高斯混合概率假设密度SLAM算法

研究了同步定位与地图创建(SLAM)中的数据关联问题。针对环境特征数未知时,数据关联的误关联率增加,导致SLAM的定位精度偏低的问题,提出了高斯混合概率假设密度SLAM算法。首先采用UFastSLAM解决SLAM中的粒子退化和耗尽问题,其次针对地图特征数未知的情况,将UFastSLAM算法中的数据关联问题转换成有限集统计理论跟踪算法的高斯混合问题,利用高斯混合概率假设密度(Gaussian Mixture Probability Hypothesis Density,GMPHD)算法解决UFastSLAM中数据关联问题。仿真实验结果表明本文提出的GMPHD-UFastSLAM算法在地图特征个数未知的情况下,数据关联准确率和定位精度都得到了提高。

基于Kinect的移动机器人大视角3维V-SLAM

针对大视角情况下,移动机器人3维视觉同步定位与地图构建(visual simultaneous localization and mapping,V-SLAM)性能下降的问题,提出了一种仿射不变特征匹配算法AORB(affine oriented FAST and rotated BRIEF)并在此基础上构建了基于Kinect的移动机器人大视角3D V-SLAM系统.首先对Kinect相机采集到的彩色RGB数据采用AORB算法实现具有大视角变化的相邻帧图像之间的快速有效匹配以建立相邻帧之间的对应关系;然后根据Kinect相机标定得到的内外参数以及对准校正后的像素点深度值将2D图像点转换为3D彩色点云数据;接着结合随机抽样一致性算法(RANdom Sample Consensus,RANSAC)去除3D点云中的外点,并利用RANSAC的内点进行最小二乘算法下机器人相邻位姿的估计;最后采用g2o(general graph optimization)优化方法对机器人位姿进行优化,从而建立3D V-SLAM模型.最终实现了移动机器人大视角3D视觉SLAM.基于标准数据集的离线实验和基于真实环境的机器人在线实验结果表明,本文所提出的匹配算法和所构建的3D V-SLAM系统在大视角情况下能完成局部模型的准确更新,成功地重构出环境模型并有效地估计出机器人的运动轨迹.