视觉深度估计与点云建图研究进展

即时定位导航(SLAM)是无人驾驶和机器人实现自主移动的关键技术。目前广泛应用于SLAM技术中的激光雷达传感器存在成本高昂、激光点云空间分辨率低及难以获得精确的语义信息等一系列问题。视觉传感器可以有效避免上述问题,但是在深度预测和建图等方面需要更复杂的算法。近年来,随着处理器算力的提升、数据集的丰富和新机器视觉算法的出现,视觉深度预测和建图算法的精度和效率都有了明显提升。本文对现有视觉深度预测与视觉建图方法进行了总结,从视觉数据的采集和算法设计等方面进行分类阐述,最后针对应用场景和未来发展方向进行了分析。

基于关键帧的点云建图方法

地图构建是自动驾驶技术中重要的环节之一,当前的建图方法主要依赖于雷达和相机等传感器,由于传感器采集数据的特点不同,每种方法均存在一定的局限性。为了高效、准确地在不同场景下完成建图任务,本文提出了基于关键帧的点云建图方法,该方法基于激光雷达点云数据,用三维正态分布变化的方法对位姿点云进行匹配,并结合多余观测数据和SLAM图优化理论优化结果。在得到优化的位姿后,计算优化位姿和预测位姿的距离差,当该差值最小时,取此刻的点云数据为关键帧。重复以上步骤得到关键帧的集合,进而完成地图的构建。通过实验对比,表明本方法在算法上有稳定性的提升。

智能感知融合技术在干散货堆场动态环境中的应用

以干散货码头堆场为代表,针对其大型设备自动化作业在堆场复杂动态环境的感知问题,提出多传感器智能感知融合技术框架,基于激光雷达、惯性传感器(IMU)和实时动态(RTK)等多种传感器数据融合,利用原始的RTK数据信息对前端里程计输出的位姿进行优化,应用动态物体移除技术实现稳健、精准的动态要素感知,结合八叉树立方体查询实现高效、实时的全局地图更新,最终建立一个高精度且实时更新的散货堆场地图,为后续的堆场作业提供支持。将智能感知融合技术应用于大型干散货码头,结果证明该技术可实现堆场动态环境的高精度和实时性能,有效提高干散货码头自动化作业的感知能力。

基于高斯混合模型-地球移动距离的点集配准算法

提出一种基于高斯混合模型与地球移动距离的点集配准算法.将待配准的两个点集均表示为高斯混合模型,其中高斯分布的数量为点集中点的数量,每个高斯分布的均值为点的坐标值,方差为通过优化算法得到的优化值.在配准过程中通过优化两个高斯模型之间的地球移动距离来达到最佳匹配效果.该方法对点集配准中常见的噪声、外点、结构缺失等问题具有较强的鲁棒性.公共数据集与真实车辆平台上的实验表明该算法优于目前流行的点集配准算法.