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.

单目视觉同步定位与地图创建方法综述

随着计算机视觉技术的发展,基于单目视觉的同步定位与地图创建(monocular SLAM)逐渐成为计算机视觉领域的热点问题之一。介绍了单目视觉SLAM方法的分类,从视觉特征检测与匹配、数据关联的优化、特征点深度的获取、地图的尺度控制几个方面阐述了单目视觉SLAM研究的发展现状。最后,介绍了常见的单目视觉与其他传感器结合的SLAM方法,并探讨了单目视觉SLAM未来的研究方向。

基于单目视觉的轮式机器人同步定位与地图构建

如何降低计算复杂度是视觉机器人同步定位与地图(SLAM)构建的热点问题。提出一种基于单目视觉的低计算复杂度的轮式机器人同步定位与地图构建算法。该算法在观测步通过图像处理与分析,识别特征点并进行定位,将轮式机器人的视觉投影与空间物体的几何关系转换为计算机器人相对特征点的距离和角度。整体算法步骤按照预测、观测、数据关联、更新、地图构建的递推算法进行同步定位与地图构建。提出的算法可识别环境目标,并进行平滑运动。在滤波观测步只处理单帧图像数据,和Active Vision和立体视觉方法相比,降低了算法的计算复杂度。

基于SIFT算法的单目视觉SLAM路标观测研究

移动机器人在未知环境中利用视觉信息进行同时定位与地图构建时,如何提高机器人路标观测质量,成为了视觉SLAM研究中的重要问题。文中首先采用SIFT算法进行视觉图像信息特征点的提取和匹配,然后结合一点随机采样一致性原理,使用扩展卡尔曼滤波算法进行视觉路标的预测和更新。实验结果表明,与传统的基于FAST角点检测的路标观测方法相比,本文提出的SIFT-1pRANSAC-EKF单目视觉SLAM路标观测方法能够有效提高视觉路标的匹配成功率,提高观测质量。

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。

实时三维重建算法的实现——基于Kinect与单目视觉SLAM的三维重建

作为计算机视觉技术的一个重要分支,基于单目视觉的三维重建技术以其要求简单、成本低廉、易于实现等优点,得到了越来越多的关注。在室内环境下就智能机器人的同步定位以及环境地图创建(SLAM)算法展开了研究,引入RGB-D相机Kinect直接获取3D场景的深度信息,实现了一种基于单目视觉SLAM与Kinect的实时三维重建方法。

基于局部熵的SLAM视觉里程计优化算法

针对移动机器人视觉同步定位与地图创建中由于相机大角度转动造成的帧间匹配失败以及跟踪丢失等问题,提出了一种基于局部图像熵的细节增强视觉里程计优化算法.建立图像金字塔,划分图像块进行均匀化特征提取,根据图像块的信息熵判断其信息量大小,将对比度低以及梯度变化小的图像块进行删除,减小图像特征点计算量.对保留的图像块进行亮度自适应调整,增强局部图像细节,尽可能多地提取能够表征图像信息的局部特征点作为相邻帧匹配以及关键帧匹配的关联依据.结合姿态图优化方法对位姿累计误差进行局部和全局优化,进一步提高移动机器人系统性能.采用TUM数据集测试验证,由于提取了更能反映物体纹理以及形状的特征属性,本文算法的运动跟踪成功率最高可提升至60%以上,并且测量的轨迹误差、平移误差以及转动误差都有所降低.与目前ORB-SLAM2系统相比,本文提出的算法不但提高了移动机器人视觉定位精度,而且满足实时SLAM的应用需要.

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。

基于改进SIFT算法的双目视觉SLAM研究

SIFT算法通常用于移动机器人视觉SLAM中。但其算法复杂、计算时间长,影响视觉SLAM的性能。在两方面对SIFT改进:一是用街区距离与棋盘距离的线性组合作为相似性度量;二是采用部分特征方法完成快速匹配。应用扩展卡尔曼滤波器融合SIFT特征信息与机器人位姿信息完成SLAM。仿真实验表明,在未知室内环境下,该算法运行时间短,定位精度高。

基于视觉传感器SLAM问题的算法构建

自主移动机器人通过自身携带的传感器来感知周围环境是实现其智能导航的前提。由于视觉传感器只能检测路标的方位角,不能提供距离信息,当利用视觉传感器完成机器人的同步定位及地图创建(SLAM)时,由于路标距离信息的缺失,会带来新路标的初始化及旧路标关联等难题。为识别新路标方位,采用滞后的三角型测量法来估计新路标的距离,从而解决了新路标初始化及旧路标关联等问题,并最终建立了一套适用于视觉传感器的SLAM算法及在Matlab上建立的仿真模型。仿真实验结果表明,算法满足概率估计的一致性和收敛性条件,是一种有效的仅检测路标方位角的同步定位及地图创建算法,证明方法的有效性。

基于扩展卡尔曼滤波的实时视觉SLAM算法

单目视觉同步定位与地图创建(SLAM)算法的计算复杂度较高,难以满足实时处理的要求。为解决该问题,提出一种SLAM的优化算法。使用FAST特征点提取环境特征,对于每一个特征点构造BRIEF描述子,以提高算法执行效率,通过引入1-point随机抽样一致算法对算法的框架进行改进,降低算法的计算复杂度,实现视觉SLAM算法的实时处理。实验结果表明,在相机速度为30 f/s的情况下,该算法能满足实时性要求。

基于单目视觉SLAM的实时三维场景重建

在室外等大规模环境下,由于存在着光照、遮挡、大量相似物和相机的旋转、抖动等问题,传统的基于特征提取的方法会在实时性、数据关联、闭环检测等方面存在限制。文中在视觉测程法的基础上使用图像直接对齐,并结合基于滤波的方法进行半稠密深度图估计,进而把选取出来的关键帧图像融合到全局地图中,最后在后端采用改进的g2o[1]框架不断地对位姿图进行优化。实验结果表明,该方法取得了比较好的实时性和鲁棒性。

基于深度学习的视觉SLAM综述

随着计算机视觉和机器人技术的发展,视觉同时定位与地图创建已成为无人系统领域的研究焦点,深度学习在图像处理方面展现出的强大优势,为二者的广泛结合创造了机会。总结了深度学习与视觉里程计、闭环检测和语义同时定位与地图创建结合的突出研究成果,对传统算法与基于深度学习的方法做了对比,展望了基于深度学习的视觉同时定位与地图创建发展方向。

单目视觉SLAM综述

单目视觉SLAM因单目相机体积小、功耗低、信息获取丰富受到了广泛使用。为了深入分析单目视觉SLAM的优势,首先,简述单目视觉SLAM的基本原理,从特征点检测、相机姿态估计、选取关键帧、创建地图、地图及相机姿态优化、闭环检测等方面总结SLAM的关键环节技术。然后,基于特征方法、直接法和混合半直接法对当前主流单目视觉SLAM系统的设计框架进行详细介绍,分析20余种较为流行的系统性能特点和适用场景。最后,介绍深度学习在相机姿态估计、创建地图、闭环检测等环节中的应用,并与传统方法进行比较,以讨论单目视觉SLAM的发展趋势。

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。

一种改进的视觉罗盘姿态测量方法

Montiel等人提出的"视觉罗盘"是一种以摄像机为唯一传感器,基于EKF-SLAM的姿态测量方法。在摄像机旋转不平滑时需要提高运动模型中系统噪声的先验方差设定值,但是会导致匹配计算量增大和匹配错误发生率升高。针对上述问题,本文给出一种改进的视觉罗盘姿态测量方法。该方法首先使用多分辨率路标选取策略初始化新路标,然后使用逐层主动搜索匹配算法以减少匹配计算量和降低匹配错误发生率,最后使用最小抽样集为2个匹配点的RANSAC算法去除匹配野点。将改进的视觉罗盘姿态测量方法用于处理室外采集的视频,实验结果表明其具有计算量更小和测量姿态精确的优点。

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。

基于小生境遗传优化的Rao-Blackwellised SLAM算法

同步定位与地图构建(SLAM)是实现机器人自主定位的核心问题之一,Rao-Blackwellised粒子滤波器(RBPF)作为一种SLAM定位的有效方法,被广泛应用在实时定位领域中,但由于其随着粒子数目的增加会频繁重采样从而导致粒子退化问题。为了解决该问题,改善SLAM性能,提出了一种基于改进小生境遗传优化的RBPF SLAM算法INGO-RBPF,采用改进的Rao-Blackwellised粒子滤波器解决SLAM路径估计问题,采用扩展卡尔曼滤波器解决SLAM地图估计问题。最后通过MATLAB仿真表明INGO-RBPF算法具有较高的估计精度和稳定性,抗干扰能力较强,定位较准确,比较适合应用在SLAM实时定位中。

运动曲率自适应V-SLAM算法研究

传统室内视觉同时定位与建图(V-SLAM)存在特征点误匹配剔除耗时长、较大转弯时定位精度低等问题。为了提升匹配速度,提出一种基于特征点的余弦相似度直方图剔除误匹配方法。为了避免大幅度转弯时关键帧丢失,提出一种基于运动曲率的关键帧自适应提取V-SLAM算法(MSAV-SLAM)。该算法通过高效多点透视(EPnP)计算帧间位姿,以融合了运动曲率、帧间位移和旋转矩阵的复合运动量为参考变量,自适应选择关键帧。室内数据集实验表明,所提出的算法与基于固定时间、空间和原ORB-SLAM2算法相比,平均每帧追踪时间减少为原算法的57.62%,且绝对轨迹误差为改进前的81.45%。