特性影响定位精度的问题,且几乎不会受到惯导漂移引起定位精度下降的问题,可实现机器人精确定位。