基于复合探索点的主动SLAM建图方法研究

为了提升电厂内部巡检效率,本文提出了基于智能机器人的电厂巡检方案。考虑电厂内部场景复杂,实现机器人在未知环境下自主建图的高效性和准确性尤为重要。本文设计一种基于复合探索点的主动SLAM建图方法,基于平面分割和矢量合成法,对探索轨迹施加牵引,减少随机探索带来的地图不确定性并改进边界点评价函数,考虑到边界长度的增益,提高探索效率。首先采用平面分割法在目标点所在区域进行边界点搜索,以运动距离和边界线长度为参数设计评价函数,确定探索范围最大的最佳边界点,并通过最佳边界点和目标点的矢量合成,设计复合探索点,引导机器人同步建图和跟踪。并利用实时定位建图技术,构建当前环境栅格地图,通过探索点的依次探索,最终达到目标点,并完成自主建图,通过再次设定目标点实现跟踪扩大建图范围。所提出的算法具备探索的趋向性,是对栅格地图深度优先搜索,并考虑目标点对其路径存在牵引作用,避免了机器人轨迹多次覆盖和陷入回路的情况。实验结果表明,本方法能以较少的探索次数和较短的探索路径完成未知环境下的目标点跟踪和高精度建图。

机器人自适应主动同时定位与建图新方法

针对多机器人的定位与建图受到即时定位与地图构建(SLAM)研究方法和技术不成熟的制约问题,提出一种基于扩展卡尔曼滤波(EKF)的自适应同时定位与建图方法;首先,基于EKF估计方法,将SLAM中机器人运动方式的选取问题转化为一个多目标最优控制问题,机器人选取最优化目标函数的控制输入,从而以主动的、智能的和自适应的方式探索环境;然后,将上述方法推广到多机器人SLAM中,以实现更为准确、高效和鲁棒的定位与建图;仿真结果表明,该方法大大提高了机器人建图的效率、准确性和鲁棒性;该方法用于机器人主动同时定位和建图是可行的、有效的。

智能机器人同步定位与建图专用芯片研究综述

机器人是新质生产力的革命性引擎,正在重塑人类的生活和工作。同步定位与建图技术(Simultaneous Localization And Mapping,SLAM)能够使机器人在未知环境中自主导航并构建周围环境的地图,是自主移动机器人实现智能化的基石。然而,SLAM算法复杂且运算量大,基于通用芯片方案实现存在延时长、功耗高的问题,不能满足自主移动机器人,尤其是小型、微型、纳型机器人的实时性、体积和功耗需求。因此,设计专用芯片加速计算密集的SLAM算法在近年来受到学术界和产业界的高度关注。本文首先从SLAM技术的基本概念和应用场景出发介绍了SLAM算法需要硬件加速的必要性,接着从算法和专用芯片设计两个角度出发梳理了SLAM技术的研究现状与发展趋势,接着重点讨论了SLAM专用芯片研究的技术挑战与解决方案,对未来发展给出了建议。

基于激光雷达的牧场巡检机器人定位与建图算法设计

针对牧场巡检机器人定位精度和鲁棒性低、建图精度和稳定性差的问题,提出一种基于激光雷达测距和测绘技术与改进LOAM-SLAM算法的LOM-SLAM算法。LOM-SLAM算法在LOAM-SLAM算法的基础上将SLAM分解为运动估计和地图构建两个过程,利用激光雷达的高精度测距和测绘技术,实现同时进行机器人的定位和地图构建,从而提高定位与建图的精度,提高鲁棒性和稳定性。将LOM-SLAM搭载在麦轮结构的巡检机器人上进行试验验证。结果表明:在位姿估计试验中,LOM-SLAM算法的绝对轨迹误差(ATE)和相对位姿误差(RPE)的RMSE值分别仅为7.28 m和2.23 m,均低于对比算法。在定位与建图试验中,当巡检机器人分别以0.2 m/s、0.5 m/s、1 m/s的速度运动时,LOM-SLAM的定位误差分别为0.12 m、1 m、1.2 m,具有更好的定位精度和稳健性。

基于2D-SLAM算法的机器人建图定位分析

当前社会生产要求机器人智能化水平不断提升,机器人自主运动能力被越发重视,而传统机器人运动控制方式较为落后。文章将现行的SLAM算法融入机器人运动控制技术,通过仿真以及实物测试的方式对比了2D-SLAM算法在具体场景下的建图定位效果。实际测试比较得到里程计信息的真实性对Gmapping方法建图定位的影响,并测试了Hector SLAM方法在模拟及真实场景中建图定位的性能,最终得出了Hector SLAM方法更适用于高特征值的现实场景建图定位策略的结论。

基于视觉SLAM的矿井救援无人机建图研究

针对在矿井事故发生后,为了弥补视野不足,高效地开展灾后勘测和搜救任务,使用开源ORB-SLAM3算法和深度相机,结合使用无人机开发平台,对井下无人机定位以及矿井环境的建图进行研究。分别在有照明和昏暗条件下进行模拟试验,结论得到无人机的飞行轨迹,为实际的矿井救援过程提供了误差精确的运动轨迹与位姿地图。

基于扩展卡尔曼滤波的同步定位与地图构建(SLAM)算法研究进展

介绍了同步定位与建图(Simultaneous Localizaton And Mapping,SLAM)问题的数学模型,对基于扩展卡尔曼滤波的SLAM算法进行了详细的介绍给出了非线性优化SLAM方法的代价函数。最后,对利用神经网络拟合扩展卡尔曼滤波器与非线性系统误差的方法进行了介绍并对SLAM领域与深度学习的结合做出了展望。

一种改进的地下车库弱纹理下智能汽车即时定位与建图算法

地下车库中纯视觉的即时定位与建图(simultaneous localization and mapping,SLAM)方法无法克服光线不足和弱特征纹理两大不利因素,为此,提出一种基于VINS-Mono框架下改进的视觉惯导融合算法,把原算法中提取Harris角点的方法改进为提取灰度值陡变的像素点,并使用非线性优化方法在初始化阶段进行视觉位姿估计。后端采用滑动窗口的形式建立先验估计残差、惯性测量单元(inertial measurement unit,IMU)残差以及基于灰度值不变原理构建的视觉残差的联合残差模型,进一步提升了系统底层变量的优化效果,从而提高算法的定位准确度。通过基于EuRoc数据集的仿真实验和地下车库实际场景的实车实验,验证了所提算法的鲁棒性和精确性。

基于视觉SLAM的实例地图构建方法

由于机器人在利用视觉传感器进行同步定位与建图(simultaneous localization and mapping,SLAM)的过程中未使用实例信息,对环境感知不充分,构建的地图精度低,因此,给出了一种融合目标检测和点云分割的视觉SLAM实例建图方法。首先,利用改进的轻量级目标检测算法YOLOV4-tiny提取环境二维图像的实例信息;其次,给出一种点云分割的方法,将二维图像信息对应的三维点云进行物体实例分割,提升分割精度;最后,将分割后的实例导入ORB-SLAM2框架中,构建出具有实例信息的高精度点云地图。实验结果表明:改进后的YOLOV4-tiny目标检测算法在构建的数据集上检测的准确率提升8.1%,改进的点云分割方法与LCCP算法相比,物体平均分割率提升12.5%,真实环境下构建的实例地图精度优于ORB-SLAM2算法构建的地图。

基于多约束因子图优化的无人车定位与建图方法

针对目前在特定场景下应用的低速无人车定位系统极度依赖全球导航卫星系统(GNSS),存在定位精度不高、漂移误差大、受环境影响严重等问题,提出一种低成本、高精度的无人车定位与建图方法。该方法基于三维激光定位与建图(SLAM)技术。首先,使用点云主成分分析(PCA)实现基于特征匹配的激光里程计;其次,将GNSS位置信息、点云分割聚类得到的地平面和点云聚类特征作为位姿约束分别加入图优化框架,消除激光里程计的累积误差;最后,得到最优位姿和大规模场景的点云地图,以实现无人车的自主定位导航。利用包含大型户外城市街道环境的KITTI数据集对所提出的SLAM算法进行了评估,结果表明:系统在3 km运动距离情况下定位偏差可控制在1.5 m以下,在局部精度和全局一致性方面均优于其他里程计系统,为无人车的定位提供了新思路。

基于滑动窗口优化的激光雷达惯性测量单元紧耦合同时定位与建图算法

针对现有的激光里程计在面临室外大场景建图时,普遍会出现定位精度低、鲁棒性差的问题,提出一种16线激光雷达和惯性测量单元(inertial measurement unit, IMU)紧耦合的同时定位与建图(simultaneous localization and mapping, SLAM)算法。首先,对IMU进行估计位姿,通过线性插值矫正激光点云的运动畸变;其次,通过曲率提取场景特征,并根据不同特征性质进行分类;再次,利用帧间匹配模块在滑动窗口内构建局部地图;最后,利用帧与局部地图匹配得到的距离和IMU数据构建联合优化函数。借助KITTI数据集和自行录制的园区数据集,对改进算法与主流的Lego-LOAM和同样使用紧耦合方案的LIO-Mapping进行分模块和整个系统的精度评定。实测结果表明,在符合里程计实时性的要求下,改进激光里程计精度高于Lego-LOAM和LIO-Mapping方案。

基于多约束因子图优化的无人车定位与建图方法

目前针对低速无人机在特殊场景下的定位系统依赖GPS卫星导航系统,存在定位偏差较大的缺陷,同时容易受环境影响。为实现无人车的精准定位,本文提出一种成本低和精度高,基于三维激光定位与建图SLAM技术的无人车导航方法。该方法,首先使用电云主成分分析PCA实现特征匹配的激光里程计,其次将GPS信息、点云主成分特征作为位置姿态图优化框架,通过迭代优化最后获得最优位置和大规模场景的点云地图,实现无人车自动驾驶的精准定位。

面向煤矿巷道环境的LiDAR与IMU融合定位与建图方法

针对煤矿井下喷浆表面、对称巷道等引起移动机器人自主导航定位与建图失效问题,提出了一种面向煤矿巷道环境的激光雷达(LiDAR)与惯性测量单元(IMU)融合的实时定位与建图方法。首先对原始点云进行分割,利用IMU预积分位姿去除原始点云非线性运动畸变,并对得到的点云进行线、面特征提取。然后将相邻帧的线、面特征进行匹配,在分层位姿估计过程中融合IMU预积分所得到的位姿初值,减少计算迭代次数,提高特征点匹配的精度,解算出当前帧的位姿。最后向因子图中插入局部地图因子、IMU因子、关键帧因子,对位姿进行优化约束,对关键帧与局部地图进行匹配,通过八叉树结构实现地图构建。为验证所提方法的定位性能与建图效果,搭建了Autolabor、VLP−16 LiDAR和Ellipse−N IMU的实验平台进行验证,并与LeGO−LOAM、LIO−SAM方法进行定性定量对比分析。结果表明:①在煤矿巷道环境中,面向煤矿巷道环境的LiDAR与IMU融合的实时定位与建图方法三轴方向的绝对定位误差的均值和中值均小于32 cm;对X轴的位姿估计精度最高,其累计误差为1.65 m,位置偏差为2.97 m,建图效果整体良好,建图轨迹未发生漂移;构建的点云地图在完整性和几何结构真实性方面均有着优秀的表现,可以直观反映巷道环境的实际情况,具有良好的鲁棒性。这是因为点云匹配之后进行了分层位姿估计,多因子优化可有效降低全局累计误差,对轨迹精度和地图的一致性提升具有重要作用。②在楼道走廊环境中,面向煤矿巷道环境的LiDAR与IMU融合的实时定位与建图方法三轴的误差均小于1.01 m,误差均值为5~15 cm,误差范围小,精度高;累计位置偏差仅为1.67 m;完整性与环境匹配均有良好的性能。这是由于通过增加关键帧因子,插入因子图对其新增节点相关变量进行优化,降低了位姿估计漂移,定位与建图精度相对较高。

地下车库的雷达与相机融合即时定位与建图

为解决智能车在未知地下车库环境,由于单独使用二维激光雷达点云信息的数量有限,当存在动态障碍物时位姿匹配容易产生误匹配导致定位与建图精度降低的问题,提出了一种根据光照加权的扩展卡尔曼滤波算法将RGB-D相机的视觉信息和二维激光雷达的点云信息进行融合。首先,采用改进的IMLS-ICP(implicit moving least square-iterative closest point)算法对激光点云数据进行处理以得到更高的匹配精度;然后,针对视觉匹配算法较慢的问题,采用ORB(oriented FAST and rotated bRIEF)算法对直方图均衡化滤波优化后的图像进行处理来加快图像处理的速度与特征匹配的精度;采用视觉词袋模型进行回环检测来重定位以减少累计误差的影响;最后,通过搭建的汽车实验平台进行车库实验,验证了采用该方法能够得到更高的定位精度和更加准确的建图效果,提高了系统的鲁棒性。

点线融合双目定位与建图多维提升方法

针对现有点线融合视觉SLAM(simultaneous localization and mapping)方法中线提取和线匹配准确度低导致定位精度下降的问题,从多维度对现有点线融合双目视觉SLAM方法进行了改进研究。通过内部参数调整和长度阈值筛选改进LSD(line segment detection)提取质量;基于几何约束将线特征匹配抽象为稀疏最小化问题,求得最优解即找到线段最佳匹配;基于图像纹理评分和匹配成功特征数量分配点线特征权重,优化了后端点线特征融合策略。相比LSD算法和LBD(line binary descriptor)匹配方法,短线段数量平均下降了67%,匹配准确度平均提高了18%;相较于PL-SLAM,定位误差在EuRoC和KITTI数据集上分别下降了15%和45%左右。实验表明,通过多维度改进点线SLAM方法各模块的性能有效提高了SLAM系统的定位精度。

面向环形管道的电力巡检机器人设计与环境建图

在大型水电站中,离相封闭母线(isolated phase enclosed bus,IPB)只能通过预防性试验对设备状态进行检查,难以目视外观检查。为解决这种密闭狭小空间的环形管道的巡检困难问题,提出一种可在水平、竖直段上行走的轮式攀爬机器人。首先,对攀爬机器人移动和附着方式进行对比分析,根据实际工况,选用轮式推力附着方式并基于该方式对机器人整体结构进行力学分析;通过搭建的模拟IPB管道内的运动实验。结果表明:巡检机器人满足水电站内IPB管道的检修需求且具有良好的适应性;设计基于柱坐标的点云配准方法,解决了管道内无法正确建图的问题,且计算时间优于激光雷达里程计建图(lidar odometry and mapping,LOAM)及迭代最近点(iterative closest point,ICP)算法,拓展了激光雷达点云建图的应用范围。

基于SLAM激光扫描的建筑物建模方法研究与应用

激光雷达技术的突破与惯性导航系统的完善使激光扫描设备在测绘领域表现出色。该设备已成为构建高效、精准三维模型的关键工具,广受认可,被广泛应用于各类工程测绘项目。它能迅速捕获三维坐标点、反射率及纹理等关键信息,以点云形式存储,为构建建筑物三维模型提供坚实数据。针对市场局限,研发了即时定位与建图(Simultaneous Localization and Mapping,SLAM)方法,实现大型异构建筑室内外三维建模,并通过案例验证其高度可行性与可靠性,为相关行业提供技术支持,为类似工程提供全面解决方案,对测绘行业产生深远影响。

基于边缘计算的自动驾驶高精地图建图与定位方法

地平线基于边缘计算的众包高精度地图解决方案是基于地平线自研芯片--征程的快速处理及计算能力,在已量产自动驾驶计算平台Matrix上,将强大的视觉感知和建图能力结合在一起,从而在边缘处利用SLAM技术实现高精度地图的创建,并利用众包技术实现地图信息的实时更新。总的来说NavNet就是利用深度学习和同步建图及定位技术结合实现高精建图定位系统。

基于视觉SLAM和光流法的无人施药船定位精度研究

随着农业自动化技术的不断发展,无人施药船作为先进的水生养殖设备,逐渐得到广泛应用。文章采用视觉同步定位与建图(Simultaneous Localization and Mapping,SLAM)和光流法相结合的方法,提出一种提高无人施药船定位精度的方法。该方法能够有效提高无人施药船的定位精度和自主导航能力,具有广阔的应用前景,有助于提升农业生产的效率。

面向工业园区无人车的激光建图与定位技术研究

针对工业园区中由于激光SLAM的累计误差造成的建图偏差问题,文章提出了一种基于RTK/全站仪的建图优化技术,利用因子图优化融合多源信息消除前端里程计漂移以获取更精确的位姿信息。另外,文章介绍了一种基于RTK/激光雷达/IMU/里程计的多传感器融合定位技术,以解决工业园区复杂环境下激光点云匹配定位不稳定的问题。论文对所述建图与定位技术进行了工程化实现与验证,试验结果证明了上述技术的有效性。