动态环境下基于路径规划的机器人同步定位与地图构建

针对动态环境下随机目标同时为特征点和障碍物的情况,提出一种基于路径规划的同步定位与地图构建(SLAM)算法.机器人在同步定位与地图构建的同时,基于势场原理来规划机器人下一步的运动控制规律.利用混合当前统计模型的交互式多模型(IMM)方法预测随机目标的轨迹,采用最近邻数据关联方法将动态随机目标关联到地图中.算法构建的地图由静态特征点和随机目标的轨迹组成.仿真结果表明,提出的算法解决了动态环境中存在的随机目标同时为障碍物时机器人的同步定位与地图构建问题,相关性能指标验证了算法的一致性估计.

基于类脑仿生的环境感知技术

针对机器人即时定位与地图构建(SLAM)领域环境感知中场景图像表征难的问题,仿照人脑视觉系统感知环境的过程,提出了一种类脑仿生的环境感知方法,将场景图像压缩成视觉模板以表征场景。首先模拟大脑先验知识,利用尺度不变特征变换(SIFT)算法提取通用场景数据集中图像的特征,并通过K均值聚类(K-Means)算法来构建视觉特征库,然后模拟视觉注意机制,提取目标场景图像的SIFT特征并将其与视觉特征库进行匹配,完成场景表征。最后通过实验验证了方法的可信性。

一种优化的SLAM变电站复杂环境地图构建

针对变电站等复杂环境地图构建问题,分析对比了目前几种主流激光SLAM算法,以Cartographer SLAM作为研究基础,在此基础上提出了一种优化后的SLAM建图方案,该方法基于双2D激光雷达互相垂直的方法实现三维建图的新系统,具体实现是通过高精度校准方法标定两台2D激光仪的位姿关系,并对两组数据进行优化融合以获得高精度的三维数据,进而保证最终定位和建图的精度。用Ubuntu 16.04环境下进行了仿真和实验,实验结果表明上述方案具很好的有效性和可实施性。

非结构化环境下巡检机器人环境感知技术研究综述

环境感知技术是巡检机器人实现环境建模、定位、自主导航等一系列任务的重要前提和基础。从环境信息的处理、环境感知的关键技术与环境地图的构建3个典型方向,针对当前国内外视觉感知技术、多传感器信息融合技术与即时定位与地图构建(SLAM),详细介绍了巡检机器人在非结构化环境下的感知技术与方法,探讨了此类技术未来的趋势,为应用于高危环境的智能巡检机器人开发提供理论支持。

基于激光雷达的煤矿井底车场地图融合构建方法研究

煤矿智能化是煤炭行业高质量发展的技术支撑,关键岗位的机器人替代是实现煤炭少人化、无人化的高效开采的发展趋势。即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)是煤矿机器人自主移动与导航的关键技术之一。煤矿井下为典型非结构化环境,空间狭长局促,结构复杂多变,照明情况不均匀,对煤矿井下SLAM提出了严峻挑战。总结了煤矿井下地图构建研究现状,针对LeGO-LOAM算法的回环检测仍存在的不足,利用SegMatch算法改进LeGO-LOAM的回环检测模块,且使用ICP算法进行全局图优化,提出了一种融合LeGO-LOAM和SegMatch的改进算法,阐述了该算法的原理和实现步骤;开展了煤矿井下模拟场景试验,对比分析改进前后SLAM算法的建图效果以及精度,试验结果表明改进算法构建的地图回环效果更好,估计轨迹更平滑、精确;结合导航需求研究了二维占据栅格地图的构建方法,试验验证了该方法所构建的栅格地图精度,结果表明有效滤除动态障碍物等离群噪点后的栅格地图具有0.01 m的建图精度,且所需存储空间较点云地图降低了3个数量级。研究成果有助于煤矿井下非结构环境下SLAM和煤矿机器人实时定位和自主移动。

动态环境下基于延迟语义的RGB-D SLAM算法

目前,将分割网络与SLAM(Simultaneous Localization and Mapping)结合已成为解决视觉SLAM不能应用于动态环境的主流方案之一,但是SLAM系统受到分割网络处理速度的限制,无法保证实时运行.为此,文中提出基于延迟语义的RGB-D SLAM算法.首先,并行运行跟踪线程与分割线程,为了得到最新的延迟语义信息,采取跨帧分割的策略处理图像,跟踪线程根据延迟语义信息实时生成当前帧的语义信息.然后,结合成功跟踪计数(STC)与极线约束,筛选当前帧动态点的集合,并确定环境中先验动态物体的真实运动状态.若确定该物体在移动,继续将物体区域细分为矩形网格,以网格为最小单位剔除动态特征点.最后,利用静态特征点追踪相机位姿并构建环境地图.在TUM RGB-D动态场景数据集及真实场景上的实验表明文中算法在大部分数据集上表现较优,由此验证算法的有效性.

智能感知融合技术在干散货堆场动态环境中的应用

以干散货码头堆场为代表,针对其大型设备自动化作业在堆场复杂动态环境的感知问题,提出多传感器智能感知融合技术框架,基于激光雷达、惯性传感器(IMU)和实时动态(RTK)等多种传感器数据融合,利用原始的RTK数据信息对前端里程计输出的位姿进行优化,应用动态物体移除技术实现稳健、精准的动态要素感知,结合八叉树立方体查询实现高效、实时的全局地图更新,最终建立一个高精度且实时更新的散货堆场地图,为后续的堆场作业提供支持。将智能感知融合技术应用于大型干散货码头,结果证明该技术可实现堆场动态环境的高精度和实时性能,有效提高干散货码头自动化作业的感知能力。

基于单目相机与K均值聚类分割的船舶航行环境地图深度构建

为降低视觉设备感知航行环境时,水面光照反射对船舶位姿估计和环境地图重构的影响,在HSV(hue,saturation,value)颜色空间下,采用K均值聚类算法对近岸航行环境图像进行聚类分割处理。改进快速特征点提取和描述算法(oriented FAST and rotated BRIEF,ORB)来提高即时定位与地图构建(simultaneous localization and mapping,SLAM)效率,缩短特征点匹配时间,改善对外界环境的感知效果并提升船舶自身位姿估计精度。采用2020年南宁海事局执法船进港和靠泊期间由单目相机拍摄的视频数据进行实例验证。结果表明,提出的算法比传统SLAM算法的运行耗时更少,与传统定位设备输出轨迹的偏差较小,可为船舶全面立体感知海上航行环境提供研究基础。

SLAM技术及其在矿山无人驾驶领域的研究现状与发展趋势

无人驾驶是矿山智能化关键技术之一,其中即时定位与地图构建(SLAM)技术是实现无人驾驶的关键环节。为推动SLAM技术在矿山无人驾驶领域的发展,对SLAM技术原理、成熟地面SLAM方案、现阶段矿山SLAM研究现状、未来矿山SLAM发展趋势进行了探讨。根据SLAM技术所使用的传感器,从视觉、激光及多传感器融合3个方面分析了各自的技术原理及相应框架,指出视觉和激光SLAM技术通过单一相机或激光雷达实现,存在易受环境干扰、无法适应复杂环境等缺点,多传感器融合SLAM是目前最佳的解决方法。探究了目前矿山SLAM技术的研究现状,分析了视觉、激光、多传感器融合3种SLAM技术在井工煤矿、露天矿山的适用性与研究价值,指出多传感器融合SLAM是井工煤矿领域的最佳方案,SLAM技术在露天矿山领域研究价值不高。基于现阶段井下SLAM技术存在的难点(随时间及活动范围积累误差、各类场景引起的不良影响、各类传感器无法满足高精度SLAM算法的硬件要求),提出矿山无人驾驶领域SLAM技术未来应向多传感器融合、固态化、智能化方向发展。

用于SLAM的点云动态物体识别

检测和分割场景中动态物体对于建立一致性地图至关重要。针对当前点云动态物体检测算法依赖大量含有动态属性标注的数据、限制激光雷达扫描方式等问题,提出了一种基于连续点云的动态物体检测算法。将待预测点云、相邻帧点云以及通过SLAM(simultaneous localization and mapping)得到的位姿信息作为输入,利用点云场景流估计算法逐点估计移动情况,结合点云聚类、主成分分析(principal component analysis,PCA)等技术,整合场景流结果以获取实例级移动信息以判断物体的动态属性,并将点云语义分割作为判别点是否属于可移动类别的插件以提升动态物体识别精度。所提算法不需要具有动态属性的标注数据进行训练,并且对传感器的扫描方式、生成的点云数没有任何限制;与现有最先进的方法进行对比,具有易于训练、判断准确、结果鲁棒等特性。

面向矿井无人驾驶的IMU与激光雷达融合SLAM技术

同时定位与地图构建(SLAM)是无人驾驶关键技术,现有SLAM技术在煤矿巷道环境下存在累计误差大、漂移等问题。提出一种巷道环境特征辅助的惯性测量单元(IMU)与激光雷达融合SLAM算法。利用IMU观测数据预测点云运动状态并进行运动补偿,减少由设备运动引起的点云畸变;通过点云配准得到雷达里程计位姿变换信息,构成雷达里程计约束;提取巷道侧壁和地面点云并进行平面拟合,构成环境约束;基于IMU预积分约束、雷达里程计约束和环境约束,采用因子图优化方法完成激光雷达与IMU紧耦合,实现对巷道三维场景的高精度重建和无人驾驶车辆定位。仿真实验表明,巷道环境特征辅助的IMU与激光雷达融合SLAM算法的绝对轨迹均方根误差为0.1162 m,相对轨迹均方根误差为0.0409 m,定位精度较常用的LeGO-LOAM算法和LIO-SAM算法有所提升。真实环境测试结果表明,该算法具有良好的建图效果,未出现漂移和拖尾现象,具有较强的环境适应性和鲁棒性。

弱光环境下视觉SLAM前端优化方法

为了解决机器人在弱光环境下可能出现的自身定位不准确及建图不完整的情况,采用了一种基于弱光环境下图像增强的方法对相机采集到的图像进行预处理,提高图像的亮度和清晰度,对增强后的图像用ORB算法提取和匹配特征点,使用Hamming距离筛选法进行特征点的误匹配处理。实验结果表明:本优化算法有效地增加了弱光环境下的特征点提取数量,并且经本算法优化后的三维点云图质量更高。

面向地图构建的移动机器人局部路径自主规划

移动机器人在未知场景中规划路径以自主完成定位与地图构建是机器人领域的一个重要研究课题.本文阐述了一种利用实时构建的信息熵地图动态生成机器人的局部探索路径,并综合转向约束和避障约束设计了一种基于模糊评价方法的方向选择策略跟踪生成的局部路径并进行环境构图.与现有方法相比,本文方法能够根据环境动态地生成平滑连续的局部探索路径,并能引导机器人进行障碍物躲避和完成自主构图.实验结果表明相较对比方法,本文方法的探索路程最短,观测覆盖度最高,同时整个自主构图过程所需的时间也更短.

基于SLAM/UWB的室内融合定位算法研究

精确且稳定的自主定位是移动机器人在室内环境下实现自主导航的前提,针对室内定位中视觉即时定位与地图构建(SLAM)存在的累计误差以及环境因素导致超宽带(UWB)定位精度下降的问题,提出一种基于SLAM/UWB的室内融合定位算法.首先该算法以扩展卡尔曼滤波(EKF)为基础,将UWB的全局定位坐标和视觉SLAM位移增量进行融合,但考虑到测量噪声易受复杂环境影响,引入阈值检测和自适应测量噪声估计器,以抑制异常值和时变测量噪声对滤波器性能的影响,最后使用智能移动小车在不同的室内场地下进行实验.实验表明:该算法优于单一的UWB或者视觉SLAM定位方式,并且在复杂室内环境下比传统EKF算法拥有更稳定的定位效果.

动态环境下结合语义的鲁棒视觉SLAM

针对传统同时定位与地图构建(SLAM)在动态环境中受动态物体干扰而导致精度低、鲁棒性差的缺点,提出了一种结合语义的鲁棒视觉SLAM算法。采用深度学习技术构建基于卷积神经网络的物体检测器,结合先验知识,在语义层面实现对动态物体的检测;提出基于速度不变性的相邻帧漏检补偿模型,进一步提高物体检测网络的检出率;构建基于特征点的视觉SLAM系统,在跟踪线程中对动态物体特征点进行剔除,以减小错误匹配造成的位姿估计的误差。经实验验证:系统在极端动态环境测试中保持定位不丢失,在TUM动态环境数据集测试中,定位精度比ORB-SLAM2提高22. 6%,性能提高10%。

基于粒子滤波的未知环境通信的多机器人SLAM算法研究

多机器人协同工作可以提升电力设备巡检的工作效率、准确性和稳定性,但初始位置对应关系不清楚导致协同工作时信息一致性无法保障。在对单机器人SLAM算法和多机器人SLAM算法分析的基础上,结合粒子滤波器设计方法,提出了基于RBPF的多机器人SLAM算法。将提出的算法应用于有人穿越走廊且具有许多反射表面环境下的地图建造实验中,结果表明RBPF-SLAM算法能够有效地确保多机器人协同工作时信息的一致性,这对移动机器人在未知工作环境中的定位与地图构建具有一定的参考价值。

基于多传感器信息融合的机器人导航与定位技术研究

移动机器人已经服务于各个领域,作为室内移动机器人服务的前提是实现机器人精准定位。文章介绍了一种射频识别(Radio Frequency IDentification,RFID)和即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)多传感器融合库存盘点机器人精准导航与定位的方法。通过读取布置在环境中的RFID标签,获取机器人的大概位置信息和准确运动状态,然后结合SLAM技术实现精准定位。实验结果表明,该方法可以使库存盘点机器人精准定位,且系统搭建简单、成本低,对室内机器人定位具有参考价值。

不依赖于卫星的无人系统视觉/激光雷达感知与自主导航技术

智能化的无人系统在现代社会中起着重要作用,而对环境信息的准确感知以及自身位置的精准估计是无人系统智能、高效执行任务的核心基础,视觉与激光雷达传感器是无人系统常用的感知与导航传感器。近年来,随着应用场景的拓展,无卫星信号、无光等恶劣环境对无人系统的感知与自主导航技术提出了新的挑战。针对上述环境,对无人系统中视觉/激光雷达感知技术与自主导航技术及其进展进行了分析和总结。从感知和导航定位两个应用层面出发,深入讨论和分析了基于视觉和激光雷达手段的深度估计、目标检测、自主导航、地图构建等技术的机理差异、实现方法及特性。分析了目前国内外研究成果及进展,总结对比了目前的技术特点与局限性,并展望了未来无人系统感知与导航的关键技术挑战与发展趋势。

基于生成对抗网络的图像恢复与SLAM容错研究

为了提高即时定位与地图构建(SLAM)系统的容错能力,在经典图像生成网络Pix2Pix的基础上,逐步添加深度估计网络和深度信息的输入、基于STN网络的图像重建损失以及基于图像修复网络的图像补全损失3个方面的改进.结合双目图像的耦合关系,通过挖掘和融合多种信息,增大了信息的利用率,提高了模型的图像生成效果.提出将生成对抗网络(GAN)技术与SLAM容错场景相结合,直接实现了感知端的容错.在KITTI和Cityscapes数据集上进行实验,验证了改进模型的有效性.将模型生成的图像用于双目视觉系统的重建,验证了容错思想的可行性.

手持激光雷达扫描仪飞马在地形测绘中的运用

SLAM的全称为Simultaneous Localization And Mapping即“同时定位与地图构建”。最近几年由于机器人、无人机、自动驾驶、AI、VR和AR技术的发展,SLAM技术逐渐被人们熟知。SLAM技术是通过激光传感器感知周围的环境,并将不同时刻感知的环境进行匹配套合,从而反推本体在环境中的位置及运动轨迹。随着SLAM技术的设备及定位精度的提高,该技术逐渐在测绘行业中使用,迅速成为除RTK和全站仪采点成图之外的一种地形图成图手段。国外GeoSLAM等公司推出大量的产品,在该领域处于领先地位,为打破国外封锁,国内的飞马、数字绿土等公司也研发出相应的产品。该文主要通过具体的案例论述国产手持激光雷达扫描仪飞马SLAM 100在地形测绘中的运用,侧重于表述SLAM技术及SLAM100产品在运用中的优缺点。