弱纹理环境下的视觉惯性里程计优化方法

基于视觉的机器人自主定位与导航系统都是利用点特征进行工作,但在弱纹理环境中,无法提取充足的点特征,系统的精度与鲁棒性就会下降。为此,提出了一种弱纹理环境下的视觉惯性里程计优化方法。将点线特征融合,相对于点特征,线特征在弱纹理环境下有较强的鲁棒性,可提供更多的环境几何结构信息,有利于三维地图的构建。为了提高精度,使用紧耦合的方式将相机与IMU采集到的数据融合。利用滑动窗口算法,将IMU预积分后的误差与点线重投影误差,在滑动窗口中用最小化误差函数的方式进行优化。通过EuRoc数据集,将优化后的系统与VINS-Mono系统进行比较。经测试,不同场景中的几组数据的绝对轨迹误差都很小,且均方根误差下降3%左右。验证了算法的精度与鲁棒性。

弱纹理环境双目视觉稠密视差鲁棒估计方法

精确稠密视差估计是立体视觉系统恢复观测场景三维信息的关键。从立体视觉在机器人环境感知的实际应用角度出发,提出了对于弱纹理、阴影和遮挡等关键影响因素,具有良好鲁棒性、精度和处理速度的稠密视差图估计算法。针对弱纹理、阴影和深度不连续的问题,设计了基于灰度相似度概率的置信度传播算法,结合视差平滑约束,以期实现较高精度的视差初值快速估计。由视差级数定义的消息向量通过异向平行迭代进行传播,消息向量包含表征像素点灰度相似性和平滑性的能量信息,通过全局能量函数的迭代收敛,快速获得视差初始估计。根据独立连通区域通常具有相似纹理特征和视差一致性的先验知识,提出了基于Mean-Shift聚类分割算法和参数空间投票自适应视差近似面估计算法,进行稠密视差的精细优化估计。利用具有不同弱纹理特征的5组标准测试图像、4组室内环境实际图像、4组室外环境实际图像和4组月面模拟特殊光照环境的实际环境图像进行了测试实验,实验结果表明了本文算法的良好鲁棒性和有效性。

一种室内弱纹理环境下的视觉SLAM算法

针对室内机器人在弱纹理环境下视觉SLAM(同步定位与地图构建)不鲁棒、不精确的问题,提出一种视觉惯性SLAM优化算法。首先,利用基于注意力机制的深度学习模块直接对相邻两帧图像进行特征匹配,结合传统特征检测方法,解决无法提取足够特征点的问题;其次,建立相机深度置信模型,在计算相机帧间位姿变换关系前,引入空间点的深度置信概率来减小远距离特征的漂移误差;最后,将参与后端优化的所有匹配特征点的深度置信度作为动态鲁棒核函数的分段阈值,优化传统光束平差法,协调整体运动轨迹。实际场景实验表明,该算法在弱纹理环境下有明显的鲁棒性,相较于VINS-RGBD算法,该算法的绝对轨迹误差降低了50.38%,相对轨迹误差降低了85.75%。

多角度弱纹理文物三维扫描测量方法

古文物的数字化重建是考古发掘的重要分析手段,但弱纹理特征的文物结构很难准确配准,从而引起较大的三维重建误差。针对该问题,提出基于互补格雷码-相移法的三维重建方法,并通过转台辅助完成多角度点云配准。首先,建立双目-转台位姿转换模型,完成系统标定;其次,在扫描过程中使用互补格雷码-相移法获得高质量的相位信息,通过极线校正和立体匹配得到单片点云数据;最后,采用精密转台的多角度拼接方法实现各个方向的点云图像组合,构建完整的文物三维点云图像。为了验证所提方法的有效性,搭建了双目结构光三维重建系统搭配高精度转台实验平台,实验结果表明:所提算法的误差低于0.11 mm,深度相机方法的误差为6.96 mm,比所提方法误差大63.27倍,证明结构光三维重建系统对弱纹理特征物体重建具有优势,同时转台的应用也实现了对均匀对称物体的多角度三维重建。

基于联合点线特征的医疗服务机器人同时定位与地图构建算法研究

目的为提高医疗服务机器人同时定位与地图构建(SLAM)算法全局定位精度和实时性,提出基于点线特征SLAM(PL-SLAM)算法,并与ORB(oriented FAST and rotated BRIEF)-SLAM2算法进行比较。方法PL-SLAM算法在特征提取过程中在点特征的基础上增加线段特征,根据融合后的点线特征,在复杂医疗环境内进行地图创建与全局定位。利用公开数据集EuRoc和KITTI对比PL-SLAM算法与ORB-SLAM2算法,测试医疗服务机器人的自主导航综合性能。结果与ORB-SLAM2算法相比,PL-SLAM算法在弱纹理环境下能够提取较多的点线特征,定位精度和实时性均有较大提升。其中旋转误差较ORB-SLAM2算法减小42.2%,运算速度提高55.9%。结论PL-SLAM算法能够有效提高医疗服务机器人全局定位精度和实时性。

基于点线特征的快速单目惯性SLAM算法

以提高弱纹理场景下同步定位与建图(SLAM)算法的定位精度、鲁棒性和运行效率为目的,提出一种基于点线特征的快速单目视觉惯性SLAM算法。算法通过融合点线特征以及惯性测量信息估计出SLAM系统初始运行参数,在SLAM后端通过构建先验误差、惯性测量单元(IMU)测量误差、视觉特征重投影误差、回环检测误差函数进行非线性优化,估计更加精确的相机运动、路标点坐标及IMU状态信息,对算法中的点线特征检测基于计算机统一设备架构(CUDA)并行计算模型设计了并行检测方法。实验结果表明,该算法运行效率相对于串行计算模式有了较明显提升,且在某些场景下具有比VINS-Mono算法更高的定位精度和鲁棒性。

一种基于点和线的视觉惯性SLAM算法

传统的视觉惯性SLAM (Simultaneous Localization and Mapping)算法,在弱纹理场景下,往往存在定位精度差甚至失效的问题,本文提出一种基于点和线特征的视觉惯性SLAM算法。该算法以开源的VINS-Mono (Monocular Visual-Inertial Systems)系统为基础,在此基础上增加了线特征,结合点线特征各自独有的特性,并且提出一种新的数据选择策略,减少了因为线特征的加入而增加的计算量,保证了系统的实时性。实验采用开源数据集Euroc,通过与其他开源算法做对比,对本文算法进行评估,实验结果表明了本文算法的有效性。

基于点线特征融合的双目惯性SLAM算法

针对室内弱纹理场景下,基于点特征的SLAM算法难以追踪足够多的有效特征点,导致系统定位精度和鲁棒性较差,甚至完全失效的问题,提出一种基于点线特征并融合惯性测量单元(IMU)的双目视觉惯性SLAM算法。利用点线特征的互补优势来提高数据关联的准确性,同时引入IMU数据为视觉定位算法提供先验和尺度信息,通过联合最小化多残差函数得到更准确的相机位姿,并据此构建环境点线特征地图、稠密地图和导航地图。针对传统线特征提取算法在复杂场景下易检测到大量短线段和相似线段特征以及线段存在过分割等弊端,利用线段长度抑制、近线合并及断线拼接策略在FLD算法的基础上进行改进,以降低线特征的误匹配率,运行速度是LSD算法的2倍以上。通过对比多组公开数据集和真实弱纹理场景下得到的仿真实验结果可知,所提算法在保证定位精度的同时能够获得更为丰富的环境地图,具备较好的鲁棒性。