ELASTO-PLASTIC DYNAMIC BUCKLING AND POSTBUCKLING OF SQUARE PLATES UNDER SOLID-FLUID SLAMMING

The elasto-plastic dynamic buckling and postbuckling phenomena of square plates subjected to in-plane solid-fluid slamming are investigated. According to the plate's response, the critical criteria for dynamic buckling, dynamic plasticity and plastic collapse are defined, and the corresponding critical impulses are presented. Meanwhile, dynamic buckling modes and collapse models are observed. The effects of different boundary conditions and loading histories on the properties of buckling and postbuckling are discussed.

基于SLAM下温室自主导航系统的设计与试验

传统的温室作业方式依赖于人工操作,工作效率低且难以保证作业的质量和稳定性。温室自主导航系统可以实现温室内自动化导航和作业,提高温室作物的生产效率和品质。因此,设计一种定位与地图构建(Simultaneous Localization And Mapping, SLAM)技术下的温室自主导航系统,可利用激光雷达等传感器实时构建温室内的地图,并利用SLAM算法实现自主定位与导航。为了提高系统的鲁棒性和性能,提出了一种基于改进粒子滤波算法的姿态估计方法。试验结果表明:该温室自主导航系统能够高效准确地实现温室内的自主导航任务,为农业生产提供了一种新的自动化解决方案。

基于IEKF的快速三维激光惯导耦合SLAM算法

针对激光SLAM累计误差大、计算耗时长的问题,提出一种基于迭代扩展卡尔曼滤波器(IEKF)的快速三维激光惯导耦合SLAM算法。首先,在前端部分构建惯性测量单元(IMU)运动学模型,将点云与局部地图直接匹配得到观测模型,引入ikd-Tree结构存储点云以减少寻找邻近点的时间。然后,采用IEKF求解,快速估计机器人初步位姿,得到激光惯性里程计。同时加入回环检测模块,并在后端利用因子图优化方法融合IMU积分因子、激光里程计因子和回环因子来消除累计误差,进一步提升系统精度。在M2DGR数据集上进行了算法验证,结果表明,与A-LOAM、LIO-SAM、FAST-LIO2算法相比,本文算法应用于室外大场景时的精度分别提升了21.738%、9.112%和6.750%。在真实环境中进行的实验也表明所构建的地图能准确、完整地反映出周围建筑物的几何结构特征。而且,该算法构建地图的效率显著优于A-LOAM和LIO-SAM算法,建图模块平均单帧运行时间少于19 ms。

组合点线特征的视觉SLAM算法研究

针对视觉SLAM算法在低纹理场景下容易跟踪丢失和鲁棒性差的问题,提出了点线特征融合的视觉SLAM算法。该算法在前端跟踪阶段同时提取点线特征,并通过三个约束条件合并短线段以克服LSD算法长线段分割问题。后端优化阶段利用滑动窗口方法优化点线特征的重投影误差来提高定位精度。闭环检测引入基于点线特征的DBoW模型,有效减小运动漂移。实验结果显示,改进后的线段检测算法最多能够合并50%的短线段,点线特征融合的视觉SLAM算法表现出高鲁棒性和定位精度,绝对位置误差保持在10cm以内,满足机器人实时定位和地图构建需求。

基于目标检测和多视图几何的动态SLAM算法

目前大多数的SLAM系统主要针对静态场景,然而,在实际环境中不可避免地存在许多动态对象,这将大大降低算法的鲁棒性和相机的定位精度。针对动态对象造成的轨迹偏差问题,文中提出一种结合目标检测网络和多视图几何结构的动态SLAM算法。首先,基于YOLOv5算法框架,将骨干网络CSPDarkNet-53替换为轻量型L-FPN(Lite-FPN)结构,并使用VOC2007数据集进行预训练。与YOLOv5s原始模型相比,新网络的计算量减少了45.73%,检测速率提高了31.90%;然后,将检测物体划分为高动态对象、中动态对象以及低动态对象,利用多视图几何方法计算阈值,并根据阈值对中高动态对象进行二次检测,以决定是否剔除预测框中的特征点;最后,在TUM数据集上的实验结果显示,该方法在定位精度上平均提升了82.08%,证明了其在准确性方面的显著改进。

融合SIFT特征优化初始地图的单目SLAM

针对ORB-SLAM2系统前端视觉里程计初始化的地图在相机运动变化较大时不能很好地为跟踪线程提供信息依赖的问题,提出一种融合SIFT特征的初始地图优化算法。在特征点提取部分,对传入的图像进行FAST特征和SIFT特征提取,并通过粗匹配算法得到两组特征匹配点对,提高特征点的鲁棒性以及可靠性;然后使用RANSAC算法在剔除两种特征匹配点对中的错误匹配的同时,得到对应特征的单应性矩阵估计,并按各自在FAST点对中的内点率分配权重进行融合,提升单应性矩阵估计的准确性以及鲁棒性。仿真结果表明,ORB-SLAM2在使用算法优化后的初始地图中具有更好的跟踪效果,系统定位及建图误差更小。

隔药饼灸对免疫抑制大鼠SLAM、PVRL2甲基化及4-1BB调控的影响

目的观察隔药饼灸干预对免疫抑制大鼠信号转导淋巴细胞激活分子(signaling lymphocytic activation molecule,SLAM)、脊髓灰质炎病毒相关受体2基因(poliovirus receptor-related 2,PVRL2)甲基化以及共刺激分子肿瘤坏死因子受体超家族成员9(tumor necrosis factor receptor superfamily member 9,TNFRSF9,又称4-1BB)的影响。方法50只SD大鼠随机分为空白组、免疫抑制模型组、隔药饼灸组、假药饼灸组、中药灌胃组,每组10只。采用腹腔注射环磷酰胺造模,以30 mg/kg剂量对除空白组外其余各组进行模型制备,持续3 d。隔药饼灸组与假药饼灸组均选择“神阙”“关元”“中脘”“足三里(双)”进行干预,连续10 d。中药灌胃组使用六味地黄汤悬浊液灌服,连续10 d。血常规检测各组白细胞(white blood cell,WBC)数量,ELISA法检测血清中CD28、4-1BB、肿瘤坏死因子配体超家族成员9(tumor necrosis factor superfamily member 9,TNFSF9,又称4-1BBL)及白细胞介素-17(interleukin 17,IL-17)含量;免疫荧光法检测脾组织中4-1BB及4-1BBL平均荧光强度;BSP法检测脾组织SLAM及PVRL2。结果血常规结果显示与空白组比较,免疫抑制模型组白细胞显著减少。ELISA结果显示与空白组比较,免疫抑制模型组CD28、4-1BB及IL-17水平均显著升高;与免疫抑制模型组比较,隔药饼灸组CD28、4-1BB及IL-17水平均显著降低。免疫荧光结果显示,与空白组比较,免疫抑制模型组4-1BB及4-1BBL平均荧光强度显著升高;与免疫抑制模型组比较,隔药饼灸组4-1BB及4-1BBL荧光强度均显著降低。甲基化结果显示,与空白组比较,免疫抑制模型组SLAM及PVRL2启动子区甲基化率均降低;与免疫抑制模型组比较,隔药饼灸组SLAM甲基化率升高,但PVRL2甲基化率降低。结论隔药饼灸可能通过调节共刺激分子4-1BB及其配体以及SLAM甲基化水平,改善免疫抑制状态,提高机体免疫功能。

基于SLAM技术的矿区巷道巡检机器人路径规划优化

针对矿区巷道环境复杂、道路狭窄等特点,提出了一种基于SLAM(SimultaneousLocalizationandMapping)技术的矿区巷道巡检机器人路径规划优化方法,实现机器人的自主定位和地图构建。采用激光雷达、RGB-D相机等多种传感器相融合,获取矿区三维点云数据,并使用SLAM算法实时构建矿区三维地图。同时,通过配准当前获取的点云数据与已构建的地图,实现机器人在矿区内的自主定位。针对矿山中存在的狭窄、弯曲、分支等复杂环境,提出了一种增量式A~*优化算法用于路径规划。该算法在传统A~*算法的基础上,引入了路径平滑、走廊宽度约束等优化策略,能生成满足矿区复杂环境约束的平滑可行路径。算法采用增量式方式更新,只需对改变的局部区域重新进行路径搜索,大大减少了整体路径规划的计算耗时。通过试验验证该算法性能,结果表明:与传统路线规划方法相比,该算法能够快速、精准地完成巡检任务,为矿区巷道巡检机器人推广应用提供了参考。

图像语义信息在视觉SLAM中的应用研究进展

视觉同步定位与建图(visual simultaneous localization and mapping,VSLAM)技术以相机为主要传感器采集图像数据,基于多视几何、状态估计等算法原理获取载体的位置和姿态,同时构建一张用于导航定位的地图。视觉SLAM是自动驾驶、AR(augmented reality)、VR(virtual reality)、MR(mix reality)、智能机器人、无人机飞控中的关键技术。近年来,随着各个产业对智能导航定位的需求日渐增多,原本以几何测量为主的视觉SLAM逐渐融入对环境的语义理解。语义信息是指能够被人类直观感受和理解的概念,而图像语义信息是指图像中物体的轮廓、类别、显著性等信息。相比于图像中的几何特征,语义信息更具时空一致性,且更贴近人类感知的结果。将图像语义信息引入视觉SLAM,既能促进系统各个模块的性能,还能够提升视觉SLAM的智能感知能力,形成集几何测量、定位定姿、环境理解等多种功能的视觉语义SLAM。本文根据图像语义信息的应用方式,对视觉语义SLAM经典方案和最新研究进展进行归纳梳理。在此基础上,本文总结了视觉语义SLAM的现存问题与挑战,指出该领域未来的研究方向,以推动其面向智能导航定位进一步发展。

基于特征点改进的视觉SLAM定位研究

为改善视觉SLAM系统在低纹理环境下定位精度较低的现象,提出一种改进的ORB特征点提取策略和一种关键帧选择机制;首先采用多尺度分析和基于局部灰度的特征检测方法克服一般ORB算法缺乏尺度和旋转描述的缺点;其次提出一种基于高斯模糊的图像信息增强方法解决传统ORB特征点提取方法在纹理信息不被突出环境下容易失效的问题,并对图像进行象限分割使特征点均匀分布;最后为剔除劣质关键帧,设计了一种综合时间因素与特征点数量因素的关键帧选择机制;将提出的方法移植到ORB_SLAM2上,并在TUM数据集上测试,实验结果表明,视觉SLAM系统的定位误差平均降低14.688%,证实了该方法的有效性。

动态场景下基于3D多目标追踪的实时视觉SLAM方法研究

近年来一些解决动态场景下的SLAM技术被提出,其中SLAM与MOT结合的技术路线不仅可解决动态场景问题,还可以提高系统对周围场景的理解,获得了更大关注。本文介绍了一种高效的实时在线视觉SLAMMOT融合系统,以双目视觉或RGBD作为输入,只须借助2D目标检测网络,便能高效、准确、鲁棒地跟踪相机以及动态目标的位姿,并生成稀疏点云地图。为提高多动态目标追踪的精度与准确度,引入了级联匹配与IOU匹配结合的策略;利用阿克曼转向模型来简化追踪目标的运动,减少求解动态目标位姿所需匹配点的数量;利用因子图将相机与动态目标的追踪结果进行联合优化,同时提高相机、追踪目标的位姿和地图点的精度。最后在KITTI跟踪数据集上与其他方法进行比较。结果表明,在满足实时性要求的前提下,该方法仍能准确地追踪相机以及动态目标位姿。

融合语义信息与物体级几何特征的实时动态激光SLAM算法

针对现有的激光SLAM算法在动态场景下鲁棒性差、定位与建图精度易受动态物体干扰的问题,提出了一种融合语义信息与物体级几何特征的实时动态激光SLAM算法Object-SuMa。首先通过地面滤波、物体分割、方向包围盒解算等过程,生成物体级几何特征并表示为纹理,用于并行计算和修正物体内部错误的语义分割结果;然后在配准过程中分解计算方向包围盒间的IOU,并基于包围盒IOU和语义分割结果引入物体级几何加权和语义加权,减少误匹配和动态点匹配;借助图形渲染管线构建并行计算过程,进行地面点配准和非地面点配准两步优化,降低计算复杂度和耗时;最后在KITTI里程计数据集测试表明,Object-SuMa算法相比SuMa++算法的相对位姿估计精度提升15%,ICP平均耗时下降17%,改善了动态场景下的激光SLAM定位精度和鲁棒性。

基于因子图优化的激光惯性SLAM方法研究

融合激光雷达和惯性测量单元的SLAM方法是拒止环境下自动驾驶定位建图的重要技术手段。该技术包含前端和后端2个数据处理模块,在后端数据处理方面,现有方法存在长时间运行时累积误差较高、回环检测计算负载较大以及复杂拒止环境下鲁棒性不理想等问题。针对上述需求,提出一种适配前端激光惯性里程计的新型后端数据处理方法。该方法采用因子图优化算法架构,建立激光连续关键帧间的惯性单元预积分模型,将该模型作为因子图架构中表征惯性单元数据的算法因子,降低数据处理的计算负载。构建基于Scan-Context描述符的高效回环检测方法,将点云数据三维空间结构特征转化为二维特征图,在保证回环检测精度的前提下进一步提高计算效率。结合前端里程计信息,构建包含里程计因子、惯性单元预积分因子和回环检测因子误差项的目标函数,通过非线性优化算法求解最优位姿状态,形成完整的SLAM算法结构。对所述方法及FAST-LIO2、LIO-SAM和SC-LeGO-LOAM等现有主流激光惯性SLAM方法基于开源数据集进行对比验证,并开展实车试验。结果表明:相较于现有方法,所述DSC-Algo方法在公开数据集测试中的计算性能和全局定位精度实现了显著提升,在现实拒止环境实车测试中的定位精度和算法鲁棒性也具有明显优势。

结合轻量化YOLOv5s的动态视觉SLAM算法

针对视觉SLAM在真实环境中易受车辆、行人等运动物体影响而导致位姿估计降低的问题,提出一种结合轻量化YOLOv5s的动态视觉SLAM算法,将改进的轻量级YOLOv5s作为目标检测算法用于判断运动物体;结合提出的动态特征点剔除方法,剔除动态特征点,仅采用静态特征点进行位姿估计和地图跟踪。在TUM数据集进行实验,相较于ORB-SLAM3算法,改进后的算法在高动态序列上的位姿估计精度分别提升了89.29%、65.34%、94.42%,结果表明改进后的算法能够有效剔除动态特征点,提高了视觉SLAM算法在动态环境下的位姿估计精度和定位精度。

基于深度学习的移动机器人语义SLAM方法研究

为了给移动机器人提供细节丰富的三维语义地图,支撑机器人的精准定位,本文提出一种结合RGB-D信息与深度学习结果的机器人语义同步定位与建图方法。改进了ORB-SLAM2算法的框架,提出一种可以构建稠密点云地图的视觉同步定位与建图系统;将深度学习的目标检测算法YOLO v5与视觉同步定位与建图系统融合,反映射为三维点云语义标签,结合点云分割完成数据关联和物体模型更新,并用八叉树的地图形式存储地图信息;基于移动机器人平台,在实验室环境下开展移动机器人三维语义同步定位与建图实验,实验结果验证了本文语义同步定位与建图算法的语义信息映射、点云分割与语义信息匹配以及三维语义地图构建的有效性。

基于SLAM技术的钢结构挠度检测方法

钢结构在长期荷载及不均匀受力的作用下会产生空间变形,挠度是其重要的衡量指标。常规挠度检测方法依赖于手动测量或固定传感器,在实时性、精度和覆盖范围等方面存在一定的局限性,难以准确捕捉结构变形的细微变化。本文基于同时定位与地图构建技术(SLAM)三维激光扫描系统对钢结构网架进行顶升测量,以某汽车厂房项目为工程背景,并通过RANSAC算法提取钢结构节点球的球心进行挠度检测。研究表明,基于SLAM技术的钢结构挠度检测方法具有较高的精度和实时性,能够有效地检测出钢结构网架的挠度变形,为钢结构挠度检测提供了一种新的思路和解决方案,具有重要的理论和应用价值。

动态环境下基于深度学习的视觉SLAM研究综述

目前的同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)研究大多是基于静态场景的假设,而实际生活中动态物体是不可避免的。在视觉SLAM系统中加入深度学习,可以协同剔除场景中的动态物体,有效提升视觉SLAM在动态环境下的鲁棒性。文章首先介绍了动态环境下基于深度学习的视觉SLAM分类,然后详细介绍了基于目标检测、基于语义分割和基于实例分割的视觉SLAM,并对它们进行了分析比较。最后,结合近年来视觉SLAM的发展趋势,通过对动态环境下基于深度学习的视觉SLAM存在的主要问题进行分析,总结了未来可能的发展方向。

基于优化回环检测的激光雷达SLAM算法

在复杂环境下,基于激光雷达的同步定位与建图(SLAM)会随时间的不断累积产生定位误差。针对这一问题,文中提出了一种基于优化回环检测的激光雷达SLAM算法,利用点云全局描述符Lidar-Iris,通过计算二值化图像的汉明距离,比较点云图像之间的相似度。将当前关键帧与数据库中所有的历史关键帧对比,确定回环关键帧。在公开数据集KITTI上测试,将该算法与LeGO-LOAM算法对比,回环检测性能有明显提升。

面向港口环境精细感知的无人船多传感器融合SLAM系统

针对港口环境高精度感知需求,综合考虑影响同时定位与建图(SLAM)精度的港口环境因素,提出基于多传感器融合的激光SLAM环境感知方案。通过分析多种传感器对港口SLAM环境感知的影响,引入惯性测量传感器弥补激光SLAM输出频率低和剧烈运动位姿估计不准确等缺陷,采用卫星定位系统信息进行高程数据约束,处理船舶运动特性导致的垂荡累计漂移。从应用需求出发,对传感器进行选型和布置优化,搭建基于无人船的港口环境多传感器融合SLAM系统。结果表明,提出的港口环境高精度点云地图获取方案能在典型港口场景下准确实时建图,为水面精细SLAM提供技术支持。

基于激光SLAM多地形机器人的设计

为解决传统轮式机器人在复杂地形中受限与腿式机器人控制策略复杂的问题,提出一种多地形机器人。结合激光即时定位与地图构建(SLAM)方法和自适应式轮腿机构,将树莓派作为运算单元,搭载(ROS)机器人操作系统,应用激光SLAM技术实现环境地图构建和机器人导航,同时结合深度模型和摄像头完成图像任务。自适应式轮腿机械结构使机器人能够根据环境需求自动切换为轮式或腿式行进模式。底层控制器采用STM32F407,机器人通过PID算法能实现精准的移动和机械臂作业。结果表明:该多地形机器人控制方法简单高效,在坡地、草地、坑地、台阶障碍物等复杂地形中展现了灵活移动的能力,最大翻越障碍高度可达250 mm,爬坡角度可达45°,在稳定性和适应性方面具有显著优势。