移动机器人多传感器定位融合的SLAM建图

移动机器人仅依赖于轮式里程计进行定位时,常易积累误差并受到环境干扰,导致其建图效果并不理想。二维激光雷达在移动机器人中的运用也显示出明显的局限性,无法全面准确地获取空间信息及定位。为了提升建图和定位的准确性以及效率,机器人需要利用更多类型和更先进的传感器技术。引入视觉惯性里程计(VIO)到SLAM方案中,能帮助机器人获取更精准的姿态信息,从而提升自主定位和地图构建的能力。此外,多个传感器信息的融合可以解决单一传感器带来的误差和不确定性问题,进一步提升定位和运动的精度。

动态场景下基于实例分割与光流的语义SLAM建图

视觉同步定位与建图技术常用于室内智能机器人的导航,但是其位姿是以静态环境为前提进行估计的。为了提升视觉即时定位与建图(Simultaneous Localization And Mapping,SLAM)在动态场景中的定位与建图的鲁棒性和实时性,在原ORB-SLAM2基础上新增动态区域检测线程和语义点云线程。动态区域检测线程由实例分割网络和光流估计网络组成,实例分割赋予动态场景语义信息的同时生成先验性动态物体的掩膜。为了解决实例分割网络的欠分割问题,采用轻量级光流估计网络辅助检测动态区域,生成准确性更高的动态区域掩膜。将生成的动态区域掩膜传入到跟踪线程中进行实时剔除动态区域特征点,然后使用地图中剩余的静态特征点进行相机的位姿估计并建立语义点云地图。在公开TUM数据集上的实验结果表明,改进后的SLAM系统在保证实时性的前提下,提升了其在动态场景中的定位与建图的鲁棒性。

ORB-SLAM3融合语义分割的AGV栅格地图构建与导航

同时定位与建图(SLAM)技术是自动引导车(AGV)实现自主引导的关键技术之一,传统的视觉SLAM生成的稀疏点云地图无法得到真实场景中空间是否被障碍物占据的状态,因此不具备导航功能。提出了一种基于语义分割的栅格地图构建方法。通过全景分割网络Panoptic FCN对ORB-SLAM3生成的关键帧进行语义分割,利用相机水平安装且高度固定作为先验条件确定地面的空间位置,再结合关键帧位姿将得到的语义掩膜进行反投影,利用贝叶斯增量式估计方法构建二维占据栅格地图。在实验室搭建的AGV平台上对该建图算法进行验证,利用A*算法作为路径规划算法,实验结果表明算法生成的语义栅格地图能够正确的表示出地面和障碍物位置,AGV按照规划好的路径正确地跟踪到目标点,算法生成的栅格地图能够正确地反映出环境语义信息并可以应用于AGV实际导航,算法实时性和准确性都能够满足需求。

基于激光雷达的自动驾驶同步定位与建图方法综述

同步定位与建图(Simultaneous Localization and Mapping,SLAM)技术可使自动驾驶车辆在未知环境中根据车载传感器采集到的数据估计自身位姿,建立环境地图,为车辆的规划、决策提供定位信息,是近年来自动驾驶技术研究的热点之一。基于车载激光雷达的点云数据,聚焦SLAM技术在自动驾驶领域的应用,围绕前端里程计、后端优化和回环检测技术,对国内外相关研究进行综述。考虑到单一传感器的局限性,结合目前多传感器融合研究的热点与难点,展望了自动驾驶多传感器融合SLAM技术在自动驾驶领域的机遇与挑战。

激光即时定位与建图算法综述

激光即时定位与建图(SLAM)算法是一种在机器人导航和自主驾驶领域被广泛应用的技术;该技术可以利用激光雷达扫描环境并提取特征点,实现机器人的自主定位和地图构建;针对机器人激光SLAM技术进行研究,分析了各个激光SLAM算法的基本原理,并且对主流SLAM算法进行了现状总结;根据激光SLAM算法的特点以及原理不同,将激光SLAM算法分为:基于滤波器的算法、基于图优化的算法、基于配准的算法、基于学习的算法等;基于上述分类,详细介绍了每个算法的优缺点,并且分述了近两年的主要研究成果;针对移动机器人激光SLAM算法研究现状,对激光SLAM算法的未来发展进行了展望。

基于ISSA-FastSLAM的移动机器人定位与建图

针对传统FastSLAM算法需要大量粒子提高SLAM精度以及多样性缺失的问题,提出了一种基于改进SSA(麻雀算法)优化的FastSLAM算法。首先,在预测粒子集时加入机器人最新时刻的观测信息并通过改进SSA计算粒子适应度值,为避免SSA陷进局部最优,将计算结果较差的粒子进行混沌初始化;其次,通过改进SSA分工协作、扩大搜索空间的特性更新预测粒子集,增加粒子多样性;最后,当最优个体更新位置时依据变异率进行变异操作,根据改进SSA获取的最优解调整粒子集的提议分布,使预测粒子集在权重计算前就更逼近机器人真实位置,以此提高估计精度。仿真实验结果表明,ISSA-FastSLAM算法较FastSLAM、SSA-FastSLAM算法相比,其位姿与路标估计精度更高且鲁棒性更佳。

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。

改进Rao-Blackwellized粒子滤波的定位与建图方法及优化

针对复杂地面场景下无人系统自主定位建图的难题,从机器人的建图角度出发,提出一种在复杂环境下机器人实现自我定位的方案,方案采用遗传算法中的交叉变异思想,对改进Rao-Blackwellized粒子滤波的同步定位与地图构建(RBPF-SLAM)算法中的重采样过程进行优化。经过仿真和自行设计的履带式无人系统实验平台进行实验验证,采用该方法优化后的SLAM算法,使得无人系统所构建的栅格地图在消耗较少粒子的情况下,能够绘制精度较高的栅格地图,达到了较好的自主定位和建图效果。

SLAM算法建图对比研究

本论文旨在探讨在无人驾驶与机器人行业发展火热的背景下,实现准确的定位与导航,对汽车与机器人所处环境进行高精度建模的重要性。激光SLAM作为目前最稳定、最主流的定位导航方法,在此领域得到广泛应用。本研究使用Gmapping算法、Hector算法、Cartographr算法,在一辆搭载2D激光雷达的智能小车上,对室内环境进行建模,并对三种算法所建地图进行对比分析。实验结果表明在室内环境下,Cartographr算法所建地图的精度最高,建图效果优于Gmapping算法和Hector算法。

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。

改进位姿估计环节的ORB-SLAM稠密建图算法

为提高ORB-SLAM2 (oriented fast and rotated brief, and simultaneous localization and mapping)系统的位姿估计精度并解决仅能生成稀疏地图的问题,提出了融合迭代最近点拟合(iterative closest point, ICP)算法与曼哈顿世界假说的位姿估计策略并在系统中加入稠密建图线程。首先通过ORB(oriented fast and rotated brief)特征点法、最小显著性差异(least-significant difference, LSD)算法和聚集层次聚类(agglomerative hierarchical clustering, AHC)方法提取点、线、面特征,其中点、线特征与上一帧匹配,面特征在全局地图匹配。然后采用基于surfel的稠密建图策略将图像划分为非平面与平面区域,非平面采用ICP算法计算位姿,平面则通过面与面的正交关系确定曼哈顿世界从而使用不同估计策略,其中曼哈顿世界场景通过位姿解耦实现基于曼哈顿帧观测的无漂移旋转估计,而该场景的平移以及非曼哈顿世界场景的位姿采用追踪的点、线、面特征进行估计和优化;最后根据关键帧和相应位姿实现稠密建图。采用慕尼黑工业大学(technische universit?t münchen, TUM)数据集验证所提建图方法,经过与ORB-SLAM2算法比较,均方根误差平均减少0.24 cm,平均定位精度提高7.17%,验证了所提方法进行稠密建图的可行性和有效性。

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。

基于深度学习的实时同步定位与建图算法研究

传统的视觉同步定位与建图(simultaneous localization and mapping,SLAM)算法大多数建立在假设场景是静态的基础之上,这种假设限制了视觉SLAM在现实场景的应用。针对传统SLAM算法在动态环境下定位精度低、鲁棒性差的问题,提出了一种实时动态视觉SLAM算法。首先所提出的算法以ORBSLAM3为基础,新增了一个语义线程,该线程与其他线程并行运行,可以避免语义线程运行较慢而影响跟踪线程的运行。然后使用移动概率更新和传播语义信息,将其保存在地图中,并且使用数据关联算法从跟踪中去除动态点。最后使用公共TUM数据集来评估,证明了所提出的算法在动态环境下的鲁棒性和实时性优于现有的算法。

基于目标检测的室内动态场景同步定位与建图

为了提高室内动态场景下定位与建图的准确性与实时性,提出了一种基于目标检测的室内动态场景同步定位与建图(simultaneous localization and mapping,SLAM)系统。利用目标检测的实时性,在传统ORB_SLAM2算法上结合YOLOv5目标检测网络识别相机图像中的动态物体,生成动态识别框,根据动态特征点判别方法只将识别框内动态物体上的ORB特征点去除,利用剩余特征点进行相机位姿的估计,最后建立只含静态物体的稠密点云地图与八叉树地图。同时在机器人操作系统(robot operating system,ROS)下进行仿真,采用套接字(Socket)通信方式代替ROS中话题通信方式,将ORB_SLAM2算法与YOLOv5目标检测网络相结合,以提高定位与建图的实时性。在TUM数据集上进行多次实验结果表明,与ORB_SLAM2系统相比,本文系统相机位姿精确度大幅度提高,并且提高了每帧跟踪的处理速度。

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。

弱纹理环境下融合点线特征的双目视觉同步定位与建图

针对室内弱纹理环境下基于点特征的视觉同步定位与建图(Simultaneous Localization and Mapping,SLAM)存在的轨迹漂移等问题,提出了一种融合点线特征的双目视觉SLAM系统,并对线特征的提取与匹配问题展开研究。为了提高线特征的质量,通过长度与梯度抑制、短线合并等方法,进一步改进LSD(Line Segment Detector)线特征提取方法。同时,通过将匹配问题转换为优化问题,并利用几何约束构建代价函数,提出了一种基于几何约束的快速线段三角化方法。实验结果表明,本文所提方法在多个数据集上的表现都优于基于描述子的传统方法,尤其在室内弱纹理场景下,其平均匹配精度达到91.67%,平均匹配时间仅需7.4 ms。基于此方法,双目视觉SLAM系统在弱纹理数据集上与已有算法ORBSLAM2,PL-SLAM的定位误差分别为1.24,7.49,3.67 m,定位精度优于现有算法。

融合点线特征的视觉惯性同时定位及建图

为了解决移动机器人在低纹理场景中的定位精度较低且容易跟踪丢失问题,本文设计了一种点线特征提取和匹配策略,并以此构建了视觉惯性同时定位和建图系统。提出线特征提取和匹配算法,通过改良线特征提取算法的隐藏参数,提高了线特征提取的精度。利用点线特征不同匹配筛选框架减少误匹配的数目,得出了可以应用于视觉惯性同时定位和建图系统的线特征提取匹配算法。在现有视觉惯性框架中引入提出的线特征约束,搭建了能在未知低纹理环境下鲁棒运行的视觉惯性同时定位及建图系统。研究表明:在真实环境中的移动机器人定位实验证明了该系统的精度和鲁棒性优于现有的视觉惯性框架,其室内定位精度提高了24.2%,走廊定位精度提高了8%,对于移动机器人在低纹理场景下的高精度定位具有较高价值。

IMU紧耦合的多激光雷达定位与建图方法

在许多移动机器人的应用场景下,如自动化仓储物流场景,由于激光雷达安装位置的限制,采用单一激光雷达的SLAM解决方案存在视场受限以及难以闭环的问题。为此基于FAST-LIO2算法提出了一种IMU紧耦合的多激光雷达定位与建图方法,该方法在扩展了机器人的感知范围的同时提高了定位精度和建图效果。通过公开数据集的离线测试以及自建实验平台的在线测试,相较于M-LOAM、FAST-LIO2和Faster-LIO算法,所提出的算法在定位精度和建图效果上取得了显著提升,并具有更低的回环漂移。

动态场景感知下的移动机器人视觉定位与建图

移动机器人可替代或辅助人类的生产和生活,并深入复杂或危险的环境,需随时感知周围场景。传统的ORB-SLAM2方法在动态场景中定位不准确,由此提出一种动态场景感知下的移动机器人视觉定位与建图方法。SLAM方法通过光学传感器采集环境信息完成建图,以ORB-SLAM2作为基本框架,在其跟踪线程中添加一个动态目标检测模块,该模块采用YOLOv4网络检测目标,使用的CSPDarknet53结构在减轻骨干网络权重的同时保持检测准确性;采用改进四叉树算法提取特征,并采用改进型形状上下文的图像匹配方法完成特征匹配。在TUM RGB-D数据集上进行实验,所提算法在walking_xyz场景序列的RMSE相对ORB-SLAM2算法增加97.6%,walking_rpy场景序列的RTE和RRE分别改进97.1%和96%。比较所提算法与ORB-SLAM2算法在高、低动态场景中的客观指标和估计轨迹误差,所提算法的RMSE、均值、中间值以及性能提升的改进百分比较优,所估计出的轨迹能够更好地拟合真实情况。