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。

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。

复杂环境下的视觉同时定位与建图

针对实际的复杂场景下同时定位与建图存在精度不高和动态环境下系统容易追踪丢失的问题,提出一种基于聚类的视觉同时定位与建图算法。首先,在ORB-SLAM3算法中融合语义分割网络,并对参考帧图像进行聚类划分运动区域和物体类别,改进ORB特征提取,提高特征点的鲁棒性。其次,在运动一致性基础上提出机器人感知自身处于动态还是静态的环境检测约束条件,然后在匹配阶段融合K均值聚类算法剔除由物体运动和系统匹配过程产生的误匹配对,以此提高系统的精度和稳健性。最后利用运动矢量虚拟匹配重构静态地图点获取更多的匹配对,降低系统追踪丢失率。在TUM数据集上实验结果表明,改进后系统特征点提取成功率平均提高了20%;误匹配过滤时间稳定在1~2 ms之间,在动态环境下相对于原方法匹配效率提高十倍,特征点匹配数目增多;算法整体精度在静态环境下提升10%,动态环境下提高90%并且追踪完整性表现优越。实验结果表明复杂场景下所提算法具有优越的精度和稳健性。

基于视觉的移动机器人同时定位与建图研究进展

同时定位与建图(SLAM)是实现移动机器人真正自治的必要前提,视觉传感器由于能够提供丰富的环境信息而在SLAM研究中受到重视,本文从视觉传感器配置方式、视觉特征提取方法、视觉SLAM实现机制、地图表示类型以及环境对视觉SLAM的影响五个方面综述基于视觉传感器的同时定位与建图研究的发展现状,对已有的典型视觉SLAM方法进行分析和比较,并展望了未来的发展趋势.

基于单目视觉的动态环境同步定位与多地图构建算法

针对传统V-SLAM算法是在假设场景刚性不变的条件下进行建图,导致无法实现动态环境建图,以及传统算法无法克服因环境特征不明显或机器人被“绑架劫持”而导致场景跟丢的问题,提出一种在动态环境下同步定位与多地图构建(DE-SLAMM)算法。该算法首先引入一种多地图构建思想,当跟踪失败时会自适应生成一个新的局部地图,并在回环时将该地图与之前地图融合,解决算法跟丢后无法建图的问题。其次,结合深度学习和多视图几何技术实现对环境中的动态物体进行实时检测,并利用多帧融合技术对动态对象遮挡的部分进行背景修复,有效解决动态环境下跟踪建图问题。最后将该算法应用于实际场景进行测试,结果表明,相比经典的V-SLAM算法(ORB-SLAM2、ORBSLAMM和DynaSLAM),当发生跟踪丢失时,本文算法在很短时间内快速重建地图并实现继续跟踪和新地图融合,而ORB-SLAM2和DynaSLAM跟丢后进入重定位模式,无法继续建图;ORBSLAMM跟丢后虽然可以继续建图,但其建立的地图不能实现多地图融合,无法构建整体地图;进一步通过动态环境测试实验发现,只有本文算法可实现所有动态目标(先验和移动目标)的实时检测及背景修复,DynaSLAM只能实现先验目标检测,而其它两种算法无法实现动态环境下目标检测和建图。

视觉同时定位与地图创建综述

同时定位与地图创建(simultaneous localization and mapping,SLAM)自1986年提出以来一直是机器人领域的热点问题,被认为是实现真正全自主移动机器人的关键。其目的是让机器人在未知环境下实现自身定位同时创建出环境地图。视觉SLAM(visual simultaneous localization and mapping,VSLAM)是仅用相机作为传感器的定位与制图。随着计算机视觉和机器人技术的发展,VSLAM已成为无人系统领域的研究焦点。本文对VSLAM的最新研究现状进行总结,阐述了VSLAM中的主要问题,分别介绍了VSLAM基于滤波和图优化的实现方法,并探讨了VSLAM的研究与发展方向。

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。

基于GPS和视觉同步定位与建图的无人驾驶车辆定位方法研究

为提高无人驾驶车辆的定位精度,提出一种基于GPS与视觉同步定位与建图(VSLAM)相融合的定位算法,在VINS-Mono基础上进行改进,提出了VINS-FAST算法进行角点提取,并将VINS-FAST与GPS技术相结合,提出了GPS与VSLAM相融合的VINS-GPS算法。试验结果表明:VINS-GPS在KITTI数据集07和09子集上的均方根误差较VINS-Mono分别降低了18.16%和33.08%,改善了VSLAM在大范围环境中表现较差的问题,同时提高了在GPS信号薄弱或无GPS信号环境中的定位精度。

惯导卫星组合导航辅助的视觉导盲仪定位建图

视觉即时定位与建图(VSLAM)算法能够为穿戴式视觉导盲仪提供必要的位姿信息和环境信息。针对穿戴式视觉导盲仪对定位与建图精度的要求,提出了一种利用IMU/GPS组合导航辅助VSLAM的算法。在双目ORB-SLAM的跟踪线程中,将匀速运动模型改进为基于IMU/GPS组合导航位姿数据的运动模型,并且构造了综合视觉与组合导航数据的非线性优化,以提高跟踪线程的稳定性、提升定位精度。同时,局部建图线程的地图优化中也融合了组合导航数据,提高局部地图的精度,便于导盲仪检测环境信息,最终得到在大范围场景下稳定运行的定位与建图算法。在实际场景中的试验结果表明,该融合算法抑制了VSLAM的累积误差,同时VSLAM能够有效抑制GPS受环境影响产生的定位偏移误差,最终的定位精度达到0. 47 m。该算法提高了VSLAM建图效果,基本满足了视觉导盲仪对定位精度和环境信息的应用需求。

动态场景下基于视觉同时定位与地图构建技术的多层次语义地图构建方法

为提高视觉同时定位与地图构建(SLAM)技术的环境适应性和语义信息理解能力,该文提出一种可以在动态场景下实现多层次语义地图构建的视觉SLAM方案。首先利用被迫移动物体与动态目标间的空间位置关系,并结合目标检测网络和光流约束判断真正的动态目标,从而剔除动态特征点;其次提出一种基于超体素的快速点云分割方案,将基于静态区域构建的3维地图进行优化,构建了物体级的点云语义地图;同时构建的语义地图可以提供更高精度的训练数据样本,进一步用来提升目标检测网络性能。在TUM和ICL-NUIM数据集上的实验结果表明,该方法在定位精度上远优于目前主流的动态场景下的视觉SLAM方案,证明了该方法在高动态场景中具有较好的稳定性和鲁棒性;在建图精度和质量上,经过将重建的不同种类地图与各个现有方法进行比较,验证了提出的多层次语义地图构建的方法在静态和高动态场景中的有效性与适用性。

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。

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。

室内环境下基于图优化的视觉/惯性/超宽带融合定位算法

针对室内环境下视觉惯性里程计存在光照条件依赖和误差累计、超宽带定位易受非视距误差影响的问题,提出一种基于图优化的视觉/惯性/超宽带融合定位算法。首先,引入线特征来提高视觉特征的精度和鲁棒性;其次,设计了超宽带非视距误差识别与抑制方法来提高超宽带定位精度。然后,将超宽带定位信息与视觉惯性里程计输出位置信息以图优化的方式进行融合,实现室内定位,最后通过仿真实验和真实室内场景实验进行了验证。该算法在低光照、弱纹理或者障碍物遮挡等复杂室内环境下,与视觉惯性里程计相比,平均定位精度最高提升约72.09%,与纯超宽带定位算法相比,平均定位精度最高提升约46.15%。该算法可在室内环境下提供精度更高、鲁棒性更强的定位结果。

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。

融合视觉信息的激光定位与建图

针对大型和几何特征不够明显的环境,提出了激光与单目视觉融合的方法,进行同步定位与地图构建。结合视觉传感器获取信息丰富的特点,设计了激光与单目视觉融合的SLAM系统,设计了视觉回环检测环节,其中包括图像特征提取算法的选取、视觉关键帧的提取、视觉单词字典的构建和回环帧相似度的计算。进行了构建地图的实验,并与传统激光SLAM进行了对比。实验证明,该方法能够及时发现回环帧,有效抑制了误差的累积,起到较好的建图效果。

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。

基于单目视觉的同时定位与建图算法研究综述

与传统基于激光传感器的同时定位与建图(SLAM)方法相比,基于图像视觉传感器SLAM方法能廉价地获得更多环境信息,帮助移动机器人提高智能性。不同于用带深度信息的3D传感器研究SLAM问题,单目视觉SLAM算法用二维图像序列在线构建三维环境地图并实现实时定位。针对多种单目视觉SLAM算法进行对比研究,分析了近10年来流行的单目视觉定位算法的主要思路及其分类,指出基于优化方法正取代滤波器方法成为主流方法。从初始化、位姿估计、地图创建、闭环检测等功能组件的角度分别总结了目前流行的各种单目视觉SLAM或Odometry系统的工作原理和关键技术,阐述它们的工作过程和性能特点;总结了近年最新单目视觉定位算法的设计思路,最后概括指出本领域的研究热点与发展趋势。