基于全景视觉的移动机器人同步定位与地图创建研究

提出了一种基于全景视觉的移动机器人同步定位与地图创建(Omni-vSLAM)方法.该方法提取颜色区域作为视觉路标;在分析全景视觉成像原理和定位不确定性的基础上建立起系统的观测模型,定位出路标位置,进而通过扩展卡尔曼滤波算法(EKF)同步更新机器人位置和地图信息.实验结果证明了该方法在建立环境地图的同时可以有效地修正由里程计造成的累积定位误差.

尺度Unscented变换在同时定位与地图创建算法中的应用研究

同时定位与地图创建(SLAM)问题中运动及观测模型都是非线性的,当采用常用的扩展卡尔曼滤波(EKF)处理时需要通过Jacobian矩阵来线性化,由此带来的线性化误差影响了算法的一致性。本文将scaled unscented变换(scaled unscented transformation,SUT)以两种不同的方式运用到SLAM算法中,一是将整个状态方程进行SUT变换,用UKF完全代替EKF进行状态估计;二是只对状态向量中的机器人位姿进行SUT变换,地图特征的预测及整个状态的更新还是用EKF处理,以一种混合的方式进行状态估计。最后通过大量的Monte-Carlo仿真实验表明,两种方法都能有效地降低EKF的线性化误差,且第二种方法计算效率更高。

基于全局观测地图模型的SLAM研究

在SLAM领域中,为了克服稀疏特征地图不能提供详尽环境信息的缺点,从观测信息的物理意义出发,提出了全局观测地图模型.其基本思想是在稀疏特征地图中嵌入全局密集地图信息,采用位移准则、特征准则和传感器量程准则提取必要的观测信息,然后对观测信息进行去噪、转换,接着根据观测信息的物理意义和机器人位姿估计的不确定性获取环境的全局密集地图,可视化后得到环境的二值地图、灰度地图或颜色地图.将全局观测地图模型与EKF-SLAM算法相结合,提出了GOE-SLAM算法,采用Car Park Dataset对GOE-SLAM进行了实验验证,结果表明GOE-SLAM生成了可信的密集地图,并且GOE-SLAM的计算复杂度与EKF-SLAM相当.

自主移动机器人基于激光测距解释模型地图创建研究

随着社会不断的发展,科技的不断进步,自主移动机器人的应用越来越广泛,例如:交通、医疗、生活、军事、航空和航海等。特别的高危环境中,复杂的环境中,这就需要自主移动机器人可以进行连续的自定位和地图创建。在一个未知的环境中,由于没有已知的地图信息,机器人要通过所携带测距传感器建立一个准确的环境地图信息,同时,根据已经建立的地图信息确定自身的位置,即同时定位与地图构(Simultaneous Localization And Mapping,SLAM)。主要研究机器人基于激光解释模型的地图创建。

面向高动态环境的激光惯性SLAM算法

定位与地图创建技术是智能驾驶和移动机器人的关键技术和重要前提,然而大多数的激光SLAM都基于静态世界的假设,导致现有算法难以在高度动态的场景中鲁棒地工作。为此,本文提出了一种基于聚类分割的激光惯性SLAM方法,通过对点云进行地面分割、聚类和动态分数计算,实现对动态目标的实时识别和剔除。本文在动态数据集Urbanloco上进行了广泛的实验。实验结果表明,该方法可以在动态场景中检测和去除运动目标,提高SLAM系统的定位精度和鲁棒性。

视觉SLAM综述

视觉SLAM指的是相机作为唯一的外部传感器,在进行自身定位的同时创建环境地图。SLAM创建的地图的好坏对之后自主的定位、路径规划以及壁障的性能起到一个决定性的作用。本文对基于特征的视觉SLAM方法和直接的SLAM方法,视觉SLAM的主要标志性成果,SLAM的主要研究实验室进行了介绍,并介绍了SIFT,SURF,ORB特征的检测与匹配,关键帧选择方法,并对消除累积误差的闭环检测及地图优化的方法进行了总结。最后,对视觉SLAM的主要发展趋势及研究热点进行了讨论,并对单目视觉SLAM,双目视觉SLAM,RGB_D SLAM进行了优缺点分析。

Rao-Blackwellised粒子滤波SLAM的一致性研究

Rao-Blackwellised粒子滤波SLAM(RBPF SLAM)算法的复杂度与特征个数呈线性关系,对于大规模SLAM有明显的计算优势,但是该算法不能长时间满足一致性要求,必须进行改进。采用归一化估计方差NEES对算法的一致性进行了分析,得出粒子耗尽是造成算法不一致的原因,并分别采用辅助粒子滤波及正则粒子滤波对算法进行改进,以得到一致的RBPF SLAM。最后,通过大量的Monte-Carlo仿真实验,验证了方法的有效性。

一种改进的联合相容SLAM数据关联方法

数据关联是SLAM的难点之一。联合相容分枝定界算法(JCBB)虽能得到可靠的关联结果,但计算量随观测数目的增加而迅速提高,实时应用受到限制。通过给定联合相容配对个数的上限,对JCBB算法进行了改进,提出了一种快速JCBB算法(FJCBB)。FJCBB与JCBB有相同的关联效果,但计算量随观测数目的增加变化缓慢。当观测数目较大时,FJCBB的计算时间大幅减小,优势十分明显。最后,通过大量实验,验证了该方法的有效性。

SLAM问题的一种优化数据关联算法

联合相容分支定界算法(JCBB)存在"计算复杂度高"等缺点.为了优化JCBB算法在准确度和计算复杂度方面的性能,对它进行了三处改进:一是采用互斥准则和最优准则来提高关联的准确度;二是根据机器人的位姿和传感器的测量范围将数据关联限定在局部可能区域中;三是自适应地进行分批数据关联.仿真实验结果表明,优化JCBB算法(OJCBB)在保证准确度的同时大大降低了计算复杂度.Victoria Park Dataset实验表明,OJCBB算法的数据关联结果是可信的,而且OJCBB算法的计算效率远远高于JCBB算法.

基于几何约束的室内动态环境视觉SLAM

同时定位与地图创建(Simultaneous Localization and Mapping,SLAM)作为自主移动机器人的基本功能,近年来已成为机器人领域的研究热点。然而现有视觉SLAM算法大多将外部场景作为静态假设,忽略了环境中运动物体对SLAM系统精度的影响,影响SLAM系统在实际环境中的应用。鉴于此,提出一种适用于动态场景的鲁棒视觉SLAM算法,以ORB-SLAM2框架RGB-D模式为基础,在前端添加一种基于几何约束的动态检测方法。首先对场景中的动态特征点利用一种几何约束方法进行粗滤除,然后将剩余的特征点作为改进随机抽样一致算法(Random Sample Consensus,RANSAC)的样本点估算稳定的基本矩阵,使用极线几何滤除场景中真正的动态特征点。最后对改进系统在TUM数据集上进行测试,结果表明改进系统可以有效提高ORB-SLAM2系统在高动态场景中的性能。

稀疏扩展信息滤波SLAM算法的稀疏规则研究

稀疏规则是扩展信息滤波性能的关键。在现有的稀疏规则中,精确稀疏扩展信息滤波(ESEIF)的稀疏规则有较优的性能,但有其适用上的缺陷。通过将稀疏扩展信息滤波(SEIF)与精确稀疏扩展信息滤波(ESEIF)的稀疏规则结合起来,提出了一种组合的稀疏规则。该组合规则能适用于任何的探索环境,还充分利用了ESEIF稀疏规则的性能优势。最后,通过大量的Monte-Carlo仿真实验,验证了该方法的有效性。

视觉SLAM研究进展

视觉SLAM是指相机作为传感器进行自身定位同步创建环境地图。SLAM在机器人、无人机和无人车导航中具有重要作用,定位精度会影响避障精度,地图构建质量直接影响后续路径规划等算法的性能,是智能移动体应用的核心算法。本文介绍主流的视觉SLAM系统架构,包括几种最常见的视觉传感器,以及前端的功能和基于优化的后端。并根据视觉SLAM系统的度量地图的种类不同将视觉SLAM分为稀疏视觉SLAM、半稠密视觉SLAM和稠密视觉SLAM 3种,分别介绍其标志性成果和研究进展,提出视觉SLAM目前存在的问题以及未来可能的发展。

SLAM问题中特征相关性研究

结合SLAM算法及不确定性分析,对SLAM问题中的特征相关性进行了研究。并在对相关性进行详细深入分析的基础上,得到了特征稀疏的两个标准,进而提出了相关优先的特征稀疏策略,可利用较少的相关性强的特征从而减少大量的计算负担,计算误差却和一般传统方法相当。最后,采用EKF滤波对SLAM进行了仿真,通过多次Monte-Carlo仿真实验结果表明了该方法的有效性。

基于压缩型EKF的SLAM改进算法

针对基于压缩型扩展卡尔曼滤波(CEKF)的SLAM算法在状态增广和地图管理两方面的不足,提出了一种改进算法(ICEKF算法)。该算法通过增广辅助系数矩阵即可快速完成状态增广,计算复杂度由O(N2)降低为O(NA),其中N和NA分别为全局和局部地图中的路标数。在地图管理上,ICEKF算法采用一种基于欧氏距离的局部地图动态选择方法,避免了CEKF算法对全局地图进行预先划分带来的路标分配等问题。仿真表明ICEKF算法在估计结果上与EKF算法具有一致的最优性,与CEKF算法相比计算量大大降低。

SLAM问题中的自适应序贯数据关联

基于马氏距离的最近邻数据关联算法目前在SLAM中得到了广泛应用。通常假设关联对之间的马氏距离服从卡方分布,并根据设定的置信度来选择固定的数据关联阈值。但是通过使用真值运算的SLAM仿真证明关联对之间的马氏距离并非严格服从卡方分布,而是受路标分布、过程和观测噪声以及运动控制量大小的影响。对此提出利用观测数据和移动机器人状态等信息,通过虚拟关联来自适应地调整阈值的方法,并采用序贯关联方法防止路标丢失和增广滞后。仿真表明该方法可以很好地适应环境和噪声的变化,有效地防止虚假路标并降低观测丢弃率。

SLAM算法在AUV中的应用进展

同步定位与地图创建(SLAM)是水下航行器在全球范围内实现自主导航的一个基础且重要问题。首先介绍了SLAM算法在水下航行器应用的国内外最新进展,指出了SLAM算法所面临的问题,阐述了研究的环境描述、环境特征提取和不确定信息的描述等难点问题,并对SLAM算法的主要实现方式进行了归纳。最后结合水下航行器的特殊应用环境,探讨了未来SLAM算法的研究趋势和发展方向。

一种改进的粒子滤波SLAM算法

传统的粒子滤波SLAM算法中,由于历史信息未被利用而导致估计精度较低.文中结合精确稀疏滞后状态信息滤波具有自然稀疏的信息矩阵因而估计精度高以及精确稀疏扩展信息滤波计算效率高的优点,将二者混合应用于粒子滤波SLAM算法中.不但充分应用信息矩阵记录的机器人位姿与特征间关系的历史信息从而提高估计的精度,而且克服机器人转动状态及环境特征疏密带来的应用缺陷.仿真与真实机器人实验的实验结果均表明文中算法的有效性与可行性.

SLAM在室内测绘仪器研发中的应用综述

SLAM(Simultaneous localization and mapping,同时定位与地图创建)指机器人在自身位置不确定和未知的环境中创建环境地图,并且利用地图进行自主导航与定位。移动机器人研究的核心课题是同步定位与地图创建,而移动机器人又是室内测绘仪器的数据采集平台。文中对SLAM在室内测绘仪器的研发现状进行总结,然后结合SLAM测绘仪器室内移动测量系统重点探讨了被动视觉SLAM、主动视觉SLAM、无线局域网(Wi Fi)SLAM和RGB-D SLAM方法的原理、优缺点和研究现状,对两种比较流行的SLAM算法改进思想和研究现状进行了阐述,最后根据SLAM室内测绘仪器的研发探讨了SLAM测绘仪器室内移动测量系统的评价标准与发展趋势。

强跟踪滤波在移动机器人SLAM的应用研究

针对移动机器人的运行特点,分析机器人常用SLAM方法,提出将STF应用于移动机器人SLAM。主要结合STF算法优点,通过引入渐消因子,解决机器人模型未知和状态变化不连续的问题,将算法用于环境地图的创建和机器人的定位。实验结果证明该应用比其它方法定位精度高,能够满足在大范围室内环境下SLAM的需求。

图形相似性匹配在多机器人地图中的应用

在多机器人同时定位与地图创建(Simultaneous Localization and Mapping,SLAM)协同工作下,要求融合各机器人的特征子地图形成单一的公共地图,利用三角形相似性原理,实现SLAM定位中各机器人子地图的相互匹配。在机器人创建的地图中,依据路标位置相关的特征组成最小三角形,并通过三角形相似性原理对各机器人创建子地图进行相似性匹配,并记录相似三角形对应点匹配次数,最后彼此匹配次数最多的对应路标即为相关联的路标对。实验结果表明该方法是有效的,且鲁棒性强。