基于视觉同时定位与地图构建的水下图像增强式视觉三维重建方法

针对仿生机器鱼水下作业时面临的水下图像质量偏低、水下自主定位难的问题,提出一种颜色均衡与G-B通道先验融合的水下图像增强式算法。将该算法和视觉同时定位与地图构建(SLAM)方法结合,实现了水下图像增强式的视觉三维重建。在不同水域环境下进行了水下图像处理实验、水下环境视觉三维重建实验和运动轨迹跟踪实验,结果表明该方法有效提高了水下图像综合质量,特征匹配效率提高了16.03%,真实轨迹与估计轨迹的误差平均约为7.99 mm。

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。

SLAM技术及其在矿山无人驾驶领域的研究现状与发展趋势

无人驾驶是矿山智能化关键技术之一,其中即时定位与地图构建(SLAM)技术是实现无人驾驶的关键环节。为推动SLAM技术在矿山无人驾驶领域的发展,对SLAM技术原理、成熟地面SLAM方案、现阶段矿山SLAM研究现状、未来矿山SLAM发展趋势进行了探讨。根据SLAM技术所使用的传感器,从视觉、激光及多传感器融合3个方面分析了各自的技术原理及相应框架,指出视觉和激光SLAM技术通过单一相机或激光雷达实现,存在易受环境干扰、无法适应复杂环境等缺点,多传感器融合SLAM是目前最佳的解决方法。探究了目前矿山SLAM技术的研究现状,分析了视觉、激光、多传感器融合3种SLAM技术在井工煤矿、露天矿山的适用性与研究价值,指出多传感器融合SLAM是井工煤矿领域的最佳方案,SLAM技术在露天矿山领域研究价值不高。基于现阶段井下SLAM技术存在的难点(随时间及活动范围积累误差、各类场景引起的不良影响、各类传感器无法满足高精度SLAM算法的硬件要求),提出矿山无人驾驶领域SLAM技术未来应向多传感器融合、固态化、智能化方向发展。

面向矿井无人驾驶的IMU与激光雷达融合SLAM技术

同时定位与地图构建(SLAM)是无人驾驶关键技术,现有SLAM技术在煤矿巷道环境下存在累计误差大、漂移等问题。提出一种巷道环境特征辅助的惯性测量单元(IMU)与激光雷达融合SLAM算法。利用IMU观测数据预测点云运动状态并进行运动补偿,减少由设备运动引起的点云畸变;通过点云配准得到雷达里程计位姿变换信息,构成雷达里程计约束;提取巷道侧壁和地面点云并进行平面拟合,构成环境约束;基于IMU预积分约束、雷达里程计约束和环境约束,采用因子图优化方法完成激光雷达与IMU紧耦合,实现对巷道三维场景的高精度重建和无人驾驶车辆定位。仿真实验表明,巷道环境特征辅助的IMU与激光雷达融合SLAM算法的绝对轨迹均方根误差为0.1162 m,相对轨迹均方根误差为0.0409 m,定位精度较常用的LeGO-LOAM算法和LIO-SAM算法有所提升。真实环境测试结果表明,该算法具有良好的建图效果,未出现漂移和拖尾现象,具有较强的环境适应性和鲁棒性。

移动机器人同步定位与地图构建过程中的轨迹规划研究

研究了移动机器人同步定位与地图构建(SLAM)过程中的轨迹规划问题.提出了一种新的目标函数,它同时考虑机器人运动对地图覆盖面积、地图不确定性、定位不确定性、导航代价等几个方面的影响.提出了一步最优和多步最优轨迹规划的概念,并分别设计了两种最优标准下的规划算法和近似计算方法.最后,通过对比仿真实验验证了所提出的方法的有效性,并指出了今后的研究方向.

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。

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。

动态环境下基于路径规划的机器人同步定位与地图构建

针对动态环境下随机目标同时为特征点和障碍物的情况,提出一种基于路径规划的同步定位与地图构建(SLAM)算法.机器人在同步定位与地图构建的同时,基于势场原理来规划机器人下一步的运动控制规律.利用混合当前统计模型的交互式多模型(IMM)方法预测随机目标的轨迹,采用最近邻数据关联方法将动态随机目标关联到地图中.算法构建的地图由静态特征点和随机目标的轨迹组成.仿真结果表明,提出的算法解决了动态环境中存在的随机目标同时为障碍物时机器人的同步定位与地图构建问题,相关性能指标验证了算法的一致性估计.

有色过程噪声下的轮式机器人同步定位与地图构建

由于机械制造工艺的原因,轮式机器人内部传感器获得的控制量在实际中为有色噪声,经典的同步定位与地图构建(SLAM)算法将不适用.提出一种有色过程噪声的机器人同步定位与地图构建算法.将机器人非线性过程模型线性化,用增广状态变量维数的方法将有色过程噪声模型转化为高斯白噪声模型.算法按照预测、观测、数据关联、更新、地图构建递推进行同步定位与地图构建.仿真结果表明,在有色过程噪声条件下,与EKF-SLAM算法和Fast-SLAM算法相比,提出的算法的机器人定位精度更好.

基于直线特征提取匹配搜救机器人的同步定位与地图构建

针对搜救机器人在灾后特征环境下同步定位与地图构建问题,提出了改进动态阈值分裂合并算法,与固定阈值算法相比提高了直线拟合的准确性。推导出匹配条件参数,通过比较始末点距离解决了误匹配,提高了匹配精度。在此基础上,进行全局定位计算。利用最小二乘法进行滤波处理,提高了定位精度。通过仿真与模拟现场实验表明,本文方法能使提取的直线更准确地反映实际地形环境,完成二维栅格地图的实时创建任务。

激光SLAM技术进展

针对近年来,基于激光雷达(LiDAR)的同时定位与地图构建(SLAM)技术在激光传感器技术的更新迭代、运动估计算法的稳定性和准确性、地图优化算法的精度和一致性以及与其他多种传感器深度融合等方面虽已取得显著进展,然而面对运动场景和复杂场景时,基于点云匹配的激光雷达里程计鲁棒性较差,容易失效,大规模场景下的后端优化算法会消耗大量计算资源,无法满足实时性的要求,以及不同场景下回环检测的成本较高且易误匹配等问题,研究分析激光SLAM技术进展:阐述激光雷达系统和激光SLAM框架;并详细介绍激光SLAM的关键技术和模块,针对激光SLAM与视觉SLAM系统开展对比研究;最后结合近年来的研究成果,指出激光SLAM技术在自动驾驶、机器人导航和工业自动化领域具有巨大的应用潜力,未来的研究趋势将集中于多源传感器融合、优化策略的改进以及与场景识别和环境感知技术的结合。

统计特性突变下的机器人同步定位与地图构建

针对未知环境中,机器人同步定位与地图构建(SLAM)时,系统的统计特性发生突变问题,提出了一种基于非线性交互式多模型(IMM)的SLAM算法。该算法的主要思想是:用多个非线性高斯模型近似非线性非高斯模型;每个模型都采用扩展卡尔曼滤波(EKF)对非线性系统线性化;在每一步采用IMM方法获得融合估计值;从而演化机器人的SLAM.Monte Carlo仿真结果表明,在过程噪声均方根误差、量测噪声均方根误差和两者噪声均方根误差都发生变化的情况下,与EKF-SLAM算法和快速SLAM算法相比,该算法具有更好的估计精度。

基于多传感器信息融合的机器人导航与定位技术研究

移动机器人已经服务于各个领域,作为室内移动机器人服务的前提是实现机器人精准定位。文章介绍了一种射频识别(Radio Frequency IDentification,RFID)和即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)多传感器融合库存盘点机器人精准导航与定位的方法。通过读取布置在环境中的RFID标签,获取机器人的大概位置信息和准确运动状态,然后结合SLAM技术实现精准定位。实验结果表明,该方法可以使库存盘点机器人精准定位,且系统搭建简单、成本低,对室内机器人定位具有参考价值。

利用SLAM点云的玉米株数自动识别

为了实现农田玉米株数的快速无损自动化识别,提出一种利用同时定位与地图构建(SLAM)点云的农田玉米株数自动识别方法。借助飞马SLAM100手持扫描仪进行玉米田块点云数据采集,充分利用SLAM点云中玉米植株的竖直度特征和扫描过程中植株的先验纹理特征,进行玉米植株顶部的自动提取,引入密度聚类算法进行玉米植株的区分与株数自动识别,并通过农田实测数据进行实验。结果表明,所设计的方法能够实现玉米植株的自动识别,对玉米种植株数的识别率达到92.53%。该研究在玉米植株自动识别、作物估产以及智慧农业研究领域具有良好的工程应用价值。

基于神经网络的VSLAM综述

传统的基于视觉的SLAM技术成果颇丰,但在具有挑战性的环境中难以取得想要的效果.深度学习推动了计算机视觉领域的快速发展,并在图像处理中展现出愈加突出的优势.将深度学习与基于视觉的SLAM结合是一个热门话题,诸多研究人员的努力使二者的广泛结合成为可能.本文从深度学习经典的神经网络入手,介绍了深度学习与传统基于视觉的SLAM算法的结合,概述了卷积神经网络(CNN)与循环神经网络(RNN)在深度估计、位姿估计、闭环检测等方面的成就,分析了神经网络在语义信息提取方面的优点,以期为未来自主移动机器人真正自主化提供帮助.最后,对未来VSLAM发展进行了展望.

基于环境语义信息的同步定位与地图构建方法综述

同步定位与地图构建技术(SLAM)是当前机器人领域的重要研究热点,传统的SLAM技术虽然在实时性方面已经达到较高的水平,但在定位精度和鲁棒性等方面还存在较大缺陷,所构建的环境地图虽然一定程度上满足了机器人的定位需要,但不足以支撑机器人自主完成导航、避障等任务,交互性能不足.随着深度学习技术的发展,利用深度学习方法提取环境语义信息,并与SLAM技术结合,越来越受到学者的关注.本文综述了环境语义信息应用到同步定位与地图构建领域的最新研究进展,重点介绍和总结了语义信息与传统视觉SLAM在系统定位和地图构建方面结合的突出研究成果,并对传统视觉SLAM算法与语义SLAM算法做了深入的对比研究.最后,展望了语义SLAM研究的发展方向.

基于异构数据融合的SLAM研究综述

激光与视觉SLAM技术经过几十年的发展,目前都已经较为成熟,并被广泛应用于军事和民用领域.单一传感器的SLAM技术都存在局限性,如激光SLAM不适用于周围存在大量动态物体的场景,而视觉SLAM在低纹理环境中鲁棒性差,但两者融合使用具有巨大的取长补短的潜力,激光与视觉甚至是更多传感器融合的SLAM技术将会是未来的主流方向.本文回顾了SLAM技术的发展历程,分析了激光雷达与视觉的硬件信息,给出了一些经典的开源算法与数据集.根据融合传感器所使用的算法,从传统基于不确定度、基于特征以及基于深度学习的角度详细介绍了多传感器融合方案,概述了多传感器融合方案在复杂场景中的优异性能,并对未来发展作出了展望.

用于SLAM的点云动态物体识别

检测和分割场景中动态物体对于建立一致性地图至关重要。针对当前点云动态物体检测算法依赖大量含有动态属性标注的数据、限制激光雷达扫描方式等问题,提出了一种基于连续点云的动态物体检测算法。将待预测点云、相邻帧点云以及通过SLAM(simultaneous localization and mapping)得到的位姿信息作为输入,利用点云场景流估计算法逐点估计移动情况,结合点云聚类、主成分分析(principal component analysis,PCA)等技术,整合场景流结果以获取实例级移动信息以判断物体的动态属性,并将点云语义分割作为判别点是否属于可移动类别的插件以提升动态物体识别精度。所提算法不需要具有动态属性的标注数据进行训练,并且对传感器的扫描方式、生成的点云数没有任何限制;与现有最先进的方法进行对比,具有易于训练、判断准确、结果鲁棒等特性。

基于物联网技术的工厂智能输送机移动线程设计方法

针对工厂智能输送机自主巡航场景中对不同路径点进行导航等问题,采用深度摄像头及多种传感器以及视觉即时定位和地图构建技术(SLAM),通过深度摄像头采集图像信息和所处位置对应的景深信息,构造点云,使机器人能够获取当前所处位置的信息,再通过对点云的分析还原计算机器人的位姿,实现机器人的定点巡航及路径规划。

基于类脑仿生的环境感知技术

针对机器人即时定位与地图构建(SLAM)领域环境感知中场景图像表征难的问题,仿照人脑视觉系统感知环境的过程,提出了一种类脑仿生的环境感知方法,将场景图像压缩成视觉模板以表征场景。首先模拟大脑先验知识,利用尺度不变特征变换(SIFT)算法提取通用场景数据集中图像的特征,并通过K均值聚类(K-Means)算法来构建视觉特征库,然后模拟视觉注意机制,提取目标场景图像的SIFT特征并将其与视觉特征库进行匹配,完成场景表征。最后通过实验验证了方法的可信性。