基于双目深度筛选的ORB-SLAM3算法

针对ORB-SLAM3算法中特征点存在易丢失、精度低,进而导致双目在复杂场景下运动轨迹误差大的问题,本文设计了一种改进的ORB-SLAM3算法。首先,在ORB特征匹配算法中引入自适应角点检测技术,增加特征点的采集数量,并采用光流法跟踪图像特征,提高关键帧的创建成功率;其次,以特征点为中心,作区域搜索,提高实时性;然后,采用双向左右一致性检验筛选最优视差,应用Prosac算法去除误匹配点对;最后,结合深度信息对关键帧进行筛选,提高关键帧的质量,优化相机位姿。采用KITTI和EuRoc数据集进行了试验,验证了改进算法在绝对轨迹误差上具有良好的优化效果。

改进ORB-SLAM在嵌入式系统中实现

针对飞行载体的实时ORB-SLAM实现问题,提出一种在嵌入式系统实现的改进ORB(oriented FAST and rotated BRIEF)单目视觉里程计算法。算法首先对输入图像进行灰度化、高斯滤波预处理实现简化运算和图像去噪,考虑到算法移植及在嵌入式系统实现,将图像预处理和ORB图像特征提取与匹配等功能封装为IP(intellectual property)核,布置到硬件系统中,提高特征提取与匹配的速度和正确率,保证位姿估计实时性。搭建ZYNQ嵌入式系统,开展对比实验,实验结果表明:改进后的算法特征点匹配率提高了3.78倍,特征提取与匹配的耗时缩短为原来的1/8,处理图像的帧率可以达到19 fps,满足实时性要求。

基于ORB-SLAM3的温室环境下番茄植株三维重建方法

针对当前生产环境下难以对植物进行精细三维重建的问题,提出一种基于ORB-SLAM3的番茄植株三维重建方法,利用深度相机采集RGB-D图像信息,根据前后帧图像特征点信息进行位姿估计,设计点云稠密重建模块,实现温室环境下番茄植株三维重建。结果表明,该方法在轨迹估计上整体表现较好,估计的轨迹没有重大漂移,较Elasticfusion方法、BadSlam方法估计的轨迹更贴合实际轨迹,位姿跟踪具有一定鲁棒性,且使用的关键帧数量较少,降低了冗余信息对算法的干扰;该方法重建的点云果径与实际果径平均绝对误差为1.48 mm,与实际情况十分接近,点云还原度高,重建品质较好,滤波算法没有对果实表型信息造成破坏,信息保留完整;该方法能够在温室环境下获取准确的位姿信息,并生成番茄植株三维模型,三维重建精度高,可以满足温室环境下番茄植株三维重建及番茄采摘机器人目标定位需要。

基于改进ORB-SLAM2矿井救援机器人空间构建方法研究

矿井安全事故发生后,矿井救援机器人需在矿井环境采集视觉数据,进行应急区域的空间构建等功能。利用RGB和RGB-D的ORB-SLAM2算法进行扩充性优化研究,选用OCTOMAP优化地图,使用矿井救援机器人在室内真实场景中实验,验证该方法效果。结果表明:得到的空间构建效果比实时点云构建的应用性更强,降低处理内存空间,为矿井救援移动机器人空间构建提供方法,对后续矿井机器人移动定位的研究具有重要的实际意义。

基于窗口化匹配估计的ORB-SLAM算法研究

针对ORB-SLAM系统中求解相机位姿存在随机性而引起定位精度不稳定的问题,提出一种基于特征点窗口化匹配和解析ICP的改进位姿求解算法,构建移动机器人ORB-SLAM系统。通过对提取的特征点进行窗口化,在保证选取良好特征点匹配的同时提高匹配效率;利用具有解析解的ICP算法求解相机位姿避免迭代,选取误差最小的窗口位姿求解结果进行光束法平差优化,以减小局部信息丢失或误匹配引起的位姿误差。结果表明:改进算法能够提高相机轨迹求解精度,轨迹误差相比ORB-SLAM2和ORB-SLAM3平均减少30%以上,并可以降低相机跟踪失败的概率。

基于动态特征点滤除与关键帧选择优化的ORB-SLAM2算法

同时定位与建图(SLAM)算法在有运动目标的情况下存在定位精度下降的问题,而引入实例分割等算法虽然可以应对动态场景,但难以保证SLAM算法的实时性,且在运动时相机抖动会导致关键帧选择不准确和跟踪易丢失的问题。针对上述问题,提出一种基于动态特征点滤除与关键帧选择优化的ORB-SLAM2算法,以保证SLAM算法的实时性,并有效减少动态特征点对SLAM算法定位精度的影响,同时应对由相机抖动造成的关键帧选择不准确的问题。所提算法通过在ORB-SLAM2算法的基础上引入YOLOv5算法识别运动目标,在跟踪线程滤除动态目标特征点,从而兼顾算法的实时性与定位精度。同时,在选择关键帧上提出一种基于帧间相对运动量的判别准则,从而提高关键帧选择的准确性。在freiburg3_walking_xyz数据集的上实验结果表明,与ORB-SLAM2算法相比,所提算法的平均耗时减少了38.54%,绝对轨迹误差中的均方根误差(RMSE)精度提高了95.2%。可见,所提算法能有效解决上述问题,提升SLAM算法的定位精度和准确性,进而提升地图的可用性。

基于改进ORB-SLAM算法的三维点云重建方法

针对电网复杂环境特点,研发适用的三维成像装置,实现对作业场景全方位、高精度成像,能够提供更全面的环境感知和风险监测,为立体防控提供可靠的基础数据。为此,提出了一种基于改进ORB-SLAM的三维点云重建方法。首先,选用深度相机作为实验设备来获取点云数据的像素坐标;然后,通过像素坐标到图像坐标的变换,转换成三维点云数据;最终,采用简化的弱耦合策略对ORB-SLAM算法进行优化,对相机位姿估计中的遗漏进行补充,识别并纠正较大的估计误差,从而增强在作业场景中三维重建点云融合的精确性。

基于改进ORB-SLAM2算法的动态特征点剔除

随着SLAM系统的不断发展,人们对定位服务的要求越来越高,提高定位精度是一直以来不断研究的课题。为了能以更高定位精度的方式来获取图像中的语义信息,本文首先通过对比One stage算法中的网络模型选用了YOLOV5网络模型对目标物体进行检测和识别,提出一种基于动态区域内剔除动态特征点的SLAM算法,利用训练的网络提取图像中语义信息并对动态目标特征点进行剔除,在公开TUM数据集上进行验证,通过对比真实轨迹和本文算法的估计轨迹来进行误差分析。试验结果表明,本文提出的改进算法相对位移误差的均方根误差减小了97.83%,相对旋转误差的均平方根误差减小了96.80%。

基于ORB-SLAM3的多旋翼室内定位方法研究

多旋翼无人机作为最常见的空中机器人,在电力巡检、气象探测、公路巡视、灾后救援、航拍等诸多领域发挥着重要的作用。在室内GNSS信号拒止环境中,基于视觉或激光雷达前端的同时定位与建图(SLAM)方法的实时定位方法越来越受到关注。文章利用数据集验证了紧耦合的ORB-SLAM 3双目/IMU算法在不同场景、不同光照以及不同运动状态下无人机的定位精度以及鲁棒性。实验表明,算法可实现厘米级的全局定位精度,并且在快速运动导致的图像模糊的情况下,仍能保持精确地跟踪,具有较好的鲁棒性。

高危场景下ORB-SLAM2稠密地图构建

针对经典视觉ORB-SLAM2稀疏建图存在精度低、实时性差等现实问题,提出了基于ORB-SLAM2算法架构的视觉定位与稠密建图算法,并通过部署在Jetson Xavier NX为核心板的嵌入式平台上进行建图精度与实时性验证,可满足高危场景下的清晰完整地图信息的构建需求,便于人们快速摸排风险点、制定救援方案和避免二次事故发生。

基于ORB-SLAM3的PROSAC双目优化补偿SLAM

为优化无人机SLAM系统运行过程中发生的跟踪失败导致局部建图失败以及双目摄像头在远近复杂场景下轨迹误差大的现象,提出了一种双目SLAM。首先在系统中加入新的约束优化双目匹配的视差与深度,然后应用光流法基于单应运动补偿原理和PROSAC算法去除误匹配,最后根据单应补偿结果投影得到新的数据关联,在关键帧和地图点应用新的手段提高对补偿结果的利用率,保证了系统的实时性和鲁棒性。所提算法利用双目视差优化计算关键点的深度从而提高系统的定位精度和系统鲁棒性,在室内无人机EuRoC数据集上取得了较为优秀的精度提升。

基于运动预测的改进ORB-SLAM算法

针对不同运动场景下以固定的点特征提取与匹配策略的ORB-SLAM算法存在系统跟踪定位误差较大的问题,考虑相机自身运动对视觉SLAM系统的影响,提出基于运动预测的改进ORB-SLAM算法.该方法利用上一帧的点特征利用率和匀速运动模型,预测出相邻2帧之间的共视范围,实时动态调整不同运动状态下的点特征提取阈值,在保证系统稳定性的情况下,提高系统的准确性.提出基于运动预测的点特征匹配优化策略,基于匀速运动模型快速确定出共视范围内的有效待匹配点,结合图像金字塔缩小匹配搜索范围,减少大量的无效匹配过程.在TUM数据集上进行对比实验,结果表明,提出的算法不仅实时性好,而且提高了系统的精度.

基于YOLOv7-mask和ORB-SLAM2的语义八叉树地图构建

针对传统视觉SLAM构建的地图不具有语义信息的问题,提出一种基于深度学习算法的八叉树地图构建方法。该方法采用YOLOv7-mask对图像进行实例分割,得到像素所属类别信息,生成语义灰度图,并结合ORB-SLAM2,将新关键帧投影生成语义点云地图,最终将语义点云地图转换成语义八叉树地图进行存储。通过搭建实验平台,构建了不同状况下实验室场景的语义八叉树地图,验证了所提方法的可行性。

改进ORB特征提取算法的ORB-SLAM2定位研究

针对ORB(oriented fast and rotated brief)算法提取图片特征时存在的特征点分布不均匀问题,提出了一种改进的ORB算法。通过密度峰值聚类算法计算四叉树分割后的各区域特征点密度峰值,并对密度峰值高的区域使用四叉树多次分割;同时在初始阈值(iniThFAST)和最小阈值(minThFAST)中加入中间阈值(middleThFAST),提高特征点灰度值差值,减少冗余特征点提取,提高图片特征点均匀性。对特征点提取与匹配进行了实验验证,结果表明改进算法对比传统ORB算法在均匀度和匹配效率方面均有明显提升。结合ORB-SLAM2定位实验表明,改进算法的定位精度平均提高16.6%,每帧追踪时间平均减少12.4%,有效保证实际定位过程的精确性和实时性。

基于改进ORB-SLAM2的果园喷药机器人定位与稠密建图算法

针对果园喷药机器人视觉导航过程中定位精度低、地图构建效果差等问题,本文提出一种新的视觉定位与稠密建图算法。该算法基于ORB-SLAM2算法架构,首先,通过优化FAST角点、描述子阈值,并采取图像金字塔法与高斯滤波算法,剔除劣质ORB特征点,以提升图像关键帧质量和特征匹配精度。其次,引入稠密建图线程,利用点云恢复算法、统计滤波方法形成点云队列,采取点云拼接技术与体素滤波算法输出稠密点云地图,并在ORB-SLAM2算法的ROS节点中增加关键帧输出接口与位姿发布话题,通过NeedNewKeyFrame函数选取ORB-SLAM2算法所生成的关键帧,减少系统计算量。最终,由RGB-D相机实现果园喷药机器人的精准定位与稠密建图。为验证本文算法的有效性与实用性,进行TUM数据集仿真分析与真实场景测试,结果表明:相较ORB-SLAM2算法,本文算法的绝对轨迹平均误差降低44.01%、相对轨迹平均误差降低7.93%,ORB特征点匹配数量平均提升19.03%,定位精度与运行轨迹效果均有显著提升,此外,还能获取较高精度的果园喷药机器人工作场景信息。本文算法可为果园喷药机器人的自主导航提供理论基础。

基于深度相机的ORB-SLAM2在矿井救援空间构建应用

矿井在发生安全事故时,由于井下空间条件不确定,救援人员很难到达矿井地下.为了解决这一问题,搭建可实现空间构建且能适应潮湿、粉尘等环境的小型轻量化矿井救援机器人,以获取矿井非现场物理空间信息.选择基于深度相机的ORB-SLAM2作为实时框架,框架由图像预处理、跟踪、局部建图、闭环组成.在图像预处理中,通过图像金字塔、灰度质心法实现ORB特征的旋转和尺度不变性.在跟踪线程中,通过基于参考关键帧方法、恒速关键帧方法、重定位方法进行粗糙跟踪,再通过局部地图跟踪进行精确跟踪,估计关键帧的位姿姿态.在局部线程中,进行插入和剔除冗余关键帧,通过共视图方法生成更多的地图点.在闭环线程中,检测是否存在相同信息,通过sim3相似变换进行闭环校正.使用TUM数据集对算法进行仿真测试,采用EVO测试RMSE误差在0.004~0.043 m范围内,定位精度可达到厘米级.借助矿井救援机器人试验平台,利用结构光相机的ORB-SLAM2的方法生成真实空间三维模型,对空间构建效果进行研究与应用,为矿山救援井下智能巡检装备提供方法.

基于改进关键帧选择的ORB-SLAM2算法

针对同时定位与建图(SLAM)算法精度不高且跟踪易失败的问题,提出了一种改进关键帧选择的ORB-SLAM2算法。通过ORB-SLAM2算法计算帧间相对位姿;在原有算法的基础上,增加旋转与平移量作为判定依据,决定是否创建新关键帧;针对移动机器人所安装的相机与机器人产生相对运动引发误拍摄,导致劣质关键帧生成的问题,设计了劣质关键帧剔除算法;基于RGB-D数据集与自主研发的移动机器人进行了实验验证。实验结果表明:改进的关键帧选择算法能够准确及时地选择关键帧,最优情况下定位误差约为原误差的51.9%,有效消除了相机与机器人之间相对运动产生的影响,直线误差仅为原误差的82.1%。改进算法能够有效提高定位精度,减少跟踪失败。

基于改进ORB-SLAM2的机器人同步定位与建图技术研究

ORB-SLAM2是目前视觉SLAM中,最前沿的同步定位与建图算法之一,但其在提取ORB特征点时,存在低响应阈值固定问题,导致提取的特征点响应值较低,将增大特征点筛选及匹配误差。针对这一问题,本文提出自适应降低阈值的方法提取特征点,当通过高响应阈值搜索,未搜索到特征点时,自适应逐级降低阈值搜索特征点,从而提高所提取特征点的响应值。研究结果表明:改进算法的绝对定位误差(APE)及相对定位误差(RPE),较原始算法都有所降低,其中APE的RMSE下降了15.87%。实验结果表明,运用改进算法进行同步定位与建图,其精度得到有效提高。

面向动态场景的ORB-SLAM3算法研究

传统的视觉同步定位与地图构建(simultaneous localizationandmapping,SLAM)算法大多是基于静态场景这一假设进行研究,在动态场景中容易出现定位精度不佳、稳定性差等情况。针对这一问题,本文以ORBSLAM3算法为基础,与YOLOv3目标检测网络相结合,在提取特征点的同时进行动态目标检测,根据目标检测结果剔除动态特征点;再利用对极几何约束剔除残留的动态特征点和误匹配的特征点;最后利用剩余的特征点进行帧间匹配和位姿估计,并在TUM数据集上进行实验验证。结果表明:相比较于ORB-SLAM3,本文算法在高动态场景中的系统绝对轨迹误差减少了85%以上,大大提高了定位精度;同时,本文算法跟踪线程每帧图像平均用时为75 ms左右,能够满足实时运行的需求。

基于ORB-SLAM3的惯性RGB-D稠密地图构建方法

针对ORB-SLAM3构建的稀疏地图不能直观展现室内环境问题,同时验证ORB-SLAM3中惯性RGB-D相对于RGB-D稠密地图构建的优势以及回环检测环节对于惯性RGB-D稠密地图构建的影响,本文探讨了一种基于ORB-SLAM3的惯性RGB-D稠密地图构建方法。该方法在分析ORB-SLAM3惯性RGB-D模式工作的基础上,增加了稠密建图模块,通过稠密点云构建、体素滤波、稠密点云回环更新等步骤,最终得到能够直观反映周围环境的稠密地图。通过实验验证,本文探讨的ORB-SLAM3的惯性RGB-D稠密地图构建方法是有效可行的,惯性RGB-D模式能够有效解决相机运动中特征跟踪容易丢失问题;稠密点云回环更新能够消除IMU初始不稳定运行导致点云模型杂乱问题。在实地采集的数据集下的实验结果表明,基于ORB-SLAM3的惯性RGB-D稠密地图相比于RGB-D稠密地图,在特征线段测量方面精度提升68%,在角度测量方面精度提升91%,表现出更高的精度和地图构建能力。