基于图优化的SLAM后端优化研究与发展

同时定位与地图构建(SLAM)是当前机器人定位导航的研究热点。从优化模型、优化算法及对结果的评估阐述了基于图优化的SLAM后端优化。在建模方面,分析了动态贝叶斯网络建模、因子图建模和马尔可夫图建模;讨论了后端优化的四种方法,即最小二乘优化方法、松弛优化方法、随机梯度下降优化方法和流形优化四种方法。在结果评估方面,阐述了χ~2误差和MSE误差对结果的评估方法。最后,结合当前研究热点对SLAM的发展作出了展望。

基于图优化的SLAM后端优化算法研究

针对移动机器人的同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)问题,传统后端优化算法比较依赖于前端传感器构造位姿图,而且对于假阳性环形闭合约束鲁棒性较低。基于此,提出了一种鲁棒后端优化算法。利用因子图建立SLAM的优化模型,在使用新的鲁棒代价函数基础上引入先验约束用于确认启用或关闭前端传递的环形闭合约束,从而使得后端拓扑图能够摒弃前端传递的假阳性环形闭合约束并朝向真实地图收敛,再利用L-M(Levenberg-Mar-quardt)算法进行优化使其收敛到真实地图。仿真结果表明,SLAM后端优化算法缩小了前端数据和后端优化之间的差距,满足移动机器人精确定位与建图的需求。

基于因子图优化的激光惯性SLAM方法研究

融合激光雷达和惯性测量单元的SLAM方法是拒止环境下自动驾驶定位建图的重要技术手段。该技术包含前端和后端2个数据处理模块,在后端数据处理方面,现有方法存在长时间运行时累积误差较高、回环检测计算负载较大以及复杂拒止环境下鲁棒性不理想等问题。针对上述需求,提出一种适配前端激光惯性里程计的新型后端数据处理方法。该方法采用因子图优化算法架构,建立激光连续关键帧间的惯性单元预积分模型,将该模型作为因子图架构中表征惯性单元数据的算法因子,降低数据处理的计算负载。构建基于Scan-Context描述符的高效回环检测方法,将点云数据三维空间结构特征转化为二维特征图,在保证回环检测精度的前提下进一步提高计算效率。结合前端里程计信息,构建包含里程计因子、惯性单元预积分因子和回环检测因子误差项的目标函数,通过非线性优化算法求解最优位姿状态,形成完整的SLAM算法结构。对所述方法及FAST-LIO2、LIO-SAM和SC-LeGO-LOAM等现有主流激光惯性SLAM方法基于开源数据集进行对比验证,并开展实车试验。结果表明:相较于现有方法,所述DSC-Algo方法在公开数据集测试中的计算性能和全局定位精度实现了显著提升,在现实拒止环境实车测试中的定位精度和算法鲁棒性也具有明显优势。

基于图优化的GNSS/双目视觉/惯性SLAM系统开发及应用

为提高机器人室外长航时定位精度,提出一种基于图优化的全球导航卫星系统(GNSS)/双目视觉/惯性同时定位与建图(SLAM)系统开发及应用。将空间中的线特征作为几何约束的补充,集成至前端的特征提取及后端的位姿优化线程,提升位姿解算精度。同时,以因子图构建联合优化的图结构,并推导出全局观测误差模型。近200 m的BullDog-CX机器人巡检结果表明,所提算法相比于VINSFusion和PL-VINS分别取得约12.6%及3.4%的定位精度提升,为室外机器人长航时导航提供了一种可行方案。

基于因子图的激光SLAM模型优化算法

针对激光SLAM点云建图模型研究,设计一种因子图优化的SLAM模型方案。在前端模型中,激光里程计通过引入IESKF实现IMU与雷达点云数据的紧耦合构建IESKF-LIO。在SLAM后端模型中,为提高SLAM的鲁棒性和实时精度,构建多种因子进行位姿约束与补偿优化,同时在因子图融合过程中提出关键帧和增量式平滑建图,减少模型运算负担。在KITTI数据集中进行建图实验,实验结果验证了该模型较传统SLAM模型轨迹误差更低,建图效果更好。

基于SLAM技术的矿区巷道巡检机器人路径规划优化

针对矿区巷道环境复杂、道路狭窄等特点,提出了一种基于SLAM(SimultaneousLocalizationandMapping)技术的矿区巷道巡检机器人路径规划优化方法,实现机器人的自主定位和地图构建。采用激光雷达、RGB-D相机等多种传感器相融合,获取矿区三维点云数据,并使用SLAM算法实时构建矿区三维地图。同时,通过配准当前获取的点云数据与已构建的地图,实现机器人在矿区内的自主定位。针对矿山中存在的狭窄、弯曲、分支等复杂环境,提出了一种增量式A~*优化算法用于路径规划。该算法在传统A~*算法的基础上,引入了路径平滑、走廊宽度约束等优化策略,能生成满足矿区复杂环境约束的平滑可行路径。算法采用增量式方式更新,只需对改变的局部区域重新进行路径搜索,大大减少了整体路径规划的计算耗时。通过试验验证该算法性能,结果表明:与传统路线规划方法相比,该算法能够快速、精准地完成巡检任务,为矿区巷道巡检机器人推广应用提供了参考。

基于前后端图优化的RGB-D三维SLAM

针对传统滤波方法在解决移动机器人同时定位与地图构建(SLAM)中存在的累积误差问题,将图优化方法应用于前端和后端优化中,以提高移动机器人位姿估计和建图的准确性。运用ORB算法进行图像的特征提取与匹配,将图优化的方法应用到PnP问题的求解中,实现了机器人位姿的准确估计。基于词典(Bag of words)的闭环检测算法来进行闭环检测,得到存在的大回环,同时利用相邻几帧的匹配关系实时检测邻近几帧之间可能存在的局部回环。用图优化的方法对这些回环进行优化,得到准确的运动轨迹和点云地图。实验结果表明:基于前后端图优化的RGB-D三维SLAM算法,在室内环境下具有良好的精度和实时性。

大规模环境下基于图优化SLAM的后端优化方法

在总结图优化同步定位和建图(SLAM)的前端图构建方法的基础上,对现有的后端图优化方法进行分析,介绍了最小二乘法、随机梯度下降法、松弛法、流形优化及其相关文献.讨论基于χ2误差和基于均方差的地图创建的评价方法,对图优化方法的发展趋势进行了展望.

室内环境下基于图优化的视觉惯性SLAM方法

基于图优化的即时定位与同步构图(SLAM)方法是在视觉里程计运动估计的基础上通过增加一个回环检测,从而对非线性多约束进行优化来提高定位精度。在视觉运动估计中,针对视觉特征点匹配错误率高的问题,提出了一种ORB特征点聚类抽样匹配跟踪的方法。在位姿图优化上,提出了一种改进型的回环检测方法,减少了两种错误匹配的可能性。最后将视觉SLAM与惯性导航进行组合,提高了系统的稳定性和定位精度。使用公开的室内SLAM测试数据集进行仿真,结果表明,该方法的定位均方根误差在厘米级,生成的点云地图清晰可见。

自适应相似图联合优化的多视图聚类

相比于单一视图学习,多视图学习往往可以获得学习对象更全面的信息,因而在无监督学习领域,多视图聚类受到了研究者的极大关注,其中基于图的多视图聚类,近年来取得了很大的研究进展.基于图的多视图聚类一般是先从各个视图原始数据学习相似图,再进行视图间相似图的融合来获得最终聚类结果,因此,多视图聚类的效果是由相似图质量和相似图融合方法共同决定的.然而,现有基于图的多视图聚类方法几乎都聚焦在视图间相似图的融合方法研究上,而缺乏对相似图本身质量的关注.这些方法大多数都是孤立地从各视图的原始数据中学习相似图,并且在后续图融合过程中保持相似图不变.这样得到的相似图不可避免地包含噪声和冗余信息,进而影响后续的图融合和聚类.而少量考虑相似图质量的研究,要么相似图构造和图融合过程是直接联立迭代的,要么在预定义相似图过程中提前利用秩约束进一步初始化,要么就是利用相似图存在的一些底层结构来获取融合图的.这些方法对相似图本身改进很小,最终聚类性能提升也十分有限.同时现有基于图的多视图聚类流程也缺乏对各视图间一致性和不一致性的综合考虑,这也会严重影响最终的多视图聚类性能.为了避免低质量预定义相似图对聚类结果的不利影响以及综合考虑视图间一致性与不一致性来提升最终聚类效果,本文提出了一种自适应相似图联合优化的多视图聚类方法.首先通过Hadamard积来获得视图间高质量一致性部分信息,再将每个预定义相似图和这部分信息对标,重构各个视图的预设相似图.这个过程强化了各视图间的一致性部分,弱化了不一致性部分.其次设计了相似图重构改进和图融合联合迭代优化框架,实现了相似图的自适应改进,最终达到相似图和聚类结果共同提升的效果.该方法将相似图改进过程与图融合过程联合起来进行自适应迭代优化,并且在迭代优化中不断强化各视图间的一致性,弱化视图间的不一致性.此外,本文的方法也集成了现有多视图聚类方法的一些优点,自加权以及无需额外聚类步骤等.在九个基准数据集上与八个对比方法的实验验证了本文方法的有效性与优越性.

基于稀疏直接法和图优化的移动机器人SLAM

针对目前移动机器人同时定位和三维稠密地图构建算法中存在的计算复杂、实时性差的问题,提出一种基于RGB-D数据的实时的同时定位与地图构建（SLAM）算法。首先提取RGB图像中的FAST特征点,并计算特征点的3D位置,接着采用直接法最小化光度误差来估计相机的位姿变换,然后根据位姿变换的大小提取关键帧。为了减小移动机器人运动过程中的累积误差,提出基于词袋模型的闭环检测方法,并采用通用图优化（g2o）框架进行位姿图优化。实验结果表明,所提算法能够大大提高SLAM系统的实时性,并构建稠密化的三维环境地图。

基于图优化的移动机器人视觉SLAM

针对目前移动机器人视觉SLAM(simultaneous localization and mapping)研究中存在的实时性差、精确度不高、无法稠密化建图等问题,提出了一种基于RGB-D数据的实时SLAM算法。在本算法前端处理中,采用了鲁棒性与实时性更好的ORB特征检测。利用RANSAC算法对可能存在的误匹配点进行剔除完成初始匹配,对所得内点进行PNP求解,用于机器人相邻位姿的增量估计。在后端优化中,设计了一种遵循图优化思想的非线性优化方法对移动机器人位姿进行优化。同时结合闭环检测机制,提出了一种点云优化算法,用于抑制系统的累积误差,进一步提升位姿与点云的精确性。实验验证了本文所提方法能够迅速、准确地重构出稠密化的三维环境模型。

基于图优化的视觉SLAM研究进展与应用分析

为了对SLAM技术有更为全面的把握,在回顾过去三十年里视觉SLAM技术发展历程基础上,详细分析了视觉SLAM问题的本质与求解的复杂性。重点对在提高位姿估计精度、构建全局一致地图与提升算法求解效率上的最新研究成果进行了介绍,并对当前代表性的算法实现方案进行了分析与比较。针对未来大尺度环境、全生命周期应用需求,对现有算法框架的不足与最新研究趋势进行了归纳总结。最后,探讨了深度学习技术与视觉SLAM问题求解的关联性。

基于滑动窗因子图优化的多源导航信息融合

自动驾驶作为未来汽车产业的演进方向,其核心技术自主导航具有至关重要的地位。基于多传感器数据融合,采用滑动窗因子图优化对自主导航技术展开研究。前端通过融合惯性测量单元(Inertia Measurement Unit,IMU)与激光雷达(Light Detection and Ranging,LIDAR),输出车辆位姿以及局部点云地图,算法后端在IMU预积分和LIDAR里程计约束的基础上添加全球导航卫星系统(Global Navigation Satellite System,GNSS)因子与回环检测因子,使用滑动窗因子图优化算法进行多源导航信息融合,有效地对前端的累积误差进行修正,提升了算法精度及鲁棒性。跑车实验结果表明,当导航系统遭遇传感器故障时,运用滑动窗因子图理论构建的多源导航信息融合算法稳定,基本不受传感器故障影响,显著增强了导航系统可扩展能力。

基于多智能体的图优化SLAM构建方法

随着人工智能和增强现实技术在社会中的地位稳步上升,这些领域的核心关键技术在逐步实现突破,对于三维环境的动态实时的理解是当前增强现实技术研究方面最活跃的问题之一。为实现多人同时应用视觉同时定位与地图构建(simultaneous localization and mapping,SLAM)系统,将图优化框架的SLAM与多智能体进行结合研究,提出基于多智能体的SLAM构建方法。首先简要介绍了视觉SLAM框架,系统地分析了在构建三维场景时,利用相机将信息进行整合和预处理,并估算相邻图像之间的运动以及检测信息来构建整体的框架。从视觉中提炼出最优化的3D模型以及各种参数来达到三维重建,通过相机的运动过程来确定视觉的深度特性以及加强沉浸式的观感体验,最终根据其本身的可视化追踪和环境理解,将非线性优化方案结合多智能体进行SLAM构建,实现移动平台真实浏览虚拟样板间的可视化与交互。

基于变分贝叶斯的鲁棒自适应因子图优化组合导航算法

复杂环境下的量测粗差和时变噪声严重影响了状态估计的精度和可靠性,对此提出了一种基于变分贝叶斯的鲁棒自适应因子图优化组合导航算法。首先,基于先验和后验两阶段更新将变分贝叶斯推断引入因子图优化框架中,以估计时变量测噪声协方差;其次,利用相邻帧间的平均新息构造量测协方差预测值,作为粗差判据来实现稳健估计。基于INS/GNSS组合导航的仿真和现场实验评估表明,所提方法能在粗差干扰的情况下有效估计时变量测噪声,相比M估计和滑动窗口自适应因子图优化算法的水平定位误差分别减小了26.7%和39.8%,兼顾了估计精度和抗差性能,具有较好的复杂环境适应性。

基于图神经网络聚类的土壤监测点位优化

在土壤污染的监测过程中,由于需要大面积的监测点位布设,所以需要大量的人力和物力,同时原有的土壤监测点位存在冗余和代表率低的问题,对监测结果的准确性和全面性产生了影响。使用一种基于自编码器降维和图卷积网络(GCN)推理的土壤点位优化方法,通过将原有监测点位聚类成不同簇,来实现用尽量少的监测点位全面地表现区域污染情况的目的。使用GCN推理结合自编码器降维的土壤点位优化方法,该方法同时利用土壤监测点位数据的结构信息和高维特征表示,将监测点位聚类成不同簇。通过对相关性进行分析,发现聚类后的簇中心点位可以作为原始簇的代表,从而降低土壤监测点位的冗余性,实现了监测点位的优化。实验证明GCN方法可以有效地减少监测点位的数量,同时保持监测结果的准确性和全面性。

面向主动配电网实时优化调度的图强化学习方法

主动配电网的新能源、储能等能源形式可以有效提高运行的灵活性和可靠性,同时新能源和负荷也给配电网带来了双重不确定性,致使主动配电网的实时优化调度决策维度大、建模精度差.针对这一问题,本文提出结合图神经网络和强化学习的图强化学习方法,避免对复杂系统的精准建模.首先,将实时优化调度问题表述为马尔可夫决策过程,并将其表述为动态序贯决策问题.其次,提出了基于物理连接关系的图表示方法,用以表达状态量的隐含相关性.随后,提出图强化学习来学习将系统状态图映射到决策输出的最优策略.最后,将图强化学习推广到分布式图强化学习.算例结果表明,图强化学习在最优性和效率方面都取得了更好的效果.

考虑运行状态信息的综合能源系统图强化学习优化调度

“双碳”背景下,异质能源的耦合加剧迫使综合能源系统(integrated energy system, IES)拓扑朝着更复杂、更灵活的方向不断演变。然而,现有优化调度方法对非欧网络拓扑知识及其异质潮流约束考虑不足。针对这一问题,提出一种基于图强化学习的综合能源系统优化调度方法。首先,基于图理论在保证节点多样状态的情况下,将异质能源网络拓扑转换为网络图模型。其次,通过建立基于真实图映射的状态-动作-奖励的框架,利用图强化学习的方法学习图模型的非欧拓扑信息,将异质潮流知识加入系统节点运行状态,从而实现IES的安全优化调度。最后,利用某工业园区的真实数据进行仿真验证,所提方法相对于传统方法有效缓解了节点电压越限的问题。结果表明,所提方法能够在考虑IES真实拓扑运行状态信息和异质潮流安全的情况下实现IES的优化调度。

线上线下融合教学在环境设计手绘效果图课程中的实践与优化

随着互联网技术的迅速发展,线上教学模式已经积极融入传统的线下教学中,填补了传统课堂教学的不足,极大地提高了教学效果。文章通过对环境设计手绘效果图课程中线上线下融合教学的实施情况进行分析,总结了课程结构、内容和学生学习管理方面的改革与优化策略,旨在为环境设计手绘效果图课程的改革和发展提供有效建议。