基于目标检测和动静点分离的视觉即时定位与地图构建技术

针对视觉即时定位与地图构建在动态环境中鲁棒性失效的问题,提出一种基于目标检测和动静点分离的视觉即时定位与地图构建技术。使用目标检测算法YOLO v5对图像预处理,获取动态目标物的图像区域。在图像区域划分的基础上,对框外区域使用随机抽样一致性算法剔除外点。根据点的运动规律分离框内区域的动点和静点,在光束法平差优化中对可用静点赋以权重。为了在建图中滤除动态信息,仅保留框外区域的点云显示。通过性能测试确认,所提出的方法在数据集中表现出较高的精度和鲁棒性,整体上优于同类算法。

基于2D激光雷达的移动机器人同步定位与地图构建算法研究

文中提出一种将激光雷达和轮式里程计相融合的方法,用于提升SLAM (Simultaneous Localization and Mapping)算法前端点云配准效率和点云畸变矫正效果。在点云配准方面,对PL-ICP算法做出改进,首先对激光点云进行预处理去除无效点,再利用自适应体素滤波方法对激光点云进行下采样,在保留点云特征的同时将点云稀疏化,从而减少点云配准的计算量,利用轮式里程计的测量值为点云配准提供初值,提高点云配准的效率和定位效果。在点云畸变矫正方面,按照轮式里程计测量的机器人位姿的时间戳,利用拉格朗日线性插值法对点云配准配得到的机器人位姿进行线性插值,利用EKF算法融合轮式里程计测量的位姿和点云配准插值得到的位姿对轮式里程计的测量误差做出矫正,然后为激光点云提供运动补偿,从而去除点云畸变提升SLAM算法定位和建图效果。利用ROS搭建仿真环境验证了本文提出的算法的有效性。

基于ROS的机器人即时定位及地图构建创新实验平台研制

针对单一传感器在不确定复杂环境下即时定位及地图构建精度低、可靠性差的问题,研制了一种基于机器人操作系统的即时定位及地图构建创新实验平台。实验平台由移动机器人、上位机控制软件两部分组成。移动机器人配置有Xtion pro深度摄像头、激光测距仪、里程计等,通过采集环境的深度信息及距离信息实现即时定位及地图构建功能;采用ARM Cortex A17RK3288作为主控芯片,将整个控制系统构建在基于ROS系统的嵌入式平台上,具有体积小、重量轻、可移植性强的优点,极大增强了机器人的续航能力。

基于GMapping算法与指纹地图构建的井下定位方法

针对现有井下定位算法定位精度差和依赖信号源坐标的问题,提出一种基于GMapping算法与指纹地图构建的井下定位方法。将待定位的位置信号特征与信号分布图进行匹配,选择最优定位坐标,从而提高井下定位精度;通过与GMapping算法相结合,避免了指纹地图构建过程维护成本高的问题,优化了算法的搜索与匹配效率。实际测试结果表明,该方法平均定位误差为57.7cm,可以满足井下定位要求。

鲁棒的机器人粒子滤波即时定位与地图构建的实现

为了实现未知环境下的移动机器人同时定位与地图构建,提出一种改进的粒子滤波器算法。针对传统粒子滤波器粒子数量大的问题,通过在粒子滤波重要性采样阶段融入激光传感器观测信息,以减少所需粒子数。重采样之后出现粒子严重枯竭时,进行马尔可夫蒙特卡洛移动处理以降低粒子的匮乏效应。该方法在装有机器人操作系统的Pioneer3-DX机器人上进行测试,实验结果表明,它能够在线创建高精度的栅格地图。

基于多分辨率地图位姿跳变优化的改进Cartographer算法

针对Cartographer算法在局部扫描匹配中,存在匹配精度低、位姿跳变影响回环检测的问题,提出一种基于多分辨率地图位姿跳变优化的改进Cartographer算法。首先,在局部优化中,建立多分辨率栅格地图,提高初始位姿的估计精度;然后,在回环检测和全局优化之间,建立位姿跳变检测机制,通过减少突变节点数量,提高回环检测的可靠性;最后,通过数据集中,对改进算法进行验证。结果表明:该算法能有效提高定位精度和建图效果。

基于点云匹配的智能工厂室内定位算法研究

针对智能工厂中的无人叉车系统需要精准的室内定位来满足装卸货工序的需求,研究了基于SLAM的定位算法以及基于反光柱的两种激光点云数据匹配定位算法,分析了这两种方法的优势和问题,并提出了一种新的融合定位算法。算法以高精度的反光柱定位算法为核心,通过SLAM定位来弥补反光柱数量不足时的系统延迟和精度损失问题,从而实现了一套连续、稳定、可靠的室内定位系统,其定位精度可以满足无人叉车日常工作的需求,也可以直接用于具体的工业生产流程中。

一种混合视觉的车载激光雷达即时定位与地图构建方法

为提高地图的构建精度,提出一种混合视觉即时定位与地图构建方法。利用相机和激光雷达标定获得具有颜色信息的点云,并对点云数据进行预处理,选取相邻帧点云之间的特征点,制定匹配策略,对匹配点采取未解耦的位姿求解算法,获取两帧间的变换矩阵作为后续帧间匹配的初值。分别利用KITTI数据集和实车试验数据进行验证,结果表明,所提出的方法轨迹点均方根误差分别优化了6.84%和4.53%,验证了所提出方法的有效性。

自主移动机器人即时定位与地图构建方法研究

自主移动机器人的即时定位与地图构建是机器人领域中的关键问题。文中对自主移动机器人即时定位与地图构建研究的两个主要问题进行了分析,研究了不确定信息的描述和处理方法,以及数据关联的方法。综述了现阶段即时定位与地图构建的实现方法,其中包括两种卡尔曼滤波算法和粒子滤波算法,以及基于视觉的SLAM算法。通过分析现有算法的特点,提出了自主移动机器人即时定位与地图构建未来研究的发展方向。

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。

基于LIO-SAM建图和激光视觉融合定位的温室自主行走系统

为解决传统导航方案在温室内无法应对光照变化大、作物行间距窄、接收GPS信号差等问题,该研究提出了基于即时定位与地图构建技术的激光视觉融合式自主导航算法。该系统利用三维激光雷达VLP-16(Velodyne LiDAR,VLP-16)和惯性测量单元获取温室环境信息,采用基于紧耦合的雷达惯导定位建图(tightly-coupled lidar inertial odometry via smoothing and mapping,LIO-SAM)算法构建导航地图,基于轮式里程计和视觉里程计采用扩展卡尔曼滤波器算法实现局部定位,融合激光点云配准算法和自适应蒙特卡洛定位算法实现全局定位。同时,在自主行走系统应用A*算法规划全局路径和动态窗口算法规划局部路径,从而实现自主导航。试验结果表明,LIO-SAM算法构建的温室导航地图最大相对误差、最大绝对误差和均方根误差分别为9.9%、0.081和0.063 m,在温室内改进后的定位算法横向偏差小于0.020 m,纵向偏差小于0.090 m;当自主行走系统以0.15、0.30和0.50 m/s的速度运行时,横向偏差、纵向偏差和航向偏角的平均值分别小于0.120 m、0.10 m和8.5°,标准差分别小于0.070 m、0.140 m和6.6°。该导航方案满足自主行走系统在温室内高精度建图、定位和导航的需求,可为自主移动平台提供理论与技术支撑。

基于地磁场的室内定位和地图构建

提出了一种利用室内地磁场的空间波动来实现即时定位和地图构建的方法。为了能增加定位精度和减少计算量,本文依据地磁场传感器能够测量地磁3个正交方向上的分量和不同的权重计算方式改进了粒子滤波算法,并结合克里金法对地磁地图进行更新。在定位阶段,利用改进的粒子滤波来估计机器人的位置,算法的收敛速度每次约加快0.5 s和定位误差约减少3.5 m;在构造地图阶段,利用克里金空间插值法来实现的空间波动地磁地图的更新较其他插值算法更灵活,且经过插值后的地图更有助于提高机器人的定位精度。通过MATLAB仿真实验,证明了该方法能够准确快速地对机器人定位,并且通过机器人观测值和里程计数据实时地构建连续一致的地图。

改进RBPF的移动机器人同步定位与地图构建

传统Rao-Blackwellized粒子滤波器(RBPF)在移动机器人同步定位与地图构建(SLAM)研究中,存在算法复杂度过高、占用内存空间过多导致实时性不理想的问题,因此提出一种改进算法。在某一特定状态的一组粒子集中,粒子的统计特性是一致的,改进算法从中选取一个代表粒子,进行卡尔曼更新步骤,并在同一粒子集中重复使用。同时结合Gmapping算法的建议分布和自适应重采样技术。实际Pioneer III移动机器人在机器人操作系统(ROS)平台上进行的实验表明,该方法在保证栅格地图精度的同时能提高系统的实时性,降低复杂度,提高运算速度。

基于扫描匹配预处理的即时定位与地图创建

研究了室内自主移动机器人的即时定位与地图创建问题。分析了目前解决SLAM问题的方法,提出了基于扫描匹配预处理的即时定位与地图创建,用扫描匹配为SLAM提供机器人先验位姿信息。对实验结果和数据的分析,得出了所提出方法可进一步提高SLAM的精度和鲁棒性。

基于ORB-SLAM2系统的快速误匹配剔除算法与地图构建

针对ORB-SLAM2系统中随机抽样一致(RANSAC)算法在误匹配剔除时因其算法本身的随机性而导致效率较低的问题和在ORB-SLAM2系统里未能构建稠密点云地图的问题,采用渐进一致采样(PROSAC)算法来改进ORB-SLAM2系统中的误匹配剔除,并在系统中添加稠密点云地图和八叉树地图构建线程。首先,与RANSAC算法相比,PROSAC算法依据评价函数对特征点进行预排序,并选取评价质量较高的特征点求解单应性矩阵,根据单应性矩阵的解与匹配误差阈值进行误匹配剔除;然后,根据ORB-SLAM2系统进行相机的位姿估计与重定位;最后,根据所选关键帧进行稠密点云地图与八叉树地图的构建。根据TUM数据集上的实验结果,PROSAC算法在进行相同图像的误匹配剔除时所用时间是RANSAC算法的50%左右,并且所提系统的绝对轨迹误差与相对位姿误差与ORB-SLAM2系统基本一致,表现出良好的鲁棒性;另外,与稀疏点云地图相比,提出的新构建地图可以直接用于机器人的导航与路径规划。

用因子图推断改进智能盘点机器人定位与地图构建

人工智能和图书馆的结合,促进了智慧图书馆的快速发展。图书馆智能盘点机器人的出现解决了图书错架和盘点的需求。盘点机器人在室内工作,自身的定位和导航以及对环境的适应是机器人要解决的重要问题。目前图书馆智能盘点机器人在这方面有不足的地方,文章结合国内外SLAM的研究进展,参考其他行业机器人SLAM实践,用因子图推断方法改进机器人同步定位与地图构建,取得了一些初步的成果。

有色量测噪声下机器人同步定位与地图构建

针对有色量测噪声模型,提出一种有色量测噪声下的轮式机器人同步定位与地图构建算法。通过重新组合轮式机器人的过程模型和量测模型,将有色量测噪声量测模型转化为虚拟的白噪声量测模型。为使过程噪声和量测噪声不相关,对过程模型进行不相关条件处理。算法按照构造的虚拟过程模型和量测模型进行滤波估计和地图构建。仿真结果验证了算法的一致性和鲁棒性。

基于多源定位的机器人导航地图融合研究

针对激光雷达(LiDAR)的传统建图方式在精度和地图完整性上存在不足的问题,提出一种以多源定位数据实现创建融合栅格地图的方法。利用误差状态卡尔曼滤波(ESKF)算法将惯性测量单元(IMU)与轮式编码器(WE)的融合数据中添加视觉里程计(VO)的位姿信息进行校正,并作为里程计输出。根据贝叶斯估计,将深度相机与激光雷达各自生成的局部栅格地图逐帧进行融合,生成全局地图。研究结果表明:融合地图与实际环境中的对应参考点在x与y方向的RMSE比传统方法分别下降了58.88%,56.19%,有效提高了地图的精度和丰富性。

激光雷达SLAM算法综述

即时定位与地图构建(simultaneous localization and mapping,SLAM)是自主移动机器人和自动驾驶的关键技术之一,而激光雷达则是支撑SLAM算法运行的重要传感器。基于激光雷达的SLAM算法,对激光雷达SLAM总体框架进行介绍,详细阐述前端里程计、后端优化、回环检测、地图构建模块的作用并总结所使用的算法;按由2D到3D,单传感器到多传感器融合的顺序,对经典的具有代表性的开源算法进行描述和梳理归纳;介绍常用的开源数据集,以及精度评价指标和测评工具;从深度学习、多传感器融合、多机协同和鲁棒性研究四个维度对激光雷达SLAM技术的发展趋势进行展望。

激光雷达SLAM下移动机器人双目视觉全局定位

移动机器人在未知环境中执行任务时,需精准感知地图环境和其他物体位置,确定其自身位置。为了提高移动机器人的全局定位精度,提出激光雷达SLAM下移动机器人双目视觉全局定位方法。依据双目视觉系统测距原理,选取双目摄像机中的任意一个相机建立主坐标系,构建双目摄像机模型,结合棋盘图与张正友标定法,标定双目摄像机中参数。在此基础上,计算单帧图像特征点的尺度,完成双目视觉初始化,利用权重函数计算任意一个特征点与线、与面之间的加权值和距离值,估计移动机器人的位置,引入非迭代畸变补偿方法,完成对移动机器人的全局定位。测试结果表明,所提方法的定位结果与实际运动位置之间的最小误差为0.1 m,该方法可以精准定位到移动机器人位置,指导移动机器人更好地执行作业任务。