ArUco-SLAM:基于ArUco二维码阵列的单目实时建图定位系统

高精度自动建图算法是ArUco二维码阵列定位系统应用的前提和核心,现有在线建图算法累计误差大且易受误检测影响,而人工标定和离线建图的方式则效率低、耗时长.为解决上述问题,本文提出了一种ArUco-SLAM单目实时建图定位算法,其采用前后端并行建图、联合优化的框架,前端以坐标系变换封闭原理对地图进行快速更新和局部修正;后端以非线性优化算法最小化二维码顶点总体重投影误差,实现对关键帧序列囊括地图的全局优化;最终,基于联合优化算法实现对前后端地图的匹配,消除前端地图的累计误差.设计实验对所提算法进行了验证,实验结果证明其相比现有建图系统有着累计误差小和建图效率高的优点,具有建立大规模二维码阵列厘米级精度地图的能力.

果园机器人LiDAR/IMU紧耦合实时定位与建图方法

针对果园环境中GNSS定位信号易丢失和传统SLAM算法鲁棒性较差的问题,本文提出一种基于LiDAR/IMU紧耦合框架的全局无偏状态估计果园机器人定位与建图方法。LiDAR/IMU紧耦合框架基于因子图进行多源约束的IMU里程计构建,实时输出高频位姿信息,IMU里程计因子和预积分因子优化LiDAR里程计并提供位姿先验约束IMU零偏。引入局部点云地图参与特征点云粗匹配和非特征点云递进式匹配进一步稠密化源点云,改善LiDAR里程计的性能。融合GPS信号与LiDAR/IMU紧耦合框架的地图构建,能够得到准确且高频连续的位姿信息,提高点云地图的复用率。在果园和苗木等场景验证了该算法的性能,实验结果表明,与LIO-SAM等算法相比,定位精度维持在0.05 m左右,均方根误差为0.0162 m。本文算法使机器人具有更高的精度、实时性和鲁棒性,有效降低了系统累积误差,保证了所构建地图的全局一致性。

面向开放道路场景的实时稠密建图研究

针对智能驾驶领域建图效率低、建图精度差的问题,提出一种基于多传感器融合且用于室外开放道路场景的两阶段稠密建图算法。算法由外参实时标定模块和建图模块组成,外参实时标定模块基于道路场景中典型语义和几何特征构建约束并进行优化,实现对传感器间外参的实时在线标定;建图模块的核心在于一种两阶段增量式建图算法,根据智能驾驶中对不同区域的建图精度要求,先后分别对整个场景以及路面区域进行逐帧增量式粗糙建图和抽帧精细建图,粗糙建图保证了算法的实时性,精细建图实现了对交通标志等路面表面纹理的精确还原。在室外开放道路场景下进行实验,实验结果表明,该算法能在室外大尺度场景下进行实时稠密建图,且建图精度和效率较高。

基于激光SLAM的综采工作面实时三维建图方法

移动式建图方法依赖高精度的光纤惯导和里程计进行位姿计算,而在实际工程实践中里程计精度难以满足应用需求,导致获取的工作面三维激光点云不完整。针对该问题,提出了一种基于激光SLAM的综采工作面实时三维建图方法。该方法主要包括激光点云去畸变、特征提取、位姿估计、优化建图等步骤。通过惯导数据消除激光点云的畸变,根据点云中每个点的时间戳检索惯导数据,获得对应每个点的姿态角,如果没有检索到对应姿态角,则采用四元数法进行插补。采用主成分分析法提取点云的几何张量特征,先求解点集的协方差矩阵,再进行特征值分解,得到几何张量特征。计算相邻2帧中特征点之间的距离,构建目标函数,采用Levenberg−Marquardt算法求解目标函数,获取变换矩阵,从而实现位姿估计。采用增量式优化算法,使用GTSAM优化库对历史关键帧与当前关键帧进行联合优化,将获得的所有关键帧点云叠加到一起,即为全局实时三维地图。井下工业性试验结果表明,该方法能实时、完整、高精度地构建全工作面范围的三维地图,最大绝对误差均值为0.19 m,满足综采工作面监控及刮板输送机找直精度需求。

视觉SLAM方法综述

实时定位与建图(SLAM)技术搭载特定传感器,使移动机器人在无任何环境先验条件下,在运动过程中自主建立环境模型来计算自身位姿,大幅提高其自主导航能力,以及对不同应用环境的适应性。视觉SLAM方法以相机作为外部传感器,通过采集周围环境信息来创建地图并实时估计机器人自身位姿。为此,介绍了具有代表性的经典视觉SLAM方法及与深度学习相结合的视觉SLAM方法,分析了视觉SLAM方法中采用的不同特征检测方法、后端优化、闭环检测,以及动态环境下视觉SLAM方法的应用,总结了视觉SLAM方法的问题,并探讨了视觉SLAM方法在未来的热点研究方向和发展前景。

基于多传感信息融合的语义词袋SLAM优化算法

针对室外大范围场景移动机器人建图中,激光雷达里程计位姿计算不准确导致SLAM(simultaneous localization and mapping)算法精度下降的问题,提出一种基于多传感信息融合的SLAM语义词袋优化算法MSW-SLAM(multi-sensor information fusion SLAM based on semantic word bags)。采用视觉惯性系统引入激光雷达原始观测数据,并通过滑动窗口实现了IMU(inertia measurement unit)量测、视觉特征和激光点云特征的多源数据联合非线性优化;最后算法利用视觉与激光雷达的语义词袋互补特性进行闭环优化,进一步提升了多传感器融合SLAM系统的全局定位和建图精度。实验结果显示,相比于传统的紧耦合双目视觉惯性里程计和激光雷达里程计定位,MSW-SLAM算法能够有效探测轨迹中的闭环信息,并实现高精度的全局位姿图优化,闭环检测后的点云地图具有良好的分辨率和全局一致性。

复杂场景下移动机器人的SLAM与路径规划问题

针对室内复杂场景下移动式机器人在构建优质地图及定位方面存在较大误差问题,基于Gazebo仿真平台,构建搭载Delta3A激光雷达的室内移动机器人虚拟仿真系统,引入Cartographer、Gmapping及Hector SLAM三种主流算法的建图机理,通过优化Delta3A激光传感器的参数配置,降低三种建图算法所获二值优质地图与原图的匹配偏差。以Cartographer算法构建的优质地图为基础,利用A-star及Dynamic Windows Approach算法进行路径规划,有效地提高了导航精度,同时,大大降低了计算功耗。将本文研究成果在Spark-T实体机器人上进行实物验证,实验结果证明了本文方法的有效性。

基于优化Hector-SLAM算法的机器人自主导航系统设计

针对机器人在复杂地形环境下定位不准确、建图精度不高和误差堆积等问题,设计了一种基于优化Hector-SLAM(simultaneous localization and mapping,实时定位与建图)算法的自主导航系统,以实现机器人在及时躲避障碍物的同时准确到达目标点。首先,采用双三次插值法代替原有插值法,以解决Hector-SLAM算法在使用低精度激光雷达数据建图时易出现地图不清晰等问题,从而提升扫描匹配的精准度。其次,采用扩展卡尔曼滤波算法对里程计和惯性测量单元的数据进行融合,以提高定位的准确性。再次,针对激光点数据无法瞬时获得而机器人持续运动所导致的运动畸变问题,结合里程计辅助法与PL-ICP(point to line iterative closest points,点到线迭代最近点)配准法,以实现运动畸变的校正;同时,设置倾斜角阈值以消除地图重影,并利用A*算法和动态窗口法规划最优路径。最后,以AGV(automated guided vehicle,自主导引车)为例,在实际场景中开展建图实验和自主导航实验。结果表明,优化后自主导航系统的平均建图相对误差约为0.44%,最小建图误差为0.236 m,较优化前减小了0.041 m,有效地解决了因误差堆积和运动畸变而导致的建图不清晰问题,增强了AGV在复杂地形环境中的适应能力,实现了高精度定位。研究结果对提高移动机器人在室内多障碍物环境下的自主导航能力具有一定的理论和工程意义。

头盔式激光扫描系统WHU-Helmet

轻小型穿戴式激光扫描系统具有成本低、体积小、易操作的特点,为室内外一体化三维地理信息获取提供了一种可行方案,是传统移动测量系统的有效补充。相比现有手持及背包激光扫描系统,基于头盔的观测平台与用户视线保持方向一致,具有“所见即所得”的特点,让作业人员双手得到了解放。以自主研发的头盔式激光扫描系统“WHU-Helmet”为对象,设计了基于多尺度正态分布变换的LiDAR-IMU SLAM算法,实现了在室内外环境无缝的实时三维点云数据获取。以两个典型室内外环境为实验区域(办公楼、地铁站),将“WHU-Helmet”获取的三维点云与地面式激光扫描系统获取的三维点云对比,平均误差小于0.44 m,均方根误差小于0.23 m,表明了头盔式激光扫描系统在室内外一体化三维测图中具有巨大的潜力。

适用于低端激光雷达的优化Hector SLAM算法

提出了一种实时定位和建图(SLAM)前端优化的解决方法。首先降低算法对雷达精度的要求,对激光雷达数据进行概率霍夫变换与最小二乘法拟合的预处理,降低系统噪声并优化直线数据;用双三次插值算法代替Hector SLAM中使用的双线性插值算法,获取精度更高的栅格地图与地图梯度。然后解决系统对激光雷达高刷新频率的依赖,使用图像处理的常用方法,即通过图像相减与矩阵变换,判定激光雷达的运动形式为平移还是旋转;优化SLAM的关键帧判定机制,不再把由旋转得到的数据更新至地图。经过实践验证,低性能的激光雷达也可以使用优化后的Hector SLAM方法获得优质的地图,并且解决了地图构建重影问题。

基于SLAM的楼层巡检智能车设计

随着人工智能技术的飞速发展,机器人辅助代替人类去完成那些重复性高、费力费时且具有潜在危险性的巡检任务已成为大势所趋。此设计的目的是为了提高当前楼层巡检系统效率,保护相对自我保护防范意识能力较差的青少年学生群体和老年人群。对此通过对基于SLAM的楼层巡检智能车研究,利用SLAM技术实现巡检无人车的自主定位与导航。提升巡检工作智能化水平,来缓解楼层巡检系统的压力,切实保护学生等人群的人身及财产安全。此设计通过智能巡检功能,实现了无死角扫描定位,智能避障及巡检,为打造智能化楼层通过了重要参考价值。

基于激光雷达的复杂环境定位研究

针对传统定位方法中存在误差大、定位范围小、依赖标志物等问题,文章通过无人系统自身搭载的传感器实现复杂环境下的定位:无人系统配置激光雷达传感器获取周围环境点云数据,得到当前时刻在环境中的位置信息;借助机器人操作系统(Robot operation system,ROS)实时发布传感器数据;分别使用Hector算法、Cartographer算法对环境进行实时定位与建图(Simultaneous Localization and Mapping,SLAM)。实验证明,在无轮式里程计的条件下,该2种算法仍保持较高定位精度,所建地图可用于无人系统的局部及全局路径规划。

基于AirSim的无人机硬件在环仿真平台设计与实现

为了减少使用真实无人机和相机进行算法验证所带来的高成本与人员安全风险,研制了一个无人机实物平台,并基于AirSim和虚幻引擎4搭建了配套的无人机硬件在环仿真平台。在同一局域网内,仿真平台与实物平台建立连接,将传感器数据直接输送到实物平台进行算法验证。硬件在环仿真平台可在室内无GPS环境下保证算法在仿真和实物运行时处于同一平台,节省仿真时编译代码和数据拷贝的时间,有利于多传感器融合定位算法的验证。

基于SR-Context的激光雷达点云闭环检测算法

针对传统激光雷达闭环检测算法受动态障碍物干扰较大、关键帧搜索以及特征匹配耗时较长的问题,采用MF-RANSAC算法并改进ScanContext,提出一种鲁棒性更强、耗时更短的SR-Context激光雷达闭环检测算法。首先,利用区域生长算法对扇形栅格化后的点云进行分割;随后,不依赖于目标识别和跟踪,借助动态区域多点选取和多属性查询对应点,提出一种MF-RANSAC算法快速实现动态目标剔除;最后,通过简化特征匹配计算和删除闭环历史匹配帧的方式改进ScanContext算法,对去除动态目标后的栅格提取特征实现闭环检测。分别在KITTI数据集与实车数据集下进行测试,实验结果表明,本文算法在城市动态环境下能够快速准确实现闭环检测进而提高激光雷达建图精度,且平均耗时仅为ScanContext算法耗时的40%。