基于分布优化配准的实时激光SLAM算法

激光雷达在扫描周围环境时会产生部分杂乱且稀疏的点云,该类点云会在配准过程中产生过大的分布拟合误差和关联距离,进而影响配准算法的精度及同步定位与建图(simultaneous localization and mapping,SLAM)的效果。针对以上问题,提出了一种基于分布优化配准的实时激光SLAM算法。设计了一个特征谱滤波器,该滤波器以归一化最小特征值为滤波对象,去除不符合设定分布的点云以减小分布拟合误差;提出了一个点云配准损失函数,对源点云和目标点云构成的联合协方差矩阵和误差项进行复合归一化,以减小关联距离过大的点在迭代求解过程中的干扰;设计了一个SLAM算法框架,该框架包含前端里程计、回环检测和后端优化等环节,兼容纯激光建图和激光/惯性融合建图,进而保证建图的精确性和一致性,并提高了算法的适应性。在公开数据集上进行了多组实验,实验结果表明,相较于现有SLAM算法,所提算法在精度和速度指标方面均具有较大优势。

基于Kinect传感器的移动机器人室内环境三维地图创建

针对移动服务机器人在未知室内环境下的三维感知问题,提出了一种基于低成本Kinect传感器的三维地图创建实用方法.对于机器人在运动过程中连续采集的多帧RGB-D信息,首先利用SURF算子对RGB图像提取稳定特征点并进行特征点匹配,然后结合深度图像,采用RANSAC算法剔除可能存在的误匹配点并完成初始配准,从而估计得到图像帧间粗略的相对转移关系,最后运用广义ICP算法对采集的深度图像进行精确配准,得到拼接的三维点云图.在此基础上进一步开发了移动机器人三维地图创建应用系统,实验验证了该方法的可行性和有效性.

考虑发电出力调整的最近电压稳定临界点求取方法

对求取最近电压稳定临界点问题,同时考虑负荷变化的不确定性和发电机出力调整的影响,建立一种非线性二层规划问题模型。下层问题求解某个负荷变化方向上的最大负载裕度,上层问题考虑负荷变化方向的约束,寻找最近的电压稳定临界点。设计求解该问题的信赖域方法,该方法先采用内点法计算已知负荷增长方向上的静态电压稳定临界点,然后建立近似的单层线性混合整数规划模型并求解。基于信赖域方法的思想迭代逼近最近电压稳定临界点。算例分析表明了所提算法的有效性,并可找出系统静态电压稳定的薄弱区域和母线。

移动机器人RGB-D视觉SLAM算法

针对移动机器人视觉同步定位以及地图构建(Simultaneous localization and mapping,SLAM)研究中存在精确度较低、实时性较差等问题,提出了一种用于移动机器人的RGB-D视觉SLAM算法。首先利用定向二进制简单描述符(Oriented fast and rotated brief,ORB)算法提取RGB图像的特征点,通过基于快速近似最邻近(Fast library for approximate nearest neighbors,FLANN)的双向邻近(K-nearest neighbor,KNN)特征匹配方法得到匹配点对集合,利用改进后的随机抽样一致性(Re-estimate random sample consensus,RE-RANSAC)算法剔除误匹配点,估计得到相邻图像间的6D运动变换模型,然后利用广义迭代最近点(Generalized iterative closest point,GICP)算法得到优化后的运动变换模型,进而求解得到相机位姿。为提高定位精度,引入随机闭环检测环节,减少了机器人定位过程中的累积误差,并采用全局图优化(General graph optimization,G2O)方法对相机位姿图进行优化,得到全局最优相机位姿和相机运动轨迹;最终通过点云拼接生成全局彩色稠密点云地图。针对所测试的FR1数据集,本文算法的最小定位误差为0.011 m,平均定位误差为0.024 5 m,每帧数据平均处理时间为0.032 s,满足移动机器人快速定位建图的需求。

数据集中强邻近对的查询方法

数据集中的强邻近对查询在地理信息系统、图像处理和多媒体数据库等领域有着重要的应用。为了解决数据集中强邻近对查询问题,基于Voronoi图对数据集中强邻近对问题进行了详细研究,给出了在无障碍物和有障碍物环境下查询数据点集中强邻近对的定理和算法,设计了相应的数据存储结构,对在无障碍物和有障碍物环境下的查询数据集中的强邻近对问题进行了实验分析。该方法可较好的解决曲面空间和有障碍物空间中的数据集中强邻近对的查询问题。

基于Kinect传感器的移动机器人室内三维环境创建

针对移动服务机器人需要感知室内工作环境问题,提出了一种基于低成本Kinect传感器的三维环境创建实用方法。机器人在移动过程中,Kinect传感器实时采集RGB信息和深度信息,将RGB图像信息映射到深度图像信息中,采用联合双边滤波对深度图像进行预处理,获得质量比较高的点云数据。对采集到的大量点云数据,采用半径滤波器算法对点云进行精简,剔除离群点,减少点云数量,提高匹配速度。点云配准时,采用NDT算法完成初始配准,从而得到图像帧间粗略的转换关系,并运用GICP算法对采集的多视角点云数据进行精确配准,得到拼接的三维点云场景。实验结果表明:本文方法具有更好的重建效果和更高的效率,可以应用于室内场景三维环境创建。

工业钣金件视觉检测中的一种2D-3D自动定位算法

利用图像计算目标物体空间方位一直是计算机视觉领域的重要任务。利用单幅图像结合CAD三维模型实现钣金零件空间方位的2D-3D自动定位。沿CAD三维模型在影像上投影的外轮廓统计影像边缘特征点的数目,根据极值位置确定零件方位的初始参数;提出基于广义点理论的最邻近直线迭代的算法求取零件方位的精确值。为加快轮廓跟踪速度,也对经典的8-领域轮廓跟踪串行算法进行了并行优化。

论外国法无法查明时的法律适用问题

我国关于外国法无法查明时的法律适用问题的立法及司法实践都仍存在一些不足。对于外国法无法查明时的法律适用问题,国际上主要有以下解决办法:推定外国法与法院地法相同并适用法院地法;法院地法作为辅助性准据法;驳回当事人的诉讼请求和抗辩;适用与本来应适用的法律相类似的外国法;适用辅助性连结点再次选择准据法;适用与当事人有最密切联系的国家的法律;适用一般法律原则。我国应借鉴他国法律规定的合理成分,在直接适用法院地法的做法上补之以适用与该外国法相类似的法律和与当事人有最密切联系的国家的法律以及一般法律原则作为选择。

一种Alpha稳定分布噪声下的体积目标长度估计方法

为了解决Alpha稳定分布噪声环境下运动舰船目标的长度估计问题,该文借鉴非线性变换抑制脉冲噪声以及多普勒目标运动特性估计思想,提出基于广义时频分析(G-TFA)和最小二乘估计的运动目标长度估计方法。该方法首先利用G-TFA获取Alpha稳定分布噪声环境下运动目标的多普勒频率,然后利用最小二乘方法估计出目标航速和不同位置的横正时刻,最后利用上述估计结果计算目标长度。以广义Winger-Ville分布(G-WVD)为例,从理论上推导了G-TFA在Alpha稳定分布噪声环境下具有提取目标多普勒特征的能力,并通过仿真实验验证了该算法在中低混合信噪比下的稳健性。与现有算法相比,该文所提算法不需要估计噪声特征指数,算法性能优于基于传统时频分析的估计方法。

基于Kinect和视觉词典的三维SLAM

针对传统滤波器方法解决机器人同时定位与地图创建(SLAM)时的误差积累问题,提出了一种基于视觉词典(BOW)的三维SLAM算法,以有效解决机器人长时间运动下误差积累的问题。相比图优化SLAM中常用的随机检测和Kd树(Kd-Tree)算法,采用基于树结构的视觉词典闭环检测算法来提高相似场景的检索效率。首先采用基于GPU的特征提取算法提取图像特征,并利用交叉匹配和k最近邻(k NN)算法取得图像中鲁棒性较强的内点;然后通过基于随机抽样一致性奇异值分解(RANSAC SVD)算法计算出相邻帧的初始位姿变换,并利用通用迭代最近点(GICP)算法进行优化,得到高精度的位姿变换;最后利用增量平滑和建图(i SAM)图优化方法得出最终位姿,拼接出高精度的点云地图和运动轨迹。标准数据集的测试表明,所提算法在复杂情况下具有良好的鲁棒性和精度。

机载激光测深数据配准方法比较

机载激光测深(Airborne LiDAR Bathymetry,ALB)系统可以快速高效地获取海岛礁及其邻近区域的水上水下一体化数据,但是由于测量区域大部分位于地势变化缓慢的近岸浅水水域,点云密度低、厚度大,配准特征稀少,同名特征提取困难.针对机载激光测深数据的配准研究工作相对较少.本文以我国南海海域的机载激光测深点云为试验对象,比较基于不同几何特征的ALB点云数据配准方法,通过配准精度指标对快速点特征直方图(Fast Point Feature Histograms,FPFH)、最长公共子序列(Longest Common Subsequence,LCSS)和广义迭代最近邻点(Generalized Iterative Closest Point,GICP)三种配准方法进行评定.试验结果表明,LCSS线序列方法实现ALB点云数据配准方法的可靠性更高,能够克服对应特征匹配过程中信息单一以及噪声问题,提高特征曲线中对应点的稳健估计,增强航带数据配准的鲁棒性,是ALB数据配准的一种有效解决方案.

基于自适应邻域匹配的点云配准方法

针对具有不同缩放尺度点云的配准问题,本文提出了一种基于自适应邻域(General Adaptive Neighborhood,GAN)匹配的点云配准方法.首先,随机地选取初始匹配点对作为种子点,并对点云上点的GAN进行定义;然后根据GAN的形状信息确定种子点所在特征区域及其潜在匹配关系,并对GAN进行Delaunay三角剖分,得到能有效描述种子点局部曲面几何形状的三角网格,再通过定义残差角作为局部曲面形状描述子进行几何信息匹配,从而确定真实匹配点对;最后,根据真实匹配点对计算旋转平移矩阵,得到点云的初始位置,并利用尺度迭代最近点方法(Scaled Iterative Closest Point,SICP)将点云进行精确对齐.实验结果表明,该方法通过点GAN的匹配,同时考虑了点的局部特征信息及其上下文相关的空间约束,且匹配相关约束均对尺度鲁棒,能够在有效提高点对匹配准确率的同时,解决不同缩放尺度点云的配准问题.

基于快速视觉里程计和大回环局部优化模型的改进VSLAM算法

从提高移动机器人视觉同时定位与地图创建(visual simultaneous localization and mapping,VSLAM)过程中的自主定位精度和实时性的角度出发,提出了一种基于快速视觉里程计和大回环局部优化模型的改进VSLAM算法.首先,在对特征点进行不确定性分析的基础上,对color GICP(color supported generalized iterative closest point)误差函数进行改进,采用帧到模型(frame-to-model)方式实现对数据集和模型集的快速配准,并结合卡尔曼滤波和加权方法实现对模型集的更新,提高位姿估计精度;其次,提出一种基于模型到模型(model-tomodel)配准的大回环局部优化模型,并结合g2o图优化方法对位姿估计累积误差进行快速局部优化,从而进一步提高自主定位精度和效率.数据集离线对比实验和实际场景在线实验均表明,本文方法不但有效提高了移动机器人VSLAM过程中的自主定位和建图精度,而且具有较好的实时性.